一种继电器寿命的预测方法

1.本技术涉及继电器技术领域，具体涉及一种继电器寿命的预测方法。


背景技术：

2.继电器是保障铁路系统正常且安全运行的重要部件，其动作的可靠性与及时性会对整个铁路系统运行的安全性产生直接的影响。对于继电器的可靠性和寿命预测的研究已经成为学术界关注的重点。铁路继电器包括各种参数，如运动参数、机械参数、电气参数和触头参数等。通过对铁路继电器的各种参数的分析，判断各参数是否超出失效阈值来实现对铁路继电器的寿命预测，从而提高铁路运行的安全性和稳定性。
3.在进行铁路继电器的寿命预测时，学者不会过多考虑各参数之间和寿命值之间的相关性，也未考虑当各参数有多个参数值时如何选择的问题。同时，学者多采用全数据的预测方法，并对所有历史数据均赋予相同的权重进行预测，不对新老数据进行区分，以上方法会造成预测精度低，历史数据作用强，而新数据作用较弱的情况。


技术实现要素：

4.鉴于现有技术中的上述缺陷或不足，本技术旨在提供一种继电器寿命的预测方法，包括如下步骤：
5.设定预设动作次数，所述预设动作次数包括所述触点多次开合的次数；
6.每个触点获取一个第一接触电阻序列，所述第一接触电阻序列包括多个所述预设动作次数后的所述触点的接触电阻值；
7.构建相关程度函数，所述相关程度函数表征各所述触点与所述继电器寿命的相关程度；
8.将每个所述第一接触电阻序列输入至所述相关程度函数，得到第一触点，所述第一触点的相关程度的值最大；
9.获取所述第一触点的所述第一接触电阻序列，设为第二接触电阻序列x
(0)
＝{x
(0)
(1)，x
(0)
(2)，
…
，x
(0)
(n)}；其中，x
(0)
(n)为n个所述预设动作次数后测量所述第一触点得到的接触电阻值，n》1；
10.构建电阻值预测模型：
11.x
(0)
(n)＝-0.5a(x
(1)
(n)+x
(1)
(n-1))+b
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
12.其中，x
(1)
(n)为所述第二接触电阻序列一阶累加n次的数值，a为发展系数，b为灰色作用量；
13.设定所述第一触点的电阻阈值；
14.判断x
(0)
(n)为所述电阻阈值时，获得所述第一触点的寿命值。
15.根据本技术实施例提供的技术方案，每个所述预设动作次数后多次测量所述第一触点的接触电阻，获得所述第二接触电阻序列还包括如下步骤：
16.获得每个所述预设动作次数后的测量数据集合，所述测量数据集合包括m个接触
电阻值，m为每个预设动作次数后测量的次数，m≥1；
17.构建支持度函数；
18.将所述测量数据集合输入至所述支持度函数，得到每两个接触电阻值之间的支持度，并得到每个所述测量数据集合的支持度矩阵r；
19.求解所述支持度矩阵r的特征向量v，v＝[v1，v2，
…vm
]
t
；
[0020]
构建权重函数，得到所述测量数据集合中的每个接触电阻值的自身权重值，所述权重函数如下所示：
[0021]
wi＝v1r
i1
+v2r
i2
+
…
+v
mrim
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0022]
其中，wi为所述测量数据集合中第i个接触电阻的自身权重值，r
im
为所述测量数据集合中第i个接触电阻值和第m个接触电阻值的支持度，1≤i≤m，
[0023]
将所述测量数据集合输入至数据融合函数，得到所述第二接触电阻序列，所述数据融合函数如下所示：
[0024]
x
(0)
＝w1x1+w1x2+
…
+wmxmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0025]
其中，x
(0)
为所述第二接触电阻序列中的每个预设动作次数后的接触电阻值，xm为所述测量数据集合中第m个所述接触电阻值；wm为第m个数据在所述测量数据结合中自身的权重系数。
[0026]
根据本技术实施例提供的技术方案，所述支持度函数为：
[0027][0028]
其中，r
ij
代表所述测量数据集合中的两个数据之间的支持度，1≤i，j≤m；d
ij
代表所述测量数据集合中两个数据之间的相对距离，d
ij
＝∣x
i-xj∣。
[0029]
根据本技术实施例提供的技术方案，所述发展系数a和所述灰色作用量b的获取包括如下步骤：
[0030]
用矩阵表示所述第二接触电阻序列：
[0031]yn
＝bnθ
n。。 (5)
[0032]
其中，
[0033]
设定数据贡献度矩阵：
[0034][0035]
其中，λ为代谢因子，0≤λ≤1；
[0036]
构建代谢因子目标模型：
[0037]
j(θ)＝[wn(y
n-bnθn)]
\t
[wn(y
n-bnθn)]
ꢀꢀꢀꢀꢀ
(6)
[0038]
求解所述代谢因子目标模型，得到：
[0039]
θn＝[(w
nbn
)
t
(w
nbn
)]-1
(w
nbn
)
twnyn
ꢀꢀꢀꢀꢀꢀ
(7)
[0040]
求解得到不同代谢因子下a和b的取值。
[0041]
根据本技术实施例提供的技术方案，建立寿命相对误差函数：
[0042][0043]
其中，errorj代表寿命相对误差，j代表选取的所述代谢因子的个数，t
cej
代表不同代谢因子预测得到的所述继电器的寿命值，t
gu
代表所述继电器厂家给出的所述继电器的寿命值。
[0044]
根据本技术实施例提供的技术方案，所述相关程度函数如下所示：
[0045][0046][0047][0048]
其中，ρ为相关程度值；n为所述预设动作次数的个数，pn为n个预设动作次数后的所述触点的开合累加次数；sn为每个预设动作次数后所述触点的接触电阻值。
[0049]
综上所述，本技术提出一种继电器寿命的预测方法，设定预设动作次数，每个触点每个预设动作次数后获得接触电阻值，将接触电阻值输入至可表征触点与继电器寿命的相关程度函数，筛选出相关程度值最大的触点，为第一触点，通过第一触点的每个预设动作次数后的接触电阻值获取此触点的接触电阻预测模型，当接触电阻到达设定的电阻阈值时，得到此触点的最大动作次数，即此触点的使用寿命，此方案通过相关程度函数筛选出与继电器寿命最相关的触点，从而能更好实现继电器的寿命预测，提高预测精度。
附图说明
[0050]
图1为本技术实施例提供的一种继电器寿命的预测方法的流程图；
[0051]
图2为本技术实施例提供的不同代谢因子下的电阻值预测曲线；
[0052]
图3为本技术实施例提供的不同代谢因子下的相对误差曲线；
[0053]
图4为本技术实施例提供的最终电阻预测曲线。
具体实施方式
[0054]
下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
[0055]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0056]
诚如背景技术中提到的，针对现有技术中的问题，本技术提出了一种继电器寿命的预测方法，继电器包括触点，预测方法包括如下步骤：
[0057]
s110、设定预设动作次数，所述预设动作次数包括所述触点多次开合的次数；所述继电器的主要失效方式为接触失效，而接触电阻作为继电器的性能参数，能够很好的表征继电器的性能退化特征；继电器包括多个常开触点和多个常闭触点，本实施例中继电器包括8个常开触点和8个常闭触点，因此，继电器共包括16个接触电阻参数；所述预设动作次数内触点开合在机箱内通过触点触发完成，在预设动作次数内并不测量各个触点的接触电阻值；
[0058]
s120、每个所述触点获取一个第一接触电阻序列，所述第一接触电阻序列包括多个所述预设动作次数后的所述触点的接触电阻值；在某些实施例中，所述预设动作次数为20万次，则所述第一接触电阻序列包括所述触点在动作20万次、40万次、60万次等测量的接触电阻值；
[0059]
s130、构建相关程度函数，所述相关程度函数表征各所述触点与所述继电器寿命的相关程度；由于继电器包含的触点较多，则继电器的接触电阻值较多，为了更好的实现继电器的寿命预测，保证预测精度，采用相关程度函数得到和继电器寿命值相关性最强的触点，并通过分析此触点的寿命值来预测继电器的寿命；可选地，由于斯皮尔曼相关系数具有不受数据量纲影响、对异常大数不敏感等优点，故本方案采用斯皮尔曼相关系数来表征与继电器寿命的相关程度；
[0060]
进一步地，所述相关程度函数如下所示：
[0061][0062][0063][0064]
其中，ρ为相关程度值；n为所述预设动作次数的个数，pn为n个预设动作次数后的所述触点的开合累加次数；sn为每个所述预设动作次数后所述触点的接触电阻值；例如，所述触点的预设动作次数为在此预设动作次数内开合20万次，当n＝3时，pn为60万次；
[0065]
s140、将每个所述第一接触电阻序列输入至所述相关程度函数，得到第一触点，所述第一触点的相关程度的值最大；
[0066]
通过所述相关程度函数，得到本实施例中的16个触点的相关程度值如表1所示：
[0067]
表1
[0068]
常闭触点触点1触点2触点3触点4触点5触点6触点7触点8相关程度值0.31670.31670.55000.53330.46670.31670.75000.4000
常开触点触点9触点10触点11触点12触点13触点14触点15触点16相关程度值0.13330.61670.24270.10040.70290.42680.90000.2500
[0069]
故由表1可知，触点15的相关程度值最大，故此触点和继电器寿命的相关性最大，因此触点15为所述第一触点；
[0070]
s150、获取所述第一触点的所述第一接触电阻序列，设为第二接触电阻序列x
(0)
＝{x
(0)
(1)，x
(0)
(2)，
…
，x
(0)
(n)}；其中，x
(0)
(n)为n个预设动作次数后测量所述第一触点得到的接触电阻值，n》1；其中，在每个所述预设动作次数后手动测量所述第一触点的接触电阻值；
[0071]
s160、构建电阻值预测模型：
[0072]
x
(0)
(n)＝-0.5a(x
(1)
(n)+x
(1)
(n-1))+b
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0073]
其中，x
(1)
(n)为所述第二接触电阻序列累积n次的数值，a为发展系数，b为灰色作用量；
[0074]
s170、设定所述第一触点的电阻阈值；
[0075]
s180、判断x
(0)
(n)为所述电阻阈值时，获得所述第一触点的寿命值；通过所述电阻值预测模型，绘制获得如图4所示的最终电阻预测曲线，图4的横坐标代表累加的动作次数，单位为万次，纵坐标为接触电阻阻值，单位为毫欧，本实施例中设定所述电阻阈值即失效阈值为50mω，通过此曲线获得所述第一触点的寿命值约为100万次，故可通过目前此第一触电的开合次数，可为后序开合次数给出一个参考，及时对继电器进行更换，避免一些危险事故发生；本方案通过相关程度函数筛选出与继电器寿命最相关的触点，从而能更好实现继电器的寿命预测，提高预测精度。
[0076]
进一步地，每个所述预设动作次数后多次测量所述第一触点的接触电阻，由于每个动作后期后通过手动测量所述第一触点的接触电阻值，故测量值存在一定的偶然性，精度不高，故通过多次测量，获得多个接触电阻测量值，采用支持度算法对测量值进行数据融合，综合各数据的特性来降低数据的偶然性，获得所述第二接触电阻序列还包括如下步骤：
[0077]
s151、获得每个所述预设动作次数后的测量数据集合，所述测量数据集合包括m个接触电阻值，m为每个预设动作次数后测量的次数，m≥1；本实施例中每个预设动作次数后测量接触电阻的次数为3次，即所述测量数据集合包括3个接触电阻值；
[0078]
s152、构建支持度函数；
[0079]
进一步地，所述支持度函数为：
[0080][0081]
其中，r
ij
代表所述测量数据集合中的两个数据之间的支持度，1≤i，j≤m；d
ij
代表所述测量数据集合中两个数据之间的相对距离，d
ij
＝∣x
i-xj∣；其中xi，xj为所述测量数据集合中的第i，j次测量的接触电阻值，所述测量数据集合设为{x1，x2，
…
xm}，判断得到的测量数据真实与否与数据本身是相关的，即xm越符合实际情况，则xm得到其余数据的支持度越高，采用相对距离的概念来对数据间的相互支持度进行量化，d
ij
值越大表示两个数据之间的距离越大，即两个数据之间的相互支持度越小；
[0082]
s153、将所述测量数据集合输入至所述支持度函数，得到每两个接触电阻值之间的支持度，并得到每个所述测量数据集合的支持度矩阵r；在求得每个所述触点的相关程度
值时，已获取每个触点在动作n个所述预设动作次数后的相关数据，在筛选出所述第一触点后，通过所述第一触点的相关数据得到其支持度；具体地，所述支持度矩阵r表示为：
[0083][0084]
所述支持度矩阵中的r
ij
仅表示两个数据之间的相互支持程度，不能对一个数据和其他数据间的支持度进行反应，即不能得到一个数据和整体数据之间的相互支持的关系；例如，本实施例中的所述第一触点在动作0个预设动作次数时的所述测量数据集合为{6.25,6.24,6.24}，求得所述支持度矩阵r为：
[0085][0086]
本方案中的所述第一触点的预设动作次数为20万次，经过12个预设动作次数后得到的支持度矩阵如表2所示：
[0087]
表2
[0088][0089]
s154、求解所述支持度矩阵r的特征向量v，v＝[v1，v2，
…vm
]
t
；
[0090]
s155、构建权重函数，得到所述测量数据集合中的每个接触电阻值的自身权重值，所述权重函数如下所示：
[0091]
wi＝v1r
i1
+v2r
i2
+
…
+v
mrim
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0092]
其中，wi为所述测量数据集合中第i个接触电阻的自身权重值，r
im
为所述测量数据集合中第i个接触电阻值和第m个接触电阻值的支持度，1≤i≤m，
[0093]
s156、将所述测量数据集合输入至数据融合函数，得到所述第二接触电阻序列，所述数据融合函数如下所示：
[0094]
x
(0)
＝w1x1+w1x2+
…
+wmxmꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0095]
其中，x
(0)
为所述第二接触电阻序列中的每个预设动作次数后的接触电阻值，xm为所述测量数据集合中第m个所述接触电阻值；wm为第m个数据在所述测量数据结合中自身的权重系数；本实施通过数据融合后的接触电阻值如表3所示：
[0096]
表3
[0097][0098]
如表3所示，共包括12个预设动作次数，每个预设动作次数为20万次开合。
[0099]
进一步地，所述第二接触电阻序列x
(0)
＝{x
(0)
(1)，x
(0)
(2)，
…
，x
(0)
(n)}；其中，x
(0)
(n)为n个预设动作次数后测量获得所述接触电阻值，n》1；而所述电阻值预测模型如下所示：
[0100]
x
(0)
(n)＝-0.5a(x
(1)
(n)+x
(1)
(n-1))+b
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0101]
其中，x
(1)
(n)为所述第二接触电阻序列累积n次的数值，a为发展系数，b为灰色作用量；所述发展系数a和所述灰色作用量b的获取包括如下步骤：
[0102]
s161、用矩阵表示所述第二接触电阻序列：
[0103]yn
＝bnθ
n。。 (5)
[0104]
其中，
[0105]
公式(1)可写为：
[0106]
x
(0)
(n)＝-az
(1)
(n)+b
[0107]z(1)
(n)为所述电阻值预测模型的背景值，
[0108]z(1)
(n)＝0.5(x
(1)
(n)+x
(1)
(n-1))
[0109]
s162、设定数据贡献度矩阵：
[0110][0111]
其中，λ为代谢因子，0≤λ≤1；在不同动作次数下测试的数据，数据越靠近最后一次的测量数据，设定为新数据，数据越远离最后一次的测量数据，设定为老数据；现在技术中，学者多采用全数据预测的方法，对所有的数据赋予相同的权重进行预测，不对新数据和老数据进行区分，造成预测精度低、老数据作用强，而新数据作用较弱的情况；将代谢因子引入所述电阻值预测模型，代谢因子的引入在削弱老数据作用的同时，也加强新数据的作用，最终得到较为精确的寿命值，数据越新则对应的贡献度越大，数据越旧，则贡献度越小，可得到评判数据贡献度的贡献度矩阵；
[0112]
s163、构建代谢因子目标模型：
[0113]
j(θ)＝[wn(y
n-bnθn)]
\t
[wn(y
n-bnθn)]
ꢀꢀꢀꢀꢀꢀ
(6)
[0114]
s164、求解所述代谢因子目标模型，得到：
[0115]
θn＝[(w
nbn
)
t
(w
nbn
)]-1
(w
nbn
)
twnyn
ꢀꢀꢀꢀꢀꢀꢀ
(7)
[0116]
对公式(6)进行偏导计算，再进行最小二乘估算法得到公式(7)；
[0117]
s165、求解得到不同代谢因子下a和b的取值；代谢因子不同得到的所述数据贡献度矩阵不同，则得到的θn不同，则对应不同的发展系数a和所述灰色作用量b；如图2所示，代谢因子不同，对应不同的电阻值预测模型，对应不同的电阻值预测曲线，此曲线的横坐标为累加的动作次数，单位为十万次，纵坐标为接触电阻值，单位为毫欧，可选地，代谢因子选取0.1，0.2,
…
1的递增数列，由于在本实施例中，继电器生产厂家的企业标准规定继电器的接触电阻的下限为6毫欧，且继电器接触电阻的退化为上升趋势，即接触电阻随着动作次数的增加会逐渐增大，故满足这两个条件的代谢因子的取值为[0.9,1]，故代谢因子的最优取值范围为[0.9,1]。
[0118]
进一步地，建立寿命相对误差函数：
[0119][0120]
其中，errorj代表寿命相对误差，j代表选取的所述代谢因子的个数，t
cej
代表不同代谢因子预测得到的所述继电器的寿命值，t
gu
代表所述继电器厂家给出的所述继电器的寿命值；对代谢因子的取值范围进行优选后，通过对不同代谢因子对应的电阻值预测模型预测得到的数据进行预测趋势和预测精度的评价，从而实现代谢因子值的优选；可选地，在优选的取值范围[0.9,1]内以0.01的递增数列进行代谢因子的选取，求得的电阻值预测模型得到的继电器寿命相对误差如表4所示：
[0121]
表4
[0122]
λ10.990.980.970.960.950.940.930.920.910.90errorj0.0620.0460.0530.0360.0190.0260.0090.0160.0020.0190.012
[0123]
将表4中的数据绘制得到如3所示的相对误差的曲线，其中横坐标为代谢因子值，
纵坐标为相对误差值；如表4和图3所示，当代谢因子为0.92时，预测相对误差为0.002，预测效果最好，最终得到的电阻值预测模型对应的预测曲线如图4所示，最终预测得到继电器寿命值为9984523次。
[0124]
本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想。以上所述仅是本技术的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其他场合的，均应视为本技术的保护范围。