【技术实现步骤摘要】
本专利技术涉及电子设备，具体为一种基于bi-lstm的电连接器退化预测方法。
技术介绍
1、电连接器在各个领域都有涉及，主要实现的是电信号传输等功能，随着人们对产品性能要求的不断提高，可靠性对于产品来说更加重要，特别是在军工、航天、医疗器械等领域。对于电连接器而言，其失效的主要原因由温度、湿度、接触件材料性能等因素，主要呈现的是一种逐渐退化的形式。为了满足产品各方面性能要求，监测实际的退化过程并预测即将发生的退化趋势是十分必要的。
2、电连接器退化过程受到环境的多种不确定性因素的影响，产品性能在退化过程中通常会在基本退化路径的基础上出现不确定性因素引起的偏差。对于试验得出的物理模型而言，由于电连接器试验退化数据的获得需要投入较多的时间，考虑较多的环境影响因素，花费较大。但对于较少的试验数据又不能合理的预测出电连接器的退化过程，实验数据中不确定性的因素很可能导致得到的退化过程有较大的偏差。
3、对于已有的模型和数据集使用最速梯度下降法，可以对试验得出的目标函数进行优化求解。利用这种方法可以使退化路径预测的误差范围变小，使产品退化预测结果变得更加可靠。但其没有从时间序列的方面进行分析和处理退化模型，很可能会导致时间序列中真实事件之间可能存在未知的滞后，从而带来退化路径预测上的偏差。现在也已经存在许多方法来处理这类问题，例如传统rnn、隐马尔可夫模型等序列学习方法，但它们对于时间间隔长度表现得不是非常理想。
4、对于电连接器的退化过程的预测，大多都是基于部分试验数据进行分析，建立退化模型，构造目标函
5、对于物理建模的方法得到的模型要求其具有较好的可解释性和较高的预测精度，则需要对模型的建立要求较高，而对于复杂模型的参数调优则比较困难，而且调优的参数也可能不完整。另一方面，数据驱动方法可以映射复杂的系统模式或系统机制，但它强烈依赖于数据的可用性。神经网络模型捕捉到的退化趋势主要基于训练数据集的质量，而非退化过程的物理机制。因此，当训练数据集有偏时，预测性能会受到影响，例如与环境因素相关的不确定性。
6、为此我们提出一种基于bi-lstm的电连接器退化预测方法。
技术实现思路
1、本专利技术的目的在于提供一种基于bi-lstm的电连接器退化预测方法，具备高准确性、低复杂度、强适应性和良好可解释性的优点，解决了现有技术方法存在的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于bi-lstm的电连接器退化预测方法包括以下步骤：
3、步骤(1)根据电连接器物理试验得出的退化趋势及其对应的簧丝倾角、温度、湿度、接触处材料进行采样，作为原始的输入数据集；
4、步骤(2)根据电连接器的可靠度函数得出的退化趋势，用最速下降法对其建模；
5、步骤(3)根据最速下降法得到的数据，利用bi-lstm神经网络对其进行优化建模；
6、所述bi-lstm神经网络是由前向lstm和后向lstm组合而成，从历史退化数据中学习任一退化阶段的退化信息，并对隐藏状态进行修正，缩小退化模型的期望退化水平与实际退化水平之间的偏差。
7、优选的，所述步骤(1)中，根据和电连接器寿命有关的变量，观察其服从对数正态分布，从而推导出基础可靠度函数；根据基础可靠度函数得出的退化阈值x0，以及其相对应的簧丝倾角、温度、湿度、接触处材料作为原始输入数据集。
8、优选的，所述步骤(2)中，最速梯度下降法主要利用迭代法进行求解，迭代具体过程如下：
9、第1步选择初始点x0,给定终止误差ε>0,令k:＝0；
10、第2步计算若停止迭代,输出xk,否则进行第3步；
11、第3步取
12、第4步进行一维搜索,求tk,使得令xk+1＝xk+tkpk,k:＝k+1转第2步。
13、优选的，所述步骤(3)中由步骤(2)中最速梯度下降法得到的预估退化路径和由步骤(1)中采样的原始输入数据集作为bi-lstm的输入，bi-lstm方法对已有的退化路径进行学习和修正模型误差。
14、优选的，所述步骤(3)中所述的bi-lstm表示双向长短期记忆网络是由前向lstm和后向lstm组合而成，wf为向前传播lstm网络的单元格，wb为向后传播的单元格；bi-lstm将其分为输入层、输出层、隐含层1、隐藏层2和反馈层，bi-lstm细胞包括细胞状态、输入门、输出门、遗忘门，通过上述门让lstm学会衡量长短期记忆的比重。
15、优选的，所述步骤(3)中，上一时刻bi-lstm细胞的输出为ht-1和这一时刻的输入xt经过加权求和后送到sigmoid激励函数和tanh函数中，其中经过sigmoid函数的一部分会被送到遗忘门中处理信息的遗忘，一部分会被送到输入门中对经过tanh函数新的信息值进行新信息的筛选补充，还有一部分由上一次的单元状态经过遗忘和新信息的补充后及新的单元状态，经tanh函数的处理后得到新单元的输出，即隐藏状态。
16、优选的，所述步骤(3)中，sigmoid函数代表权重，区间为(0,1)；tanh函数代表双曲正切激活函数，输出新的候选值，区间为(-1,1)；全连接层代表加权求和然后送到激励函数；根据公式ft＝σ(wf·[ht-1,xt]+bf)计算遗忘门的权重；根据公式来计算新的候选信息值；根据公式it＝σ(wi·[ht-1,xt]+bi)来计算输入门的权重；根据公式ot＝σ(wo·[ht-1,xt]+bo)来计算输出门的权重；新的单元状态由公式表示；细胞单元的输出为ht＝ot*rtanh(ct)。
17、优选的，所述步骤(3)中，其中的输入为环境变量、实际退化与期望退化的差值。
18、优选的，所述步骤(3)中，其中σ表示sigmoid函数,wf,wc,wi,wo表示每一层连接到前一个隐状态的权重矩阵,bf,bc,bi,bo表示每一层的偏置项。
19、优选的，所述bi-lstm神经网络的结构和参数根据不同的电连接器类型和退化环境进行调整和优化。
20、与现有技术相比，本专利技术的有益效果如下：
21、本专利技术通过设置最速下降法对物理模型进行优化求解，达到了快速得到后序机器学习bi-lstm方法所需的原始数据集的效果；
22、本专利技术通过设置bi-lstm神经网络不断地学习和修正以得出最优退化模型，达到了提高预测准确性和适应性的效果；
23、本专利技术通过设置反馈层将前向lstm和后向lstm的输出进行融合和修正，达到了利用过去和未来的信息进行预测的效果；
24、本专利技术通过设置物理模型作为约束条件，达到了增强可解释性和鲁棒性的效果。
本文档来自技高网...【技术保护点】
1.一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(1)中，根据和电连接器寿命有关的变量，观察其服从对数正态分布，从而推导出基础可靠度函数；根据基础可靠度函数得出的退化阈值x0，以及其相对应的簧丝倾角、温度、湿度、接触处材料作为原始输入数据集。
3.根据权利要求2所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(2)中，最速梯度下降法主要利用迭代法进行求解，迭代具体过程如下：
4.根据权利要求3所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(3)中由步骤(2)中最速梯度下降法得到的预估退化路径和由步骤(1)中采样的原始输入数据集作为Bi-LSTM的输入，Bi-LSTM方法对已有的退化路径进行学习和修正模型误差。
5.根据权利要求4所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(3)中所述的Bi-LSTM表示双向长短期记忆网络是由前向LSTM和
6.根据权利要求5所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(3)中，上一时刻Bi-LSTM细胞的输出为ht-1和这一时刻的输入xt经过加权求和后送到sigmoid激励函数和tanh函数中，其中经过sigmoid函数的一部分会被送到遗忘门中处理信息的遗忘，一部分会被送到输入门中对经过tanh函数新的信息值进行新信息的筛选补充，还有一部分由上一次的单元状态经过遗忘和新信息的补充后及新的单元状态，经tanh函数的处理后得到新单元的输出，即隐藏状态。
7.根据权利要求6所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(3)中，sigmoid函数代表权重，区间为(0,1)；tanh函数代表双曲正切激活函数，输出新的候选值，区间为(-1,1)；全连接层代表加权求和然后送到激励函数；根据公式ft＝σ(Wf·[ht-1,xt]+bf)计算遗忘门的权重；根据公式来计算新的候选信息值；根据公式it＝σ(Wi·[ht-1,xt]+bi)来计算输入门的权重；根据公式ot＝σ(Wo·[ht-1,xt]+bo)来计算输出门的权重；新的单元状态由公式表示；细胞单元的输出为ht＝ot*rtanh(ct)。
8.根据权利要求7所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(3)中，其中的输入为环境变量、实际退化与期望退化的差值。
9.根据权利要求8所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述步骤(3)中，其中σ表示sigmoid函数,Wf,Wc,Wi,Wo表示每一层连接到前一个隐状态的权重矩阵,bf,bc,bi,bo表示每一层的偏置项。
10.根据权利要求9所述的一种基于Bi-LSTM的电连接器退化预测方法，其特征在于：所述Bi-LSTM神经网络的结构和参数根据不同的电连接器类型和退化环境进行调整和优化。
...【技术特征摘要】
1.一种基于bi-lstm的电连接器退化预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于bi-lstm的电连接器退化预测方法，其特征在于：所述步骤(1)中，根据和电连接器寿命有关的变量，观察其服从对数正态分布，从而推导出基础可靠度函数；根据基础可靠度函数得出的退化阈值x0，以及其相对应的簧丝倾角、温度、湿度、接触处材料作为原始输入数据集。
3.根据权利要求2所述的一种基于bi-lstm的电连接器退化预测方法，其特征在于：所述步骤(2)中，最速梯度下降法主要利用迭代法进行求解，迭代具体过程如下：
4.根据权利要求3所述的一种基于bi-lstm的电连接器退化预测方法，其特征在于：所述步骤(3)中由步骤(2)中最速梯度下降法得到的预估退化路径和由步骤(1)中采样的原始输入数据集作为bi-lstm的输入，bi-lstm方法对已有的退化路径进行学习和修正模型误差。
5.根据权利要求4所述的一种基于bi-lstm的电连接器退化预测方法，其特征在于：所述步骤(3)中所述的bi-lstm表示双向长短期记忆网络是由前向lstm和后向lstm组合而成，wf为向前传播lstm网络的单元格，wb为向后传播的单元格；bi-lstm将其分为输入层、输出层、隐含层1、隐藏层2和反馈层，bi-lstm细胞包括细胞状态、输入门、输出门、遗忘门，通过上述门让lstm学会衡量长短期记忆的比重。
6.根据权利要求5所述的一种基于bi-lstm的电连接器退化预测方法，其特征在于：所述步骤(3)中，上一时刻bi-lstm细胞的输出为ht-1和这一时刻的输入xt经过加权求和后送到sigmoid激...
【专利技术属性】
技术研发人员：王东康，钱萍，陈文华，赵文强，周家银，韩坤坤，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。