CN116226469A - 一种储能设备故障的智能诊断方法及*** - Google Patents
一种储能设备故障的智能诊断方法及*** Download PDFInfo
- Publication number
- CN116226469A CN116226469A CN202310510912.2A CN202310510912A CN116226469A CN 116226469 A CN116226469 A CN 116226469A CN 202310510912 A CN202310510912 A CN 202310510912A CN 116226469 A CN116226469 A CN 116226469A
- Authority
- CN
- China
- Prior art keywords
- working condition
- fault
- fault diagnosis
- equipment
- recall
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种储能设备故障的智能诊断方法及***,该方法包括下述步骤:获取目标储能设备的设备基础信息以及多级设备工况信息;获取多个样本储能设备;设置索引算子和索引本体,进行数据检索获得对应工况故障诊断记录;划分数据序列进行模型测试和验证,将召回率和精确率作为基础召回‑精确约束特征;生成多级设备故障诊断模型,进行多级设备故障诊断;进行聚类分析得到多级聚类故障诊断记录;进行敏感故障学习获得特征设备故障诊断模型;基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果。本发明实现自动化的方式进行故障诊断,提高诊断效率和准确性,提升了诊断的普适性和自动化程度。
Description
技术领域
本发明涉及设备故障诊断技术领域,具体涉及一种储能设备故障的智能诊断方法及***。
背景技术
随着储能技术的发展和应用,储能设备已经被广泛应用于电力***中,为电力***提供调峰、备用等服务,然而,储能设备在使用过程中也会出现各种故障,如电池寿命问题、电池组不平衡、充放电温度过高等,这些故障可能会影响储能设备的性能和寿命,甚至危及电网安全,因此,对储能设备的故障进行及时准确的诊断非常重要。然而现今常用的储能设备故障的诊断方法还存在着一定的弊端,现有技术中存在储能设备故障种类繁多、实时监测数据量大,并且故障诊断通常由人工进行判别,使得故障诊断效率低、准确性差、自动化程度低,对于储能设备故障的诊断还存在着一定的提升空间。
发明内容
为了克服现有技术存在的缺陷与不足,本发明提供一种储能设备故障的智能诊断方法及***,用于针对解决现有技术中存在储能设备故障种类繁多、实时监测数据量大,并且故障诊断通常由人工进行判别,使得故障诊断效率低、准确性差、自动化程度低的技术问题。
为了达到上述目的,本发明采用以下技术方案:
本发明提供一种储能设备故障的智能诊断方法,包括下述步骤:
获取目标储能设备的设备基础信息;
根据设备基础信息进行设备工况查询,获得目标储能设备的多级设备工况信息;
基于卷积神经网络构建多级设备故障诊断模型的基础网络结构;
基于设备基础信息获得多个样本储能设备,多个样本储能设备包括与目标储能设备具有相同的设备基础信息的多个储能设备;
将多级设备工况信息设置为索引算子,将多个样本储能设备设置为多个索引本体,基于索引算子和多个索引本体进行不同储能设备在不同工况参数下的故障诊断记录的数据检索,获得对应工况故障诊断记录,每一组对应工况故障诊断数据包括任意一个样本储能设备的历史工况参数对应的一个故障诊断记录;
基于对应工况故障诊断记录执行预设算子约束的数据划分,获得训练数据序列、测试数据序列和验证数据序列;
基于训练数据序列对卷积神经网络进行有监督学习,获得基础故障诊断模型;
基于测试数据序列和验证数据序列对基础故障诊断模型进行测试、验证,得到测试和验证过程中的召回率和精确率,作为基础召回-精确约束特征;
根据多级设备工况信息设置对应的召回-精确约束特征,当基础召回-精确约束特征满足预设的召回-精确约束特征时,生成多级设备故障诊断模型,进行多级设备故障诊断;
基于目标储能设备获取目标设备故障诊断记录,并基于多级设备工况信息对目标设备故障诊断记录进行聚类分析,得到多级聚类故障诊断记录;
基于多级聚类故障诊断记录对多级设备故障诊断模型进行敏感故障学习,获得特征设备故障诊断模型;
获取目标储能设备的实时工况监测数据,实时工况监测数据包括实时工况标识信息,基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果。
作为优选的技术方案,所述多级设备工况信息包括充电工况、放电工况和其它工况,所述其它工况包括目标储能设备在充电、放电之间切换时的瞬时工况,以及目标储能设备同时发生充电、放电的工况;
所述进行多级设备故障诊断,包括充电工况故障诊断、放电工况故障诊断和其它工况故障诊断。
作为优选的技术方案,基于测试数据序列和验证数据序列对基础故障诊断模型进行测试、验证,得到测试和验证过程中的召回率和精确率,作为基础召回-精确约束特征,具体步骤包括:
基于测试数据序列对基础故障诊断模型进行测试,将预测结果与测试数据序列中的真实结果进行比较,计算得到第一精确率和第一召回率;
基于验证数据序列对基础故障诊断模型进行验证,将验证结果与验证数据序列中的真实结果进行比较,计算得到第二精确率和第二召回率;
以召回率为横坐标轴,以精确率为纵坐标,构建召回-精确特征坐标系;
将第一精确率和第一召回率作为点的坐标,绘制到召回-精确特征坐标系中;
将第二精确率和第二召回率作为点的坐标,绘制到召回-精确特征坐标系中;
连接测试结果和验证结果中的点,生成召回-精确特征曲线;
预设召回率阈值和精确率阈值,将召回-精确特征曲线中满足召回率阈值和精确率阈值约束条件的点作为基础召回-精确约束特征。
作为优选的技术方案,将所述测试数据序列输入基础充电故障诊断模型,获得测试输出数据序列;
对测试输出数据序列进行分类,获得测试输出准确数据序列和测试输出精确数据序列;
基于测试输出准确数据序列和测试输出数据序列进行特征计算,获得测试准确特征算子;
基于测试输出精确数据序列和测试输出准确数据序列进行特征计算,获得测试精确特征算子;
基于测试准确特征算子和测试精确特征算子进行调和平均特征计算,获得测试召回特征算子;
基于测试精确特征算子和测试召回特征算子得到基础充电故障诊断模型测试结果。
作为优选的技术方案,根据多级设备工况信息设置对应的召回-精确约束特征,当基础召回-精确约束特征不满足预设的召回-精确约束特征时,基于测试数据序列和验证数据序列获得损失数据序列,损失数据序列包括模型在每个样本上的误差;
基于损失数据序列进行工况故障特征分析,将损失数据序列按照故障相关特征分为不同的组,对每个分组的损失数据序列进行统计分析,基于统计分析结果获得损失工况故障特征关系;
基于损失工况故障特征关系获得工况故障损失数据集;
基于工况故障损失数据集对基础充电故障诊断模型进行增量学习,完成具有关键故障特征的充电故障诊断任务。
作为优选的技术方案,基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果,具体包括:
获得实时工况监测数据对应的实时环境监测数据;
基于实时环境监测数据进行目标储能设备的环境故障影响分析,获得设备环境故障影响分析结果;
将设备环境故障影响分析结果转化为数值化的指标,并赋予不同的权重,将每个指标的数值乘以其对应的权重,得到加权后的分值,并对所有指标的加权分值进行求和,得到设备环境故障影响指数;
判断设备环境故障影响指数是否满足预设的环境故障影响约束条件;
当设备环境故障影响指数满足预设的环境故障影响约束条件时,根据环境故障影响分析结果进行权重调整或者修改故障诊断结果,将调整后的目标设备故障诊断结果作为实时输出的故障诊断结果。
本发明还提供一种储能设备故障的智能诊断***,包括:基础信息获取模块、工况信息获取模块、网络结构构建模块、样本储能设备获取模块、索引算子获取模块、索引本体获取模块、数据检索模块、数据划分模块、监督学习模块、模型测试验证模块、特征判断模块、故障诊断记录获取模块、聚类分析模块、敏感故障学习模块、监测数据获取模块和故障分析模块;
所述基础信息获取模块用于获取目标储能设备的设备基础信息;
所述工况信息获取模块用于根据设备基础信息进行设备工况查询,获得目标储能设备的多级设备工况信息;
所述网络结构构建模块用于基于卷积神经网络构建多级设备故障诊断模型的基础网络结构;
所述样本储能设备获取模块用于基于设备基础信息获得多个样本储能设备,多个样本储能设备包括与目标储能设备具有相同的设备基础信息的多个储能设备;
所述索引算子获取模块用于将多级设备工况信息设置为索引算子;
所述索引本体获取模块用于将多个样本储能设备设置为多个索引本体;
所述数据检索模块用于基于索引算子和多个索引本体进行不同储能设备在不同工况参数下的故障诊断记录的数据检索,获得对应工况故障诊断记录,每一组对应工况故障诊断数据包括任意一个样本储能设备的历史工况参数对应的一个故障诊断记录;
所述数据划分模块用于基于对应工况故障诊断记录执行预设算子约束的数据划分,获得训练数据序列、测试数据序列和验证数据序列;
所述监督学习模块用于基于训练数据序列对卷积神经网络进行有监督学习,获得基础故障诊断模型;
所述模型测试验证模块用于基于测试数据序列和验证数据序列对基础故障诊断模型进行测试、验证,得到测试和验证过程中的召回率和精确率,作为基础召回-精确约束特征;
所述特征判断模块用于根据多级设备工况信息设置对应的召回-精确约束特征,当基础召回-精确约束特征满足预设的召回-精确约束特征时,生成多级设备故障诊断模型,进行多级设备故障诊断;
所述故障诊断记录获取模块用于基于目标储能设备获取目标设备故障诊断记录;
所述聚类分析模块用于基于多级设备工况信息对目标设备故障诊断记录进行聚类分析,得到多级聚类故障诊断记录;
所述敏感故障学习模块用于基于多级聚类故障诊断记录对多级设备故障诊断模型进行敏感故障学习,获得特征设备故障诊断模型;
所述监测数据获取模块用于获取目标储能设备的实时工况监测数据,实时工况监测数据包括实时工况标识信息;
所述故障分析模块用于基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果。
作为优选的技术方案,还设有第一诊断单元获取模块、第二诊断单元获取模块、第三诊断单元获取模块、模型生成模块;
所述多级设备工况信息包括充电工况、放电工况和其它工况,所述其它工况包括目标储能设备在充电、放电之间切换时的瞬时工况,以及目标储能设备同时发生充电、放电的工况;
所述第一诊断单元获取模块用于基于充电工况进行数据挖掘,获得满足召回-精确约束特征的充电工况故障诊断单元;
所述第二诊断单元获取模块用于基于放电工况进行数据挖掘,获得满足召回-精确约束特征的放电工况故障诊断单元;
所述第三诊断单元获取模块用于基于其它工况进行数据挖掘,获得满足召回-精确约束特征的其它工况故障诊断单元;
所述模型生成模块用于根据充电工况故障诊断单元、放电工况故障诊断单元和其它工况故障诊断单元生成多级设备故障诊断模型。
作为优选的技术方案,还包括测试算子计算模块、验证算子计算模块、坐标系搭建模块、特征曲线获取模块、约束特征获取模块;
所述测试算子计算模块用于基于测试数据序列对基础故障诊断模型进行测试,将预测结果与测试数据序列中的真实结果进行比较,计算得到第一精确率和第一召回率;
所述验证算子计算模块用于基于验证数据序列对基础故障诊断模型进行验证,将验证结果与验证数据序列中的真实结果进行比较,计算得到第二精确率和第二召回率;
所述坐标系搭建模块用于以召回率为横坐标轴,以精确率为纵坐标,构建召回-精确特征坐标系;
将第一精确率和第一召回率作为点的坐标,绘制到召回-精确特征坐标系中;
将第二精确率和第二召回率作为点的坐标,绘制到召回-精确特征坐标系中;
所述特征曲线获取模块用于连接测试结果和验证结果中的点,生成召回-精确特征曲线;
所述约束特征获取模块用于预设召回率阈值和精确率阈值,将召回-精确特征曲线中满足召回率阈值和精确率阈值约束条件的点作为基础召回-精确约束特征。
作为优选的技术方案,还包括损失数据序列获取模块、故障特征分析模块、损失数据集获取模块、增量学习模块;
所述损失数据序列获取模块用于基于测试数据序列和验证数据序列获得损失数据序列,损失数据序列包括模型在每个样本上的误差;
所述故障特征分析模块用于基于损失数据序列进行工况故障特征分析,将损失数据序列按照故障相关特征分为不同的组,对每个分组的损失数据序列进行统计分析,基于统计分析结果获得损失工况故障特征关系;
所述损失数据集获取模块用于基于损失工况故障特征关系获得工况故障损失数据集;
所述增量学习模块用于基于工况故障损失数据集对基础充电故障诊断模型进行增量学习,完成具有关键故障特征的充电故障诊断任务。
本发明与现有技术相比,具有如下优点和有益效果:
传统的神经网络模型缺乏可以量化模型收敛状态的指标,对模型是否达到收敛状态无法进行精确判断,本申请引入召回-精确约束特征对多级设备故障诊断模型是否达到收敛进行量化判断,提高设备故障诊断的精确度,解决了现有技术中存在储能设备故障种类繁多、实时监测数据量大,并且故障诊断通常由人工进行判别,故障诊断效率低、准确性差、自动化程度低的技术问题,本申请实现了基于多级设备工况信息将目标设备的故障记录进行分类,并构建特征设备故障诊断模型,实现自动化的方式进行故障诊断,达到提高诊断效率和准确性、提升诊断的普适性和自动化程度的技术效果。
附图说明
图1为本发明储能设备故障的智能诊断方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本实施例提供一种储能设备故障的智能诊断方法,包括下述步骤:
步骤S100:获取目标储能设备的设备基础信息;
具体地,通过设备编号、设备类型、生产厂家等信息,识别待诊断的目标储能设备,从设备制造商、维护单位或设备上的标签中获取设备基础信息,包括设备的型号、规格、生产日期、安装日期、历史维修记录等。
步骤S200:基于设备基础信息获得目标储能设备的多级设备工况信息,其中,多级设备工况信息包括充电工况、放电工况和其它工况;
具体地,根据设备基础信息进行设备工况查询,获得目标储能设备的多级设备工况信息。例如,对于蓄电池这种储能设备,需要关注充电电流、充电电压、放电电流、放电电压、温度等参数。通过与设备的监控***或数据采集设备进行通信,实时获取目标储能设备的运行数据,包括设备的各种参数、状态信息和运行时间等。从设备运行数据中提取充电工况、放电工况和其它工况的相关信息,例如,从数据中识别充电过程、放电过程,以及设备在特定工况下的运行参数。其它工况包括目标储能设备在充电、放电之间切换时的瞬时工况,以及目标储能设备同时发生充电、放电的工况等,将提取到的工况信息按照充电、放电和其它工况进行分类,并进行整理,为后续的数据挖掘和故障诊断提供关键信息。
步骤S300:基于多级设备工况信息进行数据挖掘,获得满足召回-精确约束特征的多级设备故障诊断模型;
进一步地,本申请步骤S300还包括:
步骤S310:基于卷积神经网络,获得多级设备故障诊断模型的基础网络结构;
具体而言,基于卷积神经网络(CNN),获得多级设备故障诊断模型的基础网络结构,CNN是一种深度学习方法,用于处理具有局部相关性的数据,如图像、时间序列数据等,设计一个卷积神经网络结构,包括输入层、卷积层、激活层、池化层、全连接层和输出层,并根据实际问题和数据特点,确定各层的参数。
步骤S320:基于充电工况进行数据挖掘,获得满足召回-精确约束特征的充电工况故障诊断记录;
步骤S320包括:
步骤S321:基于设备基础信息获得多个样本储能设备;
步骤S322:基于充电工况获得索引算子;
步骤S323:基于多个样本储能设备获得多个索引本体;
步骤S324:基于索引算子和多个索引本体进行大数据检索,获得充电工况故障诊断记录;
具体而言,基于设备基础信息进行大数据查询,获得多个样本储能设备。多个样本储能设备包括与目标储能设备具有相同的设备基础信息的多个储能设备。继而,将充电工况设置为索引算子,将多个样本储能设备设置为多个索引本体。基于索引算子和多个索引本体进行不同储能设备在不同充电工况参数下的故障诊断记录的大数据检索,获得充电工况故障诊断记录。
充电故障诊断记录就包括多组充电故障诊断数据,每一组充电故障诊断数据包括任意一个样本储能设备的历史充电工况参数对应的一个故障诊断记录,该故障诊断记录包括这个储能设备在这一个充电工况参数下的故障原因、故障表现,以及它的一些故障参数等。
步骤S325:基于充电工况故障诊断记录执行预设算子约束的数据划分,获得训练数据序列、测试数据序列和验证数据序列;
步骤S326:基于卷积神经网络对训练数据序列进行有监督学习,获得基础充电故障诊断模型;
步骤S327:基于测试数据序列和验证数据序列,对基础充电故障诊断模型进行测试、验证,获得基础召回-精确约束特征,基础召回-精确约束特征为测试和验证过程中得到的召回率和精确率,这些特征用于评估模型的性能;
步骤S328:判断基础召回-精确约束特征是否满足召回-精确约束特征;
具体地,设定召回率和精确率的阈值,例如召回率≥90%且精确率≥90%,将基础召回-精确约束特征,即测试和验证过程中得到的召回率和精确率,与所设定的阈值进行比较。
步骤S329:当基础召回-精确约束特征满足召回-精确约束特征时,将基础充电故障诊断模型作为充电工况故障诊断单元。
具体而言,预设算子约束为预先设置确定的数据划分比例,例如,预设算子约束为7:2:1,则,将充电工况故障诊断记录中随机的70%的数据信息划分为训练数据序列,将充电工况故障诊断记录中随机的20%的数据信息划分为测试数据序列,将充电工况故障诊断记录中随机的10%的数据信息划分为验证数据序列。
将训练数据序列输入到CNN中,进行有监督学习,利用损失函数和优化算法对网络参数进行优化,以降低预测误差,其中,损失函数如交叉熵损失,优化算法如梯度下降法,当训练完成后,得到一个基于训练数据序列学习的基础充电故障诊断模型。
将测试数据序列输入到基础充电故障诊断模型中,得到预测结果,计算模型的预测性能指标,如准确率、召回率、精确率等;将验证数据序列输入到基础充电故障诊断模型中,进一步验证模型的泛化能力和鲁棒性。根据模型测试和验证的结果,将测试和验证过程中得到的召回率和精确率作为基础召回-精确约束特征,这些特征可以用于评估模型的性能,同时为优化和改进模型提供参考。
根据实际需求和业务场景,设定召回率和精确率的阈值,例如召回率≥90%且精确率≥90%,将基础召回-精确约束特征,即测试和验证过程中得到的召回率和精确率,与所设定的阈值进行比较。
若基础召回-精确约束特征未满足预设阈值,需要对模型进行优化和调整,包括修改网络结构、调整参数、更改优化算法、增加训练数据等,经过优化后,重新进行测试和验证,直至基础召回-精确约束特征满足预设阈值。当满足预设阈值时,说明基础充电故障诊断模型的性能达到要求,此时,将基础充电故障诊断模型作为充电工况故障诊断单元。
步骤S330:基于放电工况进行数据挖掘,获得满足召回-精确约束特征的放电工况故障诊断单元;
步骤S340:基于其它工况进行数据挖掘,获得满足召回-精确约束特征的其它工况故障诊断单元;
步骤S350:基于基础网络结构,根据充电工况故障诊断单元、放电工况故障诊断单元和其它工况故障诊断单元,生成多级设备故障诊断模型。
具体而言,采用与步骤S320完全相同的方法,获取放电工况故障诊断单元、其它工况故障诊断单元,为了说明书的简洁,在此不再赘述。将充电工况故障诊断单元、放电工况故障诊断单元和其它工况故障诊断单元,集成到基础网络结构中,生成多级设备故障诊断模型,多级设备故障诊断模型包括充电工况故障诊断单元、放电工况故障诊断单元和其它工况故障诊断单元,这个模型能够处理充电工况、放电工况和其它工况下的设备故障诊断任务。
进一步而言,本申请步骤S327还包括:
步骤S3271:基于测试数据序列,对基础充电故障诊断模型进行测试,获得基础模型测试结果,其中,基础模型测试结果包括测试精确特征算子和测试召回特征算子;
步骤S3272:基于验证数据序列,对基础充电故障诊断模型进行验证,获得基础模型验证结果,其中,基础模型验证结果包括验证精确特征算子和验证召回特征算子;
具体而言,将测试数据序列输入基础充电故障诊断模型进行预测,得到预测结果,将预测结果与测试数据序列中的真实结果进行比较,计算精确率和召回率,具体地,精确率是针对预测结果而言的,它表示的是预测为正的样本中有多少是真正的样本,因此预测为正就有两种可能,一种是把正类预测为正类(TP),另一种是把负类预测为正类(FP),即精确率;召回率是针对原本的样本而言的,它表示的是样本中的正例有多少被预测正确了,也有两种可能,一种是把原本的正类预测为正类(TP),另一种是把原本的正类预测为负类(FN),则召回率/>。将计算得到的精确率和召回率作为测试精确特征算子和测试召回特征算子。
将验证数据序列输入基础充电故障诊断模型进行验证,得到验证结果。将验证结果与验证数据序列中的真实结果进行比较,计算精确率和召回率,将计算得到的精确率和召回率作为验证精确特征算子和验证召回特征算子。
通过对基础充电故障诊断模型在测试数据序列和验证数据序列上的预测性能进行评估,得到模型在不同数据集上的表现,以此确定模型的泛化能力和准确性,从而为后续优化和调整提供依据。
步骤S3273:以召回特征算子为横坐标轴,以精确特征算子为纵坐标轴,搭建召回-精确特征坐标系;
步骤S3274:将基础模型测试结果和基础模型验证结果输入召回-精确特征坐标系,获得召回-精确特征曲线;
步骤S3275:基于召回-精确特征曲线,获得基础召回-精确约束特征。
具体而言,创建一个新的图表或绘图空间,将横坐标轴标记为召回率,将纵坐标轴标记为精确率,确定坐标轴的取值范围,通常为[0,1],因为召回率和精确率的取值范围都在0到1之间,以此构建召回-精确特征坐标系。
根据基础模型测试结果,将测试精确特征算子和测试召回特征算子作为点的坐标,绘制到召回-精确特征坐标系中;同样地,根据基础模型验证结果,将验证精确特征算子和验证召回特征算子作为点的坐标,绘制到召回-精确特征坐标系中。连接测试结果和验证结果中的点,生成召回-精确特征曲线,这条曲线描述了模型在不同数据集上的表现,用来评估模型的性能和泛化能力。
根据曲线的整体走势,判断获取可能的最佳性能点,如曲线上的拐点、平稳区域等,这些点表示在这些特定召回-精确率组合下,模型取得了最佳性能。根据实际应用场景和需求,确定一个合适的召回率和精确率阈值,例如,如果对故障诊断的准确性要求较高,可以设置较高的精确率阈值;如果希望尽可能多地检测到潜在故障,可以设置较高的召回率阈值。
将选定的召回率和精确率阈值与召回-精确特征曲线进行比较,找到超过阈值的点,这些点表示在满足阈值约束条件下,模型取得了较好的性能。根据分析结果,从曲线上选取一个或多个满足召回-精确约束的点,将这些点的召回率和精确率作为基础召回-精确约束特征。
进一步而言,本申请步骤S3271还包括:
步骤S32711:将测试数据序列输入基础充电故障诊断模型,获得测试输出数据序列;
步骤S32712:基于测试数据序列对测试输出数据序列进行分类,获得测试输出准确数据序列和测试输出精确数据序列;
测试数据序列包含各种充电故障特征的数据,将其输入到已训练好的基础充电故障诊断模型中,模型会根据训练过程中学到的特征对输入的测试数据进行预测,并输出相应的预测结果,即测试输出数据序列。
将模型输出的预测结果,即测试输出数据序列,与测试数据序列中的真实标签进行比较,根据预测结果与真实标签的对比情况,若相同则说明与测试数据序列的已知输出结果一致,若不同则不一致,将预测结果进行分类:当准确输出样本-输出结果正确,但与测试数据序列的已知输出结果不完全一致,将该预测结果归入测试输出准确数据序列;当精确输出样本-与测试数据序列的已知输出结果完全一致,将该预测结果归入测试输出精确数据序列。其中,测试输出精确数据序列包括于测试输出准确数据序列。
步骤S32713:基于测试输出准确数据序列和测试输出数据序列进行特征计算,获得测试准确特征算子;
步骤S32714:基于测试输出精确数据序列和测试输出准确数据序列进行特征计算,获得测试精确特征算子;
步骤S32715:基于测试准确特征算子和测试精确特征算子进行调和平均特征计算,获得测试召回特征算子;
步骤S32716:基于测试精确特征算子和测试召回特征算子,生成基础模型测试结果。
具体而言,计算测试输出准确数据序列中的真实故障数量与测试输出数据序列中的真实故障数量的比值,得到召回率,召回率是衡量模型在正确预测故障类别上的能力;计算测试输出准确数据序列中的真实故障数量与测试输出数据序列中预测为故障的数量的比值,得到准确率,准确率是衡量模型预测故障类别的准确性。将计算得到的召回率和准确率作为测试准确特征算子,用于后续评估模型性能及优化。
使用之前计算得到的召回率和准确率作为测试精确特征算子。为了综合评估模型的性能,获取一个指标,称为F1分数(F1Score),它是召回率和准确率的调和平均值,调和平均值为数据的倒数的算术平均数的倒数,F1分数可以平衡召回率和准确率的影响,从而更全面地评估模型性能,F1分数的计算公式为:,其中,precision为准确率,recall为召回率。F1分数是用来衡量二分类模型准确度的一种指标,最大值为1最小值为0,值越大意味着模型越好。
将之前计算得到的召回率和准确率代入公式,计算得到F1分数,最后,使用F1分数作为测试召回特征算子,用于评估模型性能及优化。
整合之前计算得到的测试精确特征算子(准确率和召回率)和测试召回特征算子(F1分数),以此作为基础模型的测试结果,这些测试结果用于评估模型性能,并在后续步骤中与验证数据集的结果进行对比。
进一步而言,本申请步骤S328之后,还包括:
步骤S3281:当基础召回-精确约束特征不满足召回-精确约束特征时,基于测试数据序列和验证数据序列,获得损失数据序列,损失数据序列包括模型在每个样本上的误差;
步骤S3282:基于损失数据序列进行工况故障特征分析,获得损失工况故障特征关系;
具体而言,当基础召回-精确约束特征不满足预设阈值,说明基础充电故障诊断模型的性能不能达到要求,则根据模型在测试数据序列和验证数据序列上的表现,计算损失数据序列,以此分析模型在不同类型的数据上的表现,损失数据序列包括模型在每个样本上的误差,用于识别模型在哪些方面需要改进。
根据损失数据序列中的工况故障特征,将损失数据序列分为不同的组,例如按照故障类型、故障严重程度或其他故障相关的特征进行划分,对每个分组的损失数据进行统计分析,计算损失数据的均值、方差等统计量,基于统计分析结果,例如根据方差,方差越大则数据越不稳定,则损失越大,相反方法越小则数据越稳定,则损失越小,以此确定模型在不同工况故障特征之间的损失关系,以此表征模型在处理不同工况故障特征时的性能差异,进而确定识别模型在哪些工况特征上的表现较差,为后续的模型优化提供依据。
步骤S3283:基于损失工况故障特征关系,获得工况故障损失数据集;
步骤S3284:基于工况故障损失数据集对基础充电故障诊断模型进行增量学习,生成充电工况故障诊断单元。
具体而言,根据损失工况故障特征关系,识别出对模型性能影响较大的关键故障特征,设置相关度阈值,计算特征相关度,将相关度满足相关度阈值的对应的特征作为相关特征,以此从损失数据序列中提取与关键故障特征相关的数据,整合成工况故障损失数据集。
增量学习的具体步骤为:将工况故障损失数据集划分为训练集和验证集,使用训练集对基础充电故障诊断模型进行训练,在训练过程中,模型的参数根据损失函数的梯度下降进行更新,以优化模型在关键故障特征上的表现;使用验证集对更新后的模型进行性能评估,通过计算模型在验证集上的精确度、召回率等性能指标,评估模型在关键故障特征上的改进情况,根据验证结果,调整模型的超参数,如学习率等。
完成增量学习后,将更新后的模型作为充电工况故障诊断单元,该诊断单元用于处理具有关键故障特征的充电故障诊断任务。
步骤S400:基于目标储能设备,获得目标设备故障诊断记录,并基于多级设备工况信息对目标设备故障诊断记录进行聚类分析,获得多级聚类故障诊断记录;
具体而言,从目标储能设备中采集历史故障诊断记录,包括工况参数、故障类型、故障发生时间等信息。基于多级设备工况信息,采用主成分分析方法,对目标设备故障诊断记录进行特征选择,获取与故障诊断任务相关的特征。基于筛选出的特征,采用K-means算法(K均值聚类算法将数据集分为K 个簇,每个簇使用簇内所有样本均值来表示,将该均值称为质心)对故障诊断记录进行聚类分析,以此将相似的故障诊断记录归为一类。根据聚类结果,将故障诊断记录划分为多个类别,每个类别对应一种特定的工况故障类型。
步骤S500:基于多级聚类故障诊断记录对多级设备故障诊断模型进行敏感故障学习,获得特征设备故障诊断模型;
具体而言,从多级聚类故障诊断记录中提取与敏感故障相关的特征,这些特征包括故障发生频率、故障严重程度、故障影响范围等,根据提取的敏感故障特征,构建敏感故障数据集,该数据集包括输入特征和对应的故障类型标签。
敏感故障学习的具体过程为:使用敏感故障数据集对多级设备故障诊断模型进行训练,在训练过程中,调整模型参数以优化模型性能,在训练完成后,使用独立的验证数据集对特征设备故障诊断模型进行验证,通过比较预测结果和实际故障类型,评估模型的准确性、召回率等性能指标。根据验证结果,对特征设备故障诊断模型进行优化,包括特征选择、参数调整、模型融合等。在完成模型优化后,得到最终的特征设备故障诊断模型。该模型用于对目标设备的实时工况监测数据进行故障分析和诊断。
步骤S600:获得目标储能设备的实时工况监测数据,且,实时工况监测数据具有实时工况标识信息;
通过传感器、监控***或其他数据采集设备,实时采集目标储能设备的运行数据,包括设备的温度、电压、电流、功率等参数。从实时工况监测数据中提取与设备工况相关的特征信息,例如工况模式、设备负载水平、设备运行时长等,通过自动化方法,如机器学习算法为实时工况监测数据添加实时工况标识信息。
步骤S700:基于特征设备故障诊断模型对目标设备实时工况监测数据进行故障分析,获得目标设备故障诊断结果。
将目标储能设备的实时工况监测数据和实时工况标识信息输入到特征设备故障诊断模型中,提取与故障诊断相关的特征,用于区分正常运行和故障状态。将提取的特征输入到特征设备故障诊断模型中,模型将根据输入的特征预测设备的故障状态。根据故障诊断模型的输出,获取目标设备的故障诊断结果,包括设备是否发生故障、发生了哪种类型的故障、故障的严重程度等信息。将故障诊断结果输出,以便后续的设备维护、修复或其他处理。
通过以上步骤,实现了基于特征设备故障诊断模型对目标设备实时工况监测数据进行故障分析,从而获得目标设备故障诊断结果,这些结果对于设备运维人员进行设备维护、预防性维修和减少设备停机时间具有重要意义。
进一步而言,本申请步骤S700之后,还包括:
步骤S710:获得实时工况监测数据对应的实时环境监测数据;
步骤S720:基于实时环境监测数据进行目标储能设备的环境故障影响分析,获得设备环境故障影响分析结果;
具体地,利用统计方法进行分析,获取环境故障的类型、影响程度、发生时间等信息,将这些信息作为设备环境故障影响分析结果;
步骤S730:基于设备环境故障影响分析结果,获得设备环境故障影响指数;
将设备环境故障影响分析结果转化为数值化的指标,对于不同的设备环境故障影响分析指标,根据历史数据、生产需要、生产经验等,获取其重要程度,根据其重要程度赋予不同的权重,将每个指标的数值乘以其对应的权重,得到加权后的分值,并对所有指标的加权分值进行求和,得到设备环境故障影响指数。
具体而言,通过布设在设备周围的传感器等,采集与目标储能设备相关的环境监测数据,包括温、湿度、气压、污染物等环境因素,获取实时环境监测数据,并通过数据采集的时间戳进行匹配,将实时环境监测数据与实时工况监测数据进行时间对齐,确保分析中的环境数据与设备工况数据是在同一时间采集的。
步骤S740:判断设备环境故障影响指数是否满足环境故障影响约束条件;
具体而言,根据目标设备的类型、环境故障的性质和程度等,设定环境故障影响指数的上限阈值,将计算得到的设备环境故障影响指数与设定的阈值进行比较,如果设备环境故障影响指数超过了阈值,则认为环境故障对目标设备的影响已经达到了约束条件,需要进行进一步的故障调整和处理;如果设备环境故障影响指数没有超过阈值,则认为环境故障对目标设备的影响还未达到约束条件,可以继续进行监测和分析。
步骤S750:当设备环境故障影响指数满足环境故障影响约束条件时,基于设备环境故障影响分析结果对目标设备故障诊断结果进行调整。
对于满足环境故障影响约束条件的情况,基于设备环境故障影响分析结果对目标设备故障诊断结果进行调整,示例性地,根据环境故障影响分析结果进行权重调整或者修改故障诊断结果的方式,例如,对于环境影响较小的故障诊断结果,可以保持不变,对于环境影响较大的故障诊断结果,可以进行修正或者降低置信度。将调整后的目标设备故障诊断结果作为实时监测***输出的故障诊断结果,用于指导后续的设备维护和管理。
实现了保证设备环境故障影响指数满足约束条件的前提下,根据设备环境故障影响分析结果对目标设备故障诊断结果进行调整,进而提高故障诊断结果的可靠性和准确性。
综上,本申请获得目标储能设备的设备基础信息,获得目标储能设备的多级设备工况信息,其中,多级设备工况信息包括充电工况、放电工况和其它工况,进行数据挖掘,获得满足召回-精确约束特征的多级设备故障诊断模型,获得目标设备故障诊断记录,进行聚类分析获得多级聚类故障诊断记录,进行敏感故障学习,获得特征设备故障诊断模型,获得目标储能设备的实时工况监测数据,且,实时工况监测数据具有实时工况标识信息,对目标设备实时工况监测数据进行故障分析,获得目标设备故障诊断结果,解决了现有技术中存在储能设备故障种类繁多、实时监测数据量大,并且故障诊断通常由人工进行判别,使得故障诊断效率低、准确性差、自动化程度低的技术问题,实现了基于多级设备工况信息将目标设备的故障记录进行分类,并构建特征设备故障诊断模型,实现自动化的方式进行故障诊断,达到提高诊断效率和准确性、提升诊断的普适性和自动化程度的技术效果。
实施例2
本实施例提供一种储能设备故障的智能诊断***,包括:基础信息获取模块、工况信息获取模块、网络结构构建模块、样本储能设备获取模块、索引算子获取模块、索引本体获取模块、数据检索模块、数据划分模块、监督学习模块、模型测试验证模块、特征判断模块、故障诊断记录获取模块、聚类分析模块、敏感故障学习模块、监测数据获取模块和故障分析模块;
在本实施例中,基础信息获取模块用于获取目标储能设备的设备基础信息;
在本实施例中,工况信息获取模块用于根据设备基础信息进行设备工况查询,获得目标储能设备的多级设备工况信息;
在本实施例中,网络结构构建模块用于基于卷积神经网络构建多级设备故障诊断模型的基础网络结构;
在本实施例中,样本储能设备获取模块用于基于设备基础信息获得多个样本储能设备,多个样本储能设备包括与目标储能设备具有相同的设备基础信息的多个储能设备;
在本实施例中,索引算子获取模块用于将多级设备工况信息设置为索引算子;
在本实施例中,索引本体获取模块用于将多个样本储能设备设置为多个索引本体;
在本实施例中,数据检索模块用于基于索引算子和多个索引本体进行不同储能设备在不同工况参数下的故障诊断记录的数据检索,获得对应工况故障诊断记录,每一组对应工况故障诊断数据包括任意一个样本储能设备的历史工况参数对应的一个故障诊断记录;
在本实施例中,数据划分模块用于基于对应工况故障诊断记录执行预设算子约束的数据划分,获得训练数据序列、测试数据序列和验证数据序列;
在本实施例中,监督学习模块用于基于训练数据序列对卷积神经网络进行有监督学习,获得基础故障诊断模型;
在本实施例中,模型测试验证模块用于基于测试数据序列和验证数据序列对基础故障诊断模型进行测试、验证,得到测试和验证过程中的召回率和精确率,作为基础召回-精确约束特征;
在本实施例中,特征判断模块用于根据多级设备工况信息设置对应的召回-精确约束特征,当基础召回-精确约束特征满足预设的召回-精确约束特征时,生成多级设备故障诊断模型,进行多级设备故障诊断;
在本实施例中,故障诊断记录获取模块用于基于目标储能设备获取目标设备故障诊断记录;
在本实施例中,聚类分析模块用于基于多级设备工况信息对目标设备故障诊断记录进行聚类分析,得到多级聚类故障诊断记录;
在本实施例中,敏感故障学习模块用于基于多级聚类故障诊断记录对多级设备故障诊断模型进行敏感故障学习,获得特征设备故障诊断模型;
在本实施例中,监测数据获取模块用于获取目标储能设备的实时工况监测数据,实时工况监测数据包括实时工况标识信息;
在本实施例中,故障分析模块用于基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果。
在本实施例中,还设有第一诊断单元获取模块、第二诊断单元获取模块、第三诊断单元获取模块、模型生成模块;
在本实施例中,多级设备工况信息包括充电工况、放电工况和其它工况,所述其它工况包括目标储能设备在充电、放电之间切换时的瞬时工况,以及目标储能设备同时发生充电、放电的工况;
在本实施例中,第一诊断单元获取模块用于基于充电工况进行数据挖掘,获得满足召回-精确约束特征的充电工况故障诊断单元;
在本实施例中,第二诊断单元获取模块用于基于放电工况进行数据挖掘,获得满足召回-精确约束特征的放电工况故障诊断单元;
在本实施例中,第三诊断单元获取模块用于基于其它工况进行数据挖掘,获得满足召回-精确约束特征的其它工况故障诊断单元;
在本实施例中,模型生成模块用于根据充电工况故障诊断单元、放电工况故障诊断单元和其它工况故障诊断单元生成多级设备故障诊断模型。
在本实施例中,还包括测试算子计算模块、验证算子计算模块、坐标系搭建模块、特征曲线获取模块、约束特征获取模块;
在本实施例中,测试算子计算模块用于基于测试数据序列对基础故障诊断模型进行测试,将预测结果与测试数据序列中的真实结果进行比较,计算得到第一精确率和第一召回率;
在本实施例中,验证算子计算模块用于基于验证数据序列对基础故障诊断模型进行验证,将验证结果与验证数据序列中的真实结果进行比较,计算得到第二精确率和第二召回率;
在本实施例中,坐标系搭建模块用于以召回率为横坐标轴,以精确率为纵坐标,构建召回-精确特征坐标系;
将第一精确率和第一召回率作为点的坐标,绘制到召回-精确特征坐标系中;
将第二精确率和第二召回率作为点的坐标,绘制到召回-精确特征坐标系中;
在本实施例中,特征曲线获取模块用于连接测试结果和验证结果中的点,生成召回-精确特征曲线;
在本实施例中,约束特征获取模块用于预设召回率阈值和精确率阈值,将召回-精确特征曲线中满足召回率阈值和精确率阈值约束条件的点作为基础召回-精确约束特征。
在本实施例中,还包括损失数据序列获取模块、故障特征分析模块、损失数据集获取模块、增量学习模块;
所述损失数据序列获取模块用于基于测试数据序列和验证数据序列获得损失数据序列,损失数据序列包括模型在每个样本上的误差;
所述故障特征分析模块用于基于损失数据序列进行工况故障特征分析,将损失数据序列按照故障相关特征分为不同的组,对每个分组的损失数据序列进行统计分析,基于统计分析结果获得损失工况故障特征关系;
所述损失数据集获取模块用于基于损失工况故障特征关系获得工况故障损失数据集;
所述增量学习模块用于基于工况故障损失数据集对基础充电故障诊断模型进行增量学习,完成具有关键故障特征的充电故障诊断任务。
在本实施例中,还包括:测试输出数据序列获取模块、分类模块、第一特征计算模块、第二特征计算模块、第三特征计算模块、测试结果生成模块;
在本实施例中,测试输出数据序列获取模块用于将测试数据序列输入基础充电故障诊断模型,获得测试输出数据序列;
在本实施例中,分类模块用于基于测试数据序列对测试输出数据序列进行分类,获得测试输出准确数据序列和测试输出精确数据序列;
在本实施例中,第一特征计算模块用于基于测试输出准确数据序列和测试输出数据序列进行特征计算,获得测试准确特征算子;
在本实施例中,第二特征计算模块用于基于测试输出精确数据序列和测试输出准确数据序列进行特征计算,获得测试精确特征算子;
在本实施例中,第三特征计算模块用于基于测试准确特征算子和测试精确特征算子进行调和平均特征计算,获得测试召回特征算子;
在本实施例中,测试结果生成模块用于基于测试精确特征算子和测试召回特征算子,生成基础模型测试结果。
在本实施例中,还包括:环境监测数据获取模块、故障影响分析模块、故障影响指数获取模块、故障影响指数判断模块、调整模块;
在本实施例中,环境监测数据获取模块用于获得实时工况监测数据对应的实时环境监测数据;
在本实施例中,故障影响分析模块用于基于实时环境监测数据进行目标储能设备的环境故障影响分析,获得设备环境故障影响分析结果;
在本实施例中,故障影响指数获取模块用于基于设备环境故障影响分析结果,获得设备环境故障影响指数;
在本实施例中,故障影响指数判断模块用于判断设备环境故障影响指数是否满足环境故障影响约束条件;
在本实施例中,调整模块用于当设备环境故障影响指数满足环境故障影响约束条件时,基于设备环境故障影响分析结果对目标设备故障诊断结果进行调整。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种储能设备故障的智能诊断方法,其特征在于,包括下述步骤:
获取目标储能设备的设备基础信息;
根据设备基础信息进行设备工况查询,获得目标储能设备的多级设备工况信息;
基于卷积神经网络构建多级设备故障诊断模型的基础网络结构;
基于设备基础信息获得多个样本储能设备,多个样本储能设备包括与目标储能设备具有相同的设备基础信息的多个储能设备;
将多级设备工况信息设置为索引算子,将多个样本储能设备设置为多个索引本体,基于索引算子和多个索引本体进行不同储能设备在不同工况参数下的故障诊断记录的数据检索,获得对应工况故障诊断记录,每一组对应工况故障诊断数据包括任意一个样本储能设备的历史工况参数对应的一个故障诊断记录;
基于对应工况故障诊断记录执行预设算子约束的数据划分,获得训练数据序列、测试数据序列和验证数据序列;
基于训练数据序列对卷积神经网络进行有监督学习,获得基础故障诊断模型;
基于测试数据序列和验证数据序列对基础故障诊断模型进行测试、验证,得到测试和验证过程中的召回率和精确率,作为基础召回-精确约束特征;
根据多级设备工况信息设置对应的召回-精确约束特征,当基础召回-精确约束特征满足预设的召回-精确约束特征时,生成多级设备故障诊断模型,进行多级设备故障诊断;
基于目标储能设备获取目标设备故障诊断记录,并基于多级设备工况信息对目标设备故障诊断记录进行聚类分析,得到多级聚类故障诊断记录;
基于多级聚类故障诊断记录对多级设备故障诊断模型进行敏感故障学习,获得特征设备故障诊断模型;
获取目标储能设备的实时工况监测数据,实时工况监测数据包括实时工况标识信息,基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果。
2.根据权利要求1所述的储能设备故障的智能诊断方法,其特征在于,所述多级设备工况信息包括充电工况、放电工况和其它工况,所述其它工况包括目标储能设备在充电、放电之间切换时的瞬时工况,以及目标储能设备同时发生充电、放电的工况;
所述进行多级设备故障诊断,包括充电工况故障诊断、放电工况故障诊断和其它工况故障诊断。
3.根据权利要求1所述的储能设备故障的智能诊断方法,其特征在于,基于测试数据序列和验证数据序列对基础故障诊断模型进行测试、验证,得到测试和验证过程中的召回率和精确率,作为基础召回-精确约束特征,具体步骤包括:
基于测试数据序列对基础故障诊断模型进行测试,将预测结果与测试数据序列中的真实结果进行比较,计算得到第一精确率和第一召回率;
基于验证数据序列对基础故障诊断模型进行验证,将验证结果与验证数据序列中的真实结果进行比较,计算得到第二精确率和第二召回率;
以召回率为横坐标轴,以精确率为纵坐标,构建召回-精确特征坐标系;
将第一精确率和第一召回率作为点的坐标,绘制到召回-精确特征坐标系中;
将第二精确率和第二召回率作为点的坐标,绘制到召回-精确特征坐标系中;
连接测试结果和验证结果中的点,生成召回-精确特征曲线;
预设召回率阈值和精确率阈值,将召回-精确特征曲线中满足召回率阈值和精确率阈值约束条件的点作为基础召回-精确约束特征。
4.根据权利要求1所述的储能设备故障的智能诊断方法,其特征在于,将所述测试数据序列输入基础充电故障诊断模型,获得测试输出数据序列;
对测试输出数据序列进行分类,获得测试输出准确数据序列和测试输出精确数据序列;
基于测试输出准确数据序列和测试输出数据序列进行特征计算,获得测试准确特征算子;
基于测试输出精确数据序列和测试输出准确数据序列进行特征计算,获得测试精确特征算子;
基于测试准确特征算子和测试精确特征算子进行调和平均特征计算,获得测试召回特征算子;
基于测试精确特征算子和测试召回特征算子得到基础充电故障诊断模型测试结果。
5.根据权利要求1所述的储能设备故障的智能诊断方法,其特征在于,根据多级设备工况信息设置对应的召回-精确约束特征,当基础召回-精确约束特征不满足预设的召回-精确约束特征时,基于测试数据序列和验证数据序列获得损失数据序列,损失数据序列包括模型在每个样本上的误差;
基于损失数据序列进行工况故障特征分析,将损失数据序列按照故障相关特征分为不同的组,对每个分组的损失数据序列进行统计分析,基于统计分析结果获得损失工况故障特征关系;
基于损失工况故障特征关系获得工况故障损失数据集;
基于工况故障损失数据集对基础充电故障诊断模型进行增量学习,完成具有关键故障特征的充电故障诊断任务。
6.根据权利要求1所述的储能设备故障的智能诊断方法,其特征在于,基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果,具体包括:
获得实时工况监测数据对应的实时环境监测数据;
基于实时环境监测数据进行目标储能设备的环境故障影响分析,获得设备环境故障影响分析结果;
将设备环境故障影响分析结果转化为数值化的指标,并赋予不同的权重,将每个指标的数值乘以其对应的权重,得到加权后的分值,并对所有指标的加权分值进行求和,得到设备环境故障影响指数;
判断设备环境故障影响指数是否满足预设的环境故障影响约束条件;
当设备环境故障影响指数满足预设的环境故障影响约束条件时,根据环境故障影响分析结果进行权重调整或者修改故障诊断结果,将调整后的目标设备故障诊断结果作为实时输出的故障诊断结果。
7.一种储能设备故障的智能诊断***,其特征在于,包括:基础信息获取模块、工况信息获取模块、网络结构构建模块、样本储能设备获取模块、索引算子获取模块、索引本体获取模块、数据检索模块、数据划分模块、监督学习模块、模型测试验证模块、特征判断模块、故障诊断记录获取模块、聚类分析模块、敏感故障学习模块、监测数据获取模块和故障分析模块;
所述基础信息获取模块用于获取目标储能设备的设备基础信息;
所述工况信息获取模块用于根据设备基础信息进行设备工况查询,获得目标储能设备的多级设备工况信息;
所述网络结构构建模块用于基于卷积神经网络构建多级设备故障诊断模型的基础网络结构;
所述样本储能设备获取模块用于基于设备基础信息获得多个样本储能设备,多个样本储能设备包括与目标储能设备具有相同的设备基础信息的多个储能设备;
所述索引算子获取模块用于将多级设备工况信息设置为索引算子;
所述索引本体获取模块用于将多个样本储能设备设置为多个索引本体;
所述数据检索模块用于基于索引算子和多个索引本体进行不同储能设备在不同工况参数下的故障诊断记录的数据检索,获得对应工况故障诊断记录,每一组对应工况故障诊断数据包括任意一个样本储能设备的历史工况参数对应的一个故障诊断记录;
所述数据划分模块用于基于对应工况故障诊断记录执行预设算子约束的数据划分,获得训练数据序列、测试数据序列和验证数据序列;
所述监督学习模块用于基于训练数据序列对卷积神经网络进行有监督学习,获得基础故障诊断模型;
所述模型测试验证模块用于基于测试数据序列和验证数据序列对基础故障诊断模型进行测试、验证,得到测试和验证过程中的召回率和精确率,作为基础召回-精确约束特征;
所述特征判断模块用于根据多级设备工况信息设置对应的召回-精确约束特征,当基础召回-精确约束特征满足预设的召回-精确约束特征时,生成多级设备故障诊断模型,进行多级设备故障诊断;
所述故障诊断记录获取模块用于基于目标储能设备获取目标设备故障诊断记录;
所述聚类分析模块用于基于多级设备工况信息对目标设备故障诊断记录进行聚类分析,得到多级聚类故障诊断记录;
所述敏感故障学习模块用于基于多级聚类故障诊断记录对多级设备故障诊断模型进行敏感故障学习,获得特征设备故障诊断模型;
所述监测数据获取模块用于获取目标储能设备的实时工况监测数据,实时工况监测数据包括实时工况标识信息;
所述故障分析模块用于基于特征设备故障诊断模型对目标储能设备的实时工况监测数据进行故障分析,获得目标设备故障诊断结果。
8.根据权利要求7所述的储能设备故障的智能诊断***,其特征在于,还设有第一诊断单元获取模块、第二诊断单元获取模块、第三诊断单元获取模块、模型生成模块;
所述多级设备工况信息包括充电工况、放电工况和其它工况,所述其它工况包括目标储能设备在充电、放电之间切换时的瞬时工况,以及目标储能设备同时发生充电、放电的工况;
所述第一诊断单元获取模块用于基于充电工况进行数据挖掘,获得满足召回-精确约束特征的充电工况故障诊断单元;
所述第二诊断单元获取模块用于基于放电工况进行数据挖掘,获得满足召回-精确约束特征的放电工况故障诊断单元;
所述第三诊断单元获取模块用于基于其它工况进行数据挖掘,获得满足召回-精确约束特征的其它工况故障诊断单元;
所述模型生成模块用于根据充电工况故障诊断单元、放电工况故障诊断单元和其它工况故障诊断单元生成多级设备故障诊断模型。
9.根据权利要求7所述的储能设备故障的智能诊断***,其特征在于,还包括测试算子计算模块、验证算子计算模块、坐标系搭建模块、特征曲线获取模块、约束特征获取模块;
所述测试算子计算模块用于基于测试数据序列对基础故障诊断模型进行测试,将预测结果与测试数据序列中的真实结果进行比较,计算得到第一精确率和第一召回率;
所述验证算子计算模块用于基于验证数据序列对基础故障诊断模型进行验证,将验证结果与验证数据序列中的真实结果进行比较,计算得到第二精确率和第二召回率;
所述坐标系搭建模块用于以召回率为横坐标轴,以精确率为纵坐标,构建召回-精确特征坐标系;
将第一精确率和第一召回率作为点的坐标,绘制到召回-精确特征坐标系中;
将第二精确率和第二召回率作为点的坐标,绘制到召回-精确特征坐标系中;
所述特征曲线获取模块用于连接测试结果和验证结果中的点,生成召回-精确特征曲线;
所述约束特征获取模块用于预设召回率阈值和精确率阈值,将召回-精确特征曲线中满足召回率阈值和精确率阈值约束条件的点作为基础召回-精确约束特征。
10.根据权利要求7所述的储能设备故障的智能诊断***,其特征在于,还包括损失数据序列获取模块、故障特征分析模块、损失数据集获取模块、增量学习模块;
所述损失数据序列获取模块用于基于测试数据序列和验证数据序列获得损失数据序列,损失数据序列包括模型在每个样本上的误差;
所述故障特征分析模块用于基于损失数据序列进行工况故障特征分析,将损失数据序列按照故障相关特征分为不同的组,对每个分组的损失数据序列进行统计分析,基于统计分析结果获得损失工况故障特征关系;
所述损失数据集获取模块用于基于损失工况故障特征关系获得工况故障损失数据集;
所述增量学习模块用于基于工况故障损失数据集对基础充电故障诊断模型进行增量学习,完成具有关键故障特征的充电故障诊断任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510912.2A CN116226469B (zh) | 2023-05-09 | 2023-05-09 | 一种储能设备故障的智能诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310510912.2A CN116226469B (zh) | 2023-05-09 | 2023-05-09 | 一种储能设备故障的智能诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116226469A true CN116226469A (zh) | 2023-06-06 |
CN116226469B CN116226469B (zh) | 2023-08-08 |
Family
ID=86569893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310510912.2A Active CN116226469B (zh) | 2023-05-09 | 2023-05-09 | 一种储能设备故障的智能诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226469B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074839A (zh) * | 2023-10-16 | 2023-11-17 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及*** |
CN117633479A (zh) * | 2024-01-26 | 2024-03-01 | 国网湖北省电力有限公司 | 一种充电桩故障分析处理方法及*** |
CN118091401A (zh) * | 2024-04-29 | 2024-05-28 | 江苏大全凯帆开关股份有限公司 | 基于多源传感器的断路器故障检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364800A1 (en) * | 2016-06-16 | 2017-12-21 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
CN114565038A (zh) * | 2022-02-23 | 2022-05-31 | 中国计量大学 | 一种基于改进胶囊网络的智能电表故障诊断方法 |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
-
2023
- 2023-05-09 CN CN202310510912.2A patent/CN116226469B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170364800A1 (en) * | 2016-06-16 | 2017-12-21 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN113469060A (zh) * | 2021-07-02 | 2021-10-01 | 浙大城市学院 | 多传感器融合卷积神经网络航空发动机轴承故障诊断方法 |
CN113567130A (zh) * | 2021-07-28 | 2021-10-29 | 江南大学 | 基于设备多工况的轴承故障诊断方法 |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114565038A (zh) * | 2022-02-23 | 2022-05-31 | 中国计量大学 | 一种基于改进胶囊网络的智能电表故障诊断方法 |
CN114444620A (zh) * | 2022-04-08 | 2022-05-06 | 中国石油大学(华东) | 一种基于生成式对抗神经网络的示功图故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
宫文峰;陈辉;张泽辉;张美玲;管聪;王鑫;: "基于改进卷积神经网络的滚动轴承智能故障诊断研究", 振动工程学报, no. 02, pages 186 - 199 * |
杜娟;刘志刚;宋考平;杨二龙;: "基于卷积神经网络的抽油机故障诊断", 电子科技大学学报, no. 05, pages 114 - 120 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074839A (zh) * | 2023-10-16 | 2023-11-17 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及*** |
CN117074839B (zh) * | 2023-10-16 | 2023-12-26 | 南通西塔自动化科技有限公司 | 一种电磁阀故障诊断方法及*** |
CN117633479A (zh) * | 2024-01-26 | 2024-03-01 | 国网湖北省电力有限公司 | 一种充电桩故障分析处理方法及*** |
CN117633479B (zh) * | 2024-01-26 | 2024-04-09 | 国网湖北省电力有限公司 | 一种充电桩故障分析处理方法及*** |
CN118091401A (zh) * | 2024-04-29 | 2024-05-28 | 江苏大全凯帆开关股份有限公司 | 基于多源传感器的断路器故障检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116226469B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和*** | |
CN116226469B (zh) | 一种储能设备故障的智能诊断方法及*** | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN113158947B (zh) | 一种动力电池健康评分方法、***及存储介质 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
CN113344471B (zh) | 一种表征飞机***气候环境适应性的方法 | |
CN113281671A (zh) | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及*** | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN115358347B (zh) | 一种针对不同子***下智能电表的剩余寿命预测方法 | |
CN115373370A (zh) | 一种可编程控制器运行状态监测方法及*** | |
CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估***和方法 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及*** | |
CN117590130A (zh) | 一种基于数字孪生的输电线路态势感知方法 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及*** | |
CN116901707A (zh) | 一种动力电池组故障预警方法、***及车辆 | |
CN111382946B (zh) | 设备健康状态的自主评估方法、***及工业互联网设备 | |
CN113204894B (zh) | 一种电能计量异常诊断模型的构建方法及应用 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN111337764A (zh) | 充电桩故障诊断***、方法及存储介质 | |
CN118194730B (zh) | 芯片晶圆测试优化方法 | |
CN118133947B (zh) | 用于空压机能源***的ai处理方法及*** |
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 |