[发明专利]一种继电器寿命预测方法、系统、介质及设备

权利要求书

1.一种继电器寿命预测方法，其特征在于，包括步骤：

1)获取继电器在运行时的状态信息；所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压；

2)将所述状态信息输入至预先建立的继电器寿命预测模型中，得到继电器的预测寿命；其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。

2.根据权利要求1所述的继电器寿命预测方法，其特征在于，所述继电器寿命预测模型为基于流行正则化分层极限学习机的寿命预测模型，先利用多层特征提取层对状态信息进行深度特征提取，再基于流行正则化对继电器的寿命进行预测。

3.根据权利要求2所述的继电器寿命预测方法，其特征在于，所述继电器寿命预测模型的建立过程为：

2.1a)对有标记的样本数据以及无标记的样本数据构建拉普拉斯图；

2.2a)确定预测层神经元个数，初始化各继电器寿命预测层的输入权重以及偏置；

2.3a)使用K近邻法计算单个样本与相邻样本之间的距离，计算相似度，构建相似度矩阵；

2.4a)计算拉普拉斯矩阵；

2.5a)确定寿命预测层的激励函数；

2.6a)计算寿命预测层的输出矩阵H，通过目标函数确定寿命预测层的输出权值矩阵β，确定最优目标函数中的正则化因子；

2.7a)建立继电器寿命预测模型。

4.根据权利要求3所述的继电器寿命预测方法，其特征在于，在步骤2.4a)中，计算拉普拉斯矩阵L；

y_i,y_j是样本点x_i,x_j的输出预测值；

根据流行正则化原理，最小化成本函数L_m，得到从l个有输出的数据和u个无输出的数据中建立的拉普拉斯矩阵：

L＝D-W

其中D是一个对角矩阵，对角元素为：

5.根据权利要求2～4中任意一项所述的继电器寿命预测方法，其特征在于，采用多层特征提取层对状态信息进行深度特征提取的过程为：

2.1b)采集样本数据，确定带输出的样本数据量以及未带输出的样本数据量；

2.2b)确定特征提取层的基本结构以及参数；

2.3b)确定特征提取层的激励函数Gi；

2.4b)初始化特征提取层第i层的输入权重Ai以及输出偏置Bi；

2.5b)通过阈值收缩算法来确定第i层特征值β_i，确定好β_i之后，计算每一特征提取层的输出T_i。

6.根据权利要求5所述的继电器寿命预测方法，其特征在于，在步骤2.2b)中，确定流行正则化分层极限学习机中特征提取层的层数以及每个特征提取层所包含的神经元的个数；初始化各个特征提取层隐含层神经元的个数，通过不断增加特征提取层神经元的个数，通过训练以及测试在不同特征提取层的神经原个数下整个模型的预测精度，根据预测精度以及系统训练时间，测试时间来确定特征提取层隐含层的神经原个数，确定特征提取层的层数范围P，每个特征提取层的神经元个数小于训练的样本数据。

7.根据权利要求5所述的继电器寿命预测方法，其特征在于，在步骤2.5b)中，通过阈值收缩算法来确定β_i的步骤如下：

设当j,(j＞＝1)的时候进行迭代：

其中j为迭代次数，为该算法的随机初始化量，为p(β_i)的梯度函数，γ为的利普西茨常数，t₁为初始值的唯一变量。

8.一种继电器寿命预测系统，其特征在于，包括

第一模块，用于获取继电器在运行时的状态信息；所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压；

第二模块，用于将所述状态信息输入至预先建立的继电器寿命预测模型中，得到继电器的预测寿命；其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。