基于性能退化分析与深度学习的接触器剩余寿命预测方法

1.本发明属于交流接触器剩余寿命预测技术领域，具体是一种基于性能退化分析与深度学习的接触器剩余寿命预测方法。


背景技术：

2.低压开关器件被广泛应用于电力控制系统，起着电能传输与分配的重要作用，因此保证低压开关器件长期有效工作是保障电力控制系统安全平稳运行的关键。交流接触器是电力行业广泛使用的一种低压开关器件，主要用于频繁接通交流主电路以及大容量控制电路，具有较强的通断能力。随着操作次数的增加，由于电气应力和机械应力引起的损耗不断累积，导致交流接触器的性能逐渐退化，达到寿命极限进而失效，交流接触器的失效将直接影响电力控制系统的运行，甚至会造成严重的安全问题与经济损失，因此预测剩余寿命将有利于交流接触器的使用与维护，保证其长期有效工作。电寿命是表征交流接触器可靠性的重要指标之一，对于交流接触器的剩余寿命(remaining useful life，rul)预测，不仅可以实时了解接触器的工作状态，还可以及时维修与更换，对电力系统的安全可靠运行具有重要意义。
3.李奎等人(李奎，李晓倍，郑淑梅等.基于bp神经网络的交流接触器剩余寿命预测[j].电工技术学报，2017，32(15)：120-127.)以累积燃弧能量和吸合时间为模型的输入参量，使用bp神经网络模型预测交流接触器的剩余寿命。申请号202011285586.2的中国专利公开了一种基于长短期记忆神经网络的交流接触器电寿命预测方法，通过构建基于深度长短期记忆神经网络的预测模型对交流接触器的剩余电寿命进行预测，但是存在预测精度较低等问题。
[0004]
现有技术对于交流接触器剩余寿命预测主要存在两个问题：一方面，大多数是假定交流接触器全寿命的退化趋势是单一的，而实际上接触器的退化趋势是非线性的，利用全寿命区间的数据进行剩余寿命预测容易忽略复杂的性能退化过程对结果的影响。另一方面，传统方法存在特征挖掘不够深入的问题，需要进一步挖掘特征和剩余寿命之间的深层联系，以提升预测精度。


技术实现要素：

[0005]
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于性能退化分析与深度学习的断路器剩余寿命预测方法。
[0006]
本发明解决所述技术问题采用的技术方案如下：
[0007]
一种基于性能退化分析与深度学习的接触器剩余寿命预测方法，其特征在于，该方法包括以下步骤：
[0008]
第一步、对交流接触器进行全寿命试验，获取触头电压、触头电流和线圈电流；提取包括燃弧时间、燃弧能量、接触电阻、接触压降、释放电压、累积燃弧能量和吸合时间在内的七个特征量；
[0009]
第二步、对特征量进行筛选，得到关键特征量，关键特征量包含接触压降、释放电压、接触电阻、累积燃弧能量和第一主成分；
[0010]
第三步、识别交流接触器的性能拐点，根据性能拐点将交流接触器的整个退化过程分为偶发故障期和耗损故障期；
[0011]
第四步、构建基于双注意力机制的预测模型，预测模型以长短时记忆网络为主干网络；利用预训练的预测模型，根据耗损故障期的数据对交流接触器剩余寿命进行预测；双注意力机制包括特征注意力机制和时间步注意力机制；
[0012]
在关键特征量输入长短时记忆网络之前，通过特征注意力机制为各个关键特征量赋予权重；假设预测模型t时刻的输入向量为β＝[β1,β2,
…
,βk]，k表示关键特征量的数量，则通过式(1)计算第k个关键特征量的特征注意力权重qk：
[0013]
qk＝tanh(w1*βk b1),k＝1,2,
…
,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]
其中，w1和b1分别为特征注意力机制的权重矩阵和偏置向量，tanh为激活函数；
[0015]
通过式(2)的softmax函数对第k个关键特征量的特征注意力权重进行归一化处理，得到特征注意力权重系数ak；所有关键特征量的特征注意力权重系数构成特征注意力权重向量a＝[a1,a2,
…
,ak]，且所有关键特征量的特征注意力权重系数之和为1；
[0016][0017]
根据式(3)将输入向量β与特征注意力权重向量a进行对应元素相乘，得到特征注意力层的输出o，o＝[o1,o2,
…
,ok]；
[0018][0019]
在长短时记忆网络之后，根据时间步注意力机制为长短时记忆网络各个时间步长赋予权重；假设长短时记忆网络输出的时间步长向量为γ＝[γ1,γ2,
…
,γj]
t
，j表示时间步长的数量，则通过式(4)计算第j个时间步长的时间注意力权重pj；
[0020]
pj＝tanh(w2*γj b2),j＝1,2,
…
,j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]
式中，w2和b2分别为时间步注意力机制的权重矩阵和偏置向量；
[0022]
根据式(5)对每个时间步长的时间注意力权重进行归一化处理，得到每个时间步长的时间注意力权重系数，dj为第j个时间步长的时间注意力权重系数；所有时间步长的时间注意力权重系数构成时间注意力权重向量d＝[d1,d2,
…
,dj]，所有时间步长的时间注意力权重系数之和为1；
[0023][0024]
根据式(6)将lstm输出的时间步长向量γ与时间注意力权重向量d进行对应元素相乘，得到时间注意力层的输出h，h＝[h1,h2,
…
,hj]；
[0025][0026]
最后，将时间注意力层的输出经过一个全连接层，得到基于双注意力机制的lstm预测模型的输出，即预测结果。
[0027]
与现有技术相比，本发明的显著进步和实质性特点是：
[0028]
(1)考虑到特征量对模型性能的影响，首先，通过主成分分析法(pca)对特征量进行降维，筛选出主成分，并与原有特征量构建全信息特征集合；其次，使用xgboost算法筛选与剩余寿命相关性较小的特征量；最后，使用spearman相关系数度量特征之间的相关性，消除冗余变量；将筛选得到的特征量作为关键特征量，对接触器的性能退化进行有效表征。
[0029]
(2)本发明使用改进的多尺度排列熵(mmpe)对接触器的性能退化趋势进行分析，识别接触器的性能拐点，根据性能拐点将接触器的整个性能退化过程分为偶发故障期和耗损故障期，利用耗损故障期的数据对接触器剩余寿命进行预测，使得预测结果更加准确，同时克服了选取性能退化拐点具有主观性和趋势性差异大的问题。
[0030]
(3)建立了双注意力机制的预测模型，预测模型以长短时记忆网络lstm为主干网络，在关键特征量输入到预测模型之前，通过特征注意力机制对不同关键特征量赋予不同权重；常规的长短时记忆网络只利用最后一个时间步长学习到的特征进行回归，对于lstm生成的隐藏状态来说，其对时间依赖性的关注不足，这样就忽略了其他时间步长所学习到的内容；由于交流接触器的特征量对时间具有较强依赖性，每个时间步长所学习到的特征都会对rul预测结果有一定贡献；因此，在lstm之后根据时间步注意力机制为各个时间步长分配权重，进一步提高预测精度。
[0031]
(4)试验结果表明，性能退化分析和双注意力机制均能够有效提高交流接触器剩余寿命的预测精度。
附图说明
[0032]
图1为本发明的整体流程图；
[0033]
图2为特征注意力机制的结构示意图；
[0034]
图3为时间步注意力机制的结构示意图；
[0035]
图4为基于双注意力机制的预测模型的结构示意图；
[0036]
图5为交流接触器电寿命试验系统的结构框图；
[0037]
图6为触头电压/电流的波形图；
[0038]
图7为线圈电流的波形图；
[0039]
图8为特征量的重要性得分柱状图；
[0040]
图9为不同尺度因子下#4交流接触器触头电压序列的排列熵；
[0041]
图10为#4交流接触器的性能拐点结果图；
[0042]
图11为#7交流接触器的性能拐点结果图；
[0043]
图12为特征注意力权重和时间注意力权重的可视化结果图；
[0044]
图13(a)为#1交流接触器剩余寿命预测结果图；
[0045]
图13(b)为#2交流接触器剩余寿命预测结果图；
[0046]
图13(c)为#3交流接触器剩余寿命预测结果图；
[0047]
图13(d)为#4交流接触器剩余寿命预测结果图；
[0048]
图13(e)为#5交流接触器剩余寿命预测结果图；
[0049]
图13(f)为#6交流接触器剩余寿命预测结果图；
[0050]
图13(g)为#8交流接触器剩余寿命预测结果图；
[0051]
图13(h)为#9交流接触器剩余寿命预测结果图；
[0052]
图14为#7交流接触器剩余寿命预测结果图；
[0053]
图15(a)为不同预测模型平均绝对误差的箱线图；
[0054]
图15(b)为不同预测模型均方根误差的箱线图。
具体实施方式
[0055]
下面结合附图和实施例对本发明的技术方案作进一步说明，但并不作为本发明保护范围的限定。
[0056]
本发明为一种基于性能退化分析与深度学习的接触器剩余寿命预测方法(简称方法)，该方法包括以下步骤：
[0057]
第一步、使用交流接触器电寿命试验系统进行交流接触器全寿命试验，获取触头电压、触头电流和线圈电流；提取包括燃弧时间、燃弧能量、接触电阻、接触压降、释放电压、累积燃弧能量和吸合时间在内的七个特征量；
[0058]
第二步、对特征量进行筛选，得到关键特征量，关键特征量作为预测模型的输入；
[0059]
为了综合全面考虑不同特征量反映的重要信息，首先，利用主成分分析法(pca)对第一步提取的七个特征量进行降维，保留累计贡献率大于85％的主成分，将保留的主成分作为新特征量与原始的七个特征量共同构成全信息特征集合；其次，利用xgboost算法筛选出与rul不相关或相关性较小的特征量，将这些特征量丢弃；最后，利用spearman秩相关系数法衡量剩余特征量两两之间的相关性，删除相关性较大的两个特征量其中的一个，以消除冗余变量，减少预测模型的训练时间；将再次剩余的特征量作为关键特征量用于交流接触器的剩余寿命预测，关键特征量包含接触压降、释放电压、接触电阻、累积燃弧能量和第一主成分；
[0060]
第三步、使用mmpe(modified multi-scale permutation entropy)算法对交流接触器性能退化过程进行分析，计算触头电压序列的多尺度排列熵，将多尺度排列熵均值大于拐点识别阈值的点视为性能拐点，根据性能拐点将交流接触器的整个退化过程分为偶发故障期和耗损故障期，性能拐点左侧区间为偶发故障期，性能拐点右侧区间为耗损故障期；将耗损故障期的数据用于交流接触器剩余寿命预测；
[0061]
第四步、构建基于双注意力机制的预测模型，利用预训练的预测模型对交流接触器剩余寿命进行预测；双注意力机制包括特征注意力机制和时间步注意力机制；
[0062]
4-1通过特征注意力机制为第二步得到的各个关键特征量赋予不同权重，重要的关键特征量赋予更大的权重，以提高rul预测精度；如图2所示，假设预测模型t时刻的输入向量为β＝[β1,β2,
…
,βk]，k表示关键特征量的数量，则通过式(1)计算第k个关键特征量的特征注意力权重qk：
[0063]
qk＝tanh(w1*βk b1),k＝1,2,
…
,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0064]
其中，w1和b1分别为特征注意力机制的权重矩阵和偏置向量，tanh为激活函数；
[0065]
通过式(2)的softmax函数对第k个关键特征量的特征注意力权重进行归一化处理，得到特征注意力权重系数ak；所有关键特征量的特征注意力权重系数构成特征注意力权重向量a＝[a1,a2,
…
,ak]，且所有关键特征量的特征注意力权重系数之和为1；
[0066][0067]
根据式(3)将输入向量β与特征注意力权重向量a进行对应元素相乘，得到特征注意力层的输出o，o＝[o1,o2,
…
,ok]；
[0068][0069]
4-2由于交流接触器的剩余寿命预测具有时间依赖性，因此选用长短时记忆网络lstm作为预测网络，长短时记忆网络包含两个lstm层；将特征注意力层的输出作为长短时记忆网络的输入，经过长短时记忆网络学习深层特征，得到长短时记忆网络的时间步向量；
[0070]
4-3常规的lstm只利用最后一个时间步长学习到的特征进行回归，对于lstm生成的隐藏状态来说，其对时间依赖性的关注不足，这样就忽略了其他时间步长所学习到的内容；由于交流接触器的特征量对时间具有较强依赖性，每个时间步长所学习到的特征都会对rul预测结果有一定贡献；因此，在lstm之后根据时间步注意力机制为各个时间步长分配权重，进一步提高预测精度；
[0071]
如图3所示，假设lstm学习到的更深层特征fd对应的时间步长向量为γ＝[γ1,γ2,
…
,γj]
t
，j表示时间步长的数量，则通过式(4)计算第j个时间步长的时间注意力权重pj；
[0072]
pj＝tanh(w2*γj b2),j＝1,2,
…
,j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0073]
式中，w2和b2分别为时间步注意力机制的权重矩阵和偏置向量；
[0074]
根据式(5)对每个时间步长的时间注意力权重进行归一化处理，得到每个时间步长的时间注意力权重系数，dj为第j个时间步长的时间注意力权重系数；所有时间步长的时间注意力权重系数构成时间注意力权重向量d＝[d1,d2,
…
,dj]，所有时间步长的时间注意力权重系数之和为1；
[0075][0076]
根据式(6)将lstm输出的时间步长向量γ与时间注意力权重向量d进行对应元素相乘，得到时间注意力层的输出h，h＝[h1,h2,
…
,hj]；
[0077][0078]
最后，将时间注意力层的输出经过一个全连接层，得到基于双注意力机制的lstm预测模型的输出，即预测结果。
[0079]
实施例1
[0080]
图5为交流接触器电寿命试验系统的结构框图，该系统包括工控机(610h型)、pci-1712多功能数据采集卡、霍尔电流传感器、霍尔电压传感器、固态继电器、接触器试品、阻感负载和开关电源。试验过程中由工控机操控pci-1712多功能数据采集卡的数字输出功能，驱动由固态继电器组成的控制电路，从而实现对被试品(触头)与陪试品(线圈)的控制；选用霍尔电压传感器和霍尔电流传感器测量触头电压和触头电流；系统的采样频率为1khz，通电时间为80ms。
[0081]
标准gb 14048.4—2010规定了不同使用类别下验证交流接触器电寿命的接通和分断条件，其中适用于交流的使用类别有4种，本系统在ac-4类别下进行交流接触器rul预测，交流接触器电寿命试验条件如表1所示；
[0082]
表1电寿命试验条件
[0083][0084]
本实施例的基于性能退化分析与深度学习的接触器剩余寿命预测方法，包括以下步骤：
[0085]
第一步、使用交流接触器电寿命试验系统对9台交流接触器进行全寿命试验，获取每台交流接触器的触头电压、触头电流以及线圈电流；图6、7为某台交流接触器进行一次操作的试验波形图，从t1时刻起，交流接触器的线圈开始上电，在电磁作用下带动触头开始运动；t1到t2时刻交流接触器处于动态吸合状态；从t2到t3时刻，交流接触器的触头一直处于吸合状态；从t3到t4时刻，触头处于动态分断状态，t4时刻之后触头完全分断，交流接触器完成一次闭合分断操作；
[0086]
根据触头电压、触头电流以及线圈电流的波形图，提取与交流接触器性能相关的特征量，包括燃弧时间、燃弧能量、接触电阻、接触压降、释放电压、累积燃弧能量和吸合时间；各特征量的计算方式如下：
[0087]
(1)燃弧时间tr：从起弧时刻t1起到熄弧时刻t2为止，起弧时刻为触头电压不为零的时刻，熄弧时刻为触头电流为零的时刻，则tr＝t
2-t1；
[0088]
(2)燃弧能量e：燃弧时间内电弧所产生的能量，u(t)为触头电压，i(t)为触头电流；
[0089]
由于试验过程中触头电压和触头电流数据是离散的，因此将触头电压和触头电流的每个采样点的值记为un与in，则燃弧能量可表示为：其中，δt为相邻两个采样点的时间间隔，fs为采样速率，a为起弧时刻离散点un和in对应的序号，b为熄弧时刻离散点un和in对应的序号；
[0090]
(3)接触电阻：对交流接触器每次触头稳定闭合后的电压、电流进行分析，以均方根法计算每次动作下各相的接触电阻；
[0091]
(4)接触压降：在每次循环的接通期的40％时间内，监测触头接通时触头两端压降的有效值；
[0092]
(5)分断电压：在每次循环的分断期的40％时间内，监测触头分断时触头电压的有效值；
[0093]
(6)累积燃弧能量ce：为所有单次试验燃弧能量累积的全部燃弧能量，m为试验次数，em为第m次试验的燃弧能量；
[0094]
(7)吸合时间：从线圈通电到触头第一次接触的时间间隔；
[0095]
在进行电寿命试验过程中，闭合超限的判定为接通时触头压降超过触头回路电源电压的10％；分断超限的判定为分断时触头电压低于触头回路电源电压的90％；当累计超限次数达到20次或连续超限次数超过5次，则认为交流接触器的寿命终结；各个交流接触器的电寿命信息如表2所示。
[0096]
表2交流接触器的电寿命信息
[0097][0098]
第二步、以#4交流接触器为例，接触压降、释放电压、吸合时间、接触电阻、燃弧时间、燃弧能量和累积燃弧能量依次记作f1～f7，这7个特征量组成特征集合f＝{f1,f2,
…
,f7}；首先，利用主成分分析法(pca)对特征集合进行降维，得到七个主成分；其中，前三个主成分的贡献率分别为54.51％、22.06％和10.34％，其累计贡献率大于85％，因此保留前三个主成分，将前三个主成分依次记为f8～f10，这三个主成分与原始的7个特征量共同构成全信息特征集合f'＝{f,f8,f9,f
10
}＝{f1,f2,
…
,f
10
}；其次，利用xgboost算法计算每个特征量与rul的重要性得分(f-score)，得到如图8所示的结果；将重要性得分较小的特征量丢弃；最后，利用spearman秩相关系数法计算剩余特征量两两之间的相关性，删除相关性较大的两个特征量其中的一个，最终得到的关键特征量包含接触压降、释放电压、接触电阻、累积燃弧能量和第一主成分。
[0099]
第三步、一般而言，交流接触器整个寿命周期可划分为偶发故障期和耗损故障期，不同时期的特征信息与交流接触器退化趋势不同，为了分别对交流接触器偶发故障期和耗损故障期包含的特征信息进行研究，通过mmpe算法对交流接触器性能退化过程进行分析，计算触头电压序列的多尺度排列熵(mmpe)和多尺度排列熵均值；设置尺度因子最大值为10，图9为不同尺度因子下#4交流接触器的触头电压序列的排列熵；为了更好地进行突变检测，找到性能拐点对应的最佳位置，设置拐点识别阈值为0.45，将多尺度排列熵均值大于拐点识别阈值的点视为性能拐点，根据性能拐点将交流接触器退化过程分为偶发故障期和耗损故障期；图10、11分别为#4、#7交流接触器的性能拐点结果图；
[0100]
考虑到性能拐点接近的交流接触器在进入耗损故障期后也具有类似的退化规律与趋势，因此将性能拐点接近的交流接触器分为一组，故将9个交流接触器分为4组，得到4个数据集，各个数据集信息如表3所示。
[0101]
表3各个数据集信息
[0102][0103]
第四步、构建基于双注意力机制的预测模型，双注意力机制包括特征注意力机制和时间步注意力机制；特征注意力机制为各个关键特征量分配不同权重，时间步注意力机制为lstm输出的各个时间步长学习到的内容分配不同权重，图12为特征注意力权重与时间注意力权重的可视化结果；
[0104]
为了消除不同特征量的量纲之间的影响，采用极差归一化法对关键特征量和标签进行归一化，其表达式为：
[0105][0106]
式中，x
max
、x
min
分别为变量x的最大值和最小值；
[0107]
取各个交流接触器性能拐点之后的数据，并通过滑动窗口法生成样本；
[0108]
训练参数设置：将长短时记忆网络lstm作为预测模型的主干网络，将关键特征量作为预测模型的输入，输入维度为5，以rul值作为标签；长短时记忆网络包含两个lstm层，两个letm层的隐藏层单元分别设置为128和64，学习率为0.0001；全连接层的隐藏节点设置为1，dropout比例设置为0.3和0.1，批次大小设置为32，迭代次数设为50，数据集q1～q4对应的时间步长依次为5、5、20、20；损失函数采用mse；
[0109]
将每个数据集中第一个交流接触器的数据作为训练集，另一个交流接触器的数据作为测试集，基于双注意力机制的预测模型进行训练，并利用adam优化器进行优化；利用训练后的预测模型对各个交流接触器进行rul预测，结果如图13(a)～(h)所示；从图13中可以看出，各个交流接触器的rul预测值与真实值较为接近。
[0110]
对于数据集q3而言，将#5、#6交流接触器的数据作为训练集，#7交流接触器的数据作为测试集；将均方根误差(rmse)和平均绝对误差(mae)作为评价指标，用于评价预测模型的性能，这两个评价指标均能反映交流接触器剩余寿命预测结果的准确性，rmse和mae越小，说明预测精度越高。图14为#7交流接触器的rul预测图，用#5交流接触器的数据作为训练集对#7交流接触器进行rul进行预测时，mae值153.76，rmse值181.06；用#6交流接触器的数据作为训练集对#7交流接触器进行rul进行预测时，mae值121.55，rmse值153.03，显然，用#6交流接触器的数据作为训练集时，预测误差更小，拟合程度最好。原因是，相对于#5交流接触器而言，#6交流接触器的性能拐点与#7交流接触器更接近，#6交流接触器与#7交流接触器在性能拐点之后的退化趋势更加相似。
[0111]
消融实验
[0112]
为了进一步验证本方法基于性能退化分析和双注意力机制对rul预测的影响，分别利用lstm、da-lstm、mmpe-lstm和本方法(proposed)进行消融实验；其中，lstm表示以常规的长短时记忆网络为预测模型，利用交流接触器全寿命区间的数据进行剩余寿命预测；da-lstm表示在lstm基础上添加本发明的双注意力机制构建预测模型，利用交流接触器全
寿命区间的数据进行剩余寿命预测；mmpe-lstm表示以常规的长短时记忆网络为预测模型，利用性能拐点之后的数据进行剩余寿命预测；预测结果见表4和图15(a)、(b)，表4中数据为所有试品的两个评价指标均值，图15(a)、(b)是箱线图，自下而上5条横线分别代表最小值、第一四分位数、中位数、第三四分位数与最大值。由实验结果可以看出，就整体而言，lstm性能最差，proposed方法的性能优于da-lstm和mmpe-lstm，这表明性能退化分析和双注意力机制对交流接触器剩余寿命预测均起到了作用。进一步对比可以发现，lstm和da-lstm的预测误差大于mmpe-lstm和proposed方法。如表4所示，相较于da-lstm方法，proposed方法rul预测结果的mae和rmse分别减小了413.10次和520.32次，显然是性能拐点检测发挥了作用，利用性能拐点之后的数据进行剩余寿命预测，有利于提高预测精度；相较于mmpe-lstm方法，proposed方法的误差更小，表明双注意力机制发挥了作用，进一步提高了预测精度。
[0113]
表4消融实验结果
[0114][0115]
对比实验
[0116]
采用现有技术常见的bp神经网络、elman神经网络、支持向量回归(svr)、门控循环单元(gru)、卷积神经网络(cnn)以及双向长短时网络(bilstm)和本发明方法(proposed)，利用四个数据集对交流接触器的剩余寿命进行预测，得到如表5所示的预测结果。所有方法都是建立在性能退化分析的基础上，即都是利用性能拐点之后的数据进行训练和预测，并且对每个数据集的预测结果评价指标取均值。
[0117]
表5对比试验结果
[0118][0119]
bp神经网络、elman神经网络和支持向量回归代表了浅层机器学习算法，gru、cnn和bilstm代表了传统深度学习算法，将浅层机器学习算法、传统深度学习算法和本发明方法在四个数据集上的预测误差取均值，则有浅层机器学习算法的mae为192.36，rmse为233.62；传统深度学习算法的mae为164.72，rmse为184.98；本发明方法的mae为148.44，rmse为167.14。显然，相较于浅层机器学习和传统深度学习算法，本发明方法rul预测结果的mae分别降低了44次和16次，rmse分别降低了66次和17次，进一步说明了本发明方法能较为精确地预测交流接触器剩余寿命。
[0120]
上述步骤均采用matlab和pycharm软件实现，matlab和pycharm软件是本技术领域
的技术人员所熟知的。本实施例模型建立在keras深度学习库中，编程语言为python。
[0121]
本发明未述及之处适用于现有技术。

技术特征：
1.一种基于性能退化分析与深度学习的接触器剩余寿命预测方法，其特征在于，该方法包括以下步骤：第一步、对交流接触器进行全寿命试验，获取触头电压、触头电流和线圈电流；提取包括燃弧时间、燃弧能量、接触电阻、接触压降、释放电压、累积燃弧能量和吸合时间在内的七个特征量；第二步、对特征量进行筛选，得到关键特征量，关键特征量包含接触压降、释放电压、接触电阻、累积燃弧能量和第一主成分；第三步、识别交流接触器的性能拐点，根据性能拐点将交流接触器的整个退化过程分为偶发故障期和耗损故障期；第四步、构建基于双注意力机制的预测模型，预测模型以长短时记忆网络为主干网络；利用预训练的预测模型，根据耗损故障期的数据对交流接触器剩余寿命进行预测；双注意力机制包括特征注意力机制和时间步注意力机制；在关键特征量输入长短时记忆网络之前，通过特征注意力机制为各个关键特征量赋予权重；假设预测模型t时刻的输入向量为β＝[β1,β2,
…
,β
k
]，k表示关键特征量的数量，则通过式(1)计算第k个关键特征量的特征注意力权重q
k
：q
k
＝tanh(w1*β
k
b1),k＝1,2,
…
,k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，w1和b1分别为特征注意力机制的权重矩阵和偏置向量，tanh为激活函数；通过式(2)的softmax函数对第k个关键特征量的特征注意力权重进行归一化处理，得到特征注意力权重系数a
k
；所有关键特征量的特征注意力权重系数构成特征注意力权重向量a＝[a1,a2,
…
,a
k
]，且所有关键特征量的特征注意力权重系数之和为1；根据式(3)将输入向量β与特征注意力权重向量a进行对应元素相乘，得到特征注意力层的输出o，o＝[o1,o2,
…
,o
k
]；在长短时记忆网络之后，根据时间步注意力机制为长短时记忆网络各个时间步长赋予权重；假设长短时记忆网络输出的时间步长向量为γ＝[γ1,γ2,
…
,γ
j
]
t
，j表示时间步长的数量，则通过式(4)计算第j个时间步长的时间注意力权重p
j
；p
j
＝tanh(w2*γ
j
b2),j＝1,2,
…
,j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，w2和b2分别为时间步注意力机制的权重矩阵和偏置向量；根据式(5)对每个时间步长的时间注意力权重进行归一化处理，得到每个时间步长的时间注意力权重系数，d
j
为第j个时间步长的时间注意力权重系数；所有时间步长的时间注意力权重系数构成时间注意力权重向量d＝[d1,d2,
…
,d
j
]，所有时间步长的时间注意力权重系数之和为1；
根据式(6)将lstm输出的时间步长向量γ与时间注意力权重向量d进行对应元素相乘，得到时间注意力层的输出h，h＝[h1,h2,
…
,h
j
]；最后，将时间注意力层的输出经过一个全连接层，得到基于双注意力机制的lstm预测模型的输出，即预测结果。2.根据权利要求1所述的基于性能退化分析与深度学习的接触器剩余寿命预测方法，其特征在于，第三步中，根据改进的多尺度排列熵算法计算触头电压序列的多尺度排列熵，将多尺度排列熵均值大于拐点识别阈值的点视为性能拐点，拐点识别阈值为0.45。3.根据权利要求1所述的基于性能退化分析与深度学习的接触器剩余寿命预测方法，其特征在于，第二步中，首先，利用主成分分析法对七个特征量进行降维，得到七个主成分；前三个主成分的累计贡献率大于85％，因此保留前三个主成分，这三个主成分与原始的七个特征量共同构成全信息特征集合；其次，利用xgboost算法计算每个特征量与交流接触器剩余寿命的重要性得分；将重要性得分较小的特征量丢弃；最后，利用spearman秩相关系数法衡量剩余特征量两两之间的相关性，删除相关性较大的两个特征量其中的一个，再次剩余的特征量即为关键特征量。

技术总结
本发明为一种基于性能退化分析与深度学习的接触器剩余寿命预测方法，首先提取了与交流接触器寿命相关的特征量，再从多个特征量中提取关键特征量；其次，对交流接触器性能退化过程进行分析，计算触头电压序列的多尺度排列熵，识别性能拐点，根据性能拐点将交流接触器的整个退化过程分为偶发故障期和耗损故障期；最后，建立基于双注意力机制的预测模型，预测模型以长短时记忆网络为主干网络，双注意力机制包括特征注意力机制和时间步注意力机制；利用预训练的预测模型，根据耗损故障期的数据对交流接触器剩余寿命进行预测。该方法同时关注与交流接触器剩余寿命相关的关键特征量和各个时间步长学习到的内容，提高了预测精度。提高了预测精度。提高了预测精度。


技术研发人员：孙曙光 刘金发 王景芹 陈帆 魏硕 邵旭 孙靓 刘昊林 高辉
受保护的技术使用者：河北工业大学
技术研发日：2022.02.18
技术公布日：2022/5/25