CN112098833A - 一种继电器寿命预测方法、系统、介质及设备 - Google Patents
一种继电器寿命预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN112098833A CN112098833A CN202010987102.2A CN202010987102A CN112098833A CN 112098833 A CN112098833 A CN 112098833A CN 202010987102 A CN202010987102 A CN 202010987102A CN 112098833 A CN112098833 A CN 112098833A
- Authority
- CN
- China
- Prior art keywords
- relay
- life prediction
- layer
- feature extraction
- state information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
- G01R31/3278—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches of relays, solenoids or reed switches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种继电器寿命预测方法、系统、介质及设备,属于继电器寿命预测技术领域,用于解决目前寿命预测精度低、实时性差的技术问题,此方法包括步骤:1)获取继电器在运行时的状态信息;所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压;2)将所述状态信息输入至预先建立的继电器寿命预测模型中,得到继电器的预测寿命;其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。本发明具有预测精度高、实时性好等优点。
Description
技术领域
本发明主要涉及寿命预测技术领域,具体涉及一种继电器寿命预测方法、系统、介质及设备。
背景技术
在轨道交通行业中,城轨车辆控制电路中大量采用继电器,在低压电器继电器的维护方面,城轨车辆尚未有能够对继电器的寿命进行在线预测的系统,以用于预防性维护的继电器。目前在实际的城轨成两种,只能在继电器发生故障后对有故障的继电器进行更换,或者在固定的寿命周期内,对所有的继电器全部进行更换,存在欠维护或者过维护的问题。
目前对于继电器寿命预测的方法主要包含两大种类:第一类是通过继电器的退化寿命参数来实现对继电器寿命的预测,比如说是通过继电器的接触电阻的变化趋势来实现对其寿命的预测;第二大类是根据统计学的方法来对这一批次的继电器寿命进行预测。第一种方法主要是针对个体的,利用数学的方法来进行建模,简单的进行继电器寿命的预测,预测精度不高;第二类主要是针对的是一批次的继电器寿命,不能针对单一的继电器来进行寿命的预测。故上述多种继电器寿命预测的方法都存在一定的局限性,且精度以及实时性都不是很高,因此很难运用到对继电器运行要求很高的轨道交通行业中。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的问题,本发明提供一种预测精度高的继电器寿命预测方法、系统、介质及设备。
为解决上述技术问题,本发明提出的技术方案为:
一种继电器寿命预测方法,包括步骤:
1)获取继电器在运行时的状态信息;所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压;
2)将所述状态信息输入至预先建立的继电器寿命预测模型中,得到继电器的预测寿命;其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。
优选地,所述继电器寿命预测模型为基于流行正则化分层极限学习机的寿命预测模型,先利用多层特征提取层对状态信息进行深度特征提取,再基于流行正则化对继电器的寿命进行预测。
优选地,所述继电器寿命预测模型的建立过程为:
2.1a)对有标记的样本数据以及无标记的样本数据构建拉普拉斯图;
2.2a)确定预测层神经元个数,初始化各继电器寿命预测层的输入权重以及偏置;
2.3a)使用K近邻法计算单个样本与相邻样本之间的距离,计算相似度,构建相似度矩阵;
2.4a)计算拉普拉斯矩阵;
2.5a)确定寿命预测层的激励函数;
2.6a)计算寿命预测层的输出矩阵H,通过目标函数确定寿命预测层的输出权值矩阵β,确定最优目标函数中的正则化因子;
2.7a)建立继电器寿命预测模型。
优选地,在步骤2.4a)中,计算拉普拉斯矩阵L;
yi,yj是样本点xi,xj的输出预测值;
根据流行正则化原理,最小化成本函数Lm,得到从l个有输出的数据和u个无输出的数据中建立的拉普拉斯矩阵:
L=D-W
优选地,采用多层特征提取层对状态信息进行深度特征提取的过程为:
2.1b)采集样本数据,确定带输出的样本数据量以及未带输出的样本数据量;
2.2b)确定特征提取层的基本结构以及参数;
2.3b)确定特征提取层的激励函数Gi;
2.4b)初始化特征提取层第i层的输入权重Ai以及输出偏置Bi;
2.5b)通过阈值收缩算法来确定第i层特征值βi,确定好βi之后,计算每一特征提取层的输出Ti。
优选地,在步骤2.2b)中,确定流行正则化分层极限学习机中特征提取层的层数以及每个特征提取层所包含的神经元的个数;初始化各个特征提取层隐含层神经元的个数,通过不断增加特征提取层神经元的个数,通过训练以及测试在不同特征提取层的神经原个数下整个模型的预测精度,根据预测精度以及系统训练时间,测试时间来确定特征提取层隐含层的神经原个数,确定特征提取层的层数范围P,每个特征提取层的神经元个数小于训练的样本数据。
优选地,在步骤2.5b)中,通过阈值收缩算法来确定βi的步骤如下:
本发明还公开了一种继电器寿命预测系统,包括
第一模块,用于获取继电器在运行时的状态信息;所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压;
第二模块,用于将所述状态信息输入至预先建立的继电器寿命预测模型中,得到继电器的预测寿命;其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。
本发明进一步公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的继电器寿命预测方法的步骤。
本发明还公开了一种计算机设备,包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如上所述的继电器寿命预测方法的步骤。
与现有技术相比,本发明的优点在于:
本发明的继电器寿命预测方法,通过继电器触点电阻、线圈电阻、线圈电流和线圈电压的状态信息来对继电器的寿命进行预测,其预测精度高。
本发明利用分层极限学习机对样本数据进行深度特征提取,再对继电器寿命进行预测;利用未标记的样本来弥补样本数据不足的问题,将流行正则化的思想运用到预测层的目标函数中,能够提高继电器寿命预测的准确性;将继电器的触点电阻,线圈电阻,线圈电压以及电流作为网络的输入,流行正则化分层极限学习机的寿命预测模型先利用多层稀疏编码网络对输入数据进行特征提取,然后在分层极限学习机预测层中将流行正则化的思想引入其中,提高了预测的实时性,保证了寿命预测的精度。
附图说明
图1为本发明的方法在实施例的流程图。
图2为本发明的流行正则化分层极限学习机网络结构图。
图3为本发明的预测系统在具体应用时的实施例图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示,本实施例的继电器寿命预测方法,主要用于对轨道交通等场合,包括步骤:
1)获取继电器在运行时的状态信息;所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压;
2)将所述状态信息输入至预先建立的继电器寿命预测模型中,得到继电器的预测寿命;其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。
本发明的继电器寿命预测方法,通过继电器触点电阻、线圈电阻、线圈电流和线圈电压的状态信息来对继电器的寿命进行预测,其预测精度高。
本实施例中,继电器寿命预测模型为基于流行正则化分层极限学习机的寿命预测模型,先利用多层特征提取层对状态信息进行深度特征提取,再基于流行正则化对继电器的寿命进行预测。
本发明一方面利用分层极限学习机对样本数据进行深度特征提取,再对继电器寿命进行预测,其二是利用未标记的样本来弥补样本数据不足的问题,将流行正则化的思想运用到预测层的目标函数中,能够提高继电器寿命预测的准确性;将继电器的触点电阻,线圈电阻,线圈电压以及电流作为网络的输入,流行正则化分层极限学习机的寿命预测模型先利用多层稀疏编码网络对输入数据进行特征提取,然后在分层极限学习机预测层中将流行正则化的思想引入其中,提高了预测的实时性,保证了寿命预测的精度。
本实施例中,采用多层特征提取层对状态信息进行深度特征提取的过程为:
2.1b)采集样本数据,确定带输出的样本数据量以及未带输出的样本数据量;l为带输出的样本数据量,u为未带输出的样本数据量;其中输入为X,输出为Y,X=[R(c),R(q),U(q),I(q)],其中R(c)表示继电器触点电阻,R(q)表示继电器线圈电阻,U(q)表示继电器线圈电压,I(q)表示继电器线圈电流;
n=l+u
xm=[xm1,xm2...xm4];
2.2b)确定特征提取层的基本结构以及参数
确定流行正则化分层极限学习机中特征提取层的层数以及每个特征提取层所包含的神经元的个数;初始化各个特征提取层隐含层神经元的个数,通过不断增加特征提取层神经元的个数,通过训练以及测试在不同特征提取层的神经原个数下整个模型的预测精度,根据预测精度以及系统训练时间,测试时间来确定特征提取层隐含层的神经原个数,确定特征提取层的层数范围P,P的取值范围为[2,5],每个特征提取层的神经元个数小于训练的样本数据。
2.3b)确定特征提取层的激励函数Gi,i为第i层特征提取层,i的取值范围为[1,P];激励函数的选择可取‘sig’,‘sin’,‘hardlim’;
2.4b)初始化特征提取层第i层的输入权重Ai以及输出偏置Bi;
Ai为Li行,Q列,取值范围为[-1,1]的随机矩阵;
Bi为1行,M列,取值范围为[-1,1]的随机矩阵;
其中Q为神经网络输入数据的维度,M为每层特征提取层期望输出的行数,Li为特征提取层神经元个数;
2.5b)对输入数据的特征提取,输入数据的特征提取需要经过M层隐含层,通过M层隐含层不断提取特征值,其中βi为提取的第i层特征值,Ti为特征提取层的第i层输出,T0为输入X,l1为训练时候的惩罚期限;
如果所选取的激励函数为‘sin’,则有Hi=sin(AiTi-1+Bi);
如果所选取的激励函数为‘hardlim’,则有Hi=hardlim(AiTi-1+Bi);
在求解βi的时候,其目标函数定义为:
令p(βi)=||Hiβi-Ti-1||2
Oβi=p(βi)+q(βi)
通过阈值收缩算法来确定βi,确定好βi之后,计算每一特征提取层的输出Ti
Ti=(Hi T*βi)T
上述通过阈值收缩算法来确定βi的具体步骤如下:
本实施例中,建立继电器寿命预测模型的过程为:
2.1a)对有标记的样本数据以及无标记的样本数据构建拉普拉斯图;确定寿命预测层神经元个数E;
2.2a):确定预测层神经元个数E,初始化继电器寿命预测层的输入权重Ai+1以及偏置Bi+1;
Ai+1为E行,Q列,取值范围为[-1,1]的随机矩阵;
Bi+1为1行,Q列,取值范围为[-1,1]的随机矩阵;
Q为最后一层特征提取层输出矩阵Ti的行数;
2.3a)使用K近邻法计算单个样本与相邻样本之间的距离,计算相似度,构建相似度矩阵W;
当e(xi,xj)=0时,wij=0
其中ρ为宽度参数;xi,xj为两个样本数据点;
2.4a)计算拉普拉斯矩阵L;
yi,yj是样本点xi,xj的输出预测值;
根据流行正则化原理,最小化成本函数Lm,得到从l个有输出的数据和u个无输出的数据中建立的拉普拉斯矩阵:
L=D-W
其中D是一个对角矩阵,对角元素为:
2.5a)确定寿命预测层的激励函数G;
2.6a)计算寿命预测层的输出矩阵H,通过目标函数确定寿命预测层的输出权值矩阵β,确定最优目标函数中的正则化因子;
目标函数的具体形式为:
2.7a)建立继电器寿命预测模型。
本发明还相应公开了一种继电器寿命预测系统,包括
第一模块,用于获取继电器在运行时的状态信息;所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压;
第二模块,用于将所述状态信息输入至预先建立的继电器寿命预测模型中,得到继电器的预测寿命;其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。
本发明的继电器寿命预测系统,用于执行如上所述的预测方法,同样具有如上方法所述的优点。
下面通过一具体实施例,对本发明提出的基于流行正则化分层极限学习机的继电器寿命预测方法与对应控制系统结构(如图3所示)的结合做进一步说明:
本发明主要包含对继电器运行参数数据进行特征提取与在流行正则化思想下对继电器寿命进行预测两个部分。特征提取就是将获取的继电器运行参数数据进行深度特征提取,训练;基于流行正则化预测就是将流行正则化的思想引入预测层中进行训练,确定最后一层的网络结构图。确定好系统的网络结构图之后,就可以通过网络运行得到继电器的预测寿命,主要实现步骤如下:
由图2可知,基于流行正则化的分层极限学习机的输入层的神经元个数为4,特征提取层有2层,每层的特征提取层的神经元个数为分别为30个,30个,最后一层神经元个数为400个,输出层神经元个数为1,其训练步骤如下:
训练数据以及测试数据都是通过现场所测得的真实数据,训练数据是带输出的1000组数据以及未带输出的500组数据,测试数据是带输出的500组数据,将这些数据先进行标准化处理。其中整个系统的仿真是在Matlab仿真平台上进行的。
第一部分:多层特征提取层对数据进行深度特征提取
Step 1-1:确定特征提取层的基本结构以及参数
根据实际情况,确定特征提取层层数为2,确定特征提取层神经元个数,用M文件编写一个for循环语句,在循环内部调用流行正则化分层极限学习机程序,初始化除了特征提取层神经元个数的所有参数,在程序中,让特征提取层神经元个数不断增加,当循环程序停止后,分析测试,训练的误差以及时间,寻求最合适的特征提取层神经元的个数L1,L2,确定其分别为30,30。
Step 1-2:确定特征提取层的激励函数Gi,选取不同的激励函数‘sig’,‘sin’以及‘hardlim’三种激励函数进行模型训练与测试,根据运行时间以及运行误差分析,选取特征层的激励函数为‘sig’;
Step 1-3:确定了特征提取层的神经元个数,初始化特征层的输入权重A1,A2以及输出偏置B1,B2;
A1、A2分为[-1,1]范围内随机选取的30×4、30×4矩阵;
B1、B2分为[0,1]范围内随机选取的30×1、30×1矩阵;
Step 1-4:对输入数据的特征提取,输入数据的特征提取需要经过2层隐含层,通过2层不断提取特征值,其中β1为提取的第1层特征值,T1为特征提取层的第1层输出;其中为β2提取的第2层特征值,T2为特征提取层的第2层输出;H1,H2分别为输入层与第一隐含层、第一隐含层与第二隐含层的连接权重;
Setp 1-5:利用阈值收缩算法来确定β1、β2的具体的算法步骤如下:
计算出β1与β2之后,计算T1和T2;
T1=(H1 T*β1)T
T2=(H2 T*β2)T
第二部分:流行正则化极限学习机寿命预测实现步骤
Step 2-1:对有标记的1000组训练样本数据以及无标记的500组训练样本数据构建拉普拉斯图;
Step 2-2:确定预测层的神经元个数,初始化继电器寿命预测层的输入权重A3以及偏置B3,通过M文件编写一个for循环语句,在循环内部调用流行正则化分层极限学习机程序,初始化预测层神经元个数为50;在程序中,让预测层神经元个数不断增加,知道神经元个数达到500时候,程序停止。当循环程序停止后,分析测试,训练的误差以及时间,寻求最合适的预测层神经元的个数E,确定其为400;
A3为400行,4列,取值范围为[-1,1]的随机矩阵;
B3为1行,4列,取值范围为[-1,1]的随机矩阵;
Step 2-3:确定宽度参数ρ,构建相似度矩阵W;
根据实际算法经验,确定其宽度参数ρ;
当e(xi,xj)=0时,wij=0
其中ρ为宽度参数;xi,xj为两个样本数据点;
Step 2-4:确定系统的拉普拉斯矩阵L;
yi,yj是样本点xi,xj的输出预测值
根据流行正则化原理,最小化成本函数Lm,得到从l个有输出的数据和u个无输出的数据中建立的拉普拉斯矩阵:
L=D-W
其中D是一个对角矩阵,对角元素为:
Step 2-5:确定寿命预测层的激励函数G,选取不同的激励函数‘sig’,‘sin’以及‘hardlim’三种激励函数进行模型训练与测试,根据运行时间以及运行误差分析,选取预测层的激励函数为‘hardlim’;
Step 2-6:计算寿命预测层的输出矩阵H,通过目标函数确定寿命预测层的输出权值矩阵β,确定最优目标函数中的正则化因子C与λ;其中使用单一变量法让λ,C在不同的预测层神经元个数下进行仿真,确定λ,C;
目标函数的具体形式为:
Step 2-7:建立继电器寿命预测模型,输入继电器运行参数,得到继电器的预测寿命。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的继电器寿命预测方法的步骤。本发明还公开了一种计算机设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序在被处理器运行时执行如上所述的继电器寿命预测方法的步骤。本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种继电器寿命预测方法,其特征在于,包括步骤:
1)获取继电器在运行时的状态信息;所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压;
2)将所述状态信息输入至预先建立的继电器寿命预测模型中,得到继电器的预测寿命;其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。
2.根据权利要求1所述的继电器寿命预测方法,其特征在于,所述继电器寿命预测模型为基于流行正则化分层极限学习机的寿命预测模型,先利用多层特征提取层对状态信息进行深度特征提取,再基于流行正则化对继电器的寿命进行预测。
3.根据权利要求2所述的继电器寿命预测方法,其特征在于,所述继电器寿命预测模型的建立过程为:
2.1a)对有标记的样本数据以及无标记的样本数据构建拉普拉斯图;
2.2a)确定预测层神经元个数,初始化各继电器寿命预测层的输入权重以及偏置;
2.3a)使用K近邻法计算单个样本与相邻样本之间的距离,计算相似度,构建相似度矩阵;
2.4a)计算拉普拉斯矩阵;
2.5a)确定寿命预测层的激励函数;
2.6a)计算寿命预测层的输出矩阵H,通过目标函数确定寿命预测层的输出权值矩阵β,确定最优目标函数中的正则化因子;
2.7a)建立继电器寿命预测模型。
5.根据权利要求2~4中任意一项所述的继电器寿命预测方法,其特征在于,采用多层特征提取层对状态信息进行深度特征提取的过程为:
2.1b)采集样本数据,确定带输出的样本数据量以及未带输出的样本数据量;
2.2b)确定特征提取层的基本结构以及参数;
2.3b)确定特征提取层的激励函数Gi;
2.4b)初始化特征提取层第i层的输入权重Ai以及输出偏置Bi;
2.5b)通过阈值收缩算法来确定第i层特征值βi,确定好βi之后,计算每一特征提取层的输出Ti。
6.根据权利要求5所述的继电器寿命预测方法,其特征在于,在步骤2.2b)中,确定流行正则化分层极限学习机中特征提取层的层数以及每个特征提取层所包含的神经元的个数;初始化各个特征提取层隐含层神经元的个数,通过不断增加特征提取层神经元的个数,通过训练以及测试在不同特征提取层的神经原个数下整个模型的预测精度,根据预测精度以及系统训练时间,测试时间来确定特征提取层隐含层的神经原个数,确定特征提取层的层数范围P,每个特征提取层的神经元个数小于训练的样本数据。
8.一种继电器寿命预测系统,其特征在于,包括
第一模块,用于获取继电器在运行时的状态信息;所述状态信息包括继电器触点电阻、线圈电阻、线圈电流和线圈电压;
第二模块,用于将所述状态信息输入至预先建立的继电器寿命预测模型中,得到继电器的预测寿命;其中继电器寿命预测模型中预设有状态信息与预测寿命之间的映射关系。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~7中任意一项所述的继电器寿命预测方法的步骤。
10.一种计算机设备,包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求1~7中任意一项所述的继电器寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987102.2A CN112098833B (zh) | 2020-09-18 | 2020-09-18 | 一种继电器寿命预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010987102.2A CN112098833B (zh) | 2020-09-18 | 2020-09-18 | 一种继电器寿命预测方法、系统、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112098833A true CN112098833A (zh) | 2020-12-18 |
CN112098833B CN112098833B (zh) | 2023-10-13 |
Family
ID=73759488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010987102.2A Active CN112098833B (zh) | 2020-09-18 | 2020-09-18 | 一种继电器寿命预测方法、系统、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098833B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872120A (zh) * | 2024-01-16 | 2024-04-12 | 珠海市明辉达科技有限公司 | 一种继电器寿命测试方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010041998A1 (de) * | 2010-10-05 | 2012-04-05 | Robert Bosch Gmbh | Verfahren zur Vorhersage der Einsatzfähigkeit eines Relais oder eines Schützes |
CN104698373A (zh) * | 2013-12-10 | 2015-06-10 | 北汽福田汽车股份有限公司 | 电池包继电器寿命监测方法和监测装置 |
CN106446317A (zh) * | 2016-06-01 | 2017-02-22 | 河北工业大学 | 一种基于数学模型的密封式继电器贮存寿命预测方法 |
CN109239603A (zh) * | 2018-10-24 | 2019-01-18 | 江苏理工学院 | 一种流形正则化框架下的极限学习机预测动力电池soc方法 |
CN109975694A (zh) * | 2017-12-27 | 2019-07-05 | 株洲中车时代电气股份有限公司 | 一种继电器状态监测系统 |
CN110174610A (zh) * | 2019-05-17 | 2019-08-27 | 温州大学 | 一种基于卷积神经网络来获取交流接触器电寿命的方法 |
CN110175411A (zh) * | 2019-05-28 | 2019-08-27 | 浙江长兴笛卡尔科技有限公司 | 继电器触点弹跳状态检测方法、装置、设备及介质 |
CN110795863A (zh) * | 2019-11-12 | 2020-02-14 | 哈尔滨工业大学 | 一种基于多维设计参数的继电器寿命预测方法 |
CN211086522U (zh) * | 2019-10-16 | 2020-07-24 | 江苏泓光轨道设备有限公司 | 接触器智能综合测试平台 |
CN111458634A (zh) * | 2020-05-29 | 2020-07-28 | 党楚涵 | 一种手持式电力设备继电器在线测试仪及测试方法 |
CN111597754A (zh) * | 2020-04-16 | 2020-08-28 | 广东省智能制造研究所 | 一种屏蔽门的故障预测方法、装置、终端设备及存储介质 |
CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
-
2020
- 2020-09-18 CN CN202010987102.2A patent/CN112098833B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010041998A1 (de) * | 2010-10-05 | 2012-04-05 | Robert Bosch Gmbh | Verfahren zur Vorhersage der Einsatzfähigkeit eines Relais oder eines Schützes |
CN104698373A (zh) * | 2013-12-10 | 2015-06-10 | 北汽福田汽车股份有限公司 | 电池包继电器寿命监测方法和监测装置 |
CN106446317A (zh) * | 2016-06-01 | 2017-02-22 | 河北工业大学 | 一种基于数学模型的密封式继电器贮存寿命预测方法 |
CN109975694A (zh) * | 2017-12-27 | 2019-07-05 | 株洲中车时代电气股份有限公司 | 一种继电器状态监测系统 |
CN109239603A (zh) * | 2018-10-24 | 2019-01-18 | 江苏理工学院 | 一种流形正则化框架下的极限学习机预测动力电池soc方法 |
CN110174610A (zh) * | 2019-05-17 | 2019-08-27 | 温州大学 | 一种基于卷积神经网络来获取交流接触器电寿命的方法 |
CN110175411A (zh) * | 2019-05-28 | 2019-08-27 | 浙江长兴笛卡尔科技有限公司 | 继电器触点弹跳状态检测方法、装置、设备及介质 |
CN211086522U (zh) * | 2019-10-16 | 2020-07-24 | 江苏泓光轨道设备有限公司 | 接触器智能综合测试平台 |
CN110795863A (zh) * | 2019-11-12 | 2020-02-14 | 哈尔滨工业大学 | 一种基于多维设计参数的继电器寿命预测方法 |
CN111597754A (zh) * | 2020-04-16 | 2020-08-28 | 广东省智能制造研究所 | 一种屏蔽门的故障预测方法、装置、终端设备及存储介质 |
CN111458634A (zh) * | 2020-05-29 | 2020-07-28 | 党楚涵 | 一种手持式电力设备继电器在线测试仪及测试方法 |
CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
Non-Patent Citations (5)
Title |
---|
CHEN LIANGJUN ETC: "Correntropy-based robust multilayer extreme learning machines", 《PATTERN RECOGNITION》 * |
CHEN LIANGJUN ETC: "Correntropy-based robust multilayer extreme learning machines", 《PATTERN RECOGNITION》, vol. 84, 31 December 2018 (2018-12-31), pages 3 * |
庞皓明等: "基于流形正则化极限学习机的文本分类算法研究", 计算机工程, vol. 45, no. 6, pages 242 - 248 * |
谈发明等: "流形正则化框架下的极限学习机预测锂电池SOC方法", 《实验室研究与探索》 * |
谈发明等: "流形正则化框架下的极限学习机预测锂电池SOC方法", 《实验室研究与探索》, vol. 38, no. 5, 30 May 2019 (2019-05-30), pages 2 - 4 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872120A (zh) * | 2024-01-16 | 2024-04-12 | 珠海市明辉达科技有限公司 | 一种继电器寿命测试方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112098833B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992354B (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
CN107832581B (zh) | 状态预测方法和装置 | |
CN107153874A (zh) | 水质预测方法及系统 | |
CN111582538B (zh) | 一种基于图神经网络的社群价值预测方法及系统 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN109740655B (zh) | 基于矩阵分解及神经协同过滤的物品评分预测方法 | |
CN115222650A (zh) | 一种混合工业零件缺陷检测算法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN111476285A (zh) | 一种图像分类模型的训练方法及图像分类方法、存储介质 | |
CN114740388A (zh) | 一种基于改进tcn的锂电池剩余寿命状态评估方法 | |
CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和系统 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN112098833B (zh) | 一种继电器寿命预测方法、系统、介质及设备 | |
CN116882574A (zh) | 一种基于神经网络模型的碳排放预测方法及系统 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN115082676A (zh) | 一种伪标签模型的训练方法、装置、设备及存储介质 | |
CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
CN113989838A (zh) | 行人重识别模型训练方法、识别方法、系统、装置及介质 | |
CN113989550A (zh) | 基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法 | |
CN114819107B (zh) | 基于深度学习的混合数据同化方法 | |
CN114372618A (zh) | 一种学生成绩的预测方法、系统、计算机设备及存储介质 | |
CN114595884A (zh) | 一种遗传智能优化的神经网络风力发电设备温度预测方法 | |
CN113393023A (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN112508080A (zh) | 基于经验回放的车辆型号识别方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |