CN113742883A - 一种基于多元时间序列的交流接触器寿命周期分割方法 - Google Patents
一种基于多元时间序列的交流接触器寿命周期分割方法 Download PDFInfo
- Publication number
- CN113742883A CN113742883A CN202011313346.9A CN202011313346A CN113742883A CN 113742883 A CN113742883 A CN 113742883A CN 202011313346 A CN202011313346 A CN 202011313346A CN 113742883 A CN113742883 A CN 113742883A
- Authority
- CN
- China
- Prior art keywords
- alternating current
- characteristic parameters
- time
- current contactor
- life cycle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000011218 segmentation Effects 0.000 claims abstract description 68
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 abstract description 7
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000006731 degradation reaction Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于多元时间序列的交流接触器寿命周期分割方法,包括如下步骤:通过交流接触器全寿命试验平台系统获取交流接触器的试验数据,对试验数据进行数据处理,得到与交流接触器寿命相关的若干个特征参量;通过Naive‑RreliefF算法,对特征参量进行变量选择,去除冗余特征参量以及无关特征参量,得到最优特征参量;结合最优特征参量,对交流接触器全寿命周期对应的时间序列进行分段,得到包含最优特征参量的时间序列片段。通过采用基于Relief‑F的Naive的变量选择方法和基于Bellman优化原则的多元时间序列分割方法,具有良好的准确性与鲁棒性,兼顾时间序列的动态特性,具有十分重要的实用价值,实现了交流接触器寿命周期的有效分割,为其全寿命状态的精确评估做好了准备。
Description
技术领域
本发明涉及电力设备检测技术领域,特别涉及一种基于多元时间序列的交流接触器寿命周期分割方法。
背景技术
有触点电器在其使用过程中必然会出现性能退化。而智能电网提出电器产品本身应具备感知、判断及预警的功能,希望在电器性能退化的过程中显示出有效的状态信息。目前,国内外通过对电器开关理论深入分析,统计大量试验数据,研究开关电器的失效机理,将有助于加快智能电器设备的研究进程。
触头在闭合过程中会由于机械振动而产生弹跳,弹跳会使动、静触头之间产生金属桥及短电弧,这会造成动、静触头接触面的金属材料的散失而造成触头的电磨损。随着使用时间的增长,触头的磨损量增加,这就使触头的开距和超程逐渐增大,触头终压力减小,从而使触头温升逐渐增高。当触头磨损到一定程度,使触头温升超过产品标准规定的允许温升或触头超程减小到接近于零,此时触头不能可靠接触,触头就不能使用了。
通过在交流接触器全寿命试验平台系统对交流接触器进行试验,得到表征交流接触器寿命状态的多种特征参数。在现有对开关电器触头寿命预测模型的数学研究方法中,无法经由电接触理论给出明确的特征参数,也无法明确指出相邻触头寿命状态间的区别,无法对寿命阶段进行预测与划分,更无法进一步确定各特征参数在寿命退化过程中的权重。
发明内容
本发明实施例的目的是提供一种基于多元时间序列的交流接触器寿命周期分割方法,通过采用基于Relief-F的Naive的变量选择方法和基于Bellman优化原则的多元时间序列分割方法,具有良好的准确性与鲁棒性,兼顾时间序列的动态特性,具有十分重要的实用价值,实现了交流接触器寿命周期的有效分割,为其全寿命状态的精确评估做好了准备。
为解决上述技术问题,本发明实施例提供了一种基于多元时间序列的交流接触器寿命周期分割方法,包括如下步骤:
通过交流接触器全寿命试验平台系统获取交流接触器的试验数据,对所述试验数据进行数据处理,得到与所述交流接触器寿命相关的若干个特征参量;
通过Naive-RreliefF算法,对所述特征参量进行变量选择,去除冗余特征参量以及无关特征参量,得到最优特征参量;
结合所述最优特征参量,对所述交流接触器全寿命周期对应的时间序列进行分段,得到包含所述最优特征参量的时间序列片段。
进一步地,所述得到包含所述最优特征参量的时间序列片段之后,还包括:
对所述时间序列分段进行评估,得到所述交流接触器寿命的全局最优分割结果。
进一步地,所述对所述时间序列分段进行评估得到所述交流接触器寿命的全局最优分割结果之后,还包括:
对分割后的所述时间序列分段进行合并,以实现较长时间序列的分割。
进一步地,所述全局最优的分隔结果包括:最优分割阶数为N=1320、最优分割片段为[tN,tN+28]。
进一步地,所述得到包含所述最优特征参量的时间序列片段之后,还包括:
对所述时间序列片段进行模糊聚类,得到最优分割窗口期内的趋势项和周期项。
进一步地,所述对所述试验数据进行数据处理,包括:
对所述试验数据进行时域特征提取、频率特征提取、时频域特征提取和/或分形特征提取。
进一步地,所述对所述试验数据进行时域特征提取、频率特征提取、时频域特征提取和/或分形特征提取之前,还包括:
对所述试验数据进行去噪处理,依据预设阈值去除所述试验数据中的异常值;
其中,所述异常值为数值过大或数值过小的离群点。
进一步地,所述试验数据包括:所述交流接触器的三相主回路电流电压值和线圈的电流电压值。
进一步地,所述特征参量包括:接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间和/或释放时间。
进一步地,所述最优特征参量包括:接触电阻和/或吸合时间。
本发明实施例的上述技术方案具有如下有益的技术效果:
通过采用基于Relief-F的Naive的变量选择方法和基于Bellman优化原则的多元时间序列分割方法,具有良好的准确性与鲁棒性,兼顾时间序列的动态特性,具有十分重要的实用价值,实现了交流接触器寿命周期的有效分割,为其全寿命状态的精确评估做好了准备。
附图说明
图1是现有技术中的交流接触器全寿命试验平台系统的主回路原理图;
图2是交流接触器退化机理与典型特征参数图;
图3是本发明实施例提供的基于多元时间序列的交流接触器寿命周期分割方法流程图;
图4是本发明实施例提供的基于多元时间序列的接触器寿命信息与寿命分割方法示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
图1是现有技术中的交流接触器全寿命试验平台系统的主回路原理图。
请参照图1,交流接触器全寿命试验平台系统基于Labview软件进行程序设计。采用状态机结构设计模式,并与下位机进行实时通信,实现对接触器通断的自动控制及试验数据的自动采集与存储,测试系统可以很好地满足试验要求。图1中各个符号的具体含义如表1所示。
表1
图2是交流接触器退化机理与典型特征参数图。
请参照图2,在对交流接触器全寿命状态模型建模时,会有接触电阻、燃弧时间、燃弧能量、振动信号、超程时间、吸合时间、释放时间、触头撞击速度等特征参量,每个特征参量对动态模型的影响大小是不一样的,也就是每个特征参量在表征寿命目标时的权重大小是不同的,而各个特征参量也随着时间变化而发生权重的重新组合,所以首先要计算特征向量在评价寿命指标时所占的比例,得到大致的权重分配,在进行动态权重的研究,以期精确估计交流接触器目前所处的寿命状态。
交流接触器广泛应用在电力系统中,其安全可靠运行对提高电网可靠供电具有十分重要的意义。准确的状态评估是交流接触器实现状态维修的基础。本文提出将多元时间序列分析方法引入交流接触器全寿命模型中,分析交流接触器触头材料的退化规律,对应交流接触器所处的性能衰退状态,关键是要通过数学方法找到可以影响或表征交流接触器电寿命状态的特征参数或典型相貌特征。要求这些特征有一定的物理意义,与交流接触器的运行状态紧密相关,是可以反映交流接触器工作状态的重要特征;并且易于测量与观测,且相对稳定,随着交流接触器工作或试验时间的延长,有一定的趋势性变化,方便监测和后续分析。
图3是本发明实施例提供的基于多元时间序列的交流接触器寿命周期分割方法流程图。
图4是本发明实施例提供的基于多元时间序列的接触器寿命信息与寿命分割方法示意图。
请参照图3和图4,本发明实施例提供一种基于多元时间序列的交流接触器寿命周期分割方法,包括如下步骤:
S100,通过交流接触器全寿命试验平台系统获取交流接触器的试验数据,依据低压电器相关理论,对试验数据进行数据处理,得到与交流接触器寿命相关的若干个特征参量。
上述试验数据经由交流接触器全寿命试验得到,排除外部环境因素的干扰,即对同一型号的接触器样本数据进行分析计算,所得到的数据具有很高的工程研究价值。
本技术方案充分考虑了交流接触器电参数、机械参数和环境参数对于其运行状态结果的影响,通过数学分析方法的筛选,确保后续评估模型建立的准确性。
S200,通过Naive-RreliefF算法,对特征参量进行变量选择,去除冗余特征参量以及无关特征参量,得到最优特征参量。
上述技术方案结合具备非线性逼近、自适应、自学习性能力结合特点的多元时间序列预测模型。适当优化所选预测方法,能更准确模拟和预测时间序列的变化规律,较好满足对复杂的动态信息分析预测需求。
为合理利用寿命状态中蕴含的多变量序列信息,本部分将多变量预测模型输入变量选择方法引入交流接触器寿命状态评估中。对于多元复杂系统的预测研究,如何分析多元变量之间的相互关系,进而选择合适的输入变量子集、改善模型的预测效果是尤为重要的问题。
考虑到交流接触器寿命数据属于典型的非线性数据,建立如下的非线性离散系统:
y(k)=f(x(k)),
x(k)=[u(k),...,u(k-m+1),y(k-1),...,y(k-n)],
其中,m和n为原始寿命数据的阶次,f为准备参与拟合的非线性函数。
其中xi与yi分别表示各自矩阵X和Y第i行向量。
若矩阵X中的各行向量均为构建模型的必要变量,则称矩阵是关于输入和输出变量一致的。但在交流接触器寿命数据中,X中除了相关变量之外,还可能包含对寿命状态没有影响的无关变量和冗余变量。
Naive变量选择方法的基本思想是,依次移除矩阵中的特定变量,根据移除前后矩阵的一致性变化情况,确定模型的主要输入变量。定义变量Θ为矩阵Z中不相同的行数,变量λ为矩阵中不满足式(4)的行数,即:
xi=xj∩yi≠yj。
因此,当从矩阵Z中移除某一列i之后,将得到对应的矩阵Zi,以及相应的Θi和λi。此时,将可能出现以下三种情况:
1、Θi=Θ∩λi=λ,移除的变量为冗余变量,可以根据定义移除;
2、Θi<Θ∩λi=λ,表明移除的变量为无关变量,且移除该变量可以降低输入的维数;
3、Θi<Θ∩λi>λ,表明移除的变量为相关变量,不应从输入子集中移除。
为克服Naive方法无法有效应用于连续数据的缺陷,本发明技术方案采用基于Relief-F的Naive变量选择方法,其步骤如下:
步骤1:选择最大重复采样次数m以及邻域个数k。
步骤3:如果n>m,则根据下式计算一致性评价函数χ并转至步骤(4),否则转至步骤(2),
其中,χ为包含d个输入变量的联合矩阵Z的一致性评价函数,m为不相同的样本实例xi的个数。
步骤4:逐次移除矩阵X中的各列向量,并计算相应的一致性评价函数χi。
步骤5:找出满足χi<χ且χi最小的变量,将其从矩阵Z中移除,并转至步骤(4)。否则如果不存在满足此条件的变量,则算法结束,余下变量的则为最优输入子集。
S300,结合最优特征参量,对交流接触器全寿命周期对应的时间序列进行分段,得到包含最优特征参量的时间序列片段。
进一步地,步骤S300中的得到包含最优特征参量的时间序列片段之后,还包括:S310,对时间序列分段进行评估,得到交流接触器寿命的全局最优分割结果。
进一步地,步骤S310中的对时间序列分段进行评估得到交流接触器寿命的全局最优分割结果之后,还包括:
S320,对分割后的时间序列分段进行合并,以实现较长时间序列的分割。
具体的,全局最优的分隔结果包括:最优分割阶数为N=1320、最优分割片段为[tN,tN+28]。
具体的,步骤S300中的得到包含最优特征参量的时间序列片段之后,还包括:
对时间序列片段进行模糊聚类,得到最优分割窗口期内的趋势项和周期项。
本技术方案采用基于时间序列的动态分割方法。
首先,假设将经过选择后的变量的时间序列为L={l1,l2,...,lT},当表征寿命的时间序列被分为N个时间序列片段时,结果为t={t0,t1,...,tN},其中第i个时间序列片段的长度表示为ni=ti-ti-1。基于合理粒化原则构造区间信息粒Ωi=[ai,bi]用于描述的yi特征。量化Ωi中包含的数据个数记为基数card{li|li∈Ωi},区间长度m(Ωi)=|bi-ai|用来度量Ωi。为兼顾信息粒的合理性及语义清晰度,设函数g=g1·g2,其中g1是基数的增函数,g2是区间长度的减函数。选取的函数形式为:
g1(δ)=δ,
g2(δ)=e-αδ,
其中α>0,数值大小与数据特殊性成正相关。
信息粒的上界ai和下界bi对于给定的α有:
则信息粒的指标Vol(Ωi)为:
其中ni为第i个时间序列片段的长度,则要建立的信息粒的指标为:
其次,多元时间序列分割问题是指对于给定的M维时间序列L={l1,l2,...,lT},lt=(l1t,l2t,...,lMt)T,根据时间序列的变化规律,对时域{1,2,...,T}进行相应的划分。假设将时间序列划分为N个片段,所获得的分割结果为t={t0,t1,...,tN},那么分割结果t满足0=t0<t1<...<tN=T在时间序列分割问题中,时间点t0,t1,...,tN称为分割边界,区间[t0+1,t1],[t1+1,t2],...,[tN-1+1,tN]称为分割片段,分割片段的个数N称为分割阶数。
因此,将多元时间序列分割问题转化为最小化分割代价问题,分割误差为es,t(0≤s<t≤T):
在多元时间序列分割时,使得分割代价取得最小值的分割定义为最优分割,记作:
分割误差用来衡量真实数据与分割模型间的归一化差异,分割误差的递归公式如下:
其中,δA是在时间序列{ls,ls+1,...,lt}添加lt+1后回归参数的变化情况,记作Γs,t+1是时间序列{ls,ls+1,...,lt}添加lt+1后时间序列片段长度的变化情况,Γs,t矩阵形式如下:
在计算完所有分割段的分割误差后,着手使用动态规划算法来解析最佳分割结果。根据Bellman优化原则,如果动态规划算法解决连续决策过程时,中间某时间段的策略属于次优决策,则该策略并非全局最优策略。常规的时间序列分割技术不能使用穷举搜索算法来获得分割边界,而通过动态编程算法,可以检验所有可能的分割。
运用动态规划算法来最小化分割代价能够得到全局最优的分割结果,该求解过程主要包含以下两个步骤:首先是根据分割误差运用式来依次计算时间序列{l1,l2,...,lT},最优分割的分割代价,并记录最优分割结果对应的分割边界,直到计算得到整个时间序列最优分割的分割代价;然后通过回溯来寻找使得整个时间序列分割代价取得最小值的分割边界。运用该动态规划分割方法,能够对当分割阶数N=1,2,...,Nmax时分别得到最优分割结果,其中是Nmax给定的分割阶数最大值。
最后,根据贝叶斯信息准则(BIC)确定自回归阶数和分割阶数。分割阶数N和自回归阶数ω的关系如下:
具体的,步骤S100中,对试验数据进行数据处理,包括:
对试验数据进行时域特征提取、频率特征提取、时频域特征提取和/或分形特征提取。
进一步地,在对试验数据进行时域特征提取、频率特征提取、时频域特征提取和/或分形特征提取之前,还包括:
对试验数据进行去噪处理,依据预设阈值去除试验数据中的异常值;
其中,异常值为数值过大或数值过小的离群点。
具体的,试验数据包括:交流接触器的三相主回路电流电压值和线圈的电流电压值。
具体的,特征参量包括:接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间和/或释放时间。
进一步地,最优特征参量包括:接触电阻和/或吸合时间。
如图4所示,由于每个预测模型都有自身的特点和应用局限性,反映数据信息也存在一定差异,因此使用单个模型进行预测难免会丢失部分数据信息。现代时间序列分析则建立多变量、非平稳、时变参数、考虑观测噪声的数学模型,可在线递推估计模型的阶数,实时校正模型参数,适应过程时变性,达到自适应预测,基于多元时间序列的方法能大大提高有效信息的完整性。
表2
等级 | 分级策略 | 检修策略 |
第Ⅰ级 | 严重故障 | 应立即停机 |
第Ⅱ级 | 中度故障 | 有加重趋势,尽快安排检修 |
第Ⅲ级 | 轻度故障 | 注意,制定检修计划 |
第Ⅳ级 | 正常 | 系统运行正常 |
第Ⅴ级 | 健康 | 无需维修,检修计划可以延长 |
如表2所示,基于多元时间序列的交流接触器寿命周期分割方法构建了交流接触器状态评估体系,并针对其自身的特点,初步给出了预分割下的状态评估的分级策略和检修策略。
d个特征参数可以建模为一个向量随机变量X=(X1,X2,...,Xd)T,而点xi是与X独立同分布的随机样本。另外,若结合概率分布的方法,可知很多实际观察到的变量都近似服从正态分布,而正态分布在密度估计与分类的参量分布中又有哲重要的作用,故若X服从多元正态分布(multivariate normal distribution)或近似服从多元正态分布,即可构建其几何结构,进而通过对一些概率分布值的计算,对整个模型的建立或得出普遍规律提供重要依据。而若结合神经网络,将具有强非线性映射能力、泛化能力和容错能力,可实现多特征参数的多步预测,也可实现自适应预测。但是不足是网络结构难以确定、易陷入局部极小值、所需训练样本大。神经网络具有并行处理、自适应自组织、联想记忆及容错和鲁棒性等特点。
本发明实施例旨在保护一种基于多元时间序列的交流接触器寿命周期分割方法,包括如下步骤:通过交流接触器全寿命试验平台系统获取交流接触器的试验数据,对试验数据进行数据处理,得到与交流接触器寿命相关的若干个特征参量;通过Naive-RreliefF算法,对特征参量进行变量选择,去除冗余特征参量以及无关特征参量,得到最优特征参量;结合最优特征参量,对交流接触器全寿命周期对应的时间序列进行分段,得到包含最优特征参量的时间序列片段。上述技术方案具备如下效果:
通过采用基于Relief-F的Naive的变量选择方法和基于Bellman优化原则的多元时间序列分割方法,具有良好的准确性与鲁棒性,兼顾时间序列的动态特性,具有十分重要的实用价值,实现了交流接触器寿命周期的有效分割,为其全寿命状态的精确评估做好了准备。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,包括如下步骤:
通过交流接触器全寿命试验平台系统获取交流接触器的试验数据,对所述试验数据进行数据处理,得到与所述交流接触器寿命相关的若干个特征参量;
通过Naive-RreliefF算法,对所述特征参量进行变量选择,去除冗余特征参量以及无关特征参量,得到最优特征参量;
结合所述最优特征参量,对所述交流接触器全寿命周期对应的时间序列进行分段,得到包含所述最优特征参量的时间序列片段。
2.根据权利要求1所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,所述得到包含所述最优特征参量的时间序列片段之后,还包括:
对所述时间序列分段进行评估,得到所述交流接触器寿命的全局最优分割结果。
3.根据权利要求2所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,所述对所述时间序列分段进行评估得到所述交流接触器寿命的全局最优分割结果之后,还包括:
对分割后的所述时间序列分段进行合并,以实现较长时间序列的分割。
4.根据权利要求2所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,
所述全局最优的分隔结果包括:最优分割阶数为N=1320、最优分割片段为[tN,tN+28]。
5.根据权利要求1所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,所述得到包含所述最优特征参量的时间序列片段之后,还包括:
对所述时间序列片段进行模糊聚类,得到最优分割窗口期内的趋势项和周期项。
6.根据权利要求1所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,所述对所述试验数据进行数据处理,包括:
对所述试验数据进行时域特征提取、频率特征提取、时频域特征提取和/或分形特征提取。
7.根据权利要求6所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,所述对所述试验数据进行时域特征提取、频率特征提取、时频域特征提取和/或分形特征提取之前,还包括:
对所述试验数据进行去噪处理,依据预设阈值去除所述试验数据中的异常值;
其中,所述异常值为数值过大或数值过小的离群点。
8.根据权利要求1-7任一所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,
所述试验数据包括:所述交流接触器的三相主回路电流电压值和线圈的电流电压值。
9.根据权利要求1-7任一所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,
所述特征参量包括:接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间和/或释放时间。
10.根据权利要求9所述的基于多元时间序列的交流接触器寿命周期分割方法,其特征在于,
所述最优特征参量包括:接触电阻和/或吸合时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011313346.9A CN113742883A (zh) | 2020-11-20 | 2020-11-20 | 一种基于多元时间序列的交流接触器寿命周期分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011313346.9A CN113742883A (zh) | 2020-11-20 | 2020-11-20 | 一种基于多元时间序列的交流接触器寿命周期分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113742883A true CN113742883A (zh) | 2021-12-03 |
Family
ID=78728113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011313346.9A Pending CN113742883A (zh) | 2020-11-20 | 2020-11-20 | 一种基于多元时间序列的交流接触器寿命周期分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742883A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006072666A (ja) * | 2004-09-01 | 2006-03-16 | Japan Science & Technology Agency | 時系列データ判定方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN108599152A (zh) * | 2018-05-09 | 2018-09-28 | 清华大学 | 电力系统暂态稳定性评估的关键状态变量选取方法及装置 |
CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
CN109697504A (zh) * | 2018-11-09 | 2019-04-30 | 山东师范大学 | 基于直觉循环模糊神经网络的时间序列预测方法及装置 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
-
2020
- 2020-11-20 CN CN202011313346.9A patent/CN113742883A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006072666A (ja) * | 2004-09-01 | 2006-03-16 | Japan Science & Technology Agency | 時系列データ判定方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN108599152A (zh) * | 2018-05-09 | 2018-09-28 | 清华大学 | 电力系统暂态稳定性评估的关键状态变量选取方法及装置 |
CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
CN109697504A (zh) * | 2018-11-09 | 2019-04-30 | 山东师范大学 | 基于直觉循环模糊神经网络的时间序列预测方法及装置 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
Non-Patent Citations (3)
Title |
---|
刘子春: "基于数据驱动的交流接触器全寿命状态评估研究", 中国优秀硕士学位论文全文数据库 工程 科技II辑, pages 1 - 50 * |
牟少敏,时爱菊: "模式识别与机器学习技术", 30 June 2019, 冶金工业出版社, pages: 6 - 8 * |
郭红月: "多元时间序列分割与预测方法及应用研究", 中国博士学位论文全文数据库 经济与管理科学辑, pages 1 - 71 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Fault diagnosis of power transformers using computational intelligence: A review | |
Moradzadeh et al. | Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults | |
Chen et al. | Railway turnout system RUL prediction based on feature fusion and genetic programming | |
Yang et al. | Machine condition prognosis based on regression trees and one-step-ahead prediction | |
Hollmén | User profiling and classification for fraud detection in mobile communications networks | |
Luo et al. | A data-driven two-stage maintenance framework for degradation prediction in semiconductor manufacturing industries | |
Bontempi et al. | An adaptive modular approach to the mining of sensor network data | |
Shi et al. | Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction | |
Ismail et al. | Quality monitoring in multistage manufacturing systems by using machine learning techniques | |
Keartland et al. | Automating predictive maintenance using oil analysis and machine learning | |
Asmai et al. | A framework of an intelligent maintenance prognosis tool | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN114580934A (zh) | 基于无监督异常检测的食品检测数据风险的早预警方法 | |
Chen et al. | Condition-driven soft transition modeling and monitoring strategy for complex nonstationary process | |
CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
CN113742993B (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
Singh et al. | A review of intelligent diagnostic methods for condition assessment of insulation system in power transformers | |
CN113485863A (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
Fan | Data mining model for predicting the quality level and classification of construction projects | |
CN113742883A (zh) | 一种基于多元时间序列的交流接触器寿命周期分割方法 | |
Huang et al. | Data mining for oil‐insulated power transformers: an advanced literature survey | |
Xing-yu et al. | Autoencoder-based fault diagnosis for grinding system | |
Stoyanov et al. | Similarity approach for reducing qualification tests of electronic components |
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 |