传感器极寒环境可靠性评估方法、电子设备及存储介质与流程

1.本发明涉及极寒环境下传感器可靠性评估领域，尤其涉及一种传感器极寒环境可靠性评估方法、电子设备及存储介质。


背景技术：

2.现有技术采用实验室低温性能可靠性测试与现场低温长期挂网运行可靠性考核相结合的方式验证装置的可靠性。实验室测试主要突出测试结果的可比较性，将传感器在实验室低温下的运行性能进行比较，在检测和运行过程中监督传感器的输出数据，记录传感器出现的故障，并进行故障模式及影响分析。
3.在实验室内进行可靠性分析及测试的基础上，进一步开展现场低温长期挂网运行可靠性考核试验。将在线监测装置置于低温环境中，按照正常工作状态运行1年。在试验期内实时监测在线监测装置的输出数据，记录在线监测装置出现的故障。通过现场真实环境影响因素的综合作用，来验证在多因素合成作用下的可靠性提升效果，并对故障进行定位和分析，从而对在线监测装置的性能进行进一步改进。
4.对低温环境的适应性是输变电设备状态监测装置的实用化推广过程中必须面对的问题。目前国内对状态监测装置侧重于常温环境下准确性及可靠性的研究，缺乏对低温环境下状态监测装置长期运行影响及监测诊断技术的研究。而且基于现有的采用实验室低温性能可靠性测试与现场低温长期挂网运行可靠性考核相结合的方式难以准确模拟实际低温环境的影响因素，会导致对传感器在低温环境长期挂网运行可靠性评估结果与实际应用偏差巨大。


技术实现要素：

5.本发明的目的在于，提供一种传感器极寒环境可靠性评估方法、电子设备及存储介质，用于解决目前基于现有的采用实验室低温性能可靠性测试与现场低温长期挂网运行可靠性考核相结合的方式难以准确模拟实际低温环境的影响因素，会导致对传感器在低温环境长期挂网运行可靠性评估结果与实际应用偏差巨大的技术问题，难以满足传感器对低温环境适应性的运行可靠性评估需求。
6.为了实现上述目的，本发明其中一实施例中提供一种传感器极寒环境可靠性评估方法，包括步骤：
7.采集传感器运行数据样本步骤，获取传感器运行数据样本，按照常温状态和低温状态将传感器的运行数据样本分为常温时的源域x
s
和低温时的目标域x
t
；所述源域x
s
及所述目标域x
t
中均包括环境参数；
8.搭建神经网络步骤，搭建一神经网络f(
·
)，所述神经网络f(
·
)与所述环境参数ω及传感器的首次故障时间t相关；
9.读取神经网络参数步骤，所述神经网络的参数随机初始记为(w0,b0)，其中表示神经网络每层网络的权重(weight),表示神经网络每层网络的偏差(bias)；
10.更新神经网络参数步骤，将所述源域x
s
参数向量输入神经网络进行计算，得到神经网络预测首次故障时间t0，计算所述神经网络预测的首次故障时间t0与实际首次故障时间t的时间偏差loss0，根据时间偏差loss0更新神经网络的初始参数(w0,b0)为(w1,b1)；
11.优化神经网络参数步骤，再次将所述源域x
s
参数向量输入到更新过参数的神经网络模型中，得到新的首次故障时间t1，再次计算首次故障时间t1与实际首次故障时间t的时间偏差loss1，根据loss1更新神经网络的参数(w1,b1)为(w2,b2)；
12.迭代训练步骤，重复所述优化神经网络参数步骤n次，直到最终时间偏差loss
n
收敛，得到最终神经网络参数(w
n
,b
n
)；
13.构建适配层步骤，在原始的神经网络模型的基础上新增一适配层形成最终神经网络模型f
target
(ω)，所述适配层用所述源域x
s
和所述目标域x
t
的最大均值差异距离mmd(x
s
，x
t
)来衡量所述源域x
s
和所述目标域x
t
之间的距离；以及
14.迁移学习步骤，将所述目标域x
t
输入至所述神经网络中进行训练以更新损失函数为l
target
＝loss'+λmmd(x
s
,x
t
)；其中l
target
为总损失函数，λ为混淆强度系数，loss'为目标域x
t
输入到原有神经网络模型中得到的首次故障时间t'与传感器低温环境下实际首次故障时间t'的时间偏差；取l
target
收敛时的参数(w
target
,b
target
)作为最终模型f
target
(ω)的参数。
15.进一步地，所述源域x
s
包括环境参数数据集ω＝{ω1，ω2，
…
，ω
n
}以及相应环境参数下的首次故障时间t，其中ω为对应的环境参数，n为第n种环境。
16.进一步地，所述目标域x
t
包括环境参数数据集ω'＝{ω'1，ω'2，
…
，ω'
n
}以及相应环境参数下的首次故障时间t'，其中ω’为对应的环境参数，n为第n种环境。
17.进一步地，所述环境参数数据集中的相应环境参数ω、ω’包括温度、湿度、盐雾、酸雾中的一种或多种。
18.进一步地，所述传感器的首次故障时间t在传感器寿命总时长范围内的失效概率为f(t)，所述传感器的失效分布函数f(t)为为f(t)，所述传感器的失效分布函数f(t)为所述传感器的可靠度函数r(t)为r(t)＝1
‑
f(t)＝∫
t∞
f(t)dt。
19.进一步地，r
n
(t)为环境n下传感器预期可靠度，为神经网络模型，下标(w
n
,b
n
)表示神经网络模型参数。
20.进一步地，所述适配层用所述源域x
s
和所述目标域x
t
的最大均值差异距离mmd(x
s
，x
t
)为其中，x
s
为源域的分布；为源域中第i个数据；x
t
为目标域的分布；为目标域中第j个数据；n
s
为源域中样本数量；n
t
为目标域中样本数量；为映射关系，把原变量关系映射到再生核希尔伯特空间。
21.进一步地，在所述迁移学习步骤之后还包括：验证最终模型有效性步骤，将传感器在最终模型的模拟极寒环境下运行状态可靠度与实际极寒环境下运行状态可靠度进行对比，以验证最终模型f
target
(ω)的有效性。
22.本发明还提供一种电子设备，其包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的操作。
23.本发明还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的步骤。
24.本发明的有益效果在于，提供一种传感器极寒环境可靠性评估方法、电子设备及存储介质，通过对传感器在某一温度下传感器的可靠性数据为小样本数据，通过迁移学习的算法评估传感器在不同温度下的可靠性评估，为传感器在极寒环境长期运行的状态进行迁移学习，并适当衡量源域和目标域的距离，通过目标域中数据对最终模型进行训练微调实现了对传感器在极寒环境长期运行的状态的运行可靠性评估，经最终模型在极寒环境下运行状态可靠度与实际情况进行对比，验证了模型的有效性。本发明与现有技术相比具有以下优点：针对传感器在极寒环境的可靠性评估，不需要布置试验环境；节省传感器可靠性评估的成本和时间。
附图说明
25.下面结合附图，通过对本技术的具体实施方式详细描述，将使本技术的技术方案及其它有益效果显而易见。
26.图1为本技术实施例提供的传感器失效时间t和状态变量x(t)之间的关系图；
27.图2为本技术实施例提供的迁移学习的主要思路的流程图；
28.图3为本技术实施例提供的传感器极寒环境可靠性评估方法的流程图；
29.图4为本技术实施例提供的所述传感器极寒环境可靠性评估方法中的数据流向示意图。
具体实施方式
30.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
31.下文的公开提供了许多不同的实施方式或例子用来实现本技术的不同结构。为了简化本技术的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本技术。
32.具体的，请参阅图1所示，本技术实施例提供一种传感器极寒环境可靠性评估方法，所述传感器极寒环境可靠性评估方法通过对传感器在某一温度下传感器的可靠性数据为小样本数据，通过迁移学习的算法评估传感器在不同温度下的可靠性评估，为传感器在极寒环境长期运行的状态进行一定意义上的评估。本发明与现有技术相比具有以下优点：针对传感器在极寒环境的可靠性评估，不需要布置试验环境；节省传感器可靠性评估的成本和时间。
33.传感器系统的固有可靠性常用可靠度、平均无故障工作时间(mtbf)、平均修复时间(mttr)、有效寿命、可用度和经济性指标表示。
34.1)设备状态
35.t时刻设备的状态可用状态变量x(t)描述，x(t)是个随机变量，即：
[0036][0037]
2)失效时间
[0038]
失效时间t是一随机变量，指的是设备从开始工作到首次因故障而不工作的时间。令t＝0为设备开始工作时间，则失效时间t和状态变量x(t)之间的关系如图1所示。
[0039]
失效时间可以是离散的，也可是连续的。本专利中失效时间是连续变量，令其概率密度函数f(t)为分布函数f(t)，显然，
[0040][0041]
3)可靠度
[0042]
这里的可靠度是指系统中的设备在规定条件下和规定的时间内，能够完成规定功能的概率，它与时间相关，一般记为r(t)，称为可靠度函数。且：
[0043]
r(t)＝1
‑
f(t)＝∫
t∞
f(t)dt
[0044]
根据上述传感器可靠度的定义方式，可以较容易的获得常温下传感器运行数据，从而计算一类传感器的可靠度，并形成关于这一温度段内的传感器可靠度数据集。然后通过神经网络算法得到低温环境下传感器的可靠性数据集，进而通过迁移学习得到极寒环境下各个温度段传感器的可靠性数据集，从而对各个温度段传感器的可靠性进行快速评估。
[0045]
总之，如图2所示，本技术通过迁移学习得到极寒环境下各个温度段传感器的可靠性数据集的主要思路为：s10、传感器正常运行时的可靠性数据样本；s20、通过神经网络得到低温环境下传感器的可靠性数据；s30、通过迁移学习得到极寒环境下各个温度段传感器的可靠性数据。
[0046]
如图3所示，基于前文所述内容，本发明实施例中提供一种传感器极寒环境可靠性评估方法，包括以下步骤s1
‑
s9。
[0047]
s1、采集传感器运行数据样本步骤，获取传感器运行数据样本，按照常温状态和低温状态将传感器的运行数据样本分为常温时的源域x
s
和低温时的目标域x
t
；所述源域x
s
及所述目标域x
t
中均包括环境参数；所述源域x
s
包括环境参数数据集ω＝{ω1，ω2，
…
，ω
n
}以及相应环境参数下的首次故障时间t，所述目标域x
t
包括环境参数数据集ω'＝{ω'1，ω'2，
…
，ω'
n
}以及相应环境参数下的首次故障时间t'，其中ω、ω’为对应的环境参数，n为第n种环境。所述环境参数数据集中的相应环境参数包括温度、湿度、盐雾、酸雾中的一种或多种。
[0048]
s2、搭建神经网络步骤，搭建一神经网络f(
·
)，所述神经网络f(
·
)与所述环境参数ω及传感器的首次故障时间t相关。所述传感器的首次故障时间t在传感器寿命总时长范围内的失效概率为f(t)，所述传感器的失效分布函数f(t)为所述传感器的可靠度函数r(t)为r(t)＝1
‑
f(t)＝∫
t∞
f(t)dt。dt。r
n
(t)为环境n下传感器预期可靠度，为神经网络模
型，下标(w
n
,b
n
)表示神经网络模型参数。
[0049]
s3、读取神经网络参数步骤，所述神经网络的参数随机初始记为(w0,b0)，其中w0表示神经网络每层网络的权重(weight),b0表示神经网络每层网络的偏差(bias)。
[0050]
s4、更新神经网络参数步骤，将所述源域x
s
参数向量输入神经网络进行计算，得到神经网络预测首次故障时间t0，计算所述神经网络预测的首次故障时间t0与实际首次故障时间t的时间偏差loss0，根据时间偏差loss0更新神经网络的初始参数(w0,b0)为(w1,b1)。
[0051]
s5、优化神经网络参数步骤，再次将所述源域x
s
参数向量输入到更新过参数的神经网络模型中，得到新的首次故障时间t1，再次计算首次故障时间t1与实际首次故障时间t的时间偏差loss1，根据loss1更新神经网络的参数(w1,b1)为(w2,b2)。
[0052]
s6、迭代训练步骤，重复所述优化神经网络参数步骤n次，直到最终时间偏差loss
n
收敛，得到最终神经网络参数(w
n
,b
n
)。
[0053]
s7、构建适配层步骤，在原始的神经网络模型的基础上新增一适配层形成最终神经网络模型f
target
(ω)，所述适配层用所述源域x
s
和所述目标域x
t
的最大均值差异距离mmd(x
s
，x
t
)来衡量所述源域x
s
和所述目标域x
t
之间的距离。其中，所述适配层用所述源域x
s
和所述目标域x
t
的最大均值差异距离mmd(x
s
，x
t
)为)为其中，x
s
为源域的分布；为源域中第i个数据；x
t
为目标域的分布；为目标域中第j个数据；n
s
为源域中样本数量；n
t
为目标域中样本数量；为映射关系，把原变量关系映射到再生核希尔伯特空间。将目标域x
t
输入到神经网络模型中，计算得到首次故障时间t'与传感器低温环境下实际首次故障时间t'的时间偏差loss'。源域与目标域数据分布存在偏差，导致源域数据训练的神经网络无法很好的预测目标域数据的输出，即loss'的值较大。因此，需要构建适配层，减小源域与目标域的差距。
[0054]
s8、迁移学习步骤，将所述目标域x
t
输入至所述神经网络中进行训练以更新损失函数为l
target
＝loss'+λmmd(x
s
,x
t
)；其中l
target
为总损失函数，λ为混淆强度系数，loss'为目标域x
t
输入到原有神经网络模型中得到的首次故障时间t'与传感器低温环境下实际首次故障时间t'的时间偏差；取l
target
收敛时的参数(w
target
,b
target
)作为最终模型f
target
(ω)的参数。
[0055]
s9、验证最终模型有效性步骤，将传感器在最终模型的模拟极寒环境下运行状态可靠度与实际极寒环境下运行状态可靠度进行对比，以验证最终模型f
target
(ω)的有效性。
[0056]
如图4所示，图4为本技术所述传感器极寒环境可靠性评估方法中的数据流向示意图。
[0057]
本发明还提供一种电子设备，其包括存储器和处理器；所述存储器存储有计算机程序，所述处理器用于运行所述存储器内的计算机程序，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的操作。
[0058]
本发明还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前文任一项所述的传感器极寒环境可靠性评估方法中的步骤。
[0059]
本发明的有益效果在于，提供一种传感器极寒环境可靠性评估方法、电子设备及存储介质，通过对传感器在某一温度下传感器的可靠性数据为小样本数据，通过迁移学习的算法评估传感器在不同温度下的可靠性评估，为传感器在极寒环境长期运行的状态进行迁移学习，并适当衡量源域和目标域的距离，通过目标域中数据对最终模型进行训练微调实现了对传感器在极寒环境长期运行的状态的运行可靠性评估，经最终模型在极寒环境下运行状态可靠度与实际情况进行对比，验证了模型的有效性。
[0060]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0061]
以上对本技术实施例所提供的一种传感器极寒环境可靠性评估方法、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例的技术方案的范围。