【技术实现步骤摘要】
本专利技术属于传感器寿命预测，特别涉及一种基于融合算法的传感器寿命预测方法及相关装置。
技术介绍
1、智能传感器寿命预估技术是指通过实验对目标传感器进行加速老化实验获取预估基础数据，按照实验特征变量的特点分别建立预估模型，在将独立场景下的最优预估模型进行算法融合后，获得传感器使用寿命场景下的最优预测灵敏度下降能力。在传统的电力系统中的传感器检测方法需要消耗大量的人力物力且效率低下，同时难以发现机理的隐蔽故障。
2、传统的电力系统中的传感器检测方法需要消耗大量的人力物力且效率低下，同时难以发现机理的隐蔽故障。
3、深度学习中的学习率（learning rate）是一个至关重要的超参数，它决定了模型在训练过程中更新权重参数的速度与方向。控制我们要多大程度调整网络的权重，以符合梯度损失。值越低，沿着梯度下降越慢。当前技术在使用神经网络算法时通常会直接选择小数值学习率，以确不会错过任何局部最低点，但也将花费很长的时间来收敛。
技术实现思路
1、本专利技术的目的在于提供一种基于融合算法的传感器寿命预测方法及相关装置，以解决现有技术人力物力消耗大，神经网络算法时收敛时间太长的问题。
2、为实现上述目的，本专利技术采用以下技术方案：
3、第一方面，本专利技术提供一种基于融合算法的传感器寿命预测方法，包括：
4、获取传感器在工况下对应的灵敏度数据，得到电压电流和温度分别引起的灵敏度下降数据；
5、基于电压电流引起的灵敏度下降数
6、将温度引起的传感器寿命消耗模型和电压电流引起传感器老化的模型合并得到复合预估模型，并根据所述复合预估模型进行传感器寿命预测。
7、进一步的，所述获取传感器在工况下对应的灵敏度数据，得到电压电流和温度分别引起的灵敏度下降数据，包括：
8、实验获取传感器的磁阻曲线，通过线性拟合得到传感器的在复杂工况下对应的灵敏度数据，去除实验误差的异常数据；
9、对传感器的在复杂工况下对应的灵敏度数据进行升维和降维的操作，将所有数组维度统一为三位数组，并将电压电流和温度分别引起的灵敏度下降数据进行打标，得到电压电流和温度分别引起的灵敏度下降数据；
10、将电压电流和温度分别引起的灵敏度下降数据进行测试集和验证集的划分，通过随机种子完成随机抽样的数据集划分。
11、进一步的，所述基于电压电流引起的灵敏度下降数据，构建电压电流引起传感器老化的模型，包括：
12、针对由电压电流引起的传感器灵敏度下降的实验数据，通过网格搜索算法获取最佳参数组合进行预估，将最优超参数组合输入极端梯度提升树算法中构建电压电流引起传感器老化的模型。
13、进一步的，所述基于温度引起的灵敏度下降数据，结合算法融合得到温度引起的传感器寿命消耗模型，包括：
14、针对温度引起传感器灵敏度下降的实验数据，选择长短时记忆算法进行预估，在进行神经网络处理时，面对神经网络的学习率参数采用算法融合构建温度引起的传感器寿命消耗模型。
15、进一步的，所述采用算法融合构建温度引起的传感器寿命消耗模型具体包括：
16、首先选定学习率、网格划分数、初始器、激活函数、迭代次数、批量计算数和损失函数的超参数组合，并为超参数设置初始数组；
17、通过随机种子抽样遍历超参数组合，将所有超参数作为反向工程模型特征值，进行长短时记忆法的模型构建；将均方根误差作为反向工程模型的预测值，构建反向工程模型；
18、针对反向工程模型生成的大量数据，将模型数据引入模拟退火算法中，获取概率最优解的超参数和均方根误差最小的批量反向最优数组；
19、将反向最优数组输入极端梯度提升树模型，此时将网格划分数、初始器、激活函数、迭代次数、批量计算数、损失函数的超参数组合与均方根误差作为特征值，将学习率作为预测值构建模型，通过极端梯度提升树模型预估获得学习率及其他超参数组合值；
20、将场景最优超参数组合输入长短时记忆法，进行模型训练，获取算法融合下的温度引起的传感器寿命消耗模型。
21、进一步的，所述将温度引起的传感器寿命消耗模型和电压电流引起传感器老化的模型合并得到复合预估模型，并根据所述复合预估模型进行传感器寿命预测，包括：
22、将包含电压、电流和温度信息的传感器工况数据输入到复合预估模型中，复合预估模型将数据分别传递给电压电流引起传感器老化的模型和温度引起的传感器寿命消耗模型，两个模型分别进行预测，并给出基于各自工况的传感器寿命预测结果；复合预估模型接收两个模型的预测结果，通过加权平均、线性组合方式进行整合，经过整合后，复合预估模型输出综合传感器寿命预测结果。
23、第二方面，本专利技术提供一种基于融合算法的传感器寿命预测系统，包括：
24、数据采集模块，用于获取传感器在工况下对应的灵敏度数据，预处理后得到电压电流和温度分别引起的灵敏度下降数据；
25、模型构建模块，用于基于电压电流引起的灵敏度下降数据，构建电压电流引起传感器老化的模型；基于温度引起的灵敏度下降数据，结合算法融合得到温度引起的传感器寿命消耗模型；
26、预估输出模块，用于将温度引起的传感器寿命消耗模型和电压电流引起传感器老化的模型合并得到复合预估模型，进行传感器寿命预测。
27、进一步的，所述数据采集模块，具体用于：
28、实验获取传感器的磁阻曲线，通过线性拟合得到传感器的在复杂工况下对应的灵敏度数据，去除实验误差的异常数据；
29、对传感器的在复杂工况下对应的灵敏度数据进行升维和降维的操作，将所有数组维度统一为三位数组，并将电压电流和温度分别引起的灵敏度下降数据进行打标，得到电压电流和温度分别引起的灵敏度下降数据。
30、进一步的，所述模型构建模块，具体用于：
31、针对由电压电流引起的传感器灵敏度下降的实验数据，通过网格搜索算法获取最佳参数组合进行预估，将最优超参数组合输入极端梯度提升树算法中构建电压电流引起传感器老化的模型。
32、进一步的，所述模型构建模块，具体用于：
33、针对温度引起传感器灵敏度下降的实验数据，选择长短时记忆算法进行预估，在进行神经网络处理时，面对神经网络的学习率参数采用算法融合构建温度引起的传感器寿命消耗模型。
34、进一步的，所述模型构建模块，具体用于：
35、选定学习率、网格划分数、初始器、激活函数、迭代次数、批量计算数和损失函数的超参数组合，并为超参数设置初始数组；
36、通过随机种子抽样遍历超参数组合，将所有超参数作为反向工程模型特征值，进行长短时记忆法的模型构建；将均方根误差作为反向工程模型的预测值，构建反向工程模型；
37、针对反向工程模型生成的大本文档来自技高网...
【技术保护点】
1.一种基于融合算法的传感器寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述获取传感器在工况下对应的灵敏度数据，得到电压电流和温度分别引起的灵敏度下降数据，包括：
3.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述基于电压电流引起的灵敏度下降数据，构建电压电流引起传感器老化的模型，包括：
4.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述基于温度引起的灵敏度下降数据，结合算法融合得到温度引起的传感器寿命消耗模型，包括：
5.根据权利要求4所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述采用算法融合构建温度引起的传感器寿命消耗模型，包括：
6.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述将温度引起的传感器寿命消耗模型和电压电流引起传感器老化的模型合并得到复合预估模型，并根据所述复合预估模型进行传感器寿命预测，包括：
7.一种基于融合算法的传感器寿命预测
8.根据权利要求7所述的一种基于融合算法的传感器寿命预测系统，其特征在于，所述数据采集模块，具体用于：
9.根据权利要求7所述的一种基于融合算法的传感器寿命预测系统，其特征在于，所述模型构建模块，具体用于：
10.根据权利要求7所述的一种基于融合算法的传感器寿命预测系统，其特征在于，所述模型构建模块，具体用于：
11.根据权利要求10所述的一种基于融合算法的传感器寿命预测系统，其特征在于，所述模型构建模块，具体用于：
12.根据权利要求7所述的一种基于融合算法的传感器寿命预测系统，其特征在于，所述预估输出模块，具体用于：
13.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种基于融合算法的传感器寿命预测方法的步骤。
14.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种基于融合算法的传感器寿命预测方法的步骤。
...【技术特征摘要】
1.一种基于融合算法的传感器寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述获取传感器在工况下对应的灵敏度数据，得到电压电流和温度分别引起的灵敏度下降数据，包括：
3.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述基于电压电流引起的灵敏度下降数据，构建电压电流引起传感器老化的模型，包括：
4.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述基于温度引起的灵敏度下降数据，结合算法融合得到温度引起的传感器寿命消耗模型，包括：
5.根据权利要求4所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述采用算法融合构建温度引起的传感器寿命消耗模型，包括：
6.根据权利要求1所述的一种基于融合算法的传感器寿命预测方法，其特征在于，所述将温度引起的传感器寿命消耗模型和电压电流引起传感器老化的模型合并得到复合预估模型，并根据所述复合预估模型进行传感器寿命预测，包括：
7.一种基于融合算法的传感器寿命预测系统，其特征在于，包括...
【专利技术属性】
技术研发人员：刘明，鞠登峰，胡忠强，王志广，梁先锋，鲁琦，姜宇轩，
申请(专利权)人：西安交通大学，
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。