一种基于可靠性的电气设备预防性维修优化方法及装置

本发明涉及设备监测，尤其涉及一种基于可靠性的电气设备预防性维修优化方法及装置。

背景技术：

1、在当今快节奏的工业和商业环境中，电气设备的可靠性和维护管理已经成为确保生产连续性和降低生产成本的至关重要因素。电气设备广泛应用于制造、能源生产、基础设施和信息技术等各个行业，因此，任何设备的故障或停机都可能导致重大经济损失和生产延误。传统的维护方法主要基于固定的时间表或设备寿命预测，这往往会导致不必要的维护活动，增加维护成本，同时无法捕捉突发事件和设备状态变化。随着信息技术的迅猛发展，我们进入了一个数据驱动的时代，可以更智能、精确地管理电气设备的维护。数据分析、大数据、人工智能和物联网技术的蓬勃发展，为电气设备维护领域带来了前所未有的机会。一种基于可靠性的电气设备预防性维修优化方法及装置应运而生。

2、经检索，中国专利号cn112507516a公开了一种基于可靠性的电气设备预防性维修优化方法及装置，该发明虽然提高了准确性，尽可能的降低维修成本，从而提升了电气设备利用率，但是无法对数据中的复杂模式和非线性关系进行识别，增加数据预处理的工作量，无法制定准确的维护计划和预测维护需求；此外，现有的电气设备预防性维修优化方法及装置数据访问效率低下，维护需求跟成本较高，且容易产生存储空间的浪费；为此，我们提出一种基于可靠性的电气设备预防性维修优化方法及装置。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于可靠性的电气设备预防性维修优化方法及装置。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于可靠性的电气设备预防性维修优化方法，该优化方法具体步骤如下：

4、(1)采集并处理监测电气设备的运行数据；

5、(2)构建电气设备3d模型并同步标注；

6、(3)检测设备状态变化并评估各设备可靠性；

7、(4)依据评估结果生成维护计划并反馈给工作人员；

8、(5)存储各组电气设备数据并进行可视化显示；

9、(6)实时更新监控平台数据并对平台性能进行调整优化。

10、作为本发明的进一步方案，步骤(1)所述电气设备运行数据采集处理具体步骤如下：

11、步骤一：利用多组传感器采集电器设备运行数据，再通过高斯滤波去除各组运行数据中的噪声并平滑数据，之后计算运行数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除，并统一数据格式，再检测是否存在重复的数据记录，若存在重复数据，则将其删除；

12、步骤二：检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并通过knn算法找到的相应的k组数据点的平均值或中位数来替代异常值或缺失值。

13、作为本发明的进一步方案，所述传感器具体包括温度传感器、振动传感器、电流传感器、电压传感器、压力传感器、流量传感器、湿度传感器、气体传感器、光学传感器以及声音传感器。

14、作为本发明的进一步方案，步骤(2)所述电器设备3d模型构建具体步骤如下：

15、步骤1：收集电气设备参数，之后选择3d建模工具和技术根据收集到的数据，创建电气设备的3d模型，同时设计和创建3d模型的外观，并在3d建模工具中创建一个虚拟场景，将电气设备的3d模型放置在其中；

16、步骤2：设置3d模型的光照和相机视角确保用户能够清晰地看到电气设备和环境，再将实际的数据与3d模型关联，并将各组传感器数据绑定到对应的设备；

17、步骤3：实时获取最新的电气设备运行数据，根据最新的数据更新3d模型中的设备状态和环境指标，同时创建3d模型交互界面，并添加对应的视觉效果以传达设备状态信息，以及使用标签或工具提示显示各电气设备的详细信息。

18、作为本发明的进一步方案，步骤(3)所述设备可靠性评估具体步骤如下：

19、步骤ⅰ：提取电气设备运行数据中的特征信息，将获取的特征数据通过随机替换或采样获取创建新特征，再通过特征缩放和标准化使不同特征在相同的尺度上，将收集的各组特征数据随机划分为训练集、测试集以及验证集；

20、步骤ⅱ：创建可靠性模型并依据各组设备故障以及异常特征确定该模型神经元数量，同时将各神经元权重初始化为随机值或预设的初始值，并依据预设信息确定模型学习率以及步长；

21、步骤ⅲ：将训练集划分为小批量，通过前向传播分批次将各组训练集数据传递到可靠性模型中并计算每个神经元的输出，再使用损失函数来比较可靠性模型的输出与实际目标值之间的差异，然后通过反向传播算法，根据损失函数的梯度来计算权重的梯度，通过梯度下降算法更新各神经元权重，再使用验证集来评估训练好的模型的性能，并通过交叉验证法对不满足预设条件的模型学习率进行调整；

22、步骤ⅳ：当模型在验证集上的性能不再改善，或者开始恶化时，则选择提前停止训练，并通过测试集评估最终可靠性模型的性能，重复对模型进行训练测试，直至所有训练集都使用完毕后，将性能最佳的神经网络模型部署到监测系统中；

23、步骤ⅴ：定期从传感器中收集并预处理各项数据，将预处理后的数据传递到可靠性模型中进行前向传播，数据从输入层开始，通过各隐层并计算每层神经元的加权输入，同时通过激活函数计算各层神经元输出并作为输入传递到下一层，直至传递至输出层，之后输出层依据各神经元权重比例输出电气设备一组或多组故障或异常的概率分布。

24、作为本发明的进一步方案，步骤(5)所述电气设备数据存储具体步骤如下：

25、步骤①：按照预设的时间区间对各组电池系统数据进行分割，以获形成多组数据块，之后通过哈希算法生成各组数据块的标识，收集各组区块链节点信息，并获取各组节点负载情况；

26、步骤②：通过负载均衡算法选择对应的区块链节点来存储每组数据块，数据块存储完成后，根据系统的要求和可用资源进行配置复制规定数量的数据块到多组区块链节点上，当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点；

27、步骤③：当构造一组新的数据块时，将其广播到区块链网络中，并传播给多组区块链节点，各组区块链节点进行共识验证，确认该数据块的有效性和合法性并添加如区块链网络中存储。

28、作为本发明的进一步方案，步骤(6)所述平台性能调整优化具体步骤如下：

29、第一步：依据工作人员预设信息确定系统中各项数据信息以及指针结构，并创建一个空链表，同时根据系统内存资源和性能需求设置链表的最大容量；

30、第二步：当需要访问数据时，在缓存链表中查找该数据，如果数据存在于链表中，将其移动到链表头部，表示最近使用过，如果数据不在链表中，则从数据库或其他数据源获取数据，并将其添加到链表头部；

31、第三步：定期监控链表的长度、缓存命中率以及性能指标，当缓存容量达到上限时，基于最近访问的时间来判断链表中最久未被访问的数据，并将对应数据节点从链表尾部移除并释放资源，同时将链表的头部指针更新到新的头部节点，记录缓存命中率和淘汰操作的次数，并定期监控平台性能。

32、一种基于可靠性的电气设备预防性维修优化装置，包括传感器、存储器、处理器、执行器、通信总线、控制器、无线模块以及位置追踪器；

33、所述传感器用于监测电气设备的各种参数；

34、所述存储器用于存储采集的数据以备后续分析；

35、所述处理器用于进行数据分析和可靠性计算以确定维护时机；

36、所述执行器用于根据维护计划执行具体的维护任务；

37、所述通信总线用于控制各种电子元件之间的数据传输和通信；

38、所述控制器用于管理维护过程，确保按照计划进行；

39、所述无线模块用于进行远程监控和数据共享；

40、所述位置追踪器用于跟踪设备的位置。

41、相比于现有技术，本发明的有益效果在于：

42、1、该基于可靠性的电气设备预防性维修优化方法依据收集电气设备参数构建电气设备的3d模型，并根据最新的数据实时更新3d模型中的设备状态和环境指标，之后提取电气设备运行数据中的特征信息，并将收集的各组特征数据随机划分为训练集、测试集以及验证集，通过训练集对可靠性模型进行训练，并通过验证集与测试集对可靠性模型进行验证与测试，并定期从传感器中收集并预处理各项数据，将预处理后的数据传递到可靠性模型中进行前向传播，数据从输入层开始，通过各隐层并计算每层神经元的加权输入，同时通过激活函数计算各层神经元输出并作为输入传递到下一层，直至传递至输出层，之后输出层依据各神经元权重比例输出电气设备一组或多组故障或异常的概率分布，能够实现对数据中的复杂模式和非线性关系的识别，减少数据预处理的工作量，能够制定更准确的维护计划和预测维护需求。

43、2、本发明依据工作人员预设信息确定系统中各项数据信息以及指针结构，并创建一个空链表，同时根据系统内存资源和性能需求设置链表的最大容量，当需要访问数据时，在缓存链表中查找该数据，如果数据存在于链表中，将其移动到链表头部，表示最近使用过，如果数据不在链表中，则从数据库或其他数据源获取数据，并将其添加到链表头部，定期监控链表的长度、缓存命中率以及性能指标，当缓存容量达到上限时，基于最近访问的时间来判断链表中最久未被访问的数据，并将对应数据节点从链表尾部移除并释放资源，同时将链表的头部指针更新到新的头部节点，记录缓存命中率和淘汰操作的次数，并定期监控平台性能，能够提高数据访问效率，有利于优化资源分配，满足维护需求并降低成本，且节省存储空间并保持数据的新鲜性。