CN116030911A - 基于lstm神经网络的硅橡胶材料性能预测方法及装置 - Google Patents

基于lstm神经网络的硅橡胶材料性能预测方法及装置 Download PDF

Info

Publication number
CN116030911A
CN116030911A CN202211321928.0A CN202211321928A CN116030911A CN 116030911 A CN116030911 A CN 116030911A CN 202211321928 A CN202211321928 A CN 202211321928A CN 116030911 A CN116030911 A CN 116030911A
Authority
CN
China
Prior art keywords
rubber material
silicone rubber
neural network
performance index
comprehensive performance
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
Application number
CN202211321928.0A
Other languages
English (en)
Inventor
付强
李智
彭磊
张丽
林木松
钱艺华
赵耀洪
杜伯学
孔晓晓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202211321928.0A priority Critical patent/CN116030911A/zh
Publication of CN116030911A publication Critical patent/CN116030911A/zh
Priority to PCT/CN2023/101600 priority patent/WO2024087670A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于LSTM神经网络的硅橡胶材料性能预测方法及装置，通过获取硅橡胶材料在多个老化阶段下的介电性能数据，对介电性能数据进行融合处理，得到硅橡胶材料的综合性能指标序列；根据综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型，有效规避通过经验选取关键参数而导致拟合度不够和精度低的问题；利用硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据，实现对硅橡胶材料老化性能的预测，为干式变压器中硅橡胶材料的寿命预测提供检测依据。

Description

基于LSTM神经网络的硅橡胶材料性能预测方法及装置
技术领域
本申请涉及电力设备绝缘材料性能预测技术领域，尤其涉及一种基于LSTM神经网络的硅橡胶材料性能预测方法及装置。
背景技术
干式变压器的使用寿命很大程度上取决于变压器的绝缘材料的老化特性，而硅橡胶材料能够改善局放缺陷，而且散热能力强，同时具备强度高、过载及抗短路能力强等优点，并且硅橡胶材料可回收利用，避免固体废物的污染。采用液态硅橡胶真空浇注或真空浸渍绕组，匝间和层间渗透的硅橡胶将绕组固化为整体结构，绕组内外表面浇注或浸渍形成的硅橡胶包封层能够有效提升干式变压器的绝缘性能。
但是，当前在干式变压器绕组固体绝缘工况下，硅橡胶材料的老化建模与寿命预测的研究相对较少。因此，亟需一种针对干式变压器绕组固体绝缘工况下的硅橡胶材料性能预测方法。
发明内容
本申请提供了一种基于LSTM神经网络的硅橡胶材料性能预测方法及装置，以实现对硅橡胶材料老化性能的预测，为干式变压器中硅橡胶材料的寿命预测提供检测依据。
为了解决上述技术问题，第一方面，本申请提供了一种基于LSTM神经网络的硅橡胶材料性能预测方法，包括：
获取硅橡胶材料在多个老化阶段下的介电性能数据；
对介电性能数据进行融合处理，得到硅橡胶材料的综合性能指标序列，综合性能指标序列能够表征硅橡胶材料在整个老化过程的电性能演变情况，整个老化过程包括多个老化阶段；
根据综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型；
利用硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据。
在一些实现方式中，介电性能数据包括体积电阻率、相对介电常数和介电损耗值，对介电性能数据进行融合处理，得到硅橡胶材料的综合性能指标序列，包括：
以体积电阻率、目标频点上的相对介电常数和介电损耗值为性能指标，构建样本指标矩阵；
利用主成分分析法，根据样本指标矩阵，对介电性能数据进行融合处理，生成综合性能指标序列。
在一些实现方式中，利用主成分分析法，根据样本指标矩阵，对介电性能数据进行融合处理，生成综合性能指标序列，包括：
利用主成分分析法，根据样本指标矩阵，计算各个性能指标间的相关系数矩阵，以及计算相关系数矩阵的特征值；
确定满足在成分贡献率条件时的目标特征值对应的目标特征向量；
根据目标特征向量，对介电性能数据进行融合处理，得到综合性能指标序列。
在一些实现方式中，综合性能指标序列为：
Figure BDA0003908850300000021
a1＝[aR,aei,ati]T；
其中，Z表示综合性能指标序列，a1为目标特征向量，RVol为体积电阻率的标准化序列，Epsi为第i个频点上的相对介电常数的标准化序列，Tanδi为第i个频点上的介电损耗值的标准化序列。
在一些实现方式中，根据综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型，包括：
将综合性能指标序列分为训练集和测试集；
利用训练集，对长短时记忆神经网络进行训练，得到训练后的目标长短时记忆神经网络；
利用离散差分进化法，根据测试集，对目标长短时记忆神经网络的网络参数进行优化，直至目标长短时记忆神经网络的达到预设收敛条件，得到硅橡胶材料性能预测模型，网络参数包括时间窗口长度、隐含层神经元个数和隐含层层数。
在一些实现方式中，利用离散差分进化法，根据测试集，对目标长短时记忆神经网络的网络参数进行优化，直至目标长短时记忆神经网络的达到预设收敛条件，得到硅橡胶材料性能预测模型，包括：
基于时间窗口长度、隐含层神经元个数和隐含层层数，生成初始种群；
根据测试集，以初始种群训练目标长短时记忆神经网络，并以均方根误差计算个体适应度；
对初始种群进行变异操作和交叉操作，得到最新种群；
根据测试集，以最新种群训练目标长短时记忆神经网络，并以均方根误差计算最新个体适应度；
若最新个体适应度不大于个体适应度，则以所述最新种群作为新的初始种群进行下一轮变异操作和交叉操作，直至满足终止条件，输出最优个体；
以所述最优个体更新目标长短时记忆神经网络，得到硅橡胶材料性能预测模型。
在一些实现方式中，利用硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据，包括：
以综合性能指标初始序列作为硅橡胶材料性能预测模型的模型输入，预测待预测硅橡胶材料在下一个老化阶段时的目标综合性能指标数据；
将目标综合性能指标数据***到综合性能指标初始序列，得到新的综合性能指标初始序列；
以新的综合性能指标初始序列，继续预测下一个老化阶段的目标综合性能指标数据，直至目标综合性能指标数据低于预设阈值，并根据目标综合性能指标数据低于预设阈值时所经历的迭代次数，预测待预测硅橡胶材料的剩余寿命。
第二方面，本申请提供一种基于LSTM神经网络的硅橡胶材料性能预测装置，包括：
获取模块，用于获取硅橡胶材料在多个老化阶段下的介电性能数据；
融合模块，用于对介电性能数据进行融合处理，得到硅橡胶材料的综合性能指标序列，综合性能指标序列能够表征硅橡胶材料在整个老化过程的电性能演变情况，整个老化过程包括多个老化阶段；
优化模块，用于根据综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型；
预测模块，用于利用硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据。
第三方面，本申请提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现如第一方面的基于LSTM神经网络的硅橡胶材料性能预测方法。
第四方面，本申请提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现如第一方面的基于LSTM神经网络的硅橡胶材料性能预测方法。
与现有技术相比，本申请至少具备以下有益效果：
通过获取硅橡胶材料在多个老化阶段下的介电性能数据，对介电性能数据进行融合处理，得到硅橡胶材料的综合性能指标序列，以能够采用表征硅橡胶材料在整个老化过程的电性能演变情况的综合性能指标序列对长短时记忆神经网络进行老化模型建模，从而使老化模型学习到硅橡胶材料在各个老化阶段的电性能特征；根据综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型(老化模型)，有效规避通过经验选取关键参数而导致拟合度不够和预测精度低的问题，提高模型精度；最后利用硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据，从而实现对硅橡胶材料老化性能的预测，为干式变压器中硅橡胶材料的寿命预测提供检测依据。
附图说明
图1为本申请实施例示出的基于LSTM神经网络的硅橡胶材料性能预测方法的流程示意图；
图2为本申请实施例示出的LSTM神经网络的结构示意图；
图3为本申请实施例示出的DDE算法的流程示意图；
图4为本申请实施例示出的以综合性能指标序列划分训练集和测试集的划分结果示意图
图5为本申请实施例示出的待预测硅橡胶材料的预测结果示意图；
图6为本申请实施例示出的基于LSTM神经网络的硅橡胶材料性能预测装置的结构示意图
图7为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参照图1，图1为本申请实施例提供的一种基于LSTM神经网络的硅橡胶材料性能预测方法的流程示意图。本申请实施例的基于LSTM神经网络的硅橡胶材料性能预测方法可应用于计算机设备，该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示，本实施例的基于LSTM神经网络的硅橡胶材料性能预测方法包括步骤S101至步骤S105，详述如下：
步骤S101，获取硅橡胶材料在多个老化阶段下的介电性能数据。
在本步骤中，整个老化过程包括多个老化阶段，本实施例的不同老化阶段可视为老化过程的不同时刻。介电性能数据包括但不限于体积电阻率、相对介电常数和介电损耗值。
可选地，将硅橡胶材料加工为薄片试样，对试样表面进行清晰，将清洗后的试样装入玻璃容器中，并放入真空干燥箱中干燥，再对试样进行热老化试验，间隔特定时间取出部分试样且真空保存，测量取出的试样的体积电阻率、目标频点上的相对介电常数和介电损耗值。
示例性地，将硅橡胶材料加工为厚度为1mm、长宽为40×40mm2的正方形薄片试样，采用无水乙醇清洗试样表面，将清洗后的试样装入玻璃容器中，并将玻璃容器放入120℃、50Pa的真空干燥箱中干燥2h；再对干燥后的试样进行热老化试验：环境温度设定为250℃，设定最长老化时间为125天，每隔12h取出部分试样且真空保存，共计n＝250组不同老化状态下的试检数据，试验数据包括体积电阻率、10－1Hz至106Hz频段内目标频点上的相对介电常数和介电损耗值。
步骤S102，对所述介电性能数据进行融合处理，得到所述硅橡胶材料的综合性能指标序列，所述综合性能指标序列能够表征所述硅橡胶材料在整个老化过程的电性能演变情况，所述整个老化过程包括多个老化阶段。
在本步骤中，综合性能指标序列为以老化时间为顺序对多个老化介电的介电性能数据进行组合得到的序列。可选地，融合处理包括数据降维和数据融合，通过对多个老化介电的介电性能数据进行降维，再对降维后的介电性能数据进行融合，生成综合性能指标序列。
步骤S103，根据所述综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至所述长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型。
在本步骤中，离散差分进化法(Discrete Differential Evolution，DDE)是在标准差分进化法(Differential Evolution，DE)的优化流程中取整处理后构建的算法，其具备DE算法受控参数少、鲁棒性强和收敛速度快的特点。
可选地，将综合性能指标序列分解为训练集和测试集，利用长短时记忆(LongShort－Term Memory，LSTM)神经网络进行训练，以测试集上的预测误差为目标，采用DDE算法对LSTM神经网络的网络参数进行优化，网络参数包括时间窗口长度、隐含层神经元个数和隐含层层数，将最终优化后的LSTM神经网络作为硅橡胶材料性能预测模型，即硅橡胶材料老化模型。需要说明的是，相比于当前根据用户经验设定网络参数，本实施例通过DDE算法确定网络参数，能够提高模型拟合度和模型预测精度。
步骤S104，利用所述硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测所述待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据。
在本步骤中，测量待预测硅橡胶材料的预设数量试样在当前阶段的介电性能数据，将介电性能数据融合处理为综合性能指标初始序列，将综合性能指标初始序列作为硅橡胶材料性能预测模型的模型输入，预测待预测硅橡胶材料在下一老化阶段的目标综合性能指标数据，利用目标综合性能指标数据更新综合性能指标初始序列，继续预测再下一老化阶段的目标综合性能指标数据，依次类推，预测得到待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据。
在一些实施例中，所述步骤S102，包括：
以所述体积电阻率、目标频点上的所述相对介电常数和所述介电损耗值为性能指标，构建样本指标矩阵；
利用主成分分析法，根据所述样本指标矩阵，对所述介电性能数据进行融合处理，生成所述综合性能指标序列。
在本实施例中，对于第i次取样的硅橡胶材料，测定其体积电阻率RVol，目标频点上的相对介电常数Eps和介电损耗值Tanδ，共p个性能指标，则构建样本指标矩阵x＝{xij}，i＝1,2,…,p，j＝1,2,…,p。再利用主成分分析法，根据该样本指标矩阵，对介电性能数据进行降维和融合，生成综合性能指标序列。
可选地，所述利用主成分分析法，根据所述样本指标矩阵，对所述介电性能数据进行融合处理，生成所述综合性能指标序列，包括：
利用主成分分析法，根据所述样本指标矩阵，计算各个性能指标间的相关系数矩阵，以及计算所述相关系数矩阵的特征值；
确定满足在成分贡献率条件时的目标特征值对应的目标特征向量；
根据所述目标特征向量，对所述介电性能数据进行融合处理，得到所述综合性能指标序列。
在本可选实施例中，示例性地，对样本指标矩阵进行标准化处理：
Figure BDA0003908850300000081
Figure BDA0003908850300000082
Figure BDA0003908850300000083
其中，
Figure BDA0003908850300000084
为样本指标矩阵中列数据的均值，Sj为样本指标矩阵中列数据的标准差；
根据标准化后的样本指标矩阵X，计算各个性能指标Xij之间的相关系数矩阵R＝{rij}，并计算相关系数矩阵R的特征值(λ1,λ2,…,λp)和对应的特征向量a1,…,ap。
计算第m个成分序列Fm＝Xam，m＝1,2,…,p，以及该成分序列的贡献率bm：
Figure BDA0003908850300000085
成分贡献率条件为若最大值b1＞0.85，则确定第一主成分序列F1基本保留了原性能指标的主要信息，以序列Z＝F1作为综合性能指标序列。
可选地，所述综合性能指标序列为：
Figure BDA0003908850300000091
a1＝[aR,aei,ati]T；
其中，Z表示综合性能指标序列，a1为相关系数矩阵R的最大特征值对应的目标特征向量，RVol为体积电阻率的标准化序列，Epsi为第i个频点上的相对介电常数的标准化序列，Tanδi为第i个频点上的介电损耗值的标准化序列。
在一些实施例中，所述步骤S103，包括：
将所述综合性能指标序列分为训练集和测试集；
利用所述训练集，对所述长短时记忆神经网络进行训练，得到训练后的目标长短时记忆神经网络；
利用所述离散差分进化法，根据所述测试集，对所述目标长短时记忆神经网络的网络参数进行优化，直至所述目标长短时记忆神经网络的达到所述预设收敛条件，得到所述硅橡胶材料性能预测模型，所述网络参数包括时间窗口长度、隐含层神经元个数和隐含层层数。
示例性地，LSTM神经网络的网络结构如图2所示，LSTM网络包括四个门结构，每个门结构均为包含num＿layer层隐含层，且每层隐含层含由num＿hidden个神经元并且与输入向量[h(t－1)，x(t)]进行全连接的神经网络，h(t－1)是上一时刻的输出，是一个维度为num＿hidden的向量，x(t)是当前时刻的输入，由之前的L个输出构成，L为时间窗口长度。
在本实施例中，可选地，将综合性能指标序列构成(N－L)组样本，将其中的80％作为训练集用于网络训练，20％作为测试集用于测试，划分结果如图4所示。在测试时，将上一时刻的输出加到综合性能指标序列中，滑动时间窗口形成新的L个输入，并定义神经网络的均方根误差(Root Mean Squared Error，RMSE)为：
Figure BDA0003908850300000092
其中T为测试集样本数量，Zi为测试集中第i个综合性能评价指标，f(xi)是LSTM神经网络对第i个样本输入xi的预测值。
再基于离散差分进化法结合均方根误差，对基于训练集训练得到的目标LSTM神经网络进行优化。
可选地，所述利用所述离散差分进化法，根据所述测试集，对所述目标长短时记忆神经网络的网络参数进行优化，直至所述目标长短时记忆神经网络的达到所述预设收敛条件，得到所述硅橡胶材料性能预测模型，包括：
基于所述时间窗口长度、所述隐含层神经元个数和所述隐含层层数，生成初始种群；
根据所述测试集，以所述初始种群训练所述目标长短时记忆神经网络，并以均方根误差计算个体适应度；
对所述初始种群进行变异操作和交叉操作，得到最新种群；
根据所述测试集，以所述最新种群训练所述目标长短时记忆神经网络，并以均方根误差计算最新个体适应度；
若所述最新个体适应度不大于所述个体适应度，则以所述最新种群作为新的初始种群进行下一轮变异操作和交叉操作，直至满足终止条件，输出最优个体；
以所述最优个体更新所述目标长短时记忆神经网络，得到所述硅橡胶材料性能预测模型。
在本可选实施例中，决定LSTM神经网络预测效果的网络参数包括隐含层层数num＿layer，隐含层神经元个数num＿hidden和时间窗口长度L。为了保证模型预测效果，以RMSE为优化目标，采用DDE算法对LSTM神经网络的三个网络参数进行优化。
示例性地，如图3所示，设定num＿hidden、num＿layer、L范围，设定最大迭代次数tmax、种群数量Np、变异算子F0和交叉算子CR；
生成初始种群，使用初始种群训练LSTM神经网络，并基于上述均方根误差公式计算个体适应度RSME(X(i))；
变异操作为：
V＝X(1)+floor{F0(X(2)-X(3))}；
其中，X(1)、X(2)和X(3)为种群X中三个不同个体，floor表示为向下取整；
交叉操作为：以交叉算子CR将种群X中的个体替换为变异种群中V的个体，以边界吸收方式处理V中越界个体，得到最新种群V(i)；
使用最新种群V(i)训练LSTM神经网络，并基于上述均方根误差公式计算最新个体适应度RSME(V(i))；
若RSME(V(i))≤RSME(X(i))，则以最新种群V(i)作为新的初始种群X(i)进行下一次变异操作、交叉操作和选择操作，直至满足终止条件，输出最优个体。
终止条件为RSME(V(i))≤预设值，或迭代次数达到tmax。经过DDE优化后确定的最优个体，即LSTM模型的参数num＿layer＝2，num＿hidden＝8，L＝3。
在一些实施例中，所述步骤S104，包括：
以所述综合性能指标初始序列作为所述硅橡胶材料性能预测模型的模型输入，预测所述待预测硅橡胶材料在下一个老化阶段时的目标综合性能指标数据；
将所述目标综合性能指标数据***到所述综合性能指标初始序列，得到新的综合性能指标初始序列；
以新的综合性能指标初始序列，继续预测下一个老化阶段的目标综合性能指标数据，直至所述目标综合性能指标数据低于预设阈值，并根据所述目标综合性能指标数据低于预设阈值时所经历的迭代次数，预测所述待预测硅橡胶材料的剩余寿命。
在本实施例中，示例性地，获取待预测硅橡胶材料的3个连续的体积电阻率、介电常数和介电损耗，以这3个介电性能数据作为综合性能指标初始序列Z的初始值，并根据材料失效时的介电性能数据计算综合性能指标阈值Zend。LSTM神经网络根综合性能指标初始序列Z的3个初始值，预测下一时刻的目标综合性能指标数据，并将该目标综合性能指标数据插到原序列Z最后一个，删除第一个，保持原序列的样本量不变，实现综合性能指标序列的动态更新，根据综合性能指标低于阈值Zend所经历的迭代次数估计待预测硅橡胶材料的剩余寿命。
示例性地。预测结果如图5所示，由图5可知经过36次迭代后，待预测硅橡胶材料的指标性能低于阈值Zend，所以该待预测硅橡胶材料的剩余寿命为36×12小时＝432小时。
为了执行上述方法实施例对应的基于LSTM神经网络的硅橡胶材料性能预测方法，以实现相应的功能和技术效果。参见图7，图7示出了本申请实施例提供的一种基于LSTM神经网络的硅橡胶材料性能预测装置的结构框图。为了便于说明，仅示出了与本实施例相关的部分，本申请实施例提供的基于LSTM神经网络的硅橡胶材料性能预测装置，包括：
获取模块601，用于获取硅橡胶材料在多个老化阶段下的介电性能数据；
融合模块602，用于对所述介电性能数据进行融合处理，得到所述硅橡胶材料的综合性能指标序列，所述综合性能指标序列能够表征所述硅橡胶材料在整个老化过程的电性能演变情况，所述整个老化过程包括多个老化阶段；
优化模块603，用于根据所述综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至所述长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型；
预测模块604，用于利用所述硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测所述待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据。
在一些实施例中，所述介电性能数据包括体积电阻率、相对介电常数和介电损耗值，所述融合模块602，包括：
构建单元，用于以所述体积电阻率、目标频点上的所述相对介电常数和所述介电损耗值为性能指标，构建样本指标矩阵；
处理单元，用于利用主成分分析法，根据所述样本指标矩阵，对所述介电性能数据进行融合处理，生成所述综合性能指标序列。
在一些实施例中，所述处理单元，具体用于：
利用主成分分析法，根据所述样本指标矩阵，计算各个性能指标间的相关系数矩阵，以及计算所述相关系数矩阵的特征值；
确定满足在成分贡献率条件时的目标特征值对应的目标特征向量；
根据所述目标特征向量，对所述介电性能数据进行融合处理，得到所述综合性能指标序列。
在一些实施例中，所述综合性能指标序列为：
Figure BDA0003908850300000131
a1＝[aR,aei,ati]T；
其中，Z表示综合性能指标序列，a1为目标特征向量，RVol为体积电阻率的标准化序列，Epsi为第i个频点上的相对介电常数的标准化序列，Tanδi为第i个频点上的介电损耗值的标准化序列。
在一些实施例中，所述优化模块603，包括：
划分单元，用于将所述综合性能指标序列分为训练集和测试集；
训练单元，用于利用所述训练集，对所述长短时记忆神经网络进行训练，得到训练后的目标长短时记忆神经网络；
优化单元，用于利用所述离散差分进化法，根据所述测试集，对所述目标长短时记忆神经网络的网络参数进行优化，直至所述目标长短时记忆神经网络的达到所述预设收敛条件，得到所述硅橡胶材料性能预测模型，所述网络参数包括时间窗口长度、隐含层神经元个数和隐含层层数。
在一些实施例中，所述优化单元，具体用于：
基于所述时间窗口长度、所述隐含层神经元个数和所述隐含层层数，生成初始种群；
根据所述测试集，以所述初始种群训练所述目标长短时记忆神经网络，并以均方根误差计算个体适应度；
对所述初始种群进行变异操作和交叉操作，得到最新种群；
根据所述测试集，以所述最新种群训练所述目标长短时记忆神经网络，并以均方根误差计算最新个体适应度；
若所述最新个体适应度不大于所述个体适应度，则以所述最新种群作为新的初始种群进行下一轮变异操作和交叉操作，直至满足终止条件，输出最优个体；
以所述最优个体更新所述目标长短时记忆神经网络，得到所述硅橡胶材料性能预测模型。
在一些实施例中，所述预测模块604，具体用于：
以所述综合性能指标初始序列作为所述硅橡胶材料性能预测模型的模型输入，预测所述待预测硅橡胶材料在下一个老化阶段时的目标综合性能指标数据；
将所述目标综合性能指标数据***到所述综合性能指标初始序列，得到新的综合性能指标初始序列；
以新的综合性能指标初始序列，继续预测下一个老化阶段的目标综合性能指标数据，直至所述目标综合性能指标数据低于预设阈值，并根据所述目标综合性能指标数据低于预设阈值时所经历的迭代次数，预测所述待预测硅橡胶材料的剩余寿命。
上述的基于LSTM神经网络的硅橡胶材料性能预测装置可实施上述方法实施例的基于LSTM神经网络的硅橡胶材料性能预测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
图7为本申请一实施例提供的计算机设备的结构示意图。如图7所示，该实施例的计算机设备7包括：至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现上述任意方法实施例中的步骤。
所述计算机设备7可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器70、存储器71。本领域技术人员可以理解，图7仅仅是计算机设备7的举例，并不构成对计算机设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述计算机设备7的内部存储单元，例如计算机设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述计算机设备7的外部存储设备，例如所述计算机设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述计算机设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
另外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read－Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例，对本申请的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本申请的具体实施例而已，并不用于限定本申请的保护范围。特别指出，对于本领域技术人员来说，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于LSTM神经网络的硅橡胶材料性能预测方法，其特征在于，包括：
获取硅橡胶材料在多个老化阶段下的介电性能数据；
对所述介电性能数据进行融合处理，得到所述硅橡胶材料的综合性能指标序列，所述综合性能指标序列能够表征所述硅橡胶材料在整个老化过程的电性能演变情况，所述整个老化过程包括多个老化阶段；
根据所述综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至所述长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型；
利用所述硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测所述待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据。
2.如权利要求1所述的基于LSTM神经网络的硅橡胶材料性能预测方法，其特征在于，所述介电性能数据包括体积电阻率、相对介电常数和介电损耗值，所述对所述介电性能数据进行融合处理，得到所述硅橡胶材料的综合性能指标序列，包括：
以所述体积电阻率、目标频点上的所述相对介电常数和所述介电损耗值为性能指标，构建样本指标矩阵；
利用主成分分析法，根据所述样本指标矩阵，对所述介电性能数据进行融合处理，生成所述综合性能指标序列。
3.如权利要求2所述的基于LSTM神经网络的硅橡胶材料性能预测方法，其特征在于，所述利用主成分分析法，根据所述样本指标矩阵，对所述介电性能数据进行融合处理，生成所述综合性能指标序列，包括：
利用主成分分析法，根据所述样本指标矩阵，计算各个性能指标间的相关系数矩阵，以及计算所述相关系数矩阵的特征值；
确定满足在成分贡献率条件时的目标特征值对应的目标特征向量；
根据所述目标特征向量，对所述介电性能数据进行融合处理，得到所述综合性能指标序列。
4.如权利要求3所述的基于LSTM神经网络的硅橡胶材料性能预测方法，其特征在于，所述综合性能指标序列为：
Figure FDA0003908850290000021
a1＝[aRaei,ati]T；
其中，Z表示综合性能指标序列，a1为目标特征向量，RVol为体积电阻率的标准化序列，Epsi为第i个频点上的相对介电常数的标准化序列，Tanδi为第i个频点上的介电损耗值的标准化序列。
5.如权利要求1所述的基于LSTM神经网络的硅橡胶材料性能预测方法，其特征在于，所述根据所述综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至所述长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型，包括：
将所述综合性能指标序列分为训练集和测试集；
利用所述训练集，对所述长短时记忆神经网络进行训练，得到训练后的目标长短时记忆神经网络；
利用所述离散差分进化法，根据所述测试集，对所述目标长短时记忆神经网络的网络参数进行优化，直至所述目标长短时记忆神经网络的达到所述预设收敛条件，得到所述硅橡胶材料性能预测模型，所述网络参数包括时间窗口长度、隐含层神经元个数和隐含层层数。
6.如权利要求5所述的基于LSTM神经网络的硅橡胶材料性能预测方法，其特征在于，所述利用所述离散差分进化法，根据所述测试集，对所述目标长短时记忆神经网络的网络参数进行优化，直至所述目标长短时记忆神经网络的达到所述预设收敛条件，得到所述硅橡胶材料性能预测模型，包括：
基于所述时间窗口长度、所述隐含层神经元个数和所述隐含层层数，生成初始种群；
根据所述测试集，以所述初始种群训练所述目标长短时记忆神经网络，并以均方根误差计算个体适应度；
对所述初始种群进行变异操作和交叉操作，得到最新种群；
根据所述测试集，以所述最新种群训练所述目标长短时记忆神经网络，并以均方根误差计算最新个体适应度；
若所述最新个体适应度不大于所述个体适应度，则以所述最新种群作为新的初始种群进行下一轮变异操作和交叉操作，直至满足终止条件，输出最优个体；
以所述最优个体更新所述目标长短时记忆神经网络，得到所述硅橡胶材料性能预测模型。
7.如权利要求1所述的基于LSTM神经网络的硅橡胶材料性能预测方法，其特征在于，所述利用所述硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测所述待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据，包括：
以所述综合性能指标初始序列作为所述硅橡胶材料性能预测模型的模型输入，预测所述待预测硅橡胶材料在下一个老化阶段时的目标综合性能指标数据；
将所述目标综合性能指标数据***到所述综合性能指标初始序列，得到新的综合性能指标初始序列；
以新的综合性能指标初始序列，继续预测下一个老化阶段的目标综合性能指标数据，直至所述目标综合性能指标数据低于预设阈值，并根据所述目标综合性能指标数据低于预设阈值时所经历的迭代次数，预测所述待预测硅橡胶材料的剩余寿命。
8.一种基于LSTM神经网络的硅橡胶材料性能预测装置，其特征在于，包括：
获取模块，用于获取硅橡胶材料在多个老化阶段下的介电性能数据；
融合模块，用于对所述介电性能数据进行融合处理，得到所述硅橡胶材料的综合性能指标序列，所述综合性能指标序列能够表征所述硅橡胶材料在整个老化过程的电性能演变情况，所述整个老化过程包括多个老化阶段；
优化模块，用于根据所述综合性能指标序列，以离散差分进化法对长短时记忆神经网络的网络参数进行优化，直至所述长短时记忆神经网络达到预设收敛条件，得到硅橡胶材料性能预测模型；
预测模块，用于利用所述硅橡胶材料性能预测模型，根据待预测硅橡胶材料的综合性能指标初始序列，预测所述待预测硅橡胶材料在各个老化阶段的目标综合性能指标数据。
9.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的基于LSTM神经网络的硅橡胶材料性能预测方法。
10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于LSTM神经网络的硅橡胶材料性能预测方法。
CN202211321928.0A 2022-10-26 2022-10-26 基于lstm神经网络的硅橡胶材料性能预测方法及装置 Pending CN116030911A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211321928.0A CN116030911A (zh) 2022-10-26 2022-10-26 基于lstm神经网络的硅橡胶材料性能预测方法及装置
PCT/CN2023/101600 WO2024087670A1 (zh) 2022-10-26 2023-06-21 基于lstm神经网络的硅橡胶材料性能预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211321928.0A CN116030911A (zh) 2022-10-26 2022-10-26 基于lstm神经网络的硅橡胶材料性能预测方法及装置

Publications (1)

Publication Number Publication Date
CN116030911A true CN116030911A (zh) 2023-04-28

Family

ID=86074738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211321928.0A Pending CN116030911A (zh) 2022-10-26 2022-10-26 基于lstm神经网络的硅橡胶材料性能预测方法及装置

Country Status (2)

Country Link
CN (1) CN116030911A (zh)
WO (1) WO2024087670A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117871999A (zh) * 2023-12-27 2024-04-12 深圳市正安有机硅材料有限公司 硅橡胶电缆的老化检测方法、装置、电子设备及介质
WO2024087670A1 (zh) * 2022-10-26 2024-05-02 广东电网有限责任公司 基于lstm神经网络的硅橡胶材料性能预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3894872A4 (en) * 2018-12-14 2023-01-04 University of Georgia Research Foundation, Inc. CONDITION MONITORING THROUGH ENERGY CONSUMPTION AUDIT IN ELECTRICAL DEVICES AND ELECTRICAL WAVEFORM AUDIT IN POWER SUPPLY NETWORKS
CN110796306A (zh) * 2019-10-29 2020-02-14 山东科技大学 一种外汇时间序列预测的构建方法
CN111027775A (zh) * 2019-12-12 2020-04-17 中国长江三峡集团有限公司 基于长短期记忆网络的梯级水电站发电量预测方法
CN113065283A (zh) * 2021-03-26 2021-07-02 深圳技术大学 一种电池寿命预测方法、***、电子装置及存储介质
CN114970412A (zh) * 2022-05-18 2022-08-30 合肥工业大学 一种基于icgwo-lstm的igbt寿命预测方法
CN116030911A (zh) * 2022-10-26 2023-04-28 广东电网有限责任公司 基于lstm神经网络的硅橡胶材料性能预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024087670A1 (zh) * 2022-10-26 2024-05-02 广东电网有限责任公司 基于lstm神经网络的硅橡胶材料性能预测方法及装置
CN117871999A (zh) * 2023-12-27 2024-04-12 深圳市正安有机硅材料有限公司 硅橡胶电缆的老化检测方法、装置、电子设备及介质

Also Published As

Publication number Publication date
WO2024087670A1 (zh) 2024-05-02

Similar Documents

Publication Publication Date Title
Yan et al. Prediction of splitting tensile strength from cylinder compressive strength of concrete by support vector machine
CN112488183B (zh) 一种模型优化方法、装置、计算机设备及存储介质
TW202004658A (zh) 深度神經網絡自我調整增量模型壓縮的方法
CN116030911A (zh) 基于lstm神经网络的硅橡胶材料性能预测方法及装置
CN112149797A (zh) 神经网络结构优化方法和装置、电子设备
CN115018209B (zh) 一种数字化电能计量***运行误差长期预测方法及设备
CN116298906A (zh) 电池容量的预测模型训练方法、预测方法、装置及介质
CN111597401B (zh) 基于图关系网络的数据处理方法、装置、设备及介质
WO2024099061A1 (zh) 自适应频点采样的扫频方法、***及相关设备
CN114936682B (zh) 基于变分模态分解的锂离子电池剩余使用寿命预测方法
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN110543482A (zh) 一种最大时间间隔误差计算方法及***
CN113793076A (zh) 一种风险池动态监测方法、***、设备和可读存储介质
CN110646714A (zh) 一种超声波局放信号的特征提取方法及相关设备
CN115659851A (zh) 一种电缆终端头的温升评价方法及装置
CN114781276A (zh) 油纸老化模型的训练方法、油纸老化的识别方法及装置
CN117348837A (zh) 浮点精度模型的量化方法、装置、电子设备以及存储介质
CN114372618A (zh) 一种学生成绩的预测方法、***、计算机设备及存储介质
CN113825161B (zh) 基于深度自编码神经网络的5g切片异常检测方法及装置
CN114254726A (zh) 低比特神经网络模型的获取方法、装置、设备及介质
CN111626472A (zh) 一种基于深度混合云模型的场景趋势判断指标计算***及方法
CN111143641A (zh) 深度学习模型的训练方法、装置及电子设备
CN116384593B (zh) 分布式光伏出力预测方法、装置、电子设备和介质
CN117748482B (zh) 发电功率预测方法、装置、电子设备及存储介质
CN113780445B (zh) 癌症亚型分类预测模型的生成方法及装置、存储介质

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