[發(fā)明專利]基礎(chǔ)繼電器失效預測技術(shù)

在審

• 申請?zhí)枺?/td>: 202010469070.7
• 申請日: 2020-05-28
• 公開（公告）號: CN112016238A
• 公開（公告）日: 2020-12-01
• 發(fā)明（設(shè)計）人: 塞巴斯蒂安·海因里希
• 申請（專利權(quán)）人: 菲尼克斯電氣公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G01R31/327;G06K9/62;G06N3/04;G06N20/00
• 代理公司: 上海思微知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 31237
• 代理人: 曹廷廷

本發(fā)明涉及一種基礎(chǔ)繼電器(100)失效預測技術(shù)(200)，該技術(shù)(200)包括如下步驟：在所述基礎(chǔ)繼電器(100)的若干次切換中，檢測(201)該基礎(chǔ)繼電器(100)的可測量的繼電器變量和負載變量(310)；根據(jù)機器學習算法(321)對所檢測的繼電器變量和負載變量(310)進行的加權(quán)，確定所述基礎(chǔ)繼電器(100)的特性值(330)，其中，該特性值(330)指明所述基礎(chǔ)繼電器(100)在各次切換中的功能狀態(tài)；以及根據(jù)所確定的特性值(330)，確定(203)所述基礎(chǔ)繼電器(100)的失效概率(370)。

技術(shù)領(lǐng)域

本發(fā)明涉及基礎(chǔ)繼電器失效預測技術(shù)，尤其涉及一種方法和相應(yīng)裝置。

背景技術(shù)

基礎(chǔ)繼電器的可靠性通過符合DIN EN 61810-2-1的實驗室試驗評測。關(guān)鍵參數(shù)為10％待測繼電器失效時的切換次數(shù)(“B10值”)。此類試驗通常在三種標準的交直流負載下進行。由于不知操作人員在哪一負載下使用繼電器，因此將當中的最小測定值作為“B10值”。在客戶提出要求時，通常會直接收到具體的“B10值”。然而，依據(jù)此類“B10值”，無法實現(xiàn)針對具體繼電器和具體應(yīng)用的失效預測。繼電器的操作人員可能會自行確定切換次數(shù)，并提早更換所有繼電器。如此，會發(fā)生不必要的切換次數(shù)浪費，并始終導致提前報廢問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于更好地預測基礎(chǔ)繼電器的失效。本發(fā)明的目的尤其在于提供一種可通過對基礎(chǔ)繼電器進行失效預測而使得操作人員能夠采取更換相應(yīng)繼電器等的必要措施的技術(shù)。

這一目的由具備獨立權(quán)利要求技術(shù)特征的技術(shù)方案實現(xiàn)。各優(yōu)選實施方式見從屬權(quán)利要求、說明書及附圖技術(shù)方案。

本發(fā)明基于繼電器的失效會以可測繼電器變量和負載變量的變化而自行顯露這一構(gòu)思。通過對此類信號進行測量和評價，可以及時識別出即將發(fā)生的失效，并可提前更換繼電器。

本申請所述的繼電器或基礎(chǔ)繼電器為一種以電磁方式操作并以電磁方式作用的遠程操作開關(guān)，一般具有兩個切換位置。該繼電器通過控制電路啟動，并可對其他電路進行切換。

以下所述方法和裝置基于機器學習方法或機器學習模型。此類“機器學習模型”本質(zhì)上僅是一種數(shù)學函數(shù)(通常為巨型函數(shù))。所有用于預測的相關(guān)數(shù)據(jù)(即所謂的“特征”)均作為參數(shù)輸入，以獲得作為輸出的預測值。例如，如本發(fā)明所述，所述機器學習模型可以為根據(jù)可用傳感器數(shù)據(jù)預測機器剩余使用壽命的模型，或者為根據(jù)可測量來預測繼電器等的電子器件的失效概率的模型。

在訓練過程中，模型內(nèi)的權(quán)重值自動更改，從而越來越提高在特征與預測之間建立所需關(guān)系的能力。與此同時，模型的基本架構(gòu)(即模型函數(shù)的結(jié)構(gòu))在訓練過程中保持不變。該基本架構(gòu)通常由具有相應(yīng)能力的人員選擇，而且每種模型架構(gòu)均帶有自己的一套參數(shù)。舉例而言，神經(jīng)網(wǎng)絡(luò)可根據(jù)單元和“隱藏層”的數(shù)量和排列方式設(shè)置，線性回歸可根據(jù)多項式階數(shù)設(shè)置。在整個訓練過程中保持不變的參數(shù)稱為超參數(shù)，而超參數(shù)的所有可能組合構(gòu)成的集合稱為參數(shù)空間。由于超參數(shù)對模型的準確性具有重要影響，因此超參數(shù)的優(yōu)化是模型開發(fā)的重要步驟，并且成為能否提高預測準確性的一項重要因素。

根據(jù)第一方面，上述目的由一種基礎(chǔ)繼電器失效預測的方法實現(xiàn)，該方法包括如下步驟：在所述基礎(chǔ)繼電器的若干次切換中，檢測該基礎(chǔ)繼電器的可測量的繼電器變量和負載變量；根據(jù)機器學習算法對所檢測的繼電器變量和負載變量進行的加權(quán)，確定所述基礎(chǔ)繼電器的特性值，該特性值指明所述基礎(chǔ)繼電器在各次切換中的功能狀態(tài)；以及根據(jù)所確定的特性值，確定所述基礎(chǔ)繼電器的失效概率。

如此，所實現(xiàn)的技術(shù)優(yōu)點在于，能夠更好地預測所述基礎(chǔ)繼電器的失效。通過機器學習算法對所檢測的繼電器變量和負載變量進行的加權(quán)，能夠以合適的方式對所述基礎(chǔ)繼電器進行監(jiān)測，從而可確定該繼電器各次切換時的功能狀態(tài)。根據(jù)以這種方式獲得的特性值，能夠確定合適的失效概率結(jié)論。基礎(chǔ)繼電器的特性會隨著老化而發(fā)生變化，而此類變化能夠提供與繼電器可能或即將發(fā)生的失效有關(guān)的信息。