继电器衔铁运动状态检测方法、装置、设备及介质与流程

本发明涉及一种继电器技术领域，尤其涉及一种继电器衔铁运动状态检测方法、装置、设备及介质。

背景技术：

继电器主要由衔铁、线圈和触点组成，根据线圈的通断电以及通电大小控制衔铁与触点的配合。因此通过获取衔铁运动状态数据，可以实现对继电器的各种性能的把控，这些性能包括继电器本身的性能例如寿命、一致性等，还包括对使用场景通断电的精确控制等。

现有对衔铁运动状态研究是通过对继电器进行建模，这种方式需要较长的建模过程，而且其结果仅适用于实验室环境，很难在实际工况中稳定运用。

技术实现要素：

为了克服现有技术的不足，本发明的目的之一在于提供一种继电器衔铁运动状态检测方法，其通过对继电器线圈进行建模，进而获取衔铁的运动状态信息。

本发明的目的之一采用以下技术方案实现：

一种继电器衔铁运动状态检测方法，包括以下步骤：

获取样本数据，所述样本数据为对继电器线圈端进行多次采样，获得的线圈端数据；

获取衔铁运动状态对应的真实时间信息，根据所述样本数据和真实时间信息构建关系模型，所述关系模型为线圈端数据与衔铁运动状态的数学关系；

根据检测数据以及所述关系模型对衔铁运动状态进行预测，得到所述检测数据对应的衔铁运动状态的预测时间信息，所述检测数据为在衔铁运动状态检测时获取的线圈端数据。

进一步地，所述样本数据和检测数据为基础参数或/和变换参数，所述基础参数为低频电流ilow、高频电流ihigh、电压u中的一种或多种，所述变换参数为一个或一个以上的基础参数经过计算得到的衍生参数。

进一步地，所述变换参数为线圈等效阻抗、线圈瞬态感抗、电压变化率和电流变化率中的一种或多种。

进一步地，所述关系模型为机器学习模型。

进一步地，所述构建关系模型，包括特征标注步骤和模型训练步骤，其中：

所述特征标注步骤，包括：

对衔铁运动过程中的状态进行描述；

其中，m表示衔铁运动状态中的状态描述集合，mh代表衔铁运动状态中的第h个状态描述，h为状态描述的总数；

对状态描述集合的所有状态描述分别通过实验方式找到整个运动过程中对应的真实时间信息；其中衔铁运动状态中的第i个状态描述mi对应真实时间信息1≤i≤h；

所述模型训练步骤，包括：

创建关系模型，以样本数据作为输入，作为真实标签对关系模型进行训练，得到预测输出表示为其中，s为样本数据，algi(s)为衔铁运动状态中的第i个状态描述与线圈端数据之间的关系模型；

计算预测输出和真实标签之间的误差，如果所述误差大于预设的阈值，则衔铁运动状态中的第i个状态描述与线圈端数据之间的关系模型即为algi(s)，反之，则继续通过样本数据对algi(s)进行训练，直至预测输出和真实标签之间的误差不大于预设的阈值；

依此方法得到衔铁运动状态中的所有状态描述的关系模型：

alg(s)为衔铁运动状态的关系模型集合。

进一步地，所述关系模型为小波变换模型；

所述构建关系模型，包括：

通过实验方式，获取衔铁运动状态对应的真实时间信息时的样本数据，并通过傅里叶变换，将所述衔铁运动状态对应的真实时间信息时的样本数据展开，得到样本展开数据；

以所述样本展开数据建立小波基；

通过检测小波基建立衔铁运动状态和线圈端数据的数学关系。

进一步地，所述衔铁运动状态为多个，对每个衔铁运动状态分别建立小波基，通过检测每个衔铁运动状态对应的小波基建立每个衔铁运动状态和线圈端数据的数学关系。

本发明的目的之二在于提供一种继电器衔铁运动状态检测装置，其通过对继电器线圈进行建模，进而得到衔铁的运动状态。

本发明的目的之二采用以下技术方案实现：

一种继电器衔铁运动状态检测装置，其包括：

数据获取模块，用于获取样本数据，所述样本数据为对继电器线圈端进行多次采样，获得的线圈端数据；

模型构建模块，用于获取衔铁运动状态对应的真实时间信息，根据所述样本数据和真实时间信息构建关系模型，所述关系模型为线圈端数据与衔铁运动状态的数学关系；

结果输出模块，用于根据检测数据以及所述关系模型对衔铁运动状态进行预测，得到所述检测数据对应的衔铁运动状态的预测时间信息，所述检测数据为在衔铁运动状态检测时获取的线圈端数据。

本发明的目的之三在于提供执行发明目的之一的电子设备，其包括处理器、存储介质以及计算机程序，所述计算机程序存储于存储介质中，所述计算机程序被处理器执行时实现上述的继电器衔铁运动状态检测方法。

本发明的目的之四在于提供存储发明目的之一的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的继电器衔铁运动状态检测方法。

相比现有技术，本发明的有益效果在于：

本发明通过对继电器线圈端的采样数据进行研究，获取线圈端数据与衔铁运动状态之间的联系，为研究继电器运动状态提供了高效可靠的参数支持，摒弃了现有数学建模的繁琐。

附图说明

图1是本发明继电器衔铁运动状态检测方法的原理图；

图2是实施例一的继电器衔铁运动状态检测方法的流程图；

图3是实施例三的继电器衔铁运动状态检测方法的流程；

图4是实施例五的继电器衔铁运动状态检测装置的结构框图；

图5是实施例六的电子设备的结构框图。

具体实施方式

以下将结合附图，对本发明进行更为详细的描述，需要说明的是，下参照附图对本发明进行的描述仅是示意性的，而非限制性的。各个不同实施例之间可以进行相互组合，以构成未在以下描述中示出的其他实施例。

实施例一

实施例一提供了一种继电器衔铁运动状态检测方法，旨在通过对线圈端进行数据采集，进而推算线圈端数据与继电器内部衔铁运动之间的关系，通过这种方式，能够有效地了解继电器在吸合释放过程中衔铁运动的状态，代替繁琐的数学建模过程，从而对继电器各方面的性能进行掌握。

请参照图1所示，磁场的畸变即磁场扰动与衔铁运动是一一对应的，衔铁运动会带来磁场扰动，而磁场扰动又会导致线圈端数据的变化，因此，通过现象对现象的结果即可分析出线圈端数据的变化与衔铁运动之间的关系。

根据上述原理，搭建关系模型，从而实现采集线圈端数据输入至关系模型即可得出衔铁的运动状态，或者倒推也是成立的，即如果需要得到衔铁的某个运动状态，则只需要将线圈端数据调整到某个值即可。

请参照图2所示，一种继电器衔铁运动状态检测方法，其包括以下步骤：

s110、获取样本数据，所述样本数据为对继电器线圈端进行多次采样，获得的线圈端样本数据。

这些样本数据可以是在衔铁的一个运动过程(继电器吸合→断开→吸合)中，以固定或不固定的频率进行多次数据采集，也可以是在多个运动周期进行多次数据采集，这里不做限定。数据采集越多，最终得出的关系模型也就越准确。衔铁运动状态有一个或多个，其包括但不限于衔铁开始运动点ap、衔铁与触点开始接触点cp、衔铁与触点紧密接触点tcp等。

s120、获取衔铁运动状态对应的真实时间信息，根据所述样本数据和真实时间信息构建关系模型，所述关系模型为线圈端数据与衔铁运动状态的数学关系。

获取衔铁运动状态对应的真实时间信息是通过实验方式得到的，这个真实时间信息并不是一个绝对时间，而是相对某一个时间点而言的相对时间，例如，以衔铁与触点开始接触点cp为例，当电压达到该继电器吸合电压时开始计时为t0，同时在负载端施加某个电压(例如12v)，当衔铁与触点开始接触时，继电器被导通，则可以测得线圈端样本数据的变化，此时计时为t1，则t1即为cp点发生的时刻，这个时刻记为cp点对应的真实时间信息，由此可以看出，t1是随着t0的不同而发生改变的。

这里不限定关系模型的表现方式，只要能表征线圈端数据与衔铁运动状态的数学算法均可，需要说明的是，这里表征线圈端数据与衔铁运动状态的数学算法是以衔铁运动状态的时间信息进行的，即通过该关系模型，可以预测任意线圈端数据时对应的衔铁运动状态的时间信息，即预测时间信息。

s130、根据检测数据以及所述关系模型对衔铁运动状态进行预测，得到所述检测数据对应的衔铁运动状态的预测时间信息，所述检测数据为在衔铁运动状态检测时获取的线圈端数据。

由于上述的关系模型可以获取线圈端数据与衔铁运动状态的数学关系，因此通过该数学关系进行反演，就能得到衔铁每个运动状态对应的线圈端的实际数据，还可以通过实际测量的线圈端数据(检测数据)推算衔铁的某个运动状态的到达时间，即预测时间信息。

针对预测时间信息的获取，其方式不做限定，在知晓衔铁运动状态的真实时间信息的基础上，结合关系模型，以及线圈端数据的时间性特点(线圈端数据随时间变化)，就能预测达到衔铁某个运动状态的时间。例如，在样本数据足够密集的情况下，可以绘制线圈端数据随时间的变化曲线，通过该曲线就能得到检测数据到达某个运动状态的时间。

需要说明的是：本实施例一是采用磁场变化的原理，将具有时间性的线圈端数据与衔铁运动状态进行关联，由此可以得到线圈端数据的变化与衔铁运动状态之间的关系，然后利用这种关系可以得出衔铁某种运动状态下的线圈端实际数据，或者根据线圈端实际数据预测衔铁的各个运动状态。

实施例二

实施例二是在实施例一基础上进行的改进，其主要对样本数据和检测数据的类型进行解释和说明。

样本数据和检测数据的数据类型并不做限定，因为磁场变化对线圈端的影响可以导致任意线圈端电参数的变化，因此任何能够得到的线圈端的一个或多个电参数均可作为样本数据和检测数据，而且采集这些线圈端的电参数的方式也不做限定，通过互感器、电压表、电流表、示波器、搭建的各种采样电路等，只要能得到线圈端相应的电参数均可。

需要说明的是，样本数据和检测数据在理论上是对应的，即采集某种或某些类型的样本数据，来构建关系模型，那么在采集检测数据时，也需要直接或间接得到与样本数据相同的数据类型。这里的间接是因为线圈端某些参数类型经过一定的运算，可以得到另外的参数类型，即变换参数。

具体地，样本数据和检测数据均为基础参数和变换参数中的一种或多种，这里的基础参数为低频电流ilow、高频电流ihigh、电压u中的一种或多种，变换参数为一个或一个以上的基础参数经过计算得到的衍生参数，变换参数包括安不限于线圈等效阻抗、线圈瞬态感抗、电压变化率和电流变化率中的一种或多种的一种或多种。其中：

线圈等效阻抗rz可以通过基础参数中的电压u和低频电流ilow(或高频电流ihigh)相除得到：rz＝u(t)/i(t)；线圈瞬态感抗rl可以通过线圈等效阻抗rz和线圈直流内阻得到，即通过rz＝|rcoil+rl*j|得到rl＝sqrt((rz)²-(rcoil)²)，其中，rcoil为线圈直流内阻，可通过继电器手册或者直接测量得到；电压变化率u′可以通过对基础参数中的电压u求导得到：u′＝du/dt；电流变化率i′可以是高频电流变化率，也可以是低频电流变化率，i′＝di/dt。

事实上，变换参数主要有两大类，分别是电气参数类和时序类，电气参数类主要通过基础参数计算得到，时序类通过对基础参数进行变换例如求导得到，线圈等效阻抗、线圈瞬态感抗属于电气参数类，电压变化率和电流变化率属于时序类。上述仅为对变换参数进行的举例，其他通过基础参数进行相应的计算以及时序变换得到的变换参数均属于本发明的保护范围。

实施例三

实施例三是在实施例一或/和实施例二的基础上进行的。在实施例三中，关系模型采用机器学习模型，即通过机器学习的方式得到线圈端数据与衔铁运动状态的数学关系。

机器学习模型包括但不限于决策树、随机森林、逻辑回归、支持向量机、贝叶斯、k近邻、k均值以及深度学习(各种人工神经网络)等。机器学习是计算机基于样本数据进行机械学习、示教学习、类比学习或事例学习等来得到相应的关系模型。样本数据越多，机器学习得到的关系模型也就越准确。机器学习得到的关系模型可以通过一些样本数据进行验证，从而判断关系模型是否需要优化或更新，优化或更新是通过增加样本数据的方式对关系模型的完善过程。每一种机器学习根据其学习策略稍有区别，但是任意得到机器学习模型的方式均可应用于本发明中。

下面以深度学习为例，对机器学习模型的构建进行解释和说明。请参照图3所示，其包括以下步骤：

s210、获取样本数据，所述样本数据为对继电器线圈端进行多次采样，获得的线圈端数据。

利用任意采集方式对线圈端的数据进行抓取，得到样本数据：

其中：s为样本数据集合，k代表线圈端数据的分量，包括但不限于低频电流ilow，高频电流ihigh，电压u等信号中的一种或几种的基础参数或变换参数的组合。n代表采样数据的最大长度(次数)，需要注意的是n的取值只需要根据实际情况进行调整即可，并不是固定的长度。

s220、对“线圈端数据获取”进行“特征标注”。

1、用m表示衔铁运动过程中的状态描述集合，即：

其中mh代表状态描述集合中的第h个状态描述，例如包括但不限于衔铁开始运动点ap，衔铁与触点开始接触点cp，衔铁与触点紧密接触点tcp等。取出m中的第一个状态描述m1，通过实验找可以找到m1在整个运动过程中对应的时刻例如假设m1代表衔铁与触点开始接触点cp，则可以通过如下的实验得到其cp发生的时刻：当电压达到该继电器吸合电压时开始计时为t0，同时在负载端施加某个电压(例如12v)，当衔铁与触点开始接触时，继电器被导通，则可以测得其两端的电压的变化，此时计时为t1，则t1即为cp点发生的时刻，记为cp点的真实时间信息。

2、依次取出m中的其他状态m2～mh，并根据相应的实验分别标注出相应状态发生的真实时间信息即可以表示为：

label为状态描述集合对应的真实时间信息集合。

s230、模型训练。

针对步骤s210得到的结果以及步骤s220得到的结果执行如下操作：

1、取出m1对应的真实时间信息以s作为输入，作为真实标签对关系模型alg1进行训练，得到预测输出表示为

2、计算预测输出与真实label之间的误差loss表示为需要注意的是，本文并不框定计算loss的函数方法，只需要反应实际的应用场景的误差即可，例如可以是平方差loss计算方法。

3、根据结果调整关系模型alg1，最终达到一定的loss阈值β即可。本文并不固定阈值β的具体取值，只需按照实际应用场景设置可以接受的阈值β即可。最终得到alg1来表示m1。

4、依次取出其他状态m2～mh以及s作为输入，分别重复步骤1～3得到相应的状态描述的算法，可以表示为

alg(s)为关系模型集合，需要注意的是，这里并不固定每个运动状态的关系模型，其包含两层含义：其一是alg1(s)～algh(s)可以是采用相同或不同的算法模型进行构建，例如alg1(s)通过卷积神经网络cnn算法构建，alg2(s)通过递归神经网络rnn算法构建，其二是不限定关系模型集合的具体算法类型，即每个alg(s)均可以是机器学习中的任意一种，可以是任意有能力表示这种衔铁运动状态和线圈端数据之间关系的数学算法。

以卷积神经网络cnn算法构建为例，其是通过bp反向传播，以s作为输入，以及真实cp点作为真实标签，不断训练并通过与真实标签的loss反向传播优化模型得到衔铁与触点开始接触点cp在线圈端数据s中的位置的数学关系。

对于其他深度学习和机器学习的其他类型，由于其本身是常规技术，这里只是将常规的机器学习与线圈端数据进行结合，并未对算法模型进行改进，因此，根据具体的机器学习方式来获取样本数据以及根据样本数据训练机器学习的过程在这里不再具体描述。

s240、结果输出。

由步骤s230的关系模型可知：将任意采样得到的检测数据输入到衔铁某运动状态对应的关系模型即可得到该衔铁在某个具体运动状态的预测时间信息，从而有助于对继电器的各项性能进行掌握，进而达到继电器的检测和控制，检测包括时间检测以及应用时间检测结果进行的寿命检测、一致性检测等，控制包括对衔铁的运动状态进行控制等。

实施例四

实施例四是在实施例一或/和实施例二的基础上进行的。在实施例四中，关系模型采用小波变换模型，即通过建立小波基的方式得到线圈端数据与衔铁运动状态的数学关系。

具体地，通过实验方式，获取衔铁运动状态对应的真实时间信息时的样本数据，这个过程与实施例三中是相似的，在衔铁运动状态对应的真实时间信息下对线圈端数据进行采集即可，然后将所述衔铁运动状态对应的真实时间信息时的样本数据通过傅里叶变换展开，将展开后的样本数据记为样本展开数据；

以所述样本展开数据建立小波基；小波基具有时间性和频率性，通过小波基可以找到衔铁运动状态和线圈端数据的数学关系，因此可以通过检测小波基建立衔铁运动状态和线圈端数据的数学关系。

进一步地，根据小波基函数的时间性，可以预测得到的线圈端数据对应的衔铁运动状态的时间信息。

进一步地，当衔铁运动状态为多个，需要对每个衔铁运动状态分别建立小波基，通过检测每个衔铁运动状态对应的小波基建立每个衔铁运动状态和线圈端数据的数学关系。

实施例五

实施例五公开了一种对应上述实施例的继电器衔铁运动状态检测方法对应的装置，为上述实施例的虚拟装置结构，请参照图4所示，包括：

数据获取模块310，用于获取样本数据，所述样本数据为对继电器线圈端进行多次采样，获得的线圈端数据；

模型构建模块320，用于获取衔铁运动状态对应的真实时间信息，根据所述样本数据和真实时间信息构建关系模型，所述关系模型为线圈端数据与衔铁运动状态的数学关系；

结果输出模块330，用于根据检测数据以及所述关系模型对衔铁运动状态进行预测，得到所述检测数据对应的衔铁运动状态的预测时间信息，所述检测数据为在衔铁运动状态检测时获取的线圈端数据。

优选地，所述样本数据和检测数据为基础参数或/和变换参数，所述基础参数为低频电流ilow、高频电流ihigh、电压u中的一种或多种，所述变换参数为一个或一个以上的基础参数经过计算得到的衍生参数。所述变换参数为线圈等效阻抗、线圈瞬态感抗、电压变化率和电流变化率中的一种或多种。

优选地，关系模型采用机器学习模型。所述构建关系模型，包括特征标注步骤和模型训练步骤，其中：

所述特征标注步骤，包括：

对衔铁运动过程中的状态进行描述；

其中，m表示衔铁运动状态中的状态描述集合，mh代表衔铁运动状态中的第h个状态描述，h为状态描述的总数；

对状态描述集合的所有状态描述分别通过实验方式找到整个运动过程中对应的真实时间信息；其中衔铁运动状态中的第i个状态描述mi对应真实时间信息1≤i≤h；

所述模型训练步骤，包括：

创建关系模型，以样本数据作为输入，作为真实标签对关系模型进行训练，得到预测输出表示为其中，s为样本数据，algi(s)为衔铁运动状态中的第i个状态描述与线圈端数据之间的关系模型；

计算预测输出和真实标签之间的误差，如果所述误差大于预设的阈值，则衔铁运动状态中的第i个状态描述与线圈端数据之间的关系模型即为algi(s)，反之，则继续通过样本数据对algi(s)进行训练，直至预测输出和真实标签之间的误差不大于预设的阈值；

依此方法得到衔铁运动状态中的所有状态描述的关系模型：

alg(s)为衔铁运动状态的关系模型集合。

优选地，关系模型为小波变换模型，通过实验方式，获取衔铁运动状态对应的真实时间信息时的样本数据，并通过傅里叶变换，将所述衔铁运动状态对应的真实时间信息时的样本数据展开，得到样本展开数据；

以所述样本展开数据建立小波基；

通过检测小波基建立衔铁运动状态和线圈端数据的数学关系。

当衔铁运动状态为多个，对每个衔铁运动状态分别建立小波基，通过检测每个衔铁运动状态对应的小波基建立每个衔铁运动状态和线圈端数据的数学关系。

实施例六

图5为本发明实施例六提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器410、存储器420、输入装置430和输出装置440；计算机设备中处理器410的数量可以是一个或多个，图5中以一个处理器410为例；电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图5中以通过总线连接为例。

存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的继电器衔铁运动状态检测方法对应的程序指令/模块(例如，继电器衔铁运动状态检测方法装置中的数据获取模块310、模型构建模块320和结果输出模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述实施例一至实施例四的继电器衔铁运动状态检测方法。

存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置430可用于接收输入的用户身份信息、样本数据以及检测数据等。输出装置440可包括显示屏等显示设备。

实施例七

本发明实施例七还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行继电器衔铁运动状态检测方法，该方法包括：

获取样本数据，所述样本数据为对继电器线圈端进行多次采样，获得的线圈端数据；

获取衔铁运动状态对应的真实时间信息，根据所述样本数据和真实时间信息构建关系模型，所述关系模型为线圈端数据与衔铁运动状态的数学关系；

根据检测数据以及所述关系模型对衔铁运动状态进行预测，得到所述检测数据对应的衔铁运动状态的预测时间信息，所述检测数据为在衔铁运动状态检测时获取的线圈端数据。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于继电器衔铁运动状态检测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是手机，个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述基于继电器衔铁运动状态检测方法装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。