基于退化特征的开关器件寿命预测方法

1.本发明涉及开关器件领域，具体涉及一种基于退化特征的开关器件寿命预测方法。


背景技术：

2.目前，对开关器件进行寿命预测时主要采用两大类方法，分别是模型驱动类方法和数据驱动类方法。
3.模型驱动类方法不能体现退化特征规律，通常需要依赖加速退化试验和有限元仿真来获取模型参数，参数获取过程需要花费高昂经济和时间成本，模型只能针对特定工况下使用，适用范围小。
4.数据驱动类方法分为两类，其中，统计序列类方法的预测精度与历史数据、概率密度函数和参数选取有关，具有较大的不确定度裕度；机器学习类方法则需要大量原始数据来挖掘历史数据与寿命之间的关系，实际情况中原始数据获取的经济和时间成本高昂，难以满足实际应用需求。
5.因此，为解决以上问题，需要一种适用范围大、数据量依赖程度低、高效的开关器件寿命预测方法。


技术实现要素：

6.有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于退化特征的开关器件寿命预测方法，能够反映器件退化规律，避免了模型参数复杂化，对数据量依赖程度低。
7.本发明的基于退化特征的开关器件寿命预测方法，包括如下步骤：
8.s1.采集开关器件的退化特征参数信息；
9.s2.构建初始化的lstm模型；
10.s3.将退化特征参数信息制作成符合lstm模型输入格式的训练样本数据；
11.s4.将训练样本数据输入到lstm模型，调整lstm模型中目标参数值使得lstm模型输出的剩余寿命损失值最小，并将损失值最小时设置的lstm模型作为训练好的lstm模型；其中，所述目标参数包括隐含层层数、隐含层单元数以及初始学习率；
12.s5.将待测开关器件的退化特征参数信息输入到训练好的lstm模型，输出待测开关器件剩余寿命的预测值。
13.进一步，所述步骤s1，还包括：对退化特征参数信息进行降噪处理，得到降噪后的退化特征参数信息。
14.进一步，调整lstm模型中目标参数值使得lstm模型输出的剩余寿命损失值最小，具体包括：
15.s41.设定最大优化次数n，随机初始化目标参数，将初始化后的目标参数作为初始采样点，并将初始采样点输入到高斯回归；
16.s42.根据lstm模型输出的剩余寿命损失值对高斯回归进行修正，使得高斯回归接
近真实函数分布；
17.s43.利用采集函数在修正后的高斯回归中选取下一个需要评估的采样点，并将所述采样点作为输入传入lstm模型中进行训练，再次对高斯回归进行修正；
18.s44.判断修正次数是否达到优化次数n，若否，则重复步骤s42-s43；若是，则输出使得剩余寿命损失值最小的采样点。
19.进一步，步骤s41中，还包括：设定最大优化时间t；
20.步骤s44中，还包括：判断步骤s42-s43的执行时间是否大于优化时间t，若否，则重复步骤s42-s43；若是，则输出使得剩余寿命损失值最小的采样点。
21.进一步，根据如下公式确定优化过程的概率分布：
[0022][0023]
其中，p(e|d)为后验概率，为概率系数，p(e)为先验概率；e为采样点分布，d为采集函数评估。
[0024]
进一步，采用滑动窗口方法制作训练样本数据。
[0025]
进一步，采用均方根差来计算所述损失值。
[0026]
本发明的有益效果是：本发明公开的一种基于退化特征的开关器件寿命预测方法，通过构建lstm模型，将开关器件的退化特征参数作为训练样本输入到lstm模型，并利用贝叶斯优化对lstm模型进行调优，从而得到优化后的lstm模型，最后利用优化后的lstm模型对待测开关器件进行剩余寿命预测。本发明能够反映器件退化规律，避免了模型参数复杂化，对数据量依赖程度低，并适用于预测对象的物理模型不可建立或过于复杂难以构建的场景。
附图说明
[0027]
下面结合附图和实施例对本发明作进一步描述：
[0028]
图1为本发明的预测方法流程示意图；
[0029]
图2为本发明的lstm神经网络细胞结构图；
[0030]
图3为本发明的滑动窗口法构建样本序列示意图；
[0031]
图4为本发明的贝叶斯优化过程可视化示意图；
[0032]
图5为本发明的多个预测模型在平均绝对误差下性能指标示意图；
[0033]
图6为本发明的多个预测模型在均方根误差下性能指标示意图；
[0034]
图7为本发明的多个预测模型在拟合优度下性能指标示意图。
具体实施方式
[0035]
以下结合说明书附图对本发明做出进一步的说明，如图所示：
[0036]
本发明的基于退化特征的开关器件寿命预测方法，包括如下步骤：
[0037]
s1.采集开关器件的退化特征参数信息；其中，所述退化特征参数包括电压、电流以及温度，可以选择其中任意一种退化特征参数作为采集用数据，比如采集开关器件的电
压作为试验数据；
[0038]
s2.构建初始化的lstm模型；所述lstm作为一种特殊的循环神经网络(rnn)，解决了传统rnn存在梯度消失和梯度爆炸的问题，具有更好的长期预测能力，非常适合用于开关器件的寿命预测；
[0039]
s3.将退化特征参数信息制作成符合lstm模型输入格式的训练样本数据；
[0040]
s4.将训练样本数据输入到lstm模型，调整lstm模型中目标参数值使得lstm模型输出的剩余寿命损失值最小，并将损失值最小时设置的lstm模型作为训练好的lstm模型；其中，所述目标参数包括隐含层层数、隐含层单元数以及初始学习率；所述剩余寿命损失值表征的是lstm模型输出的预测剩余寿命与真实剩余寿命之间的差异，真实剩余寿命信息可通过对实际的退化特征参数进行计算得到，比如开关器件的电压特征，通过统计当前的电压所处的寿命阶段，并结合寿命周期，计算得到开关器件的真实剩余寿命；可采用均方根差来计算所述损失值；
[0041]
s5.将待测开关器件的退化特征参数信息输入到训练好的lstm模型，输出待测开关器件剩余寿命的预测值。
[0042]
本实施例中，所述步骤s1，还包括：对退化特征参数信息进行降噪处理，得到降噪后的退化特征参数信息。具体地，使用高斯平滑算法降低退化特征参数信息的噪音，避免了lstm网络对输入数据的噪声敏感，从而提高预测精度。其中，所述高斯平滑算法采用现有技术，在此不再赘述。
[0043]
本实施例中，步骤s2中，构建初始化的lstm模型，也即是构建一个初始状态的lstm神经网络，所述lstm神经网络由多个神经网络细胞连接组成网络结构，如图2所示，其中，c
t-1
为上一个细胞状态，h
t-1
为上一个细胞层输出，x
t
为当前细胞的输入，分别用σf、σi和σo来表示遗忘、输入和输出门，tanh设置在lstm神经网络的更新门和输出门分别用于生成更新内容和对当下时刻神经网络细胞状态进行更新。
[0044]
本实施例中，步骤s3中，设置产生样本的滑动窗口大小，采用滑动窗口方法将不同时间点的退化特征参数进行分批次处理，也即是将时间序列问题转换成监督学习，构建符合lstm模型输入格式的训练样本数据，构建样本序列，如图3所示。当然了，为了对后期训练好的lstm模型进行测试，通过上述方法，可以得到测试样本数据，将测试样本数据作为测试集，可以对训练好的预测模型(bo-lstm)进行测试验证。
[0045]
本实施例中，步骤s4中，采用贝叶斯优化(bo)的方式，调整lstm模型中目标参数值使得lstm模型输出的剩余寿命损失值最小，具体包括：
[0046]
s41.设定最大优化次数n，在目标参数的范围内，随机初始化目标参数，将初始化后的目标参数作为初始采样点，并将初始采样点输入到高斯回归；其中，最大优化次数n可根据经验进行设置；
[0047]
s42.根据lstm模型输出的剩余寿命损失值对高斯回归进行修正，使得高斯回归接近真实函数分布；
[0048]
s43.利用采集函数在修正后的高斯回归中选取下一个需要评估的采样点，并将所述采样点xi作为输入传入lstm模型中进行训练，获得目标函数新的输出yi，以此来更新集合d＝{(x1,y1)，(x2,y2)，
…
(xt,yt)}和高斯回归模型，实现再次高斯回归进行修正；
[0049]
s44.判断修正次数是否达到优化次数n，若否，则重复步骤s42-s43；若是，则输出
使得剩余寿命损失值最小的采样点。
[0050]
根据上述方法，可以设置最大优化次数为60次，并通过图4来展示贝叶斯优化算法的动态寻优过程：
[0051]
xyz坐标轴分布表示三个待优化超参数，分别为初始学习率(initial learning rate)、隐含层层数(number of hidden layers)和隐含层单元数(number of hidden layer units)，
[0052]
图4中，圆圈和六角星都表示贝叶斯优化过程的采样点，它们的区别在于圆圈拟合误差大于0.005，而六角星小于0.005；它们之间的虚线表示寻优轨迹，空间内两块分割面将整个空间分为三个子空间s1、s2和s3。经统计，采样点分布在s1、s2和s3的比例分别为2：1：1，误差较小的六角星明显比误差较大的圆圈分布更密集，其空间分布也更集中在s1。在所有采样点中，五角星为最优采样点，并对应了最优超参数组合。
[0053]
通过上述方法，能够针对深度学习模型超参数的目标函数表达式未知、搜索代价高昂的复杂优化问题，使用一个不断更新的概率模型，通过少数次的目标函数评估来更新优化函数的后验概率，得到最优的模型超参数组合，适合开关器件寿命预测模型的超参数调优问题。bo超参数的目的就是通过不断地迭代得到一个最优的超参数组合。超参数组合选择可表示为下式：
[0054][0055]
其中，f(x)为最小化的目标函数，用于评估目标函数的最优性能；x
*
为最后获得的最优超参数组合。其中，超参数为调优参数，也即是本发明的目标参数。
[0056]
本实施例中，为了确保lstm模型训练能够顺利进行，防止模型训练出现卡死情况，步骤s41中，还包括：设定最大优化时间t；
[0057]
步骤s44中，还包括：判断步骤s42-s43的执行时间是否大于优化时间t，若否，则重复步骤s42-s43；若是，则输出使得剩余寿命损失值最小的采样点。
[0058]
本实施例中，根据如下公式确定优化过程的概率分布：
[0059][0060]
其中，p(e|d)为后验概率，为概率系数，p(e)为先验概率；e为采样点分布，d为采集函数评估；
[0061]
下面对本发明的开关器件寿命预测方法的预测精度进行验证评估：
[0062]
选择平均绝对误差(mae)、均方根误差(rmse)、拟合优度(r2)来衡量预测精度。其中，mae直接反应误差大小，rmse反映整体预测精度，r2反映模型对数据的解释能力。mae和rmse越小，表明预测结果的精确度越高，r2的值越接近1，预测结果越准确。三者的计算公式为：
[0063]
[0064][0065][0066]
其中，yi为真实剩余寿命对应值；为预测模型的预测剩余寿命对应值；为真实剩余寿命对应值的平均值；m为测试集的样本数量；
[0067]
若干预测模型分别在平均绝对误差(mae)、均方根误差(rmse)、拟合优度(r2)下的性能指标分别如图5-7所示。其中，本发明的预测模型为bo-lstm；不同预测模型的预测效果比较，如表1所示：
[0068]
表1
[0069][0070]
图5-7以及表1都表明了本发明的开关器件预测方法预测结果精确度高，效果好。
[0071]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。