CN116720324A - 基于预测模型的牵引变电所关键设备故障预警方法及*** - Google Patents
基于预测模型的牵引变电所关键设备故障预警方法及*** Download PDFInfo
- Publication number
- CN116720324A CN116720324A CN202310555933.6A CN202310555933A CN116720324A CN 116720324 A CN116720324 A CN 116720324A CN 202310555933 A CN202310555933 A CN 202310555933A CN 116720324 A CN116720324 A CN 116720324A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- prediction
- information
- key equipment
- 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 102
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000007619 statistical method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 14
- 230000002087 whitening effect Effects 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 12
- 208000024891 symptom Diseases 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 44
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000007689 inspection Methods 0.000 abstract 1
- 238000012827 research and development Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 230000008439 repair process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了一种基于预测模型的牵引变电所关键设备故障预警方法及***,涉及供变电领域。该方法包括:通过信息采集技术获取供变电关键设备信息、故障类别、故障模式、故障原因、故障影响因素的信息数据;通过聚类方法对通过信息采集技术获取到的信息数据进行分类,并进行相关性分析,挖掘潜在的关联关系;通过信息数据在关联过程的数据影响特征,识别出非常规的数据和/或找到非常规离散点的数据进行统计分析。为了有效提高运检效率、节约运维检修成本、降低检修人员的总工作量,开展供变电关键设备故障预警预测方法研究和开发,从而实现牵引供变电关键设备的智能诊断与自主化综合状态评估,并根据设备状态制定检修决策。
Description
技术领域
本申请涉及供变电领域,具体而言,涉及一种基于预测模型的牵引变电所关键设备故障预警方法及***。
背景技术
随着电机电器制造工业、电子工业和电力工业的发展,电气化铁路运输以其巨大的经济效益受到世界各国的普遍重视,得到飞速发展,而牵引供电是指拖动车辆运输所需电能的供电方式;牵引供电***是电气化铁路的基础设施和重要组成部分,为列车提供动力能源,其运行可靠性直接关系到电气化铁路的可靠性。由于运行环境、运行条件的复杂性,牵引供变电设备、接触网等的故障不可避免,牵引供电***是指铁路从地方引入220(110)KV电源,通过牵引变电所降压到27.5KV送至电力机车的整个供电***,但现在的铁路牵引供电由于设备很多,而且跨度很大,一旦出现问题,不易检测出来,导致铁路运输出现问题,提高检测效率。
故而铁路牵引供电设备故障预警是铁路交通领域的重点问题。大量现场运维和试验等繁杂冗重的工作量导致配网故障监测生产效率落后和经济效益低下。
发明内容
本申请的目的在于提供一种基于预测模型的牵引变电所关键设备故障预警方法,其能够实现牵引供变电关键设备的智能诊断与自主化综合状态评估,并根据设备状态制定检修决策。
本申请的另一目的在于提供一种基于预测模型的牵引变电所关键设备故障预警***,其能够运行一种基于预测模型的牵引变电所关键设备故障预警方法。
本申请的实施例是这样实现的:
第一方面,本申请实施例提供一种基于预测模型的牵引变电所关键设备故障预警方法,其包括通过信息采集技术获取供变电关键设备信息、故障类别、故障模式、故障原因、故障影响因素的信息数据;通过聚类方法对通过信息采集技术获取到的信息数据进行分类,并进行相关性分析,挖掘潜在的关联关系;通过信息数据在关联过程的数据影响特征,识别出非常规的数据和/或找到非常规离散点的数据进行统计分析。
在本申请的一些实施例中,上述还包括:通过测试设备的状态参数、采集和分析故障征兆数据,在故障发生前,对可能发生故障的原因和部位进行故障预测,其中,通过数据驱动进行故障预测,和/或,通过仿真和/或实验获取数据,对已有的产品建立寿命模型进行预测。
在本申请的一些实施例中,上述通过数据驱动进行故障预测还包括:基于数据驱动的故障预测是通过数据采集、特征提取、趋势预测,进行故障识别的过程,即,通过数据采集完成预测样本数据准备、通过对预测样本数据的特征提取完成预测模型的训练,最后进行故障趋势预测。
在本申请的一些实施例中,上述还包括:对***整体及各设备的可靠性水平进行分析评估,预测设备的剩余寿命,结合外界运行环境可能带来的多种风险因素,有针对性地采取差异化的防护措施,其中,对***整体及各设备的可靠性水平进行分析评估的方法包括解析法、蒙特卡罗法和混合法。
在本申请的一些实施例中,上述解析法包括:根据***元件之间的功能关系搭建可靠性模型,综合所有故障状态,并对故障状态进行分析,最终得到可靠性指标。
在本申请的一些实施例中,上述蒙特卡罗法包括:通过随机抽样赋予***各个元件随机的运行状态,在运用概率统计方法计算出所需要的可靠性指标。
在本申请的一些实施例中,上述混合法包括:利用蒙特卡罗法模拟***各个元件的随机运行状态,然后利用解析法计算得到各个状态的平均持续时间,代替了原先需要的对状态时间的抽样,从而在减少解析法的运算量的同时,减少了蒙特卡罗法的迭代收敛时间。
在本申请的一些实施例中,上述还包括:利用灰色理论中的三角白化权函数对项目的技术风险进行评估,把明确或整体信息不足的灰色***白化处理,以便根据较少的信息得出正确的风险评估结果。
第二方面,本申请实施例提供一种基于预测模型的牵引变电所关键设备故障预警***,其包括主要统计量统计分模块,用于通过信息采集技术获取供变电关键设备信息、故障类别、故障模式、故障原因、故障影响因素的信息数据;
相关性分析模块,用于通过聚类方法对通过信息采集技术获取到的信息数据进行分类,并进行相关性分析,挖掘潜在的关联关系;
时间回归分析模块,用于通过信息数据在关联过程的数据影响特征,识别出非常规的数据和/或找到非常规离散点的数据进行统计分析;
故障预测模块,用于通过测试设备的状态参数、采集和分析故障征兆数据,在故障发生前,对可能发生故障的原因和部位进行故障预测,其中,通过数据驱动进行故障预测,和/或,通过仿真和/或实验获取数据,对已有的产品建立寿命模型进行预测;
可靠性分析模块,用于对***整体及各设备的可靠性水平进行分析评估,预测设备的剩余寿命,结合外界运行环境可能带来的多种风险因素,有针对性地采取差异化的防护措施,其中,对***整体及各设备的可靠性水平进行分析评估的方法包括解析法、蒙特卡罗法和混合法;
风险评估模块,用于利用灰色理论中的三角白化权函数对项目的技术风险进行评估,把明确或整体信息不足的灰色***白化处理,以便根据较少的信息得出正确的风险评估结果。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如一种基于预测模型的牵引变电所关键设备故障预警方法中任一项的方法。
相对于现有技术,本申请的实施例至少具有如下优点或有益效果:
可以将目前的铁路供电的被动运维转化为主动运维,通过研究牵引变电所关键设备故障预警预测方法,实现牵引供变电关键设备的智能诊断与自主化综合状态评估,并根据设备状态制定检修决策。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种基于预测模型的牵引变电所关键设备故障预警方法步骤示意图;
图2为本申请实施例提供的一种基于预测模型的牵引变电所关键设备故障预警***模块示意图;
图3为本申请实施例提供的一种电子设备。
图标:101-存储器;102-处理器;103-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
机器学习算法的重要理论基础是经典的统计学,它的主要研究内容是样本数目趋于无穷大时的渐进理论。然而,实际问题中样本数往往是有限的,而且这些样本的内在相关性是不知道的,一般情况下获取额外的样本的花费是很高的。因此,人们用基于样本数目趋于无穷大时的渐进理论设计的机器学习算法,在解决样本数有限的实际问题时显得力不从心。特别是,当样本数目有限而且样本空间的维数极高时(如几千维、几十万维),基于经典统计学的机器学习方法更是束手无策。
20世纪90年代中期,Vapnik和他领导的AT&TBell实验室小组提出了基于统计学习理论、核函数映射理论的支持向量机(supportvectormachine,SVM)学习算法,这是一种典型的小样本机器学习算法,它一经提出便以其卓越的理论性能、良好的泛化性能引起了机器学习领域研究者的广泛关注。
请参阅图1,图1为本申请实施例提供的一种基于预测模型的牵引变电所关键设备故障预警方法步骤示意图,其如下所示:
步骤S100,通过信息采集技术获取供变电关键设备信息、故障类别、故障模式、故障原因、故障影响因素的信息数据;
在一些实施方式中,主要统计量包括故障数量、参数异常数量、***功能降低/不能工作状态数量、故障率、首次故障时间、故障间隔时间、中断供电时间、修复率、故障修复时间等。
以动车组为例,借助信息采集技术能够将动车组整个生命周期内的运行状态、故障信息以及维修情况及时完整地记录下来。这些信息为动车组故障的诊断提供依据,通过对故障信息的统计分析,为动车组修程修制的优化、售后备件种类和数量的优化、动车组设备的正常运行提供帮助。通过对故障信息的宏观统计分析,工作人员不仅可以获取故障多发的时间、多发的线路、多发的设备,还可以获取主要的故障模式、故障原因、故障影响因素等。对故障信息的深度统计分析,可以优化设备的维修间隔期、调整各级别修程的维修内容、合理调配维修资源。
在一些实施方式中,可以明确供变电关键设备(牵引变压器、高压断路器、气体绝缘金属封闭开关设备(GIS)、避雷器、高压电缆、互感器等)以及故障类别,通过运维管理单位或有关部门获取必要的采集数据。
步骤S110,通过聚类方法对通过信息采集技术获取到的信息数据进行分类,并进行相关性分析,挖掘潜在的关联关系;
在一些实施方式中,相关性分析包括各类监测检测数据、故障数据、维修数据、监测数据在不同时段、不同区段的相关性分析功能等,例如,采用聚类方法对数据进行分类,挖掘潜在的关联关系。
步骤S120,通过信息数据在关联过程的数据影响特征,识别出非常规的数据和/或找到非常规离散点的数据进行统计分析;
在一些实施方式中,时间回归分析是指:在指定的铁路线内,不同工况和环境参数条件下,提供时间回归功能,能够判断数据的变化趋势,可使用户根据趋势明确相应表征参数或设备故障频度的演变情况,为故障预警提供依据。
在一些实施方式中,获取历史数据,与此同时,寻找影响数据的参数,使用专业的数据软件如SPSS,采取关联分析法,利用数据参数的关联过程的数据影响特征,辨认出非常规的数据,或利用公式计算找到非常规离散点的数据。当所获取数据量不足时,可采用SVM算法弥补数据不足而常规机器学习又无法处理的影响;亦可构建改进的灰关联分析模型。
故障预警是根据故障预测模型及预警阈值,对关键部件自动给出预警信息,并以弹出文字窗口、声光报警等方式提醒值班人员。在设备故障的早期或故障处于潜伏期时,及时发现故障隐患,准确预测出故障未来的发展趋势,在故障后果表现之前及时进行预警并排除故障。需要调研了解故障预警的实际工作方式、当前故障预测的模型以及预警的阈值如何确定。
步骤S130,通过测试设备的状态参数、采集和分析故障征兆数据,在故障发生前,对可能发生故障的原因和部位进行故障预测,其中,通过数据驱动进行故障预测,和/或,通过仿真和/或实验获取数据,对已有的产品建立寿命模型进行预测;
在一些实施方式中,不同的故障征兆可由不同的故障部位或原因产生,故障征兆与故障原因或部位之间存在着某种线性或非线性的映射关系。运用推理方法或适用的模型来描述这种映射关系,通过测试设备的状态参数、采集和分析故障征兆数据,在故障发生前,对可能发生故障的原因和部位进行预测,即形成故障预测与健康管理技术。
在一些实施方式中,故障预测可通过两种途径实现:一种是基于已有的产品寿命模型进行预测,一种是基于历史数据建立模型进行预测。前者可以仿真或者实验获取数据,而后者则可以通过有着较广泛应用的数据驱动来实现,即数据采集、特征提取、趋势预测、故障识别的过程:
在一些实施方式中,产品的实际运用很难得到全寿命周期的特性数据,因此如需得到较为完整周期的模型,有仿真和实验2种方法获取数据。仿真的成本较低,可以通过仿真实现多种故障注入的验证,由此获得产品不同的响应特性数据。
仿真的局限性在于其研究成果很大程度上依赖于模型的精确程度以及对于产品失效机理的理解深度,目前应用比较广泛的是采用可靠性实验技术开展一定样本量的产品加速寿命实验,实时监测全实验过程的产品性能退化特征,利用基于相似性建模的方法进行故障预测,常用的加速寿命实验模型有温度加速模型、温湿度加速模型。
在一些实施方式中,基于数据驱动的预测是在了解和掌握***的运行状态及状态变化规律的基础上,根据一定的预测方法推测其状态的变化趋势,估计故障的传播、发展和***的性能劣化趋势,是进行事故预防、实现视情维修和健康管理的重要手段。其中基于数据驱动的故障预测方法主要利用设备的历史工作数据、故障注入数据以及仿真实验数据等,通过各种数据分析处理算法进行趋势预测,是目前应用比较广泛的预测方法。
基于数据驱动的故障预测是数据采集、特征提取、趋势预测、故障识别的过程,主要分为以下3个步骤:预测样本数据准备和预测模型训练、趋势预测和趋势预测。
步骤S140,对***整体及各设备的可靠性水平进行分析评估,预测设备的剩余寿命,结合外界运行环境可能带来的多种风险因素,有针对性地采取差异化的防护措施,其中,对***整体及各设备的可靠性水平进行分析评估的方法包括解析法、蒙特卡罗法和混合法;
在一些实施方式中,从长期运行的角度,对***整体及各设备的可靠性水平进行分析评估,预测设备的剩余寿命,结合外界运行环境可能带来的多种风险因素,有针对性地采取差异化的防护措施。可靠性分析中概率论和数理统计被频繁应用,故由此衍生出来的评估方法主要有解析法、模拟法、混合法等方法:
在一些实施方式中,解析法主要是根据***元件之间的功能关系搭建可靠性模型,综合所有故障状态,并对其进行分析,最终得到相关的可靠性指标。其优点是概念清晰、模型精度高。其缺点是当应用于较大***时,由于需要对所有故障状态一一列举分析,实现起来较为复杂困难。在实际应用当中,可以根据不同的实际情况,对原始解析法做相应的改进,从而达到减少工作量的目的。形成的新方法主要有最小割集法、最小路集法、状态空间截断法、网络等值法等。
在一些实施方式中,模拟法也可以称为蒙特卡洛法,其原理是通过随机抽样赋予***各个元件随机的运行状态,在运用概率统计等方法计算出所需要的可靠性指标。该方法相的优点是相对于解析法更加易于实现,可多应用于较复杂***。其缺点是计算收敛速度慢,误差较大。
在一些实施方式中,混合法的中心思想是首先利用蒙特卡罗法模拟***各个元件的随机运行状态,然后利用解析法计算得到各个状态的平均持续时间,代替了原先需要的对状态时间的抽样。此做法可以在减少解析法的运算量的同时,减少了蒙特卡罗法的迭代收敛时间。④人工智能法。
在一些实施方式中,对大量不同类型元件的故障数据的研究表明,元件故障率曲线呈浴盆形状,故可选择适当的概率分布(如指数分布、正态分布以及威布尔(Weibull)分布),如作为故障率曲线;在元件或设备的基础上采用解析法、模拟法或混合法中的一种,建立***级的可靠性。
步骤S150,利用灰色理论中的三角白化权函数对项目的技术风险进行评估,把明确或整体信息不足的灰色***白化处理,以便根据较少的信息得出正确的风险评估结果。
在一些实施方式中,为了提高故障诊断、剩余寿命预测和维修决策的智能化程度,采用了很多新的技术和方法,由于新技术缺少大量的历史数据作为评估依据,而大多依据人的经验、认识。因此,技术风险的评估就存在一定的“灰性”。
在一些实施方式中,明确评估内容;采取利用灰色理论中的三角白化权函数对项目的技术风险进行评估,以期把不甚明确、整体信息不足的灰色***尽可能地白化,以便根据较少的信息得出正确的评估结果。
还包括维修辅助决策:结合前述功能,综合制定出合理的维修策略,确定最佳维修周期、故障抢修的最佳时机与方式,以及各项状态阈值的选取。
在一些实施方式中,根据当前***的健康状态,从***的可靠性和维修成本出发,提供优化的维修决策参考。以总体维修成本最低和***整体可靠性最高为优化目标,通过优化综合检修周期、维修方式、人员配备、计划维修次数等参数,生成最优维修方案。
具体来讲,需要在前面研究内容的基础上,考虑维修活动中的多种动态性和随机性,考察维修活动在时间上的多尺度效应(如事故抢修的紧迫性、状态维修的实时性和定期维修的周期性等)和空间上的多尺度效应(如部件级、设备级、子***级、***级维修等),建立多因素、多尺度的时空联合决策模型,重点研究维修时间、维修周期、维修程度和维修方式等方面的决策问题;应用灵敏度分析方法、非线性数学规划方法以及多目标智能优化算法等研究维修决策变量的优化与最优组合问题;分析牵引供电***在维修活动中表现出的各项属性,合理分配其权重,形成维修影响因素集,并结合维修活动所要用到的备件、工具和工种等建立维修库,最终为每条结构、性能各异的牵引供电***提供一整套定制化的维修维护解决方案。通过辅助优化决策部分,项目组将提供通用算法程序和典型算例验证结果。
实施例2
请参阅图2,图2为本申请实施例提供的一种基于预测模型的牵引变电所关键设备故障预警***模块示意图,其如下所示:
主要统计量统计分模块,用于通过信息采集技术获取供变电关键设备信息、故障类别、故障模式、故障原因、故障影响因素的信息数据;
相关性分析模块,用于通过聚类方法对通过信息采集技术获取到的信息数据进行分类,并进行相关性分析,挖掘潜在的关联关系;
时间回归分析模块,用于通过信息数据在关联过程的数据影响特征,识别出非常规的数据和/或找到非常规离散点的数据进行统计分析;
故障预测模块,用于通过测试设备的状态参数、采集和分析故障征兆数据,在故障发生前,对可能发生故障的原因和部位进行故障预测,其中,通过数据驱动进行故障预测,和/或,通过仿真和/或实验获取数据,对已有的产品建立寿命模型进行预测;
可靠性分析模块,用于对***整体及各设备的可靠性水平进行分析评估,预测设备的剩余寿命,结合外界运行环境可能带来的多种风险因素,有针对性地采取差异化的防护措施,其中,对***整体及各设备的可靠性水平进行分析评估的方法包括解析法、蒙特卡罗法和混合法;
风险评估模块,用于利用灰色理论中的三角白化权函数对项目的技术风险进行评估,把明确或整体信息不足的灰色***白化处理,以便根据较少的信息得出正确的风险评估结果。
如图3所示,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中,应该理解到,所揭露的方法及***,也可以通过其它的方式实现。以上所描述的方法及***实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
另一方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种基于预测模型的牵引变电所关键设备故障预警方法及***,可以将目前的铁路供电的“被动”运维转化为“主动”运维,通过研究牵引变电所关键设备故障预警预测方法,实现牵引供变电关键设备的智能诊断与自主化综合状态评估,并根据设备状态制定检修决策。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,包括:
通过信息采集技术获取供变电关键设备信息、故障类别、故障模式、故障原因、故障影响因素的信息数据;
通过聚类方法对通过信息采集技术获取到的信息数据进行分类,并进行相关性分析,挖掘潜在的关联关系;
通过信息数据在关联过程的数据影响特征,识别出非常规的数据和/或找到非常规离散点的数据进行统计分析。
2.如权利要求1所述的一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,还包括:
通过测试设备的状态参数、采集和分析故障征兆数据,在故障发生前,对可能发生故障的原因和部位进行故障预测,其中,通过数据驱动进行故障预测,和/或,通过仿真和/或实验获取数据,对已有的产品建立寿命模型进行预测。
3.如权利要求2所述的一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,所述通过数据驱动进行故障预测还包括:
基于数据驱动的故障预测是通过数据采集、特征提取、趋势预测,进行故障识别的过程,即,通过数据采集完成预测样本数据准备、通过对预测样本数据的特征提取完成预测模型的训练,最后进行故障趋势预测。
4.如权利要求2所述的一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,还包括:
对***整体及各设备的可靠性水平进行分析评估,预测设备的剩余寿命,结合外界运行环境可能带来的多种风险因素,有针对性地采取差异化的防护措施,其中,对***整体及各设备的可靠性水平进行分析评估的方法包括解析法、蒙特卡罗法和混合法。
5.如权利要求4所述的一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,所述解析法包括:
根据***元件之间的功能关系搭建可靠性模型,综合所有故障状态,并对故障状态进行分析,最终得到可靠性指标。
6.如权利要求4所述的一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,所述蒙特卡罗法包括:
通过随机抽样赋予***各个元件随机的运行状态,在运用概率统计方法计算出所需要的可靠性指标。
7.如权利要求4所述的一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,所述混合法包括:
利用蒙特卡罗法模拟***各个元件的随机运行状态,然后利用解析法计算得到各个状态的平均持续时间,代替了原先需要的对状态时间的抽样,从而在减少解析法的运算量的同时,减少了蒙特卡罗法的迭代收敛时间。
8.如权利要求2所述的一种基于预测模型的牵引变电所关键设备故障预警方法,其特征在于,还包括:
利用灰色理论中的三角白化权函数对项目的技术风险进行评估,把明确或整体信息不足的灰色***白化处理,以便根据较少的信息得出正确的风险评估结果。
9.一种基于预测模型的牵引变电所关键设备故障预警***,其特征在于,包括:
主要统计量统计分模块,用于通过信息采集技术获取供变电关键设备信息、故障类别、故障模式、故障原因、故障影响因素的信息数据;
相关性分析模块,用于通过聚类方法对通过信息采集技术获取到的信息数据进行分类,并进行相关性分析,挖掘潜在的关联关系;
时间回归分析模块,用于通过信息数据在关联过程的数据影响特征,识别出非常规的数据和/或找到非常规离散点的数据进行统计分析;
故障预测模块,用于通过测试设备的状态参数、采集和分析故障征兆数据,在故障发生前,对可能发生故障的原因和部位进行故障预测,其中,通过数据驱动进行故障预测,和/或,通过仿真和/或实验获取数据,对已有的产品建立寿命模型进行预测;
可靠性分析模块,用于对***整体及各设备的可靠性水平进行分析评估,预测设备的剩余寿命,结合外界运行环境可能带来的多种风险因素,有针对性地采取差异化的防护措施,其中,对***整体及各设备的可靠性水平进行分析评估的方法包括解析法、蒙特卡罗法和混合法;
风险评估模块,用于利用灰色理论中的三角白化权函数对项目的技术风险进行评估,把明确或整体信息不足的灰色***白化处理,以便根据较少的信息得出正确的风险评估结果。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555933.6A CN116720324A (zh) | 2023-05-15 | 2023-05-15 | 基于预测模型的牵引变电所关键设备故障预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310555933.6A CN116720324A (zh) | 2023-05-15 | 2023-05-15 | 基于预测模型的牵引变电所关键设备故障预警方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720324A true CN116720324A (zh) | 2023-09-08 |
Family
ID=87865081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310555933.6A Pending CN116720324A (zh) | 2023-05-15 | 2023-05-15 | 基于预测模型的牵引变电所关键设备故障预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720324A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172431A (zh) * | 2023-11-03 | 2023-12-05 | 山东锦都食品有限公司 | 一种食品加工器械设备管理方法及*** |
CN117369392A (zh) * | 2023-11-17 | 2024-01-09 | 岳阳长炼机电工程技术有限公司 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103746370A (zh) * | 2013-12-20 | 2014-04-23 | 河海大学 | 一种风电场可靠性建模方法 |
CN104951654A (zh) * | 2015-06-05 | 2015-09-30 | 华南理工大学 | 基于控制变量抽样的大规模风电场可靠性评估方法 |
CN105071381A (zh) * | 2015-07-28 | 2015-11-18 | 天津大学 | 一种基于影响增量的状态枚举可靠性评估方法及其装置 |
CN105140973A (zh) * | 2015-09-30 | 2015-12-09 | 西安交通大学 | 一种考虑交流侧故障的高压直流输电***可靠性评估方法 |
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN109978415A (zh) * | 2019-04-15 | 2019-07-05 | 中国计量大学 | 基于层次灰色理论对电梯安全防护***的评估方法 |
CN110930072A (zh) * | 2019-12-12 | 2020-03-27 | 湖南铁路科技职业技术学院 | 一种牵引供电***的可靠性研究方法 |
CN111177881A (zh) * | 2019-11-27 | 2020-05-19 | 国网甘肃省电力公司电力科学研究院 | 含光热-光伏发电电力***随机生产模拟方法 |
CN112165120A (zh) * | 2020-10-12 | 2021-01-01 | 国网山东省电力公司潍坊供电公司 | 含分布式电源的主动配电网可靠性评估方法及*** |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测***和方法 |
CN114755515A (zh) * | 2022-03-31 | 2022-07-15 | 山东电工电气集团有限公司 | 一种基于数据挖掘的储能电站关键设备故障诊断预警方法 |
CN115034671A (zh) * | 2022-07-01 | 2022-09-09 | 国网河南省电力公司电力科学研究院 | 基于关联规则与聚类的二次***信息故障分析方法 |
CN115329530A (zh) * | 2022-06-29 | 2022-11-11 | 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)) | 一种基于自适应加点策略的结构混合渐变可靠性评估方法 |
CN115456410A (zh) * | 2022-09-15 | 2022-12-09 | 国网山东省电力公司泗水县供电公司 | 一种电网风险的评估方法及评估*** |
-
2023
- 2023-05-15 CN CN202310555933.6A patent/CN116720324A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103746370A (zh) * | 2013-12-20 | 2014-04-23 | 河海大学 | 一种风电场可靠性建模方法 |
CN104951654A (zh) * | 2015-06-05 | 2015-09-30 | 华南理工大学 | 基于控制变量抽样的大规模风电场可靠性评估方法 |
CN105071381A (zh) * | 2015-07-28 | 2015-11-18 | 天津大学 | 一种基于影响增量的状态枚举可靠性评估方法及其装置 |
CN105140973A (zh) * | 2015-09-30 | 2015-12-09 | 西安交通大学 | 一种考虑交流侧故障的高压直流输电***可靠性评估方法 |
CN105891629A (zh) * | 2016-03-31 | 2016-08-24 | 广西电网有限责任公司电力科学研究院 | 一种变压器设备故障的辨识方法 |
CN109978415A (zh) * | 2019-04-15 | 2019-07-05 | 中国计量大学 | 基于层次灰色理论对电梯安全防护***的评估方法 |
CN111177881A (zh) * | 2019-11-27 | 2020-05-19 | 国网甘肃省电力公司电力科学研究院 | 含光热-光伏发电电力***随机生产模拟方法 |
CN110930072A (zh) * | 2019-12-12 | 2020-03-27 | 湖南铁路科技职业技术学院 | 一种牵引供电***的可靠性研究方法 |
CN112165120A (zh) * | 2020-10-12 | 2021-01-01 | 国网山东省电力公司潍坊供电公司 | 含分布式电源的主动配电网可靠性评估方法及*** |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测***和方法 |
CN114755515A (zh) * | 2022-03-31 | 2022-07-15 | 山东电工电气集团有限公司 | 一种基于数据挖掘的储能电站关键设备故障诊断预警方法 |
CN115329530A (zh) * | 2022-06-29 | 2022-11-11 | 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)) | 一种基于自适应加点策略的结构混合渐变可靠性评估方法 |
CN115034671A (zh) * | 2022-07-01 | 2022-09-09 | 国网河南省电力公司电力科学研究院 | 基于关联规则与聚类的二次***信息故障分析方法 |
CN115456410A (zh) * | 2022-09-15 | 2022-12-09 | 国网山东省电力公司泗水县供电公司 | 一种电网风险的评估方法及评估*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172431A (zh) * | 2023-11-03 | 2023-12-05 | 山东锦都食品有限公司 | 一种食品加工器械设备管理方法及*** |
CN117172431B (zh) * | 2023-11-03 | 2024-01-19 | 山东锦都食品有限公司 | 一种食品加工器械设备管理方法及*** |
CN117369392A (zh) * | 2023-11-17 | 2024-01-09 | 岳阳长炼机电工程技术有限公司 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
CN117369392B (zh) * | 2023-11-17 | 2024-04-16 | 岳阳长炼机电工程技术有限公司 | 一种基于多参数逻辑关系的设备故障智能预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633855A (zh) | 一种桥梁健康状态检测与管养决策***及方法 | |
CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及*** | |
CN102208028A (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN105512448A (zh) | 一种配电网健康指数的评估方法 | |
Cheng et al. | A BRB-based effective fault diagnosis model for high-speed trains running gear systems | |
CN109800995A (zh) | 一种电网设备故障识别方法及*** | |
CN116862081B (zh) | 一种污染治理设备运维方法及*** | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
Wang et al. | Prognostics and health management system for electric vehicles with a hierarchy fusion framework: concepts, architectures, and methods | |
Zhang et al. | Improved GWO-MCSVM algorithm based on nonlinear convergence factor and tent chaotic mapping and its application in transformer condition assessment | |
Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
CN118037047A (zh) | 基于ai的矿山安全监控*** | |
CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
CN117689373A (zh) | 一种柔性直流牵引供电***能量路由器维护决策支持方法 | |
JP7062505B2 (ja) | 設備管理支援システム | |
Dunea et al. | Fuzzy inference systems for estimation of air quality index | |
Alsumaidaee et al. | Fault detection for medium voltage switchgear using a deep learning Hybrid 1D-CNN-LSTM model | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、***、设备及介质 | |
Pisica et al. | Feature selection filter for classification of power system operating states | |
CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
Diyang et al. | A reasoning approach-based pattern graph for analyzing the risk level of correlations among catenary components considering time distribution | |
Aizpurua et al. | Prognostics & health management methods & tools for transformer condition monitoring in smart grids | |
Gong et al. | State detection method of secondary equipment in smart substation based on deep belief network and trend prediction | |
CN117521084B (zh) | 一种复杂***的主动安全预警方法 |
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 |