(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 202111354402.8 (22)申请日 2021.11.16 (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　朱佳淼　尚尚　乔青云　 陈康宁　刘百鑫　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 卢华强 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/25(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/02(2020.01) (54)发明名称 基于改进RAO算法与BP神经网络继电器寿命 预测方法 (57)摘要 本发明是一种基于改进RAO算法与BP神经网 络继电器寿命预测方法， 包括步骤1建立训练样 本所需的材料性能参数； 步骤2数据归一化处理 获得样本数据； 步骤3确定BP神经网络的拓扑结 构； 步骤4设置改进的RAO算法的初始化参数， 通 过改进的RAO算法得出最优解， 作为网络初始连 接权值与节点阈值； 步骤5： 选取训练数据输入至 神经网络模型， 使用改进的BP算法训练BP网络； 步骤6通过反复调整权值与阈值， 减小输出量与 实际量之间的误差， 直至满足精度要求。 本发明 利用RAO算法优化BP神经网络的权值与阈值等参 数， 再通过改进的BP算法训练神经网络， 得出的 结果与真实值进行误差分析， 再通过反复调整BP 神经网络参数， 满足精度要求。 权利要求书2页 说明书6页 附图2页 CN 114021471 A 2022.02.08 CN 114021471 A 1.一种基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在于： 所述继电器 寿命预测方法包括如下步骤： 步骤1： 通过对电磁继电器进行失效退化实验， 获取建立训练样本所需的材料性能参 数； 步骤2： 对步骤1中实验获得的材料性能参数原始数据进行均值化处理， 数据归一化处 理， 以此获得样本数据； 步骤3： 设计BP神经网络结构， 确定BP神经网络的拓扑 结构； 步骤4： 设置改进的RAO算法的初始化参数， 通过改进的RAO算法得出最优解， 作为网络 初始连接 权值与节点阈值； 步骤5： 选取训练数据输入至神经网络模型， 使用改进的BP算法训练BP网络； 步骤6： 通过反复调整权值与阈值， 减小输出量与实际量之间的误差， 直至满足精度要 求。 2.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在 于： 所述步骤4中采用改进的RAO算法得 出BP神经网路的初始化 参数的具体步骤如下： 步骤4‑1： 设定算法的各起始值； 步骤4‑2： 生成混沌系数c hao和随机数a， 并用Fitnes s定义粒子适应度， 定义如下： 其中， y′i， yi分别是第i代循环容 量的预测 和真实值； 步骤4‑3： 根据随机数a和混沌系数c hao相对大小选择 更新策略； 步骤4‑4： 计算新粒子Fitnes s值， 并与原粒子比较， 如果得 出的结果更好则替换； 步骤4‑5： 重复步骤4 ‑2至步骤4 ‑4， 直到满足迭代的条件； 步骤4‑6： 迭代结束， 得到最优解。 3.根据权利要求2所述基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在 于： 所述步骤4‑2中产生混沌系数c hao采用二维混沌映射， 映射公式为： 其中， xi， yi为混沌序列数， 初始值设置为x0＝0.2， y0＝0.3。 4.根据权利要求2所述基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在 于： 所述步骤4‑3中所述策略为 倾向全局搜索的策略， 表示 为： 其中， chao是由混沌公式产生的混沌值， 是由第k带种群中随机选择的不为 Xk， i的候选解， df取值 为1或2的随机整数，权　利　要　求　书 1/2 页 2 CN 114021471 A 2上述式是指将第k代种群的最优解Xbest， i作为基准向量， 同时结合包含两个随机候选解 的扰动项， 在该扰动项中， 将这两个随机候选解作差， 并加入随机扰动因子df， 当随机扰动 因子df取1时， 公式倾 向于局部搜索， 当df取2的时候， 相当于给原更新公式引入扰动变量， 从而跳出局部最优， 同时， 为了能够保证策略选择的随机性， 在每一次种群迭代 时， 生成随 机数a∈( ‑1， 1)， 根据混沌值chao与随机数a的大小关系选择不同的更新策略进 行种群的更 新。 5.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在 于： 所述步骤5中改进的BP算法是含有动量项和自调整 学习率的BP训练算法， 给待训练参数 的调整量加 动量向， 即w＝w+Δw +β Δw′， 其中Δw为基本BP算法的调整量， β Δw ′为动量项， β 为动量系数， Δw ′为上次的权值修改量， 给算法设定学习速率的增加即减少比率， 实现算法 的自适应调节。 6.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在 于： 所述步骤3中所设计的BP神经网络结构为含有网络隐含层、 输出层和中间层的三层前向 神经网络， 中间层神经 元单元数目p公式为： 网络隐含层神经元选用tansi g传递函数， 输出层神经元选取purelin传递函数， 隐含层 和输出层的神经 元激活函数均采取Sigmo id。 7.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在 于： 所述步骤6中通过反 复调整权值与阈值， 减小输出量与实际量之 间的误差时采用的误差 分析方法如下： 式中yi为剩余寿命预测值， 为实际的继电器寿命。 8.根据权利要求1所述基于改进RAO算法与BP神经网络继电器寿命预测方法， 其特征在 于： 所述步骤2中归一 化处理确保数据范围为[0,1]， 公式为： 式中， X*， S*为归一化数据值， X， Xmax， Xmin分别为网络输入量的原始样本数据及最大、 最 小值， S， Smax， Smin分别为网络 输出量的原 始样本数据及最大、 最小值。权　利　要　求　书 2/2 页 3 CN 114021471 A 3