利用机器学习预测电气参数的方法及装置制造方法及图纸

本发明专利技术公开了利用机器学习预测电气参数的方法及装置，对电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置如电磁阀，获取其动作执行诊断结果组成矩阵，重构为列数固定的矩阵，利用机器学习的方法给定电气参数标签对重构数据进行训练，得到符合预期的神经网络，在需要对继电器等设备进行寿命预测或者其他参数预测时，获取新的重构数据并输入训练得到的神经网络中，即可实现针对继电器等设备的电气参数的预估，包括对电气寿命的预测。

Method and device for predicting electrical parameters by machine learning

The invention discloses a method and device for predicting electrical parameters by machine learning. For electromagnetic relay and/or a similar kind of device which realizes mechanical action by using electromagnetic force, such as solenoid valve, the diagnosis result of its action execution is obtained, and the matrix is reconstructed into a matrix with fixed number of columns, and the electricity is given by machine learning method. The gas parameter label trains the reconstructed data and obtains the expected neural network. When the life prediction or other parameter prediction of relay and other equipment is needed, the new reconstructed data can be obtained and input into the trained neural network to realize the prediction of electrical parameters of relay and other equipment, including the prediction of electrical parameters of relay and other equipment. Electrical life prediction.

【技术实现步骤摘要】
利用机器学习预测电气参数的方法及装置
本专利技术涉及机器学习的
，尤其涉及利用机器学习预测电气参数的方法及装置。
技术介绍
目前，对电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置如电磁阀的预防维护工作主要是故障后维修和定期检修，缺乏在线寿命预测及相应的预防维护和检修系统，难以实现对继电器等设备进行寿命预警的作用，不能科学判断检修时机及提供合理的预防和检修方式，导致维护成本较高。及时获得电气寿命，对于继电器的安全、稳定运行和优化继电器可靠性具有重大意义。因此，需要一种对继电器等设备进行寿命预测的技术。另外，除了电气寿命，继电器等设备的其他参数也需要被预测。
技术实现思路
为了克服现有技术的不足，本专利技术的目的在于提供利用机器学习预测电气参数的方法及装置，旨在解决现有技术无法对继电器等设备的电气参数进行预测的问题。本专利技术的目的采用以下技术方案实现：一种利用机器学习预测电气参数的方法，包括：组成步骤，依次获取待预测对象的动作执行诊断结果A1、A2、……、Am并组成矩阵，矩阵的列数为m；m为正整数；重构步骤，当m达到或超过预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则根据Am+1对矩阵进行重构，使矩阵列数保持为M；M为正整数；数据步骤，从重构后的矩阵中得到重构数据；训练步骤，利用重构数据，给定电气参数标签并进行神经网络训练，得到符合预期的神经网络；预测步骤，对需要预测电气参数的待预测对象，通过组成步骤、重构步骤、数据步骤得到新的重构数据，并将新的重构数据输入符合预期的神经网络得到最终诊断结果。在上述实施例的基础上，优选的：所述组成步骤中，n为正整数；则组成的矩阵为：所述重构步骤，具体为：当m达到预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则设定向量L1＝[S11，S12，……S1m]；向量L2＝[S21，S22，……S2m]，……，向量Ln＝[Sn1，Sn2，……Snm]；对向量L1进行重构的方法为：设定向量L1’＝[S11，S12，……S1m，S1(m+1)]；将向量L中每一个诊断值表示为L1[i]，i∈[1,m]；将向量L’中每一个诊断值表示为L1’[i]，i∈[1,m+1]；使重构后的向量R1中每一个诊断值R1(i)＝ai*L1’[i]+bi*L1’[i+1]，i∈[1,M]，其中ai，bi满足：当i＝1时，ai＝1，bi＝(M+1)/M-1；当i＞1时，ai＝1-bi-1，bi＝(M+1)/M-ai；采用重构向量L1的方法分别对向量L2、L3、……、Ln进行重构，分别得到R2、R3、……、Rm；根据R1、R2、……、Rm得到重构后的矩阵。在上述任意实施例的基础上，优选的，所述待预测对象为继电器。在上述任意实施例的基础上，优选的，所述电气参数为电气寿命。在上述任意实施例的基础上，优选的，所述训练步骤中，神经网络训练所使用的神经网络模型为CNN、RNN或LSMT。一种利用机器学习预测电气参数的装置，包括：组成模块，用于依次获取待预测对象的动作执行诊断结果A1、A2、……、Am并组成矩阵，矩阵的列数为m；m为正整数；重构模块，用于当m达到或超过预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则根据Am+1对矩阵进行重构，使矩阵列数保持为M；M为正整数；数据模块，用于从重构后的矩阵中得到重构数据；训练模块，用于利用重构数据，给定电气参数标签并进行神经网络训练，得到符合预期的神经网络；预测模块，用于对需要预测电气参数的待预测对象，通过调用组成模块、重构模块、数据模块得到新的重构数据，并将新的重构数据输入符合预期的神经网络得到最终诊断结果。在上述实施例的基础上，优选的：n为正整数；所述组成模块组成的矩阵为：所述重构模块用于：当m达到预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则设定向量L1＝[S11，S12，……S1m]；向量L2＝[S21，S22，……S2m]，……，向量Ln＝[Sn1，Sn2，……Snm]；对向量L1进行重构的方法为：设定向量L1’＝[S11，S12，……S1m，S1(m+1)]；将向量L中每一个诊断值表示为L1[i]，i∈[1,m]；将向量L’中每一个诊断值表示为L1’[i]，i∈[1,m+1]；使重构后的向量R1中每一个诊断值R1(i)＝ai*L1’[i]+bi*L1’[i+1]，i∈[1,M]，其中ai，bi满足：当i＝1时，ai＝1，bi＝(M+1)/M-1；当i＞1时，ai＝1-bi-1，bi＝(M+1)/M-ai；采用重构向量L1的方法分别对向量L2、L3、……、Ln进行重构，分别得到R2、R3、……、Rm；根据R1、R2、……、Rm得到重构后的矩阵。在上述任意实施例的基础上，优选的，所述待预测对象为继电器。在上述任意实施例的基础上，优选的，所述电气参数为电气寿命。在上述任意实施例的基础上，优选的，所述训练模块进行神经网络训练所使用的神经网络模型为CNN、RNN或LSMT。相比现有技术，本专利技术的有益效果在于：本专利技术公开了利用机器学习预测电气参数的方法及装置，对电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置如电磁阀，获取其动作执行诊断结果组成矩阵，重构为列数固定的矩阵，利用机器学习的方法给定电气参数标签对重构数据进行训练，得到符合预期的神经网络，在需要对继电器等设备进行寿命预测或者其他参数预测时，获取新的重构数据并输入训练得到的神经网络中，即可实现针对继电器等设备的电气参数的预估，包括对电气寿命的预测。附图说明下面结合附图和实施例对本专利技术进一步说明。图1示出了本专利技术实施例提供的一种利用机器学习预测电气参数的方法的流程示意图；图2示出了本专利技术实施例提供的一种利用机器学习预测电气参数的装置的结构示意图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。本专利技术实施例中的待预测对象，可以是电磁继电器和/或与之类似的利用电磁力实现机械动作的一大类装置，例如电磁阀。具体实施例一如图1所示，本专利技术实施例提供了一种利用机器学习预测电气参数的方法，包括：组成步骤S101，依次获取待预测对象的动作执行诊断结果A1、A2、……、Am并组成矩阵，矩阵的列数为m；m为正整数；本专利技术实施例中的待预测对象的动作执行诊断结果，指的是能够反映被诊断对象的真实动作含义(包括但不限于可靠吸合、可靠分离、发生放电冲击、强烈放电冲击等)的数据，只要数据是准确的即可利用本专利技术实施对电气参数的预估；本专利技术实施例对动作执行诊断结果的获取方式不做限定；重构步骤S102，当m达到或超过预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则根据Am+1对矩阵进行重构，使矩阵列数保持为M；M为正整数；当m达到或者超过预定值M时，此时可以认为矩阵达到了“体积极限”，M的具体数值可以因应用和运算存储环境的不同而异，例如M可以为1000；当达到“体积极限”后，如果再有新的诊断发生就需要重构矩阵；数据步骤S103，从重构后的矩阵中得到重构数据；训练步骤S104，利用重构数据，给定电气参数标签并进行神经网络训练，得到符合本文档来自技高网...

【技术保护点】
1.一种利用机器学习预测电气参数的方法，其特征在于，包括：组成步骤，依次获取待预测对象的动作执行诊断结果A1、A2、……、Am并组成矩阵，矩阵的列数为m；m为正整数；重构步骤，当m达到或超过预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则根据Am+1对矩阵进行重构，使矩阵列数保持为M；M为正整数；数据步骤，从重构后的矩阵中得到重构数据；训练步骤，利用重构数据，给定电气参数标签并进行神经网络训练，得到符合预期的神经网络；预测步骤，对需要预测电气参数的待预测对象，通过组成步骤、重构步骤、数据步骤得到新的重构数据，并将新的重构数据输入符合预期的神经网络得到最终诊断结果。

【技术特征摘要】
1.一种利用机器学习预测电气参数的方法，其特征在于，包括：组成步骤，依次获取待预测对象的动作执行诊断结果A1、A2、……、Am并组成矩阵，矩阵的列数为m；m为正整数；重构步骤，当m达到或超过预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则根据Am+1对矩阵进行重构，使矩阵列数保持为M；M为正整数；数据步骤，从重构后的矩阵中得到重构数据；训练步骤，利用重构数据，给定电气参数标签并进行神经网络训练，得到符合预期的神经网络；预测步骤，对需要预测电气参数的待预测对象，通过组成步骤、重构步骤、数据步骤得到新的重构数据，并将新的重构数据输入符合预期的神经网络得到最终诊断结果。2.根据权利要求1所述的利用机器学习预测电气参数的方法，其特征在于：所述组成步骤中，n为正整数；则组成的矩阵为：所述重构步骤，具体为：当m达到预定值M时，如果再获取到待预测对象的动作执行诊断结果Am+1，则设定向量L1＝[S11，S12，……S1m]；向量L2＝[S21，S22，……S2m]，……，向量Ln＝[Sn1，Sn2，……Snm]；对向量L1进行重构的方法为：设定向量L1’＝[S11，S12，……S1m，S1(m+1)]；将向量L中每一个诊断值表示为L1[i]，i∈[1,m]；将向量L’中每一个诊断值表示为L1’[i]，i∈[1,m+1]；使重构后的向量R1中每一个诊断值R1(i)＝ai*L1’[i]+bi*L1’[i+1]，i∈[1,M]，其中ai，bi满足：当i＝1时，ai＝1，bi＝(M+1)/M-1；当i＞1时，ai＝1-bi-1，bi＝(M+1)/M-ai；采用重构向量L1的方法分别对向量L2、L3、……、Ln进行重构，分别得到R2、R3、……、Rm；根据R1、R2、……、Rm得到重构后的矩阵。3.根据权利要求1或2所述的利用机器学习预测电气参数的方法，其特征在于，所述待预测对象为继电器。4.根据权利要求1或2所述的利用机器学习预测电气参数的方法，其特征在于，所述电气参数为电气寿命。5.根据权利要求1或2所述的利用机器学习预测电气参数的方法，其特征在于，所述训练步骤中，神经网络训练所使用的神经网络模型为CNN、RNN或LSMT。6.一种...

【专利技术属性】
技术研发人员：马瑞，
申请(专利权)人：浙江长兴笛卡尔科技有限公司，
类型：发明
国别省市：浙江,33