基于RNN的交流接觸器剩余壽命預(yù)測(cè)研究

高士珍 劉樹鑫

摘要：交流接觸器是一種在各種低壓電氣控制線路中應(yīng)用極為頻繁的控制電器，對(duì)交流接觸器進(jìn)行壽命預(yù)測(cè)不僅可以有效維持電力系統(tǒng)正常運(yùn)行，還可以最大限度地利用其工作能力。針對(duì)交流接觸器剩余壽命預(yù)測(cè)問題，提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的交流接觸器剩余壽命預(yù)測(cè)方法。將能夠反映交流接觸器運(yùn)行狀態(tài)的特征參數(shù)作為預(yù)測(cè)模型的輸入樣本，進(jìn)行循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型訓(xùn)練，并進(jìn)行預(yù)測(cè)。結(jié)果表明，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的壽命預(yù)測(cè)模型對(duì)交流接觸器剩余壽命預(yù)測(cè)具有較好的準(zhǔn)確性。

關(guān)鍵詞：交流接觸器;循環(huán)神經(jīng)網(wǎng)絡(luò);壽命預(yù)測(cè);特征提取

一、交流接觸器剩余壽命預(yù)測(cè)意義

交流接觸器是一種在各種低壓電氣控制線路中使用極為頻繁的控制電器，主要對(duì)交流回路及大電流控制電路進(jìn)行遠(yuǎn)距離頻繁的通斷操作[1]。其工作狀態(tài)對(duì)整個(gè)電網(wǎng)的安全運(yùn)行有著關(guān)鍵性作用。對(duì)交流接觸器進(jìn)行剩余壽命預(yù)測(cè)不僅可以有效地防止因其發(fā)生突發(fā)性故障而導(dǎo)致整個(gè)系統(tǒng)的癱瘓，而且可以最大限度地利用其工作能力[2]。對(duì)于接觸器剩余壽命預(yù)測(cè)問題，國(guó)內(nèi)外學(xué)者近年來做了很多工作，基于數(shù)據(jù)驅(qū)動(dòng)模型，特別是深度學(xué)習(xí)模型，因?yàn)槠浣Y(jié)構(gòu)具有深度、非線性和自適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，廣泛應(yīng)用在電器設(shè)備的剩余壽命預(yù)測(cè)問題中[3]?；谏疃葘W(xué)習(xí)的方法可以直接對(duì)電器設(shè)備壽命相關(guān)數(shù)據(jù)進(jìn)行建模。該方法不需要設(shè)備的精確物理模型和其退化過程中的統(tǒng)計(jì)模型，所以基于深度學(xué)習(xí)的方法非常適合解決復(fù)雜電器設(shè)備的剩余壽命預(yù)測(cè)問題。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）結(jié)構(gòu)中應(yīng)用了時(shí)序的概念，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)每層之間的節(jié)點(diǎn)無連接，而循環(huán)神經(jīng)網(wǎng)絡(luò)保存了當(dāng)前隱藏層的信息，并且隱藏層之間是相互連接的，可以將信息傳遞到下一時(shí)刻的隱藏層，使得網(wǎng)絡(luò)具有“記憶”功能[4]，因此更適合解決時(shí)間序列數(shù)據(jù)分析的問題。

因?yàn)榻涣鹘佑|器運(yùn)行狀態(tài)的影響因素較多，并且其整個(gè)運(yùn)行過程可視為一個(gè)長(zhǎng)時(shí)間序列，因此，本文采用基于RNN網(wǎng)絡(luò)的方法，對(duì)交流接觸器剩余壽命進(jìn)行預(yù)測(cè)，從而得到較為準(zhǔn)確的預(yù)測(cè)結(jié)果。

二、RNN網(wǎng)絡(luò)模型

RNN的神經(jīng)元結(jié)構(gòu)具有自反饋功能，因此可以有效地記憶當(dāng)前時(shí)刻及先前獲取的信息并用于計(jì)算當(dāng)前的輸出[6]。

下圖是一個(gè)簡(jiǎn)單的循環(huán)神經(jīng)網(wǎng)絡(luò)圖，它由輸入層、一個(gè)隱藏層和一個(gè)輸出層組成：

損失函數(shù)值可以降低到數(shù)量級(jí)，表明模型的預(yù)測(cè)精度較好。

（二）結(jié)果分析

預(yù)測(cè)模型的驗(yàn)證集有9485組，從中隨機(jī)選取兩組樣本數(shù)為50的數(shù)據(jù)，其預(yù)測(cè)結(jié)果與實(shí)際剩余壽命的擬合曲線如圖3所示，可以看出擬合結(jié)果比較好。

通過表1的數(shù)值可以看出，本文提出的基于RNN的交流接觸器剩余壽命預(yù)測(cè)的精度可以達(dá)到83.92%以上，證明該方法可以用于解決交流接觸器剩余壽命預(yù)測(cè)問題。

四、結(jié)論

本文提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的交流接觸器剩余壽命預(yù)測(cè)模型，考慮到了開關(guān)電器在退化過程中數(shù)據(jù)的時(shí)序性，并采用多個(gè)特征參量作為模型輸入對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練。

通過試驗(yàn)數(shù)據(jù)驗(yàn)證，證明本文提出的RNN交流接觸器剩余壽命模型的預(yù)測(cè)效果較好，能夠解決長(zhǎng)時(shí)間序列的預(yù)測(cè)問題，為開關(guān)電器設(shè)備剩余壽命的預(yù)測(cè)問題提供了新方法。

參考文獻(xiàn)

[1]卜浩民.交流接觸器的智能化綜述[J].電器與能效管理技術(shù)，2017（1）：32- 38.

[2]Vichare N M， Pecht M G. Prognostics and health management of electronics[J]. IEEE Transactions on Components and Packaging Technologies， 2006， 29（1）：222-229.

[3]黃承賡.基于監(jiān)測(cè)大數(shù)據(jù)的產(chǎn)品剩余壽命預(yù)測(cè)方法研究[D].電子科技大學(xué)，2019.

[4]薛嫣，朱靜，翟怡萌，等.基于LSTM的風(fēng)機(jī)滾動(dòng)軸承剩余壽命預(yù)測(cè)研究[J].工業(yè)控制計(jì)算機(jī)，2020，33（6）：108-110.

[5]原繼東.時(shí)間序列分類算法研究[D].北京：北京交通大學(xué)學(xué)位論文，2016

[6]Gregor K， Danihelka I， Graves A， et al. DRAW： a recurrent neural network for image generation[J]. Computer Science， 2015：1462-1471.

[7]于佳弘.基于深度學(xué)習(xí)的太陽能光伏發(fā)電短期預(yù)測(cè)方法[D].浙江大學(xué)， 2018.

作者簡(jiǎn)介

高士珍（1996—），男，滿族，遼寧省沈陽市人，學(xué)生，碩士，單位：沈陽工業(yè)大學(xué)電氣工程學(xué)院，研究方向：電器智能化。

劉樹鑫（1982—），男，漢族，遼寧省沈陽市人，副教授，博士，單位：沈陽工業(yè)大學(xué)電氣工程學(xué)院，研究方向：電器狀態(tài)監(jiān)測(cè)與電器智能化。