CN117708508B - 隔离开关刀闸寿命预测方法、装置、设备及存储介质 - Google Patents
隔离开关刀闸寿命预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117708508B CN117708508B CN202410169175.9A CN202410169175A CN117708508B CN 117708508 B CN117708508 B CN 117708508B CN 202410169175 A CN202410169175 A CN 202410169175A CN 117708508 B CN117708508 B CN 117708508B
- Authority
- CN
- China
- Prior art keywords
- disconnecting link
- data
- data set
- feature
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 58
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 161
- 238000012549 training Methods 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 238000013135 deep learning Methods 0.000 claims description 24
- 238000006073 displacement reaction Methods 0.000 claims description 22
- 238000007499 fusion processing Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000005299 abrasion Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000000513 principal component analysis Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理的技术领域,公开了一种隔离开关刀闸寿命预测方法、装置、设备及存储介质。所述隔离开关刀闸寿命预测方法包括:对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;本发明***刀闸的寿命,有助于优化维护计划,减少突发故障的发生,降低维护成本和提高设备运行效率。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种隔离开关刀闸寿命预测方法、装置、设备及存储介质。
背景技术
在电力***中,隔离开关刀闸是一种关键的电气设备,它的可靠性和寿命对整个***的安全和稳定运行至关重要。隔离开关刀闸的寿命预测对于维护计划、故障预防和资源优化配置具有重要意义。传统上,隔离开关刀闸的寿命预测主要依赖于历史运行数据和经验判断,以及定期的物理检查。
目前,主要基于规律性的维护计划和周期性检查,通过物理检测和过去的维修记录来评估隔离开关刀闸的健康状况和剩余寿命。这些方法通常依赖于定期检查和设备历史使用情况的统计分析,缺乏对实时操作数据的深入分析和利用。现有技术的主要技术缺陷在于对隔离开关刀闸的运行状态和磨损状况缺乏实时监测和动态分析,这可能导致对设备寿命的预测不够精准,从而影响到设备的维护决策和可靠性。此外,传统方法在数据处理和特征分析方面的能力有限,无法充分挖掘和利用操作过程中生成的动态数据,从而影响了寿命预测的准确性和及时性。
因此,需要一种能够实时监测操作数据并进行深度分析的方法,以实现更准确和有效的隔离开关刀闸寿命预测。
发明内容
本发明提供了一种隔离开关刀闸寿命预测方法、装置、设备及存储介质,用于实现更准确和有效的隔离开关刀闸寿命预测。
本发明第一方面提供了一种隔离开关刀闸寿命预测方法,所述隔离开关刀闸寿命预测方法包括:
对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;其中,所述第一数据集包括操作数据,所述操作数据至少包括操作频率、操作力度、操作持续时间、操作次数;
对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;其中,所述第二数据集用于反映隔离开关刀闸的整体性能和磨损状况;
对所述第二数据集进行特征提取,得到对应的第一特征数据集,并对第一特征数据集进行操作特征综合表达,生成第二特征数据集;其中,所述第一特征数据集用于反映隔离开关刀闸的微小位移和振动模式的变化;第二特征数据集用于反映隔离开关刀闸的潜在故障;
对第一特征数据集进行向量转换,得到第一特征编码向量,对第二特征数据集进行向量转换,得到第二特征编码向量;基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量;
将目标特征编码向量输入到训练后的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据;其中,所述隔离开关刀闸寿命预测模型经过提前训练得到。
可选的,在本发明第一方面的第一种实现方式中,所述基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量,包括:
基于预设的第一稀疏规则算子,对所述第一特征编码向量进行第一稀疏化处理,得到第一稀疏权重矩阵;
基于预设的第二稀疏规则算子,对所述第二特征编码向量进行第二稀疏处理,得到第二稀疏权重矩阵;
基于预设的第一编码器,对第一稀疏权重矩阵进行转换,得到编码后的第一编码特征集合;
基于预设的第二编码器,对第二稀疏权重矩阵进行转换,得到编码后的第二编码特征集合;
基于预设的特征编码集合融合算法,将所述第一编码特征集合与所述第二编码特征集合进行编码集合融合处理,得到目标特征编码集合,并对所述目标特征编码集合进行向量转换,得到目标特征编码向量。
可选的,在本发明第一方面的第二种实现方式中,所述隔离开关刀闸寿命预测模型的训练过程,包括:
获取隔离开关刀闸的训练样本数据;
将训练样本数据输入到包含多个子模型的深度学习功能网络中进行分析;其中,所述包含多个子模型的深度学习功能网络包括动力特性分析子模型、电流特性判定子模型、结构稳定性评估子模型和热效应分析子模型;
通过动力特性分析子模型,比较隔离开关刀闸的实际动力表现与预定的基准,输出动力表现偏差;通过电流特性判定子模型,分析隔离开关刀闸的电流消耗水平,得到电流消耗指标;通过结构稳定性评估子模型,对隔离开关刀闸在运行中的稳定性进行量化描述,得到结构稳定性指标;通过热效应分析子模型,计算隔离开关刀闸在运行过程中产生和释放的热量,输出热效应指标;
在训练样本数据中提取预设的标准值;其中,所述标准值包括实际的动力表现偏差、实际的电流消耗等级、实际的结构稳定性指数及实际的热效应指标;
基于初始设置的深度学习功能网络的各子模型输出与预设的标准值间差异,计算偏差值;其中,所述偏差值包括预测与实际的动力偏离度之间的偏差值、预测与实际的电流消耗等级之间的偏差值、预测与实际的振动频率之间的偏差值、预测与实际的热量释放指标之间的偏差值;
通过预设的优化策略逐步调校初始设置的深度学习功能网络的各子模型的模型参数,使得偏差值缩小至最小,得到训练后的隔离开关刀闸寿命预测模型。
所述对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集,包括:
对隔离开关刀闸进行实时操作次数监测,并收集隔离开关刀闸操作过程中的操作频率、操作力度和操作持续时间;
对操作频率、操作力度和操作持续时间进行映射组合,得到隔离开关刀闸的动态数据;
对所述动态数据进行清洗和去噪处理,得到预处理后的动态数据;
对所述预处理后的动态数据进行标准化处理,得到第一数据集。
可选的,在本发明第一方面的第三种实现方式中,所述训练样本数据至少包括操作次数参数、电流参数、电压参数、温度参数。
本发明第二方面提供了一种隔离开关刀闸寿命预测装置,所述隔离开关刀闸寿命预测装置包括:
标准化处理模块,用于对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;
其中,所述第一数据集包括操作数据,所述操作数据至少包括操作频率、操作力度、操作持续时间、操作次数;
关联分析模块,用于对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;其中,所述第二数据集用于反映隔离开关刀闸的整体性能和磨损状况;
提取模块,用于对所述第二数据集进行特征提取,得到对应的第一特征数据集,并对第一特征数据集进行操作特征综合表达,生成第二特征数据集;其中,所述第一特征数据集用于反映隔离开关刀闸的微小位移和振动模式的变化;第二特征数据集用于反映隔离开关刀闸的潜在故障;
融合模块,用于对第一特征数据集进行向量转换,得到第一特征编码向量,对第二特征数据集进行向量转换,得到第二特征编码向量;基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量;
预测模块,用于将目标特征编码向量输入到训练后的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据;其中,所述隔离开关刀闸寿命预测模型经过提前训练得到。
本发明第三方面提供了一种隔离开关刀闸寿命预测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述隔离开关刀闸寿命预测设备执行上述的隔离开关刀闸寿命预测方法。
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中存储有指令,当其在计算机上运行时,使得计算机执行上述的隔离开关刀闸寿命预测方法。
本发明提供的技术方案中,有益效果:本发明提供一种隔离开关刀闸寿命预测方法、装置、设备及存储介质,通过对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;对所述第二数据集进行特征提取,得到对应的第一特征数据集,并对第一特征数据集进行操作特征综合表达,生成第二特征数据集;对第一特征数据集进行向量转换,得到第一特征编码向量,对第二特征数据集进行向量转换,得到第二特征编码向量;基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量;将目标特征编码向量输入到训练后的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据;本发明提供了一种实时监测刀闸操作次数和收集操作动态数据的手段,能够实时捕捉设备操作的关键性能参数,包括操作频率、操作力度、操作持续时间和操作次数,从而为寿命预测提供更为全面和及时的数据。通过对第一数据集进行深度关联分析和样本相关矩阵的计算,能够识别出与刀闸整体性能和磨损状况强相关的数据,这有助于减少无关数据的干扰,优化数据集,从而为特征提取和寿命预测提供了更为精确的基础。通过对第二数据集的特征提取和综合表达,能够捕捉到微小位移和振动模式变化的关键信息,这有助于早期识别刀闸的潜在故障和预测其寿命。
将第一特征数据集和第二特征数据集转换为编码向量并进行融合处理,结果得到目标特征编码向量,增强了特征表达的多维度性和综合性,提供了更为丰富的信息输入到寿命预测模型,进一步提升了模型的预测精度。输入训练后的隔离开关刀闸寿命预测模型进行剩余有效寿命预测,可以更精确地估算出刀闸的预期寿命,为维护决策提供了可靠的数据支持。
附图说明
图1为本发明实施例中隔离开关刀闸寿命预测方法的一个实施例示意图;
图2为本发明实施例中隔离开关刀闸寿命预测装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种隔离开关刀闸寿命预测方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中隔离开关刀闸寿命预测方法的一个实施例包括:
步骤101、对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;其中,所述第一数据集包括操作数据,所述操作数据至少包括操作频率、操作力度、操作持续时间、操作次数;
可以理解的是,本发明的执行主体可以为隔离开关刀闸寿命预测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,步骤101的具体实现如下:
对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据:
在隔离开关刀闸上安装传感器,用于实时监测刀闸的操作次数。传感器可以是压力传感器、位移传感器等,用于检测操作过程中的力度、位移等动态信息。通过这些传感器实时采集隔离开关刀闸的操作数据,包括操作次数、操作力度、操作持续时间等。
对所述动态数据进行标准化处理,得到第一数据集:
对收集的操作数据进行标准化处理,例如归一化、标准化等,使得不同类型的操作数据具有相同的量纲和分布特性。标准化处理能够更好地适应不同范围的操作数据,提高后续数据处理和分析的准确性和稳定性。得到的第一数据集包括标准化后的操作数据,其中至少包括操作频率、操作力度、操作持续时间、操作次数等操作特征。
对操作频率、操作力度等数据进行归一化处理,使得它们的数值范围在0到1之间,可以采用最小-最大归一化方法或Z-score标准化方法。
采集的操作数据可以使用压力传感器采集操作力度信息,位移传感器采集操作位移信息,计时器采集操作持续时间信息,从而得到多维度的动态操作数据;
步骤102、对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;其中,所述第二数据集用于反映隔离开关刀闸的整体性能和磨损状况;
具体的,步骤102的具体实现如下:
对所述第一数据集进行深度关联分析,计算各操作数据的线性相关程度,得到对应的样本相关矩阵结果:
进行深度关联分析,利用统计学方法或机器学习算法计算第一数据集中各个操作数据之间的线性相关程度。例如,可以使用相关系数来衡量不同操作数据之间的相关性,得到线性相关矩阵。相关矩阵能够反映出各操作数据之间的关联情况,对于分析操作数据之间的影响关系具有重要意义。
根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集:
基于样本相关矩阵结果,可以通过特征选择、降维等技术对第一数据集进行优化处理,筛选出与隔离开关刀闸整体性能和磨损状况相关的操作数据。该过程可以利用特征重要性评估、主成分分析等方法,从全面的操作数据中提取出与隔离开关刀闸状态变化紧密相关的特征,形成第二数据集。
在深度关联分析中采用Pearson相关系数来计算操作数据之间的线性相关程度,利用统计学方法获得相关系数矩阵。
在优化处理中,可以利用主成分分析(PCA)来提取与隔离开关刀闸整体性能和磨损状况相关的特征,实现对第一数据集的筛选和优化处理。
步骤103、对所述第二数据集进行特征提取,得到对应的第一特征数据集,并对第一特征数据集进行操作特征综合表达,生成第二特征数据集;其中,所述第一特征数据集用于反映隔离开关刀闸的微小位移和振动模式的变化;第二特征数据集用于反映隔离开关刀闸的潜在故障;
具体的,步骤103的具体实现如下:
对所述第二数据集进行特征提取,得到对应的第一特征数据集:
通过信号处理技术,对第二数据集中采集到的隔离开关刀闸的振动和微小位移数据进行特征提取。可以利用傅里叶变换、小波变换等方法从原始振动信号中提取频域特征、时域特征,如频谱形状、振幅、峰值、振动能量等。对于微小位移数据,可以提取波形特征、幅度特征等。提取的特征有助于反映隔离开关刀闸在振动和微小位移模式方面的变化情况。
对第一特征数据集进行操作特征综合表达,生成第二特征数据集:
将第一特征数据集中的振动特征和微小位移特征与操作数据进行综合表达,如利用时间窗口、时序拼接等方法将特征数据与操作数据进行结合。通过这种方式,可以形成第二特征数据集,其中操作特征与振动、位移特征相对应,反映了隔离开关刀闸的潜在故障情况。
在特征提取中,采用傅里叶变换提取振动信号的频域特征,小波变换提取微小位移信号的时域特征,如功率谱密度、包络线等。
在特征综合表达中,可以采用滑动窗口技术将振动特征与操作数据关联起来,形成第二特征数据集,以便更好地反映隔离开关刀闸的潜在故障。
步骤104、对第一特征数据集进行向量转换,得到第一特征编码向量,对第二特征数据集进行向量转换,得到第二特征编码向量;基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量;
具体的,具体的,步骤104的具体实现如下:
对第一特征数据集进行向量转换,得到第一特征编码向量:
使用技术如主成分分析(PCA)或自编码器(Autoencoder)等进行特征向量转换,将振动特征和微小位移特征转换为高维特征编码向量。例如,可以利用PCA对振动和微小位移特征进行降维处理,得到主成分特征编码向量,即第一特征编码向量。
对第二特征数据集进行向量转换,得到第二特征编码向量:
同样使用PCA或Autoencoder等技术,对第二特征数据集进行特征向量转换,得到对应的第二特征编码向量,将操作特征和振动位移特征转换为高维特征编码向量。
基于预设的特征编码向量融合算法,将第一特征编码向量与第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量:
基于预设的融合算法,可以采用线性加权、深度神经网络、卷积神经网络等方法,将第一特征编码向量和第二特征编码向量进行融合处理,得到目标特征编码向量。这个融合处理可以综合振动特征、微小位移特征和操作特征,生成特征编码向量。
在特征向量转换中,通过主成分分析(PCA)对振动特征和微小位移特征进行降维处理,得到高维主成分特征编码向量。
基于深度神经网络的融合算法,对第一特征编码向量和第二特征编码向量进行多层非线性映射和特征融合,最终得到目标特征编码向量。
步骤105、将目标特征编码向量输入到训练后的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据;其中,所述隔离开关刀闸寿命预测模型经过提前训练得到。
具体的,步骤105的具体实现如下:
将目标特征编码向量输入到经过提前训练的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据:
使用经过提前训练的机器学习模型,如支持向量机(SVM)、随机森林(RandomForest)、深度神经网络等,将目标特征编码向量输入到模型中进行预测。模型能够利用输入的特征编码向量和历史数据之间的关系,预测隔离开关刀闸的剩余有效寿命。经过训练的模型能够对未知样本进行有效的寿命预测。
将基于深度学习的循环神经网络(RNN)模型用于隔离开关刀闸寿命预测,将目标特征编码向量输入到训练后的RNN模型中,利用模型对时序特征和操作特征的理解,得到隔离开关刀闸的寿命预测结果。
本发明实施例中隔离开关刀闸寿命预测方法的另一个实施例包括:
所述基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量,包括:
基于预设的第一稀疏规则算子,对所述第一特征编码向量进行第一稀疏化处理,得到第一稀疏权重矩阵;
基于预设的第二稀疏规则算子,对所述第二特征编码向量进行第二稀疏处理,得到第二稀疏权重矩阵;
基于预设的第一编码器,对第一稀疏权重矩阵进行转换,得到编码后的第一编码特征集合;
基于预设的第二编码器,对第二稀疏权重矩阵进行转换,得到编码后的第二编码特征集合;
基于预设的特征编码集合融合算法,将所述第一编码特征集合与所述第二编码特征集合进行编码集合融合处理,得到目标特征编码集合,并对所述目标特征编码集合进行向量转换,得到目标特征编码向量。
具体的,重要的术语解释:
特征编码向量融合: 这是一种数据处理过程,其中将来自不同源或类型的特征编码向量合并成一个单一的综合向量。这种融合有助于提高数据表示的维度和信息量,使得后续的分析可以从更全面的角度进行。
稀疏化处理: 稀疏化处理是指通过某种算法减少数据向量中的非零元素数量的过程。这种处理方式可以提高数据处理的效率,减少存储空间的需求,并在某些情况下,还可以提高算法的运行速度。
稀疏权重矩阵: 在进行稀疏化处理后得到的矩阵,其大部分元素值为零。非零元素代表了数据中的关键特征或信息,这种矩阵在处理大规模数据时尤为有效,能减少计算和存储的负担。
编码器: 编码器是一个工具或算法,用于将输入数据(例如稀疏权重矩阵)转换成更高效或更适合后续处理的格式。编码器在数据预处理和特征提取阶段发挥着重要作用。
特征编码集合融合算法: 这是一种专门用于结合不同编码特征集合的算法,目的是创建一个更全面和综合的特征表示。这种融合有助于捕捉和表现数据的多个方面,从而为后续的分析和预测提供更为丰富的信息基础。
第一稀疏规则算子:这是在特征编码向量融合过程中使用的一种算子(即算法的一部分),专门用于对第一组特征编码向量进行稀疏化处理。它的目的是通过应用特定的规则或标准,将这些向量转换成稀疏格式,即减少向量中非零元素的数量。这种处理有助于提升数据处理效率和减少存储需求。
第二稀疏规则算子:与第一稀疏规则算子类似,这是另一个专门用于对第二组特征编码向量进行稀疏化处理的算子。它可能采用与第一稀疏规则算子不同的规则或方法,以适应第二组特征编码向量的特性。
目标特征编码集合:在完成第一和第二特征编码向量的稀疏化处理和编码后,这两组数据被融合处理。融合后的结果就是所谓的目标特征编码集合。这个集合结合了两组特征编码向量的信息,旨在提供一个更全面、更综合的特征表示,用于后续的分析和预测工作。
应用场景:
本技术方案主要应用于电气***中的隔离开关刀闸寿命预测。在这种场景下,通过收集和分析开关刀闸的运行数据,可以预测其未来的性能和潜在故障,从而提前进行维护或更换,以确保电力***的稳定和安全。特征编码向量融合方法能够综合考虑多种因素,如历史运行数据、环境条件、制造参数;具体步骤和方法如下:
数据收集和预处理:首先,收集隔离开关刀闸的运行数据,包括但不限于开关操作次数、电流和电压读数、环境温湿度数据等。对收集的数据进行预处理,包括数据清洗、去噪、标准化等,以确保数据质量。
特征提取与向量化:根据预先定义的参数和标准,从预处理后的数据中提取关键特征,如峰值电流、日均操作次数等。关键特征随后被转化为特征编码向量,准备进行后续的稀疏化处理。
应用稀疏规则算子进行稀疏化处理:
使用第一稀疏规则算子对第一特征编码向量进行处理,生成第一稀疏权重矩阵。
使用第二稀疏规则算子对第二特征编码向量进行处理,生成第二稀疏权重矩阵。
编码器处理:
第一编码器处理第一稀疏权重矩阵,得到编码后的第一编码特征集合。
第二编码器处理第二稀疏权重矩阵,得到编码后的第二编码特征集合。
特征编码集合融合:应用特征编码集合融合算法将第一编码特征集合与第二编码特征集合进行融合,生成目标特征编码集合。这一步骤是核心,它将两组不同的特征信息整合在一起,形成一个综合的特征表示。
向量转换:将目标特征编码集合进行向量转换,生成最终的目标特征编码向量。这一步骤是为了将融合后的特征转换成一种格式,以便于进行机器学习模型的训练和预测。
模型训练与寿命预测:使用机器学习算法(如支持向量机、随机森林、深度学习等)对目标特征编码向量进行训练,建立预测模型。然后,利用此模型对隔离开关刀闸的寿命进行预测,从而实现故障预测和预防性维护。
本发明实施例中,有益效果:本发明实施例通过特征编码向量融合算法,实现了第一特征编码向量和第二特征编码向量的有效融合,提高了特征表达的能力,能够更准确地描述隔离开关刀闸的状态和特征。通过稀疏化处理和编码器的转换,对特征编码集合进行融合处理,提高了对隔离开关刀闸寿命的预测准确性,增强了模型的判别能力和泛化能力。通过特征编码向量的融合处理,能够减少特征数据中的噪声和冗余信息,提高了模型的鲁棒性,使其能够更好地适应不同的工况和数据变化。通过特征编码向量的融合处理和向量转换,得到了目标特征编码向量,提高了预测模型的运行效率和性能,能够更快速地进行隔离开关刀闸寿命的预测和分析。
本发明实施例中隔离开关刀闸寿命预测方法的另一个实施例包括:
所述隔离开关刀闸寿命预测模型的训练过程,包括:
获取隔离开关刀闸的训练样本数据;
将训练样本数据输入到包含多个子模型的深度学习功能网络中进行分析;其中,所述包含多个子模型的深度学习功能网络包括动力特性分析子模型、电流特性判定子模型、结构稳定性评估子模型和热效应分析子模型;
通过动力特性分析子模型,比较隔离开关刀闸的实际动力表现与预定的基准,输出动力表现偏差;通过电流特性判定子模型,分析隔离开关刀闸的电流消耗水平,得到电流消耗指标;通过结构稳定性评估子模型,对隔离开关刀闸在运行中的稳定性进行量化描述,得到结构稳定性指标;通过热效应分析子模型,计算隔离开关刀闸在运行过程中产生和释放的热量,输出热效应指标;
在训练样本数据中提取预设的标准值;其中,所述标准值包括实际的动力表现偏差、实际的电流消耗等级、实际的结构稳定性指数及实际的热效应指标;
基于初始设置的深度学习功能网络的各子模型输出与预设的标准值间差异,计算偏差值;其中,所述偏差值包括预测与实际的动力偏离度之间的偏差值、预测与实际的电流消耗等级之间的偏差值、预测与实际的振动频率之间的偏差值、预测与实际的热量释放指标之间的偏差值;
通过预设的优化策略逐步调校初始设置的深度学习功能网络的各子模型的模型参数,使得偏差值缩小至最小,得到训练后的隔离开关刀闸寿命预测模型。
具体的,以下是上述实施例中每个重要术语的解释:
隔离开关刀闸: 隔离开关刀闸是一种电气装置,用于确保电路的安全隔离,以便进行检修或其他工作,它能够在无负载的情况下连接或断开电路。
训练样本数据: 训练样本数据是指用于训练机器学习模型的数据集。在这个场景中,它可能包括隔离开关刀闸的操作历史记录、故障记录、状态监控数据等。
深度学习功能网络: 这是一种复杂的机器学习模型,它利用多个层次的神经网络来学习数据的特征和模式。每个子模型可以看作是网络中的一个模块,专注于解决特定的问题。
动力特性分析子模型: 这个子模型用于分析和预测隔离开关刀闸的动力性能,如力矩、压力等,并将实际表现与预设基准进行比较。
电流特性判定子模型: 这个子模型专注于隔离开关刀闸中的电流特性,例如电流消耗水平,以评估其能效和运行状态。
结构稳定性评估子模型: 这个子模型通过量化方法评估隔离开关刀闸的结构稳定性,可能依赖于振动分析、材料疲劳等因素。
热效应分析子模型: 此子模型负责计算和分析隔离开关刀闸在操作过程中产生的热量以及热量对设备影响的分析,是设备寿命和可靠性分析的重要方面。
模型参数: 这是指深度学习功能网络中的权重和偏差等内部变量,这些参数通过训练过程进行调整以优化模型的性能。
优化策略: 优化策略是指用于改进深度学习功能网络性能的算法或技术。常见的优化策略包括梯度下降、随机梯度下降、动量法等。
偏差值: 在这个上下文中,偏差值是指模型预测输出与实际值之间的差异。减少这种偏差是训练过程中的主要目标。
在本实施例中,针对隔离开关刀闸寿命预测模型的训练和应用,提出了一套详细的技术方案。以下是该方案的详细步骤:
获取和准备训练样本数据:
收集隔离开关刀闸的历史运行数据,包括动力特性数据、电流读数、结构稳定性指标和热效应数据。
对数据进行预处理,包括清洗、归一化和必要的转换,以适应深度学习模型的输入要求。
构建深度学习功能网络:
设计一个包含多个子模型的网络结构,每个子模型负责分析特定类型的数据。
动力特性分析子模型专注于分析刀闸的机械运行特性。
电流特性判定子模型分析电流使用情况。
结构稳定性评估子模型对刀闸的结构完整性进行评估。
热效应分析子模型分析在运行过程中产生的热量及其对设备的影响。
模型训练:
将预处理后的训练样本数据输入到深度学习功能网络中。
让每个子模型根据其对应的数据类型进行学习和分析。
从数据中提取标准值作为训练基准。
通过对比子模型的输出和标准值,计算偏差值,并根据偏差进行反向传播和网络参数调整。
优化和调整模型:
利用优化策略(如梯度下降)不断调整模型参数,以减少预测值和实际值之间的偏差。
通过多次迭代,直至模型偏差最小化。
本发明实施例中,有益效果:通过综合分析隔离开关刀闸的动力特性、电流特性、结构稳定性及热效应,结合深度学习功能网络的强大分析能力,本技术方案大幅提高了对隔离开关刀闸寿命的预测准确性。这对于电力***的可靠运行和预防性维护至关重要。准确的寿命预测能够指导运维人员更有效地安排维护计划,从而降低维护成本和减少意外停机。这不仅节省了资源,还提高了整体运行效率。评估模型在预测隔离开关刀闸寿命方面的表现,确保其可靠性和准确性。
本发明实施例中隔离开关刀闸寿命预测方法的另一个实施例包括:所述对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集,包括:
对隔离开关刀闸进行实时操作次数监测,并收集隔离开关刀闸操作过程中的操作频率、操作力度和操作持续时间;
对操作频率、操作力度和操作持续时间进行映射组合,得到隔离开关刀闸的动态数据;
对所述动态数据进行清洗和去噪处理,得到预处理后的动态数据;
对所述预处理后的动态数据进行标准化处理,得到第一数据集。
具体的,重要术语的解释:
隔离开关刀闸: 电力***中用于分断和接通电路的一种开关设备。
实时操作次数监测: 对设备在实际操作过程中的操作次数进行实时监测和统计。
动态数据: 设备在操作过程中产生的实时数据,如操作频率、操作力度和操作持续时间等。
标准化处理: 将不同尺度和范围的数据转化为具有统一标准差和均值的数据的处理方法。
第一数据集: 经过动态数据收集、清洗、去噪和标准化处理后得到的第一阶段的数据集。
应用场景:
该技术方案适用于对隔离开关刀闸进行实时操作次数监测,并通过收集动态数据进行预处理和标准化处理,从而得到第一数据集。此技术可用于在现有寿命预测模型的基础上,增加对设备操作次数的监测和数据采集,进一步综合评估设备的使用情况,并提高寿命预测的准确性。
具体的实施例:
在实际应用中,通过对隔离开关刀闸进行实时操作次数监测,收集操作过程中的动态数据,如操作频率、操作力度和操作持续时间等。对收集到的动态数据进行清洗、去噪和标准化处理,得到第一数据集,并将其纳入到现有的隔禅开关刀闸寿命预测模型中作为额外的输入参数。
本发明实施例中,有益效果:本发明实施例通过增加对设备操作次数的监测和数据采集,将动态数据纳入寿命预测模型,可提供更全面的数据支撑,使得模型对设备使用情况的综合评估更为全面。动态数据可以反映设备在实际操作中的使用情况,将其加入到寿命预测模型中可以提高模型的准确性和可靠性,使得预测结果更符合实际情况。通过实时操作次数监测和动态数据收集,可以为设备维护和维修提供更多的参考依据,有助于优化维护计划和决策。
本发明实施例中隔离开关刀闸寿命预测方法的另一个实施例包括:
所述训练样本数据至少包括操作次数参数、电流参数、电压参数、温度参数。
上面对本发明实施例中隔离开关刀闸寿命预测方法进行了描述,下面对本发明实施例中隔离开关刀闸寿命预测装置进行描述,请参阅图2,本发明实施例中隔离开关刀闸寿命预测装置一个实施例包括:
标准化处理模块,用于对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;
其中,所述第一数据集包括操作数据,所述操作数据至少包括操作频率、操作力度、操作持续时间、操作次数;
关联分析模块,用于对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;其中,所述第二数据集用于反映隔离开关刀闸的整体性能和磨损状况;
提取模块,用于对所述第二数据集进行特征提取,得到对应的第一特征数据集,并对第一特征数据集进行操作特征综合表达,生成第二特征数据集;其中,所述第一特征数据集用于反映隔离开关刀闸的微小位移和振动模式的变化;第二特征数据集用于反映隔离开关刀闸的潜在故障;
融合模块,用于对第一特征数据集进行向量转换,得到第一特征编码向量,对第二特征数据集进行向量转换,得到第二特征编码向量;基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量;
预测模块,用于将目标特征编码向量输入到训练后的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据;其中,所述隔离开关刀闸寿命预测模型经过提前训练得到。
本发明还提供一种隔离开关刀闸寿命预测设备,所述隔离开关刀闸寿命预测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述隔离开关刀闸寿命预测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述隔离开关刀闸寿命预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元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,本发明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全部或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)执行本发明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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种隔离开关刀闸寿命预测方法,其特征在于,包括以下步骤:
对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;其中,所述第一数据集包括操作数据,所述操作数据至少包括操作频率、操作力度、操作持续时间、操作次数;
对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;其中,所述第二数据集用于反映隔离开关刀闸的整体性能和磨损状况;
对所述第二数据集进行特征提取,得到对应的第一特征数据集,并对第一特征数据集进行操作特征综合表达,生成第二特征数据集;其中,所述第一特征数据集用于反映隔离开关刀闸的微小位移和振动模式的变化;第二特征数据集用于反映隔离开关刀闸的潜在故障;
对第一特征数据集进行向量转换,得到第一特征编码向量,对第二特征数据集进行向量转换,得到第二特征编码向量;基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量;
将目标特征编码向量输入到训练后的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据;其中,所述隔离开关刀闸寿命预测模型经过提前训练得到;
所述基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量,包括:
基于预设的第一稀疏规则算子,对所述第一特征编码向量进行第一稀疏化处理,得到第一稀疏权重矩阵;
基于预设的第二稀疏规则算子,对所述第二特征编码向量进行第二稀疏处理,得到第二稀疏权重矩阵;
基于预设的第一编码器,对第一稀疏权重矩阵进行转换,得到编码后的第一编码特征集合;
基于预设的第二编码器,对第二稀疏权重矩阵进行转换,得到编码后的第二编码特征集合;
基于预设的特征编码集合融合算法,将所述第一编码特征集合与所述第二编码特征集合进行编码集合融合处理,得到目标特征编码集合,并对所述目标特征编码集合进行向量转换,得到目标特征编码向量;
所述隔离开关刀闸寿命预测模型的训练过程,包括:
获取隔离开关刀闸的训练样本数据;
将训练样本数据输入到包含多个子模型的深度学习功能网络中进行分析;其中,所述包含多个子模型的深度学习功能网络包括动力特性分析子模型、电流特性判定子模型、结构稳定性评估子模型和热效应分析子模型;
通过动力特性分析子模型,比较隔离开关刀闸的实际动力表现与预定的基准,输出动力表现偏差;通过电流特性判定子模型,分析隔离开关刀闸的电流消耗水平,得到电流消耗指标;通过结构稳定性评估子模型,对隔离开关刀闸在运行中的稳定性进行量化描述,得到结构稳定性指标;通过热效应分析子模型,计算隔离开关刀闸在运行过程中产生和释放的热量,输出热效应指标;
在训练样本数据中提取预设的标准值;其中,所述标准值包括实际的动力表现偏差、实际的电流消耗等级、实际的结构稳定性指数及实际的热效应指标;
基于初始设置的深度学习功能网络的各子模型输出与预设的标准值间差异,计算偏差值;其中,所述偏差值包括预测与实际的动力偏离度之间的偏差值、预测与实际的电流消耗等级之间的偏差值、预测与实际的振动频率之间的偏差值、预测与实际的热量释放指标之间的偏差值;
通过预设的优化策略逐步调校初始设置的深度学习功能网络的各子模型的模型参数,使得偏差值缩小至最小,得到训练后的隔离开关刀闸寿命预测模型。
2.根据权利要求1所述的隔离开关刀闸寿命预测方法,其特征在于,所述对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集,包括:
对隔离开关刀闸进行实时操作次数监测,并收集隔离开关刀闸操作过程中的操作频率、操作力度和操作持续时间;
对操作频率、操作力度和操作持续时间进行映射组合,得到隔离开关刀闸的动态数据;
对所述动态数据进行清洗和去噪处理,得到预处理后的动态数据;
对所述预处理后的动态数据进行标准化处理,得到第一数据集。
3.根据权利要求1所述的隔离开关刀闸寿命预测方法,其特征在于,其中,所述训练样本数据至少包括操作次数参数、电流参数、电压参数、温度参数。
4.一种隔离开关刀闸寿命预测装置,其特征在于,所述隔离开关刀闸寿命预测装置包括:
标准化处理模块,用于对隔离开关刀闸进行实时操作次数监测,并收集操作过程中的动态数据,对所述动态数据进行标准化处理,得到第一数据集;
其中,所述第一数据集包括操作数据,所述操作数据至少包括操作频率、操作力度、操作持续时间、操作次数;
关联分析模块,用于对所述第一数据集进行深度关联分析,计算所述第一数据集中各个操作数据的线性相关程度,得到对应的样本相关矩阵结果,并根据所述样本相关矩阵结果对第一数据集进行优化处理,筛选出隔离开关刀闸的第二数据集;其中,所述第二数据集用于反映隔离开关刀闸的整体性能和磨损状况;
提取模块,用于对所述第二数据集进行特征提取,得到对应的第一特征数据集,并对第一特征数据集进行操作特征综合表达,生成第二特征数据集;其中,所述第一特征数据集用于反映隔离开关刀闸的微小位移和振动模式的变化;第二特征数据集用于反映隔离开关刀闸的潜在故障;
融合模块,用于对第一特征数据集进行向量转换,得到第一特征编码向量,对第二特征数据集进行向量转换,得到第二特征编码向量;基于预设的特征编码向量融合算法,将所述第一特征编码向量与所述第二特征编码向量进行特征编码向量融合处理,得到目标特征编码向量;
预测模块,用于将目标特征编码向量输入到训练后的隔离开关刀闸寿命预测模型中,预测隔离开关刀闸的剩余有效寿命,得到隔离开关刀闸的预期寿命估算数据;其中,所述隔离开关刀闸寿命预测模型经过提前训练得到;
所述融合模块,具体用于:
基于预设的第一稀疏规则算子,对所述第一特征编码向量进行第一稀疏化处理,得到第一稀疏权重矩阵;
基于预设的第二稀疏规则算子,对所述第二特征编码向量进行第二稀疏处理,得到第二稀疏权重矩阵;
基于预设的第一编码器,对第一稀疏权重矩阵进行转换,得到编码后的第一编码特征集合;
基于预设的第二编码器,对第二稀疏权重矩阵进行转换,得到编码后的第二编码特征集合;
基于预设的特征编码集合融合算法,将所述第一编码特征集合与所述第二编码特征集合进行编码集合融合处理,得到目标特征编码集合,并对所述目标特征编码集合进行向量转换,得到目标特征编码向量;
所述隔离开关刀闸寿命预测模型的训练过程,包括:
获取隔离开关刀闸的训练样本数据;
将训练样本数据输入到包含多个子模型的深度学习功能网络中进行分析;其中,所述包含多个子模型的深度学习功能网络包括动力特性分析子模型、电流特性判定子模型、结构稳定性评估子模型和热效应分析子模型;
通过动力特性分析子模型,比较隔离开关刀闸的实际动力表现与预定的基准,输出动力表现偏差;通过电流特性判定子模型,分析隔离开关刀闸的电流消耗水平,得到电流消耗指标;通过结构稳定性评估子模型,对隔离开关刀闸在运行中的稳定性进行量化描述,得到结构稳定性指标;通过热效应分析子模型,计算隔离开关刀闸在运行过程中产生和释放的热量,输出热效应指标;
在训练样本数据中提取预设的标准值;其中,所述标准值包括实际的动力表现偏差、实际的电流消耗等级、实际的结构稳定性指数及实际的热效应指标;
基于初始设置的深度学习功能网络的各子模型输出与预设的标准值间差异,计算偏差值;其中,所述偏差值包括预测与实际的动力偏离度之间的偏差值、预测与实际的电流消耗等级之间的偏差值、预测与实际的振动频率之间的偏差值、预测与实际的热量释放指标之间的偏差值;
通过预设的优化策略逐步调校初始设置的深度学习功能网络的各子模型的模型参数,使得偏差值缩小至最小,得到训练后的隔离开关刀闸寿命预测模型。
5.一种隔离开关刀闸寿命预测设备,其特征在于,所述隔离开关刀闸寿命预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述隔离开关刀闸寿命预测设备执行如权利要求1-3中任一项所述的隔离开关刀闸寿命预测方法。
6.一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指令,其特征在于,所述指令被处理器执行时实现如权利要求1-3中任一项所述的隔离开关刀闸寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169175.9A CN117708508B (zh) | 2024-02-06 | 2024-02-06 | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410169175.9A CN117708508B (zh) | 2024-02-06 | 2024-02-06 | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708508A CN117708508A (zh) | 2024-03-15 |
CN117708508B true CN117708508B (zh) | 2024-04-30 |
Family
ID=90161137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410169175.9A Active CN117708508B (zh) | 2024-02-06 | 2024-02-06 | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708508B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
WO2022068587A1 (zh) * | 2020-09-30 | 2022-04-07 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测***及方法 |
CN114332769A (zh) * | 2021-12-30 | 2022-04-12 | 深圳市铁越电气有限公司 | 基于实时监控的变电站刀闸检测方法及*** |
CN115741235A (zh) * | 2022-11-28 | 2023-03-07 | 营口理工学院 | 基于五轴加工中心刀具的磨损预测与健康管理方法 |
CN116047286A (zh) * | 2023-03-03 | 2023-05-02 | 中国电建集团西北勘测设计研究院有限公司 | 一种高压开关设备机械寿命试验***及方法 |
DE102022213425A1 (de) * | 2021-12-23 | 2023-06-29 | Aktiebolaget Skf | Verfahren und Vorrichtung zum Evaluieren eines Gesundheitszustands eines Streichmessers einer Papierherstellungsmaschine und Rechenvorrichtung |
-
2024
- 2024-02-06 CN CN202410169175.9A patent/CN117708508B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021243838A1 (zh) * | 2020-06-03 | 2021-12-09 | 苏州大学 | 变工况下类内自适应轴承故障诊断方法 |
WO2022068587A1 (zh) * | 2020-09-30 | 2022-04-07 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测***及方法 |
DE102022213425A1 (de) * | 2021-12-23 | 2023-06-29 | Aktiebolaget Skf | Verfahren und Vorrichtung zum Evaluieren eines Gesundheitszustands eines Streichmessers einer Papierherstellungsmaschine und Rechenvorrichtung |
CN114332769A (zh) * | 2021-12-30 | 2022-04-12 | 深圳市铁越电气有限公司 | 基于实时监控的变电站刀闸检测方法及*** |
CN115741235A (zh) * | 2022-11-28 | 2023-03-07 | 营口理工学院 | 基于五轴加工中心刀具的磨损预测与健康管理方法 |
CN116047286A (zh) * | 2023-03-03 | 2023-05-02 | 中国电建集团西北勘测设计研究院有限公司 | 一种高压开关设备机械寿命试验***及方法 |
Non-Patent Citations (2)
Title |
---|
基于改进深度学习的刀闸状态识别方法研究;张骥;张金锋;朱能富;余娟;陈子亮;;电测与仪表;20180310(05);全文 * |
电动隔离开关状态监测及诊断***的研究;杨永雄;龚森;陈延秋;郑奕辉;;电力安全技术;20171215(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117708508A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paolanti et al. | Machine learning approach for predictive maintenance in industry 4.0 | |
CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
Xu et al. | Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing | |
CN116651971B (zh) | 一种汽车冲压模具在线检测方法及*** | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
CN117458955A (zh) | 电机的运行控制方法及*** | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及*** | |
CN116660761B (zh) | 一种锂离子电池检测方法及*** | |
CN117708508B (zh) | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 | |
Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
CN117498432A (zh) | 一种新能源电力***电能质量评估方法 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN115018120A (zh) | 基于健康指数的预测性维护方法、***及可读存储介质 | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
Rosli et al. | Application of Principle Component Analysis in Resolving Influential Factor Subject to Industrial Motor Failure | |
CN117691756B (zh) | 配电柜的安全预警管理方法及*** | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及*** | |
CN117972989B (zh) | 一种煤机设备的寿命预测方法及*** | |
Li et al. | An asynchronous gated recurrent network for estimating critical transition of bearing deterioration | |
CN117494071B (zh) | 基于电机转速监测的寿命预测方法及相关装置 | |
Zhang et al. | Construction of the tool health index of NC machine tool based on DTW algorithm | |
Wen et al. | An evidential similarity-based regression method for the prediction of equipment remaining useful life under complex conditions |
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 |