基于小波包分解和1D-CNN的继电器寿命预测方法与流程

基于小波包分解和1d-cnn的继电器寿命预测方法
技术领域
1.本发明涉及一种电磁继电器失效寿命预测方法，具体的说是涉及一种基于小波包分解和一维卷积神经网络的电磁继电器寿命预测的方法。


背景技术：

2.电磁继电器作为一种高可靠、长寿命的电器元器件，广泛应用于航空航天和导弹系统中。电磁继电器主要由电磁铁、衔铁、弹簧、动触点和静触点组成。据不完全统计，电磁继电器产生的故障多为触点的闭合或分断异常引起的。触点是电磁继电器最易发生失效的部分，若这些系统中的任何一个继电器触点发生失效，都有可能导致整个系统产生故障，影响系统的可靠运行，造成不必要的安全事故和经济损失。为了保障系统的安全可靠运行，提前做出应对方法，准确预测电磁继电器的剩余使用寿命变得尤为重要。


技术实现要素：

3.为了解决上述问题，本发明提供了一种基于小波包分解和一维卷积神经网络的电磁继电器寿命预测的方法，该方法从安全性和可靠性的角度出发，利用小波包分析技术对传感器监测到的继电器敏感参数进行降噪处理，划分训练集、验证集和测试集，利用一维卷积神经网络提取其中的数据特征并训练模型，最后对测试集数据进行寿命预测。
4.为了达到上述目的，本发明是通过以下技术方案实现的：
5.本发明是一种基于小波包分解和1d-cnn的继电器寿命预测方法，包括如下步骤：
6.步骤1：利用触点材料电性能模拟实验系统对电磁继电器触头进行熔焊实验，监测并存储电磁继电器的敏感参数，敏感参数主要包括燃弧能量、燃弧时间、接触电阻、静压力、回跳能量、回跳时间；
7.步骤2：利用小波包分解对继电器敏感参数进行分解和重构，提取数据中的时频特征，达到降噪的目的；
8.步骤3：对经过步骤2处理过的数据添加剩余寿命标签，划分训练集、验证集和测试集，并打乱数据的排列方式，提高模型的准确度；
9.步骤4：建立以一维卷积神经网络(1d-cnn)为基础的深度学习寿命预测模型，确定学习率、激活函数、损失函数和模型结构，建立多个平行对照组，选取最优模型；
10.步骤5：利用训练集对步骤4中的深度学习寿命预测模型进行训练，利用验证集对步骤4中的深度学习寿命预测模型进行评估，保存最优的模型与超参；
11.步骤6：利用深度学习寿命预测模型对测试集进行寿命预测，将预测寿命与继电器的实际寿命进行对比，确定模型的准确度与损失。
12.进一步的：所述步骤4具体包括如下步骤：
13.步骤4-1：定义基础层，作为后续结构的基础；
14.步骤4-2：以placeholder定义模型的输入；
15.步骤4-3：定义第一层卷积层的卷积核filter的尺寸为8*1、4*1和2*1，偏置bias为
0；
16.步骤4-4：定义第一层最大池化层，选取在卷积核尺寸范围内的最大值作为池化结果向后输入；
17.步骤4-5：判断是否需要继续定义卷积层，是则返回步骤4-3，不需继续定义卷积层则继续进行；
18.步骤4-6：定义全连接层，全连接层的参数取电磁继电器的实际寿命次数43560，通过全连接层，将经过上述卷积和池化操作的数据进行展开，展开为特征向量；
19.步骤4-7：判断是否继续添加全连接层，是则返回步骤4-6，不需继续添加全连接层则继续进行；
20.步骤4-8：设置模型的损失函数为均方误差、均方根误差、平均绝对误差，并设置优化算法，通过adam优化器，进行参数的计算，其中adam优化器的学习率为0.001；
21.步骤4-9：将数据输入到定义好的模型中，通过模型的计算，输出电磁继电器的剩余寿命
22.进一步的：步骤4-8使用均方误差、均方根误差和平均绝对误差为损失函数，综合评价模型的预测性能，具体为：
23.均方误差(mse)：指预测数据和原始数据对应点误差的平方和的均值
[0024][0025]
均方根误差(rmse)：为mse的平方根
[0026][0027]
平均绝对误差(mae)：指预测数据和原始数据对应点的误差绝对值的均值
[0028][0029]
其中，n表示所预测继电器剩余寿命数据的个数；为t时刻的预测结果；y
t
为t时刻继电器的真实寿命。
[0030]
本发明的有益效果是：本发明采用小波包分解法将继电器敏感参数在时频域上进行分解和重构，完成数据降噪，以降噪处理之后的数据作为一维卷积神经网络的输入，解决了原始数据中存在异常点的问题，可充分发挥一维卷积神经网络的特征提取能力。
[0031]
本发明的一维卷积神经网络(1d-cnn)具有卷神经网络的局部连接、权值共享以及平移不变性的特点，同时在处理时间序列数据方面又更加便捷。所谓局部连接，就是卷积层的节点仅仅和其前一层的部分节点相连接，只用来学习局部特征，局部感知采用部分神经元接受信息，再通过综合全部的信息达到增强信息的目的，权值共享可以减少模型需要训练参数的个数，提高模型的训练速度，相比于二维卷积神经网络，在处理继电器敏感参数方面更加方便，更适合电磁继电器的剩余寿命预测。
[0032]
本发明解决了现有的电磁继电器寿命预测模型提取数据特征困难的缺陷，也解决了现有技术中电磁继电器寿命预测损失较大的问题，提高了模型的预测精度。
附图说明
[0033]
图1是本发明的电磁继电器寿命预测方法流程图。
[0034]
图2是本发明1d-cnn算法流程图。
[0035]
图3是本发明1d-cnn的结构图。
具体实施方式
[0036]
以下将以图式揭露本发明的实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。
[0037]
本发明是一种基于小波包分解和1d-cnn的继电器寿命预测方法，所述电磁继电器寿命预测方法包括如下步骤：
[0038]
步骤1：利用触点材料电性能模拟实验系统对电磁继电器触头进行熔焊实验，监测并存储电磁继电器的敏感参数；
[0039]
步骤2：利用小波包分解对继电器敏感参数进行分解和重构，提取数据中的时频特征，达到降噪的目的；
[0040]
用小波包分解对继电器敏感参数进行分解和重构的流程为：
[0041][0042]
式中j为尺度系数；n为频率；h、g分别为小波分析共轭滤波器系数，其中h为低通滤波器系数，g为高通滤波器系数；l为位置系数，选用wname小波对继电器敏感参数z(t)进行3层小波包分析。
[0043]
对于特征量的提取，小波包分析在分解中遵循时频域能量守恒原则，敏感参数z(t)的能量定义为：
[0044][0045]
由小波包分解得到的子频带中，频带能量分布不同，不同频带小波包能量为：
[0046][0047]
式中w(i，j)为小波系数；ez(i，j)为小波包分解第i层第j个子频带的小波包能量。
[0048]
总小波包能量为：
[0049][0050]
相对小波包能量定义为：
[0051][0052]
步骤3：对经过步骤2处理过的数据添加剩余寿命标签，划分训练集、验证集和测试
集，并打乱数据的排列方式，提高模型的准确度，具体过程包括如下步骤：
[0053]
步骤3-1：对所有降噪处理的数据添加剩余寿命标签、打乱；
[0054]
步骤3-2：取百分之七十的数据为训练集，百分之二十验证集，百分之十测试集；
[0055]
步骤3-3：将测试集的寿命标签另存到继电器实际寿命文件中。
[0056]
步骤4：建立以一维卷积神经网络(1d-cnn)为基础的深度学习寿命预测模型，确定学习率、激活函数、损失函数和模型结构，建立多个平行对照组，选取最优模型；
[0057]
所述步骤4具体包括如下步骤：
[0058]
步骤4-1：定义基础层，作为后续结构的基础；
[0059]
步骤4-2：以placeholder定义模型的输入；
[0060]
步骤4-3：定义第一层卷积层的卷积核filter的尺寸为8*1、4*1和2*1，偏置bias为0；
[0061]
步骤4-4：定义第一层最大池化层，选取在卷积核尺寸范围内的最大值作为池化结果向后输入；
[0062]
步骤4-5：判断是否需要继续定义卷积层，是则返回步骤4-3，不需继续定义卷积层则继续进行；
[0063]
步骤4-6：定义全连接层，全连接层的参数取电磁继电器的实际寿命次数43560，通过全连接层，将经过上述卷积和池化操作的数据进行展开，展开为特征向量；
[0064]
步骤4-7：判断是否继续添加全连接层，是则返回步骤4-6，不需继续添加全连接层则继续进行；
[0065]
步骤4-8：设置模型的损失函数为均方误差、均方根误差、平均绝对误差，并设置优化算法，通过adam优化器，进行参数的计算，其中adam优化器的学习率为0.001；
[0066]
步骤4-9：将数据输入到定义好的模型中，通过模型的计算，输出电磁继电器的剩余寿命。
[0067]
所述步骤4-8使用均方误差、均方根误差和平均绝对误差为损失函数，综合评价模型的预测性能，具体为：
[0068]
均方误差(mse)：指预测数据和原始数据对应点误差的平方和的均值
[0069][0070]
均方根误差(rmse)：为mse的平方根
[0071][0072]
平均绝对误差(mae)：指预测数据和原始数据对应点的误差绝对值的均值
[0073][0074]
其中，n表示所预测继电器剩余寿命数据的个数；为t时刻的预测结果；y
t
为t时刻继电器的真实寿命。
[0075]
步骤5：利用训练集对步骤4中的深度学习寿命预测模型进行训练，利用验证集对
步骤4中的深度学习寿命预测模型进行评估，保存最优的模型与超参，具体包括如下步骤：
[0076]
步骤5-1：利用步骤4搭建的深度学习寿命预测模型提取训练集数据的特征信息，首先经小卷积核卷积层后通过激活函数relu变为一组特征图，送往最大池化层进行降采样；再通过大卷积核卷积，旨在使上一层输入特征图自动学习数据的局部特征；将最后一个池化层的输出经全连接层展平输出，经过dropout过拟合处理，传递到最后的输出层。
[0077]
步骤5-2：为了防止过拟合，以均方误差为损失函数，设置一定的迭代次数，利用验证集不断对训练集训练的模型进行评估，最后保存最优模型的超参。
[0078]
步骤6：利用深度学习寿命预测模型对测试集进行寿命预测，将预测寿命与继电器的实际寿命进行对比，确定模型的准确度与损失，具体包括如下步骤：
[0079]
步骤6-1：选取测试集数据作为模型的输入，为了确保模型具有较好的准确性和泛化能力，所述测试集数据为事先从敏感参数数据集中随机抽取的并且是未用来训练模型的数据；
[0080]
步骤6-2：将预测寿命与继电器的实际寿命进行对比，确定模型的准确度与损失。
[0081]
下面以哈尔滨工业大学和江苏科技大学联合设计的ces-2000触点材料电性能模拟实验系统所测的电磁继电器触点材料的敏感参数为例，具体介绍本发明的继电器寿命预测方法的具体步骤：
[0082]
步骤1：继电器触点材料选用表面镀铜的银氧化锡，实验开始前，利用超声清洗机清洗触点表面的杂质。设置初始实验条件，采用容性负载，闭合分断全过程带电，动作频率为1.5s通/1.5s断，触点电压和稳态电流为24v/15a，闭合瞬间的浪涌电流为80a，触点开距为0.6mm，初始静压力为1.5n。调整好实验设备，进行触点材料电性能模拟实验，实验进行到43560次时，触点材料发生熔焊失效，通过上位机监测并存储继电器触点材料的敏感参数，得到包括燃弧能量、燃弧时间、接触电阻、静压力、回跳能量、回跳时间等敏感参数。
[0083]
步骤2：对步骤1所得的原始数据利用小波包分解进行分解和重构，进行降噪处理，去除敏感参数样本中的异常点，保留数据的重要特征信息。
[0084]
步骤3：对降噪处理过的数据添加剩余寿命标签，再进行打乱。由于触点实验从开始到触点失效一共进行了43560次，随机选取打乱后的30000次数据作为训练集，10000次作为验证集，3560次作为测试集。
[0085]
步骤4：建立一维卷积神经网络寿命预测模型，如附图3所示。模型基于jupyter notebook进行搭建。首先针对以上数据集建立卷积神经网络，通过两个卷积层的特征提取，并经过激活函数relu激活后，利用最大池化层进行降采样。叠加3次之后，经dropout随机剔除部分神经元之后输入到全连接层，进行最后输出。卷积核的尺寸分别为8*1、4*1和2*1，卷积层的填充方式采用“same”，使经过卷积层卷积后的输出与输入尺寸相同，步长为2。
[0086]
步骤5：将训练集和验证集分别输入到寿命预测模型中，以均方误差为损失函数，不断训练并评估模型，保存最优模型的参数。
[0087]
步骤6：利用训练好的模型对测试集数据进行寿命预测，将预测寿命与继电器真实寿命进行对比，通过均方误差、均方根误差和平均绝对误差计算出模型的损失，综合得出模型的优良性。
[0088]
本发明主要分为三个部分，第一部分是利用小波包分解对继电器敏感参数进行分解和重构，达到降噪的目的。第二部分是将处理过的数据划分训练集、验证集和测试集，利
用训练集和验证集不断训练模型，保存最优模型。第三部分是利用寿命预测模型对测试集进行寿命预测，通过与电磁继电器实际剩余寿命进行对比，确定模型的损失和准确性。为电磁继电器的可靠性设计以及寿命预测研究提供一种新的思路，具有重要的工程应用价值。
[0089]
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。