一种电子元器件实时运行状态监测方法及系统与流程

摘要: 本发明涉及电子元器件状态监测,具体为一种电子元器件实时运行状态监测方法及系统。背景技术:1、电子元器件是各类电子设备和系统的核心组成部分,其运行状态的可靠性直接...
一种电子元器件实时运行状态监测方法及系统与流程

本发明涉及电子元器件状态监测,具体为一种电子元器件实时运行状态监测方法及系统。

背景技术:

1、电子元器件是各类电子设备和系统的核心组成部分,其运行状态的可靠性直接影响整个系统的安全性与稳定性。以igbt功率模块为例,其突发性失效可能导致新能源汽车电机驱动系统停机、智能电网换流阀闭锁等严重后果。当前,围绕电子元器件运行状态监测,已有诸多技术方案被提出,主要可分为以下几类:其一,基于单一物理量的阈值监测方法,通过对电压、电流或温度等单一参量设定固定阈值进行超限报警;其二,基于物理模型的参数辨识方法,通过建立元器件的电热模型或失效物理模型进行状态评估;其三,基于数据驱动的机器学习监测方法,利用神经网络等算法对传感数据进行处理以实现故障识别。上述技术在特定条件下均具有一定效果,但随着电子系统向高功率密度、高集成度和复杂工况方向发展,现有监测方法在感知维度、响应时效、评估可靠性及诊断可解释性等方面逐渐暴露出诸多不足。

2、具体而言,现有技术主要存在以下缺陷:第一,监测维度单一,传统故障检测方法通常仅关注单一指标进行故障监测,难以全面评估元器件在多场耦合失效模式下的健康状态,且单一物理量的线性阈值判定在面对深亚微米级电子元器件的非线性退化过程时显现出较高的漏检率与误判率;第二,实时性与准确性矛盾突出,基于深度学习的监测方案虽具有较高的诊断精度,但模型参数量大、计算资源需求高,难以在资源受限的边缘计算设备上实现实时推理,而传统轻量级方法虽计算简单却精度有限;第三,现有寿命评估方法多为确定性输出,无法量化评估结果的可信程度,当输入数据存在噪声或元器件处于高度非线性的退化阶段时,评估结果的不确定度较高却缺乏相应的置信度表征;第四,监测策略静态固化,系统采用固定的采样频率和固定的融合权重,无法根据元器件的实际退化状态和实时诊断结果自适应调整监测策略;第五,深度学习模型固有的“黑盒”特性导致故障诊断结果缺乏可解释性,工程人员难以理解模型决策的依据,无法基于诊断结果进行精准的故障定位与维修决策。针对上述技术问题,本发明提供一种基于人工智能的电子元器件运行状态监测方法及系统。

技术实现思路

1、本发明为了解决现有技术的问题,提供了一种电子元器件实时运行状态监测方法及系统。

2、为了解决上述技术问题,本发明是通过以下技术方案实现的:第一方面,一种电子元器件实时运行状态监测方法,包括数据采集步骤、数据预处理步骤和监测结果输出步骤,所述数据采集步骤通过部署在电子元器件上的多个传感器采集多源传感检测数据,所述多源传感检测数据至少包括电压数据、电流数据、温度数据和频率数据,各传感器的初始采样频率为至,所述数据预处理步骤对所述多源传感检测数据进行数据清洗、去噪处理和时序对齐,得到预处理后的多源传感数据,还包括:

3、运行寿命评估步骤,将所述预处理后的多源传感数据输入基于贝叶斯神经网络构建的运行寿命评估模型,获取当前电子元器件的剩余寿命预测值以及所述剩余寿命预测值的预测方差,所述预测方差用于量化所述运行寿命评估模型输出结果的不确定度;

4、多源融合步骤,以所述剩余寿命预测值为依据,为各传感数据源分配融合权重,其中剩余寿命预测值越小的传感数据源在融合中具有越高的权重,采用基于注意力机制的多源数据融合网络对加权后的多源传感数据进行融合,得到多源融合特征;

5、深度特征提取步骤,将所述预测方差作为稀疏自编码器特征提取网络的正则化约束项,对所述多源融合特征进行深度特征提取,所述预测方差越大则正则化约束强度越大,得到运行状态深度特征;

6、状态识别步骤,将所述运行状态深度特征输入预先训练的轻量化神经网络状态识别模型,获取电子元器件的实时运行状态识别结果及所述识别结果的置信度分数,所述轻量化神经网络状态识别模型的参数量小于;

7、故障归因步骤,采用基于梯度的可解释性分析方法对所述轻量化神经网络状态识别模型的决策过程进行反向传播分析,计算所述多源传感检测数据中各通道数据对所述识别结果的贡献度,生成故障归因信息,将贡献度超过预设贡献度阈值的传感通道标记为主因通道,将所述主因通道中贡献度超过所述预设贡献度阈值的时域区间标记为敏感时域区间,并将所述主因通道及所述敏感时域区间作为动态反馈参数反馈至所述数据采集步骤,用于调整对应传感器在后续采集中的采样频率至原采样频率的2倍至10倍;

8、所述监测结果输出步骤输出所述实时运行状态识别结果和所述故障归因信息。

9、在第一方面的一种具体的实施方式中,所述运行寿命评估模型为贝叶斯神经网络,所述预测方差通过所述贝叶斯神经网络在推理过程中的蒙特卡洛丢弃法获得,具体为:对同一输入数据进行次前向传播,,计算t次输出结果的统计方差作为所述预测方差。

10、在第一方面的一种具体的实施方式中,所述多源融合步骤中,所述融合权重按照以下方式分配:将各传感数据源按照剩余寿命预测值从小到大排序,剩余寿命预测值最小的传感数据源获得最高权重,剩余寿命预测值最大的传感数据源获得最低权重,其余传感数据源的权重按照剩余寿命预测值的倒数进行线性插值确定,其中的比值范围为至。

11、在第一方面的一种具体的实施方式中,所述深度特征提取步骤中,所述稀疏自编码器特征提取网络的目标函数为:

12、

13、其中,为重构损失,为稀疏惩罚项,为所述预测方差,为网络权重的范数,为稀疏惩罚系数且的取值范围为至,为不确定度正则化系数且β的取值范围为至,所述和通过网格搜索法或贝叶斯优化法在验证集上确定;所述预测方差越大,正则化项的约束强度越大。

14、在第一方面的一种具体的实施方式中,所述轻量化神经网络状态识别模型的参数量小于1m,通过以下方式获取:

15、在云端服务器利用故障样本数据集训练得到全局神经网络模型;

16、采用知识蒸馏方法,以所述全局神经网络模型为教师网络,以参数量小于的学生网络为待训练轻量化模型,蒸馏温度设为3至8,将所述教师网络在未标注数据上的输出软标签作为监督信号,训练得到所述轻量化神经网络状态识别模型;

17、将所述轻量化神经网络状态识别模型部署至边缘计算设备。

18、在第一方面的一种具体的实施方式中,所述轻量化神经网络状态识别模型的训练包括自监督预训练阶段和有监督微调阶段:

19、所述自监督预训练阶段,利用无标签的电子元器件运行状态数据构建对比学习预训练任务,对所述轻量化神经网络状态识别模型的编码器部分进行预训练,得到预训练权重,所述无标签数据包含正常运行状态数据和未标注运行状态数据,数据量不少于1000组;

20、所述有监督微调阶段,利用有标签的故障样本数据对经预训练后的所述轻量化神经网络状态识别模型进行全参量微调,所述有标签的故障样本数据的数量为所述无标签数据的5%至30%。

21、在第一方面的一种具体的实施方式中,还包括云边协同更新步骤:

22、各边缘计算设备利用本地采集的运行状态数据,对部署于本地的所述轻量化神经网络状态识别模型进行增量学习,所述增量学习采用弹性权重巩固方法,获得本地模型更新参数;

23、计算本地健康度指标h和泛化偏离度指标,所述本地健康度指标h基于当前电子元器件的剩余寿命预测值与额定寿命的比值确定,,的取值范围为;所述泛化偏离度指标为本地模型参数与云端全局模型参数之间的欧氏距离归一化值,;

24、当低于第一预设阈值或高于第二预设阈值时,触发模型更新上传操作,将所述本地模型更新参数上传至云端服务器,所述第一预设阈值为0.3,所述第二预设阈值为0.15,所述第一预设阈值和所述第二预设阈值根据应用场景的可靠性要求确定;

25、所述云端服务器接收各边缘计算设备上传的本地模型更新参数,采用联邦平均算法生成新一代全局模型参数,并将增量更新包下发至各边缘计算设备;

26、各边缘计算设备接收所述增量更新包,与本地模型参数按照融合系数进行加权融合,完成模型更新:,其中的取值范围为0.1至0.5。

27、在第一方面的一种具体的实施方式中,还包括智能遗忘步骤:

28、构建基于时间衰减函数的遗忘机制,对于采集时间为的历史运行状态数据,其参与所述增量学习的有效权重按照以下方式计算:

29、

30、其中,为数据采集时间戳,为当前时间戳,为衰减系数,的取值范围为0.001至0.1,的取值根据应用场景的时间尺度通过交叉验证法确定;

31、当所述有效权重低于第三预设阈值时,将该历史运行状态数据从所述增量学习的训练集中移除,所述第三预设阈值为0.05。

32、在第一方面的一种具体的实施方式中,所述故障归因步骤中,所述故障归因信息包括各传感通道贡献度热力图和故障物理位置映射结果;

33、所述各传感通道贡献度热力图通过积分梯度方法生成:计算所述轻量化神经网络状态识别模型的输出相对于输入层各通道数据的梯度,沿时间轴从基线到当前输入进行路径积分,得到各传感通道在各时间步上的贡献度得分,将贡献度得分超过预设贡献度阈值的传感通道标记为主因通道,将所述主因通道中贡献度得分超过所述预设贡献度阈值的时域区间标记为敏感时域区间,所述预设贡献度阈值为最大贡献度得分的60%;

34、所述故障物理位置映射结果通过将所述主因通道和所述敏感时域区间与预先建立的电子元器件物理拓扑结构数据库进行匹配获得,输出故障发生概率最高的物理位置和对应的失效模式,所述物理拓扑结构数据库记录了各传感器在电子元器件上的物理安装位置及各物理区域对应的失效模式;

35、当所述贡献度得分在采样频率提升后的下一监测周期中相对于前次贡献度得分的提升量超过预设提升阈值时,触发附加操作:将重新提取的高频细节特征存入云端样本库,用于后续轻量化神经网络状态识别模型的专项优化训练,所述预设提升阈值为20%。

36、第二方面,一种电子元器件实时运行状态监测系统,包括:

37、多源传感采集模块,包括部署于电子元器件上的电压传感器、电流传感器、温度传感器和频率传感器,用于采集至少包括电压数据、电流数据、温度数据和频率数据的多源传感检测数据,各传感器的初始采样频率为至;

38、数据预处理模块,与所述多源传感采集模块连接,用于对所述多源传感检测数据进行数据清洗、去噪处理和时序对齐,输出预处理后的多源传感数据;

39、运行寿命评估模块,内置基于贝叶斯神经网络构建的运行寿命评估模型,用于根据所述预处理后的多源传感数据获取当前电子元器件的剩余寿命预测值及所述剩余寿命预测值的预测方差;

40、多源融合模块,与所述运行寿命评估模块连接,用于以所述剩余寿命预测值为依据为各传感数据源分配融合权重,通过基于注意力机制的多源数据融合网络对加权后的多源传感数据进行融合,输出多源融合特征;

41、深度特征提取模块,内置稀疏自编码器特征提取网络,用于以所述预测方差作为正则化约束项对所述多源融合特征进行深度特征提取,输出运行状态深度特征;

42、状态识别模块,部署于边缘计算设备,内置参数量小于1m的轻量化神经网络状态识别模型,用于根据所述运行状态深度特征获取电子元器件的实时运行状态识别结果及所述识别结果的置信度分数;

43、故障归因模块,用于采用积分梯度方法对所述轻量化神经网络状态识别模型的决策过程进行反向传播分析,计算各传感数据通道对所述识别结果的贡献度,生成各传感通道贡献度热力图和故障物理位置映射结果,并将贡献度超过预设贡献度阈值的传感通道及其对应的敏感时域区间作为动态反馈参数发送至所述多源传感采集模块,以将对应传感器的采样频率调整至原采样频率的2倍至10倍;

44、监测结果输出模块,与所述状态识别模块和所述故障归因模块连接,用于输出所述实时运行状态识别结果和所述故障归因信息。

45、本发明的有益效果为:

46、1.本发明构建了归因信息驱动的动态反馈闭环——突破了现有技术中故障诊断结果仅用于终端展示或离线分析的固有范式,将积分梯度归因步骤输出的贡献度热力图所标记的主因通道标识及对应的敏感时域区间,作为动态反馈参数实时回传至数据采集层,触发对应传感器在敏感时域区间内的采样频率自适应提升。该闭环机制实现了诊断信息向感知层的反向投射,使数据采集的分辨率与当前故障信息熵实现了动态匹配,既保障了关键时域区间内高频细节特征的有效捕获,又避免了全通道持续高采样带来的计算资源浪费,在有限资源约束下最大化了对隐蔽性故障特征的感知灵敏度。当采样频率提升后二次归因所得的贡献度提升量超过预设阈值时,系统自动将新捕获的高频细节特征上传至云端样本库,用于后续模型的专项优化迭代,形成了“感知、诊断、反馈、进化”的持续优化闭环。该动态反馈机制使得监测系统从“被动采集”跃升为“主动感知”,从根本上解决了传统固定采样策略下关键故障特征易被奈奎斯特采样定理所限制而无法被捕获的本质缺陷;

47、2.本发明通过知识蒸馏技术将云端大容量教师网络的诊断能力迁移至参数量小于一定阈值的学生网络中,形成了适用于边缘计算设备部署的轻量化神经网络模型,使得高精度深度学习算法能够在资源受限的嵌入式环境中实现实时推理,从根本上解决了传统深度学习方案因模型体积庞大而无法部署于边缘端的工程难题。同时,本发明通过自监督对比学习预训练策略,充分利用大量无标签运行状态数据进行编码器的表征学习,仅需少量有标签故障样本即可完成有监督微调,显著降低了对昂贵故障标注数据的依赖,增强了方法在标注样本稀缺场景下的工程适用性。更进一步的,本发明构建了归因信息驱动的动态反馈闭环——故障归因步骤输出的贡献度热力图不仅用于结果展示,其标记的主因通道标识及对应的敏感时域区间被动态反馈至数据采集步骤,触发对应传感器在敏感时域区间内的采样频率自适应提升。这一闭环机制使得数据采集的分辨率与当前故障信息熵实现了动态匹配,既保障了关键时域区间内高频细节特征的有效捕获,又避免了全通道持续高采样带来的计算资源浪费,在有限资源约束下最大化了对隐蔽性故障特征的感知灵敏度。当采样频率提升后二次归因所得的贡献度提升量超过预设阈值时,系统自动将新捕获的高频细节特征上传至云端样本库,用于后续模型的专项优化迭代,形成了“感知—诊断—反馈—进化”的持续优化闭环。在此基础上,本发明采用云边协同更新架构,各边缘设备通过本地增量学习实现模型的个性化适配,同时基于本地健康度指标与泛化偏离度指标的双触发机制实现边缘到云端的选择性更新,云端服务器通过联邦平均算法聚合各边缘更新参数后以增量包形式下发至各边缘设备,确保了全局模型持续进化的同时保护了各边缘节点的数据隐私。配合基于时间衰减函数的智能遗忘机制,系统能够主动淘汰超出有效时间窗口的过时数据,有效避免了历史数据对当前诊断的干扰,保障了监测模型在全生命周期中的持续有效性。