[發明專利]基于深度學習的電解制氧設備的使用壽命預測方法及裝置

在審

• 申請號: 202210745310.0
• 申請日: 2022-06-27
• 公開（公告）號: CN115062767A
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 羅自榮;尚建忠;姚淦洲;董文平;張滔;蔣濤;盧鐘岳;王莽寬
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;C25B1/02;C25B1/04;C25B15/023;C25B15/029
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 劉芳

1.一種基于深度學習的電解制氧設備的使用壽命預測方法，其特征在于，包括以下步驟：

S1、將電解制氧設備中每處設備的檢測對象設定為制氧通道中的氧氣濃度；

S2、將所有設備的制氧通道中的氧氣濃度進行學習訓練，記錄收集到的所有設備正常、異常時氧氣濃度數據，采用MLP神經網絡對氧氣濃度數據進行深度學習與訓練，并建構用于預測測試數據的模型；

S3、采用模型對所有設備的制氧通道中的氧氣濃度進行實時監測，并得出監測結果；

S4、根據所述監測結果基于剩余壽命預測深度學習模型預測電解制氧設備的使用壽命。

2.根據權利要求1所述的基于深度學習的電解制氧設備的使用壽命預測方法，其特征在于，所述剩余壽命預測深度學習模型采用長短時記憶網絡LSTM模型并基于MLP框架訓練，所述剩余壽命預測深度學習模型的輸入為所有設備的剩余使用壽命，設備的剩余使用壽命分布為：

F_L(w)＝p{T≤1+t_n|T＞t_n)＝[F(w+t_n)-F(t_n)]/[1-F(t_n)]；

式中，t為時間，w為失效闕值，T代表設備總使用時間、t_n代表設備額定使用時間。

3.根據權利要求1所述的基于深度學習的電解制氧設備的使用壽命預測方法，其特征在于，所述步驟S2還包括：將模型添加入氧氣濃度檢測器中，所有設備的制氧通道中均安裝有氧氣濃度檢測器，并將所有的氧氣濃度檢測器聯網至監控中心。

4.根據權利要求3所述的基于深度學習的電解制氧設備的使用壽命預測方法，其特征在于，所述步驟S3中的監測結果包括設備異常以及制氧氣體泄漏，在監測結果為設備異常時所述監控中心觸發異常通知提示設備異常，在監測結果為制氧氣體泄漏時所述監測中心實時通知并觸發檢修模式。

5.根據權利要求1-4任意一項所述的基于深度學習的電解制氧設備的使用壽命預測方法的系統，其特征在于，包括：

設定模塊，用于將電解制氧設備中每處設備的檢測對象設定為制氧通道中的氧氣濃度；

模型訓練模塊，用于將所有設備的制氧通道中的氧氣濃度進行學習訓練，記錄收集到的所有設備正常、異常時氧氣濃度數據，采用MLP神經網絡對氧氣濃度數據進行深度學習與訓練，并建構用于預測測試數據的模型；

監測模塊，用于采用模型對所有設備的制氧通道中的氧氣濃度進行實時監測，并得出監測結果；

預測壽命模塊，用于根據所述監測結果預測電解制氧設備的使用壽命；

所述設定模塊、模型訓練模塊、監測模塊和預測壽命模塊依次連接。