CN114970665B 模型訓練方法、電解電容剩余壽命預測方法及系統 （上海電氣集團股份有限公司）

解電容的多個輸出參數以及與每個輸出參數對應的剩余使用時間，該輸出參數包括輸出電流和/或輸出頻率；基于歷史訓練數據訓練神經網發明通過獲取電解電容的多個輸出參數以及與每個輸出參數對應的剩余使用時間的歷史訓練解電容剩余壽命預測模型準確地預測出電解電2獲取一歷史訓練數據集，所述歷史訓練數據集包括電解電容的多個輸出參數對應的剩余使用時間，所述輸出參數包括規避溫度參數后的輸出電流和/或輸對所述樣本數據集進行時序錯位處理；所述樣本數據集用于訓練所述所述電解電容剩余壽命預測模型以電解電容的輸出參數為輸入，對所述歷史訓練數據集進行異常值和空值處理，以得到異常值和空值對所述異常值和空值處理后的歷史訓練數據集進行歸一化處理，以得按照預設比例從所述樣本數據集中提取得到測試集；基于所述測試集對應的預測剩余使用時間和所述測試集對應的真實剩余使用時間計算所述電解電容剩余壽命預測模型的均方根誤差和決定系數以作為所述電解電容剩余壽基于所述損失值對所述電解電容剩余壽命預測所述第一獲取模塊，用于獲取一歷史訓練數據集，所述歷史訓練數所述訓練模塊，用于基于所述歷史訓練數據訓練神經網絡模型，以得所述篩選模塊，用于從所述歷史訓練數據集中篩選特征數據和標所述電解電容剩余壽命預測模型以電解電容的輸出參數為輸入，3所述第一處理模塊，用于對所述歷史訓練數據集進行異常值和空值所述第二處理模塊，用于對所述異常值和空值處理后的歷史訓練數據6.如權利要求4所述的模型訓練系統，其特征在于，所述模型訓練系統還包括提取模所述計算模塊，用于基于所述測試集對應的預測剩余使用時間和所述實剩余使用時間計算所述電解電容剩余壽命預測模型的均方根誤差和決定系數以作為所獲取電解電容的實時輸出參數，所述實時輸出參數包括實時輸出電流和/或實時輸出將所述實時輸出參數輸入利用如權利要求1-3中任一項所述的模型訓練方法訓練得到8.一種電解電容剩余壽命預測系統，其特征在于，所所述輸出參數獲取模塊，用于獲取電解電容的實時輸出參數，所述所述輸入模塊，用于將所述實時輸出參數輸入利用如權利要求4-6中任一項所述的模9.一種電子設備，包括存儲器、處理器及存儲在4個頻率點上的電解電容ESR值進行綜合計算才能得到電解電容交流波紋總損耗，使得該方[0007]本發明要解決的技術問題是為了克服現有技術中在對電解電容剩余壽命進行預5[0021]基于所述測試集對應的預測剩余使用時間和所述測試集對應的真實剩余使用時間計算所述電解電容剩余壽命預測模型的均方根誤差和決定系數以作為所述電解電容剩[0033]所述測試模塊，用于利用所述測試集測試所述電解電容壽命預測模型的預測結6的真實剩余使用時間計算所述電解電容剩余壽命預測模型的均方根誤差和決定系數以作[0036]所述優化模塊，用于基于所述損失值對所述電解電容剩余壽命預測模型進行優[0038]獲取電解電容的實時輸出參數，所述實時輸出參數包括實時輸出電流和/或實時[0039]將所述實時實時輸出參數輸入利用上述第一方面所述的模型訓練方法訓練得到[0047]本發明通過獲取電解電容的多個輸出參數以及與每個輸出參數對應的剩余使用預測模型；以便利用電解電容剩余壽命預測模型準確地預測出電解電容的剩余使用時間，[0051]圖4為本發明實施例1和2的模型訓練方法的預測剩余使用時間與真實剩余使用時[0052]圖5為本發明實施例1和2的模型訓練方法的預測剩余使用時間與真實剩余使用時7時間點輸出電流C和/或每個時間點輸出頻率f以及該時間點上電解電容的剩余使用時間當前電解電容的剩余使用時間(即當前電解電容的日歷壽命)CL，具體的計算如公式(1)所[0068]本實施例中，采用循環神經網絡RNN中的LSTM(長短期記憶網絡)算法進行模型訓[0069]本實施例基于歷史訓練數據集訓練神經網絡模型以構建電解電容剩余壽命預測8據為該時間點t以及t以后k個時間點上的剩余使用時間(即剩余壽命)L，即對樣本數據集D9后的測試集對應的預測剩余使用時間和反歸一化后的測試集[0095]步驟107、基于測試集對應的預測剩余使用時間和測試集對應的真實剩余使用時間計算電解電容剩余壽命預測模型的均方根誤差和決定系數以作為電解電容剩余壽命預該歷史訓練數據集按照該變頻器運行監測數據的采集時間t由遠及近排序，該歷史訓練數據集包括輸出頻率f和/或輸出電流C以及根據阿倫尼烏斯公式計算并經過調整的電解電容[0105]根據公式(1)計算該變頻器當前日歷壽命CL；再按照公式(2)對歷史訓練數據集O解電容壽命預測模型，得到測試集對應的預測剩余使用時間(即測試集對應的標簽數據)；獲取測試集對應的真實剩余使用時間；采用上述公式(3)對測試集對應的預測剩余使用時間Ypred和測試集對應的真實剩余使用時間Ytrue進行數據反歸一化處理，預測剩余使用時間從對樣本數據集D做時序錯位處理到做數據反歸一化處理的步驟，得到未包含該變頻器當添加該變頻器當前日歷壽命CL建立的電解電容剩余壽命預測模型決定系數R2大于等于0.9[0114]本實施例通過獲取輸出電流和/或輸出頻率以及電解電容的剩余使用時間的歷史多個輸出參數以及與每個輸出參數對應的剩余使用時間，該輸出參數包括輸出電流和/或時間點輸出電流C和/或每個時間點輸出頻率f以及該時間點上電解電容的剩余使用時間[0123]本實施例中，采用循環神經網絡RNN中的LSTM算法進行模型訓練，選取合適的參[0124]本實施例基于歷史訓練數據集訓練神經網絡模型以構建電解電容剩余壽命預測據為該時間點t以及t以后k個時間點上的剩余使用時間(即剩余壽命)L，即對樣本數據集D進行時序錯位處理后的數據結構如實施例1中的表后的測試集對應的預測剩余使用時間和反歸一化后的測試集測試集對應的真實剩余使用時間Ytrue進[0144]計算模塊9，用于基于測試集對應的預測剩余使用時間和測試集對應的真實剩余使用時間計算電解電容剩余壽命預測模型的均方根誤差和決定系數以作為電解電容剩余該歷史訓練數據集按照該變頻器運行監測數據的采集時間t由遠及近排序，該歷史訓練數據集包括輸出頻率f和/或輸出電流C以及根據阿倫尼烏斯公式計算并經過調整的電解電容[0151]根據實施例1中的公式(1)計算該變頻器當前日歷壽命CL；再按照實施例1中的公解電容壽命預測模型，得到測試集對應的預測剩余使用時間(即測試集對應的標簽數據)；使用時間Ypred和測試集對應的真實剩余使用時間Ytrue進行數據反歸一化處理，預測剩余使重復上述從對樣本數據集D做時序錯位處理到做數據反歸一化處理的步驟，得到未包含該[0155]按照實施例1中的公式(4)和(5)計算電解電容剩余壽命預測模型的性能評估指[0156]本實施例通過獲取輸出電流和/或輸出頻率以及電解電容的剩余使用時間的歷史[0158]圖7為本發明實施例3提供的一種電子設備的結構示意圖。電子設備包括存儲器、[0161]存儲器32可以包括易失性存儲器，例如隨機存取存儲器(RAM)321和/或高速緩存[0162]存儲器32還可以包括具有一組(至少一個)程序模塊324的程序/實用工具325，這盡管圖中未示出，可以結合模型生成的設備30使用其它硬件和/或軟件模塊，包括但不限的一個單元/模塊的特征和功能可以進一步劃分為由多個單元/模[0176]本實施例在規避溫度參數的同時僅考慮將獲取的實時輸出參數中的實時輸出電流和/或實時輸出頻率輸入訓練得到的電解電容剩余壽命預測模型，即可實現對電解電容[0180]輸入模塊62，用于將實時輸出參數輸入利用實施例2的模型訓練系統訓練得到的[0181]本實施例在規避溫度參數的同時僅考慮將獲取的實時輸出參數中的實時輸出電流和/或實時輸出頻率輸入訓練得到的電解電容剩余壽命預測模型，即可實現對電解電容[0183]本發明實施例7提供的一種電子設備的結構示意圖，該實施例中的電子設備的結顯示的電子設備30僅僅是一個示例，不應對本發明實施例的功能和使用范圍帶來任何限[0186]存儲器32可以包括易失性存儲器，例如隨機存取存儲器(RAM)321和/或高速緩存[0187]存儲器32還可以包括具有一組(至少一個)程序模塊324的程序/實用工具325，這盡管圖中未示出，可以結合模型生成的設