CN112904220B - 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 - Google Patents

一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 Download PDF

Info

Publication number
CN112904220B
CN112904220B CN202011609646.1A CN202011609646A CN112904220B CN 112904220 B CN112904220 B CN 112904220B CN 202011609646 A CN202011609646 A CN 202011609646A CN 112904220 B CN112904220 B CN 112904220B
Authority
CN
China
Prior art keywords
ups
data
network
maintenance
health
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
Application number
CN202011609646.1A
Other languages
English (en)
Other versions
CN112904220A (zh
Inventor
曾念寅
吴佩树
李寒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Huacheng Intelligent Technology Co.,Ltd.
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN202011609646.1A priority Critical patent/CN112904220B/zh
Publication of CN112904220A publication Critical patent/CN112904220A/zh
Application granted granted Critical
Publication of CN112904220B publication Critical patent/CN112904220B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • 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
    • G06N3/044—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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于数字孪生和机器学习的UPS健康预测方法、系统、电子设备及可存储介质，方法包括：利用传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量进行采集；利用高速带宽传输将数据存储至数据库，并将数据预处理得到归一化特征；对整个UPS系统进行数字孪生体建模，实现UPS实体和环境实体与所构造的数字孪生体之间一一映射关系；再利用机器学习和深度学习方法，将数字孪生体的各参量数据输入“特征提取网络+多任务特征学习网络”算法模型进行计算，评估UPS健康状态、预测UPS剩余使用寿命；结合蚁群搜索算法，给出维护决策建议；本发明方法实现不直接依靠UPS实体的预测性维护和健康管理，可以有效克服现有的UPS维护方式的不足和缺陷。

Description

一种基于数字孪生和机器学习的UPS健康预测方法、系统、电 子设备及可存储介质
技术领域
本发明涉及电力电子设备领域，特别是指一种基于数字孪生和机器学习的UPS健康预测方法、系统、电子设备及可存储介质。
背景技术
不间断电源(简称UPS)在国防、工业、医疗、信息以及日常生活等领域得到广泛应用，能够有效保障电力的正常供应和各类设备的不停机运转；UPS作为电力供应的强大后备保障，其本身若出现故障则可能会造成巨大的损失，所以对UPS的日常维护是十分重要的；目前主流的UPS维护方式主要是基于UPS实体的周期性维护，即定期对机房中的UPS各个部分进行测试，检查是否存在隐患或故障。
但是，这种现有维护方式会损耗较大的人力物力，对UPS某些模块进行测试时需要停机甚至拆卸检查，这不仅要求较高的专业操作技能，而且在测试检查时的UPS可能无法正常工作。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于数字孪生和机器学习的UPS健康预测方法，利用数字孪生技术构造UPS实体与其孪生体的映射关系，再通过机器学习方法对孪生体的健康状态进行监测，并预测其故障发生的概率和剩余使用寿命等，实现不直接依靠UPS实体的预测性维护和健康管理，可以有效克服现有的UPS维护方式的不足和缺陷。
本发明采用如下技术方案：
本发明第一方面提供一种基于数字孪生和机器学习的UPS健康预测方法，所述方法包括：
利用传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量进行采集；
利用高速带宽传输将数据存储至数据库，并将数据预处理得到归一化特征；
根据UPS实体和机房环境实体的外观构造，以及数据传递层所传输的各类数据参量对整个UPS系统进行数字孪生体建模，实现UPS实体和环境实体与所构造的数字孪生体之间一一映射关系；再利用机器学习和深度学习方法，将数字孪生体的各参量数据输入“特征提取网络+多任务特征学习网络”算法模型进行计算，评估UPS健康状态、预测UPS剩余使用寿命；
根据评估的UPS健康状态、预测的UPS剩余使用寿命，结合蚁群搜索算法，给出维护决策建议。
本发明第二方面提供一种基于数字孪生的UPS健康预测的体系架构系统，所述系统包括：
物理感知层：主要通过多种传感器、监控设备等所构成的感知设备，对UPS物理实体和机房环境实体的相关参量进行采集；
数据传递层：通过对物理层感知设备所采集的数据通过高速带宽传输给数据层，对UPS实体的相关参量数据进行传输、处理和存储；
建模分析层：通过对UPS实体和机房环境实体的外观构造，以及数据传递层所传输的各类数据参量对整个UPS系统进行数字孪生体建模，以实现UPS实体和环境实体与所构造的数字孪生体之间的一一映射关系；再利用机器学习和深度学习方法，实现对数字孪生体的各参量数据进行计算，为后续评估UPS健康状态、预测UPS剩余使用寿命以及给出维护决策建议提供算法支撑；
应用服务层：应用上述数据驱动、数字孪生和机器学习方法，主要针对UPS的预测性维护提供服务需求，主要包含：评估UPS健康状态、预测UPS剩余使用寿命(、给出维护决策建议；
交互控制层：主要针对UPS维护检修人员和相关管理人员提供终端操作，可以实时查看所构造的UPS数字孪生体的各类数据参量、健康状态、剩余寿命、维护建议等，并可采取异常报警、状态及寿命监测等行为进行控制和显示。
本发明第三方面提供一种设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的基于数字孪生和机器学习的UPS健康预测方法的步骤。
本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述所述的基于数字孪生和机器学习的UPS健康预测方法的步骤。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明提出的一种基于数字孪生和机器学习的UPS健康预测方法：利用传感和监控设备采集20类数据参量；经过网络传输至数据库并进行归一化预处理；使用3D建模软件和数据库的数据交互实现UPS和机房环境数字孪生体的构建，基于机器学习和深度学习方法设计“特征提取网络+多任务特征学习网络”；经过网络模型训练、测试结果评价和模型导出部署后实现评估UPS健康状态和预测UPS剩余使用寿命任务，再经过蚁群算法确定UPS的维护决策建议；相比于现有UPS维护技术主要依靠专业技术人员的经验判断对UPS进行定期维护，对UPS的具体健康状态和剩余使用寿命等无法获知，往往还需要进行停机检测，效率较低且损耗较大；本申请的技术方案基于构建UPS和机房环境的数字孪生体，并利用机器学习和深度学习方法进行数据特征提取、状态和寿命预测，能够在无需停机和拆卸检测的条件下提前为运营维护人员提供维护决策支持，进而对UPS和机房实体提前采取相应措施。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于数字孪生和机器学习的UPS健康预测方法流程图；
图2是本申请实施例提供的基于数字孪生和机器学习的UPS健康预测所构建体系架构系统图；
图3是本申请实施例提供的设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本说明书中，诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分，而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下，参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个，而可以是元素、部件、或步骤中的一个或多个等。
在本说明书中，为了便于描述，附图中所示的各个部分的尺寸并不是按照实际的比例关系绘制的。
本发明提出了一种基于数字孪生和机器学习的UPS健康预测方法流程图，如附图1所示，主要包括如下步骤，详述如下：
步骤S101：利用多种传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量进行采集；
在本发明实施例中，所采集的UPS实体和机房环境实体的相关参量包括(1)传感器采集的参量15类：即UPS输入电压VI、输出电压VO、输入电流AI、输出电流AO、负载百分比εR、中性线电流In、每单体电池放电的截止电压VC、每24小时电池自动均浮充转换次数Nt、各主要模块的运行温度(即蓄电池温度Tb、整流器温度Tr、升压器温度Tp、逆变器温度Ti、风扇电机温度Tf)、机房环境温度Tc、空气湿度Ha.(2)监控设备感知的参量5类：即UPS元器件外观apr是否正常、散热风口及滤网清洁情况cle是否正常、UPS输出波形wav是否正常、UPS显示面板pan是否正常、接口和端子连接cnt是否正常；若某参量在某时刻处于正常状态，则该参量值记为0，若处于异常状态则记为1.
步骤S102：根据步骤S101中所采集的数据，利用高速带宽传输(如5G通信传输等)将数据存储至数据库，方便及时调取和查看，若需要进入后续的算法模型进行健康状态预测，则可将数据输入特征提取网络提取步骤S101中的原始数据，经过预处理得到归一化特征：
对于监控设备感知的参量来说，其取值只能为0或1；对于传感器采集的参量来说，由于各参量取值范围和单位均相差较大，故在本步骤先对这些参量进行归一化预处理，再在后续步骤中引入特征提取网络从经过归一化预处理的原始数据中自动提取特征，以提高后续健康状态预测算法的适应性和精度。本发明采用Z-score标准化方法，即计算各参量所收集的原始数据的均值Mean和标准差Std，利用如下公式进行归一化转换：
Figure BDA0002872739620000041
上式中，para为传感器采集的15类原始参量，paranorm为经过归一化转换后的值，其范围介于[0，1]，且服从标准正态分布。
在本申请实施例中，所采用的数据库为Oracle数据库，该数据库使用方便、功能强大；建立数据库，用于对所收集的数据进行存储，方便调取各时间点对应的UPS系统数据参量。
步骤S103：根据UPS实体和机房环境实体的外观构造，以及数据传递层所传输的各类数据参量对整个UPS系统进行数字孪生体建模，实现UPS实体和环境实体与所构造的数字孪生体之间的一一映射关系；再利用机器学习和深度学习方法，将数字孪生体的各参量数据输入“特征提取网络+多任务特征学习网络”算法模型进行计算，评估UPS健康状态、预测UPS剩余使用寿命；
首先，需要对UPS实体和机房环境实体进行建模，即分为UPS模型和机房模型两大类；在UPS模型中，包括UPS组(即多台UPS通过并联等方式构成的组合体)、UPS个体(即单台UPS)、UPS模块(分为蓄电池、逆变器、升压器、整流器和其他模块)；在机房模型中，包括环境温度、湿度、洁净程度、机房布局和其他部分；通过这种层级关系搭建整个UPS系统数字孪生体模型，能够体现它们之间的关联逻辑、并提升虚拟环境搭建的效率。
UPS模型和机房模型的三维外观可通过例如3D Studio Max软件实现，进行三维动画渲染和制作来实现UPS系统数字孪生体的外观；还需要构建物理感知层所采集的数据和数字孪生体之间进行交互，实现方法为：首先实体收到数据传递层发来的数据请求信号后，将物理感知层的监控设备和传感器所采集的原始数据发送给数据传递层进行数据预处理，再将经过预处理后的数据存储在数据库中，发送给UPS孪生体和机房孪生体，以实现实体和孪生体之间的数据传输交互；整个三维外观模型和数据交互传输就组成了最终的UPS系统数字孪生体模型，构建了实体和孪生体之间的映射关系。
特征提取网络(FEN)，融合应用马尔科夫机和残差卷积网络来实现对步骤S102中不同类型的UPS数据参量和机房环境参量的时空特征提取；具体的特征提取方法如下：
(1)建立多变量的时序特征集合X，定义如下：
x＝{xi(t)，i＝1，2，...，M and t∈N}
在步骤S101中所采集的20个特征均为时序特征，以12小时为采样周期，共采集过去300天的数据，共包含600个时间点的数据特征；在上式中，i表示数据的维度，共有20个特征，即M＝20；t表示所采集的时间点序号，在本发明中，t＝1，2，...，600.例如，x1(10)表示第10个采样时刻对应的UPS输入电压VI的值；
(2)采用符号动力学滤波(symbolic dynamics filtering，SDF)方法将上述20个不同的信号转换成符号序列T
T＝{τj(k)，j＝1，2，...，20andk＝1，2，...，600}
(3)对于同一类型参量，采用D-马尔科夫机(D-Markov machine，DMM)生成状态转移概率矩阵Πaa；对于不同类型参量之间，采用XD-马尔科夫机(XD-Markov machine，XDMM)生成状态转移概率关联矩阵Πab，其中a和b代指两个不同类型的信号特征；同一类型的状态转移概率矩阵Πaa的第i行第j列的元素
Figure BDA0002872739620000061
计算方法如下：
Figure BDA0002872739620000062
在上式中，P(·)为计算条件概率，q为在(2)中所得到的符号序列T对应的状态，k为任意整数，Daa表示D-马尔科夫机针对该类型参量的深度(本发明中Daa＝2)，τi和τj表示该类型参量中任取的两个符号序列值；
不同类型之间状态转移概率关联矩阵Πab的第i行第j列的元素
Figure BDA0002872739620000063
计算方法如下：
Figure BDA0002872739620000064
式中，Dab表示XD-马尔科夫机从一个状态参量转移到另一个状态参量的深度(本发明中Dab＝2)，σi和τj表示这两类不同类型参量所任取的符号序列值；
最终形成大小是20×30大小的同类型状态转移概率矩阵Πaa(20个)以及不同类型之间的状态转移概率关联矩阵Πab(从20种类型的参量中任取2个构成
Figure BDA0002872739620000065
个)，总深度为190+20＝210.
(4)将所生成的同一类型的状态转移矩阵Πaa和不同类型之间的状态概率关联矩阵Πab作为残差卷积网络的输入，进行特征提取，其输入大小为20×30×210.网络结构包括：1)步长为2的5×5卷积；2)步长为2的3×3最大池化；3)堆叠的连续9个残差卷积块(每个残差卷积块依次进行1×1卷积、3×3卷积和1×1卷积，并将第1个1×1卷积的输入和第3个1×1卷积的输出进行跨层连接)；4)池化核大小为3×3的平均池化操作。
多任务特征学习网络(MTFLN)结构，它由输入层、特征提取网络(FEN)、多任务网络(包括UPS剩余使用寿命预测分支和健康状态分类分支)构成；
其中，UPS剩余使用寿命预测分支由长短期记忆(LSTM)网络实现，LSTM通过门控状态来控制传输状态，属于循环神经网络(RNN)的一种，能够有效解决长序列数据在训练过程中的梯度消失和梯度爆炸问题；
LSTM网络包含多个记忆单元，每个记忆单元由输入门、遗忘门和输出门组成；首先LSTM会使用当前的输入xt和上一个时刻传递下来的外部状态ht-1拼接训练得到四个状态，分别是输入门状态zi、输出门状态zo、遗忘门状态zf以及本身的网络输入z，具体计算公式如下：
zi＝sigmoid(Wi·[xt，ht-1]T+bi)
zo＝sigmoid(Wo·[xt，ht-1]T+bo)
zf＝sigmoid(Wf·[xt，ht-1]T+bf)
z＝tanh(W·[xt，ht-1]T+b)
在上述的四个公式中，sigmoid和tanh均为激活函数，可以分别将输入至函数中的值转换到[0，1]或[-1，1]之间；Wi、Wo、Wf、W为对应的权重矩阵；[xt，ht-1]T表示由当前输入xt和上一个时刻传递下来的外部状态ht-1组成的拼接矩阵，T表示矩阵转置；bi、bo、bf、b分别表示对应的偏置项矩阵，这里的·和+分别表示矩阵乘法和矩阵加法运算。
LSTM网络通过其内部的三个阶段，即“忘记阶段”、“选择记忆阶段”和“输出阶段”，通过网络的前向传播过程最终得到输出yt，其前向传播的计算过程如下：
ct＝zf⊙ct-1+zi⊙z
ht＝zo⊙tanh(ct)
yt＝sigmoid(W′·ht)
在上述三个公式中，ct表示当前状态，ct-1表示上一个LSTM单元的状态，ht表示LSTM单元当前的外部状态，W′为输出yt的权重矩阵，⊙表示Hadamard矩阵乘法运算(即矩阵对应元素相乘)。
通过将特征提取网络(FEN)得到的输出特征，经过连续三个上述的LSTM网络堆叠融合，得到最终剩余使用寿命的输出yt。
另一个健康状态分类分支通过“全连接层+Softmax分类器”实现；即通过特征提取网络传来的特征参量，首先经过一个全连接层把所提取到的信号特征转换为m×1维向量，再通过softmax分类器构造多元分类器(分为“正常运行”、“性能退化”、“异常故障”)。
对于由特征提取网络再经过全连接层，提取到的特征x＝{x(1)，x(2)，...x(i)，...，x(m)}，利用假设函数hθ(x)针对每一个类别j(j＝1，2，3)去估计每一种分类结果的概率p(y(i)＝j|x(i)；θ)，那么假设函数hθ(x(i))会输出一个三维的向量去表示这三个分类结果的概率值，假设函数hθ(x(i))的表达形式为：
Figure BDA0002872739620000081
上式中，
Figure BDA0002872739620000082
为Softmax分类器模型的参数，exp(·)表示指数函数运算，x(i)表示从特征提取网络中所提取的第i个特征，y(i)表示类别标签，p(y(i)＝j|x(i)；θ)的所有概率之和为1.按照上式，每一个特征x(i)都会得到其对应的分类结果的概率p(y(i)＝j|x(i)；θ)，即：
Figure BDA0002872739620000083
特征x＝{x(1)，x(2)，...x(i)，...，x(m)}一共有m个，每个特征x(i)会对应有三个类别概率值，即p(y(i)＝1|x(i)；θ)、p(y(i)＝2|x(i)；θ)和p(y(i)＝3|x(i)；θ)，最终所得到的输出类别概率pclass通过下式计算：
Figure BDA0002872739620000084
上式所表达的含义为，计算每一个特征x(i)对应的类别概率的和，即总共会得到三个类别概率在各个特征上的和，再选择其中的最大值，再除以总的特征个数m，作为最终的输出类别概率，最大值其对应的类别k(k＝1，2，3)，也就是最终所被判定的UPS健康状态类别。
步骤S104：应用上述基于数据驱动、数字孪生和机器学习方法，主要针对UPS的预测性维护提供服务需求，主要包含：评估UPS健康状态(分为“正常运行”、“性能退化”、“异常故障”)、预测UPS剩余使用寿命(单位：小时)、给出维护决策建议(对应三种测试维护调度方式)；
需要说明的是，具体的应用服务，是通过建模分析层使用的算法(即特征提取网络+多任务特征学习网络)，即通过这种有监督学习方法进行训练，最终得到完成训练的模型，再利用模型实现评估UPS健康状态、预测UPS剩余使用寿命、给出维护决策建议等后续任务，要得到训练好的模型包括(1)数据准备、(2)模型训练、(3)测试评价与模型导出三个步骤，具体描述如下：
(1)数据准备：数据获取与划分，以一定的采集频率(设置为12小时)，从上述所构建的数据库中，收集机房孪生体和UPS孪生体在一段时间内(设置为300天，即共采集了600个时间戳的数据)的数据参量(即步骤S101中所涉及的20类参量)，这里所调取的数据参量是已经过步骤S102所述的归一化转换操作的；设总共有N台UPS(N根据实际情况确定，如这里N取15)，即总共有N×600个时间戳样本作为训练集，每个时间戳样本均包含步骤S101所述的共20类数据参量；再在数据库中随机选取N×100个时间戳样本作为测试集。
对所有样本进行标注，需要标注的标签有健康状态(分为“正常运行”、“性能失效”、“异常故障”)、剩余使用寿命(单位：小时)，这些数据标签标注工作由专业的UPS测试人员通过对UPS的性能测试判断完成；至此，这N×600个时间戳样本，每个样本都包含20类数据参量和两个标签(健康状态、剩余使用寿命)。
(2)模型训练：本发明所采用的算法是步骤S103中所设计的“特征提取网络(FEN)+多任务特征学习网络(MTFLN)”结构，模型在训练过程中不仅会进行网络参数的前向传播，还会通过损失函数将误差进行反向传播，以在训练过程中对网络参数进行更新；因为包括UPS剩余使用寿命预测和健康状态分类两个分支，所以设计加权联合损失函数Loss如下
Loss＝μ1Lossc+μ2Lossr
在上式中，μ1表示健康状态分类任务的损失函数Lossc的损失权重参数，μ2表示剩余使用寿命预测任务的损失函数Lossr的损失权重参数，这里取μ1＝0.8，μ2＝1.
其中，Lossc的计算方式如下，其中j表示类别，y(n)表示真实类别，indicator(·)为指示函数，只有当y(n)＝j为真时indicator(·)＝1，否则indicator(·)＝0，
Figure BDA0002872739620000091
表示第n个样本对应的第j个输出神经元的激活值(即通过健康状态分类分支，第n个样本被判定为类别j的所输出的类别概率)：
Figure BDA0002872739620000101
寿命预测任务的损失函数Lossr的计算方式如下，其中
Figure BDA0002872739620000102
表示第n个数据样本的剩余使用寿命的标签值(即真实值)，
Figure BDA0002872739620000103
表示通过寿命预测分支得到的第n个数据样本的剩余使用寿命的预测值：
Figure BDA0002872739620000104
模型在训练过程中，就是要通过前向传播、误差反向传播以及参数更新等，使加权联合损失函数Loss的值最小，具体的训练配置超参数设置为：迭代轮数epoch＝100，训练批量batch_size＝64，参数更新方式(优化器)选择Adam(Adaptive moment estimation)算法。
(3)测试评价与模型导出：模型训练所产生的是否达到期望要求，需要通过一些评价指标在测试集上进行判断；针对健康状态分类任务，利用“微平均-PRF”方法进行判断，即针对测试集中的每一个样本不区分类别建立全局混淆矩阵(即建立真实类别和预测类别的正负例数量关系矩阵)，之后统计“真正例”(TP)、假正例(FP)、假负例(FN)、真负例(TN)的总个数，然后计算查准率Micro_P、查全率Micro_R以及F1值Micro_F，计算方式如下：
Figure BDA0002872739620000105
Figure BDA0002872739620000106
Figure BDA0002872739620000107
针对寿命预测任务，利用“对称平均绝对百分比误差”(Symmetric Mean AbsolutePercentage Error，简称“SMAPE”)作为评价指标，其计算方式为：
Figure BDA0002872739620000108
在上式中，N×100为测试样本的数量，
Figure BDA0002872739620000111
和
Figure BDA0002872739620000112
分别表示第i个测试样本的真实值和经过多任务特征学习网络的寿命预测任务分支得到的预测值。
网络训练的精度是否满足要求，需要根据上面的指标来进行判断：考虑到实际应用需求，当满足查准率Micro_P≥0.95，查全率Micro_R≥0.90且F1值Micro_F≥0.92时，则认为健康状态分类分支符合精度要求；当对称平均绝对百分比误差SMPAE＜6％时，则认为剩余使用寿命预测任务分支符合精度要求；当两个分支均符合精度要求时，则可将训练好的模型(即训练配置文件、模型结构参数文件)导出，之后将从数字孪生体的实时数据输入训练好的模型中，模型即可执行分类任务和预测任务，并输出对应的健康状态分类结果和剩余使用寿命值。
还需要依据所得到的健康状态和剩余使用寿命给出维护决策建议(测试维护调度方式)，测试维护调度方式分为普通维护、检修维护和更新替换三种；通过蚁群算法实现对维护调度的求解，设定三种测试维护调度方式的阈值；
测试维护调度方式确定因子θ定义如下，其中lifepre表示通过上述的网络模型中经过寿命预测任务分支得到的剩余使用寿命的预测值，lifeuse表示该UPS实际已使用时间，ξ表示健康状态系数(对于“正常运行”、“性能退化”、“异常故障”三种状态，ξ的值分别取1，0.5和0.05)
Figure BDA0002872739620000113
确定三个维护阈值th1、th2、th3，当θ∈[0，th1)时，采取对UPS进行“更新替换”的维护方式；当θ∈[th1，th2)时，采取对UPS进行“检修维护”的维护方式；当θ∈[th2，1]时，采取对UPS进行“普通维护”的维护方式；在本发明中采用蚁群算法来确定这三个维护阈值th1、th2、th3，设定蚁群算法针对这三个阈值的搜索范围分别是[0.2，0.4)，[0.4，0.6)，[0.6，0.8).蚁群算法的搜索空间可看成是一个三维立体空间，三个坐标轴即代表了这三个阈值的取值范围；蚁群算法利用信息度强度规则，进行全局搜索和局部搜索以确定最优解，在本发明中这里的目标指的就是维护成本cost最小，要求解的就是三个维护阈值th1、th2、th3的最优解；
这里设定普通维护、检修维护和更新替换这三种方式的对应的维护成本cost分别为10，20，40；蚁群数目为60，迭代次数为50，信息素发挥系数为0.1，局部搜索步长为0.05，局部搜索步长更新参数为0.6，全局搜索辅助步长为0.07，全局搜索步长为0.004；在初始时，蚂蚁是随机分布在空间的，通过迭代多轮之后蚂蚁会向最优解的的位置聚集，设所得到的三个维护阈值th1、th2、th3的最优解分别为opth1、opth2、opth3；
上述通过蚁群算法得到的opth1、opth2、opth3，维护方式即可确定为：当测试维护调度方式确定因子θ∈[0，opth1)时，采取对UPS进行“更新替换”的维护方式；当θ∈[opth1，opth2)时，采取对UPS进行“检修维护”的维护方式；当θ∈[opth2，1]时，采取对UPS进行“普通维护”的维护方式。
请参阅附图2，是本申请实施例提供的UPS数字孪生体系架构图，用于实现上述的一种不间断电源健康预测管理方法。附图2示例的UPS数字孪生体系架构可以包括物理感知层201、数据传递层202、建模分析层203、应用服务层204、交互控制层205，详述如下：
物理感知层201，利用监控设备和多源传感器采集UPS物理实体和机房环境实体的共20类数据参量，作为后续模型训练以及完成预测UPS剩余使用寿命等任务的“数据驱动”基础；
数据传递层202，利用网络设备和高速通信技术，将所采集的20类数据参量进行归一化预处理，并将包含时间信息的数据传至数据库进行存储，便于后续的数据调取和交互；
建模分析层203，(1)构建数字孪生体，利用三维建模软件构建UPS和机房环境的数字孪生体外观，并通过数据传递层202实现20类数据参量的交互和传递，构成孪生体和实体之间的映射关系；(2)构建特征提取网络和多任务特征学习网络，用于作为实现剩余使用寿命预测以及健康状态分类任务算法；
应用服务层204，从建模分析层203的数字孪生体中获取20类交互数据，经过数据集划分、数据标签标注的数据准备工作后，将数据输入至特征提取网络和多任务特征学习网络进行网络模型训练，在测试集上的评价结果满足设定要求的即可将所训练好的模型进行导出应用，完成评估UPS健康状态和预测UPS剩余使用寿命的任务；基于UPS健康状态和剩余使用寿命，利用蚁群算法得到测试维护调度方式确定因子θ的最优解，进而给出相应的维护决策建议；
交互控制层205，基于上述各层，构建UPS健康管理与维护平台，实现应用服务层204的输出结果显示(例如可显示至PC端/移动终端)，并可完成“异常报警”、“状态及寿命监测”等控制任务，完成“实体数据→孪生体→算法模型→结果输出→人机交互”的流程。
附图2示例的物理感知层201和数据传递层202中，所采集的“20类数据”包括(1)传感器采集的参量15类：即UPS输入电压VI、输出电压VO、输入电流AI、输出电流AO、负载百分比εR、中性线电流In、每单体电池放电的截止电压VC、每24小时电池自动均浮充转换次数Nt、各主要模块的运行温度(即蓄电池温度Tb、整流器温度Tr、升压器温度Tp、逆变器温度Ti、风扇电机温度Tf)、机房环境温度Tc、空气湿度Ha.(2)监控设备感知的参量5类：即UPS元器件外观apr是否正常、散热风口及滤网清洁情况cle是否正常、UPS输出波形wav是否正常、UPS显示面板pan是否正常、接口和端子连接cnt是否正常；若某参量在某时刻处于正常状态，则该参量值记为0，若处于异常状态则记为1.
附图2示例的建模分析层203可以包括构建数字孪生体、构建特征提取网络和多任务特征学习网络，其中：
构建数字孪生体，可以使用3D Studio Max软件进行三维动画渲染和制作来实现UPS和机房环境的数字孪生体的外观建模，再通过Oracle数据库实现实体和孪生体之间的数据传输交互，经过外观建模和数据交互之后完成了数字孪生体的最终构建以及与实体间的映射关系；
构建特征提取网络和多任务特征学习网络，特征提取网络融合应用马尔科夫机和残差卷积网络来实现，对20类数据参量的高低维特征进行提取；多任务特征学习网络中的剩余使用寿命预测分支可利用三个堆叠的长短期记忆(LSTM)网络实现，其输出为剩余使用寿命的预测结果yt：
ct＝zf⊙ct-1+zi⊙z
ht＝zo⊙tanh(ct)
yt＝sigmoid(W′·ht)
在上述三个公式中，ct表示当前状态，ct-1表示上一个LSTM单元的状态，ht表示LSTM单元当前的外部状态，W′为输出yt的权重矩阵，⊙表示Hadamard矩阵乘法运算(即矩阵对应元素相乘)；
多任务特征学习网络中的健康状态分类分支通过“全连接层+Softmax分类器”实现，将健康状态分为三类，每一个特征x(i)都会得到其对应的分类结果的概率p(y(i)＝j|x(i)；θ)，特征x＝{x(1)，x(2)，...x(i)，...，x(m)}一共有m个，每个特征x(i)会对应有三个类别概率值，即p(y(i)＝1|x(i)；θ)、p(y(i)＝2|x(i)；θ)和p(y(i)＝3|x(i)；θ)，最终所得到的输出类别概率pclass通过下式计算：
Figure BDA0002872739620000141
上式所表达的含义为，计算每一个特征x(i)对应的类别概率的和，即总共会得到三个类别概率在各个特征上的和，再选择其中的最大值，再除以总的特征个数m，作为最终的输出类别概率，最大值其对应的类别k(k＝1，2，3)，也就是最终所被判定的UPS健康状态类别。
可选地，附图2示例的应用服务层204可以包括网络模型训练、测试结果评价、模型导出部署、给出决策维护建议，其中：
网络模型训练，UPS剩余使用寿命预测和健康状态分类两个分支的加权联合损失函数Loss的计算公式为：
Loss＝μ1Lossc+μ2Lossr
在上式中，μ1表示健康状态分类任务的损失函数Lossc的损失权重参数，μ2表示剩余使用寿命预测任务的损失函数Lossr的损失权重参数，这里取μ1＝0.8，μ2＝1.
其中，Lossc的计算方式如下，其中j表示类别，y(n)表示真实类别，indicator(·)为指示函数，
Figure BDA0002872739620000142
表示第n个样本对应的第j个输出神经元的激活值：
Figure BDA0002872739620000143
寿命预测任务的损失函数Lossr的计算方式如下，其中
Figure BDA0002872739620000144
表示第n个数据样本的剩余使用寿命的标签值，
Figure BDA0002872739620000145
表示通过寿命预测分支得到的第n个数据样本的剩余使用寿命的预测值：
Figure BDA0002872739620000151
具体的训练配置超参数可设置为：迭代轮数epoch＝100，训练批量batch_size＝64，参数更新方式(优化器)选择Adam(Adaptive moment estimation)算法；
测试结果评价，针对健康状态分类任务，采用“微平均-PRF”方法，计算查准率Micro_P、查全率Micro_R以及F1值Micro_F：
Figure BDA0002872739620000152
Figure BDA0002872739620000153
Figure BDA0002872739620000154
针对剩余使用寿命预测任务，利用“对称平均绝对百分比误差”(简称“SMAPE”)作为评价指标，其计算方式为：
Figure BDA0002872739620000155
模型导出部署，可根据评价指标，在测试集上当满足查准率Micro_P≥0.95，查全率Micro_R≥0.90且F1值Micro_F≥0.92时，则认为健康状态分类分支符合精度要求；当对称平均绝对百分比误差SMPAE＜6％时，则认为剩余使用寿命预测任务分支符合精度要求；当两个分支均符合精度要求时，则可将训练好的模型(即训练配置文件、模型结构参数文件)导出；
给出维护决策建议，分为普通维护、检修维护和更新替换三种，测试维护调度方式确定因子θ定义如下：
Figure BDA0002872739620000156
其中lifepre表示通过上述的网络模型中经过寿命预测任务分支得到的剩余使用寿命的预测值，lifeuse表示该UPS实际已使用时间，ξ表示健康状态系数(对于“正常运行”、“性能退化”、“异常故障”三种状态，ξ的值分别取1，0.5和0.05)；
基于测试维护调度方式确定因子θ，利用蚁群算法进行全局和局部搜索，得到三种测试维护调度方式的θ阈值最优解opth1、opth2、opth3：当测试维护调度方式确定因子θ∈[0，opth1)时，采取对UPS进行“更新替换”的维护方式；当θ∈[opth1，opth2)时，采取对UPS进行“检修维护”的维护方式；当θ∈[opth2，1]时，采取对UPS进行“普通维护”的维护方式。
附图2示例的交互控制层205可以包括集成建模分析层203和应用服务层204所述的方法，以及显示模块和控制模块，其中：
集成建模分析层203和应用服务层204所述的方法，也就是将UPS孪生体和机房孪生体的数据进行实时采集，通过特征提取网络、多任务特征学习网络，在剩余使用寿命预测分支，在健康状态分类分支得到UPS健康状态；之后，计算测试维护调度方式确定因子θ，利用蚁群算法确定三种维护方式的阈值最优解opth1、opth2、opth3，进而确定对UPS采取何种维护方式；
显示模块可以通过生成PC端或手机等移动端的可执行应用软件，对UPS和机房的数字孪生体的20类实时数据参量、剩余使用寿命、健康状态、维护决策方式等进行实时显示，UPS管理与维护人员可以进行查看当前数据并调取历史数据；
控制模块可以对特定事件进行异常报警(如健康状态类型被判定为“异常故障”)，可以对UPS和机房的数字孪生体进行状态及寿命监测，根据给出的维护决策建议，维修人员可进入UPS和机房实体环境中开展相应的确认和维护工作。
从以上技术方案的描述中可以看出，通过所提出的一种基于数字孪生和机器学习的不间断电源健康预测管理方法：利用传感和监控设备采集20类数据参量；经过网络传输至数据库并进行归一化预处理；使用3D建模软件和数据库的数据交互实现UPS和机房环境数字孪生体的构建，基于机器学习和深度学习方法设计“特征提取网络+多任务特征学习网络”；经过网络模型训练、测试结果评价和模型导出部署后实现评估UPS健康状态和预测UPS剩余使用寿命任务，再经过蚁群算法确定UPS的维护决策建议；最后，利用前述步骤构建UPS健康管理与维修维护平台，将输出信息进行显示和对应的控制功能。相比于现有UPS维护技术主要依靠专业技术人员的经验判断对UPS进行定期维护，对UPS的具体健康状态和剩余使用寿命等无法获知，往往还需要进行停机检测，效率较低且损耗较大；本申请的技术方案基于构建UPS和机房环境的数字孪生体，并利用机器学习和深度学习方法进行数据特征提取、状态和寿命预测，能够在无需停机和拆卸检测的条件下提前为运营维护人员提供维护决策支持，进而对UPS和机房实体采取相应措施。
图3是本申请一实施例提供的不间断电源健康预测管理设备的结构示意图。如图3所示，该实施例的不间断电源健康预测管理设备3主要包括：处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32，例如不间断电源健康状态预测的程序。处理器30执行计算机程序32时实现上述提出了一种不间断电源健康预测管理方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，处理器30执行计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示UPS数字孪生体系架构中的物理感知层201、数据传递层202、建模分析层203、应用服务层204、交互控制层205。
示例性地，不间断电源健康预测管理方法的计算机程序32主要包括：利用多种传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量进行采集；利用高速带宽传输(如5G通信传输等)将数据存储至数据库，方便及时调取和查看，经过预处理得到归一化特征；利用包含马尔科夫机、残差卷积网络、softmax分类器与长短时记忆(LSTM)网络的“特征提取网络+多任务特征学习网络”算法，实现健康状态分类任务和剩余使用寿命预测任务；结合蚁群搜索算法，给出维护决策建议，在对模型进行完成训练的基础上，对其进行测试验证及模型导出；最后实现构建UPS健康管理与维修维护平台的程序，实现结果显示和控制交互功能；计算机程序32可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器31中，并由处理器30执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序32在不间断电源健康预测管理设备3中的执行过程。例如，计算机程序32可以被分割成物理感知层201、数据传递层202、建模分析层203、应用服务层204、交互控制层205的功能，各模块具体功能如下：物理感知层201，用于对UPS实体各模块以及所处机房环境的相关参量进行采集；数据传递层202，用于将数据存储至数据库，方便及时调取和查看，并经过预处理得到归一化特征；建模分析层203，用于实现包含马尔科夫机、残差卷积网络、softmax分类器与长短时记忆(LSTM)网络的“特征提取网络+多任务特征学习网络”算法，以完成健康状态分类任务和剩余使用寿命预测任务；应用服务层204，用于对模型进行完成训练的基础上，对其进行测试验证及模型导出，并结合蚁群搜索算法，给出维护决策建议；交互控制层205，用于构建UPS健康管理与维修维护平台，实现结果显示和控制交互功能。
不间断电源健康预测管理设备3可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解，图3仅仅是不间断电源健康预测管理设备3的示例，并不构成对不间断电源健康预测管理设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是不间断电源健康预测管理设备3的内部存储单元，例如不间断电源健康预测管理设备3的硬盘或内存。存储器31也可以是不间断电源健康预测管理设备3的外部存储设备，例如不间断电源健康预测管理设备3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器31还可以既包括不间断电源健康预测管理设备3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及设备所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即，将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非临时性计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，不间断电源系统内部关键模块性能预测方法的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，利用多种传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量进行采集；利用高速带宽传输(如5G通信传输等)将数据存储至数据库，方便及时调取和查看，经过预处理得到归一化特征；利用包含马尔科夫机、残差卷积网络、softmax分类器与长短时记忆(LSTM)网络的“特征提取网络+多任务特征学习网络”算法，实现健康状态分类任务和剩余使用寿命预测任务；结合蚁群搜索算法，给出维护决策建议，在对模型进行完成训练的基础上，对其进行测试验证及模型导出；最后实现构建UPS健康管理与维修维护平台的程序，实现结果显示和控制交互功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。非临时性计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读内存(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，非临时性计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，非临时性计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于数字孪生和机器学习的UPS健康预测方法，其特征在于，所述方法包括：
利用传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量进行采集；
利用高速带宽传输将数据存储至数据库，并将数据预处理得到归一化特征；
根据UPS实体和机房环境实体的外观构造，以及数据传递层所传输的各类数据参量对整个UPS系统进行数字孪生体建模，实现UPS实体和环境实体与所构造的数字孪生体之间一一映射关系；再利用机器学习和深度学习方法，将数字孪生体的各参量数据输入“特征提取网络+多任务特征学习网络”算法模型进行计算，评估UPS健康状态、预测UPS剩余使用寿命；
所述“特征提取网络+多任务特征学习网络”算法模型，具体包括：
特征提取网络通过综合应用马尔科夫机和残差卷积网络实现对不同类型的UPS数据参量和机房环境参量的时空特征提取，包括采用符号动力学滤波方法参量转换成符号序列；对于同一类型参量，采用D-马尔科夫机生成状态转移概率矩阵；对于不同类型参量之间，采用XD-马尔科夫机生成状态转移概率关联矩阵；最后所生成的同一类型的状态转移矩阵Πaa和不同类型之间的状态概率关联矩阵Πab作为残差卷积网络的输入，进行特征提取；
多任务特征学习网络结构，包括输入层、特征提取网络、多任务网络，其中所述多任务网络包括UPS剩余使用寿命预测分支和健康状态分类分支；
UPS剩余使用寿命预测分支由长短期记忆网络实现，将特征提取网络得到的输出特征，经过连续三个长期短期记忆网络堆叠融合，得到最终剩余使用寿命的输出yt：
yt＝sigmoid(W′·ht)
其中ht表示LSTM单元当前的外部状态，W′为输出yt的权重矩阵；
健康状态分类分支通过“全连接层+Softmax分类器”实现；通过特征提取网络传来的特征参量，首先经过一个全连接层把所提取到的特征参量转换为m×1维向量，m为特征参量个数，再通过softmax分类器构造多元分类器，分为“正常运行”、“性能退化”、“异常故障”类别；对于提取到的m个特征x＝{x(1),x(2),…x(i),…,x(m)}，每个特征x(i)会对应有三个类别概率值p(y(i)＝j|x(i)；θ)，计算公式为：
Figure FDA0003333937020000021
其中，
Figure FDA0003333937020000022
为Softmax分类器模型的参数，y(i)表示类别标签；
最终所得到的输出类别概率pclass通过下式计算：
Figure FDA0003333937020000023
pclass为最终的输出类别概率，最大值对应的类别k，k＝1,2,3，即最终所被判定的UPS健康状态类别；
根据评估的UPS健康状态、预测的UPS剩余使用寿命，结合蚁群搜索算法，给出维护决策建议。
2.如权利要求1所述的基于数字孪生和机器学习的UPS健康预测方法，其特征在于，所述利用传感器和监控设备对UPS实体各模块以及所处机房环境的相关参量包括：传感器采集的参量：UPS输入电压VI、输出电压VO、输入电流AI、输出电流AO、负载百分比εR、中性线电流In、每单体电池放电的截止电压VC、每24小时电池自动均浮充转换次数Nt、蓄电池温度Tb、整流器温度Tr、升压器温度Tp、逆变器温度Ti、风扇电机温度Tf)、机房环境温度Tc、空气湿度Ha.；监控设备感知的参量：UPS元器件外观apr是否正常、散热风口及滤网清洁情况cle是否正常、UPS输出波形wav是否正常、UPS显示面板pan是否正常、接口和端子连接cnt是否正常；若参量在某时刻处于正常状态，则所述参量值记为0，若处于异常状态则记为1。
3.如权利要求1所述基于数字孪生和机器学习的UPS健康预测方法，其特征在于，所述利用高速带宽传输将数据存储至数据库，并将数据预处理得到归一化特征，具体包括：
建立Oracle数据库，用于对所收集的数据进行存储，
采用Z-score标准化方法，计算各参量所收集的原始数据的均值Mean和标准差Std，利用如下公式进行归一化转换：
Figure FDA0003333937020000024
其中，para为各参量，paranorm为各参量标准化后的量。
4.如权利要求1所述的基于数字孪生和机器学习的UPS健康预测方法，其特征在于，所述根据UPS实体和机房环境实体的外观构造，以及数据传递层所传输的各类数据参量对整个UPS系统进行数字孪生体建模，具体包括：
将所要构建的数字孪生体模型分为UPS模型和机房模型两大类，按照层级结果进行建模；利用建模软件如3D Studio Max软件，进行三维动画渲染和制作来实现UPS和机房环境数字孪生体的外观；再通过数据库请求和发送数据以构建所采集的实体数据和数字孪生体之间进行交互，整个三维外观模型和数据交互传输就组成最终的UPS系统数字孪生体模型，构建实体和孪生体之间的映射关系。
5.如权利要求4所述基于数字孪生和机器学习的UPS健康预测方法，其特征在于，所述多任务网络包括UPS剩余使用寿命预测分支和健康状态分类分支，对UPS剩余使用寿命预测分支和健康状态分类分支模型进行指标验证，具体包括：
利用“微平均-PRF”方法评价健康状态分类任务，针对测试集中的每一个样本不区分类别建立全局混淆矩阵，根据所建立的混淆矩阵统计“真正例TP”、“假正例FP”、“假负例FN”、“真负例TN”的总个数，然后计算查准率Micro_P、查全率Micro_R以及F1值Micro_F，计算方式如下：
Figure FDA0003333937020000031
Figure FDA0003333937020000032
Figure FDA0003333937020000033
针对寿命预测任务，利用“对称平均绝对百分比误差”SMAPE作为评价指标，其计算方式为：
Figure FDA0003333937020000034
其中，N×100为测试样本的数量，
Figure FDA0003333937020000035
和
Figure FDA0003333937020000036
分别表示第i个测试样本的真实值和经过多任务特征学习网络的寿命预测任务分支得到的预测值；
当满足查准率Micro_P≥0.95，查全率Micro_R≥0.90且F1值Micro_F≥0.92时，则认为健康状态分类分支符合精度要求；当对称平均绝对百分比误差SMPAE<6％时，则认为剩余使用寿命预测任务分支符合精度要求；当两个分支均符合精度要求时，则可将训练好的模型导出，进行部署服务应用。
6.根据权利要求5所述的基于数字孪生和机器学习的UPS健康预测方法，其特征在于，根据评估的UPS健康状态、预测的UPS剩余使用寿命，结合蚁群搜索算法，给出维护决策建议，具体包括：
通过蚁群算法实现对维护调度方式确定因子θ最优值的求解，设定三种测试维护调度方式的阈值；测试维护调度方式确定因子θ定义为：
Figure FDA0003333937020000041
其中，lifepre表示通过上述的特征提取网络+多任务特征学习网络中经过寿命预测任务分支得到的剩余使用寿命的预测值，lifeuse表示该UPS实际已使用时间，ξ表示健康状态系数，对于“正常运行”、“性能退化”、“异常故障”三种状态，ξ的值分别取1,0.5和0.05；
采用蚁群算法来确定这三个维护阈值th1、th2、th3，设定蚁群算法针对这三个阈值的搜索范围，最终得到三个维护阈值th1、th2、th3的最优解分别为opth1、opth2、opth3；维护方式具体确定为：当测试维护调度方式确定因子θ∈[0,opth1)时，采取对UPS进行“更新替换”的维护方式；当θ∈[opth1,opth2)时，采取对UPS进行“检修维护”的维护方式；当θ∈[opth2,1]时，采取对UPS进行“普通维护”的维护方式。
7.一种基于数字孪生的UPS健康预测的体系架构系统，其特征在于，所述系统包括：
物理感知层：通过多种传感器、监控设备所构成的感知设备，对UPS物理实体和机房环境实体的相关参量进行采集；
数据传递层：通过对物理层感知设备所采集的数据通过高速带宽传输给数据层，对UPS实体的相关参量数据进行传输、处理和存储；
建模分析层：通过对UPS实体和机房环境实体的外观构造，以及数据传递层所传输的各类数据参量对整个UPS系统进行数字孪生体建模，以实现UPS实体和环境实体与所构造的数字孪生体之间的一一映射关系；再利用机器学习和深度学习方法，实现对数字孪生体的各参量数据进行计算，为后续评估UPS健康状态、预测UPS剩余使用寿命以及给出维护决策建议提供算法支撑；具体为：
将数字孪生体的各参量数据输入“特征提取网络+多任务特征学习网络”算法模型进行计算，评估UPS健康状态、预测UPS剩余使用寿命；
所述“特征提取网络+多任务特征学习网络”算法模型，具体包括：
特征提取网络通过综合应用马尔科夫机和残差卷积网络实现对不同类型的UPS数据参量和机房环境参量的时空特征提取，包括采用符号动力学滤波方法参量转换成符号序列；对于同一类型参量，采用D-马尔科夫机生成状态转移概率矩阵；对于不同类型参量之间，采用XD-马尔科夫机生成状态转移概率关联矩阵；最后所生成的同一类型的状态转移矩阵Πaa和不同类型之间的状态概率关联矩阵Πab作为残差卷积网络的输入，进行特征提取；
多任务特征学习网络结构，包括输入层、特征提取网络、多任务网络，其中所述多任务网络包括UPS剩余使用寿命预测分支和健康状态分类分支；
UPS剩余使用寿命预测分支由长短期记忆网络实现，将特征提取网络得到的输出特征，经过连续三个长期短期记忆网络堆叠融合，得到最终剩余使用寿命的输出yt：
yt＝sigmoid(W′·ht)
其中ht表示LSTM单元当前的外部状态，W′为输出yt的权重矩阵；
健康状态分类分支通过“全连接层+Softmax分类器”实现；通过特征提取网络传来的特征参量，首先经过一个全连接层把所提取到的特征参量转换为m×1维向量，m为特征参量个数，再通过softmax分类器构造多元分类器，分为“正常运行”、“性能退化”、“异常故障”类别；对于提取到的m个特征x＝{x(1),x(2),…x(i),…,x(m)}，每个特征x(i)会对应有三个类别概率值p(y(i)＝j|x(i)；θ)，计算公式为：
Figure FDA0003333937020000051
其中，
Figure FDA0003333937020000052
为Softmax分类器模型的参数，y(i)表示类别标签；
最终所得到的输出类别概率pclass通过下式计算：
Figure FDA0003333937020000061
pclass为最终的输出类别概率，最大值对应的类别k，k＝1,2,3，即最终所被判定的UPS健康状态类别；
应用服务层：应用数据驱动、数字孪生和机器学习方法，针对UPS的预测性维护提供服务需求，包含：评估UPS健康状态、预测UPS剩余使用寿命、给出维护决策建议；
交互控制层：针对UPS维护检修人员和相关管理人员提供终端操作，实时查看所构造的UPS数字孪生体的各类数据参量、健康状态、剩余寿命、维护建议，并采取异常报警、状态及寿命监测行为进行控制和显示。
8.一种基于数字孪生和机器学习的UPS健康预测设备，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述方法的步骤。
CN202011609646.1A 2020-12-30 2020-12-30 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 Active CN112904220B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011609646.1A CN112904220B (zh) 2020-12-30 2020-12-30 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011609646.1A CN112904220B (zh) 2020-12-30 2020-12-30 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质

Publications (2)

Publication Number Publication Date
CN112904220A CN112904220A (zh) 2021-06-04
CN112904220B true CN112904220B (zh) 2021-12-31

Family

ID=76112043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011609646.1A Active CN112904220B (zh) 2020-12-30 2020-12-30 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质

Country Status (1)

Country Link
CN (1) CN112904220B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347692B (zh) * 2020-09-21 2024-02-06 深圳有电物联科技有限公司 不间断电源的电池预测性维护的实现方法、装置和电子装置
CN113253709B (zh) * 2021-06-07 2021-09-21 江苏中车数字科技有限公司 一种适用于轨道交通车辆健康诊断方法及装置
CN113406508A (zh) * 2021-06-23 2021-09-17 苏州东吴智控科技有限公司 基于数字孪生的电池检测和维护方法及装置
CN113487085A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 基于联合学习框架的设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113505535B (zh) * 2021-07-08 2023-11-10 重庆大学 基于门控自适应分层注意力单元网络的电机寿命预测方法
CN113609608A (zh) * 2021-07-22 2021-11-05 上海工程技术大学 基于数字孪生的列车牵引电机轴承全生命周期管理方法
CN113537373A (zh) * 2021-07-23 2021-10-22 中国人民解放军陆军工程大学 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113609955B (zh) * 2021-07-30 2023-08-08 福州大学 一种基于深度学习和数字孪生的三相逆变器参数辨识方法
CN113722985B (zh) * 2021-08-12 2024-04-09 武汉科技大学 航空发动机健康状态评估和剩余寿命预测方法及系统
CN113780634A (zh) * 2021-08-23 2021-12-10 鹏城实验室 基于数字孪生的冷水机组预测性维护方法、装置及终端
CN113779882B (zh) * 2021-09-10 2024-05-17 中国石油大学(北京) 设备剩余使用寿命的预测方法、装置、设备及存储介质
CN114510992A (zh) * 2021-12-27 2022-05-17 上海梦象智能科技有限公司 一种基于深度学习的设备开关状态检测方法
CN114864088B (zh) * 2022-04-26 2023-04-14 福建福寿康宁科技有限公司 一种基于医疗健康的数字孪生建立方法、装置和存储介质
CN114919559B (zh) * 2022-07-05 2023-05-12 中南大学 一种基于数字孪生的制动系统剩余使用寿命预测系统及方法
CN115857447B (zh) * 2022-11-28 2023-06-09 安徽宝信信息科技有限公司 基于数字孪生的复杂工业系统运行监测方法及系统
CN115814686B (zh) * 2023-02-14 2023-04-18 博纯材料股份有限公司 一种镭射气体混配生产系统的状态监控方法及系统
CN116126645B (zh) * 2023-04-04 2023-09-29 江苏天创科技有限公司 一种基于数字孪生的机房稳定性监测方法及系统
CN116522140A (zh) * 2023-04-28 2023-08-01 重庆大学 多任务深度学习模型和锂电池健康状态和剩余寿命预测及控制方法
CN117454488B (zh) * 2023-11-08 2024-03-26 河北建工集团有限责任公司 基于数字孪生传感器的多设备综合方法和系统
CN117369308B (zh) * 2023-11-20 2024-04-23 合肥中科深谷科技发展有限公司 基于数字孪生的机器人硬件在环实时仿真控制系统及方法
CN117611015B (zh) * 2024-01-22 2024-03-29 衡水烨通建设工程有限公司 一种建筑工程质量实时监测系统
CN117763879A (zh) * 2024-02-22 2024-03-26 大连理工大学 基于多层堆叠学习器的结构力学响应场数字孪生方法
CN117911012B (zh) * 2024-03-20 2024-05-28 成都思越智能装备股份有限公司 基于设备生态检测及运行状态评估的设备健康管理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111208759A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 矿井无人化综采工作面数字孪生智能监控系统
WO2020167934A1 (en) * 2019-02-14 2020-08-20 Osram Gmbh Controlled agricultural systems and methods of managing agricultural systems

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2938533A1 (en) * 2015-09-11 2017-03-11 Hao Chen Method for quantitative evaluation of switched reluctance motor system reliability through three-level markov model
US10520937B2 (en) * 2017-02-10 2019-12-31 General Electric Company Sensing and computing control system for shaping precise temporal physical states
CN109767759B (zh) * 2019-02-14 2020-12-22 重庆邮电大学 一种应用到端到端语音识别的cldnn结构的建立方法
CN111161410B (zh) * 2019-12-30 2021-10-12 中国矿业大学(北京) 一种矿井数字孪生模型及其构建方法
CN111610448B (zh) * 2020-06-01 2021-05-04 北京理工大学 一种应用数字孪生技术的锂离子电池寿命预测方法
CN111832914B (zh) * 2020-06-29 2022-10-04 国网河南省电力公司电力科学研究院 一种基于数字孪生的输电线路结构健康评估方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020167934A1 (en) * 2019-02-14 2020-08-20 Osram Gmbh Controlled agricultural systems and methods of managing agricultural systems
CN111208759A (zh) * 2019-12-30 2020-05-29 中国矿业大学(北京) 矿井无人化综采工作面数字孪生智能监控系统

Also Published As

Publication number Publication date
CN112904220A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112904220B (zh) 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
CN113777496B (zh) 基于时间卷积神经网络的锂离子电池剩余寿命预测方法
US11247580B2 (en) Apparatus and method for predicting failure of electric car charger
CN108780315B (zh) 用于优化旋转设备的诊断的方法和装置
CN113343633A (zh) 动力锂电池热失控故障分类及风险预测方法、系统
Nguyen et al. Probabilistic deep learning methodology for uncertainty quantification of remaining useful lifetime of multi-component systems
CN106779215B (zh) 一种基于机器学习的电网全局延时态势感知方法
CN110757510A (zh) 一种机器人剩余寿命预测方法及系统
CN115796434A (zh) 一种用于配电网的管控方法、装置、电子设备及存储介质
CN112765257A (zh) 一种基于时序序列预测温度的环境采集系统设计的方法
CN116106773A (zh) 一种基于数据增强的混合模型锂电池健康状态监测方法
CN116932523B (zh) 一种整合和监管第三方环境检测机构的平台
CN111143835B (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
CN114970841A (zh) 电池状态预测模型的训练方法及相关装置
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
CN116149895A (zh) 大数据集群性能预测方法、装置和计算机设备
CN110045691A (zh) 一种多源异构大数据的多任务处理故障监测方法
CN114818460A (zh) 基于自动机器学习的实验室设备剩余使用寿命预测方法
Lin et al. Design and implementation of a CPS‐based predictive maintenance and automated management platform
CN113807704A (zh) 一种城市轨道交通数据的智能算法平台构建方法
Moradi et al. Intelligent Health Indicators Based on Semi-supervised Learning Utilizing Acoustic Emission Data
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN110263811A (zh) 一种基于数据融合的设备运行状态监测方法及系统
Lu et al. Development of the Abnormal Tension Pattern Recognition Module for Twisted Yarn Based on Deep Learning Edge Computing.

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221104

Address after: A805, 806, No. 85, Shashan Road, Jiangyin City, Wuxi City, Jiangsu Province, 214400

Patentee after: Jiangsu Huacheng Intelligent Technology Co.,Ltd.

Address before: 361000 Siming South Road, Xiamen, Fujian Province, No. 422

Patentee before: XIAMEN University