本發(fā)明涉及水利設(shè)備維護(hù)，具體涉及一種水利設(shè)備壽命預(yù)測及故障監(jiān)測方法、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、隨著水利事業(yè)的蓬勃發(fā)展，水利設(shè)備在水資源調(diào)配、防洪減災(zāi)、水力發(fā)電等方面發(fā)揮著愈發(fā)關(guān)鍵的作用。水利工程的規(guī)模持續(xù)擴(kuò)大且朝著精細(xì)化管理方向邁進(jìn)，這對水利設(shè)備的穩(wěn)定、高效運(yùn)行提出了極為嚴(yán)苛的要求，設(shè)備維護(hù)水平直接關(guān)系到水利工程的整體效益與安全保障。

2、當(dāng)前，在水利設(shè)備運(yùn)行數(shù)據(jù)采集環(huán)節(jié)，手段較為單一且缺乏系統(tǒng)性規(guī)劃。多數(shù)情況下僅依賴少量特定類型的傳感器，例如僅布置壓力傳感器和溫度傳感器，而對振動(dòng)、流量、聲學(xué)、應(yīng)變扭矩等其他維度的信息采集有所忽視。這種采集方式致使無法全面獲取設(shè)備的運(yùn)行狀態(tài)信息，眾多關(guān)鍵區(qū)域和潛在故障點(diǎn)的相關(guān)數(shù)據(jù)被遺漏。由于難以全方位感知設(shè)備的運(yùn)行狀況，許多故障隱患在初期難以被及時(shí)察覺，這為水利設(shè)備的安全穩(wěn)定運(yùn)行埋下了巨大的風(fēng)險(xiǎn)。

3、在壽命預(yù)測與故障監(jiān)測領(lǐng)域，現(xiàn)有方法大多基于簡單統(tǒng)計(jì)或經(jīng)驗(yàn)?zāi)Ｐ?。這類模型在面對復(fù)雜運(yùn)行工況以及設(shè)備老化過程時(shí)，適應(yīng)性嚴(yán)重不足。水利設(shè)備運(yùn)行工況復(fù)雜多變，受到水流速度、水位波動(dòng)、水質(zhì)差異、外部環(huán)境變化等多種因素的綜合影響，同時(shí)設(shè)備在長期運(yùn)行過程中會(huì)逐漸老化，其性能和運(yùn)行狀態(tài)也會(huì)隨之發(fā)生改變。然而，現(xiàn)有模型無法有效應(yīng)對這些復(fù)雜情況。在處理多源異構(gòu)數(shù)據(jù)時(shí)，現(xiàn)有模型缺乏有效的整合與利用手段。多源異構(gòu)數(shù)據(jù)涵蓋了不同類型、不同格式、不同頻率的數(shù)據(jù)，如來自不同傳感器的數(shù)據(jù)，以及設(shè)備運(yùn)行日志、維修記錄等非結(jié)構(gòu)化數(shù)據(jù)。由于現(xiàn)有模型無法對這些數(shù)據(jù)進(jìn)行有效的融合與分析，導(dǎo)致大量有價(jià)值的信息被浪費(fèi)，無法為壽命預(yù)測和故障監(jiān)測提供全面、準(zhǔn)確的依據(jù)。在應(yīng)對設(shè)備的非線性、時(shí)變特性方面，現(xiàn)有模型同樣表現(xiàn)不佳。水利設(shè)備的運(yùn)行狀態(tài)并非呈線性變化，而是具有高度的非線性和時(shí)變特征，現(xiàn)有模型難以準(zhǔn)確捕捉和刻畫這些動(dòng)態(tài)變化，從而導(dǎo)致預(yù)測精度低下，誤報(bào)漏報(bào)現(xiàn)象頻繁發(fā)生。這不僅使得維修人員難以準(zhǔn)確判斷設(shè)備的實(shí)際運(yùn)行狀況，還可能導(dǎo)致不必要的維修操作，增加了維護(hù)成本，同時(shí)也無法及時(shí)發(fā)現(xiàn)真正的故障隱患，嚴(yán)重威脅水利工程的安全運(yùn)行。

4、綜上所述，現(xiàn)有的水利設(shè)備運(yùn)行數(shù)據(jù)采集和壽命預(yù)測、故障監(jiān)測方法存在諸多缺陷，難以滿足現(xiàn)代水利工程精細(xì)化管理的迫切需求，亟待一種創(chuàng)新的技術(shù)手段來提升水利設(shè)備的維護(hù)水平，確保水利工程的安全穩(wěn)定運(yùn)行。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種水利設(shè)備壽命預(yù)測及故障監(jiān)測方法、設(shè)備及存儲(chǔ)介質(zhì)，以在一定程度上解決現(xiàn)有技術(shù)中的上述問題。

2、根據(jù)本發(fā)明實(shí)施例的第一方面，提供一種水利設(shè)備壽命預(yù)測及故障監(jiān)測方法，包括：

3、s11、對待測水利設(shè)備進(jìn)行全面數(shù)字化建模，根據(jù)設(shè)備模型確定故障敏感區(qū)與關(guān)鍵監(jiān)測點(diǎn)，生成傳感器部署方案；并根據(jù)構(gòu)建的設(shè)備模型和傳感器部署方案進(jìn)行模擬仿真得到模擬仿真的傳感器數(shù)據(jù)，并對所述傳感器數(shù)據(jù)進(jìn)行預(yù)處理；

4、s12、對所述傳感器數(shù)據(jù)進(jìn)行多域融合特征提取得到多域融合特征，對多域融合特征依次進(jìn)行深度特征學(xué)習(xí)和特征相關(guān)性分析，將特征重要性大于閾值的特征置入特征子集；

5、s13、構(gòu)建混合壽命預(yù)測模型架構(gòu)，對所述混合壽命預(yù)測模型進(jìn)行參數(shù)初始化與預(yù)訓(xùn)練；利用特征子集對經(jīng)過預(yù)訓(xùn)練后的混合壽命預(yù)測模型進(jìn)行正式訓(xùn)練，得到訓(xùn)練好的混合壽命預(yù)測模型；

6、s14、構(gòu)建多元高斯混合模型，根據(jù)預(yù)設(shè)設(shè)備正常運(yùn)行狀態(tài)數(shù)據(jù)集，對所述多元高斯混合模型進(jìn)行參數(shù)估計(jì)；根據(jù)參數(shù)估計(jì)結(jié)果，計(jì)算特征子集中每個(gè)特征維度的馬氏距離閾值和概率密度閾值；構(gòu)建用于故障特征提取與分類的深度信念網(wǎng)絡(luò)；根據(jù)所述多元高斯混合模型和所述深度信念網(wǎng)絡(luò)構(gòu)建得到故障監(jiān)測模型；

7、s15、實(shí)時(shí)獲取傳感器數(shù)據(jù)，所述傳感器是根據(jù)傳感器部署方案進(jìn)行部署的；對所述傳感器數(shù)據(jù)進(jìn)行預(yù)處理，利用步驟s12對預(yù)處理后的傳感器數(shù)據(jù)進(jìn)行特征提取，得到實(shí)時(shí)特征向量；將實(shí)時(shí)特征向量輸入至混合壽命預(yù)測模型，進(jìn)行壽命預(yù)測，將實(shí)時(shí)特征向量輸入至故障監(jiān)測模型，進(jìn)行故障監(jiān)測。

8、優(yōu)選的，在步驟s11中，還包括：根據(jù)待測水利設(shè)備的工況和環(huán)境的動(dòng)態(tài)采集策略，利用機(jī)器學(xué)習(xí)算法構(gòu)建采集頻率自適應(yīng)調(diào)整模型；

9、在步驟s15中，實(shí)時(shí)獲取傳感器數(shù)據(jù)時(shí)，還包括：將實(shí)時(shí)獲取的傳感器數(shù)據(jù)輸入至采集頻率自適應(yīng)調(diào)整模型，得到傳感器采集頻率，根據(jù)所述傳感器采集頻率，控制各個(gè)傳感器的采集頻率。

10、優(yōu)選的，在步驟s12中，還包括：

11、構(gòu)建多域融合特征提取框架，利用所述多域融合特征提取框架對所述傳感器數(shù)據(jù)進(jìn)行多域融合特征提取得到多域融合特征；所述多域融合特征提取框架的時(shí)域采用vmd與hht結(jié)合法，頻域采用wpt和fft聯(lián)合分析法，時(shí)頻域用sst和gst工具；

12、構(gòu)建深度學(xué)習(xí)ae模型，對多域融合特征進(jìn)行深度特征學(xué)習(xí)；所述深度學(xué)習(xí)ae模型包含編碼器與解碼器，在訓(xùn)練所述深度學(xué)習(xí)ae模型時(shí)，引入gan對抗訓(xùn)練機(jī)制，構(gòu)建判別器用于區(qū)分原始與重構(gòu)特征；

13、基于最大信息系數(shù)和皮爾遜相關(guān)系數(shù)相結(jié)合的方法，進(jìn)行特征相關(guān)性分析；

14、利用特征重要性評估方法得到每個(gè)特征的重要性評分，將特征重要性評分大于閾值的特征置入特征子集。

15、優(yōu)選的，在步驟s12中，還包括：

16、使用基于留一法或k折交叉驗(yàn)證的方法對選擇的特征子集進(jìn)行有效性驗(yàn)證，若驗(yàn)證未通過，則對步驟s12進(jìn)行優(yōu)化調(diào)整。

17、優(yōu)選的，在步驟s13中，還包括：

18、所述混合壽命預(yù)測模型架構(gòu)由卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)及其變體長短期記憶網(wǎng)絡(luò)、門控循環(huán)單元以及支持向量回歸構(gòu)成；

19、在進(jìn)行正式訓(xùn)練時(shí)：利用特征子集對混合壽命預(yù)測模型進(jìn)行迭代訓(xùn)練，采用基于改進(jìn)粒子群優(yōu)化算法的參數(shù)優(yōu)化方法對混合壽命預(yù)測模型進(jìn)行參數(shù)優(yōu)化；所述改進(jìn)粒子群優(yōu)化算法，在粒子群優(yōu)化算法的基礎(chǔ)上，引入自適應(yīng)慣性權(quán)重調(diào)整策略和動(dòng)態(tài)鄰域搜索機(jī)制，根據(jù)粒子的當(dāng)前位置和歷史最優(yōu)位置的距離以及整個(gè)粒子群的分布情況，動(dòng)態(tài)調(diào)整慣性權(quán)重；

20、在迭代訓(xùn)練過程中，以最小化預(yù)測值與真實(shí)值之間的均方誤差和平均絕對誤差的加權(quán)組合損失函數(shù)作為目標(biāo)函數(shù)。

21、優(yōu)選的，在步驟s14中，

22、對所述多元高斯混合模型進(jìn)行參數(shù)估計(jì)，包括：使用基于層次聚類和變分推斷的改進(jìn)em算法估計(jì)gmm模型參數(shù)。

23、優(yōu)選的，對所述傳感器數(shù)據(jù)進(jìn)行預(yù)處理，包括：

24、構(gòu)建深度神經(jīng)網(wǎng)絡(luò)異常檢測模型，引入滑動(dòng)窗口和動(dòng)態(tài)閾值機(jī)制，使新的傳感器數(shù)據(jù)流入時(shí)按固定長度窗口分段，計(jì)算統(tǒng)計(jì)特征并與動(dòng)態(tài)閾值比較，標(biāo)記潛在異常數(shù)據(jù)；

25、對所述異常數(shù)據(jù)進(jìn)行聚類分析，剔除符合異常條件的異常值，得到清洗后的數(shù)據(jù)集。

26、優(yōu)選的，得到清洗后的數(shù)據(jù)集后，還包括：

27、對清洗后的數(shù)據(jù)集進(jìn)行實(shí)時(shí)的概率分布估計(jì)，確定每個(gè)維度數(shù)據(jù)的分布類型及其參數(shù)；

28、根據(jù)數(shù)據(jù)分布類型，選擇對應(yīng)的歸一化變換方法對數(shù)據(jù)集進(jìn)行歸一化處理，得到歸一化的數(shù)據(jù)集；在歸一化處理時(shí)，對數(shù)據(jù)集的時(shí)間序列趨勢進(jìn)行建模和預(yù)測，當(dāng)檢測到數(shù)據(jù)存在預(yù)設(shè)趨勢變化情況時(shí)，對歸一化參數(shù)進(jìn)行動(dòng)態(tài)調(diào)整。

29、根據(jù)本發(fā)明實(shí)施例的第二方面，提供一種水利設(shè)備壽命預(yù)測及故障監(jiān)測設(shè)備，包括：

30、主控器，及與所述主控器相連的存儲(chǔ)器；

31、存儲(chǔ)器，其中存儲(chǔ)有程序指令；

32、所述主控器用于執(zhí)行存儲(chǔ)器中存儲(chǔ)的程序指令，執(zhí)行上述任一項(xiàng)所述的方法。

33、根據(jù)本發(fā)明實(shí)施例的第三方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)上述任一項(xiàng)所述的方法。

34、本發(fā)明的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：

35、可以理解的是，本發(fā)明能夠?qū)λO(shè)備全面數(shù)字化建模，確定故障敏感區(qū)和關(guān)鍵監(jiān)測點(diǎn)，生成傳感器部署方案，對模擬仿真的傳感器數(shù)據(jù)預(yù)處理，確保數(shù)據(jù)全面且具針對性；對數(shù)據(jù)進(jìn)行多域融合特征提取、深度特征學(xué)習(xí)和相關(guān)性分析，篩選出重要特征組成特征子集，全方位捕捉設(shè)備故障特征；構(gòu)建混合壽命預(yù)測模型并完成參數(shù)初始化、預(yù)訓(xùn)練及正式訓(xùn)練，構(gòu)建多元高斯混合模型和深度信念網(wǎng)絡(luò)，進(jìn)而得到故障監(jiān)測模型；實(shí)時(shí)獲取按部署方案布置的傳感器數(shù)據(jù)，預(yù)處理后提取特征，將實(shí)時(shí)特征向量分別輸入壽命預(yù)測模型和故障監(jiān)測模型，實(shí)現(xiàn)對水利設(shè)備的壽命預(yù)測與故障監(jiān)測，為設(shè)備維護(hù)提供有力決策支持，保障水利設(shè)備可靠運(yùn)行、減少故障損失。

36、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。