CN116738859A - 一种铜管在线无损寿命评估方法及系统 - Google Patents
一种铜管在线无损寿命评估方法及系统 Download PDFInfo
- Publication number
- CN116738859A CN116738859A CN202310794413.0A CN202310794413A CN116738859A CN 116738859 A CN116738859 A CN 116738859A CN 202310794413 A CN202310794413 A CN 202310794413A CN 116738859 A CN116738859 A CN 116738859A
- Authority
- CN
- China
- Prior art keywords
- data
- copper pipe
- time
- copper
- pipe
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 216
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 216
- 239000010949 copper Substances 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims description 24
- 239000012530 fluid Substances 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000001066 destructive effect Effects 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 abstract description 2
- 239000010959 steel Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 17
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及钢管检测的技术领域,特别是涉及一种铜管在线无损寿命评估方法,其操作简单并且评估精度高;所述方法包括:S1、控制精密仪器在特定环境下运行特定时长;S2、获取铜管在特定时长内的各项运行数据;S3、将各项运行数据按预设的时间跨度进行分割,并计算每个时间跨度内的数据均值;S4、将相同时间跨度内各项运行数据的均值按照时间顺序依次排列,得到铜管运行状态的实时矩阵;S5、利用预先训练的管件寿命评估模型对铜管运行状态的实时矩阵进行识别,得到铜管的寿命特征矩阵,并输出与寿命特征矩阵相对应的铜管剩余使用寿命。
Description
技术领域
本发明涉及钢管检测的技术领域,特别是涉及一种铜管在线无损寿命评估方法及系统。
背景技术
在一些精密仪器中,均使用到铜管进行流体介质的传递、输送,铜管作为仪器的重要组成部分,铜管的使用寿命直接影响仪器的工作效率;铜管是一种优秀的导热材料,且易于加工成精密管道。但是,铜管在使用过程中会受到腐蚀、磨损和应力等多种因素的影响,导致铜管难以继续使用,因此需要对铜管进行评估判断其是否需要更换。
现有的判断方法有两种,一种是根据铜管的设计寿命进行定期更换,由于铜管的使用环境均有所不同,因此该方法难以适用于全部的仪器使用,同时铜管的设计寿命在设计时均有所保留,也就是说可能铜管还能够继续使用时,但是该铜管已经达到了他的设计寿命年限,无形中增加了设备成本。第二种方法是将铜管拆卸下来,对铜管内部的腐蚀等情况进行微观检测,该方法影响仪器的正常使用,并且需要专业人员检测,操作复杂。
发明内容
为解决上述技术问题,本发明提供一种操作简单并且评估精度高的铜管在线无损寿命评估方法。
第一方面,本发明提供了一种铜管在线无损寿命评估方法,所述方法包括:
S1、控制精密仪器在特定环境下运行特定时长;
S2、获取铜管在特定时长内的各项运行数据;
S3、将各项运行数据按预设的时间跨度进行分割,并计算每个时间跨度内的数据均值;
S4、将相同时间跨度内各项运行数据的均值按照时间顺序依次排列,得到铜管运行状态的实时矩阵;
S5、利用预先训练的管件寿命评估模型对铜管运行状态的实时矩阵进行识别,得到铜管的寿命特征矩阵,并输出与寿命特征矩阵相对应的铜管剩余使用寿命;
其中所述管件寿命评估模型采用卷积神经网络,运算公式为:
S(x,y)=∑p∑qZ(x+p,y+q)*W(p,q)+b;
其中,p和q表示卷积核窗口相对于铜管运行状态实时矩阵原点的偏移量;x和y分别表示寿命特征矩阵中元素的行号和列号索引;x+p和y+q分别表示卷积核滑动窗口在铜管运行状态实时矩阵上的索引位置;S(x,y)是运算后得到的寿命特征矩阵中的元素;Z(x+p,y+q)是铜管运行状态实时矩阵中对应位置的元素;W(p,q)是卷积核中的权重;b为常量偏置项;∑p∑q表示对于铜管运行状态实时矩阵上的卷积核窗口中的每个元素进行求和操作。
另一方面,本申请还提供了一种铜管在线无损寿命评估方法系统,所述系统包括:
环境控制模块,用于在控制精密仪器的运行环境,包括进入铜管内流体的初始流速、流体的初始压力和流体的初始温度;
数据采集模块,用于采集铜管的各项运行数据并发送,其中运行数据包括振动数据、热辐射数据、压力数据和电阻数据;
数据处理模块,用于接收数据采集模块发送的各项运行数据,并对各项运行数据进行预处理,并将各项运行数据按预设的时间跨度进行分割,并计算每个时间跨度内的数据均值;再将相同时间跨度内各项运行数据的均值按照时间顺序依次排列,得到铜管运行状态的实时矩阵,并发送;
寿命预测模块,用于接收实时矩阵,并利用预先存储并训练过的管件寿命评估模型对铜管运行状态的实时矩阵进行识别,得到铜管此时的剩余使用寿命,并根据剩余使用寿命生成评估报告,并发送;
用户界面模块,用于接收评估报告,并提供人机交互界面,供用户查看铜管评估报告,并进行报警、警报。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
进一步地,所述特定环境包括进入铜管内流体的初始流速、流体的初始压力和流体的初始温度。
进一步地,所述运行数据包括振动数据、热辐射数据、压力数据和电阻数据。
进一步地,所述S3通过以下步骤实现:
S31、根据铜管运行情况和评估需要,设定每个时间跨度的长度;
S32、将铜管各项运行数据按照时间顺序进行分割,使得每个时间段内的数据量相等;
S33、对于每个时间跨度内的各项运行数据,计算它们各自的平均值;
所述运行特定时长为T,时间跨度为Δt,数据总量为N,每个时间跨度内的数据量为N/[(T/Δt)+1];
对于第i个时间跨度内的数据,索引范围可以表示为:[N/[(T/Δt)+1]]i-1到[N/[(T/Δt)+1]]i,其中i从1到[(T/Δt)+1];
每个时间跨度内的运行数据平均值计算公式为:
μi=(1/Ni)*Σ(Xi);
其中,Xi为第i个时间跨度内的数据;Ni为第i个时间跨度内的数据量;μi为第i个时间跨度内的运行数据平均值。
进一步地,所述S4通过以下步骤实现:
S41、根据运行数据确定实时矩阵每一行所代表的特征:
S42、根据S31中设定的时间跨度确定实时矩阵每一列所代表的时间跨度:
S43、将每个时间跨度内各项运行数据的均值组成一列,按照时间顺序依次排列,形成实时矩阵;
S44、对实时矩阵进行归一化处理。
进一步地,所述管件寿命评估模型采用卷积神经网络,所述管件寿命评估模型的构建方法包括:
S51、获取足量的铜管运行数据,形成数据集;
S52、将数据集划分为训练集、验证集和测试集,采用8:1:1的比例划分;
S53、根据管件寿命评估模型的应用需求,定义卷积神经网络结构;
S54、将训练集和验证集导入到管件寿命评估模型中进行训练、验证,并调整管件寿命评估模型结构参数;
S55、将测试集导入到管件寿命评估模型中,评估管件寿命评估模型的性能,并根据评估结果对管件寿命评估模型进行优化。
进一步地,所述S51中获取能够用于管件寿命评估模型训练的铜管运行数据的方法包括:
S511、模拟铜管的真实应用环境;
S512、控制多根全新铜管同时进行二十四小时不间断的运转试验,直至铜管经人工判断无法继续使用;
S513、间隔一定时长,同时采集多根铜管在特定时长内的运行数据,并记录此时铜管的运行时长;
S514、统计不同铜管的实际使用寿命;
S515、利用S514中统计的铜管实际使用寿命减去S513中记录的若干运行时长即得到铜管在对应的运行数据下的剩余使用寿命;
S516、通过S513的采集和S514的计算,铜管不同的剩余使用寿命均对应着多组运行数据;
S517、将得到的多组运行数据进行如S3和S4步骤的处理,即得到可以用来对管件寿命评估模型进行训练的数据集。
进一步地,所述S513在采集铜管运行数据时,铜管的运行环境与S1中的特定环境相同;所述S513中的特定时长与S2中的特定时长相同;所述S515在进行计算时,采用的铜管实际使用寿命和运行时长均为同一根铜管上采集的数据。
与现有技术相比本发明的有益效果为:
1、在线评估:整个评估过程可以在线进行,不需要停止精密仪器的运行,避免了因停机造成的不必要的测量误差和生产线停滞的成本。
2、精度高:该方法对铜管的运行状态进行多维度监测和评估,通过对实时矩阵进行识别,得到铜管的剩余使用寿命,评估精度较高。
3、操作简单:该方法只需获取铜管各项运行数据,再进行简单的处理和识别即可,操作简单便于实施。
附图说明
图1是铜管在线无损寿命评估方法的逻辑流程图;
图2是将运行数据转换为实时矩阵的流程图;
图3是构建管件寿命评估模型的流程图;
图4是获取构建模型时所需要的训练数据集的流程图;
图5是铜管在线无损寿命评估系统的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图4所示,本发明的一种铜管在线无损寿命评估方法,所述方法包括:
S1、控制精密仪器在特定环境下运行特定时长;
为了保证评估结果的可靠性,在本步骤中采用控制变量法,铜管的在线无损寿命评估需要在特定环境中运行,即保持精密仪器的运行状态相同,均在同样的特定环境下进行评估。
具体来说,精密仪器运行的特定环境包括:在进入铜管内流体的初始流速、流体的初始压力和流体的初始温度等;这些参数可以通过控制变量法来保持不变;以便于后续对别在相同的特定环境下,铜管在不同时期的其他相关运行数据的变化。
总之,S1步骤采用的控制变量法有助于通过精确的实验设计,确保铜管在线无损寿命评估实验的可靠性和准确性,从而更好地评估其寿命和性能。
S2、获取铜管在特定时长内的各项运行数据;
在本步骤中,铜管在运行过程中会产生各种运行数据,这些数据是评估铜管寿命的重要依据;获取这些数据的过程需要在线监控铜管,通过一系列传感器和仪器采集各种运行数据,所述运行数据包括但不限于以下几类:
振动数据:铜管在运行过程中会产生振动,振动数据包括振幅、频率、相位等参数,这些参数反映了铜管的运行状态和振动特性;具体的,采用振动传感器安装在铜管表面上进行捕获,在铜管运转过程中得到的振动信号通常都是复杂的,需要进行信号处理;振动监测通常使用加速度传感器、速度传感器和位移传感器等多种类型传感器,测量的参数包括振动的速度、频率和位移等。
热辐射数据:热辐射数据包括铜管表面的温度变化,通过测量铜管表面的热辐射数据可以获取铜管的热状态信息,有助于了解铜管的热衰退情况;具体的,采用红外线热像仪或红外温度计进行测量;红外线热像仪可以同时获得一幅铜管的温度分布图像,从而了解铜管的整体热状态;红外温度计可以在铜管表面进行点测量,得到铜管的表面温度数据。
压力数据:铜管内部的液体或气体会对管壁产生压力,通过测量铜管输出端的压力变化,可以了解铜管的受力情况;具体的,需要在精密设备组装过程中,在铜管的输出端安装压力传感器或流量计等仪器,测量铜管内部的液体的压力、流量等数据;通过这些数据,可以了解铜管在不同工况下的压力和流量变化情况。
电阻数据:铜管的电阻值会随着时间和使用次数的增加而发生变化,通过测量铜管电阻值的变化,可以评估铜管的老化和磨损程度;具体的,采用电阻测量仪进行测量,需要注意的是,在测量过程中要保证电阻测量仪两端子在铜管上的位置相同,从而得到铜管电阻值的变化情况。
以上只是铜管运行数据的一部分,根据具体情况和需要,还可以采集其他类型的运行数据,其他能够被获取及利用的参数也均在本发明的保护范围内。
更为具体的,在获取铜管的运行数据之后,需要对这些数据进行预处理,数据预处理是数据分析和建模的重要步骤,在铜管在线无损寿命评估中也同样重要,对于采集到的各种原始数据,需要进行以下预处理和清洗:
数据清洗:通过检测和筛选,去除异常值,剔除干扰数据;例如,铜管振动数据中可能存在故障数据,需要将其识别和去除,以保证模型的准确性和泛化能力;
数据特征提取:特征提取可以将原始数据转化为具有实际意义的特征;对于铜管振动、温度、压力和电阻等数据,可以提取出各种特征,包括各种统计量、频谱特征等方面的指标,以便后续的建模和分析;
数据归一化:通过标准化和归一化等方法,将各种特征列的值统一到相同的区间范围内,使其更易于处理;例如,将铜管各项运行数据进行标准化,可以使其具有相同的量纲,方便后续的建模和分析;
数据降维:对于数据特征过于冗余的情况,采用降维技术;主成分分析、线性判别分析等常用的降维算法可以去除数据中不重要的特征并保留数据的重要特征,以减少计算量;
以上是数据预处理的部分流程,具体的预处理方法需要根据具体的情况和需要进行选择和应用。
S3、将各项运行数据按预设的时间跨度进行分割,并计算每个时间跨度内的数据均值;
具体在本步骤中,要将铜管的各项运行数据进行分割,并按照预设的时间跨度进行划分,然后对于每个时间跨度内的数据进行求平均值,具体的操作步骤如下:
S31、确定时间跨度:根据铜管运行情况和评估需要,设定每个时间跨度的长度;例如,可以设定每个时间跨度为5分钟、10分钟或30分钟等;
S32、对数据进行分割:将铜管各项运行数据按照时间顺序进行分割,使得每个时间段内的数据量相等;可以采用基于时间的方法进行数据分割;
S33、计算各项运行数据的平均值:对于每个时间跨度内的各项运行数据,计算它们的平均值;例如,对于振动数据,可以计算每个时间跨度内振动信号的平均值,从而得到铜管在这段时间内的振动状态;
所述运行特定时长为T,时间跨度为Δt,数据总量为N,每个时间跨度内的数据量为N/[(T/Δt)+1];
对于第i个时间跨度内的数据,索引范围可以表示为:[N/[(T/Δt)+1]]i-1到[N/[(T/Δt)+1]]i,其中i从1到[(T/Δt)+1];
每个时间跨度内的运行数据平均值计算公式为:
μi=(1/Ni)*Σ(Xi);
其中,Xi为第i个时间跨度内的数据;Ni为第i个时间跨度内的数据量;μi为第i个时间跨度内的运行数据平均值。
通过S3步骤的处理,可以将铜管的各项运行数据按时间顺序进行有序化,而且可以通过对每个时间跨度进行采样和取平均值,减少数据的冗余和噪声,从而为后续的评估和建模提供更加可靠和有效的数据。
S4、将相同时间跨度内各项运行数据的均值按照时间顺序依次排列,得到铜管运行状态的实时矩阵;
具体的,在S4步骤中,需要将经过S3处理后的各项运行数据按照相同的时间跨度排列成实时矩阵,使其能够被后续的管件寿命评估模型识别;矩阵中每一列对应一个时间跨度,每一行对应一个特征,具体包括以下步骤:
S41、确定每一行所代表的特征:不同的特征提供不同的信息,例如,振动、温度、压力、电阻等,根据需要选择需要考察的特征;例如,可以确定该矩阵中有几行对应振动、温度、压力、电阻等不同的特征;
S42、确定每一列所代表的时间跨度:根据S3步骤中的时间跨度设定,确定每一列所代表的时间跨度;
S43、将每个时间跨度内各项运行数据的均值组成一列,按照时间顺序依次排列,形成实时矩阵;例如,在铜管实时运行过程中,可以每隔5分钟获取一次数据,然后在S3步骤中计算出每个5分钟内各项运行数据的均值,并组成实时矩阵;
S44、对实时矩阵进行归一化处理:由于实时矩阵中不同特征对应的计量单位不同,需要对其进行归一化处理,使得不同特征的计量单位相同;
完成上述操作后,将运行数据转换成实时矩阵,如表1所示,表1为运行数据转换记录表,将表1中的行表头和列表头删除即得到实时矩阵。
表1运行数据转换记录表
S5、利用预先训练的管件寿命评估模型对铜管运行状态的实时矩阵进行识别,得到铜管的寿命特征矩阵,并输出与寿命特征矩阵相对应的铜管剩余使用寿命;
具体的,所述管件寿命评估模型采用循环神经网络、卷积神经网络等神经网络模型,通过使用神经网络模型来学习铜管运行数据与其剩余使用寿命之间的复杂关系。
在将管件寿命评估模型实际应用之前,需要对管件寿命评估模型进行构建,以管件寿命评估模型采用卷积神经网络为例,构建步骤如下:
S51、数据收集和预处理:首先需要收集足量的铜管运行数据,并对数据进行处理,如去噪、去趋势等,以保证数据的可靠性及统一性;为了获取充足的数据对管件寿命评估模型进行训练,收集足量的铜管运行数据具体包括以下步骤:
S511、模拟铜管的真实应用环境;
S512、控制多根全新铜管同时进行二十四小时不间断的运转试验,直至铜管经人工判断无法继续使用;
S513、间隔一定时长,同时采集多根铜管在特定时长内的运行数据,并记录此时铜管的运行时长;
S514、统计不同铜管的实际使用寿命;
S515、利用S514中统计的铜管实际使用寿命分别减去S513中记录的若干运行时长即得到铜管在对应的运行数据下的剩余使用寿命;
S516、通过S513的采集和S514的计算,铜管不同的剩余使用寿命均对应着多组运行数据;
S517、将得到的多组运行数据进行如S3和S4步骤的处理,即得到可以用来对管件寿命评估模型进行训练的数据集;
管件寿命评估模型采用卷积神经网络,计算公式如下:
S(x,y)=∑p∑qZ(x+p,y+q)*W(p,q)+b;
其中,p和q表示卷积核窗口相对于铜管运行状态实时矩阵原点的偏移量;x和y分别表示寿命特征矩阵中元素的行号和列号索引;x+p和y+q分别表示卷积核滑动窗口在铜管运行状态实时矩阵上的索引位置;S(x,y)是运算后得到的寿命特征矩阵中的元素;Z(x+p,y+q)是铜管运行状态实时矩阵中对应位置的元素;W(p,q)是卷积核中的权重;b为常量偏置项;∑p∑q表示对于铜管运行状态实时矩阵上的卷积核窗口中的每个元素进行求和操作。
这里需要注意的是,采集铜管运行数据时,铜管的运行环境应与S1中的特定环境相同;同时特定时长与S2中的特定时长相同。在模拟铜管的真实应用环境中,可以采用精密仪器本身,也可以直接采用循环泵对铜管进行试验,这里需要控制进入铜管的流体种类应与实际运行中的液体种类相同,同时还要能够在数据采集时控制进入铜管内流体的初始流速、流体的初始压力和流体的初始温度等。另外,在S515中进行计算时,要确保采用的实际使用寿命和记录的运行时长均为同一根铜管上采集的数据。通过多根铜管同时进行数据采集,确保能够同时获取大量真是并且能够利用的试验数据。
S52、数据划分:将数据集划分为训练集、验证集和测试集,通常采用8:1:1或7:2:1的比例划分。
S53、网络结构设计:根据实际情况,定义适当的卷积神经网络结构。卷积神经网络结构包括多个卷积层、池化层、全连接层等,一般采用Keras、PyTorch等框架进行搭建。
S54、管件寿命评估模型训练:将训练集、验证集导入到卷积神经网络中进行训练和验证,过程中通过反向传播算法对网络权重进行调整,以最小化损失函数。在训练过程中可利用交叉验证方法进行管件寿命评估模型调参。
S55、管件寿命评估模型评估:训练完成之后,需要使用测试集评估管件寿命评估模型的性能,如准确率、召回率、F1分数等指标,并进行可视化分析,并根据评估结果对管件寿命评估模型进行优化。
S56、管件寿命评估模型应用:经过上述步骤,得到的管件寿命评估模型可以应用于实际铜管无损寿命评估中,通过将S4中得到的铜管运行状态的实时矩阵,输入至管件寿命评估模型中,经过管件寿命评估模型对实时矩阵进行特征识别,输出铜管剩余寿命等评估指标。
在整个构建流程中,需要注重数据质量和管件寿命评估模型调参等细节,以保证管件寿命评估模型的准确性和泛化能力,从而实现高效、可靠的铜管寿命评估。
在本步骤中,采用神经网络管件寿命评估模型,能够学习铜管运行数据与其剩余使用寿命之间的复杂关系,并迅速输出预测结果,提高了评估效率和准确度;通过收集足量的铜管运行数据和特定环境下的模拟实验,构建了足够的数据集,使得管件寿命评估模型训练可以得到更好的结果;能够定期检测铜管的剩余寿命,确保铜管的安全可靠性和仪器性能;同时整个评估过程可以在线进行,不需要停止精密仪器的运行,避免了因停机造成的不必要的测量误差和生产线停滞的成本。
实施例二
一种铜管在线无损寿命评估系统,如图5所示,所述系统包括:
环境控制模块,用于在控制精密仪器的运行环境,包括进入铜管内流体的初始流速、流体的初始压力和流体的初始温度;
数据采集模块,用于采集铜管的各项运行数据并发送,其中运行数据包括振动数据、热辐射数据、压力数据和电阻数据;
数据处理模块,用于接收数据采集模块发送的各项运行数据,并对各项运行数据进行预处理,并将各项运行数据按预设的时间跨度进行分割,并计算每个时间跨度内的数据均值;再将相同时间跨度内各项运行数据的均值按照时间顺序依次排列,得到铜管运行状态的实时矩阵,并发送;
寿命预测模块,用于接收实时矩阵,并利用预先存储并训练过的管件寿命评估模型对铜管运行状态的实时矩阵进行识别,得到铜管此时的剩余使用寿命,并根据剩余使用寿命生成评估报告,并发送;
用户界面模块,用于接收评估报告,并提供人机交互界面,供用户查看铜管评估报告,并进行报警、警报。
具体的,在本实施例中,环境控制模块通过控制铜管内流体的初始流速、压力和温度等因素,为数据采集提供稳定的运行环境,减小外部环境因素对测量的影响;
数据采集模块用于采集铜管的各项运行数据,包括振动数据、热辐射数据、压力数据和电阻数据等,这些数据为后续的数据处理和寿命预测提供基础;
数据处理模块接收数据采集模块发送的各项运行数据,并对数据进行预处理和分割,然后计算每个时间跨度内各项运行数据的均值,并将其按照时间顺序排列成实时矩阵发送;数据处理模块的主要作用是减少数据的复杂性,将数据处理为较为简单的形式,便于后续的寿命预测;
寿命预测模块通过接收实时矩阵,并利用预先存储并训练过的管件寿命评估模型对铜管运行状态进行识别,得到铜管此时的剩余使用寿命;通过对铜管使用寿命的分析和预测可以有效地预防机器故障并提高生产效率;
用户界面模块用于接收评估报告,并提供人机交互界面,方便用户查看铜管评估报告,并进行报警、警报等操作,使得数据可以被更广泛的人群使用和利用;
上述铜管在线无损寿命评估系统可以通过测量和分析铜管振动数据、热辐射数据、压力数据和电阻数据等多个运行数据,得到铜管实时状态的矩阵,从而预测铜管的剩余寿命,提高铜管的生产利用率和使用效益;其优势主要在于非侵入性的无损测量方式、高精度的数据采集和处理、可靠的寿命预测和自动化的用户界面等方面。
前述实施例一中的一种铜管在线无损寿命评估方法的各种变化方式和具体实施例同样适用于本实施例的一种铜管在线无损寿命评估系统,通过前述对一种铜管在线无损寿命评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种铜管在线无损寿命评估系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种铜管在线无损寿命评估方法,其特征在于,所述方法包括:
S1、控制精密仪器在特定环境下运行特定时长;
S2、获取铜管在特定时长内的各项运行数据;
S3、将各项运行数据按预设的时间跨度进行分割,并计算每个时间跨度内的数据均值;
S4、将相同时间跨度内各项运行数据的均值按照时间顺序依次排列,得到铜管运行状态的实时矩阵;
S5、利用预先训练的管件寿命评估模型对铜管运行状态的实时矩阵进行识别,得到铜管的寿命特征矩阵,并输出与寿命特征矩阵相对应的铜管剩余使用寿命;
其中所述管件寿命评估模型采用卷积神经网络,运算公式为:
S(x,y)=∑p∑qZ(x+p,y+q)*W(p,q)+b;
其中,p和q表示卷积核窗口相对于铜管运行状态实时矩阵原点的偏移量;x和y分别表示寿命特征矩阵中元素的行号和列号索引;x+p和y+q分别表示卷积核滑动窗口在铜管运行状态实时矩阵上的索引位置;S(x,y)是运算后得到的寿命特征矩阵中的元素;Z(x+p,y+q)是铜管运行状态实时矩阵中对应位置的元素;W(p,q)是卷积核中的权重;b为常量偏置项;∑p∑q表示对于铜管运行状态实时矩阵上的卷积核窗口中的每个元素进行求和操作。
2.如权利要求1所述的一种铜管在线无损寿命评估方法,其特征在于,所述特定环境包括进入铜管内流体的初始流速、流体的初始压力和流体的初始温度。
3.如权利要求2所述的一种铜管在线无损寿命评估方法,其特征在于,所述运行数据包括振动数据、热辐射数据、压力数据和电阻数据。
4.如权利要求3所述的一种铜管在线无损寿命评估方法,其特征在于,所述S3通过以下步骤实现:
S31、根据铜管运行情况和评估需要,设定每个时间跨度的长度;
S32、将铜管各项运行数据按照时间顺序进行分割,使得每个时间段内的数据量相等;
S33、对于每个时间跨度内的各项运行数据,计算它们各自的平均值;
所述运行特定时长为T,时间跨度为Δt,数据总量为N,每个时间跨度内的数据量为N/[(T/Δt)+1];
对于第i个时间跨度内的数据,索引范围可以表示为:[N/[(T/Δt)+1]]i-1到[N/[(T/Δt)+1]]i,其中i从1到[(T/Δt)+1];
每个时间跨度内的运行数据平均值计算公式为:
μi=(1/Ni)*Σ(Xi);
其中,Xi为第i个时间跨度内的数据;Ni为第i个时间跨度内的数据量;μi为第i个时间跨度内的运行数据平均值。
5.如权利要求4所述的一种铜管在线无损寿命评估方法,其特征在于,所述S4通过以下步骤实现:
S41、根据运行数据确定实时矩阵每一行所代表的特征:
S42、根据S31中设定的时间跨度确定实时矩阵每一列所代表的时间跨度:
S43、将每个时间跨度内各项运行数据的均值组成一列,按照时间顺序依次排列,形成实时矩阵;
S44、对实时矩阵进行归一化处理。
6.如权利要求5所述的一种铜管在线无损寿命评估方法,其特征在于,所述管件寿命评估模型的构建方法包括:
S51、获取足量的铜管运行数据,形成数据集;
S52、将数据集划分为训练集、验证集和测试集,采用8:1:1的比例划分;
S53、根据管件寿命评估模型的应用需求,定义卷积神经网络结构;
S54、将训练集和验证集导入到管件寿命评估模型中进行训练、验证,并调整管件寿命评估模型结构参数;
S55、将测试集导入到管件寿命评估模型中,评估管件寿命评估模型的性能,并根据评估结果对管件寿命评估模型进行优化。
7.如权利要求6所述的一种铜管在线无损寿命评估方法,其特征在于,所述S51中获取能够用于管件寿命评估模型训练的铜管运行数据的方法包括:
S511、模拟铜管的真实应用环境;
S512、控制多根全新铜管同时进行二十四小时不间断的运转试验,直至铜管经人工判断无法继续使用;
S513、间隔一定时长,同时采集多根铜管在特定时长内的运行数据,并记录此时铜管的运行时长;
S514、统计不同铜管的实际使用寿命;
S515、利用S514中统计的铜管实际使用寿命减去S513中记录的若干运行时长即得到铜管在对应的运行数据下的剩余使用寿命;
S516、通过S513的采集和S514的计算,铜管不同的剩余使用寿命均对应着多组运行数据;
S517、将得到的多组运行数据进行如S3和S4步骤的处理,即得到可以用来对管件寿命评估模型进行训练的数据集。
8.如权利要求7所述的一种铜管在线无损寿命评估方法,其特征在于,所述S513在采集铜管运行数据时,铜管的运行环境与S1中的特定环境相同;所述S513中的特定时长与S2中的特定时长相同;所述S515在进行计算时,采用的铜管实际使用寿命和运行时长均为同一根铜管上采集的数据。
9.一种铜管在线无损寿命评估系统,其特征在于,所述系统包括:
环境控制模块,用于在控制精密仪器的运行环境,包括进入铜管内流体的初始流速、流体的初始压力和流体的初始温度;
数据采集模块,用于采集铜管的各项运行数据并发送,其中运行数据包括振动数据、热辐射数据、压力数据和电阻数据;
数据处理模块,用于接收数据采集模块发送的各项运行数据,并对各项运行数据进行预处理,并将各项运行数据按预设的时间跨度进行分割,并计算每个时间跨度内的数据均值;再将相同时间跨度内各项运行数据的均值按照时间顺序依次排列,得到铜管运行状态的实时矩阵,并发送;
寿命预测模块,用于接收实时矩阵,并利用预先存储并训练过的管件寿命评估模型对铜管运行状态的实时矩阵进行识别,得到铜管此时的剩余使用寿命,并根据剩余使用寿命生成评估报告,并发送;
用户界面模块,用于接收评估报告,并提供人机交互界面,供用户查看铜管评估报告,并进行报警、警报。
10.如权利要求1-8中任一项所述的一种铜管在线无损寿命评估方法,其特征在于,包括实施铜管在线无损寿命评估方法的电子设备,所述电子设备包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现铜管在线无损寿命评估方法方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310794413.0A CN116738859B (zh) | 2023-06-30 | 2023-06-30 | 一种铜管在线无损寿命评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310794413.0A CN116738859B (zh) | 2023-06-30 | 2023-06-30 | 一种铜管在线无损寿命评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116738859A true CN116738859A (zh) | 2023-09-12 |
CN116738859B CN116738859B (zh) | 2024-02-02 |
Family
ID=87909601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310794413.0A Active CN116738859B (zh) | 2023-06-30 | 2023-06-30 | 一种铜管在线无损寿命评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738859B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104335022A (zh) * | 2012-04-24 | 2015-02-04 | Skf公司 | 轴承监控方法和系统 |
CN109145373A (zh) * | 2018-07-17 | 2019-01-04 | 清华大学 | 基于改进esgp与预测区间的剩余寿命预测方法及装置 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
CN113570138A (zh) * | 2021-07-28 | 2021-10-29 | 朗坤智慧科技股份有限公司 | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
RU2020134400A (ru) * | 2020-10-20 | 2022-04-20 | Общество с ограниченной ответственностью «ИНТРОН ПЛЮС» | Способ прогнозирования остаточного ресурса стального каната |
CN114444231A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市信润富联数字科技有限公司 | 模具剩余寿命在线自适应预测方法、装置、设备及介质 |
KR20230052180A (ko) * | 2021-10-12 | 2023-04-19 | 경기대학교 산학협력단 | 잔여 수명 예측 장치 및 방법 |
CN116306139A (zh) * | 2023-03-15 | 2023-06-23 | 中车株洲电力机车研究所有限公司 | 一种风力机叶片寿命智能监测方法及系统 |
-
2023
- 2023-06-30 CN CN202310794413.0A patent/CN116738859B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104335022A (zh) * | 2012-04-24 | 2015-02-04 | Skf公司 | 轴承监控方法和系统 |
CN109145373A (zh) * | 2018-07-17 | 2019-01-04 | 清华大学 | 基于改进esgp与预测区间的剩余寿命预测方法及装置 |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
CN111695858A (zh) * | 2020-06-09 | 2020-09-22 | 厦门嵘拓物联科技有限公司 | 一种模具全生命周期管理系统 |
RU2020134400A (ru) * | 2020-10-20 | 2022-04-20 | Общество с ограниченной ответственностью «ИНТРОН ПЛЮС» | Способ прогнозирования остаточного ресурса стального каната |
CN113570138A (zh) * | 2021-07-28 | 2021-10-29 | 朗坤智慧科技股份有限公司 | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
KR20230052180A (ko) * | 2021-10-12 | 2023-04-19 | 경기대학교 산학협력단 | 잔여 수명 예측 장치 및 방법 |
CN114444231A (zh) * | 2022-04-02 | 2022-05-06 | 深圳市信润富联数字科技有限公司 | 模具剩余寿命在线自适应预测方法、装置、设备及介质 |
CN116306139A (zh) * | 2023-03-15 | 2023-06-23 | 中车株洲电力机车研究所有限公司 | 一种风力机叶片寿命智能监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
李劲松;张惠娟;杨忠;李小明;张辉斌;: "基于退化曲线相似性的剩余使用寿命估计方法", 应用科技, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN116738859B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
Romano et al. | Automated detection of pipe bursts and other events in water distribution systems | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
CN109376401B (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
CN117195007B (zh) | 一种换热器性能预测方法及系统 | |
JPWO2014091952A1 (ja) | センサ監視装置、センサ監視方法、及びセンサ監視プログラム | |
Thöns et al. | On damage detection system information for structural systems | |
Liu et al. | Gibbs sampler for noisy Transformed Gamma process: Inference and remaining useful life estimation | |
CN111664083A (zh) | 一种基于贝叶斯网络的核电主泵故障诊断方法 | |
CN111307480B (zh) | 一种基于嵌入式热管传热管理系统、方法及存储介质 | |
Lee et al. | An enhanced prediction model for the on-line monitoring of the sensors using the Gaussian process regression | |
CN112329272B (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
CN116738859B (zh) | 一种铜管在线无损寿命评估方法及系统 | |
KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
Pinciroli et al. | A semi-supervised method for the characterization of degradation of nuclear power plants steam generators | |
JP4782734B2 (ja) | プラント用計測器校正支援装置及びプラント用計測器校正支援方法 | |
JP7469828B2 (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
Ramuhalli et al. | Prognostics health management and life beyond 60 for nuclear power plants |
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 |