CN116680598A - 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 - Google Patents
一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 Download PDFInfo
- Publication number
- CN116680598A CN116680598A CN202310645003.XA CN202310645003A CN116680598A CN 116680598 A CN116680598 A CN 116680598A CN 202310645003 A CN202310645003 A CN 202310645003A CN 116680598 A CN116680598 A CN 116680598A
- Authority
- CN
- China
- Prior art keywords
- distribution box
- data
- neural network
- fault
- dbn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010276 construction Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 230000036541 health Effects 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000005611 electricity Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，包括以下步骤：从配电箱中采集到的数据通过无线网络传输到云平台；搭建基于LSTM的预处理模型、基于DBN的无监督HI的故障诊断模型和基于DBN和IPF的剩余寿命预测模型：将云平台接收到的数据放入神经网络进行训练；通过训练完成后的网络模型对配电箱中的配件进行检测，预测未来一段时间内某个单一零件是否会发生故障以及剩余使用时间，最终将训练结果返回云平台端显示以及是否加以人为干预。本发明相比现有技术，能够更好地维护工地场景下配电箱的使用，提前预知配电箱故障发生的时间，提高维修效率，大大降低人工成本。
Description
技术领域
本发明涉及工地配电箱和深度学习技术领域，尤其涉及一种用于工地智能配电箱的故障诊断和剩余寿命预测方法。
背景技术
随着经济快速的发展，我国的用电量达到空前的高峰，随之也带来了大量电气安全事故。据统计，2011年至2016年，我国共发生电气火灾52.4万起，造成3261人死亡、2063人受伤，直接经济损失92亿余元，均占全国火灾总量及伤亡损失的30％以上，因此做好安全用电相关工作极其重要。
近几年的国内的建设工程项目一直呈现着增长的趋势，对工地安全用电的要求日益严格。与一般的家庭、工厂等场所的用电相比，工地现场由于用电设备种类多、电容量大、工作环境不固定、露天作业、临时使用的特点，更容易引发触电伤亡事故。另外，工地环境也往往存在着强电磁干扰、弱无线通信环境以及极端的雨水气候环境等。传统工地配电箱只是具有供电、漏电保护、过载和短路保护等一些简单的功能，并不能对配电箱内的电气设备进行监测、控制、保护以及分析。另外，由于工地现场安装位置的固定性，使传统配电箱实现位置上的移动非常困难，缺乏便携性。因此，为了提高电力系统的用电安全性，智能配电箱成为当前安全用电技术的研发重点之一。
随着计算机技术的高速发展，计算机视觉已经与诸多产业相结合，在人脸识别、汽车识别等多个领域都有重大的突破性发展。但是在建筑业方面的运用还处于初步阶段。与此同时，随着建筑行业的不断精细化，对施工工地的安全也提出了更高的要求，因此对于施工工地配电箱的各项数据进行实时识别监测有着重要且实用的意义。目前绝大多数工地仍然使用人力去监测工地的配电箱等电力设施，难免会有疏忽和遗漏，且只能在配电箱出故障后再进行维修，效率低下的同时，其准确性也难以保证。因此一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，对于强化工地配电箱管理，保障工人与物资安全，提前预知可能发生的故障，降低人工维修成本，具有很好的实用价值。
发明内容
本发明的目的在于针对现有技术的不足，提供一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，实现对工地配电箱中各部件的故障和剩余寿命预测，可及时发现配电箱中可能出现的问题并提前制定维修方案，并且能够实时查看配电箱的剩余使用时间，有效降低人工监测的劳动力，提升维修效率，有利于智慧安全工地建设的推进。
为达到上述目的，本发明采用以下技术方案：
一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，包括以下步骤：
步骤l、通过配电箱中的通用采集器对相关物理量进行采集，得到采集数据；
步骤2、将采集数据向云平台的传输，通过云平台将采集数据放入搭建好的神经网络；
步骤3、搭建基于LSTM的预处理模型、基于深度神经网络DBN的无监督HI故障诊断模型，并将现有的PF方法改进后融入DBN实现剩余使用时间的预测；
步骤4、利用预处理后的数据训练所有的神经网络模型；
步骤5、通过训练完成后的神经网络对工地智能配电箱进行故障的诊断和剩余寿命的预测，并最终将结果返回云平台。
在上述技术方案的基础上，所述LSTM隐藏层中包含一个记忆单元和三个“门”结构，分别为：输入门、遗忘门以及输出门；损失函数选择均方误差(Mean-Square Error，MSE)：
其中，h为数据真值，h′为数据预测值；
将历史时间序列数据划分训练集、标准化、数据分割，生成一维向量{xk，k＝1，2，...，L}，然后将这k个生成的一维向量输入到LSTM的L个隐藏层结构中，最后，输出未来一段时间内参数的预测结果{ok，k＝1，2，...，L}。
在上述技术方案的基础上，所述深度神经网络DBN用于分类数据并提取该类数据特征，所述深度神经网络DBN由多个RBM堆叠组成，网络结构主要为一个显层和一个隐层，层间存在链接，层内单元互不关联，所述显层用于数据的接收，隐层用于特征提取，最顶部两层无向链接，最底层代表数据向量，所述DBN网络的输入为神经网络LSTM的输出数据ok，输出作为健康指数HI构建的特征向量集。
在上述技术方案的基础上，所述深度神经网络DBN训练过程逐层进行，每层使用数据向量来推断隐层，再将隐层作为下一层的数据向量来输入，所述深度神经网络DBN向上训练结束后，通过反向传播，得到并调优每层状态。
在上述技术方案的基础上，所述健康指数HI是通过神经网络DBN无监督学习得到的特征量化得到，HI降级过程即为故障即将发生的过程，通过神经网络DBN学习得到的特征，可以将此特征用于区分数据中的故障状态和降级状态，即当故障状态下HI降级为0，此时自动获得故障时间FT。
在上述技术方案的基础上，所述剩余寿命预测模型通过将神经网络DBN和改进后的粒子滤波PF集成后得到，所述改进后的粒子滤波PF通过在基础粒子滤波基础上加入模糊推理系统，有效提高粒子多样性，避免粒子简并问题提高重采样准确性，所述改进后的粒子滤波PF的输入为构建的健康指标HI，用于预测健康指数HI下降趋势得到剩余寿命时间。
在上述技术方案的基础上，改进后的粒子滤波PF具体为：
步骤A、将神经网络DBN输出的特征向量集，进行归一化处理，然后选取合适的特征层大小，将输入变量投影得到一个特征集zi，同时也可都得到一个故障特征集zfault，由此便可以表示hi，hi的值在0到1之间，0表示达到故障，1表示完全正常：
hi＝min(∥zi-zfault∥2)
步骤B、将构建的hi作为粒子滤波的输入，即不同时刻的测量向量，首先进行粒子初始化N表示粒子数量，并使用先验概率生成p(x0)；粒子更新使用的动态方程为xk＝f(xk-1)+wk-1，zk＝h(xk)+vk，其中xk表示k时刻的目标状态向量，zk表示k时刻的测量向量；然后进行粒子权重更新/> 其中/>表示重要性密度函数，/>表示系统观测模型对应的观测概率密度，/>表示状态转移概率密度是否对应于系统状态转移；随后将权重通过MF方程(Membership Functions)进行平滑处理，将处理后的权重进行归一化得到/>按照1/N重采样获得新的粒子/>最终可以使用新的粒子和权重来估计新的状态，即：/>
所述剩余寿命预测模型通过当前估计的状态和参数对未来健康指数HI进行预测，进而得到剩余使用时间，具体的为，根据健康指数HI有t个测量值，基于SMC方法，状态/>在t时刻的后验概率密度函数为/> δ(·)是狄拉克函数，N是粒子数量，xt表示当前t时刻输入的设备运行记录，/>表示t时刻权重，z0：t代表从0到t，由此预测k步后的概率密度函数为/>此时状态预测值为/> 最后通过状态模型外推粒子状态，直到达到故障时间FT，所经历的k个时刻周期即为剩余寿命时间。
优选的，所述通过搭建网络DBN-IPF(IPF：Improved PF)和网络DBN-PF对比进行性能验证，所述首先提出性能指标AI和PI，对应公式分别为Al＝|RULt-RULe|，PI＝H_CI-L_CI，其中RULt为真实剩余寿命，RULe为估计剩余寿命，H_CI和L_CI分别表示95％置信度下剩余寿命估计置信区间的上界和下届。AI和PI的值均为越小越好。所述选取5000个粒子作为参照构建HI下降曲线，通过实验发现DBN-IPF构建的HI曲线更为平滑，在相同的初始预测时间(绿线)下，DBN-IPF估计的故障时间概率密度函数比DBN-PF更高更窄；经过计算本次实验的真实剩余寿命为108个周期DBN-IPF与DBN-PF预测的周期分别为99和95，DBN-IPF在AI值方面表现更为优异；经过计算DBN-IPF与DBN-PF的PI值分别为47和42，DBN-IPF在PI值方面表现更为优异，所述综上可以得出结论，本文所构建DBN-IPF模型具有创新性，且性能比起传统模型更为优异。
优选的，所述通过神经网络对工地智能配电箱进行故障预测，若出现故障可能，则提前通过云平台警告并提供相应维修措施；所述剩余寿命预测将通过云平台在终端设备上实时显示可用时间。
因为本发明采用上述技术方案，因此具备以下有益效果：
本发明从配电箱中采集到的数据通过无线网络传输到云平台；搭建基于LSTM(长短时记忆网络)的预处理模型、基于DBN(深度信念网络)的无监督HI(健康指标)的故障诊断模型和基于DBN和IPF(改进粒子滤波)的剩余寿命预测模型；将云平台接收到的数据放入神经网络进行训练；通过训练完成后的网络模型对配电箱中的配件进行检测，预测未来一段时间内某个单一零件是否会发生故障以及剩余使用时间，最终将训练结果返回云平台端显示以及是否加以人为干预。本发明结合工地配电箱和深度学习网络模型，采用相应神经网络来判断配电箱是否会发生故障以及获取配电箱剩余使用时间，相比现有技术，能够更好地维护工地场景下配电箱的使用，提前预知配电箱故障发生的时间，提高维修效率，大大降低人工成本。
附图说明
图1为本发明的流程示意图。
图2(a)为本发明的神经网络模型LSTM结构图。
图2(b)为本发明的LSTM隐藏结构图。
图3(a)为本发明的神经网络模型DBN隐藏层框架图。
图3(b)为本发明的神经网络模型DBN框架图。
具体实施方式
下面结合说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，包括以下步骤：
1、通过配电箱中的通用采集器对相关物理量进行采集，得到采集数据；
2、将采集数据向云平台的传输，通过云平台将采集数据放入搭建好的神经网络；
3、搭建基于LSTM的预处理模型、基于深度神经网络DBN的无监督HI故障诊断模型，并将现有的PF方法改进后融入DBN实现剩余使用时间的预测；
4、利用预处理后的数据训练所有的神经网络模型；
5、通过训练完成后的神经网络对工地智能配电箱进行故障的诊断和剩余寿命的预测，并最终将结果返回云平台进行人为处理。
所述通用采集器采集的物理量包括电压、电流、线路温度、模块温度、能耗、剩余电流、功率、环境温度等。
所述对数据集的按照比例划分为包括划分训练集、验证集，所述训练集用于整体模型搭建好后的验证。
所述云平台用来分析处理工地智能配电箱中每个配件的数据，并在终端上进行实时显示。
所述神经网络LSTM(Long-Short Term Memory)，通过历史时间序列来预测未来一段时间内各物理量的变化趋势，并以此作为故障诊断的基础，其模型如图2(a)所示。将历史时间序列数据划分训练集、标准化、数据分割，生成一维向量{xk，k＝1，2，...，L}。然后将这k个历史数据输入到LSTM的L个隐藏层结构中。LSTM的隐藏结构如图2(b)所示，其中包含着输入门、遗忘门以及输出门。遗忘门用来选择忘记之前没有用的信息；输入门决定前一记忆单元中的哪些相关信息需要存储到神经元状态中；输出门用来决定将神经元状态的某一部分进行输出。xt表示当前t时刻输入的设备运行记录，ht-1表示上一个t-1时刻的输出，st表示当前t时刻神经元的状态值；t时刻以前的历史信息矩阵作为神经元状态。最后，输出未来一段时间内参数的预测结果{ok，k＝1，2，...，L}。
所述神经网络DBN(Deep Belief Network)由多个RBM(Restricted BoltzmannMachine)堆叠组成，网络结构主要为一个显层和一个隐层，层间存在链接，层内单元互不关联；所述显层用于数据的接收，隐层用于特征提取，最顶部两层无向链接，最底层代表数据向量；神经网络DBN中前一个RBM的输出作为下一个RBM的输入，每层使用数据向量来推断隐层，再将隐层作为下一层的数据向量来输入，如图3(a)为本发明的神经网络模型DBN隐藏层框架图。所述神经网络DBN的调优过程使用贪婪的分层训练方法进行训练，训练大致流程为：DBN将输入数据进行从上到下的传输并提取特征，使用CD(Contrastive Divergence)算法从上至下分层预训练迭代更新权重；然后DBN内部通过从上到下传输特征来实现输入数据的重构，将输入数据与重构数据之间的均方差(MSE)作为评价指标，通过反向传播实现整个网络权重的微调。所述整体DBN架构如图3(b)所示，DBN网络的输入为神经网络LSTM的输出数据ok，输出作为健康指数HI构建的特征向量集。
所述健康指数HI(Health Indicator)是通过神经网络DBN无监督学习得到的特征量化得到，HI降级过程即为故障即将发生的过程。通过神经网络DBN学习得到的特征，可以将此特征用于区分数据中的故障状态和降级状态，即当故障状态下HI降级为0，此时自动获得故障时间FT。
将神经网络DBN输出的特征向量集，进行归一化处理，然后选取合适的特征层大小，将输入变量投影得到一个特征集zi，同时也可都得到一个故障特征集zfault，由此便可以表示hi，hi的值在0到1之间，0表示达到故障，1表示完全正常：
hi＝min(∥zi-zfault∥2)
所述剩余寿命预测模型通过将神经网络DBN和改进后的粒子滤波PF集成后得到，所述改进粒子滤波PF用于预测健康指数HI下降趋势。
所述粒子滤波PF是一种基于贝叶斯估计的算法，使用大量随机样本，通过蒙特卡洛仿真技术来完成贝叶斯递推滤波过程；所述粒子滤波PF在此用于预测HI的下降过程。粒子滤波PF存在较为严重的粒子简并现象，所述改进粒子滤波通过引入模糊推理系统来提高重采样前的粒子多样性。
将构建的hi作为粒子滤波的输入，即不同时刻的测量向量，首先进行粒子初始化N表示粒子数量，并使用先验概率生成p(x0)；粒子更新使用的动态方程为xk＝f(xk-1)+wk-1，zk＝h(xk)+vk，其中xk表示k时刻的目标状态向量，zk表示k时刻的测量向量；然后进行粒子权重更新/>其中/>表示重要性密度函数，表示系统观测模型对应的观测概率密度，/>表示状态转移概率密度是否对应于系统状态转移；随后将权重通过MF方程(Membership Functions)进行平滑处理，将处理后的权重进行归一化得到/>按照1/N重采样获得新的粒子/>最终可以使用新的粒子和权重来估计新的状态，即：/>
所述剩余寿命预测模型通过当前估计的状态和参数对未来HI进行预测，进而得到剩余使用时间。
首先假设HI由t个测量值，基于SMC(Sequential Monte Carlo)方法，状态变量在t时刻的后验概率密度函数为δ(·)是狄拉克函数，N是粒子数量，xt表示当前t时刻输入的设备运行记录，/>表示t时刻权重，z0：t代表从0到t，由此预测k步后的概率密度函数为/> 比时状态预测值为/>最后通过状态模型外推粒子状态，直到达到故障时间FT，所经历的k个时刻即为剩余寿命时间。
所述通过神经网络对工地智能配电箱进行故障诊断，通过云平台警告并提供相应人为干预；所述剩余寿命预测将通过云平台在终端设备上实时显示可用时间。
本发明结合工地配电箱和深度学习网络模型，采用相应神经网络来判断是否会发生故障以及获取配电箱剩余使用时间，相比现有技术，能够更好地维护工地场景下配电箱的使用，提前警告配电箱可能发生的故障，提高维修效率，大大降低人工成本。
以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (7)
1.一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，其特征在于，包括以下步骤：
步骤1、通过配电箱中的通用采集器对相关物理量进行采集，得到采集数据；
步骤2、将采集数据向云平台的传输，通过云平台将采集数据放入搭建好的神经网络模型；
步骤3、搭建基于LSTM的预处理模型、基于深度神经网络DBN的无监督HI故障诊断模型，并将现有的PF方法改进后融入DBN实现剩余使用时间的预测；
步骤4、利用预处理后的数据训练所有的神经网络模型；
步骤5、通过训练完成后的神经网络模型对工地智能配电箱进行故障的诊断和剩余寿命的预测，并最终将结果返回云平台。
2.如权利要求1所述的一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，其特征在于，LSTM的隐藏层中包含一个记忆单元和三个“门”结构，分别为：输入门、遗忘门以及输出门；损失函数选择均方误差：
其中，h为数据真值，h′为数据预测值：
将历史时间序列数据划分训练集、标准化、数据分割，生成一维向量{xk，k＝1，2，...，L}，然后将这k个生成的一维向量输入到LSTM的L个隐藏层结构中，最后，输出未来一段时间内参数的预测结果{ok，k＝1，2，...，L}。
3.如权利要求1所述的一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，其特征在于：所述深度神经网络DBN用于分类数据并提取该类数据特征，所述深度神经网络DBN由多个RBM堆叠组成，网络结构主要为一个显层和一个隐层，层间存在链接，层内单元互不关联，所述显层用于数据的接收，隐层用于特征提取，最顶部两层无向链接，最底层代表数据向量，所述DBN网络的输入为神经网络LSTM的输出数据ok，输出作为健康指数HI构建的特征向量集。
4.如权利要求3所述的一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，其特征在于，所述深度神经网络DBN训练过程逐层进行，每层使用数据向量来推断隐层，再将隐层作为下一层的数据向量来输入，所述深度神经网络DBN向上训练结束后，通过反向传播，得到并调优每层状态。
5.如权利要求4所述的一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，其特征在于，所述健康指数HI是通过神经网络DBN无监督学习得到的特征量化得到，HI降级过程即为故障即将发生的过程，通过神经网络DBN学习得到的特征，可以将此特征用于区分数据中的故障状态和降级状态，即当故障状态下HI降级为0，此时自动获得故障时间FT。
6.如权利要求1所述的一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，其特征在于，所述剩余寿命预测模型通过将神经网络DBN和改进后的粒子滤波PF集成后得到，所述改进后的粒子滤波PF通过在基础粒子滤波基础上加入模糊推理系统，有效提高粒子多样性，避免粒子简并问题提高重采样准确性，所述改进后的粒子滤波PF的输入为构建的健康指标HI，用于预测健康指数HI下降趋势得到剩余寿命时间。
7.如权利要求1所述的一种用于工地智能配电箱的故障诊断和剩余寿命预测方法，其特征在于，改进后的粒子滤波PF具体为：
步骤A、将神经网络DBN输出的特征向量集进行归一化处理，然后选取合适的特征层大小，将输入变量投影得到一个特征集zi，同时也可都得到一个故障特征集zfault，由此便可以表示hi，hi的值在0到1之间，0表示达到故障，1表示完全正常：
hi＝min(∥zi-zfault∥2)
步骤B、将构建的hi作为粒子滤波的输入，即不同时刻的测量向量，首先进行粒子初始化N表示粒子数量，并使用先验概率生成p(x0)；粒子更新使用的动态方程为xk＝f(xk-1)+wk-1，zk＝h(xk)+vk，其中xk表示k时刻的目标状态向量，zk表示k时刻的测量向量；然后进行粒子权重更新/> 其中/>表示重要性密度函数，/>表示系统观测模型对应的观测概率密度，/>表示状态转移概率密度是否对应于系统状态转移；随后将权重通过MF方程进行平滑处理，将处理后的权重进行归一化得到/>按照1/N重采样获得新的粒子/>最终可以使用新的粒子和权重来估计新的状态，即：
所述剩余寿命预测模型通过当前估计的状态以及后验概率对未来健康指数HI进行预测，进而得到剩余使用时间，具体的为，根据健康指数HI有t个测量值，基于SMC方法，状态/>在t时刻的后验概率密度函数为/> δ(·)是狄拉克函数，N是粒子数量，xt表示当前t时刻输入的设备运行记录，/>表示t时刻权重，z0：t代表从0到t，由此预测k步后的概率密度函数为/>此时状态预测值为/> 最后通过公式外推未来粒子状态即未来时刻的HI值，直到达到故障时间FT，所经历的k个时刻即为剩余寿命时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645003.XA CN116680598A (zh) | 2023-06-01 | 2023-06-01 | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645003.XA CN116680598A (zh) | 2023-06-01 | 2023-06-01 | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116680598A true CN116680598A (zh) | 2023-09-01 |
Family
ID=87781751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310645003.XA Pending CN116680598A (zh) | 2023-06-01 | 2023-06-01 | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116680598A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117134507A (zh) * | 2023-10-27 | 2023-11-28 | 南京中鑫智电科技有限公司 | 基于智能群体关联的全站容性设备在线监测方法及系统 |
-
2023
- 2023-06-01 CN CN202310645003.XA patent/CN116680598A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117134507A (zh) * | 2023-10-27 | 2023-11-28 | 南京中鑫智电科技有限公司 | 基于智能群体关联的全站容性设备在线监测方法及系统 |
| CN117134507B (zh) * | 2023-10-27 | 2024-01-02 | 南京中鑫智电科技有限公司 | 基于智能群体关联的全站容性设备在线监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
| CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
| CN102289590B (zh) | Sf6高压断路器运行状态评估方法及智能系统 | |
| CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
| CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
| CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
| CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
| CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
| CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
| CN116680598A (zh) | 一种用于工地智能配电箱的故障诊断和剩余寿命预测方法 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
| CN114154766B (zh) | 雷电动态预测下电网的易损性预警方法及系统 | |
| CN113484749A (zh) | 发电机故障诊断及预测方法 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN113895271A (zh) | 基于深度学习的电动汽车大功率直流充电状态监测和故障预警方法 | |
| CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN114492578A (zh) | 一种基于bp神经网络的电气设备运行数据分类方法 | |
| CN111381573B (zh) | 一种工业控制系统安全性的预测方法和系统 | |
| Gao et al. | The design of the prognostics and health management system for special vehicle |
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 |