CN117370870A - 知识和数据复合驱动的装备多工况识别与性能预测方法 - Google Patents

知识和数据复合驱动的装备多工况识别与性能预测方法 Download PDF

Info

Publication number
CN117370870A
CN117370870A CN202311648023.9A CN202311648023A CN117370870A CN 117370870 A CN117370870 A CN 117370870A CN 202311648023 A CN202311648023 A CN 202311648023A CN 117370870 A CN117370870 A CN 117370870A
Authority
CN
China
Prior art keywords
complex equipment
working condition
performance prediction
parameters
model
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
Application number
CN202311648023.9A
Other languages
English (en)
Other versions
CN117370870B (zh
Inventor
刘振宇
侯明杰
撒国栋
李斌
黄友根
谭建荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Ningbo Fotile Kitchen Ware Co Ltd
Original Assignee
Zhejiang University ZJU
Ningbo Fotile Kitchen Ware Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Ningbo Fotile Kitchen Ware Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202311648023.9A priority Critical patent/CN117370870B/zh
Publication of CN117370870A publication Critical patent/CN117370870A/zh
Application granted granted Critical
Publication of CN117370870B publication Critical patent/CN117370870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/10—Pre-processing; Data cleansing
    • 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]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种知识和数据复合驱动的装备多工况识别与性能预测方法，涉及复杂装备性能预测技术领域，该方法包括：采集复杂装备当前的变量参数；变量参数包括环境参数、温度参数和控制参数；将控制参数输入至多工况识别模型中进行工况识别；当识别出复杂装备处于未启动工况时，确定复杂装备的运行功率为0；当识别出复杂装备处于动态工况时，将当前的变量参数输入至动态模型中进行性能预测；当识别出复杂装备处于稳态工况时，将当前的变量参数输入至稳态模型中进行性能预测。本发明能够准确识别复杂装备当前运行工况，提高复杂装备实际运行时的性能预测准确性。

Description

知识和数据复合驱动的装备多工况识别与性能预测方法
技术领域
本发明涉及复杂装备性能预测技术领域，特别涉及一种知识和数据复合驱动的装备多工况识别与性能预测方法。
背景技术
复杂装备在工业生产中发挥着至关重要的作用，在发电、空分、海军舰艇、冶金等特殊工作场景中占据着核心地位。在运行过程中，通常有数百个参数共同影响装备的性能，并且需要根据负载的变化动态调整参数，以保证输出功率达到预期性能。对装备性能进行预测是装备稳定运行和高效控制的基础。然而，各参数与性能之间的相关特征是强烈的非线性和隐式的，这使得预测装备的性能非常困难。目前，复杂装备的性能模型主要分为数学机理模型和数据驱动模型。数学机理模型主要是指理论数学模型，由热力学、动力学、流体力学等基本物理理论和装备的运行机理推导而来，数学表达式非常复杂，并且有大量的约束，导致计算结果出现偏差。数据驱动模型是则利用数据和深度学习进行建模。传统机器学习是选取几个关键变量进行近似预测，导致预测精度不足。当处理高维变量时，样本需求急剧增加，并且高概率发生过拟合。现有的人工神经网络(Artificial neural network，(ANN))大多处理稳态状况。然而，大型装备是复杂的多工况运行系统，结构复杂，设计参数较多，少变量不能概全众多实际运行参数。仿真数据是在理想情况下得到的，与实际运行数据有较大差异。
发明内容
本发明的目的是提供一种知识和数据复合驱动的装备多工况识别与性能预测方法，用以准确识别复杂装备当前运行工况，提高复杂装备实际运行时的性能预测准确性。
为实现上述目的，本发明提供了如下方案：
一种知识和数据复合驱动的装备多工况识别与性能预测方法，包括：
采集复杂装备当前的变量参数；所述变量参数包括环境参数、温度参数和控制参数；
将所述控制参数输入至多工况识别模型中进行工况识别；
当识别出复杂装备处于未启动工况时，确定所述复杂装备的运行功率为0；
当识别出复杂装备处于动态工况时，将当前的变量参数输入至动态模型中进行性能预测；
当识别出复杂装备处于稳态工况时，将当前的变量参数输入至稳态模型中进行性能预测。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过复杂装备的多工况识别模型准确识别复杂装备的当前运行状态，并根据当前的工况选择对应的模型进行性能预测，本发明能够提高多工况下的复杂设备的性能预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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他的附图。
图1为本发明提供的知识和数据复合驱动的装备多工况识别与性能预测方法的流程图。
图2为动态模型示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
本发明的目的是提供一种知识和数据复合驱动的装备多工况识别与性能预测方法，用以准确识别复杂装备当前运行工况，提高复杂装备实际运行时的性能预测准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的知识和数据复合驱动的装备多工况识别与性能预测方法，包括以下步骤：
S1：采集复杂装备当前的变量参数；变量参数包括环境参数、温度参数和控制参数。
在采集到当前的变量参数后，需要对其进行归一化处理。
S2：将控制参数输入至多工况识别模型中进行工况识别。
多工况识别模型基于一维卷积神经网络（1D-CNN）构建；多工况识别模型的训练数据为复杂装备历史不同工况下的变量参数中的控制参数；不同工况包括未启动工况、动态工况和稳态工况。
多工况识别模型的训练过程如下：
1）制作训练数据集。通过复杂装备自带的控制系统里面存储的数据，导出即可，或者直接访问。导出后形成复杂装备实际运行过程的数据集，训练数据集采集的采样周期是1分钟。
2）基于知识进行数据预处理。正确选择输入变量参数对建模非常重要。根据复杂装备的工作机理，工作过程的推导和设计参数的迭代，可以知道在不同的工况的下，复杂装备的参数需求是不一样的。基于机理知识，可以将输入的变量参数分为环境参数，如温度，大气压，运行参数如转速、流量等，和控制相关阀门开启和关闭的控制参数。复杂装备的工况可以分为未启动工况、动态工况和稳态工况。通过机理知识分析和对数据集的观察，可以发现，随着工作时间的变化，一些数据并没有发生变化，这些数据不能提供装备工作的一些有效信息，也会增加模型的复杂性，降低模型的效率。可以认为这些数据不工作，因此根据工作情况，将这些传感器采集到的变量参数删除。在不同的工况阶段，对模型起作用的变量参数不相同。通过各工况的建模，可以自动选择出对本工况有用的变量参数。对数据进行归一化处理。如果对未归一化的数据直接进行建模，可能会导致模型对数值大的变量学习过多，而对数值小的变量训练不够充分，往往模型效果会不好。本发明使用Min-Max归一化去除了数据的单位限制，将其转化为无量纲参数，以消除量纲的影响，利用数据列中的最大值xmax和最小值xmin进行归一化处理，归一化后的数值处于[0,1]之间，计算方式为数据x与该列的最小值xmin作差，再除以极差。
3）基于知识选择控制参数。通过复杂装备实际运行的分析和机理的辅助，在工况识别阶段，选取了控制参数作为多工况识别模型的输入。
4）将控制参数作为1D-CNN的输入。首先经过一层一维卷积结构，输入通道为1，输出通道为64，卷积核大小为5，步幅为1，边界填充为2；然后经过BatchNorm层进行归一化，再经过Relu激活函数层，之后是最大池化层，最大池化层卷积核大小为2，步幅为1。
之后再经过一层一维卷积结构，输入通道为64，输出通道为128，卷积核大小为5，步幅和边界填充都是1，然后经过BatchNorm层进行归一化，再经过Relu激活函数层，之后是最大池化层，最大池化层卷积核大小为3，步幅为1。
之后，再经过一层卷积层，输入通道为128，输出通道为256，然后经过BatchNorm层，Relu激活函数层和最大池化层，最大池化层卷积核大小为2，步幅为1。
将运算后的序列经过Flatten层，把输入的多维数据拉成一维的，直观上可理解为将数据“压平”，得到展开后序列。然后经过全连接层，得到工况的分类结果。
基于多工况识别模型的识别结果，判断复杂装备处于未启动工况、动态工况还是稳态工况。
多工况识别模型主要指用来识别复杂装备的工况状态。在训练数据集中，在首次达到额定功率后30秒之后，复杂装备处于稳态工况。
S3：当识别出复杂装备处于未启动工况时，确定复杂装备的运行功率为0。
S4：当识别出复杂装备处于动态工况时，将当前的变量参数输入至动态模型中进行性能预测。动态模型基于门控循环单元网络和核岭回归构建；动态模型的训练数据为复杂装备历史动态工况下的变量参数和历史动态工况下复杂装备的运行功率。
动态模型指在动态工况预测功率输出的模型，本发明建立了一个基于门控循环网络（GRU）和核岭回归(kernel ridge regression, KRR)的耦合模型，如图2所示，在充分利用隐含时间特征的同时，增加模型的强泛化性。
S5：当识别出复杂装备处于稳态工况时，将当前的变量参数输入至稳态模型中进行性能预测。稳态模型基于人工神经网络构建；稳态模型的训练数据为复杂装备历史稳态工况下的变量参数和历史稳态工况下复杂装备的运行功率。
稳态模型指在稳态工况预测功率输出的模型，基于人工神经网络构建。稳态模型的架构包含三个隐藏层，分别有128、64和32个神经元。
根据动态模型和稳态模型预测的复杂装备的运行功率确定复杂装备的性能。若预测的复杂装备的运行功率超过预设范围，且当前复杂装备性能差，需要及时检修。
动态模型和稳态模型将平均绝对误差Mmae、均方误差Mmse、均方根误差Mrmse、相关系数R2、平均相对误差Mmape作为评价指标，具体公式如下：
式中：n为样本数量；、/>分别为运行功率的实际测量值与预测值；/>为运行功率测量的平均值。
因为复杂装备的运行实际是多工况的，不是单一的稳态工况。因此，本发明利用复杂装备的实际运行数据，构建了三种模型，主要包多工况识别模型、动态模型和稳态模型。根据专业知识得到影响复杂装备工况识别的变量参数，将变量参数中的控制参数输入到工况识别模型中，主要用于识别当前复杂装备处于未启动、动态和稳态中的哪种工况。然后，分别建立了动态工况下的性能预测模型（即动态模型）和稳态工况下的性能预测模型（即稳态模型），并进行了相应的性能预测，实现多工况下的性能预测。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，包括：
采集复杂装备当前的变量参数；所述变量参数包括环境参数、温度参数和控制参数；
将所述控制参数输入至多工况识别模型中进行工况识别；
当识别出复杂装备处于未启动工况时，确定所述复杂装备的运行功率为0；
当识别出复杂装备处于动态工况时，将当前的变量参数输入至动态模型中进行性能预测；
当识别出复杂装备处于稳态工况时，将当前的变量参数输入至稳态模型中进行性能预测。
2.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述多工况识别模型基于一维卷积神经网络构建；所述多工况识别模型的训练数据为复杂装备历史不同工况下的变量参数中的控制参数；不同工况包括未启动工况、动态工况和稳态工况。
3.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述动态模型基于门控循环单元网络和核岭回归构建；所述动态模型的训练数据为复杂装备历史动态工况下的变量参数和历史动态工况下复杂装备的运行功率。
4.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述稳态模型基于人工神经网络构建；所述稳态模型的训练数据为复杂装备历史稳态工况下的变量参数和历史稳态工况下复杂装备的运行功率。
5.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，在采集复杂装备当前的变量参数之后，还包括：对当前的变量参数进行归一化处理。
CN202311648023.9A 2023-12-05 2023-12-05 知识和数据复合驱动的装备多工况识别与性能预测方法 Active CN117370870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311648023.9A CN117370870B (zh) 2023-12-05 2023-12-05 知识和数据复合驱动的装备多工况识别与性能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311648023.9A CN117370870B (zh) 2023-12-05 2023-12-05 知识和数据复合驱动的装备多工况识别与性能预测方法

Publications (2)

Publication Number Publication Date
CN117370870A true CN117370870A (zh) 2024-01-09
CN117370870B CN117370870B (zh) 2024-02-20

Family

ID=89406158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311648023.9A Active CN117370870B (zh) 2023-12-05 2023-12-05 知识和数据复合驱动的装备多工况识别与性能预测方法

Country Status (1)

Country Link
CN (1) CN117370870B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3451230A1 (en) * 2017-09-04 2019-03-06 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object
CN109543221A (zh) * 2018-10-19 2019-03-29 天津大学 一种用于空调冷水机组现场故障诊断方法
CN111192257A (zh) * 2020-01-02 2020-05-22 上海电气集团股份有限公司 一种确定设备状态的方法、系统及设备
CN115329219A (zh) * 2022-07-11 2022-11-11 北京航空航天大学 一种基于预测的复杂装备异常检测方法
CN115718880A (zh) * 2022-11-09 2023-02-28 北京九天翱翔科技有限公司 一种复杂装备退化阶段的预测方法
EP4170557A1 (en) * 2021-10-22 2023-04-26 Sap Se Machine learning based performance prediction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3451230A1 (en) * 2017-09-04 2019-03-06 Samsung Electronics Co., Ltd. Method and apparatus for recognizing object
CN109543221A (zh) * 2018-10-19 2019-03-29 天津大学 一种用于空调冷水机组现场故障诊断方法
CN111192257A (zh) * 2020-01-02 2020-05-22 上海电气集团股份有限公司 一种确定设备状态的方法、系统及设备
EP4170557A1 (en) * 2021-10-22 2023-04-26 Sap Se Machine learning based performance prediction
CN115329219A (zh) * 2022-07-11 2022-11-11 北京航空航天大学 一种基于预测的复杂装备异常检测方法
CN115718880A (zh) * 2022-11-09 2023-02-28 北京九天翱翔科技有限公司 一种复杂装备退化阶段的预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴立金;夏冉;詹红燕;韩新宇;: "基于深度学习的故障预测技术研究", 计算机测量与控制, no. 02, pages 18 - 21 *

Also Published As

Publication number Publication date
CN117370870B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN112580263B (zh) 基于时空特征融合的涡扇发动机剩余使用寿命预测方法
Liu et al. Remaining useful life prediction using a novel feature-attention-based end-to-end approach
CN111768000A (zh) 在线自适应微调深度学习的工业过程数据建模方法
CN114282443A (zh) 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法
Yuan et al. A multiscale feature learning scheme based on deep learning for industrial process monitoring and fault diagnosis
CN110647911A (zh) 一种基于主成分分析和深度信念网络的轴承故障诊断方法
CN113988215B (zh) 一种配电网计量柜状态检测方法及系统
CN106778838A (zh) 一种预测空气质量的方法
CN114218872A (zh) 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法
CN112580784A (zh) 基于多输入多输出卷积神经网络的设备智能预警方法
CN114118225A (zh) 发电机剩余寿命预测方法、系统、电子设备和存储介质
CN114580288A (zh) 一种基于dsecjan的智能故障诊断方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN113344243A (zh) 基于改进哈里斯鹰算法优化elm的风速预测方法及系统
CN112580798A (zh) 基于多输入多输出ResNet的设备智能预警方法
CN114897274A (zh) 一种提升时间序列预测效果的方法和系统
CN117909881A (zh) 多源数据融合的抽油机的故障诊断方法及装置
Wenqiang et al. Remaining useful life prediction for mechanical equipment based on temporal convolutional network
CN117370870B (zh) 知识和数据复合驱动的装备多工况识别与性能预测方法
CN116702839A (zh) 一种基于卷积神经网络的模型训练方法及应用系统
CN113530921A (zh) 基于es-mlstm的液压机故障诊断方法
CN117407704A (zh) 可再生能源发电功率预测方法及其计算机设备、储存介质
CN116484497A (zh) 一种基于多任务Transformer的过失速预测方法
CN114841063A (zh) 一种基于深度学习的航空发动机剩余寿命预测方法

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
GR01 Patent grant
GR01 Patent grant