Прогностика электромагнитных реле с использованием глубокого обучения

Электромагнитные реле (EMR) повсеместно используются в электрических системах — от серийных потребительских изделий до высокоспециализированных, критичных с точки зрения безопасности промышленных систем. Наш подробный обзор литературы по надёжности EMR подчёркивает методы оценки состояния работоспособности (state of health) или оставшегося ресурса (remaining useful life) и указывает на ограниченный анализ и понимание выразительных индикаторов деградации EMR, а также на доступность и использование наборов данных жизненного цикла EMR. С учётом этих открытых задач представлен конвейер глубокого обучения в прогностическом контексте, названный Electromagnetic Relay Useful Actuation Pipeline (EMRUA). Используя свойства каузальной свёртки, архитектура на базе Temporal Convolutional Network (TCN) интегрирует произвольно длинные последовательности множества признаков для прогноза оставшегося числа коммутационных актуаций. Эти признаки извлекаются из сырых больших наборов данных жизненного цикла, а именно данных коммутации реле (напряжение контакта, ток контакта). Для оценки неопределённости во время вывода применяется Monte Carlo dropout. Исследованы пространство гиперпараметров TCN, а также различные методы отбора и анализа длинных последовательностей многомерных временных рядов. Результаты показывают улучшения при использовании разработанного статистического набора признаков по сравнению с традиционными временными признаками, часто встречающимися в литературе. EMRUA достигает среднего значения mean absolute percentage error (MAPE) прогнозирования ±12% в течение всего срока службы EMR.