本发明涉及电子元器件寿命预测,尤其涉及一种基于lstm的剩余电流动作断路器寿命预测方法。
背景技术:
1、剩余电流动作断路器是电力系统中保护用电人员人身安全,预防漏电事故的关键电器。所以对剩余电流动作断路器提出了高可靠性的要求。随着时间的推移,由于其内部电子器件的老化,剩余电流动作断路器的性能会逐渐退化,最终无法正常工作,给用电者带来了巨大的安全隐患。因此,对剩余电流动作断路器进行寿命预测,对保障电力系统的可靠运行具有重要意义。
2、对于剩余电流动作断路器来说,基于失效物理的寿命预测方法需要分别研究产品内部元器件的退化机理,抽象出产品退化的数学表达式,实现起来较为复杂,且建模精度难以得到保障;而退化轨迹建模的寿命预测方法需要通过拟合得出退化轨迹的数学表达式,从可操作性来说,一般采用线性拟合外推得到伪失效寿命数据,但是实际产品的退化过程具有一定的随机性,且不同产品退化轨迹不同,只采用线性拟合的方法具有较强的局限性,普适性较差。同时,实际产品的退化轨迹并非严格遵守线性规律,采用轨迹拟合的方法具有较大的误差。
技术实现思路
1、本发明旨在至少解决相关技术中存在的技术问题之一。为此,本发明提供一种基于lstm的剩余电流动作断路器寿命预测方法。
2、本发明提供一种基于lstm的剩余电流动作断路器寿命预测方法,包括:
3、s1:搭建加速试验平台,对剩余电流动作断路器进行加速退化试验,获得退化数据,将所述退化数据划分为训练集和测试集;
4、s2:以所述训练集为输入向量,基于lstm搭建第一神经网络,其中所述训练集为所述退化数据中的剩余动作电流退化轨迹;
5、s3:定义所述第一神经网络的神经网络参数,通过概率代理模型拟合目标函数并通过采样函数寻优所述神经网络参数的参数点,以优化所述神经网络参数;
6、s4:根据优化后的神经网络参数对所述第一神经网络进行训练,获得第二神经网络;
7、s5:将所述测试集输入至所述第二神经网络,获得剩余电流动作断路器的寿命预测结果。
8、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s1中所述加速试验平台通过调温调湿箱提供加速应力。
9、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s2还包括:
10、通过max-min方法对所述输入向量进行归一化处理。
11、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s4中所述第一神经网络训练过程包括正向计算模型输出、误差项反向传播和根据误差项计算梯度。
12、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s3中所述概率代理模型通过高斯过程完成拟合目标函数,所述概率代理模型的高斯分布的表达式为:
13、
14、其中,为通过增加高斯分布维数获得的目标函数,为高斯过程,为目标函数期望,为协方差函数。
15、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s3中所述采样函数的表达式为:
16、
17、其中,为采样函数,为采样函数期望,为采样函数寻优过程中的当前最优值,为标准差,为期望提升度,标准正态分布的分布函数,为标准正态分布的概率密度函数。
18、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s4中优化后的神经网络参数对应的函数的后验分布表达式为:
19、
20、其中,为优化后的神经网络参数对应的函数的后验分布,为优化后的神经网络参数对应的函数的似然分布,为优化后的神经网络参数对应的函数的先验分布,为优化后的神经网络参数对应的函数的边际似然分布。
21、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s2中搭建的第一神经网络以均方根误差为训练效果评价指标,所述均方根误差的表达式为:
22、
23、其中,为均方根误差,为训练数据个数,为索引值,为输出真实值,为输出预测值。
24、根据本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,步骤s3中所述第一神经网络的神经网络参数包括学习率、lstm层数及lstm神经元个数。
25、本发明提供的一种基于lstm的剩余电流动作断路器寿命预测方法,对lstm神经网络的超参数进行了寻优,解决了模型超参数选择问题,有效提高了模型预测精度,同时本发明在处理时间序列数据时具有较高的精度,在短训练集的长期预测中有不错的表现,稳定性较强,而对于剩余动作电流数据序列具有较强的时序性,本发明能够引入历史数据信息,在时间序列预测中具有较高的预测精度和较强的稳定性,能够较好应用于剩余动作电流数据的预测中。
26、本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s1中所述加速试验平台通过调温调湿箱提供加速应力。
3.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s2还包括:
4.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s4中所述第一神经网络训练过程包括正向计算模型输出、误差项反向传播和根据误差项计算梯度。
5.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s3中所述概率代理模型通过高斯过程完成拟合目标函数,所述概率代理模型的高斯分布的表达式为:
6.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s3中所述采样函数的表达式为:
7.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s4中优化后的神经网络参数对应的函数的后验分布表达式为:
8.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s2中搭建的第一神经网络以均方根误差为训练效果评价指标,所述均方根误差的表达式为:
9.根据权利要求1所述的一种基于lstm的剩余电流动作断路器寿命预测方法,其特征在于,步骤s3中所述第一神经网络的神经网络参数包括学习率、lstm层数及lstm神经元个数。