技术领域
[0001] 本
发明属于射频段
电子产品性能监测与预测技术领域,更为具体地讲,涉及一种基于加速灵敏度的振荡器剩余寿命估计方法。
背景技术
[0002] 随着通信、雷达、导航等现代电子系统的迅速发展和广泛应用,人们对使用高精密
频率源的标准
信号提出了越来越高的要求。振荡器是系统中的重要单元之一。振荡器在实际的工作中,受到各种外部环境产生的振动、离心和冲击,通常都可以归结为加速度的影响。
[0003] 在加速振动条件下,振荡器的
输出信号受到加速度的调频作用,以至于影响其频率稳定度。通常认为振荡器频率的变化主要由晶体产生。晶体是一种机电
耦合器件,它在
电路中工作时将机械振动转换为电振荡。加速度会使晶片
变形而引起频率变化。这种使晶片变形产生频率变化的原因又分为两种,一是完全由晶片尺寸变化引起的线形部分,另一是由变形的压电材料非线形弹性引起的非线形部分。试验表明振荡器在加速度的条件下,其频率的相对变化与所受加速度的大小成正比,这种变化称为振荡器的加速度效应。
[0004] 本发明从此效应出发,研究振荡器的加速度灵敏度对输出频率的偏移作用随振荡器使用寿命的增加发生的改变,将振荡器加速度灵敏度作为振荡器的寿命状态特征量。而
相位噪声是用来衡量振荡器输出频率稳定度的参数,在频率域表现为载频边带
频谱。
相位噪声的测量在基本频率源的特性、频率基标准的研究和性能测试中发挥着越来越重要的意义。
[0005] 因此本发明以高稳
晶体振荡器在加速失效实验条件下由相位噪声表征的性能退化为对象进行基于加速度灵敏度分析的振荡器寿命预测。我们将提取的特征参量进行
降维处理,结合最优
剪枝极限学习机技术,得到理想的寿命预测结果。
发明内容
[0006] 本发明的目的在于克服
现有技术的不足,提供一种基于加速灵敏度的振荡器剩余寿命估计方法,针对振荡器对象本身构成和工作性质,对其内部物理特性进行分析,实现了精确的多步状态预测。
[0007] 为实现上述发明目的,本发明基于加速灵敏度的振荡器剩余寿命估计方法,其特征在于,包括以下步骤:
[0008] (1)、选取m组实验振荡器,并进行加速振动失效实验
[0009] 维持整个实验过程中
温度、湿度条件不变,设置
振动台的输入
电压、加速度自控制
功率谱、平均推
力和平均位移,对选取的振荡器进行加速振动失效实验;其中m-1组作为历史训练样本,1组作为现场预测样本;
[0010] (2)、提取m-1组历史训练样本的寿命轨迹
[0011] 设实验过程中一个完整加速循环周期为T,每间隔N个加速循环周期作为一
采样点,采样点总数为K;
[0012] (2.1)、提取第i(i=1,2,…,m-1)组历史训练样本在每个采样点的单边带相位噪声值
[0013] (2.2)、根据单边带相位噪声值 计算第i组历史训练样本在每个采样点处的加速度灵敏度
[0014]
[0015] 其中,f0表示振荡器输出的中心频率,fq表示距离f0的频偏值,A表示加速度矢量的峰值;
[0016] (2.3)、利用改进的余弦相似度方法对第i组加速度灵敏度 进行处理,得到第i组历史训练样本当前循环周期np与初始循环周期n1的加速度灵敏度相似度;
[0017]
[0018] 其中, 分别为第i组振荡器当前循环周期np与初始循环周期n1处的加权加速度灵敏度向量, 为待比较的两个向量中的元素的集合,q为向量中元素的
位置, 分别为向量的均值;
[0019] (2.4)、同理,按照步骤(2.1)-(2.3)所述方法提取剩余m-2组历史训练样本的加速度灵敏度相似度;
[0020] (2.5)、利用m-1组历史训练样本的加速度灵敏度相似度训练极限学习机:
[0021] (2.5.1)设当前采样点为l,初始化一个含有N(N<l)个隐层
节点的极限学习机模型,在区间[-1,1]之间随机初始化极限学习机的输入权值系数矩阵 和
阈值系数矩阵 其中,s=1,2,…N;p=1,2,…l;
[0022] (2.5.2)取 所有i值输入(2.5.1)中的极限学习机,并且以 i=1,2,…m-1,r=l+1,l+2,…,l+q,l+q≤T作为目标输出,计算隐含层输出矩阵利用多响应稀疏回归
算法对N个隐层神经元按照拟合误差大小重新排列,
剪枝冗余神经元,保留下来的网络重新计算隐层输出为H=[h1,h2,…hj,…hd],其中g(·)为激活函数,j=1,2,…,d,d≤
N,wj,p和θj分别表示 和 裁剪更新后的权值系数矩阵和阈值系数矩阵;
[0023] (2.5.3)取 所有i值输入(2.5.2)中最优剪枝极限学习机,进行后q步预测,则目标输出为 输出权值
为γ={γ1,γ2,…,γd}=H+Y=(HTH)-1HTY;
[0024] (2.5.4)对(2.5.3)的m-1组输出权值按照与目标输出的相似度取平均,完成最优剪枝极限学习机的训练;
[0025] (3)、提取现场预测样本的寿命轨迹
[0026] 将现场预测样本 输入到步骤(2.5)中训练好的最优剪枝极限学习机,其目标输出为后q步 l+q≤T,从而得到现场预测样本的期望剩
余运行周期nleft,nleft=nr-nl。
[0027] 本发明的发明目的是这样实现的:
[0028] 本发明基于加速灵敏度的振荡器剩余寿命估计方法,通过同等条件下对同类历史振荡器样本在不同外在振动条件下的加速度灵敏度的
数据采集和处理,进而训练最优剪枝极限学习机,使得历史数据能够得以充分利用。
[0029] 同时,本发明基于加速灵敏度的振荡器剩余寿命估计方法还具有以下有益效果:
[0030] (1)、选取的能够反映射频振荡器产品的固有属性——加速度灵敏度作为寿命指标,直观反映了其由于振动导致的材料老化,其性能随使用周期增加而产生的衰退,具备理论可行性;
[0031] (2)、特征参量的提取最后落实到振荡器的输出频率稳定度即相位噪声的体现,便于测量且相位噪声关键频偏段部分与加速振动的振动
频率范围相同,具备实际可操作性;
[0032] (3)、数据预测部分运用的最优剪枝极限学习机模型,保证了多步预测结果的准确和快速。
附图说明
[0033] 图1是基于加速灵敏度的振荡器剩余寿命估计方法
流程图;
[0034] 图2是本发明的加速振动试验仪的加速度自控制功率谱;
[0035] 图3是O1加速度灵敏度随循环周期的增加同初始时刻的改进余弦相似度曲线的变化规律图;
[0036] 图4是10组振荡器在不同频率下的加速度灵敏度随振动周期的变化规律曲线图;
[0037] 图5是O1在l时刻的真实剩余寿命及剩余寿命对比图。
具体实施方式
[0038] 下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会
淡化本发明的主要内容时,这些描述在这里将被忽略。
[0040] 图1是基于加速灵敏度的振荡器剩余寿命估计方法流程图。
[0041] 在本实施例中,如图1所示,本发明一种基于加速灵敏度的振荡器剩余寿命估计方法,包括以下步骤:
[0042] (1)、选取11组实验振荡器,并进行加速振动失效实验
[0043] 维持整个实验过程中温度、湿度条件不变,设置振动台的输入电压、加速度自控制功率谱、平均推力和平均位移,对选取的振荡器进行加速振动失效实验;其中10组作为历史训练样本,1组作为现场预测样本;其中,加速振动试验仪的加速度自控制功率谱如图2所示。
[0044] (2)、提取10组历史训练样本的寿命轨迹
[0045] 设实验过程中一个完整加速循环周期为10000,每间隔100个单加速循环周期作为一采样点,采样点总数为K=100,即n1=0,n2=100,…n100=10000;
[0046] (2.1)、提取第1组历史训练样本在每个采样点的单边带相位噪声值在本实施例中,将第1组历史训练样本编号为O1;
[0047] 每次采样时在距载频f0频偏fm分别为20Hz、40Hz、60Hz、80Hz、100Hz、200Hz、400Hz、800Hz、1000Hz、2000Hz处的单边带相位噪声值 q=1,2,…10,单位为dBc;
[0048] (2.2)、根据单边带相位噪声值 计算O1每个采样点处的加速度灵敏度
[0049]
[0050] 其中,f0表示振荡器O1输出的中心频率,fq表示距离f0的频偏值,A表示加速度矢量的峰值;
[0051] 如表1所示,O1从初始循环周期到采样截止循环周期10个频偏点处的加速度灵敏度绝对值,为表示方便,实际值需乘以10-13。
[0052]
[0053]
[0054] 表1
[0055] (2.3)、利用改进的余弦相似度方法对O1加速度灵敏度 进行处理,得到O1当前循环周期np与初始循环周期n1的加速度灵敏度相似度;
[0056]
[0057] 其中, 分别表示O1在当前循环周期np与初始循环周期n1处的加权加速度灵敏度向量, 为待比较的两个向量中的元素的集合,q为向量中元素的位置,分别为向量的均值;
[0058] 其中, 为频偏fq处的权重值,它是不同频偏fq对于加速度灵敏度的权重贡献,其值与频偏值成反比。
[0059] 在本实施例中,O1的加速度灵敏度随循环周期的增加同初始时刻的改进余弦相似度曲线的变化规律如图3所示;
[0060] (2.4)、同理,按照步骤(2.1)-(2.3)所述方法提取剩余9组历史训练样本的加速度灵敏度相似度。
[0061] 在本实施例中,10组振荡器按照上述方法处理完成后,得到10组振荡器在不同频率下的加速度灵敏度随振动周期的变化规律曲线,如图4所示,
[0062] (2.5)、利用10组历史训练样本的加速度灵敏度相似度训练极限学习机:
[0063] (2.5.1)设当前采样点为l(l<100),初始化一个含有N(N<l)个隐层节点的极限学习机模型,在区间[-1,1]之间随机初始化极限学习机的输入权值系数矩阵 和阈值系数矩阵 其中,s=1,2,…N;p=1,2,…l;
[0064] (2.5.2)取 所有i值输入(2.5.1)中的极限学习机,并且以 作为目标输出,计算隐含层输出矩阵
利用多响应稀疏回归算法对N个隐层神经元按照拟合误差大小重新排列,剪枝冗余神经元,保留下来的网络重新计算隐 层输出为H=[h1 ,h2 ,…hj ,…hd] ,其中
g(·)为激活函数,j=1,2,…,d,d≤
N,wj,p和θj分别表示 和 裁剪更新后的权值系数矩阵和阈值系数矩阵;
[0065] (2.5.3)取 所有i值输入(2.5.2)中最优剪枝极限学习机,进行后q步预测,则目标输出为 输出权值为γ
={γ1,γ2,…,γd}=H+Y=(HTH)-1HTY;其中,q取0到30;
[0066] (2.5.4)对(2.5.3)的9组输出权值按照与目标输出的相似度取平均,完成最优剪枝极限学习机的训练;
[0067] (3)、提取现场预测样本的寿命轨迹
[0068] 将现场预测样本 输入到步骤(2.5)中训练好的最优剪枝极限学习机,其目标输出为后q步(q从0到30) l+q≤T,从而得到现场预测样
本的期望剩余运行周期nleft,nleft=nr-nl。
[0069] 在本实施例中,通过对O1仿真处理,如图5所示,得到O1在距失效时刻500-800循环周期的真实剩余寿命及剩余寿命对比。
[0070] 尽管上面对本发明说明性的具体实施方式进行了描述,以便于
本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的
权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。