[0001] 本发明涉及采用神经网络模型的寿命预测技术领域。更具体地，本发明涉及一种脉冲电源系统寿命预测方法。

[0002] 脉冲电源系统通常用于高要求的应用，如军事、航空航天、医疗设备等。这些系统需要长期稳定的性能，寿命预测帮助评估脉冲电源系统在使用期间是否能够维持稳定的性能，同时可以帮助采取适当的措施来延长设备的使用周期，从而确保系统的可靠性和有效性。

[0003] 相关技术中，例如授权公告号为CN113361692B的中国专利文件，其公开了一种锂电池寿命结合预测方法，包括：根据采集的锂电池容量数据，将构造好的组合模型通过优化算法求解非线性多元函数最小值来构造一种新的预测方法，在每次预测过程中记录了每次预测的差值，在下个循环周期预测时加入误差影响，通过迭代前一次预测值的误差使得结合之后预测算法精度更高，并且以标准差作为误差判断，来计算训练集的总误差以获得最优的权重值，采用以上技术方案对于锂电池寿命预测精度有较大提高。

[0004] 相关技术中通过训练单一的神经网络难以精确预测电池的寿命；可以训练多个神经网络来预测脉冲电源的寿命，在输入相同的数据时，多个神经网络会输出多个预测值，根据多个预测值与真实值的误差大小，使用诱导有序加权平均算子（Induced Ordered Weighted Averaging，IOWA算子）对不同预测值的贡献度进行量化，综合多个预测值获得脉冲电源的剩余使用寿命的预测结果；而常规的IOWA算子只利用了预测值和实际值的大小关系，忽略了脉冲电源的剩余使用寿命的变化规律，因此，通过常规的IOWA算子预测脉冲电源的剩余使用寿命的预测准确性较差。

[0023] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0024] 下面结合附图来详细描述本发明的具体实施方式。

[0025] 本发明实施例公开一种脉冲电源系统寿命预测方法，参照图1，包括步骤S1‑步骤S5：S1、在不同环境温度范围下进行脉冲电源样本的充放电实验，计算脉冲电源样本在各充放电循环的实际寿命。

[0026] 需要说明的是，过高或过低的环境温度都会加速脉冲电源的老化过程，为了更加准确地预测脉冲电源所在循环的剩余使用寿命，本发明在不同环境温度范围下进行脉冲电源样本的充放电实验。

[0027] 具体的，设置 种不同的环境温度范围， ， 表示最低环境温度，表示最高环境温度， 表示第四预设数值， 表示向上取整；其中，第 种环境温度范围为；第 种到第 种环境温度范围为
，其中，为 范围内的整数；第
种环境温度范围为 。

[0028] 其中，最低环境温度、最高环境温度以及第四预设数值的具体数值可以根据实际应用场景和需求来设定，其中，最低环境温度的取值范围为[‑35,‑25]，最高环境温度的取值范围为[45,60]，第四预设数值的取值范围为[10,20]，本发明将最低环境温度设置为‑30度，将最高环境温度设置为50度，将第四预设数值设置为10。

[0029] 进一步，在任意一种环境温度范围下对脉冲电源样本进行充放电实验的过程中，随机调整各时刻的环境温度，且要求各时刻的环境温度在该环境温度范围内。

[0030] 进一步，在每种环境温度范围下，对3个脉冲电源样本进行充放电实验，充放电实验的过程包括多个充放电循环。

[0031] 需要特殊说明的是，当脉冲电源样本在一个充放电循环时的能量和新的脉冲电源满电时的能量的比值等于预设阈值时，说明在该充放电循环后该脉冲电源样本的寿命结束，此时，停止该脉冲电源样本的充放电实验。

[0032] 其中，预设阈值的具体数值通常根据脉冲电源的设计规格和应用需求来设定，预设阈值的取值范围为[0.5,0.9]，本发明将预设阈值设置为0.7。

[0033] 进一步，计算脉冲电源样本在各充放电循环的实际寿命，包括：对于充放电实验中第个充放电循环，计算第 个充放电循环的次数 与所有充放电循环的总次数的比值；将1与所述比值的差值，作为脉冲电源样本在第个充放电循环的实际寿命。

[0034] 需要说明的是，本发明在进行脉冲电源样本的充放电实验时，在环境温度范围内随机调整各时刻的环境温度，通过在不同温度条件下进行充放电实验，可以更真实地模拟脉冲电源在实际应用环境中的工作状态，同时可以更好地识别和量化温度对脉冲电源系统寿命的具体影响，使得预测模型更加全面和可靠，有助于提高脉冲电源系统在实际应用中的表现。

[0035] S2、采集各充放电循环的各参数曲线，在各充放电循环的各参数曲线上等距采样，得到各充放电循环的各参数序列。

[0036] 具体的，下面以任意一个脉冲电源样本为例进行说明，各充放电循环包括充电过程和放电过程。

[0037] 其中，在充放电循环的充电过程中，充电电流等于恒定电流，通过安时积分法，根据恒定电流计算脉冲电源样本在充放电循环的各时刻的充电电量，对所有时刻的充电电量进行拟合，获得充放电循环的充电电量曲线；通过热敏电阻采集脉冲电源样本在充放电循环的各时刻的充电温度，对所有时刻的充电温度进行拟合，获得充放电循环的充电温度曲线；通过高压差分探针采集脉冲电源样本在充放电循环的各时刻的充电电压，对所有时刻的充电电压进行拟合，获得充放电循环的充电电压曲线；对充放电循环的所有时刻的充电环境温度进行拟合，获得充放电循环的充电环境温度曲线。

[0038] 其中，所述安时积分法是一种计算电量的方法，通过计算一定时间内充电电流和对应时间的积分或者放电电流和对应时间的积分，从而估算电量，安时积分法为公知技术，此处不再进行赘述。

[0039] 进一步，在充放电循环的放电过程中，通过Rogowski脉冲电流互感器采集脉冲电源样本在充放电循环的各时刻的放电电流，对所有时刻的放电电流进行拟合，获得充放电循环的放电电流曲线；通过安时积分法，根据放电电流曲线计算脉冲电源样本在充放电循环的各时刻的放电电量，对所有时刻的放电电量进行拟合，获得充放电循环的放电电量曲线；通过热敏电阻采集脉冲电源样本在充放电循环的各时刻的放电温度，对所有时刻的放电温度进行拟合，获得充放电循环的放电温度曲线；通过高压差分探针采集脉冲电源样本在充放电循环的各时刻的放电电压，对所有时刻的放电电压进行拟合，获得充放电循环的放电电压曲线；对充放电循环的所有时刻的放电环境温度进行拟合，获得充放电循环的放电环境温度曲线。

[0040] 因此，充放电循环的参数曲线包括充电环境温度曲线、充电温度曲线、充电电压曲线、充电电量曲线、放电环境温度曲线、放电温度曲线、放电电流曲线、放电电压曲线和放电电量曲线。

[0041] 其中，所述热敏电阻通过测量电阻的变化来确定温度，所述Rogowski电流互感器是一种微分电流互感器，所述高压差分探针是一种既安全又准确的高电压测量方法，使用高压差分探针和Rogowski脉冲电流互感器可有效隔离高、低电压系统间的电气连接，实现安全测量；所述热敏电阻、高压差分探针和Rogowski脉冲电流互感器均安装在脉冲电源样本的内部。

[0042] 需要说明的是，由于各充放电循环的时长不同，为了保证神经网络的输入相同，需要对各充放电循环的各参数曲线进行等距采样且采样获得的所有参数数据的总数量相同，以此保证后续能够将采集的参数数据组成的序列作为神经网络的输入。

[0043] 具体的，对于充放电循环的任意一个参数曲线，在该参数曲线上等距采样时，采样获得的所有参数数据的总数量等于预设第一数量；将获得的所有参数数据组成的序列，作为该充放电循环的参数序列；其中，预设第一数量的具体数值可以根据实际应用场景和需求来设定，预设第一数量的取值范围为[100,500]，本发明将预设第一数量设置为300。因此，各充放电循环的参数序列包括充放电循环的充电环境温度序列、充电温度序列、充电电压序列、充电电量序列、放电环境温度序列、放电温度序列、放电电流序列、放电电压序列和放电电量序列。

[0044] 需要说明的是，预测脉冲电源所在循环的剩余使用寿命需要综合考虑多种因素，这些因素对脉冲电源的健康和寿命有直接影响：充电电压的高低直接影响脉冲电源的充电效率和寿命，放电电流的大小会影响脉冲电源的发热和内部电阻，放电电压的变化反映了脉冲电源的放电状态和性能。

[0045] S3、根据各充放电循环的各参数序列和实际寿命训练多个神经网络模型，作为寿命预测模型。

[0046] 需要说明的是，充电环境温度、充电温度、充电电压、充电电量、放电环境温度、放电温度、放电电流、放电电压和放电电量都是脉冲电源性能和寿命的重要因素。通过综合考虑这些因素，可以建立准确的模型来预测脉冲电源的剩余使用寿命，这样不仅帮助优化脉冲电源的使用和维护，还能提高脉冲电源系统的可靠性和安全性。

[0047] 在本实施例中，所述神经网络模型为LSTM（Long short‑term memory，长短时记忆）神经网络；在其他实施例中，可以选择其他可用于处理数据序列的神经网络，例如循环神经网络RNN、BP神经网络。

[0048] 需要说明的是，LSTM神经网络主要是为了解决长数据序列训练过程中的梯度消失和梯度爆炸问题，通过门控状态来控制传输状态，记住需要长时间记忆的信息，忘记不重要的信息，因此，LSTM神经网络在长数据序列中有更好的表现，所以本发明选择通过LSTM神经网络来训练脉冲电源的寿命预测模型。

[0049] 在本实施例中，将LSTM神经网络的隐藏层大小（hidden_size）设置为 ，表示预设第一数量， 表示向上取整，隐藏层大小是指LSTM神经网络的隐藏层中的神经元数量；将LSTM神经网络的LSTM层数（num_layers）设置为1。

[0050] 具体的，对于每种环境温度范围下进行充放电实验的3个脉冲电源样本，将其中的2个脉冲电源样本的所有充放电循环的参数序列和实际寿命组成训练集，用于训练神经网络，将剩下的1个脉冲电源样本的所有充放电循环的参数序列和实际寿命组成测试集，用于测试神经网络。

[0051] 需要说明的是，单一的神经网络容易受到训练集中的噪声和异常值的影响，从而导致过拟合；不同的神经网络可以学习参数序列的不同特征，本发明通过训练多个寿命预测模型能更全面地捕捉参数序列中的复杂关系，从而提升整体预测准确性。

[0052] 进一步，所述多个寿命预测模型包括第一寿命预测模型、第二寿命预测模型、第三寿命预测模型、第四寿命预测模型和第五寿命预测模型。

[0053] 其中，训练第一寿命预测模型时的输入是各充放电循环的充电环境温度序列和充电温度序列，输出为各充放电循环的实际寿命，因此，在第一寿命预测模型中，输入的向量是2维，大小为 ，表示预设第一数量，输出的向量为1维，大小为 ；训练第二寿命预测模型时的输入是各充放电循环的充电电压序列和充电电量序列，输出为各充放电循环的实际寿命，因此，在第二寿命预测模型中，输入的向量是2维，大小为 ，表示预设第一数量，输出的向量为1维，大小为 ；训练第三寿命预测模型时的输入是各充放电循环的放电环境温度序列和放电温度序列，输出为各充放电循环的实际寿命，因此，在第三寿命预测模型中，输入的向量是2维，大小为 ，表示预设第一数量，输出的向量为1维，大小为 ；训练第四寿命预测模型时的输入是各充放电循环的放电电流序列和放电电量序列，输出为各充放电循环的实际寿命，因此，在第四寿命预测模型中，输入的向量是2维，大小为 ，表示预设第一数量，输出的向量为1维，大小为 ；训练第五寿命预测模型时的输入是各充放电循环的放电电压序列和放电电量序列，输出为各充放电循环的实际寿命，因此，在第五寿命预测模型中，输入的向量是2维，大小为 ，表示预设第一数量，输出的向量为1维，大小为 。

[0054] S4、求解IOWA算子的权值最优化模型，获得IOWA算子中的目标权值。

[0055] 需要说明的是，为了使IOWA算子获得待检脉冲电源在充放电循环的寿命估计值的决策问题中能够提供最优的加权平均结果，本发明通过构建并求解IOWA算子的权值最优化模型，获得IOWA算子中的目标权值，通过合理调整权值来满足具体本发明的需求。

[0056] 具体的，根据各充放电循环的各参数序列，通过多个寿命预测模型获得各充放电循环的多个寿命预测值，将充放电循环的每个寿命预测值，记为充放电循环的寿命参考值，充放电循环的所有寿命参考值的总数量等于 ，表示所有寿命预测模型的总数量。

[0057] 需要说明的是，常规的IOWA算子中通过预测值和实际值计算预测值的预测精度，只利用了预测值和实际值的关系，没有结合脉冲电源的剩余使用寿命的规律，因此，通过常规的IOWA算子计算脉冲电源样本的各充放电循环的预测值的预测精度不准确。

[0058] 进一步需要说明的是，考虑到随着充放电循环的次数增加，脉冲电源的剩余使用寿命在不断减小，因此，本发明根据充放电循环的寿命参考值与充放电循环的前一个充放电循环的实际寿命的大小关系以及充放电循环的寿命参考值与充放电循环的实际寿命的差异，计算寿命参考值的预测精度。

[0059] 进一步，根据充放电循环的寿命参考值与充放电循环的前一个充放电循环的实际寿命的大小关系以及充放电循环的寿命参考值与充放电循环的实际寿命的差异，计算寿命参考值的预测精度，则所述充放电循环的各寿命参考值的预测精度，满足表达式：；
式中， 表示第 个充放电循环的第 个寿命参考值的预测精度， 表示第 个充放电循环的第 个寿命参考值， 表示第 个充放电循环的实际寿命， 、 、分别表示第一预设数值、第二预设数值和第三预设数值， 表示自然指数函数， 表示第 个充放电循环的实际寿命， 表示取绝对值， 表示取最小值。

[0060] 其中，第一预设数值、第二预设数值和第三预设数值的具体数值可以根据实际应用场景和需求来设定，其中，第一预设数值的取值范围为[0.01,0.1]，第二预设数值的取值范围为[20,30]，第三预设数值的取值范围为[0.55,0.9]，本发明将第一预设数值设置为0.05，将第二预设数值设置为25，将第三预设数值设置为0.7。

[0061] 需要说明的是，当充放电循环的寿命参考值 大于充放电循环的前一个充放电循环的实际寿命 ，且充放电循环的寿命参考值与充放电循环的前一个充放电循环的实际寿命 大于或者等于第一预设数值 ，说明此时获得的寿命参考值完全违背了脉冲电源的剩余使用寿命随着充放电循环的次数增加而不断减小的特征，此时，充放电循环的各寿命参考值的预测精度 ；当充放电循环的寿命参考值 大于充放电循环的前一个充放电循环的实际寿命 ，且充放电循环的寿命参考值与充放电循环的前一个充放电循环的实际寿命 小于第一预设数值 ，说明此时获得的寿
命参考值虽然违背了脉冲电源的剩余使用寿命随着充放电循环的次数增加而不断减小的特征 ，但 程 度 较小 ，此 时 ，充放 电 循 环 的各 寿 命 参 考 值的 预 测 精 度，其中， ，因此，
，则 ；当充放电循环
的寿命参考值 小于充放电循环的前一个充放电循环的实际寿命 时，说明此时获得的寿命参考值完全符合脉冲电源的剩余使用寿命随着充放电循环的次数增加而不断减小的特征，此时，充放电循环的各寿命参考值的预测精度
，其中， ，
则 。

[0062] 进一步，按照充放电循环的各寿命参考值的预测精度从大到小的顺序，对充放电循环的各寿命参考值进行排序，通过IOWA算子对各充放电循环的多个寿命参考值加权求和，获得各充放电循环的寿命估计值，则充放电循环的寿命估计值满足表达式：；
式中， 表示第 个充放电循环的寿命估计值，表示所有寿命预测模型的总数量， 表示IOWA算子中的第 个权值， 表示排序后第 个充放电循环的第 个寿命参考值。

[0063] 进一步，以所有脉冲电源样本的充放电循环的寿命估计值与实际寿命的误差最小为目标函数，构成IOWA算子的权值最优化模型，其中，IOWA算子中的所有权值为需要求解的未知数，具体为：；
式中， 表示目标函数，表示所有脉冲电源样本的总数量， 表示第 个脉冲电源样本的所有充放电循环的总次数， 表示第 个脉冲电源样本的第 个充放电循环的寿命估计值， 表示第 个脉冲电源样本的第 个充放电循环的实际寿命，
表示第 个脉冲电源样本的第 个充放电循环的寿命估计值与实际寿命
的误差， 表示取绝对值，表示所有寿命预测模型的总数量， 表示IOWA算子中的第 个权值， 表示取最小值。

[0064] 进一步，对IOWA算子的权值最优化模型进行求解，将获得的最优解，作为IOWA算子中的目标权值。

[0065] S5、计算顺序序列与各排列方式的一致性，将一致性最大的排列方式下待检脉冲电源在当前充放电循环的寿命估计值，作为待检脉冲电源在当前充放电循环的寿命。

[0066] 具体的，通过步骤S2的方法，采集待检脉冲电源在当前充放电循环的各参数曲线，在当前充放电循环上等距采样，得到待检脉冲电源在当前充放电循环的各参数序列。

[0067] 进一步，根据待检脉冲电源在当前充放电循环的各参数序列，通过多个寿命预测模型获得待检脉冲电源在当前充放电循环的多个寿命预测值，所有寿命预测值的总数量等于 ，表示所有寿命预测模型的总数量。

[0068] 需要说明的是，由于本发明的目的就是获取待检脉冲电源在当前充放电循环的寿命，也就是说不存在待检脉冲电源在当前充放电循环的实际寿命，所以也就无法根据预测值与实际寿命的差异来计算预测值的预测精度，进而无法通过IOWA算子中的目标权值对排序后的预测值进行加权求和获取待检脉冲电源在当前充放电循环的寿命。

[0069] 进一步需要说明的是，本发明将所有寿命预测值的任意一种排列方式作为目标排列方式，假设目标排列方式就是所有寿命预测值按照预测精度从大到小的顺序排序的结果，然后通过IOWA算子对目标排列方式中的寿命预测值加权求和，获得目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值，根据各寿命预测值与待检脉冲电源在当前充放电循环的前一个充放电循环的寿命的大小关系以及各寿命预测值与寿命估计值的差异，计算各寿命预测值的预测精度，按照预测精度从大到小的顺序对所有寿命预测值排序，获得顺序序列，当顺序序列与目标排列方式的一致性最大时，说明目标排列方式就是所有寿命预测值按照预测精度从大到小的顺序排序的结果，进而说明目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值就是最终获得的待检脉冲电源在当前充放电循环的寿命。

[0070] 进一步，对所有寿命预测值进行排列，则共有 种不同排列方式，表示阶乘，表示所有寿命预测模型的总数量；将任意一种排列方式作为目标排列方式，通过IOWA算子对目标排列方式中的寿命预测值加权求和，获得目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值，则所述目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值满足表达式：；
式中， 表示目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值，表示所有寿命预测模型的总数量， 表示IOWA算子中的第 个目标权值， 表示目标排列方式中的第 个寿命预测值。

[0071] 进一步，根据各寿命预测值与待检脉冲电源在当前充放电循环的前一个充放电循环的寿命的大小关系以及各寿命预测值与寿命估计值的差异，计算各寿命预测值的预测精度，则所述寿命预测值的预测精度满足表达式：；
式中， 表示目标排列方式中的第 个寿命预测值的预测精度， 表示目标排列方式中的第 个寿命预测值， 表示待检脉冲电源在当前充放电循环的前一个充放电循环的寿命， 、 、 分别表示第一预设数值、第二预设数值和第三预设数值， 表示自然指数函数， 表示目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值， 表示取绝对值， 表示取最小值。

[0072] 需要说明的是，本发明结合脉冲电源的剩余使用寿命随着充放电循环的次数增加而不断减小的规律，根据待检脉冲电源在当前充放电循环的前一个充放电循环的寿命的大小关系以及各寿命预测值与寿命估计值的差异，计算各寿命预测值的预测精度，增强了预测脉冲电源的剩余使用寿命的预测准确性。

[0073] 进一步，按照预测精度从大到小的顺序对所有寿命预测值排序，获得顺序序列；计算顺序序列与目标排列方式的一致性，则所述顺序序列与目标排列方式的一致性满足表达式：；
式中，表示顺序序列与目标排列方式的一致性，表示所有寿命预测模型的总数量， 表示IOWA算子中的第 个目标权值， 表示目标排列方式中的第 个寿命预测值，表示顺序序列中第 个寿命预测值， 表示取绝对值。

[0074] 需要说明的是，假设目标排列方式就是所有寿命预测值按照预测精度从大到小的顺序排序的结果，以此获得目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值，根据各寿命预测值与寿命估计值的差异，计算各寿命预测值的预测精度，并按照预测精度从大到小的顺序对寿命预测值排序获得顺序序列；顺序序列与目标排列方式的一致性越大，说明目标排列方式越可能是所有寿命预测值按照预测精度从大到小的顺序排序的结果，进而说明目标排列方式下待检脉冲电源在当前充放电循环的寿命估计值越可能是最终获得的待检脉冲电源在当前充放电循环的寿命。

[0075] 进一步，将一致性最大的排列方式下待检脉冲电源在当前充放电循环的寿命估计值，作为待检脉冲电源在当前充放电循环的寿命。

[0076] 对待检脉冲电源进行寿命预测，能够帮助评估该待检脉冲电源在使用期间是否能够维持稳定的性能，同时可以帮助采取适当的措施来延长该待检脉冲电源的使用周期，并确保该待检脉冲电源的可靠性和有效性。

[0077] 在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

[0078] 虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各替代方案。