CN111325403B - 一种公路隧道机电设备剩余寿命预测方法 - Google Patents
一种公路隧道机电设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111325403B CN111325403B CN202010121710.5A CN202010121710A CN111325403B CN 111325403 B CN111325403 B CN 111325403B CN 202010121710 A CN202010121710 A CN 202010121710A CN 111325403 B CN111325403 B CN 111325403B
- Authority
- CN
- China
- Prior art keywords
- electromechanical equipment
- road tunnel
- life
- parameters
- model
- 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 42
- 239000013598 vector Substances 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 16
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 4
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 210000000299 nuclear matrix Anatomy 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种公路隧道机电设备剩余寿命预测方法，该方法采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，通过核主成分分析获得特征向量；将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测。本发明的方法提高了剩余寿命预测模型中输入量的精准性，从而提高了采用该模型进行剩余寿命预测时所获得的剩余寿命的精准性。
Description
技术领域
本发明属于公路交通机电设备领域，涉及公路隧道机电设备养护管理，具体涉及一种公路隧道机电设备剩余寿命预测方法。
背景技术
公路隧道的快速发展给道路交通安全带来了新的挑战，隧道行车安全性降低导致隧道段事故率高居不下，造成严重的人身伤亡和财产损失。公路隧道的智慧化监控和隧道内机电设备的管理不仅可以为隧道管理部门提供有效的数据支撑，提前预测机电设备的寿命来提高隧道的安全性，还可以及时进行有效维修，以最低的资源消耗获得最佳的维修效益，最大限度地发挥机电设备应有的效能。
目前，已有许多有效的模型与方法应用于公路隧道机电设备寿命预测的研究，早期的主要模型有基于随机系数回归模型、基于马尔可夫链模型、基于协变量风险模型、基于失效物理模型、基于卡尔曼滤波等。这些模型主要是通过对设备失效机理研究，依据选择的故障特征参数，评估设备的剩余寿命发布情况。随着机器学习技术的发展，越来越多依据人工智能技术的模型被提出，如支持向量机模型、灰色模型、BP神经网络模型、深度信念网络、卷积神经网络、循环神经网络等。这些模型依赖于系统的特性数据，在技术上产生了一定的效果，但是对于公路隧道机电设备具有间断性故障的情况，宜在定性分析机电设备故障原理的基础上，再采用定量的方法进行设备的剩余寿命预测。
现有模型和方法的局限：第一，公路隧道运营中存在“重建设，轻监控”的现象，各种监测基础设施完好率不高、故障频发，导致监测数据不完整，无法得到预测模型的输入参数。第二，现有方法未考虑温度、湿度等环境因素对机电设备剩余寿命的影响，导致预测结果存在一定的偏差。第三，公路隧道机电设备寿命不仅与退化性能参数有关，还与时间序列高度相关。
发明内容
针对上述现有技术的不足与缺陷，本发明的目的在于提供一种公路隧道机电设备剩余寿命预测方法，解决现有技术中剩余寿命预测结果偏差大的技术问题。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
一种公路隧道机电设备剩余寿命预测方法，该方法采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；
以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，通过核主成分分析获得特征向量；
将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测。
本发明还具有如下技术特征：
所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长。
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值。
所述的公路隧道机电设备故障率采用威布尔分布故障模型获得。
该方法具体按照以下步骤进行：
步骤一，公路隧道机电设备寿命特征数据集的获取：
采集公路隧道机电设备的内部状态参数数据和外部环境参数数据建立原始数据集，对原始数据集进行清洗和去噪，按固定时长步长对清洗后的数据进行分组，更新数据集，获得机电设备寿命特征数据集；
所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长；
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值；
步骤二，公路隧道机电设备故障率的确定：
建立符合公路隧道机电设备失效规律的威布尔分布故障模型，通过威布尔分布故障模型确定公路隧道机电设备故障率；
步骤三，公路隧道机电设备的内部状态参数的补偿：
采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；
步骤四，公路隧道机电设备寿命特征向量的构建：
以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，采用核主成分分析的无监督特征提取方法对分析对象进行筛选，获得能够表征公路隧道机电设备寿命的特征向量；
步骤五，基于循环神经网络的公路隧道机电设备寿命预测模型的建立：
所述的循环神经网络为长短期记忆网络，将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；
步骤六，采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测，公路隧道机电设备寿命预测模型的输入量为按照步骤一至步骤四的方法获得的特征向量，公路隧道机电设备寿命预测模型的输出量为公路隧道机电设备剩余寿命。
本发明与现有技术相比，具有如下技术效果：
(Ⅰ)本发明的方法采用外部环境参数对公路隧道机电设备的内部状态参数进行修正补偿，提高了剩余寿命预测模型中输入量的精准性，从而提高了经过训练后的模型本身的精准性和采用该模型进行剩余寿命预测时所获得的剩余寿命的精准性。
(Ⅱ)本发明的方法首次采用电压、电流、功率、振动、维修次数、构成复杂度和运行时长作为公路隧道机电设备的内部状态参数，采用温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值作为外部环境参数，本发明以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，通过核主成分分析获得特征向量，将特征向量作为长短期记忆网络的输入量，能进一步提高最终获得的剩余寿命的精准性。
(Ⅲ)本发明的方法建立了隧道机电设备运行环境状态参数采集模块和关键性能参数采集模块，实现公路隧道关键机电设备的在线监测与数据获取，得到完整的机电设备寿命预测的原始数据集。
(Ⅳ)本发明的方法构建了符合公路隧道机电设备失效规律的故障模型，定性地分析机电设备的寿命分布，将设备的运行状态时长转化为故障率作为主要特征参数，并结合其他相关特征参数构建公路隧道机电设备寿命预测特征向量。
(Ⅴ)本发明的方法采用核主成分分析的无监督特征提取方法对经过环境因素补偿处理过的特征参数进行有效筛选。
(Ⅵ)本发明的方法考虑公路隧道机电设备寿命具有时空相关性的特点，特提出基于循环神经网络的公路隧道的机电设备寿命预测方法，具有较好的可解释性和较高的精确度。
附图说明
图1为EQLC数据集样例。
图2为本发明基于灰色关联分析的公路隧道机电设备的内部状态参数的补偿流程示意图。
图3为本发明LSTM网络的训练流程示意图。
图4为本发明采用的LSTM网络层的结构示意图。
图5为PLC控制箱中的测量节点。
以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
本发明以隧道机电系统运营周期中实时获取的设备状态信息为依据，通过构建表征机电设备寿命分布特点的故障模型，将设备的运行状态时长转化为故障率作为主要特征参数，并结合其它相关特征参数构建机电设备寿命预测特征向量，进一步对机电设备的长期监测数据进行环境建模补偿与数据预处理，提取出表征机电设备寿命的特征因子作为预测模型的输入，机电设备的剩余寿命作为预测模型的输出，构建基于循环神经网络的公路隧道机电设备寿命预测模型。
机电设备寿命特征(Electromechanical Equipment Life Characteristics，简称EQLC)。
长短期记忆(Long Short-Term Memory,简称LSTM)网络。
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1：
本实施例给出一种公路隧道机电设备剩余寿命预测方法，该方法包括以下步骤：
步骤一，公路隧道机电设备寿命特征数据集的获取：
采集公路隧道机电设备的内部状态参数数据和外部环境参数数据建立原始数据集，对原始数据集进行清洗和去噪，按固定时长步长对清洗后的数据进行分组，更新数据集，获得机电设备寿命特征数据集；
所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长；
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值；
步骤一中，所述的公路隧道机电设备寿命特征数据集的具体获取过程如下：
步骤S1.1，根据交通运输部《公路养护工程管理办法》确定公路隧道中的关键设备，将关键设备作为剩余寿命预测的公路隧道机电设备；
所述的关键设备需要满足以下两个条件：条件一，设备的运行状态对隧道中的行车安全或者运营管理有着重要影响；条件二，关键设备的故障突发率比较高，排除隧道中设备状态长期变化不大的主要设备；
步骤S1.2，根据《公路工程机电设施标准汇编》确定公路隧道关键设备的内部状态参数，包括电压、电流、功率、振动和运行时长，状态参数指标可以反映机电设备的运行状态，为预测模型提供输入数据支持；
步骤S1.3，采集机电设备的外部环境参数，包括温度、湿度、风力数据；
步骤S1.4，针对步骤S1.2中提出的状态参数，建立机电设备状态参数采集模块，采用分工况进行原始监测数据的采集和历史监测数据的存储，得到不同工况下各关键设备的特征参数数据，结合设备外部环境参数数据，构成原始数据集；
步骤S1.5，对原始数据集进行清洗和去噪，采用时间序列数据处理方法，对获取的隧道机电设备运行状态数据进行无量纲化、矢量处理，更新EQLC数据集。
步骤二，公路隧道机电设备故障率的确定：
建立符合公路隧道机电设备失效规律的威布尔分布故障模型，通过威布尔分布故障模型确定公路隧道机电设备故障率；
威布尔分布故障模型不仅可以表征机电设备故障的特点，还可以将设备的运行状态时长转化为故障率作为主要特征参数。
步骤二中，公路隧道机电设备故障率的具体确定过程如下：
步骤S2.1，根据公路工程质量鉴定评定标准与高速公路维护合同，高速公路的维护阶段主要开展为的预防维护期。因此可以采取改进的威布尔分布曲线模型进行评估，改进威布尔分布缺陷期，维护期与设备模型的分布函数如下所示：
其中，t为时间，α为形状参数，η为尺度参数；
步骤S2.2，将上述分布函数对t进行求导，可以得到概率密度函数如下所示：
步骤S2.3，符合公路隧道机电设备的故障率函数如下所示：
其中，R为可靠度函数。
步骤S2.4，根据机电设备的历史数据，采用最小二乘估计法对上述威布尔模型的参数进行估计，得到可以表征机电设备故障特点的故障模型；
步骤S2.5，利用该机电设备故障模型，将设备的运行状态时长转化为故障率，定性的分析了机电设备寿命的大致发展趋势。将故障率作为机电设备预剩余寿命的主要特征参数，并结合其他参数构建公路隧道机电设备寿命预测特征向量。
步骤三，公路隧道机电设备的内部状态参数的补偿：
采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；
通过对关键设备的结构和构造机理进行分析，可以得到环境因素对机电设备特征参数的参考影响关系，从理论上删除机电设备中不会受环境因素影响的特征参数，这些特征参数不用进行环境因素补偿；
对于结构不完全明了、因素不完全明确的关键机电设备，设备的特征参数和环境因素之间的相关关系不完全清楚，需要采用灰色关联模型对各参数数据进行分析，衡量环境因素对测试参数数据的影响；
灰色关联模型的基本思想就是将系统中每个数列的离散值转换为连续曲线，通过比较序列连续几何曲线的相似程度判断联系是否紧密，几何曲线相似程度越高，相应序列之间的关联度就越大，反之就越小；
步骤三中，对公路隧道机电设备的内部状态参数进行补偿的具体过程如下，即采用上述灰色关联模型对机电设备特征参数数据进行环境因素特征分析。具体步骤如下：
步骤S3.1，选取一种关键设备并确定具体环境因素，对关键设备的各特征参数进行归一化处理与初值化变换；
步骤S3.2，以确定的环境因素数据作为参考序列，分别计算各测试数据相对环境因素的灰色关联度；
步骤S3.3，按照大小顺序对灰色关联度进行排序，找出关联度阈值的机电设备特征参数，说明环境因素对这些参数的影响很大，为了利用这些特征参数数据进行机电设备剩余寿命特征因子提取以及长期地进行性能评估与预测研究，需要进一步对这些参数进行环境因素补偿与建模；
步骤S3.4，针对上述的机电设备特征参数，根据环境因素及实测参数数据进行分析，采用一元线性回归模型对特征参数与环境因素进行最小二乘拟合，建立环境因素误差辨识模型，有效地消除了环境因素对机电设备特征参数的影响。
步骤四，公路隧道机电设备寿命特征向量的构建：
以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，采用核主成分分析的无监督特征提取方法对分析对象进行筛选，获得能够表征公路隧道机电设备寿命的特征向量；
步骤四中，所述的公路隧道机电设备寿命特征向量的具体构建过程如下：
由于公路隧道机电设备监测参数多且参数监测值之间会存在非线性相关性，为消除历史状态参数数据之间的非线性关联性，降低数据维度，采用核主成分分析(KPCA)的无监督特征提取方法对经过环境因素补偿处理过的特征参数进行有效筛选。KPCA方法关键在于利用非线性映射函数把具有关联性的数据集映射到了高维特征空间中，然后再进行传统主成分分析，并用核矩阵替代高维特征空间中内积矩阵；
核主成分分析计算流程如下：
步骤S4.1，设b为公路隧道机电设备监测数据样本总数，m为特征参数个数，通过分析选择符合要求的核函数，并根据核函数和样本矩阵求得对应的核矩阵H；
步骤S4.2，进一步对核矩阵进行中心化处理，中心化矩阵H的方法如下所示：
其中，I为b×b维的数值全为1的矩阵，
为经过处理后的核矩阵；
步骤S4.3，求
的特征值θω及相应的特征向量Lω(ω＝1,2,...,b)；
步骤S4.4，求φ的核主元向量lω，如下式所示：
其中，φ为映射到高维空间后的样本矩阵；
步骤S4.5，计算方差贡献率和累计贡献率：
其中，θω为主元ω的方差；ξω为主元ω的方差贡献率；ηg为第g个主元累计方差贡献率。
步骤五，基于循环神经网络的公路隧道机电设备寿命预测模型的建立：
所述的循环神经网络为长短期记忆网络，将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；
步骤五中，基于循环神经网络的公路隧道机电设备寿命预测模型的具体建立过程如下：
利用长短期记忆(Long Short-Term Memory,LSTM)网络实现公路隧道机电设备寿命的预测。LSTM是基于循环神经网络(RNN)的一个优秀改进算法，继承了循环神经网络可以较好处理具有时间序列数据的优点，并解决了时间序列展开较长时会出现梯度爆炸或消失的问题。构建基于LSTM的机电设备寿命预测步骤如下所述；
步骤S5.1，网络的初始化，给各连接权重和偏置分别赋一个(0,1)之间的随机数；
步骤S5.2，将公共因子矩阵F作为网络的输入，机电设备剩余寿命作为输出量；
步骤S5.3，确定LSTM神经网络的结构，如LSTM层数，每层神经元的个数；
步骤S5.4，使用训练集训练LSTM神经网络，如果满足误差要求或者超过最大迭代次数，则模型训练结束，得到公路隧道机电设备寿命预测模型。
步骤六，采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测，公路隧道机电设备寿命预测模型的输入量为按照步骤一至步骤四的方法获得的特征向量，公路隧道机电设备寿命预测模型的输出量为公路隧道机电设备剩余寿命。
应用例：
确定公路隧道供配电系统的PLC控制箱为关键设备，遵从实施例1中的公路隧道机电设备剩余寿命预测方法，利用监测数据进行剩余寿命的预测。确定PLC控制箱的内部状态参数为电压、电流、功率、振动和运行时长，并采集影响控制箱运行的外部环境参数为温度、湿度和风力，构建PLC控制箱的EQLC数据集，原始记录包含10个字段，具体为设备编号、EQLC编号、运行时长、电压、电流、功率、振动、温度、湿度及风力。根据步骤二将运行时长参数转化为故障率，并替换EQLC中的运行时长属性。进一步对机电设备的内部参数进行补偿，将补偿后的内部状态参数和故障率作为分析对象，利用核主成分分析进行筛选，获得PLC控制箱寿命的特征向量作为LSTM预测网络的输入数据，将数据输入到训练好的预测网络，得到预测剩余寿命。
如图5所示，在PLC控制箱的50％、80％分位点上，得到了该方法的剩余寿命预测期望值，具体结果见下表1。
表1不同分位点上的剩余使用寿命
Claims (1)
1.一种公路隧道机电设备剩余寿命预测方法，其特征在于，该方法采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；
以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，通过核主成分分析获得特征向量；
将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测；
该方法包括以下步骤：
步骤一，公路隧道机电设备寿命特征数据集的获取：
采集公路隧道机电设备的内部状态参数数据和外部环境参数数据建立原始数据集，对原始数据集进行清洗和去噪，按固定时长步长对清洗后的数据进行分组，更新数据集，获得机电设备寿命特征数据集；
所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长；
所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值；
步骤二，公路隧道机电设备故障率的确定：
建立符合公路隧道机电设备失效规律的威布尔分布故障模型，通过威布尔分布故障模型确定公路隧道机电设备故障率；
步骤二中，公路隧道机电设备故障率的具体确定过程如下：
步骤S2.1，采取改进的威布尔分布曲线模型进行评估，改进威布尔分布缺陷期，维护期与设备模型的分布函数如下所示：
其中，t为时间，α为形状参数，η为尺度参数；
步骤S2.2，将所述的分布函数对t进行求导，得到概率密度函数如下所示：
步骤S2.3，符合公路隧道机电设备的故障率函数如下所示：
其中，R为可靠度函数；
步骤S2.4，根据机电设备的历史数据，采用最小二乘估计法对所述的威布尔分布故障模型的参数进行估计，得到表征机电设备故障特点的故障模型；
步骤S2.5，利用该机电设备故障模型，将设备的运行状态时长转化为故障率，定性的分析了机电设备寿命的发展趋势；将故障率作为机电设备预剩余寿命的主要特征参数，并结合其他参数构建公路隧道机电设备寿命预测特征向量；
步骤三，公路隧道机电设备的内部状态参数的补偿：
采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；
步骤三中，具体步骤如下：
步骤S3.1，选取一种关键设备并确定具体环境因素，对关键设备的各特征参数进行归一化处理与初值化变换；
步骤S3.2，以确定的环境因素数据作为参考序列，分别计算各测试数据相对环境因素的灰色关联度；
步骤S3.3，按照大小顺序对灰色关联度进行排序，找出关联度阈值的机电设备特征参数，说明环境因素对这些参数的影响很大，为了利用这些特征参数数据进行机电设备剩余寿命特征因子提取以及长期地进行性能评估与预测研究，需要进一步对这些参数进行环境因素补偿与建模；
步骤S3.4，针对所述的机电设备特征参数，根据环境因素及实测参数数据进行分析，采用一元线性回归模型对特征参数与环境因素进行最小二乘拟合，建立环境因素误差辨识模型，有效地消除了环境因素对机电设备特征参数的影响；
步骤四，公路隧道机电设备寿命特征向量的构建：
以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，采用核主成分分析的无监督特征提取方法对分析对象进行筛选，获得能够表征公路隧道机电设备寿命的特征向量；
步骤四中，核主成分分析计算流程如下：
步骤S4.1，设b为公路隧道机电设备监测数据样本总数，m为特征参数个数，通过分析选择符合要求的核函数，并根据核函数和样本矩阵求得对应的核矩阵H；
步骤S4.2，进一步对核矩阵进行中心化处理，中心化矩阵H的方法如下所示：
其中，I为b×b维的数值全为1的矩阵，
为经过处理后的核矩阵；
步骤S4.3，求
的特征值/>
及相应的特征向量/>
；
步骤S4.4，求
的核主元向量/>
，如下式所示：
其中，
为映射到高维空间后的样本矩阵；
步骤S4.5，计算方差贡献率和累计贡献率：
其中，
为主元/>
的方差；/>
为主元/>
的方差贡献率；/>
为第g个主元累计方差贡献率；
步骤五，基于循环神经网络的公路隧道机电设备寿命预测模型的建立：
所述的循环神经网络为长短期记忆网络，将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型；
步骤五中，构建基于长短期记忆网络的机电设备寿命预测步骤如下所述；
步骤S5.1，网络的初始化，给各连接权重和偏置分别赋一个(0,1)之间的随机数；
步骤S5.2，将公共因子矩阵F作为网络的输入，机电设备剩余寿命作为输出量；
步骤S5.3，确定LSTM神经网络的结构，如LSTM层数，每层神经元的个数；
步骤S5.4，使用训练集训练LSTM神经网络，如果满足误差要求或者超过最大迭代次数，则模型训练结束，得到公路隧道机电设备寿命预测模型；
步骤六，采用公路隧道机电设备寿命预测模型对公路隧道机电设备的寿命进行预测，公路隧道机电设备寿命预测模型的输入量为按照步骤一至步骤四的方法获得的特征向量，公路隧道机电设备寿命预测模型的输出量为公路隧道机电设备剩余寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010121710.5A CN111325403B (zh) | 2020-02-26 | 2020-02-26 | 一种公路隧道机电设备剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010121710.5A CN111325403B (zh) | 2020-02-26 | 2020-02-26 | 一种公路隧道机电设备剩余寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325403A CN111325403A (zh) | 2020-06-23 |
| CN111325403B true CN111325403B (zh) | 2023-07-11 |
Family
ID=71171860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010121710.5A Active CN111325403B (zh) | 2020-02-26 | 2020-02-26 | 一种公路隧道机电设备剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325403B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112433907B (zh) * | 2020-10-26 | 2022-09-16 | 深圳有电物联科技有限公司 | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 |
| CN113013514B (zh) * | 2021-02-25 | 2022-08-05 | 吉林大学 | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 |
| CN114036848B (zh) * | 2021-11-16 | 2022-04-12 | 国网湖北省电力有限公司经济技术研究院 | 一种电力设备的寿命预测方法及装置 |
| CN115062881B (zh) * | 2022-08-19 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 隧道结构性状预测方法、装置、计算机设备和存储介质 |
| CN116401525B (zh) * | 2023-02-23 | 2023-09-29 | 兰州工业学院 | 一种基于智能化感应的桥隧预测维护方法及系统 |
| CN117195730B (zh) * | 2023-09-14 | 2024-03-19 | 江西睿构科技有限公司 | 一种高速公路机电设备寿命分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
| WO2016184268A1 (zh) * | 2015-05-18 | 2016-11-24 | 中兴通讯股份有限公司 | 基于隧道共享的带宽控制方法及装置 |
| CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
| CN109409567A (zh) * | 2018-09-17 | 2019-03-01 | 西安交通大学 | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 |
| CN110737948A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472363B (zh) * | 2012-06-06 | 2016-01-27 | 宝山钢铁股份有限公司 | 交联聚乙烯电缆剩余寿命评价方法 |
| CN103399280B (zh) * | 2013-08-01 | 2015-08-05 | 哈尔滨工业大学 | 基于nsdp-ar模型的锂离子电池循环寿命预测方法 |
| CN104217122A (zh) * | 2014-09-15 | 2014-12-17 | 北京市市政工程研究院 | 基于多元信息预警系统的隧道施工过程安全评价方法 |
| CN108135052B (zh) * | 2017-12-20 | 2020-04-07 | 中国电子产品可靠性与环境试验研究所 | Led灯具的状态信息监测方法、装置及系统 |
| CN108591104B (zh) * | 2018-04-18 | 2019-11-05 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理系统、方法 |
| CN108763654A (zh) * | 2018-05-03 | 2018-11-06 | 国网江西省电力有限公司信息通信分公司 | 一种基于威布尔分布和隐半马尔科夫模型的电力设备故障预测方法 |
| CN108760301B (zh) * | 2018-05-08 | 2020-03-31 | 中铁工程装备集团有限公司 | 一种用于隧道掘进机主轴承寿命状态定量预估方法 |
| CN110654948B (zh) * | 2018-06-29 | 2021-02-19 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
| CN109239546B (zh) * | 2018-08-28 | 2020-05-22 | 西南交通大学 | 一种变压器绝缘寿命预测与可靠性测试方法 |
| CN109726517B (zh) * | 2019-01-31 | 2022-12-02 | 西安理工大学 | 一种基于多变量关联数据的设备剩余寿命预测方法 |
| CN109919394B (zh) * | 2019-03-29 | 2020-11-17 | 沈阳天眼智云信息科技有限公司 | 电力变压器剩余寿命预测方法 |
| CN110738360B (zh) * | 2019-09-27 | 2022-08-16 | 华中科技大学 | 一种设备剩余寿命预测方法及系统 |
| CN110781592B (zh) * | 2019-10-25 | 2020-12-22 | 中国人民解放军火箭军工程大学 | 一种设备剩余寿命的预测方法及系统 |
-
2020
- 2020-02-26 CN CN202010121710.5A patent/CN111325403B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016184268A1 (zh) * | 2015-05-18 | 2016-11-24 | 中兴通讯股份有限公司 | 基于隧道共享的带宽控制方法及装置 |
| CN105137242A (zh) * | 2015-09-09 | 2015-12-09 | 南京航空航天大学 | 单相光伏逆变器在线状态监测与剩余寿命预测方法 |
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
| CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
| CN109409567A (zh) * | 2018-09-17 | 2019-03-01 | 西安交通大学 | 基于双层长短期记忆网络的复杂设备剩余寿命预测方法 |
| CN110737948A (zh) * | 2019-10-15 | 2020-01-31 | 南京航空航天大学 | 一种基于深度fnn-lstm混合网络的航空发动机剩余寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| A New Method of Abnormal Data Detection on Traffic Flow of Extra Long Highway Tunnel;Fuhua Yu; Hongke Xu; Qi Wang; Guoqiang Li;《2010 International Conference on Logistics Engineering and Intelligent Transportation Systems》(第12 期);全文 * |
| 基于多元退化的航空机电系统的剩余寿命预测;孟蕾;许爱强;董超;;舰船电子工程(07);全文 * |
| 研究公路机电设备使用寿命的管理要点;赵元;;黑龙江交通科技(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325403A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
| CN111382542B (zh) | 一种面向全寿命周期的公路机电设备寿命预测系统 | |
| CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN111798051A (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
| CN111062508B (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN111259953B (zh) | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
| CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN112529234A (zh) | 基于深度学习的地表水质预测方法 | |
| Nguyen et al. | New methodology for improving the inspection policies for degradation model selection according to prognostic measures | |
| CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
| CN115542429A (zh) | 一种基于XGBoost的臭氧质量预测方法及系统 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
| CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
| CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
| CN115510763A (zh) | 一种基于数据驱动探索的空气污染物浓度预测方法及系统 | |
| CN114741972A (zh) | 一种空气污染物浓度季节性预测模型的构建方法 |
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 |