[发明专利]继电器可靠性评估方法及装置

权利要求书

1.一种继电器可靠性评估方法，其特征在于，包括：

基于待测继电器机电性能参数的历史数据生成训练集；所述机电性能参数包括机械应力、温度和灵敏度；

将所述训练集送入预构建的神经网络模型进行迭代训练，获得可靠性评估模型；其中，所述预构建的神经网络模型包括输入层、隐藏层和输出层；所述隐藏层用于前向传播和反向传播；

将待测继电器的机电性能参数输入可靠性评估模型，获得可靠性评估结果。

2.根据权利要求1所述的方法，其特征在于，所述待测继电器机电性能参数的历史数据，包括：

继电器上配置的机械应力采集装置所检测到的继电器的机械应力；

继电器上配置的灵敏度测量装置对继电器采集测量数据，计算灵敏度；

继电器上配置的温度传感器所检测到的继电器的温度；

所述灵敏度测量装置包括电压互感器、电流传感器以及计时器；

所述电压互感器用于采集所述继电器的触点切换电压，所述电流传感器用于采集通过所述继电器的吸合电流值和释放电流值，所述计时器用于获取所述吸合电流值和释放电流值的动作时间。

3.根据权利要求1所述的方法，其特征在于，所述将所述训练集送入预构建的神经网络模型进行迭代训练，包括：

将所述训练集输入至预构建的神经网络模型中，判断输出与期望输出之间的偏差值是否小于偏差阈值或者迭代次数是否大于最大迭代次数；

若所述偏差值大于等于所述偏差阈值，且迭代次数小于最大迭代次数，则利用预设损失函数更新神经网络模型的权重，对神经网络模型进行迭代训练，直至所述偏差值小于所述偏差阈值或者迭代次数大于最大迭代次数；

将训练后的神经网络模型作为可靠性评估模型。

4.根据权利要求1所述的方法，其特征在于，

所述前向传播采用如下方式对当前输入数据和前一时刻的记忆数据进行分析，输出前向提取特征，

所述反向传播采用如下方式对当前输入数据和后一时刻的记忆数据进行分析，得到后向提取特征

其中，X_t表示t时刻输入，表示前向提取特征，表示反向提取特征，f为激活函数，U¹、W¹、U²、W²均为权重矩阵，S_t-1表示t-1时刻记忆，b¹、b²均为偏置。

5.根据权利要求4所述的方法，其特征在于，所述隐藏层还用于根据所述前向提取特征、后向提取特征采用如下方式计算输出；

其中，O_t为t时刻输出，为拼接矩阵，V为权重矩阵。

6.根据权利要求5所述的方法，其特征在于，所述隐藏层与输出层之间设有分类层，分类层利用预设损失函数根据所述历史数据对应的标签和预测值更新所述神经网络模型的权重，包括：

通过分类层计算预测值；

根据预设损失函数确定最优预测值；所述最优预测值使得输出最优；

根据所述最优预测值确定神经网络模型的权重。

7.根据权利要求6所述的方法，其特征在于，

通过分类层采用如下方式计算预测值，

根据预设损失函数采用如下方式确定最优预测值，

对所有时刻损失相加：

其中，E_t为损失函数，y_t为标签，为预测值。

8.根据权利要求1所述的方法，其特征在于，在生成训练集之前，还包括对所述历史数据进行预处理；所述对历史数据进行预处理包括：

对所述历史数据采用如下方式进行归一化处理，以将历史数据转换至预设的范围内；

其中，X为归一化后的数据，X_y为历史数据，X_max、X_min分别为历史数据的最大值和最小值。