专利汇可以提供一种基于混合模型的变压器维修决策方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及 变压器 故障在线监测技术领域,具体涉及一种基于混合模型的变压器维修决策方法,本发明采用RBF神经网络和PHM比例失效模型的混合建模法,既充分发挥了比例失效模型相对于传统检修方式所不具备的“按需维修”的优点,又充分利用RBF神经网络方法与平均影响值MIV)法对特征量的筛选功能,进一步提高了比例失效模型(PHM)维修决策方案的精确性和可靠性。,下面是一种基于混合模型的变压器维修决策方法专利的具体信息内容。
1.一种基于混合模型的变压器维修决策方法,其特征在于其包括以下步骤:
(1)对变压器历史寿命下的历史监测数据进行归一化处理,建立历史数据样本集P;
(2)利用RBF神经网络,并采用聚类方法和最小二乘梯度训练法,对变压器历史监测数据进行仿真训练,训练出仿真神经网络;
(3)基于步骤(2)所述的仿真神经网络,运用平均影响值法,对步骤(1)历史数据样本集P中的特征变量进行筛选,筛选出对变压器故障平均影响值在0.5以上的特征变量;
(4)基于步骤(3)筛选出的特征变量,并结合历史状态监测数据,采用牛顿-拉夫逊迭代算法计算出威布尔模型的参数,得到失效率函数h(t)的具体表达式;
(5)建立威布尔模型并计算出其中的参数,根据不同的维修需求制定不同的维修决策,并采用一定时间任务可用度最大作为决策策略,应用数值计算方法,得出故障率阈值h*;
(6)得出失效率函数h(t)的具体表达式和故障率阈值h*后,计算出获取维修决策曲线的具体表达式f(t),建立完整的比例失效模型;
(7)根据比例失效模型获得变压器维修决策曲线图;
(8)利用建立的维修决策模型即维修决策曲线图,分析得到变压器的维修决策方案。
2.如权利要求1所述的基于混合模型的变压器维修决策方法,其特征在于步骤(2)所述的仿真训练包含如下步骤:
①初始化:选择h个不同的初始聚类中心ci(k),i=1,2,···h,并令k=1;初始聚类中心的选取方法很多,可以从样本输入中随机选取或者选择前h个样本输入,需保证h个初始数据中心取不同值;
②计算所有样本输入Xj与聚类中心的距离||Xj–ci(k)||,i=1,2,···,h,j=1,
2,···,N;
③对样本输入Xj按最小距离原则对其进行分类:即当i(Xj)=min||Xj–ci(k)||,i=1,
2,···,h时,Xj即被归化为第i类,将N个样本输入分为h类;
④按公式(a)重新计算各类的新的聚类中心:
公式(a)中,Ni为第i个聚类域wi(k)中包含的样本数;
⑤当ci(k+1)≠ci(k)时,返回转到步骤②继续运算;当ci(k+1)=ci(k)时,聚类运算过程结束;
⑥根据各中心之间的距离确定各隐节点的扩展常数即高斯因子;
⑦当各隐节点的数据中心和扩展常数确定后,输出权矢量w采用最小二乘方法(LMS)直接计算,具体方法如下:
当输入为Xi,i=1,2,··,N时,第j个隐节点的输出hij=Uj(||Xi-cj||),隐层输出阵为:
H=[hij]
网络的输出矢量为:
y=Hw
权值w通过最小二乘法公式(b)和(c)求得:
w=H+y (b)
H+=(HT H)-1HT (c)
其中H+为H的伪逆;
⑧梯度训练:通过最小化目标函数实现对各隐节点数据中心、扩展常数和输出权值的调节,通过不断调整数据中心、扩展常数和输出权值的值,最终使得得到的测试结果与给定的结果的误差最小,RBF神经网络就训练好了。
3.如权利要求1所述的基于混合模型的变压器维修决策方法,其特征在于步骤(3)的特征变量筛选步骤如下:
①当步骤(2)的训练终止后,从归一化处理后的历史数据样本集P中选取一个样本,对这一样本中的某一自变量特征在其原值的基础上分别+/-10%构成新的两个训练样本P1和P2;
②将P1和P2分别作为仿真样本利用已建成的网络进行仿真,得到两个仿真结果A1和A2,求出A1和A2的差值,即为变动该自变量后对输出产生的影响变化值;
③最后将影响变化值按观测例数平均得出该自变量对于应变量—即网络输出的平均影响值;
④按照步骤①~③依次算出各个自变量的平均影响值,根据平均影响值绝对值的大小为各自变量排序,得到各自变量对网络输出影响的相对重要性的位次表,从而判断出输入特征对于网络结果的影响程度,选取平均影响值大于0.5的特征变量,即实现了特征变量筛选。
4.如权利要求1所述的基于混合模型的变压器维修决策方法,其特征在于步骤(4)的具体操作步骤为:
①采用公式(d)计算比例失效模型的数学表达式;
其中,h(t)是给定时间t在已知z1(t),z2(t),zp(t)情况下的故障风险率;
zi(t)指的是一个特征变量或解释变量,表示在监测时刻t的一个监测状态数据项,zi(t)的个数是通过步骤(3)所筛选出的变压器特征量个数决定的,zi(t)和它的相应的特征变量参数γi的乘积共同决定了该特征变量对故障风险率的影响;
h0(t)是初始风险函数,服从威布尔分布,h0(t)=β/η(t/η)β-1,其中β、η分别是威布尔分布的形状参数和尺度参数;
因此确定h(t)的最终表达式为公式(e):
②对威布尔模型的参数进行计算,具体为:
对式(e)构造极大似然函数可得到公式(f):
公式(f)两边分别取对数得到它的对数似然函数,见公式(g):
其中,n为变压器样本总数,q为失效个数,p为筛选出来的变压器特征变量维数,γ为特征变量系数γ=[γ1,γ2,...γp];
分别对似然函数求β,η,γ的偏导数,令偏导数为零可以得到p+2维的非线性方程组,代入状态数据zi(t)及寿命数据t,利用牛顿拉夫逊迭代法可以求解得到β,η,γ的估计值,从而得到失效率函数h(t)的具体表达式。
5.如权利要求1所述的基于混合模型的变压器维修决策方法,其特征在于步骤(5)的计算方法为:
以最大可用度为依据建立变压器维修决策模型,可用度为设备在任一随机时刻按规定的条件处于正常工作或者可使用状态的程度;
设备在一段时间内正常工作时间所占的百分比来表示它的可用度,即公式(h):
其中,MTTF为工作时间,即出现故障前的平均使用时间;MTTR为平均维修时间,tp,ta,tb分别为预防维修间隔、预防维修时间、故障后维修时间;
为得到最大可用度,采用对平均可用度取极限的方法,即公式(i):
采用数值计算方法得到不同时刻的极限可用度,其中最大极限可用度所对应的时间即为预防维修的优化时间间隔值T,根据求得的优化时间T,从已知的故障数据中找出一组与此最接近的失效时间和伴随变量数据,可求得故障率阈值h*。
6.如权利要求1所述的基于混合模型的变压器维修决策方法,其特征在于步骤(6)的具体操作方法为:
求出故障率阈值h*后,当任意时刻求出的变压器的故障率h(t)大于等于这一阈值则应该立即进行维修,即维修原则为公式(j):
其中,β、η分别是威布尔分布的形状参数和尺度参数;
t是给定时间;
Zi(t)指的是一个特征变量或解释变量,表示在监测时刻t的一个监测状态数据项,i=
1、2……p;
γi是与Zi(t)对应的特征变量参数;
分别对上述不等式两边求对数,整理可得最优的维修规则,如公式(k):
令
公式(l)即为维修决策曲线具体表达式f(t)。
7.如权利要求1所述的基于混合模型的变压器维修决策方法,其特征在于步骤(8)的具体操作方法为:
变压器在运行过程中,在某一个监测时刻得出此时刻的监测量z1(t),z2(t),…,zp(t),根据步骤(4)的参数计算结果,定义z(t)为一个预后指数,z(t)=γz1(t)+γz2(t)+...zp(t)可在图中描出点(t,z(t));如果此点处于曲线上方则应立即采取维修措施,如果处在曲线下方则正常运行,如果落在曲线上或临界处,则应该密切观察各项性能指标,根据实际情况采取必要措施或者在下一监测时刻进行维修;其中,z1(t),z2(t),…,zp(t)指的是一个特征变量或解释变量,表示在监测时刻t的一个监测状态数据项;γ是特征变量参数。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
宫颈癌预后检测方法 | 2020-05-16 | 643 |
血浆S100A12在ST段抬高型心肌梗死预后中的应用 | 2020-05-18 | 912 |
针对VEGF的ELISA | 2020-05-21 | 389 |
针对VEGF的ELISA | 2020-05-22 | 269 |
通过结直肠癌免疫学指标CD8阳性表达量对结直肠癌患者的预后进行评价的方法 | 2020-05-12 | 999 |
通过结直肠癌免疫学指标CD3阳性表达量对结直肠癌患者的预后进行评价的方法 | 2020-05-12 | 841 |
针对VEGF的ELISA | 2020-05-22 | 851 |
通过结直肠癌免疫学指标CD45RO阳性表达量对结直肠癌患者的预后进行评价的方法 | 2020-05-13 | 431 |
一种基于CLCF1基因的胶质母细胞瘤辅助诊断、预后评价试剂盒及其使用方法 | 2020-05-24 | 167 |
一种基于自动控制技术的短波预后选器性能优化方法 | 2020-05-16 | 834 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。