CN115796059A - 一种基于深度学习的电气设备寿命预测方法及系统 - Google Patents
一种基于深度学习的电气设备寿命预测方法及系统 Download PDFInfo
- Publication number
- CN115796059A CN115796059A CN202310069657.2A CN202310069657A CN115796059A CN 115796059 A CN115796059 A CN 115796059A CN 202310069657 A CN202310069657 A CN 202310069657A CN 115796059 A CN115796059 A CN 115796059A
- Authority
- CN
- China
- Prior art keywords
- electrical equipment
- life prediction
- prediction model
- data set
- health state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 230000036541 health Effects 0.000 claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000032683 aging Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 150000003839 salts Chemical class 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010616 electrical installation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明公开了一种基于深度学习的电气设备寿命预测方法及系统,涉及电气设备寿命预测技术领域。该方法利用寿命预测模型预测电气设备寿命,寿命预测模型的构建过程包括:采集电气设备的状态参数,采用拟合关联的方法获得健康状态估计结果;采集电气设备的位置参数并进行扩充;利用位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型;根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型。本发明基于不同环境因素的影响,通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估,联立二者的评估结果从而获得准确度较高的电气设备寿命预测模型。
Description
技术领域
本发明涉及电气设备寿命预测技术领域,尤其涉及一种基于深度学习的电气设备寿命预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着电力系统的大规模发展,发电场的建设已经延伸至各个领域,例如海上、沙漠等条件苛刻的环境也已有了较为完善的配电设施。近年来,海上风力发电场在国内已经逐渐的兴建起来,其中变压器是目前大型电力设备的代表,具有多种故障形式,包括放电、过热或兼而有之,因此变压器的高电压配电设备需要较高的防护等级。而由于海上条件的特殊性,譬如盐雾腐蚀、潮湿、设备维护困难等因素的制约,使得变压器的防护要求有了更高的要求,所以需要及时对海上风电场上的变压器进行健康状态监测以及寿命预测。
发明人发现,现有技术中对于电气设备的寿命预测仅限于考虑一般环境下的影响因素,无法兼顾海上环境条件的特殊性影响。例如,对于盐雾腐蚀、大风、潮湿等海上独有的影响因素,除了对电气设备材料有着损害隐患以外,还会加速管路的堵塞程度。另外,由于海上环境苛刻,设备方位数据采集困难,得到的数据与实际数据误差较大,所以使得有效的样本数量非常少,而盐雾腐蚀或大风环境对电气设备的影响程度与其摆放的位置以及角度密切相关。因此如果样本数据不充分,采用常规的寿命预测方法对海上风电场上的电气设备进行寿命预测则会很大程度的降低预测结果的可信度,影响对设备运行状态的可靠性评估。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于深度学习的电气设备寿命预测方法及系统,通过激光雷达获得电气设备的摆放位置以及角度并进行数据集扩充,克服了海上风电场上的电气设备在苛刻条件下有效样本数据较少的缺点。基于不同环境因素的影响,通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估,联立二者的评估结果得到电气设备最终的寿命预测模型。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种基于深度学习的电气设备寿命预测方法,包括以下步骤:
获取电气设备的运行年份、状态参数和位置参数,输入寿命预测模型中,获得电气设备剩余寿命的预测结果;
其中,寿命预测模型的构建过程为:
采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果;
采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充;
根据磨损试验建立耐久度模型,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型;
根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型。
本发明第二方面提供了一种基于深度学习的电气设备寿命预测系统,包括:
寿命预测模块,被配置为获取电气设备的运行年份、状态参数和位置参数,输入寿命预测模型中,获得电气设备剩余寿命的预测结果;
其中,寿命预测模块包括:
健康状态估计模块,被配置为采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果;
数据扩充模块,被配置为采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充;
耐久度预测模块,被配置为根据磨损试验建立耐久度模型,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型;
优化模块,被配置为根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种基于深度学习的电气设备寿命预测方法,由于海上的苛刻条件,通过激光雷达获得的电气设备的摆放位置以及角度存在着有效数据集较少的问题,因此进行采用数据填充的方式进行数据集扩充,并对扩充后的数据进行筛选,克服了海上风电场上的电气设备在苛刻条件下有效样本数据较少的缺点。
本发明还基于不同环境因素的影响,通过拟合关联和深度学习的方法分别对电气设备的运行状态进行实时评估,联立二者的评估结果得到电气设备最终的寿命预测模型。避免了现有寿命预测方法不能考虑海上特殊环境因素的影响,从而导致寿命预测模型可信度低的问题。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
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为本发明实施例一基于深度学习的电气设备寿命预测方法中寿命预测模型构建过程的流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例一:
本发明实施例一以变压器为例提供了一种基于深度学习的电气设备寿命预测方法,获取电气设备的运行年份、状态参数和位置参数,输入寿命预测模型中,获得电气设备剩余寿命的预测结果。
其中,寿命预测模型的构建过程如图1所示,具体为:
步骤1,采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果;
步骤2,采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充;
步骤3,根据磨损试验建立耐久度模型,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型;
步骤4,根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型。
步骤1中,采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果的具体步骤为:
采集电气设备的状态参数计算电气设备的老化率;
根据电气设备的老化率和预期寿命可以估算电气设备的实际役龄;
根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合,求得各阶段参数的比例系数和曲率系数,从而计算得到健康状态估计结果。
其中,采集电气设备的状态参数计算电气设备的老化率的具体过程为:获得实时的运行状态参数;根据可查阅信息结合历史运行数据计算得到电气设备的绝缘性能、导电性能和机械性能,并获得相应的性能指数,从而计算当前电气设备的老化率,本实施例中以变压器为例,
通过监测传感器可以获得实时的变压器的温度、湿度、振动情况等运行状态参数,根据可查阅的变压器、产地、型号、预期寿命以及负荷等信息,结合历史运行数据可以计算得到变压器相关的绝缘性能、导电性能和机械性能,并获得相关的性能指数,从而计算当前变压器的老化率Q:
其中,Q为当前变压器的老化率,为当前时刻的性能指数与初始性能指数的差值,为当前时刻与初始时刻差值,i为性能编号,i=1,2,3……n,n为性能种类总数,为性能系数,根据不同性能对变压器老化影响程度得到。
根据变压器的老化率和预期寿命可以估算变压器的实际役龄,根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合,求得各阶段参数的比例系数和曲率系数,从而计算得到健康状态估计结果,健康状态估计函数为:
步骤2中,采用激光雷达采集电气设备的位置参数,形成位置样本数据集;然而由于海上大风、浪涌等不确定因素存在,在激光雷达的采集位置数据的过程中,会随着激光雷达数量的增多导致误差累计,因此为了保证样本数据的准确性,采用少量确定位置的激光雷达进行位置参数采集,并对有效的位置样本数据集采用数据填充的方法进行扩充,克服了有效样本数量少的缺陷的同时,也保证了其正确性。
具体步骤为:
利用激光雷达获得三维点云数据,对数据进行二维化处理和紧凑化处理形成二维点云图像,对二维点云图像进行采样形成五通道的二维图像;
在五通道的二维图像的每一行数据下插入若干行空白扩充数据,进行初始化扩充;
对初始化扩充后的图像中的每一个点进行处理,使每个点周围生成若干扩充点。因为每个点的扩充点在其附近,因此设每个点与其扩充点的反射率一致。
将计算得到的扩充点填入初始化扩充后的图像的空白扩充数据中,生成最终的数据集。
步骤3中,无论是盐雾的腐蚀、大风的冲击还是潮湿造成的生锈等,均会对变压器造成一定程度的磨损。并且,由于变压器的摆放角度和位置不同,其磨损程度会有明显的区别,在迎风且潮湿的位置,其磨损程度要比其他地方严重许多。大风刮来的沙粒或者生锈、腐蚀生成的碎屑则会加速管路的堵塞,影响电路的性能。因此,对于变压器在海上条件下的耐久度分析十分必要。本实施例中根据现有的仿真或实验室模拟的磨损试验可以建立综合的耐久度模型,输入不同电气设备的位置数据,便可输出该电气设备的耐久度评分。然而仿真实验不能完全模拟海上条件,因此其耐久度模型的准确度还有待提高,基于此,本实施例利用扩充后的位置样本数据集对耐久度模型进行深度学习训练:
将扩充后的位置样本数据集进行归一化处理,并对数据集进行预训练;
对耐久度模型进行误差分析,并采用反向传播算法进行调优;
误差分析过程中,模型整体误差计算公式为:
根据误差分析,对扩充后的数据集进行筛选,将异常评分数据进行剔除后得到新的数据集,重新进行训练。
经过不断迭代后得到初步寿命预测模型。
步骤4中,虽然海上风电场上具有盐雾、大风等特殊的环境条件对电气设备的健康状态带来很大的影响,但是常规影响因素如温度、振动等对于电气设备的影响还是不可忽视的。所以说,若想获得更为准确的电气设备寿命预测模型,需要对特殊环境下的影响因素和常规影响因素综合考虑。因此,本实施例根据步骤1中获得的健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型:
根据健康状态估计结果随着电气设备运行年份的变化规律,确定突变阈值;本实施例中,制作健康状态估计结果随着电气设备运行年份的变化规律的曲线图,得出当变压器投入9年以后,变压器由于维护困难等原因,故障发生的概率会随着投入年份的增加而加速增长。因此根据突变阈值可将变压器的预期寿命进行分段。
根据突变阈值将电气设备预期寿命进行分段,每一段设置不同的优化因子;
根据每段的健康状态评估结果变化规律,确定优化因子的数值,根据不同的优化因子调整初步寿命预测模型;
将不同分段的寿命预测模型进行整合,形成最终的寿命预测模型。
本实施例中,设变压器预期寿命为35年,根据突变阈值,将其分为1-9年段,10-17年段,18-25年段,25-30年段和30-35年段,其故障概率依次升高。
实施例二:
本发明实施例二提供了一种基于深度学习的电气设备寿命预测系统,包括:
寿命预测模块,被配置为获取电气设备的运行年份、状态参数和位置参数,输入寿命预测模型中,获得电气设备剩余寿命的预测结果;
其中,寿命预测模块包括:
健康状态估计模块,被配置为采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果;
数据扩充模块,被配置为采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充;
耐久度预测模块,被配置为根据磨损试验建立耐久度模型,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型;
优化模块,被配置为根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于深度学习的电气设备寿命预测方法,其特征在于,包括以下步骤:
获取电气设备的运行年份、状态参数和位置参数,输入寿命预测模型中,获得电气设备剩余寿命的预测结果;
其中,寿命预测模型的构建过程为:
采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果;
采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充;
根据磨损试验建立耐久度模型,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型;
根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型。
2.如权利要求1所述的基于深度学习的电气设备寿命预测方法,其特征在于,采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果的具体步骤为:
采集电气设备的状态参数计算电气设备的老化率;
根据电气设备的老化率和预期寿命估算电气设备的实际役龄;
根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合,求得各阶段参数的比例系数和曲率系数,从而计算得到健康状态估计结果。
3.如权利要求1所述的基于深度学习的电气设备寿命预测方法,其特征在于,采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充得具体步骤为:
利用激光雷达获得三维点云数据,对数据进行二维化处理和紧凑化处理形成二维点云图像,对二维点云图像进行采样形成五通道的二维图像;
在五通道的二维图像的每一行数据下插入若干行空白扩充数据,进行初始化扩充;
对初始化扩充后的图像中的每一个点进行处理,使每个点周围生成若干扩充点;
将计算得到的扩充点填入初始化扩充后的图像的空白扩充数据中,生成最终的数据集。
4.如权利要求1所述的基于深度学习的电气设备寿命预测方法,其特征在于,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型的具体步骤为:
将扩充后的位置样本数据集进行归一化处理,并对数据集进行预训练;
对耐久度模型进行误差分析,并采用反向传播算法进行调优;
根据误差分析,对扩充后的数据集进行筛选,将异常评分数据进行剔除后得到新的数据集,重新进行训练;
经过不断迭代后得到初步寿命预测模型。
5.如权利要求1所述的基于深度学习的电气设备寿命预测方法,其特征在于,
根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型的具体步骤为:
根据健康状态估计结果随着电气设备运行年份的变化规律,确定突变阈值;
根据突变阈值将电气设备预期寿命进行分段,每一段设置不同的优化因子;
根据每段的健康状态评估结果变化规律,确定优化因子的数值,根据不同的优化因子调整初步寿命预测模型;
将不同分段的寿命预测模型进行整合,形成最终的寿命预测模型。
6.一种基于深度学习的电气设备寿命预测系统,其特征在于,包括:
寿命预测模块,被配置为获取电气设备的运行年份、状态参数和位置参数,输入寿命预测模型中,获得电气设备剩余寿命的预测结果;
其中,寿命预测模块包括:
健康状态估计模块,被配置为采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果;
数据扩充模块,被配置为采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充;
耐久度预测模块,被配置为根据磨损试验建立耐久度模型,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型;
优化模块,被配置为根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型。
7.如权利要求6所述的基于深度学习的电气设备寿命预测系统,其特征在于,采集电气设备的状态参数,采用拟合关联的方法对电气设备的健康状态进行估计,获得健康状态估计结果的具体步骤为:
采集电气设备的状态参数计算电气设备的老化率;
根据电气设备的老化率和预期寿命估算电气设备的实际役龄;
根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合,求得各阶段参数的比例系数和曲率系数,从而计算得到健康状态估计结果。
8.如权利要求6所述的基于深度学习的电气设备寿命预测系统,其特征在于,采集电气设备的位置参数,形成位置样本数据集;对位置样本数据集采用数据填充的方法进行扩充得具体步骤为:
利用激光雷达获得三维点云数据,对数据进行二维化处理和紧凑化处理形成二维点云图像,对二维点云图像进行采样形成五通道的二维图像;
在五通道的二维图像的每一行数据下插入若干行空白扩充数据,进行初始化扩充;
对初始化扩充后的图像中的每一个点进行处理,使每个点周围生成若干扩充点;
将计算得到的扩充点填入初始化扩充后的图像的空白扩充数据中,生成最终的数据集。
9.如权利要求6所述的基于深度学习的电气设备寿命预测系统,其特征在于,利用扩充后的位置样本数据集对耐久度模型进行深度学习训练,得到初步寿命预测模型的具体步骤为:
将扩充后的位置样本数据集进行归一化处理,并对数据集进行预训练;
对耐久度模型进行误差分析,并采用反向传播算法进行调优;
根据误差分析,对扩充后的数据集进行筛选,将异常评分数据进行剔除后得到新的数据集,重新进行训练;
经过不断迭代后得到初步寿命预测模型。
10.如权利要求6所述的基于深度学习的电气设备寿命预测系统,其特征在于,根据健康状态估计结果对初步寿命预测模型进行实时性优化,得到最终的寿命预测模型的具体步骤为:
根据健康状态估计结果随着电气设备运行年份的变化规律,确定突变阈值;
根据突变阈值将电气设备预期寿命进行分段,每一段设置不同的优化因子;
根据每段的健康状态评估结果变化规律,确定优化因子的数值,根据不同的优化因子调整初步寿命预测模型;
将不同分段的寿命预测模型进行整合,形成最终的寿命预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069657.2A CN115796059B (zh) | 2023-02-07 | 2023-02-07 | 一种基于深度学习的电气设备寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069657.2A CN115796059B (zh) | 2023-02-07 | 2023-02-07 | 一种基于深度学习的电气设备寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115796059A true CN115796059A (zh) | 2023-03-14 |
CN115796059B CN115796059B (zh) | 2023-06-20 |
Family
ID=85430080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310069657.2A Active CN115796059B (zh) | 2023-02-07 | 2023-02-07 | 一种基于深度学习的电气设备寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796059B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308300A (zh) * | 2023-05-11 | 2023-06-23 | 四川新迎顺信息技术股份有限公司 | 一种电力设备状态监测评价与指挥方法及系统 |
CN116911204A (zh) * | 2023-09-13 | 2023-10-20 | 南通迈程汽车技术有限公司 | 一种基于深度学习的汽车零部件寿命预测方法 |
CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080140352A1 (en) * | 2006-12-07 | 2008-06-12 | General Electric Company | System and method for equipment life estimation |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
JP2015001455A (ja) * | 2013-06-17 | 2015-01-05 | トヨタ自動車株式会社 | 排気系部品の寿命予測装置 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
CN113051839A (zh) * | 2021-05-12 | 2021-06-29 | 中国人民解放军海军航空大学 | 一种基于深度学习的设备剩余寿命预测模型构建方法 |
CN113239534A (zh) * | 2021-05-08 | 2021-08-10 | 上海电气风电集团股份有限公司 | 风力发电机组的故障、寿命预测方法和装置 |
US20210256400A1 (en) * | 2020-02-19 | 2021-08-19 | Vyber Power Systems, Inc. | Power device with self-health status prediction function and self-health status prediction method thereof and cloud server suitable for a plurality of power devices |
CN113569504A (zh) * | 2021-09-02 | 2021-10-29 | 天津内燃机研究所(天津摩托车技术中心) | 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 |
CN113722985A (zh) * | 2021-08-12 | 2021-11-30 | 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 |
CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
US20220334027A1 (en) * | 2021-04-16 | 2022-10-20 | Dodge Acquisition Co. | Systems and methods for predicting and updating gearbox lifetime expectancy |
-
2023
- 2023-02-07 CN CN202310069657.2A patent/CN115796059B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080140352A1 (en) * | 2006-12-07 | 2008-06-12 | General Electric Company | System and method for equipment life estimation |
JP2015001455A (ja) * | 2013-06-17 | 2015-01-05 | トヨタ自動車株式会社 | 排気系部品の寿命予測装置 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
US20210256400A1 (en) * | 2020-02-19 | 2021-08-19 | Vyber Power Systems, Inc. | Power device with self-health status prediction function and self-health status prediction method thereof and cloud server suitable for a plurality of power devices |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
US20220334027A1 (en) * | 2021-04-16 | 2022-10-20 | Dodge Acquisition Co. | Systems and methods for predicting and updating gearbox lifetime expectancy |
CN113239534A (zh) * | 2021-05-08 | 2021-08-10 | 上海电气风电集团股份有限公司 | 风力发电机组的故障、寿命预测方法和装置 |
CN113051839A (zh) * | 2021-05-12 | 2021-06-29 | 中国人民解放军海军航空大学 | 一种基于深度学习的设备剩余寿命预测模型构建方法 |
CN113722985A (zh) * | 2021-08-12 | 2021-11-30 | 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 |
CN113569504A (zh) * | 2021-09-02 | 2021-10-29 | 天津内燃机研究所(天津摩托车技术中心) | 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 |
CN114881342A (zh) * | 2022-05-18 | 2022-08-09 | 江苏科技大学 | 一种船舶动力设备剩余寿命预测系统及方法 |
Non-Patent Citations (1)
Title |
---|
廖雯竹;潘尔顺;王莹;奚立峰;: "统计模式识别和自回归滑动平均模型在设备剩余寿命预测中的应用" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116308300A (zh) * | 2023-05-11 | 2023-06-23 | 四川新迎顺信息技术股份有限公司 | 一种电力设备状态监测评价与指挥方法及系统 |
CN116308300B (zh) * | 2023-05-11 | 2023-07-21 | 四川新迎顺信息技术股份有限公司 | 一种电力设备状态监测评价与指挥方法及系统 |
CN116911204A (zh) * | 2023-09-13 | 2023-10-20 | 南通迈程汽车技术有限公司 | 一种基于深度学习的汽车零部件寿命预测方法 |
CN116911204B (zh) * | 2023-09-13 | 2023-12-15 | 南通迈程汽车技术有限公司 | 一种基于深度学习的汽车零部件寿命预测方法 |
CN117077327A (zh) * | 2023-10-18 | 2023-11-17 | 国网山东省电力公司鱼台县供电公司 | 基于数字孪生的轴承寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115796059B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN105631578A (zh) | 一种面向风险评估的输变电设备故障概率模型的建模方法 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN105868557A (zh) | 一种两阶段退化情况下的机电设备剩余寿命在线预测方法 | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN107291991B (zh) | 一种基于动态网络标志的风电机组早期缺陷预警方法 | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
Shankar Verma et al. | A probabilistic long‐term framework for site‐specific erosion analysis of wind turbine blades: A case study of 31 Dutch sites | |
Ziegler et al. | Brief communication: Structural monitoring for lifetime extension of offshore wind monopiles: can strain measurements at one level tell us everything? | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
WO2020200421A1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
CN111080039A (zh) | 一种风机集群故障预测方法及系统 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN114912355A (zh) | 输电线路短期覆冰预测方法、装置和存储介质 | |
CN110188939B (zh) | 风电场的风功率的预测方法、系统、设备和存储介质 | |
CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
CN117272753A (zh) | 一种基于过程参数的输电线路覆冰舞动预警方法 | |
CN116415724A (zh) | 一种光伏电站运维检修时间的预测方法及装置 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
Bielecka et al. | Fractal modelling of various wind characteristics for application in a cybernetic model of a wind turbine | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
Nielsen et al. | Quantifying the value of SHM for wind turbine blades | |
CN111310959A (zh) | 风力发电机组损坏预测分析方法、装置、设备及存储介质 | |
CN117494026B (zh) | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230314 Assignee: SINOHYDRO BUREAU 3 Co.,Ltd. Assignor: POWERCHINA SEPCO1 ELECTRIC POWER CONSTRUCTION Co.,Ltd. Contract record no.: X2024980001739 Denomination of invention: A method and system for predicting the lifespan of electrical equipment based on deep learning Granted publication date: 20230620 License type: Common License Record date: 20240131 |