[发明专利]一种面向全寿命周期的公路机电设备寿命预测系统

权利要求书

1.一种面向全寿命周期的公路机电设备寿命预测系统，所述的公路机电设备至少包括公路隧道机电设备和高速公路机电设备，其特征在于，该系统包括公路隧道机电设备剩余寿命预测模块，所述的公路隧道机电设备剩余寿命预测模块用于对公路隧道机电设备进行剩余寿命预测；所述的公路隧道机电设备剩余寿命预测模块包括公路隧道机电设备剩余寿命预测模型，所述的公路隧道机电设备剩余寿命预测模型按照以下方法进行构建：

步骤2.1，公路隧道机电设备寿命特征数据集的获取：

采集公路隧道机电设备的内部状态参数数据和外部环境参数数据建立原始数据集，对原始数据集进行清洗和去噪，按固定时长步长对清洗后的数据进行分组，更新数据集，获得机电设备寿命特征数据集；

所述的公路隧道机电设备的内部状态参数为电压、电流、功率、振动、维修次数、构成复杂度和运行时长；

所述的外部环境参数为温度、湿度、风力、风速、极端气候次数、CO浓度、氮氧化物浓度和PM值；

步骤2.2，公路隧道机电设备故障率的确定：

建立符合公路隧道机电设备失效规律的威布尔分布故障模型，通过威布尔分布故障模型确定公路隧道机电设备故障率；

步骤2.3，公路隧道机电设备的内部状态参数的补偿：

采用外部环境参数建立环境因素误差辨识模型，对公路隧道机电设备的内部状态参数进行补偿，获得补偿后的内部状态参数；

步骤2.4，公路隧道机电设备寿命特征向量的构建：

以补偿后的内部状态参数和公路隧道机电设备故障率作为分析对象，采用核主成分分析的无监督特征提取方法对分析对象进行筛选，获得能够表征公路隧道机电设备寿命的特征向量；

步骤2.5，基于循环神经网络的公路隧道机电设备寿命预测模型的建立：

所述的循环神经网络为长短期记忆网络，将特征向量作为长短期记忆网络的输入量，将公路隧道机电设备剩余寿命作为长短期记忆网络的输出量，对长短期记忆网络进行训练，获得公路隧道机电设备寿命预测模型。

2.如权利要求1所述的面向全寿命周期的公路机电设备寿命预测系统，其特征在于，该系统还包括公路隧道关键机电设备识别模块，所述的公路隧道关键机电设备识别模块用于对公路隧道机电设备中的关键设备进行识别筛选；所述的公路隧道机电设备剩余寿命预测模块用于对从公路隧道机电设备中识别筛选出来的关键设备进行剩余寿命预测；所述的公路隧道关键机电设备识别模块包括以下步骤实现：

步骤1.1，依据公路隧道机电设备维护记录，获取公路隧道机电设备在所监测的天数内的故障次数gn，设备的成本em，维护成本wc，并记录公路隧道机电设备的维护等级drq；

其中：

若公路隧道机电设备因直接损坏而更换，仍对该公路隧道机电设备故障次数gn加1；

当维护过程是对设备外观、工作状态的日常巡查工作，检查设备的工作功能、性能、运行环境是否符合要求并对安全隐患进行记录时，drq＝1；

当维护过程是对设备进行外部定期维护；检查各类机电设备外壳是否漏电，并对设备进行紧固、调整、除锈、防腐维护时，drq＝2；

当维护过程是对设备内部进行清洁；对内部元件进行维护，紧固内部连线与零部件；对磨损较严重的零部件进行维修更换，进行部分设备的基本功能测试时，drq＝3；

当维护过程是对设备进行全面维护与检修，包括接地测试、核心元件检查、接线及零件的紧固性检测、破损或老化严重的部件进行更换、对设备主要功能进行检测与调试时，drq＝4；

当维护过程是综合运用技术手段对机电设备的关键性能进行测试，评估现有设备的使用寿命、设备的使用完好率和设备的故障发生率情况；对设备的功能和性能进行评估时，drq＝5；

步骤1.2，计算设备的可靠性评价RE，RE＝gn/tm；

其中，tm为对该设备的监测天数；

步骤1.3，计算设备的维修难度DE和维护成本与单价比BE；对DE和BE进行标准化处理，得到其结果Dd与Bb，计算设备的维护评价WE；

DE＝gn×dr_q；WE＝0.4Dd+0.6Bb；

步骤1.4，计算设备的损失代价QE，QE＝0.5EW+0.5MW，其中：

EW为公路隧道机电设备损坏对系统功能的影响权值，当公路隧道机电设备损坏对系统功能的影响为无影响时，EW＝1，当公路隧道机电设备损坏对系统功能的影响为仅影响系统完整性时，EW＝2，当公路隧道机电设备损坏对系统功能的影响为轻微影响但主要功能完好时，EW＝3，当公路隧道机电设备损坏对系统功能的影响为系统功能严重受损时，EW＝5，当公路隧道机电设备损坏对系统功能的影响为受损系统功能失效时，EW＝7；

MW为公路隧道机电设备的成本权值，当公路隧道机电设备的成本≤1万元人民币时，MW＝1，当公路隧道机电设备的成本≤5万元人民币时，MW＝2，当公路隧道机电设备的成本≤10万元人民币时，MW＝3，当公路隧道机电设备的成本≤20万元人民币时，MW＝4，当公路隧道机电设备的成本≥20万元人民币时，MW＝5；

步骤1.5，将设备的可靠性评价RE，设备的维护评价WE，设备的损失代价QE，通过肘部方法确定最佳的聚类簇的个数ks的值；肘部方法的指标是误差平方和SSE，在SSE随着ks值增大而减小的图像中出现拐点时对应的ks值即为所求聚类的簇的个数；

式中：C_kk是划分的簇，kk取值在闭区间[1,ks]之间的整数，xp_hg是C_kk中的样本点，us_kk是C_kk所有样本的均值；

步骤1.6，确定ks的值后，通过k-means算法，通过欧式距离dist确定样本中每一个点xpp_z相对于聚类中心C_kk的距离，并选择距离最近的聚类簇作为其所属类别；再根据分好的类别和数据，重新计算聚类的类别中心即质心，不断重复这个步骤直到聚类中心不再改变；其中：

步骤1.7，使用CART算法对机电设备进行级别分类；具体步骤如下：

第1.7.1步，在机电设备指标数据集D中对某一细分指标A取一个可能的值a，将D划分为两个子集D1、D2；

第1.7.2步，分别计算子集划分后数据集D中3类细分指标的Gini系数，选择值最小的指标作为最优划分指标；

第1.7.3步，重复执行前两步，直到子集中所含样本数过少或者Gini系数小于阈值时算法停止；

第1.7.4步，根据每一个子集中样本的设备类别的众数来判断子集的所属类别，生成机电设备细分决策树；

第1.7.5步，对不同大小的子树，根据交叉验证误差和复杂度进行剪枝；最后得到最佳的机电设备重要程度划分决策树；

其中，对于样本D，特征A的某个值a把D分成D1和D2两部分，则在特征A的条件下，Gini系数计算公式为：

pro_bn表示D中样本点属于bn类的概率，uc代表D中样本类别数。

3.如权利要求1所述的面向全寿命周期的公路机电设备寿命预测系统，其特征在于，该系统还包括高速公路机电设备退化分析模块，所述的高速公路机电设备退化分析模块用于对高速公路机电设备进行退化分析；所述的高速公路机电设备退化分析模块包括高速公路机电设备退化分析模型，所述的高速公路机电设备退化分析模型按照以下方法进行构建：

步骤3.1，获取原始数据：

所述的原始数据包括同时期的高速公路机电设备的运行状态监测数据、健康状态监测数据、运行环境状况监测数据和历史维护数据；

所述的运行状态监测数据包括高速公路机电设备的电压、电流和功率因数；

所述的健康状态监测数据包括照明光通维持率、蓄电池容量或PLC读写速度；

所述的运行环境状况监测数据包括环境温度、环境湿度和高速公路机电设备的振动监测值；

所述的历史维护数据包括高速公路机电设备在同时期内的维护时间和维护工作等级；

步骤3.2，构造运行状态特征参数序列和健康状态监测数据序列：

设定单位时间间隔为t，多个单位时间间隔内的高速公路机电设备的运行状态特征参数集：[v_mean，v_std，c_mean，c_std，p_mean，p_std]，多个单位时间间隔内的运行状态特征参数集中的每一列数据形成运行状态特征参数序列；

其中：v表示电压，c表示电流，p表示功率因数，mean表示单位时间间隔t内采样值的均值，std表示单位时间间隔t内采样值的标准差；

取健康状态监测数据在时间间隔t内的采样值的均值作为设备健康指标参数HI，与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的健康状态监测数据形成健康状态监测数据序列；

步骤3.3，筛选敏感参数：

采用灰关联熵算法，以运行状态特征参数序列作为比较序列，以健康状态监测数据序列作为参考序列，计算灰色关联度值R；

采用相关分析法，计算运行状态特征参数序列和健康状态监测数据序列的Pearson相关系数r；

按照y＝0.4|R|+0.6|r|计算加权平均值，并根据y对运行状态特征参数集中行向的六个参数进行降序排列，选择前三个参数作为敏感参数；

步骤3.4，构造外部因素影响累积效应参数序列：

设定运行环境状况监测数据的因素水平：

环境温度的1级因素水平为[15,18)℃，环境温度的2级因素水平为[18,21)℃，环境温度的3级因素水平为[21,24)℃，环境温度的4级因素水平为[24,27)℃，环境温度的5级因素水平为[27,30)℃；

环境湿度的1级因素水平为[65％,70％)，环境湿度的2级因素水平为[70％,75％)，环境湿度的3级因素水平为[75％,80％)，环境湿度的4级因素水平为[80％,85％)，环境湿度的5级因素水平为[85％,90％)；

振动监测值的1级因素水平为[7,8)Hz，振动监测值的2级因素水平为[8,9)Hz，振动监测值的3级因素水平为[9,10)Hz，振动监测值的4级因素水平为[10,11)Hz，振动监测值的5级因素水平为[11,12)Hz；

取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值以各级因素水平出现频率为权值的加权和为参数T_ws，H_ws，V_ws；

取每个时间点之前的时段内，各运行环境状况监测数据的因素水平值变化序列的标准差为参数T_std，H_std，V_std；

取高速公路机电设备在每个时间点距离上一次维护的天数，为参数M_days，其中设定初始时刻设备即进行了一次维护；

取高速公路机电设备在每个时间点之前对设备进行过的维护工作的等级以频率为权值的加权和为参数M_ws；

与运行状态特征参数序列对应相同的多个单位时间间隔内的高速公路机电设备的外部因素影响累积效应参数集合为：

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

多个单位时间间隔内的外部因素影响累积效应参数集合中的每一列数据形成外部因素影响累积效应参数序列；

其中：T是温度采样值，H是湿度采样值，V是振动频率采样值，ws表示加权和，std表示标准差；

步骤3.5，筛选主要外部累积效应影响参数：

采用相关分析法，计算外部因素影响累积效应参数序列和健康状态监测数据序列的Pearson相关系数r；并根据r值对外部因素影响累积效应参数集合中行向的八个参数进行降序排列，取前三个参数作为退化过程的主要外部累积效应影响参数；

步骤3.6，建立高速公路机电设备退化分析模型：

采用极大似然估计法选择Box-Cox算法中Box-Cox变换族的变换参数λ，采用Box-Cox算法对健康状态监测数据进行变换，获得变换后的健康状态监测数据；

采用变换后的健康状态监测数据、敏感参数和主要外部累积效应影响参数构造训练数据集，采用贝叶斯学习框架最小化正则误差，训练相关向量机模型，获得高速公路机电设备退化分析模型。