基于DBN-SVR的热力站设备剩余寿命评估方法技术

本发明专利技术属于智慧供热技术领域，具体涉及一种基于DBN

【技术实现步骤摘要】
基于DBN
‑
SVR的热力站设备剩余寿命评估方法


[0001]本专利技术属于智慧供热
，具体涉及一种基于DBN
‑
SVR的热力站设备剩余寿命评估方法。

技术介绍

[0002]集中供热系统的热力站是供热网路与热用户的连接场所，它的作用是根据热网工况和不同的条件，采用不同的连接方式，将热网输送的热媒加以调节、转换，向热用户系统分配热量以满足用户需求，并根据需要，进行集中计量、检测供热热媒的参数和数量。国内一般对热力站设备的管理都有着一定的管理体系，但是在实际的企业生产过程中，大量的热力站设备由于长期工作、环境变化、频繁起停、设备性能退化等原因，可能会损伤设备的健康度，甚至出现在未到定期维护时间时，设备出现故障，这种现象可能会导致整个热力站出现问题，所以对于热力站设备的剩余使用寿命的评估是极其必要的。
[0003]寿命评估是指以机组经济地服役其全寿命为目标，在对设备状态进行检测和评估的基础上优化设备运行与维修管理的新技术，通过寿命评估可以优化热力站的资金投入，降低事故发生率，延长设备的服役寿命。...

【技术保护点】

【技术特征摘要】
1.一种基于DBN
‑
SVR的热力站设备剩余寿命评估方法，其特征在于，包括：构建热力站数字孪生模型；根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集；对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集；将设备退化特征数据集作为SVR网络的输入数据，进行热力站设备剩余寿命训练和评估；以及对SVR网络模型参数进行寻优，获得最优参数下的热力站设备剩余寿命评估结果。2.如权利要求1所述的热力站设备剩余寿命评估方法，其特征在于，所述构建热力站数字孪生模型的方法为采用机理建模和数据辨识方法建立热力站数字孪生模型，包括：构建热力站虚拟实体包括：几何模型、物理模型、行为模型和规则模型；进行热力站虚实数据连接，通过调用采集的实际运行数据驱动虚拟空间中的对应模型，与热力站虚拟设备形成的仿真数据建立映射关系，形成热力站作业策略；对数字孪生模型进行辨识：采用自适应混沌树和种子算法对数字孪生模型进行辨识，包括：确认热力站设备各待辨识参数的取值范围、设置自适应混沌树和种子算法的运行参数、运行自适应混沌树和种子算法对数字孪生模型中的待辨识参数进行辨识，通过最小化目标函数，获得未知参数的估计值；将辨识得到的参数输入至数字孪生模型获得辨识修正后的热力站数字孪生模型。3.如权利要求2所述的热力站设备剩余寿命评估方法，其特征在于，所述根据辨识修正后的热力站数字孪生模型结合热力站实测数据获取初始设备退化数据集的方法包括：基于辨识修正后的热力站数字孪生模型对热力站设备多阶段退化工况下的性能参数进行仿真，并将仿真计算结果结合热力站获得的历史设备实测数据，获取初始设备退化数据集，即：基于辨识修正后的热力站数字孪生模型结合热力站设备的性能退化机理，对多阶段退化工况下的热力站设备运行状态进行模拟仿真，获得热力站全生命周期内设备的性能参数随运行时间增长的退化规律；所述多阶段退化工况包括：退化初期、退化中期和退化后期；将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合，采集历史性能指标退化数据，并将影响设备退化的性能参数提取作为初始设备退化数据集；所述初始设备退化数据集包括：m维度的输入数据和1个维度的输出数据，均共有n组数据，将整个输入矩阵记为X，将整个输出矩阵记为Y；
其中，将获得的仿真结果与热力站设备多阶段退化工况下的实测数据结合包括：对热力站设备的各部位进行采样和相应的疲劳模拟仿真试验、蠕变断裂模拟仿真试验，以及通过外部测量、试验的非破坏性模拟仿真试验获得的数据、模拟热力站设备各种运行情况下的材质老化数据和在线监测设备使用的时间、温度、应力大小及其分布的状态、起停次数。4.如权利要求3所述的热力站设备剩余寿命评估方法，其特征在于，所述对初始设备退化数据集进行预处理后，并采用DBN网络进行特征提取获取设备退化特征数据集的方法包括：对初始设备退化数据集中的输入数据和输出数据进行归一化处理：对初始设备退化数据集中的输入数据和输出数据进行归一化处理：其中，X
p
、X
p
′
分别为归一化处理之前、之后的第p个输入变量数组；X
p.min
、X
p.max
分别为X
p
包含的所有元素中的最小值和最大值；Y、Y
′
分别为归一化处理之前、之后的输出矩阵；Y
min
、Y
max
分别为输出矩阵Y中元素的最小值和最大值；设置DBN深度信念网络结构：由多个受限制玻尔曼机RBM组成的深层网络；RBM作为DBN网络结构单元，与每层DBN共享参数，包括：可见层v和隐含层h；可见层v为输入数据，隐含层h为一个特征提取器；根据初始设备退化数据集中的训练数据集进行训练，获得热力站设备剩余寿命评估的深度特征，训练过程包括：逐层无监督学习：先训练DBN网络中第一个RBM，通过输入的原始数据和初始化的第一个RBM参数，然后将第一个RBM的输出值作为第二个RBM的输入值，以此类推，逐层训练所有RBM层，获得多层DBN模型；有监督微调：在逐层无监督学习的DBN模型训练完成后，在模型顶层连接一个预测器，通过带标签的训练数据集，先通过损失函数计算输出的设备剩余寿命评估结果y
n
与真实的设备剩余寿命评估结果y
n
′
之间的误差，然后采用梯度下降优化方法根据误差来逐层对整个DBN网络的权值矩阵进行反向微调，降低误差；所述损失函数表示为：5.如权利要求4所述的热力站设备剩余寿命评估方法，其特征在于，所述训练DBN网络中第一个RBM的方法包括：根据可见层和隐含层初始化状态参数(v,h)、无标签的训练数据集和第一个RBM参...

【专利技术属性】
技术研发人员：时伟，穆佩红，刘成刚，谢金芳，
申请(专利权)人：浙江英集动力科技有限公司，
类型：发明
国别省市：