[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

说明书

本发明公开了一种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。方法包括：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。本发明能有效的综合考虑流程优化、维修性、操作性及安全性，避免制氧过程中某单元异常而导致的供应断裂，更好的预测电解制氧设备的使用寿命。

技术领域

本发明涉及电解制氧技术领域，更具体地说，特别涉及一种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。

背景技术

电解制氧技术是目前世界公认的最适合中、长期载人航天任务的氧气补给技术，针对航天器内微重力、变压力的工作环境，电解制氧装置受微重力等情况的影响，多次出现两相流控制异常、不能正常启动的情况，而如果制氧过程中任意单元出现故障，就可能导致整个制氧系统失效，空间氧气质量下降，极大威胁着宇航员的生命保障。

电解制氧系统采用固体聚合物电解质(SPE)电解技术和静态水气分离技术的基本方案。电解制氧系统工作过程中涉及水、气体以及水气混合物，是一个复杂的系统。整个流程主要由供氧支路、水循环回路、氢气排放支路、压力调控支路、供水支路5个部分组成。目前针对这些设备，无法做到实时监控设备的运行状态，因此也无法预测电解制氧设备的使用寿命。为此，有必要开发一种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。

发明内容

本发明的目的在于提供一种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，以克服现有技术所存在的缺陷。

为了达到上述目的，本发明采用的技术方案如下：

一种基于深度学习的电解制氧设备的使用寿命预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

本发明还提供一种根据上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，包括：