[發明專利]一種基于數字孿生和機器學習的UPS健康預測方法、系統、電子設備及可存儲介質有效

申請號：	202011609646.1	申請日：	2020-12-30
公開（公告）號：	CN112904220B	公開（公告）日：	2021-12-31
發明（設計）人：	曾念寅;吳佩樹;李寒	申請（專利權）人：	廈門大學
主分類號：	G01R31/40	分類號：	G01R31/40;G06F30/27;G06N3/04
代理公司：	廈門市首創君合專利事務所有限公司 35204	代理人：	張松亭;王婷婷
地址：	361000 ***	國省代碼：	福建;35
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于數字孿生機器學習 ups 健康預測方法系統電子設備存儲介質
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種基于數字孿生和機器學習的UPS健康預測方法，其特征在于，所述方法包括：

利用傳感器和監控設備對UPS實體各模塊以及所處機房環境的相關參量進行采集；

利用高速帶寬傳輸將數據存儲至數據庫，并將數據預處理得到歸一化特征；

根據UPS實體和機房環境實體的外觀構造，以及數據傳遞層所傳輸的各類數據參量對整個UPS系統進行數字孿生體建模，實現UPS實體和環境實體與所構造的數字孿生體之間一一映射關系；再利用機器學習和深度學習方法，將數字孿生體的各參量數據輸入“特征提取網絡+多任務特征學習網絡”算法模型進行計算，評估UPS健康狀態、預測UPS剩余使用壽命；

所述“特征提取網絡+多任務特征學習網絡”算法模型，具體包括：

特征提取網絡通過綜合應用馬爾科夫機和殘差卷積網絡實現對不同類型的UPS數據參量和機房環境參量的時空特征提取，包括采用符號動力學濾波方法參量轉換成符號序列；對于同一類型參量，采用D-馬爾科夫機生成狀態轉移概率矩陣；對于不同類型參量之間，采用XD-馬爾科夫機生成狀態轉移概率關聯矩陣；最后所生成的同一類型的狀態轉移矩陣Π_aa和不同類型之間的狀態概率關聯矩陣Π_ab作為殘差卷積網絡的輸入，進行特征提?。?/p>

多任務特征學習網絡結構，包括輸入層、特征提取網絡、多任務網絡，其中所述多任務網絡包括UPS剩余使用壽命預測分支和健康狀態分類分支；

UPS剩余使用壽命預測分支由長短期記憶網絡實現，將特征提取網絡得到的輸出特征，經過連續三個長期短期記憶網絡堆疊融合，得到最終剩余使用壽命的輸出y^t：

y^t＝sigmoid(W′·h^t)

其中h^t表示LSTM單元當前的外部狀態，W′為輸出y^t的權重矩陣；

健康狀態分類分支通過“全連接層+Softmax分類器”實現；通過特征提取網絡傳來的特征參量，首先經過一個全連接層把所提取到的特征參量轉換為m×1維向量，m為特征參量個數，再通過softmax分類器構造多元分類器，分為“正常運行”、“性能退化”、“異常故障”類別；對于提取到的m個特征x＝{x⁽¹⁾,x⁽²⁾,…x⁽ⁱ⁾,…,x^(m)}，每個特征x⁽ⁱ⁾會對應有三個類別概率值p(y⁽ⁱ⁾＝j|x⁽ⁱ⁾；θ)，計算公式為：

其中，為Softmax分類器模型的參數，y⁽ⁱ⁾表示類別標簽；

最終所得到的輸出類別概率p_class通過下式計算：

p_class為最終的輸出類別概率，最大值對應的類別k，k＝1,2,3，即最終所被判定的UPS健康狀態類別；

根據評估的UPS健康狀態、預測的UPS剩余使用壽命，結合蟻群搜索算法，給出維護決策建議。

2.如權利要求1所述的基于數字孿生和機器學習的UPS健康預測方法，其特征在于，所述利用傳感器和監控設備對UPS實體各模塊以及所處機房環境的相關參量包括：傳感器采集的參量：UPS輸入電壓V_I、輸出電壓V_O、輸入電流A_I、輸出電流A_O、負載百分比ε_R、中性線電流I_n、每單體電池放電的截止電壓V_C、每24小時電池自動均浮充轉換次數N_t、蓄電池溫度T_b、整流器溫度T_r、升壓器溫度T_p、逆變器溫度T_i、風扇電機溫度T_f)、機房環境溫度T_c、空氣濕度H_a.；監控設備感知的參量：UPS元器件外觀apr是否正常、散熱風口及濾網清潔情況cle是否正常、UPS輸出波形wav是否正常、UPS顯示面板pan是否正常、接口和端子連接cnt是否正常；若參量在某時刻處于正常狀態，則所述參量值記為0，若處于異常狀態則記為1。