一种汽车风洞大风机系统健康性预测系统及方法与流程

本发明涉及汽车风洞运维系统，具体为一种汽车风洞大风机系统健康性预测系统及方法。

背景技术：

1、汽车风洞是一种专为汽车空气动力学研究而设计建造的大型实验设施，主要用于模拟真实环境中汽车在不同速度、不同气流条件下的空气动力学特性。大风洞通常具备高流速、大尺寸、高精度测量等特点，能够为汽车制造商提供详尽、准确的空气动力学数据，对车辆的风阻系数、气动升力、侧风稳定性、冷却系统效能、空气声学等多方面进行深入研究与优化。汽车大风洞的核心为大风机系统，通常由多台大型轴流风扇或高压气源(如离心式压气机)组成，为风洞提供高速气流。这些设备需要高功率的电动机或燃气轮机驱动，涉及复杂的电力分配、负载均衡和控制系统。由于系统中包含了多种设备和传感器类型，因此维护难度较高。

2、当前，大风机系统的维护手段还存在诸多不足之处：

3、1、缺乏基于状态监测和数据分析的预测性维护技术，以传统的定期检修、故障后维修为主，这种被动式的维护策略依赖于设备运行时间或经验判断，而非基于设备实际健康状况，可能导致维护不足，设备故障风险增大；

4、2、维护决策、故障诊断很大程度上依赖于技术人员的经验判断，可能导致诊断效率低下，准确度不足；

5、3、维护计划制定缺乏科学性，未充分利用设备健康状态信息进行动态调度；

6、因此，有必要开发一种针对汽车风洞大风机系统的健康预测度系统及方法，以实现对系统运行状况的准确监控和高效管理。

技术实现思路

1、本发明提供了一种汽车风洞大风机系统的健康性预测系统，可以对汽车风洞大风机的设备、子系统和系统各层级健康性进行预测，为后续的调度、维护和检修提供决策依据，实现智能化管理。

2、本发明提供的基础方案：

3、一种汽车风洞大风机系统健康性预测系统，包括：

4、数据获取模块，用于获取各设备的实时设备参量数据和历史设备参量数据；

5、数据预处理模块，用于对获取的实时设备参量数据和历史设备参量数据进行数据预处理；

6、评价体系构建模块，用于构建从下至上的包含系统、子系统、设备的树形结构评价体系；

7、健康性预测模块，包括构建和训练预测模型，并使用训练好的预测模型输出健康性预测结果，所述的预测模型包括第一预测模型和第二预测模型，第一预测模型基于大规模时间序列预测模型构建，使用预处理后的实时设备参量数据作为输入数据，输出设备参量健康性预测结果和/或设备健康性预测结果和/或子系统健康性预测结果；第二模型基于dscnn神经网络和树形结构评价体系构建，使用第一预测模型输出的预测结果作为第二模型的输入数据，第二预测模型的输出为系统健康性预测结果。

8、进一步，树形结构评价体系按照以下步骤建立：

9、分析大风机系统的工作原理和设备构成；

10、确定重要设备和重要的设备参量；

11、建立权重规划表，预设子系统、设备和设备参量的权重，并根据实际运行情况动态调整预设权重。

12、进一步，所述数据预处理包括特征选择、归一化、奇异值处理和数据清洗；对历史设备参量的预处理还包括：

13、从历史设备参量数据中，提取单个时刻的原始数据集，通过时间窗进行分割和处理，得到该时刻的输入矩阵，对输入矩阵进行转换后，生成对应的rul；所述rul表达式为：

14、

15、其中，lz表示第z个子系统自监测开始至失效结束的时长，k表示第k个输入矩阵，s表示时间窗的滑动步长，l表示时间窗的长度，表示剩余使用寿命，即rul；

16、将整个完整的历史运行状态数据每个时刻进行分割和处理后，得到包括输入和标准输出的数据集；所述数据集表达式为：

17、

18、其中，表示k时刻第z个子系统的监测值，表示设备的剩余使用寿命，z表示第z个同类子系统，n表示同类子系统的最大取值，k表示第k个输入矩阵，nz表示输入矩阵的最大个数。

19、进一步，所述第一预测模型的表达式为：

20、h(t)＝q(t)+z(t)+b(t)+εt

21、其中，h(t)表示设备健康性预测值，q(t)表示设备监测趋势模型，即数据获取模块的数据获取过程在非周期上的变化趋势，z(t)表示特征值的周期项，b(t)表示突发时间变化项，εt表示误差项；

22、其中，设备监测趋势模型计算方式为：

23、q(t)＝(k+a(t)tδ)*t+(m+a(t)tγ)

24、其中，k表示增长率，δ表示增长率的变化量，m表示偏移量，γ表示时间戳s上增长率的变化量，即：

25、γj＝-sjδj

26、其中，s表示时间戳，j表示在时间戳上的变化点；

27、周期项z(t)的计算公式为：

28、

29、其中，n表示模型中使用该周期的个数，an、bn表示周期项的傅里叶系数，n表示拟合周期性需要估计的参数个数，t表示时间，p表示周期；

30、突发时间变化项b(t)的计算公式为：

31、

32、其中，l表示节假日个数，i表示第几个假日，di表示第i个变化项的前后一段时间，ki表示变化项的影响范围k，k＝(ki,…,kl)t。

33、进一步，所述的第二预测模型按照如下步骤建立：

34、使用dscnn神经网络算法构建模型；

35、对历史设备参量进行预处理，作为训练样本对第二预测模型完成训练；

36、读取树形结构评价体系的预设权重，对第二预测模型进行设置。

37、进一步，所述的第二预测模型包括两对卷积池化层、若干全连接层和一个无激活函数的线性回归层；

38、所述的全连接层中使用了dropout模块，用于在训练模型时按概率p切断dscnn神经网络中神经元与其他层之间的连接，计算过程为：

39、

40、

41、

42、其中，p为dscnn神经网络中神经元断开连接的概率，表示第i层的输入，表示当前卷积层的输出，表示第i层卷积的计算结果，表示第i层的输出，g表示当前卷积层的激活函数，表示当前卷积层的权重向量，表示当前卷积层的偏置；

43、在第二预测模型的训练过程中使用了k-fold交叉验证的方法。

44、本发明还提供了一种汽车大风机系统健康性预测的系统，包括以下步骤：

45、s1获取各设备的实时设备参量数据和历史设备参量数据；

46、s2对获取的实时设备参量数据和历史设备参量数据进行数据预处理；

47、s3构建从下至上的包含系统、子系统、设备的树形结构评价体系；

48、s4构建预测模型，包括用于输出设备参量健康性预测结果和/或设备健康性预测结果和/或子系统健康性预测结果的第一预测模型，还包括用于输出系统健康性预测结果的第二预测模型；

49、s5将获取的实时设备参量数据输入第一预测模型，得到第一预测模型输出结果的数据集；

50、s6使用预处理后的历史设备参量数据作为训练样本对第二预测模型完成训练，使用s5步骤得到的数据集作为第二预测模型的输入数据，得到系统健康性预测结果的输出数据。

51、本发明的原理及优点在于：根据大风机系统的工作原理进行子系统划分，并进一步确定各子系统的重要设备，形成完整的树形结构评价体系。通过获取重要设备的运行参量数据，构建第一预测模型，该模型可输出从部件参量到子系统级别的健康性预测结果。由于在评价体系中设置了设备参量和设备的权重比例，因此输出结果能更好地反映重要设备、重要设备参量的变化对健康性的影响；

52、同时，构建和训练第二预测模型，使用第一预测模型的输出结果作为第二预测模型的输入，可更好地反映系统整体和重要设备的运行状况变化。

53、树形结构评价体系的预设权重可根据实验要求和设备实际状况进行调整，提高了预测模型的预测效果。