[发明专利]一种基于GRU模型的电路故障实时预测方法及验证电路

权利要求书

1.一种基于GRU模型的电路故障实时预测方法，其特征在于，包括以下步骤：

S1：选择具有时变参数的可靠性失效指标；

S2：采集保存相应时变参数的先验密度函数，利用门控循环单元神经网络估计初步的性能失效变量的概率分布；具体包括：

步骤S21：假设电子产品的失效分布属于正态分布；

步骤S22：将失效指标FI在任意时刻的状态值表示为f(x)～N(μ,σ²)，t时刻状态的相关概率密度函数可以表示为：

其中，x代表产品退化的时间刻度，μ和σ²分别代表产品失效指标的变量分布的均值和方差；

将某个时刻的历史样本组的均值作为统计对象，将其均值和方差作为均值μ的先验均值和先验方差，取正态分布N～(μ₀,σ₀²)为μ的先验分布：

μ₀和σ²分别代表某个时刻的历史样本组的均值和方差；

S3：结合现场数据和贝叶斯估计得到对应的后验密度函数，在给定μ条件下FI参数变量的分布密度函数为：

现场样本y_t更新下的后验概率密度函数：

任意时刻的FI参数变量的后验概率密度函数为：

f(x|y_t)＝∫f(x|μ)f(μ|y_t)dμ；

S4：对被测对象的实时性能进行评估。

2.根据权利要求1所述的基于GRU模型的电路故障实时预测方法，其特征在于，所述步骤S3还包括实时更新现场数据。

3.根据权利要求1所述的基于GRU模型的电路故障实时预测方法，其特征在于，所述步骤S22中，用各组样本的均值作为统计对象来计算μ₀和σ²时，将第一个数据作为第一个样本，前两个数据的均值作为第二个样本，前三个数据的均值作为第三个样本，以此类推，前N个数据的均值作为第N个样本，这样就生成了N个样本，第N个样本的数据数量为N。

4.根据权利要求1所述的基于GRU模型的电路故障实时预测方法，其特征在于，所述步骤S4中计算实时的可靠度模型为：

μ_c和分别记为用历史数据样本结合现场数据更新后得到的包含后验信息的当前分布参数。

5.一种根据权利要求1所述的基于GRU模型的电路故障实时预测方法的验证电路，其特征在于，包括15个电阻、7个电容和3个运算放大器，其中：

电阻R1的第一端连接输入电压，电阻R1的第二端连接第一运算放大器的反相输入端；

电阻R2的第一端连接电阻R1的第二端，电阻R2的第二端连接第一运算放大器的输出端；

电阻R3的第一端连接第一运算放大器的输出端，电阻R3的第二端连接电阻R7的第一端；

电阻R4的第一端连接第一运算放大器的输出端，电阻R4的第二端连接电阻R5的第一端；

电阻R5的第二端接地；

电阻R6的第一端连接电容C3的第二端，电阻R6的第二端连接电容C2的第二端；

电阻R7的第二端连接第二运算放大器的反相输入端；

电阻R8的第一端连接第二运算放大器的同相输入端和第二运算放大器的输出端，电阻R8的第二端连接电阻R9的第一端；

电阻R9的第二端连接电阻R10的第一端；

电阻R10的第二端接地；

电阻R11的第一端连接第二运算放大器的输出端，电阻R11的第二端连接电阻R12的第一端；

电阻R12的第二端连接第三运算放大器的反相输入端；

电阻R13的第一端连接电容C5的第二端，电阻R13的第二端连接电容C6的第二端；

电阻R14的第一端连接第三运算放大器的同相输入端和第三运算放大器的输出端，电阻R14的第二端连接电阻R13的第一端和电阻R15的第一端；

电阻R15的第二端接地；

电容C1的第一端连接电阻R1的第二端，电容C1的第二端连接第一运算放大器的输出端；

电容C2的第一端连接电阻R4的第二端，电容C2的第二端连接电容C4的第一端；

电容C3的第一端连接电阻R3的第二端，电容C3的第二端连接电阻R6的第一端；

电容C4的第一端连接电容C2的第二端，电容C4的第二端连接第二运算放大器的反相输入端；

电容C5的第一端连接电阻R11的第二端，电容C5的第二端连接电阻R13的第一端；

电容C6的第一端连接电阻R9的第二端，电容C6的第二端连接电容C7的第一端；

电容C7的第二端连接第三运算放大器的反相输入端；

第一运算放大器的同相输入端接地；

第三运算放大器的输出端连接输出电压。