[发明专利]基于深度学习的电解制氧设备的使用寿命预测方法及装置

权利要求书

1.一种基于深度学习的电解制氧设备的使用寿命预测方法，其特征在于，包括以下步骤：

S1、将电解制氧设备中每处设备的检测对象设定为制氧通道中的氧气浓度；

S2、将所有设备的制氧通道中的氧气浓度进行学习训练，记录收集到的所有设备正常、异常时氧气浓度数据，采用MLP神经网络对氧气浓度数据进行深度学习与训练，并建构用于预测测试数据的模型；

S3、采用模型对所有设备的制氧通道中的氧气浓度进行实时监测，并得出监测结果；

S4、根据所述监测结果基于剩余寿命预测深度学习模型预测电解制氧设备的使用寿命。

2.根据权利要求1所述的基于深度学习的电解制氧设备的使用寿命预测方法，其特征在于，所述剩余寿命预测深度学习模型采用长短时记忆网络LSTM模型并基于MLP框架训练，所述剩余寿命预测深度学习模型的输入为所有设备的剩余使用寿命，设备的剩余使用寿命分布为：

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为时间，w为失效阙值，T代表设备总使用时间、t_n代表设备额定使用时间。

3.根据权利要求1所述的基于深度学习的电解制氧设备的使用寿命预测方法，其特征在于，所述步骤S2还包括：将模型添加入氧气浓度检测器中，所有设备的制氧通道中均安装有氧气浓度检测器，并将所有的氧气浓度检测器联网至监控中心。

4.根据权利要求3所述的基于深度学习的电解制氧设备的使用寿命预测方法，其特征在于，所述步骤S3中的监测结果包括设备异常以及制氧气体泄漏，在监测结果为设备异常时所述监控中心触发异常通知提示设备异常，在监测结果为制氧气体泄漏时所述监测中心实时通知并触发检修模式。

5.根据权利要求1-4任意一项所述的基于深度学习的电解制氧设备的使用寿命预测方法的系统，其特征在于，包括：

设定模块，用于将电解制氧设备中每处设备的检测对象设定为制氧通道中的氧气浓度；

模型训练模块，用于将所有设备的制氧通道中的氧气浓度进行学习训练，记录收集到的所有设备正常、异常时氧气浓度数据，采用MLP神经网络对氧气浓度数据进行深度学习与训练，并建构用于预测测试数据的模型；

监测模块，用于采用模型对所有设备的制氧通道中的氧气浓度进行实时监测，并得出监测结果；

预测寿命模块，用于根据所述监测结果预测电解制氧设备的使用寿命；

所述设定模块、模型训练模块、监测模块和预测寿命模块依次连接。