[發明專利]一種面向全壽命周期的公路機電設備壽命預測系統

在審

• 申請號: 202010121280.7
• 申請日: 2020-02-26
• 公開（公告）號: CN111382542A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 許宏科;林杉;陳天益;牛軍;劉占文;趙威;劉冬偉
• 申請（專利權）人: 長安大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06F119/04
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 王孝明

1.一種面向全壽命周期的公路機電設備壽命預測系統，所述的公路機電設備至少包括公路隧道機電設備和高速公路機電設備，其特征在于，該系統包括公路隧道機電設備剩余壽命預測模塊，所述的公路隧道機電設備剩余壽命預測模塊用于對公路隧道機電設備進行剩余壽命預測；所述的公路隧道機電設備剩余壽命預測模塊包括公路隧道機電設備剩余壽命預測模型，所述的公路隧道機電設備剩余壽命預測模型按照以下方法進行構建：

步驟2.1，公路隧道機電設備壽命特征數據集的獲取：

采集公路隧道機電設備的內部狀態參數數據和外部環境參數數據建立原始數據集，對原始數據集進行清洗和去噪，按固定時長步長對清洗后的數據進行分組，更新數據集，獲得機電設備壽命特征數據集；

所述的公路隧道機電設備的內部狀態參數為電壓、電流、功率、振動、維修次數、構成復雜度和運行時長；

所述的外部環境參數為溫度、濕度、風力、風速、極端氣候次數、CO濃度、氮氧化物濃度和PM值；

步驟2.2，公路隧道機電設備故障率的確定：

建立符合公路隧道機電設備失效規律的威布爾分布故障模型，通過威布爾分布故障模型確定公路隧道機電設備故障率；

步驟2.3，公路隧道機電設備的內部狀態參數的補償：

采用外部環境參數建立環境因素誤差辨識模型，對公路隧道機電設備的內部狀態參數進行補償，獲得補償后的內部狀態參數；

步驟2.4，公路隧道機電設備壽命特征向量的構建：

以補償后的內部狀態參數和公路隧道機電設備故障率作為分析對象，采用核主成分分析的無監督特征提取方法對分析對象進行篩選，獲得能夠表征公路隧道機電設備壽命的特征向量；

步驟2.5，基于循環神經網絡的公路隧道機電設備壽命預測模型的建立：

所述的循環神經網絡為長短期記憶網絡，將特征向量作為長短期記憶網絡的輸入量，將公路隧道機電設備剩余壽命作為長短期記憶網絡的輸出量，對長短期記憶網絡進行訓練，獲得公路隧道機電設備壽命預測模型。

2.如權利要求1所述的面向全壽命周期的公路機電設備壽命預測系統，其特征在于，該系統還包括公路隧道關鍵機電設備識別模塊，所述的公路隧道關鍵機電設備識別模塊用于對公路隧道機電設備中的關鍵設備進行識別篩選；所述的公路隧道機電設備剩余壽命預測模塊用于對從公路隧道機電設備中識別篩選出來的關鍵設備進行剩余壽命預測；所述的公路隧道關鍵機電設備識別模塊包括以下步驟實現：

步驟1.1，依據公路隧道機電設備維護記錄，獲取公路隧道機電設備在所監測的天數內的故障次數gn，設備的成本em，維護成本wc，并記錄公路隧道機電設備的維護等級drq；

其中：

若公路隧道機電設備因直接損壞而更換，仍對該公路隧道機電設備故障次數gn加1；

當維護過程是對設備外觀、工作狀態的日常巡查工作，檢查設備的工作功能、性能、運行環境是否符合要求并對安全隱患進行記錄時，drq＝1；

當維護過程是對設備進行外部定期維護；檢查各類機電設備外殼是否漏電，并對設備進行緊固、調整、除銹、防腐維護時，drq＝2；

當維護過程是對設備內部進行清潔；對內部元件進行維護，緊固內部連線與零部件；對磨損較嚴重的零部件進行維修更換，進行部分設備的基本功能測試時，drq＝3；

當維護過程是對設備進行全面維護與檢修，包括接地測試、核心元件檢查、接線及零件的緊固性檢測、破損或老化嚴重的部件進行更換、對設備主要功能進行檢測與調試時，drq＝4；

當維護過程是綜合運用技術手段對機電設備的關鍵性能進行測試，評估現有設備的使用壽命、設備的使用完好率和設備的故障發生率情況；對設備的功能和性能進行評估時，drq＝5；

步驟1.2，計算設備的可靠性評價RE，RE＝gn/tm；

其中，tm為對該設備的監測天數；

步驟1.3，計算設備的維修難度DE和維護成本與單價比BE；對DE和BE進行標準化處理，得到其結果Dd與Bb，計算設備的維護評價WE；

DE＝gn×dr_q；WE＝0.4Dd+0.6Bb；

步驟1.4，計算設備的損失代價QE，QE＝0.5EW+0.5MW，其中：

EW為公路隧道機電設備損壞對系統功能的影響權值，當公路隧道機電設備損壞對系統功能的影響為無影響時，EW＝1，當公路隧道機電設備損壞對系統功能的影響為僅影響系統完整性時，EW＝2，當公路隧道機電設備損壞對系統功能的影響為輕微影響但主要功能完好時，EW＝3，當公路隧道機電設備損壞對系統功能的影響為系統功能嚴重受損時，EW＝5，當公路隧道機電設備損壞對系統功能的影響為受損系統功能失效時，EW＝7；

MW為公路隧道機電設備的成本權值，當公路隧道機電設備的成本≤1萬元人民幣時，MW＝1，當公路隧道機電設備的成本≤5萬元人民幣時，MW＝2，當公路隧道機電設備的成本≤10萬元人民幣時，MW＝3，當公路隧道機電設備的成本≤20萬元人民幣時，MW＝4，當公路隧道機電設備的成本≥20萬元人民幣時，MW＝5；

步驟1.5，將設備的可靠性評價RE，設備的維護評價WE，設備的損失代價QE，通過肘部方法確定最佳的聚類簇的個數ks的值；肘部方法的指標是誤差平方和SSE，在SSE隨著ks值增大而減小的圖像中出現拐點時對應的ks值即為所求聚類的簇的個數；

式中：C_kk是劃分的簇，kk取值在閉區間[1,ks]之間的整數，xp_hg是C_kk中的樣本點，us_kk是C_kk所有樣本的均值；

步驟1.6，確定ks的值后，通過k-means算法，通過歐式距離dist確定樣本中每一個點xpp_z相對于聚類中心C_kk的距離，并選擇距離最近的聚類簇作為其所屬類別；再根據分好的類別和數據，重新計算聚類的類別中心即質心，不斷重復這個步驟直到聚類中心不再改變；其中：

步驟1.7，使用CART算法對機電設備進行級別分類；具體步驟如下：

第1.7.1步，在機電設備指標數據集D中對某一細分指標A取一個可能的值a，將D劃分為兩個子集D1、D2；

第1.7.2步，分別計算子集劃分后數據集D中3類細分指標的Gini系數，選擇值最小的指標作為最優劃分指標；

第1.7.3步，重復執行前兩步，直到子集中所含樣本數過少或者Gini系數小于閾值時算法停止；

第1.7.4步，根據每一個子集中樣本的設備類別的眾數來判斷子集的所屬類別，生成機電設備細分決策樹；

第1.7.5步，對不同大小的子樹，根據交叉驗證誤差和復雜度進行剪枝；最后得到最佳的機電設備重要程度劃分決策樹；

其中，對于樣本D，特征A的某個值a把D分成D1和D2兩部分，則在特征A的條件下，Gini系數計算公式為：

pro_bn表示D中樣本點屬于bn類的概率，uc代表D中樣本類別數。

3.如權利要求1所述的面向全壽命周期的公路機電設備壽命預測系統，其特征在于，該系統還包括高速公路機電設備退化分析模塊，所述的高速公路機電設備退化分析模塊用于對高速公路機電設備進行退化分析；所述的高速公路機電設備退化分析模塊包括高速公路機電設備退化分析模型，所述的高速公路機電設備退化分析模型按照以下方法進行構建：

步驟3.1，獲取原始數據：

所述的原始數據包括同時期的高速公路機電設備的運行狀態監測數據、健康狀態監測數據、運行環境狀況監測數據和歷史維護數據；

所述的運行狀態監測數據包括高速公路機電設備的電壓、電流和功率因數；

所述的健康狀態監測數據包括照明光通維持率、蓄電池容量或PLC讀寫速度；

所述的運行環境狀況監測數據包括環境溫度、環境濕度和高速公路機電設備的振動監測值；

所述的歷史維護數據包括高速公路機電設備在同時期內的維護時間和維護工作等級；

步驟3.2，構造運行狀態特征參數序列和健康狀態監測數據序列：

設定單位時間間隔為t，多個單位時間間隔內的高速公路機電設備的運行狀態特征參數集：[v_mean，v_std，c_mean，c_std，p_mean，p_std]，多個單位時間間隔內的運行狀態特征參數集中的每一列數據形成運行狀態特征參數序列；

其中：v表示電壓，c表示電流，p表示功率因數，mean表示單位時間間隔t內采樣值的均值，std表示單位時間間隔t內采樣值的標準差；

取健康狀態監測數據在時間間隔t內的采樣值的均值作為設備健康指標參數HI，與運行狀態特征參數序列對應相同的多個單位時間間隔內的高速公路機電設備的健康狀態監測數據形成健康狀態監測數據序列；

步驟3.3，篩選敏感參數：

采用灰關聯熵算法，以運行狀態特征參數序列作為比較序列，以健康狀態監測數據序列作為參考序列，計算灰色關聯度值R；

采用相關分析法，計算運行狀態特征參數序列和健康狀態監測數據序列的Pearson相關系數r；

按照y＝0.4|R|+0.6|r|計算加權平均值，并根據y對運行狀態特征參數集中行向的六個參數進行降序排列，選擇前三個參數作為敏感參數；

步驟3.4，構造外部因素影響累積效應參數序列：

設定運行環境狀況監測數據的因素水平：

環境溫度的1級因素水平為[15,18)℃，環境溫度的2級因素水平為[18,21)℃，環境溫度的3級因素水平為[21,24)℃，環境溫度的4級因素水平為[24,27)℃，環境溫度的5級因素水平為[27,30)℃；

環境濕度的1級因素水平為[65％,70％)，環境濕度的2級因素水平為[70％,75％)，環境濕度的3級因素水平為[75％,80％)，環境濕度的4級因素水平為[80％,85％)，環境濕度的5級因素水平為[85％,90％)；

振動監測值的1級因素水平為[7,8)Hz，振動監測值的2級因素水平為[8,9)Hz，振動監測值的3級因素水平為[9,10)Hz，振動監測值的4級因素水平為[10,11)Hz，振動監測值的5級因素水平為[11,12)Hz；

取每個時間點之前的時段內，各運行環境狀況監測數據的因素水平值以各級因素水平出現頻率為權值的加權和為參數T_ws，H_ws，V_ws；

取每個時間點之前的時段內，各運行環境狀況監測數據的因素水平值變化序列的標準差為參數T_std，H_std，V_std；

取高速公路機電設備在每個時間點距離上一次維護的天數，為參數M_days，其中設定初始時刻設備即進行了一次維護；

取高速公路機電設備在每個時間點之前對設備進行過的維護工作的等級以頻率為權值的加權和為參數M_ws；

與運行狀態特征參數序列對應相同的多個單位時間間隔內的高速公路機電設備的外部因素影響累積效應參數集合為：

[T_ws，H_ws，V_ws，T_std，H_std，V_std，M_days，M_ws]；

多個單位時間間隔內的外部因素影響累積效應參數集合中的每一列數據形成外部因素影響累積效應參數序列；

其中：T是溫度采樣值，H是濕度采樣值，V是振動頻率采樣值，ws表示加權和，std表示標準差；

步驟3.5，篩選主要外部累積效應影響參數：

采用相關分析法，計算外部因素影響累積效應參數序列和健康狀態監測數據序列的Pearson相關系數r；并根據r值對外部因素影響累積效應參數集合中行向的八個參數進行降序排列，取前三個參數作為退化過程的主要外部累積效應影響參數；

步驟3.6，建立高速公路機電設備退化分析模型：

采用極大似然估計法選擇Box-Cox算法中Box-Cox變換族的變換參數λ，采用Box-Cox算法對健康狀態監測數據進行變換，獲得變換后的健康狀態監測數據；

采用變換后的健康狀態監測數據、敏感參數和主要外部累積效應影響參數構造訓練數據集，采用貝葉斯學習框架最小化正則誤差，訓練相關向量機模型，獲得高速公路機電設備退化分析模型。