CN111784010B - 一种电动闸阀剩余使用寿命预测方法及系统 - Google Patents
一种电动闸阀剩余使用寿命预测方法及系统 Download PDFInfo
- Publication number
- CN111784010B CN111784010B CN202010654740.2A CN202010654740A CN111784010B CN 111784010 B CN111784010 B CN 111784010B CN 202010654740 A CN202010654740 A CN 202010654740A CN 111784010 B CN111784010 B CN 111784010B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- gate valve
- degradation data
- electric gate
- 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
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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- 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
- G06Q10/04—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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Details Of Valves (AREA)
Abstract
本发明涉及一种电动闸阀剩余使用寿命预测方法及系统,该方法包括:根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程;获取电动闸阀当前时刻的第一退化数据;采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络;根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命。通过本发明的上述方法及系统能够对电动闸阀剩余使用寿命进行预测,提高剩余使用寿命预测的准确性。
Description
技术领域
本发明涉及电动闸阀维修预测技术领域,特别是涉及一种电动闸阀剩余使用寿命预测方法及系统。
背景技术
目前中国核动力装置普遍采用纠正性或预防性维修,这导致核动力装置出海时需携带大量的备品备件,不仅影响其它资源的布置空间,而且年维修量巨大。据统计不必要或不当维护占总维护成本的1/3以上,浪费了大量的人力和物力资源。而美国电力协会的统计表明,通过在航空航天等领域实施预测性维护,可降低运行成本20%以上。因此,有必要针对核动力系统的运行特点和环境特性开展健康管理技术研究,而其中的关键问题是如何准确地预知设备的剩余使用寿命,从而基于寿命分布调配相关资源。而剩余使用寿命预测与部件的老化机理、传感与测量、特征参数分析、预测算法等多个前端因素紧密相关。
剩余使用寿命(Remaining Useful Life,RUL)为从当前时间到使用寿命结束的长度。目前,寿命预测的研究方法大体上可以分为4类,第1类是多元统计分析方法,主要是结合可靠性分析和概率论等相关理论基础展开RUL预测技术的研究;第2类是采用结合物理机理建立分析模型;第3类采用机器学习以及深度学习的相关算法进行研究,本质上属于模式回归分析的范畴;第4类混合模型主要综合前面几种算法中的2种或多种进行分析,以起到相互取长补短的作用。
多元统计分析方法一般根据观测数据将RUL预测结果以条件失效概率的形式呈现,这类方法的普遍特点是在不依赖任何物理机理的情况下利用概率论和数理统计等方法拟合观测数据,以形成RUL预测模型。但是,这类方法需要假设寿命分布,且假设情况通常与实际有较大差距。此外,转移概率往往要由大量训练数据来估计。物理过程模型通过结合对象的退化机理而建立数学模型来描述其老化过程,并根据模型最终预测其RUL值。但是该方法仍然存在较为明显的缺点:其一,对于一些复杂设备,由于难以理解其退化机理,因而限制了这些方法的应用;其二,即使建立了物理模型,但是模型中部分参数与材料性能和应力水平有关,仍必须通过特定的实验或分析来确定。
发明内容
本发明的目的是提供一种电动闸阀剩余使用寿命预测方法及系统,对电动闸阀剩余使用寿命进行预测,提高剩余使用寿命预测的准确性。
为实现上述目的,本发明提供了如下方案:
一种电动闸阀剩余使用寿命预测方法,包括:
根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程;
获取电动闸阀当前时刻的第一退化数据;
采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络;
根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命。
可选的,所述根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据,之后还包括:
获取预设寿命结束时刻;
判断所述下一时刻是否等于所述预设寿命结束时刻,得到第一判断结果;
若所述第一判断结果表示所述下一时刻等于所述预设寿命结束时刻,结束;
若所述第一判断结果表示所述下一时刻小于所述预设寿命结束时刻,将所述下一时刻更新为当前时刻,返回步骤“获取电动闸阀当前时刻的第一退化数据”。
可选的,所述粒子滤波状态方程为:
lt+1=lt+C·(ΔK)m·ΔNf
其中,lt+1为t+1时刻的退化数据,lt为t时刻的退化数据,ΔK为应力强度因子幅,C和m均为电动闸阀参数;ΔNf为载荷循环迭代间隔。
可选的,所述获取电动闸阀当前时刻的第一退化数据之后还包括:
对所述第一退化数据进行滑动时窗处理,得到第一退化数据矩阵。
可选的,所述训练好的神经网络的训练过程包括:
获取电动闸阀的历史数据,作为训练数据;
对所述训练数据进行滑动时窗处理,得到训练数据矩阵;
根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络;所述训练神经网络包括卷积核和LSTM网络;
判断所述损失函数值是否大于预设损失值,得到第二判断结果;
若所述第二判断结果表示所述损失函数值大于预设损失值,返回步骤“根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络”;
若所述第二判断结果表示所述损失函数值小于或等于预设损失值,确定所述训练神经网络为训练好的神经网络。
一种电动闸阀剩余使用寿命预测系统,包括:
粒子滤波状态方程建立模块,用于根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程;
第一退化数据获取模块,用于获取电动闸阀当前时刻的第一退化数据;
第一退化数据校正模块,用于采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络;
第二退化数据确定模块,用于根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命。
可选的,所述电动闸阀剩余使用寿命预测系统还包括:
预设寿命结束时刻获取模块,用于获取预设寿命结束时刻;
判断模块,用于判断所述下一时刻是否等于所述预设寿命结束时刻,得到第一判断结果;
结束模块,用于若所述第一判断结果表示所述下一时刻等于所述预设寿命结束时刻,结束;
更新模块,用于若所述第一判断结果表示所述下一时刻小于所述预设寿命结束时刻,将所述下一时刻更新为当前时刻,返回所述第一退化数据获取模块。
可选的,所述粒子滤波状态方程为:
lt+1=lt+C·(ΔK)m·ΔNf
其中,lt+1为t+1时刻的退化数据,lt为t时刻的退化数据,ΔK为应力强度因子幅,C和m均为电动闸阀参数;ΔNf为载荷循环迭代间隔。
可选的,所述第一退化数据获取模块之后还包括:
滑动时窗处理模块,用于对所述第一退化数据进行滑动时窗处理,得到第一退化数据矩阵。
可选的,所述训练好的神经网络的训练过程包括:
训练数据获取单元,用于获取电动闸阀的历史数据,作为训练数据;
滑动时窗处理单元,用于对所述训练数据进行滑动时窗处理,得到训练数据矩阵;
参数调节单元,用于根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络;所述训练神经网络包括卷积核和LSTM网络;
判断单元,用于判断所述损失函数值是否大于预设损失值,得到第二判断结果;
返回单元,用于若所述第二判断结果表示所述损失函数值大于预设损失值,返回所述参数调节单元;
神经网络确定单元,用于若所述第二判断结果表示所述损失函数值小于或等于预设损失值,确定所述训练神经网络为训练好的神经网络。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种电动闸阀剩余使用寿命预测方法及系统,该方法包括:根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程;获取电动闸阀当前时刻的第一退化数据;采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络;根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命。通过本发明的上述方法及系统能够对电动闸阀剩余使用寿命进行预测,提高剩余使用寿命预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种电动闸阀剩余使用寿命预测方法流程图;
图2为本发明实施例所提供的一种电动闸阀剩余使用寿命预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种电动闸阀剩余使用寿命预测方法及系统,对电动闸阀剩余使用寿命进行预测,提高剩余使用寿命预测的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例所提供的一种电动闸阀剩余使用寿命预测方法流程图,如图1所示,本发明所述电动闸阀剩余使用寿命预测方法,包括:
S101,根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程。
所述粒子滤波状态方程为:
lt+1=lt+C·(ΔK)m·ΔNf
其中,lt+1为t+1时刻的退化数据,lt为t时刻的退化数据,ΔK为应力强度因子幅,C和m均为电动闸阀参数;ΔNf为载荷循环迭代间隔。
具体的,本发明实施例中以阀门外阀体裂纹为例,在流体冲击力等的作用下在阀体表面产生细微裂纹,裂纹随后在后续流体的不断冲击下逐渐扩展。根据裂纹扩展趋势建立粒子滤波状态方程:
lt+1=lt+C·(ΔK)m·ΔNf+w(t)
其中,lt+1为t+1时刻的退化数据即裂纹长度,lt为t时刻的退化数据裂纹长度,ΔK为应力强度因子幅,是控制疲劳裂纹扩展速度的重要参数,以开口裂纹为例,可依经验公式ΔK=(0.0028l3-0.374l2+31.163l-253.53)/10进行计算;C和m均为与材料有关的参数;ΔNf为载荷循环迭代间隔,w(t)为状态更替的误差项,本发明实施例中可以忽略。
S102,获取电动闸阀当前时刻的第一退化数据。
具体的,本发明实施例中以阀门外阀体裂纹为例,因此,获取当前时刻即t时刻均方根值RMS。
S103,采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络。
具体的,在进入寿命预测之前,基于历史观测数据更新状态方程(即故障机理模型);在进入寿命预测过程中,由于没有实际观测值,因此采用训练好的神经网络预测得到声发射信号均方根值RMS,可以避免单纯基于状态方程进行递推而带来的过大误差。因此,能够得到校正后的数据即均方根值RMS。
S104,根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命。其中,下一时刻为t+1时刻。
具体的,均方根值RMS与裂纹长度的关系:
Q=u·l·b
其中,Q为泄漏量,u为流速,b为裂纹宽度,ρ为流体密度,α为声音在流体中的速度,P1为阀门进口压力,D为阀门公称直径,P为阀门出口压力,C1为为比例系数,Cf为阀门阻尼孔系数。
采用S103中得到的均方根值RMS计算裂纹长度,得到t时刻的裂纹长度,采用粒子滤波算法使用观测方程即t时刻的裂纹长度,对S101中的状态方程进行更新,得到t+1时刻的裂纹长度,t+1时刻的裂纹长度就表示t+1时刻电动闸阀剩余使用寿命。
S103之后还包括:
步骤201,获取预设寿命结束时刻。
步骤202,判断所述下一时刻是否等于所述预设寿命结束时刻,得到第一判断结果。
步骤203,若所述第一判断结果表示所述下一时刻等于所述预设寿命结束时刻,结束。
步骤204,若所述第一判断结果表示所述下一时刻小于所述预设寿命结束时刻,将所述下一时刻更新为当前时刻,返回S201。再次进行循环,直至达到预设寿命结束时刻。
S102之后还包括:
对所述第一退化数据进行滑动时窗处理,得到第一退化数据矩阵。
所述训练好的神经网络的训练过程包括:
步骤301,获取电动闸阀的历史数据,作为训练数据。
具体的,对电动闸阀上的声发射传感器、加速度传感器、压差、温度和流量等过程参数传感器得到的原始数据通过数据采集板卡存储到计算机中,将它们存储为二维数据格式(N*D维),其总时序长度是N,而特征参数的维度是D。然后对这些数据进行数据归一化和标准化,避免量纲对后续寿命预测的影响。将处理后的这些数据作为训练数据。
步骤302,对所述训练数据进行滑动时窗处理,得到训练数据矩阵。
具体的,采用长度为num_steps的滑动时窗来滑动将N*D维的输入数据转换为(N-num_steps+1)*(num_steps*D),其中num_steps是指神经网络训练输入中元素的时间序列数,由于每次滑动过程中数据之间都有重叠,因此对于LSTM而言,总数据输入长度是(N-num_steps+1)。这样,每一个时刻的输入数据是一段时序数据的组合,更能体现退化过程中的时序特性。
步骤303,根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络;所述训练神经网络包括卷积核和LSTM网络。
具体的,本发明实施例中先采用小卷积核堆叠形成卷积组,相比于大卷积核,能够更加有效地提取测量数据的非线性特征。然后将卷积核处理后的数据输入到LSTM元组堆叠形成的网络中,同时在每个元组模型后使用Dropout均匀失活率随机失活,可以更好地提取数据的非线性特征并使LSTM网络更加稳定。本发明实施例中采用的损失函数为均方误差函数。
步骤304,判断所述损失函数值是否大于预设损失值,得第二判断结果。
步骤305,若所述第二判断结果表示所述损失函数值大于预设损失值,返回步骤303。
步骤306,若所述第二判断结果表示所述损失函数值小于或等于预设损失值,确定所述训练神经网络为训练好的神经网络。
本发明还提供了一种电动闸阀剩余使用寿命预测系统,如图2所示,包括:
粒子滤波状态方程建立模块1,用于根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程。
第一退化数据获取模块2,用于获取电动闸阀当前时刻的第一退化数据。
第一退化数据校正模块3,用于采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络。
第二退化数据确定模块4,用于根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命。
优选的,所述电动闸阀剩余使用寿命预测系统还包括:
预设寿命结束时刻获取模块,用于获取预设寿命结束时刻。
判断模块,用于判断所述下一时刻是否等于所述预设寿命结束时刻,得到第一判断结果。
结束模块,用于若所述第一判断结果表示所述下一时刻等于所述预设寿命结束时刻,结束。
更新模块,用于若所述第一判断结果表示所述下一时刻小于所述预设寿命结束时刻,将所述下一时刻更新为当前时刻,返回所述第一退化数据获取模块。
优选的,所述粒子滤波状态方程为:
lt+1=lt+C·(ΔK)m·ΔNf
其中,lt+1为t+1时刻的退化数据,lt为t时刻的退化数据,ΔK为应力强度因子幅,C和m均为电动闸阀参数;ΔNf为载荷循环迭代间隔。
优选的,所述第一退化数据获取模块之后还包括:
滑动时窗处理模块,用于对所述第一退化数据进行滑动时窗处理,得到第一退化数据矩阵。
优选的,所述训练好的神经网络的训练过程包括:
训练数据获取单元,用于获取电动闸阀的历史数据,作为训练数据。
滑动时窗处理单元,用于对所述训练数据进行滑动时窗处理,得到训练数据矩阵。
参数调节单元,用于根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络;所述训练神经网络包括卷积核和LSTM网络。
判断单元,用于判断所述损失函数值是否大于预设损失值,得第二判断结果。
返回单元,用于若所述第二判断结果表示所述损失函数值大于预设损失值,返回所述参数调节单元。
神经网络确定单元,用于若所述第二判断结果表示所述损失函数值小于或等于预设损失值,确定所述训练神经网络为训练好的神经网络。
本发明从混合式模型中的数据与机理混合角度出发,解决寿命预测的准确性问题。本发明基于退化机理与数据联合驱动对寿命进行预测,兼顾实验数据和物理机理,既能够体现历史数据的指引作用,也能通过物理机理反映关键设备自身的退化规律。相对于其他方法的优势在于:其历史样本数据、预设的潜在动态机理均可以作为信息源,对信息的利用更加充分;由数据驱动方法实现初步预测,然后融合部件的老化机理对初步预测结果进行修正,可以提高剩余使用寿命预测架构的合理性并提高剩余使用寿命预测的准确率。
本发明的优点:
1、采用滑动时窗处理通过历史数据转化为带有时间序列属性的三维数据组,能够使后续的寿命预测不再只关注于某一个单个瞬时,而是关注一段时间序列,更能够反映故障过程的数据特征。
2、采用卷积核堆叠形成的卷积组对输入数据进行无监督的特征提取,与不经过卷积核处理直接进行LSTM计算相比,更能够反映数据的本质特征,提升特征的表现力。
3、采用神经网络中的dropout操作,能够防止卷积核和LSTM网络的计算结果过拟合,可以使寿命预测结果更加稳定。
4、结合电动阀门的典型故障和老化机理立粒子滤波状态方程,能够反映出电动阀门的故障发展趋势。
5、均方根值RMS与裂纹长度关系,能够反映实际可测参数与裂纹长度之间的关系,同时也作为纽带将卷积核与长短时记忆网络、基于粒子滤波的机理模型串联到一起。
6、将神经网络的初步预测结果引入到粒子滤波模型中,相比于单独采用粒子滤波进行预测,可以对每一个迭代次数内对粒子滤波的预测结果进行修正,可以得到更准确的计算结果;同时粒子滤波也可以对神经网络的结果进行校正滤波。这种结合方式,比单独采用任何一种模型的效果都要好。
7、通过重采样,可以避免粒子滤波陷入粒子退化和粒子消失的问题,同时能够基于观测值和计算值更新预测裂纹值,可以使预测结果的准确度更高;
8、通过粒子滤波的反复递归预测并结合神经网络的预测结果进行反复校正,可以实现连续不断的寿命预测,并保证较好的精度,可以在用户需求时间或者达到终止时间时随时触发整个计算过程的停止。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种电动闸阀剩余使用寿命预测方法,其特征在于,包括:
根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程;阀门外阀体裂纹的粒子滤波状态方程:lt+1=lt+C·(ΔK)m·ΔNf+w(t);其中,lt+1为t+1时刻的退化数据即裂纹长度,lt为t时刻的退化数据裂纹长度,ΔK为应力强度因子幅,ΔK=(0.0028l3-0.374l2+31.163l-253.53)/10;C和m均为与材料有关的参数;ΔNf为载荷循环迭代间隔,w(t)为状态更替的误差项;
获取电动闸阀当前时刻的第一退化数据;
采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络;
基于历史观测数据更新状态方程,采用训练好的神经网络预测得到声发射信号均方根值RMS,得到校正后的数据即均方根值RMS;
根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命,具体包括:采用均方根值RMS计算裂纹长度,得到t时刻的裂纹长度,采用粒子滤波算法使用t时刻的裂纹长度,对粒子滤波状态方程进行更新,得到t+1时刻的裂纹长度,t+1时刻的裂纹长度就表示t+1时刻电动闸阀剩余使用寿命;
均方根值RMS与裂纹长度的关系:
Q=u·l·b
其中,Q为泄漏量,u为流速,b为裂纹宽度,ρ为流体密度,α为声音在流体中的速度,P1为阀门进口压力,D为阀门公称直径,P为阀门出口压力,C1为比例系数,Cf为阀门阻尼孔系数。
2.根据权利要求1所述的电动闸阀剩余使用寿命预测方法,其特征在于,所述根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据,之后还包括:
获取预设寿命结束时刻;
判断所述下一时刻是否等于所述预设寿命结束时刻,得到第一判断结果;
若所述第一判断结果表示所述下一时刻等于所述预设寿命结束时刻,结束;
若所述第一判断结果表示所述下一时刻小于所述预设寿命结束时刻,将所述下一时刻更新为当前时刻,返回步骤“获取电动闸阀当前时刻的第一退化数据”。
3.根据权利要求1所述的电动闸阀剩余使用寿命预测方法,其特征在于,所述获取电动闸阀当前时刻的第一退化数据之后还包括:
对所述第一退化数据进行滑动时窗处理,得到第一退化数据矩阵。
4.根据权利要求1所述的电动闸阀剩余使用寿命预测方法,其特征在于,所述训练好的神经网络的训练过程包括:
获取电动闸阀的历史数据,作为训练数据;
对所述训练数据进行滑动时窗处理,得到训练数据矩阵;
根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络;所述训练神经网络包括卷积核和LSTM网络;
判断所述损失函数值是否大于预设损失值,得到第二判断结果;
若所述第二判断结果表示所述损失函数值大于预设损失值,返回步骤“根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络”;
若所述第二判断结果表示所述损失函数值小于或等于预设损失值,确定所述训练神经网络为训练好的神经网络。
5.一种电动闸阀剩余使用寿命预测系统,其特征在于,包括:
粒子滤波状态方程建立模块,用于根据电动闸阀的典型故障和老化机理建立粒子滤波状态方程;阀门外阀体裂纹的粒子滤波状态方程:lt+1=lt+C·(ΔK)m·ΔNf+w(t);其中,lt+1为t+1时刻的退化数据即裂纹长度,lt为t时刻的退化数据裂纹长度,ΔK为应力强度因子幅,ΔK=(0.0028l3-0.374l2+31.163l-253.53)/10;C和m均为与材料有关的参数;ΔNf为载荷循环迭代间隔,w(t)为状态更替的误差项;
第一退化数据获取模块,用于获取电动闸阀当前时刻的第一退化数据;
第一退化数据校正模块,用于采用训练好的神经网络对所述第一退化数据进行校正,得到校正第一退化数据;所述训练好的神经网络包括卷积核和LSTM网络;基于历史观测数据更新状态方程,采用训练好的神经网络预测得到声发射信号均方根值RMS,得到校正后的数据即均方根值RMS;
第二退化数据确定模块,用于根据所述粒子滤波状态方程和所述校正第一退化数据确定下一时刻的第二退化数据;所述第二退化数据为电动闸阀剩余使用寿命具体包括:采用均方根值RMS计算裂纹长度,得到t时刻的裂纹长度,采用粒子滤波算法使用t时刻的裂纹长度,对粒子滤波状态方程进行更新,得到t+1时刻的裂纹长度,t+1时刻的裂纹长度就表示t+1时刻电动闸阀剩余使用寿命;
均方根值RMS与裂纹长度的关系:
Q=u·l·b
其中,Q为泄漏量,u为流速,b为裂纹宽度,ρ为流体密度,α为声音在流体中的速度,P1为阀门进口压力,D为阀门公称直径,P为阀门出口压力,C1为比例系数,Cf为阀门阻尼孔系数。
6.根据权利要求5所述的电动闸阀剩余使用寿命预测系统,其特征在于,所述电动闸阀剩余使用寿命预测系统还包括:
预设寿命结束时刻获取模块,用于获取预设寿命结束时刻;
判断模块,用于判断所述下一时刻是否等于所述预设寿命结束时刻,得到第一判断结果;
结束模块,用于若所述第一判断结果表示所述下一时刻等于所述预设寿命结束时刻,结束;
更新模块,用于若所述第一判断结果表示所述下一时刻小于所述预设寿命结束时刻,将所述下一时刻更新为当前时刻,返回所述第一退化数据获取模块。
7.根据权利要求5所述的电动闸阀剩余使用寿命预测系统,其特征在于,所述第一退化数据获取模块之后还包括:
滑动时窗处理模块,用于对所述第一退化数据进行滑动时窗处理,得到第一退化数据矩阵。
8.根据权利要求5所述的电动闸阀剩余使用寿命预测系统,其特征在于,所述训练好的神经网络的训练过程包括:
训练数据获取单元,用于获取电动闸阀的历史数据,作为训练数据;
滑动时窗处理单元,用于对所述训练数据进行滑动时窗处理,得到训练数据矩阵;
参数调节单元,用于根据所述训练数据矩阵对神经网络中的权值参数和偏置参数进行调整,确定损失函数值和训练神经网络;所述训练神经网络包括卷积核和LSTM网络;
判断单元,用于判断所述损失函数值是否大于预设损失值,得到第二判断结果;
返回单元,用于若所述第二判断结果表示所述损失函数值大于预设损失值,返回所述参数调节单元;
神经网络确定单元,用于若所述第二判断结果表示所述损失函数值小于或等于预设损失值,确定所述训练神经网络为训练好的神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010654740.2A CN111784010B (zh) | 2020-07-09 | 2020-07-09 | 一种电动闸阀剩余使用寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010654740.2A CN111784010B (zh) | 2020-07-09 | 2020-07-09 | 一种电动闸阀剩余使用寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784010A CN111784010A (zh) | 2020-10-16 |
CN111784010B true CN111784010B (zh) | 2022-07-26 |
Family
ID=72759334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010654740.2A Active CN111784010B (zh) | 2020-07-09 | 2020-07-09 | 一种电动闸阀剩余使用寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784010B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489032A (zh) * | 2013-09-27 | 2014-01-01 | 南京航空航天大学 | 基于粒子滤波的航空发动机气路部件健康诊断方法 |
CN107403242A (zh) * | 2017-08-10 | 2017-11-28 | 四川大学 | 基于改进无味粒子滤波的设备剩余寿命预测方法 |
CN110222426A (zh) * | 2019-06-06 | 2019-09-10 | 南京航空航天大学 | 非连续工作模式下航空蓄电池剩余寿命预测方法 |
CN110532620A (zh) * | 2019-07-30 | 2019-12-03 | 北京航空航天大学 | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 |
CN110738360A (zh) * | 2019-09-27 | 2020-01-31 | 华中科技大学 | 一种设备剩余寿命预测方法及系统 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
-
2020
- 2020-07-09 CN CN202010654740.2A patent/CN111784010B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489032A (zh) * | 2013-09-27 | 2014-01-01 | 南京航空航天大学 | 基于粒子滤波的航空发动机气路部件健康诊断方法 |
CN107403242A (zh) * | 2017-08-10 | 2017-11-28 | 四川大学 | 基于改进无味粒子滤波的设备剩余寿命预测方法 |
CN110222426A (zh) * | 2019-06-06 | 2019-09-10 | 南京航空航天大学 | 非连续工作模式下航空蓄电池剩余寿命预测方法 |
CN110532620A (zh) * | 2019-07-30 | 2019-12-03 | 北京航空航天大学 | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 |
CN110738360A (zh) * | 2019-09-27 | 2020-01-31 | 华中科技大学 | 一种设备剩余寿命预测方法及系统 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (4)
Title |
---|
A hybrid fault diagnosis methodology with support vector machine and improved particle swarm optimization for nuclear power plants;Hang Wang et al.;《ISA Transactions》;20191231;第95卷;第358-371页 * |
基于粒子滤波算法的疲劳裂纹扩展预测方法;袁慎芳 等;《航空学报》;20130912;第34卷(第12期);第2740-2747页 * |
模型驱动的核电站混合式故障诊断策略研究;王航;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20190815(第8期);第C040-9页 * |
滚动轴承的故障监测与状态管理系统研究;梁竞之;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200215(第2期);第C029-197页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784010A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298455B (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
CN104573845B (zh) | 信息系统设备状态检修辅助决策方法 | |
US10948312B2 (en) | Environmental monitoring systems, methods and media | |
CN110414140A (zh) | 木材损伤的模型训练和测试方法、装置、设备和存储介质 | |
CN103678858A (zh) | 一种存在竞争失效条件下的设备剩余寿命预测方法 | |
JP2006024195A (ja) | 生産工程の品質予測システムおよびその方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
KR20210064445A (ko) | 반도체 공정 시뮬레이션 시스템 및 그것의 시뮬레이션 방법 | |
Wang et al. | Remaining useful life prediction based on improved temporal convolutional network for nuclear power plant valves | |
Wang et al. | Rolling bearing reliability assessment via kernel principal component analysis and Weibull proportional hazard model | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN116579217A (zh) | 一种基于数字孪生的控制阀流致振动疲劳寿命预测方法 | |
CN111784010B (zh) | 一种电动闸阀剩余使用寿命预测方法及系统 | |
CN112565593B (zh) | 一种针对空间调焦机构的动态可靠性分析方法 | |
Li et al. | The updating strategy for the safe control Bayesian network model under the abnormity in the thickening process of gold hydrometallurgy | |
CN115640542A (zh) | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 | |
CN111859773B (zh) | 基于正则化粒子滤波的电动闸阀故障确定方法及系统 | |
CN110895624A (zh) | 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法 | |
Xiao et al. | Reliability analysis of aging control system via stability margins | |
Wang et al. | Maintenance decision based on data fusion of aero engines | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN111611117A (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
NI et al. | Reliability Modeling for Two-stage Degraded System Based on Cumulative Damage Model |
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 |