[发明专利]一种基于深度学习的电气设备寿命预测方法及系统

权利要求书

1.一种基于深度学习的电气设备寿命预测方法，其特征在于，包括以下步骤：

获取电气设备的运行年份、状态参数和位置参数，输入寿命预测模型中，获得电气设备剩余寿命的预测结果；

其中，寿命预测模型的构建过程为：

采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果；

采集电气设备的位置参数，形成位置样本数据集；对位置样本数据集采用数据填充的方法进行扩充；具体步骤为：利用激光雷达获得三维点云数据，对数据进行二维化处理和紧凑化处理形成二维点云图像，对二维点云图像进行采样形成五通道的二维图像；

在五通道的二维图像的每一行数据下插入若干行空白扩充数据，进行初始化扩充；

对初始化扩充后的图像中的每一个点进行处理，使每个点周围生成若干扩充点；

将计算得到的扩充点填入初始化扩充后的图像的空白扩充数据中，生成最终的数据集；

根据磨损试验建立耐久度模型，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型；

根据健康状态估计结果对初步寿命预测模型进行实时性优化，得到最终的寿命预测模型；具体步骤为：根据健康状态估计结果随着电气设备运行年份的变化规律，确定突变阈值；

根据突变阈值将电气设备预期寿命进行分段，每一段设置不同的优化因子；

根据每段的健康状态评估结果变化规律，确定优化因子的数值，根据不同的优化因子调整初步寿命预测模型；

将不同分段的寿命预测模型进行整合，形成最终的寿命预测模型。

2.如权利要求1所述的基于深度学习的电气设备寿命预测方法，其特征在于，采集电气设备的状态参数，采用拟合关联的方法对电气设备的健康状态进行估计，获得健康状态估计结果的具体步骤为：

采集电气设备的状态参数计算电气设备的老化率；

根据电气设备的老化率和预期寿命估算电气设备的实际役龄；

根据电气设备的状态参数对健康状态估计函数采用最小二乘拟合法进行分段拟合，求得各阶段参数的比例系数和曲率系数，从而计算得到健康状态估计结果。

3.如权利要求1所述的基于深度学习的电气设备寿命预测方法，其特征在于，利用扩充后的位置样本数据集对耐久度模型进行深度学习训练，得到初步寿命预测模型的具体步骤为：

将扩充后的位置样本数据集进行归一化处理，并对数据集进行预训练；

对耐久度模型进行误差分析，并采用反向传播算法进行调优；

根据误差分析，对扩充后的数据集进行筛选，将异常评分数据进行剔除后得到新的数据集，重新进行训练；

经过不断迭代后得到初步寿命预测模型。