基于變分模式分解和門循環(huán)單元的電子系統(tǒng)間歇故障嚴重程度評估方法

李 晟 徐飛洋 李玉曉* 劉松華 張文生 郭肇祿

①(江西理工大學(xué)理學(xué)院 贛州 341000)

②(太原理工大學(xué)信息與計算機學(xué)院 晉中 030600)

③(中國科學(xué)院自動化研究所 北京 100190)

1 引言

根據(jù)電氣與電子工程師協(xié)會( Institute of Electrical and Electronics Engineers, IEEE)標準[1]，間歇故障定義為因同一原因反復(fù)發(fā)生并持續(xù)一段時間，且無需任何外部糾正措施可自行消失的故障，其發(fā)生頻率、持續(xù)時間和故障幅值大小具有累積效應(yīng)。隨著時間推移其故障嚴重程度會逐漸增加，最終演變?yōu)橛谰霉收蟍2]。間歇故障與永久故障相比，具有隨機性、反復(fù)性和自恢復(fù)性等特點[3]，是電子系統(tǒng)無故障發(fā)現(xiàn)(No Fault Found, NFF)的主要原因之一。文獻[4]指出，間歇故障占整個電子系統(tǒng)故障的90%以上，導(dǎo)致電子系統(tǒng)維修成本大幅增加，成為電子系統(tǒng)安全運行的重大隱患。因此，準確評估電子系統(tǒng)間歇故障的嚴重程度，是電子系統(tǒng)故障預(yù)測和健康管理(Prognostic Health Management,PHM)的關(guān)鍵。

國內(nèi)外許多學(xué)者對間歇故障嚴重程度評估方法進行了研究，包括基于物理模型的方法和基于數(shù)據(jù)驅(qū)動的方法[5]兩類?；谖锢砟Ｐ偷姆椒ㄒ蠓治霾牧辖Y(jié)構(gòu)特性和失效機理模型來描述電子系統(tǒng)的退化過程，但大多數(shù)電子系統(tǒng)尤其是復(fù)雜電子系統(tǒng)退化機理復(fù)雜，難以建立準確的物理模型?；跀?shù)據(jù)驅(qū)動方法由于無需物理建模，逐漸成為研究熱點?；跀?shù)據(jù)驅(qū)動的間歇故障嚴重程度評估方法可以分為3類：統(tǒng)計學(xué)習(xí)方法、機器學(xué)習(xí)方法和深度學(xué)習(xí)方法[6]。盡管統(tǒng)計學(xué)習(xí)方法和機器學(xué)習(xí)方法在故障狀態(tài)評估方面有較好的研究成果[7,8]，但均需依賴一定的先驗知識。而間歇故障發(fā)生的隨機性和瞬時性，導(dǎo)致先驗知識獲取困難[9]。深度學(xué)習(xí)方法可以自動挖掘信號特征，且無需依賴先驗知識，理論上能以任意精度逼近高維復(fù)雜的函數(shù)。深度學(xué)習(xí)方法主要包括各類深度神經(jīng)網(wǎng)絡(luò)及其變體，而常見的深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)包括以下幾種形式：卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)、深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)等[10]。其中，RNN對時序數(shù)據(jù)具有出色的建模能力，能處理長度可變的時間序列并通過記憶單元保存不同時刻的特征信息，適用于描述電子系統(tǒng)的退化過程。但RNN在訓(xùn)練過程中容易出現(xiàn)梯度爆炸、梯度消失問題，難以解決信號的長依賴關(guān)系，這些問題限制了RNN的應(yīng)用[11,12]。長短期記憶(Long Short-Term Memory, LSTM)循環(huán)神經(jīng)網(wǎng)絡(luò)是一種改進的RNN，在一定程度上解決了RNN的梯度爆炸和梯度消失的問題。LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)可以有效捕獲復(fù)雜時序數(shù)據(jù)中的長期依賴信息，適用于電子系統(tǒng)健康狀態(tài)退化過程。De Bruin等人[13]利用LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)對鐵路軌道電路進行故障狀態(tài)評估，測量多個軌道電路的電流信號，利用LSTM自動從數(shù)據(jù)中提取特征以評估故障。但中早期間歇故障數(shù)據(jù)受噪聲影響大，且包含較多的冗余信息，導(dǎo)致LSTM的訓(xùn)練時間長，評估結(jié)果不理想。因此，針對間歇故障問題，有學(xué)者提出先利用特征工程提取信號的特征、剔除冗余信息，再利用特征訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，提高模型識別準確性。Shi等人[14]基于電阻值均方根和沖擊加速度，建立了電連接器間歇性開路故障的線性模型，通過快速傅里葉變換(Fast Fourier Transformation, FFT)將間歇性故障的時域數(shù)據(jù)轉(zhuǎn)為頻域特征，將此特征作為LSTM的輸入，該方法相比直接利用原始數(shù)據(jù)訓(xùn)練的LSTM模型具有更高的模型識別準確率。但FFT在信號時域上無分辨能力，且易受噪聲的干擾，在提取中早期間歇故障嚴重程度信息時仍然存在局限性。變分模式分解(Variational Mode Decomposition, VMD)方法[15]是一種信號自適應(yīng)分解的時頻分析方法，相比于FFT頻域分析法，具有較強的時頻域分辨能力及抗噪性能。而與其他的時頻分解方法相比，如小波包分解、經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)等，VMD可以有效避免端點效應(yīng)和模態(tài)混疊的問題。另外，LSTM網(wǎng)絡(luò)模型結(jié)構(gòu)復(fù)雜，存在網(wǎng)絡(luò)訓(xùn)練周期長的問題[16]。相比LSTM，門循環(huán)單元(Gate Recurrent Unit,GRU)[17]循環(huán)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)更為簡單，訓(xùn)練收斂速度快，能夠大大降低計算復(fù)雜度，有效提高間歇故障嚴重程度的評估效率。

綜上所述，本文提出一種基于VMD-GRU的間歇故障嚴重程度評估方法。首先，利用VMD提取間歇故障的嚴重程度特征。通過粒子群算法(Particle Swarm Optimization, PSO)優(yōu)化VMD的模型參數(shù)，再利用VMD把間歇故障信號自適應(yīng)分解為一系列中心頻率不同、帶寬有限的固有模式函數(shù)(Intrinsic Mode Function, IMF)。其次，基于余弦相似度分析從IMF分量中選擇敏感分量，降低間歇故障信號的冗余信息和電子系統(tǒng)的噪聲干擾，再采用微分增強型能量算子從選擇的敏感分量中提取間歇故障嚴重程度敏感因子。最后，利用嚴重程度敏感因子訓(xùn)練GRU循環(huán)神經(jīng)網(wǎng)絡(luò)模型，建立間歇故障嚴重程度評估模型。利用本文方法對Sallen-key電路的間歇故障嚴重程度進行評估，結(jié)果表明所提方法可以準確評估間歇故障嚴重程度。

2 間歇故障導(dǎo)致的退化機理分析

電子系統(tǒng)間歇故障成因機理復(fù)雜多樣，其中焊點的松動或開裂是導(dǎo)致間歇故障的主要原因之一[18]。焊點作為電子系統(tǒng)最主要的端接單元，幾乎存在于電子系統(tǒng)的任何位置。在環(huán)境應(yīng)力的影響下，焊點松動或開裂會導(dǎo)致接觸電阻間歇性變化[19,20]，其特征是接觸電阻由正常值多次隨機突變增大為非正常值，并持續(xù)一段極短時間后，不經(jīng)過任何修復(fù)性維護活動，又自行恢復(fù)正常值。且一旦發(fā)生第1次間歇故障，隨著時間推移，焊點的松動或開裂的嚴重程度會不斷增加，表現(xiàn)出焊點的接觸電阻值及故障發(fā)生頻率的不斷增加，直至焊點完全脫落或完全開裂形成永久故障。

以焊點開裂為例，圖1(a)—圖1(d)為焊點開裂嚴重程度隨時間推移的退化過程，圖1(e)—圖1(h)為焊點開裂退化過程中，不同嚴重程度的焊點接觸電阻值的間歇變化，圖1(i)—圖1(l)為電子系統(tǒng)關(guān)鍵電路輸出的不同嚴重程度的間歇故障信號。從圖1(e)—圖1(h)可以看出，間歇故障是隨機突發(fā)產(chǎn)生的，其持續(xù)時間遠小于間隔時間，且發(fā)生間歇故障時對接觸電阻幅值影響很大，可近似看作隨機沖擊信號。但不是所有的隨機沖擊都是間歇故障，文獻[21]指出間歇故障的持續(xù)時長、幅值變化等參數(shù)具有一定統(tǒng)計分布模型，即隨機沖擊特性是它表現(xiàn)出來的一種特征形式。圖1(i)—圖1(l)表明間歇故障隨機沖擊特性在時域上表現(xiàn)為對電子系統(tǒng)輸出響應(yīng)信號的瞬時沖擊干擾?？梢钥吹?，隨著間歇故障嚴重程度增加，產(chǎn)生的瞬時沖擊干擾越來越嚴重。但是，電路輸出響應(yīng)信號通常包含背景噪聲等干擾，尤其是在間歇故障的中早期，如圖1(e)和圖1(f)所示，中早期間歇故障信號持續(xù)時間短、幅值波動較小。當間歇故障信號與電子系統(tǒng)中噪聲和不確定性干擾疊加時，中早期間歇故障被噪聲淹沒，難以準確提取能表征故障嚴重程度的特征。

3 基于VMD-GRU的間歇故障嚴重程度評估方法

基于VMD-GRU的間歇故障嚴重程度評估方法步驟如圖2所示。

本文方法分為4個步驟：第1步，首先模擬間歇故障發(fā)生時，焊點接觸電阻間歇變化的隨機沖擊特性。再通過對電子系統(tǒng)的關(guān)鍵電路進行間歇故障注入，采集足量的不同嚴重程度的間歇故障信號數(shù)據(jù)。第2步，先利用PSO優(yōu)化VMD的模型參數(shù)，通過VMD將訓(xùn)練樣本分解得到所有的IMF分量，再對IMF分量進行相似度分析篩選出間歇故障信號的敏感分量，最后從敏感分量中提取間歇故障的嚴重程度敏感因子，得到間歇故障嚴重程度評估模型的訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。第3步，設(shè)置各網(wǎng)絡(luò)層結(jié)構(gòu)參數(shù)，搭建間歇故障嚴重程度評估模型，用訓(xùn)練集樣本訓(xùn)練GRU模型。第4步，利用測試集樣本測試基于VMD-GRU的評估模型的準確率。

3.1 VMD理論

3.1.1 VMD模型建立

EMD是一種適用于處理非平穩(wěn)信號的時頻分析方法[22]。EMD算法會受到極值點查找、極值點到載波包絡(luò)的插值和迭代停止標準等限制，為解決EMD算法魯棒性低的問題，VMD基于調(diào)制標準將IMF重新定義為式(1)

3.1.2 VMD模型求解

VMD算法利用交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)經(jīng)多次迭代計算，搜索式(4)的最優(yōu)解[15]。式(4)中的3個變量為K,α和λ。其中，λ的作用是加強模型約束，而K和α則會影響信號分解結(jié)果。如果K過大，間歇故障信號會分解出冗余成分，造成模態(tài)混疊；如果K過小，間歇故障信號欠分解，難以提取有效的間歇故障特征。如果α過小，IMF可能含大量噪聲，如果α過大，則會影響間歇故障信號帶寬的變化。因此，選擇合適的參數(shù)[K,α]對VMD分解結(jié)果至關(guān)重要。本文利用樣本熵作為目標函數(shù)，利用PSO算法優(yōu)化VMD參數(shù)，求解VMD模型，以提高間歇故障信號分解的準確性。樣本熵[24]可用于衡量時序信號的復(fù)雜程度和度量信號波動的規(guī)律性，反映信號產(chǎn)生新模式的可能性。樣本熵越小，VMD分解出間歇故障的IMF分量越準確。借助樣本熵建立目標函數(shù)，表達式如式(5)所示

3.2 間歇故障嚴重程度敏感因子

為降低噪聲對電子系統(tǒng)間歇故障信號的干擾、有效剔除間歇故障信號的冗余信息。本文通過相似度分析選出所有IMF分量中與間歇故障原始信號相似度最大的分量，作為間歇故障嚴重程度的敏感分量。再從敏感分量中提取能夠表征間歇故障嚴重程度的特征，構(gòu)建間歇故障嚴重程度敏感因子。

相比基于距離的相似度分析方法，余弦相似度分析方法通過計算向量夾角的余弦值來評估信號間的相似度。因此，余弦相似度對信號的幅值大小不敏感，可以有效避免由間歇故障的隨機性、自恢復(fù)性所造成的信號幅值大小頻繁變化的不利影響，從而準確地選取保留嚴重程度特征信息最多的敏感分量。本文利用余弦相似度分析法，計算間歇故障原始信號與各IMF分量的相似度。余弦相似度定義如下：

余弦值越接近為1，說明兩信號越相似；否則，兩信號越不相似。

在選出間歇故障嚴重程度的敏感分量后，本文利用微分增強型能量算子來估計敏感分量的瞬時能量，從而構(gòu)建間歇故障的嚴重程度敏感因子作為表征間歇故障嚴重程度的有效特征，嚴重程度敏感因子的定義如式(7)、式(8)所示

式(7)中，x(i)為篩選出的敏感分量的第i個元素，Ei表示敏感分量的第i個點的瞬時能量。式(8)中，S表示構(gòu)建的間歇故障嚴重程度敏感因子，能有效反映出不同間歇故障信號的嚴重程度水平(S首尾添加兩個0是為了方便訓(xùn)練GRU模型)。

3.3 GRU循環(huán)神經(jīng)網(wǎng)絡(luò)

GRU循環(huán)神經(jīng)網(wǎng)絡(luò)是LSTM的改進形式，GRU通過細胞單元中的“門”結(jié)構(gòu)來控制信息流向，能夠忘記一些不重要的信息，同時又能保存關(guān)鍵信息。與LSTM相比，其結(jié)構(gòu)更為簡單，計算成本更低[16]。GRU有兩個門控結(jié)構(gòu)：更新門(the update gate)和重置門(the reset gate)，其細胞單元基本結(jié)構(gòu)如圖3所示。

3.4 基于GRU循環(huán)神經(jīng)網(wǎng)絡(luò)的間歇故障嚴重程度評估模型

GRU循環(huán)神經(jīng)網(wǎng)絡(luò)可以對時間序列進行回歸預(yù)測及分類，但單一的GRU層并不具備對時間序列分類的能力。因此，本文將GRU層結(jié)合信號輸入層、Dropout層和Softmax全連接層構(gòu)建間歇故障嚴重程度評估模型，搭建好的模型結(jié)構(gòu)如圖4所示。

模型具體組成如下：

(1)信號輸入層：信號輸入層用于讀取提取到的間歇故障嚴重程度敏感因子，并對其進行預(yù)處理，再將處理完的數(shù)據(jù)輸入到GRU層。該層將輸入的特征向量均分成L段，每段向量長度為l并作為一個GRU細胞單元的輸入。

(2)GRU層：GRU層通過每個細胞單元輸入的嚴重程度敏感因子，連續(xù)計算并選擇性存儲數(shù)據(jù)，同時進一步挖掘間歇故障更深層次的信息。GRU層在設(shè)置細胞單元初始狀態(tài)h0和隱藏層數(shù)量等初始參數(shù)后，通過前向傳播式(9)—式(12)訓(xùn)練網(wǎng)絡(luò)中重要的權(quán)重矩陣及偏置向量等參數(shù)。GRU網(wǎng)絡(luò)某一時刻的輸出不僅和t時刻的輸入xt有關(guān)，還與t-1時刻的隱藏層向量ht-1有關(guān)，且最后一個細胞單元的ht作為GRU網(wǎng)絡(luò)的最終輸出，最終結(jié)果流向Dropout層。

(3)Dropout層：Dropout層在模型的訓(xùn)練過程中，將上一層神經(jīng)元的輸出結(jié)果以一定概率置為0，使得部分神經(jīng)元不參與前向傳播訓(xùn)練過程，而未置0的神經(jīng)元按原本方式進行概率計算以及參數(shù)更新，防止訓(xùn)練的模型出現(xiàn)過擬合現(xiàn)象。

(4)Softmax全連接層：Softmax全連接層訓(xùn)練時用于處理Dropout層的輸出向量，結(jié)合反向傳播算法訓(xùn)練整個間歇故障嚴重程度評估模型。模型訓(xùn)練完成后，向Softmax層輸入測試集的嚴重程度敏感因子，通過交叉熵函數(shù)完成對不同嚴重程度的間歇故障評估。交叉熵函數(shù)如式(13)、式(14)所示。

4 實驗與分析

4.1 實驗案例

有源濾波器是電子系統(tǒng)中常見的關(guān)鍵組成部分，本文選擇了Sallen-Key有源低通濾波器電路作為研究對象，以此研究該電路的焊點因間歇故障引起接觸電阻變化導(dǎo)致的電子系統(tǒng)性能退化問題，Sallen-Key有源低通濾波器電路如圖5(a)所示。利用文獻[25]的間歇故障注入器對Sallen-Key電路的電阻焊點處進行間歇故障注入，注入位置可以是電路中的任意電阻焊點處。本文選擇將間歇故障注入器的輸出端A, B和Sallen-Key電路的電阻R2串聯(lián)，模擬R2焊盤松動或開裂導(dǎo)致的間歇故障。實驗將嚴重程度劃分為5個等級(1個健康狀態(tài)和4個不同嚴重程度的間歇故障狀態(tài))，通過改變間歇故障注入器參數(shù)，得到不同嚴重程度的間歇故障數(shù)據(jù)，搭建的實驗環(huán)境如圖5(b)所示。

實驗中，直流電源為被測電路供電，利用Tektronix AFG31000信號發(fā)生器向被測電路提供頻率為10 kHz，電壓幅值為1 V的正弦激勵信號。數(shù)據(jù)采集裝置將實時采集被測電路的響應(yīng)信號，通過串口傳輸?shù)诫娔X上位機軟件中。利用文獻[25]中設(shè)計的間歇故障注入器產(chǎn)生5種不同嚴重程度的間歇故障，由上位機軟件自動保存數(shù)據(jù)。對每種間歇故障采集150組原始電壓信號(100組作為訓(xùn)練樣本，剩余50組作為測試樣本)，并標注訓(xùn)練樣本的各類間歇故障狀態(tài)信息以建立訓(xùn)練樣本集和測試樣本集。

通過PSO算法優(yōu)化VMD參數(shù)具體步驟如下：(1)設(shè)置參數(shù)[K,α]的初始范圍，經(jīng)研究表明，K和α的取值范圍分別選擇(2,10)和(1,5000)較為合理。(2)設(shè)置粒子群數(shù)為100和迭代次數(shù)為20，個體學(xué)習(xí)因子C1=2，群體學(xué)習(xí)因子C2=2，權(quán)重因子為0.7。(3)在求解空間內(nèi)隨機生成粒子位置和初速度，計算每個粒子的樣本熵，尋找適應(yīng)度最小的個體，完成VMD的參數(shù)優(yōu)化，得到最優(yōu)參數(shù)[K,α]。用參數(shù)優(yōu)化后的VMD對采集的間歇故障信號進行自適應(yīng)分解得到所有的IMF分量，不同嚴重程度的間歇故障信號的IMF分量及殘差如圖6所示。圖中紅框內(nèi)為通過相似度分析篩選出的間歇故障信號的敏感分量。

最后，利用微分增強型能量算子得到嚴重程度敏感因子，各間歇故障狀態(tài)的原始電壓信號和嚴重程度敏感因子如圖7所示。

圖7(a)為不同嚴重程度的間歇故障原始信號，圖7(b)為利用敏感分量提取的不同嚴重程度的間歇故障原始信號對應(yīng)的嚴重程度敏感因子。由圖7(a)和圖7(b)可以看出，間歇故障發(fā)生時，嚴重程度敏感因子有效表征了間歇故障對電路輸出信號的影響，間歇故障嚴重程度越大，特征故障幅值變化越明顯。

利用提取的嚴重程度敏感因子訓(xùn)練電子系統(tǒng)間歇故障嚴重程度評估模型，模型具體的基本參數(shù)如表1所示。

表1 模型基本參數(shù)設(shè)置

對標注好類別信息的500個訓(xùn)練樣本依次提取特征，并將特征向量均等分成20段，訓(xùn)練間歇故障嚴重程度評估模型，最后利用未標注類別信息的250組測試樣本測試模型的準確率。為保證結(jié)果的準確性，每完成一次測試就交換部分測試樣本和訓(xùn)練樣本，再次訓(xùn)練并識別，最后取識別準確率的平均值作為模型測試結(jié)果。評估結(jié)果如表2和表3所示。表2的列標簽欄代表標注的間歇故障嚴重實際等級，行標簽欄代表間歇故障嚴重評估等級，其中Lx(x=1, 2, 3, 4, 5)表示所處的間歇故障嚴重等級，表中對角線上的數(shù)字代表測試樣本評估正確的數(shù)量，其余位置為評估錯誤的數(shù)量。從表2和表3可以看出，該方法可以有效識別出測試序列當前所處的間歇故障狀態(tài)，并有很高的識別準確率。

表2 Sallen-Key電路不同嚴重程度的間歇故障分類結(jié)果

表3 Sallen-Key電路不同嚴重程度間歇故障識別準確率(%)

4.2 對比實驗及結(jié)果分析

為驗證所提方法的有效性，比較了4種基于GRU循環(huán)神經(jīng)網(wǎng)絡(luò)的故障嚴重程度評估方法。針對Sallen-Key電路，通過將本文實驗數(shù)據(jù)輸入到文獻[16,17,26,27]對應(yīng)的模型結(jié)構(gòu)中，評估結(jié)果如表4—表8所示。

表4—表7分別為文獻[16,17,26,27]的評估結(jié)果，表8為綜合的對比結(jié)果。從實驗結(jié)果看，本文方法針對早中期的間歇故障評估準確率明顯高于文獻[17,26]的方法；文獻[16,27]方法對間歇故障狀態(tài)L2, L4識別準確率不高，而本文方法對L2, L4有很好的評估效果。

表4 文獻[16]間歇故障狀態(tài)分類結(jié)果

表7 文獻[27]間歇故障狀態(tài)分類結(jié)果

表8 對比結(jié)果(%)

分析其原因，文獻[16]將原始信號數(shù)據(jù)轉(zhuǎn)化為2維圖像，間歇故障原始數(shù)據(jù)的周期信息被破壞，導(dǎo)致評估準確率下降；文獻[26]使用GRU網(wǎng)絡(luò)直接處理原始信號，雖然GRU網(wǎng)絡(luò)能自動挖掘信號的特征信息，但能提取到的特征信息有限，導(dǎo)致評估準確率較低；而文獻[27]利用CNN結(jié)合GRU網(wǎng)絡(luò)增強了對原始間歇故障信號的特征捕獲能力，在間歇故障問題上有較好的識別結(jié)果，但CNN受卷積層、池化層等影響，提取特征更多關(guān)注局部信息，忽略了局部與整體之間的關(guān)聯(lián)性，使得針對L2, L4間歇故障狀態(tài)評估結(jié)果效果不理想。文獻[17]利用傳統(tǒng)的時頻特征提取方法提取嚴重程度特征，再結(jié)合多層GRU網(wǎng)絡(luò)來評估間歇故障嚴重程度，但基于傳統(tǒng)的時頻特征受噪聲干擾較大，導(dǎo)致對早期間歇故障嚴重程度的評估準確率下降。而本文方法對所有嚴重程度均有很高的評估準確率，說明本文方法提取的特征可以有效表征間歇故障嚴重程度，該特征訓(xùn)練的GRU循環(huán)神經(jīng)網(wǎng)絡(luò)評估模型相比于其他方法具有優(yōu)勢。

表5 文獻[17]間歇故障狀態(tài)分類結(jié)果

表6 文獻[26]間歇故障狀態(tài)分類結(jié)果

5 結(jié) 論

電子系統(tǒng)的間歇故障征兆表征為隨機、瞬變及自恢復(fù)等特點，常規(guī)手段難以捕捉其征兆，導(dǎo)致特征提取困難且間歇故障嚴重程度難以被準確評估。針對以上問題，本文提出基于VMD-GRU的間歇故障嚴重程度評估方法，利用VMD提取間歇故障的嚴重程度敏感因子，提高間歇故障的辨識度，再通過GRU構(gòu)建間歇故障嚴重程度評估模型，有效評估了電子系統(tǒng)關(guān)鍵電路的不同嚴重程度的間歇故障。設(shè)計了對比實驗研究特征工程結(jié)合深度學(xué)習(xí)方法的間歇故障嚴重程度評估能力，試驗結(jié)果表明相比于現(xiàn)有評估方法，本文方法更加準確有效。

本文方法能有效評估電子系統(tǒng)的不同嚴重程度的間歇故障，可以為視情維修和預(yù)測維修提供重要的決策信息，以達到降低電子系統(tǒng)的維修難度及費用的目的，可有效避免電子系統(tǒng)帶隱患工作造成的安全事故。本文方法可以應(yīng)用于航空航天、軍事裝備、交通運輸和醫(yī)療設(shè)備等關(guān)鍵領(lǐng)域，為這些關(guān)系國計民生的系統(tǒng)的安全運行提供技術(shù)支持。