CN114519300A - 基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 - Google Patents
基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 Download PDFInfo
- Publication number
- CN114519300A CN114519300A CN202210081520.4A CN202210081520A CN114519300A CN 114519300 A CN114519300 A CN 114519300A CN 202210081520 A CN202210081520 A CN 202210081520A CN 114519300 A CN114519300 A CN 114519300A
- Authority
- CN
- China
- Prior art keywords
- rubber sealing
- sealing ring
- failure
- cold region
- extremely cold
- 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
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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]
-
- 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
-
- 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)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明提供一种基于支持向量机的极寒地区电力橡胶密封圈失效预测方法,通过获取数据样本、选定自变量和因变量、进行归一化预处理、参数优化、预测模型训练等方式,能够同时获得多因素作用下橡胶的失效率,进而准确预测高寒地区电力系统中橡胶密封圈的老化程度,判断是否失效达到退役标准,对避免极寒地区因橡胶密封圈失效导致的电力设备故障提供了预测手段与参考依据。
Description
技术领域
本发明属于材料老化预测领域,具体涉及一种基于支持向量机的极寒地区电力橡胶密 封圈失效预测方法。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不必然被视 为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
橡胶类材料具有高弹性和耐腐蚀性,我国电力系统中充油及充气设备的连接处,普遍 使用橡胶类密封件。由于橡胶类制品的工作状态为材料的高弹态,受低温影响明显。一旦 橡胶类密封工作失效,会导致气体、液体介质的渗漏及外部空气和水分的混入,引发设备 故障。
在电力设备实际运行过程中,绝缘油或绝缘气体、设备运行温度、环境温度、机械压 力、环境湿度及紫外强度等都会导致橡胶失效,目前涉及橡胶加速老化和测试的方法,未 考虑我国高寒地区所处地域的最低温度可达到-50℃以下、橡胶所接触的绝缘油、绝缘气体 等。而且,目前常用的加速老化和寿命评估的方法,只能获得某一种或几种因素作用下橡 胶的失效率,与实际设备中橡胶圈的失效率相差较大。
发明内容
为了解决现有技术的不足,本发明提供一种基于支持向量机的极寒地区电力橡胶密封 圈失效预测方法,能够准确预测高寒地区电力系统中橡胶密封圈的老化程度,是否失效达 到退役标准,对避免极寒地区因橡胶密封圈失效导致的电力设备故障提供了预测手段与参 考依据。
具体技术方案如下:
本发明提供一种基于支持向量机的极寒地区电力橡胶密封圈失效预测方法,包括以下 步骤:
S1、获取极寒地区电力设备橡胶密封圈性能测试数据作为数据样本,根据橡胶密封圈 失效机理选定自变量与因变量;
S2、对数据样本中的自变量和因变量进行归一化预处理;
S3、使用交叉验证法进行参数优化,选择最佳的惩罚参数和核函数参数;
S4、进行支持向量机回归预测模型训练;
S5、利用该模型进行极寒地区电力设备橡胶密封圈失效预测。
本发明的一个或多个实施方式至少具有以下有益效果:
本发明提供一种基于支持向量机的极寒地区电力橡胶密封圈失效预测方法,通过获取 数据样本、选定自变量和因变量、进行归一化预处理、参数优化、预测模型训练等方式, 能够同时获得多因素作用下橡胶的失效率,进而准确预测高寒地区电力系统中橡胶密封圈 的老化程度,判断是否失效达到退役标准,对避免极寒地区因橡胶密封圈失效导致的电力 设备故障提供了预测手段与参考依据。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性 实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明中基于支持向量机的极寒地区电力橡胶密封圈失效方法的模型流程图。
图2为本发明中基于支持向量机的极寒地区电力橡胶密封圈失效方法的预测值与实际 值的曲线图。
图3为本发明中基于支持向量机的极寒地区电力橡胶密封圈失效方法的预测误差百分 比。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有 指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理 解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本 发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也 意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括” 时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,目前涉及橡胶加速老化和测试的方法,未考虑我国高寒地区 所处地域的最低温度可达到-50℃以下、橡胶所接触的绝缘油、绝缘气体等。而且,目前常 用的加速老化和寿命评估的方法,只能获得某一种或几种因素作用下橡胶的失效率,与实 际设备中橡胶圈的失效率相差较大。
为了解决如上的技术问题,本发明提供一种基于支持向量机的极寒地区电力橡胶密封 圈失效预测方法,包括以下步骤:
S1、获取极寒地区电力设备橡胶密封圈性能测试数据作为数据样本,根据橡胶密封圈 失效机理选定自变量与因变量;
S2、对数据样本中的自变量和因变量进行归一化预处理;
S3、使用交叉验证法进行参数优化,选择最佳的惩罚参数和核函数参数;
S4、进行支持向量机回归预测模型训练;
S5、利用该模型进行极寒地区电力设备橡胶密封圈失效预测。
进一步的,通过对全新及服役中的两类橡胶密封圈分别进行测试,实验结果作为数据 样本。
进一步的,选择服役时间、微米压痕硬度、经历最低温度和丁腈橡胶密封圈的玻璃化 转变温度作为自变量,选择微米压痕简约杨氏模量作为因变量。
进一步的,采用最大最小值法和平均数方差法对数据进行归一化预处理;
归一化即把数据转化为范围在[0,1]之间的数,目的在于消除具有不同特征属性的数据 之间因数量级差别过大而产生的影响,在客观上避免因数量级差别过大而造成的预测误差 过大;
进一步的,最大最小值法:
xk=(xk-xmin)/(xmax-xmin)
式中,Xmin表示最小值,Xmax表示最大值。
平均数方差法:
xk=(xk-xmean)/xvar
式中,Xmean表示平均值,Xvar表示方差。
进一步的,利用K折交叉验证法选择最佳的惩罚参数c和核函数参数g。
K折交叉验证法的原则是将训练样本的使用实现最大化,通过随机分割训练集与测试集, 尽量避免体现数据之间的内在联系,降低偶然性,使得SVM模型在得到充分训练的同时, 避免过拟合现象的发生。K折交叉验证法,顾名思义,将待分类样本分为K组,每一组都有 机会作为训练集和测试集,从而最大程度上“剪断”数据之间的联系,以K次分类结果的平均 值作为分类指标,使得模型在训练集和测试集上均有比较良好的表现,具有较好的泛化能 力。
核函数是支持向量机(SVM)能够保证任何问题实现利用分类超平面完成分类的关键 所在,其被用于构造映射函数Φ()。以两个待分类的向量为例,当其在低维空间内不可分, 无法实现样本距离||Φ(xi)-Φ(xj)||的计算,利用映射函数将目标向量映射到高维空间,维数不 限,直至可以用分类超平面实现线性可分位置,同时标志着利用支持向量机实现分类问题 的解决。
核函数与映射函数的结构关系可表示为:
|Φ(xi)-Φ(xj)||2=g(x1,x1)-2*g(x1,x2)+g(x2,x2)
进一步的,核函数主要有四种,分别为线性核函数、多项式核函数、径向基核函数和 两层感知器核函数:
线性核函数:g(x,xk)=xTxi
多项式核函数:g(x,xk)=(γxTxi+r)p,γ>0
径向基核函数:g(x,xk)=exp(-γ‖x-xi‖2),γ>0
两层感知器核函数:g(x,xk)=tanh(γxTxi+r).
进一步的,惩罚参数c是一个定值,选取出适当的核函数和惩罚参数c后,即能构造出 并求解出最优解:
进一步的,利用上面得到的最佳参数c和g对SVM进行训练,然后再对原始数据进行回 归预测;
进一步的,具体过程如下:
cost(x)=max(0,|d(x)-g(x)|-ε)
其中d是标准答案。
加入松弛变量e,获得宽度为2e的松弛区间,公式表示为:
d(xi)-g(xi)<ε+e,e≥0
g(xi)-d(xi)<ε+e,e≥0
在引入拉格朗日乘子之后,将SVR转化为对偶问题,得到最终解为:
进一步的,对预测结果进行反归一化,得到最终结果。
为了使得本领域技术人员能够更加清楚地了解本发明的技术方案,以下将结合具体的 实施例详细说明本发明的技术方案。
实施例1
S1、获取极寒地区电力设备橡胶密封圈性能测试数据作为数据样本,通过对过对全新 及服役中的两类橡胶密封圈分别进行测试,共计获得56组实验数据。
S2、选择服役时间、微米压痕硬度、经历最低温度和丁腈橡胶密封圈的玻璃化转变温 度作为自变量,选择微米压痕简约杨氏模量作为因变量;
S3、同时对数据样本中的自变量和因变量采用最大最小值法进行归一化预处理,具体 处理如下:
xk=(xk-xmin)/(xmax-xmin)
式中,Xmin表示最小值,Xmax表示最大值。
S4、使用交叉验证法进行参数优化,先选择惩罚参数c为1和径向基核函数核函数参数g, 具体处理如下:
g(x,xk)=exp(-γ‖x-xi‖2),γ>0
S5、使用48组进行支持向量机回归预测模型训练,具体模型为:
cost(x)=max(0,|d(x)-g(x)|-ε)
其中d是标准答案。
我们加入松弛变量e,获得宽度为2e的松弛区间,公式表示为:
d(xi)-g(xi)<ε+e,e≥0
g(xi)-d(xi)<ε+e,e≥0
g(xi)-d(xi)<ε+e,e≥0
在引入拉格朗日乘子之后,将SVR转化为对偶问题,得到最终解为:
S6、利用该模型对8组数据进行预测测试。
我们利用支持向量机算法获得的极寒地区电力设备橡胶密封圈失效预测模型获得的预 测值与实际值的曲线图如图2所示,预测结果表明,预测值与实际值基本符合。极寒地区电 力设备橡胶密封圈失效预测模型的预测误差百分比如图3所示,预测误差绝对值保持在5% 以内,决定系数(R^2)为0.999867,均方误差(MSE)为6.14595e-05,具有极高的精确度, 表明该基于支持向量机的预测模型可以对极寒地区电力设备用橡胶密封圈的失效率进行准 确预测。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人 员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、 等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于支持向量机的极寒地区电力橡胶密封圈失效预测方法,其特征在于:包括以下步骤:
S1、获取极寒地区电力设备橡胶密封圈性能测试数据作为数据样本,根据橡胶密封圈失效机理选定自变量与因变量;
S2、对数据样本中的自变量和因变量进行归一化预处理;
S3、使用交叉验证法进行参数优化,选择最佳的惩罚参数c和核函数参数g;
S4、进行支持向量机回归预测模型训练;
S5、利用该模型进行极寒地区电力设备橡胶密封圈失效预测。
2.如权利要求1所述的方法,其特征在于:通过对全新及服役中的两类橡胶密封圈分别进行测试,实验结果作为数据样本。
3.如权利要求1所述的方法,其特征在于:选择服役时间、微米压痕硬度、经历最低温度和丁腈橡胶密封圈的玻璃化转变温度作为自变量,选择微米压痕简约杨氏模量作为因变量。
4.如权利要求1所述的方法,其特征在于:采用最大最小值法和平均数方差法对数据进行归一化预处理。
5.如权利要求4所述的方法,其特征在于:最大最小值法:
xk=(xk-xmin)/(xmax-xmin)
式中,Xmin表示最小值,Xmax表示最大值;
平均数方差法:
xk=(xk-xmean)/xvar
式中,Xmean表示平均值,Xvar表示方差。
6.如权利要求1所述的方法,其特征在于:利用K折交叉验证法选择最佳的惩罚参数c和核函数参数g。
7.如权利要求6所述的方法,其特征在于:核函数主要有四种,分别为线性核函数、多项式核函数、径向基核函数和两层感知器核函数。
10.如权利要求1所述的方法,其特征在于:对步骤S5中的预测结果进行反归一化,得到最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081520.4A CN114519300A (zh) | 2022-01-24 | 2022-01-24 | 基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081520.4A CN114519300A (zh) | 2022-01-24 | 2022-01-24 | 基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114519300A true CN114519300A (zh) | 2022-05-20 |
Family
ID=81597207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210081520.4A Pending CN114519300A (zh) | 2022-01-24 | 2022-01-24 | 基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519300A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796652A (zh) * | 2023-08-25 | 2023-09-22 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
-
2022
- 2022-01-24 CN CN202210081520.4A patent/CN114519300A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796652A (zh) * | 2023-08-25 | 2023-09-22 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
CN116796652B (zh) * | 2023-08-25 | 2023-12-26 | 国网浙江省电力有限公司电力科学研究院 | 湿热地区配电变压器密封橡胶垫圈劣化失效预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fei et al. | Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm | |
CN114519300A (zh) | 基于支持向量机的极寒地区电力橡胶密封圈失效预测方法 | |
CN110865260A (zh) | 一种基于离群检测对mov实际状态监测评估的方法 | |
CN111652310A (zh) | 基于Bagging框架SVM继电器贮存寿命预测方法 | |
CN106569069A (zh) | 电力变压器故障诊断方法 | |
CN112214933B (zh) | 一种基于机器学习的疲劳性能预测方法 | |
JP2006308515A (ja) | 油入電気機器の劣化診断方法 | |
JP2011185880A (ja) | 信頼度評価装置、信頼度評価プログラムおよび信頼度評価方法 | |
CN114334042B (zh) | 聚合物复合材料应力松弛模型构建方法 | |
CN112051506B (zh) | 一种相似产品可迁移样本筛选方法、系统及用途 | |
Islam et al. | Application of Parzen Window estimation for incipient fault diagnosis in power transformers | |
CN113884839A (zh) | 一种电容式电压互感器多参量绝缘状态评估方法及系统 | |
CN117706943B (zh) | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 | |
CN112685857B (zh) | 基于传递迁移的轴承剩余寿命预测方法 | |
CN113782113A (zh) | 一种基于深度残差网络下的变压器油中气体故障识别方法 | |
US20210231231A1 (en) | Pinch valve monitoring | |
CN115238865A (zh) | 一种电力变压器电热联合寿命评估模型构建方法 | |
US20230273269A1 (en) | Determining states of electrical equipment using variations in diagnostic parameter prediction error | |
CN115859594A (zh) | 基于层次分析的变电设备的健康评估算法 | |
CN115913898A (zh) | 一种基于机器学习算法的物联网终端故障诊断方法与介质 | |
CN113255203B (zh) | 基于anfis的电气线路老化程度在线辨识系统及方法 | |
CN116364199A (zh) | 基于SVM的氟硅橡胶与JarylecC101浸渍剂相容性评估方法及系统 | |
Yezerska et al. | Model-based degradation prediction on impedance data and artificial neural network for high-temperature polymer electrolyte membrane fuel cells after hydrogen starvation | |
CN111967142A (zh) | 一种考虑认知不确定性的性能退化实验建模与分析方法 | |
Finke et al. | Recommendations for data-driven degradation estimation with case studies from manufacturing and dry-bulk shipping |
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 |