CN113468805A - 传感器极寒环境可靠性评估方法、电子设备及存储介质 - Google Patents

传感器极寒环境可靠性评估方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113468805A
CN113468805A CN202110683543.8A CN202110683543A CN113468805A CN 113468805 A CN113468805 A CN 113468805A CN 202110683543 A CN202110683543 A CN 202110683543A CN 113468805 A CN113468805 A CN 113468805A
Authority
CN
China
Prior art keywords
neural network
sensor
reliability
target
environment
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.)
Granted
Application number
CN202110683543.8A
Other languages
English (en)
Other versions
CN113468805B (zh
Inventor
周文
朱学成
孙巍
梁建权
王悦
江翼
张静
刘正阳
周扬
张健
张朋
蒋宝兰
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.)
Shanghai Keqi Internet Of Things Technology Co ltd
State Grid Heilongjiang Electric Power Co Ltd Electric Power Research Institute
State Grid Corp of China SGCC
Wuhan NARI Ltd
State Grid Heilongjiang Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Shanghai Keqi Internet Of Things Technology Co ltd
State Grid Heilongjiang Electric Power Co Ltd Electric Power Research Institute
State Grid Corp of China SGCC
Wuhan NARI Ltd
State Grid Heilongjiang Electric Power Co Ltd
State Grid Electric Power Research Institute
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 Shanghai Keqi Internet Of Things Technology Co ltd, State Grid Heilongjiang Electric Power Co Ltd Electric Power Research Institute, State Grid Corp of China SGCC, Wuhan NARI Ltd, State Grid Heilongjiang Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical Shanghai Keqi Internet Of Things Technology Co ltd
Priority to CN202110683543.8A priority Critical patent/CN113468805B/zh
Publication of CN113468805A publication Critical patent/CN113468805A/zh
Application granted granted Critical
Publication of CN113468805B publication Critical patent/CN113468805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本申请公开了一种传感器极寒环境可靠性评估方法、电子设备及存储介质。该传感器极寒环境可靠性评估方法包括：采集传感器运行数据样本步骤、搭建神经网络步骤、读取神经网络参数步骤、更新神经网络参数步骤、优化神经网络参数步骤、迭代训练步骤、构建适配层步骤以及迁移学习步骤。本发明与现有技术相比具有以下优点：针对传感器在极寒环境的可靠性评估，不需要布置试验环境；节省传感器可靠性评估的成本和时间。

Description

传感器极寒环境可靠性评估方法、电子设备及存储介质
技术领域
本发明涉及极寒环境下传感器可靠性评估领域，尤其涉及一种传感器极寒环境可靠性评估方法、电子设备及存储介质。
背景技术
现有技术采用实验室低温性能可靠性测试与现场低温长期挂网运行可靠性考核相结合的方式验证装置的可靠性。实验室测试主要突出测试结果的可比较性，将传感器在实验室低温下的运行性能进行比较，在检测和运行过程中监督传感器的输出数据，记录传感器出现的故障，并进行故障模式及影响分析。
在实验室内进行可靠性分析及测试的基础上，进一步开展现场低温长期挂网运行可靠性考核试验。将在线监测装置置于低温环境中，按照正常工作状态运行1年。在试验期内实时监测在线监测装置的输出数据，记录在线监测装置出现的故障。通过现场真实环境影响因素的综合作用，来验证在多因素合成作用下的可靠性提升效果，并对故障进行定位和分析，从而对在线监测装置的性能进行进一步改进。
对低温环境的适应性是输变电设备状态监测装置的实用化推广过程中必须面对的问题。目前国内对状态监测装置侧重于常温环境下准确性及可靠性的研究，缺乏对低温环境下状态监测装置长期运行影响及监测诊断技术的研究。而且基于现有的采用实验室低温性能可靠性测试与现场低温长期挂网运行可靠性考核相结合的方式难以准确模拟实际低温环境的影响因素，会导致对传感器在低温环境长期挂网运行可靠性评估结果与实际应用偏差巨大。
发明内容
本发明的目的在于，提供一种传感器极寒环境可靠性评估方法、电子设备及存储介质，用于解决目前基于现有的采用实验室低温性能可靠性测试与现场低温长期挂网运行可靠性考核相结合的方式难以准确模拟实际低温环境的影响因素，会导致对传感器在低温环境长期挂网运行可靠性评估结果与实际应用偏差巨大的技术问题，难以满足传感器对低温环境适应性的运行可靠性评估需求。
为了实现上述目的，本发明其中一实施例中提供一种传感器极寒环境可靠性评估方法，包括步骤：
采集传感器运行数据样本步骤，获取传感器运行数据样本，按照常温状态和低温状态将传感器的运行数据样本分为常温时的源域XS和低温时的目标域Xt；所述源域XS及所述目标域Xt中均包括环境参数；
搭建神经网络步骤，搭建一神经网络f(·)，所述神经网络f(·)与所述环境参数ω及传感器的首次故障时间T相关；
读取神经网络参数步骤，所述神经网络的参数随机初始记为(w0,b0)，其中表示神经网络每层网络的权重(weight),表示神经网络每层网络的偏差(bias)；
更新神经网络参数步骤，将所述源域XS参数向量输入神经网络进行计算，得到神经网络预测首次故障时间t0，计算所述神经网络预测的首次故障时间t0与实际首次故障时间T的时间偏差Loss0，根据时间偏差Loss0更新神经网络的初始参数(w0,b0)为(w1,b1)；
优化神经网络参数步骤，再次将所述源域XS参数向量输入到更新过参数的神经网络模型中，得到新的首次故障时间t1，再次计算首次故障时间t1与实际首次故障时间T的时间偏差Loss1，根据Loss1更新神经网络的参数(w1,b1)为(w2,b2)；
迭代训练步骤，重复所述优化神经网络参数步骤n次，直到最终时间偏差Lossn收敛，得到最终神经网络参数(wn,bn)；
构建适配层步骤，在原始的神经网络模型
Figure BDA0003123720080000031
的基础上新增一适配层形成最终神经网络模型ftarget(ω)，所述适配层用所述源域XS和所述目标域Xt的最大均值差异距离MMD(XS，Xt)来衡量所述源域XS和所述目标域Xt之间的距离；以及
迁移学习步骤，将所述目标域Xt输入至所述神经网络中进行训练以更新损失函数为Ltarget＝Loss'+λMMD(Xs,Xt)；其中Ltarget为总损失函数，λ为混淆强度系数，Loss'为目标域Xt输入到原有神经网络
Figure BDA0003123720080000032
模型中得到的首次故障时间t'与传感器低温环境下实际首次故障时间T'的时间偏差；取Ltarget收敛时的参数(Wtarget,Btarget)作为最终模型ftarget(ω)的参数。
进一步地，所述源域XS包括环境参数数据集Ω＝{ω1，ω2，…，ωn}以及相应环境参数下的首次故障时间T，其中ω为对应的环境参数，n为第n种环境。
进一步地，所述目标域Xt包括环境参数数据集Ω'＝{ω'1，ω'2，…，ω'n}以及相应环境参数下的首次故障时间T'，其中ω’为对应的环境参数，n为第n种环境。
进一步地，所述环境参数数据集中的相应环境参数ω、ω’包括温度、湿度、盐雾、酸雾中的一种或多种。
进一步地，所述传感器的首次故障时间T在传感器寿命总时长范围内的失效概率为f(t)，所述传感器的失效分布函数F(t)为
Figure BDA0003123720080000041
Figure BDA0003123720080000042
所述传感器的可靠度函数R(t)为R(t)＝1-F(t)＝∫t ∞f(t)dt。
进一步地，
Figure BDA0003123720080000043
Rn(t)为环境n下传感器预期可靠度，
Figure BDA0003123720080000044
为神经网络模型，下标(wn,bn)表示神经网络模型参数。
进一步地，所述适配层用所述源域XS和所述目标域Xt的最大均值差异距离MMD(XS，Xt)为
Figure BDA0003123720080000045
其中，Xs为源域的分布；
Figure BDA0003123720080000046
为源域中第i个数据；Xt为目标域的分布；
Figure BDA0003123720080000047
为目标域中第j个数据；ns为源域中样本数量；nt为目标域中样本数量；
Figure BDA0003123720080000048
为映射关系，把原变量关系映射到再生核希尔伯特空间。
进一步地，在所述迁移学习步骤之后还包括：验证最终模型有效性步骤，将传感器在最终模型
Figure BDA0003123720080000049
的模拟极寒环境下运行状态可靠度与实际极寒环境下运行状态可靠度进行对比，以验证最终模型ftarget(ω)的有效性。
本发明还提供一种电子设备，其包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的操作。
本发明还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的步骤。
本发明的有益效果在于，提供一种传感器极寒环境可靠性评估方法、电子设备及存储介质，通过对传感器在某一温度下传感器的可靠性数据为小样本数据，通过迁移学习的算法评估传感器在不同温度下的可靠性评估，为传感器在极寒环境长期运行的状态进行迁移学习，并适当衡量源域和目标域的距离，通过目标域中数据对最终模型进行训练微调实现了对传感器在极寒环境长期运行的状态的运行可靠性评估，经最终模型在极寒环境下运行状态可靠度与实际情况进行对比，验证了模型的有效性。本发明与现有技术相比具有以下优点：针对传感器在极寒环境的可靠性评估，不需要布置试验环境；节省传感器可靠性评估的成本和时间。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供的传感器失效时间T和状态变量X(t)之间的关系图；
图2为本申请实施例提供的迁移学习的主要思路的流程图；
图3为本申请实施例提供的传感器极寒环境可靠性评估方法的流程图；
图4为本申请实施例提供的所述传感器极寒环境可靠性评估方法中的数据流向示意图。
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，本领域技术人员在没有作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。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。
具体的，请参阅图1所示，本申请实施例提供一种传感器极寒环境可靠性评估方法，所述传感器极寒环境可靠性评估方法通过对传感器在某一温度下传感器的可靠性数据为小样本数据，通过迁移学习的算法评估传感器在不同温度下的可靠性评估，为传感器在极寒环境长期运行的状态进行一定意义上的评估。本发明与现有技术相比具有以下优点：针对传感器在极寒环境的可靠性评估，不需要布置试验环境；节省传感器可靠性评估的成本和时间。
传感器系统的固有可靠性常用可靠度、平均无故障工作时间(MTBF)、平均修复时间(MTTR)、有效寿命、可用度和经济性指标表示。
1)设备状态
t时刻设备的状态可用状态变量X(t)描述，X(t)是个随机变量，即：
Figure BDA0003123720080000071
2)失效时间
失效时间T是一随机变量，指的是设备从开始工作到首次因故障而不工作的时间。令t＝0为设备开始工作时间，则失效时间T和状态变量X(t)之间的关系如图1所示。
失效时间可以是离散的，也可是连续的。本专利中失效时间是连续变量，令其概率密度函数f(t)为分布函数F(t)，显然，
Figure BDA0003123720080000072
3)可靠度
这里的可靠度是指系统中的设备在规定条件下和规定的时间内，能够完成规定功能的概率，它与时间相关，一般记为R(t)，称为可靠度函数。且：
R(t)＝1-F(t)＝∫t ∞f(t)dt
根据上述传感器可靠度的定义方式，可以较容易的获得常温下传感器运行数据，从而计算一类传感器的可靠度，并形成关于这一温度段内的传感器可靠度数据集。然后通过神经网络算法得到低温环境下传感器的可靠性数据集，进而通过迁移学习得到极寒环境下各个温度段传感器的可靠性数据集，从而对各个温度段传感器的可靠性进行快速评估。
总之，如图2所示，本申请通过迁移学习得到极寒环境下各个温度段传感器的可靠性数据集的主要思路为：S10、传感器正常运行时的可靠性数据样本；S20、通过神经网络得到低温环境下传感器的可靠性数据；S30、通过迁移学习得到极寒环境下各个温度段传感器的可靠性数据。
如图3所示，基于前文所述内容，本发明实施例中提供一种传感器极寒环境可靠性评估方法，包括以下步骤S1-S9。
S1、采集传感器运行数据样本步骤，获取传感器运行数据样本，按照常温状态和低温状态将传感器的运行数据样本分为常温时的源域XS和低温时的目标域Xt；所述源域XS及所述目标域Xt中均包括环境参数；所述源域XS包括环境参数数据集Ω＝{ω1，ω2，…，ωn}以及相应环境参数下的首次故障时间T，所述目标域Xt包括环境参数数据集Ω'＝{ω'1，ω'2，…，ω'n}以及相应环境参数下的首次故障时间T'，其中ω、ω’为对应的环境参数，n为第n种环境。所述环境参数数据集中的相应环境参数包括温度、湿度、盐雾、酸雾中的一种或多种。
S2、搭建神经网络步骤，搭建一神经网络f(·)，所述神经网络f(·)与所述环境参数ω及传感器的首次故障时间T相关。所述传感器的首次故障时间T在传感器寿命总时长范围内的失效概率为f(t)，所述传感器的失效分布函数F(t)为
Figure BDA0003123720080000091
所述传感器的可靠度函数R(t)为R(t)＝1-F(t)＝∫t ∞f(t)dt。
Figure BDA0003123720080000092
Figure BDA0003123720080000093
Rn(t)为环境n下传感器预期可靠度，
Figure BDA0003123720080000094
为神经网络模型，下标(wn,bn)表示神经网络模型参数。
S3、读取神经网络参数步骤，所述神经网络的参数随机初始记为(w0,b0)，其中w0表示神经网络每层网络的权重(weight),b0表示神经网络每层网络的偏差(bias)。
S4、更新神经网络参数步骤，将所述源域XS参数向量输入神经网络进行计算，得到神经网络预测首次故障时间t0，计算所述神经网络预测的首次故障时间t0与实际首次故障时间T的时间偏差Loss0，根据时间偏差Loss0更新神经网络的初始参数(w0,b0)为(w1,b1)。
S5、优化神经网络参数步骤，再次将所述源域XS参数向量输入到更新过参数的神经网络模型中，得到新的首次故障时间t1，再次计算首次故障时间t1与实际首次故障时间T的时间偏差Loss1，根据Loss1更新神经网络的参数(w1,b1)为(w2,b2)。
S6、迭代训练步骤，重复所述优化神经网络参数步骤n次，直到最终时间偏差Lossn收敛，得到最终神经网络参数(wn,bn)。
S7、构建适配层步骤，在原始的神经网络模型
Figure BDA0003123720080000095
的基础上新增一适配层形成最终神经网络模型ftarget(ω)，所述适配层用所述源域XS和所述目标域Xt的最大均值差异距离MMD(XS，Xt)来衡量所述源域XS和所述目标域Xt之间的距离。其中，所述适配层用所述源域XS和所述目标域Xt的最大均值差异距离MMD(XS，Xt)为
Figure BDA0003123720080000096
Figure BDA0003123720080000101
其中，Xs为源域的分布；
Figure BDA0003123720080000102
为源域中第i个数据；Xt为目标域的分布；
Figure BDA0003123720080000103
为目标域中第j个数据；ns为源域中样本数量；nt为目标域中样本数量；
Figure BDA0003123720080000104
为映射关系，把原变量关系映射到再生核希尔伯特空间。将目标域Xt输入到神经网络
Figure BDA0003123720080000105
模型中，计算得到首次故障时间t'与传感器低温环境下实际首次故障时间T'的时间偏差Loss'。源域与目标域数据分布存在偏差，导致源域数据训练的神经网络无法很好的预测目标域数据的输出，即Loss'的值较大。因此，需要构建适配层，减小源域与目标域的差距。
S8、迁移学习步骤，将所述目标域Xt输入至所述神经网络中进行训练以更新损失函数为Ltarget＝Loss'+λMMD(Xs,Xt)；其中Ltarget为总损失函数，λ为混淆强度系数，Loss'为目标域Xt输入到原有神经网络
Figure BDA0003123720080000106
模型中得到的首次故障时间t'与传感器低温环境下实际首次故障时间T'的时间偏差；取Ltarget收敛时的参数(Wtarget,Btarget)作为最终模型ftarget(ω)的参数。
S9、验证最终模型有效性步骤，将传感器在最终模型
Figure BDA0003123720080000107
的模拟极寒环境下运行状态可靠度与实际极寒环境下运行状态可靠度进行对比，以验证最终模型ftarget(ω)的有效性。
如图4所示，图4为本申请所述传感器极寒环境可靠性评估方法中的数据流向示意图。
本发明还提供一种电子设备，其包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的操作。
本发明还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的步骤。
本发明的有益效果在于，提供一种传感器极寒环境可靠性评估方法、电子设备及存储介质，通过对传感器在某一温度下传感器的可靠性数据为小样本数据，通过迁移学习的算法评估传感器在不同温度下的可靠性评估，为传感器在极寒环境长期运行的状态进行迁移学习，并适当衡量源域和目标域的距离，通过目标域中数据对最终模型进行训练微调实现了对传感器在极寒环境长期运行的状态的运行可靠性评估，经最终模型在极寒环境下运行状态可靠度与实际情况进行对比，验证了模型的有效性。
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的部分，可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种传感器极寒环境可靠性评估方法、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；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的技术方案的范围。

Claims (10)

1.一种传感器极寒环境可靠性评估方法，其特征在于，包括步骤：
采集传感器运行数据样本步骤，获取传感器运行数据样本，按照常温状态和低温状态将传感器的运行数据样本分为常温时的源域XS和低温时的目标域Xt；所述源域XS及所述目标域Xt中均包括环境参数；
搭建神经网络步骤，搭建一神经网络f(·)，所述神经网络f(·)与所述环境参数ω及传感器的首次故障时间T相关；
读取神经网络参数步骤，所述神经网络的参数随机初始记为(w0，b0)，其中w0表示神经网络每层网络的权重，b0表示神经网络每层网络的偏差；
更新神经网络参数步骤，将所述源域XS参数向量输入神经网络进行计算，得到神经网络预测首次故障时间t0，计算所述神经网络预测的首次故障时间t0与实际首次故障时间T的时间偏差Loss0，根据时间偏差Loss0更新神经网络的初始参数(w0，b0)为(w1，b1)；
优化神经网络参数步骤，再次将所述源域XS参数向量输入到更新过参数的神经网络模型中，得到新的首次故障时间t1，再次计算首次故障时间t1与实际首次故障时间T的时间偏差Loss1，根据Loss1更新神经网络的参数(w1，b1)为(w2，b2)；
迭代训练步骤，重复所述优化神经网络参数步骤n次，直到最终时间偏差Lossn收敛，得到最终神经网络参数(wn，bn)；
构建适配层步骤，在原始的神经网络模型
Figure FDA0003123720070000011
的基础上新增一适配层形成最终神经网络模型ftarget(ω)，所述适配层用所述源域XS和所述目标域Xt的最大均值差异距离MMD(XS，Xt)来衡量所述源域XS和所述目标域Xt之间的距离；以及
迁移学习步骤，将所述目标域Xt输入至所述神经网络中进行训练以更新损失函数为Ltarget＝Loss′+λMMD(Xs，Xt)；其中Ltarget为总损失函数，入为混淆强度系数，Loss′为目标域Xt输入到原有神经网络
Figure FDA0003123720070000021
模型中得到的首次故障时间t′与传感器低温环境下实际首次故障时间T′的时间偏差；取Ltarget收敛时的参数(wtarget，btarget)作为最终模型ftarget(ω)的参数。
2.根据权利要求1所述的传感器极寒环境可靠性评估方法，其特征在于，所述源域XS包括环境参数数据集Ω＝{ω1，ω2，…，ωn}以及相应环境参数下的首次故障时间T，其中ω为对应的环境参数，n为第n种环境。
3.根据权利要求1所述的传感器极寒环境可靠性评估方法，其特征在于，所述目标域Xt包括环境参数数据集Ω′＝{ω′1，ω′2，…，ω′n}以及相应环境参数下的首次故障时间T′，其中ω’为对应的环境参数，n为第n种环境。
4.根据权利要求1所述的传感器极寒环境可靠性评估方法，其特征在于，所述环境参数数据集中的相应环境参数ω、ω’包括温度、湿度、盐雾、酸雾中的一种或多种。
5.根据权利要求2或3所述的传感器极寒环境可靠性评估方法，其特征在于，所述传感器的首次故障时间T在传感器寿命总时长范围内的失效概率为f(t)，所述传感器的失效分布函数F(t)为F(t)＝
Figure FDA0003123720070000031
所述传感器的可靠度函数R(t)为
Figure FDA0003123720070000032
Figure FDA0003123720070000033
6.根据权利要求5所述的传感器极寒环境可靠性评估方法，其特征在于，
Figure FDA0003123720070000034
Rn(t)为环境n下传感器预期可靠度，
Figure FDA0003123720070000035
为神经网络模型，下标(wn，bn)表示神经网络模型参数。
7.根据权利要求1所述的传感器极寒环境可靠性评估方法，其特征在于，所述适配层用所述源域XS和所述目标域Xt的最大均值差异距离MMD(XS，Xt)为
Figure FDA0003123720070000036
其中，Xs为源域的分布；
Figure FDA0003123720070000037
为源域中第i个数据；
Xt为目标域的分布；
Figure FDA0003123720070000038
为目标域中第j个数据；
ns为源域中样本数量；
nt为目标域中样本数量；
Figure FDA0003123720070000039
为映射关系，把原变量关系映射到再生核希尔伯特空间。
8.根据权利要求1所述的传感器极寒环境可靠性评估方法，其特征在于，在所述迁移学习步骤之后还包括：
验证最终模型有效性步骤，将传感器在最终模型
Figure FDA00031237200700000310
的模拟极寒环境下运行状态可靠度与实际极寒环境下运行状态可靠度进行对比，以验证最终模型ftarget(ω)的有效性。
9.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行权利要求1至7任一项所述的传感器极寒环境可靠性评估方法中的操作。
10.一种存储介质，其特征在于，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的传感器极寒环境可靠性评估方法中的步骤。
CN202110683543.8A 2021-06-21 2021-06-21 传感器极寒环境可靠性评估方法、电子设备及存储介质 Active CN113468805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110683543.8A CN113468805B (zh) 2021-06-21 2021-06-21 传感器极寒环境可靠性评估方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110683543.8A CN113468805B (zh) 2021-06-21 2021-06-21 传感器极寒环境可靠性评估方法、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113468805A true CN113468805A (zh) 2021-10-01
CN113468805B CN113468805B (zh) 2022-10-14

Family

ID=77868747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110683543.8A Active CN113468805B (zh) 2021-06-21 2021-06-21 传感器极寒环境可靠性评估方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113468805B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656180A (zh) * 2017-09-25 2018-02-02 国网黑龙江省电力有限公司电力科学研究院 一种局部放电智能传感器检测方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN111090954A (zh) * 2019-12-17 2020-05-01 国家电网有限公司 一种地质灾害隐患判识以及分析评估并治理的方法
US20200150622A1 (en) * 2018-11-13 2020-05-14 Guangdong University Of Technology Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法
US20210056693A1 (en) * 2018-11-08 2021-02-25 Tencent Technology (Shenzhen) Company Limited Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107656180A (zh) * 2017-09-25 2018-02-02 国网黑龙江省电力有限公司电力科学研究院 一种局部放电智能传感器检测方法
US20210056693A1 (en) * 2018-11-08 2021-02-25 Tencent Technology (Shenzhen) Company Limited Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system
US20200150622A1 (en) * 2018-11-13 2020-05-14 Guangdong University Of Technology Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN111090954A (zh) * 2019-12-17 2020-05-01 国家电网有限公司 一种地质灾害隐患判识以及分析评估并治理的方法
CN112161784A (zh) * 2020-09-07 2021-01-01 华南理工大学 基于多传感器信息融合迁移网络的机械故障诊断方法
CN112241608A (zh) * 2020-10-13 2021-01-19 国网湖北省电力有限公司电力科学研究院 一种基于lstm网络和迁移学习的锂电池寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
廖瑞金等: "输变电设备状态评估方法的研究现状", 《高电压技术》 *
洪晟 等: "基于迁移学习方法的安全运行状态评估综述", 《航空工程进展》 *

Also Published As

Publication number Publication date
CN113468805B (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
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
Ozdagli et al. Machine learning based novelty detection using modal analysis
Yang et al. A novel model-based fault detection method for temperature sensor using fractal correlation dimension
CN102265227B (zh) 用于在机器状况监视中创建状态估计模型的方法和设备
Sedano et al. A soft computing method for detecting lifetime building thermal insulation failures
CN109074063A (zh) 用数据驱动的工作流程进行安全分析评估的装置和方法
Daneshvar et al. Early damage detection under massive data via innovative hybrid methods: application to a large-scale cable-stayed bridge
Mousavi et al. Prediction error of Johansen cointegration residuals for structural health monitoring
CN115841046B (zh) 基于维纳过程的加速退化试验数据处理方法和装置
Thöns et al. On damage detection system information for structural systems
Huang et al. Damage identification of a steel frame based on integration of time series and neural network under varying temperatures
CN115455793A (zh) 基于多尺度模型修正的高层结构复杂构件受力分析方法
Schwartz et al. An unsupervised approach for health index building and for similarity-based remaining useful life estimation
Balakrishnan et al. Optimal designs of constant‐stress accelerated life‐tests for one‐shot devices with model misspecification analysis
Zhang et al. Evaluate the impact of sensor accuracy on model performance in data-driven building fault detection and diagnostics using Monte Carlo simulation
CN113721182B (zh) 一种电力互感器性能在线监测结果可靠度评估方法及系统
Eleftheroglou et al. Similarity learning hidden semi-Markov model for adaptive prognostics of composite structures
CN113468805B (zh) 传感器极寒环境可靠性评估方法、电子设备及存储介质
CN117590130A (zh) 一种基于数字孪生的输电线路态势感知方法
Kawamleh Confirming (climate) change: a dynamical account of model evaluation
Geara et al. Hybrid inspection-monitoring approach for optimal maintenance planning
Najeh et al. Diagnosis of sensor grids in a building context: Application to an office setting
CN115184055A (zh) 一种分级测试性优化的测试集确定方法及系统
Possenti et al. Detection of changes in dynamic characteristics of composite structures using Kriging metamodeling procedure: Experimental and computational analysis
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质

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