一种航空DC-AC逆变器退化趋势预测方法

摘要

本发明公开了一种航空DC‑AC逆变器退化趋势预测方法，根据DC‑AC逆变器的退化趋势将DC‑AC逆变器的工作环境划分若干种工况条件，设置各工况条件下的采样时刻，并提取各个时刻各观测点的健康特征参数；把各个观测点的健康表征矢量进行归一化并计算各观测点在标准工况条件下的健康表征矢量与当前电路健康表征矢量之间的马氏距离，得到各观测点的健康状态评估指标；根据健康评估指标来建立健康状态退化趋势预测算法。本发明不仅有效地预防航空DC‑AC逆变器故障的发生，还及时地为用户提供相关的状态信息，提高了维护效率，最终提高了飞机的安全性能。

权利要求

1.一种航空DC‑AC逆变器退化趋势预测方法，包含以下步骤：步骤一：根据DC‑AC逆变器的退化趋势将DC‑AC逆变器的工作环境划分若干种工况条件，设置各工况条件下的采样时刻，并提取各工况条件下各个时刻各观测点的健康特征参数；其中，初始工况为标准工况，其余工况为非标准工况；

步骤二：把各个观测点的健康表征矢量进行归一化并计算各观测点在标准工况条件下的健康表征矢量与当前电路健康表征矢量之间的马氏距离，得到各观测点的健康状态评估指标HI；其中，健康表征矢量是根据当前时刻的观测点的健康表征参数与当前工况组成；

标准工况条件下，标准化健康表征参数：其中，Zef为标准化后的健康表征参数，p为到当前时刻提取到的某观测点的健康特征参数的数量，m为观测点的总数；

T

其中，zf ＝[z1f,z2f,…,zpf]，C为协方差矩阵， 为样本的均值，Se为标准差；通过计算标准工况下的无故障DC‑AC逆变器健康表征矢量与当前逆变器电路健康表征矢量之间的马氏距离度量如式(4)所示：用反正切函数进行归一化处理得到健康状态评估指标：其中，HIf为健康状态评估指标，b为调节参数；

步骤三：根据步骤二得到的各时刻点的健康评估指标HI数据来建立健康状态退化趋势预测算法，步骤如下：

步骤①：基于各时刻点的健康评估指标HI训练LSSVM建立多阶状态转移方程模型，得到系统状态空间模型如式(6)；

其中，uk‑1为系统噪声，vk为观测噪声，gk()由LSSVM训练得到，τ为阶数；

i i

步骤②：生成初始粒子xk‑1,…,xk‑τ，i＝1,2,…,Ns,Ns为粒子数；

步骤③：用初始粒子更新式(6)得到步骤④：由 计算τ个时刻Ns个粒子的权重；

步骤⑤：按照各粒子权值大小排序，选取权值大的Np个粒子；

步骤⑥：归一化权值，

*

步骤⑦：估计k时刻的状态xk，步骤⑧：q步前向预测，

步骤⑨：粒子重采样、粒子更新；

步骤⑩：令k＝k+1，返回步骤③。

2.根据权利要求1所述的一种航空DC‑AC逆变器退化趋势预测方法，其特征在于所述健康特征参数通过以下步骤获得：步骤A：在DC‑AC逆变器上设置多个观测点进行信号采集，利用特征提取技术提取特征并组成候选故障特征库；

步骤B：利用加权指标参数优选模型从候选故障特征库里选择DC‑AC逆变器各观测点的健康表征参数。

3.根据权利要求1所述的一种航空DC‑AC逆变器退化趋势预测方法，其特征在于还包含：

步骤四：根据健康状态退化趋势预测算法的预测效果对健康状态退化趋势预测算法中的参数进行调整。

说明书

一种航空DC‑AC逆变器退化趋势预测方法

技术领域

[0001] 本发明属于飞机故障诊断与健康管理领域，具体地说，是一种航空DC‑AC逆变器退化趋势预测方法。

背景技术

[0002] 伴随航空航天领域的飞速发展，针对航空DC‑AC逆变器可靠性设计的要求日益增加。航空DC‑AC逆变器从正常到故障往往经历一系列退化状态，准确评估航空DC‑AC逆变器
当前所处的退化状态，对预防设备进一步性能退化具有重大意义，同时可以提高飞机安全
性能。退化趋势的预测可以准确及时地为用户提供相关的状态信息，不仅能够有效地预防
设备故障的发生，还能提高维护效率。

[0003] 航空DC‑AC逆变器会随着使用的时间长度增加而出现性能退化，航空DC‑AC逆变器退化趋势预测以设备初始状态为起点，基于设备相应的特征指标的变化进行有效的采集处
理，从而准确的提取故障特征进行分析，记录当前的健康表征并计算出其健康评估值，接着
基于健康评估值通过本发明的算法预测电路的未来的健康值。因此本发明重点研究DC‑AC
逆变电路的健康评估和退化趋势预测。其中图1是DC‑AC逆变器拓扑结构，而倍压反激式DC‑
DC升压电路和DC‑AC逆变电路分别如图2和图3所示。

发明内容

[0004] 本发明的发明目的在于提供一种航空DC‑AC逆变器退化趋势预测方法，利用特征提取技术对航空DC‑AC逆变器在状态发生改变时所引起的或多或少一些特征指标的变化进
行分析，从而对航空DC‑AC逆变器的状态进行评估得到当前航空DC‑AC逆变器的健康评估
值，并基于历史数据对航空DC‑AC逆变器的退化趋势进行预测。

[0005] 本发明的发明目的通过以下技术方案实现：

[0006] 一种航空DC‑AC逆变器退化趋势预测方法，包含以下步骤：

[0007] 步骤一：根据DC‑AC逆变器的退化趋势将DC‑AC逆变器的工作环境划分若干种工况条件，设置各工况条件下的采样时刻，并提取各工况条件下各个时刻各观测点的健康特征
参数；其中，初始工况为标准工况，其余工况为非标准工况；

[0008] 步骤二：把各个观测点的健康表征矢量进行归一化并计算各观测点在标准工况条件下的健康表征矢量与当前电路健康表征矢量之间的马氏距离，得到各观测点的健康状态
评估指标HIj；其中，健康表征矢量是根据当前时刻的观测点的健康表征参数与当前工况组
成；

[0009] 步骤三：根据步骤二得到的各时刻点的健康评估指标HIj数据来建立健康状态退化趋势预测算法。

[0010] 本发明与现有技术相比，其显著优点为：构建了一种航空DC‑AC逆变器退化趋势预测方法，航空DC‑AC逆变器退化趋势预测以设备初始状态为起点，基于设备相应的特征指标
的变化进行有效的采集处理，从而准确的提取健康表征进行分析，记录当前的健康表征并
计算出其健康评估值，接着基于健康评估值驱动本发明的算法预测电路的未来的健康值。
对提高飞机的安全性能以及时维护具有巨大意义。

附图说明

[0011] 图1 DC‑AC逆变器拓扑结构

[0012] 图2 倍压反激式DC‑DC升压电路

[0013] 图3 DC‑AC逆变电路

[0014] 图4 DC‑DC反激升压主电路观测点

[0015] 图5 DC‑AC全桥逆变主电路观测点

[0016] 图6 S2阶段工况变化曲线

[0017] 图7 S2阶段逆变器健康表征参数随时刻点的变化曲线

[0018] 图8 S2阶段故障样本马氏距离及电路健康评估指标HI变化图

[0019] 图9 健康状态退化趋势预测算法流程图

[0020] 图10 预测步长为1时HI值预测曲线及相对误差变化图

[0021] 图11 预测步长为4时HI值预测曲线及相对误差变化图

[0022] 图12 预测步长为7时HI值预测曲线及相对误差变化图

[0023] 图13 中长期某一时刻点的预测效果图

具体实施方式

[0024] 下面结合附图和实施例对本发明作进一步的详细说明。

[0025] 本实施例以图1所示的DC‑AC逆变器进行举例说明，图2和图3是图1中的倍压反激式DC‑DC升压电路和DC‑AC逆变电路的放大图。

[0026] 本实施例所示的一种航空DC‑AC逆变器退化趋势预测方法，首先在DC‑AC逆变器上设置多个观测点进行电压或电流采集并针对所采集的电压或电流进行特征提取，利用特征
提取技术提取监测信号的时域、频域等以及电路性能指标作为特征并组成候选故障特征
库；然后把各观测点的健康表征矢量进行归一化并计算标准工况条件下无故障电路健康表
征矢量与当前电路健康表征矢量之间的马氏距离，得到当前电路健康表征矢量的相对变化
量即电路健康状态评估指标HI；接着设置工况采集不同时刻的健康表征参数变化，并计算
相应电路时刻的健康值(HI)；最后根据得到的健康评估指标HI数据来验证基于粒子滤波优
化支持向量机的健康状态退化趋势预测算法(简写：LSSVM‑PF)并给出不同预测长度的预测
结果。具体过程如下：

[0027] 步骤一：根据DC‑AC逆变器的退化趋势将DC‑AC逆变器的工作环境划分若干种工况条件，设置各工况条件下的采样时刻，并提取各工况条件下各个时刻各观测点的健康特征
参数。

[0028] 做为举例说明，本实施例中健康特征参数通过以下步骤获得：

[0029] 步骤A：首先在DC‑AC逆变器上设置多个观测点进行信号采集，利用特征提取技术提取采集信号的时域、频域等以及电路性能指标作为特征并组成候选故障特征库。

[0030] 本实施例中，对各观测点的选择如图4和图5所示，部分观测点需采集的信号参见表1所示。

[0031] 表1

[0032]

[0033]

[0034] 对DC‑AC逆变器电路中的各观测点采集到的信号通过特征提取技术进行特征提取，将提取到的各观测点的特征纳入候选故障特征库，候选故障特征库的特征参见表2所
示。

[0035] 表2候选故障特征库

[0036]

[0037] 步骤B：利用加权指标参数优选模型从候选故障特征库里选择DC‑AC逆变器各观测点的健康表征参数。

[0038] 如果对各观测点的特征都进行计算，这样会导致在实际工程中无法实现，因为需要选取几个比较具有代表性的特征来进行退化趋势预测。加权指标参数优选模型是一种综
合考虑趋势性、单调性和鲁棒性的综合指标。最终优选出的DC‑AC逆变器电路级健康表征参
数如表3所示。

[0039] 表3逆变器健康表征参数表

[0040]

[0041]

[0042] 作为举例说明，本实施设置了五种工况条件S1‑S5，如表4所示，五种工况条件S1‑S5先后顺序不能调换。S1为标准工况，S2‑S5为非标准工况，以S2为例进行说明，S2设置不同
的环境温度来模拟其对逆变器DC‑AC健康状态的影响。设置为环境温度先从25℃逐渐上升
至105℃，并保持105℃一段时间，再由105℃逐渐下降至55℃；恒温阶段，设置为环境温度保
持55℃不变温度变化波形如图6所示，S2对应仿真时刻点为101‑200点，该阶段输入电压恒
为28V，负载恒为33Ω，环境温度变化范围为25‑105℃，先从25℃逐渐上升至105℃，并保持
105℃一段时间，再由105℃逐渐下降至55℃，并在55℃保持一段时间，环境温度在55～105
℃范围内呈梯形变化。

[0043] 表4电路健康状态退化过程工况设置

[0044]

[0045] S2阶段电路健康表征参数随时刻点的变化曲线如图7所示。

[0046] 分析图7可知，在S2阶段环境温度的影响下，电容、MOS管以及二极管加速退化，其健康表征参数变化较大，使得Vdc纹波、Vdc小波能量熵总体呈单调上升趋势，Vd102方根幅值、
Vq201方根幅值总体呈单调下降的趋势，其余健康表征参数变化也较为明显但波动较大。

[0047] 步骤二：把各个观测点的健康表征矢量进行归一化并计算各观测点在标准工况条件下的健康表征矢量与当前电路健康表征矢量之间的马氏距离，得到当前电路健康表征矢
量的相对变化量即各观测点的健康状态评估指标HIj。

[0048] 健康表征矢量是根据当前时刻的观测点的健康表征参数+当前工况组成的，例如：[Vd102方根幅值，Vdc电压纹波，V4最大值，Vq201方根幅值，Iacsample重心频率，Vdc小波能量熵，
Vd103方根幅值，当前工况(电压，负载)]

[0049] 标准工况条件下，标准化健康表征参数：

[0050]

[0051] 其中，Zef为标准化后的健康表征参数，p为到当前时刻提取到的某观测点的健康特征参数的数量，m为观测点的总数。

[0052]

[0053]T

[0054] 其中，zf＝[z1f,z2f,…,zpf]，C为协方差矩阵， 为样本的均值，Se为标准差。

[0055] 通过计算标准工况下的无故障DC‑AC逆变器健康表征矢量与当前逆变器电路健康表征矢量之间的马氏距离度量如式(4)所示：

[0056]

[0057] 用反正切函数进行归一化处理得到健康状态评估指标：

[0058]

[0059] 其中，HIf为健康状态评估指标，b为调节参数，调整b的值则HIf的值对不同故障阶段的故障敏感性会不同，HIf是一个介于0～1之间的数值，HIf越大表示性能越好，反之性能
退化严重。

[0060] 由图8所示，S2阶段故障样本的马氏距离呈指数型单调上升的趋势，达到104量级，第120、140、160时刻点处马氏距离增加速率发生变化，原因是由于在仿真设置环境温度因
素时，通过设置元器件故障特征参数来体现环境温度的改变，在上述时刻点温度发生了转
变，使得故障样本的马氏距离在环境温度发生变化时，增加速率也随着改变。同时求得的HI
减小到0.8296，分析原因是S2阶段环境温度因素加速了元器件的退化速率，温度越高，HI下
降速率越快，HI变动范围为[0.8296,0.992]。

[0061] 步骤三：根据步骤二得到的各时刻点的健康评估指标HIj数据来建立健康状态退化趋势预测算法。

[0062] 本实施例采用基于粒子滤波优化支持向量机来建立健康状态退化趋势预测算法(简写：LSSVM‑PF)，首先，通过对监测电路信号计算处理，获取各时刻点的健康评估指标
HIj；然后，采用LSSVM算法，建立当前时刻与之前若干时刻的状态转移方程，作为描述电路
性能退化过程的状态空间方程；最后，基于所建多阶状态空间方程，利用粒子滤波算法对电
路退化特征参数进行预测。具体算法步骤如下所述：

[0063] 步骤①：基于各时刻点的健康评估指标HI训练LSSVM建立多阶状态转移方程模型，得到系统状态空间模型如式(6)。

[0064]

[0065] 其中，uk‑1为系统噪声，vk为观测噪声，gk()由LSSVM训练得到，τ为阶数。

[0066] 步骤②：生成初始粒子xik‑1,…,xik‑τ，i＝1,2,…,Ns,Ns为粒子数。

[0067] 步骤③：更新，用初始粒子更新式(6)得到

[0068] 步骤④：加权，由 计算τ个时刻Ns个粒子的权重。

[0069] 步骤⑤：选优，按照各粒子权值大小排序，选取权值大的Np个粒子。

[0070] 步骤⑥：归一化权值，

[0071] 步骤⑦：估计k时刻的状态xk*，

[0072] 步骤⑧：q步前向预测，

[0073] 步骤⑨：粒子重采样、粒子更新。

[0074] 步骤⑩：令k＝k+1，返回步骤③。

[0075] 其算法流程图如图9所示。

[0076] 步骤四：根据健康状态退化趋势预测算法的预测效果对健康状态退化趋势预测算法中的参数进行调整。

[0077] LSSVM‑PF模型参数的选择；数据长度为30(预测点前30个数据)，建模尺度为1且模型阶次为2、核函数为径向基函数(gam＝1e10，sig2＝2e5)时的电路健康状态退化趋势预测
性能效果较好，因此在该模型条件下以11‑40时刻点的HI值作为初始建模数据样本，模拟该
预测方法在短期、中期、较长期上的预测性能，分别进行预测步长为1、4、7、20、40、60的健康
状态退化趋势预测研究，分析预测步长对电路健康状态退化趋势预测结果的影响。

[0078] (1)短期预测

[0079] A、当预测步长为1时，即初始预测时刻由11、12、……、40时刻点的HI值作为初始建模数据样本，预测第41时刻点的HI值，随后采用更新模型参数的方式进行单步滚动健康状
态退化趋势预测，即再由12、13、……、41时刻点的HI值作为建模数据样本，预测第42时刻点
的HI值，依此循环，直至预测到第100时刻点。

[0080] B、当预测步长为4时，即初始预测时刻由11、……、40时刻点的HI值作为初始建模数据样本，采用逐步迭代预测法获得第44时刻点的HI值，即保持建模数据长度不变，将A预
测过程中得到的第44时刻点的预测值用于更新下一预测时刻的模型参数，由此获得44时刻
点的HI值预测值，依此循环，直至预测到第100时刻点。

[0081] C、当预测步长为7时，预测过程与B同理，同样采用逐步迭代预测法进行多步预测。

[0082] A预测步长为1时结果如图10所示：

[0083] 如图10(a)所示，当预测步长为1时HI预测值与真实值高度拟合，如图10(b)所示，相对误差整体较小，在80时刻点时预测相对误差达到最大为1.40507E‑03，根据预测相对误
差计算得到预测准确率为99.965％，预测步长为1时的健康状态退化趋势预测性能评价指
标如表5所示。

[0084] 表5预测步长为1时的性能评价指标

[0085]

[0086]

[0087] B预测步长为4时结果如图11所示：

[0088] 由图11可知，整体预测结果偏离真实值较大，整体相对误差变大，最大相对误差达到2.24356E‑03，计算得到预测准确率为99.887％，95％置信度下置信区间较预测步长为1
时明显宽，预测性能较预测步长为1有轻微下降，预测步长为4时的健康状态退化趋势预测
性能评价指标如表6所示。

[0089] 表6预测步长为4时的性能评价指标

[0090]

[0091] C预测步长为7时

[0092] 如图12所示，预测步长为7时60‑85时刻点HI值偏离真实值程度越来越大，相对误差变化幅度增大，最大相对误差达到4.13535E‑03，预测准确率为99.722％，相对误差置信
区间上界值较大，预测步长为7时的健康状态退化趋势预测性能评价指标如表7所示。

[0093] 表7预测步长为7时的性能评价指标

[0094]

[0095] (2)中长期预测

[0096] 以11‑40时刻点作为历史建模数据，通过改变预测步长的值，来分析LSSVM‑PF方法在中长期预测的表现，报告中通过设定预测步长为20、40、60，同时将不同预测步长下第一
个预测时刻点的预测性能作为衡量LSSVM‑PF方法在中长期预测性能的标准。

[0097] 表8中长期预测值及性能评价指标

[0098]

[0099] 由图12和表8可以得到，LSSVM在预测步长为20时，通过11‑40时刻点预测第60时刻点的预测准确率达到99.75％，预测性能依然很高，随着预测步长逐渐增大，其预测精度迅
速下降，在预测步长为60时，在100时刻点的预测精度已不足90％，此时预测的HI值偏大。说
明LSSVM‑PF算法更加适合中短期预测。

[0100] 可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保
护范围。