[发明专利]基于AMFO算法和SVM算法继电器贮存寿命预测方法

说明书

本发明是基于AMFO算法和SVM算法继电器贮存寿命预测方法，包括如下步骤：步骤1获取材料性能参数；步骤2对参数数据进行主成分分析，获取主成分变量；步骤3将主成分变量分别取训练集和测试集数据，将训练集数据输入SVM模型中进行训练学习；步骤4：采用自适应飞蛾火焰优化算法对SVM模型的核函数中的参数进行优化，利用最优参数进行构建SVM模型，建立起优化后的模型进行寿命预测；步骤5设置失效阈值，预测到达失效阈值的退化曲线；步骤6通过计算概率密度函数得出最终的预测的寿命。本发明将数据样本放入SVM模型中进行训练后进行寿命预测，引进非线性动态自适应步长方法，能够使飞蛾搜索能力增强，提高飞蛾的全局寻优能力。

技术领域

本发明涉及一种继电器贮存寿命预测方法，具体来说是涉及一种将自适应飞蛾火焰优化算法和SVM算法融合的继电器贮存寿命预测方法。

背景技术

电磁继电器作为一种基本电控制器件，具有转换深度高、物理隔离性能好等优点，被广泛的应用于航天、军事等电气控制领域。而对于电子器件上的继电器，长期贮存阶段是一个必不可少的环节。在长期贮存环节中，继电器由于受到环境因素的影响，在使用时可能会发生失效，导致电子产品发生故障。

继电器的贮存寿命是研究继电器贮存可靠性的一项重要参数。研究继电器贮存寿命预测方法能够准确地预测继电器的贮存寿命，剖析继电器贮存失效的表现形式和失效机理。近年来，继电器作为自动控制开关应用于各种控制电路中，同时继电器也是一种失效率较高的电子元器件。继电器的可靠性将会影响其所在的系统的可靠性，继电器的可靠性低水平，在很大程度上限制了电气系统的发展，同时也严重影响了各行各业的安全生产，导致一些安全事故的产生。

支持向量机(SVM)由Vapnik于1995年讨论两类数据分类但是线性不可分时提出。所以SVM主要是为了解决二次规划问题，即对二次型方程进行求解，并得以不断改进，从而在模型核函数、模型参数以及模型训练算法上不断得到研究和深化拓展。SVM在解决小样本问题上有天然的优势，同时它也能解决学习中的过拟合和维度灾难问题，SVM通过构造核函数来将在低维空间线性不可分的问题转化到高维空间，从而线性可分，构造出分类超平面来使得样本之间的间隔最大化来实现分类。

飞蛾火焰优化算法(MFO算法)具有模型简单、参数少、局部搜索能力强、并行优化能力强、全局性优且不易落入局部极值的性能特征等特点。但在传统的飞蛾火焰优化算法中，飞蛾位置的更新机制是通过对数螺旋线函数实现的，但此函数只是对飞蛾飞向烛火进行定义，这就易使飞蛾陷入局部最优，在全局寻优时存在一定的不足，导致现有的继电器贮存失效寿命预测算法计算速度慢以及预测精度不高的问题。

发明内容

为了解决现有技术中继电器贮存失效寿命预测算法计算速度慢以及预测精度不高的问题，本发明提供一种将自适应飞蛾火焰优化算法(AMFO算法) 和SVM算法融合的继电器贮存寿命预测方法，本发明从安全性和可靠性角度出发，利用主成分分析方法，对数据进行特征降维处理，利用改进灰狼算法进行寻找最优参数，将数据样本放入SVM模型中进行训练，然后进行寿命预测，引进了一种非线性动态自适应步长方法，飞蛾在靠近烛火寻找最优解时，自适应步长的值较大时，表明算法可以搜索的范围较大，搜索力度也较大从而能够使飞蛾搜索能力增强，提高飞蛾的全局寻优能力。

为了达到上述目的，本发明是通过以下技术方案实现的：

本发明是一种将AMFO算法和SVM算法融合的继电器贮存寿命预测方法，包括如下步骤：

步骤1：对电磁继电器进行加速退化贮存试验，获取建立训练样本所需的材料性能参数，如接触电阻、燃弧时间、燃弧能量、超程时间、吸合时间、释放时间、回跳时间等；

步骤2：对退化数据进行主成分分析，进行降维处理，剔除冗余数据，保留对样本总体贡献较大的因素，获取主成分变量；

步骤3：将主成分变量分别取训练集和测试集数据，将训练集数据输入 SVM模型中进行训练学习；