CN113326663A - 一种基于极限学习机的铁路继电器运行状态评估方法 - Google Patents
一种基于极限学习机的铁路继电器运行状态评估方法 Download PDFInfo
- Publication number
- CN113326663A CN113326663A CN202110711693.5A CN202110711693A CN113326663A CN 113326663 A CN113326663 A CN 113326663A CN 202110711693 A CN202110711693 A CN 202110711693A CN 113326663 A CN113326663 A CN 113326663A
- Authority
- CN
- China
- Prior art keywords
- contact
- time
- model
- relay
- extreme learning
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000015556 catabolic process Effects 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 7
- 238000007637 random forest analysis Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000002474 experimental method Methods 0.000 claims abstract description 6
- 210000002569 neuron Anatomy 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 16
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000008033 biological extinction Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 6
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000014676 Phragmites communis Nutrition 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明属于铁路继电器技术领域,尤其涉及一种基于极限学习机的铁路继电器运行状态评估方法。其极大程度避免了因继电器的损坏而导致整个电力***的瘫痪,大大提高了电力***的安全性和可靠性。包括以下步骤:搭建铁路继电器全寿命实验测试***,提取影响铁路继电器电寿命的特征参数;构建随机森林特征选择模型,对初步提取的特征参数降维处理;构建基于极限学习机的铁路继电器全寿命状态评估模型,进行网络训练并验证其准确性。
Description
技术领域
本发明属于铁路继电器技术领域,尤其涉及一种基于极限学习机的铁路继电器运行状态评估方法。
背景技术
目前,按工业自动化和电器智能化的发展趋势,对智能电网的智能化要求越来越高,作为电力***控制电器的继电器的智能化发展也是必然趋势。继电器的工作状态能直接影响铁路信号***运行的安全性和可靠性,对继电器进行性能退化状态评估可反映其真实的运行状态,为设备检修提供有力依据,提高检修效率,且能够大大的节约成本,所以对铁路继电器的退化状态研究有着重要的意义和实际价值。
铁路信号***是保证铁路运输安全的重要基础,而铁路信号继电器则是铁路信号***中重要的安全基础控制电器,可以实现控制信号机开放、转换以及进路的关锁与解锁等功能。电接触是铁路用簧片式触点开关常用的通断电路形式,动静触头相互接触形成触点作为铁路电器的核心部件很容易出现损坏,尤其是在外部环境应力或者由于其自身频繁接通断开而产生振动的状态下,触点极易出现失效的情况而不能可靠接触,威胁车辆行车安全。触点失效占总失效率的百分之九十以上。
目前对于开关电器运行状态评估问题,国内外学者多年来做了很多工作,关于产品寿命状态预测评估的模型很多,每种模型都有其相应的特点。在科学技术的发展、大数据的出现背景下,基于数据驱动的方法出现并兴起。数据驱动模型中神经网络是由多个称之为神经元的简单处理单元所组成的复合网络结构,它可以在输入与输出之间实现非线性映射,该方法已经在许多领域等到了应用与发展。
极限学习机本质上是对神经网络简化的一种单隐含层前向神经网络算法,具有结构简单,计算速度快,参数少的优点。不同于传统神经在训练阶段中屡试不爽的基于梯度的算法(后向传播),而是采用随机的输入层权值和偏差,对于输出层权重则通过广义逆矩阵理论计算得到。极限学习机有效地克服了BP、RBF型神经网络以及支持向量机等参数复杂、收敛速度慢及易陷入局部最优等问题。极限学习机可以获取到样本的输入、输出值,在将其代入自适应算法之后能够对连接权进行调整,从而达到优化网络参数的目的,经过足够量均匀分布的样本训练之后,极限学习机的能够以广泛地适用性利用实际数据得到较为贴合实际的预测结果。并且即使在较少网络信息较少的背景下,极限学习机同样可以通过选取合适的激活函数,实现良好的泛化效果。
铁路继电器的触头性能退化情况所受影响因素较多,所以提取多种能够反映触头性能退化趋势的参数进行数据分析,并且状态评估目的在于获取继电器的触头参数时能够预测出继电器的退化情况。因此,本发明采用基于极限学习机的方法,对铁路继电器运行状态进行识别评估,能够得到较精确的识别结果。
发明内容
本发明就是针对现有技术存在的缺陷,提供一种基于极限学习机的铁路继电器运行状态评估方法。
为实现上述目的,本发明采用如下技术方案,包括以下步骤:
搭建铁路继电器全寿命实验测试***,提取影响铁路继电器电寿命的特征参数;
构建随机森林特征选择模型,对初步提取的特征参数降维处理;
构建基于极限学习机的铁路继电器全寿命状态评估模型,进行网络训练并验证其准确性。
进一步地,所述搭建铁路继电器全寿命实验测试***,提取影响铁路继电器电寿命的特征参数包括:采集铁路继电器的触头电压电流与线圈电压电流波形;从触头分合闸的过程中获取退化特征参数,包括:弹跳时间、吸合时间、释放时间、燃弧时间、超程时间和接触电阻。
更进一步地,所述弹跳时间:指动触点第一次和静触点接触至触点弹跳结束的时间间隔;把动静触头第一次接触的时刻记为te,两触头稳定吸合的时刻记为tf,那么弹跳时间记作tt可表示为:
tt=tf-te
所述吸合时间:吸合时间是指从给线圈通断到动静触头首次接触的时间。把线圈通电时刻记为td,动静触头第一次接触的时刻为te,则吸合时间记作tx可表示为:
tx=te-td
所述释放时间:从线圈掉电到动静触点分开的时间间隔。接触器释放时间记为ts,线圈掉电的时刻记为tc,释放时间ts可表示为:
ts=ta-tc
所述燃弧时间:从电弧产生的瞬间起到电弧最终熄灭的瞬间止的时间间隔。对于接触器的某一相触头,把电弧产生瞬间的时刻为ta,电弧最终熄灭的瞬间时刻记为tb,那么此相燃弧时间可表示为tarc:
tarc=tb-ta
所述燃弧能量:一次电弧产生的燃弧能量E可表示为:
式中,ta、tb为电弧的起弧和熄弧的时刻,u(t)、i(t)为触头的电压值和电流值;实际中,采集到的电压电流信号都是离散的,所以燃弧能量的离散化处理表示为
式中,Δt为采样点时间间隔,fs为采样率;
所述超程时间:从吸合时间的结束时刻到衔铁完全闭合的时间,衔铁闭合时间记作txt,则超程时间可表示为tcc:
tcc=txt-tx
所述接触电阻:继电器接通电路稳定通电时,动静触头间存在接触电阻。即触点压降与触点电流的比值;
式中,un是两触头稳定吸合通电时一周期下的触点电压,in是同一周期下触点电流大小,N是周期内采集的点数。
进一步地,所述构建随机森林特征选择模型,对初步提取的特征参数降维处理包括:
选择袋外数据的方式计算误差值并对特征进行排序;具体步骤如下:
计算特征重要性,公式如下:
基于重要性对特征进行排序,根据得出的特征重要度序列舍去不重要的特征,选出前m重要度高的个特征,并作为模型的输入。
进一步地,所述构建基于极限学习机的铁路继电器全寿命状态评估模型,进行网络训练并验证其准确性包括:
(1)数据准备:根据训练样本确定输入输出神经元数量n和m,给定隐含层神经元数量s、激活函数g(·),随机生成输入权值w和偏置值b。
(2)模型训练:输入标准化后的样本,通过相关公式求解计算满足目标函数要求的输出权值β。
(3)模型测试:输入测试样本,计算样本数据所处状态类别的概率值。
更进一步地,所述数据准备包括:给定N组样本(xi,yi)∈Rn×Rm,则可获得输入层和输出层神经元数量分别为n个和m个,即输入、输出层神经元数量由输入输出属性长度决定。隐含层神经元数随机生成输入权值w和偏置b,选择激活函数为g(·);xi为第i个样本数据,yi为第i个样本对应输出标签。
更进一步地,所述模型训练包括:基于N组样本,进行ELM训练,ELM的训练过程包含两个阶段:
第一阶段根据输入权值w和偏置b可以得出隐含层输出为:
第二阶段为求解隐含层与输出层之间的权值β,隐含层神经元数量s通过试错法人为选定,则数学模型为:
式中:bi是模型为有效拟合训练数据而引入的隐含层神经元偏置值;yj为模型输出;wi为隐含层输入权值;βi为隐含层与输出层之间权重;
得到输出权值最优解为:
β*=H+Y
式中,H+为H的广义逆矩阵,至此,基于极限学习分类器模型的训练部分完成,得到了输入与隐含层权值与偏置以及隐含层与输出层权值。
更进一步地,所述模型测试包括:将测试集数据作为输入到训练好的识别模型,验证模型的识别正确率,即可得到继电器所处的运行状态类别的概率。
与现有技术相比本发明有益效果。
(1)采用极限学习机的方法,极限学习机基于前馈神经网络的架构之下的,不同于传统神经网络通过梯度下降法,利用反向传播的方式进行的学习,需要不断地进行迭代来更新权重和阈值。而极限学习机则是通过增加隐层节点的个数来达到学习的目的,隐层节点的个数一般是根据样本的个数来确定的,巧妙地将隐含层的个数与样本的个数进行了联系。它不需要进行迭代,所以速度比传统神经网络要快很多。输入层和隐含层之间的权重w和隐含层节点的阈值b是通过随机初始化得到的,而且不需要进行调整。
(2)首次将极限学习机模型应用到铁路继电器运行状态评估的问题中,极限学习机模型一般多用在文字语句识别、人口流量预测、股市预测和天气预测等问题中。铁路继电器的触头性能退化情况所受影响因素较多,所以提取多种能够反映触头性能退化趋势的参数进行数据分析,并且状态评估目的在于获取继电器的触头参数时能够预测出继电器的退化情况。实现铁路继电器运行状态在线实时预测,解决了传统方法评估精度不高和难以实现在线评估的问题。
综上所述,本发明首次将极限学习机模型应用到铁路继电器运行状态评估的问题中,可以实现铁路继电器的实时在线预测,稳定性强,结果精度高,极大程度避免了因继电器的损坏而导致整个电力***的瘫痪,大大提高了电力***的安全性和可靠性。
附图说明
下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
图1是继电器吸合过程动态波形。
图2是极限学习机神经网络。
图3是铁路继电器运行状态分级。
图4是极限学习机模型训练流程图。
图中,1为继电器线圈电流动态波形,2为触点电压动态波形。
具体实施方式
如图1-4所示,本发明具体实施例:一种基于极限学***均划分为四个状态等级,对初步提取的特征参数进行重要度计算筛选出更为重要度的低维数参数,将各个状态下的特征参数随机选取80%作为训练集,用于训练分类器模型,将剩余20%作为测试眼用于验证模型正确率。
本发明能够实现铁路继电器运行状态的在线预测,解决传统方法难以准确的对铁路继电器运行状态进行实时识别预测的问题。通过实时监测继电器的运行状况,对预防铁路信号***发生故障,进而保障列车运行安全具有重要意义
步骤1,搭建铁路继电器全寿命实验测试***,提取影响铁路继电器电寿命的特征参数,其中:
采集铁路继电器的触头电压电流与线圈电压电流波形,图1为触点吸合过程动态波形。从触头分合闸的过程中获取退化特征参数,包括弹跳时间、吸合时间、释放时间、燃弧时间、超程时间和接触电阻,作为重点研究的特征参数,这些参数都能相应的受到触头间隙的影响,能够很好的反映继电器性能退化状态。相关定义及计算如下:
(1)弹跳时间:跳时间即指动触点第一次和静触点接触至触点弹跳结束的时间间隔。把动静触头第一次接触的时刻记为te,两触头稳定吸合的时刻记为tf,那么弹跳时间记作tt可表示为:
tt=tf-te
(2)吸合时间:吸合时间是指从给线圈通断到动静触头首次接触的时间。把线圈通电时刻记为td,动静触头第一次接触的时刻为te,则吸合时间记作tx可表示为:
tx=te-td
(3)释放时间:从线圈掉电到动静触点分开的时间间隔。接触器释放时间记为ts,线圈掉电的时刻记为tc,释放时间ts可表示为:
ts=ta-tc
(4)燃弧时间:从电弧产生的瞬间起到电弧最终熄灭的瞬间止的时间间隔。对于接触器的某一相触头,把电弧产生瞬间的时刻为ta,电弧最终熄灭的瞬间时刻记为tb,那么此相燃弧时间可表示为tarc:
tarc=tb-ta
(5)燃弧能量:一次电弧产生的燃弧能量E可表示为:
式中,ta、tb为电弧的起弧和熄弧的时刻,u(t)、i(t)为触头的电压值和电流值。实际中,采集到的电压电流信号都是离散的,所以燃弧能量的离散化处理表示为
式中,Δt为采样点时间间隔,fs为采样率。
(6)超程时间:从吸合时间的结束时刻到衔铁完全闭合的时间,衔铁闭合时间记作txt,则超程时间可表示为tcc:
tcc=txt-tx
(7)接触电阻:继电器接通电路稳定通电时,动静触头间存在接触电阻。即触点压降与触点电流的比值。
式中,un是两触头稳定吸合通电时一周期下的触点电压,in是同一周期下触点电流大小,N是周期内采集的点数。
步骤2,构建随机森林特征选择模型,对初步提取的特征参数降维处理,其中:
选择袋外数据(OOBdata)的方式计算误差值并对特征进行排序。具体步骤如下:
(3)计算特征重要性,公式如下:
(4)基于重要性对特征进行排序,根据得出的特征重要度序列舍去不重要的特征,选出前m重要度高的个特征,并作为模型的输入。
步骤3,构建基于极限学习机的铁路继电器全寿命状态评估模型,进行网络训练并验证其准确性,其中:
极限学习机由输入层、隐含层和输出层构成的三层网络结构算法,输入层和隐含层通过输入权值w连接,隐含层和输出层通过输出权值β连接,隐含层神经元有偏置值b,其结构如图2所示。
记输入层与隐藏层之间的权重矩阵和隐藏层与输出层之间的权重矩阵为:
设隐藏层神经元的阈值b=[b1,b2,…,bl]'l×m,设有Q个样本的训练集的输入矩阵X和输出矩阵Y分别为:
设隐含层神经元的激活函数为g(x),网络的输出T为:
T=[t1,t2,…tQ]m×Q
当输出函数误差取最小值时,但隐含层神经网络得到最优解,表示为:
即单隐藏层神经网络的目标函数为损失函数,等价于目标函数的最小值,表示为:
步骤3,构建基于极限学习机的铁路继电器全寿命状态评估模型,进行网络训练并验证其准确性,其中:
构建ELM模型,将铁路继电器全寿命状态数据平均划分为4个状态,状态等级划分如图3所示,并在每个状态下随机选取80%数据作为训练集,训练数据与状态类别之间的关系,训练流程如图4所示。20%数据作为测试集,验证模型的识别正确率。
给定N组样本(xi,yi)∈Rn×Rm,则可获得输入层和输出层神经元数量分别为n个和m个,即输入、输出层神经元数量由输入输出属性长度决定。ELM的训练过程包含两个阶段:
第一阶段是根据隐含层神经元数随机生成输入权值w和偏置b。
选择激活函数为g(·),然后可以得出隐含层输出为:
第二阶段为求解隐含层与输出层之间的权值β,隐含层神经元数量s通过试错法人为选定,则数学模型为:
式中:bi是模型为有效拟合训练数据而引入的隐含层神经元偏置值;yj为模型输出;wi为隐含层输入权值;βi为隐含层与输出层之间权重。
上式可进一步简化为:
Hβ=Y
则隐含层输出权值β的求解模型可表示为:
通过线代和矩阵论的知识可推导得到输出权值最优解为:
β*=H+Y
式中,H+为H的广义逆矩阵。
至此,基于极限学习分类器模型的训练部分完成,得到了输入与隐含层权值与偏置以及隐含层与输出层权值。将测试集数据作为输入,验证模型的识别正确率,即可得到继电器所处的运行状态类别的概率。
具体地,极限学习模型训练与识别的关键步骤可概括为:
(1)数据准备:根据训练样本确定输入输出神经元数量n和m,给定隐含层神经元数量s、激活函数g(·),随机生成输入权值w和偏置值b。
(2)模型训练:输入标准化后的样本,通过相关公式求解计算满足目标函数要求的输出权值β。
(3)模型测试:输入测试样本,计算样本数据所处状态类别的概率值。
图1为继电器吸合过程动态波形,其中,1为继电器线圈电流动态波形,2为触点电压动态波形。t1为触动时刻,t2为吸合分段时刻,t3为燃弧结束时刻,t4为吸合时刻,t5为衔铁完全闭合时刻,t6为回跳结束时刻。吸合时间和超程时间都能够在继电器的触点电压和线圈电流波形上体现出来,同样,释放时间、燃弧时间、弹跳时间和弹跳次数等参数都可通过触点电压动态波形求取。
图2为铁路继电器运行状态分级图,本具体实施例:将铁路继电器运行状态划分为4个等级如图3所示,即{良好(状态I),一般(状态II),注意(状态III),警告(状态IV)},良好阶段表明继电器触头的电磨损小,工作稳定,性能优良;一般阶段表明继电器运行了一段时间,有一定的电磨损,工作性能相对稳定,发生故障的概率比较低;注意阶段表明铁路继电器的触头有很大程度磨损,发生故障的概率比之前阶段有所增加,需要引起注意,继电器的工作性能仍能满足工作要求;警告阶段表明继电器触头的磨损已经很严重了,工作性能下降,发生故障的概率很高。
图3为极限学习机神经网络结构图,本具体实施例搭建的基于极限学习机铁路继电器运行状态评估模型,极限学习机由输入层、隐含层和输出层构成的三层网络结构算法,输入层和隐含层通过输入权值w连接,隐含层和输出层通过输出权值β连接,隐含层神经元有偏置值b。
图4为极限学习机模型训练流程图,首先将提取到的特征参数进行无量纲处理,将继电器各个状态类别作为标签形成数据集。将数据集随机打乱,取80%作为训练集,20%作为测试集,将训练集输入模型进行训练,然后将测试集输入模型进行状态识别预测,并绘制识别结果对比图,验证模型的准确性。
在解决实际问题时,只需要将铁路继电器的实时运行数据进行处理后输入到模型中,即可得到继电器实时的运行状态。
可以理解的是,以上关于本发明的具体描述,仅用于说明本发明而并非受限于本发明实施例所描述的技术方案,本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换,以达到相同的技术效果;只要满足使用需要,都在本发明的保护范围之内。
Claims (8)
1.一种基于极限学习机的铁路继电器运行状态评估方法,其特征在于,包括以下步骤:搭建铁路继电器全寿命实验测试***,提取影响铁路继电器电寿命的特征参数;
构建随机森林特征选择模型,对初步提取的特征参数降维处理;
构建基于极限学习机的铁路继电器全寿命状态评估模型,进行网络训练并验证其准确性。
2.根据权利要求1所述的一种基于极限学习机的铁路继电器运行状态评估方法,其特征在于:所述搭建铁路继电器全寿命实验测试***,提取影响铁路继电器电寿命的特征参数包括:采集铁路继电器的触头电压电流与线圈电压电流波形;从触头分合闸的过程中获取退化特征参数,包括:弹跳时间、吸合时间、释放时间、燃弧时间、超程时间和接触电阻。
3.根据权利要求1所述的一种基于极限学习机的铁路继电器运行状态评估方法,其特征在于:所述弹跳时间:指动触点第一次和静触点接触至触点弹跳结束的时间间隔;把动静触头第一次接触的时刻记为te,两触头稳定吸合的时刻记为tf,那么弹跳时间记作tt可表示为:
tt=tf-te
所述吸合时间:吸合时间是指从给线圈通断到动静触头首次接触的时间。把线圈通电时刻记为td,动静触头第一次接触的时刻为te,则吸合时间记作tx可表示为:
tx=te-td
所述释放时间:从线圈掉电到动静触点分开的时间间隔。接触器释放时间记为ts,线圈掉电的时刻记为tc,释放时间ts可表示为:
ts=ta-tc
所述燃弧时间:从电弧产生的瞬间起到电弧最终熄灭的瞬间止的时间间隔。对于接触器的某一相触头,把电弧产生瞬间的时刻为ta,电弧最终熄灭的瞬间时刻记为tb,那么此相燃弧时间可表示为tarc:
tarc=tb-ta
所述燃弧能量:一次电弧产生的燃弧能量E可表示为:
式中,ta、tb为电弧的起弧和熄弧的时刻,u(t)、i(t)为触头的电压值和电流值;实际中,采集到的电压电流信号都是离散的,所以燃弧能量的离散化处理表示为
式中,Δt为采样点时间间隔,fs为采样率;
所述超程时间:从吸合时间的结束时刻到衔铁完全闭合的时间,衔铁闭合时间记作txt,则超程时间可表示为tcc:
tcc=txt-tx
所述接触电阻:继电器接通电路稳定通电时,动静触头间存在接触电阻。即触点压降与触点电流的比值;
式中,un是两触头稳定吸合通电时一周期下的触点电压,in是同一周期下触点电流大小,N是周期内采集的点数。
5.根据权利要求1所述的一种基于极限学习机的铁路继电器运行状态评估方法,其特征在于:所述构建基于极限学习机的铁路继电器全寿命状态评估模型,进行网络训练并验证其准确性包括:
(1)数据准备:根据训练样本确定输入输出神经元数量n和m,给定隐含层神经元数量s、激活函数g(·),随机生成输入权值w和偏置值b。
(2)模型训练:输入标准化后的样本,通过相关公式求解计算满足目标函数要求的输出权值β。
(3)模型测试:输入测试样本,计算样本数据所处状态类别的概率值。
6.根据权利要求5所述的一种基于极限学习机的铁路继电器运行状态评估方法,其特征在于:所述数据准备包括:给定N组样本(xi,yi)∈Rn×Rm,则可获得输入层和输出层神经元数量分别为n个和m个,即输入、输出层神经元数量由输入输出属性长度决定。隐含层神经元数随机生成输入权值w和偏置b,选择激活函数为g(·);xi为第i个样本数据,yi为第i个样本对应输出标签。
7.根据权利要求5所述的一种基于极限学习机的铁路继电器运行状态评估方法,其特征在于:所述模型训练包括:基于N组样本,进行ELM训练,ELM的训练过程包含两个阶段:
第一阶段根据输入权值w和偏置b可以得出隐含层输出为:
第二阶段为求解隐含层与输出层之间的权值β,隐含层神经元数量s通过试错法人为选定,则数学模型为:
式中:bi是模型为有效拟合训练数据而引入的隐含层神经元偏置值;yj为模型输出;wi为隐含层输入权值;βi为隐含层与输出层之间权重;
得到输出权值最优解为:
β*=H+Y
式中,H+为H的广义逆矩阵,至此,基于极限学习分类器模型的训练部分完成,得到了输入与隐含层权值与偏置以及隐含层与输出层权值。
8.根据权利要求5所述的一种基于极限学习机的铁路继电器运行状态评估方法,其特征在于:所述模型测试包括:将测试集数据作为输入到训练好的识别模型,验证模型的识别正确率,即可得到继电器所处的运行状态类别的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711693.5A CN113326663A (zh) | 2021-06-25 | 2021-06-25 | 一种基于极限学习机的铁路继电器运行状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110711693.5A CN113326663A (zh) | 2021-06-25 | 2021-06-25 | 一种基于极限学习机的铁路继电器运行状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113326663A true CN113326663A (zh) | 2021-08-31 |
Family
ID=77424662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110711693.5A Pending CN113326663A (zh) | 2021-06-25 | 2021-06-25 | 一种基于极限学习机的铁路继电器运行状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326663A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252731A (zh) * | 2021-12-13 | 2022-03-29 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN115097296A (zh) * | 2022-06-22 | 2022-09-23 | 云南电网有限责任公司电力科学研究院 | 继电器可靠性评估方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401749A (zh) * | 2020-03-17 | 2020-07-10 | 三峡大学 | 一种基于随机森林与极限学习回归的动态安全评估方法 |
CN112464556A (zh) * | 2020-11-17 | 2021-03-09 | 沈阳工业大学 | 基于长短期记忆神经网络的交流接触器电寿命预测方法 |
-
2021
- 2021-06-25 CN CN202110711693.5A patent/CN113326663A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401749A (zh) * | 2020-03-17 | 2020-07-10 | 三峡大学 | 一种基于随机森林与极限学习回归的动态安全评估方法 |
CN112464556A (zh) * | 2020-11-17 | 2021-03-09 | 沈阳工业大学 | 基于长短期记忆神经网络的交流接触器电寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
王鑫圆等: "基于随机森林与改进极限学习机的PM2.5 浓度模型", 《软件》, pages 1 - 2 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114252731A (zh) * | 2021-12-13 | 2022-03-29 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN114252731B (zh) * | 2021-12-13 | 2024-04-05 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN115097296A (zh) * | 2022-06-22 | 2022-09-23 | 云南电网有限责任公司电力科学研究院 | 继电器可靠性评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270442B (zh) | 基于dbn-ga神经网络的高压断路器故障检测方法 | |
Wang et al. | Achieving predictive and proactive maintenance for high-speed railway power equipment with LSTM-RNN | |
CN111060815B (zh) | 基于GA-Bi-RNN的高压断路器故障诊断方法 | |
CN110569925B (zh) | 应用于电力设备运检的基于lstm的时序异常检测方法 | |
CN113326663A (zh) | 一种基于极限学习机的铁路继电器运行状态评估方法 | |
CN109459671A (zh) | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 | |
CN112051481A (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和*** | |
CN105718958B (zh) | 基于线性判别分析和支持向量机的断路器故障诊断方法 | |
CN109814529A (zh) | 一种列车门故障预测与健康管理*** | |
CN112345213A (zh) | 一种低压直流断路器机械故障诊断方法 | |
CN112464556A (zh) | 基于长短期记忆神经网络的交流接触器电寿命预测方法 | |
CN112147494A (zh) | 一种高压真空断路器机械故障检测方法 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
Lai et al. | Comparison between evolutionary programming and a genetic algorithm for fault-section estimation | |
Hou et al. | Research on expert diagnosis system for mechanical fault of high voltage circuit breaker based on fuzzy matrix and neural network technology | |
CN115456106A (zh) | 一种高压断路器故障诊断模型优化方法 | |
Shi et al. | Fault prediction of turnout equipment based on double-layer gated recurrent unit neural network | |
Ma et al. | Research on Electrical and Mechanical Fault Diagnosis of High-Voltage Circuit Breaker Based on Multi-sensor Information Fusion | |
Winkel et al. | Run-to-failure relay dataset for predictive maintenance research with machine learning | |
Zeineldin et al. | High voltage circuit breaker modeling for online model-based monitoring and diagnosis | |
CN112132294A (zh) | 一种基于多信息融合的交流接触器状态评估方法 | |
Skoundrianos et al. | Modelling and FDI of dynamic discrete time systems using a MLP with a new sigmoidal activation function | |
Chen et al. | CNN-Informer-Based Remaining Useful Life Prediction for Electrical Devices | |
Da Costa et al. | Pattern recognition in power-system security | |
Winkel et al. | Pseudo-labeling machine learning algorithm for predictive maintenance of relays |
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 |