CN111382542B - 一种面向全寿命周期的公路机电设备寿命预测*** - Google Patents
一种面向全寿命周期的公路机电设备寿命预测*** Download PDFInfo
- Publication number
- CN111382542B CN111382542B CN202010121280.7A CN202010121280A CN111382542B CN 111382542 B CN111382542 B CN 111382542B CN 202010121280 A CN202010121280 A CN 202010121280A CN 111382542 B CN111382542 B CN 111382542B
- Authority
- CN
- China
- Prior art keywords
- equipment
- electromechanical equipment
- highway
- electromechanical
- parameters
- 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
- 238000006731 degradation reaction Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 230000015556 catabolic process Effects 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims description 70
- 238000012423 maintenance Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 49
- 230000036541 health Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 22
- 230000001186 cumulative effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 208000033999 Device damage Diseases 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000005299 abrasion Methods 0.000 claims description 2
- 230000032683 aging Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 230000004907 flux Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008689 nuclear function Effects 0.000 description 2
- 210000000299 nuclear matrix Anatomy 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种面向全寿命周期的公路机电设备寿命预测***,该***包括公路隧道关键机电设备识别模块,用于对公路隧道机电设备中的关键设备进行识别筛选;公路隧道机电设备剩余寿命预测模块,用于对从公路隧道机电设备中识别筛选出来的关键设备进行剩余寿命预测;高速公路机电设备退化分析模块,用于对高速公路机电设备进行退化分析。本预测***将关键设备识别筛选与公路隧道机电设备剩余寿命预测相结合,大大提高了预测***的效率和准确性。再结合高速公路机电设备退化分析,能够实现针对公路机电设备的全寿命周期的寿命预测。
Description
技术领域
本发明属于公路交通机电设备领域,涉及公路机电设备寿命预测,具体涉及一种面向全寿命周期的公路机电设备寿命预测***。
背景技术
故障预测与健康管理(Prognostics and Health Management,PHM)技术是一个涵盖基础材料、机械结构、能源、电子、自动测试、可靠性、信息等多领域的交叉学科和热门研究方向,能够通过故障诊断、故障预测、设备剩余使用寿命(Remaining Useful Life,RUL)预测等,提供机电设备或整个***健康状态的综合视图,已发展成为航空航天领域***后勤保障、维护和自主健康管理的重要支撑技术和基础。目前,基于人工智能的故障诊断***由于其在提高监测技术效率方面的突出表现,正在初步取代基于传统技术的故障诊断***。深度学习(Deep Learning)是人工智能领域最能体现智能的一个分支,也是目前机器学习领域中的核心话题与热门研究方向。面对公路隧道机电***及设备维护管理存在的种种问题,应用基于深度学习的PHM方法为实现机电***的智慧管养提供了新的思路与技术支撑。
现有的公路隧道机电设备寿命预测框架存在如下问题:第一,隧道机电设备的重要程度未进行细分,仅按照《公路隧道养护规范》内容进行粗略划分,不利于差异化养护管理。第二,建立机电设备退化模型时未考虑外部因素对设备退化过程的影响。第三,现有的隧道机电设备寿命预测模型依赖于***的特性数据,对于公路隧道机电设备具有间断性故障的情况适应情况较差。
发明内容
针对上述现有技术的不足与缺陷,本发明的目的在于提供一种面向全寿命周期的公路机电设备寿命预测***,解决现有技术中公路机电设备寿命预测结果不精准的技术问题。
为了解决上述技术问题,本发明采用如下技术方案予以实现:
一种面向全寿命周期的公路机电设备寿命预测***,所述的公路机电设备至少包括公路隧道机电设备和高速公路机电设备,该***包括公路隧道机电设备剩余寿命预测模块,所述的公路隧道机电设备剩余寿命预测模块用于对公路隧道机电设备进行剩余寿命预测;所述的公路隧道机电设备剩余寿命预测模块包括公路隧道机电设备剩余寿命预测模型。
本发明还具有如下技术特征:
该***还包括公路隧道关键机电设备识别模块,所述的公路隧道关键机电设备识别模块用于对公路隧道机电设备中的关键设备进行识别筛选;所述的公路隧道机电设备剩余寿命预测模块用于对从公路隧道机电设备中识别筛选出来的关键设备进行剩余寿命预测。
该***还包括高速公路机电设备退化分析模块,所述的高速公路机电设备退化分析模块用于对高速公路机电设备进行退化分析;所述的高速公路机电设备退化分析模块包括高速公路机电设备退化分析模型。
本发明与现有技术相比,具有如下技术效果:
(Ⅰ)公路隧道机电设备剩余寿命预测模块采用外部环境参数对公路隧道机电设备的内部状态参数进行修正补偿,提高了剩余寿命预测模型中输入量的精准性,从而提高了经过训练后的模型本身的精准性和采用该模型进行剩余寿命预测时所获得的剩余寿命的精准性。
(Ⅱ)公路隧道机电设备剩余寿命预测模块首次采用电压、电流、功率、振动、维修次数、构成复杂度和运行时长作为公路隧道机电设备的内部状态参数,采用温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值作为外部环境参数,本发明以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象,通过核主成分分析获得特征向量,将特征向量作为长短期记忆网络的输入量,能进一步提高最终获得的剩余寿命的精准性。
(Ⅲ)公路隧道机电设备剩余寿命预测模块建立了隧道机电设备运行环境状态参数采集模块和关键性能参数采集模块,实现公路隧道关键机电设备的在线监测与数据获取,得到完整的机电设备寿命预测的原始数据集。
(Ⅳ)公路隧道机电设备剩余寿命预测模块构建了符合公路隧道机电设备失效规律的故障模型,定性地分析机电设备的寿命分布,将设备的运行状态时长转化为故障率作为主要特征参数,并结合其他相关特征参数构建公路隧道机电设备寿命预测特征向量。
(Ⅴ)公路隧道机电设备剩余寿命预测模块采用核主成分分析的无监督特征提取方法对经过环境因素补偿处理过的特征参数进行有效筛选。
(Ⅵ)公路隧道机电设备剩余寿命预测模块考虑公路隧道机电设备寿命具有时空相关性的特点,特提出基于循环神经网络的公路隧道的机电设备寿命预测方法,具有较好的可解释性和较高的精确度。
(Ⅶ)高速公路机电设备退化分析模块利用高速公路机电设备运行状态监测数据,对高速公路机电设备退化过程进行分析。相较于以往通过分析高速公路机电设备故障和维护数据,获取各类设备失效概率分布的方法,本方法可以更加准确地把握设备退化过程。
(Ⅷ)高速公路机电设备退化分析模块考虑对高速公路机电设备退化过程密切相关的设备运行环境状态和维护状况两种影响因素,分析各因素对设备退化过程的影响机理。通过考虑这些因素对设备退化过程的影响,提高对设备退化过程描述的准确性。
(Ⅸ)高速公路机电设备退化分析模块通过对高速公路机电设备状态监测数据的处理,提取设备运行状态特征,构造设备运行状态特征参数集。然后,根据特征参数集中个参数与设备健康指标参数的相关程度筛选设备退化敏感参数。有效地挖掘出设备运行状态监测数据中设备退化信息。
(Ⅹ)高速公路机电设备退化分析模块考虑设备运行环境中各类因素对设备退化过程的影响机理,对各环境因素进行水平划分,并构造了表征各类环境因素对设备退化过程产生累积影响效应的参数。同时,结合高速公路机电设备分级维护的历史数据,构造了维护状况累积影响效应参数。相较于以往仅从设备运行状态监测数据中分析设备退化过程的方法,本方法进一步提高对设备退化过程描述的准确性。
(Ⅺ)高速公路机电设备退化分析模块在采用相关向量机算法建立设备退化模型时,对设备健康指标参数进行Box-Cox的非线性变换处理,可以从数据处理角度增强模型的准确率。
(Ⅻ)本预测***将关键设备识别筛选与公路隧道机电设备剩余寿命预测相结合,大大提高了预测***的效率和准确性。再结合高速公路机电设备退化分析,能够实现针对公路机电设备的全寿命周期的寿命预测。
附图说明
图1为EQLC数据集样例。
图2为本发明基于灰色关联分析的公路隧道机电设备的内部状态参数的补偿流程示意图。
图3为本发明LSTM网络的训练流程示意图。
图4为本发明采用的LSTM网络层的结构示意图。
图5为PLC控制箱中的测量节点。
图6为UPS电源设备蓄电池组退化过程建模结果样例图。
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1:
本实施例给出一种公路隧道关键机电设备识别模块,包括以下步骤实现:
步骤1.1,依据公路隧道机电设备维护记录,获取公路隧道机电设备在所监测的天数内的故障次数gn,设备的成本em,维护成本wc,并记录公路隧道机电设备的维护等级drq;
其中:
若公路隧道机电设备因直接损坏而更换,仍对该公路隧道机电设备故障次数gn加1;
当维护过程是对设备外观、工作状态的日常巡查工作,检查设备的工作功能、性能、运行环境是否符合要求并对安全隐患进行记录时,drq=1;
当维护过程是对设备进行外部定期维护;检查各类机电设备外壳是否漏电,并对设备进行紧固、调整、除锈、防腐维护时,drq=2;
当维护过程是对设备内部进行清洁;对内部元件进行维护,紧固内部连线与零部件;对磨损较严重的零部件进行维修更换,进行部分设备的基本功能测试时,drq=3;
当维护过程是对设备进行全面维护与检修,包括接地测试、核心元件检查、接线及零件的紧固性检测、破损或老化严重的部件进行更换、对设备主要功能进行检测与调试时,drq=4;
当维护过程是综合运用技术手段对机电设备的关键性能进行测试,评估现有设备的使用寿命、设备的使用完好率和设备的故障发生率情况;对设备的功能和性能进行评估时,drq=5;
步骤1.2,计算设备的可靠性评价RE,RE=gn/tm;
其中,tm为对该设备的监测天数;
步骤1.3,计算设备的维修难度DE和维护成本与单价比BE;对DE和BE进行标准化处理,得到其结果Dd与Bb,计算设备的维护评价WE;
DE=gn×drq;WE=0.4Dd+0.6Bb;
步骤1.4,计算设备的损失代价QE,QE=0.5EW+0.5MW,其中:
EW为公路隧道机电设备损坏对***功能的影响权值,当公路隧道机电设备损坏对***功能的影响为无影响时,EW=1,当公路隧道机电设备损坏对***功能的影响为仅影响***完整性时,EW=2,当公路隧道机电设备损坏对***功能的影响为轻微影响但主要功能完好时,EW=3,当公路隧道机电设备损坏对***功能的影响为***功能严重受损时,EW=5,当公路隧道机电设备损坏对***功能的影响为受损***功能失效时,EW=7;
MW为公路隧道机电设备的成本权值,当公路隧道机电设备的成本≤1万元人民币时,MW=1,当公路隧道机电设备的成本≤5万元人民币时,MW=2,当公路隧道机电设备的成本≤10万元人民币时,MW=3,当公路隧道机电设备的成本≤20万元人民币时,MW=4,当公路隧道机电设备的成本≥20万元人民币时,MW=5;
步骤1.5,将设备的可靠性评价RE,设备的维护评价WE,设备的损失代价QE,通过肘部方法确定最佳的聚类簇的个数ks的值;肘部方法的指标是误差平方和SSE,在SSE随着ks值增大而减小的图像中出现拐点时对应的ks值即为所求聚类的簇的个数;
式中:Ckk是划分的簇,kk取值在闭区间[1,ks]之间的整数,xphg是Ckk中的样本点,uskk是Ckk所有样本的均值;
步骤1.6,确定ks的值后,通过k-means算法,通过欧式距离dist确定样本中每一个点xppz相对于聚类中心Ckk的距离,并选择距离最近的聚类簇作为其所属类别;再根据分好的类别和数据,重新计算聚类的类别中心即质心,不断重复这个步骤直到聚类中心不再改变;其中:
步骤1.7,使用CART算法对机电设备进行级别分类;具体步骤如下:
第1.7.1步,在机电设备指标数据集D中对某一细分指标A取一个可能的值a,将D划分为两个子集D1、D2;
第1.7.2步,分别计算子集划分后数据集D中3类细分指标的Gini系数,选择值最小的指标作为最优划分指标;
第1.7.3步,重复执行前两步,直到子集中所含样本数过少或者Gini系数小于阈值时算法停止;
第1.7.4步,根据每一个子集中样本的设备类别的众数来判断子集的所属类别,生成机电设备细分决策树;
第1.7.5步,对不同大小的子树,根据交叉验证误差和复杂度进行剪枝;最后得到最佳的机电设备重要程度划分决策树;
其中,对于样本D,特征A的某个值a把D分成D1和D2两部分,则在特征A的条件下,Gini系数计算公式为:
probn表示D中样本点属于bn类的概率,uc代表D中样本类别数。
实施例2:
本实施例还给出一种公路隧道机电设备剩余寿命预测模型的构建方法,该方法包括以下步骤:
步骤2.1,公路隧道机电设备寿命特征数据集的获取:
采集公路隧道机电设备的内部状态参数数据和外部环境参数数据建立原始数据集,对原始数据集进行清洗和去噪,按固定时长步长对清洗后的数据进行分组,更新数据集,获得机电设备寿命特征数据集;
所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长;
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值;
步骤2.1中,所述的公路隧道机电设备寿命特征数据集的具体获取过程如下:
步骤S2.1.1,根据交通运输部《公路养护工程管理办法》确定公路隧道中的关键设备,将关键设备作为剩余寿命预测的公路隧道机电设备;
所述的关键设备需要满足以下两个条件:条件一,设备的运行状态对隧道中的行车安全或者运营管理有着重要影响;条件二,关键设备的故障突发率比较高,排除隧道中设备状态长期变化不大的主要设备;
步骤S2.1.2,根据《公路工程机电设施标准汇编》确定公路隧道关键设备的内部状态参数,包括电压、电流、功率、振动和运行时长,状态参数指标可以反映机电设备的运行状态,为预测模型提供输入数据支持;
步骤S2.1.3,采集机电设备的外部环境参数,包括温度、湿度、风力数据;
步骤S2.1.4,针对步骤S2.1.2中提出的状态参数,建立机电设备状态参数采集模块,采用分工况进行原始监测数据的采集和历史监测数据的存储,得到不同工况下各关键设备的特征参数数据,结合设备外部环境参数数据,构成原始数据集;
步骤S2.1.5,对原始数据集进行清洗和去噪,采用时间序列数据处理方法,对获取的隧道机电设备运行状态数据进行无量纲化、矢量处理,更新EQLC数据集。
步骤2.2,公路隧道机电设备故障率的确定:
建立符合公路隧道机电设备失效规律的威布尔分布故障模型,通过威布尔分布故障模型确定公路隧道机电设备故障率;
威布尔分布故障模型不仅可以表征机电设备故障的特点,还可以将设备的运行状态时长转化为故障率作为主要特征参数。
步骤2.2中,公路隧道机电设备故障率的具体确定过程如下:
步骤S2.2.1,根据公路工程质量鉴定评定标准与高速公路维护合同,高速公路的维护阶段主要开展为的预防维护期。因此可以采取改进的威布尔分布曲线模型进行评估,改进威布尔分布缺陷期,维护期与设备模型的分布函数如下所示:
其中,t为时间,α为形状参数,η为尺度参数;
步骤S2.2.2,将上述分布函数对t进行求导,可以得到概率密度函数如下所示:
步骤S2.2.3,符合公路隧道机电设备的故障率函数如下所示:
其中,R为可靠度函数。
步骤S2.2.4,根据机电设备的历史数据,采用最小二乘估计法对上述威布尔模型的参数进行估计,得到可以表征机电设备故障特点的故障模型;
步骤S2.2.5,利用该机电设备故障模型,将设备的运行状态时长转化为故障率,定性的分析了机电设备寿命的大致发展趋势。将故障率作为机电设备预剩余寿命的主要特征参数,并结合其他参数构建公路隧道机电设备寿命预测特征向量。
步骤2.3,公路隧道机电设备的内部状态参数的补偿:
采用外部环境参数建立环境因素误差辨识模型,对公路隧道机电设备的内部状态参数进行补偿,获得补偿后的内部状态参数;
通过对关键设备的结构和构造机理进行分析,可以得到环境因素对机电设备特征参数的参考影响关系,从理论上删除机电设备中不会受环境因素影响的特征参数,这些特征参数不用进行环境因素补偿;
对于结构不完全明了、因素不完全明确的关键机电设备,设备的特征参数和环境因素之间的相关关系不完全清楚,需要采用灰色关联模型对各参数数据进行分析,衡量环境因素对测试参数数据的影响;
灰色关联模型的基本思想就是将***中每个数列的离散值转换为连续曲线,通过比较序列连续几何曲线的相似程度判断联系是否紧密,几何曲线相似程度越高,相应序列之间的关联度就越大,反之就越小;
步骤2.3中,对公路隧道机电设备的内部状态参数进行补偿的具体过程如下,即采用上述灰色关联模型对机电设备特征参数数据进行环境因素特征分析。具体步骤如下:
步骤S2.3.1,选取一种关键设备并确定具体环境因素,对关键设备的各特征参数进行归一化处理与初值化变换;
步骤S2.3.2,以确定的环境因素数据作为参考序列,分别计算各测试数据相对环境因素的灰色关联度;
步骤S2.3.3,按照大小顺序对灰色关联度进行排序,找出关联度阈值的机电设备特征参数,说明环境因素对这些参数的影响很大,为了利用这些特征参数数据进行机电设备剩余寿命特征因子提取以及长期地进行性能评估与预测研究,需要进一步对这些参数进行环境因素补偿与建模;
步骤S2.3.4,针对上述的机电设备特征参数,根据环境因素及实测参数数据进行分析,采用一元线性回归模型对特征参数与环境因素进行最小二乘拟合,建立环境因素误差辨识模型,有效地消除了环境因素对机电设备特征参数的影响。
步骤2.4,公路隧道机电设备寿命特征向量的构建:
以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象,采用核主成分分析的无监督特征提取方法对分析对象进行筛选,获得能够表征公路隧道机电设备寿命的特征向量;
步骤2.4中,所述的公路隧道机电设备寿命特征向量的具体构建过程如下:
由于公路隧道机电设备监测参数多且参数监测值之间会存在非线性相关性,为消除历史状态参数数据之间的非线性关联性,降低数据维度,采用核主成分分析(KPCA)的无监督特征提取方法对经过环境因素补偿处理过的特征参数进行有效筛选。KPCA方法关键在于利用非线性映射函数把具有关联性的数据集映射到了高维特征空间中,然后再进行传统主成分分析,并用核矩阵替代高维特征空间中内积矩阵;
核主成分分析计算流程如下:
步骤S2.4.1,设b为公路隧道机电设备监测数据样本总数,m为特征参数个数,通过分析选择符合要求的核函数,并根据核函数和样本矩阵求得对应的核矩阵H;
步骤S2.4.2,进一步对核矩阵进行中心化处理,中心化矩阵H的方法如下所示:
其中,I为b×b维的数值全为1的矩阵,为经过处理后的核矩阵;
步骤S2.4.3,求的特征值θω及相应的特征向量Lω(ω=1,2,...,b);
步骤S2.4.4,求φ的核主元向量lω,如下式所示:
其中,φ为映射到高维空间后的样本矩阵;
步骤S2.4.5,计算方差贡献率和累计贡献率:
其中,θω为主元ω的方差;ξω为主元ω的方差贡献率;ηg为第g个主元累计方差贡献率。
步骤2.5,基于循环神经网络的公路隧道机电设备寿命预测模型的建立:
所述的循环神经网络为长短期记忆网络,将特征向量作为长短期记忆网络的输入量,将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量,对长短期记忆网络进行训练,获得公路隧道机电设备寿命预测模型;
步骤2.5中,基于循环神经网络的公路隧道机电设备寿命预测模型的具体建立过程如下:
利用长短期记忆(Long Short-Term Memory,LSTM)网络实现公路隧道机电设备寿命的预测。LSTM是基于循环神经网络(RNN)的一个优秀改进算法,继承了循环神经网络可以较好处理具有时间序列数据的优点,并解决了时间序列展开较长时会出现梯度***或消失的问题。构建基于LSTM的机电设备寿命预测步骤如下所述;
步骤S2.5.1,网络的初始化,给各连接权重和偏置分别赋一个(0,1)之间的随机数;
步骤S2.5.2,将公共因子矩阵F作为网络的输入,机电设备剩余寿命作为输出量;
步骤S2.5.3,确定LSTM神经网络的结构,如LSTM层数,每层神经元的个数;
步骤S2.5.4,使用训练集训练LSTM神经网络,如果满足误差要求或者超过最大迭代次数,则模型训练结束,得到公路隧道机电设备寿命预测模型。
本实施例还给出一种公路隧道机电设备剩余寿命预测方法,该方法采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测,公路隧道机电设备寿命预测模型的输入量为按照步骤2.1至步骤2.4的方法获得的特征向量,公路隧道机电设备寿命预测模型的输出量为公路隧道机电设备剩余寿命。
本发明以隧道机电***运营周期中实时获取的设备状态信息为依据,通过构建表征机电设备寿命分布特点的故障模型,将设备的运行状态时长转化为故障率作为主要特征参数,并结合其它相关特征参数构建机电设备寿命预测特征向量,进一步对机电设备的长期监测数据进行环境建模补偿与数据预处理,提取出表征机电设备寿命的特征因子作为预测模型的输入,机电设备的剩余寿命作为预测模型的输出,构建基于循环神经网络的公路隧道机电设备寿命预测模型。
机电设备寿命特征(Electromechanical Equipment Life Characteristics,简称EQLC)。
长短期记忆(Long Short-Term Memory,简称LSTM)网络。
实施例3:
本实施例给出一种高速公路机电设备退化分析模型的构建方法,该方法按照以下步骤进行:
步骤3.1,获取原始数据:
所述的原始数据包括同时期的高速公路机电设备的运行状态监测数据、健康状态监测数据、运行环境状况监测数据和历史维护数据;
所述的运行状态监测数据包括高速公路机电设备的电压、电流和功率因数;
所述的健康状态监测数据包括照明光通维持率、蓄电池容量或PLC读写速度;
所述的运行环境状况监测数据包括环境温度、环境湿度和高速公路机电设备的振动监测值;
所述的历史维护数据包括高速公路机电设备在同时期内的维护时间和维护工作等级;
步骤3.2,构造运行状态特征参数序列和健康状态监测数据序列:
设定单位时间间隔为t,多个单位时间间隔内的高速公路机电设备的运行状态特征参数集:[v_mean,v_std,c_mean,c_std,p_mean,p_std],多个单位时间间隔内的运行状态特征参数集中的每一列数据形成运行状态特征参数序列;
其中:v表示电压,c表示电流,p表示功率因数,mean表示单位时间间隔t内采样值的均值,std表示单位时间间隔t内采样值的标准差;
取健康状态监测数据在时间间隔t内的采样值的均值作为设备健康指标参数HI,与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的健康状态监测数据形成健康状态监测数据序列;
步骤3.3,筛选敏感参数:
采用灰关联熵算法,以运行状态特征参数序列作为比较序列,以健康状态监测数据序列作为参考序列,计算灰色关联度值R;
采用相关分析法,计算运行状态特征参数序列和健康状态监测数据序列的Pearson相关系数r;
按照y=0.4|R|+0.6|r|计算加权平均值,并根据y对运行状态特征参数集中行向的六个参数进行降序排列,选择前三个参数作为敏感参数;
步骤3.4,构造外部因素影响累积效应参数序列:
设定运行环境状况监测数据的因素水平:
环境温度的1级因素水平为[15,18)℃,环境温度的2级因素水平为[18,21)℃,环境温度的3级因素水平为[21,24)℃,环境温度的4级因素水平为[24,27)℃,环境温度的5级因素水平为[27,30)℃;
环境湿度的1级因素水平为[65%,70%),环境湿度的2级因素水平为[70%,75%),环境湿度的3级因素水平为[75%,80%),环境湿度的4级因素水平为[80%,85%),环境湿度的5级因素水平为[85%,90%);
振动监测值的1级因素水平为[7,8)Hz,振动监测值的2级因素水平为[8,9)Hz,振动监测值的3级因素水平为[9,10)Hz,振动监测值的4级因素水平为[10,11)Hz,振动监测值的5级因素水平为[11,12)Hz;
取每个时间点之前的时段内,各运行环境状况监测数据的因素水平值以各级因素水平出现频率为权值的加权和为参数T_ws,H_ws,V_ws;
取每个时间点之前的时段内,各运行环境状况监测数据的因素水平值变化序列的标准差为参数T_std,H_std,V_std;
取高速公路机电设备在每个时间点距离上一次维护的天数,为参数M_days,其中设定初始时刻设备即进行了一次维护;
取高速公路机电设备在每个时间点之前对设备进行过的维护工作的等级以频率为权值的加权和为参数M_ws;
与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的外部因素影响累积效应参数集合为:
[T_ws,H_ws,V_ws,T_std,H_std,V_std,M_dats,M_ws];
多个单位时间间隔内的外部因素影响累积效应参数集合中的每一列数据形成外部因素影响累积效应参数序列;
其中:T是温度采样值,H是湿度采样值,V是振动频率采样值,ws表示加权和,std表示标准差;
步骤3.5,筛选主要外部累积效应影响参数:
采用相关分析法,计算外部因素影响累积效应参数序列和健康状态监测数据序列的Pearson相关系数r;并根据r值对外部因素影响累积效应参数集合中行向的八个参数进行降序排列。取前三个参数作为退化过程的主要外部累积效应影响参数;
步骤3.6,建立高速公路机电设备退化分析模型:
采用极大似然估计法选择Box-Cox算法中Box-Cox变换族的变换参数λ,采用Box-Cox算法对健康状态监测数据进行变换,获得变换后的健康状态监测数据;
采用变换后的健康状态监测数据、敏感参数和主要外部累积效应影响参数构造训练数据集,采用贝叶斯学习框架最小化正则误差,训练相关向量机模型,获得高速公路机电设备退化分析模型。
实施例4:
本实施例给出一种面向全寿命周期的公路机电设备寿命预测***,所述的公路机电设备至少包括公路隧道机电设备和高速公路机电设备,该***包括公路隧道机电设备剩余寿命预测模块,所述的公路隧道机电设备剩余寿命预测模块用于对公路隧道机电设备进行剩余寿命预测;所述的公路隧道机电设备剩余寿命预测模块包括公路隧道机电设备剩余寿命预测模型,所述的公路隧道机电设备剩余寿命预测模型采用实施例2所述的公路隧道机电设备剩余寿命预测模型构建方法构建而成。
该***还包括公路隧道关键机电设备识别模块,所述的公路隧道关键机电设备识别模块用于对公路隧道机电设备中的关键设备进行识别筛选;所述的公路隧道机电设备剩余寿命预测模块用于对从公路隧道机电设备中识别筛选出来的关键设备进行剩余寿命预测。所述的公路隧道关键机电设备识别模块采用实施例1所述的公路隧道关键机电设备识别模块。
该***还包括高速公路机电设备退化分析模块,所述的高速公路机电设备退化分析模块用于对高速公路机电设备进行退化分析;所述的高速公路机电设备退化分析模块包括高速公路机电设备退化分析模型,所述的高速公路机电设备退化分析模型采用实施例3所述的高速公路机电设备退化分析模型构建方法构建而成。
应用例1:
遵从上述实施例4,通过实施例1中所述的公路隧道关键机电设备识别模块确定公路隧道供配电***的PLC控制箱为关键设备,遵从实施例2中的公路隧道机电设备剩余寿命预测方法,利用监测数据进行剩余寿命的预测。确定PLC控制箱的内部状态参数为电压、电流、功率、振动和运行时长,并采集影响控制箱运行的外部环境参数为温度、湿度和风力,构建PLC控制箱的EQLC数据集,原始记录包含10个字段,具体为设备编号、EQLC编号、运行时长、电压、电流、功率、振动、温度、湿度及风力。根据步骤二将运行时长参数转化为故障率,并替换EQLC中的运行时长属性。进一步对机电设备的内部参数进行补偿,将补偿后的内部状态参数和故障率作为分析对象,利用核主成分分析进行筛选,获得PLC控制箱寿命的特征向量作为LSTM预测网络的输入数据,将数据输入到训练好的预测网络,得到预测剩余寿命。
如图5所示,在PLC控制箱的50%、80%分位点上,得到了该方法的剩余寿命预测期望值,具体结果见下表1。
表1不同分位点上的剩余使用寿命
应用例2:
遵从上述实施例4,本应用例中的高速公路机电设备具体以UPS电源设备蓄电池组为例,按照如实施例3中所述的高速公路机电设备退化分析模型的构建方法获得高速公路机电设备退化分析模型。
其中:
步骤3.1中,UPS电源设备蓄电池组的运行状态监测数据样例见表2,运行环境状况监测数据样例见表3,历史维护数据样例见表4。
步骤3.2中,UPS电源设备蓄电池组的运行状态特征参数集样例如表5所示,UPS电源设备蓄电池组的健康状态监测数据序列样例如表6所示。
步骤3.3中,UPS电源设备蓄电池组的运行状态特征参数序列的灰色关联度值R和Pearson相关系数r如表7所示,对运行状态特征参数集中行向的六个参数进行降序排列结果如表8所示。
步骤3.4中,UPS电源设备蓄电池组的高速公路机电设备的外部因素影响累积效应参数集合样例如表9所示。
步骤3.5中,UPS电源设备蓄电池组的外部因素影响累积效应参数序列的Pearson相关系数r如表10所示。
步骤3.6中,RVM模型:其中:
RVM模型即相关向量机模型;K(x,xi)为高斯核函数;x为敏感参数与外部因素累积影响效应参数构成的输入向量;xi为核函数在第i轮迭代的中心点;wi为模型权值;N为样本数;w0为偏差。
模型可视化结果样例如图6所示。
表2运行状态监测数据样例
采样时间点 | 输出电压(v) | 输出电流(mA) | 输出功率因数 |
1 | 3.974870912 | -2.012528324 | 0.75 |
2 | 3.951716708 | -2.013979362 | 0.73 |
… | … | … | … |
表3运行环境状况监测数据样例
采样时间点 | 温度(℃) | 湿度(%) | 振动(Hz) |
1 | 21.9 | 72.7 | 10.6 |
2 | 21.8 | 73.1 | 8.8 |
… | … | … | … |
表4历史维护数据样例
序号 | 日期 | 维护级别 |
1 | 8月2日 | 2 |
2 | 9月3日 | 4 |
… | … | … |
表5运行状态特征参数集样例
时间间隔序号 | v_mean | v_std | c_mean | c_std | p_mean | p_std |
1 | 3.52982 | 0.05567 | -1.81870 | 0.35229 | 0.74 | 0.11325 |
2 | 3.53732 | 0.05511 | -1.81755 | 0.35423 | 0.76 | 0.13645 |
… | … | … | … | … | … | … |
表6健康状态监测数据序列样例
表7运行状态特征参数序列灰色关联度值R和Pearson相关系数r
参数名 | v_mean | v_std | c_mean | c_std | p_mean | p_std |
R | 0.92350 | 0.93714 | 0.80098 | 0.87546 | 0.78881 | 0.85951 |
r | -0.61117 | 0.83858 | 0.68347 | 0.80103 | 0.70508 | -0.74843 |
表8对运行状态特征参数集中行向的六个参数进行降序排列结果
v_mean | v_std | c_mean | c_std | p_mean | p_std | |
y | 0.736102 | 0.878004 | 0.730474 | 0.830802 | 0.738572 | 0.792862 |
排序 | 5 | 1 | 6 | 2 | 4 | 3 |
表9外部因素影响累积效应参数集合样例
序号 | T_ws | H_ws | V_ws | T_std | H_std | V_std | M_days | M_ws |
1 | 2 | 3 | 4 | 1.265 | 0.907 | 2.576 | 30 | 3 |
2 | 3 | 2 | 3 | 1.129 | 0.974 | 3.545 | 25 | 4 |
… | … | … | … | … | … | … | … | … |
表10外部因素影响累积效应参数序列的Pearson相关系数r
参数 | T_ws | H_ws | V_ws | T_std | H_std | V_std | M_days | M_ws |
r | 0.74325 | 0.62734 | 0.68347 | 0.80103 | 0.55768 | 0.67428 | 0.32758 | 0.53724 |
Claims (3)
1.一种面向全寿命周期的公路机电设备寿命预测***,所述的公路机电设备至少包括公路隧道机电设备和高速公路机电设备,其特征在于,该***包括公路隧道机电设备剩余寿命预测模块,所述的公路隧道机电设备剩余寿命预测模块用于对公路隧道机电设备进行剩余寿命预测;所述的公路隧道机电设备剩余寿命预测模块包括公路隧道机电设备剩余寿命预测模型,所述的公路隧道机电设备剩余寿命预测模型按照以下方法进行构建:
步骤2.1,公路隧道机电设备寿命特征数据集的获取:
采集公路隧道机电设备的内部状态参数数据和外部环境参数数据建立原始数据集,对原始数据集进行清洗和去噪,按固定时长步长对清洗后的数据进行分组,更新数据集,获得机电设备寿命特征数据集;
所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长;
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值;
步骤2.2,公路隧道机电设备故障率的确定:
建立符合公路隧道机电设备失效规律的威布尔分布故障模型,通过威布尔分布故障模型确定公路隧道机电设备故障率;
步骤2.3,公路隧道机电设备的内部状态参数的补偿:
采用外部环境参数建立环境因素误差辨识模型,对公路隧道机电设备的内部状态参数进行补偿,获得补偿后的内部状态参数;
步骤2.3中,对公路隧道机电设备的内部状态参数进行补偿的具体步骤如下:
步骤S2.3.1,选取一种关键设备并确定具体环境因素,对关键设备的各特征参数进行归一化处理与初值化变换;
步骤S2.3.2,以确定的环境因素数据作为参考序列,分别计算各测试数据相对环境因素的灰色关联度;
步骤S2.3.3,按照大小顺序对灰色关联度进行排序,找出关联度阈值的机电设备特征参数,说明环境因素对这些参数的影响很大,为了利用这些特征参数数据进行机电设备剩余寿命特征因子提取以及长期地进行性能评估与预测研究,需要进一步对这些参数进行环境因素补偿与建模;
步骤S2.3.4,针对上述的机电设备特征参数,根据环境因素及实测参数数据进行分析,采用一元线性回归模型对特征参数与环境因素进行最小二乘拟合,建立环境因素误差辨识模型,有效地消除了环境因素对机电设备特征参数的影响;
步骤2.4,公路隧道机电设备寿命特征向量的构建:
以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象,采用核主成分分析的无监督特征提取方法对分析对象进行筛选,获得能够表征公路隧道机电设备寿命的特征向量;
步骤2.5,基于循环神经网络的公路隧道机电设备寿命预测模型的建立:
所述的循环神经网络为长短期记忆网络,将特征向量作为长短期记忆网络的输入量,将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量,对长短期记忆网络进行训练,获得公路隧道机电设备寿命预测模型。
2.如权利要求1所述的面向全寿命周期的公路机电设备寿命预测***,其特征在于,该***还包括公路隧道关键机电设备识别模块,所述的公路隧道关键机电设备识别模块用于对公路隧道机电设备中的关键设备进行识别筛选;所述的公路隧道机电设备剩余寿命预测模块用于对从公路隧道机电设备中识别筛选出来的关键设备进行剩余寿命预测;所述的公路隧道关键机电设备识别模块包括以下步骤实现:
步骤1.1,依据公路隧道机电设备维护记录,获取公路隧道机电设备在所监测的天数内的故障次数gn,设备的成本em,维护成本wc,并记录公路隧道机电设备的维护等级drq;
其中:
若公路隧道机电设备因直接损坏而更换,仍对该公路隧道机电设备故障次数gn加1;
当维护过程是对设备外观、工作状态的日常巡查工作,检查设备的工作功能、性能、运行环境是否符合要求并对安全隐患进行记录时,drq=1;
当维护过程是对设备进行外部定期维护;检查各类机电设备外壳是否漏电,并对设备进行紧固、调整、除锈、防腐维护时,drq=2;
当维护过程是对设备内部进行清洁;对内部元件进行维护,紧固内部连线与零部件;对磨损较严重的零部件进行维修更换,进行部分设备的基本功能测试时,drq=3;
当维护过程是对设备进行全面维护与检修,包括接地测试、核心元件检查、接线及零件的紧固性检测、破损或老化严重的部件进行更换、对设备主要功能进行检测与调试时,drq=4;
当维护过程是综合运用技术手段对机电设备的关键性能进行测试,评估现有设备的使用寿命、设备的使用完好率和设备的故障发生率情况;对设备的功能和性能进行评估时,drq=5;
步骤1.2,计算设备的可靠性评价RE,;
其中,为对该设备的监测天数;
步骤1.3,计算设备的维修难度DE和维护成本与单价比BE;对DE和BE进行标准化处理,得到其结果Dd与Bb,计算设备的维护评价WE;
;/>;/>;
步骤1.4,计算设备的损失代价QE,,其中:
EW为公路隧道机电设备损坏对***功能的影响权值,当公路隧道机电设备损坏对***功能的影响为无影响时,EW=1,当公路隧道机电设备损坏对***功能的影响为仅影响***完整性时,EW=2,当公路隧道机电设备损坏对***功能的影响为轻微影响但主要功能完好时,EW=3,当公路隧道机电设备损坏对***功能的影响为***功能严重受损时,EW=5,当公路隧道机电设备损坏对***功能的影响为受损***功能失效时,EW=7;
MW为公路隧道机电设备的成本权值,当公路隧道机电设备的成本≤1万元人民币时,MW=1,当公路隧道机电设备的成本≤5万元人民币时,MW=2,当公路隧道机电设备的成本≤10万元人民币时,MW=3,当公路隧道机电设备的成本≤20万元人民币时,MW=4,当公路隧道机电设备的成本≥20万元人民币时,MW=5;
步骤1.5,将设备的可靠性评价RE,设备的维护评价WE,设备的损失代价QE,通过肘部方法确定最佳的聚类簇的个数ks的值;肘部方法的指标是误差平方和SSE,在SSE随着ks值增大而减小的图像中出现拐点时对应的ks值即为所求聚类的簇的个数;
式中:是划分的簇,/>取值在闭区间[1,ks]之间的整数,/>是/>中的样本点,是/>所有样本的均值;
步骤1.6,确定ks的值后,通过k-means算法,通过欧式距离dist确定样本中每一个点相对于聚类中心/>的距离,并选择距离最近的聚类簇作为其所属类别;再根据分好的类别和数据,重新计算聚类的类别中心即质心,不断重复这个步骤直到聚类中心不再改变;其中:
步骤1.7,使用CART算法对机电设备进行级别分类;具体步骤如下:
第1.7.1步,在机电设备指标数据集D中对某一细分指标A取一个可能的值a,将D划分为两个子集D1、D2;
第1.7.2步,分别计算子集划分后数据集D中3类细分指标的Gini系数,选择值最小的指标作为最优划分指标;
第1.7.3步,重复执行前两步,直到子集中所含样本数过少或者Gini系数小于阈值时算法停止;
第1.7.4步,根据每一个子集中样本的设备类别的众数来判断子集的所属类别,生成机电设备细分决策树;
第1.7.5步,对不同大小的子树,根据交叉验证误差和复杂度进行剪枝;最后得到最佳的机电设备重要程度划分决策树;
其中,对于样本D,特征A的某个值a把D分成D1和D2两部分,则在特征A的条件下,Gini系数计算公式为:
表示D中样本点属于/>类的概率,/>代表D中样本类别数。
3.如权利要求1所述的面向全寿命周期的公路机电设备寿命预测***,其特征在于,该***还包括高速公路机电设备退化分析模块,所述的高速公路机电设备退化分析模块用于对高速公路机电设备进行退化分析;所述的高速公路机电设备退化分析模块包括高速公路机电设备退化分析模型,所述的高速公路机电设备退化分析模型按照以下方法进行构建:
步骤3.1,获取原始数据:
所述的原始数据包括同时期的高速公路机电设备的运行状态监测数据、健康状态监测数据、运行环境状况监测数据和历史维护数据;
所述的运行状态监测数据包括高速公路机电设备的电压、电流和功率因数;
所述的健康状态监测数据包括照明光通维持率、蓄电池容量或PLC读写速度;
所述的运行环境状况监测数据包括环境温度、环境湿度和高速公路机电设备的振动监测值;
所述的历史维护数据包括高速公路机电设备在同时期内的维护时间和维护工作等级;
步骤3.2,构造运行状态特征参数序列和健康状态监测数据序列:
设定单位时间间隔为t,多个单位时间间隔内的高速公路机电设备的运行状态特征参数集:,多个单位时间间隔内的运行状态特征参数集中的每一列数据形成运行状态特征参数序列;
其中:表示电压,/>表示电流,/>表示功率因数,/>表示单位时间间隔t内采样值的均值,/>表示单位时间间隔t内采样值的标准差;
取健康状态监测数据在时间间隔t内的采样值的均值作为设备健康指标参数,与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的健康状态监测数据形成健康状态监测数据序列;
步骤3.3,筛选敏感参数:
采用灰关联熵算法,以运行状态特征参数序列作为比较序列,以健康状态监测数据序列作为参考序列,计算灰色关联度值;
采用相关分析法,计算运行状态特征参数序列和健康状态监测数据序列的Pearson相关系数;
按照计算加权平均值,并根据/>对运行状态特征参数集中行向的六个参数进行降序排列,选择前三个参数作为敏感参数;
步骤3.4,构造外部因素影响累积效应参数序列:
设定运行环境状况监测数据的因素水平:
环境温度的1级因素水平为[15,18) ℃,环境温度的2级因素水平为[18,21) ℃,环境温度的3级因素水平为[21,24) ℃,环境温度的4级因素水平为[24,27) ℃,环境温度的5级因素水平为[27,30) ℃;
环境湿度的1级因素水平为[65%,70%),环境湿度的2级因素水平为[70%,75%),环境湿度的3级因素水平为[75%,80%),环境湿度的4级因素水平为[80%,85%),环境湿度的5级因素水平为[85%,90%);
振动监测值的1级因素水平为[7,8) Hz,振动监测值的2级因素水平为[8,9) Hz,振动监测值的3级因素水平为[9,10) Hz,振动监测值的4级因素水平为[10,11) Hz,振动监测值的5级因素水平为[11,12) Hz;
取每个时间点之前的时段内,各运行环境状况监测数据的因素水平值以各级因素水平出现频率为权值的加权和为参数;
取每个时间点之前的时段内,各运行环境状况监测数据的因素水平值变化序列的标准差为参数;
取高速公路机电设备在每个时间点距离上一次维护的天数,为参数,其中设定初始时刻设备即进行了一次维护;
取高速公路机电设备在每个时间点之前对设备进行过的维护工作的等级以频率为权值的加权和为参数;
与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的外部因素影响累积效应参数集合为:
;
多个单位时间间隔内的外部因素影响累积效应参数集合中的每一列数据形成外部因素影响累积效应参数序列;
其中:是温度采样值,/>是湿度采样值, />是振动频率采样值,/>表示加权和,/>表示标准差;
步骤3.5,筛选主要外部累积效应影响参数:
采用相关分析法,计算外部因素影响累积效应参数序列和健康状态监测数据序列的Pearson相关系数;并根据/>值对外部因素影响累积效应参数集合中行向的八个参数进行降序排列,取前三个参数作为退化过程的主要外部累积效应影响参数;
步骤3.6,建立高速公路机电设备退化分析模型:
采用极大似然估计法选择Box-Cox算法中Box-Cox变换族的变换参数,采用Box-Cox算法对健康状态监测数据进行变换,获得变换后的健康状态监测数据;
采用变换后的健康状态监测数据、敏感参数和主要外部累积效应影响参数构造训练数据集,采用贝叶斯学习框架最小化正则误差,训练相关向量机模型,获得高速公路机电设备退化分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010121280.7A CN111382542B (zh) | 2020-02-26 | 2020-02-26 | 一种面向全寿命周期的公路机电设备寿命预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010121280.7A CN111382542B (zh) | 2020-02-26 | 2020-02-26 | 一种面向全寿命周期的公路机电设备寿命预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382542A CN111382542A (zh) | 2020-07-07 |
CN111382542B true CN111382542B (zh) | 2024-02-02 |
Family
ID=71215218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010121280.7A Active CN111382542B (zh) | 2020-02-26 | 2020-02-26 | 一种面向全寿命周期的公路机电设备寿命预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382542B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951418B (zh) * | 2020-07-28 | 2022-03-04 | 重庆首讯科技股份有限公司 | 一种etc门架***及其稳定运行时长的预测方法 |
CN112580875B (zh) * | 2020-12-21 | 2022-06-24 | 泉州装备制造研究所 | 一种配电装置的故障预测方法及*** |
CN112884210B (zh) * | 2021-01-31 | 2022-03-15 | 中国人民解放军63963部队 | 一种基于模糊聚类的车辆健康管理*** |
CN113779882B (zh) * | 2021-09-10 | 2024-05-17 | 中国石油大学(北京) | 设备剩余使用寿命的预测方法、装置、设备及存储介质 |
CN113657693B (zh) * | 2021-10-20 | 2022-02-08 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种智能制造装备的预测性维护***和方法 |
CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
CN114781278B (zh) * | 2022-06-17 | 2022-09-27 | 天津理工大学 | 一种基于数据驱动的机电设备寿命预测方法及*** |
CN114819415B (zh) * | 2022-06-27 | 2022-09-20 | 中国标准化研究院 | 一种基于数据分析的电力设备故障预测*** |
CN116401525B (zh) * | 2023-02-23 | 2023-09-29 | 兰州工业学院 | 一种基于智能化感应的桥隧预测维护方法及*** |
CN116258483B (zh) * | 2023-05-16 | 2023-07-21 | 交通运输部公路科学研究所 | 一种基于动态图的公路机电设备运行状态估计建模方法 |
CN116861797B (zh) * | 2023-08-30 | 2023-11-24 | 湖南华菱线缆股份有限公司 | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 |
CN117195742A (zh) * | 2023-10-11 | 2023-12-08 | 深圳市新红景科技开发有限公司 | 一种电路实验板可靠性预测方法和*** |
CN118071037A (zh) * | 2024-04-22 | 2024-05-24 | 山东路科公路信息咨询有限公司 | 一种基于公路数据对公路全生命周期的监测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029590A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
CN109726517A (zh) * | 2019-01-31 | 2019-05-07 | 西安理工大学 | 一种基于多变量关联数据的设备剩余寿命预测方法 |
WO2019201176A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
-
2020
- 2020-02-26 CN CN202010121280.7A patent/CN111382542B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016029590A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
WO2019201176A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 列车部件裂纹损伤预测方法和装置 |
CN109726517A (zh) * | 2019-01-31 | 2019-05-07 | 西安理工大学 | 一种基于多变量关联数据的设备剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
基于Wiener过程的功率变换器剩余寿命评估方法;邵力为;王友仁;孙权;;机械制造与自动化(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111382542A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382542B (zh) | 一种面向全寿命周期的公路机电设备寿命预测*** | |
CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN112101220A (zh) | 一种无监督模型参数迁移的滚动轴承寿命预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
CN114004137A (zh) | 一种多源气象数据融合与预处理方法 | |
CN114791993B (zh) | 一种动力电池组soh预测方法及*** | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及*** | |
CN112101471A (zh) | 窃电概率预警分析方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN116579768A (zh) | 一种发电厂在线仪表运维管理方法及*** | |
CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及*** | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN115841580A (zh) | 一种基于标记分布的轴承剩余使用寿命预测方法 | |
CN113821401A (zh) | 基于wt-ga-gru模型的云服务器故障诊断方法 | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热***热功率预测方法 | |
Song et al. | Anomaly detection in spacecraft telemetry data using graph convolution networks |
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 |