基于机器学习的智能老化车异常检测系统及方法与流程

本发明涉及电子设备老化测试，特别涉及基于机器学习的智能老化车异常检测系统及方法。

背景技术：

1、老化测试是电子产品生产制造过程中的重要环节，通过在高温、高湿等特定环境条件下对产品施加额定工作电压和电流，模拟产品在长期使用过程中的性能退化过程，从而筛选出早期失效产品，保证出厂产品的质量和可靠性。

2、传统的老化测试系统通常采用固定阈值告警方式进行异常检测。具体地，系统针对电流或电压预先设定一个固定的上下限范围，当监测到的实时电流值或电压值超出该预设范围时，系统即触发报警。这种检测方式长期应用于各类老化测试场景中，但其固有缺陷也日益凸显。

3、首先，固定阈值无法适配不同设备的电气特性差异。不同型号、不同批次甚至同一型号不同个体之间的待老化设备，其正常的电流和电压工作范围均可能存在差异。例如，型号a设备的正常工作电流为1.0a至1.2a，而型号b设备的正常工作电流为0.5a至0.6a。若采用统一的固定阈值，则要么对型号a过于宽松导致漏报，要么对型号b过于严苛导致误报。即便针对每个设备型号单独设置阈值，同一型号内不同个体之间因制造公差导致的电气参数差异也无法被固定阈值所适应。这导致固定阈值方式在实际应用中频繁出现漏报和误报。

4、其次，瞬时值超限判断无法捕捉设备的渐变性退化趋势。固定阈值方式的核心逻辑是“当前值是否超过预设限值”，其判断依据仅为当前采样时刻的瞬时数值。然而，设备在老化过程中出现的许多异常并非突发的瞬时超限，而是表现为参数的缓慢漂移、波动幅度的逐渐增大、噪声水平的持续上升等渐变过程。这些渐变过程在早期阶段其数值可能仍在固定阈值范围内，但设备的健康状态已经发生实质性退化。固定阈值方式无法识别这种“量变引起质变”前的退化趋势，容易导致漏报，待到数值真正超限时，设备可能已经发生了不可逆的损坏，错过了最佳干预时机。

5、此外，单一判断维度导致检测结果的可靠性和解释性不足。固定阈值方式仅基于当前采样值是否超限这一个维度进行判断，信息来源单一，无法综合考量设备的整体状态。当电流或电压出现异常波动时，系统无法区分该波动是由设备本身故障引起、由外部供电波动引起，还是由正常的瞬态响应引起，也无法量化当前异常与历史已知异常之间的相似程度。这种单一维度的判断方式导致检测结果缺乏可靠的置信度评估和可解释性，运维人员面对报警信息时难以快速定位问题根源并做出准确决策。

6、针对上述问题，本领域技术人员尝试了多种改进方案。例如，有方案提出采用滑动窗口统计方法，计算窗口内的均值和方差，当均值或方差超出预设范围时触发告警。这种方法在一定程度上能够平滑瞬时噪声，但仍依赖于预设的固定统计阈值，无法解决设备个体差异的适应性问题。又如，有方案提出基于主成分分析方法对多维监测数据进行降维和异常检测，但这类方法通常仅建立了正常数据的统计模型，缺少对历史异常数据的系统性利用，导致对未知异常或边界样本的判断能力不足。

7、综上所述，现有的老化测试异常检测技术在设备适应性、趋势捕捉能力和判断维度丰富性等方面均存在明显不足。

技术实现思路

1、本发明所解决的技术问题：本发明提供一种基于机器学习的智能老化车异常检测系统及方法，解决现有老化测试系统中固定阈值无法适配设备差异、瞬时值判断无法捕捉渐变退化趋势，以及单一判断维度导致检测可靠性不足的技术问题。

2、本发明解决上述技术问题采用的技术方案：基于机器学习的智能老化车异常检测系统，包括老化车本体、供电与采集模块、通信层和mes云端预警中心；

3、所述老化车本体，设有多个用于放置待老化设备的老化点位；

4、所述供电与采集模块，包括多个电源板，各所述电源板与各所述老化点位对应设置，用于为所述待老化设备供电并实时采集电流数据和电压数据；

5、所述通信层，分别与所述供电与采集模块和所述mes云端预警中心通信连接；

6、所述mes云端预警中心，包括数据存储模块和机器学习分析模块；所述数据存储模块用于存储所述电流数据和所述电压数据；所述机器学习分析模块包括特征工程单元、模型训练单元、推理单元和判断单元；

7、所述特征工程单元用于对所述电流数据和所述电压数据进行预处理并提取特征向量；

8、所述模型训练单元用于在离线训练阶段，根据所述特征工程单元从多台合格设备的历史电流数据和电压数据中提取的特征向量构建正常特征基线和正常特征边界，以及根据所述特征工程单元从异常设备的历史电流数据和电压数据中提取的特征向量构建异常特征库，并存储于所述数据存储模块中；

9、所述推理单元用于在在线推理阶段，调用所述数据存储模块中存储的所述正常特征基线、所述正常特征边界和所述异常特征库，对特征工程单元从实时采集的电流数据和电压数据中提取的实时特征向量进行三重对比分析，所述三重对比分析包括：将所述实时特征向量与所述正常特征基线进行匹配，生成特征匹配度；计算所述实时特征向量到所述正常特征边界的空间距离，作为偏离度；将所述实时特征向量与所述异常特征库中的各异常特征向量进行相似度计算，取最大值作为特征相似度；

10、所述判断单元用于对所述特征匹配度、所述偏离度和所述特征相似度进行加权求和，得到综合异常评分；将所述综合异常评分分别与预设的正常阈值和异常阈值进行比较，获得待老化设备的老化状态；若综合异常评分小于所述正常阈值，则判定老化状态为正常状态；若综合异常评分大于等于所述正常阈值且小于所述异常阈值，则判定老化状态为预警状态；若综合异常评分大于等于所述异常阈值，则判定老化状态为高风险异常状态。

11、进一步的，所述mes云端预警中心还包括：工单管理模块，用于创建并管理老化工单；参数配置模块，用于配置老化参数并经所述通信层下发至对应的所述电源板；数据可视化模块，用于展示电流数据或电压数据的时序曲线和判定结果。

12、进一步的，所述特征向量包括时域特征、频域特征和统计特征中的至少一种；所述时域特征包括滑动窗口均值和方差、最大波动幅度、趋势斜率和相邻采样点差值分布，所述频域特征包括基于傅里叶变换得到的波动频率及频谱能量分布；所述统计特征包括全周期峰值或谷值出现次数、电压或电流的衰减或上升速率。

13、进一步的，所述模型训练单元支持训练的模型包括机器学习模型或深度学习模型，所述机器学习模型包括随机森林模型或极限梯度提升模型，所述深度学习模型包括卷积长短时记忆网络模型或自编码器模型。

14、进一步的，所述电源板配置有用于反馈工作状态的指示灯，所述指示灯包括：绿色指示灯，用于指示正常供电状态；红色指示灯，用于指示电流异常状态；黄色指示灯，用于指示电压异常状态。

15、进一步的，所述系统还包括模型迭代单元，所述模型迭代单元用于：将人工标注的异常数据及对预警或异常误判进行修正后形成的数据加入训练集，通过增量训练方式更新模型参数和特征边界；所述增量训练包括周期性自动增量训练和根据用户指令手动触发的增量训练。

16、进一步的，所述mes云端预警中心还用于对批次维度的电流数据和电压数据进行特征分析，提取批次维度的批次统计特征，所述批次统计特征为批次内全部设备特征向量的统计聚合结果；当某批次设备的批次维度的批次统计特征与历史问题批次的批次统计特征的相似度达到预设阈值时，触发批次级质量预警。

17、进一步的，所述判断单元还用于根据所述综合异常评分与所述正常阈值、所述异常阈值的偏离程度生成并输出置信度。

18、本发明还提供一种基于机器学习的智能老化车异常检测方法，应用于如上所述的基于机器学习的智能老化车异常检测系统，所述方法包括离线训练阶段和在线推理阶段；

19、所述离线训练阶段包括：

20、获取多台合格设备在老化过程中的电流数据和电压数据，由特征工程单元提取特征向量，基于提取的所述特征向量构建正常特征基线和正常特征边界，并存储于mes云端预警中心的数据存储模块中；

21、获取异常设备在老化过程中的电流数据和电压数据，由特征工程单元提取异常特征向量，构建异常特征库，并存储于所述mes云端预警中心的数据存储模块中；

22、所述在线推理阶段包括：

23、实时采集待老化设备的电流数据和电压数据，由特征工程单元提取实时特征向量；

24、调用所述mes云端预警中心的数据存储模块中存储的所述正常特征基线、所述正常特征边界和所述异常特征库，由推理单元对所述实时特征向量进行三重对比分析，所述三重对比分析包括：将所述实时特征向量与所述正常特征基线进行匹配，生成特征匹配度；计算所述实时特征向量到所述正常特征边界的空间距离，作为偏离度；将所述实时特征向量与所述异常特征库中的各异常特征向量进行相似度计算，取最大值作为特征相似度；

25、判断单元对所述特征匹配度、所述偏离度和所述特征相似度进行加权求和，得到综合异常评分，将所述综合异常评分分别与预设的正常阈值和异常阈值进行比较，根据比较结果输出所述待老化设备的老化状态。

26、进一步的，异常设备对应电流数据和电压数据被标注有异常类型标签、异常发生阶段标签和数据质量标签，所述异常类型标签包括电流异常、电压异常或混合异常；所述异常发生阶段标签包括老化前期、老化中期或老化后期；所述数据质量标签包括完整、需补全或无效。

27、本发明的有益效果：

28、1.自适应设备特性差异，避免固定阈值带来的误报和漏报。

29、本发明通过模型训练单元在离线训练阶段从多台合格设备的历史数据中学习并构建正常特征基线和正常特征边界，使得系统的判断基准不再是固定不变的数值范围，而是基于实际正常设备的特征表现动态生成的统计模型。不同型号、不同批次的设备只需分别提供对应的合格设备历史数据，即可生成各自适配的正常特征基线和边界。当同一型号内不同个体因制造公差导致电气参数存在细微差异时，正常特征边界通过统计离散程度的方式包容了这些正常差异，不会将其误判为异常。同时，当某个体的参数偏离超出正常统计范围时，系统能够准确识别。因此，本发明从根本上克服了固定阈值方式“一刀切”的缺陷，大幅降低了误报率和漏报率。

30、2.捕捉渐变性退化趋势，实现异常“早发现、早干预”。

31、传统固定阈值方式仅能检测数值超限的瞬时异常，对电流缓慢漂移、波动逐步增大等渐变性退化过程无法有效识别。本发明通过特征工程单元提取趋势斜率、滑动窗口方差、频域能量分布等刻画变化趋势的特征，并结合推理单元的“偏离度”计算，量化评估实时特征向量脱离正常特征边界的程度。即便数值尚未超出固定阈值范围，只要设备的状态变化趋势偏离了正常轨道，综合异常评分即会逐步上升，依次触发“预警状态”和“高风险异常状态”的判断。这使得运维人员能够在设备真正失效前获得预警信息并提前干预，有效避免了因发现过晚导致的设备损坏和生产损失。

32、3.多维度综合判断，提升检测结果的可靠性和可解释性。

33、本发明设计了“三重对比分析+加权求和”的判断机制，从三个不同维度对设备状态进行全面评价。第一重“特征匹配度”确保设备在特征层面与正常基线保持一致，避免因外部干扰或正常瞬态波动导致的误报；第二重“偏离度”定量衡量设备偏离正常的严重程度，提供量化的风险等级依据；第三重“特征相似度”将当前状态与历史已知异常模式进行比对，利用历史经验辅助判断。三个维度相互制衡、相互印证，任何单一维度的异常波动都会在综合异常评分的加权计算中被多维度信息所修正或确认，从而显著提高了检测结果的可靠性和准确率。

34、4.三级状态输出机制，实现精细化的老化管理。

35、传统固定阈值方式仅输出“正常或异常”两种状态，判断粒度粗糙。本发明通过设置正常阈值和异常阈值两个判别界限，将老化状态划分为正常状态、预警状态和高风险异常状态三个级别。正常状态表示设备运行良好，无需关注；预警状态提示设备出现早期退化迹象，需要关注和跟踪；高风险异常状态表示设备已发生严重故障，需要立即处置。三级状态输出使得运维人员能够根据不同的状态等级采取差异化的应对措施，实现了从“粗放式告警”到“精细化分级管理”的升级。

36、5.异常特征库的持续积累与复用，使系统具备“记忆”能力。

37、本发明构建的异常特征库存储了历史各类异常设备的特征向量，使得系统在在线推理时能够将当前特征与历史异常模式进行比对。随着系统运行时间的增长，异常特征库不断丰富，系统对已知异常模式的识别能力持续增强。对于历史上反复出现的同类异常，系统能够通过特征相似度快速识别，缩短诊断时间。异常特征库与正常特征基线、正常特征边界三者结合，构建了“已知正常－已知异常－未知状态”的完整判断逻辑框架。

38、6.模型迭代机制保障系统的持续优化能力。

39、本发明通过模型迭代单元，将人工标注的新增异常数据和对误判结果的修正数据不断加入训练集，通过增量训练持续更新模型参数和特征边界。这使得系统能够适应新的设备类型、新的异常模式和老化条件的变化，避免了模型固化后性能随生产条件变化而退化的风险。