CN117592383A - 一种设备健康寿命预测方法、***、设备及介质 - Google Patents
一种设备健康寿命预测方法、***、设备及介质 Download PDFInfo
- Publication number
- CN117592383A CN117592383A CN202410078181.3A CN202410078181A CN117592383A CN 117592383 A CN117592383 A CN 117592383A CN 202410078181 A CN202410078181 A CN 202410078181A CN 117592383 A CN117592383 A CN 117592383A
- Authority
- CN
- China
- Prior art keywords
- equipment
- value
- weight
- corrosion
- operation data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000036541 health Effects 0.000 title claims abstract description 55
- 238000005260 corrosion Methods 0.000 claims abstract description 65
- 230000007797 corrosion Effects 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 230000002285 radioactive effect Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 37
- 210000002569 neuron Anatomy 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 description 15
- 239000000463 material Substances 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 230000002378 acidificating effect Effects 0.000 description 8
- 229910000975 Carbon steel Inorganic materials 0.000 description 6
- 239000010962 carbon steel Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 5
- 238000011282 treatment Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 4
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- -1 hydrogen ions Chemical class 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 229910021645 metal ion Inorganic materials 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 239000002901 radioactive waste Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000976 Electrical steel Inorganic materials 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002927 high level radioactive waste Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 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
- 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
- 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)
- Evolutionary Computation (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)
- General Physics & Mathematics (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种设备健康寿命预测方法、***、设备及介质，涉及设备健康寿命预测领域，其技术方案要点是：获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。本发明较为准确的预测出了在不同运行条件下设备的健康使用寿命。
Description
技术领域
本发明涉及设备健康寿命预测领域，更具体地说，它涉及一种设备健康寿命预测方法、***、设备及介质。
背景技术
设备的健康使用寿命，主要受到以下几方面的因素的影响，具体如下：材质：设备的材质决定了它自身的耐用性和抗腐蚀能力，不同的材料在不同的介质环境下，使用寿命会有差异。介质：设备中的介质类型、浓度、温度等因素，对设备的腐蚀和磨损程度有很大的影响；不同的介质在不同的设备中的使用寿命也不同；例如酸性介质（如硫酸、盐酸等）通常会引起设备的酸性腐蚀。在酸性环境下，酸性介质中的氢离子（H+）与金属表面发生反应，导致金属离子溶解并释放出电子；这会导致设备表面产生腐蚀坑或腐蚀层，从而减少其机械强度和耐蚀性。一些中性介质（如水）对设备的腐蚀作用较小；然而，存在一些特定条件下，如氧含量较高、水中存在其他离子或有机物等，仍可能引起设备的腐蚀。环境：运营状态和维护保养的好坏也是直接影响设备使用寿命的因素，振动、温度、压力、湿度等环节变化。服役时间：一般情况下，随着服役时间的增长，服役时间会慢慢的老化，其贮藏的能力也在慢慢的减弱。放射性剂量：辐照会加速核废料设备在深地质处置中腐蚀速率，这与y射线辐射能够改变电极过程的性质有关，同时会破坏其动力学的平衡，此外晶格中的辐照损伤也是其因素之一。
上文叙述的影响因素，如材质、介质、环境、服役时间和放射性剂量等，会造成设备出现不同程度的腐蚀，但是不同材质的设备在不同的服役环境下，其腐蚀程度可能会发生相应的变化，从而导致设备的使用寿命发生变化，目前现有技术并未考虑不同运行条件下的影响因素对设备的健康使用寿命的影响，从而导致了设备的健康使用寿命的预测不够准确。
因此，如何较为准确地预测不同运行条件下设备的健康寿命是目前亟需解决的问题。
发明内容
本发明的目的是提供一种设备健康寿命预测方法、***、设备及介质，本发明较为准确的预测出了在不同运行条件下设备的健康寿命。
本发明的上述技术目的是通过以下技术方案得以实现的：
本发明的第一方面，提供了一种设备健康寿命预测方法，方法包括：
获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；
将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；
将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。
在一种实现方式中，预先构建好的所述腐蚀指标权重模型的构建过程具体为：从上到下建立包括目标层、准则层和方案层的腐蚀指标权重模型，其中目标层为影响设备腐蚀程度的权重因子，准则层为影响设备腐蚀程度的影响因素类型，方案层包括影响因素类型的影响因子。
在一种实现方式中，影响因素类型包括设备因素和服役环境因素；其中设备因素的影响因子包括设备的服役时间、pH值、压力和放射性剂量，服役环境因素的影响因子包括设备服役环境的温度和湿度。
在一种实现方式中，自组织映射神经网络的训练过程，包括：
根据第二指标权重的维度确定自组织映射神经网络输入层的神经元数量，根据第二指标权重的样本个数确定输出层的神经元数量，并初始化自组织映射神经网络的网络参数；其中网络参数包括神经元的权值矢量、学习率和领域函数；
将第二指标权重与历史运行数据的因子取值进行加权求和，得到综合指标权重，将综合指标权重作为训练样本，并计算出输出层的神经元与综合指标权重的欧式距离，根据欧式距离确定优胜神经元；
根据优胜神经元和最优领域对输入层与输出层的神经元的权值矢量进行更新，依据神经元的权值矢量的更新结果更新学习率和领域函数，直至迭代次数达到预设的迭代次数，保存当前迭代次数下的网络参数，获得训练完成的自组织映射神经网络。
在一种实现方式中，历史运行数据的因子取值具体为：pH值以7的差值进行线性递增分布取值；服役时间以设计使用年限线性递增分布取值；温度以60oC-80oC为峰值区间向外递减分布取值；压力以设备在空置的状态下至额定容量为线性递增分布取值；湿度以线性阶段分布取值。
在一种实现方式中，将设备的历史运行数据输入至腐蚀指标权重模型进行分析得到第二指标权重。
在一种实现方式中，将设备的历史运行数据输入至腐蚀指标权重模型进行分析得到第二指标权重之前，还包括：采用局部异常因子对历史运行数据进行处理，剔除异常数据点。
本发明的第二方面，提供了一种设备健康寿命预测***，***包括：
数据获取模块，用于获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；
分析模块，用于将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；
预测模块，用于将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。
本发明的第三方面，提供了一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如本发明的第一方面提供的一种设备健康寿命预测方法的步骤。
本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如本发明的第一方面提供的一种设备健康寿命预测方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明提供的一种设备健康寿命预测方法，该方法通过获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。本发明考虑不同的服役时间、pH值、温度、湿度、压力和放射性剂量对设备腐蚀程度的影响，分析出了实时运行数据影响设备的腐蚀程度的第一指标权重，将第一指标权重输入至预先训练好的自组织映射神经网络中，从而可以较为准确的预测出设备的健康使用寿命。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1示出了本发明实施例提供的一种设备健康寿命预测方法的流程示意图；
图2示出了本发明实施例提供的一种设备健康寿命预测***的原理框图；
图3示出了本发明实施例提供的一种电子设备的结构示意图。
附图中标记及对应的零部件名称：
210、数据获取模块，220、分析模块；230、预测模块；310、处理器；320、存储器；321、一个或多个程序；330、通信接口。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
需说明的是，可在本申请的各种实施例中使用的术语“包括”或“可包括”指示所申请的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本申请的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
需要理解的是，诸如术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本申请实施例的设备是指一种用于存储放射性废液的设备，即核废液处理设备，例如包括扬液器、管线、贮槽以及中转金属设备。设备的健康使用寿命，主要受到以下几方面的因素的影响，具体如下：材质：设备的材质决定了它的耐用性和抗腐蚀能力，不同的材料在不同的介质环境下，使用寿命会有差异，例如由硅钢制造而成的核废液处理设备是用于放置低放射性剂量的，这是由于碳钢具有较高的腐蚀速率，故而适合用于制造中、低放射性废物储罐。再例如，钛合金制造而成的核废液处理设备是用于放置高放射性剂量的设备，这是由于钛及其合金由于具有良好的长期耐蚀性，故而适合于高放废物的处置。介质：设备中的介质类型、浓度、温度等因素，对设备的腐蚀和磨损程度有很大的影响；不同的介质在不同的设备中的使用寿命也不同；酸性介质（如硫酸、盐酸等）通常会引起碳钢的酸性腐蚀。在酸性环境下，酸性介质中的氢离子（H+）与金属表面发生反应，导致金属离子溶解并释放出电子；这会导致碳钢表面产生腐蚀坑或腐蚀层，从而减少其机械强度和耐蚀性；碱性介质（如氢氧化钠、氨水等）对碳钢的腐蚀作用相对较小。一些中性介质（如水）对碳钢的腐蚀作用较小；然而，存在一些特定条件下，如氧含量较高、水中存在其他离子或有机物等，仍可能引起碳钢的腐蚀。环境：运营状态和维护保养的好坏也是直接影响设备使用寿命的因素，振动、温度、压力、湿度等环节变化。服役时间：一般情况下，随着服役时间的增长，服役时间会慢慢的老化，其贮藏的能力也在慢慢的减弱。放射性剂量：辐照会加速核废料设备在深地质处置中腐蚀速率，这与y射线辐射能够改变电极过程的性质有关，同时会破坏其动力学的平衡，此外晶格中的辐照损伤也是其因素之一。
上文叙述的影响因素，如材质、介质、环境、服役时间和放射性剂量等，会造成设备出现不同程度的腐蚀，但是不同材质的设备在不同的服役环境下，其腐蚀程度可能会发生相应的变化，从而导致设备的使用寿命发生变化，目前现有技术并未考虑运行条件下不同的影响因子对设备的健康使用寿命的影响，从而导致了设备的健康使用寿命的预测不够准确。
基于上文叙述的现有技术的不足之处，本发明实施例提供了一种设备健康寿命预测方法、***、设备及介质，该方法通过获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。本发明考虑不同的服役时间、pH值、温度、湿度、压力和放射性剂量对设备腐蚀程度的影响，分析出了实时运行数据影响设备的腐蚀程度的第一指标权重，将第一指标权重输入至预先训练好的自组织映射神经网络中，从而可以较为准确的预测出设备的健康使用寿命。
本申请实施例中，该一种设备健康寿命预测方法适用于电子设备或者服务器等，例如计算机、电脑等，其中，电子设备的操作***可包括但不限于Android操作***、IOS操作***、Synbian(塞班)操作***、BlackBerry(黑莓)操作***、WindowsPhone8操作***等等，本申请实施例不作限定。本申请实施例中，电子设备可以设置有用户界面(UserInterface，UI)、接口模块和处理器(centralprocessingunit，CPU)。
下面将对本申请实施例提供的一种设备健康寿命预测方法进行解释与说明，请参考图1，图1为本申请实施例提供的一种设备健康寿命预测方法的流程示意图，如图1所示，方法包括以下步骤：
S110，获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量。
在本实施例中，实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量，这些参量都可能会导致设备的腐蚀程度加剧。
需要理解的是，本实施例获取的实时运行数据可包含服役时间、pH值、温度、湿度、压力和放射性剂量的一种或者多种的任意组合，例如，实时运行数据包括服役时间、pH值、温度、湿度和压力，再例如，实时运行数据包括服役时间、pH值、温度、压力和放射性剂量。
S120，将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重。
本实施例中，预先构建好的所述腐蚀指标权重模型的构建过程具体为：从上到下建立包括目标层、准则层和方案层的腐蚀指标权重模型，其中目标层为影响设备腐蚀程度的权重因子，准则层为影响设备腐蚀程度的影响因素类型，方案层包括影响因素类型的影响因子。其中，影响因素类型包括设备因素和服役环境因素；其中设备因素的影响因子包括设备的服役时间、pH值、压力和放射性剂量，服役环境因素的影响因子包括设备服役环境的温度和湿度。
具体的，建立一个有效的腐蚀指标权重模型，列出影响腐蚀情况的各项准则或因素，比如设备的环境湿度、金属类型、放射性剂量、工作温度等；将目标、准则和方案按照层次关系构建成一个层次结构，形成层次分析的判据层和方案层，其中判据层包括目标和准则，方案层包括子准则；对每个层次内部的元素进行两两比较，使用专家判断或数据分析得出它们之间的相对重要性，得到一个两两比较的矩阵；通过计算两两比较矩阵的特征向量，得到每个层次内部元素的权重。然后，将这些权重传递到更高层次，最终计算出目标层的权重，即各准则对目标的相对重要性；进行一致性检验，确保两两比较矩阵的一致性，如果不满足一致性要求，则需要重新调整比较矩阵，直到满足一致性要求为止；根据各准则对目标的相对重要性，综合计算得出最终的腐蚀指标权重模型。
对于判断矩阵而言：对各个数据指标之间采用两两比较，以数字从1到9还有它的倒数作为比较标准，然后对评价指标进行打分排列，判断矩阵就是在这个基础上建立得出的。
本实施例对于综合权重的计算的过程为：通过算数平均法得出权重、几何平均法得出权重、特征值法取得权重，综合三个权重求和，再进行平均取值。
算数平均法：将判断矩阵按照列归一化；将归一化的列相加(按行求和)；将相加后得到的向量中的每个元素除以n即可得到权重向量。具体的，pH值为0.39253251，服役时间为0.0655761，压力为0.16241862，温度为0.23104683，湿度0.09185212，放射剂量0.05657382。
几何平均法是指将矩阵的元素按照行相乘得到一个新的列向量，再将新的向量的每个分量开n次方；对该列向量进行归一化即可得到权重向量。具体的，基于几何平均法计算出的参数的权重向量的数值具体为：pH值的权重向量为0.39595652，服役时间的权重向量为0.06159627，压力的权重向量为0.16240932，温度的权重向量为0.23423477，湿度的权重向量为0.09213488，放射剂量的权重向量为0.05366825。
特征值法是指求出矩阵的最大特征值以及其对应的特征向量，对求出的特征向量进行归一化即可得到权重向量。具体的，基于特征值法计算出的参数的权重向量的数值具体为：pH值的权重向量为0.39652712，服役时间的权重向量为0.06330336，压力的权重向量为0.16262187，温度的权重向量为0.23132833，湿度为0.09097733，放射剂量为0.05524199。
求综合平均权重是将上述三种方法得到的权重经过综合求平均数，得到最终的权重。具体的，pH值的权重向量为0.39500538，服役时间的权重向量为0.06349191，压力的权重向量为0.16248327，温度的权重向量为0.23220331，湿度的权重向量为0.09165478，放射剂量的权重向量为0.05516135。
一致性检验：计算特征值和特征向量；计算CI公式为(λmax - n) / (n - 1)，其中λmax是最大特征值，n 是判断矩阵的维度；根据判断矩阵的维度，查找对应的随机一致性指标RI；计算CR的公式为CI / RI；如果CR小于等于0.1，则认为判断矩阵具有合理的一致性。就本实施例而言，计算出的CR=0.03533290454342794，有合理的一致性。
S130，将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。
本实施例中，自组织映射神经网络的训练过程，包括：根据第二指标权重的维度确定自组织映射神经网络输入层的神经元数量，根据第二指标权重的样本个数确定输出层的神经元数量，并初始化自组织映射神经网络的网络参数；其中网络参数包括神经元的权值矢量、学习率和领域函数；将第二指标权重与历史运行数据的因子取值进行加权求和，得到综合指标权重，将综合指标权重作为训练样本，并计算出输出层的神经元与综合指标权重的欧式距离，根据欧式距离确定优胜神经元；根据优胜神经元和最优领域对输入层与输出层的神经元的权值矢量进行更新，依据神经元的权值矢量的更新结果更新学习率和领域函数，直至迭代次数达到预设的迭代次数，保存当前迭代次数下的网络参数，获得训练完成的自组织映射神经网络。
在一个实施例中，将设备的历史运行数据输入至腐蚀指标权重模型进行分析得到第二指标权重。
具体而言，自组织映射神经网络（Self-Organizing Map，SOM），自组织映射神经网络主要分为两个部分，即输入层和输出层。其中，输入层神经元数量n等于输入数据的维度，即每个神经元对应输入数据的一个特征。不同的自组织映射神经网络之间的区别主要表现在输出层，又被称为竞争层。出于对数据可视化的目的，自组织映射神经网络的输出层一般为一维或二维阵列，极少使用高维阵列。自组织映射神经网络的二维阵列主要有两种结构：矩形或六角形。输出层神经元之间全部实现侧抑制连接。通常，输出层神经元的数量多少决定了自组织映射神经网络对于输入数据的分类数和网络规模大小，它将直接影响训练过后的自组织映射神经网络的准确性和泛化能力。因此选择合适的输出层神经元个数进行自组织映射神经网络设计时需要仔细考虑的问题。就本实施例而言，由于指标权重含有pH值、服役时间、压力、温度、湿度、放射性剂量共计6个维度，因此输入层神经元数量为6。对于输出层神经元数量，本实施例以来确定于输出层神经元数量，I表示训练样本的个数。
由于自组织映射神经网络的训练过程是基于设备的历史运行数据来实现的，而设备的历史运行数据是典型的事件数据，主要由事件相关属性数据和事件发生时间构成，记录在不同时刻设备的状态情况。同时，通过历史运行数据也能够反映出设备的运行状况的变化，即设备的运行状态通常具有一定的暂态性。因此，为了解决设备的运行状态存在暂态性的问题，使用单条历史运行数据的因子取值（pH值、服役时间、压力、温度、湿度、放射剂量）和相应的权重（pH值为0.39500538，服役时间为0.06349191，压力为0.16248327，温度为0.23220331，湿度为0.09165478，放射剂量为0.05516135）来进行加权求和，即将第二指标权重与历史运行数据的因子取值进行加权求和，得到综合指标权重，从而解决因训练样本设备的运行状态存在暂态性的问题。进一步的一个实施例中，历史运行数据的因子取值具体为：pH值以7的差值进行线性递增分布取值；服役时间以设计使用年限线性递增分布取值；温度以60oC-80oC为峰值区间向外递减分布取值；压力以设备在空置的状态下至额定容量为线性递增分布取值；湿度以线性阶段分布取值。
其次，针对神经元的权值矢量可以使用随机数生成器生成一个在一定范围内的随机向量作为初始值。学习率在训练初期会设置为一个较大的值，以便神经元能够快速地对输入数据做出调整。随着训练的进行，学习率会逐渐减小。领域函数初始值通常是一个较大的值。上文提供的网络参数是自组织映射神经网络训练的公知技术，本实施例不对自组织映射神经网络的训练过程做详细解释。
本实施例考虑的是目前现有技术在采用自组织映射神经网络对进行寿命预测是以该设备的历史运行数据作为训练样本的，但此种方法无法学习到参量的具体影响程度，从而导致了寿命预测不准确。因此，本实施例首先通过一个腐蚀指标权重模型来对多个参量对设备的腐蚀程度影响的权重比例进行分析，从而确定出每个参量对设备的腐蚀程度的影响度，再此基础上还考虑设备的运行状态通常具有一定的暂态性，因此通过将指标权重与参量的因子取值进行加权求和，形成综合指标权重，从解决了设备的运行状态通常具有一定的暂态性的问题。
综合上文提供的实施例，可知，本发明实施例提供的一种设备健康寿命预测方法，考虑不同的服役时间、pH值、温度、湿度、压力和放射性剂量对设备腐蚀程度的影响，分析出了实时运行数据影响设备的腐蚀程度的第一指标权重，将第一指标权重输入至预先训练好的自组织映射神经网络中，从而可以较为准确的预测出设备的健康使用寿命。
在一些实施例中，将设备的历史运行数据输入至腐蚀指标权重模型进行分析得到第二指标权重之前，还包括：采用局部异常因子对历史运行数据进行处理，剔除异常数据点。
本实施例中，提出利用基于密度的异常数据检测方法，剔除历史运行数据中的异常数据，将密度较大的数据组成设备的正常运行数据集，局部异常因子是数据预处理领域比较常见的数据异常检测，因此本实施例不做多余的说明。
本发明还提供了一种设备健康寿命预测***，该***可用于执行本发明上文实施例叙述的的一种设备健康寿命预测方法。
请参阅图2，图2示出了本发明实施例提供的一种设备健康寿命预测***的原理框图，***包括：
数据获取模块210，用于获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；
分析模块220，用于将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；
预测模块230，用于将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。
本申请实施例中的一种设备健康寿命预测***，与上述图1所示的一种设备健康寿命预测方法是基于同一构思下的发明，通过上述对一种设备健康寿命预测方法的详细描述，本领域技术人员可以清楚的了解本实施例中的一种设备健康寿命预测***的实施过程，所以为了说明书的简洁，在此不再赘述。
相应地，本发明实施例提供的一种设备健康寿命预测***，本发明考虑不同的服役时间、pH值、温度、湿度、压力和放射性剂量对设备腐蚀程度的影响，分析出了实时运行数据影响设备的腐蚀程度的第一指标权重，将第一指标权重输入至预先训练好的自组织映射神经网络中，从而可以较为准确的预测出设备的健康使用寿命。
本发明再一个实施例中，还提供了一种电子设备，请参考图3，图3示出了本申请实施例提供的一种电子设备的结构示意图。其中，电子设备包括处理器310、存储器320、通信接口330和至少一个用于连接处理器310、存储器320、通信接口330的通信总线。存储器320包括但不限于是随机存储记忆体(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(PROM)或便携式只读存储器(CD-ROM)，该存储器320用于相关指令及数据。
通信接口330用于接收和发送数据。处理器310可以是一个或多个CPU，在处理器310是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。电子设备中的处理器310用于读取存储器320中存储的一个或多个程序321，执行以下操作：获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。
需要说明的是，各个操作的具体实现可以上述图1所示的方法实施例的相应描述，电子设备可以用于执行本申请上述方法实施例的设备健康寿命预测方法，在此不再具体赘述。
本发明再一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速 RAM 存储器，也可以是非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关设备健康寿命预测方法的相应步骤。本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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，本发明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。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种设备健康寿命预测方法，其特征在于，方法包括：
获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；
将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；
将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。
2.根据权利要求1所述的一种设备健康寿命预测方法，其特征在于，预先构建好的所述腐蚀指标权重模型的构建过程具体为：从上到下建立包括目标层、准则层和方案层的腐蚀指标权重模型，其中目标层为影响设备腐蚀程度的权重因子，准则层为影响设备腐蚀程度的影响因素类型，方案层包括影响因素类型的影响因子。
3.根据权利要求2所述的一种设备健康寿命预测方法，其特征在于，影响因素类型包括设备因素和服役环境因素；其中设备因素的影响因子包括设备的服役时间、pH值、压力和放射性剂量，服役环境因素的影响因子包括设备服役环境的温度和湿度。
4.根据权利要求1所述的一种设备健康寿命预测方法，其特征在于，自组织映射神经网络的训练过程，包括：
根据第二指标权重的维度确定自组织映射神经网络输入层的神经元数量，根据第二指标权重的样本个数确定输出层的神经元数量，并初始化自组织映射神经网络的网络参数；其中网络参数包括神经元的权值矢量、学习率和领域函数；
将第二指标权重与历史运行数据的因子取值进行加权求和，得到综合指标权重，将综合指标权重作为训练样本，并计算出输出层的神经元与综合指标权重的欧式距离，根据欧式距离确定优胜神经元；
根据优胜神经元和最优领域对输入层与输出层的神经元的权值矢量进行更新，依据神经元的权值矢量的更新结果更新学习率和领域函数，直至迭代次数达到预设的迭代次数，保存当前迭代次数下的网络参数，获得训练完成的自组织映射神经网络。
5.根据权利要求4所述的一种设备健康寿命预测方法，其特征在于，历史运行数据的因子取值具体为：pH值以7的差值进行线性递增分布取值；服役时间以设计使用年限线性递增分布取值；温度以60oC-80oC为峰值区间向外递减分布取值；压力以设备在空置的状态下至额定容量为线性递增分布取值；湿度以线性阶段分布取值。
6.根据权利要求4所述的一种设备健康寿命预测方法，其特征在于，将设备的历史运行数据输入至腐蚀指标权重模型进行分析得到第二指标权重。
7.根据权利要求6所述的一种设备健康寿命预测方法，其特征在于，将设备的历史运行数据输入至腐蚀指标权重模型进行分析得到第二指标权重之前，还包括：采用局部异常因子对历史运行数据进行处理，剔除异常数据点。
8.一种设备健康寿命预测***，其特征在于，***包括：
数据获取模块，用于获取设备的实时运行数据，其中实时运行数据包括服役时间、pH值、温度、湿度、压力和放射性剂量；
分析模块，用于将实时运行数据输入至预先构建好的腐蚀指标权重模型进行分析，获得服役时间、pH值、温度、湿度、压力和放射性剂量各自的第一指标权重；
预测模块，用于将第一指标权重输入至预先训练完成的自组织映射神经网络中，获得设备健康寿命的预测结果。
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如权利要求1至7中任一项所述的一种设备健康寿命预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1至7中任一项所述的一种设备健康寿命预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410078181.3A CN117592383B (zh) | 2024-01-19 | 2024-01-19 | 一种设备健康寿命预测方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410078181.3A CN117592383B (zh) | 2024-01-19 | 2024-01-19 | 一种设备健康寿命预测方法、***、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117592383A true CN117592383A (zh) | 2024-02-23 |
| CN117592383B CN117592383B (zh) | 2024-03-26 |
Family
ID=89920540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410078181.3A Active CN117592383B (zh) | 2024-01-19 | 2024-01-19 | 一种设备健康寿命预测方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117592383B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776855A (zh) * | 2018-04-17 | 2018-11-09 | 中国电力科学研究院有限公司 | 一种智能设备健康状态评价方法及*** |
| CN112200327A (zh) * | 2020-10-14 | 2021-01-08 | 北京理工大学 | 一种mes设备维护预警方法及*** |
| CN112816884A (zh) * | 2021-03-01 | 2021-05-18 | 中国人民解放军国防科技大学 | 卫星锂离子电池的健康状态监测方法、装置和设备 |
| CN112834841A (zh) * | 2020-12-30 | 2021-05-25 | 北京爱康宜诚医疗器材有限公司 | 红外相机的寿命的检测方法、检测装置和处理器 |
| CN114444972A (zh) * | 2022-02-24 | 2022-05-06 | 湖南大学 | 基于图神经网络的电力变压器健康状态评估方法 |
| CN114638164A (zh) * | 2022-03-21 | 2022-06-17 | 西安热工研究院有限公司 | 一种预测电站压力管道高温蠕变寿命的方法 |
| CN115271238A (zh) * | 2022-08-10 | 2022-11-01 | 广东电网有限责任公司 | 一种变压器的寿命预测方法及装置 |
| CN115470717A (zh) * | 2022-10-31 | 2022-12-13 | 四川工程职业技术学院 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
| CN115587527A (zh) * | 2022-08-31 | 2023-01-10 | 广东邦普循环科技有限公司 | 电池寿命预测方法、***、终端设备及计算机可读介质 |
| CN116087670A (zh) * | 2023-03-28 | 2023-05-09 | 上海擎测机电工程技术有限公司 | 一种ar设备连接温振传感器分析设备状态的方法与*** |
| CN116124460A (zh) * | 2022-12-26 | 2023-05-16 | 江西理工大学 | 一种基于健康指标构建的轴承寿命预测方法及*** |
| CN116796617A (zh) * | 2022-03-14 | 2023-09-22 | 中国科学院沈阳自动化研究所 | 基于数据标识的滚动轴承设备剩余寿命预测方法及*** |
| US20230419109A1 (en) * | 2022-06-27 | 2023-12-28 | Nec Corporation | Method of learning neural network, recording medium, and remaining life prediction system |
-
2024
- 2024-01-19 CN CN202410078181.3A patent/CN117592383B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108776855A (zh) * | 2018-04-17 | 2018-11-09 | 中国电力科学研究院有限公司 | 一种智能设备健康状态评价方法及*** |
| CN112200327A (zh) * | 2020-10-14 | 2021-01-08 | 北京理工大学 | 一种mes设备维护预警方法及*** |
| CN112834841A (zh) * | 2020-12-30 | 2021-05-25 | 北京爱康宜诚医疗器材有限公司 | 红外相机的寿命的检测方法、检测装置和处理器 |
| CN112816884A (zh) * | 2021-03-01 | 2021-05-18 | 中国人民解放军国防科技大学 | 卫星锂离子电池的健康状态监测方法、装置和设备 |
| CN114444972A (zh) * | 2022-02-24 | 2022-05-06 | 湖南大学 | 基于图神经网络的电力变压器健康状态评估方法 |
| CN116796617A (zh) * | 2022-03-14 | 2023-09-22 | 中国科学院沈阳自动化研究所 | 基于数据标识的滚动轴承设备剩余寿命预测方法及*** |
| CN114638164A (zh) * | 2022-03-21 | 2022-06-17 | 西安热工研究院有限公司 | 一种预测电站压力管道高温蠕变寿命的方法 |
| US20230419109A1 (en) * | 2022-06-27 | 2023-12-28 | Nec Corporation | Method of learning neural network, recording medium, and remaining life prediction system |
| CN115271238A (zh) * | 2022-08-10 | 2022-11-01 | 广东电网有限责任公司 | 一种变压器的寿命预测方法及装置 |
| CN115587527A (zh) * | 2022-08-31 | 2023-01-10 | 广东邦普循环科技有限公司 | 电池寿命预测方法、***、终端设备及计算机可读介质 |
| CN115470717A (zh) * | 2022-10-31 | 2022-12-13 | 四川工程职业技术学院 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
| CN116124460A (zh) * | 2022-12-26 | 2023-05-16 | 江西理工大学 | 一种基于健康指标构建的轴承寿命预测方法及*** |
| CN116087670A (zh) * | 2023-03-28 | 2023-05-09 | 上海擎测机电工程技术有限公司 | 一种ar设备连接温振传感器分析设备状态的方法与*** |
Non-Patent Citations (5)
| Title |
|---|
| MAHMOUD SHAHBAZI等: "A Reliability-Optimized Maximum Power Point Tracking Algorithm Utilizing Neural Networks for Long-Term Lifetime Prediction for Photovoltaic Power Converters", 《ENERGIES》, vol. 16, no. 16, 1 August 2023 (2023-08-01), pages 1 - 24 * |
| YUNLONG HAN等: "Remaining Useful Life Prediction of Lithium-Ion Batteries by Using a Denoising Transformer-Based Neural Network", 《ENERGIES》, vol. 16, no. 17, 1 September 2023 (2023-09-01), pages 1 - 16 * |
| 李浩平等: "基于AGA-GRNN神经网络的刀具寿命预测研究", 《三峡大学学报(自然科学版)》, vol. 40, no. 06, 13 November 2018 (2018-11-13), pages 84 - 87 * |
| 郭佳: "基于神经网络和专家***的城镇煤气管道漏损分析与寿命预测", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑) 》, 15 September 2008 (2008-09-15), pages 038 - 565 * |
| 隋文涛等: "滚动轴承的退化状态划分与剩余寿命预测", 《机械设计与制造》, no. 12, 8 December 2022 (2022-12-08), pages 301 - 304 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117592383B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Su et al. | Performance improvement method of support vector machine‐based model monitoring dam safety | |
| WO2016179864A1 (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
| CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| Shittu et al. | A systematic review of structural reliability methods for deformation and fatigue analysis of offshore jacket structures | |
| CN114282309B (zh) | 一种基于多目标代理模型的静叶调节机构***可靠性分析方法 | |
| CN112989621B (zh) | 一种模型性能评价方法、装置、设备及存储介质 | |
| CN109165421B (zh) | 基于遗传算法优化bp神经网络的船舶轴系轴承负荷值预测方法 | |
| CN112101554A (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
| Jiménez‐Come et al. | Characterization of pitting corrosion of stainless steel using artificial neural networks | |
| CN111044926A (zh) | 质子交换膜燃料电池寿命预测方法 | |
| Antoniano‐Villalobos et al. | Which parameters are important? Differential importance under uncertainty | |
| Chen et al. | Principal component analysis based dynamic fuzzy neural network for internal corrosion rate prediction of gas pipelines | |
| CN116562120A (zh) | 一种基于rve的涡轮发动机***健康状况评估方法及装置 | |
| CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
| CN117592383B (zh) | 一种设备健康寿命预测方法、***、设备及介质 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN117390635A (zh) | 一种基于大数据分析的安全监测方法和*** | |
| Li et al. | A Deformation Prediction Model of High Arch Dams in the Initial Operation Period Based on PSR‐SVM‐IGWO | |
| Lin et al. | An explainable probabilistic model for health monitoring of concrete dam via optimized sparse bayesian learning and sensitivity analysis | |
| Wang et al. | Prediction Model of Corrosion Current Density Induced by Stray Current Based on QPSO‐Driven Neural Network | |
| Peters et al. | Does the scientific underpinning of regulatory tools to estimate bioavailability of nickel in freshwaters matter? The European‐wide environmental quality standard for nickel | |
| CN116359738A (zh) | 电池的健康状态监测方法、装置、设备及存储介质 | |
| Wang et al. | EMD copula based value at risk estimates for electricity markets | |
| CN112381380B (zh) | 航天器的***健康检测方法和装置 | |
| CN115101136A (zh) | 一种大型铝电解槽全局阳极效应预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |