[发明专利]一种并联直流-直流变换器的寿命延长方法

权利要求书

1.一种并联直流-直流变换器的寿命延长方法，其特征在于：所述方法具体过程为:

步骤1.获取训练数据；

步骤2.搭建LM-BPNN神经网络模型；

所述LM-BPNN神经网络为列文伯格-马夸尔特-反向前馈神经网络；

步骤3.训练LM-BPNN神经网络，得到训练好的LM-BPNN神经网络；

步骤4.在线获得测试数据，预测并联式DC-DC变换器系统的健康状态；

步骤5.重复执行步骤3和步骤4N次，保留在测试数据上预测效果最好的LM-BPNN神经网络用于最终的在线预测，执行步骤6；

所述N为大于等于2的正整数；

步骤6.延长系统的剩余使用寿命；

所述步骤1中获取训练数据；具体过程为：

提取并联式DC-DC变换器系统在工作过程中产生的电压、电流以及温度离线历史数据作为特征；将相应时间下并联式DC-DC变换器系统的健康状态作为目标；

特征和目标构成训练数据；

所述步骤2中搭建LM-BPNN神经网络模型；具体过程为：

LM-BPNN神经网络模型包括输入层、第一隐含层、第二隐含层和输出层；

所述步骤3中训练LM-BPNN神经网络，得到训练好的LM-BPNN神经网络；具体过程为：

将步骤1中获得的训练数据输入到步骤2中搭建的神经网络中，构建并联式DC-DC变换器系统在工作过程中产生的电压、电流以及温度特征变量和系统健康状态之间的映射关系；

LM-BPNN神经网络训练的优化算法为LM优化算法，学习速率为0.001，网络训练过程在1块CPU的硬件环境下进行；

得到训练好的神经网络；

所述LM-BPNN神经网络训练过程为：

建立目标优化函数，表达式如式(1)所示：

其中F(θ)为目标优化函数，m为训练数据集的样本数目，x_i为第i个训练样本的输入向量，y_i为第i个训练样本的标签值，f_θ(x_i)为网络在第i个训练样本的预测值，θ为网络的权重和偏置向量构成的混合矩阵；

求解F(θ)最小值，表达式如式(2)所示：

其中，r(θ)是网络预测值和真实值之间的残差函数；r_i(θ)为第i个训练样本对应的网络预测值和真实值之间的残差函数，n为θ的维度，Rⁿ为n维实数，T为转置；

所述求解F(θ)最小值具体过程为：

假设J_a(θ)是r(θ)的Jacobian矩阵，则有：

其中，为残差函数的梯度矩阵，r_i为第i个训练样本对应的残差，θ_n为网络的权重和偏置向量构成的混合矩阵的第n维向量；

则F(θ)的梯度g(θ)表示为：

考虑到F(θ)的Hessian矩阵定义为公式(5)所示的形式：

其中，H(θ)为F(θ)的Hessian矩阵，P(θ)为残差的二阶项；

其中，P(θ)如公式(6)所示：

在此基础上，公式(2)中目标优化函数的二次模型m_k(θ)表示为：

其中，F(θ_k)为第k次迭代过程中的F(θ)，g(θ_k)为第k次迭代过程中的g(θ)，θ_k为第k次迭代过程中的θ，H(θ_k)为第k次迭代过程中的H(θ)，r(θ_k)为第k次迭代过程中的r(θ)，J_a(θ_k)为第k次迭代过程中的J_a(θ)，P(θ_k)为第k次迭代过程中的P(θ)；

采用Newton法将公式(2)的非线性最小二乘问题转化为如式(8)所示的形式：

θ_k+1＝θ_k-[(J_a(θ_k))^TJ_a(θ_k)+P(θ_k)]^-1(J_a(θ_k))^Tr(θ_k) (8)其中，θ_k+1为第k+1次迭代过程中的θ；

忽略P(θ_k)中的二阶项，第k次迭代过程中的变化量Δ_k在LM算法中表示为公式(10)所示的形式：

Δ_k＝-[(J_a(θ_k))^TJ_a(θ_k)+μ_kI]^-1(J_a(θ_k))^Tr(θ_k) (10)

其中μ_k为惩罚因子，I为单位阵。