含有奇异信号的电子系统性能退化趋势预测方法研究

发布时间：2017-10-24 18:11

  本文关键词：含有奇异信号的电子系统性能退化趋势预测方法研究

  更多相关文章： 奇异信号 性能退化 寿命预测 预测软件

【摘要】：为了充分提高电子系统的诊断性能,提升电子系统测试诊断的智能决策水平,近些年来,通过性能退化趋势预测技术进行整个电子系统的可靠性分析越发受到当前学术界和电子工程技术人员的广泛关注。然而,系统性能退化过程中的故障征兆,特别是瞬态故障和间歇故障的影响,都会使得测点信号产生奇异性。当这种奇异性处于预测模型的数据中,它们则以伪信息、伪变化规律的方式提供给各种预测模型,这必然影响趋势预测的精确度和可靠性。由于先前的研究大部分集中在正常的性能退化趋势预测中,而忽略了奇异信号的影响。因此,含有奇异信号的电子系统性能退化趋势预测方法的研究是一个重要的研究课题。基于上述原因,本论文主要完成以下的工作:1.电子系统性能退化过程中奇异信号的分析。本文首先介绍了奇异性的数学模型,然后重点研究了性能退化过程中奇异信号的产生及其对预测的影响,由分析可知,奇异点严重减低了寿命预测的精度,对其之后的数据预测有着不可忽视的影响。紧接着本文又简单分析了奇异信号与噪声的区别,以及噪声对奇异性检测的影响,研究表明,噪声的存在不仅影响了信号奇异点的检测,还严重影响了奇异程度的定量表征。进一步指出了在含有奇异信号的电子系统性能退化趋势预测方法的研究上,现今采用的先识别与修正奇异点,再对修正后的奇异点数据序列进行预测的方法,存在了很大不足。从而为本文后面的研究工作提供了依据。2.含有奇异信号的电子系统性能退化趋势预测方法的研究。基于上面一点的分析,本文提出了两种含奇异信号的性能退化状态趋势预测方法。其一,提出了采用平滑样条和隐马尔可夫模型对含奇异数据的信号进行趋势预测。该方法利用平滑样条无限可微性质克服了奇异信号对后续趋势预测的影响,具有良好的收敛性和稳定性,可有效提高含有奇异信号的电子系统退化状态趋势预测的准确度和鲁棒性,降低预测结果的不确定风险。其二,汲取VOLTERRA级数的精确建模和改进的最优剪枝极限学习机训练学习速度较快和泛化、鲁棒性能良好的优点,建立了VOLTERRA最优剪枝极限学习机模型(VKOPP),进而提出了基于VKOPP算法的性能退化趋势预测方法。最后,以几组不同的仿真数据来验证本文提出的两种预测模型相比其他大部分预测模型具有更高的预测性能,奇异点对其之后的数据预测的影响更小,以此来说明本文提出的这两种预测模型能够很好地解决含奇异信号的电子系统退化状态趋势预测中奇异信号对预测的致命影响。3.预测分析软件的设计和实现。该软件集成了9种不同预测算法(其中包括一些经典预测算法和本文提出的方法),用户可以选择相应的预测模型进行训练分析,软件会从多个角度反映所选模型的学习效果;与此同时,软件后台部分也会用设置好默认参数的其他预测模型对所选数据进行训练,当预测时,软件根据各个预测模型的预测精度分析和耗时分析,推荐出最合适用户所载入数据的预测模型,并给出预测结果,给用户一定的参考。另外,当载入的数据含有奇异点时,用户也可以通过该软件模极大值曲线和LE指数值计算其奇异点的位置以及奇异性的大小。由于锂离子电池性能退化预测是电子系统健康管理的一个重要方面,因此在论文最后,则以美国宇航局艾姆斯研究中心提供的锂离子电池性能退化数据为例验证了该软件的有效性和可靠性。
【关键词】：奇异信号 性能退化 寿命预测 预测软件
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN06
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-20
• 1.1 选题背景及研究意义11-12
• 1.2 性能退化预测的发展与现状12-14
• 1.3 含有奇异信号的状态预测方法研究现状14-17
• 1.3.1 奇异点检测方法的研究现状15
• 1.3.2 含有奇异信号的预测方法研究现状15-17
• 1.4 本文的主要研究内容17-18
• 1.5 本文的组织结构安排18-20
• 第二章 电子系统性能退化过程中奇异信号的分析20-34
• 2.1 奇异性的数学模型20-21
• 2.2 性能退化过程中奇异信号的产生及对预测的影响21-24
• 2.3 信号与噪声的度量24-33
• 2.3.1 信号奇异性的检测方法24-27
• 2.3.2 噪声的小波变换特性27-29
• 2.3.3 奇异信号和噪声在小波变换下的差别29
• 2.3.4 噪声对奇异性检测的干扰29-33
• 2.4 本章小结33-34
• 第三章 基于三次非多项式样条的加权HMM趋势预测方法34-50
• 3.1 基于加权HMM模型的基本预测链34-35
• 3.2 三次非多项式样条原理35-37
• 3.3 基于三次非多项式样条的加权HMM趋势预测模型的建立37-43
• 3.3.1 预测模型描述37-39
• 3.3.2 算法步骤39-43
• 3.4 仿真与实验43-49
• 3.5 本章小结49-50
• 第四章 基于VKOPP模型的性能退化趋势预测方法50-75
• 4.1 微熵率最小重构相空间的基本原理50-51
• 4.2 VOLTERRA级数介绍51-53
• 4.3 基于M估计的最优剪枝极限学习机算法53-57
• 4.3.1 最优剪枝极限学习机介绍53-55
• 4.3.2 基于M估计的最优剪枝极限学习机算法55-57
• 4.4 基于VKOPP模型的性能退化趋势预测57-64
• 4.4.1 预测模型描述57-60
• 4.4.2 算法步骤60-64
• 4.5 仿真与实验64-74
• 4.6 本章小结74-75
• 第五章 电子系统性能退化预测软件设计与实现75-84
• 5.1 软件功能描述75
• 5.2 软件设计结构及运行界面75-78
• 5.2.1 设计结构75-77
• 5.2.2 运行界面77-78
• 5.3 应用实例验证78-82
• 5.4 本章小结82-84
• 第六章 全文总结与展望84-87
• 6.1 论文工作总结84-86
• 6.2 研究展望86-87
• 致谢87-88
• 参考文献88-93
• 攻读硕士期间取得的研究成果93-94

【参考文献】

中国期刊全文数据库 前10条

1 张凤霞;米根锁;;基于健康指数的轨道电路设备寿命预测方法的研究[J];铁道学报;2015年12期

2 郎莹;张文涛;辛义;;基于神经网络的光伏发电功率预测不良数据处理的分析[J];电子测试;2015年09期

3 龙腾飞;郭巍;申睿;;小波变换在信号奇异性特征检测中的应用[J];无线互联科技;2015年02期

4 余宇峰;朱跃龙;万定生;关兴中;;基于滑动窗口预测的水文时间序列异常检测[J];计算机应用;2014年08期

5 乔美英;;微熵率重构相空间混沌时序预测研究[J];微型电脑应用;2014年01期

6 王敬华;赵新想;张国燕;刘建银;;NLOF:一种新的基于密度的局部离群点检测算法[J];计算机科学;2013年08期

7 张昀;周nv;任海军;孙才新;伍科;马小敏;;数据挖掘在电力负荷坏数据智能辨识与修正中的应用[J];重庆大学学报;2013年02期

8 刘密歌;李小斌;;基于Bayes决策的奇异点检测[J];计算机应用;2013年01期

9 刘美芳;余建波;尹纪庭;;基于贝叶斯推论和自组织映射的轴承性能退化评估方法[J];计算机集成制造系统;2012年10期

10 李丽;叶林;;风速数据奇异点辨识研究[J];电力系统保护与控制;2011年21期

中国博士学位论文全文数据库 前2条

1 刘震;智能BIT诊断方法研究及其在多电飞机电源系统中的应用[D];西北工业大学;2007年

2 陈勇;MOSFET热载流子退化效应的研究[D];电子科技大学;2001年

中国硕士学位论文全文数据库 前4条

1 朱炯炯;IGBT模块故障预测技术[D];电子科技大学;2014年

2 王建利;滚动轴承性能退化评价与趋势预测研究[D];大连理工大学;2013年

3 朱曦;基于改进K均值聚类的证券时间序列奇异点研究[D];昆明理工大学;2013年

4 付强;时间序列奇异点趋势方向研究[D];昆明理工大学;2011年

，

本文编号：1089916