基于改进RAO算法与BP神经网络继电器寿命预测方法技术

本发明专利技术是一种基于改进RAO算法与BP神经网络继电器寿命预测方法，包括步骤1建立训练样本所需的材料性能参数；步骤2数据归一化处理获得样本数据；步骤3确定BP神经网络的拓扑结构；步骤4设置改进的RAO算法的初始化参数，通过改进的RAO算法得出最优解，作为网络初始连接权值与节点阈值；步骤5：选取训练数据输入至神经网络模型，使用改进的BP算法训练BP网络；步骤6通过反复调整权值与阈值，减小输出量与实际量之间的误差，直至满足精度要求。本发明专利技术利用RAO算法优化BP神经网络的权值与阈值等参数，再通过改进的BP算法训练神经网络，得出的结果与真实值进行误差分析，再通过反复调整BP神经网络参数，满足精度要求。满足精度要求。

【技术实现步骤摘要】
基于改进RAO算法与BP神经网络继电器寿命预测方法


[0001]本专利技术涉及一种继电器寿命预测方法，具体的说是涉及一种基于改进的RAO算法和BP神经网络融合的继电器寿命剩余预测方法。

技术介绍

[0002]继电器的基本任务是接触时能良好导电，分离后能良好绝缘。继电器失效的主要原因为继电器触点故障，触点的各种性能指标又反映了触点的接触效果，因此继电器的性能参数是衡量继电器产品性能、质量及可靠性的主要指标，也是进行寿命预测的主要依据。在航空与军事等特定领域，对于继电器的产品的不仅在可靠性方面需要更严格的要求，而且要求在特定场合中正在服役的继电器不能出现任何故障，如果发生故障，那么事故的发生就会不可避免，也会造成严重大的安全事故，导致巨大的损失，而现有的继电器剩余寿命预测方法的预测精度不高。
[0003]BP神经网络是利用BP网络的误差反向后传(Back Propagation，BP)学习算法来训练的多层前馈网络，是目前最常用的人工神经网络.BP神经网络拥有强大的并行处理能力、自适应调整能力以及强大的映射能力等优点，但基于梯度下降原理的BP算法，全局搜索能力较弱，算法极易陷入局部最优。
[0004]RAO算法是通过直观的靠近最优解而远离最差解的方式来寻找最优解。除了种群数目和迭代次数两个参数，它不需要其他任何参数的设置，大大简化了参数的设置。但其在全局搜索能力上有所欠缺。

技术实现思路

[0005]为了解决现有继电器剩余寿命预测方法预测精度不高的问题，本专利技术提出了一种基于改进RAO算法与BP神经网络融合的继电器剩余寿命预测方法，该预测方法利用RAO算法优化BP神经网络的权值与阈值等参数，提高BP神经网络模型的精度，再通过改进的BP算法训练神经网络，得出的结果与真实值进行误差分析，再通过反复调整BP神经网络参数，满足精度要求。
[0006]为了达到上述目的，本专利技术是通过以下技术方案实现的：
[0007]本专利技术是一种基于改进RAO算法与BP神经网络继电器寿命预测方法，所述继电器寿命预测方法包括如下步骤：
[0008]步骤1：通过对电磁继电器进行失效退化实验，获取建立训练样本所需的材料性能参数，性能参数为超程时间，吸合时间；
[0009]步骤2：对步骤1中实验获得的材料性能参数原始数据进行均值化处理，数据归一化处理，以此获得样本数据；
[0010]步骤3：设计BP神经网络结构，确定BP神经网络的拓扑结构；
[0011]步骤4：设置改进的RAO算法的初始化参数，通过改进的RAO算法得出最优解，作为网络初始连接权值与节点阈值；
[0012]步骤5：选取训练数据输入至神经网络模型，使用改进的BP算法训练BP网络；
[0013]步骤6：通过反复调整权值与阈值，减小输出量与实际量之间的误差，直至满足精度要求。
[0014]进一步的：步骤4中采用改进的RAO算法得出BP神经网路的初始化参数的具体步骤如下：
[0015]步骤4
‑
1：设定算法的各起始值；
[0016]步骤4
‑
2：生成混沌系数chao和随机数a，并用Fitness定义粒子适应度，定义如下：
[0017][0018]其中，y
′
i
，y
i
分别是第i代循环容量的预测和真实值；
[0019]步骤4
‑
3：根据随机数a和混沌系数chao相对大小选择更新策略；
[0020]步骤4
‑
4：计算新粒子Fimess值，并与原粒子比较，如果得出的结果更好则替换；
[0021]步骤4
‑
5：重复步骤4
‑
2至步骤4
‑
4，直到满足迭代的条件；
[0022]步骤4
‑
6：迭代结束，得到最优解。
[0023]进一步的：步骤4
‑
2中产生混沌系数chao采用二维混沌映射，映射公式为：
[0024][0025]其中，x
i
，y
i
为混沌序列数，初始值设置为x0＝0.2，y0＝0.3。
[0026]进一步的：所述步骤4
‑
3中所述策略为倾向全局搜索的策略，表示为：
[0027][0028]其中，chao是由混沌公式产生的混沌值，是由第k带种群中随机选择的不为X
k，i
的候选解，df取值为1或2的随机整数，
[0029][0030]上述式是指将第k代种群的最优解X
best，i
作为基准向量，同时结合包含两个随机候选解的扰动项，在该扰动项中，将这两个随机候选解作差，并加入随机扰动因子df，当随机扰动因子df取1时，公式倾向于局部搜索，当df取2的时候，相当于给原更新公式引入扰动变量，从而跳出局部最优，同时，为了能够保证策略选择的随机性，在每一次种群迭代时，生成随机数a∈(
‑
1，1)，根据混沌值chao与随机数a的大小关系选择不同的更新策略进行种群的更新。
[0031]本专利技术的有益效果是：
[0032]本专利技术采用RAO算法对BP神经网络进行优化。RAO算法通过接近最优解而避开最差解的机制来达到寻找最优解的目的，它在寻找最优解时，所引入的额外参数也只有种群数目和迭代次数两个参数，使得对剩余寿命预测模型干扰会有所减少，预测精度也会相应的提升。
[0033]本专利技术采用的改进RAO算法相比于原有的RAO算法相比，它解决了原有RAO算法在搜索时的范围偏小，易于陷入局部最优的问题，在不增加额外控制参数的情况下，又提高了算法的随机性与全局搜索能力，使得算法的寻优性能得到提升，使用改进的RAO算法对BP神经网络剩余寿命预测模型进行参数优化，提高了剩余寿命预测模型的预测精度。
[0034]本专利技术采用含有动量项和自调整学习率的BP算法，提高BP神经网络的训练速度与精确度，从而提升整个预测模型的精确性。
附图说明
[0035]图1是本专利技术继电器寿命预测方法流程图。
[0036]图2是本专利技术改进的RAO算法流程图。
具体实施方式
[0037]以下将以图式揭露本专利技术的实施方式，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专利技术。也就是说，在本专利技术的部分实施方式中，这些实务上的细节是非必要的。
[0038]本专利技术是一种基于改进RAO算法与BP神经网络继电器寿命预测方法，该继电器寿命预测方法包括如下步骤：
[0039]步骤1：通过对电磁继电器进行失效退化实验，获取建立训练样本所需的材料性能参数，这里获取的材料性能参数是超程时间与吸合时间，采用这两个参数可以使实验周期缩短，可以节省人力物力和电能，并能提高工作效率。
[0040]步骤2：对步骤1中实验获得的材料性能参数原始数据进行均值化处理，数据归一化处理，以此获得样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述继电器寿命预测方法包括如下步骤：步骤1：通过对电磁继电器进行失效退化实验，获取建立训练样本所需的材料性能参数；步骤2：对步骤1中实验获得的材料性能参数原始数据进行均值化处理，数据归一化处理，以此获得样本数据；步骤3：设计BP神经网络结构，确定BP神经网络的拓扑结构；步骤4：设置改进的RAO算法的初始化参数，通过改进的RAO算法得出最优解，作为网络初始连接权值与节点阈值；步骤5：选取训练数据输入至神经网络模型，使用改进的BP算法训练BP网络；步骤6：通过反复调整权值与阈值，减小输出量与实际量之间的误差，直至满足精度要求。2.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤4中采用改进的RAO算法得出BP神经网路的初始化参数的具体步骤如下：步骤4
‑
1：设定算法的各起始值；步骤4
‑
2：生成混沌系数chao和随机数a，并用Fitness定义粒子适应度，定义如下：其中，y
′
i
，y
i
分别是第i代循环容量的预测和真实值；步骤4
‑
3：根据随机数a和混沌系数chao相对大小选择更新策略；步骤4
‑
4：计算新粒子Fitness值，并与原粒子比较，如果得出的结果更好则替换；步骤4
‑
5：重复步骤4
‑
2至步骤4
‑
4，直到满足迭代的条件；步骤4
‑
6：迭代结束，得到最优解。3.根据权利要求2所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤4
‑
2中产生混沌系数chao采用二维混沌映射，映射公式为：其中，x
i
，y
i
为混沌序列数，初始值设置为x0＝0.2，y0＝0.3。4.根据权利要求2所述基于改进RAO算法与BP神经网络继电器寿命预测方法，其特征在于：所述步骤4
‑
3中所述策略为倾向全局搜索的策略，表示为：其中，chao是由混沌公式产生的混沌值，是由第k带种群中随机选择的不为X
k，i
的候选解，df取值为1或2的随机...

【专利技术属性】
技术研发人员：王召斌，朱佳淼，尚尚，乔青云，陈康宁，刘百鑫，李朕，李久鑫，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：