(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111368153.8 (22)申请日 2021.11.18 (71)申请人 江苏科技大学 地址 212028 江苏省镇江市丹徒区长晖路 666号 (72)发明人 王召斌　刘百鑫　尚尚　朱佳淼　 陈康宁　李朕　李久鑫　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 代理人 卢霞 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/02(2020.01) (54)发明名称 基于小波包分解和1D-CNN的继电器寿命预 测方法 (57)摘要 本发明是一种基于小波包分解和1D ‑CNN的 继电器寿命预测方法， 包括步骤1进行熔焊实验， 监测并存储电磁继电器的敏感参数； 步骤2： 利用 小波包分解对继电器敏 感参数进行分解和重构， 提取数据中的时频特征； 步骤3： 对经过步骤2处 理过的数据添加剩余寿命标签， 划分训练集、 验 证集和测试集， 并打乱数据的排列方式； 步骤4： 建立以1D ‑CNN为基础的深度学习寿命预测模型， 确定学习率、 激活函数、 损失函数和模型结构， 建 立多个平行对照组， 选取最优模型； 步骤5： 保存 最优的模型与超参； 步骤6： 利用深度学习寿命预 测模型对测试集进行寿命预测。 本发 明解决了 现 有的电磁继电器寿命预测模型提取数据特征困 难的缺陷， 提高了模型的预测精度。 权利要求书2页 说明书6页 附图3页 CN 114021477 A 2022.02.08 CN 114021477 A 1.一种基于小波包分解和 1D‑CNN的继电器寿命预测方法， 其特征在于： 所述电磁继电 器寿命预测方法包括如下步骤： 步骤1： 利用触点材料电性能模拟 实验系统对电磁继电器触头进行熔焊实验， 监测并存 储电磁继电器的敏感参数； 步骤2： 利用小波包分解对继电器敏感参数进行分解和重构， 提取数据中的时频特征， 达到降噪的目的； 步骤3： 对经过步骤2处理过的数据添加剩余寿命标签， 划分训练集、 验证集和测试集， 并打乱数据的排列方式， 提高模型的准确度； 步骤4： 建立以一维卷积神经网络为基础的深度学习寿命预测模型， 确定学习率、 激活 函数、 损失函数和模型 结构， 建立多个平行对照组， 选取最优 模型； 步骤5： 利用训练集对步骤4中的深度学习寿命预测模型进行训练， 利用验证集对步骤4 中的深度学习寿命预测模型进行评估， 保存最优的模型与超参； 步骤6： 利用深度 学习寿命预测模型对测试集进行寿命预测， 将预测寿命与继电器的实 际寿命进行对比， 确定模型的准确度与损失。 2.根据权利 要求1所述基于小波包分解和1D ‑CNN的继电器寿命预测方法， 其特征在于： 所述步骤4具体包括如下步骤： 步骤4‑1： 定义基础 层， 作为后续结构的基础； 步骤4‑2： 以placeho lder定义模型的输入； 步骤4‑3： 定义第一层卷积层的卷积核fi lter的尺寸 为8*1、 4*1和2*1， 偏置bias为0； 步骤4‑4： 定义第 一层最大池化层， 选取在卷积核尺寸范围内的最大值作为池化结果向 后输入； 步骤4‑5： 判断是否需要继续定义卷积层， 是则返回步骤4 ‑3， 不需继续定义卷积层则继 续进行； 步骤4‑6： 定义全连接层， 全连接层的参数取电磁继电器的实际寿命次数43560， 通过全 连接层， 将经 过上述卷积和池化操作的数据进行展开， 展开 为特征向量； 步骤4‑7： 判断是否继续添加全连接层， 是则返回步骤4 ‑6， 不需继续添加全连接层则继 续进行； 步骤4‑8： 设置模型的损失函数为均方误差、 均方根误差、 平均绝对误差， 并设置优化算 法， 通过adam优化器， 进行参数的计算， 其中 adam优化器的学习率 为0.001； 步骤4‑9： 将数据输入到定义好的模型中， 通过模型的计算， 输出电磁继电器的剩余寿 命。 3.根据权利 要求2所述基于小波包分解和1D ‑CNN的继电器寿命预测方法， 其特征在于： 所述步骤4 ‑8使用均方误差、 均方根误差和平均绝对误差为损失函数， 综合评价模 型的预测 性能， 具体为： 均方误差(MSE)： 指预测数据和原 始数据对应点 误差的平方和的均值 均方根误差(RMSE)： 为MSE的平方根权　利　要　求　书 1/2 页 2 CN 114021477 A 2平均绝对误差(MAE)： 指预测数据和原 始数据对应点的误差绝对值的均值 其中， n表示 所预测继电器剩余寿命数据的个数； 为t时刻的预测结果； yt为t时刻继电 器的真实寿命。 4.根据权利 要求1所述基于小波包分解和1D ‑CNN的继电器寿命预测方法， 其特征在于： 所述步骤2中用小 波包分解对继电器敏感参数进行分解和重构的流 程为： 式中j为尺度系数； n为频率； h、 g分别为小波分析共轭滤波器系数， 其中h为低通滤波器 系数， g为高通滤波器系数； l为位置系数， 选用wname小波对继电器敏感参数z(t)进行3层 小 波包分析。 5.根据权利 要求1所述基于小波包分解和1D ‑CNN的继电器寿命预测方法， 其特征在于： 所述步骤3具体过程包括如下步骤： 步骤3‑1： 对所有降噪处 理的数据添加剩余寿命标签、 打乱； 步骤3‑2： 取百分之七十的数据为训练集， 百分之二十验证集， 百分之十测试集； 步骤3‑3： 将测试集的寿命标签另存到继电器实际寿命文件中。 6.根据权利 要求1所述基于小波包分解和1D ‑CNN的继电器寿命预测方法， 其特征在于： 所述步骤5具体包括如下步骤： 步骤5‑1： 利用步骤4搭建的深度学习寿命预测模型提取训练集数据的特征信息， 首先 经小卷积核卷积层后通过激活函数relu变为一组特征图， 送往最大池化层进行降采样； 再 通过大卷积核卷积， 旨在使上一层输入特征图自动学习 数据的局部特征； 将最后一个池化 层的输出 经全连接层展平输出， 经 过dropout过拟合处 理， 传递到最后的输出层。 步骤5‑2： 为了防止过拟合， 以均方误差为损失函数， 设置一定的迭代次数， 利用验证集 不断对训练集训练的模型进行评估， 最后保存最优 模型的超参。 7.根据权利 要求1所述基于小波包分解和1D ‑CNN的继电器寿命预测方法， 其特征在于： 所述步骤6具体包括如下步骤： 步骤6‑1： 选取测试集数据作为模型的输入， 为了确保模型具有较好的准确性和泛化能 力， 所述测试集数据为事先从敏感参数数据集中随机抽取的并且是未用来训练模型的数 据； 步骤6‑2： 将预测寿命与继电器的实际寿命进行对比， 确定模型的准确度与损失。权　利　要　求　书 2/2 页 3 CN 114021477 A 3