一种基于人工智能的飞轮储能发电车健康状况预警系统及方法与流程

：
1.本发明属于人工智能领域，尤其涉及一种基于人工智能的飞轮储能发电车健康状况预警系统及方法。


背景技术：

2.飞轮储能储能的瞬时大功率、快速充放电、毫秒级响应速度且放电倍率高；工作寿命长，理论寿命超过20年；重复深度放电对飞轮储能储能无影响，可重复充放电上千万次；其工作范围宽：对环境温度没有严格要求，无需建设空调机房；应用该技术的飞轮储能储能发电车作为一种具有供电速度快、供电质量好、抗冲击负荷能力强、可靠性高等优势，具有超强的环境适应能力的发电车，当主供电源停电时,不间断电源ups将存储在飞轮储能中的机械能转换成电能，与大功率柴油发电机系统有机结合。因此飞轮储能储能发电车的健康状态尤其关键，在平时的运行中，无法看到飞轮储能在发电车内部封闭的环境下的工作状态情况；如何获取需要获取飞轮储能的健康状态情况，实现实时监控是本领域当前需要解决的技术问题之一。


技术实现要素：

3.针对目前现有的无法看到飞轮储能在发电车内部封闭的环境下的工作状态情况的问题，利用人工智能技术实现无人值守的对飞轮储能发电车运行状态进行全面自动判断，自动生成健康状态报告，并结合人为的主动判断因素，形成对飞轮储能储能发电车健康状态的全方位的评估，有利于管理人员做出在最短的时间内做出判断，早发现问题准确解决，提高效率，从而更好的确保不发生反送电情况发生。
4.本发明为解决以上技术问题所采取的技术方案是：
5.一种基于人工智能的飞轮储能发电车健康状况预警系统，该系统包括：深度学习模型模块，用于根据飞轮储能发电车图像构建卷积神经网络识别模型；
6.图像采集模块，用于采集飞轮储能发电车内部和外部的实时图像；
7.数据处理模块，将采集到所述图像输入所述卷积神经网络识别模型进行识别，提取评估参数；
8.数据拟合模块，将所述评估参数以及历史数据输入到健康评估模型中，得到衰老曲线，报废指标；
9.数据报告模块，根据所述评估参数，衰老曲线以及报废指标生成飞轮储能发电车健康状态报告。
10.进一步地，所述卷积神经网络模型依次包括：输入层，卷积层，非线性激励层，池化层，全连接层，softmax损失层，分类层；其中所述卷积神经网络模型表达式为：其中w＝(w1,...,w
l
)为权重参数，x为输入图像的长
×
宽
×
深度构成的向量。
11.进一步地，所述损失层的表达式为：n为训练样本个数，m为识别目标类型数，t为目标输出，表第n个样本的第k维实际输出。
12.进一步地，当对一辆飞轮储能发电车的图像进行分析时，损失层表示为m为识别目标类型数，t为目标输出，表第n 个样本的第k维实际输出。
13.进一步地，所述评估参数包括径向轴承偏移距离，温度真空度。
14.进一步地，所述健康评估模型为：
15.其中，x表示运行健康状态，y表示待评估状态， c
x,y
(τ)表示x(t)与y(t)之间的正斜方差函数，δ
x
表示健康状态下轴向距离，δy表示待评估轴向距离，λ
l
为设备灵敏系数，λ
l
∈(0,1]，h(c
x,y
(τ))∈(0,1)。
16.进一步地，所述数据拟合模块，将所述评估参数以及历史数据输入到健康评估模型中，得到衰老曲线，报废指标具体包括：首先，根据历史数据获得衰老曲线，然后，根据评估参数输入到健康评估模型中，得到优化后的衰老曲线以及报废参考数据。
17.一种基于人工智能的飞轮储能发电车健康状况预警方法，该方法包括如下步骤：
18.s1、定义深度学习平台的架构，构建深度学习模型的网络和架构，根据飞轮储能发电车图像构建卷积神经网络识别模型；
19.s2、采集飞轮储能发电车内部和外部的实时图像；
20.s3、将采集到所述图像输入所述卷积神经网络识别模型进行识别，提取评估参数；
21.s4、将所述评估参数以及历史数据输入到健康评估模型中，得到衰老曲线，报废指标；
22.s5、根据所述评估参数，衰老曲线以及报废指标生成飞轮储能发电车健康状态报告。
23.进一步地，所述飞轮储能发电车健康状态报告根据预设报告模板，对预设字段进行自动填充。
24.进一步地，通过之前配置好的车辆对应的责任人，后台服务器将飞轮储能发电车健康状态报告推送至负责人的移动设备。
25.本发明的有益效果如下：利用人工智能技术实现无人值守的对飞轮储能发电车运行状态进行全面自动判断，自动生成健康状态报告，并结合人为的主动判断因素，形成对飞轮储能储能发电车健康状态的全方位的评估，有利于管理人员做出在最短的时间内做出判断，早发现问题准确解决，提高效率，从而更好的确保不发生反送电情况发生。
26.上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
27.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
28.图1为本发明的基于人工智能的飞轮储能发电车健康状况预警方法的流程图
具体实施方式
29.下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
30.在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
31.实施例1，一种基于人工智能的飞轮储能发电车健康状况预警系统，该系统包括：深度学习模型模块，用于根据飞轮储能发电车图像构建卷积神经网络识别模型；
32.图像采集模块，用于采集飞轮储能发电车内部和外部的实时图像；
33.数据处理模块，将采集到所述图像输入所述卷积神经网络识别模型进行识别，提取评估参数；
34.数据拟合模块，将所述评估参数以及历史数据输入到健康评估模型中，得到衰老曲线，报废指标；
35.数据报告模块，根据所述评估参数，衰老曲线以及报废指标生成飞轮储能发电车健康状态报告。
36.进一步地，所述卷积神经网络模型依次包括：输入层，卷积层，非线性激励层，池化层，全连接层，softmax损失层，分类层；其中所述卷积神经网络模型表达式为：其中w＝(w1,...,w
l
)为权重参数，x为输入图像的长
×
宽
×
深度构成的向量。
37.进一步地，所述损失层的表达式为：n为训练样本个数，m为识别目标类型数，t为目标输出，表第n个样本的第k维实际输出。
38.进一步地，当对一辆飞轮储能发电车的图像进行分析时，损失层表示为m为识别目标类型数，t为目标输出，表第n 个样本的第k维实际输出。
39.进一步地，所述评估参数包括径向轴承偏移距离，温度真空度。
40.进一步地，所述健康评估模型为：
41.其中，x表示运行健康状态，y表示待评估状态， c
x,y
(τ)表示x(t)与y(t)之间的正斜方差函数，δ
x
表示健康状态下轴向距离，δy表示待评估轴向距离，λ
l
为设备灵敏系数，λ
l
∈(0,1]，h(c
x,y
(τ))∈(0,1)。
42.进一步地，所述数据拟合模块，将所述评估参数以及历史数据输入到健康评估模型中，得到衰老曲线，报废指标具体包括：首先，根据历史数据获得衰老曲线，然后，根据评估参数输入到健康评估模型中，得到优化后的衰老曲线以及报废参考数据。
43.实施例2，一种基于人工智能的飞轮储能发电车健康状况预警方法，该方法包括如下步骤：
44.s1、定义深度学习平台的架构，构建深度学习模型的网络和架构，根据飞轮储能发电车图像构建卷积神经网络识别模型；
45.s2、采集飞轮储能发电车内部和外部的实时图像；
46.s3、将采集到所述图像输入所述卷积神经网络识别模型进行识别，提取评估参数；
47.s4、将所述评估参数以及历史数据输入到健康评估模型中，得到衰老曲线，报废指标；
48.s5、根据所述评估参数，衰老曲线以及报废指标生成飞轮储能发电车健康状态报告。
49.进一步地，所述飞轮储能发电车健康状态报告根据预设报告模板，对预设字段进行自动填充。
50.进一步地，通过之前配置好的车辆对应的责任人，后台服务器将飞轮储能发电车健康状态报告推送至负责人的移动设备。
51.本发明的优点在于：
52.利用人工智能技术实现无人值守的对飞轮储能发电车运行状态进行全面自动判断，自动生成健康状态报告，并结合人为的主动判断因素，形成对飞轮储能储能发电车健康状态的全方位的评估，有利于管理人员做出在最短的时间内做出判断，早发现问题准确解决，提高效率，从而更好的确保不发生反送电情况发生。
53.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。