CN116993215A - 一种电力装备制造质量智能化评价预警方法及系统 - Google Patents
一种电力装备制造质量智能化评价预警方法及系统 Download PDFInfo
- Publication number
- CN116993215A CN116993215A CN202310975515.2A CN202310975515A CN116993215A CN 116993215 A CN116993215 A CN 116993215A CN 202310975515 A CN202310975515 A CN 202310975515A CN 116993215 A CN116993215 A CN 116993215A
- Authority
- CN
- China
- Prior art keywords
- equipment
- quality
- data
- evaluation
- intelligent
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 230000007547 defect Effects 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000002452 interceptive effect Effects 0.000 claims abstract description 10
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012098 association analyses Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012097 association analysis method Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 7
- 230000009897 systematic effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003754 machining Methods 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
- -1 parts Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了电力装备制造质量智能化评价预警方法及系统,方法包括:获取装备质量数据,获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;依据装备质量数据,建立装备典型质量缺陷库;依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;提取装备质量的特征因素集中的关键指标及其权重,形成三维度评价体系;依据评价体系,采用模糊综合评判法计算得到装备质量指数,依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测。本发明能够提高信息交互效率,系统化评价标准及时检测出质量异常装备并发出预警,从而降低运维成本。
Description
技术领域
本发明涉及质量监测技术领域,尤其涉及一种电力装备制造质量智能化评价预警方法及系统。
背景技术
以数字技术为代表的第四次工业革命正在深化应用至电力系统各个环节,对电力装备的制造、供应、管理等方面的技术革新具有推动作用。电网企业提出实现装备从规划设计、采购建设、运维检修至退役处置的全业务流数据化、信息化,实现数据驱动的物资供应上下游资源管控的目标。因此,以数字化手段为载体,开展装备制造全过程数据流分析的研究,以准确评价电力装备质量、及时检测异常装备是发展趋势。
电网企业普遍通过型式试验、安装现场的试验结果和制造厂商提供的各项检验记录,进行质量评价。然而,装备制造过程中降低原材料或外构件档次、工艺不到位、装配缺陷等现象无法在型式试验或现场试验中体现;部分制造商为追求利益最大化,不严格贯彻质量标准,存在以次充好、刻意隐瞒数据等行为;无法及时检测出质量异常和问题,造成信息传递不及时增加运维成本等问题。
发明内容
鉴于上述现有存在的问题,提出了本发明。因此,本发明提供了一种电力装备制造质量智能化评价预警方法解决目前装备制造过程中工艺不到位、装配缺陷等现象无法在现场试验中体现;部分制造商存在以次充好、刻意隐瞒数据等行为;无法及时检测出质量异常,造成信息传递不及时增加运维成本的问题。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明提供了一种电力装备制造质量智能化评价预警方法,包括:
获取装备质量数据,所述获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;
依据所述装备质量数据,建立装备典型质量缺陷库;
依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;
提取所述装备质量的特征因素集中的关键指标及其权重,形成物料、工艺与检测三维度评价体系;
依据所述评价体系,采用模糊综合评判法计算得到装备质量指数,并依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测;所述两类异常模式包括趋势变化异常和超阈值异常。
作为本发明所述的电力装备制造质量智能化评价预警方法的一种优选方案,其中:所述通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,包括,
通过节点网关和节点共识机制构建分布式联盟区块;
电网系统和各厂家系统共同制定智能合约,当合约成立的条件达到时,合约自动执行;
合约通过P2P网络扩散并存入联盟区块;
当需要读取或者修改各个节点中的数据时,联盟区块中的每个节点共同生成一份智能合约,各个节点会自动执行命令。
作为本发明所述的电力装备制造质量智能化评价预警方法的一种优选方案,其中:所述利用主从链的数据共享模式实现交互数据信息,包括,
电网企业对装备的质量检测需求形成主链,记录各时间段、各类型的到货装备评价;
装备制造过程衍生的数据保存在各从节点的私链中,各个私链根据节点的类型构建成从链;
通过主链形成需求区块并发送该需求至API主节点网关,主节点网关接收该需求并内部广播至各从节点,与需求匹配的从节点进行装备质量检测,反馈计算结果至主节点网关,由主节点网关与交易需求主链进行对接并将数据读入。
作为本发明所述的电力装备制造质量智能化评价预警方法的一种优选方案,其中:所述建立装备典型质量缺陷库,包括,
依据厂家生产过程中的装备数据与电网在运设备的运行数据,建立装备典型质量缺陷库;
所述备典型质量缺陷库从装备类型、装备部件、制造全过程、典型缺陷四方面逐层建立。
作为本发明所述的电力装备制造质量智能化评价预警方法的一种优选方案,其中:依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集,其中,
事务数据库I={装备出现第j类缺陷};
项集Xi,j={影响因素i在第j类缺陷中超标个数};
项集Yi={影响因素i在所有缺陷中超标个数};
依据事务数据库I、项集Xi,j、项集Yi计算各参量的支持度,在支持度的基础上得到影响因素的置信度矩阵,得到影响装备质量的特征因素集。
作为本发明所述的电力装备制造质量智能化评价预警方法的一种优选方案,其中:采用模糊综合评判法计算得到装备质量指数,包括,
在三维度评价体系的基础上,设四个维度的评价指标集合为:
U={u1,u2,…,un}
将质量分为良好、合格、异常、低劣,表征质量的评语集合为:
V={v1,v2,v3,v4}
通过对不同装备类型、不同批次、不同厂家的质量开展横向和纵向对比与评估,得到各评价指标相对重要性的估测,得到权重集W;
评价指标集合U和评语集合V之间的模糊评判矩阵为:
式中,rij(0≤rij≤1)表示因素ui对评语vj的隶属关系。
综合模糊评判矩阵R和权重集W后,得模糊综合评判的数学模型:
式中,B为模糊综合评判的结果,bj为第j种状态vj对装备状态的隶属度,表示模糊运算符;
根据模糊综合评判结果B得到质量指数AQI=max{b|b∈B}。
作为本发明所述的电力装备制造质量智能化评价预警方法的一种优选方案,其中:所述实现缺陷信息检测,包括,
依据获取的装备质量数据,利用深度学习的智能诊断模型进行分类辨识,自动判断装备质量缺陷的类型、严重程度及其置信度;
结合生产工况、家族缺陷和环境因素对装备状态变化的影响,构建基于大数据样本的多维度装备质量缺陷诊断模型;
对评价为非合格状态或质量异常的装备各类历史数据和实时数据的进行融合分析,实现装备的质量确认、缺陷类型识别、缺陷定位以及严重程度检测。
第二方面,本发明提供了一种电力装备制造质量智能化评价预警系统,包括,数据共识模块,用于获取装备质量数据,所述获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;
缺陷库构建模块,用于依据所述装备质量数据,建立装备典型质量缺陷库;
关联分析模块,用于依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;
评价体系构建模块,用于提取所述装备质量的特征因素集中的关键指标及其权重,形成物料、工艺与检测三维度评价体系;
质量评价与检测模块,用于依据所述评价体系,采用模糊综合评判法计算得到装备质量指数,并依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测;所述两类异常模式包括趋势变化异常和超阈值异常。
第三方面,本发明提供了一种计算设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现所述电力装备制造质量智能化评价预警方法的步骤。
第四方面,本发明提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现所述电力装备制造质量智能化评价预警方法的步骤。
与现有技术相比,本发明的有益效果:本发明通过装备制造全过程数据分布式共识技术,构建联盟区块与节点的共识机制与智能合约,提出基于主-从链的装备制造全过程数据交互方法,提高信息交互效率;其次,建立装备典型质量缺陷库,从物料、工艺、检测三个维度建立质量评价体系,系统化评价标准;计算装备质量指数,及时检测出质量异常装备并发出预警,计算装备质量指数,及时检测出质量异常装备并发出预警,提升检测准确率,从而有的放矢,针对不同状态设备制定差异化的运维措施,以进一步降低成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例所述的电力装备制造质量智能化评价预警方法的整体流程示意图;
图2为本发明一个实施例所述的电力装备制造质量智能化评价预警方法中数据平台构建示意图;
图3为本发明一个实施例所述的电力装备制造质量智能化评价预警方法中装备制造全过程数据分布式共识技术架构示意图;
图4为本发明一个实施例所述的电力装备制造质量智能化评价预警方法中主-从链的数据共识模式示意图;
图5为本发明一个实施例所述的电力装备制造质量智能化评价预警方法中变压器装备典型质量缺陷库建立方案示意图;
图6为本发明一个实施例所述的电力装备制造质量智能化评价预警方法中装备质量评价指标体系示意图;
图7为本发明一个实施例所述的电力装备制造质量智能化评价预警方法中装备质量缺陷类型诊断流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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系统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“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-7,为本发明的一个实施例,提供了一种电力装备制造质量智能化评价预警方法,包括:
S1:获取装备质量数据,获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;
更进一步的,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,包括,
通过节点网关和节点共识机制构建分布式联盟区块;
电网系统和各厂家系统共同制定智能合约,当合约成立的条件达到时,合约自动执行;
合约通过P2P网络扩散并存入联盟区块;
当需要读取或者修改各个节点中的数据时,联盟区块中的每个节点共同生成一份智能合约,各个节点会自动执行命令。
应说明的是,装备质量影响因素对应的数据具有来源多、信息异构、属性繁多的特点,获取过程需要从电网和厂家的各个系统中抽取与装备质量相关的数据,将所有类型结构和非结构化数据进行抽取与汇集,如图2所示。数据的结构类型和获取方式多样,包括数值型、文本型、图像和视频等。数据平台的数据接入方式包括数据库直接导入,以及使用PDA(ID扫码器、智能手机、移动式巡检仪)等无线方式接入。
基于上述数据平台的构建,将共识机制引入运用,从而保障接入数据的安全性、可信度并可维护数据的一致性,同时使电网企业能通过数据接口和网关实时读取与分析各生产厂家的装备制造数据,极大减少电网企业数据池存储量和网络各节点的算力冗余。
针对智能合约,应说明的是,通过建立基于PoS的节点共识机制与智能合约,实现装备制造过程数据的便捷利用与安全可靠。电网企业的资产管理系统可随时下发装备质检需求,在装备质量检测模块中通过API接口/网关与联盟区块在智能合约下完成连接和数据共享。智能合约可以在事件触发后自动运行,并且具有可追踪性,共包括事务处理和保存机制,以及一个完备的状态机,事务的保存和状态处理都在区块链上完成;能够打破数据壁垒,促进信息的横向流动,并提升多节点协同合作的能力;且能够将闲置节点的算力也充分利用,实现与计算资源需求方的智能匹配,大大提高访问数据的效率。
更进一步的,利用主从链的数据共享模式实现交互数据信息,包括,
电网企业对装备的质量检测需求形成主链,记录各时间段、各类型的到货装备评价;
装备制造过程衍生的数据保存在各从节点的私链中,各个私链根据节点的类型构建成从链;
通过主链形成需求区块并发送该需求至API主节点网关,主节点网关接收该需求并内部广播至各从节点,与需求匹配的从节点进行装备质量检测,反馈计算结果至主节点网关,由主节点网关与交易需求主链进行对接并将数据读入。
应说明的是,如图3和4所示,电网企业作为主节点,与联盟区块中的从节点以主-从链的模式进行数据交互:主链BC1为电网企业质检信息链,由电网企业发起的装备质量检测需求,通过主链区块逐步完成需求广播、数据的读入与校核;从链BC2为厂家制造数据链,由各厂家形成的联盟区块不断生成装备制造过程数据,并完成主节点的需求响应、数据分析处理与结果上传。因此,在分布式共享技术架构下,电网企业和装备制造厂家的各节点按照需求达成数据共享,提高了数据数据交换、算力共享的有效性;同时,在联盟区块中分布式数据存储和可追溯性也保障了各节点数据的完整性、不可篡改,极大保障了信息安全。
具体的,可以参考多链中对权限的定义规则,设置各主节点拥有所在主-从链的管理员权限,包括主节点对主(从)链区块数的设定发布、连接网络中的其它从节点、发布数据交互需求及下载接收从节点发布的交易信息、流管理的设置等;各从节点仅具有连接各自主节点、上传及下载接收交易信息、发布资产的权限(资产指交易的数据、结果等)。
S2:依据装备质量数据,建立装备典型质量缺陷库;
更进一步的,建立装备典型质量缺陷库,包括,
依据厂家生产过程中的装备数据与电网在运设备的运行数据,建立装备典型质量缺陷库;
备典型质量缺陷库从装备类型、装备部件、制造全过程、典型缺陷四方面逐层建立。
应说明的是,对于缺陷库的建立可以在电网企业和厂家开展调研,收集和整理各类装备的技术标准、监造报告、试验报告、安装消除缺陷、运行维护手册、有关图纸、备品、备件等资料,以作为后续装备质量影响因素关联分析与特征提取的基础。
S3:依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;
更进一步的,依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集,其中,
事务数据库I={装备出现第j类缺陷};
项集Xi,j={影响因素i在第j类缺陷中超标个数};
项集Yi={影响因素i在所有缺陷中超标个数};
依据事务数据库I、项集Xi,j、项集Yi计算各参量的支持度,在支持度的基础上得到影响因素的置信度矩阵C,得到影响装备质量的特征因素集。
具体的,依据事务数据库I、项集Xi,j、项集Yi计算各参量的支持度,可以表示为:
其中,Xi,j和Yi为项集X和Y中的元素,S(Xi,j→Yi)表示Xi,j和Yi同时发生的支持度,P(Xi,j∪Yi)表示I中同时包含Xi,j和Yi的条件概率,σ(Xi,j∪Yi)表示Xi,j和Yi的支持度计数。
置信度矩阵C表示为:
S4:提取装备质量的特征因素集中的关键指标及其权重,形成物料、工艺与检测三维度评价体系;
应说明的是,提取装备质量的特征因素集中的关键指标及其权重可以选用主成分分析法、模糊层次分析法、熵权法或灰色关联度分析法。
同时,由于质量影响因素众多,因此在各生产进程测试数据与质量缺陷关联分析的基础上,从众多的影响因素中筛选关键指标,构建具备全面性、准确性和可拓性的装备质量评价体系。
具体的,如图6所示,三维度评价体系中,物料包括原材料、零部件、中间件和填充物;工艺包括零部件制造工艺、加工工艺和装配工艺;检测包括进程实时数据监测、过程试验、出厂试验和安装试验。
S5:依据评价体系,采用模糊综合评判法计算得到装备质量指数;
更进一步的,采用模糊综合评判法计算得到装备质量指数,包括,
在三维度评价体系的基础上,设四个维度的评价指标集合为:
U={u1,u2,...,un}
将质量分为良好、合格、异常、低劣,表征质量的评语集合为:
V={v1,v2,v3,v4}
通过对不同装备类型、不同批次、不同厂家的质量开展横向和纵向对比与评估,得到各评价指标相对重要性的估测,得到权重集W;
其中,wi为状态量ui的权重值。
评价指标集合U和评语集合V之间的模糊评判矩阵为:
式中,rij(0≤rij≤1)表示因素ui对评语vj的隶属关系。
综合模糊评判矩阵R和权重集W后,得模糊综合评判的数学模型:
式中,B为模糊综合评判的结果,bj为第j种状态vj对装备状态的隶属度,表示模糊运算符;
根据模糊综合评判结果B得到质量指数AQI=max{b|b∈B}。
以及,依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测;两类异常模式包括趋势变化异常和超阈值异常。
应说明的是,通过智能算法分析出两类异常模式,智能算法可以是统计、聚类、关联分析、时间序列分析、高维随机矩阵等大数据分析技术。
具体的,第一种状态异常情况是电力装备在制造过程中制造指令参数错误、工艺缺陷等原因造成状态可能会存在不同时间尺度的趋势改变,分离出此类趋势改变的异常对检测电力装备的潜在质量缺陷具有重大意义。这种情况主要基于增量递推的回归参数估计和广义似然比变化点检测算法,采用增量机制确定数据序列回归模型参数和分割点,实时提取不同时间尺度的数据趋势特征,分析趋势的异常变化。
第二种情况是超阈值异常,例如在出厂试验时局放或耐压指标超阈值,此时可结合电力装备的试验标准,判断该装备质量是否异常,提出不予验收或返厂检修等策略。
更进一步的,实现缺陷信息检测,包括,
依据获取的装备质量数据,利用深度学习的智能诊断模型进行分类辨识,自动判断装备质量缺陷的类型、严重程度及其置信度;
结合生产工况、家族缺陷和环境因素对装备状态变化的影响,构建基于大数据样本的多维度装备质量缺陷诊断模型;
对评价为非合格状态或质量异常的装备各类历史数据和实时数据的进行融合分析,实现装备的质量确认、缺陷类型识别、缺陷定位以及严重程度检测。
应说明的是,通过深度学习的智能诊断模型进行分类辨识流程可以如图7所示。
上述为本实施例的一种电力装备制造质量智能化评价预警方法的示意性方案。需要说明的是,该用于管理车载事件数据的的系统的技术方案与上述的电力装备制造质量智能化评价预警方法的技术方案属于同一构思,本实施例中用于管理车载事件数据的推系统的技术方案未详细描述的细节内容,均可以参见上述电力装备制造质量智能化评价预警方法的技术方案的描述。
本实施例还提供一种电力装备制造质量智能化评价预警系统,包括,
数据共识模块,用于获取装备质量数据,获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;
缺陷库构建模块,用于依据装备质量数据,建立装备典型质量缺陷库;
关联分析模块,用于依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;
评价体系构建模块,用于提取装备质量的特征因素集中的关键指标及其权重,形成物料、工艺与检测三维度评价体系;
质量评价与检测模块,用于依据评价体系,采用模糊综合评判法计算得到装备质量指数,并依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测;两类异常模式包括趋势变化异常和超阈值异常。
还可以包括,人机交互模块,用于设定用户管理、参数调整、预警的可视化发布和数据展示。
本实施例还提供一种计算设备,适用于用于管理车载事件数据的的情况,包括:
存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的实现电力装备制造质量智能化评价预警方法。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例提出的实现电力装备制造质量智能化评价预警方法。
本实施例提出的存储介质与上述实施例提出的实现电力装备制造质量智能化评价预警方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(ReadOnly,Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例2
参照表1、图3和图5,为本发明的一个实施例,提供了一种电力装备制造质量智能化评价预警方法,为了验证其有益效果,提供了一种应用实施例以及与传统评价方法比对。
S1:获取装备质量数据,获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;
具体技术架构如图3所示,综合各厂家的ERP系统、生产制造系统和检测系统,通过节点网关和节点共识机制构建分布式联盟区块,区块链中各节点地位相等,不存在完全中心化的节点,通过共识机制共同维护正常的运行。
S2:依据装备质量数据,建立装备典型质量缺陷库;
具体的,如图5,以变压器为例,技术标准资料包括型式、容量、绝缘水平、温升、噪声、试验、抗短路能力等,试验报告包括分接开关、套管、冷却器、潜油泵、压力释放阀、压力突变继电器、瓦斯继电器等。
S3:依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;
S4:提取装备质量的特征因素集中的关键指标及其权重,形成物料、工艺与检测三维度评价体系;
以主成分分析法为例,
定义一个p×n阶的数据矩阵X=(X1,X2,…,Xp)T,其中n表示样本个数,p表示基础参量个数,X1,X2,…,Xp表示p个基础参量对应的样本。
对该数据矩阵进行标准化、正交化,得到相关系数矩阵R=XXT,对相关矩阵R进行奇异值分解,得到R的特征值和特征向量。其特征值按大小顺序排列可表示为λ1≥λ2≥…≥λp≥0,α,α2,…,αp为特征值对应的特征向量。
确定主成分的个数及计算公式特征值λi的累计贡献率为CRi。若λ1,λ2,…,λm的累计贡献率属于85%~95%的置信区间,则确定有m个主成分能够用来表征原始的P个基础参量信息(m≤p)。
计算主成分综合得分,对m个主成分进行加权,计算出主成分的综合得分并得到各基础参量的权重H,以利用权重对各基础参量进行排名和评价,计算式为:
式中ω=(ω1,ω2,…,ωm)为主成分对综合得分的权重。由式(8)得到基础参量对综合得分的权重H的表达式为:
H=(h1,h2,…,hp)=(λ1α1+λ2α2+…+λmαm)T
将权重H归一化后,将值大于0的元素对应的影响因素i提取为影响质量的特征因素的关键指标。
S5:依据评价体系,采用模糊综合评判法计算得到装备质量指数;依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测。
经过上述过程所获得的检出装备异常率与传统的没有制造信息链的方法相比,见表1。
表1检出装备异常率对比表
由表1可知传统的装备出厂试验,检出装备异常率大概在1%-2%,但是装备出厂后在运行中,其缺陷事故等情况远高于这个数据,说明传统的出厂试验并没有很好的检出异常装备。通过本发明介绍的方法,将更精确检测出异常装备。
应说明的是,以上实施例仅用于说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种电力装备制造质量智能化评价预警方法,其特征在于,包括:
获取装备质量数据,所述获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;
依据所述装备质量数据,建立装备典型质量缺陷库;
依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;
提取所述装备质量的特征因素集中的关键指标及其权重,形成物料、工艺与检测三维度评价体系;
依据所述评价体系,采用模糊综合评判法计算得到装备质量指数,并依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测;所述两类异常模式包括趋势变化异常和超阈值异常。
2.如权利要求1所述的电力装备制造质量智能化评价预警方法,其特征在于,所述通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,包括,
通过节点网关和节点共识机制构建分布式联盟区块;
电网系统和各厂家系统共同制定智能合约,当合约成立的条件达到时,合约自动执行;
合约通过P2P网络扩散并存入联盟区块;
当需要读取或者修改各个节点中的数据时,联盟区块中的每个节点共同生成一份智能合约,各个节点会自动执行命令。
3.如权利要求1或2所述的电力装备制造质量智能化评价预警方法,其特征在于,所述利用主从链的数据共享模式实现交互数据信息,包括,
电网企业对装备的质量检测需求形成主链,记录各时间段、各类型的到货装备评价;
装备制造过程衍生的数据保存在各从节点的私链中,各个私链根据节点的类型构建成从链;
通过主链形成需求区块并发送该需求至API主节点网关,主节点网关接收该需求并内部广播至各从节点,与需求匹配的从节点进行装备质量检测,反馈计算结果至主节点网关,由主节点网关与交易需求主链进行对接并将数据读入。
4.如权利要求3所述的电力装备制造质量智能化评价预警方法,其特征在于,所述建立装备典型质量缺陷库,包括,
依据厂家生产过程中的装备数据与电网在运设备的运行数据,建立装备典型质量缺陷库;
所述备典型质量缺陷库从装备类型、装备部件、制造全过程、典型缺陷四方面逐层建立。
5.如权利要求4所述的电力装备制造质量智能化评价预警方法,其特征在于,依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集,其中,
事务数据库I={装备出现第j类缺陷};
项集Xi,j={影响因素i在第j类缺陷中超标个数};
项集Yi={影响因素i在所有缺陷中超标个数};
依据事务数据库I、项集Xi,j、项集Yi计算各参量的支持度,在支持度的基础上得到影响因素的置信度矩阵,得到影响装备质量的特征因素集。
6.如权利要求1或5所述的电力装备制造质量智能化评价预警方法,其特征在于,采用模糊综合评判法计算得到装备质量指数,包括,
在三维度评价体系的基础上,设四个维度的评价指标集合为:
U={u1,u2,…,un}
将质量分为良好、合格、异常、低劣,表征质量的评语集合为:
V={v1,v2,v3,v4}
通过对不同装备类型、不同批次、不同厂家的质量开展横向和纵向对比与评估,得到各评价指标相对重要性的估测,得到权重集W;
评价指标集合U和评语集合V之间的模糊评判矩阵为:
式中,rij(0≤rij≤1)表示因素ui对评语vj的隶属关系。
综合模糊评判矩阵R和权重集W后,得模糊综合评判的数学模型:
式中,B为模糊综合评判的结果,bj为第j种状态vj对装备状态的隶属度,°表示模糊运算符;
根据模糊综合评判结果B得到质量指数AQI=max{b|b∈B}。
7.如权利要求6所述的电力装备制造质量智能化评价预警方法,其特征在于,所述实现缺陷信息检测,包括,
依据获取的装备质量数据,利用深度学习的智能诊断模型进行分类辨识,自动判断装备质量缺陷的类型、严重程度及其置信度;
结合生产工况、家族缺陷和环境因素对装备状态变化的影响,构建基于大数据样本的多维度装备质量缺陷诊断模型;
对评价为非合格状态或质量异常的装备各类历史数据和实时数据的进行融合分析,实现装备的质量确认、缺陷类型识别、缺陷定位以及严重程度检测。
8.一种用于管理车载事件数据的的系统,其特征在于,包括,
数据共识模块,用于获取装备质量数据,所述获取包括,通过共识机制进行分布决策,利用智能合约自动完成数据传递、验证和执行,利用主从链的数据共享模式实现交互数据信息;
缺陷库构建模块,用于依据所述装备质量数据,建立装备典型质量缺陷库;
关联分析模块,用于依据装备典型质量缺陷库,通过关联分析方法提取影响装备质量的特征因素集;
评价体系构建模块,用于提取所述装备质量的特征因素集中的关键指标及其权重,形成物料、工艺与检测三维度评价体系;
质量评价与检测模块,用于依据所述评价体系,采用模糊综合评判法计算得到装备质量指数,并依据获取的数据通过智能算法分析出两类异常模式,并实现缺陷信息检测;所述两类异常模式包括趋势变化异常和超阈值异常。
9.一种电子设备,包括:
存储器和处理器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述电力装备制造质量智能化评价预警方法的步骤。
10.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述电力装备制造质量智能化评价预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975515.2A CN116993215A (zh) | 2023-08-04 | 2023-08-04 | 一种电力装备制造质量智能化评价预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975515.2A CN116993215A (zh) | 2023-08-04 | 2023-08-04 | 一种电力装备制造质量智能化评价预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993215A true CN116993215A (zh) | 2023-11-03 |
Family
ID=88522936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310975515.2A Pending CN116993215A (zh) | 2023-08-04 | 2023-08-04 | 一种电力装备制造质量智能化评价预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993215A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455312A (zh) * | 2023-12-12 | 2024-01-26 | 国网信通亿力科技有限责任公司 | 基于区块链技术的电网智慧供应链质量检测方法及系统 |
-
2023
- 2023-08-04 CN CN202310975515.2A patent/CN116993215A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455312A (zh) * | 2023-12-12 | 2024-01-26 | 国网信通亿力科技有限责任公司 | 基于区块链技术的电网智慧供应链质量检测方法及系统 |
CN117455312B (zh) * | 2023-12-12 | 2024-03-08 | 国网信通亿力科技有限责任公司 | 基于区块链技术的电网智慧供应链质量检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190197442A1 (en) | Artificial intelligence based risk and knowledge management | |
Galar et al. | Integration of disparate data sources to perform maintenance prognosis and optimal decision making | |
CN116993215A (zh) | 一种电力装备制造质量智能化评价预警方法及系统 | |
CN108053148A (zh) | 一种电力信息系统故障高效诊断方法 | |
CN116993306A (zh) | 基于知识图谱的网络协同制造系统的构建方法和装置 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN113128707A (zh) | 一种配电自动化终端态势风险评估方法 | |
Kang et al. | A method of online anomaly perception and failure prediction for high-speed automatic train protection system | |
Alshathri et al. | Digital twin-based automated fault diagnosis in industrial IoT applications | |
Niu et al. | Application of AHP and EIE in reliability analysis of complex production lines systems | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN112836967A (zh) | 新能源汽车电池安全风险评估系统 | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、系统和计算机设备 | |
CN113537681A (zh) | 用于炼化企业设备管理信息化的方法及系统 | |
CN111553581A (zh) | 一种基于熵值的装备维修性评价模型 | |
KR102437917B1 (ko) | 장비 운영 시스템 | |
Wei et al. | A new BRB model for cloud security-state prediction based on the large-scale monitoring data | |
CN115204608A (zh) | 电网工程质量指数的确定方法、装置和计算机设备 | |
Hou | Financial Abnormal Data Detection System Based on Reinforcement Learning | |
CN115018120A (zh) | 基于健康指数的预测性维护方法、系统及可读存储介质 | |
CN114400776A (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
Chen et al. | A data mining method for extracting key factors of distribution network reliability | |
Du et al. | Remaining useful life assessment of machine tools based on AHP method and Euclid approach degree | |
Zhang et al. | [Retracted] Substation Operation Information Maintenance Based on Intelligent Data Mining | |
Gu et al. | Research on health state assessment and prediction for complex equipment based on the improved FMECA and GM (1, 1) |
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 |