CN116384223A - 基于退化状态智能辨识的核设备可靠性评估方法及系统 - Google Patents
基于退化状态智能辨识的核设备可靠性评估方法及系统 Download PDFInfo
- Publication number
- CN116384223A CN116384223A CN202310161281.8A CN202310161281A CN116384223A CN 116384223 A CN116384223 A CN 116384223A CN 202310161281 A CN202310161281 A CN 202310161281A CN 116384223 A CN116384223 A CN 116384223A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- degradation
- equipment
- reliability
- 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
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 194
- 230000015556 catabolic process Effects 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000013210 evaluation model Methods 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 26
- 238000005315 distribution function Methods 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000012854 evaluation process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F2119/02—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
Abstract
本发明的一种基于退化状态智能辨识的核设备可靠性评估方法及系统,所述方法包括:获取不同类型监测数据的关键统计信息,建立不同退化状态相应的辨识标签;构建融合深度网络模型进行设备性能退化状态智能辨识,在网络层对不同模态数据进行信息融合;建立相应的可靠性评估模型;建立退化状态辨识标签与不同可靠性评估模型之间的映射关系;结合设备性能退化状态智能辨识结果,并依据相应的可靠性评估模型对设备当前状态下的可靠度与剩余寿命进行计算,对当前核设备可靠性进行评估并输出结果。本发明充分利用智能算法优势将核设备退化状态辨识,可靠性模型建模以及可靠性评估过程进行耦合,降低不同运行阶段下核设备可靠性评估的复杂度。
Description
技术领域
本发明涉及设备可靠性评估技术领域,具体涉及一种基于退化状态智能辨识的核设备可靠性评估方法及系统。
背景技术
核设备整体结构复杂,系统运行不可避免地会引起各种类型的故障。这些故障轻则影响系统稳定,增加维修保养成本;重则造成严重事故,具有放射性危险从而严重威胁人民财产安全。随着核设施服役年限增加,其相关核设备如蒸汽发生器,控制棒驱动机构,稳压器,主泵等出现故障的可能性逐渐提升。目前核设备可靠性评估相关研究目前主要分为两类,分别是基于机理模型的方法与基于数据驱动的方法。基于机理模型(物理,化学模型等)的方法一般从对象工程系统内部的运转机理出发,建立能够反映设备可靠性的数学模型预测退化发展趋势,深入对象系统本质获得较为精确的预测结果。然而,与之相矛盾的是通常难以针对动态系统建立精确的数学模型。尤其当退化过程复杂、机理尚不明确时,如多物理场耦合条件下的核设施运行环境。建立有效的物理模型较为困难,限制其在核设施关键设备中的工程应用前景。随着人工智能技术的不断发展,数据驱动方法由于不需要建立精细的模型目前已成为领域内的热点被广泛研究应用。然而,核设施实际运行长期处于多物理场耦合环境。其数据结构复杂、样本数量少,制约了其发展。
发明内容
本发明提出的一种基于退化状态智能辨识的核设备可靠性评估方法、系统及设备,可至少解决背景技术中的技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种基于退化状态智能辨识的核设备可靠性评估方法,通过计算机设备执行以下步骤,
获取核设备性能退化状态实时监测数据;
基于获取的监测数据确定对应的关键统计信息,利用关键统计信息确定退化状态个数与区间,建立不同退化状态相应的辨识类别标签;
构建融合深度网络模型进行设备性能退化状态智能辨识,以核设备原始性能退化数据作为输入,在网络层中对不同模态数据进行信息融合,以退化状态标签作为输出;
根据不同性能退化状态建立相应的可靠性评估模型,建立退化状态辨识标签与可靠性评估模型之间的映射关系;
结合设备性能退化状态智能辨识结果,并依据相应的可靠性评估模型对设备当前状态下的可靠度与剩余寿命进行计算,对当前核设备可靠性进行评估并输出结果。
进一步地,所述核设备性能退化状态实时监测数据包括设备振动加速度数据信息、温度数据信息、流量数据信息、压力数据信息及电流数据信息。
进一步地,所述基于获取的监测数据确定对应的关键统计信息,利用关键统计信息确定退化状态个数与区间,建立不同退化状态相应的辨识类别标签,具体包括,
获取稳态数据的均方根,采用3σ准则通过计算均值X和标准差σ得出概率区间(X-3σ,X+3σ),超过该区间则认为监测设备进入初期退化状态;
依次获得不同退化状态区间范围,确定至完全失效过程中的退化状态的个数;
利用最大信息系数度量不同类型数据与退化指标之间的相关性;
融合不同数据的相关性计算结果,通过自适应权重对退化状态的区间进行划分,设置对应的退化状态标签。
进一步地,所述利用最大信息系数度量不同类型数据与退化指标之间的相关性,具体包括,
定义一个的二维分布的划分δ(m,n),其中,使性能退化数据与被监测健康指标的取值范围进行区间分割为m与n,最后得到二维分布划分的对应δ(m,n)的MI值,归一化结果为通过max{θ(m,n)}计算不同类型数据与退化指标之间的最大信息系数。
进一步地,所述构建融合深度网络模型进行设备性能退化状态智能辨识,具体包括,
构建具有一维卷积神经网络其中包括一维卷积核,一维池化层以及ReLU激活函数通道对所有一维性能退化数据进行特征提取操作;
构建具有二维卷积神经网络其中包括二维卷积神经网络其中,二维池化层以及ReLU激活函数通道对所有二维性能退化数据进行特征提取操作;
构建权重连接层对不同通道提取的高维稀疏特征在末端网络层进行权重融合;
构建具有交叉熵结构的分类损失函数;使用Softmax函数对输出。
进一步地,所述构建融合深度网络模型进行设备性能退化状态智能辨识,具体还包括如下融合深度网络模型优化过程:
网络结构层优化,通过在设计的融合深度网络模型中测试不同层数,卷积核大小的组合的性能,选择最优的组合进行初步的训练过程优化;
批标准化操作,将数据输入到隐藏网络后再次进行标准化处理,有效防止模型训练中的过拟合,其形式如下:
其中,E(xi)为批神经元的权重均值,Var(xi)为批神经元的权重方差,不同的调节参数通过输入给神经元以进行调整,这些调整参数是通过训练学习到的,在转换后用来对激活进行反向转换,从而增强网络表达能力;
还包括使用边际增量方式对传统Softmax分类器进行优化,具体损失优化过程如下:
其中,N代表训练样本的总数,Li代表某个神经元的损失,Xi为输入神经元矢量,代表相应的权重,/>代表权重矢量和神经元之间的夹角,b代表固定边界偏置项,该结构能够更加显著的突出不同退化状态之间的决策边界;
还包括使用学习率自下降的Adam优化器进行学习率优化,其优化过程如下:
其中ω代表梯度v和s是指数加权移动平均操作过程,dω与dω2,α更新的学习速率,ε和β是调节参数,ε,β1和β2的默认值分别是10-8,0.9and 0.999,α0为初始学习率,N为训练的历元,λ为衰减系数。
进一步地,所述S400中根据不同性能退化状态建立相应的可靠性评估模型,具体包括,
基于已赋予标签性能退化状态,根据核设备关键参数、故障诊断记录、故障及维修记录这些信息建立相应的可靠性评估模型,包括设备的可靠度函数计算模型,设备寿命累积分布函数模型,以及概率密度函数模型;
其中,所述可靠度函数计算模型、设备寿命累积分布函数模型、概率密度函数模型、剩余寿命的分布函数与概率密度函数计算方法如下:
其中,R(t),F(t),f(t)分别代表可靠度函数计算模型,寿命累积分布函数模型,以及概率密度函数模型,L=T-τ表示τ时刻之后的剩余寿命。
另一方面,本发明还公开一种基于退化状态智能辨识的核设备可靠性评估系统,包括以下单元,
状态监测数据收集模块,用于不同传感器数据实时监测获取核设备的退化状态信息;
智能退化状态辨识模块,构建融合深度网络模型进行设备性能退化状态智能辨识,以所述核设备原始性能退化多类型数据作为输入;以小批量数据形式将所述核设备性能退化数据输入模型,在网络层对不同模态数据进行信息融合,以所述建立的退化状态标签作为输出;
退化状态可靠性评估与剩余寿命计算模块,用于根据不同性能退化状态建立相应的可靠性评估模型,建立退化状态辨识标签与可靠性评估模型之间的映射关系,计算剩余寿命;
设备维修决策支持模块,用于根据设备剩余寿命计算结果对当前设备进行维修决策支持。
进一步地,所述状态监测数据收集模块,具体包括:
数据采集单元,用于通过传感器收集不同类型的监测数据信息;
滑动窗口处理单元,用于按照设定长度储存窗口监测数据信息,其中包括该窗口数据中与所包含数据分布特性的均值、方差信息;
数据储存单元,用于将不同类型的退化状态的数据进行储存。
进一步地,所述智能退化状态辨识模块,具体包括:
数据归一化单元,用于对拥有不同类型的输入监测数据进行归一化,进行预处理;
数据增强单元,用于将长时间连续的时域样本划分为不同的样本并充分利用来自于不同设备的相同类型的数据样本;
模型训练优化单元,对网络结构层优化,通过在设计的融合深度网络模型中测试不同层数,卷积核大小的组合的性能,选择最优的组合进行初步的训练过程优化;进行批标准化操作,将数据输入到隐藏网络后再次进行标准化处理,有效防止模型训练中的过拟合,使用边际增量方式对传统Softmax分类器进行优化;使用学习率自下降的Adam优化器进行学习率优化;
退化状态辨识输出单元,用于将退化状态辨识的结果输出以便于对应的可靠性评估模型。
进一步地,退化状态可靠性评估与剩余寿命预测模块,具体包括:
可靠性评估模型储存单元,用于不同已标签退化状态下根据核设备关键参数、故障诊断记录、故障及维修记录建立并储存相应的可靠性评估模型;
设备可靠性模型包括设备的可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型;
可靠性评估单元,用于相应的模型对核设备当前状态下的可靠性进行评估;
剩余寿命计算单元,用于根据可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型,剩余寿命的分布函数与概率密度函数计算方法如下:
其中,R(t),F(t),f(t)分别代表可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型,L=T-τ表示τ时刻后核设备的剩余寿命。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明提供一种基于退化状态智能辨识的核设备可靠性评估方法及系统,充分利用智能算法优势将核设备退化状态辨识,可靠性模型建模以及可靠性评估过程进行耦合,降低不同退化阶段下利用不同可靠性模型进行评估的复杂度。
总得来说,本发明在可靠性评估方法的“数据来源”以及“模型来源”方面进行创新,充分利用智能算法优势将核设备退化状态辨识,可靠性模型建模以及可靠性评估过程进行耦合,降低不同退化阶段下利用不同可靠性模型进行评估的复杂度。
具体的说,本发明旨在核设备可靠性评估方法的数据来源以及模型来源方面进行创新,结合设备性能退化状态智能辨识结果,并依据相应的可靠性评估模型对设备当前状态下的可靠度与剩余寿命进行计算,对当前核设备可靠性进行评估并输出结果。其优势在于利用智能算法快速建立退化状态辨识标签与可靠性评估模型之间的映射关系;将可靠性模型建模以及可靠性评估过程进行深度耦合,提升了复杂退化过程下利用可靠性模型进行评估的效率。
附图说明
图1为本发明实施例提供的基于退化状态智能辨识的核设备可靠性评估方法的流程图;
图2为本发明提供的基于退化状态智能辨识的核设备可靠性评估方法中构建深度智能算法对退化状态辨识的流程图;
图3为本发明提供的融合智能辨识模型的整体实施结构图;
图4本发明实施例提供的基于退化状态深度智能辨识的核设备可靠性评估系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于退化状态智能辨识的核设备可靠性评估方法,包括以下步骤,
获取核设备性能退化状态实时监测数据;
基于获取的监测数据确定对应的关键统计信息,利用关键统计信息确定退化状态个数与区间,建立不同退化状态相应的辨识类别标签;
构建融合深度网络模型进行设备性能退化状态智能辨识,以核设备原始性能退化数据作为输入,在网络层中对不同模态数据进行信息融合,以退化状态标签作为输出;
根据不同性能退化状态建立相应的可靠性评估模型,建立退化状态辨识标签与可靠性评估模型之间的映射关系;
结合设备性能退化状态智能辨识结果,并依据相应的可靠性评估模型对设备当前状态下的可靠度与剩余寿命进行计算,对当前核设备可靠性进行评估并输出结果。
具体的说,包括以下步骤,
S100,获取核设备性能退化状态实时监测数据,包括但不限于设备一维监测数据如振动加速度数据信息,热工参数数据信息(温度,流量,压力参数等),二维监测数据如核设备的热成像信息等;
S200,获取不同类型监测数据的关键统计信息,利用关键统计信息确定退化状态个数与区间,建立不同退化状态相应的辨识类别标签;
所述S200,具体包括:
步骤201,获取稳态数据的均方根,采用3σ准则通过计算均值X和标准差σ得出概率区间(X-3σ,X+3σ),超过该区间则认为监测设备进入退化状态;
步骤205,通过计算最大信息系数。度量不同类型数据与退化指标之间的相关性;
步骤206,融合不同数据的相关性计算结果,通过相关性自适应设置相关权重对退化状态的区间进行划分,设置对应的退化状态辨识类别标签;
步骤207,依据初期阶段退化数据继续采用3σ准则循环计算均值X和标准差σ,依次获得不同退化状态区间范围,直至设备完全失效。依据计算结果确定至完全失效过程中的退化状态的辨识类别标签个数。
S300,构建融合深度网络模型进行设备性能退化状态智能辨识,以所述核设备原始性能退化多类型数据作为输入;以小批量数据形式将所述核设备性能退化数据输入模型,在网络层中对不同模态数据进行信息融合,以所述的退化状态标签作为输出;
所述S300整体流程如图2所示,主要包括:
步骤301,通过传感器收集不同类型的监测数据信息。以所述核设备原始性能退化多类型数据作为输入,对拥有不同波动范围的输入监测数据进行归一化操作,方便智能算法分析调用;将长时间连续的时域样本划分为不同的样本并充分利用来自于不同设备的相同类型的数据样本。
步骤302,利用滑动窗口模式数据处理。对某一退化状态区间内的归一化数据按照一定长度时间长度进行截取;根据截取的窗口进行平移操作获取不同监测数据样本关键信息,其中包括但不限于该窗口数据中与所包含数据分布特性的均值,方差等关键信息。将不同滑动窗口模式处理后的数据按照相应的退化状态辨识类别标签进行储存,根据实际设备以小批量数据形式将所述核设备性能退化数据输入模型提供给后续融合深度网络进行模型辨识训练。该小批量相当于传统深度网络中的批量设置大小而言。由于核设施监测数据可获取数据规模对比于传统数据较少,因此网络设置是在小批量前提下进行的。
步骤303,在网络层中对不同模态数据(振动加速度一维监测数据,热工监测数据,热成像二维监测数据等)进行信息融合,构建如图3结构的融合深度网络模型进行性能状态类别标签辨识;构建不同类型性能退化状态监测信息预处理操作;构建具有一维卷积神经网络其中包括一维卷积核,一维池化层以及ReLU激活函数通道对所有一维性能退化数据进行特征提取操作;构建具有二维卷积神经网络其中包括二维卷积神经网络其中,二维池化层以及ReLU激活函数通道对所有二维性能退化数据进行特征提取操作;构建权重连接层对不同通道最终提取的高维稀疏特征在末端网络层进行权重融合;融合后的权重计算方法如下:w=σ[W(F2d-max(x);F1d-average(x))],其中F2d-max(x)为通过2d卷积最大池化获得的稀疏特征,F1d-average是通过一维卷积均值池化后获得的稀疏特征,w为融合后的新特征。构建具有交叉熵结构的分类损失函数;使用Softmax函数对输出;对网络结构层优化,通过在设计的融合深度网络模型中测试不同层数,卷积核大小的组合的性能,选择最优的组合进行初步的训练过程优化;对神经元内部信息批标准化其中,E(xi)为批神经元的权重均值,Var(xi)为批神经元的权重方差。不同的调节参数通过输入给神经元以进行调整,这些调整参数是通过训练学习到的,在转换后用来对激活进行反向转换,从而增强网络表达能力。将数据输入到隐藏网络后再次进行标准化处理,有效防止模型训练中的过拟合;构建具有交叉熵分类损失函数;使用Softmax函数对输出;使用边际增量方式对传统Softmax分类器进行优化,形式为:
其中,N代表训练样本的总数,Li代表某个神经元的损失,,Xi为输入神经元矢量,代表相应的权重,/>代表权重矢量和神经元之间的夹角,b代表固定边界偏置项。该结构能够更加显著的突出不同退化状态之间的决策边界;使用学习率自下降的Adam优化器进行学习率优化。其中ω代表梯度v和s是指数加权移动平均操作过程,dω与dω2,α更新的学习速率,ε和β是调节参数.ε,β1和β2的默认值分别是10-8,0.9and0.999.α0为初始学习率,N为训练的历元,λ为衰减系数。
步骤304,采用10折交叉验证对所述深度卷积模型进行退化状态类别标签辨识性能测试,依据辨识性能指标要求训练完成初步的性能退化状态辨识模型。利用已训练模型结合实际核设备测试数据输出状态智能辨识结果对应类别标签;
S400,根据不同性能退化状态类别标签中的监测数据建立相应的可靠性评估模型,从而建立退化状态辨识标签与可靠性评估模型之间的对应关系;
所述的S400,具体包含以下步骤:
步骤401,获取不同性能退化状态类别标签中的原始监测数据,确保这些数据不包含任何异常值,不存在缺失或不完美的数据。
S500,结合设备性能退化状态智能辨识结果,并依据相应的可靠性评估模型对设备当前状态下的可靠度与剩余寿命进行计算,对当前核设备可靠性进行评估并输出结果。
所述的S500,具体包含以下步骤:
步骤501,基于不同已标签退化状态,根据但不限于核设备关键参数、故障诊断记录、故障及维修记录等建立相应的可靠性评估模型。设备可靠性评估模型包括但不限于设备的可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型。
其中,R(t),F(t),f(t)分别代表可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型。L=T-τ表示τ时刻之后核设备的剩余寿命。
本发明还提供了一种基于退化状态智能辨识的核设备可靠性评估系统,图4为本实施例提供的一种基于退化状态智能辨识的核设备可靠性评估系统,其主要包括:
状态监测数据收集模块201,用于不同传感器数据实时监测获取核设备的退化状态信息;
智能退化状态辨识模块202,构建融合深度网络模型进行设备性能退化状态智能辨识,以所述核设备原始性能退化多类型数据作为输入;以小批量数据形式将所述核设备性能退化数据输入模型,在网络层对不同模态数据进行信息融合,以所述建立的退化状态标签作为输出;
退化状态可靠性评估与剩余寿命计算模块203,用于根据不同性能退化状态建立相应的可靠性评估模型,建立退化状态辨识标签与可靠性评估模型之间的映射关系,计算剩余寿命。
设备维修决策支持模块204,用于根据设备剩余寿命计算结果对当前设备进行维修决策支持。
作为一种可选的实施方式,所述的状态监测数据收集模块201,具体包括:
数据采集单元,用于通过传感器收集不同类型的监测数据信息。包括但不限于设备一维监测数据如振动加速度数据信息,热工参数数据信息(温度,流量,压力参数等),二维监测数据如核设备的热成像信息等;
滑动窗口处理单元,用于按照一定长度储存窗口监测数据信息,其中包括但不限于该窗口数据中与所包含数据分布特性的均值,方差等关键信息;
数据储存单元,用于将不同退化状态的数据进行储存。
作为一种可选的实施方式,所述的智能退化状态辨识模块202,具体包括:
数据归一化单元,用于对拥有不同波动范围的输入监测数据进行归一化,方便智能算法分析调用。
数据增强单元,用于将长时间连续的时域样本划分为不同的样本并充分利用来自于不同设备的相同类型的数据样本。
模型训练优化单元,对网络结构层优化,通过在设计的融合深度网络模型中测试不同层数,卷积核大小的组合的性能,选择最优的组合进行初步的训练过程优化;进行批标准化操作,将数据输入到隐藏网络后再次进行标准化处理,有效防止模型训练中的过拟合,使用边际增量方式对传统Softmax分类器进行优化;使用学习率自适应下降的Adam优化器进行学习率优化。
退化状态辨识输出单元,将退化状态辨识的结果输出以便于对应相应的可靠性评估模型。
作为一种可选的实施方式,所述的退化状态可靠性评估与剩余寿命预测模块203,具体包括:
可靠性评估模型储存单元,用于根据不同已标签退化状态,根据但不限于核设备关键参数、故障诊断记录、故障及维修记录等建立并储存相应的可靠性评估模型。设备可靠性模型包括但不限于设备的可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型。
可靠性评估单元,用于依据相应的模型对核设备当前状态下的可靠性进行评估。
其中,R(t),F(t),f(t)分别代表可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型。L=T-τ表示τ时刻后核设备的剩余寿命。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一基于退化状态智能辨识的核设备可靠性评估方法。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述基于退化状态智能辨识的核设备可靠性评估方法,所述方法包括:
获取核设备性能退化状态实时监测数据;
基于获取的监测数据确定对应的关键统计信息,利用关键统计信息确定退化状态个数与区间,建立不同退化状态相应的辨识类别标签;
构建融合深度网络模型进行设备性能退化状态智能辨识,以核设备原始性能退化数据作为输入,在网络层中对不同模态数据进行信息融合,以退化状态标签作为输出;
根据不同性能退化状态建立相应的可靠性评估模型,建立退化状态辨识标签与可靠性评估模型之间的映射关系;
结合设备性能退化状态智能辨识结果,并依据相应的可靠性评估模型对设备当前状态下的可靠度与剩余寿命进行计算,对当前核设备可靠性进行评估并输出结果。
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponent Interconnect,简称:PCI)总线或扩展工业标准结构(英文:Extended IndustryStandard Architecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:Random Access Memory,简称:RAM),也可以包括非易失性存储器(英文:Non-Volatile Memory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:Central ProcessingUnit,简称:CPU)、网络处理器(英文:Network Processor,简称:NP)等;还可以是数字信号处理器(英文:Digital Signal Processing,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field-Programmable Gate Array,简称: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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (13)
1.一种基于退化状态智能辨识的核设备可靠性评估方法,其特征在于,包括以下步骤,
获取核设备性能退化状态实时监测数据;
基于获取的监测数据确定对应的关键统计信息,利用关键统计信息确定退化状态个数与区间,建立不同退化状态相应的辨识类别标签;
构建融合深度网络模型进行设备性能退化状态智能辨识,以核设备原始性能退化数据作为输入,在网络层中对不同模态数据进行信息融合,以退化状态标签作为输出;
根据不同性能退化状态建立相应的可靠性评估模型,建立退化状态辨识标签与可靠性评估模型之间的映射关系;
结合设备性能退化状态智能辨识结果,并依据相应的可靠性评估模型对设备当前状态下的可靠度与剩余寿命进行计算,对当前核设备可靠性进行评估并输出结果。
2.根据权利要求1所述的基于退化状态智能辨识的核设备可靠性评估方法,其特征在于:所述核设备性能退化状态实时监测数据包括设备振动加速度数据信息、温度数据信息、流量数据信息、压力数据信息及电流数据信息。
3.根据权利要求2所述的基于退化状态智能辨识的核设备可靠性评估方法,其特征在于:所述基于获取的监测数据确定对应的关键统计信息,利用关键统计信息确定退化状态个数与区间,建立不同退化状态相应的辨识类别标签,具体包括,
获取稳态数据的均方根,采用3σ准则通过计算均值X和标准差σ得出概率区间(X-3σ,X+3σ),超过该区间则认为监测设备进入初期退化状态;
依次获得不同退化状态区间范围,确定至完全失效过程中的退化状态的个数;
利用最大信息系数度量不同类型数据与退化指标之间的相关性;
融合不同数据的相关性计算结果,通过自适应权重对退化状态的区间进行划分,设置对应的退化状态标签。
5.根据权利要求1所述的基于退化状态智能辨识的核设备可靠性评估方法,其特征在于:所述构建融合深度网络模型进行设备性能退化状态智能辨识,具体包括,
构建具有一维卷积神经网络其中包括一维卷积核,一维池化层以及ReLU激活函数通道对所有一维性能退化数据进行特征提取操作;
构建具有二维卷积神经网络其中包括二维卷积神经网络其中,二维池化层以及ReLU激活函数通道对所有二维性能退化数据进行特征提取操作;
构建权重连接层对不同通道提取的高维稀疏特征在末端网络层进行权重融合;
构建具有交叉熵结构的分类损失函数;使用Softmax函数对输出。
6.根据权利要求5所述的基于退化状态智能辨识的核设备可靠性评估方法,其特征在于:所述构建融合深度网络模型进行设备性能退化状态智能辨识,具体还包括如下融合深度网络模型优化过程:
网络结构层优化,通过在设计的融合深度网络模型中测试不同层数,卷积核大小的组合的性能,选择最优的组合进行初步的训练过程优化;
批标准化操作,将数据输入到隐藏网络后再次进行标准化处理,有效防止模型训练中的过拟合,其形式如下:
其中,E(xi)为批神经元的权重均值,Var(xi)为批神经元的权重方差,不同的调节参数通过输入给神经元以进行调整,这些调整参数是通过训练学习到的,在转换后用来对激活进行反向转换,从而增强网络表达能力;
还包括使用边际增量方式对传统Softmax分类器进行优化,具体损失优化过程如下:
其中,N代表训练样本的总数,Li代表某个神经元的损失,Xi为输入神经元矢量,代表相应的权重,/>代表权重矢量和神经元之间的夹角,b代表固定边界偏置项,该结构能够更加显著的突出不同退化状态之间的决策边界;
还包括使用学习率自下降的Adam优化器进行学习率优化,其优化过程如下:
其中ω代表梯度v和s是指数加权移动平均操作过程,dω与dω2,α更新的学习速率,ε和β是调节参数,ε,β1和β2的默认值分别是10-8,0.9and 0.999,α0为初始学习率,N为训练的历元,λ为衰减系数。
7.根据权利要求1所述的基于退化状态智能辨识的核设备可靠性评估方法,其特征在于:所述S400中根据不同性能退化状态建立相应的可靠性评估模型,具体包括,
基于已赋予标签性能退化状态,根据核设备关键参数、故障诊断记录、故障及维修记录这些信息建立相应的可靠性评估模型,包括设备的可靠度函数计算模型,设备寿命累积分布函数模型,以及概率密度函数模型;
其中,所述可靠度函数计算模型、设备寿命累积分布函数模型、概率密度函数模型、剩余寿命的分布函数与概率密度函数计算方法如下:
其中,R(t),F(t),f(t)分别代表可靠度函数计算模型,寿命累积分布函数模型,以及概率密度函数模型,L=T-τ表示τ时刻之后的剩余寿命。
8.一种基于退化状态智能辨识的核设备可靠性评估系统,其特征在于:包括以下单元,
状态监测数据收集模块,用于不同传感器数据实时监测获取核设备的退化状态信息;
智能退化状态辨识模块,构建融合深度网络模型进行设备性能退化状态智能辨识,以所述核设备原始性能退化多类型数据作为输入;以小批量数据形式将所述核设备性能退化数据输入模型,在网络层对不同模态数据进行信息融合,以所述建立的退化状态标签作为输出;
退化状态可靠性评估与剩余寿命计算模块,用于根据不同性能退化状态建立相应的可靠性评估模型,建立退化状态辨识标签与可靠性评估模型之间的映射关系,计算剩余寿命;
设备维修决策支持模块,用于根据设备剩余寿命计算结果对当前设备进行维修决策支持。
9.根据权利要求8所述的一种基于退化状态智能辨识的核设备可靠性评估系统,其特征在于:
所述状态监测数据收集模块,具体包括:
数据采集单元,用于通过传感器收集不同类型的监测数据信息;
滑动窗口处理单元,用于按照设定长度储存窗口监测数据信息,其中包括该窗口数据中与所包含数据分布特性的均值、方差信息;
数据储存单元,用于将不同类型的退化状态的数据进行储存。
10.根据权利要求8所述的一种基于退化状态智能辨识的核设备可靠性评估系统,其特征在于:
所述智能退化状态辨识模块,具体包括:
数据归一化单元,用于对拥有不同类型的输入监测数据进行归一化,进行预处理;
数据增强单元,用于将长时间连续的时域样本划分为不同的样本并充分利用来自于不同设备的相同类型的数据样本;
模型训练优化单元,对网络结构层优化,通过在设计的融合深度网络模型中测试不同层数,卷积核大小的组合的性能,选择最优的组合进行初步的训练过程优化;进行批标准化操作,将数据输入到隐藏网络后再次进行标准化处理,有效防止模型训练中的过拟合,使用边际增量方式对传统Softmax分类器进行优化;使用学习率自下降的Adam优化器进行学习率优化;
退化状态辨识输出单元,用于将退化状态辨识的结果输出以便于对应的可靠性评估模型。
11.根据权利要求8所述的一种基于退化状态智能辨识的核设备可靠性评估系统,其特征在于:
退化状态可靠性评估与剩余寿命预测模块,具体包括:
可靠性评估模型储存单元,用于不同已标签退化状态下根据核设备关键参数、故障诊断记录、故障及维修记录建立并储存相应的可靠性评估模型;
设备可靠性模型包括设备的可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型;
可靠性评估单元,用于相应的模型对核设备当前状态下的可靠性进行评估;
剩余寿命计算单元,用于根据可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型,剩余寿命的分布函数与概率密度函数计算方法如下:
其中,R(t),F(t),f(t)分别代表可靠度函数计算模型,产品寿命累积分布函数模型,以及概率密度函数模型,L=T-τ表示τ时刻后核设备的剩余寿命。
12.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161281.8A CN116384223A (zh) | 2023-02-21 | 2023-02-21 | 基于退化状态智能辨识的核设备可靠性评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161281.8A CN116384223A (zh) | 2023-02-21 | 2023-02-21 | 基于退化状态智能辨识的核设备可靠性评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384223A true CN116384223A (zh) | 2023-07-04 |
Family
ID=86973949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310161281.8A Pending CN116384223A (zh) | 2023-02-21 | 2023-02-21 | 基于退化状态智能辨识的核设备可靠性评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384223A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880359A (zh) * | 2023-09-07 | 2023-10-13 | 天津艺仕机床有限公司 | 一种可信数控系统的测试方法及系统 |
-
2023
- 2023-02-21 CN CN202310161281.8A patent/CN116384223A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116880359A (zh) * | 2023-09-07 | 2023-10-13 | 天津艺仕机床有限公司 | 一种可信数控系统的测试方法及系统 |
CN116880359B (zh) * | 2023-09-07 | 2023-11-10 | 天津艺仕机床有限公司 | 一种可信数控系统的测试方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN111813084B (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
WO2021139279A1 (zh) | 基于分类模型的数据处理方法、装置、电子设备及介质 | |
Dong et al. | Deep transfer learning based on Bi-LSTM and attention for remaining useful life prediction of rolling bearing | |
CN116625438A (zh) | 燃气管网安全在线监测系统及其方法 | |
CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
Zhao et al. | Probabilistic remaining useful life prediction based on deep convolutional neural network | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
Zhou et al. | Trustworthy fault diagnosis with uncertainty estimation through evidential convolutional neural networks | |
CN116451142A (zh) | 一种基于机器学习算法的水质传感器故障检测方法 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN113762716A (zh) | 基于深度学习和注意力的台区运行状态评估方法及系统 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
Dang et al. | seq2graph: discovering dynamic dependencies from multivariate time series with multi-level attention | |
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 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
CN115116614A (zh) | 一种健康状态评估方法、装置、设备及存储介质 | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN112819067A (zh) | 一种配电网不良数据的处理方法、装置、设备和存储介质 | |
CN114298213A (zh) | 基于多维特征向量和分类模型的卫通设备故障诊断方法 |
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 |