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，對交流接觸器進行壽命預測不僅可以有效維持電力系統(tǒng)正常運行，還可以最大限度地利用其工作能力。針對交流接觸器剩余壽命預測問題，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測方法。將能夠反映交流接觸器運行狀態(tài)的特征參數(shù)作為預測模型的輸入樣本，進行循環(huán)神經(jīng)網(wǎng)絡(luò)預測模型訓練，并進行預測。結(jié)果表明，基于循環(huán)神經(jīng)網(wǎng)絡(luò)的壽命預測模型對交流接觸器剩余壽命預測具有較好的準確性。

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

一、交流接觸器剩余壽命預測意義

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，主要對交流回路及大電流控制電路進行遠距離頻繁的通斷操作[1]。其工作狀態(tài)對整個電網(wǎng)的安全運行有著關(guān)鍵性作用。對交流接觸器進行剩余壽命預測不僅可以有效地防止因其發(fā)生突發(fā)性故障而導致整個系統(tǒng)的癱瘓，而且可以最大限度地利用其工作能力[2]。對于接觸器剩余壽命預測問題，國內(nèi)外學者近年來做了很多工作，基于數(shù)據(jù)驅(qū)動模型，特別是深度學習模型，因為其結(jié)構(gòu)具有深度、非線性和自適應(yīng)能力強等優(yōu)點，廣泛應(yīng)用在電器設(shè)備的剩余壽命預測問題中[3]。基于深度學習的方法可以直接對電器設(shè)備壽命相關(guān)數(shù)據(jù)進行建模。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)計模型，所以基于深度學習的方法非常適合解決復雜電器設(shè)備的剩余壽命預測問題。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork，RNN）結(jié)構(gòu)中應(yīng)用了時序的概念，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)每層之間的節(jié)點無連接，而循環(huán)神經(jīng)網(wǎng)絡(luò)保存了當前隱藏層的信息，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]，因此更適合解決時間序列數(shù)據(jù)分析的問題。

因為交流接觸器運行狀態(tài)的影響因素較多，并且其整個運行過程可視為一個長時間序列，因此，本文采用基于RNN網(wǎng)絡(luò)的方法，對交流接觸器剩余壽命進行預測，從而得到較為準確的預測結(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前時刻及先前獲取的信息并用于計算當前的輸出[6]。

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

損失函數(shù)值可以降低到數(shù)量級，表明模型的預測精度較好。

（二）結(jié)果分析

預測模型的驗證集有9485組，從中隨機選取兩組樣本數(shù)為50的數(shù)據(jù)，其預測結(jié)果與實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測的精度可以達到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測問題。

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測模型，考慮到了開關(guān)電器在退化過程中數(shù)據(jù)的時序性，并采用多個特征參量作為模型輸入對預測模型進行訓練。

通過試驗數(shù)據(jù)驗證，證明本文提出的RNN交流接觸器剩余壽命模型的預測效果較好，能夠解決長時間序列的預測問題，為開關(guān)電器設(shè)備剩余壽命的預測問題提供了新方法。

參考文獻

[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)測大數(shù)據(jù)的產(chǎn)品剩余壽命預測方法研究[D].電子科技大學，2019.

[4]薛嫣，朱靜，翟怡萌，等.基于LSTM的風機滾動軸承剩余壽命預測研究[J].工業(yè)控制計算機，2020，33（6）：108-110.

[5]原繼東.時間序列分類算法研究[D].北京：北京交通大學學位論文，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.基于深度學習的太陽能光伏發(fā)電短期預測方法[D].浙江大學， 2018.

作者簡介

高士珍（1996—），男，滿族，遼寧省沈陽市人，學生，碩士，單位：沈陽工業(yè)大學電氣工程學院，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)大學電氣工程學院，研究方向：電器狀態(tài)監(jiān)測與電器智能化。