[发明专利]一种继电器寿命预测的方法

说明书

本发明属于继电器失效寿命预测算法优化领域，具体地说，是一种继电器寿命预测的方法，主要分为三个部分：第一部分是对原始数据X进行主元分析，获取第1主元变量和第2主元变量；第二部分是将第1主元变量和第2主元变量分别取训练集和测试集数据，将训练集数据输入RVM模型中进行训练学习，然后利用测试集进行寿命预测分析；第三部分采用改进布谷鸟优化算法对RVM模型的核函数的系数的权值系数ω进行优化，提高RVM模型预测数据的精度，最后通过计算概率密度函数得出最终的预测的寿命，并且与实际继电器触头失效动作寿命进行对比，进行误差分析。为电磁继电器的可靠性研究提供一种新的思路，对系统的可靠性研究也有着重要的意义。

技术领域

本发明属于继电器失效寿命预测算法优化领域，具体地说，是一种继电器寿命预测的方法，该方法基于主元分析的RVM与改进布谷鸟算法融合。

背景技术

电磁继电器通过触头的接通或断开控制电路，具有转换深度高、物理隔离性能好等优点，广泛应用于自动控制系统、电力保护系统以及通信系统中，起控制、检测、保护和调节的作用，是国防尖端技术、先进的工业和民用设备不可缺少的基本元件之一。随着航空、电气、国防、工业、武器装备及交通轨道等领域的飞速发展，现代电路系统的复杂程度、体积及功能对继电器的可靠性要求也越来越高，对电磁继电器的失效机理以及寿命预测分析就变得尤为重要。电磁继电器的最重要组成部分是继电器触点，也是最容易受到侵蚀熔焊等破坏的部件，触点故障比率甚至达到电磁继电器总故障率的80％或更高。若电磁继电器失效，甚至会影响到整个电路甚至系统的可靠运行。因继电器老化失效引起的事故具有突发性，且存在于任何使用电磁继电器的系统之中，严重影响各行各业的安全生产，从而导致人身伤亡及财产损失事故的发生。因此从安全性及可靠性角度出发，利用主元分析的方法将数据进行降维处理，利用改进布谷鸟算法进行参数寻优，将样本数据放去RVM模型中进行训练，最后进行寿命预测分析，本方法重点研究电磁继电器的触点失效寿命预测。

Michael E.Tipping在2001年提出了基于概率学习和稀疏贝叶斯理论的相关向量机算法(RVM)。作为监督学习型算法的一种，相关向量机将贝叶斯理论、最大似然估计、自动相关决定先验原则等理论结合起来，通过定义受超参数影响的权值向量的高斯先验概率，可使基于贝叶斯框架下的机器学习获得稀疏性更好的模型。相关向量机算法能够给出预测准确度较高的概率模型，同时具有良好的稀疏性，使得其求解缺乏测量数据的建模问题时具有一定的优势。在算法实现原理上，支持向量机基于结构风险最小规则构建模型，而相关向量机则基于稀疏贝叶斯学习方法构建模型，同时由于相关向量机参与预测计算的核函数数量较少，相关向量数较少，这使得相关向量机具有更好的稀疏性和泛化性，弥补了支持向量机算法的不足之处，使其在保证预测精度的前提下能够节约预测时间，提高决策速度，更适合电力设备的在线故障诊断和故障预警。

智能算法作为新型的优化问题求解方案，其性能的优越与否主要取决于概率模型、搜索机制和往复规则等，2009年YANG等人提出了一种新型元启发式搜索算法一布谷鸟搜索算法(Cuckoo Search,CS),其参数少且结构简单、搜索能力强、不易陷入局部最优。现有的布谷鸟优化算法中种群多样性缺失，容易陷入局部最优，不利于工程化应用。

发明内容

本发明的目的在于解决现有的继电器失效寿命预测算法计算速度慢以及预测精度不高的问题，在此基础上提供一种基于主元分析的RVM与改进布谷鸟算法融合的继电器寿命预测的方法。

本发明为实现上述目的，采用以下技术方案：

一种继电器寿命预测的方法，该方法基于主元分析的RVM与改进布谷鸟算法融合，具体包括如下步骤：

步骤1：对电磁继电器进行失效退化试验，获取建立训练样本所需的材料性能参数(接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间、释放时间、回跳时间等)；

步骤2：对原始数据X进行主元分析，旨在降维处理，保留对样本总体贡献率较大的因素，剔除贡献率较低的因素，获取第1主元变量和第2主元变量；