CN116227366A - 两阶段电机绝缘寿命预测方法 - Google Patents
两阶段电机绝缘寿命预测方法 Download PDFInfo
- Publication number
- CN116227366A CN116227366A CN202310507059.9A CN202310507059A CN116227366A CN 116227366 A CN116227366 A CN 116227366A CN 202310507059 A CN202310507059 A CN 202310507059A CN 116227366 A CN116227366 A CN 116227366A
- Authority
- CN
- China
- Prior art keywords
- stage
- sample
- breakdown voltage
- degradation
- tested
- 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 40
- 238000009413 insulation Methods 0.000 title claims abstract description 30
- 230000015556 catabolic process Effects 0.000 claims abstract description 150
- 238000006731 degradation reaction Methods 0.000 claims abstract description 89
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 239000011810 insulating material Substances 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000035882 stress Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000005653 Brownian motion process Effects 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000007850 degeneration Effects 0.000 claims description 3
- 230000008646 thermal stress Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000946 synaptic effect Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种两阶段电机绝缘寿命预测方法,该方法包括步骤:S1、以电机的绝缘材料为待测样品,基于不同的温度应力水平对待测样品进行加速退化试验,获取多组加速退化试验数据;S2、建立待测样品的两阶段剩余击穿电压退化模型,并根据两阶段剩余击穿电压退化模型得出两阶段剩余击穿电压的状态方程;S3、获取最大局部放电量的观测方程;S4、结合两阶段剩余击穿电压的状态方程以及最大局部放电量的观测方程,构建两阶段卡尔曼滤波寿命预测模型;S5、基于两阶段卡尔曼滤波寿命预测模型,预测得到任意温度应力下任一时刻下待测样品的剩余击穿电压。通过以上设置,本发明能够在电机运行时对电机绝缘材料的寿命进行更准确的预测。
Description
技术领域
本发明涉及电机寿命预测技术领域,尤其涉及一种两阶段电机绝缘寿命预测方法。
背景技术
电机绝缘被称为电机的心脏,约有超过1/3的电机事故是由于电机绝缘系统引起的。由此可见,电机绝缘是电机可靠性的最薄弱环节。为保证电机绝缘的可靠性,往往在设计中提高安全裕度,例如增加铜导体截面积,以保证运行温度最低,或者增加主绝缘的厚度以避免电气击穿等。然而,提高安全裕度以牺牲材料的性能为代价,其最直接后果就是牺牲了电机的功率密度指标。
因此,降低不必要的安全裕度,可以降低制造成本,减小电机重量和体积,显著提升电机功率密度。但降低绝缘材料安全裕度对电机的可靠性提出了更高要求。现需一种方法能在电机运行过程中精准预测电机剩余寿命,及时做出合理、精确的检修、更换方案,以便提高电机绝缘的可靠性,降低绝缘材料的安全裕度,从各种角度提高电机的经济性与安全性。
发明内容
本发明的目的在于在电机运行过程中精准预测电机剩余寿命。
基于上述目的,本发明提出了一种两阶段电机绝缘寿命预测方法,该方法包括以下步骤:
S1、以电机的绝缘材料为待测样品,基于不同的温度应力水平对待测样品进行加速退化试验,获取多组加速退化试验数据,加速退化试验数据包括待测样品的最大局部放电量以及剩余击穿电压;
S2、结合Wiener过程与Arrhenius方程,基于损伤一致性和损伤累积原则建立待测样品的两阶段剩余击穿电压退化模型,并根据两阶段剩余击穿电压退化模型得出两阶段剩余击穿电压的状态方程;
S3、基于神经网络算法,将待测样品的退化时间作为输入量,最大局部放电量作为输出量,加速退化试验数据作为训练集,得到最大局部放电量的观测方程;
S4、结合两阶段剩余击穿电压的状态方程以及最大局部放电量的观测方程,以及根据加速退化试验数据,确定两阶段卡尔曼滤波寿命预测模型的待测参数,以构建两阶段卡尔曼滤波寿命预测模型;
S5、基于两阶段卡尔曼滤波寿命预测模型,预测得到任意温度应力下任一时刻下待测样品的剩余击穿电压。
进一步地,步骤S2中基于Wiener过程的两阶段剩余击穿电压退化模型为:
式中,U(t)为待测样品的剩余击穿电压,t为退化时间,为退化过程中U(t)的随机变点,/>为第一漂移参数,/>为第二漂移参数,/>为第一扩散系数,/>为第二扩散系数,B(t)为标准Brownian运动。
式中,γ1,γ2,γ3为待定系数。
进一步地,在热应力T作用下任意k时刻的剩余击穿电压Uk可表示为:
式中,Uk为k时刻待测样品的剩余击穿电压,ΔU(Δt;T)为Δt时间段待测样品的剩余击穿电压退化量,其中,
将ΔU(Δt;T)用Wiener过程的数学表达式展开即可得到两阶段剩余击穿电压的状态方程为:
类似的,建立第二阶段的似然函数为:
式中,Δuijk为待测样品的退化增量,Δtijk为时间增量,i为待测样品的试验次数,j为待测样品数量,Tk为k时刻的温度应力。
进一步地,步骤S3包括:基于最大局部放电量与剩余击穿电压的经验公式,建立待测样品最大局部放电量的第一观测方程, 基于神经网络算法,将待测样品的退化时间作为输入量,最大局部放电量作为输出量,加速退化试验数据及现场观测数据作为训练集,得到退化时间与最大局部放电量之间的关系式,对第一观测方程做出修正,得到最大局部放电量的第二观测方程。
进一步地,剩余击穿电压的经验公式为:
式中,Uk为k时刻待测样品剩余击穿电压的估计值,Qk为待测样品的最大局部放电量,C0为待测样品的绝缘电容,R1为待测样品的绝缘电阻;tanδ0为待测样品的介质损耗角正切值,A,B,D为待定系数。
进一步地,第一观测方程为:
式中,a,b为待定参数;vk为观测噪声,Qk为k时刻的最大局部放电量;
其中,a,b通过加速退化试验数据进行估计,vk~N(0,V),V为观测噪声方差;
第二观测方程为:
进一步地,步骤S4中,两阶段卡尔曼滤波寿命预测模型为:
进一步地,步骤S5具体包括:对两阶段卡尔曼滤波寿命预测模型进行动态演化,利用Hotelling’sT2统计量对最大局部放电量的测量残差进行监控,若测量残差超过一残差阈值,对待测样品的系统状态协方差矩阵进行修正,并启用第二阶段状态方程对待测样品的剩余击穿电压进行预测,否则使用第一阶段的状态方程对待测样品的剩余击穿电压进行预测。
本发明提供了一种两阶段电机绝缘寿命预测方法设计了加速退化试验,以得到完整的加速退化数据,利用卡尔曼滤波算法将系统物理模型和观测数据特征相结合建立电机预测模型,且利用神经网络对观测方程进行更新,使得电机的剩余寿命预测更加精确,提高了电机的经济性与安全性。
附图说明
图1是根据本发明实施例提供的两阶段电机绝缘寿命预测方法的流程图;
图2是根据本发明实施例提供的三层BP神经网络示意图;
图3是根据本发明实施例提供的两阶段卡尔曼滤波寿命预测模型的动态演化流程图;
图4是根据本发明实施例提供的两阶段卡尔曼滤波寿命预测模型的参数拟合流程图;
图5是根据本发明实施例提供的两阶段电机绝缘寿命预测系统的系统框图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述,但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
图1示出了一种两阶段电机绝缘寿命预测方法,该方法包括以下步骤:
S101、以电机的绝缘材料为待测样品,基于不同的温度应力水平对待测样品进行加速退化试验,获取多组加速退化试验数据,加速退化试验数据包括待测样品的最大局部放电量以及剩余击穿电压;
S102、结合Wiener过程与Arrhenius方程,基于损伤一致性和损伤累积原则建立待测样品的两阶段剩余击穿电压退化模型,并根据两阶段剩余击穿电压退化模型得出两阶段剩余击穿电压的状态方程;
S103、基于神经网络算法,将待测样品的退化时间作为输入量,最大局部放电量作为输出量,加速退化试验数据作为训练集,得到最大局部放电量的观测方程;
S104、结合两阶段剩余击穿电压的状态方程以及最大局部放电量的观测方程,以及根据加速退化试验数据,确定两阶段卡尔曼滤波寿命预测模型的待测参数,以构建两阶段卡尔曼滤波寿命预测模型;
S105、基于两阶段卡尔曼滤波寿命预测模型,预测得到任意温度应力下任一时刻下待测样品的剩余击穿电压。
其中,加速退化试验是为了加速待测样品在正常应力下的退化过程,以快速获得待测样品的加速退化数据,从而对待测样品的剩余击穿电压进行预测。
作为一种实现方式,步骤S101具体包括:选取多个电机的绝缘材料作为待测样品,基于k组温度应力对待测样品进行加速退化试验,每组温度应力下设置有j个待测样品,每隔一定时间对待测样品进行数据测量,得到待测样品的加速退化数据。
作为一种实现方式,在本申请中,可设Tk为第k个加速温度,tijk为Tk下第j个样品的第i次测量时间,每次对绝缘材料的最大局部放电量与剩余击穿电压进行检测。Uijk为剩余击穿电压退化测量值,代表时间增量,/>为退化增量。其中,/>;/>;/>。i表示一定温度下,每个样品的测量次数;j表示一定温度下样品数量;k表示试验中设置的应力水平数量。
考虑到待测样品退化过程中的多阶段性,传统的单相退化模型难以对实际退化过程准确描述,这将严重影响待测样品剩余击穿电压预测的准确性。作为一种实现方式,步骤S102中,利用两阶段Wiener过程描述待测样品剩余击穿电压的退化轨迹。假设退化过程U(t)存在随机变点τ。可得到待测样品的两阶段剩余击穿电压退化模型:
式中,U(t)为待测样品的剩余击穿电压,t为退化时间,为退化过程中U(t)的随机变点,/>为第一漂移参数,/>为第二漂移参数,/>为第一扩散系数,/>为第二扩散系数,B(t)为标准Brownian运动。
由Wiener过程性质可知,待测样品的退化增量ΔU(t)服从正态分布,对独立增量进行累加,推导得出:
可得U(t)的概率密度函数为:
设UD为剩余击穿电压的失效阈值,则待测样品的寿命可被定义为U(t)首次到达UD的时间。考虑到变点的随机性,待测样品的累计分布函数为如下逆高斯分布:
设Fk(tk),Fh(th)分别为产品在任意两个应力水平下Tk,Th下的累积分布函数,当Fk(tk)=Fh(th)时,Tk相当于Th的加速因子Ak,h定义为
将f(t)表达式代入式(6),得到:
为保证Ak,h是一个不随tk变化的常数,则tk的系数项都为0,即:
可推导出:
式中,γ1,γ2,γ3为待定系数。
此时,在热应力T作用下任意k时刻的剩余击穿电压Uk可表示为:
其中,Uk为k时刻的剩余击穿电压;ΔU(Δt;T)为Δt时间段剩余击穿电压退化量
将ΔU(Δt;T)用Wiener过程的数学表达式展开即可得到两阶段剩余击穿电压状态方程为:
作为一种实现方式,剩余击穿电压的经验公式为:
式中,Uk为k时刻待测样品剩余击穿电压的估计值;Qk为待测样品的最大局部放电量;C0为待测样品的绝缘电容;R1为待测样品的绝缘电阻;tanδ0为待测样品的介质损耗角正切值;A,B,D为待定系数。
进一步地,以待测样品的最大局部放电量为观测变量,可得第一观测方程为:
式中,a,b为待定参数,vk为观测噪声,Qk为k时刻的最大局部放电量;
其中,a,b可通过加速退化试验数据进行估计;vk~N(0,V),V为观测噪声方差。
作为一种实现方式,步骤S103中,可通过BP神经网络对第一观测方程进行修正。具体的,可利用BP神经网络对,将输入变量和输出变量分别设为退化时间和最大局部放电量。如图2所示,三层BP神经网络的工作流程主要包括两个部分,首先是信号的前向传播过程。这一过程主要是指输入信号从输入层进入神经网络,加权后输入隐藏层,再经过激活函数最终到达输出层得到输出信号的过程。第二是误差的反向传播过程。在这一过程中,神经网络的输出信号与期望输出之间的误差将会反馈回到神经网络的层与层之间,对两组神经元的突触权值进行调节。
本申请采用单极性S型函数作为激活函数,单极性S型函数的表达式为:
当神经元采用单极性S型函数作为激活函数时,神经元的输入为:
输出为:
将神经网络的输出设为dk,期望输出设为ok,则误差e为
采用最小二乘法对网络进行优化,则输出误差E定义为
将误差展开至隐藏层,有
展开至输入层,有
因此可看出,网络输出的误差实际上是神经网络各层神经元的突触权值的函数。因此,只需要对神经网络当中的权值进行调整就能够改变输出的误差,进而实现误差的减小。本申请采用误差的梯度下降算法对BP神经网络进行权值更新,即:
可得最大局部放电量的第二观测方程为:
第二观测方程即为最终得到的最大局部放电量的观测方程。
作为一种实现方式,步骤S104中,根据剩余击穿电压的状态方程以及最大局部放电量的观测方程,可得建立的两阶段卡尔曼滤波寿命预测模型为:
构建两阶段卡尔曼滤波寿命预测模型后,待测样品退化过程中的整体迭代计算过程包括以下步骤:
(1)状态估计:通过上一时刻的剩余击穿电压预测结果对当前时刻剩余击穿电压进行估计:
式中,Uk -为k时刻的剩余击穿电压估计值;Uk-1 +为上一时刻的剩余击穿电压更新值;Pk-为k时刻待测样品系统状态协方差矩阵的估计值;Pk-1 +为k-1时刻待测样品系统状态协方差矩阵的更新值。
(2)状态更新:首先将第二观测方程进行Taylor展开并利用退化过程一阶部分进行非线性方程的线性化近似,可得:
因此,观测矩阵为
通过状态估计后,可以得到当前时刻的估计值Uk -,将该估计值代入第二观测方程便可得到最大局部放电量观测值的估计值。将观测值的估计值与观测值真值进行比较得到测量余差,并通过相应的计算步骤得到最优卡尔曼增益,来对状态估计值进行基于最小方差原则下的状态更新,得到最终的状态预测结果。具体更新步骤如下:
测量余差协方差为
式中,Rk为测量噪声协方差。
卡尔曼增益为
状态更新为
作为一种实现方式,如图3所示,步骤S105具体包括以下步骤:
S301、利用Hotelling’sT2统计量对待测样品最大局部放电量的测量余差进行监控;
S302、判断测量余差是否大于余差阈值,若大于余差阈值,执行S303,否之执行步骤S304;
S303、对待测样品的系统状态协方差矩阵进行人为修正,并启用第二阶段的状态方程对待测样品的剩余击穿电压进行预测;
S304、使用第一阶段的状态方程对待测样品的剩余击穿电压进行预测。
具体的,当神经网络输出一个新的参考测量值时,残差为:
当测量余差满足上述测量残差的Hotelling’sT2统计量的约束调节时,认为退化过程处于第一阶段,直接使用第一阶段的状态方程进行预测;否则,对P进行主动调节,并使用第二阶段状态方程进行迭代。
当测量过程处于失控状态时,P的主动调节的目的是求取补偿检测到的测量偏倚的最优调节增量P决定了过程调节策略抑制随机测量变差和追踪过程状态变化的能力,因此,P的取值是过程状态预测精度的决定性因素。当过程失控时,选取Hotelling’sT2值的上限对P进行反求,使系统回到可控状态,假设Pk +的主动修正值为Pk *,则
当检测到过程失控后,将修正后的Pk *代入卡尔曼滤波迭代算法中,并将状态方程改为二阶段状态方程。至此即可实现卡尔曼滤波寿命预测模型的两阶段预测。
作为一种实现方式,如图4所示,步骤S104中包括以下步骤:
S401、基于加速退化数据以及现场观测数据,根据Wiener加速退化模型的独立增量特性,建立退化过程两阶段的似然函数;
S402、利用最小二乘法确定两阶段卡尔曼滤波寿命预测模型中待测系数的初值;
S403、基于两阶段的似然函数,建立矩阵方程,并求取在各加速应力Tk下的漂移参数以及扩散参数估计值;
S404、基于漂移参数估计值、扩散参数估计值以及待测系数初值,根据似然函数求解待测参数的极大似然估计值。
类似的,建立第二阶段的似然函数为:
式中,Δuijk为待测样品的退化增量,Δtijk为时间增量,i为待测样品的试验次数,j为待测样品数量,Tk为k时刻的温度应力。
为获取合适的参数初值,本申请利用最小二乘法确定参数初值。利用式(41)所示似然函数求取Wiener退化模型在各加速应力Tk下的参数估计值,
可建立矩阵方程为:
以最小二乘估计值γ10,γ20,γ30为初值,可求解待测参数γ1,γ2,γ3的极大似然估计值。
同样地,以加速退化实验数据为数据集,根据最小二乘原理,记
令
求解方程即可得到第二观测方程中a和b的估计值。
至此,两阶段电机寿命预测模型构建完成;此时,给定待测样品的剩余击穿电压初值以及电机运行温度,即可得到任意温度应力下任一时刻下待测样品的剩余击穿电压。
作为一种实现方式,如图5所示,本申请还公开了一种两阶段电机绝缘寿命预测系统100,包括:检测模块11、控制模块12、输入模块13以及显示模块14。其中,检测模块11用于检测待测样品的加速退化试验数据以及电机的运行温度,并将加速退化数据以及电机的运行温度传输至控制模块12。输入模块13用于向系统输入待测样品的现场观测数据以及电气参数,并将待测样品的现场观测数据以及电气参数初值传输至控制模块12。在接收到待测样品的加速退化试验数据、现场观测数据、电气参数以及电机的运行温度后,控制模块12可对待测样品的剩余击穿电压进行预测。显示模块14与控制模块12连接,以对剩余击穿电压预测结果进行显示。
尽管为示例目的,已经公开了本发明的优选实施方式,但是本领域的普通技术人员将意识到,在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下,各种改进、增加以及取代是可能的。
Claims (10)
1.一种两阶段电机绝缘寿命预测方法,其特征在于,该方法包括以下步骤:
S1、以电机的绝缘材料为待测样品,基于不同的温度应力水平对待测样品进行加速退化试验,获取多组加速退化试验数据,所述加速退化试验数据包括待测样品的最大局部放电量以及剩余击穿电压;
S2、结合Wiener过程与Arrhenius方程,基于损伤一致性和损伤累积原则建立待测样品的两阶段剩余击穿电压退化模型,并根据两阶段剩余击穿电压退化模型得出两阶段剩余击穿电压的状态方程;
S3、基于神经网络算法,将待测样品的退化时间作为输入量,最大局部放电量作为输出量,加速退化试验数据作为训练集,得到最大局部放电量的观测方程;
S4、结合两阶段剩余击穿电压的状态方程以及最大局部放电量的观测方程,以及根据加速退化试验数据,确定两阶段卡尔曼滤波寿命预测模型的待测参数,以构建两阶段卡尔曼滤波寿命预测模型;
S5、基于所述两阶段卡尔曼滤波寿命预测模型,预测得到任意温度应力下任一时刻下所述待测样品的剩余击穿电压。
6.如权利要求5所述的两阶段电机绝缘寿命预测方法,其特征在于,所述步骤S3包括:基于最大局部放电量与剩余击穿电压的经验公式,建立待测样品最大局部放电量的第一观测方程, 基于神经网络算法,将待测样品的退化时间作为输入量,最大局部放电量作为输出量,加速退化试验数据及现场观测数据作为训练集,得到退化时间与最大局部放电量之间的关系式,对第一观测方程做出修正,得到最大局部放电量的第二观测方程。
10.如权利要求1所述的两阶段电机绝缘寿命预测方法,其特征在于,所述步骤S5具体包括:对两阶段卡尔曼滤波寿命预测模型进行动态演化,利用Hotelling’sT2统计量对最大局部放电量的测量残差进行监控,若测量残差超过一残差阈值,对待测样品的系统状态协方差矩阵进行修正,并启用第二阶段状态方程对待测样品的剩余击穿电压进行预测,否则使用第一阶段的状态方程对待测样品的剩余击穿电压进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507059.9A CN116227366B (zh) | 2023-05-08 | 2023-05-08 | 两阶段电机绝缘寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310507059.9A CN116227366B (zh) | 2023-05-08 | 2023-05-08 | 两阶段电机绝缘寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227366A true CN116227366A (zh) | 2023-06-06 |
CN116227366B CN116227366B (zh) | 2023-08-11 |
Family
ID=86587647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310507059.9A Active CN116227366B (zh) | 2023-05-08 | 2023-05-08 | 两阶段电机绝缘寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227366B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117877028A (zh) * | 2024-03-13 | 2024-04-12 | 浙江大学 | 基于微观图像特征的电机绝缘寿命预测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
CN110222371A (zh) * | 2019-05-05 | 2019-09-10 | 北京大学 | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 |
WO2019174142A1 (zh) * | 2018-03-14 | 2019-09-19 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
CN111753416A (zh) * | 2020-06-17 | 2020-10-09 | 重庆大学 | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 |
CN113033015A (zh) * | 2021-04-09 | 2021-06-25 | 中国人民解放军火箭军工程大学 | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 |
CN113656965A (zh) * | 2021-08-16 | 2021-11-16 | 中国人民解放军火箭军工程大学 | 一种两阶段退化设备的剩余寿命预测方法及系统 |
US20210374506A1 (en) * | 2019-09-05 | 2021-12-02 | Soochow University | Method for predicting bearing life based on hidden markov model and transfer learning |
CN114091790A (zh) * | 2022-01-20 | 2022-02-25 | 浙江大学 | 一种融合现场数据和两阶段加速退化数据的寿命预测方法 |
CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
CN114330148A (zh) * | 2022-03-11 | 2022-04-12 | 浙江大学 | 基于加速退化数据的电机绝缘寿命预测方法 |
CN114398736A (zh) * | 2022-01-18 | 2022-04-26 | 郑州轻工业大学 | 基于时变模型参数的滚动轴承剩余寿命预测方法 |
CN114814589A (zh) * | 2022-01-20 | 2022-07-29 | 北京科技大学 | 一种对pemfc剩余使用寿命进行预测的方法及装置 |
CN115481796A (zh) * | 2022-09-13 | 2022-12-16 | 浙江大学 | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 |
CN115994617A (zh) * | 2022-11-24 | 2023-04-21 | 上海航天精密机械研究所 | 结合循环神经网络与滤波算法的剩余寿命预测方法及系统 |
-
2023
- 2023-05-08 CN CN202310507059.9A patent/CN116227366B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
WO2019174142A1 (zh) * | 2018-03-14 | 2019-09-19 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
US20210048807A1 (en) * | 2018-03-14 | 2021-02-18 | Shandong University Of Science And Technology | Method of modeling multi-mode degradation process and predicting remaining useful life |
CN110222371A (zh) * | 2019-05-05 | 2019-09-10 | 北京大学 | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 |
US20210374506A1 (en) * | 2019-09-05 | 2021-12-02 | Soochow University | Method for predicting bearing life based on hidden markov model and transfer learning |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
CN111753416A (zh) * | 2020-06-17 | 2020-10-09 | 重庆大学 | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 |
CN113033015A (zh) * | 2021-04-09 | 2021-06-25 | 中国人民解放军火箭军工程大学 | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 |
CN113656965A (zh) * | 2021-08-16 | 2021-11-16 | 中国人民解放军火箭军工程大学 | 一种两阶段退化设备的剩余寿命预测方法及系统 |
CN114218872A (zh) * | 2021-12-28 | 2022-03-22 | 浙江大学 | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 |
CN114398736A (zh) * | 2022-01-18 | 2022-04-26 | 郑州轻工业大学 | 基于时变模型参数的滚动轴承剩余寿命预测方法 |
CN114091790A (zh) * | 2022-01-20 | 2022-02-25 | 浙江大学 | 一种融合现场数据和两阶段加速退化数据的寿命预测方法 |
CN114814589A (zh) * | 2022-01-20 | 2022-07-29 | 北京科技大学 | 一种对pemfc剩余使用寿命进行预测的方法及装置 |
CN114330148A (zh) * | 2022-03-11 | 2022-04-12 | 浙江大学 | 基于加速退化数据的电机绝缘寿命预测方法 |
CN115481796A (zh) * | 2022-09-13 | 2022-12-16 | 浙江大学 | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 |
CN115994617A (zh) * | 2022-11-24 | 2023-04-21 | 上海航天精密机械研究所 | 结合循环神经网络与滤波算法的剩余寿命预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
JIAN ZHOU; DAVID. W. COIT; HANI NASSIF; ZHANHANG LI: "Two-stage Degradation Modeling Combined With Machine Learning For Steel Rebar Degradation Prediction", 《2022 ANNUAL RELIABILITY AND MAINTAINABILITY SYMPOSIUM (RAMS)》 * |
付霖宇;王浩伟;: "改进PSO-RBFNN算法在退化型产品寿命预测中的应用", 海军航空工程学院学报, no. 04 * |
张健,张钦,黄晓艳,方攸同,田杰: "基于加速退化数据和现场实测退化数据 的电机绝缘剩余寿命预测模型", 《电工技术学报》 * |
黄亮;刘君强;贡英杰;: "基于Wiener过程的发动机多阶段剩余寿命预测", 北京航空航天大学学报, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117877028A (zh) * | 2024-03-13 | 2024-04-12 | 浙江大学 | 基于微观图像特征的电机绝缘寿命预测方法及系统 |
CN117877028B (zh) * | 2024-03-13 | 2024-05-14 | 浙江大学 | 基于微观图像特征的电机绝缘寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116227366B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161414B (zh) | 一种动力电池热失控在线预测方法及系统 | |
CN116227366B (zh) | 两阶段电机绝缘寿命预测方法 | |
CN109726517B (zh) | 一种基于多变量关联数据的设备剩余寿命预测方法 | |
CN116298906B (zh) | 电池容量的预测模型训练方法、预测方法、装置及介质 | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
CN115524629B (zh) | 一种车辆动力电池系统健康状态的评估方法 | |
EP3862764B1 (en) | Battery deterioration judging system, battery deterioration judging method, and battery deterioration judging program | |
CN113033015A (zh) | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 | |
CN114839538A (zh) | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
KR20230015851A (ko) | 배터리 저장 시스템들의 서비스 수명을 추정하기 위한 방법, 장치 및 컴퓨터 프로그램 제품 | |
CN111523727A (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN116485049B (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
US20220166075A1 (en) | Method for Enhancing a Battery Module Model of a Battery Module Type | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN115544803A (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
CN115221731A (zh) | 基于数据融合和Wiener模型的变压器寿命评估方法 | |
CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
CN114966407A (zh) | 一种锂电池多传感器信息融合荷电状态的估计方法 | |
CN113552489A (zh) | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 | |
CN117723999B (zh) | 电池使用寿命预测方法、装置、设备及存储介质 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
CN118091527B (zh) | 一种基于可解释性深度学习的电压互感器误差评估方法 | |
US20240210480A1 (en) | Method of estimating full charge capacity after degradation of battery, and method of creating estimating equation for full charge capacity after degradation |
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 |