CN111915136A - 一种智能装备带电作业预期效能评估方法 - Google Patents
一种智能装备带电作业预期效能评估方法 Download PDFInfo
- Publication number
- CN111915136A CN111915136A CN202010624479.1A CN202010624479A CN111915136A CN 111915136 A CN111915136 A CN 111915136A CN 202010624479 A CN202010624479 A CN 202010624479A CN 111915136 A CN111915136 A CN 111915136A
- Authority
- CN
- China
- Prior art keywords
- maturity
- srl
- level
- indexes
- evaluated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 68
- 230000010354 integration Effects 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000003631 expected effect Effects 0.000 claims abstract description 26
- 238000012827 research and development Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000013519 translation Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims description 78
- 230000033001 locomotion Effects 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 14
- 230000001681 protective effect Effects 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 239000012212 insulator Substances 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000010923 batch production Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000003245 working effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 19
- 230000000379 polymerizing effect Effects 0.000 abstract description 2
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 23
- 239000011248 coating agent Substances 0.000 description 16
- 238000000576 coating method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 230000003930 cognitive ability Effects 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 239000004020 conductor Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012800 visualization 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种智能装备带电作业预期效能评估方法,包括以下步骤:1、分析智能装备带电作业功能系统的技术因子,解析智能装备带电作业的功能;2、分层确定待评估装备开展带电作业所需能力,构建评估指标体系;3、对照技术成熟度和集成成熟度等级判据,确定评估指标的技术成熟度及集成关系;4、逐层聚合计算各级指标的预期效能值;5、校正低于设定值的各级指标的预期效能值;6、构建效能‑成熟度翻译表,将智能装备带电作业预期效能值转换为整数形式的成熟度等级;7、评估各级指标预期效能;8、改进带电作业智能装备的研发决策。本发明可用于定位处于研发阶段的智能装备开展带电作业技术性能,优化研发资源配置,提升研发效率。
Description
技术领域
本发明属于带电作业技术管理领域,具体涉及一种智能装备带电作业预期效能评估方法。
背景技术
自上世纪80年代起,随着人工智能技术的发展,用于带电作业的各类智能装备的相关的研发成果逐年增多。但是,迄今为止,现有的用于带电作业的智能装备结构和功能日趋复杂,但仍处于研发阶段,未应用于实际工况,尚不能独立地完成架空线路带电作业任务,无法投入广泛应用。其中主要原因是上述装备的研发多注重特定作业功能的开发,缺乏对整体技术水平的把握。目前针对智能装备带电作业能力及水平还没有系统的评价方法,而应用合适的参数衡量其带电作业的预期能力,可辅助优化装备的研发决策方案,明确装备改良方向,推动相关技术成熟。
智能装备带电作业性能的量化分析是对智能装备在开展带电作业过程中安全性、灵活性、自主性等方面的反映和评价。有效地衡量现有智能带电作业技术在规定作业环境条件下对预期应用目标的满足程度,准确地把握技术的发展水平及其优势和短板,是有关技术研发、应用和管理所需解决的难题。为科学客观地反映当前智能装备开展带电作业性能水平,必须根据装备的研发进展,构建科学规范的评估流程,设计一套吻合智能装备带电作业的功能需求且结构清晰的评估体系。
效能其建立于系统科学的应用研究领域。20世纪60年代中期美国工业界武器系统效能咨询委员会定义系统效能是“预期一个系统能满足一组特定任务要求的程度的度量,是系统的有效性、可信赖性和能力的函数”。智能装备作为一组仍处于研发阶段的复杂系统,其在电网实际运行环境中开展带电作业的能力可采用“预期效能”来度量。
效能多用于评估装备在规定条件下达到规定使用目标的能力。在实际应用中,往往需要根据评估的目的,结合装备系统的操作对象及其使用环境,在可行性和有效性等方面权衡,选择合适的评估方法。技术成熟度由美国宇航局、国防部等多个部门提出、定义和使用,因其具有良好的结构性和可迁移性,在国内外装备的效能评估中广泛应用。现有的效能评估方案的制定通常有两种思路,一是直接将其他领域的既有评估参数及等级指标应用于当前待评估领域,如:中国专利CN103226743B授权的《基于TRL的航空装备技术成熟度评估信息处理方法》提出一种基于技术成熟度的航空装备评估信息处理方法,建立了模块化的评估参数处理流程,单该方法未结合所评估的航天装备技术领域改进原有的评估指标及判据,且由于其面向庞大复杂的航天装备系统,评估过程中需参照大量的技术标准细则,无法解决带电作业装备系统所面临的实际问题。上述评估方案的针对性不强,无法切实反映待评估装备的优势和不足。另一种思路是仅对待评估装备特定环境下的应用性能或具体零部件的工艺参数作定性或定量评价,如:中国专利CN104881551B授权的《电工电子产品成熟度评估方法》提出了一种基于电工电子产品成熟度试验数据或相关试验数据及生产制造数据的产品成熟度评估方法,该方法主要针对电工电子产品的具体零部件,所需参数多,评估工作量大,不利于跨领域的应用推广;中国专利CN106845854A公布的《一种航天遥感有效载荷发展效能评价方法及系统》结合航天遥感有效载荷的应用领域提取遥感信息产品权重指标,建立了一种效能评估矩阵,通过对载荷应用技术在矩阵中的定位作航天遥感有效载荷的效能评估,该方法针对航天遥感领域,需对效能评估矩阵的各象限和子区域有效定义及划分,使用难度较大;中国专利CN109711699A公布的《一种基于成熟度等级的装备作战效能评估方法》面向完整的武器装备系统,采用模块化和量化评估的方式,但该方法主要面向武器装备的作战性能评估,不适用于智能带电作业技术领域。上述评估方案可迁移性和便捷性较低,需参考的标准和指南较多,不利于推广至智能带电作业技术领域。
近年来,效能评估在电网装备的研发、改进及采购方面的应用仍存在以下问题:1)如何构建适用于带电作业智能装备系统的效能评估流程;2)如何在装备系统的各项参数及性能中提取评估指标;3)如何有效整合评估过程中出现的数据及相关信息;4)如何制定明确的评估细则;5)如何简化评估工作,提高评估方法的可迁移性;6)如何修正评估值与现实装备效能的偏差;7)如何规范清晰地描述评估参数,等。上述问题制约了效能评估在智能带电作业领域的开展,为加强对装备开展任务的性能水平和有关技术发展趋向的把握,亟需提出一种层次清晰、结构性强、执行效率高、判据明确且符合实智能装备带电作业需求的效能评估方法。
发明内容
本发明的目的是为了提供一种智能装备带电作业预期效能的评估方法,该方法根据智能装备带电作业的功能需求和研发进展,基于功能解析和系统分层构建了一套覆盖全面、结构性强的评估指标体系;结合成熟度计算提出了各级指标的预期效能值的计算方法,采用低值校正和效能-成熟度翻译提高结果的客观性和可读性,实现带电作业智能装备性能水平和发展趋向的量化评估,有助于优化研发决策。
本发明至少通过如下技术方案之一实现。
一种智能装备带电作业预期效能评估方法,包括以下步骤:
步骤1、分析智能装备带电作业时功能系统的关键技术因子,解析智能装备带电作业的功能需求以及实际功能;
步骤2、分层确定待评估装备开展带电作业所需能力,构建智能装备带电作业预期效能的评估指标体系;
步骤3、分别对照技术成熟度等级判据和集成成熟度等级判据,评估步骤2中评估指标体系的技术成熟度TRL及各级指标的集成关系IRL并归一化;
步骤4、基于步骤3的技术成熟度TRL和集成关系IRL,逐层聚合计算各级指标的预期效能值,从而得到智能装备开展带电作业预期效能值;
步骤5、校正低于设定值的各级指标的预期效能值;
步骤6、构建效能-成熟度翻译表,将智能装备带电作业预期效能值转换为整数形式的成熟度等级;
步骤7、输出各级指标预期效能的评估结果;
步骤8、根据步骤7的评估结果,定位当前带电作业智能装备的技术性能,改进带电作业智能装备,着重开发预期效能较低的技术指标相关的功能单元。
进一步地,智能装备的功能系统主要由若干个子系统组成,每个子系统主要由若干个子模块组成,每个子模块主要由若干个关键技术因子组成,关键技术因子是组成功能系统的最小单元;效能评估按照层级自下而上展开,r个关键技术因子预期效能TRLpqr聚合计算得第q个子模块预期效能SRLpq;q个子模块预期效能SRLpq聚合计算得第p个子系统的预期效能SRLp;最后由p个子系统预期效能SRLp聚合计算得系统的预期效能ESRL。
进一步地,步骤1具体包括以下步骤:
步骤1-1、结合智能装备的作业对象、活动范围、运动方式、预期作业效果、所处电位及电、磁场环境,分析智能装备开展带电作业的功能需求和该智能装备可实现的实际功能;
步骤1-2、将智能装备开展带电作业的功能需求解析为其开展带电作业的预期流程;
步骤1-3、将待评估装备开展带电作业的实际功能解析为其开展带电作业的实际流程。
进一步地,所述步骤2中,评估指标体系包括一级指标、二级指标和三级指标;
一级指标包括安全性、灵活性指标和自主性指标;
二级指标包括电磁防护能力、环境防护能力、故障自救能力、运动能力、作业范围、动作控制能力、决策管理能力;其中,电磁防护能力、环境防护能力和故障自救能力对应一级指标的安全性;运动能力和作业范围对应一级指标的灵活性;动作控制能力、决策管理能力对应一级指标的自主性;
三级指标包括与电磁防护能力对应的电磁干扰防护能力、过电压防护能力和作业安全防护能力,与环境防护能力对应的坠落防护能力和机械防护能力,与故障自救能力对应的自检修复能力和保护性启/停能力,与运动能力对应的越障能力、爬坡能力和自主上下线路能力,与作业范围对应的在带电导线及附件的运动能力、在地线及附件的运动能力、在绝缘子及附件的运动能力和在杆塔及接地装置的运动能力,与动作控制能力对应的位姿调整能力、速度调节能力和平稳控制能力,与决策管理能力对应的搜索识别认知能力、轨迹导航能力和作业参数调节能力。
依照步智能装备开展带电作业的预期流程,所述评估指标体系的各级指标中,确定待评估装备开展带电作业所需能力。
进一步地,所述步骤3中,技术成熟度等级判据分为9个级,分别如下:
等级1对应的技术成熟度为存在待评估智能带电作业技术的科学原理;等级2对应的技术成熟度为待评估智能带电作业技术在运行环境中的应用范围;等级3对应的技术成熟度为待评估智能带电作业技术已得到基于运行环境参数的理论验证;等级4对应的技术成熟度为待评估智能带电作业技术的对应部件已研制;等级5对应的技术成熟度为待评估智能带电作业技术对应部件的可靠性于实验室条件得到验证;等级6对应的技术成熟度为待评估智能带电作业技术对应部件的可靠性于运行环境验证;等级7对应的技术成熟度为加装待评估智能带电作业技术对应部件的装备样机在实验室条件已验证可靠性;等级8对应的技术成熟度为加装待评估智能带电作业技术对应部件的装备样机在运行环境中已验证可靠性;等级9对应的技术成熟度为加装待评估智能带电技术对应部件的装备已实现批量生产,并能可靠、大量地应用于实际运行环境。
进一步地,所述步骤3中,集成成熟度等级判据分为九个等级,分别如下:
第一等级对应的集成成熟度为待评估智能带电作业技术之间存在接口;第二等级对应的集成成熟度为集成的待评估智能带电作业技术在运行环境中的应用范围已明确;第三等级对应的集成成熟度为待评估智能带电作业技术的集成可行性已得到基于运行环境参数的理论验证;第四等级对应的集成成熟度为待评估智能带电作业技术的集成可靠性已得到基于运行环境参数的理论验证;第五等级对应的集成成熟度为待评估智能带电作业技术对应部件可互通信息或传译数据;第六等级对应的集成成熟度为待评估智能带电作业技术对应部件可实现相对控制;第七等级对应的集成成熟度为待评估智能带电作业技术对应部件的集成可行性在运行环境中已验证;第八等级对应的集成成熟度为待评估智能带电作业技术对应部件的集成可靠性在处于运行环境的装备样机中已验证;第九等级对应的集成成熟度为加装集成的待评估智能带电作业技术对应部件的装备已实现批量生产,并能应用于实际运行环境。
进一步地,所述步骤4中,各级指标的预期效能值的计算步骤如下:
步骤4-1、对步骤2所述的待评估装备开展带电作业所需能力统计数量,开展带电作业所需能力对应的一级、二级、三级指标数量分别记为P、P×Q、P×Q×R,其中P、Q、R∈N;
步骤4-2、整合一级指标对应的第p个子系统Sp、子系统Sp对应的二级指标中对应的第q个子模块Spq、子模块Spq对应的R个三级指标对应的关键技术因子CTE1、CTE2、……、CTEr、……、CTER的技术成熟度等级TRLpqr,得到R个三级指标的预期效能向量EpqR并归一化,其中1≤r≤R,1≤p≤P,1≤q≤Q;
EpqR=[Epq1 Epq2…Epqr…EpqR]T=[TRLpq1 TRLpq2…TRLpqr…TRLpqR]T (1)
式中,EpqR的第r个分量Epqr为待评估装备第r个三级指标的预期效能值;TRLpqr为待评估装备三级指标中第r个关键技术因子CTEr的技术成熟度等级,满足Epqr=TRLpqr;
步骤4-3、构建步骤4-2所述的R个三级指标对应的关键技术因子CTE1、CTE2、……、CTEr、……、CTER的集成关系矩阵IRLR×R并归一化;
式中,令IRLij为第i个与第j个三级指标中关键技术因子之间的集成成熟度等级,有IRLij=IRLji,1≤j≤R;
步骤4-4、令步骤4-2所述的R个三级指标的预期效能向量EpqR左乘步骤4-3所述的集成关系矩阵IRLR×R,得到R个三级指标对应的关键技术因子的体系成熟度向量SRLpqR并归一化:
SRLpqR=IRLR×R×EpqR=[SRLpq1 SRLpq2…SRLpqr…SRLpqR]T (3)
式中,SRLpqr为SRLpqR的第r个分量;
步骤4-5、构建步骤4-2所述的Q个二级指标的预期效能向量EpQ:
EpQ=[Ep1 Ep2…Epq…EpQ]T (4)
式中,EpQ的第q个分量Epq为待评估装备第q个二级指标的预期效能值,满足下式关系:
式中,nr为待评估装备三级指标中第r个关键技术因子CTEr与R个同级指标有集成关系的数量;
步骤4-6、构建步骤4-2所述的Q个二级指标对应的子模块Sp1、Sp2、……、Spq、……、SpQ的集成关系矩阵IRLQ×Q并归一化;
式中,令IRLij为第i个与第j个二级指标中子模块之间的集成成熟度等级,有IRLij=IRLji,1≤i≤Q,1≤j≤Q;
步骤4-7、令步骤4-5所述的Q个二级指标的预期效能向量EpQ左乘步骤4-6所述的Q个二级指标对应的子模块的集成关系矩阵IRLQ×Q,得到Q个二级指标对应的子模块的体系成熟度向量SRLpQ并归一化:
SRLpQ=IRLQ×Q×EpQ=[SRLp1 SRLp2…SRLpq…SRLpQ]T (7)
式中,SRLpq为SRLpQ的第q个分量,1≤q≤Q;
步骤4-8、构建步骤4-2所述的P个一级指标的预期效能向量EP:
EP=[E1 E2…Ep…EP]T (8)
式中,EP的第p个分量Ep为待评估装备第p个一级指标的预期效能值,满足下式关系:
式中,nq为待评估装备二级指标中第q个子模块Spq与Q个同级指标有集成关系的数量;
步骤4-9、构建步骤4-2所述的P个一级指标对应的子系统S1、S2、……、Sp、……、SP的集成关系矩阵IRLP×P并归一化;
式中,令IRLij为第i个与第j个一级指标中子系统之间的集成成熟度等级,有IRLij=IRLji;
步骤4-10、令步骤4-8所述的P个一级指标的预期效能向量EP左乘步骤4-9所述的P个一级指标对应的子系统的集成关系矩阵IRLP×P,得到P个一级指标对应的子系统的体系成熟度向量SRLP并归一化:
SRLP=IRLP×P×EP=[SRL1 SRL2…SRLp…SRLP]T (11)
式中,SRLp为SRLP的第p个分量;
步骤4-11、计算待评估装备开展带电作业的预期效能向量SRLp各分量的算术平均值,得智能装备开展带电作业预期效能值SRLE:
式中,np为待评估装备二级指标中第p个子系统Sp与P个同级指标有集成关系的数量。
进一步地,所述步骤5中,预期效能值的校正为:
采用临界低值M=3来反映并校正过低的指标的预期效能值对总体预期效能值的负面影响。当有K个低一级指标的未归一化预期效能值其所在层级的未归一化体系成熟度为SRL(l),1≤k≤K,则其归一化的上一级指标预期效能校正值为:
进一步地,所述步骤6中,效能-成熟度翻译是将已校正的指标的预期效能值ESRL转换为整数形式的成熟度等级,步骤如下:
步骤6-1、计算界定元SRLc并归一化:
式中,l和t均为整数变量,l=1、2、……、9;
步骤6-2、用步骤6-1所述的归一化的界定元n-SRLc构建9级效能-成熟度翻译规则如下:
ESRL∈(0,0.06],对应等级一,即成熟度为智能装备的带电作业已具备成型的研发框架;ESRL∈(0.06,0.14],对应等级二,即成熟度为智能装备的带电作业已具备成型的研发方案;ESRL∈(0.14,0.22],对应等级三,即成熟度为智能装备开展带电作业的关键组件已研发;ESRL∈(0.22,0.32],对应等级四,即成熟度为智能装备的带电作业已具备成型的约束和规范;ESRL∈(0.32,0.43],对应等级五,即成熟度为智能装备开展带电作业的关键组件能可靠应用于作业环境;ESRL∈(0.43,0.56],对应等级六,即成熟度为智能装备开展带电作业的关键组件已可靠地集成;ESRL∈(0.56,0.69],对应等级七,即成熟度为智能装备开展带电作业的风险阈值满足基于作业环境参数的理论需求;ESRL∈(0.69,0.84],对应等级八,即成熟度为智能装备能在作业环境中可靠地完成带电作业任务;ESRL∈(0.84,1.00],对应等级九,即成熟度为带电作业智能装备能批量生产,相关技术可投入广泛应用。
本发明通过解析智能装备带电作业的功能需求,分层级构建智能装备带电作业预期效能的评估指标体系;基于成熟度等级判据,评估智能装备带电作业三级指标的预期效能值和各级指标的集成关系;逐层聚合计算得智能装备带电作业的总体预期效能值;校正并转换总体预期效能值为成熟度等级;分析并可视化结果。本发明根据智能装备带电作业的功能需求和研发进展,基于成熟度等级构建了一套智能装备带电作业预期能力的评估方法。该方法具有较强的结构性和客观性,能直观反映智能装备带电作业相关技术及其功能模块的发展动态,可用于量化装备发展水平和趋向,优化研发决策。
与现有的技术相比,本发明具有如下的有益效果:
1、本发明根据智能装备带电作业的功能需求和研发进展,将智能装备带电作业的功能需求解析为具体的预期带电作业流程,依照该流程对应所需的功能模块,从安全性、灵活性、自主性三个方面,分层级构建智能装备带电作业预期效能的评估指标体系;基于该指标体系,可实现对智能装备带电作业预期效能科学客观的评估;
2、本发明结合现有带电作业智能装备的研发结果,基于成熟度等级判据和成熟度计算,设计了计算智能装备开展带电作业指标能力的方法,采用循环迭代的逐级聚合计算可得智能装备用于带电作业的各类功能模块的性能水平,计算结果可直观反映相关功能技术的发展趋向和优劣势;
3、本发明根据智能装备带电作业预期效能计算值的特点,提出低值校正方法和效能-成熟度翻译模型,分别用于反映过低的指标预期效能对装备总体预期效能的负面影响,并将预期效能计算值转换为整数形式的成熟度等级,上述方法可提高评估结果的客观性和可读性。
附图说明
图1为本实施例的机器人在架空线路开展带电除冰作业预期效能的评估方法的流程图;
图2为本实施例的机器人在架空线路开展带电除冰作业的预期流程示意图;
图3为本实施例的一种用于架空线路带电除冰机器人的功能系统三级指标划分示意图;
图4为本实施例的一种用于架空线路带电除冰机器人的各功能模块的集成关系图;
图5为本实施例的一种基于逐层迭代聚合计算的机器人带电除冰预期效能计算框架图;
图6为本实施例的一种用于架空线路带电除冰机器人的各子模块预期效能的逐年对比图;
图7为本实施例的一种用于架空线路带电除冰机器人的各子系统预期效能的逐年对比图。
具体实施方式
本发明面向带电作业领域中智能装备的功能需求和研发进展,基于功能解析和系统分层构建了一套覆盖全面、结构性强的评估指标体系;结合成熟度计算提出了各级指标的预期效能值的计算方法,采用低值校正和效能-成熟度翻译提高结果的客观性和可读性,实现带电作业智能装备性能水平和发展趋向的量化评估,有助于优化研发决策。
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。
架空线路带电除冰是带电作业的重要分支。本发明以机器人在架空线路开展带电除冰作业的预期效能评估为优选的实施例,对本发明进行解释说明,包括以下步骤:
如图1所示的机器人在架空线路开展带电除冰作业预期效能评估方法,包括以下步骤:
步骤S1、技术解构,即分析机器人开展带电除冰作业的关键技术因子,解析用于带电除冰作业的机器人的功能需求以及待评估机器人开展带电除冰作业的实际功能,具体包括以下步骤:
步骤S1-1、结合机器人的作业对象、活动范围、运动方式、预期作业效果、所处电位及电、磁场环境,分析智能装备开展带电除冰作业的功能需求。本实施例中,机器人在架空输电线路上开展带电除冰作业的功能需求包括:搜索、判断、定位及运动至线路缺陷处;有效除冰;作业结束后返回指定位置;作业前自检,如发生故障及时调用应急方案,等。
步骤S1-2、将机器人开展带电除冰作业的功能需求解析为其开展带电除冰作业的预期流程。本实施例的机器人在架空线路开展带电除冰作业的预期流程示意图如图2所示。本实施例中,针对架空线路覆冰这一缺陷,机器人需在架空线路上有效执行带电除冰作业,包括如下环节;1)接收启动指令,进入作业预备状态;2)作业前进行功能系统自检;3)自检中如发现功能故障,及时中断作业预备状态并进行应急处理;4)自检完成后,如未发现功能故障,用可见光、红外、紫外等传感器搜索存在覆冰缺陷的架空线路设备;5)搜索完成后,如未发现存在覆冰缺陷,退出作业状态并返回指定位置;6)如搜索过程中发现覆冰缺陷,对覆冰缺陷进行定位;7)运动至覆冰缺陷所在位置;8)有效消除覆冰缺陷;9)判断作业状态;10)如作业未完成,自环节2)重新开始新一轮的带电除冰作业;11)如作业已完成,退出作业状态;11)返回指定位置。
步骤S1-3、将待评估机器人开展带电除冰作业的实际功能解析为其开展带电除冰作业的实际流程。在本实施例中:主要有如下情况:
(1)截至2000年,待评估机器人仅能在实验室的不带电的覆冰导线上运动,带电除冰功能系统仍未研发。其开展带电除冰作业的实际流程为:接收启动指令,进入作业预备状态→运动至覆冰缺陷所在位置→退出作业状态;
(2)截至2005年,待评估机器人能在实验室的不带电的覆冰导线上运动并执行简单的除冰作业。其开展带电除冰作业的实际流程为:接收启动指令,进入作业预备状态→运动至覆冰缺陷所在位置→消除覆冰缺陷→退出作业状态;
(3)截至2010年,机器人的动作控制和识别能力等关键技术得到关注和发展,待评估机器人能识别覆冰线路设备,并在实验室的带电的覆冰导线上运动并执行简单的除冰作业,但其仍无法完成自主除冰。其开展带电除冰作业的实际流程为:接收启动指令,进入作业预备状态→对覆冰缺陷进行定位→运动至覆冰缺陷所在位置→消除覆冰缺陷→退出作业状态;
(4)截至2015年,线路除冰机器人新增主动搜寻覆冰设备的功能,能根据设备覆冰状态调整作业参数,具备不同的除冰方式,可有效消除覆冰,作业完成后,机器人能按照指令返回到指定位置。其开展带电除冰作业的实际流程为:接收启动指令,进入作业预备状态→用可见光、红外、紫外等传感器搜索存在覆冰缺陷的架空线路设备搜索存在覆冰缺陷的架空线路设备→对覆冰缺陷进行定位→运动至覆冰缺陷所在位置→有效消除覆冰缺陷→退出作业状态→返回指定位置;
(5)截至2020年,为提高带电除冰作业的安全性和可靠性,线路除冰机器人新增自检功能,但机器人仍不具备判断作业状态的功能。其开展带电除冰作业的实际流程为:接收启动指令,进入作业预备状态→作业前进行功能系统自检→用可见光、红外、紫外等传感器搜索存在覆冰缺陷的架空线路设备→对覆冰缺陷进行定位→运动至覆冰缺陷所在位置→消除覆冰缺陷→退出作业状态→返回指定位置;
步骤S2、指标提取,即分层构建机器人开展带电除冰作业预期效能的评估指标体系;
步骤S2-1、分层级构建智能装备带电除冰作业预期效能的评估指标体系,依照所述的预期流程,分层级构建机器人带电除冰作业预期效能的评估指标体系。
本实施例的一种用于架空线路带电除冰机器人的功能系统三级指标划分示意图如图3所示。图3中,智能装备的功能系统由多个子系统组成,每个子系统由多个子模块组成,每个子模块可由多个关键技术因子组成,关键技术因子是组成该功能系统的最小单元。设一级指标共P个,第p个(1≤p≤P)一级指标向下展开为Q个二级指标;第q个(1≤p≤Q)二级指标向下展开为R个三级指标。
效能(E)是指标的属性;成熟度和集成关系(TRL/IRL/SRL)是指标对应因子、子模块或子系统等实体的属性。
一级指标包括安全性、灵活性和自主性;
二级指标包括电磁防护能力、环境防护能力、故障自救能力、运动能力、作业范围、动作控制能力、决策管理能力;其中,电磁防护能力、环境防护能力和故障自救能力对应一级指标的安全性;运动能力和作业范围对应一级指标的灵活性;动作控制能力、决策管理能力对应一级指标的自主性;
三级指标包括与电磁防护能力对应的电磁干扰防护能力、过电压防护能力和作业安全防护能力,与环境防护能力对应的坠落防护能力和机械防护能力,与故障自救能力对应的自检修复能力和保护性启/停能力,与运动能力对应的越障能力、爬坡能力和自主上下线路能力,与作业范围对应的在带电导线及附件的运动能力、在地线及附件的运动能力、在绝缘子及附件的运动能力和在杆塔及接地装置的运动能力,与动作控制能力对应的位姿调整能力、速度调节能力和平稳控制能力,与决策管理能力对应的搜索识别认知能力、轨迹导航能力和作业参数调节能力;指标间的对应关系如表1所示:
表1智能装备带电作业预期效能评估指标体系
如表1所示,建立的指标体系具体可描述为:智能装备带电除冰作业总体预期效能指标的关键技术因子包括安全性(SA)、灵活性(SB)、自主性(SC);进一步地,安全性指标(SA)的关键技术因子包括电磁防护能力(S1)、环境防护能力(S2)和故障自救能力(S3);灵活性指标(SB)的关键技术因子包括运动能力(S4)和作业范围(S5);自主性指标(SC)的关键技术因子包括动作控制能力(S6)和决策管理能力(S7);进一步地,电磁防护能力指标(S1)的关键技术因子包括电磁干扰防护能力(C1)、过电压防护能力(C2)和作业安全防护能力(C3);环境防护能力指标(S2)的关键技术因子包括坠落防护能力(C4)和机械防护能力(C5);故障自救能力指标(S3)的关键技术因子包括自检修复能力(C6)和保护性启/停能力(C7);运动能力指标(S4)的关键技术因子包括越障能力(C8)、爬坡能力(C9)和自主上下线路能力(C10);作业范围指标(S5)的关键技术因子包括在带电导线及附件的运动能力(C11)、在地线及附件的运动能力(C12)、在绝缘子及附件的运动能力(C13)和在杆塔及接地装置的运动能力(C14);动作控制能力指标(S6)的关键技术因子包括位姿调整能力(C15)、速度调节能力(C16)和平稳控制能力(C17);决策管理能力指标(S7)的关键技术因子包括搜索识别认知能力(C18)、轨迹导航能力(C19)和作业参数调节能力(C20)。
步骤S2-2、依照步骤S1-1所述的智能装备开展带电除冰作业的预期流程,从步骤S2-1所述评估指标体系的各级指标中,确定待评估机器人开展带电除冰作业所需能力。
本实施例取电磁干扰防护能力(C1)、过电压防护能力(C2)作业安全防护能力(C3)、坠落防护能力(C4)、机械防护能力(C5)、自检修复能力(C6)、保护性启/停能力(C7)、越障能力(C8)、爬坡能力(C9)、自主上下线路能力(C10)、在带电导线及附件的运动能力(C11)、在地线及附件的运动能力(C12)、在绝缘子及附件的运动能力(C13)、在杆塔及接地装置的运动能力(C14)、位姿调整能力(C15)、速度调节能力(C16)、平稳控制能力(C17)、搜索识别认知能力(C18)、轨迹导航能力(C19)、作业参数调节能力(C20)为机器人在架空线路开展带电除冰作业的所需能力。
步骤S3、功能建模,即分别对照技术成熟度等级判据和集成成熟度等级判据,评估三级指标的技术成熟度TRL及各级指标的集成关系IRL并归一化。其中,智能装备开展带电作业的技术成熟度等级判据和集成成熟度等级判据各分为9个级,如表2和表3所示。
表2智能装备开展带电作业的技术成熟度等级判据
等级 | 技术成熟度 |
1 | 存在待评估智能带电作业技术的科学原理 |
2 | 待评估智能带电作业技术在运行环境中的应用范围已明确 |
3 | 待评估智能带电作业技术已得到基于运行环境参数的理论验证 |
4 | 待评估智能带电作业技术的对应部件已研制 |
5 | 待评估智能带电作业技术对应部件的可靠性于实验室条件得到验证 |
6 | 待评估智能带电作业技术对应部件的可靠性于运行环境验证 |
7 | 加装待评估智能带电作业技术对应部件的装备样机在实验室条件已验证可靠性 |
8 | 加装待评估智能带电作业技术对应部件的装备样机在运行环境中已验证可靠性 |
9 | 加装待评估智能带电技术对应部件的装备已实现批量生产,并能可靠、大量地应用于实际运行环境 |
集成成熟度等级判据可分为9级,第一等级对应的集成成熟度为:待评估智能带电作业技术之间存在接口;第二等级对应的集成成熟度为:集成的待评估智能带电作业技术在运行环境中的应用范围已明确;第三等级对应的集成成熟度为:待评估智能带电作业技术的集成可行性已得到基于运行环境参数的理论验证;第四等级对应的集成成熟度为:待评估智能带电作业技术的集成可靠性已得到基于运行环境参数的理论验证;第五等级对应的集成成熟度为:待评估智能带电作业技术对应部件可互通信息或传译数据;第六等级对应的集成成熟度为:待评估智能带电作业技术对应部件可实现相对控制;第七等级对应的集成成熟度为:待评估智能带电作业技术对应部件的集成可行性在运行环境中已验证;第八等级对应的集成成熟度为:待评估智能带电作业技术对应部件的集成可靠性在处于运行环境的装备样机中已验证;第九等级对应的集成成熟度为:加装集成的待评估智能带电作业技术对应部件的装备已实现批量生产,并能可靠、大量地应用于实际运行环境。
表3智能装备开展带电作业的集成成熟度等级判据
本实施例对比架空输电线路带电除冰作业智能装备截至2000年(A)、2005年(B)、2010年(C)、2015年(D)、2020年(E)的三级指标及对应技术成熟度TRL如表4:
表4机器人带电除冰作业三级指标中各关键技术因子对应的技术成熟度TRL
2000年(A) | 2005年(B) | 2010年(C) | 2015年(D) | 2020年(E) | |
C<sub>1</sub> | 2 | 5 | 6 | 7 | 7 |
C<sub>2</sub> | 2 | 5 | 6 | 7 | 7 |
C<sub>3</sub> | 1 | 1 | 2 | 2 | 3 |
C<sub>4</sub> | 5 | 6 | 7 | 7 | 7 |
C<sub>5</sub> | 6 | 6 | 7 | 7 | 7 |
C<sub>6</sub> | 1 | 3 | 3 | 4 | 5 |
C<sub>7</sub> | 1 | 1 | 2 | 2 | 3 |
C<sub>8</sub> | 1 | 3 | 6 | 7 | 7 |
C<sub>9</sub> | 5 | 5 | 6 | 7 | 8 |
C<sub>10</sub> | 1 | 1 | 2 | 2 | 3 |
C<sub>11</sub> | 4 | 5 | 6 | 8 | 8 |
C<sub>12</sub> | 6 | 6 | 8 | 8 | 8 |
C<sub>13</sub> | 1 | 1 | 1 | 1 | 1 |
C<sub>14</sub> | 1 | 1 | 1 | 1 | 1 |
C<sub>15</sub> | 2 | 3 | 5 | 6 | 7 |
C<sub>16</sub> | 1 | 1 | 3 | 5 | 6 |
C<sub>17</sub> | 1 | 1 | 4 | 5 | 6 |
C<sub>18</sub> | 1 | 3 | 4 | 5 | 6 |
C<sub>19</sub> | 1 | 1 | 2 | 3 | 4 |
C<sub>20</sub> | 1 | 1 | 1 | 1 | 1 |
基于集成成熟度等级判据,评估各级指标对应功能模块的集成关系IRL,与各级评估指标对应的功能模块的集成关系如图4所示,具体表述如下:
在一级指标的3个维度中,安全性SA强调安全防护,灵活性SB强调在架空线路设备及周围环境的运动,自主性SC强调应对复杂架空线路环境的决策控制,安全性SA、灵活性SB、自主性SC两两集成,即安全防护保障了运动和决策控制的正常开展;高效的决策控制提升了机器人的安全性和运动的灵活性。
在二级指标的7个功能中,电磁防护能力S1强调作业于高电压、强电磁场的安全性;环境防护能力S2强调运动于野外高空架空线路的安全性;由于绝缘和屏蔽层在一定程度上可用于防护环境威胁,电磁防护能力S1与环境防护能力S2集成。故障自救能力S3为独立的功能模块。机器人运动于不同线路设备需可靠的运动能力,因此运动能力S4与作业范围S5集成。机器人结合架空线路覆冰情况和除冰需求作不同的运动决策,将落实到机器人对动作的控制,因此,动作控制能力S6与决策管理能力S7集成。
在三级指标的20个关键技术因子中,电磁干扰防护能力C1强调电磁屏蔽;过电压防护能力C2强调高电压绝缘;作业安全防护能力C3强调带电除冰作业对架空线路的安全性;三者通常独立设计,不集成。坠落防护能力C4强调坠落防护;机械防护能力C5强调对外界破坏的防护;坠落防护能力C4、机械防护能力C5集成。自检修复能力C6强调应对紧急情况采取的自检修复策略;保护性启/停能力C7强调应对紧急情况采取的保护性启停策略;自检修复能力C6、保护性启/停能力C7集成。保护性启/停能力C7强调机器人跨越运动路径中障碍物的性能;越障能力C8强调机器人于柔性导、地线的爬坡能力;爬坡能力C9强调机器人不依赖人工辅助上下线路的能力;三者不集成。自主上下线路能力C10强调机器人于带电导线及周围的运动能力;带电导线及附件C11强调机器人于不带电地线及周围的运动能力;地线及附件C12强调机器人于绝缘子及附件上的运动能力;绝缘子及附件C13强调机器人于杆塔及接地装置上的运动能力;自主上下线路能力C10和带电导线及附件C11之间存在相似性,相互集成;而地线及附件C12、绝缘子及附件C13与自主上下线路能力C10及带电导线及附件C11对应的运动机构不同,即地线及附件C12、绝缘子及附件C13与自主上下线路能力C10及带电导线及附件C11不集成。杆塔及接地装置C14强调位姿的调整;位姿调整能力C15强调运动速度的调节;杆塔及接地装置C14和位姿调整能力C15为两类独立的控制逻辑,不集成;速度调节能力C16强调机体平稳控制;速度调节能力C16的实现需机器人同时具有杆塔及接地装置C14和位姿调整能力C15功能,杆塔及接地装置C14和位姿调整能力C15分别与速度调节能力C16集成。平稳控制能力C17强调搜索、识别与认知能力;搜索识别认知能力C18强调导航及规划运动路径的能力;轨迹导航能力C19强调结合作业对象及外界条件变化来调节作业参数的能力;搜索识别认知能力C18、轨迹导航能力C19需通过平稳控制能力C17来获取必要的参数,因此,搜索识别认知能力C18、轨迹导航能力C19分别与平稳控制能力C17集成;但搜索识别认知能力C18和轨迹导航能力C19为两个独立地功能模块,二者不集成。
由上述功能关系,本实施例的一种用于架空线路带电除冰机器人的各功能模块的集成关系图如图4所示。图中,根据是否有实际集成关系,分别采用实、虚线表示,虚线代表指标间无实际集成关系,实线代表指标间有实际集成关系,不同层级指标间的集成关系采用不同磅数的实线表示,相同层级内指标的集成关系采用相同磅数的实线表示。为简化分析,本实施例中,模块间的实线对应的IRL=9,虚线对应的IRL=1。
步骤S4、逐层聚合,即基于成熟度SRL的计算,逐层聚合计算各级指标的预期效能值,从而得到智能装备开展带电作业预期效能值。
本实施例的一种基于逐层迭代聚合计算的机器人带电除冰预期效能计算框架图如图5所示。图中,效能评估按照层级自下而上展开,R个三级指标预期效能向量EpqR聚合R个三级指标对应的关键技术因子的集成关系矩阵计算得到第q个(1≤q≤Q)子模块预期效能值Epq;Q个二级指标预期效能向量EpQ聚合Q个二级指标对应的子模块的集成关系矩阵得到第p个(1≤p≤P)子系统预期效能值Ep;P个一级指标预期效能向量EP聚合P个一级指标对应的子系统集成关系矩阵计算得功能系统体系成熟度向量SRLP;经低值校正得到机器人在架空线路开展带电除冰作业的预期效能ESRL。
本实施例的各级指标的预期效能值的具体计算步骤如下:
步骤S4-1、对步骤S2-1所述的待评估装备开展带电作业所需能力统计数量,开展带电作业所需能力对应的一级、二级、三级指标数量分别记为P、P×Q、P×Q×R(P、Q、R∈N);
步骤S4-2、整合一级指标对应的第p个(1≤p≤P)子系统Sp、子系统Sp对应的二级指标中对应的第q个(1≤q≤Q)子模块Spq、子模块Spq对应的R个三级指标对应的关键技术因子CTE1、CTE2、……、CTEr、……、CTER的技术成熟度等级TRLpqr(1≤r≤R),得到R个三级指标的预期效能向量EpqR并归一化;
EpqR=[Epq1 Epq2…Epqr…EpqR]T=[TRLpq1…TRLpq2…TRLpqr…TRLpqR]T (1)
式中,EpqR的第r个(1≤r≤R)分量Epqr为待评估装备第r个三级指标的预期效能值;TRLpqr为待评估装备三级指标中第r个关键技术因子CTEr的技术成熟度等级,满足Epqr=TRLpqr;
步骤S4-3、构建步骤S4-2所述的R个三级指标对应的关键技术因子CTE1、CTE2、……、CTEr、……、CTER(1≤r≤R)的集成关系矩阵IRLR×R并归一化;
式中,令IRLij为第i个(1≤i≤R)与第j个(1≤j≤R)三级指标中关键技术因子之间的集成成熟度等级,有IRLij=IRLji;
步骤S4-4、令步骤S4-2所述的R个三级指标的预期效能向量EpqR左乘步骤S4-3所述的R个三级指标对应的关键技术因子的集成关系矩阵IRLR×R,得到R个三级指标对应的关键技术因子的体系成熟度向量SRLpqR并归一化:
SRLpqR=IRLR×R×EpqR=[SRLpq1 SRLpq2…SRLpqr…SRLpqR]T (3)
式中,SRLpqr为SRLpqR的第r个(1≤r≤R)分量;
步骤S4-5、构建步骤S4-2所述的Q个二级指标的预期效能向量EpQ:
EpQ=[Ep1…Ep2…Epq…EpQ]T (4)
式中,EpQ的第q个(1≤q≤Q)分量Epq为待评估装备第q个二级指标的预期效能值,满足下式关系:
式中,nr为待评估装备三级指标中第r个(1≤r≤R)关键技术因子CTEr与R个同级指标有集成关系的数量;
步骤S4-6、构建步骤S4-2所述的Q个二级指标对应的子模块Sp1、Sp2、……、Spq、……、SpQ(1≤q≤Q)的集成关系矩阵IRLQ×Q并归一化;
式中,令IRLij为第i个(1≤i≤Q)与第j个(1≤j≤Q)二级指标中子模块之间的集成成熟度等级,有IRLij=IRLji;
步骤S4-7、令步骤S4-5所述的Q个二级指标的预期效能向量EpQ左乘步骤S4-6所述的Q个二级指标对应的子模块的集成关系矩阵IRLQ×Q,得到Q个二级指标对应的子模块的体系成熟度向量SRLpQ并归一化:
SRLpQ=IRLQ×Q×EpQ=[SRLp1…SRLp2…SRLpq…SRLpQ]T (7)
式中,SRLpq为SRLpQ的第q个(1≤q≤Q)分量;
步骤S4-8、构建步骤S4-2所述的P个一级指标的预期效能向量EP:
EP=[E1…E2…Ep…EP]T (8)
式中,EP的第p个(1≤p≤P)分量Ep为待评估装备第p个一级指标的预期效能值,满足下式关系:
式中,nq为待评估装备二级指标中第q个(1≤q≤Q)子模块Spq与Q个同级指标有集成关系的数量;
步骤S4-9、构建步骤S4-2所述的P个一级指标对应的子系统S1、S2、……、Sp、……、SP(1≤p≤P)的集成关系矩阵IRLP×P并归一化;
式中,令IRLij为第i个(1≤i≤P)与第j个(1≤j≤P)一级指标中子系统之间的集成成熟度等级,有IRLij=IRLji;
步骤S4-10、令步骤S4-8所述的P个一级指标的预期效能向量EP左乘步骤S4-9所述的P个一级指标对应的子系统的集成关系矩阵IRLP×P,得到P个一级指标对应的子系统的体系成熟度向量SRLP并归一化:
SRLP=IRLP×P×EP=[SRL1 SRL2…SRLp…SRLP]T (11)
式中,SRLp为SRLP的第p个(1≤p≤P)分量;
步骤S4-11、计算待评估装备开展带电作业的预期效能向量SRLp各分量的算术平均值,得智能装备开展带电作业预期效能值SRLE:
式中,np为待评估装备二级指标中第p个(1≤p≤P)子系统Sp与P个同级指标有集成关系的数量;
本实施例中,计算表4中机器人带电除冰作业三级指标中各关键技术因子对应的技术成熟度TRL,得到如表5的机器人在架空输电线路开展带电除冰作业的各级指标预期效能。
表5机器人在架空输电线路开展带电除冰作业的预期效能
步骤S5、低值校正,即校正低于设定值的各级指标的预期效能值;
采用临界低值M=3来反映并校正过低的指标的预期效能值对总体预期效能值的负面影响。当有K个(1≤k≤K)低一级指标的未归一化预期效能值其所在层级的未归一化体系成熟度为SRL(l),则其归一化的上一级指标预期效能校正值为:
计算表5机器人在架空输电线路开展带电除冰作业的预期效能
步骤6、效能-成熟度翻译,即构建效能-成熟度翻译表,将智能装备带电作业预期效能值转换为整数形式的成熟度等级;
效能-成熟度翻译是将已校正的指标预期效能值ESRL转换为整数形式的成熟度等级;步骤如下:
步骤6-1、计算界定元SRLc并归一化:
式中,l、t为整数变量,l=1、2、……、9;
步骤6-2、用步骤6-1所述的归一化的界定元n-SRLc构建9级效能-成熟度翻译规则如表4:
表4效能-成熟度翻译翻译规则
步骤7、可视化,即利用图表,分析、展示、对比各级指标预期效能及发展趋势;图6为本实施例各子模块预期效能的逐年对比图;图7为本实施例各子系统预期效能的逐年对比图。
步骤8、改进研发决策,即根据步骤7的评估结果,定位当前带电除冰机器人的技术性能,确定当前研发的短板和优势,改进带电除冰机器人的研发决策,着重开发预期效能较低的技术指标相关的功能单元,以此优化研发资源配置,提升研发效率。
以上所述,仅为本发明优选的实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明所公开的范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都属于本发明的保护范围。
Claims (9)
1.一种智能装备带电作业预期效能评估方法,其特征在于,包括以下步骤:
步骤1、分析智能装备带电作业时功能系统的关键技术因子,解析智能装备带电作业的功能需求以及实际功能;
步骤2、分层确定待评估装备开展带电作业所需能力,构建智能装备带电作业预期效能的评估指标体系;
步骤3、分别对照技术成熟度等级判据和集成成熟度等级判据,评估步骤2中评估指标体系的技术成熟度TRL及各级指标的集成关系IRL并归一化;
步骤4、基于步骤3的技术成熟度TRL和集成关系IRL,逐层聚合计算各级指标的预期效能值,从而得到智能装备开展带电作业预期效能值;
步骤5、校正低于设定值的各级指标的预期效能值;
步骤6、构建效能-成熟度翻译表,将智能装备带电作业预期效能值转换为整数形式的成熟度等级;
步骤7、输出各级指标预期效能的评估结果;
步骤8、根据步骤7的评估结果,定位当前带电作业智能装备的技术性能。
2.根据权利要求1所述的一种智能装备带电作业预期效能评估方法,其特征在于:智能装备的功能系统主要由若干个子系统组成,每个子系统主要由若干个子模块组成,每个子模块主要由若干个关键技术因子组成,关键技术因子是组成功能系统的最小单元;效能评估按照层级自下而上展开,r个关键技术因子预期效能TRLpqr聚合计算得第q个子模块预期效能SRLpq;q个子模块预期效能SRLpq聚合计算得第p个子系统的预期效能SRLp;最后由p个子系统预期效能SRLp聚合计算得系统的预期效能ESRL。
3.根据权利要求2所述的一种智能装备带电作业预期效能评估方法,其特征在于:步骤1具体包括以下步骤:
步骤1-1、结合智能装备的作业对象、活动范围、运动方式、预期作业效果、所处电位及电、磁场环境,分析智能装备开展带电作业的功能需求和该智能装备可实现的实际功能;
步骤1-2、将智能装备开展带电作业的功能需求解析为其开展带电作业的预期流程;
步骤1-3、将待评估装备开展带电作业的实际功能解析为其开展带电作业的实际流程。
4.根据权利要求3所述的一种智能装备带电作业预期效能评估方法,其特征在于:所述步骤2中,评估指标体系包括一级指标、二级指标和三级指标;
一级指标包括安全性、灵活性指标和自主性指标;
二级指标包括电磁防护能力、环境防护能力、故障自救能力、运动能力、作业范围、动作控制能力、决策管理能力;其中,电磁防护能力、环境防护能力和故障自救能力对应一级指标的安全性;运动能力和作业范围对应一级指标的灵活性;动作控制能力、决策管理能力对应一级指标的自主性;
三级指标包括与电磁防护能力对应的电磁干扰防护能力、过电压防护能力和作业安全防护能力,与环境防护能力对应的坠落防护能力和机械防护能力,与故障自救能力对应的自检修复能力和保护性启/停能力,与运动能力对应的越障能力、爬坡能力和自主上下线路能力,与作业范围对应的在带电导线及附件的运动能力、在地线及附件的运动能力、在绝缘子及附件的运动能力和在杆塔及接地装置的运动能力,与动作控制能力对应的位姿调整能力、速度调节能力和平稳控制能力,与决策管理能力对应的搜索识别认知能力、轨迹导航能力和作业参数调节能力;
依照智能装备开展带电作业的预期流程,从评估指标体系的各级指标中,确定待评估装备开展带电作业所需能力。
5.根据权利要求4所述的一种智能装备带电作业预期效能评估方法,其特征在于:所述步骤3中,技术成熟度等级判据分为9个级,分别如下:
等级1对应的技术成熟度为存在待评估智能带电作业技术的科学原理;等级2对应的技术成熟度为待评估智能带电作业技术在运行环境中的应用范围;等级3对应的技术成熟度为待评估智能带电作业技术已得到基于运行环境参数的理论验证;等级4对应的技术成熟度为待评估智能带电作业技术的对应部件已研制;等级5对应的技术成熟度为待评估智能带电作业技术对应部件的可靠性于实验室条件得到验证;等级6对应的技术成熟度为待评估智能带电作业技术对应部件的可靠性于运行环境验证;等级7对应的技术成熟度为加装待评估智能带电作业技术对应部件的装备样机在实验室条件已验证可靠性;等级8对应的技术成熟度为加装待评估智能带电作业技术对应部件的装备样机在运行环境中已验证可靠性;等级9对应的技术成熟度为加装待评估智能带电技术对应部件的装备已实现批量生产,并能可靠、大量地应用于实际运行环境。
6.根据权利要求5所述的一种智能装备带电作业预期效能评估方法,其特征在于:所述步骤3中,集成成熟度等级判据分为九个等级,分别如下:
第一等级对应的集成成熟度为待评估智能带电作业技术之间存在接口;第二等级对应的集成成熟度为集成的待评估智能带电作业技术在运行环境中的应用范围已明确;第三等级对应的集成成熟度为待评估智能带电作业技术的集成可行性已得到基于运行环境参数的理论验证;第四等级对应的集成成熟度为待评估智能带电作业技术的集成可靠性已得到基于运行环境参数的理论验证;第五等级对应的集成成熟度为待评估智能带电作业技术对应部件可互通信息或传译数据;第六等级对应的集成成熟度为待评估智能带电作业技术对应部件可实现相对控制;第七等级对应的集成成熟度为待评估智能带电作业技术对应部件的集成可行性在运行环境中已验证;第八等级对应的集成成熟度为待评估智能带电作业技术对应部件的集成可靠性在处于运行环境的装备样机中已验证;第九等级对应的集成成熟度为加装集成的待评估智能带电作业技术对应部件的装备已实现批量生产,并能应用于实际运行环境。
7.根据权利要求6所述的一种智能装备带电作业预期效能评估方法,其特征在于:所述步骤4中,各级指标的预期效能值的计算步骤如下:
步骤4-1、对步骤2所述的待评估装备开展带电作业所需能力统计数量,开展带电作业所需能力对应的一级、二级、三级指标数量分别记为P、P×Q、P×Q×R,其中P、Q、R∈N;
步骤4-2、整合一级指标对应的第p个子系统Sp、子系统Sp对应的二级指标中对应的第q个子模块Spq、子模块Spq对应的R个三级指标对应的关键技术因子CTE1、CTE2、……、CTEr、……、CTER的技术成熟度等级TRLpqr,得到R个三级指标的预期效能向量EpqR并归一化,其中1≤r≤R,1≤p≤P,1≤q≤Q;
EpqR=[Epq1 Epq2…Epqr…EpqR]T=[TRLpq1 TRLpq2…TRLpqr…TRLpqR]T (1)
式中,EpqR的第r个分量Epqr为待评估装备第r个三级指标的预期效能值;TRLpqr为待评估装备三级指标中第r个关键技术因子CTEr的技术成熟度等级,满足Epqr=TRLpqr;
步骤4-3、构建步骤4-2所述的R个三级指标对应的关键技术因子CTE1、CTE2、……、CTEr、……、CTER的集成关系矩阵IRLR×R并归一化;
式中,令IRLij为第i个与第j个三级指标中关键技术因子之间的集成成熟度等级,有IRLij=IRLji,1≤j≤R;
步骤4-4、令步骤4-2所述的R个三级指标的预期效能向量EpqR左乘步骤4-3所述的集成关系矩阵IRLR×R,得到R个三级指标对应的关键技术因子的体系成熟度向量SRLpqR并归一化:
SRLpqR=IRLR×R×EpqR=[SRLpq1 SRLpq2…SRLpqr…SRLpqR]T (3)
式中,SRLpqr为SRLpqR的第r个分量;
步骤4-5、构建步骤4-2所述的Q个二级指标的预期效能向量EpQ:
EpQ=[Ep1 Ep2…Epq…EpQ]T (4)
式中,EpQ的第q个分量Epq为待评估装备第q个二级指标的预期效能值,满足下式关系:
式中,nr为待评估装备三级指标中第r个关键技术因子CTEr与R个同级指标有集成关系的数量;
步骤4-6、构建步骤4-2所述的Q个二级指标对应的子模块Sp1、Sp2、……、Spq、……、SpQ的集成关系矩阵IRLQ×Q并归一化;
式中,令IRLij为第i个与第j个二级指标中子模块之间的集成成熟度等级,有IRLij=IRLji,1≤i≤Q,1≤j≤Q;
步骤4-7、令步骤4-5所述的Q个二级指标的预期效能向量EpQ左乘步骤4-6所述的Q个二级指标对应的子模块的集成关系矩阵IRLQ×Q,得到Q个二级指标对应的子模块的体系成熟度向量SRLpQ并归一化:
SRLpQ=IRLQ×Q×EpQ=[SRLp1 SRLp2…SRLpq…SRLpQ]T (7)
式中,SRLpq为SRLpQ的第q个分量,1≤q≤Q;
步骤4-8、构建步骤4-2所述的P个一级指标的预期效能向量EP:
EP=[E1 E2…Ep…EP]T (8)
式中,EP的第p个分量Ep为待评估装备第p个一级指标的预期效能值,满足下式关系:
式中,nq为待评估装备二级指标中第q个子模块Spq与Q个同级指标有集成关系的数量;
步骤4-9、构建步骤4-2所述的P个一级指标对应的子系统S1、S2、……、Sp、……、SP的集成关系矩阵IRLP×P并归一化;
式中,令IRLij为第i个与第j个一级指标中子系统之间的集成成熟度等级,有IRLij=IRLji;
步骤4-10、令步骤4-8所述的P个一级指标的预期效能向量EP左乘步骤4-9所述的P个一级指标对应的子系统的集成关系矩阵IRLP×P,得到P个一级指标对应的子系统的体系成熟度向量SRLP并归一化:
SRLP=IRLP×P×EP=[SRL1 SRL2…SRLp…SRLP]T (11)
式中,SRLp为SRLP的第p个分量;
步骤4-11、计算待评估装备开展带电作业的预期效能向量SRLp各分量的算术平均值,得智能装备开展带电作业预期效能值SRLE:
式中,np为待评估装备二级指标中第p个子系统Sp与P个同级指标有集成关系的数量。
9.根据权利要求8所述的一种智能装备带电作业预期效能评估方法,其特征在于:所述步骤6中,效能-成熟度翻译是将已校正的指标的预期效能值ESRL转换为整数形式的成熟度等级,步骤如下:
步骤6-1、计算界定元SRLc并归一化:
式中,l和t均为整数变量,l=1、2、……、9;
步骤6-2、用步骤6-1所述的归一化的界定元n-SRLc构建9级效能-成熟度翻译规则如下:
ESRL∈(0,0.06],对应等级一,即成熟度为智能装备的带电作业已具备成型的研发框架;ESRL∈(0.06,0.14],对应等级二,即成熟度为智能装备的带电作业已具备成型的研发方案;ESRL∈(0.14,0.22],对应等级三,即成熟度为智能装备开展带电作业的关键组件已研发;ESRL∈(0.22,0.32],对应等级四,即成熟度为智能装备的带电作业已具备成型的约束和规范;ESRL∈(0.32,0.43],对应等级五,即成熟度为智能装备开展带电作业的关键组件能可靠应用于作业环境;ESRL∈(0.43,0.56],对应等级六,即成熟度为智能装备开展带电作业的关键组件已可靠地集成;ESRL∈(0.56,0.69],对应等级七,即成熟度为智能装备开展带电作业的风险阈值满足基于作业环境参数的理论需求;ESRL∈(0.69,0.84],对应等级八,即成熟度为智能装备能在作业环境中可靠地完成带电作业任务;ESRL∈(0.84,1.00],对应等级九,即成熟度为带电作业智能装备能批量生产,相关技术可投入广泛应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624479.1A CN111915136A (zh) | 2020-06-30 | 2020-06-30 | 一种智能装备带电作业预期效能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624479.1A CN111915136A (zh) | 2020-06-30 | 2020-06-30 | 一种智能装备带电作业预期效能评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915136A true CN111915136A (zh) | 2020-11-10 |
Family
ID=73227989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624479.1A Pending CN111915136A (zh) | 2020-06-30 | 2020-06-30 | 一种智能装备带电作业预期效能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915136A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022017A (zh) * | 2021-11-16 | 2022-02-08 | 武汉理工大学 | 船用配套设备智能集成能力水平分级评估方法及系统 |
CN115726760A (zh) * | 2021-08-26 | 2023-03-03 | 中国石油化工股份有限公司 | 一种实现智能控制钻井的自主决策方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956741A (zh) * | 2016-04-20 | 2016-09-21 | 天津大学 | 一种基于trl的智能电网技术成熟度评估方法 |
CN107220168A (zh) * | 2017-06-22 | 2017-09-29 | 中国人民解放军装备学院 | 一种基于集成的信息系统体系成熟度评价方法 |
CN107239908A (zh) * | 2017-06-22 | 2017-10-10 | 中国人民解放军装备学院 | 一种信息系统的体系成熟度评价方法 |
KR20190066758A (ko) * | 2017-12-06 | 2019-06-14 | 사단법인 한국스마트제조산업협회 | 스마트 제조를 위한 프로세스 평가 모델 |
CN110086114A (zh) * | 2019-02-23 | 2019-08-02 | 曲阜师范大学 | 一种基于高压输电线路的智能巡线机器人控制系统及方法 |
CN111080046A (zh) * | 2018-10-22 | 2020-04-28 | 南方电网科学研究院有限责任公司 | 一种输电技术成熟度评估方法和装置 |
-
2020
- 2020-06-30 CN CN202010624479.1A patent/CN111915136A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956741A (zh) * | 2016-04-20 | 2016-09-21 | 天津大学 | 一种基于trl的智能电网技术成熟度评估方法 |
CN107220168A (zh) * | 2017-06-22 | 2017-09-29 | 中国人民解放军装备学院 | 一种基于集成的信息系统体系成熟度评价方法 |
CN107239908A (zh) * | 2017-06-22 | 2017-10-10 | 中国人民解放军装备学院 | 一种信息系统的体系成熟度评价方法 |
KR20190066758A (ko) * | 2017-12-06 | 2019-06-14 | 사단법인 한국스마트제조산업협회 | 스마트 제조를 위한 프로세스 평가 모델 |
CN111080046A (zh) * | 2018-10-22 | 2020-04-28 | 南方电网科学研究院有限责任公司 | 一种输电技术成熟度评估方法和装置 |
CN110086114A (zh) * | 2019-02-23 | 2019-08-02 | 曲阜师范大学 | 一种基于高压输电线路的智能巡线机器人控制系统及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115726760A (zh) * | 2021-08-26 | 2023-03-03 | 中国石油化工股份有限公司 | 一种实现智能控制钻井的自主决策方法及系统 |
CN114022017A (zh) * | 2021-11-16 | 2022-02-08 | 武汉理工大学 | 船用配套设备智能集成能力水平分级评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915136A (zh) | 一种智能装备带电作业预期效能评估方法 | |
CN111639815A (zh) | 一种多模型融合预测电网缺陷物资的方法及系统 | |
Wang et al. | Quantitative evaluation of human-reliability based on fuzzy-clonal selection | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
An et al. | A data-driven method for transient stability margin prediction based on security region | |
Chang | Short-term load forecasting using radial basis function neural network | |
Wang et al. | Power system fault classification and prediction based on a three-layer data mining structure | |
Wang et al. | Online analysis of voltage security in a microgrid using convolutional neural networks | |
CN108536130A (zh) | 一种群智能寻优的化工故障诊断系统 | |
Li et al. | Aircraft failure rate prediction method based on CEEMD and combined model | |
Vahidi et al. | Determining arresters best positions in power system for lightning shielding failure protection using simulation optimization approach | |
Wang et al. | An Automatic Identification Framework for Complex Power Quality Disturbances Based on Ensemble CNN | |
CN115542934A (zh) | 一种无人驾驶航空器的智能续航管理方法、系统和介质 | |
Dai et al. | Cascade centernet: Robust object detection for power line surveillance | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
Fang | Research on automatic cleaning algorithm of multi-dimensional network redundant data based on big data | |
Li et al. | Method for predicting failure rate of airborne equipment based on optimal combination model | |
Li et al. | Application of combination forecasting model in aircraft failure rate forecasting | |
Shi et al. | DC-DC power supply fault prediction and analysis based on monitoring parameter simulation and LSTM network model | |
Wang et al. | New approach for information security evaluation and management of IT systems in educational institutions | |
Zuo et al. | An evolutionary algorithm recommendation method with a case study in flow shop scheduling | |
CN110783007A (zh) | 一种反应堆控制室系统 | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 | |
CN110765657A (zh) | 基于算子的预警探测体系作战能力柔性评估建模方法 | |
Chen et al. | A new approach to the application of condition-based maintenance technology of power equipment in smart grid |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210823 Address after: Five 510640 mountain road, Guangzhou, Guangdong, Tianhe District Applicant after: SOUTH CHINA University OF TECHNOLOGY Applicant after: China Southern Power Grid Research Institute Co.,Ltd. Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District Applicant before: SOUTH CHINA University OF TECHNOLOGY Applicant before: CSG POWER GRID TECHNOLOGY RESEARCH CENTER |
|
TA01 | Transfer of patent application right |