CN114970311A - 一种远端模块寿命预测模型的建立方法与寿命预测方法 - Google Patents
一种远端模块寿命预测模型的建立方法与寿命预测方法 Download PDFInfo
- Publication number
- CN114970311A CN114970311A CN202210317421.1A CN202210317421A CN114970311A CN 114970311 A CN114970311 A CN 114970311A CN 202210317421 A CN202210317421 A CN 202210317421A CN 114970311 A CN114970311 A CN 114970311A
- Authority
- CN
- China
- Prior art keywords
- remote module
- module
- sample
- remote
- characteristic parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000032683 aging Effects 0.000 claims abstract description 34
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种远端模块寿命预测模型的建立方法与寿命预测方法，所述建立方法包括：获取各样本远端模块的特征参数和输出信号；基于各样本远端模块的输出信号，判断各样本远端模块运行状态，根据运行状态正常的样本远端模块的特征参数值，确定远端模块各特征参数的老化阈值和故障阈值；计算远端模块各特征参数的平均年变化率；根据确定的远端模块各特征参数的老化阈值、故障阈值和计算的年变化率，计算各样本远端模块剩余使用寿命；基于各样本远端模块剩余使用寿命，建立远端模块剩余寿命预测模型。本发明能够预测直流光测量***远端模块的剩余使用寿命。
Description
技术领域
本发明涉及一种远端模块寿命预测模型的建立方法与寿命预测方法，属于 状态分析技术领域。
背景技术
直流光测量***中远端模块是高压直流换流站运行检测的核心设备。目前 国内外对远端模块的研究仅仅停留在对远端模块运行故障的分析，而缺乏对于 远端模块寿命特别是剩余寿命的预测模型的相关研究。其中，不仅缺乏对寿命 预测与评价的方法，而且缺乏出故障之前的远端模块的状态数据。但是，换流 站的许多远端模块已经出现了不同程度的老化，这严重影响对换流站运行状况 的检测的有效性。要实现对远端模块剩余寿命的实时预测需要解决很多问题。 这不仅是因为缺乏出故障之前的远端模块的状态数据，而且也不知道远端模块 的剩余使用寿命与远端模块的状态数据之间的关系。目前缺乏一种预测远端模 块的剩余使用寿命的方法。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种远端模块寿命预测模 型的建立方法与寿命预测方法，能够预测直流光测量***远端模块的剩余使用 寿命。为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种远端模块寿命预测模型的建立方法，包括：
获取各样本远端模块的特征参数和输出信号；
基于各样本远端模块的输出信号，判断各样本远端模块运行状态，根据运 行状态正常的样本远端模块的特征参数值，确定远端模块各特征参数的老化阈 值和故障阈值；
计算远端模块各特征参数的平均年变化率；
根据确定的远端模块各特征参数的老化阈值、故障阈值和计算的年变化率， 计算各样本远端模块剩余使用寿命；
基于各样本远端模块剩余使用寿命，建立远端模块剩余寿命预测模型。
结合第一方面，进一步地，各样本远端模块的特征参数包括：远端模块脉 冲信号的上升沿斜率、下降沿斜率、脉宽、低状态电平和低电平方差。
结合第一方面，进一步地，所述获取各样本远端模块的特征参数和输出信 号时，各样本远端模块的使用年限不同。
结合第一方面，进一步地，所述判断各样本远端模块运行状态，包括：
初始化各样本远端模块的输出信号的样本集；
计算样本集中每个样本点的局部离群点因子；
若样本点的局部离群点因子大于1，则该样本点为离群点，该样本点对应的 样本远端模块的运行状态离群；
若样本点的局部离群点因子小于等于1，则该样本点为正常点，该样本点对 应的样本远端模块的运行状态为正常。
结合第一方面，进一步地，所述确定远端模块各特征参数的老化阈值和故 障阈值，包括：
计算运行状态正常的样本远端模块各特征参数的均值；
将计算得到远端模块各特征参数的均值的一半值作为远端模块各特征参数 的老化阈值；
将远端模块各特征参数的老化阈值的三分之一值作为远端模块各特征参数 的故障阈值。
结合第一方面，进一步地，所述计算各样本远端模块剩余使用寿命，通过 下式进行计算：
式(1)中，σ为当前计算的样本远端模块的剩余使用寿命，取样本远端模块对 应各特征参数的剩余使用寿命σx的最小值；x为5个特征参数的索引，Δx为当 前计算的样本远端模块各特征参数与其故障阈值的差值；δx为当前计算的样本远 端模块各特征参数的平均年变化率。
结合第一方面，优选地，所述远端模块各特征参数的平均年变化率，根据 各模块的特征参数值和各模块的已使用年限值得到的。
结合第一方面，进一步地，所述建立远端模块剩余寿命预测模型，包括：
将各样本远端模块剩余使用寿命作为预测模型的样本训练集，将各特征参 数作为自变量，样本远端模块的剩余使用寿命作为因变量，使用多元线性回归 算法建立远端模块剩余寿命的多元线性回归模型：
式(2)中，
到
分别代表第i组数据的5个特征参数的值，β0为多元线性回 归模型的截距，β1、β2、β3、β4、β5为多元线性回归模型的回归系数，
为第i 组的预测输出结果；
基于最小二乘法，确定假设第i个样本远端模块剩余寿命的真实值为yi，通 过使
最小，令
得到：
式(3)中，Xb为总共q组的样本训练集，通过矩阵形式表示：
式(4)中，Xb T为Xb的转置矩阵；而且，总共q组的样本远端模块剩余寿命的 真实值矩阵为
Y＝(y1,y2,...,yq)T (5)
通过式(3)、(4)和(5)计算得到：
β＝(β0,β1,β2,...,β5)T (6)
由式(2)和(6)得到远端模块剩余寿命预测模型。
第二方面，本发明提供了一种寿命预测方法，包括：
获取待测远端模块的特征参数值，
将获取到的特征参数值输入预先建立的远端模块剩余寿命预测模型，得到 待测远端模块的预测寿命；
其中，所述预先建立的远端模块剩余寿命预测模型采用第一方面所述方法 生成的。
第三发明，本发明提供了一种远端模块寿命预测模型的建立***，包括：
第一获取模块：用于获取各样本远端模块的特征参数值和输出信号；
阈值确定模块：用于基于各样本远端模块的输出信号，判断各样本远端模 块运行状态，根据运行状态正常的样本远端模块的特征参数值，确定远端模块 各特征参数的老化阈值和故障阈值；
第一计算模块：用于计算远端模块各特征参数的平均年变化率；
第二计算模块：用于根据确定的远端模块各特征参数的老化阈值、故障阈 值和计算的年变化率，计算各样本远端模块剩余使用寿命；
模型建立模块：用于基于各样本远端模块剩余使用寿命，建立远端模块剩 余寿命预测模型。
第三发明，本发明提供了一种寿命预测***，包括：
第二获取模块：用于获取待测远端模块的特征参数值，
输出模块：用于将获取到的特征参数值输入预先建立的远端模块剩余寿命 预测模型，得到待测远端模块的预测寿命；其中，所述预先建立的远端模块剩 余寿命预测模型采用第一方面所述方法生成的。
与现有技术相比，本发明实施例所提供的一种远端模块寿命预测模型的建 立方法与寿命预测方法所达到的有益效果包括：
本发明提供了远端模块寿命预测模型的建立方法，包括：获取各样本远端 模块的特征参数和输出信号；基于各样本远端模块的输出信号，判断各样本远 端模块运行状态，根据运行状态正常的样本远端模块的特征参数值，确定远端 模块各特征参数的老化阈值和故障阈值；计算远端模块各特征参数的平均年变 化率；根据确定的远端模块各特征参数的老化阈值、故障阈值和计算的年变化 率，计算各样本远端模块剩余使用寿命；基于各样本远端模块剩余使用寿命， 建立远端模块剩余寿命预测模型。本发明提供的远端模块寿命预测模型能够预 测直流光测量***远端模块的剩余使用寿命，便于运维人员对远端模块的日常 检修和维护，能够解决远端模块全寿命周期管理无技术支撑的问题。
附图说明
图1是本发明实施例1提供的一种远端模块寿命预测模型的建立方法的流 程图；
图2是本发明实施例1提供的一种远端模块寿命预测模型的建立方法中判 断各样本远端模块运行状态的结果图；
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明 本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：
本实施例提供了一种远端模块寿命预测模型的建立方法的具体应用场景， 以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发 明的保护范围。
如图1所示，一种远端模块寿命预测模型的建立方法，包括：
获取各样本远端模块的特征参数值和输出信号；
基于各样本远端模块的输出信号，判断各样本远端模块运行状态，根据运 行状态正常的样本远端模块的特征参数值，确定远端模块各特征参数的老化阈 值和故障阈值；
计算远端模块各特征参数的平均年变化率；
根据确定的远端模块各特征参数的老化阈值、故障阈值和计算的年变化率， 计算各样本远端模块剩余使用寿命；
基于各样本远端模块剩余使用寿命，建立远端模块剩余寿命预测模型。
具体步骤包括：
步骤1：获取各样本远端模块的特征参数值和输出信号。
选取取剩余寿命不同的3个样本远端模块，编号分别为X1、X2和X3。3 个样本远端模块的运行年限如表1所示：
表1：3个样本远端模块的运行年限
| 模块编号 | X1 | X2 | X3 |
| 运行年限 | 0.10年 | 8.03年 | 11.14年 |
样本远端模块的特征参数有5个，包括：远端模块脉冲信号的上升沿斜率、 下降沿斜率、脉宽、低状态电平和低电平方差。采用专利201821642816.4提供 的装置获取3个样本远端模块的特征参数。
步骤2：基于各样本远端模块的输出信号，判断各样本远端模块运行状态； 根据运行状态正常的样本远端模块的特征参数值，确定远端模块各特征参数的 老化阈值和故障阈值；
步骤2.1：基于各样本远端模块的输出信号，判断各样本远端模块运行状态
步骤2.1.1：初始化各样本远端模块的输出信号的样本集。
步骤2.1.2：计算样本集中每个样本点的局部离群点因子；
步骤2.1.3：若样本点的局部离群点因子大于1，则该样本点为离群点，该 样本点对应的样本远端模块的运行状态离群；
若样本点的局部离群点因子小于等于1，则该样本点为正常点，该样本点对 应的样本远端模块的运行状态为正常。
采用步骤2.1.1-2.1.3对现场运行的30个远端模块进行检测，检测结果如图 2所示，从图2中看出有25个正常远端模块和5个离群远端模块。
步骤2.2：根据运行状态正常的样本远端模块的特征参数值，确定远端模块 各特征参数的老化阈值和故障阈值。
步骤2.2.1：计算运行状态正常的样本远端模块的各特征参数的均值。
步骤2.2.2：将计算得到的远端模块各特征参数的均值的一半值作为远端模 块各特征参数的老化阈值。将远端模块各特征参数的老化阈值的三分之一值作 为远端模块各特征参数的故障阈值。
取25个正常远端模块各特征参数均值的一半为远端模块各特征参数的老化 阈值，取远端模块各特征参数的老化阈值的三分之一为远端模块各特征参数的 故障阈值，则远端模块各特征参数的老化阈值和故障阈值结果如表2所示。
表2：远端模块各特征参数的老化阈值和故障阈值结果
| 特征参数 | 老化阈值 | 故障阈值 |
| 上升沿斜率(v/us) | 7.27 | 2.42 |
| 下降沿斜率(v/us) | 2.6 | 0.87 |
| 脉宽(ns) | 305 | 265 |
| 低状态电平(mv) | -1.4 | -4.2 |
| 低电平方差(mv<sup>2</sup>) | 0.054 | 0.161 |
步骤3：计算远端模块各特征参数的平均年变化率。
根据各样本远端模块各特征参数的值和各样本远端模块的使用年限值，计 算得到远端模块各特征参数的平均年变化率，结果如表3所示。
表3：远端模块各特征参数的平均年变化率
步骤4：根据确定的远端模块各特征参数的老化阈值、故障阈值和计算的年 变化率，计算各样本远端模块剩余使用寿命。
通过下式进行计算：
式(1)中，σ为当前计算的样本远端模块的剩余使用寿命，取样本远端模块对 应各特征参数的剩余使用寿命σx的最小值；x为5个特征参数的索引，Δx为当 前计算的样本远端模块各特征参数与其故障阈值的差值；δx为当前计算的样本远 端模块各特征参数的平均年变化率。
步骤5：基于各样本远端模块剩余使用寿命，建立远端模块剩余寿命预测模 型。
步骤5.1：将各样本远端模块剩余使用寿命作为预测模型的样本训练集，将 各特征参数作为自变量，样本远端模块的剩余使用寿命作为因变量，使用多元 线性回归算法建立远端模块剩余寿命的多元线性回归模型：
式(2)中，
到
分别代表第i组数据的5个特征参数的值，β0为多元线性回 归模型的截距，β1、β2、β3、β4、β5为多元线性回归模型的回归系数，
为第i 组的预测输出结果。
步骤5.2：基于最小二乘法，确定假设第i个样本远端模块剩余寿命的真实 值为yi，通过使
最小，令
得到：
式(3)中，Xb为总共q组的样本训练集，通过矩阵形式表示：
式(4)中，Xb T为Xb的转置矩阵；而且，总共q组的样本远端模块剩余寿命的 真实值矩阵为
Y＝(y1,y2,...,yq)T (5)
通过式(3)，(4)和(5)计算得到：
β＝(β0,β1,β2,...,β5)T (6)
由式(2)和(6)得到远端模块剩余寿命预测模型。
步骤5.3：为了得到不同剩余寿命的远端模块的样本，对样本远端模块X1-X3 进行不同时间的高低温循环加速老化试验，得到20组数据作为样本训练集。训 练集数据如表4所示。
表4：训练集数据
样本远端模块X1-X3的实际剩余寿命如表4所示，则矩阵Y表示为：
求得远端模块剩余寿命预测模型的回归系数分别为：β0＝-39.47935923，β1＝0.49558476，β2＝-1.76224013，β3＝0.23633589，β4＝5.39623404，β5＝0.04145883。
则远端模块剩余寿命预测模型为：
综上所述，本发明提供的远端模块寿命预测模型通过远端模块特征参数采 集***来采集远端模块的特征参数，诊断远端模块运行状态，确定远端模块的 运行状态阈值；基于多元线性回归算法采用训练数据集搭建远端模块剩余寿命 的预测模型，实现对远端模块剩余寿命的预测。
实施例2：
本实施例提供了一种寿命预测方法，包括：
获取待测远端模块的特征参数值，
将获取到的特征参数值输入预先建立的远端模块剩余寿命预测模型，得到 待测远端模块的预测寿命；
其中，所述预先建立的远端模块剩余寿命预测模型采用实施例1所述方法 生成的。
实施例3：
本实施例提供了一种远端模块寿命预测模型的建立***，包括：
第一获取模块：用于获取各样本远端模块的特征参数值和输出信号；
阈值确定模块：用于基于各样本远端模块的输出信号，判断各样本远端模 块运行状态，根据运行状态正常的样本远端模块的特征参数值，确定远端模块 各特征参数的老化阈值和故障阈值；
第一计算模块：用于计算远端模块各特征参数的平均年变化率；
第二计算模块：用于根据确定的远端模块各特征参数的老化阈值、故障阈 值和计算的年变化率，计算各样本远端模块剩余使用寿命；
模型建立模块：用于基于各样本远端模块剩余使用寿命，建立远端模块剩 余寿命预测模型。
实施例4：
本实施例提供了一种寿命预测***，包括：
第二获取模块：用于获取待测远端模块的特征参数值，
输出模块：用于将获取到的特征参数值输入预先建立的远端模块剩余寿命 预测模型，得到待测远端模块的预测寿命；其中，所述预先建立的远端模块剩 余寿命预测模型采用实施例1所述方法生成的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计 算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或 方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式 处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机 或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流 程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理， 从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程 或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通 技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变 形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种远端模块寿命预测模型的建立方法，其特征在于，包括：
获取各样本远端模块的特征参数和输出信号；
基于各样本远端模块的输出信号，判断各样本远端模块运行状态，根据运行状态正常的样本远端模块的特征参数值，确定远端模块各特征参数的老化阈值和故障阈值；
确定远端模块各特征参数的平均年变化率；
根据确定的远端模块各特征参数的老化阈值、故障阈值和计算的年变化率，计算各样本远端模块剩余使用寿命；
基于各样本远端模块剩余使用寿命，建立远端模块剩余寿命预测模型。
2.根据权利要求1所述的远端模块寿命预测模型的建立方法，其特征在于，各样本远端模块的特征参数包括：远端模块脉冲信号的上升沿斜率、下降沿斜率、脉宽、低状态电平和低电平方差。
3.根据权利要求1所述的远端模块寿命预测模型的建立方法，其特征在于，所述获取各样本远端模块的特征参数值和输出信号时，各样本远端模块的使用年限不同。
4.根据权利要求1所述的远端模块寿命预测模型的建立方法，其特征在于，所述判断各样本远端模块运行状态，包括：
初始化各样本远端模块的输出信号的样本集；
计算样本集中每个样本点的局部离群点因子；
若样本点的局部离群点因子大于1，则该样本点为离群点，该样本点对应的样本远端模块的运行状态离群；
若样本点的局部离群点因子小于等于1，则该样本点为正常点，该样本点对应的样本远端模块的运行状态为正常。
5.根据权利要求1所述的远端模块寿命预测模型的建立方法，其特征在于，所述确定远端模块各特征参数的老化阈值和故障阈值，包括：
计算运行状态正常的样本远端模块各特征参数的均值；
将计算得到远端模块各特征参数的均值的一半值作为远端模块各特征参数的老化阈值；
将远端模块各特征参数的老化阈值的三分之一值作为远端模块各特征参数的故障阈值。
6.根据权利要求5所述的远端模块寿命预测模型的建立方法，其特征在于，所述计算各样本远端模块剩余使用寿命，通过下式进行计算：
式(1)中，σ为当前计算的样本远端模块的剩余使用寿命，取当前计算的样本远端模块对应各特征参数的剩余使用寿命σx的最小值；x为5个特征参数的索引，Δx为当前计算的样本远端模块特征参数与故障阈值的差值；δx为当前计算的样本远端模块各特征参数的平均年变化率。
7.根据权利要求1所述的远端模块寿命预测模型的建立方法，其特征在于，所述建立远端模块剩余寿命预测模型，包括：
将各样本远端模块剩余使用寿命作为预测模型的样本训练集，将各特征参数作为自变量，样本远端模块的剩余使用寿命作为因变量，使用多元线性回归算法建立远端模块剩余寿命的多元线性回归模型：
式(2)中，
到
分别代表第i组数据的5个特征参数的值，β0为多元线性回归模型的截距，β1、β2、β3、β4、β5为多元线性回归模型的回归系数，
为第i组的预测输出结果；
基于最小二乘法，确定假设第i个样本远端模块剩余寿命的真实值为yi，通过使
最小，令
得到：
式(3)中，Xb为总共q组的样本训练集，通过矩阵形式表示：
式(4)中，Xb T为Xb的转置矩阵；而且，总共q组的样本远端模块剩余寿命的真实值矩阵为
Y＝(y1,y2,...,yq)T (5)
通过式(3)、(4)和(5)计算得到：
β＝(β0,β1,β2,...,β5)T (6)
由式(2)和(6)得到远端模块剩余寿命预测模型。
8.一种寿命预测方法，其特征在于，包括：
获取待测远端模块的特征参数值，
将获取到的特征参数值输入预先建立的远端模块剩余寿命预测模型，得到待测远端模块的预测寿命；
其中，所述预先建立的远端模块剩余寿命预测模型采用权利要求1～7任一项所述方法生成的。
9.一种远端模块寿命预测模型的建立***，其特征在于，包括：
第一获取模块：用于获取各样本远端模块的特征参数值和输出信号；
阈值确定模块：用于基于各样本远端模块的输出信号，判断各样本远端模块运行状态，根据运行状态正常的样本远端模块的特征参数值，确定远端模块各特征参数的老化阈值和故障阈值；
第一计算模块：用于计算远端模块各特征参数的平均年变化率；
第二计算模块：用于根据确定远端模块各特征参数的老化阈值、故障阈值和计算的年变化率，计算各样本远端模块剩余使用寿命；
模型建立模块：用于基于各样本远端模块剩余使用寿命，建立远端模块剩余寿命预测模型。
10.一种寿命预测***，其特征在于，包括：
第二获取模块：用于获取待测远端模块的特征参数值，
输出模块：用于将获取到的各特征参数值输入预先建立的远端模块剩余寿命预测模型，得到待测远端模块的预测寿命；其中，所述预先建立的远端模块剩余寿命预测模型采用权利要求1～7任一项所述方法生成的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210317421.1A CN114970311A (zh) | 2022-03-29 | 2022-03-29 | 一种远端模块寿命预测模型的建立方法与寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210317421.1A CN114970311A (zh) | 2022-03-29 | 2022-03-29 | 一种远端模块寿命预测模型的建立方法与寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114970311A true CN114970311A (zh) | 2022-08-30 |
Family
ID=82976254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210317421.1A Pending CN114970311A (zh) | 2022-03-29 | 2022-03-29 | 一种远端模块寿命预测模型的建立方法与寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970311A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759408A (zh) * | 2022-11-21 | 2023-03-07 | 贵州电网有限责任公司 | 一种输变电设备寿命预测方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测***及方法 |
| US20180165592A1 (en) * | 2016-12-13 | 2018-06-14 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
| CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
-
2022
- 2022-03-29 CN CN202210317421.1A patent/CN114970311A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102402727A (zh) * | 2011-11-10 | 2012-04-04 | 中联重科股份有限公司 | 工程机械的部件剩余寿命预测***及方法 |
| US20180165592A1 (en) * | 2016-12-13 | 2018-06-14 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
| CN111597759A (zh) * | 2020-05-18 | 2020-08-28 | 中车永济电机有限公司 | 变流装置igbt剩余使用寿命预测模型的构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邵力为;王友仁;孙权;: "基于Wiener过程的功率变换器剩余寿命评估方法", 机械制造与自动化, no. 02, 20 April 2019 (2019-04-20) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759408A (zh) * | 2022-11-21 | 2023-03-07 | 贵州电网有限责任公司 | 一种输变电设备寿命预测方法、装置、设备及存储介质 |
| CN115759408B (zh) * | 2022-11-21 | 2024-03-08 | 贵州电网有限责任公司 | 一种输变电设备寿命预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
| US7050935B1 (en) | Method for assessing the reliability of technical systems | |
| CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN108319131B (zh) | 基于数据挖掘的机组调峰能力评估方法 | |
| CN112799898B (zh) | 基于分布式故障检测的互联***故障节点定位方法及*** | |
| CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
| CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
| CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
| CN112861350B (zh) | 一种水冷式汽轮发电机定子绕组温度过热缺陷预警方法 | |
| CN117394337A (zh) | 一种电网负荷预警方法及其*** | |
| CN109670652A (zh) | 一种光伏组件的故障预测方法 | |
| CN112257967A (zh) | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 | |
| CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
| CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN107103425B (zh) | 发电设备运行状态计算机智能量化评价*** | |
| CN117556366B (zh) | 基于数据筛选的数据异常检测***及方法 | |
| CN109375143B (zh) | 一种确定智能电能表剩余寿命的方法 | |
| CN109613372B (zh) | 一种基于多元电网数据库的电网故障诊断方法 | |
| CN112734201B (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
| CN114046903A (zh) | 一种高压电缆缆芯的实时温度预测方法及*** | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN117131437A (zh) | 发动机振动故障隔离方法 | |
| CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
| CN112766657B (zh) | 基于故障概率和设备状态的单台设备质量评价方法 |
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 |