一种开关设备可靠性评价方法与流程

文档序号:11951196阅读:来源:国知局

技术特征:

1.一种开关设备可靠性评价方法,其特征在于,包括:

步骤S1,分别对开关设备产生的基础数据和运行数据进行预处理和初始化,并建立相应的向量对照表;

步骤S2,建立基础数据的树形结构,并使用递归神经网络进行建模;

步骤S3,建立运行数据的时序结构,并使用循环神经网络进行建模;

步骤S4,根据步骤S2、步骤S3建立的模型,建立损失函数,并进行模型训练;

步骤S5,结合所述向量对照表,进行模型推理,获得最终的风险估计。

2.根据权利要求1所述的开关设备可靠性评价方法,其特征在于,所述基础数据是指开关设备在投入运行之前产生的数据,所述运行数据是指在开关设备投入运行之后产生的数据。

3.根据权利要求1所述的开关设备可靠性评价方法,其特征在于,所述步骤S1中对所述基础数据和运行数据进行预处理包括:

将基础数据集和运行数据集的具体值投射到d维向量空间,将每个特征值用一个d维向量表示。

4.根据权利要求3所述的开关设备可靠性评价方法,其特征在于,所述步骤S1中对所述基础数据和运行数据进行初始化包括:

遍历基础数据和运行数据所有属性可能的取值,并为每个取值使用随机数初始化一个d维的向量。

5.根据权利要求1所述的开关设备可靠性评价方法,其特征在于,所述步骤S2具体包括:

步骤S21,根据基础数据的结构功能关系,将其所有属性结合建立树形结构;

步骤S22,将原始的树形结构转化为二叉树;

步骤S23,将二叉树映射到一个递归神经网络上;

步骤S24,进行递归神经网络的正向计算,直到计算到基础数据树形结构的根节点的隐含向量为止。

6.根据权利要求5所述的开关设备可靠性评价方法,其特征在于,所述步骤S22具体包括:

步骤S221,对于子节点大于两个的节点,依次在其两个子节点之间与其之间插入一个临时节点,并使此临时节点直接与其相连,同时临时节点作为其两个子节点的父节点。结果导致当前树枝的深度加一。

7.根据权利要求6所述的开关设备可靠性评价方法,其特征在于,还包括:

步骤S222,对于某个叶节点,若无法取得相关信息,则使用“未知”进行填充;若某分支节点的取值位未知,且其下的所有节点全为未知,则保留此分支节点,并去掉此节点下的全部节点,使分支节点变成一个叶节点,同时对此叶节点使用“未知”填充。

8.根据权利要求5所述的开关设备可靠性评价方法,其特征在于,所述步骤S23具体包括:

步骤S231,对照基础数据的树形结构,按照相同的结构建立递归神经网络;

步骤S232,按照叶节点具体的取值在所述向量对照表中取得对应的向量值L并代入递归神经网络的叶节点,若其中不含有某叶节点的具体取值,则使用“未知”属性所对应的向量代入,对于分支节点,使用维度为d的隐含向量表示。

9.根据权利要求5所述的开关设备可靠性评价方法,其特征在于,所述步骤S24具体包括:

使用随机数初始化模型参数,从最末端的叶节点开始一直递归计算,直到计算到基础数据树结构的根节点的隐含向量为止。

10.根据权利要求1所述的开关设备可靠性评价方法,其特征在于,所述步骤S3具体包括:

步骤S31,循环神经网络的初始隐含状态取递归神经网络的根节点的向量取值;

步骤S32,同时从所述向量对照表中取得对应时刻的事件向量值并代入输入,若其中不含有某叶节点的具体取值,则使用“未知”属性所对应的向量代入;

步骤S33,从0时刻起,每当有新的事件向量产生,则代入循环神经网络进行一次事件更新产生新的隐含向量。当获得最后一次事件更新后,解码最后一个隐含向量输出当前的风险值。

11.根据权利要求1所述的开关设备可靠性评价方法,其特征在于,所述步骤S4中,将所述步骤S2中递归神经网络和所述步骤S3中循环神经网络的全部参数记为θ,将模型的全部输入记为X,所建立的损失函数如下:

<mrow> <mi>l</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>&theta;</mi> <mo>)</mo> </mrow> <mo>:</mo> <mo>=</mo> <mo>-</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>:</mo> <msub> <mi>E</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow> </munder> <mo>(</mo> <mrow> <msub> <mover> <mi>y</mi> <mo>^</mo> </mover> <mrow> <mi>i</mi> <mo>,</mo> <mi>&theta;</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <munder> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>&Element;</mo> <mi>R</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </munder> <msup> <mi>e</mi> <mrow> <msub> <mover> <mi>y</mi> <mo>^</mo> </mover> <mrow> <mi>j</mi> <mo>,</mo> <mi>&theta;</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </msup> </mrow> <mo>)</mo> </mrow>

其中,Ei为标志函数,表示开关设备是否退役;R(Ti)为开关设备i退役时仍没有退役的开关设备合集,Xi为开关设备i的全部输入数据,为开关设备i的循环神经网络最后一个事件发生后解码产生的风险。

12.根据权利要求11所述的开关设备可靠性评价方法,其特征在于,所述步骤S4中使用梯度下降法对模型进行训练,对全部参数θ和全部输入X分别进行参数更新,并在达到指定的更新次数后停止模型训练。

13.根据权利要求1所述的开关设备可靠性评价方法,其特征在于,所述步骤S5具体包括:

步骤S51,对于训练好的递归神经网络进行模型推理时,对照开关设备的输入取值,在所述向量对照表中取得对应的属性向量和事件向量;

步骤S52,使用递归神经网络进行基础信息的融合和递归计算,直到获得根节点的值;

步骤S53,将递归神经网络根节点的值代入循环神经网络,作为其初始隐含状态,并按照时序取得开关设备运行过程中发生所有运行数据,代入所对应的事件向量进行循环计算,直到计算到最后一个隐含状态,并解码计算风险向量;

步骤S54,计算最大风险作为最终的风险估计。

当前第2页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1