一种结合物理信息和生成对抗网络的高精度电子设备寿命评估方法

本发明涉及电子设备整机寿命评估领域，具体为一种结合物理信息和生成对抗网络的高精度电子设备寿命评估方法。

背景技术：

1、电子设备寿命是指电子设备在规定的工作条件下，能够正常工作的时间。通过对电子设备各个组件、子系统以及整个电子设备进行寿命评估，可以更好地评估电子设备的剩余寿命和性能。电子设备寿命评估在军事、民用、科研等领域得到广泛应用，如航空航天、通信系统和工业控制系统等，对其的研究引起了大量研究人员的强烈兴趣。然而，现代电子设备通常非常复杂，由大量组件和子系统组成，涉及到多种技术和工艺。且电子设备可能在各种环境条件下工作，包括温度、湿度、振动等。这些环境变化可能对设备的寿命产生影响，但评估这些影响的确切程度是困难的。以上问题使得建立全面且准确的模型变得非常具有挑战性。

2、目前，基于测试数据的寿命评估方法面临以下两大问题:第一，基于测试数据的寿命评估方法大都是通过拟合随机统计过程，如维纳过程、伽马过程与逆高斯过程等，这些方法对寿命评估需要过强的偏好假设，对于复杂的电子设备往往评估精准度较低，仅适用于比较简单的电子部件与零件，不适合复杂的电子设备整机；第二，深度学习不用做偏好假设即可实现复杂电子设备整机的高精度寿命评估，但是整个评估过程缺乏可解释性，需要的退化数据量也较大，限制了在测试数据量受限的情况下的广泛应用。因此，如何设计可以实现高精度寿命评估，又可以大幅减少测试数据需求量，同时具备较好的可解释性的寿命评估神经网络是一个亟待解决并且具有挑战性的课题。

技术实现思路

1、本发明为了解决拟合随机统计过程评估复杂电子设备整机寿命精准度较低，深度学习评估复杂电子设备整机寿命过程缺乏可解释性，且模型训练需要退化数据量较大，限制在测试数据量受限的情况下的广泛应用的问题，提供了一种结合物理信息和生成对抗网络的高精度电子设备寿命评估方法。

2、本发明的神经网络总体架构基于生成对抗网络实现，生成器为预测可靠度的物理信息网络，判别器判断生成器生成的退化量预测值与真实退化量数据的区别。为实现上述基本思路，本发明是通过如下技术方案来实现的：一种结合物理信息和生成对抗网络的高精度电子设备寿命评估方法，包括如下步骤：

3、s1：根据电子产品种类收集电子设备退化量测试数据，退化量测试数据包括电子设备的信息，包括在特定时间点与应力环境下的输出功率、工作温度、工作电压、工作电流波动幅度以及功耗；测试数据采集后将进行归一化、多维度的数据预处理工作；

4、s2：设计生成器：即预测可靠度的物理信息网络，包括退化量预测层与可靠度预测层两个模块，所述退化量预测层与可靠度估计层两个模块的构成网络均为退化量预测网络(如transformer网络)；退化量预测层的输入变量为时间与环境应力，输出为退化量预测数据；可靠度预测层输入变量为退化量预测数据，输出为可靠度预测结果；

5、s3：设计判别器：为使生成器(即预测可靠度的物理信息网络)的可靠度预测结果最大可能地满足电子产品可靠度退化规律，设计使用判别器对退化量测试数据与退化量预测层中生成的退化量预测数据进行判别，判别器判断生成器生成的退化量预测值与真实退化量数据的区别；并将基于判别器针对退化量测试数据和退化量预测数据的判别损失加入至退化量预测层的损失函数中，作为约束使退化量预测层在训练过程中的退化量预测结果越加精准。

6、进一步的，步骤s3通过如下过程实现：

7、s3-1：设计判别器对生成器生成的样本进行评估，以确定其是否为退化量测试数据；判别器接收退化量测试数据和退化量预测层中生成的退化量预测数据，并输出一个概率值，表示输入数据是退化量测试数据的概率；判别器的目标是最小化其对退化量测试数据和退化量预测层中生成的退化量预测数据的分类误差，以下是二元交叉熵损失函数的表达式：

8、

9、其中：pz(z)是退化量预测数据对应的数据分布；pdata(x)是真实数据对应的数据分布；d(xi)是判别器对退化量测试数据的输出概率；d(g(zi))是判别器对退化量预测数据的输出概率；

10、由于获取的复杂电子设备在不同时间与环境应力条件下的退化量测试数据为一组多维向量，故退化量预测层的退化量预测结果是一组与退化量测试数据元素一一对应的多维向量。

11、s3-2：退化量预测层的训练损失由基于判别器针对退化量测试数据与退化量预测数据的判别损失和电子设备整机退化量的物理特性损失两部分构成：判别器对退化量测试数据与退化量预测层的退化量预测数据进行判别，判别损失由两组多维向量对应元素的均方根误差与数据整体结构关系的判别损失两部分组成；将退化量预测层与退化物理模型融合，在数据驱动方法的基础上引入超参数把物理退化方程迭代前后的差值分别加权并作为训练损失加到退化量预测层的损失函数里面去，物理退化方程包括伽马过程、维纳过程与逆高斯过程，具体设计如下：

12、退化量预测层的判别损失函数的表达式为：

13、

14、其中为退化量预测层的判别损失，pde_loss为电子设备整机退化量的物理特性损失；

15、电子设备整机退化量的物理特性损失定义为：

16、

17、其中：λ1,λ2,λ3是超参数；是退化量预测数据；wp_loss是维纳过程迭代前后的差值；gp_loss是伽马过程迭代前后的差值；igp_loss是逆高斯过程迭代前后的差值；

18、退化量预测层的判别损失函数的表达式为：

19、

20、其中为退化量预测层数据整体结构关系的判别损失，rmse为均方根误差；

21、均方根误差定义为：

22、

23、其中：m是样本数量；n是每个样本的维度；yij是退化量测试数据y的第i个样本的第j个元素；是退化量预测数据的第i个样本的第j个元素；

24、退化量预测层的二元交叉熵判别损失函数的表达式为：

25、

26、其中：pz(z)是退化量预测数据对应的数据分布；d(g(zi))是判别器对退化量预测数据的输出概率；

27、退化量预测层在损失函数的约束下迭代优化，最终的退化量数据预测结果在符合电子设备整机实际退化特性的同时具备较好的可解释性。

28、s3-3：退化量预测层实现时间和环境应力到电子设备整机退化量的映射，可靠度预测层在预测的退化量数据基础上进一步实现电子设备整机的可靠度估计；可靠度预测层的损失由可靠度的物理特性产生，具体如下：

29、将可靠度预测层与退化物理模型融合，在数据驱动方法的基础上引入超参数把如伽马过程、维纳过程与逆高斯过程等物理退化方程迭代前后的差值分别加权并作为训练损失加到可靠度预测层的损失函数里面去，可靠度预测层的判别损失函数的表达式为：

30、lreliability_loss＝rmse+pde_loss

31、其中rmse为可靠度预测值与可靠度真实值的均方根误差，pde_loss为电子设备可靠度的物理特性损失；

32、可靠度预测值与可靠度真实值的均方根误差可以定义为：

33、

34、其中：m是样本数量；n是每个样本的维度；yij是可靠度真实值y的第i个样本的第j个元素；是可靠度预测值的第i个样本的第j个元素；

35、电子设备整机退化量的物理特性损失定义为：

36、

37、其中：λ1,λ2,λ3是超参数；是退化量预测数据；wp_loss是维纳过程迭代前后的差值；gp_loss是伽马过程迭代前后的差值；igp_loss是逆高斯过程迭代前后的差值；

38、可靠度预测层在损失函数的约束下迭代优化，最终的可靠度预测结果在符合电子设备可靠度退化结果的同时具备较好的可解释性。

39、进一步的，步骤s2的预测可靠度的物理信息网络的训练流程为：在输入时间和环境应力后，首先通过全连接神经网络来逼近函数，再利用自动微分技术，求出微分方程残差和测量值残差约束，并将其作为正则项放入损失函数中，最后利用梯度下降法等优化算法获得神经网络连接权重参数和微分方程物理参数。

40、进一步的，步骤s3的神经网络的整体训练流程为：生成器没有标签，是无监督网络；而判别器有标签，是有监督网络，其标签是“假与真”，即0与1；在训练过程中，生成器的目标是预测尽量真实的退化量数据，最好能够“以假乱真”，让判别器无法判别退化量预测数据与退化量测试数据；判别器对退化量测试数据与退化量预测数据进行判别，从而使退化量预测层的估计结果更接近真实退化数据，二者达到动态平衡时训练停止，此时退化量预测层数据预测结果符合电子产品整机实际退化特性。

41、与现有技术相比本发明具有以下有益效果：本发明所提供的一种结合物理信息和生成对抗网络的高精度电子设备寿命评估方法：无需偏好假设，深度学习仅依靠海量数据就可以找出隐含在数据中的特征，并得到高评估精度、高普适性的寿命评估模型；在深度学习有效效果的基础上，本发明将关于退化特性的物理模型引入神经网络中，使神经网络既可以实现高精度寿命评估，又可以大幅减少测试数据需求量，同时具备较好的解释性。此外，本发明通过把生成器分成退化量预测层和可靠度预测层两部分，一方面可以通过真实退化数据对基于端到端生成器潜变量的预测退化数据进行约束，另一方面通过这种两阶段的可靠度预测方式，能够减少网络预测空间，从而提升端到端网络的可靠度预测精度。