CN118153948A - 基于深度学习的氢气储能设备泄漏故障预警方法及装置 - Google Patents
基于深度学习的氢气储能设备泄漏故障预警方法及装置 Download PDFInfo
- Publication number
- CN118153948A CN118153948A CN202410263943.7A CN202410263943A CN118153948A CN 118153948 A CN118153948 A CN 118153948A CN 202410263943 A CN202410263943 A CN 202410263943A CN 118153948 A CN118153948 A CN 118153948A
- Authority
- CN
- China
- Prior art keywords
- leakage
- hydrogen
- energy storage
- hydrogen energy
- storage equipment
- 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
- 239000001257 hydrogen Substances 0.000 title claims abstract description 221
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 221
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 218
- 238000004146 energy storage Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 98
- 238000012512 characterization method Methods 0.000 claims abstract description 96
- 238000012502 risk assessment Methods 0.000 claims description 75
- 238000003860 storage Methods 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 23
- 208000032750 Device leakage Diseases 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 18
- 230000007613 environmental effect Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 230000035882 stress Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 238000005260 corrosion Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 150000002431 hydrogen Chemical class 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及氢能储存管理的技术领域,特别是涉及一种基于深度学习的氢气储能设备泄漏故障预警方法及装置,方法包括:对氢气储能设备进行结构划分,确定氢气储能设备的潜在泄露点位;对氢气储能设备中的存储氢气体积进行划分,并根据划分结果确定泄露表征参数决策权重向量,获得决策权重向量空间;在决策权重向量空间中不同剩余氢气体积对应不同的泄露表征参数权重;实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息;基于氢气储能设备中剩余氢气体积,遍历决策权重向量空间;该方法能够有效地解决氢气储能设备泄露故障预警中的关键问题,提高氢气储能设备泄漏预警的准确性和可靠性。
Description
技术领域
本发明涉及氢能储存管理的技术领域,特别是涉及一种基于深度学习的氢气储能设备泄漏故障预警方法及装置。
背景技术
在现代能源领域中,氢能作为一种清洁高效的二次能源,其应用日益广泛,涵盖交通、电力、工业生产等多个方面。然而,氢气储能设备的安全性问题,尤其是气体泄漏风险,一直是制约其大规模推广的关键因素之一。氢气因其高度扩散性和易燃易爆性,一旦发生泄漏,不仅会带来重大的经济损失,而且可能对环境和人身安全构成严重威胁。
传统的泄漏故障预警方法通常依赖于单一的传感器数据,如氢气浓度测量或压力测量等,这样的方法往往缺乏全面性,容易受到环境因素的干扰,导致误报或漏报的情况。其次,氢气储能设备的运行状态是一个涉及多个运行因素的动态综合表现;例如,在氢气储能设备灌装或输出氢气时,氢气储能设备中氢气体积处于动态变化的状态,而在氢气储能设备中不同的氢气体积又有着不同的特征表现,单一传感器数据难以捕捉到与泄露相关的信息,从而限制了预警系统的准确性和可靠性。
因此,亟需一种基于深度学习的氢气储能设备泄漏故障预警方法以解决上述问题。
发明内容
为解决上述技术问题,本发明提供一种,能够有效地解决氢气储能设备泄露故障预警中的关键问题,提高氢气储能设备泄漏预警的准确性和可靠性的基于深度学习的氢气储能设备泄漏故障预警方法及装置。
第一方面,本发明提供了基于深度学习的氢气储能设备泄漏故障预警方法,所述方法包括:
对氢气储能设备进行结构划分,确定氢气储能设备的潜在泄露点位;
对氢气储能设备中的存储氢气体积进行划分,并根据划分结果确定泄露表征参数决策权重向量,获得决策权重向量空间;在所述决策权重向量空间中不同剩余氢气体积对应不同的泄露表征参数权重;
实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息;
基于氢气储能设备中剩余氢气体积,遍历决策权重向量空间,提取对应的泄露表征参数决策权重向量;
根据提取的泄露表征参数决策权重向量以及泄露表征参数向量,计算得到对应潜在泄露点位的第一风险评估因子;
将工作环境数据信息与第一风险评估因子输入至预先构建的风险偏差校正模型中,输出第二风险评估因子;
根据第二风险评估因子与预设阈值的比对结果,进行预警决策。
另一方面,本申请还提供了基于深度学习的氢气储能设备泄漏故障预警装置,所述装置包括:
结构划分模块,用于对氢气储能设备进行结构划分,确定氢气储能设备的潜在泄露点位;
决策权重确定模块,用于对氢气储能设备中的存储氢气体积进行划分,并根据划分结果确定泄露表征参数决策权重向量,构建决策权重向量空间;在所述决策权重向量空间中,不同的剩余氢气体积对应不同的泄露表征参数权重;
数据获取模块,用于实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息;
权重提取模块,用于根据氢气储能设备中当前的剩余氢气体积,遍历决策权重向量空间,从中提取出对应的泄露表征参数决策权重向量;
第一风险评估模块,用于根据提取的泄露表征参数决策权重向量和泄露表征参数向量,计算得到对应潜在泄露点位的第一风险评估因子;
风险偏差校正模型,用于将工作环境数据信息与第一风险评估因子输入至预先存储的风险偏差校正模型中,经过模型处理后输出第二风险评估因子;
预警决策模块,用于根据第二风险评估因子与预设阈值的比对结果,进行预警决策。
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。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:
通过综合考虑氢气储能设备的多个运行因素,如氢气体积变化、工作环境等,使得预警系统能够更全面地了解设备的运行状态,提高了预警的准确性和可靠性;该方法能够根据不同的氢气体积和工作环境动态调整泄露表征参数的决策权重,使得预警系统能够更准确地捕捉与泄露相关的信息;这种动态适应性使得预警系统能够在不同的工作条件下保持较高的预警性能;通过引入深度学习技术,该方法能够自动提取和学习氢气储能设备泄露故障的特征,避免了传统方法中需要手动设计特征的繁琐过程;同时,深度学习技术还能够处理复杂的非线性关系,提高了预警系统的性能;通过引入风险偏差校正模型,将工作环境数据信息与第一风险评估因子相结合,进一步提高了预警的准确性;这种方法能够考虑到工作环境对泄露故障的影响,使得预警系统更加符合实际情况;该方法能够实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及工作环境数据信息,使得预警系统能够及时发现和处理泄露故障,避免了传统方法中可能出现的误报或漏报情况;综上所述,该方法具有全面性、动态适应性、深度学习技术、风险偏差校正和实时性等优点,能够有效地解决氢气储能设备泄露故障预警中的关键问题,提高氢气储能设备泄漏预警的准确性和可靠性。
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,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于深度学习的氢气储能设备泄漏故障预警方法的流程图;
图2是本发明一实施例提供的一种电子设备的硬件架构图;
图3是本发明一实施例提供的一种基于深度学习的氢气储能设备泄漏故障预警装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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的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。
请参考图1,本发明实施例提供了一种基于深度学习的氢气储能设备泄漏故障预警方法,该方法具体包括以下步骤;
S1、对氢气储能设备进行结构划分,确定氢气储能设备的潜在泄露点位;
S2、对氢气储能设备中的存储氢气体积进行划分,并根据划分结果确定泄露表征参数决策权重向量,获得决策权重向量空间;在所述决策权重向量空间中不同剩余氢气体积对应不同的泄露表征参数权重;
S3、实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息;
S4、基于氢气储能设备中剩余氢气体积,遍历决策权重向量空间,提取对应的泄露表征参数决策权重向量;
S5、根据提取的泄露表征参数决策权重向量以及泄露表征参数向量,计算得到对应潜在泄露点位的第一风险评估因子;
S6、将工作环境数据信息与第一风险评估因子输入至预先构建的风险偏差校正模型中,输出第二风险评估因子;
S7、根据第二风险评估因子与预设阈值的比对结果,进行预警决策。
在本实施例中,通过综合考虑氢气储能设备的多个运行因素,如氢气体积变化、工作环境等,使得预警系统能够更全面地了解设备的运行状态,提高了预警的准确性和可靠性;该方法能够根据不同的氢气体积和工作环境动态调整泄露表征参数的决策权重,使得预警系统能够更准确地捕捉与泄露相关的信息;这种动态适应性使得预警系统能够在不同的工作条件下保持较高的预警性能;通过引入深度学习技术,该方法能够自动提取和学习氢气储能设备泄露故障的特征,避免了传统方法中需要手动设计特征的繁琐过程;同时,深度学习技术还能够处理复杂的非线性关系,提高了预警系统的性能;通过引入风险偏差校正模型,将工作环境数据信息与第一风险评估因子相结合,进一步提高了预警的准确性;这种方法能够考虑到工作环境对泄露故障的影响,使得预警系统更加符合实际情况;该方法能够实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及工作环境数据信息,使得预警系统能够及时发现和处理泄露故障,避免了传统方法中可能出现的误报或漏报情况;综上所述,该方法具有全面性、动态适应性、深度学习技术、风险偏差校正和实时性等优点,能够有效地解决氢气储能设备泄露故障预警中的关键问题,提高氢气储能设备泄漏预警的准确性和可靠性。
下面描述图1所示的各个步骤的执行方式。
针对步骤S1:
步骤S1在基于深度学习的氢气储能设备泄漏故障预警方法中占据首要地位,它涉及到对氢气储能设备进行详尽的物理结构解析和潜在泄露风险点的精确定位;具体过程可分为以下几个子步骤:
S11、设备结构分析:对氢气储能设备进行全面的结构剖析,了解设备的整体架构和内部构造,包括但不限于容器主体(如储氢罐)、进出气管道系统、阀门部件、密封连接组件、压力和温度检测仪表接口以及其它可能与氢气接触的零件等;
S12、泄露风险评估:基于设备结构分析结果,结合氢气储存和运输过程中的物理化学特性,对各部件进行泄露风险评估;例如,重点关注可能由于材料老化、机械应力、热胀冷缩、腐蚀、磨损、设计缺陷或安装不当等因素导致氢气泄漏的关键区域;
S13、三维模型构建:采用计算机辅助设计(CAD)或者三维仿真软件构建氢气储能设备的详细三维模型,以便更直观地展示设备的内部构造和各个组件之间的连接关系,进一步细化潜在泄露点位的识别;
S14、关键泄露点识别:基于行业标准、实践经验以及相关科研成果,对设备中的关键零部件进行重点筛查,确定潜在的泄露点位;例如,焊接接头、密封圈、阀门座、法兰连接处、仪表接口等都是常见的潜在泄露风险点;
S15、泄露可能性量化:针对每个潜在泄露点位,结合材料力学、流体力学、腐蚀理论等专业知识,量化其在不同工况下的泄露可能性,并根据实际情况进行优先级排序,为后续的风险评估和监测提供依据。
在本步骤中,通过详尽的设备结构分析,涵盖了氢气储能设备的所有关键组件和潜在泄露部位,确保预警系统能够全面覆盖可能的风险点,提高了预警的完整性;泄露风险评估环节结合设备的实际运行工况、物理化学特性和潜在失效机理,能够提前预判并识别出高风险的泄露部位,从而做到防患于未然;三维模型构建不仅使设备内部结构可视化,便于技术人员直观理解设备的工作原理和结构特点,而且有助于精准定位潜在泄露点位,提高故障排查效率;关键泄露点识别环节结合行业规范、实践经验和科研成果,对关键零部件进行筛选和确认,确保预警系统能够集中力量对最关键的风险点进行重点监控;泄露可能性量化步骤运用科学的计算方法,将泄露风险进行量化处理,并根据风险等级进行排序,使得预警系统能够依据风险高低进行动态调整和优先响应,既节省资源,又提高预警的有效性和准确性。
针对步骤S2:
在氢能储存管理领域,氢气储能设备的存储氢气体积是一个动态变化的过程;不同的氢气体积对应着设备内部压力、温度等参数的变化,而这些参数的变化与潜在的泄露风险密切相关;因此,步骤S2的核心目的是通过对氢气体积的划分,确定与泄露风险相关的表征参数,并为这些参数分配适当的决策权重,从而构建一个决策权重向量空间;具体来说,步骤S2可以分为以下几个子步骤:
S21、氢气体积划分:根据氢气储能设备的设计容量、工作原理以及实际运行工况,将氢气的存储体积划分为若干个区间,例如,满载状态、半载状态和空载状态等;通过划分,可以将设备在不同运行阶段的泄漏风险进行差异化处理,因为不同体积状态下,设备的压力分布、应力状态、温度梯度等因素都会有所不同,进而影响到潜在泄露点位的风险等级;
S22、泄露表征参数选取与权重确定:在每个体积区间内,基于物理原理和实践经验,选择与泄露风险紧密相关的表征参数,例如压力变化速率、温度异常、局部应力集中度、材料腐蚀速率等;针对选定的泄露表征参数,结合专家知识和历史数据,通过深度学习算法训练,赋予每个参数在不同体积区间内的决策权重,这些权重反映了在该体积区间内该参数对泄露风险的重要程度;
具体的,泄露表征参数决策权重向量的具体表现形式为:
其中,表示氢气储能设备中剩余氢气体积处于m阶段时,第n个泄漏表征参数对应的决策权重;
S23、构建决策权重向量空间:将所有体积区间内各个泄露表征参数决策权重组织起来,形成一个多维向量空间,即决策权重向量空间;在这个空间中,每一个具体的氢气体积状态都有与其对应的泄露表征参数决策权重向量,反映了在该状态下哪些参数应该被给予更高的关注和权重。
在本步骤中,通过将氢气储能设备的存储氢气体积划分为不同的区间,能够根据设备在不同运行阶段的实际情况进行精细化管理,更准确地反映不同体积状态下设备的内部压力、应力分布、温度梯度等参数变化,从而针对性地评估各个阶段的泄漏风险;在每个体积区间内,结合物理原理和实践经验,选取与泄露风险紧密相关的多个表征参数,并通过深度学习算法确定每个参数的决策权重;这种方法充分考虑了多种因素对泄露风险的综合影响,提高了预警系统的全面性和准确性;利用深度学习算法对泄露表征参数进行权重赋值,能够基于大量历史数据和专家知识自动学习并优化参数权重,避免了主观判断的不确定性,使得预警系统更加科学合理且具有较强的泛化能力;形成的决策权重向量空间将设备的不同运行状态与泄露风险相关参数的决策权重紧密结合,形成了一个结构化的信息表示方式;这一空间不仅可以直观地展示不同状态下哪些参数对泄露风险影响更大,而且为后续的实时监测和预警决策提供了便捷有效的数据支持。
针对步骤S3:
在基于深度学习的氢气储能设备泄漏故障预警方法中,步骤S3是一个至关重要的环节,因为它涉及到实时数据的采集和处理;这些数据是后续分析、预测和预警的基础,因此其准确性和实时性对预警系统的性能有着决定性的影响;具体来说,步骤S3包括以下几个关键步骤:
S31、泄露表征参数向量获取:在氢气储能设备的各个潜在泄露点位上,布置各类传感器,实时监测和记录与泄漏风险密切相关的参数,如压力变化、温度变化、氢气浓度变化、振动情况、腐蚀速率等,并将这些参数整合为泄露表征参数向量;这些参数反映了设备在运行过程中的微观状态和潜在泄漏迹象,是评估泄漏风险的重要依据;
具体的,所述泄露表征参数向量的表现形式为:
其中,表示氢气储能设备中剩余氢气体积处于m阶段时,第n个泄漏表征参数对应的实时数值;
S32、剩余氢气体积监测:利用内置的压力传感器和容积计算方法,实时监测并计算氢气储能设备中的剩余氢气体积;由于氢气体积的变化直接影响到设备内部的压力分布、应力状态等,所以这一参数对于精准评估泄漏风险具有重要意义;
S33、工作环境数据信息收集:考虑到环境因素可能对设备运行状态和泄漏检测结果造成干扰,系统还需收集并整合氢气储能设备的工作环境数据信息,如温度、湿度、大气压力、风速、光照强度等环境参数,以便于在后续分析中进行环境影响校正。
在本步骤中,通过在各个潜在泄露点位布置多种传感器,实时监测多种与泄漏风险相关的参数,确保数据来源的多样性和全面性;这种多维度数据采集方法能够更加准确地反映设备运行的真实状况,提高对泄漏风险评估的准确性;实时监测和更新泄露表征参数向量、剩余氢气体积以及工作环境数据信息,能够即时捕捉设备状态的变化,从而在第一时间发现并评估潜在的泄漏风险,提高预警系统的响应速度和实效性;除了关注设备本身的运行参数外,还注重收集和分析工作环境数据信息,这有助于消除环境因素对监测结果的干扰,实现对设备泄漏风险的综合、准确评估;环境因素校正有助于提升预警系统的稳健性和准确性,减少误报和漏报的可能性;通过实时获取丰富的设备状态和环境数据,为基于深度学习的模型提供充足且高质量的数据输入,使得模型能够更准确地学习和理解氢气储能设备的运行规律和泄漏模式,从而提升故障预警和诊断的智能化水平。
针对步骤S4:
步骤S4在基于深度学习的氢气储能设备泄漏故障预警方法中,是一个关键的数据处理和决策权重提取环节,它的主要目的是为了根据氢气储能设备中剩余氢气体积,从预先构建的决策权重向量空间中找到与当前状态相匹配的泄露表征参数决策权重向量;具体实现过程如下:
在步骤S2中,已经根据氢气储能设备中存储氢气体积的不同区间,确定了各个区间对应的泄露表征参数决策权重向量,构建了一个决策权重向量空间;这个空间包含了在不同氢气体积条件下,各个泄露表征参数对泄漏风险影响的权重信息;
当氢气储能设备在实际运行中,实时监测到的剩余氢气体积发生变化时,可以通过查找决策权重向量空间,确定当前剩余氢气体积所属的区间,并提取出该区间对应的泄露表征参数决策权重向量;
这个决策权重向量反映了在当前氢气体积状态下,各个泄露表征参数的重要性排序,为下一步计算潜在泄露点位的风险评估因子提供了依据;通过这种方式,系统能够灵活地根据设备实际运行状态动态调整对各个泄露表征参数的关注程度,提高预警系统的适应性和准确性,降低受环境因素干扰而产生的误报或漏报的可能性。
针对步骤S5:
在基于深度学习的氢气储能设备泄漏故障预警方法中,步骤S5是核心环节之一,它利用提取的泄露表征参数决策权重向量和实时的泄露表征参数向量来计算潜在泄露点位的第一风险评估因子;这一步骤旨在量化每个潜在泄露点位发生泄漏的可能性,为后续的预警决策提供关键依据;具体来说,步骤S5的执行过程如下:
S51、提取泄露表征参数决策权重向量:在步骤S4中,已经基于氢气储能设备中剩余氢气体积遍历了决策权重向量空间,并提取了对应的泄露表征参数决策权重向量;这些权重向量反映了在不同氢气体积状态下,各个泄露表征参数对泄漏风险评估的重要性;
S52、获取实时的泄露表征参数向量:在步骤S3中,系统已经实时获取了各个潜在泄露点位的泄露表征参数向量,泄露表征参数向量包含与泄漏风险密切相关的实时数据,如压力、温度、氢气浓度等;
S53、计算第一风险评估因子:在步骤S5中,将提取的泄露表征参数决策权重向量与实时的泄露表征参数向量进行加权求和,以计算对应潜在泄露点位的第一风险评估因子;这个过程类似于一个加权平均值的计算,其中权重由决策权重向量提供,而实际数值由实时的泄露表征参数向量提供;通过这种方式,能够综合考虑各个泄露表征参数的影响,并根据它们在当前氢气体积状态下的重要性来评估泄漏风险;具体的,第一风险评估因子的计算公式表示为:
其中,TFm表示氢气储能设备中剩余氢气体积处于m阶段时的第一风险评估因子,表示第i个泄漏表征参数对应的标准化函数。
在本步骤中,步骤S5通过计算第一风险评估因子,将潜在的泄漏风险进行了量化;这种量化评估使得预警系统能够更准确地描述每个潜在泄露点位发生泄漏的可能性,为后续的预警决策提供了更为明确和客观的依据;步骤S5综合考虑了多个泄露表征参数,并通过加权求和的方式计算第一风险评估因子;这种方法能够充分考虑不同参数对泄漏风险的影响,避免了单一参数评估的局限性,提高了评估的准确性和全面性;由于步骤S5中使用的泄露表征参数决策权重向量是基于氢气储能设备中剩余氢气体积动态提取的,因此该方法能够适应不同氢气体积状态下的泄漏风险评估;这种动态适应性使得预警系统更加符合氢气储能设备的实际运行情况,提高了预警的准确性和可靠性;步骤S5中使用的泄露表征参数决策权重向量是通过深度学习模型训练得到的;这意味着决策权重是基于大量数据和先进算法优化得出的,具有更高的准确性和科学性;因此,使用这些权重进行风险评估能够提高预警系统的性能;步骤S5计算得到的第一风险评估因子是预警决策的重要依据;通过比较不同潜在泄露点位的风险评估因子,系统可以确定哪些点位可能存在较高的泄漏风险,并采取相应的预警措施;这有助于及时发现并处理潜在的泄漏问题,保障氢气储能设备的安全运行。
针对步骤S6:
在步骤S6中,风险偏差校正模型的构建主要基于机器学习算法,特别是深度学习技术,通过大量的实际工况数据训练得出;该模型旨在考虑到环境因素对氢气泄漏风险评估的影响,通过对环境变量的分析和整合,校正由泄露表征参数计算出的第一风险评估因子,以提高整体预警系统的准确性;构建风险偏差校正模型的具体过程如下:
S61、数据准备:首先,收集大量关于氢气储能设备在不同工作环境条件下的历史数据,其中包括工作环境数据信息(如温度、湿度、压力、设备负载情况等)、第一风险评估因子(通过S5步骤计算得出)以及实际发生的泄漏事件记录;这些数据用于训练和验证模型;
S62、特征工程:对收集到的数据进行预处理和特征提取,将环境数据和第一风险评估因子转化为模型可以理解和处理的形式;可能需要进行归一化、标准化或其它转换操作,确保各维度特征在同一尺度上,便于模型训练;
S63、模型设计:选择合适的深度学习模型结构,比如可以选择多层感知机、卷积神经网络、循环神经网络或长短期记忆网络等,构建风险偏差校正模型;模型的输入层接收经过特征工程处理后的环境数据和第一风险评估因子,通过隐藏层的学习和抽象,最终输出层提供一个更为精确和全面的第二风险评估因子;
S64、模型训练:采用有监督学习的方式,用标注的样本数据训练模型;通过反向传播算法更新模型参数,目标是使模型在给定输入(环境数据和第一风险评估因子)的情况下,尽可能准确地预测出泄漏风险的真实程度,即第二风险评估因子;
S65、模型验证与优化:在独立的验证集上评估模型性能,根据评估结果进行模型调优;可能需要调整模型结构、超参数,以及采用正则化、早停法等策略避免过拟合,并持续迭代优化模型,直到模型在验证集上的预测性能满足预设标准;
S66、模型部署:当模型训练完成后,将其部署到实际的氢气储能设备监测系统中,实时接收工作环境数据信息与第一风险评估因子作为输入,输出校正后的第二风险评估因子,为后续的预警决策提供依据。
通过以上步骤构建的风险偏差校正模型,能够综合考虑工作环境对氢气储能设备泄漏风险的影响,以及基于单一传感器数据的第一风险评估因子的偏差,输出更为准确和可靠的第二风险评估因子。这对于提高氢气储能设备泄漏故障预警系统的准确性和可靠性具有重要意义。
针对步骤S7:
步骤S7涉及到预警决策,该步骤的目的是根据第二风险评估因子与预设阈值的比对结果来判断是否需要进行预警;在氢气储能设备泄漏故障预警方法中,预警决策是基于风险评估结果来确定是否存在潜在的泄漏风险,并采取相应的预防措施;已经通过前面的S1-S6步骤完成了对氢气储能设备潜在泄露点位的识别、泄露表征参数权重的确定、实时数据的获取、泄露风险初步评估以及利用风险偏差校正模型对初步评估结果进行校正等工作;具体来说,该步骤包括以下内容:
S71、设定预设阈值:在氢气储能设备的泄漏故障预警系统中,预设阈值是根据历史数据、设备性能和安全标准等多个因素综合确定的;这个阈值代表了氢气储能设备在正常运行状态下第二风险评估因子的最大允许值;一旦第二风险评估因子超过这个阈值,系统就会触发预警,提示可能存在泄漏风险;
S72、比较第二风险评估因子与预设阈值:在实时运行过程中,第二风险评估因子的计算是动态进行的,第二风险评估因子反映了氢气储能设备在特定工作环境和运行状态下的泄漏风险,它综合了多种传感器数据、设备状态参数以及环境影响因素,利用深度学习模型进行精准的风险量化;当连续不断地比较这些实时计算得到的第二风险评估因子与预设阈值时,任何超出阈值的读数都将被视为异常情况;
S73、做出预警决策:如果第二风险评估因子超过预设阈值,就会立即做出预警决策;预警决策包括发出声光报警、向管理人员发送短信或邮件通知、自动关闭氢气供应等;这些措施旨在提醒操作人员和管理人员及时采取措施,防止氢气泄漏事故的发生;
S74、决策执行与反馈:一旦做出预警决策,会立即执行相应的措施,以最大程度地减少泄漏风险;同时,系统还会将预警信息和决策执行情况反馈给管理人员,以便他们及时了解设备的运行状态和采取进一步的措施;
在本步骤中,通过深度学习模型生成的第二风险评估因子,实现了对氢气泄漏风险的定量评估,相较于传统依赖单一传感器数据的方法,更加全面、准确,降低了由于环境因素干扰导致的误报或漏报率;实时获取设备的运行状态、氢气储量及环境数据,结合深度学习模型实时计算第二风险评估因子,并与预设阈值对比,确保预警方法的实时性和灵敏性,能在第一时间发现潜在泄漏风险;基于第二风险评估因子与预设阈值的比对结果,能够迅速做出预警决策,实施诸如声光报警、远程通知等多种形式的预警,并可自动执行紧急措施,如关闭氢气供应等,提高应对泄漏风险的反应速度和处置效率;预警决策执行后,还能将预警信息和执行情况反馈给管理人员,形成从风险识别、评估、预警到决策执行再到反馈的完整闭环,有助于改进和优化预警系统,提升未来预警效能和设备安全性;预设阈值的设定兼顾设备性能、历史数据和安全标准等因素,体现了预警方法既能确保设备安全运行,又能避免过度保守而导致的不必要的经济损失,实现安全与效益的平衡。
如图2、图3所示,本发明实施例提供了一种基于深度学习的氢气储能设备泄漏故障预警装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图2所示,为本发明实施例提供的一种基于深度学习的氢气储能设备泄漏故障预警装置所在电子设备的一种硬件架构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图3所示,作为一个逻辑意义上的装置,是通过其所在电子设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。
如图3所示,本实施例提供的一种基于深度学习的氢气储能设备泄漏故障预警装置,具体包括以下模块;
结构划分模块,用于对氢气储能设备进行结构划分,确定氢气储能设备的潜在泄露点位;
决策权重确定模块,用于对氢气储能设备中的存储氢气体积进行划分,并根据划分结果确定泄露表征参数决策权重向量,构建决策权重向量空间;在所述决策权重向量空间中,不同的剩余氢气体积对应不同的泄露表征参数权重;
数据获取模块,用于实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息;
权重提取模块,用于根据氢气储能设备中当前的剩余氢气体积,遍历决策权重向量空间,从中提取出对应的泄露表征参数决策权重向量;
第一风险评估模块,用于根据提取的泄露表征参数决策权重向量和泄露表征参数向量,计算得到对应潜在泄露点位的第一风险评估因子;
风险偏差校正模型,用于将工作环境数据信息与第一风险评估因子输入至预先存储的风险偏差校正模型中,经过模型处理后输出第二风险评估因子;
预警决策模块,用于根据第二风险评估因子与预设阈值的比对结果,进行预警决策。
在本实施例中,装置通过综合考虑氢气储能设备的多个运行因素,如氢气体积变化、工作环境等,使得预警能够更全面地了解设备的运行状态;此外,装置采用深度学习技术,能够自动提取和学习氢气储能设备泄露故障的特征,避免了传统方法中需要手动设计特征的繁琐过程,从而提高了预警的准确性和可靠性;装置能够根据不同的氢气体积和工作环境动态调整泄露表征参数的决策权重,使得预警系统能够在不同的工作条件下保持较高的预警性能;这种动态适应性使得预警系统更加符合实际情况,提高了预警的准确性和有效性;装置能够实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息,使得预警系统能够及时发现和处理泄露故障,避免了传统方法中可能出现的误报或漏报情况;装置的设计采用了模块化结构,可以根据需要添加或删除模块,以适应不同规模的氢气储能设备和不同的应用场景;此外,装置采用的深度学习技术也具有良好的可扩展性,可以通过不断学习和优化来提高预警性能;装置引入了风险偏差校正模型,将工作环境数据信息与第一风险评估因子相结合,进一步提高了预警的准确性;这种校正方法能够考虑到工作环境对泄露故障的影响,使得预警系统更加符合实际情况;综上所述,该基于深度学习的氢气储能设备泄漏故障预警装置具有全面性与准确性、动态适应性、实时性、灵活性与可扩展性以及风险偏差校正等优点,能够有效解决氢气储能设备泄露故障预警中的关键问题,提高预警系统的性能和可靠性。
可以理解的是,本发明实施例示意的结构并不构成对一种基于深度学习的氢气储能设备泄漏故障预警装置的具体限定。在本发明的另一些实施例中,一种基于深度学习的氢气储能设备泄漏故障预警装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种基于深度学习的氢气储能设备泄漏故障预警方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种基于深度学习的氢气储能设备泄漏故障预警方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的氢气储能设备泄漏故障预警方法,其特征在于,所述方法包括:
对氢气储能设备进行结构划分,确定氢气储能设备的潜在泄露点位;
对氢气储能设备中的存储氢气体积进行划分,并根据划分结果确定泄露表征参数决策权重向量,获得决策权重向量空间;在所述决策权重向量空间中不同剩余氢气体积对应不同的泄露表征参数权重;
实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息;
基于氢气储能设备中剩余氢气体积,遍历决策权重向量空间,提取对应的泄露表征参数决策权重向量;
根据提取的泄露表征参数决策权重向量以及泄露表征参数向量,计算得到对应潜在泄露点位的第一风险评估因子;
将工作环境数据信息与第一风险评估因子输入至预先构建的风险偏差校正模型中,输出第二风险评估因子;
根据第二风险评估因子与预设阈值的比对结果,进行预警决策。
2.如权利要求1所述的基于深度学习的氢气储能设备泄漏故障预警方法,其特征在于,所述潜在泄露点位至少包括焊接接头处、阀门处、法兰连接处以及仪表接口。
3.如权利要求2所述的基于深度学习的氢气储能设备泄漏故障预警方法,其特征在于,所述决策权重向量空间构建的方法,包括:
根据氢气储能设备的设计容量、工作原理以及实际运行工况,将氢气的存储体积划分为若干个体积区间;
在每个体积区间内,基于物理原理和实践经验,确定泄漏表征参数,并针对确定的泄露表征参数,结合专家知识和历史数据,赋予每个泄露表征参数在不同体积区间内的决策权重;
将相同体积区间内的各个泄露表征参数对应的决策权重相结合,获得对应体积区间的泄漏表征参数决策权重向量;
将所有体积区间内的各个泄露表征参数决策权重向量进行整合,获得决策权重向量空间。
4.如权利要求3所述的基于深度学习的氢气储能设备泄漏故障预警方法,其特征在于,所述泄露表征参数决策权重向量为:
其中,表示氢气储能设备中剩余氢气体积处于m体积区间时,第n个泄漏表征参数对应的决策权重。
5.如权利要求4所述的基于深度学习的氢气储能设备泄漏故障预警方法,其特征在于,所述泄露表征参数向量为:
其中,表示氢气储能设备中剩余氢气体积处于m体积区间时,第n个泄漏表征参数对应的实时数值。
6.如权利要求5所述的基于深度学习的氢气储能设备泄漏故障预警方法,其特征在于,所述第一风险评估因子的计算公式表示为:
其中,TFm表示氢气储能设备中剩余氢气体积处于m体积区间时的第一风险评估因子,表示第i个泄漏表征参数对应的标准化函数。
7.如权利要求1所述的基于深度学习的氢气储能设备泄漏故障预警方法,其特征在于,所述氢气储能设备的工作环境数据信息至少包括温度、湿度、大气压力、风速和光照强度。
8.一种基于深度学习的氢气储能设备泄漏故障预警装置,其特征在于,所述装置包括:
结构划分模块,用于对氢气储能设备进行结构划分,确定氢气储能设备的潜在泄露点位;
决策权重确定模块,用于对氢气储能设备中的存储氢气体积进行划分,并根据划分结果确定泄露表征参数决策权重向量,构建决策权重向量空间;在所述决策权重向量空间中,不同的剩余氢气体积对应不同的泄露表征参数权重;
数据获取模块,用于实时获取各个潜在泄露点位的泄露表征参数向量、氢气储能设备中剩余氢气体积以及氢气储能设备的工作环境数据信息;
权重提取模块,用于根据氢气储能设备中当前的剩余氢气体积,遍历决策权重向量空间,从中提取出对应的泄露表征参数决策权重向量;
第一风险评估模块,用于根据提取的泄露表征参数决策权重向量和泄露表征参数向量,计算得到对应潜在泄露点位的第一风险评估因子;
风险偏差校正模型,用于将工作环境数据信息与第一风险评估因子输入至预先存储的风险偏差校正模型中,经过模型处理后输出第二风险评估因子;
预警决策模块,用于根据第二风险评估因子与预设阈值的比对结果,进行预警决策。
9.一种基于深度学习的氢气储能设备泄漏故障预警方法电子设备,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,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263943.7A CN118153948A (zh) | 2024-03-08 | 2024-03-08 | 基于深度学习的氢气储能设备泄漏故障预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263943.7A CN118153948A (zh) | 2024-03-08 | 2024-03-08 | 基于深度学习的氢气储能设备泄漏故障预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118153948A true CN118153948A (zh) | 2024-06-07 |
Family
ID=91293106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410263943.7A Pending CN118153948A (zh) | 2024-03-08 | 2024-03-08 | 基于深度学习的氢气储能设备泄漏故障预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118153948A (zh) |
-
2024
- 2024-03-08 CN CN202410263943.7A patent/CN118153948A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Application of monitoring, diagnosis, and prognosis in thermal performance analysis for nuclear power plants | |
Romano et al. | Geostatistical techniques for approximate location of pipe burst events in water distribution systems | |
Kadry | Diagnostics and prognostics of engineering systems: methods and techniques: methods and techniques | |
Tan et al. | A new sensor fault diagnosis method for gas leakage monitoring based on the naive Bayes and probabilistic neural network classifier | |
Xu et al. | Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
CN117308275B (zh) | 一种基于温差的管路连接异常检测方法及系统 | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和系统 | |
Li et al. | Intelligent reliability and maintainability of energy infrastructure assets | |
CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
CN117570381A (zh) | 基于在线预测和数据融合的管网泄漏预警方法 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
WO2019003703A1 (ja) | 診断装置及び診断方法 | |
CN118153948A (zh) | 基于深度学习的氢气储能设备泄漏故障预警方法及装置 | |
Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
KR20230102431A (ko) | 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템 | |
He et al. | An adaptive interval forecast CNN model for fault detection method | |
Lybeck et al. | Lifecycle prognostics architecture for selected high-cost active components | |
Sverdlova et al. | Predicting anomaly conditions of energy equipment using neural networks | |
Yang et al. | Machine learning in process safety and asset integrity management | |
Oh et al. | LSTM-based PdM Platform for Automobile SCU Inspection Equipment | |
Perullo et al. | Enhanced Capabilities Through Automated Machine Learning Characterization of Natural Gas Powered Assets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |