具体实施方式

具体实施方式一：本实施方式一种并联直流-直流变换器的寿命延长方法具体过程为：

本发明旨在解决并联式DC-DC变换器系统中的寿命延长问题。

在无需事先了解变换器系统先验知识的前提下，通过并联式DC-DC变换器系统在工作过程中产生的电压、电流以及温度等离线历史数据，构建LM-BPNN算法模型预测系统的健康状态。设计功率路由策略，针对系统中不同组件的健康状态，为之分配不同的功率，缓解老化程度不匹配问题，从而延长系统的寿命。本发明的工作流程图如图1所示。

本发明的技术方案是：利用基于数据的LM-BPNN算法模型和功率路由策略延长并联式DC-DC变换器系统的剩余使用寿命。其主要步骤依次为：

步骤1.获取训练数据；如图2；

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(累积损伤)；

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；

考虑到神经网络在训练过程中具有随机性，因此，本发明进行10次训练，保留在测试数据集上预测效果最好的网络用于最终的在线预测；

步骤6.延长系统的剩余使用寿命。

具体实施方式二：本实施方式与具体实施方式一不同的是，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、电流以及温度等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，作为LM-BPNN的训练数据；

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤2中搭建LM-BPNN神经网络模型；具体过程为：

本发明中的神经网络是全连接神经网络，在传统的反向前馈神经网络的基础上进行改进。

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；其网络的结构如图5所示。

假设并联式DC-DC变换器系统有2个组件，输入为2个组件在工作过程中的电流、电压以及温度，共计6种特征，因此输入层的神经元个数设置为6；

第一隐含层的神经元个数设置为16；

第二隐含层的神经元个数设置为32；

输出为组件的健康状态值，因此输出层的神经元个数设置为1。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，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(Intel i7-9750H)的硬件环境下进行；

得到训练好的神经网络；

本发明中的神经网络是在传统的反向前馈神经网络的基础上进行改进，采用LM算法对神经网络进行训练。LM算法能够在保持梯度下降算法快速收敛的同时，还兼具了高斯-牛顿算法的全局寻优特性，从而有效地训练神经网络。本发明所研究的健康状态预测问题采用均方误差函数作为损失函数优化神经网络；

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，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；

神经网络的训练过程从本质上可以看作是针对非线性最小二乘问题F(θ)最小值的求解，即最小化公式(2)中的内容；

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；

LM优化算法为：

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，▽r_i(θ)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矩阵可以定义为公式(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(针对循环N次中的每一次过程，都要迭代很多次才能迭代出结果来)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；

为了减少计算过程中的复杂度，忽略P(θ_k)中的二阶项，可以得到非线性最小二乘问题高斯-牛顿(Gauss-Newton)算法在第k次迭代过程中的变化量Δ_k，如公式(9)所示：

Δ_k＝-[(J_a(θ_k))^TJ_a(θ_k)]^-1(J_a(θ_k))^Tr(θ_k) (9)

LM算法则是在高斯-牛顿(Gauss-Newton)法的基础上进行改进，改变了迭代步长，即第k次迭代过程中的变化量Δ_k在LM算法中可以表示为公式(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，当μ_k的取值较大，比如远大于1时，主对角线上的元素占优，LM算法相当于梯度下降算法；当μ_k的取值较小，比如接近于0时，LM算法则相当于Gauss-Newton法。重复迭代公式(3)、(4)(5)(6)(7)(8)(10)，直到迭代次数达到上限；

一般而言，在神经网络训练过程的初始阶段采用较大的μ_k，相当于采用梯度下降算法加速网络的收敛。在神经网络训练的后期则采用较小的μ_k，相当于采用Gauss-Newton法避免梯度下降算法在训练过程产生的振荡，令网络尽量收敛于全局最优解。本发明采用的LM-BPNN通过2层全连接层作为隐含层实现特征向目标健康状态的映射。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤4中在线获得测试数据，预测并联式DC-DC变换器系统的健康状态；具体过程为：

收集并联式DC-DC变换器系统在线工作过程中产生的数据，包括并联式DC-DC变换器系统工作过程中产生的电压、电流以及温度在线数据；

将并联式DC-DC变换器系统在线工作过程中产生的数据输入到训练好的LM-BPNN神经网络模型中，可以实现系统健康状态的实时预测；

采用均方根误差(Root mean square error，RMSE)和平均绝对误差(Meanabsolute error，MAE)这两个指标评估搭建的LM-BPNN神经网络模型对于在线工作过程中系统健康状态的预测效果；

均方根误差和平均绝对误差描述了健康状态的预测值和真实值之间的差异，其值越小，说明算法模型的健康状态预测效果越好；其值越大，则说明算法模型的健康状态预测效果越差；

其中，均方根误差(Root mean square error，RMSE)的定义如表达式(11)所示：

其中，m′为测试数据集的样本数量，i′为测试样本的序号，SOH_pi′和SOH_ti′分别为第i′个测试样本健康状态的预测值和真实值；

平均绝对误差(Mean absolute error，MAE)的定义如表达式(12)所示：

按照训练数据和测试数据为5：1的比例构建训练数据集和测试数据集以进行LM-BPNN的训练和测试。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述步骤6中延长系统的剩余使用寿命；具体过程为：

步骤61.收集并联式DC-DC变换器系统在线工作过程中产生的数据，包括并联式DC-DC变换器系统工作过程中产生的电压、电流以及温度在线数据；

将并联式DC-DC变换器系统在线工作过程中产生的数据输入到预测效果最好的LM-BPNN神经网络模型中，获得系统组件的健康状态；

将在LM-BPNN中获得的健康状态作为输入，通过一定的分配规则，计算DC-DC变换器系统中每一个组件的功率权重因子；

步骤62.基于步骤61实现系统中各组件的分配策略。

其它步骤及参数与具体实施方式一至六之一相同。

具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述步骤61中收集并联式DC-DC变换器系统在线工作过程中产生的数据，包括并联式DC-DC变换器系统工作过程中产生的电压、电流以及温度在线数据；

将并联式DC-DC变换器系统在线工作过程中产生的数据输入到预测效果最好的LM-BPNN神经网络模型中，获得系统组件的健康状态；

将在LM-BPNN中获得的健康状态作为输入，通过一定的分配规则，计算DC-DC变换器系统中每一个组件的功率权重因子；具体过程为：

本发明采用功率路由策略延长系统的剩余使用寿命，其本质在于根据健康状态的实际情况，通过调节每一个组件的电压占空比，为不同的组件分配不同的功率，实施系统的健康管理。对于健康状态较差的组件，功率路由策略将为其分配较低的功率；对于健康状态良好的组件，功率路由策略将为其分配较高的功率，从而达到延缓系统衰退的目的。从结构上而言，功率路由策略由功率路由控制回路和功率模块控制回路构成其结构图如图3所示。功率路由控制回路以LM-BPNN中获得的健康状态作为输入，通过一定的分配规则，输出DC-DC变换器中每一个组件的功率权重因子；由于功率组件分配的功率越大，其功率损耗也越大，相应的温度也会越高，损耗也就越剧烈。因此，功率路由控制回路的目的在于为损伤较高的组件分配较低的工作功率，为损伤较低的组件分配较高的工作功率。根据功率权重因子，通过闭环控制方法改变每一个组件的电压占空比，从而完成功率分配任务，缓解系统中组件的老化程度不匹配问题，从而延长系统的寿命。

假设参数d_b为第b个组件的功率权重值，决定了每一个组件的所分配到的实际功率。值得注意的是，无论系统内部的功率分配情况如何，为了保证系统的正常工作，所有组件的功率权重值之和为1，具体表示成公式(13)所示的形式：

其中n为并联式DC-DC变换器系统中功率组件的总数；

对于传统的并联式DC-DC变换器系统而言，每一个组件的功率权重因数值均相等，如表达式(14)所示：

值得一提的是，本发明根据DC-DC变换器系统中各组件的健康状态取值实现对系统组件老化程度的管理。具体而言，根据系统的工作循环状况通过雨流计数法计算系统各个组件的累计损伤D，作为衡量故障发生概率的参数以及系统组件健康状态的依据。当系统组件的累积损伤D累计到1时，系统将会失效。为了针对不同累积损伤的组件分配不同的功率，假设第b个组件的损伤为D_b，则第b个组件的功率权重值d_b表达成公式(15)所示的形式：

其中D_b′为第b′个组件的损伤，α为指数项，目的在于加大不同组件损伤之间的差异，便于更好地实现功率的分配。功率模块控制回路在本质上是一个闭环控制回路，根据功率路由控制回路中的功率权重因子，改变每一个组件的电压占空比，从而完成功率分配的任务。

其它步骤及参数与具体实施方式一至七之一相同。

具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述步骤62中基于步骤61实现系统中各组件的分配策略；具体过程为：

在功率模块控制回路中，对于每一个功率组件，采用总的功率乘以对应的组件的功率权重值，从而确定每一个功率组件单独的工作功率P_b ^*；

工作功率P_b ^*除以基准电压V_d获得通过电感的电流I_b ^*；

基于电流I_b ^*，通过PI控制器获得功率组件的调制电压v_b；

通过归一化方法，基于功率组件的调制电压获得产生每个模块的脉冲(S_b)所需的占空比d_b，完成最终的控制任务。

其它步骤及参数与具体实施方式一至八之一相同。

具体实施方式十：本实施方式与具体实施方式一至八之一不同的是，所述通过归一化方法，基于功率组件的调制电压v_i获得产生每个模块的脉冲(S_i)所需的占空比d_i，具体过程为：

其它步骤及参数与具体实施方式一至九之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本发明采用了一个并联式的DC-DC变换器系统验证所提出的寿命延长方法。DC-DC变换器系统所采用的功率器件是IRFP4227 Mosfet，整个变换器系统包含了2个变换器单元。本发明通过随机地设定初始累计损伤以模拟不同工作过程的健康状态，具体而言，将30个工作过程的数据作为训练数据，将6个工作过程的数据作为测试数据，分别用于训练LM-BPNN模型以及检验LM-BPNN模型对于累计损伤的预测效果。在此基础上，将工作过程中的仿真周期长度设定为1天。DC-DC变换器系统每进行1个仿真周期，即会根据该仿真周期结束时各个组件目前的累计损伤，重新为各个组件分配功率权重因数，从而分配新的工作功率，以延缓变换器系统的衰退。具体步骤如下：

第1步、获取训练数据：对并联式DC-DC变换器系统在工作过程中产生的电压、电流以及温度等离线历史数据进行特征提取。与相应时间中并联式DC-DC变换器系统的累计损伤共同作为LM-BPNN的训练数据集的特征和目标。

第2步、搭建LM-BPNN神经网络模型：搭建LM-BPNN网络，作为隐含层的2层全连接层的神经元个数分别设置为16和32，并采用LM算法优化神经网络。

第3步、训练LM-BPNN神经网络模型：将步骤1中经过特征提取的训练数据输入到步骤2中搭建的LM-BPNN中，构建并联式DC-DC变换器系统在工作过程中产生的电压、电流以及温度等特征变量和系统累计损伤之间的映射关系。将30个工作过程的数据作为训练数据，用于训练网络模型。

第4步，在线获得测试数据：将并联式DC-DC变换器系统的6个在线工作过程中产生的数据作为测试数据，输入到训练好的LM-BPNN中，实现系统累计损伤的实时预测。采用公式(11)和(12)所示的均方根误差和平均绝对误差这两个指标评估提出的LM-BPNN模型对于在线工作过程中系统累计损伤的预测效果。

第5步，重复进行第3步和第4步10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对于6个过程的评估指标结果如表格1所示。可以看出，本发明提出的LM-BPNN能够有效地预测并联式DC-DC变换器系统的累计损伤。

表1累计损伤增长的LM-BPNN预测结果

第6步，延长系统的剩余使用寿命：将LM-BPNN中获得的健康状态作为输入，通过如图3所示的功率路由策略结构图，计算DC-DC变换器中系统中每一个组件的功率权重因子。根据功率权重因子，通过闭环控制方法改变每一个组件的电压占空比，从而完成功率分配任务，缓解系统中组件的老化程度不匹配问题，从而延长系统的寿命。图4a、4b、4c、4d、4e、4f展示了本发明在具体应用时的寿命延长结果示意图。具体而言，2个变换器组件的初始损伤分别设置为0.80和0.49，图4a、4b、4c、4d、4e、4f分别绘制了并联式DC-DC变换器系统中累计损伤值、累计损伤差异值以及功率权重值。从图中可以看出，在引入本发明的寿命延长方法前后，系统失效的时间分别5831天和7470天。可以看出，本发明提出的方法能够有效地缓解系统中组件的老化程度不匹配问题，延长系统的寿命，这对于工业系统关键性设备的预测性维护具有重要意义。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。