基于小波包分解和1D-CNN的继电器寿命预测方法技术

本发明专利技术是一种基于小波包分解和1D

【技术实现步骤摘要】
基于小波包分解和1D
‑
CNN的继电器寿命预测方法


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]为了解决上述问题，本专利技术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，利用一维卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波包分解和1D
‑
CNN的继电器寿命预测方法，其特征在于：所述电磁继电器寿命预测方法包括如下步骤：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；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；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；步骤4：建立以一维卷积神经网络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；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；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。2.根据权利要求1所述基于小波包分解和1D
‑
CNN的继电器寿命预测方法，其特征在于：所述步骤4具体包括如下步骤：步骤4
‑
1：定义基础层，作为后续结构的基础；步骤4
‑
2：以placeholder定义模型的输入；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；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；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；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；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；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；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。3.根据权利要求2所述基于小波包分解和1D
‑
CNN的继电器寿命预测方法，其特征在于：所述步骤4
‑...

【专利技术属性】
技术研发人员：王召斌，刘百鑫，尚尚，朱佳淼，陈康宁，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：