CN110163385B - 机场多平台多设备复杂***健康管理方法 - Google Patents
机场多平台多设备复杂***健康管理方法 Download PDFInfo
- Publication number
- CN110163385B CN110163385B CN201910392358.6A CN201910392358A CN110163385B CN 110163385 B CN110163385 B CN 110163385B CN 201910392358 A CN201910392358 A CN 201910392358A CN 110163385 B CN110163385 B CN 110163385B
- Authority
- CN
- China
- Prior art keywords
- time
- model
- component
- components
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 22
- 238000007726 management method Methods 0.000 title claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000032683 aging Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000011157 data evaluation Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000013499 data model Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 18
- 230000008439 repair process Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种机场多平台多设备复杂***健康管理方法,结合元器件标称值进行物理建模,对于不同元器件都能够简单地进行物理建模,能够根据环境的变化实时估算出元器件的剩余寿命。与此同时,对于自动开关类型器件使用数据建模的方式,能建立在不同工况下不同型号元器件的吸合时间与时间的数据模型,进行精确的寿命预测,为预知诊断提供了重要参考,有效的降低机场电气***的故障率。
Description
技术领域
本发明涉及的是一种机场设备控制领域的技术,具体是一种机场多平台多设备复杂***健康管理方法,能够准确预测机场电气***各元器件老化率与剩余寿命,达到提前排除故障隐患的故障预警效果。
背景技术
随着国内民航客机数量的迅速增长,以及机场空中交通管制等服务与结构越来越复杂,对机场的使用可靠性提出越来越高的要求,相应的维修保障工作任务和维修成本也随之明显增加。人们享受民航客机这种新型交通方式方便的同时也注重航空运输的服务品质。随着机场电气***的智能化及复杂化,这种情况对机场的日常维修维护带来了较大的工作量与技术难度。
机场电气***维修维护方式可以分为事后维修、专项维修及预知维修三种方式。事后维修也叫做故障维修法,它是以设备是否完好或者是否能用作为依据的维修,只在设备部分或全部故障后再恢复其原始状态,也就是坏了再修,不坏不修的方法。这种方法有很多缺点:出现故障后首先要花时间诊断,定位故障点,找到故障原因后才能维修,需要时间长,将大量人力耗费在维修准备和抢修上,维修人员任务繁重。专项维修作为一种防御性维修制度,我国上世纪50年代以来,开始在工业企业中普遍推广使用,该方法会根据元器件损坏周期经验,有计划的定期进行检修,预防可能发生的事故。预知维修包括完整的设备监控体系和智能诊断***,首先采集设备的日常监测、定期检查、状态监测等信息,然后进行分析处理和智能诊断,来判断设备的劣化程度,并在故障发生之前有计划地进行适当的维修。
因此,预知维修的方式被公认为最科学有效的维修方式。采用预知维修方式能够掌握元器件的健康状态,当元器件出现安全隐患时及时消除,从而能够大幅度的减少设备的故障率,提高设备的维修工作质量和节省各种费用,提高总体效率。然而预知维修面临着元器件建模困难及数据稀疏等问题,对不同的元器件都需要建立一套不同的数学模型,建立模型需要大量精力与时间,难以工程化。
发明内容
本发明针对现有技术存在的上述不足,提出一种机场多平台多设备复杂***健康管理方法,通过分类分级的对电子元器件进行机理建模与数据建模,能够尽量大幅度减少对各类元器件的物理建模,实时精确地计算各类元器件的剩余寿命与老化率,对机场健康管理有很好的指导作用。
本发明是通过以下技术方案实现的:
本发明涉及一种机场多平台多设备复杂***健康管理方法,包括以下步骤:
步骤1、采集机场电气***运送过程中的多个数据建立数据库;
所述的数据包括但不限于:元器件额定寿命Lrated、各大类元器件疲劳参数λ、各元器件的额定工作温度T0、元器件额定工作压力F0及元器件的额定工作电压U0、自动开关器件记录前t个时刻的吸合时间{q1,q2,...,qt};
所述的各大类元器件具体是指:由功能属性划分的电子元器件,如开关元器件、电缆线缆等。
步骤2、根据澡盆原理得出元器件的老化机理,通过老化机理相应建立各大类元器件的老化模型,实时获得元器件的失效率,其中:元器件随时间失效规律为老化模型,元器件超负荷运转造成的寿命减少为疲劳模型,老化模型下的元器件失效速率p只跟元器件的额定寿命Lrated有关,疲劳模型下元器件的失效速率则能够通过元器件疲劳参数λ,当前工作温度T1、当前工作压力F1、当前工作电压U1计算得出,具体包括:
步骤2.2)确定各大类元器件疲劳参数λ,通过比较各个元器件额定环境参数矩阵W0(k)=[T0,F0,U0]与当前环境参数矩阵W1(k)=[T1,F1,U1],得到元器件的疲劳模型其中:max(x,y)函数值为x与y之间较大值;
步骤2.3)元器件类型及当前环境参数W1(k)输入决策树中,由决策树判断元器件类型,从数据库中调取额定环境参数W0(k),并指导该元器件的模型选择,若当前环境参数W1(k)有环境指标超过W0(k)中相应指标,则选择疲劳模型,否则选择老化模型。
步骤2.4)对于机场使用的继电器,接触器等,对每一种元器件抽取一个新样本,通过不断收集继电器的吸合时间,采集到的长度为N的历史吸合时间序列Q={q1,q2,...,qt}入数据库中,其中20000≤t≤40000,到元器件吸合时间q>50ms认为元器件老化失效,使用数据库数据,根据AIC准则,确定自回归滑动平均模型的阶数(m,n),最后通过最小二乘法确定ARMA参数,建立自回归滑动平均模型(ARMA)模型。
步骤2.5)采用ARMA模型根据历史时间序列{q1,q2,...,qt}得到相应的预估序列TimeARMA={y1,y2,...,yt},TimeARMA为时间序列的线性分量;将历史吸合时间序列Q减去TimeARMA得到时间序列的非线性分量TimeRNN={r1,r2,...,rt};步骤2.4)中确定的阶数n也作为循环神经网络模型(RNN)的阶数,使用TimeRNN序列数据训练RNN网络,获得元器件吸合时间的非线性分量的时序变化规律。
步骤2.6)根据元器件前n个吸合时间数据,采用训练好的ARMA模型与RNN模型得到未来元器件吸合时间的线性变化量Time′ARMA与非线性变化量Time′RNN,将两个模型输出叠加能够得到元器件未来吸合时间的变化情况并评估元器件的剩余寿命。
所述的建立自回归滑动平均模型(ARMA)模型是指:
①使用AR(n)模型:其中:T为转置号,n为模型输入变量数目;为模型m时刻的输入数据;为所述的AR(n)模型的输入矩阵;θ为模型***参量,其中θ=[a1,a2,…,an]T;qm为继电器第m时刻的输出;rm为数据的非线性部分即RNN模型第m个时刻的输出;
②综合前t时刻所有数据Q={q1,q2,...,qt},将上式矩阵化:其中:Q(t)=[q1,q2,…,qt]T,则通过最小二乘法可以计算得出ARMA模型的t时刻的模型参数预估值从而辨识出ARMA模型中的参数确定线性模型参数。
③将辨识好的参数代入并获得ARMA模型,将Q={q1,q2,...,qt}中(qm,qm+1,...,qm+n-1),0<m<t-n作为输入模型可以预测出q′m+n,可以计算出继电器吸合时间数据的线性部分TimeARMA(t)={q′1,q′2,...,q′t},则继电器吸合时间数据的非线性部分TimeRNN(t)=Q-TimeARMA(t)。
所述的循环神经网络模型(RNN)共n阶,其前向传播算法:h(n)=φ(Ux(n)+Wh(n-1)+b),o(n)=Vh(n)+c,其中:U为输入节点到隐层节点的权值,W为上一个神经网络的隐层节点输出到下一个神经网络隐层节点的权值,V为隐层节点到输出层的权值,b和c都为偏置。
所述的RNN的训练,采用的训练集由TimeRNN(t)分割组成训练集,其中{(rm,rm+1,...,rm+n-1),(rm+n),0<m<t-n}作为一对输入数据及对应标签对RNN网络进行训练,得到继电器的吸合时间的非线性模型。
所述的叠加是指:由于线性模型与非线性模型能够根据前n个时间点预测出第n+1个时间点吸合时间的线性部分与非线性部分,因此将线性部分与非线性部分叠加可得到n+1时间点的吸合时间,进而可以预测出吸合时间随时间变化的曲线,预测元器件寿命。
优选地,将步骤2中的模型结果元器件的失效率和剩余元器件剩余寿命由专家***推理出各个子***及元器件的健康状态并存储至云端数据库,从而在多个平台多个终端下实时监控机场健康状况。
本发明涉及一种实现上述方法的***,包括:数据采集模块、参数仓库模块、由机理评估单元和数据评估单元组成的在线监控模块、决策模块和终端模块,其中:数据采集模块与在线监控模块相连并传输机场的环境信息,数据采集模块与在线监控模块中的数据评估单元相连传输开关元器件的吸合时间信息,参数仓库模块与在线监控模块中的机理评估单元相连并传输元器件对应类别的参数信息,在线监控模块与决策模块相连并传输元器件老化率及剩余寿命信息,决策模块与终端模块相连并传输***健康评估信息。
技术效果
与现有技术相比,本发明结合元器件标称值进行物理建模,对于不同元器件都能够简单地进行物理建模,能够根据环境的变化实时估算出元器件的剩余寿命。与此同时,对于自动开关类型器件使用数据建模的方式,能建立在不同工况下不同型号元器件的吸合时间与时间的数据模型,进行精确的寿命预测,为预知诊断提供了重要参考,有效的降低机场电气***的故障率。
本发明既可以预测出不同元器件的剩余寿命,又能够在云平台技术基础上,达到多平台多设备的机场电气运输***的健康管理功能,及时提醒工作人员更换老旧设备。同时可以根据生产线环境变化及生产线繁忙程度变化通过自学习不断修正参数,尽可能地准确预测器件的剩余寿命。本发明能够有效地监控机场电气***的健康状况,对电气***的正常安全运行有很好的指导作用。
附图说明
图1为本发明的机场电气设备寿命预测混合模型示意图;
图2为本发明使用老化模型与疲劳模型的预测元器件寿命流程图;
图3为本发明使用RNN与ARMA实现自动开关类型器件寿命预测流程图。
具体实施方式
如图1所示,为本实施例涉及的一种机场电气设备寿命预测混合模型,具体包含:数据采集模块、用于机理模型监控与数据模型监控的在线监控模块、评估模块,其中:数据采集模块使用传感器检测机场电气***的外部环境参数(如温度参数等),元器件当前工作的负荷参数(工作电压、工作压力等)与元器件的工作状态(如吸合时间)。
所述的机理模型包括:老化模型与疲劳模型。根据澡盆原理,可以获得大致得出元器件的老化规律。元器件随时间失效规律认为是老化模型,元器件超负荷运转造成的寿命减少认为是元器件的疲劳模型。其中老化模型和疲劳的选择使用决策树判断,判断依据为:元器件额定参数与实时的环境参数。
所述的数据模型,以ARMA模型及RNN模型相结合,对于继电器,接触器等元器件,利用吸合时间t度量该类电气的老化程度,预测元器件寿命。利用ARMA模型,拟合吸合时间的线性变化情况,建立线性模型,误差部分利用RNN模型估计吸合时间的非线性变化情况。利用叠加的方法叠加ARMA模型及RNN模型的输出结果,根据前t个时刻的吸合时间估计当前元器件的吸合时间,充分挖掘出吸合时间的时序变化模型。并设定吸合时间警戒值,预测到警戒值的时间,预测元器件剩余寿命。
评估模块内置专家***,其根据在线监控模块得到的元器件的失效率与剩余寿命信息推理出各个子***及元器件的健康状态,存储在云端数据库之中,能够在多个平台多个终端下实时监控机场健康状况。
所述的专家***包括:内置各个元器件的失效阈值和整个***的拓扑结构的知识库和推理机,当具有串联结构的机场子***上,有元器件老化严重,则整个子***都会运作在高风险下;
所述的知识库,由IF...THEN...形式呈现,而推理机则通过正向链的策略匹配知识库中的规则,通过监控模块得到的评估老化率与剩余寿命,结合***拓扑结构,能够对***的健康状态进行实时评估,并能做到对重点老化区域的定位。
所述的评估模块生成的评估报告存储在云平台之中,能够通过网络的形式在不同终端进行访问。如果专家***检测到被检测***处于失效风险之下,能够及时报警。
使用评估模块可以有效的检测电气部分元器件的老化率,当发现有元器件工作在老化状态时,提醒工作人员及时更换老化的元器件,提高机场电气***的稳定性。
如图2所示,为本实施例确定的电气***元器件的老化率方法,具体包括:通过查阅机场电气***元器件手册在工作中的各元器件额定寿命Lrated;通过元器件的额定寿命,求得元器件每天平均失效率,确定元器件的老化模型;查阅书册获得电气***元器件额定工作条件,确定各元器件的额定工作温度T0、元器件额定工作压力F0及元器件的额定工作电压U0;将各元器件额定工作条件作为参数,建立决策树,并人为确定疲劳参数λ;决策树根据元器件工作状态即当前工作温度T1、当前工作压力F1、当前工作电压U1,选择老化模型与疲劳模型,判断元器件老化率。
如图3所示,为本实施例确定自动开关类型元器件剩余寿命流程,具体步骤包括:对于机场使用的继电器,接触器等,对每一种元器件抽取一个新样本,使用数据采集卡不断收集继电器的吸合时间,采集到的时间序列Q={q1,q2,...,qt}存入数据库中;根据AIC准则,确定ARMA阶数n,并使用最小二乘法对ARMA进行参数估计,建立ARMA模型;使用训练好的ARMA模型,将Q={q1,q2,...,qt}中(qm,qm+1,...,qm+n-1),0<m<t-n作为输入模型可以预测出q′m+n,计算出继电器吸合时间数据的线性部分TimeARMA(t)={q′1,q′2,...,q′t};将时间序列Q减去TimeARMA(t),得到数据的非线性部分TimeRNN(t)={r1,r2,...,rn};{(rm,rm+1,...,rm+n-1),(rm+n),0<m<t-n}作为一对输入数据及对应标签对RNN网络进行训练,得到继电器的吸合时间的非线性模型;建立好元器件的线性模型与非线性模型,输入n个连续时间的吸合时间间序列,能够预测出未来该器件的吸合时间随时间的变化;预测元器件吸合时间q>50ms的时刻,该时刻为元器件的剩余寿命。
本发明提供的机场电气设备多平台多设备健康评估***方法,结合机理模型与数学模型的优点提出一种机理模型与数学模型相结合的混合模型,既可以计算出不同开关电气元件的剩余寿命,还能够结合元器件工作环境实时监控元器件的老化率。为机场电气***监控能够提供一个很好的参考。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (6)
1.一种机场多平台多设备复杂***健康管理方法,其特征在于,包括以下步骤:
步骤1、采集机场电气***运送过程中的多个数据建立数据库;
步骤2,具体包括:
步骤2.2)确定元器件疲劳参数λ,通过比较各个元器件额定环境参数矩阵W0(k)=[T0,F0,U0]与当前环境参数矩阵W1(k)=[T1,F1,U1],得到元器件的疲劳模型 其中:max(x,y)函数值为x与y之间较大值;
步骤2.3)元器件类型及当前环境参数W1(k)输入决策树中,由决策树判断元器件类型,从步骤1中的数据库中调取额定环境参数W0(k),并指导该元器件的模型选择;
步骤2.4)对于机场使用的每一种元器件抽取一个新样本,通过不断收集继电器的吸合时间,采集到的历史吸合时间序列Q={q1,q2,...,qt}存入数据库中,其中20000≤t≤40000,到元器件吸合时间q>50ms认为元器件老化失效,使用数据库数据,根据AIC准则,确定自回归滑动平均模型的阶数(m,n),最后通过最小二乘法确定ARMA参数,建立自回归滑动平均模型模型;
步骤2.5)采用ARMA模型根据历史时间序列{q1,q2,...,qt}得到相应的预估序列TimeARMA={y1,y2,...,yt},TimeARMA为时间序列的线性分量;将历史吸合时间序列Q减去TimeARMA得到时间序列的非线性分量TimeRNN={r1,r2,...,rt};步骤2.4)中确定的阶数n也作为循环神经网络模型的阶数,使用TimeRNN序列数据训练RNN网络,获得元器件吸合时间的非线性分量的时序变化规律;
步骤2.6)根据元器件前n个吸合时间数据,采用训练好的ARMA模型与RNN模型得到未来元器件吸合时间的线性变化量Time′ARMA与非线性变化量Time′RNN,将两个模型输出叠加能够得到元器件未来吸合时间的变化情况并评估元器件的剩余寿命;
所述的数据包括:元器件额定寿命Lrated、元器件疲劳参数λ、各元器件的额定工作温度T0、元器件额定工作压力F0及元器件的额定工作电压U0、自动开关器件记录前t个时刻的吸合时间{q1,q2,...,qt};
所述的叠加是指:由于线性模型与非线性模型能够根据前n个时间点预测出第n+1个时间点吸合时间的线性部分与非线性部分,因此将线性部分与非线性部分叠加可得到n+1时间点的吸合时间,进而可以预测出吸合时间随时间变化的曲线,预测元器件寿命。
3.根据权利要求1所述的机场多平台多设备复杂***健康管理方法,其特征是,所述的建立自回归滑动平均模型(ARMA)模型是指:
①使用AR(n)模型:其中:T为转置号,n为模型输入变量数目;为模型m时刻的输入数据;为所述的AR(n)模型的输入矩阵;θ为模型***参量,其中θ=[a1,a2,…,an]T;qm为继电器第m时刻的输出;rm为数据的非线性部分即RNN模型第m个时刻的输出;
②综合前t时刻所有数据Q={q1,q2,...,qt},将上式矩阵化:其中:Q(t)=[q1,q2,…,qt]T,则通过最小二乘法计算得出ARMA模型的t时刻的模型参数预估值从而辨识出ARMA模型中的参数确定线性模型参数;
4.根据权利要求1所述的机场多平台多设备复杂***健康管理方法,其特征是,所述的循环神经网络模型(RNN)共n阶,其前向传播算法:h(n)=φ(Ux(n)+Wh(n-1)+b),o(n)=Vh(n)+c,其中:U为输入节点到隐层节点的权值,W为上一个神经网络的隐层节点输出到下一个神经网络隐层节点的权值,V为隐层节点到输出层的权值,b和c都为偏置。
5.根据权利要求4所述的机场多平台多设备复杂***健康管理方法,其特征是,所述的RNN的训练,采用的训练集由TimeRNN(t)分割组成训练集,其中{(rm,rm+1,...,rm+n-1),(rm+n),0<m<t-n}作为一对输入数据及对应标签对RNN网络进行训练,得到继电器的吸合时间的非线性模型。
6.一种实现权利要求1-5中任一所述机场多平台多设备复杂***健康管理方法的***,其特征在于,包括:数据采集模块、参数仓库模块、由机理评估单元和数据评估单元组成的在线监控模块、决策模块和终端模块,其中:数据采集模块与在线监控模块相连并传输机场的环境信息,数据采集模块与在线监控模块中的数据评估单元相连传输开关元器件的吸合时间信息,参数仓库模块与在线监控模块中的机理评估单元相连并传输元器件对应类别的参数信息,在线监控模块与决策模块相连并传输元器件老化率及剩余寿命信息,决策模块与终端模块相连并传输***健康评估信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392358.6A CN110163385B (zh) | 2019-05-13 | 2019-05-13 | 机场多平台多设备复杂***健康管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392358.6A CN110163385B (zh) | 2019-05-13 | 2019-05-13 | 机场多平台多设备复杂***健康管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110163385A CN110163385A (zh) | 2019-08-23 |
CN110163385B true CN110163385B (zh) | 2023-02-07 |
Family
ID=67634455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910392358.6A Active CN110163385B (zh) | 2019-05-13 | 2019-05-13 | 机场多平台多设备复杂***健康管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163385B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11544422B2 (en) * | 2019-09-16 | 2023-01-03 | Palo Alto Research Center Incorporated | Machine learning based systems and methods for real time, model based diagnosis |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692600A (zh) * | 2012-06-15 | 2012-09-26 | 东华大学 | 基于机器视觉的继电器触头电寿命快速评估方法及装置 |
CN103383445A (zh) * | 2013-07-16 | 2013-11-06 | 湖北省电力公司电力科学研究院 | 一种智能电表寿命和可靠性预测***及其方法 |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试*** |
CN108446475A (zh) * | 2018-03-14 | 2018-08-24 | 哈尔滨理工大学 | 基于加速退化的电磁继电器可靠性评估方法 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理***和方法 |
CN109490650A (zh) * | 2017-09-11 | 2019-03-19 | 中车株洲电力机车研究所有限公司 | 一种轨道交通变流器寿命预测装置及方法 |
CN109649668A (zh) * | 2018-11-12 | 2019-04-19 | 湖北三江航天红峰控制有限公司 | 一种飞行器健康状态管理装置及方法 |
CN109711453A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7395188B1 (en) * | 2006-12-07 | 2008-07-01 | General Electric Company | System and method for equipment life estimation |
-
2019
- 2019-05-13 CN CN201910392358.6A patent/CN110163385B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692600A (zh) * | 2012-06-15 | 2012-09-26 | 东华大学 | 基于机器视觉的继电器触头电寿命快速评估方法及装置 |
CN103383445A (zh) * | 2013-07-16 | 2013-11-06 | 湖北省电力公司电力科学研究院 | 一种智能电表寿命和可靠性预测***及其方法 |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
CN107315138A (zh) * | 2016-04-21 | 2017-11-03 | 深圳市智鼎自动化技术有限公司 | 功率mosfet的故障预测和健康处理方法及测试*** |
CN109490650A (zh) * | 2017-09-11 | 2019-03-19 | 中车株洲电力机车研究所有限公司 | 一种轨道交通变流器寿命预测装置及方法 |
CN108446475A (zh) * | 2018-03-14 | 2018-08-24 | 哈尔滨理工大学 | 基于加速退化的电磁继电器可靠性评估方法 |
CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理***和方法 |
CN109649668A (zh) * | 2018-11-12 | 2019-04-19 | 湖北三江航天红峰控制有限公司 | 一种飞行器健康状态管理装置及方法 |
CN109711453A (zh) * | 2018-12-21 | 2019-05-03 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
Non-Patent Citations (3)
Title |
---|
固体氧化物燃料电池多工况特征提取与多故障识别;许朝雄 杨煜普;《化工自动化及仪表》;20180910;第45卷;第709-713页 * |
大型客机运行监控与健康管理***设计;马小骏等;《交通运输工程学报》;20111215(第06期);全文 * |
民航飞机健康维修管理评估***设计仿真;丰世林;《计算机仿真》;20171015(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110163385A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194053B (zh) | 一种智能化电梯控制***运行故障预测方法 | |
CN102916431B (zh) | 地区电网负荷转供辅助决策方法 | |
CN103679293A (zh) | 智能变电站告警和辅助决策*** | |
CN103679296A (zh) | 基于态势感知的电网安全风险评估方法和模型 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN103544389A (zh) | 基于故障树和模糊神经网络的汽车起重机故障诊断方法 | |
CN107967520A (zh) | 一种面向新型智能站继电保护设备的综合状态评估理论方法 | |
Feng et al. | A technical framework of PHM and active maintenance for modern high-speed railway traction power supply systems | |
CN107330529A (zh) | 重型轧辊装载智能机器人的故障风险评估方法 | |
CN109443419A (zh) | 一种基于机器学习的整流器在线监测方法 | |
CN116341919B (zh) | 一种数据与模型联合驱动的安全风险评估预警方法 | |
CN115372816B (zh) | 基于数据分析的配电开关设备运行故障预测***及方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN113761728A (zh) | 基于车联网平台的机场电动特种车辆故障预警方法 | |
CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN104238546A (zh) | 基于混杂神经网络的直流主设备故障诊断方法 | |
CN110163385B (zh) | 机场多平台多设备复杂***健康管理方法 | |
EP3574458B1 (de) | Verfahren zur einsatzplanung von betriebsmitteln eines elektrischen systems zur energieversorgung und elektrisches system zur energieversorgung | |
CN103197168A (zh) | 电力***中基于事件集因果链实现故障诊断控制的方法 | |
CN117390944A (zh) | 一种变电站运行工况仿真*** | |
CN103985059A (zh) | 一种基于模糊故障率的电网变压器运行风险评估方法 | |
JP7257455B2 (ja) | コントローラの意思決定論理の性能を監視するための方法および監視システム | |
CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
CN114091750A (zh) | 电网负荷异常预测方法、***和存储介质 | |
CN112862249A (zh) | 一种智能配电设备精益管理方法及其*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |