[发明专利]交叉验证算法优化LSTM网络继电器贮存寿命预测方法

权利要求书

1.一种交叉验证算法优化LSTM网络继电器贮存寿命预测方法，其特征在于，包括如下步骤：

步骤一：选取继电器贮存过程中变化的接触电阻，线圈电阻，释放电压作为特征参量；

步骤二：对电磁继电器进行加速贮存退化试验，获取步骤一中性能参数在历史时间维度中样本数据，并对样本进行归一化处理，并随机划分样本训练数据和测试数据；

步骤三：构建包括输入层、隐藏层、输出层的长短期记忆网络预测模LSTM；

步骤四：、使用步骤二中获得的训练集数据对步骤三中构建的长短期记忆网络预测模型LSTM进交叉验证优化，在满足预测模型评价指标最优的基础上确定长短期记忆网络预测模型LSTM的最优参数，以此为基础重新建立优化后的长短期记忆网络预测模型LSTM；

步骤五：使用步骤二中获得的测试集数据作为步骤四中经优化的长短期记忆网络预测模型LSTM的输入变量，选取步骤一中的特征参量之一作为步骤四中经优化的长短期记忆网络预测模型LSTM的输出变量，得到预测结果。

2.根据权利要求1所述的交叉验证算法优化LSTM网络继电器贮存寿命预测方法，其特征在于，所述步骤一中的特征参量是接触电阻线圈电阻、释放电压或表征继电器性能退化的性能参数。

3.根据权利要求1所述的交叉验证算法优化LSTM网络继电器贮存寿命预测方法，其特征在于，所述步骤二中数据归一化采用线性函数中的均值法将原始数据变化到[0，1]区间中，均值归一法由下式给出：

式中，表示第i(i＝1，2，…，n)个数据归一化结果，n表示数据样本个数，y_i表示第i个数据，μ为所有样本数据的均值，σ为所有样本数据的标准差。

4.根据权利要求3所述的交叉验证算法优化LSTM网络继电器贮存寿命预测方法，所述步骤二中划分训练集数据和测试集数据指随机将归一化处理后的样本数据的90％作为训练集数据，将归一化处理后的样本数据的10％作为测试集数据。

5.根据权利要求1所述的交叉验证算法优化LSTM网络继电器贮存寿命预测方法，其特征在于，所述步骤三构建LSTM预测模型是一种改进的RNN，比一般的RNN更适合长期依赖，每一个单元相输入输出，但也有更多的参数和控制信息流动的门控单元系统，即状态单元外部输入门external input gate、遗忘门forget gate和输出门output gate，遗忘门forget gate采取两个输入h_t-1和x_t.相应的前向传播算法如下:

Input gates:

Forget gates:

Cells:

Output gates:

Cell outputs:

其中，是当前的输入向量，下标l，φ，c，ω表示输入门、遗忘门、细胞状态单元、输出门的相关参数，下标h泛指隐层之间的互联，σ是sigmoid函数，ω_il、ω_ic和ω_iw分别表示从输入到输入门、遗忘门、细胞状态单元、输出门的权重，ω_hl、ω_hc和ω_hw分别表示从隐层到输入门、遗忘门、细胞状态单元、输出门的权重，ω_cl、和ω_cw分别表示从细胞状态到输入门、遗忘门和输出门的权重，a^t表示t时刻的输入，b^t表示t时刻的输出，表示t时刻细胞的状态。