[发明专利]基于性能退化分析与深度学习的接触器剩余寿命预测方法

权利要求书

1.一种基于性能退化分析与深度学习的接触器剩余寿命预测方法，其特征在于，该方法包括以下步骤：

第一步、对交流接触器进行全寿命试验，获取触头电压、触头电流和线圈电流；提取包括燃弧时间、燃弧能量、接触电阻、接触压降、释放电压、累积燃弧能量和吸合时间在内的七个特征量；

第二步、对特征量进行筛选，得到关键特征量，关键特征量包含接触压降、释放电压、接触电阻、累积燃弧能量和第一主成分；

第三步、识别交流接触器的性能拐点，根据性能拐点将交流接触器的整个退化过程分为偶发故障期和耗损故障期；

第四步、构建基于双注意力机制的预测模型，预测模型以长短时记忆网络为主干网络；利用预训练的预测模型，根据耗损故障期的数据对交流接触器剩余寿命进行预测；双注意力机制包括特征注意力机制和时间步注意力机制；

在关键特征量输入长短时记忆网络之前，通过特征注意力机制为各个关键特征量赋予权重；假设预测模型t时刻的输入向量为β＝[β₁,β₂,…,β_K]，K表示关键特征量的数量，则通过式(1)计算第k个关键特征量的特征注意力权重q_k：

q_k＝tanh(W₁*β_k+b₁),k＝1,2,…,K (1)

其中，W₁和b₁分别为特征注意力机制的权重矩阵和偏置向量，tanh为激活函数；

通过式(2)的softmax函数对第k个关键特征量的特征注意力权重进行归一化处理，得到特征注意力权重系数a_k；所有关键特征量的特征注意力权重系数构成特征注意力权重向量A＝[a₁,a₂,…,a_K]，且所有关键特征量的特征注意力权重系数之和为1；

根据式(3)将输入向量β与特征注意力权重向量A进行对应元素相乘，得到特征注意力层的输出O，O＝[O₁,O₂,…,O_K]；

在长短时记忆网络之后，根据时间步注意力机制为长短时记忆网络各个时间步长赋予权重；假设长短时记忆网络输出的时间步长向量为γ＝[γ₁,γ₂,…,γ_J]^T，J表示时间步长的数量，则通过式(4)计算第j个时间步长的时间注意力权重p_j；

p_j＝tanh(W₂*γ_j+b₂),j＝1,2,…,J (4)

式中，W₂和b₂分别为时间步注意力机制的权重矩阵和偏置向量；

根据式(5)对每个时间步长的时间注意力权重进行归一化处理，得到每个时间步长的时间注意力权重系数，d_j为第j个时间步长的时间注意力权重系数；所有时间步长的时间注意力权重系数构成时间注意力权重向量D＝[d₁,d₂,…,d_J]，所有时间步长的时间注意力权重系数之和为1；

根据式(6)将LSTM输出的时间步长向量γ与时间注意力权重向量D进行对应元素相乘，得到时间注意力层的输出h，h＝[h₁,h₂,…,h_J]；

最后，将时间注意力层的输出经过一个全连接层，得到基于双注意力机制的LSTM预测模型的输出，即预测结果。

2.根据权利要求1所述的基于性能退化分析与深度学习的接触器剩余寿命预测方法，其特征在于，第三步中，根据改进的多尺度排列熵算法计算触头电压序列的多尺度排列熵，将多尺度排列熵均值大于拐点识别阈值的点视为性能拐点，拐点识别阈值为0.45。

3.根据权利要求1所述的基于性能退化分析与深度学习的接触器剩余寿命预测方法，其特征在于，第二步中，首先，利用主成分分析法对七个特征量进行降维，得到七个主成分；前三个主成分的累计贡献率大于85％，因此保留前三个主成分，这三个主成分与原始的七个特征量共同构成全信息特征集合；其次，利用XGBoost算法计算每个特征量与交流接触器剩余寿命的重要性得分；将重要性得分较小的特征量丢弃；最后，利用Spearman秩相关系数法衡量剩余特征量两两之间的相关性，删除相关性较大的两个特征量其中的一个，再次剩余的特征量即为关键特征量。