买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：基于物理信息机器学习的电磁继电器时变可靠性评估方法，涉及继电器设计技术领域。建立电磁继电器仿真模型计算目标性能参数，通过马尔科夫链蒙特卡洛方法计算目标性能参数在时间序列上的仿真序列样本，得到仿真数据集；通过退化实验测试目标性能参数在时间序列上的实验序列样本，得到实验数据集；训练VAE回归模型，推断目标性能参数在时间序列上潜在的退化特性，融合生成序列样本，得到生成样本数据集；基于生成样本数据集评估电磁继电器的可靠性。结合了高斯过程方法用概率表示可靠性的优点以及深度神经网络灵活高效计算的优点，具备更高的准确性和计算效率，能够在设计阶段利用有限的实验数据实现批量电磁继电器产品的可靠性评估。

主权项：1.基于物理信息机器学习的电磁继电器时变可靠性评估方法，其特征在于：包括以下步骤：S1、根据电磁继电器的物理机理建立其目标性能参数的仿真模型，利用该仿真模型计算目标性能参数，通过马尔科夫链蒙特卡洛方法计算出目标性能参数在时间序列上的仿真序列样本，从而得到电磁继电器在时间序列上的仿真数据集，具体如下：S11、分析电磁继电器收到电压信号后工作的物理机理，建立电磁系统仿真模型和触簧系统仿真模型并组合作为电磁继电器仿真模型，根据电磁继电器的设计参数确定电磁继电器仿真模型的输入参数，将输入参数表示为x＝[x1,x2,...,xd]，电磁继电器仿真模型的输出表示为ysim＝fx，其中f表示电磁继电器仿真模型输入到输出的映射关系；S12、根据电磁继电器制造实际情况与生产经验，确定各个输入参数x在时间序列t＝[t1,t2,...,tm]各个时间点上的取值范围，并通过马尔科夫链蒙特卡洛方法，生成Nsim个输入参数x在时间序列t上的序列样本其中isim＝1,2,...,Nsim，表示为第isim个序列样本在tj时间点上的输入参数取值，其中j＝1,2,...m；S13、将Nsim个输入参数x在时间序列t上的序列样本输入到电磁继电器仿真模型中计算得到目标性能参数在时间序列t上的仿真序列样本，第isim个输入参数序列样本所对应的目标性能参数的仿真序列样本表示为将共计Nsim个在时间序列t上的目标性能参数的仿真序列样本构成仿真数据集表示为S2、通过退化实验测试目标性能参数在时间序列上的实验序列样本，得到实验数据集，具体如下：在规定的时间序列上，收集电磁继电器的目标性能参数的退化数据，实验测试时在电磁继电器上施加周期式通断的电压信号，同时监测目标性能参数的取值情况，检测到的第iexp个目标性能参数的实验序列样本表示为其中iexp＝1,2,...,Nexp，将共计Nexp个在时间序列t上的目标性能参数的实验序列样本构成实验数据集表示为S3、应用仿真数据集和实验数据集的数据，训练预先构建的VAE回归模型，通过VAE回归模型推断仿真数据集和实验数据集中目标性能参数在时间序列上潜在的退化特性，生成融合仿真数据集与实验数据集信息的目标性能参数在时间序列上的生成序列样本，得到生成样本数据集，具体如下：S31、构建VAE回归模型采用两个多层传感器MLPφ和MLPθ分别用作VAE结构中的编码器和解码器，编码器MLPφ接收目标性能参数仿真序列样本与实验序列样本，将和和统一表示为yi，其中i＝1,2,...,Nsim+Nexp，在编码器MLPφ中通过隐藏层将yi映射到dlat维数的张量zi，将其映射为潜在空间分布；设该潜在空间分布遵循多元正态分布，表示为： 式中，qφzi|yi表示潜在空间分布，表示均值和标准偏差向量分别为μφyi和σφyi的多元正态分布，φ表示用于对编码器MLPφ进行建模的神经网络的超参数集；进行重参数化，从潜在空间分布中抽取一个潜在变量zi，通过编码器MLPφ中的随机操作实现反向传播，潜在变量表示如下：zi＝μφyi+σφyi·ε式中，ε表示从标准正态分布N0,1中采样的随机向量；基于解码器MLPθ从潜在空间中获取采样的zi，并将其映射到数据空间，生成一个重构的数据点表示如下： 式中，pθyi|zi表示数据空间分布，表示均值和标准偏差向量分别为μθzi和σθzi的多元正态分布，θ表示用于对解码器MLPθ进行建模的神经网络的超参数集；当生成新样本时，通过Randn函数从平均值和标准偏差为0,1的dlat维标准正态分布中，随机抽样获得zi的样本，随后经过S32训练的解码器MLPθ将zi映射到输出从而得到目标性能参数在时间序列上的生成序列样本S32、对VAE回归模型进行训练训练集包括仿真数据集Ysim和实验数据集Yexp，对VAE回归模型进行训练，一共有Nsim+Nexp个训练数据点，训练数据点的总体损失函数为： 式中，表示重构项，用于模拟给定潜在分布的数据点的可能性，KLqφzi|yi||pzi表示KL散度，用于惩罚近似后验qφzi|yi与先验pzi之间的差异，pzi是潜在变量zi的先验分布，设为均值和标准偏差为0,1的标准正态分布，在训练过程中，VAE回归模型根据训练数据优化超参数集φ与θ，实现总体损失函数的最小化；重构损失用正态分布的均方误差损失来表示，设pzi满足0,1正态分布，损失函数中的KL散度表述为： 式中，μk和σk代表μ和σ的第k项，融合来自仿真序列样本的损失和实验序列样本的损失，将物理信息直接整合到VAE回归模型的训练过程中，总损失函数表示为： 式中，表示仿真序列样本的损失函数，代表实验序列样本的损失函数，训练后的VAE回归模型用于生成Nexp个目标性能参数在时间序列t上的生成序列样本，第igen个生成序列样本表示为其中igen＝1,2,...Ngen，将共计Ngen个在时间序列t上的目标性能参数的生成序列样本构成生成样本数据集表示为S4、基于S3的生成样本数据集Ygen，评估电磁继电器在时间序列上不同时间点tj的可靠性，具体如下：定义电磁继电器在时间点tj失效的可能性： 式中，代表电磁继电器失效事件，表示当生成序列样本的目标性能参数超出了预定义的阈值ythr，代表生成序列样本在时间点tj上的取值，代表的概率密度；定义指标函数用于指示样本是否超出ythr，指标函数如下： 则指标函数的期望值表示如下： 进一步表示为： 式中，代表的无偏估计，最终，通过指标函数的期望值评估电磁继电器在时间序列上不同时间点tj的可靠性。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于物理信息机器学习的电磁继电器时变可靠性评估方法