基于统计分析的继电器贮存寿命神经网络预测*

李文华 周露露 王立国 蔡亚楠

河北工业大学 ，天津 300130



基于统计分析的继电器贮存寿命神经网络预测*

李文华 周露露 王立国 蔡亚楠

河北工业大学 ，天津 300130

航天继电器长期处于贮存环境，为保证其各阶段始终保持在备用激活状态，必须对继电器的贮存寿命进行预测。本文将因子分析法和回归分析法引入到表征触点电接触可靠性的重要参数——接触电阻的转换中，将25台继电器样品的200对触点在125℃下的接触压降和释放电压双参数数据交叉分为4组进行处理，分析两者与接触电阻的关系，建立函数链神经网络，对接触电阻进行动态预测，进而得到继电器的贮存寿命。分析神经网络预测的整体误差，用92℃的数据对该方法进行检验，得出神经网络的预测误差低于3.5%，证实了统计方法和函数链神经网络的适用性。

航天继电器；统计分析；神经网络预测；接触电阻；贮存寿命

航天继电器是一类高可靠性、长寿命的元器件，这类产品往往需要加速寿命试验外推，得到正常应力水平下的可靠性特征量[1]。加速贮存寿命试验很难获得失效数据，这给基于失效数据的继电器贮存可靠性评价和分析带来了很大的困难。

现阶段，开关电器寿命预测变量选取的性能参数以接触电阻为主，但是现有的继电器产品寿命预测方法却有很多。文献[2]利用灰色模型预测了触点的电接触失效。文献[3]利用超程回归模型预测了继电器的寿命。文献[4]利用基于小波包变换及RBF神经网络的继电器寿命预测。文献[5]运用EEMD相空间重构的RBF网络模型预测了密封式电磁继电器的贮存寿命。文献[6]综合了回归分析法和神经网络法。文献[7]建立了接触电阻增长的动力学模型研究密封式继电器。文献[8]根据最大Lyapunov指数对触点动态接触电阻峰值时间序列进行了混沌预测。文献[9]建立了基于模糊自适应变权重算法的函数链神经网络预测模型。文献[10]基于函数链神经网络预测了大功率LED路灯的散热能力。这些方法都各有所长，但在数据处理方面考虑的均是单一条件。

近年来出现的加速退化试验为航天继电器这类产品的可靠性评价给出了新的手段，性能参数会逐渐退化，这些退化数据中包含了大量的可靠性信息[11]。可靠性能相应地衡量贮存寿命，接触电阻是表征触点电接触可靠性的重要参数。本文在前期单温度单参数研究基础上选择接触压降和释放电压双参数作为研究变量，引入应用统计因子分析和回归分析法，分析接触电阻与接触压降和释放电压双参数的关系，构建函数链神经网络对继电器的贮存寿命进行研究。

1 试验分析

河北工业大学电器研究所进行的恒定温度加速贮存寿命试验，研究的产品为密封式航天继电器，试验采用恒定温度湿度应力，根据加速应力水平选取原则，将温度应力设定为4个应力水平(60℃，73℃，92℃，125℃)，采用2台调温调湿箱模拟2个不同环境温度同时对2个温度等级下贮存的试品进行参数监测。试验对25台继电器的线圈施加DC28V电压，对阻性负载施加DC6V电压/0.1A电流，历经23周，每周定时记录25台继电器的各个电参数。依照国军标GJB65B-1999“有可靠性指标的电磁继电器总规范”，当接触电阻>0.05Ω时，继电器发生失效。

加速寿命贮存试验监测的参数有接触压降、吸合电压、释放电压、吸合时间和释放时间。各参数的变化反映了接触电阻的变化，接触电阻表征了触点电接触性能，反映了继电器的寿命可靠性。接触电阻的退化过程可以反映继电器贮存寿命的变化状态，接触电阻达到失效阈值所经历的时间是该继电器失效的时间，也就是该继电器的贮存寿命。

本文选取了92℃和125℃下继电器触点经历23周的数据，125℃是试验的最高温度，参数变化趋势较明显，试验数据最有代表性。为了提高样本预测的可靠性，将125℃下加速寿命试验的25台继电器进行编号并交叉分为4组，编号1～10台为第1组，6～15为第2组，11～20为第3组，16～25为第4组。每台继电器有8对触点，对200对触点在恒定温度下的双参数值进行分析；将92℃下的25台继电器按相同分组方法分为4组，利用试验结果验证本文所用方法的适用性。以下对125℃温度下的第1组数据进行分析。

2 统计分析

2.1 因子分析

在实际问题中，往往涉及多个变量，而且各个变量之间可能存在一定的相关性，这无疑增加了问题分析的复杂性。此时，如果盲目地减少变量，则会损失很多重要信息，可能导致错误的结论；但是，如果分别分析每个变量，结果又可能是单独的，不能对变量数据进行综合评价。因此，本文采用因子分析方法，从众多变量中提取少数的综合因素，使其包含原变量提供的大部分信息，同时又尽量使综合变量彼此不相关。

(1)

在分析密封式电磁继电器参数时，除了要考虑各种试验条件的综合作用，还要结合各个参数的不同变化趋势。由于继电器样本数量很多，单独对每个继电器触点进行分析耗时耗力，而且单个继电器的触点之间相互影响，某个触点的失效也导致了整个继电器的失效。在保证继电器在已知试验条件导致的失效机理不变的前提下，采用因子分析方法进行分析。

每台继电器的8对触点之间存在相互影响，首先分析单个样品触点的相关关系，提取出8对触点的共性因子，确定每对触点对样本的综合系数；再根据旋转平方和提取出单个参数的10个样本中对最终接触电阻贡献率达到很高比重的2个共性因子，找出各样本间的相关性。最后研究综合考虑双参数时，继电器触点接触电阻的变化趋势，得到接触电阻的转换值。

因子得分是因子分析的最终体现，通过成分得分系数矩阵得到各参数相对于共性因子的贡献量，在一定意义上将之看作该参数对共性成份的权重。而触点对样本影响的分析方法与样本对参数的分析方法相似，以10个样本的因子系数分析为例，得到的2个温度点下双参数的旋转平方和如表1所示。

表1 旋转平方和(方差的%)

表中，成份1和2是2个共性因子，表2给出了10个样本对2个共性因子的权重系数，以125℃时接触压降的表达式为例，可以相应写出2个温度下各参数的表达式。

记成份1的值为α，成份2的值为β，样本值为Y，成份1的因子系数为ω，成份2的因子系数为q，接触压降的值为UJ，则接触压降表达式为：

(2)

表2 成份系数得分矩阵

2.2 回归分析

回归分析可以确定2种或2种以上变量间的因果关系，建立回归模型，根据实测数据求解模型的各个参数，评价回归模型是否能够很好地拟合实测数据。线性回归能解决大部分数据的回归分析，但是有些线性转换有可能导致更为复杂的计算或者数据失真，所以如果在研究时不能马上确定一种最佳模型，可以利用曲线估计的方法建立一个简单而又比较适合的模型。

(3)

记125℃下接触压降的试验记载数据为UJ，释放电压的试验记载数据为US，接触电阻数据记为R，根据统计分析，由因子分析的成分得分系数矩阵得到实际采用的2个温度下接触电压参数和释放电压参数表达式，根据实际测量得到的参数数据，辅之以回归分析，利用曲线估计的方法建立回归模型，求解出接触电阻与双参数的函数表达式，得到接触电阻的转换值，即函数链神经网络的输入层原始数据，接触电阻与双参数的函数表达式为：

R1=0.1UJ-5.915×10-9*lnUS+9.999×10-9

(4)

对92℃下记录的试验数据进行相同的分析，得到接触电阻和双参数之间的关系式为：

(5)

对2个表达式进行纵向和横向的分析：1)2个温度点下继电器失效机理并没有改变，接触压降和接触电阻间呈线性关系，综合释放电压对接触电阻的影响，从方程未知参数的形式可以看出其基本关系没有较大差异；2)触点的接触电阻都有上升趋势，且温度促进了接触电阻的退化；温度应力越高，接触电阻升高的速率越快，且值也越大。方程常数项表示125℃下释放电压下降的幅度大于92℃下的幅度。因此，统计方法的因子分析法及回归分析法可以用于继电器参数数据的处理。

3 函数链神经网络

3.1 函数链神经网络结构

函数链神经网络引入非线性扩展函数的单层网络，具有很好的非线性逼近能力[12]。其基本思想是采用一组线性无关(或正交)函数将原输入样本进行模式矢量扩展，在维数更高的空间上对模式进行表示和区分，得到在增强的空间里多个独立的新输入样本，再将其输入到单层前向网络进行神经网络的训练和预测。

3.2 函数链神经网络预测模型建立

对于密封式航天继电器接触电阻这样的非线性时间序列X=(x1,x2,…,xn)所组成的n维相空间的预测问题，按事先定义好的函数展开方法，对原始序列进行函数扩展，得到一系列的扩展输入值X=(x1,x2,…,xn,x1x2,x1x3,…,xn-1xn)，其综合结果是形成实际的函数链神经网络的输入vm(m=1,2,…,n(n+1)/2)。本文输入值经过函数链扩展，样本点增多，所以选用随机遍历法构造函数链神经网络，构造的函数链神经网络结构模型如图1所示。

图1 函数链神经网络预测模型

3.3 函数链神经网络动态调整权值

在函数链神经网络预测模型中，关键是确定函数链神经网络预测模型的权系数，从而能真正综合不同预测方法的信息，提高预测精度。本文根据双参数数据的动态变化趋势，扩展原始输入数据，利用函数链神经网络算法改变网络权值，实现网络对数据更好的训练、学习和预测[13]。

(6)

以上求得的最小值是关于权值wj的函数，经过神经网络多次学习迭代，不断调节网络的连接权值，最终求出合适的权值。

在第2节进行接触电阻和接触压降与释放电压关系分析时，得到的是接触电阻的转换值，判断继电器是否失效要根据接触电阻转换值是否超过阈值。国军标规定的接触电阻大于0.05Ω时继电器失效，当失效时，监测设备自动使继电器保持失效状态并断开触点电压。接触压降的阈值为5mV，释放电压阈值为2.5V，将双参数值代入因子分析表达式，求得接触电阻转换值为3.5，即当接触电阻转换值大于3.5时继电器失效。在用函数链神经网络对接触电阻转换值进行训练预测前，按照图2所示的结构框架，对回归分析得到的接触电阻的转换值进行函数扩展，将低维数据提升至高维空间，利用单层神经网络对数据进行训练、学习和预测，得到函数链神经网络对接触电阻转换值的预测结果。预测部分结果如图3所示。

图2 数据处理结构框架

图3 125℃下接触电阻转换值的预测

按第3.2节介绍扩展函数原始值得到276个神经网络输入值，神经网络反复训练结束后，查看回归参数R，值越接近1，网络训练的效果越好；神经网络MSE值则体现了网络整个预测过程的误差。用相同方法对92℃下4组继电器试验数据进行分析，低温下接触过程中产生的磨耗相对高温较少，继电器的贮存寿命相对较长。

表3显示了2个温度下统计分析的参数相关度、神经网络预测误差以及神经网络预测得到的贮存寿命。可知神经网络的所有误差均低于3.5%，验证了统计方法和函数链神经网络方法的适用性。

表3 2个温度下继电器的对比数据

4 结语

对25台继电器样本采用1～10台为第1组，6～15为第2组，11～20为第3组，16～25为第4组样本的交叉分组方式，运用统计方法的因子分析和回归分析法，寻找出接触电阻和双参数接触压降与释放电压的关系；利用函数链将原始数据扩展到高维空间，结合神经网络按照数据整体趋势动态改变数据的权重进行预测，进而得到继电器的贮存寿命。整个预测的参数相关度高达0.9，神经网络精度误差均低于3.5%，验证了统计方法和函数链神经网络方法的适用性。

[1] 陆俭国,骆燕燕,李文华,等.航天继电器贮存寿命试验及失效分析[J].电工技术学报，2009,24(2):55-59.(Lu Jianguo, Luo Yanyan, Li Wenhua, et al. Storage Life Test and Failure Analysis of Aerospace Relays[J].Transactions of China Electrotechnical Society, 2009,24(2):54-59.)

[2] 刘伯颖,孙训俊,李玲玲,等.灰色模型在触点电器电接触失效预测中的应用[J].电工技术学报.2013,28(2):419-423.(Liu Boying, Sun Xunjun, Li Lingling, et al. Grey Model in the Application of Relay Contact Failure Prediction[J]. Transactions of China Electrotechnical Society,2013,28(2): 419-423.)

[3] 李华,孙东旺,贺鹏举,等.基于超程时间回归模型的继电器寿命预测方法[J].电工技术学报, 2013,28(S2):414-417，423.(Li Hua, Sun Dongwang, He Pengju, et al. The Method of Relay Life Prediction Based on the Regreesion Model of Super-Path Time[J].Transactions of China Electrotechnical Society, 2013,28(S2):414-417，423.)

[4] 李志刚,刘伯颖,李玲玲,等.基于小波包变换及RBF神经网络的继电器寿命预测[J].电工技术学报,2015,30(14):233-240.(Li Zhigang, Liu Boying, Li Lingling, et al. Life Prediction of Relay Based on Wavelet Packet Transform and RBF Neural Network[J]. Transactions of China Electrotechnical Society, 2015,30(14):233-240.)

[5] 李文华,王楠,邵丹,等.EEMD相空间重构的RBF网络模型在密封式电磁继电器贮存寿命预测中的应用[J].电器与能效管理技术,2015,18:1-6.(Li Wenhua, Wang Nan, Shao Dan,et al. RBF Network Model with EEMD Phase Space Reconstruction Application in Storage Life Prediction of Sealed Electromagnetic Relay[J].Electrical & Energy Management Technology,2015,18:1-6.)

[6] Kondo T,Ueno J,Takao S.Hybrid feedback Gmdh-type Neural Network Using Principal Component-regression Analysis and Its Application to Medical Image Recognition of Heart Regions[C].Soft Computing and Intelligent Systems (SCIS),2014 Joint 7th International Conference on and Advanced Intelligent Systems (ISIS),15th International Symposium on IEEE, 2014:1203-1208.

[7] 王召斌,翟国富,黄晓毅.电磁继电器贮存期接触电阻增长的动力学模型[J].电工技术学报,2012,27(5):205-211. (Wang Zhaobin, Zhai Guofu, Huang Xiaoyi. Kinetic Model of Contact Resistance Increment of Electromagnetic Relay in Srorage[J].Transactions of China Electrotechnical Society, 2012,27(5):205-211.)

[8] 李玲玲,马东娟,李志刚.触点动态接触电阻时间序列混沌预测[J].电工技术学报,2014,29(9):187-193. (Li Lingling, Ma Dongjuan, Li Zhigang. Chaotic Predication of Dynamic Contact Resistance Times Series on Contacts[J].Transactions of China Electrotechnical Society, 2014,29(9):187-193.)

[9] 罗周全,左红艳,王爽英,等.基于模糊自适应变权重算法的函数链神经网络预测方法[J].中南大学学报:自然科学版,2011,42(9):2812-2818.(Luo Zhouquan, Zuo Hongyan, Wang Shuangying, et al. Functional Link Neural Network Forecasting Method Based on Fuzzy Adaptive Variable Weight Algorithm[J].Journal of Central South University(Science and Technology), 2011,42(9):2812-2818.)

[10] Zhanga Z, Eb J, Lib Y, et al. Intelligent Prediction on Heat Dissipation Capability of the High-power LED Street Lamp Based on Fusion Function Chain Neural Network[J]. Hunan Daxue Xuebao/Journal of Hunan University Natural Sciences,2007，34(4):29-32.

[11] 王召斌,蔡昭文,翟国富,等.航天继电器加速贮存退化可靠性建模和统计分析[J].低压电器,2012(17):1-7.(Wang Zhaobin, Cai Zhaowen, Zhai Guofu,et al. Accelerated Storage Degradation Reliability Medeling and Statistical Analysis of Aerospace Relay[J]. Low-voltage Apparatus, 2012(17):1-7.)

[12] Ramli N, Faris W F, bin Jamaluddin H, et al. Identification of Ground Vehicle Aerodynamic Derivatives Application of Neural Network with Principal Component Analysis[C]//Control, Automation, Robotics and Vision, 2008. ICARCV 2008. 10th International Conference on. IEEE, 2008: 1678-1683.

[13] 陈罡,周奇才,胡旭晓.基于函数链神经网络的模型构造及控制[J].控制工程,2012,19(3):447-450.(Chen Gang, Zhou Qicai, Hu Xuxiao. Research on Construction of Model and Control Strategy Based FLANN[J].Control Engineering of China, 2012,19(3):447-450.)

[14] Tu K,Ren K,Pan L,et al.A Study of Broccoli Grading System Based on Machine Vision and Neural Networks[C].Mechatronics and Automation,2007.ICMA 2007.International Conference on. IEEE,2007: 2332-2336.

Neural Network Prediction of Relay Storage Life Based on Statistical Analysis

Li Wenhua, Zhou Lulu, Wang Liguo, Cai Yanan

Hebei University of Technology, Tianjin 300130,China

Aerospacerelayisalwaysinlong-termstoragecondition,itisnecessarytopredictthestoragelifeoftherelayinordertokeepitactivateindifferentstagesofallstates.Thisfactoranalysisandregressionanalysismethodsareintroducedtoconvertthecontactresistance,whichisanimportantparameterofthecharacterizationofelectriccontactreliability.Thedoubleparameterdataofcontactvoltagedropandvoltagereleaseofthe200contactsof25samplerelaysat125°Caredividedinto4groupscrossways,therelationshipisanalyzedbetweentheparametersandcontactresistance,functionchainneuralnetworkisbuilttopredictcontactresistancedynamicallyandthenthestoragelifeofrelaysisobtained.Thepredictionaccuracyoftheneuralnetworkisanalyzed,andthenthismethodistestedbythedataofanotherconstanttemperatureof92°C.Itisconcludedthattheerroroftheneuralnetworkislessthan3.5percent,whichconfirmstheapplicabilityofthestatisticalmethodandfunctionchainneuralnetwork.

Aerospacerelay;Statisticalanalysis;Neuralnetworkprediction;Contactresistance;Storagelife

*河北省高等学校科学技术研究重点项目(ZD20155051)

2016-08-02

李文华(1973-)，男，河北隆尧人，博士，教授，主要研究方向为电器可靠性及其检测技术、智能电器及其通讯技术；周露露(1993-)，女，江苏南通人，硕士研究生，主要研究方向为电器可靠性及其检测技术；王立国(1992-)，男，河北承德人，硕士研究生，主要研究方向为电器可靠性及其检测技术；蔡亚楠(1992-)，女，江苏南通人，硕士研究生，主要研究方向为电器触头材料。

TM501+.3

A

1006-3242(2016)06-0079-06