【技术实现步骤摘要】
本申请涉及轨道交通领域，尤其涉及一种断路器的状态预测方法、装置、设备及介质。
技术介绍
1、轨道交通作为关系国计民生的重要基础设施，受到人们的密切关注。在轨道交通中，车辆中的断路器为核心部件，在车辆电路出现故障时，可切断电路，保护车辆中的其他电器的安全。
2、断路器在使用过程中，会存在磨损，当磨损程度较大时，断路器的状态由正常状态变为失效状态，断路器在失效状态下不能保证电路安全。现有技术中，仅能够通过断路器中器件的磨损量，确定出断路器当前的状态是否为失效状态，在确定出处于失效状态时，断路器的保护功能已经失效，电路的安全隐患较大。
3、因此，亟需一种断路器的状态预测方法，能够预测断路器的状态，提高电路安全性。
技术实现思路
1、本申请实施例提供一种断路器的状态预测方法、装置、设备及介质，用于解决亟需一种断路器的状态预测方法，能够预测断路器的状态，提高电路安全性的问题。
2、第一方面，本申请实施例提供一种断路器的状态预测方法，包括：
3、获取磨损因子计算公式、预设数量个开断次数，以及每个开断次数对应的目标数据；其中，所述目标数据包括开断电流、开断线圈电流、燃弧时间、开断时间和触头开距中的至少一个；所述预设数量个开断次数为包括当前开断次数的连续的次数；
4、根据所述预设数量个开断次数对应的目标数据，以及所述磨损因子计算公式，计算每个开断次数对应的磨损因子，所述磨损因子用于表示断路器的磨损程度；
5、将所述预设数量个开
6、根据所述预测磨损因子和预设失效阈值，确定断路器的预测状态，所述预测状态为正常状态或失效状态。
7、在一种具体实施方式中，所述根据所述预测磨损因子和预设失效阈值，确定断路器的预测状态，包括：
8、若所述预测磨损因子小于所述预设失效阈值，确定断路器的预测状态为所述失效状态；
9、若所述预测磨损因子大于或等于所述预设失效阈值，确定断路器的预测状态为所述正常状态。
10、在一种具体实施方式中，所述方法还包括：
11、若断路器的预测状态为所述正常状态，则根据所述预测磨损因子、所述预设失效阈值，以及所述目标神经网络模型对应的预测跨度次数，确定所述断路器的剩余使用次数。
12、在一种具体实施方式中，所述根据所述预测磨损因子、所述预设失效阈值，以及所述目标神经网络模型对应的预测跨度次数，确定所述断路器的剩余使用次数，包括：
13、计算所述预设失效阈值与所述预测磨损因子的因子差值；
14、根据预设的因子差值与使用次数的对应关系，确定所述因子差值对应的使用次数；
15、将所述因子差值对应的使用次数与所述预测跨度次数相加，得到所述断路器的剩余使用次数。
16、在一种具体实施方式中，所述获取磨损因子计算公式、预设数量个开断次数，以及每个开断次数对应的目标数据之前，所述方法还包括：
17、获取多个开断次数，每个开断次数对应的初始数据；其中，所述初始数据包括开断电流、开断线圈电流、燃弧时间、开断时间和触头开距，所述多个开断次数的数量大于所述预设数量，所述多个开断次数连续；
18、计算所述初始数据中每种数据与开断次数的相关系数；
19、根据所述相关系数，从所述初始数据中确定出目标数据；
20、利用主成分分析法对所述目标数据进行处理，得到所述磨损因子计算公式和每个开断次数对应的磨损因子；
21、根据所述多个开断次数以及每个开断次数对应的磨损因子，对初始神经网络模型进行训练，直至训练次数等于预设训练次数阈值，得到所述目标神经网络模型。
22、在一种具体实施方式中，所述根据所述多个开断次数以及每个开断次数对应的磨损因子，对初始神经网络模型进行训练，直至训练次数等于预设训练次数阈值，得到所述目标神经网络模型，包括：
23、根据所述初始神经网络模型对应的预测跨度次数，以及所述多个开断次数对应的磨损因子，确定每个开断次数对应的实际预测磨损因子；
24、从所述多个开断次数中选取连续的所述预设数量个训练开断次数；
25、将所述预设数量个训练开断次数，以及每个训练开断次数对应的磨损因子，输入至所述初始神经网络模型，得到训练预测磨损因子；
26、按照从小到大的顺序，根据所述预设数量个训练开断次数中最后一个训练开断次数对应的实际预测磨损因子，以及所述训练预测磨损因子，对所述初始神经网络模型进行更新，得到训练后的神经网络模型；
27、更新训练次数；
28、若更新后的训练次数等于预设训练次数阈值，将训练后的神经网络模型作为所述目标神经网络模型；
29、若更新后的训练次数小于所述预设训练次数阈值，则重新选取所述预设数量个训练开断次数，将新获取的训练开断次数、训练开断次数对应的磨损因子，输入至训练后的神经网络模型，得到新的训练预测磨损因子，根据新的训练预测磨损因子和新确定的实际预测磨损因子，更新训练后的神经网络模型和训练次数，若更新后的训练次数小于所述预设训练次数阈值，重复本步骤直至更新后的训练次数等于所述预设训练次数阈值，将训练后的神经网络模型作为所述目标神经网络模型。
30、在一种具体实施方式中，所述初始神经网络模型为长短期记忆网络模型。
31、第二方面，本申请实施例提供一种断路器的状态预测装置，包括：
32、获取模块，用于获取磨损因子计算公式、预设数量个开断次数，以及每个开断次数对应的目标数据；其中，所述目标数据包括开断电流、开断线圈电流、燃弧时间、开断时间和触头开距中的至少一个；所述预设数量个开断次数为包括当前开断次数的连续的次数；
33、处理模块，用于：
34、根据所述预设数量个开断次数对应的目标数据，以及所述磨损因子计算公式，计算每个开断次数对应的磨损因子，所述磨损因子用于表示断路器的磨损程度；
35、将所述预设数量个开断次数，以及每个开断次数对应的磨损因子，输入至目标神经网络模型，得到预测磨损因子；所述目标神经网络模型为预先训练的用于根据开断次数和磨损因子，确定预测磨损因子的计算模型；
36、预测模块，用于根据所述预测磨损因子和预设失效阈值，确定断路器的预测状态，所述预测状态为正常状态或失效状态。
37、第三方面，本申请实施例提供一种电子设备，包括：
38、处理器，存储器，通信接口；
39、所述存储器用于存储所述处理器的可执行指令；
40、其中，所述处理器配置为经由执行所述可执行指令来执行第一方面任一项所述的断路器的状态预测方法。
41、第四方面，本申请实施例提供一种可读存储介质，本文档来自技高网...
【技术保护点】
1.一种断路器的状态预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述预测磨损因子和预设失效阈值，确定断路器的预测状态，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述跟据所述预测磨损因子、所述预设失效阈值，以及所述目标神经网络模型对应的预测跨度次数，确定所述断路器的剩余使用次数，包括：
5.根据权利要求1所述的方法，其特征在于，所述获取磨损因子计算公式、预设数量个开断次数，以及每个开断次数对应的目标数据之前，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述多个开断次数以及每个开断次数对应的磨损因子，对初始神经网络模型进行训练，直至训练次数等于预设训练次数阈值，得到所述目标神经网络模型，包括：
7.根据权利要求5所述的方法，其特征在于，所述初始神经网络模型为长短期记忆网络模型。
8.一种断路器的状态预测装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的断路器的状态预测方法。
...【技术特征摘要】
1.一种断路器的状态预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述预测磨损因子和预设失效阈值，确定断路器的预测状态，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述跟据所述预测磨损因子、所述预设失效阈值，以及所述目标神经网络模型对应的预测跨度次数，确定所述断路器的剩余使用次数，包括：
5.根据权利要求1所述的方法，其特征在于，所述获取磨损因子计算公式、预设数量个开断次数，以及每个开断次数对应的目标数据之前，所述方法还包...
【专利技术属性】
技术研发人员：郭燕辉，马兴宇，陈杰，何人伟，顾超，曹楠，杨涵超，梁原，周骞，姜杉，刘兴阳，张海峰，贾昊，邵林锋，张念，周晓峰，刘铁良，李强，叶木欣，
申请(专利权)人：北京市地铁运营有限公司运营四分公司，
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。