CN116796261A - 一种基于人工智能的封闭开关设备机械特性预测方法 - Google Patents
一种基于人工智能的封闭开关设备机械特性预测方法 Download PDFInfo
- Publication number
- CN116796261A CN116796261A CN202311032342.7A CN202311032342A CN116796261A CN 116796261 A CN116796261 A CN 116796261A CN 202311032342 A CN202311032342 A CN 202311032342A CN 116796261 A CN116796261 A CN 116796261A
- Authority
- CN
- China
- Prior art keywords
- closed switch
- switch equipment
- closed
- data
- mechanical characteristic
- 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 67
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 241000287127 Passeridae Species 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000013013 elastic material Substances 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005405 multipole Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明公开了一种基于人工智能的封闭开关设备机械特性预测方法,属于封闭开关设备技术领域,其具体包括:采集封闭开关设备的机械特性数据,并对采集的封闭开关设备的机械特性数据进行预处理,根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率,根据封闭开关设备发生故障的概率和预处理后的机械特性数据,利用人工智能技术,封闭开关发生故障时,立即断开开关,并判断出故障类别,并且对封闭开关设备是否发生故障和剩余寿命进行预测,在任何环境中,实现通过历史故障数据和机械特性数据对封闭开关设备是否发生故障和剩余寿命进行精准预测。
Description
技术领域
本发明属于封闭开关设备技术领域,具体的说是一种基于人工智能的封闭开关设备机械特性预测方法。
背景技术
随着电网工程复杂程度不断提高,市场对封闭开关设备的体积、安全性、维护便捷性等要求不断提升。
在高温、高压和有毒气体等危险电网工作的环境中,封闭开关设备可以作为安全系统的一部分,监测环境并控制设备的操作,确保工人的安全,但缺陷也很明显,封闭开关设备一旦发生事故,就会产生很严重的后果,基于对封闭开关设备历史数据的检测记录和机械特性数据的检测采集,对封闭开关设备是否发生故障进行判断预测和对剩余寿命进行预测,对于提高危险电网工作安全性和可靠性具有重要的意义。
如授权公告号为CN104866679B的中国专利公开了一种开关设备的机械特性预测方法,所述方法包括依据滑动时间窗算法,建立开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系;利用支持向量机回归模型训练得到每个机械特性预测模型;针对每个机械特性预测模型,通过滑动时间窗算法来进行所述开关设备的多步机械特性预测:在多步预测时,将当前单步预测的结果加入到当前已有的时间序列中,进行下一次预测结果的预测。通过该公开能够对开关设备的每种机械特性进行精确预测,进而预测开关设备即将所处的寿命阶段以及是否会发生故障。
如申请公开号为CN115688318A的申请文件公开了一种高压开关设备的机械寿命预测方法、系统及电子设备,获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据;将寿命特征数据输入至预先训练完成的寿命预测模型,寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的,其中,高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据;获得寿命预测模型的输出,将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。
以上专利均存在以下问题:未考虑环境对封闭开关设备的影响,并且需要大量的数据去训练网络模型,网络模型的效果耗时长、准确度低和效率低,无法在不同环境应用。
发明内容
针对现有技术的不足,本发明提出了一种基于人工智能的封闭开关设备机械特性预测方法,采集封闭开关设备的机械特性数据,并对采集的封闭开关设备的机械特性数据进行预处理,根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率,根据封闭开关设备发生故障的概率和预处理后的机械特性数据,对封闭开关设备是否发生故障和剩余寿命进行预测,在不同环境中,实现通过历史故障数据和机械特性数据对封闭开关设备是否发生故障和剩余寿命进行精准预测,并且利用人工智能技术,封闭开关发生故障时,立即断开开关,并判断出故障类别。
为实现上述目的,本发明提供如下技术方案:
一种基于人工智能的封闭开关设备机械特性预测方法,包括:
步骤S1:采集封闭开关设备的机械特性数据,并对采集的封闭开关设备的机械特性数据进行预处理;
步骤S2:根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率;
步骤S3:根据封闭开关设备发生故障的概率和处理后的机械特性数据,对封闭开关设备是否发生故障和剩余寿命进行预测,当封闭开关设备发生故障时,通过人工智能技术自动关闭开关,并判断出故障类别。
具体的,所述步骤S1中的预处理包括数据清洗。
具体的,所述步骤S2中的运行周期包括:第一运行周期、第二运行周期、第三运行周期、第四运行周期和第五运行周期。
具体的,所述步骤S2的具体步骤如下:
步骤S201:设定封闭开关设备在每个运行周期内的历史故障数据为,,其中,/>表示封闭开关设备的运行周期,z表示封闭开关设备的运行周期为第z个,z=1,2,3,4,5,/>表示封闭开关设备的第n个故障记录;
步骤S202:计算封闭开关设备在每个运行周期内发生故障的概率,计算公式为:,其中,/>表示封闭开关设备的第j个故障记录,/>,/>表示判断函数,/>成立时,输出为1,/>不成立时,输出为0,/>表示第z运行周期时封闭开关的使用次数。
具体的,所述步骤S201中封闭开关设备故障记录包括:故障类型和具体故障情况。
具体的,所述步骤S3的具体步骤如下:
步骤S301:设定封闭开关设备处理后的机械特性数据为,,其中,/>表示封闭开关设备的第m种机械特性,m表示封闭开关设备的机械特性的数量,/>表示封闭开关设备的第m种机械特性数据,,/>表示封闭开关设备的第m种机械特性的第d个机械特性数据,d表示封闭开关设备的第m种机械特性数据数量;
步骤S302:计算封闭开关设备使用k次发生的故障总次数,设定封闭开关设备寿命影响的寿命损失因子,计算公式为:/>,其中,z=1,2,3,4,5,/>表示第z个运行周期中封闭开关设备使用的次数;
步骤S303:当封闭开关设备使用k次时,根据封闭开关设备预处理后的机械特性数据,计算机械特性影响因子,计算公式为/>,其中/>表示封闭开关设备的第m种机械特性的第q个机械特性数据,/>表示封闭开关设备正常运行的第m种机械特性数据均值;
步骤S304:当时,封闭开关设备的第m种机械特性的机械特性数据发生异常,封闭开关设备发生故障,通过人工智能技术自动关闭开关,并判断出故障类别;
步骤S305:计算封闭开关设备的剩余寿命,计算公式为:,表示第i种机械特性影响因子,/>表示第i种机械特性对封闭开关设备的寿命影响因子,H表示环境影响因子,/>表示封闭开关设备的出厂使用寿命。
具体的,所述封闭开关的机械特性包括:触点压力、触点行程、机械耐久性、操作力矩、弹簧可靠性和防护能力。
一种基于人工智能的封闭开关设备机械特性预测系统,包括:
封闭开关设备,包括断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、母线、电缆终端和进出线套管,用于对电力系统的控制;
数据获取模块,用于采集封闭开关设备的历史故障数据和机械特性数据;
机械特性数据预处理模块,用于对封闭开关设备的机械特性数据进行预处理,包括数据清洗,去除脏数据;
封闭开关设备故障预测模块,用于根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率,并根据封闭开关设备发生故障的概率、预处理后的机械特性数据和封闭开关设备所处当前环境,对封闭开关设备是否发生故障,进行预测;
封闭开关设备故障类别判断模块,用于根据人工智能技术判断封闭开关设备发生故障的类别;
封闭开关设备剩余寿命预测模块,用于对封闭开关设备的剩余寿命进行预测。
具体的,所述数据获取模块包括封闭开关设备机械特性数据采集单元,用于采集封闭开关设备机械特性数据,并将数据传输至数据获取模块。
具体的,所述机械特性数据预处理模块中的脏数据包括:无效数据和缺失数据。
一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于人工智能的封闭开关设备机械特性预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机指令,当计算机指令运行时执行一种基于人工智能的封闭开关设备机械特性预测方法的步骤。
与现有技术相比,本发明的有益效果是:
1.本发明提出了一种基于人工智能的封闭开关设备机械特性预测方法及系统,并进行了架构、运行步骤和流程上的优化改进,系统具备流程简单,投资运行费用低廉,生产工作成本低的优点,提高了故障预测和剩余寿命预测的效果。
2.本发明通过采集封闭开关设备的机械特性数据,并对采集的封闭开关设备的机械特性数据进行预处理,根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率,根据封闭开关设备发生故障的概率和预处理后的机械特性数据,对封闭开关设备是否发生故障和剩余寿命进行预测,在任何环境中,实现通过历史故障数据和机械特性数据对封闭开关设备是否发生故障和剩余寿命进行精准预测,并且利用人工智能技术,封闭开关发生故障时,立即断开开关,并判断出故障类别。
3、本发明对于提高危险电网工作安全性和可靠性具有重要的意义。
附图说明
图1为本发明基于人工智能的封闭开关设备机械特性预测方法流程图;
图2为本发明基于人工智能的封闭开关设备故障和剩余寿命预测流程图;
图3为本发明基于人工智能的封闭开关设备机械特性预测系统架构图;
图4为本发明电子设备图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“一号”、“二号”、“三号”仅用于描述目的,而不能理解为指示或暗示相对重要性。下面结合具体实施方式,进一步阐述本发明。
实施例1
请参阅图1和图2,本发明提供的一种实施例:一种基于人工智能的封闭开关设备机械特性预测方法,包括:
步骤S1:采集封闭开关设备的机械特性数据,并对采集的封闭开关设备的机械特性数据进行预处理;
封闭开关设备的机械特性数据的采集方法:七种方法,动作改善法(动改法)、防止错误法(防错法)、5*5W1H法(五五法)、双手操作法(双手法)、人机配合法(人机法)、流程程序法(流程法)、工作抽样法(抽样法);防错法:又称防愚法、愚巧法(Poka-yoke),其意义即是防止人做错事。防错法主要探讨如何避免做错事情,使工作第一次就做好的精神能够具体实现。流程法:通过完成工作所经过的手续与流程的分析,去除不必要的手续与流程,降低制造成本,提高生产效率的一种改善手法。五五法:借着质问的技巧来发掘出改善的构想。在改善时可以借用5W1H来进行质问。改善的前提是发现问题,而发现问题则全在于怀疑的态度。然而怀疑并非仅是笼统的抽象思维,应是有系统的、循序渐进的,而且是有具体的方向。如果没有采用系统化的技巧,往往疏漏了某些值得去改善的地方。5*5W1H是一种找寻问题之根源及寻找系统化的质问技巧。依照5*5W1H的方法进行质问,那么,改善工作所需要的数据,将从这些质问的答案中获得。人机法:也称人机配合,通过对以人为主的工序的详细研究,使操作者、操作对象、操作工具三者科学地结合、合理地布置和安排,以减轻劳动强度,减少作业的工时消耗,是以提高产量和质量为目的的工作分析方法。抽样法的益处:A.观察时间短,并可观测数部机器或操作人员的状况;B.人力、体力及物力节省;C.观测人员不需具备太高深的技术人力;D.调查时间较长,其结果较为客观可靠;E.被观测对象的干扰次数较少,时间较短。
本发明利用智能监测系统,对封闭开关的机械特性数据进行检测,具体为:1)信号监测,该部分主要由传感器和信号预处理模块组成,传感器直接安装在被监测断路器的操动机构上,为了防止外界干扰,提高信噪比,预处理系统对监测到的小信号进行放大和滤波;2)传输模块,这部分负责将监测得到的信号传送到控制室;3)处理模块,这部分负责接受、处理、存储和显示监测系统传输过来的信号,它由信号处理的硬件(如滤波器等)、计算机以及故障诊断软件等构成;4)工控机,这部分主要负责对检测进行指令的传输与控制,并展示检测结果给监测人员。
步骤S2:根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率;
步骤S3:根据封闭开关设备发生故障的概率、预处理后的机械特性数据和封闭开关设备所处当前环境,对封闭开关设备是否发生故障和剩余寿命进行预测,当封闭开关设备发生故障时,通过人工智能技术自动关闭开关,并判断出故障类别。
步骤S1中的预处理包括数据清洗。
步骤S2中的运行周期包括:第一运行周期、第二运行周期、第三运行周期、第四运行周期和第五运行周期。
运行周期的详细解释:第一运行周期为封闭开关设备的出厂使用寿命的0-20%阶段,第二运行周期为封闭开关设备的出厂使用寿命的21%-40%阶段,第三运行周期为封闭开关设备的出厂使用寿命的41%-60%阶段,第四运行周期为封闭开关设备的出厂使用寿命的61%-80%阶段,第五运行周期为封闭开关设备的出厂使用寿命的81%-100%阶段。
步骤S2的具体步骤如下:
步骤S201:设定封闭开关设备在每个运行周期内的历史故障数据为,,其中,/>表示封闭开关设备的运行周期,z表示封闭开关设备的运行周期为第z个,z=1,2,3,4,5,/>表示封闭开关设备的第n个故障记录;
步骤S202:计算封闭开关设备在每个运行周期内发生故障的概率,计算公式为:,其中,/>表示封闭开关设备的第j个故障记录,/>,/>表示判断函数,/>成立时,输出为1,/>不成立时,输出为0,/>表示第z运行周期时封闭开关的使用次数。
判断函数说明:当a在b集合内时,输出为1,当a不在b集合内时,输出为0,即当封闭开关设备的第j个故障记录在第z个运行周期内时,输出为1,当封闭开关设备的第j个故障记录不在第z个运行周期内时,输出为0。
步骤S201中封闭开关设备故障记录包括:故障类型和具体故障情况。
步骤S3的具体步骤如下:
步骤S301:设定封闭开关设备预处理后的机械特性数据为,,其中,/>表示封闭开关设备的第m种机械特性,m表示封闭开关设备的机械特性的数量,/>表示封闭开关设备的第m种机械特性数据,,/>表示封闭开关设备的第m种机械特性的第d个机械特性数据,d表示封闭开关设备的第m种机械特性数据数量;
步骤S302:计算封闭开关设备使用k次发生的故障总次数,设定封闭开关设备寿命影响的寿命损失因子,计算公式为:/>,其中,z=1,2,3,4,5,/>表示第z个运行周期中封闭开关设备使用的次数;
步骤S303:当封闭开关设备使用k次时,根据封闭开关设备预处理后的机械特性数据,计算机械特性影响因子,计算公式为/>,其中/>表示封闭开关设备的第m种机械特性的第q个机械特性数据,/>表示封闭开关设备正常运行的第m种机械特性数据均值;
步骤S304:当时,封闭开关设备的第m种机械特性的机械特性数据发生异常,封闭开关设备发生故障,通过人工智能技术自动关闭开关,并判断出故障类别;
步骤S304中通过人工智能技术自动关闭开关,并判断出故障类别的方法为:
利用SSA-PNN神经网络模型,对封闭开关设备进行自动关闭并对故障分类进行预测判断,具体步骤为:1)输入封闭开关设备机械特征数据和历史故障数据,提取出的样本熵、均方根值特征参数组成样本集,输入至概率神经网络进行诊断;2)算法参数初始化,对概率神经网络平滑因子进行优化,需要进行设置的参数有:问题维度、搜索次数、发现者警戒阈值ST、发现者比例PR、侦査者比例SD、取值范围等;3)对麻雀种群随机初始化,产生N个麻雀总数,构成了初始的麻雀种群;4)确定适应度函数,通过概率神经网络对有载分接开关不同运行状况下的样本集分类错误率之和作为适应度函数,生成初始麻雀种群后调用概率神经网络,通过训练样本训练PNN,计算麻雀种群中的个体适应度值;5)对发现者、追随者及警戒者位置信息进行更新;6)计算产生的新解的适应度值,更新麻雀位置信息,获得全体最优值;7)判断是否达到最大迭代次数,若是,则算法终止,获取最优的平滑因子参数;若否,则算法返回至步骤3继续重复执行;8)利用测试集样本训练PNN(平滑因子参数为全体最优值),输出分类识别结果,仿真结束;9)利用bagging集成算法,对SSA-PNN神经网络模型进行集成,训练k个分类器模型,每个分类器模型之间有很强的独立性,可以并行生成,利用相对多数投票法,即采取少数服从多数的原则,得到预测结果中票数最高的分类类别。
步骤S305:计算封闭开关设备的剩余寿命,计算公式为:,表示第i种机械特性影响因子,/>表示第i种机械特性对封闭开关设备的寿命影响因子,H表示环境影响因子,/>表示封闭开关设备的出厂使用寿命。
步骤S305详细说明:第i种机械特性对封闭开关设备的寿命影响因子的计算方式,以条件限定法进行测量计算,控制其他机械特性不变,改变第i种机械特性数据,对机械特性数据进行韦布尔处理,获得可靠度参数,由可靠度参数估算出机械特性对封闭开关设备的寿命影响因子,对封闭开关设备的寿命影响因子进行计算,环境影响因子,不同环境的环境影响因子不一样。
封闭开关的机械特性包括:触点压力、触点行程、机械耐久性、操作力矩、弹簧可靠性和防护能力。
封闭开关的机械特性还包括:断开和闭合速度:封闭开关在断开或闭合电路时的速度也是一项重要的机械特性,快速断开可以减少电弧的持续时间,从而减少触点的磨损和损坏;动作同期性:对于多极开关,要求各极的动作要基本同步,以保证电路的安全性;
封闭开关的机械特性详细解释:触点压力,封闭开关闭合时,两个触点之间的接触压力,如果压力太小,可能导致接触电阻增加,引发发热,如果压力太大,可能会导致触点磨损;触点行程,触点在开和关的位置之间移动的距离,这个参数通常和断开速度一起来控制电弧的产生;机械耐久性,封闭开关的机械结构应能够承受正常操作和故障情况下的应力;操作力矩,开关在操作过程中所需的力或力矩,与开关的结构和尺寸有关;弹簧可靠性,高压断路器的正常运行过程和触头系统中的弹簧是否正常密切相关,弹性材料面对的一类普遍现象就是应力松弛,在持续应力施加的情况下,弹性材料将发生塑性变形,随着作用时间的持续,这种塑性变形会得到累加,可能最终在相同应力条件下,出现弹性材料的弹性衰退的现象;防护能力,封闭开关的外壳通常具有防护等级,表示其抗灰尘、水和其他外部物质的能力;
实施例2
请参阅图3,本发明提供的第二个实施例:一种基于人工智能的封闭开关设备机械特性预测系统,包括:
封闭开关设备,包括断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、母线、电缆终端和进出线套管,用于对电力系统的控制;
数据获取模块,用于采集封闭开关设备的历史故障数据和机械特性数据;
机械特性数据预处理模块,用于对封闭开关设备的机械特性数据进行预处理,包括数据清洗,去除脏数据;
封闭开关设备故障预测模块,用于根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率,并根据封闭开关设备发生故障的概率、预处理后的机械特性数据和封闭开关设备所处当前环境,对封闭开关设备是否发生故障,进行预测;
封闭开关设备故障类别判断模块,用于根据人工智能技术判断封闭开关设备发生故障的类别;
封闭开关设备剩余寿命预测模块,用于对封闭开关设备的剩余寿命进行预测。
数据获取模块包括封闭开关设备机械特性数据采集单元,用于采集封闭开关设备机械特性数据,并将数据传输至数据获取模块。
机械特性数据预处理模块中的脏数据包括:无效数据和缺失数据。
实施例3
请参阅图4,一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述的一种基于人工智能的封闭开关设备机械特性预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机指令,当计算机指令运行时执行所述的一种基于人工智能的封闭开关设备机械特性预测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (12)
1.一种基于人工智能的封闭开关设备机械特性预测方法,其特征在于,包括:
步骤S1:采集封闭开关设备的机械特性数据,并对采集的封闭开关设备的机械特性数据进行预处理;
步骤S2:根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率;
步骤S3:根据封闭开关设备发生故障的概率、预处理后的机械特性数据和封闭开关设备所处当前环境,对封闭开关设备是否发生故障和剩余寿命进行预测,当封闭开关设备发生故障时,通过人工智能技术自动关闭开关,并判断出故障类别。
2.如权利要求1所述的一种基于人工智能的封闭开关设备机械特性预测方法,其特征在于,所述步骤S1中的预处理包括数据清洗。
3.如权利要求2所述的一种基于人工智能的封闭开关设备机械特性预测方法,其特征在于,所述步骤S2中的运行周期包括:第一运行周期、第二运行周期、第三运行周期、第四运行周期和第五运行周期。
4.如权利要求3所述的一种基于人工智能的封闭开关设备机械特性预测方法,其特征在于,所述步骤S2的具体步骤如下:
步骤S201:设定封闭开关设备在每个运行周期内的历史故障数据为,,其中,/>表示封闭开关设备的运行周期,z表示封闭开关设备的运行周期为第z个,z=1,2,3,4,5,/>表示封闭开关设备的第n个故障记录;
步骤S202:计算封闭开关设备在每个运行周期内发生故障的概率,计算公式为:,其中,/>表示封闭开关设备的第j个故障记录,/>,/>表示判断函数,/>成立时,输出为1,/>不成立时,输出为0,/>表示第z运行周期时封闭开关的使用次数。
5.如权利要求4所述的一种基于人工智能的封闭开关设备机械特性预测方法,其特征在于,所述步骤S201中封闭开关设备故障记录包括:故障类型和具体故障情况。
6.如权利要求5所述的一种基于人工智能的封闭开关设备机械特性预测方法,其特征在于,所述步骤S3的具体步骤如下:
步骤S301:设定封闭开关设备预处理后的机械特性数据为,,其中,/>表示封闭开关设备的第m种机械特性,m表示封闭开关设备的机械特性的数量,/>表示封闭开关设备的第m种机械特性数据,,/>表示封闭开关设备的第m种机械特性的第d个机械特性数据,d表示封闭开关设备的第m种机械特性数据数量;
步骤S302:计算封闭开关设备使用k次发生的故障总次数,设定封闭开关设备寿命影响的寿命损失因子,计算公式为:/>,其中,z=1,2,3,4,5,/>表示第z个运行周期中封闭开关设备使用的次数;
步骤S303:当封闭开关设备使用k次时,根据封闭开关设备预处理后的机械特性数据,计算机械特性影响因子,计算公式为/>,其中/>表示封闭开关设备的第m种机械特性的第q个机械特性数据,/>表示封闭开关设备正常运行的第m种机械特性数据均值;
步骤S304:当时,封闭开关设备的第m种机械特性的机械特性数据发生异常,封闭开关设备发生故障,通过人工智能技术自动关闭开关,并判断出故障类别;
步骤S305:计算封闭开关设备的剩余寿命,计算公式为:,/>表示第i种机械特性影响因子,/>表示第i种机械特性对封闭开关设备的寿命影响因子,H表示环境影响因子,/>表示封闭开关设备的出厂使用寿命。
7.如权利要求6所述的一种基于人工智能的封闭开关设备机械特性预测方法,其特征在于,所述封闭开关的机械特性包括:触点压力、触点行程、机械耐久性、操作力矩、弹簧可靠性和防护能力。
8.一种基于人工智能的封闭开关设备机械特性预测系统,其特征在于,包括:
封闭开关设备,包括断路器、隔离开关、接地开关、电压互感器、电流互感器、避雷器、母线、电缆终端和进出线套管,用于对电力系统的控制;
数据获取模块,用于采集封闭开关设备的历史故障数据和机械特性数据;
机械特性数据预处理模块,用于对封闭开关设备的机械特性数据进行预处理,包括数据清洗,去除脏数据;
封闭开关设备故障预测模块,用于根据封闭开关设备在每个运行周期内的历史故障数据,判断封闭开关设备在每个运行周期内发生故障的概率,并根据封闭开关设备发生故障的概率、预处理后的机械特性数据和封闭开关设备所处当前环境,对封闭开关设备是否发生故障,进行预测;
封闭开关设备故障类别判断模块,用于根据人工智能技术判断封闭开关设备发生故障的类别;
封闭开关设备剩余寿命预测模块,用于对封闭开关设备的剩余寿命进行预测。
9.如权利要求8所述的一种基于人工智能的封闭开关设备机械特性预测系统,其特征在于,所述数据获取模块包括封闭开关设备机械特性数据采集单元,用于采集封闭开关设备机械特性数据,并将数据传输至数据获取模块。
10.如权利要求9所述的一种基于人工智能的封闭开关设备机械特性预测系统,其特征在于,所述机械特性数据预处理模块中的脏数据包括:无效数据和缺失数据。
11.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种基于人工智能的封闭开关设备机械特性预测方法的步骤。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机指令,当计算机指令运行时执行权利要求1-7任一项所述的一种基于人工智能的封闭开关设备机械特性预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311032342.7A CN116796261B (zh) | 2023-08-16 | 2023-08-16 | 一种基于人工智能的封闭开关设备机械特性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311032342.7A CN116796261B (zh) | 2023-08-16 | 2023-08-16 | 一种基于人工智能的封闭开关设备机械特性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116796261A true CN116796261A (zh) | 2023-09-22 |
CN116796261B CN116796261B (zh) | 2023-11-07 |
Family
ID=88049991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311032342.7A Active CN116796261B (zh) | 2023-08-16 | 2023-08-16 | 一种基于人工智能的封闭开关设备机械特性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796261B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388681A (zh) * | 2023-12-07 | 2024-01-12 | 国网辽宁省电力有限公司 | 一种高压隔离开关故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866679A (zh) * | 2015-06-01 | 2015-08-26 | 西安交通大学 | 一种开关设备的机械特性预测方法 |
CN105467312A (zh) * | 2015-12-31 | 2016-04-06 | 北京四方继保自动化股份有限公司 | 一种气体绝缘金属封闭开关设备运行风险评估方法 |
US20180059186A1 (en) * | 2015-07-10 | 2018-03-01 | Qibei YANG | High-voltage circuit breaker opening and closing time online monitoring apparatus, smart multi-dimensional big data analyzing expert system for high-voltage circuit breaker in power grid and method therefor |
CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、系统及设备 |
KR20220085213A (ko) * | 2020-12-15 | 2022-06-22 | (주)디케이에코팜 | 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115586429A (zh) * | 2022-10-10 | 2023-01-10 | 中冶赛迪电气技术有限公司 | 一种gis组合电器典型故障缺陷概率预测方法 |
WO2023028779A1 (zh) * | 2021-08-30 | 2023-03-09 | 西门子股份公司 | 声学信号感测装置、及采用其的机械特性监测系统和方法 |
-
2023
- 2023-08-16 CN CN202311032342.7A patent/CN116796261B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866679A (zh) * | 2015-06-01 | 2015-08-26 | 西安交通大学 | 一种开关设备的机械特性预测方法 |
US20180059186A1 (en) * | 2015-07-10 | 2018-03-01 | Qibei YANG | High-voltage circuit breaker opening and closing time online monitoring apparatus, smart multi-dimensional big data analyzing expert system for high-voltage circuit breaker in power grid and method therefor |
CN105467312A (zh) * | 2015-12-31 | 2016-04-06 | 北京四方继保自动化股份有限公司 | 一种气体绝缘金属封闭开关设备运行风险评估方法 |
CN111581889A (zh) * | 2020-05-26 | 2020-08-25 | 瑞纳智能设备股份有限公司 | 用于供热设备组件的故障预测方法、系统及设备 |
KR20220085213A (ko) * | 2020-12-15 | 2022-06-22 | (주)디케이에코팜 | 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
WO2023028779A1 (zh) * | 2021-08-30 | 2023-03-09 | 西门子股份公司 | 声学信号感测装置、及采用其的机械特性监测系统和方法 |
CN115586429A (zh) * | 2022-10-10 | 2023-01-10 | 中冶赛迪电气技术有限公司 | 一种gis组合电器典型故障缺陷概率预测方法 |
Non-Patent Citations (1)
Title |
---|
于泉;郭增增;梁锐;: "基于马尔科夫链的高速公路机电设备寿命预测研究模型", 公路交通科技, no. 01 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117388681A (zh) * | 2023-12-07 | 2024-01-12 | 国网辽宁省电力有限公司 | 一种高压隔离开关故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116796261B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN111898669B (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN105759201A (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
CN105868770A (zh) | 一种基于非监督学习模型的高压断路器故障诊断方法 | |
CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN112187528A (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN102789676A (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN111638416A (zh) | 配电室配电柜的故障监测装置及方法 | |
CN109030976B (zh) | 一种电力电子设备监测诊断系统和方法 | |
CN116469417A (zh) | 一种基于声纹识别技术的gis断路器操作机构状态监测方法 | |
CN114280383B (zh) | 一种大型地面站天线的健康检测装置及健康检测方法 | |
CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
CN117406048B (zh) | 一种变压器放电故障诊断方法及装置 | |
CN110716133A (zh) | 一种基于物联网及大数据技术的高压断路器故障研判方法 | |
CN117879155A (zh) | 一种基于智能录波器采集信息的辅助决策系统 | |
CN109060332A (zh) | 一种基于协同过滤融合进行声波信号分析的机械设备诊断法 | |
CN114757455B (zh) | 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 | |
CN113722659B (zh) | 一种基于缺陷模式的变电主设备诊断方法和系统 |
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 |