论文部分内容阅读
电磁继电器作为一种重要的基础电器元件存在于各种电气连接中,在电路通断中起着极其重要的作用,其可靠性及寿命直接影响整个系统的安全和稳定运行,因此在电磁继电器生产后出场之前都需要对其进行长时间的可靠性寿命实验。传统的电磁继电器可靠性寿命实验均由专业人员进行操作,实验产生的实验数据非常少并可能存在错误,由于电磁继电器是一种基础的电器元件无论是在民用还是军用领域需求都非常大,然而在实际生产环境中针对大批量的电磁继电器寿命预测只能使用随机抽样法进行实验,并不能保证每个电磁继电器的寿命预测的精度和可靠性。精准的寿命预测一直是国内外学者的研究重点和难点。深度学习是近两年崛起并被广泛证明的最为有效的人工智能技术,在模式识别、回归预测领域取得巨大成功。本文提出应用基于深度学习技术的电磁继电器寿命预测方法,以其为电磁继电器等系列元器件可靠性指标的提升提供新的思路和实现方法。主要研究工作如下:1.为了对电磁继电器的各个寿命参数数据进行分析,使用专业的继电器寿命可靠性寿命实验设备来记录电磁继电器的各个实验寿命参数,然后对得到的寿命参数进行可视化,并且使用改进的新息卡尔曼滤波算法对数据进行降噪处理的基础上,再使用基于无监督学习的主成分分析法(Principal Component Analysis,PCA)对数据进行降维,最后使用机器学习领域的极端梯度提升算法(XGBoost)对电磁继电器寿命参数的重要性进行评分和排序。2.由于电磁继电器的寿命数据的本质为多变量时间序列,提出了基于深度置信网络(DBN)和Softmax回归的多变量时间序列预测方法,首先将预处理后的电磁继电器寿命数据切分成训练集和测试集,然后将训练集数据输入到DBN模型中的各个隐层进行特征提取,最后将得到的特征值输入到Softmax回归层进行预测并输出寿命的预测值。3.DBN的本质主要是对数据的宏观分布进行预测,缺乏对数据上下文的联系,针对这一问题,使用Bi-LSTM对DBN进行改进,提出基于Bi-LSTM改进的DBN的继电器寿命预测方法,并使用训练集数据先对双向长短期记忆网络中进行训练使网络模型充分提取数据的时间序列特征然后将提取到的时间序列特征输入到深度置信网络模型进行训练,使模型学习时间序列特征的整体分布,再通过Softmax回归层来对数据进行回归预测。4.为了充分提高模型的预测性能和解决模型收敛慢问题,本文通过充分的对比实验来对模型超参数进行选取,并使用测试数据集和均方根误差(RMSE)等评价方法对模型的性能进行评估,使模型的测试集正确率达到95.5%,均方根误差降低0.05,提高了模型预测精度。