[发明专利]基于卷积神经网络回归的交流接触器烧蚀情况评估方法

权利要求书

1.一种基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述方法包括以下步骤：

获取三相交流接触器在每次分断电弧实验时产生的每一相电压波形数据以及每次分断电弧实验后的触头质量数据；

根据所获取到的三相交流接触器每次分断电弧实验后的触头质量数据，计算出每次分断电弧实验时的累计触头质量损耗数据，并将所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据均进行离散化重构，且进一步将同一次分断电弧实验时的累计触头质量损耗数据依次与每一相离散化重构后的电压波形数据组成一个数据样本，得到每次分断电弧实验各自对应的三个数据样本；

将所有的数据样本按一定比例随机分为训练集和测试集；

以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据为模型标签，构建基于卷积神经网络回归的交流接触器烧蚀评估模型；

根据所述训练集和所述测试集，分别对所述交流接触器烧蚀评估模型进行训练和测试，并通过比较所述交流接触器烧蚀评估模型分别在训练和测试中累计触头质量损耗标签和所述卷积神经网络输出的均方误差值，得到训练好的交流接触器烧蚀评估模型；

获取三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据，并将所获取到的三相交流接触器的当前分断电弧实验时产生的每一相电压波形数据导入所得到的训练好的交流接触器烧蚀评估模型中，输出结果为质量损失估计值。

2.如权利要求1所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述每次分断电弧实验的累计触头质量损耗数据是根据每次分断电弧实验后的每一相所有触头质量累计之和，减去分断试验前最初每一相所有相触头质量累计之和，并进一步采用线性插值法处理每次分断电弧实验前后的触头质量损耗而得到的。

3.如权利要求2所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述采用线性插值法处理每次分断电弧实验后的累计触头质量损耗是通过公式来实现的；其中，

M_i是第i次分断电弧实验时某相触头的累计质量累计损耗数据；j表示在进行第i次分断电弧实验前最近一次测量该相触头累计触头质量损耗数据的已操作次数；k表示在进行第i次分断电弧实验后最近一次测量该相触头累计触头质量损耗数据的已操作次数。

4.如权利要求1所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，所述将所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据进行离散化重构的具体步骤包括：

在所获取到的三相交流接触器每次分断电弧实验时产生的每一相电压波形数据中，确定采样点，并采用线性插值法扩增所述采样点的个数，且进一步归一化将所述线性插值后的采样点数据范围限制在[0,1]内；

根据所述线性插值后的采样点及其对应的数据范围，通过预设的数据波形软件提取出一维离散化数据，并将所提取出的一维离散化数据组合成一维矩阵，且进一步将所述一维矩阵重构成满足所述交流接触器烧蚀评估模型中卷积神经网络内所需的N×N二维矩阵。

5.如权利要求1所述的基于卷积神经网络回归的交流接触器烧蚀情况评估方法，其特征在于，以每一相离散化重构后的电压波形数据为模型特征，累计触头质量损耗数据为模型标签，构建基于卷积神经网络回归的交流接触器烧蚀评估模型的具体步骤包括：

采用深度学习框架TensorFlow实现卷积神经网络回归，建立所述交流接触器烧蚀评估模型，以每一相离散化重构后的电压波形数据为模型特征，对应的累计触头质量损耗数据作为模型标签，分别读入预测模型中，定义批次函数模块、数据读取模块、卷积神经网络CNN结构模块、模型评价指标模块、训练和测试模块；其中，所述卷积神经网络有三个卷积层、三个池化层以及两个全连接层，或有六个卷积层、三个池化层以及两个全连接层。