CN112232404B - 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 - Google Patents
一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 Download PDFInfo
- Publication number
- CN112232404B CN112232404B CN202011091933.8A CN202011091933A CN112232404B CN 112232404 B CN112232404 B CN 112232404B CN 202011091933 A CN202011091933 A CN 202011091933A CN 112232404 B CN112232404 B CN 112232404B
- Authority
- CN
- China
- Prior art keywords
- data
- power supply
- supply equipment
- railway power
- neural network
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 title claims abstract description 18
- 230000005856 abnormality Effects 0.000 title claims abstract description 8
- 230000036541 health Effects 0.000 claims abstract description 89
- 238000013528 artificial neural network Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 66
- 230000009467 reduction Effects 0.000 claims abstract description 58
- 239000000284 extract Substances 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 69
- 238000000034 method Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000010410 layer Substances 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 239000011229 interlayer Substances 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008531 maintenance mechanism Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明提出了一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统,包括离线功能模块和在线功能模块。离线功能模块对铁路供电设备历史运行数据进行降噪、降维处理,并将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子(HI),将处理后的数据和健康因子(HI)融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征;在线功能模块采用传感器实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断。通过离线功能模块和在线功能模块的配合使用,可实时、在线获取铁路供电设备的健康状态,实现设备潜在性故障的早期预警。
Description
技术领域
本发明涉及一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统,涉及智能检测技术领域。
背景技术
随着国民经济发展需求提升以及高铁技术的进步,我国铁路规模呈现不断扩大趋势。而铁路供电设备的安全稳定是铁路可靠运行的基础。铁路供电设备一旦发生故障,轻则造成铁路延误,影响人民正常生产、生活;重则造成安全事故,造成重大经济损失和不良社会影响。因此,实时监测铁路供电设备的健康状态,实现设备潜在性故障的早期预警,及时维护、更换损伤设备,对于提升铁路的可靠运行具有重要意义。
长期以来,电力企业对铁路供电设备推行的定期检修机制存在“维护不足”和“过度维护”等问题,不仅造成重大资源浪费,同时在一定程度上影响了设备供电的可靠性。因此,基于设备历史及当前运行状态,利用在线监测及离线实验等数据开展铁路供电设备状态检修工作势在必行。目前随着通信、计算机及控制技术的进步,故障监测系统在铁路供电设备中得到了广泛的应用,积累了海量数据,如何深入剖析这些数据进而维护铁路供电设备的安全运营,已经成为现阶段迫切需要解决的难题。
铁路供电设备因种类繁多、参数复杂、监测数据量大、运行环境多样等特点,使得传感器采集的设备信息可能受到环境噪声以及来自其他耦合部件信号的“污染”,掩盖反映设备状态的关键信息;同时众多的传感器信息中还包含了众多的冗余信息,如果直接对这些信息处理,势必造成计算资源的浪费。传感器采集的数据均为无标签数据(不包含设备对应的健康状态),这些数据无法直接进入深度学习网络进行学习,如何获取铁路供电设备的全生命周期的健康因子(health indicator-HI)图是进行深度学习网络训练的前提。此外,铁路供电设备的老化失效过程受到多种因素的影响,此时如果再通过专家经验、人工提取特征的方式对设备失效过程进行物理建模,必然造成效率低下,可能也无法对设备的老化过程做出全面、准确的描述,如何自动提取铁路供电设备的故障特征,也是实现铁路供电设备可靠性评价所面临的难题。
发明内容
发明目的:一个目的是提出一种基于铁路供电设备历史异常和运维信息的可靠性计算方法,以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。
技术方案:一种基于铁路供电设备历史异常和运维信息的可靠性计算方法,包括以下步骤:
步骤1、对铁路供电设备历史运行数据进行降噪、降维处理;
步骤2、将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子;
步骤3、将处理后的数据和健康因子融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征;
步骤4、实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断。
在进一步的实施例中,所述步骤1进一步为:
步骤1-1、构建降噪自编码器,将铁路供电设备历史数据构造矩阵为X,X={x(1),x(2),x(3),…x(N)},x(i)∈RM,并将预定量的损伤噪声加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),其中,qD表示噪声分布形式;
步骤1-2、通过自动编码器对χ编码得到y,希望y能接近或重构原始输入X,在这一过程中,定义联合分布:
其中,当fθ(χ)≠y时,设定为0,q0(X)是根据N组输入数据确定的经验分布;因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,则θ就是χ和y之间的连接参数;梯度下降法优化的代价函数为:
其中L(X,X’)是重构误差,判断网络重构的程度;通过随机梯度下降算法优化代价函数,从损伤输入χ中最大化重构原始输入X;
步骤1-3、将经过降噪自编码器处理的数据输入到稀疏自编码器中进行训练。
在进一步的实施例中,步骤1-1中降噪自编码器的具体实现过程如下:
步骤1-1a、按预定比例将输入矩阵X的部分元素随机置零变成χ,然后对χ进行编码得到隐层表达y:
y=fθ(χ)=sigmoid(Wχ+b),θ={W,b};
步骤1-1b、由隐层y重构输入得到输出X’:
X′=gθ′(y)=sigmoid(W1y+b1),θ′={W1,b1};
步骤1-1c、通过X’和X的值计算出重构误差L(X,X’);最后通过随机梯度下降算法一步步优化编码器代价函数,从损伤输入χ中最大化重构原始输入X。
在进一步的实施例中,所述步骤2进一步为:
步骤2-1、将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
步骤2-2、将上述数据进一步划分为训练集和测试集;
步骤2-3、构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
步骤2-4、设置前向传播算法中批量训练数、迭代次数,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
步骤2-5、将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
步骤2-6、将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,如此获得铁路供电设备的健康因子图。
在进一步的实施例中,所述步骤3进一步为:
步骤3-1、搭建长短时记忆网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式长短时记忆网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
步骤3-2、将经过清洗的数据记为X=(X1,X2,X3,…Xl),并划分为测试集和训练集,将训练集数据输入到长短时记忆网络中执行前向传播算法,则t时刻长短时记忆网络隐藏层为ht=(h’,h2,h3…hl);
ht=f(WxhXt+Whhht-1+bh)
其中,Wxh和Whh是层间权重矩阵,bh为偏置向量;长短时记忆网络中信息流动受遗忘门、输入门和输出门控制,具体计算如下:
ft=sigmoid(WfxXt+Wfhht-1+Wfcct-1+bf)
it=sigmoid(WiαXt+Wihht-1+Wicct-1+bi)
ct=f′ct-1+ittanh(WαXt+Wchht-1+bc)
ot=sigmoid(WαxXt+Wohht-1+Wocct+bo)
ht=ottanh(ct)
其中,ft,it,ot分别为长短时记忆网络t时刻的三个门级控制信号,ct是此刻的细胞状态,保留着重要的长期记忆;结合长短时记忆网络的输出,计算代价函数:
其中,gw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
步骤3-3、采用随机梯度下降算法执行反向传播计算,更新长短时记忆网络各层的权重系数;
步骤3-4、将测试集数据输入到训练完成的长短时记忆网络中,验证长短时记忆网络的效果,若长短时记忆网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上。
在进一步的实施例中,所述步骤4进一步为:
步骤4-1、采用传感器采集铁路供电设备的多种运行状态数据,并将数据输入到栈式降噪稀疏自动编码器网络中进行降噪、降维的清洗过程,得到洁净的、低维的传感器数据;
步骤4-2、将清洗后的数据输入到长短时记忆网络中,输出当前的设备的健康状态参数R,R取值范围为(0,1);结合设备的健康状态值,对设备的健康状态做出评估,评估方式如下:
步骤4-3、对铁路供电设备的健康状态做出评估后,发送给运行维护人员,作为运行维护人员进行设备检修的依据。
一种基于铁路供电设备历史异常和运维信息的可靠性计算系统,包括离线功能模块和在线功能模块;所述离线功能模块对铁路供电设备历史运行数据进行降噪、降维处理,并将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子,将处理后的数据和健康因子融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征;
所述在线功能模块采用传感器实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断。通过离线功能模块和在线功能模块的配合使用,可实时、在线获取铁路供电设备的健康状态,实现设备潜在性故障的早期预警。
在进一步的实施例中,构造栈式降噪稀疏自动编码器网络对原始的铁路供电设备历史数据进行清洗。将铁路供电设备历史数据信息划分为训练集和测试集,训练集的数据输入到构建的网络中进行训练,设定输入数据与输出结果的差值的平方和作为惩罚函数,采用随机梯度下降算法对网络的权重参数进行更新;将测试集数据输入到训练完成的网络中,验证降噪稀疏自动编码器网络的降噪、降维效果。上述过程反复进行,直到测试的准确率达到95%以上。训练后的网络可实现对铁路供电设备状态数据的降噪、降维处理。
在进一步的实施例中,对经过清洗的铁路供电设备历史数据添加健康标签,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0。将打上标签的数据输入到构造的BP神经网络中,并将BP神经网络的输出值与标签值的差值的平方和作为惩罚函数,采用随机梯度下降算法更新BP神经网络的权重参数,训练过程反复进行,直至测试的准确率达到95%以上。然后将剩余的80%数据输入到BP神经网络中,得到的结果即为数据对应的健康标签。将全部数据以及对应的健康标签绘制成图,即得到铁路供电设备的健康因子(HI)图。
在进一步的实施例中,通过栈式降噪稀疏自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,可得到洁净的、低维的有健康标签的数据。将清洗后的铁路供电设备历史数据输入到长短时记忆网络中进行训练,提取铁路供电设备深层次的故障特征,对长短时记忆网络中的权重参数进行赋值。
在进一步的实施例中,采用传感器实时采集铁路供电设备运行状态信息,并将采集的数据输入到训练完成的栈式降噪稀疏自动编码器网络中进行降噪、降维处理,得到洁净的、低维的运行状态数据。将处理后的数据输入到训练完成的长短时记忆网络中,输出铁路供电设备当前的健康状态。
在进一步的实施例中,该系统还包括用于对铁路供电设备历史运行数据进行降噪、降维处理的第一模块;用于将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子的第二模块;用于将处理后的数据和健康因子融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征的第三模块;以及用于实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断的第四模块。
在进一步的实施例中,所述第一模块进一步用于构建降噪自编码器,将铁路供电设备历史数据构造矩阵为X,X={x(1),x(2),x(3),…x(N)},x(i)∈RM,并将预定量的损伤噪声加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),其中,qD表示噪声分布形式;
通过自动编码器对χ编码得到y,希望y能接近或重构原始输入X,在这一过程中,定义联合分布:
其中,当fθ(χ)≠y时,设定为0,q0(X)是根据N组输入数据确定的经验分布;因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,则θ就是χ和y之间的连接参数;梯度下降法优化的代价函数为:
其中L(X,X’)是重构误差,判断网络重构的程度;通过随机梯度下降算法优化代价函数,从损伤输入χ中最大化重构原始输入X;
将经过降噪自编码器处理的数据输入到稀疏自编码器中进行训练;
所述第二模块进一步用于将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
将上述数据进一步划分为训练集和测试集;
构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
设置前向传播算法中批量训练数、迭代次数,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,如此获得铁路供电设备的健康因子图;
所述第三模块进一步用于搭建长短时记忆网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式长短时记忆网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
将经过清洗的数据记为X=(X1,X2,X3,...Xl),并划分为测试集和训练集,将训练集数据输入到长短时记忆网络中执行前向传播算法,则t时刻长短时记忆网络隐藏层为ht=(h’,h2,h3...hl);
ht=f(WxhXt+Whhht-1+bh)
其中,Wxh和Whh是层间权重矩阵,bh为偏置向量;长短时记忆网络中信息流动受遗忘门、输入门和输出门控制,具体计算如下:
ft=sigmoid(WfxXt+Wfhht-1+Wfcct-1+bf)
it=sigmoid(WiαXt+Wihht-1+Wicct-1+bi)
ct=f′ct-1+ittanh(WαXt+Wchht-1+bc)
ot=sigmoid(WαxXt+Wohht-1+Wocct+bo)
ht=ottanh(ct)
其中,ft,it,ot分别为长短时记忆网络t时刻的三个门级控制信号,ct是此刻的细胞状态,保留着重要的长期记忆;结合长短时记忆网络的输出,计算代价函数:
其中,gw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
采用随机梯度下降算法执行反向传播计算,更新长短时记忆网络各层的权重系数;
将测试集数据输入到训练完成的长短时记忆网络中,验证长短时记忆网络的效果,若长短时记忆网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上;
所述第四模块进一步采用传感器采集铁路供电设备的多种运行状态数据,并将数据输入到栈式降噪稀疏自动编码器网络中进行降噪、降维的清洗过程,得到洁净的、低维的传感器数据;
将清洗后的数据输入到长短时记忆网络中,输出当前的设备的健康状态参数R,R取值范围为(0,1);结合设备的健康状态值,对设备的健康状态做出评估,评估方式如下:
对铁路供电设备的健康状态做出评估后,发送给运行维护人员,作为运行维护人员进行设备检修的依据。
本发明的有益效果为:
1.采用栈式降噪稀疏自动编码器对铁路供电设备数据进行清洗,在保留数据最本质的特征时,降低环境噪声或其它耦合部件对数据信号的干扰,提高铁路供电设备健康状态识别的精度;同时降低数据的维度,提升铁路供电设备状态数据的处理效率,节约计算资源。
2.采用BP神经网络对铁路供电设备历史数据进行线性回归处理,可直接将铁路供电设备运行状态数据打上健康状态标签,获取铁路供电设备的健康因子(HI)图,无须采用实验或仿真的方法获取铁路供电设备的标签数据,提升数据处理的效率同时提高数据的真实性。
3.铁路供电设备的老化失效过程是一个十分复杂的过程,受到运行环境、工作状态等多种因素的影响,此时很难通过人工提取特征的方式对铁路供电设备失效过程进行物理建模。而长短时记忆网络可自动提取铁路供电设备大时间跨度、长距离影响的故障特征,可更全面、更准确的描述铁路供电设备的老化失效的过程。
4.利用传感器实时采集铁路供电设备运行状态数据,并输入到训练完成的长短时记忆网络中,可自动评估铁路供电设备的健康状态,实现铁路供电设备故障的全天候、在线监测。而传统的人力定期检修机制,存在“维护不足”和“过度维护”等问题,同时还受到检修人员自身经验的影响,不仅造成重大资源浪费,同时在一定程度上影响了设备供电的可靠性。
附图说明
图1是本发明基于铁路供电设备历史异常和运维信息的可靠性计算方法实现流程图。
图2是本发明构造的栈式降噪稀疏自编码器实现流程图。
图3是本发明通过BP神经网络提取的铁路供电设备健康因子(HI)图。
具体实施方式
在下文的描述中,给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
如图1所示,一种基于铁路供电设备历史异常和运维信息的可靠性计算方法,算法包含两个功能模块:离线功能模块和在线功能模块。离线功能模块对铁路供电设备历史运行数据进行降噪、降维处理,并将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子(HI),将处理后的数据和健康因子(HI)融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征;在线功能模块采用传感器实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断。通过离线功能模块和在线功能模块的配合使用,可实时、在线获取铁路供电设备的健康状态,实现设备潜在性故障的早期预警。
(1)如图2所示,构造的栈式降噪稀疏自动编码器网络。对于降噪自编码器,将铁路供电设备历史数据构造矩阵为X,X={x(1),x(2),x(3),…x(N)},x(i)∈RM,并将一定量的“损伤噪声”加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),qD是一种噪声分布形式,即“损伤噪声”是按qD分布加入的。通过自动编码器对χ编码得到y,希望y能接近或重构原始输入X。在这一过程中,定义联合分布:
其中,当fθ(χ)≠y时,设定为0,q0(X)是根据N组输入数据确定的经验分布。因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,那么,θ就是χ和y之间的连接参数,梯度下降法优化的代价函数为:
其中L(X,X’)是“重构误差”,判断网络重构的程度。通过随机梯度下降算法一步步优化代价函数,从损伤输入χ中最大化重构原始输入X。降噪自编码器的具体实现过程可描述如下:按一定比例将输入矩阵X的部分元素随机置零变成χ,然后对χ进行编码得到隐层表达y,y=fθ(χ)=sigmoid(Wχ+b),θ={W,b}。由隐层y重构输入得到输出X’,X′=gθ′(y)=sigmoid(W1y+b1),θ′={W1,b1},然后通过X’和X的值计算出重构误差L(X,X’)。最后通过随机梯度下降算法一步步优化编码器代价函数,从损伤输入χ中最大化重构原始输入X。
将经过降噪自编码器处理的数据输入到稀疏自编码器中进行训练,具体过程如下:
1)构建稀疏自动编码器模型,设置网络学习率ε、稀疏参数ρ参数等,随机初始化模型连接权值W和偏移量b;
2)设置前向传播算法中批量训练数、迭代次数等,执行前向传播算法,计算平均激活量ρj;
3)利用稀疏自编码器输出,计算代价函数:
4)执行反向传播法,按照如下公式更新网络权重参数:
(2)标签数据是训练深度学习网络的前提,更是提升深度学习网络预测精度的关键。铁路供电设备历史数据通常只包含各个设备运行状态,不包括其对应的健康状态,这些原始无标签数据是无法用于深度学习网络即长短时记忆网络的训练的。传统的方法采用实验或仿真的方式提取各个设备的标签数据(即设备运行状态以及与之对应的健康状态),但实验室环境或仿真环境与设备真实的运行环境差别很大,通过实验室或仿真数据训练的深度学习网络诊断的准确性较低,无法满足应用要求。
如图3所示,铁路供电设备健康因子(HI)图获取流程。具体实现过程如下:
1)将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
2)将上述数据进一步划分为训练集和测试集;
2)构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
3)设置前向传播算法中批量训练数、迭代次数等,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签。
4)采用随机梯度下降算法执行反向传播计算,按照如下公式更新网络权重参数:
5)将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
6)将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,这样就获得了铁路供电设备的健康因子(HI)图。
(3)通过栈式降噪稀疏自动编码器网络对原始的历史异常数据的清洗,以及BP神经网络的线性回归,可得到洁净的、低维的有健康标签的数据。将清洗后的铁路供电设备历史数据输入到长短时记忆网络中进行训练,提取铁路供电设备深层次的故障特征,对长短时记忆网络中的权重参数进行赋值。具体实现流程如下。
1)搭建长短时记忆网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式长短时记忆网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
2)如图2所示,将经过清洗的数据记为X=(X1,X2,X3,…Xl),并划分为测试集和训练集,将训练集数据输入到长短时记忆网络中执行前向传播算法,则t时刻长短时记忆网络隐藏层为ht=(h’,h2,h3…hl),
ht=f(WxhXt+Whhht-1+bh) (7)
其中,Wxh和Whh是层间权重矩阵,bh为偏置向量。长短时记忆网络中信息流动受遗忘门、输入门和输出门控制,具体计算如下:
ft=sigmoid(WfxXt+Wfhht-1+Wfcct-1+bf)
it=sigmoid(WiαXt+Wihht-1+Wicct-1+bi)
ct=f′ct-1+ittanh(WαXt+Wchht-1+bc)
ot=sigmoid(WαxXt+Wohht-1+Wocct+bo)
ht=ottanh(ct) (8)
其中,ft,it,ot分别为长短时记忆网络t时刻的三个门级控制信号,ct是此刻的细胞状态,保留着重要的长期记忆。结合长短时记忆网络的输出,计算代价函数:
其中,gw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签。
3)采用随机梯度下降算法执行反向传播计算,更新长短时记忆网络各层的权重系数;
4)将测试集数据输入到训练完成的长短时记忆网络中,验证长短时记忆网络的效果,若长短时记忆网络输出结果的准确率较低,则重新调整参数进行上述过程,直至准确率达到95%以上。
(4)通过上述过程,算法的离线阶段已完成。通过铁路供电设备的历史数据完成了栈式降噪稀疏自动编码器网络、BP神经网络和长短时记忆网络的训练。此时进入算法的在线阶段,具体过程如下:
1)采用传感器采集铁路供电设备的多种运行状态数据,并将数据输入到栈式降噪稀疏自动编码器网络中进行降噪、降维的清洗过程,得到洁净的、低维的传感器数据;
2)将清洗后的数据输入到长短时记忆网络中,输出当前的设备的健康状态参数R,R取值范围为(0,1)。结合设备的健康状态值,对设备的健康状态做出评估,评估方式如下:
按照公式(10)对铁路供电设备的健康状态做出评估后,发送给运行维护人员,作为运行维护人员进行设备检修的依据。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (6)
1.一种基于铁路供电设备历史异常和运维信息的可靠性计算方法,其特征是包括以下步骤:
步骤1、对铁路供电设备历史运行数据进行降噪、降维处理;
步骤1-1、构建降噪自编码器,将铁路供电设备历史数据构造矩阵为X,X={x(1),x(2),x(3),…x(N)},x(i)∈RM,并将预定量的损伤噪声加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),其中,qD表示噪声分布形式;
步骤1-1a、按预定比例将输入矩阵X的部分元素随机置零变成χ,然后对χ进行编码得到隐层表达y:
y=fθ(χ)=sigmoid(Wχ+b),θ={W,b};
步骤1-1b、由隐层y重构输入得到输出X’:
X′=gθ′(y)=sigmoid(W1y+b1),θ′={W1,b1};
步骤1-1c、通过X’和X的值计算出重构误差L(X,X’);最后通过随机梯度下降算法一步步优化编码器代价函数,从损伤输入χ中最大化重构原始输入X;
步骤1-2、通过自动编码器对χ编码得到y,希望y能接近或重构原始输入X,在这一过程中,定义联合分布:
其中,当时,/>设定为0,q0(X)是根据N组输入数据确定的经验分布;因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,则θ就是χ和y之间的连接参数;梯度下降法优化的代价函数为:
其中L(X,X’)是重构误差,判断网络重构的程度;通过随机梯度下降算法优化代价函数,从损伤输入χ中最大化重构原始输入X;
步骤1-3、将经过降噪自编码器处理的数据输入到稀疏自编码器中进行训练;
步骤2、将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子;
步骤2-1、将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
步骤2-2、将上述数据进一步划分为训练集和测试集;
步骤2-3、构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
步骤2-4、设置前向传播算法中批量训练数、迭代次数,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,y(i)为设备的健康标签;
步骤2-5、将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
步骤2-6、将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,如此获得铁路供电设备的健康因子图;
步骤3、将处理后的数据和健康因子融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征;
步骤3-1、搭建长短时记忆网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式长短时记忆网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
步骤3-2、将经过清洗的数据记为X=(X1,X2,X3,...Xl),并划分为测试集和训练集,将训练集数据输入到长短时记忆网络中执行前向传播算法,则t时刻长短时记忆网络隐藏层为ht=(h1,h2,h3...hl);
ht=f(WxhXt+Whhht-1+bh)
其中,Wxh和Whh是层间权重矩阵,bh为偏置向量;长短时记忆网络中信息流动受遗忘门、输入门和输出门控制,具体计算如下:
ft=sigmoid(WfxXt+Wfhht-1+Wfcct-1+bf)
it=sigmoid(WiαXt+Wihht-1+Wicct-1+bi)
ct=f′ct-1+ittanh(WαXt+Wchht-1+bc)
ot=sigmoid(WαxXt+Wohht-1+Wocct+bo)
ht=ottanh(ct)
其中,ft,it,ot分别为长短时记忆网络t时刻的三个门级控制信号,ct是此刻的细胞状态,保留着重要的长期记忆;结合长短时记忆网络的输出,计算代价函数:
其中,gw,b(x(i))为BP神经网络的输出,y(i)为设备的健康标签;
步骤3-3、采用随机梯度下降算法执行反向传播计算,更新长短时记忆网络各层的权重系数;
步骤3-4、将测试集数据输入到训练完成的长短时记忆网络中,验证长短时记忆网络的效果,若长短时记忆网络输出结果的准确率低于预定值,则重新调整参数进行上述过程,直至准确率达到95%以上;
步骤4、实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断。
2.根据权利要求1所述的一种基于铁路供电设备历史异常和运维信息的可靠性计算方法,其特征在于,所述步骤4进一步为:
步骤4-1、采用传感器采集铁路供电设备的多种运行状态数据,并将数据输入到栈式降噪稀疏自动编码器网络中进行降噪、降维的清洗过程,得到洁净的、低维的传感器数据;
步骤4-2、将清洗后的数据输入到长短时记忆网络中,输出当前的设备的健康状态参数R,R取值范围为(0,1);结合设备的健康状态值,对设备的健康状态做出评估,评估方式如下:
步骤4-3、对铁路供电设备的健康状态做出评估后,发送给运行维护人员,作为运行维护人员进行设备检修的依据。
3.一种实现上述权利要求1~2中任一项所述方法的可靠性计算系统,其特征在于,包括离线功能模块和在线功能模块;所述离线功能模块对铁路供电设备历史运行数据进行降噪、降维处理,并将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子,将处理后的数据和健康因子融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征;
所述在线功能模块采用传感器实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断。
4.根据权利要求3所述的可靠性计算系统,其特征在于,包括一种栈式降噪-稀疏自编码器,所述栈式降噪-稀疏自编码器对铁路供电设备数据信息的降噪、降维处理,完成数据的清洗,降低信号噪声并消除冗余信息。
5.根据权利要求3所述的可靠性计算系统,其特征在于,包括如下模块:
用于对铁路供电设备历史运行数据进行降噪、降维处理的第一模块;
用于将处理后的数据信息输入到BP神经网络中,提取铁路供电设备的健康因子的第二模块;
用于将处理后的数据和健康因子融合后输入到构建的深度神经网络进行训练,提取铁路供电设备深层次的故障特征的第三模块;
用于实时采集铁路供电设备运行状态信息,将提取的设备运行信息输入到训练的深度神经网络中,进而对铁路供电设备的健康状态做出评估诊断的第四模块。
6.根据权利要求5所述的可靠性计算系统,其特征在于,所述第一模块进一步用于构建降噪自编码器,将铁路供电设备历史数据构造矩阵为X,X={x(1),x(2),x(3),…x(N)},x(i)∈RM,并将预定量的损伤噪声加入到矩阵X中得到含噪声的数据χ,满足χ~qD(χ|X),其中,qD表示噪声分布形式;
通过自动编码器对χ编码得到y,希望y能接近或重构原始输入X,在这一过程中,定义联合分布:
其中,当时,/>设定为0,q0(X)是根据N组输入数据确定的经验分布;因此,y是含噪声输入的χ的一个确定性函数,令θ是联合分布q0(X,χ,y)的确定性参数,则θ就是χ和y之间的连接参数;梯度下降法优化的代价函数为:
其中L(X,X’)是重构误差,判断网络重构的程度;通过随机梯度下降算法优化代价函数,从损伤输入χ中最大化重构原始输入X;
将经过降噪自编码器处理的数据输入到稀疏自编码器中进行训练;
所述第二模块进一步用于将铁路供电设备历史数据进行划分,初始的10%的数据认定为健康状态,健康标签设定为1,最后的10%的数据认定为失效状态,健康标签设定为0;
将上述数据进一步划分为训练集和测试集;
构造BP神经网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
设置前向传播算法中批量训练数、迭代次数,将训练集数据输入到BP神经网络中,执行前向传播算法,利用BP神经网络的输出计算代价函数:
其中,hw,b(x(i))为BP神经网络的输出,y(i)为设备的健康标签;
将测试集数据输入到训练完成的BP神经网络中,验证BP神经网络的效果;
将剩余的80%的铁路供电设备历史数据输入到验证的BP神经网络中,BP神经网络的输出值即为铁路供电设备对应的健康值,如此获得铁路供电设备的健康因子图;
所述第三模块进一步用于搭建长短时记忆网络,考虑到铁路供电设备运行环境的复杂性以及样本训练规模,采用堆叠式长短时记忆网络,设置网络学习率ε,随机初始化模型连接权值W和偏移量b;
将经过清洗的数据记为X=(X1,X2,X3,...Xl),并划分为测试集和训练集,将训练集数据输入到长短时记忆网络中执行前向传播算法,则t时刻长短时记忆网络隐藏层为ht=(h1,h2,h3...hl);
ht=f(WxhXt+Whhht-1+bh)
其中,Wxh和Whh是层间权重矩阵,bh为偏置向量;长短时记忆网络中信息流动受遗忘门、输入门和输出门控制,具体计算如下:
ft=sigmoid(WfxXt+Wfhht-1+Wfcct-1+bf)
it=sigmoid(WiαXt+Wihht-1+Wicct-1+bi)
ct=f′ct-1+ittanh(WαXt+Wehht-1+bc)
ot=sigmoid(WαxXt+Wohht-1+Wocct+bo)
ht=ottanh(ct)
其中,ft,it,ot分别为长短时记忆网络t时刻的三个门级控制信号,ct是此刻的细胞状态,保留着重要的长期记忆;结合长短时记忆网络的输出,计算代价函数:
其中,gw,b(x(i))为BP神经网络的输出,有y(i)为设备的健康标签;
采用随机梯度下降算法执行反向传播计算,更新长短时记忆网络各层的权重系数;
将测试集数据输入到训练完成的长短时记忆网络中,验证长短时记忆网络的效果,若长短时记忆网络输出结果的准确率低于预定值,则重新调整参数进行上述过程,直至准确率达到95%以上;
所述第四模块进一步采用传感器采集铁路供电设备的多种运行状态数据,并将数据输入到栈式降噪稀疏自动编码器网络中进行降噪、降维的清洗过程,得到洁净的、低维的传感器数据;
将清洗后的数据输入到长短时记忆网络中,输出当前的设备的健康状态参数R,R取值范围为(0,1);结合设备的健康状态值,对设备的健康状态做出评估,评估方式如下:
对铁路供电设备的健康状态做出评估后,发送给运行维护人员,作为运行维护人员进行设备检修的依据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091933.8A CN112232404B (zh) | 2020-10-13 | 2020-10-13 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011091933.8A CN112232404B (zh) | 2020-10-13 | 2020-10-13 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232404A CN112232404A (zh) | 2021-01-15 |
CN112232404B true CN112232404B (zh) | 2023-12-22 |
Family
ID=74112468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011091933.8A Active CN112232404B (zh) | 2020-10-13 | 2020-10-13 | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232404B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112948163B (zh) * | 2021-03-26 | 2023-09-19 | 中国航空无线电电子研究所 | 基于bp神经网络的评估设备对功能故障影响的方法 |
CN113111575B (zh) * | 2021-03-30 | 2023-03-31 | 西安交通大学 | 基于深度特征编码与混合高斯模型的燃机退化评估方法 |
CN113269400B (zh) * | 2021-04-25 | 2022-12-06 | 贵州电网有限责任公司 | 一种基于历史运维信息的低压配电网设备状态评估方法 |
CN113971467A (zh) * | 2021-11-01 | 2022-01-25 | 北京城建智控科技股份有限公司 | 一种基于bp神经网络的车辆信号设备智能运维方法 |
CN114239932A (zh) * | 2021-12-01 | 2022-03-25 | 深圳供电局有限公司 | 一种变压器寿命预测方法、装置、计算机设备和存储介质 |
CN114779098B (zh) * | 2022-04-14 | 2022-12-23 | 江苏金锋源新能源有限公司 | 一种锂离子电池的状态评估方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769030A (zh) * | 2016-11-10 | 2017-05-31 | 浙江工业大学 | 一种基于mea‑bp神经网络算法的轴承状态跟踪与预测方法 |
CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
CN108959778A (zh) * | 2018-07-06 | 2018-12-07 | 南京航空航天大学 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472110B (zh) * | 2018-11-29 | 2023-06-27 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
-
2020
- 2020-10-13 CN CN202011091933.8A patent/CN112232404B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769030A (zh) * | 2016-11-10 | 2017-05-31 | 浙江工业大学 | 一种基于mea‑bp神经网络算法的轴承状态跟踪与预测方法 |
CN108398268A (zh) * | 2018-03-15 | 2018-08-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法 |
CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
CN108959778A (zh) * | 2018-07-06 | 2018-12-07 | 南京航空航天大学 | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 |
CN109446187A (zh) * | 2018-10-16 | 2019-03-08 | 浙江大学 | 基于注意力机制与神经网络的复杂装备健康状态监测方法 |
CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112232404A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232404B (zh) | 一种基于铁路供电设备历史异常和运维信息的可靠性计算方法及系统 | |
Javed et al. | State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels | |
CN112231975A (zh) | 一种基于铁路供电设备可靠性分析的数据建模方法及系统 | |
CN102208028B (zh) | 一种适用于动态复杂系统的故障预测和诊断方法 | |
CN110555230B (zh) | 基于集成gmdh框架的旋转机械剩余寿命预测方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN109000930A (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
CN111325403B (zh) | 一种公路隧道机电设备剩余寿命预测方法 | |
CN103793854A (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
Chi et al. | Multi-state system modeling and reliability assessment for groups of high-speed train wheels | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
CN113485863A (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
CN116430164A (zh) | 一种基于分布式测温和故障波形分析的电缆在线监测方法 | |
CN113269400B (zh) | 一种基于历史运维信息的低压配电网设备状态评估方法 | |
CN113642244A (zh) | 一种基于人工智能的电力计量设备故障预测方法 | |
CN117454771A (zh) | 一种基于评估及预测信息的机械装备动态维护决策方法 | |
CN110348489B (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
CN104573361A (zh) | 一种gis设备评估的方法和装置 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Wu et al. | An improved LSTM neural network with uncertainty to predict remaining useful life | |
CN115564075A (zh) | 一种城市电网主配一体故障协同诊断方法、系统 |
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 |