【技术实现步骤摘要】
本专利技术涉及复杂装备性能预测，特别涉及一种知识和数据复合驱动的装备多工况识别与性能预测方法。
技术介绍
1、复杂装备在工业生产中发挥着至关重要的作用，在发电、空分、海军舰艇、冶金等特殊工作场景中占据着核心地位。在运行过程中，通常有数百个参数共同影响装备的性能，并且需要根据负载的变化动态调整参数，以保证输出功率达到预期性能。对装备性能进行预测是装备稳定运行和高效控制的基础。然而，各参数与性能之间的相关特征是强烈的非线性和隐式的，这使得预测装备的性能非常困难。目前，复杂装备的性能模型主要分为数学机理模型和数据驱动模型。数学机理模型主要是指理论数学模型，由热力学、动力学、流体力学等基本物理理论和装备的运行机理推导而来，数学表达式非常复杂，并且有大量的约束，导致计算结果出现偏差。数据驱动模型是则利用数据和深度学习进行建模。传统机器学习是选取几个关键变量进行近似预测，导致预测精度不足。当处理高维变量时，样本需求急剧增加，并且高概率发生过拟合。现有的人工神经网络(artificial neural network，(ann))大多处理稳态状况。然而，大型装备是复杂的多工况运行系统，结构复杂，设计参数较多，少变量不能概全众多实际运行参数。仿真数据是在理想情况下得到的，与实际运行数据有较大差异。
技术实现思路
1、本专利技术的目的是提供一种知识和数据复合驱动的装备多工况识别与性能预测方法，用以准确识别复杂装备当前运行工况，提高复杂装备实际运行时的性能预测准确性。
2、为实现上述目的，
3、一种知识和数据复合驱动的装备多工况识别与性能预测方法，包括：
4、采集复杂装备当前的变量参数；所述变量参数包括环境参数、温度参数和控制参数；
5、将所述控制参数输入至多工况识别模型中进行工况识别；
6、当识别出复杂装备处于未启动工况时，确定所述复杂装备的运行功率为0；
7、当识别出复杂装备处于动态工况时，将当前的变量参数输入至动态模型中进行性能预测；
8、当识别出复杂装备处于稳态工况时，将当前的变量参数输入至稳态模型中进行性能预测。
9、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
10、本专利技术通过复杂装备的多工况识别模型准确识别复杂装备的当前运行状态，并根据当前的工况选择对应的模型进行性能预测，本专利技术能够提高多工况下的复杂设备的性能预测的准确性。
本文档来自技高网...【技术保护点】
1.一种知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，包括：
2.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述多工况识别模型基于一维卷积神经网络构建；所述多工况识别模型的训练数据为复杂装备历史不同工况下的变量参数中的控制参数；不同工况包括未启动工况、动态工况和稳态工况。
3.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述动态模型基于门控循环单元网络和核岭回归构建；所述动态模型的训练数据为复杂装备历史动态工况下的变量参数和历史动态工况下复杂装备的运行功率。
4.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述稳态模型基于人工神经网络构建；所述稳态模型的训练数据为复杂装备历史稳态工况下的变量参数和历史稳态工况下复杂装备的运行功率。
5.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，在采集复杂装备当前的变量参数之后，还包括：对当前的变量参数进行归一化处理。
【技术特征摘要】
1.一种知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，包括：
2.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述多工况识别模型基于一维卷积神经网络构建；所述多工况识别模型的训练数据为复杂装备历史不同工况下的变量参数中的控制参数；不同工况包括未启动工况、动态工况和稳态工况。
3.根据权利要求1所述的知识和数据复合驱动的装备多工况识别与性能预测方法，其特征在于，所述动态模型基于门控循环单元网络和核岭回归构建；所...
【专利技术属性】
技术研发人员：刘振宇，侯明杰，撒国栋，李斌，黄友根，谭建荣，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。