一种基于大信号瞬态轨迹和机器学习多输出回归的变换器健康监测方法及系统与流程

本发明涉及电力电子变换器可靠性分析，特别是一种基于大信号瞬态轨迹和机器学习多输出回归的变换器健康监测方法及系统。

背景技术：

1、在电力电子变换器（如buck变换器）中，铝电解电容和功率mosfet是失效率最高的两类关键器件。长期运行下，电解液挥发会导致电容容值（c）下降、等效串联电阻（esr）上升；而热机械疲劳会导致mosfet键合线脱落，使其导通电阻（rds(on)）增大。准确监测这几个关键老化特征参量是保障变换器可靠运行的基础。围绕这一目标，国内外研究人员对电容以及mosfet状态监测进行了大量研究工作，从研究思路来看可以分为基于物理模型及信号处理的方法和基于数据驱动以及机器学习的方法两大类。

2、现有技术一，基于稳态纹波或开关瞬态的信号处理法：通过测量输出电压稳定状态下的开关纹波大小反推电容的c和esr；或通过捕捉mosfet开通/关断过程的瞬态边沿（如电压过冲、振铃频率）评估导通电阻。

3、现有技术二，基于单参数辨识或离散分类的数据驱动法：利用机器学习算法（如支持向量机、cnn等）对变换器波形进行训练，将器件的健康状况划分为“正常”、“轻微老化”、“严重老化”等有限的离散等级进行输出，且多数模型一次只能针对单一器件（电容或mosfet）进行辨识。

4、综合上述国内外研究现状，尽管电容和mosfet的状态监测技术已取得丰富成果，但仍存在以下几方面的问题与不足：

5、采样要求苛刻，硬件成本高：稳态纹波法需捕捉毫伏级微小纹波，开关瞬态法需捕捉纳秒级边沿。两者均需要mhz级的高频采样率或额外增加高精度测量电路，在实际工业控制器的有限资源下难以实现在线监测。

6、多器件耦合干扰，易产生误判：实际运行中电容与mosfet往往同时老化。esr增大与rds(on)增大均会使系统回路阻尼增强，导致瞬态响应相互耦合。现有单参数辨识方法假设只有单一变量退化，无法区分耦合影响，易导致参数估计出现严重偏差。

7、离散分类丢失连续信息，不利于寿命预测：将连续的物理老化过程人为割裂为几个离散等级，丢失了平滑过渡的渐进信息，且难以准确评估老化比例，无法有效支撑后续的剩余使用寿命（rul）预测。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于大信号瞬态轨迹和机器学习多输出回归的变换器健康监测方法及系统，该方法无需额外增加高频采样硬件、能够消除多器件老化耦合干扰，且能在一次测量中同步连续输出电容和mosfet多个健康参数估计值。

2、为实现上述目的，本发明采用如下技术方案：一种基于大信号瞬态轨迹和机器学习多输出回归的变换器健康监测方法，包括以下步骤：

3、s1：在变换器发生负载突变时，同步采集其输出电压信号和电感电流信号，获取包含瞬态响应过程的原始波形数据；

4、s2：对所述原始波形数据进行大信号瞬态轨迹的多域特征提取，构建用于表征变换器健康状态的多维特征向量；所述多域特征提取至少包括从时域统计、瞬态边界、时序分段动态、结构阻尼以及多时间尺度衰减特性中的三个以上维度进行特征提取；

5、s3：将所述多维特征向量输入至预先训练好的多输出回归模型中，所述多输出回归模型基于multioutputregressor包装器构建，其内部包含多个结构相同但独立训练的子回归器；

6、s4：所述多输出回归模型在一次推理过程中同步输出多个连续物理量，所述多个连续物理量至少包括变换器中电容的容值c、电容的等效串联电阻esr、以及至少一个开关管的导通电阻ron的估计值。

7、在一较佳的实施例中，所述步骤s2中，时域统计维度的特征提取包括：分别针对瞬态段的输出电压和电感电流，计算均值、方差、标准差、均方根、峰值、峭度、峰值因子和偏度，共16维特征。

8、在一较佳的实施例中，所述步骤s2中，瞬态边界维度的特征提取包括：计算整个瞬态段电压偏离稳态基准的最大绝对偏差，作为过冲幅值特征；以及，利用低通包络提取过冲主峰后的衰减曲线，基于一阶等效指数衰减模型计算恢复时间常数特征。

9、在一较佳的实施例中，所述步骤s2中，时序分段动态维度的特征提取包括：将瞬态时间窗等分为冲击振荡初期、能量衰减中期和稳态逼近尾期三个时序区间；针对输出电压和电感电流信号，在每个分段区间内分别独立计算均方根、峰值和峭度，共18维特征。

10、在一较佳的实施例中，所述步骤s2中，结构阻尼维度的特征提取包括：提取输出电压交流分量的正向包络线，识别过冲主峰后的第一个振荡峰值与紧随其后的第二个同向振荡峰值，计算两者比值的自然对数，作为对数衰减率特征；以及，对所述输出电压交流分量进行快速傅里叶变换，提取频谱中幅值最大的频率点，作为振荡主频特征。

11、在一较佳的实施例中，所述步骤s2中，多时间尺度衰减特性的特征提取包括：采用双指数衰减数学模型对输出电压包络衰减段进行非线性最小二乘拟合，解耦提取快时间常数、慢时间常数以及两者的幅值权重比。

12、在一较佳的实施例中，所述步骤s3中，所述多输出回归模型的基回归器为xgboost或随机森林集成学习模型；所述multioutputregressor包装器基于输入的特征矩阵和包含多个目标变量的标签矩阵，自动克隆出与目标变量数量相同的多个基回归器，每个基回归器以全部特征作为输入，分别以各自对应的单列目标值作为训练目标进行独立训练。

13、在一较佳的实施例中，多个连续物理量还包括上管导通电阻ron1和下管导通电阻ron2的估计值。

14、在一较佳的实施例中，所述步骤s1中，利用变换器数字控制器内部的模数转换器，以与开关频率一致且不高于数百khz的采样频率进行所述输出电压信号和电感电流信号的同步采集。

15、本发明还提供了一种基于大信号瞬态轨迹和机器学习多输出回归的变换器健康监测系统，包括：数据采集模块，用于在变换器发生负载突变时，同步采集其输出电压信号和电感电流信号；特征提取模块，用于对所述原始波形数据进行大信号瞬态轨迹的多域特征提取，构建多维特征向量；多输出回归预测模块，基于multioutputregressor包装器构建，内部包含多个结构相同但独立训练的子回归器，用于接收所述多维特征向量，并在一次推理过程中同步输出多个连续物理量的估计值，所述多个连续物理量至少包括电容容值c、电容等效串联电阻esr和至少一个开关管导通电阻ron；其中，所述特征提取模块和所述多输出回归预测模块用于执行所述的一种基于大信号瞬态轨迹和机器学习多输出回归的变换器健康监测方法。

16、与现有技术相比，本发明具有以下有益效果：

17、（1）多参数同步解耦估计，消除耦合干扰。相比于独立监测单一参数，本发明采用多输出回归模型，模型自动学习，过冲幅值受c和esr共同影响、阻尼特征受esr和ron共同影响的物理交叉关联，成功剥离了多器件同时老化时的特征耦合干扰，极大地提高了参数辨识的准确性。

18、（2）采样频率要求低，硬件成本大幅降低。本发明仅利用大信号突变的低频瞬态包络，直接依托数字控制器内部adc即可完成，完全摒弃了现有技术所需的高昂mhz级采样电路或额外信号注入设备，极大地降低了监测成本。

19、（3）输出连续物理量，支撑寿命预测。本发明突破了传统离散等级分类的限制，模型直接输出具有实际物理意义的连续数值，能够精细化捕获平滑的老化轨迹，为装备的预防性维护和视情维修决策提供了直接的数据输入。