CN117391674A - 一种基于可靠性的电气设备预防性维修优化方法及装置 - Google Patents
一种基于可靠性的电气设备预防性维修优化方法及装置 Download PDFInfo
- Publication number
- CN117391674A CN117391674A CN202311452777.7A CN202311452777A CN117391674A CN 117391674 A CN117391674 A CN 117391674A CN 202311452777 A CN202311452777 A CN 202311452777A CN 117391674 A CN117391674 A CN 117391674A
- Authority
- CN
- China
- Prior art keywords
- data
- electrical equipment
- model
- reliability
- group
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003449 preventive effect Effects 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010616 electrical installation Methods 0.000 claims 1
- 238000009434 installation Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013468 resource allocation Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于可靠性的电气设备预防性维修优化方法及装置,属于设备监测技术领域,该优化方法具体步骤如下:(1)采集并处理监测电气设备的运行数据;(2)构建电气设备3D模型并同步标注;(3)检测设备状态变化并评估各设备可靠性;(4)依据评估结果生成维护计划并反馈给工作人员;(5)存储各组电气设备数据并进行可视化显示;(6)实时更新监控平台数据并对平台性能进行调整优化;本发明能够实现对数据中的复杂模式和非线性关系的识别,减少数据预处理的工作量,能够制定更准确的维护计划和预测维护需求,能够提高数据访问效率,有利于优化资源分配,满足维护需求并降低成本,且节省存储空间并保持数据的新鲜性。
Description
技术领域
本发明涉及设备监测技术领域,尤其涉及一种基于可靠性的电气设备预防性维修优化方法及装置。
背景技术
在当今快节奏的工业和商业环境中,电气设备的可靠性和维护管理已经成为确保生产连续性和降低生产成本的至关重要因素。电气设备广泛应用于制造、能源生产、基础设施和信息技术等各个行业,因此,任何设备的故障或停机都可能导致重大经济损失和生产延误。传统的维护方法主要基于固定的时间表或设备寿命预测,这往往会导致不必要的维护活动,增加维护成本,同时无法捕捉突发事件和设备状态变化。随着信息技术的迅猛发展,我们进入了一个数据驱动的时代,可以更智能、精确地管理电气设备的维护。数据分析、大数据、人工智能和物联网技术的蓬勃发展,为电气设备维护领域带来了前所未有的机会。一种基于可靠性的电气设备预防性维修优化方法及装置应运而生。
经检索,中国专利号CN112507516A公开了一种基于可靠性的电气设备预防性维修优化方法及装置,该发明虽然提高了准确性,尽可能的降低维修成本,从而提升了电气设备利用率,但是无法对数据中的复杂模式和非线性关系进行识别,增加数据预处理的工作量,无法制定准确的维护计划和预测维护需求;此外,现有的电气设备预防性维修优化方法及装置数据访问效率低下,维护需求跟成本较高,且容易产生存储空间的浪费;为此,我们提出一种基于可靠性的电气设备预防性维修优化方法及装置。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种基于可靠性的电气设备预防性维修优化方法及装置。
为了实现上述目的,本发明采用了如下技术方案:
一种基于可靠性的电气设备预防性维修优化方法,该优化方法具体步骤如下:
(1)采集并处理监测电气设备的运行数据;
(2)构建电气设备3D模型并同步标注;
(3)检测设备状态变化并评估各设备可靠性;
(4)依据评估结果生成维护计划并反馈给工作人员;
(5)存储各组电气设备数据并进行可视化显示;
(6)实时更新监控平台数据并对平台性能进行调整优化。
作为本发明的进一步方案,步骤(1)所述电气设备运行数据采集处理具体步骤如下:
步骤一:利用多组传感器采集电器设备运行数据,再通过高斯滤波去除各组运行数据中的噪声并平滑数据,之后计算运行数据的标准偏差,之后依据计算出的标准偏差分别对异常数据进行检测并筛除,并统一数据格式,再检测是否存在重复的数据记录,若存在重复数据,则将其删除;
步骤二:检测各组数据中存在的缺失值,并标记各缺失值在对应数据中的所在位置,对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围,并通过KNN算法找到的相应的K组数据点的平均值或中位数来替代异常值或缺失值。
作为本发明的进一步方案,所述传感器具体包括温度传感器、振动传感器、电流传感器、电压传感器、压力传感器、流量传感器、湿度传感器、气体传感器、光学传感器以及声音传感器。
作为本发明的进一步方案,步骤(2)所述电器设备3D模型构建具体步骤如下:
步骤1:收集电气设备参数,之后选择3D建模工具和技术根据收集到的数据,创建电气设备的3D模型,同时设计和创建3D模型的外观,并在3D建模工具中创建一个虚拟场景,将电气设备的3D模型放置在其中;
步骤2:设置3D模型的光照和相机视角确保用户能够清晰地看到电气设备和环境,再将实际的数据与3D模型关联,并将各组传感器数据绑定到对应的设备;
步骤3:实时获取最新的电气设备运行数据,根据最新的数据更新3D模型中的设备状态和环境指标,同时创建3D模型交互界面,并添加对应的视觉效果以传达设备状态信息,以及使用标签或工具提示显示各电气设备的详细信息。
作为本发明的进一步方案,步骤(3)所述设备可靠性评估具体步骤如下:
步骤Ⅰ:提取电气设备运行数据中的特征信息,将获取的特征数据通过随机替换或采样获取创建新特征,再通过特征缩放和标准化使不同特征在相同的尺度上,将收集的各组特征数据随机划分为训练集、测试集以及验证集;
步骤Ⅱ:创建可靠性模型并依据各组设备故障以及异常特征确定该模型神经元数量,同时将各神经元权重初始化为随机值或预设的初始值,并依据预设信息确定模型学习率以及步长;
步骤Ⅲ:将训练集划分为小批量,通过前向传播分批次将各组训练集数据传递到可靠性模型中并计算每个神经元的输出,再使用损失函数来比较可靠性模型的输出与实际目标值之间的差异,然后通过反向传播算法,根据损失函数的梯度来计算权重的梯度,通过梯度下降算法更新各神经元权重,再使用验证集来评估训练好的模型的性能,并通过交叉验证法对不满足预设条件的模型学习率进行调整;
步骤Ⅳ:当模型在验证集上的性能不再改善,或者开始恶化时,则选择提前停止训练,并通过测试集评估最终可靠性模型的性能,重复对模型进行训练测试,直至所有训练集都使用完毕后,将性能最佳的神经网络模型部署到监测系统中;
步骤Ⅴ:定期从传感器中收集并预处理各项数据,将预处理后的数据传递到可靠性模型中进行前向传播,数据从输入层开始,通过各隐层并计算每层神经元的加权输入,同时通过激活函数计算各层神经元输出并作为输入传递到下一层,直至传递至输出层,之后输出层依据各神经元权重比例输出电气设备一组或多组故障或异常的概率分布。
作为本发明的进一步方案,步骤(5)所述电气设备数据存储具体步骤如下:
步骤①:按照预设的时间区间对各组电池系统数据进行分割,以获形成多组数据块,之后通过哈希算法生成各组数据块的标识,收集各组区块链节点信息,并获取各组节点负载情况;
步骤②:通过负载均衡算法选择对应的区块链节点来存储每组数据块,数据块存储完成后,根据系统的要求和可用资源进行配置复制规定数量的数据块到多组区块链节点上,当节点存储的数据发生变化时,通过数据同步算法将数据更新从一个节点传播到其他节点;
步骤③:当构造一组新的数据块时,将其广播到区块链网络中,并传播给多组区块链节点,各组区块链节点进行共识验证,确认该数据块的有效性和合法性并添加如区块链网络中存储。
作为本发明的进一步方案,步骤(6)所述平台性能调整优化具体步骤如下:
第一步:依据工作人员预设信息确定系统中各项数据信息以及指针结构,并创建一个空链表,同时根据系统内存资源和性能需求设置链表的最大容量;
第二步:当需要访问数据时,在缓存链表中查找该数据,如果数据存在于链表中,将其移动到链表头部,表示最近使用过,如果数据不在链表中,则从数据库或其他数据源获取数据,并将其添加到链表头部;
第三步:定期监控链表的长度、缓存命中率以及性能指标,当缓存容量达到上限时,基于最近访问的时间来判断链表中最久未被访问的数据,并将对应数据节点从链表尾部移除并释放资源,同时将链表的头部指针更新到新的头部节点,记录缓存命中率和淘汰操作的次数,并定期监控平台性能。
一种基于可靠性的电气设备预防性维修优化装置,包括传感器、存储器、处理器、执行器、通信总线、控制器、无线模块以及位置追踪器;
所述传感器用于监测电气设备的各种参数;
所述存储器用于存储采集的数据以备后续分析;
所述处理器用于进行数据分析和可靠性计算以确定维护时机;
所述执行器用于根据维护计划执行具体的维护任务;
所述通信总线用于控制各种电子元件之间的数据传输和通信;
所述控制器用于管理维护过程,确保按照计划进行;
所述无线模块用于进行远程监控和数据共享;
所述位置追踪器用于跟踪设备的位置。
相比于现有技术,本发明的有益效果在于:
1、该基于可靠性的电气设备预防性维修优化方法依据收集电气设备参数构建电气设备的3D模型,并根据最新的数据实时更新3D模型中的设备状态和环境指标,之后提取电气设备运行数据中的特征信息,并将收集的各组特征数据随机划分为训练集、测试集以及验证集,通过训练集对可靠性模型进行训练,并通过验证集与测试集对可靠性模型进行验证与测试,并定期从传感器中收集并预处理各项数据,将预处理后的数据传递到可靠性模型中进行前向传播,数据从输入层开始,通过各隐层并计算每层神经元的加权输入,同时通过激活函数计算各层神经元输出并作为输入传递到下一层,直至传递至输出层,之后输出层依据各神经元权重比例输出电气设备一组或多组故障或异常的概率分布,能够实现对数据中的复杂模式和非线性关系的识别,减少数据预处理的工作量,能够制定更准确的维护计划和预测维护需求。
2、本发明依据工作人员预设信息确定系统中各项数据信息以及指针结构,并创建一个空链表,同时根据系统内存资源和性能需求设置链表的最大容量,当需要访问数据时,在缓存链表中查找该数据,如果数据存在于链表中,将其移动到链表头部,表示最近使用过,如果数据不在链表中,则从数据库或其他数据源获取数据,并将其添加到链表头部,定期监控链表的长度、缓存命中率以及性能指标,当缓存容量达到上限时,基于最近访问的时间来判断链表中最久未被访问的数据,并将对应数据节点从链表尾部移除并释放资源,同时将链表的头部指针更新到新的头部节点,记录缓存命中率和淘汰操作的次数,并定期监控平台性能,能够提高数据访问效率,有利于优化资源分配,满足维护需求并降低成本,且节省存储空间并保持数据的新鲜性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种基于可靠性的电气设备预防性维修优化方法的流程框图。
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。
实施例1
参照图1,本实施例公开了一种基于可靠性的电气设备预防性维修优化方法,该优化方法具体步骤如下:
采集并处理监测电气设备的运行数据。
具体的,利用多组传感器采集电器设备运行数据,再通过高斯滤波去除各组运行数据中的噪声并平滑数据,之后计算运行数据的标准偏差,之后依据计算出的标准偏差分别对异常数据进行检测并筛除,并统一数据格式,再检测是否存在重复的数据记录,若存在重复数据,则将其删除,检测各组数据中存在的缺失值,并标记各缺失值在对应数据中的所在位置,对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围,并通过KNN算法找到的相应的K组数据点的平均值或中位数来替代异常值或缺失值。
本实施例中,传感器具体包括温度传感器、振动传感器、电流传感器、电压传感器、压力传感器、流量传感器、湿度传感器、气体传感器、光学传感器以及声音传感器。
构建电气设备3D模型并同步标注。
具体的,收集电气设备参数,之后选择3D建模工具和技术根据收集到的数据,创建电气设备的3D模型,同时设计和创建3D模型的外观,并在3D建模工具中创建一个虚拟场景,将电气设备的3D模型放置在其中,设置3D模型的光照和相机视角确保用户能够清晰地看到电气设备和环境,再将实际的数据与3D模型关联,并将各组传感器数据绑定到对应的设备,实时获取最新的电气设备运行数据,根据最新的数据更新3D模型中的设备状态和环境指标,同时创建3D模型交互界面,并添加对应的视觉效果以传达设备状态信息,以及使用标签或工具提示显示各电气设备的详细信息。
检测设备状态变化并评估各设备可靠性。
具体的,提取电气设备运行数据中的特征信息,将获取的特征数据通过随机替换或采样获取创建新特征,再通过特征缩放和标准化使不同特征在相同的尺度上,将收集的各组特征数据随机划分为训练集、测试集以及验证集,创建可靠性模型并依据各组设备故障以及异常特征确定该模型神经元数量,同时将各神经元权重初始化为随机值或预设的初始值,并依据预设信息确定模型学习率以及步长,将训练集划分为小批量,通过前向传播分批次将各组训练集数据传递到可靠性模型中并计算每个神经元的输出,再使用损失函数来比较可靠性模型的输出与实际目标值之间的差异,然后通过反向传播算法,根据损失函数的梯度来计算权重的梯度,通过梯度下降算法更新各神经元权重,再使用验证集来评估训练好的模型的性能,并通过交叉验证法对不满足预设条件的模型学习率进行调整,当模型在验证集上的性能不再改善,或者开始恶化时,则选择提前停止训练,并通过测试集评估最终可靠性模型的性能,重复对模型进行训练测试,直至所有训练集都使用完毕后,将性能最佳的神经网络模型部署到监测系统中,定期从传感器中收集并预处理各项数据,将预处理后的数据传递到可靠性模型中进行前向传播,数据从输入层开始,通过各隐层并计算每层神经元的加权输入,同时通过激活函数计算各层神经元输出并作为输入传递到下一层,直至传递至输出层,之后输出层依据各神经元权重比例输出电气设备一组或多组故障或异常的概率分布。
依据评估结果生成维护计划并反馈给工作人员。
存储各组电气设备数据并进行可视化显示。
具体的,按照预设的时间区间对各组电池系统数据进行分割,以获形成多组数据块,之后通过哈希算法生成各组数据块的标识,收集各组区块链节点信息,并获取各组节点负载情况,通过负载均衡算法选择对应的区块链节点来存储每组数据块,数据块存储完成后,根据系统的要求和可用资源进行配置复制规定数量的数据块到多组区块链节点上,当节点存储的数据发生变化时,通过数据同步算法将数据更新从一个节点传播到其他节点,当构造一组新的数据块时,将其广播到区块链网络中,并传播给多组区块链节点,各组区块链节点进行共识验证,确认该数据块的有效性和合法性并添加如区块链网络中存储。
实时更新监控平台数据并对平台性能进行调整优化。
具体的,依据工作人员预设信息确定系统中各项数据信息以及指针结构,并创建一个空链表,同时根据系统内存资源和性能需求设置链表的最大容量,当需要访问数据时,在缓存链表中查找该数据,如果数据存在于链表中,将其移动到链表头部,表示最近使用过,如果数据不在链表中,则从数据库或其他数据源获取数据,并将其添加到链表头部,定期监控链表的长度、缓存命中率以及性能指标,当缓存容量达到上限时,基于最近访问的时间来判断链表中最久未被访问的数据,并将对应数据节点从链表尾部移除并释放资源,同时将链表的头部指针更新到新的头部节点,记录缓存命中率和淘汰操作的次数,并定期监控平台性能。
实施例2
本实施例公开了一种基于可靠性的电气设备预防性维修优化装置,包括传感器、存储器、处理器、执行器、通信总线、控制器、无线模块以及位置追踪器。
传感器用于监测电气设备的各种参数;存储器用于存储采集的数据以备后续分析;处理器用于进行数据分析和可靠性计算以确定维护时机;执行器用于根据维护计划执行具体的维护任务;通信总线用于控制各种电子元件之间的数据传输和通信;控制器用于管理维护过程,确保按照计划进行;无线模块用于进行远程监控和数据共享;位置追踪器用于跟踪设备的位置。
Claims (7)
1.一种基于可靠性的电气设备预防性维修优化方法,其特征在于,该优化方法具体步骤如下:
(1)采集并处理监测电气设备的运行数据;
(2)构建电气设备3D模型并同步标注;
(3)检测设备状态变化并评估各设备可靠性;
(4)依据评估结果生成维护计划并反馈给工作人员;
(5)存储各组电气设备数据并进行可视化显示;
(6)实时更新监控平台数据并对平台性能进行调整优化。
2.根据权利要求1所述的一种基于可靠性的电气设备预防性维修优化方法,其特征在于,步骤(1)所述电气设备运行数据采集处理具体步骤如下:
步骤一:利用多组传感器采集电器设备运行数据,再通过高斯滤波去除各组运行数据中的噪声并平滑数据,之后计算运行数据的标准偏差,之后依据计算出的标准偏差分别对异常数据进行检测并筛除,并统一数据格式,再检测是否存在重复的数据记录,若存在重复数据,则将其删除;
步骤二:检测各组数据中存在的缺失值,并标记各缺失值在对应数据中的所在位置,对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围,并通过KNN算法找到的相应的K组数据点的平均值或中位数来替代异常值或缺失值。
3.根据权利要求2所述的一种基于可靠性的电气设备预防性维修优化方法,其特征在于,步骤(2)所述电器设备3D模型构建具体步骤如下:
步骤1:收集电气设备参数,之后选择3D建模工具和技术根据收集到的数据,创建电气设备的3D模型,同时设计和创建3D模型的外观,并在3D建模工具中创建一个虚拟场景,将电气设备的3D模型放置在其中;
步骤2:设置3D模型的光照和相机视角确保用户能够清晰地看到电气设备和环境,再将实际的数据与3D模型关联,并将各组传感器数据绑定到对应的设备;
步骤3:实时获取最新的电气设备运行数据,根据最新的数据更新3D模型中的设备状态和环境指标,同时创建3D模型交互界面,并添加对应的视觉效果以传达设备状态信息,以及使用标签或工具提示显示各电气设备的详细信息。
4.根据权利要求3所述的一种基于可靠性的电气设备预防性维修优化方法,其特征在于,步骤(3)所述设备可靠性评估具体步骤如下:
步骤Ⅰ:提取电气设备运行数据中的特征信息,将获取的特征数据通过随机替换或采样获取创建新特征,再通过特征缩放和标准化使不同特征在相同的尺度上,将收集的各组特征数据随机划分为训练集、测试集以及验证集;
步骤Ⅱ:创建可靠性模型并依据各组设备故障以及异常特征确定该模型神经元数量,同时将各神经元权重初始化为随机值或预设的初始值,并依据预设信息确定模型学习率以及步长;
步骤Ⅲ:将训练集划分为小批量,通过前向传播分批次将各组训练集数据传递到可靠性模型中并计算每个神经元的输出,再使用损失函数来比较可靠性模型的输出与实际目标值之间的差异,然后通过反向传播算法,根据损失函数的梯度来计算权重的梯度,通过梯度下降算法更新各神经元权重,再使用验证集来评估训练好的模型的性能,并通过交叉验证法对不满足预设条件的模型学习率进行调整;
步骤Ⅳ:当模型在验证集上的性能不再改善,或者开始恶化时,则选择提前停止训练,并通过测试集评估最终可靠性模型的性能,重复对模型进行训练测试,直至所有训练集都使用完毕后,将性能最佳的神经网络模型部署到监测系统中;
步骤Ⅴ:定期从传感器中收集并预处理各项数据,将预处理后的数据传递到可靠性模型中进行前向传播,数据从输入层开始,通过各隐层并计算每层神经元的加权输入,同时通过激活函数计算各层神经元输出并作为输入传递到下一层,直至传递至输出层,之后输出层依据各神经元权重比例输出电气设备一组或多组故障或异常的概率分布。
5.根据权利要求1所述的一种基于可靠性的电气设备预防性维修优化方法,其特征在于,步骤(5)所述电气设备数据存储具体步骤如下:
步骤①:按照预设的时间区间对各组电池系统数据进行分割,以获形成多组数据块,之后通过哈希算法生成各组数据块的标识,收集各组区块链节点信息,并获取各组节点负载情况;
步骤②:通过负载均衡算法选择对应的区块链节点来存储每组数据块,数据块存储完成后,根据系统的要求和可用资源进行配置复制规定数量的数据块到多组区块链节点上,当节点存储的数据发生变化时,通过数据同步算法将数据更新从一个节点传播到其他节点;
步骤③:当构造一组新的数据块时,将其广播到区块链网络中,并传播给多组区块链节点,各组区块链节点进行共识验证,确认该数据块的有效性和合法性并添加如区块链网络中存储。
6.根据权利要求1所述的一种基于可靠性的电气设备预防性维修优化方法,其特征在于,步骤(6)所述平台性能调整优化具体步骤如下:
第一步:依据工作人员预设信息确定系统中各项数据信息以及指针结构,并创建一个空链表,同时根据系统内存资源和性能需求设置链表的最大容量;
第二步:当需要访问数据时,在缓存链表中查找该数据,如果数据存在于链表中,将其移动到链表头部,表示最近使用过,如果数据不在链表中,则从数据库或其他数据源获取数据,并将其添加到链表头部;
第三步:定期监控链表的长度、缓存命中率以及性能指标,当缓存容量达到上限时,基于最近访问的时间来判断链表中最久未被访问的数据,并将对应数据节点从链表尾部移除并释放资源,同时将链表的头部指针更新到新的头部节点,记录缓存命中率和淘汰操作的次数,并定期监控平台性能。
7.一种基于可靠性的电气设备预防性维修优化装置,其特征在于,包括传感器、存储器、处理器、执行器、通信总线、控制器、无线模块以及位置追踪器;
所述传感器用于监测电气设备的各种参数;
所述存储器用于存储采集的数据以备后续分析;
所述处理器用于进行数据分析和可靠性计算以确定维护时机;
所述执行器用于根据维护计划执行具体的维护任务;
所述通信总线用于控制各种电子元件之间的数据传输和通信;
所述控制器用于管理维护过程,确保按照计划进行;
所述无线模块用于进行远程监控和数据共享;
所述位置追踪器用于跟踪设备的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452777.7A CN117391674A (zh) | 2023-11-02 | 2023-11-02 | 一种基于可靠性的电气设备预防性维修优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452777.7A CN117391674A (zh) | 2023-11-02 | 2023-11-02 | 一种基于可靠性的电气设备预防性维修优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391674A true CN117391674A (zh) | 2024-01-12 |
Family
ID=89440639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311452777.7A Pending CN117391674A (zh) | 2023-11-02 | 2023-11-02 | 一种基于可靠性的电气设备预防性维修优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391674A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669008A (zh) * | 2024-02-01 | 2024-03-08 | 华土木(厦门)科技有限公司 | 一种基于深度学习的地基沉降预测方法及系统 |
-
2023
- 2023-11-02 CN CN202311452777.7A patent/CN117391674A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669008A (zh) * | 2024-02-01 | 2024-03-08 | 华土木(厦门)科技有限公司 | 一种基于深度学习的地基沉降预测方法及系统 |
CN117669008B (zh) * | 2024-02-01 | 2024-04-26 | 华土木(厦门)科技有限公司 | 一种基于深度学习的地基沉降预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN109376960A (zh) | 基于lstm神经网络的电网负荷预测方法 | |
CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
CN112528519A (zh) | 发动机质量预警服务的方法、系统、可读介质和电子设备 | |
CN110737732A (zh) | 一种机电设备故障预警方法 | |
CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
CN117391674A (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
CN109471698B (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN116703303A (zh) | 基于多层感知机与rbf的仓储可视化监管系统及方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN114818353A (zh) | 一种基于故障特征关系图谱的列控车载设备故障预测方法 | |
Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
CN116861503A (zh) | 一种基于大数据的电力变压器数字孪生模型的构建方法 | |
He et al. | NARNET-based prognostics modeling for deteriorating systems under dynamic operating conditions | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
Lowin et al. | From physical to virtual: leveraging drone imagery to automate photovoltaic system maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |