一种基于FCM-LSSVM的高原电力设备密封件寿命预估方法

本发明涉及密封件评估的，特别是涉及一种基于fcm-lssvm的高原电力设备密封件寿命预估方法。

背景技术：

1、电力设备稳定运行是保障国家能源可靠供给的关键基础。近年来，电气设备长期运行下因密封制品性能劣化而引发的事件占比超过60％，尤其是在昼夜温差大、紫外辐照强、地震烈度高的青藏高原地区，此类问题更为突出。高温和氧气等老化因素会引发橡胶分子链发生氧化、断裂、交联等反应，形成局部分子链的重排布，导致橡胶性能下降，其中以力学性能下降最为明显。导致变压器漏油主要原因是大型电力变压器设备零部件联接界面的橡胶密封件失效，而大型变压器由于渗漏油严重导致电力变压器停运而造成的经济损失数目将会达到上千万。

2、专利cn0102589976a《基于橡胶常温和高温应力松弛测试设备的橡胶贮存寿命预测模型》，采用应力松弛测试装置，采集得到应力松弛数据与老化时间的关系及速率常数与老化温度之间的关系。利用逼近法和线性回归方法以及matlab编程软件，得到拟合模型方程中的各个系数，并根据相关方法判定线性回归效果。可在给定的温度和应力松弛临界值下确定橡胶寿命的预测值。但该方法仅能用来预测基于压缩永久变形单一参数的寿命估算模型橡胶材料预测。

3、专利cn102601881a《一种橡胶硬度的在线质量监控和预测模型更新的方法》，根据训练数据集构建硬度在线预测模型，并且计算报警线、警告限和选择限；将随变参数新样品输入硬度在线预测模型中，自动输出橡胶硬度值；该发明通过不断的对模型进行更新，从而得到精确的橡胶硬度值。该方法用于在线质量监控，其预测模型无法解决寿命预测问题。

4、专利cn104568603a《橡胶密封件使用说明的工况仿真预估方法》提出了一种橡胶密封件使用寿命的工况仿真预估方法。通过试验条件选取与试样制备，性能参数测试与曲线绘制，实现仿真高温加速测试与寿命预估。采用永久变形主曲线确定加速系数，用实际工况的加速试验确定失效时间。该发明仅能用来预测基于压缩永久变形单一参数的橡胶密封件寿命的预测。

5、传统的电力设备密封件检测方法，其技术手段单一，仅仅针对单一温度做固定温度下的热老化加速试验，无法应对青藏高原地区复杂多变的气候，传统试验方法结果误差大，有效性差，针对实际服役环境中密封圈的测试与分析数据资源匮乏，无法自适应优化预估密封件寿命。

技术实现思路

1、针对现有技术的不足，本发明提供一种基于fcm-lssvm的高原电力设备密封件寿命预估方法，以解决上述的技术问题。

2、本发明提供一种基于fcm-lssvm的高原电力设备密封件寿命预估方法，其方法包括以下步骤：

3、第一步：密封件性能指标数据收集，数据清洗、缺失值处理和特征标准化后进行fcm挖掘相似特征样本；

4、第二步：获取到筛选出的特征量后建立lssvm预测模型并进行迭代训练；

5、第三步：密封件性能指标数据寿命输入训练后的lssvm诊断模型，输出预测结果。

6、进一步地，所述密封件性能指标数据包括密封材料的硬度特性、外部环境温度及压缩永久变形率。

7、进一步地，所述fcm挖掘相似特征样本通过主设备密封材料测试样本集x＝{x1,x2,…,xi,…xn}，将样本集x划分为聚类类别数c(2≤c≤n)，选择的n为输入样本变量xi和l为相应密封材料剩余寿命输出量yi组成的数据集{xi,yi}，利用高维特征空间中的线性函数来拟合样本集如式(1)所示；

8、y(x)＝wtφ(x)+b (1)

9、式中非线性映射φ(x)把数据样本集从输入空间变换到输出空间，w为权向量，b为偏置量；

10、根据结构风险最小化原理，综合考虑函数复杂度和拟合误差回归问题可以表示为式(2)的约束优化；

11、

12、式中γ为平衡置信度和损失函数的惩罚系数，εi为误差变量；

13、利用拉格朗日函数将式(2)的约束优化问题转化为式(3)：

14、

15、式中ai为拉格朗日乘子，并根据karush-kuhn-tucker(kkt)最优条件得：

16、

17、消去式(4)的ω和e，求解的优化问题转化为线性方程式(5)：

18、

19、式中y＝[y1 y2 l yn]，a＝[a1 a2 l an]，e1＝[1 1 l 1]，kij＝k(xi,xj)为核函数，采用具有平移和伸缩正交性的littlewood-paley小波作为最小支持向量机的核函数，其表达式如式(6)：

20、

21、式中a为尺度因子，xj是样本集x的j个分量的值，xi(g)和xj(g)分别是测试样本序列xi和xj中g个分量的值；将(6)式带入线性方程组式(5)并求解，可得到所求的拟合函数，即支持向量机的输出为：

22、

23、进一步地，所述惩罚系数γ和尺度因子a的选取采用粒子群算法计算最优参数值，t个粒子组成一个d维群体搜索空间,粒子q具有一定的速度vq在搜索空间中飞行,粒子的初始位置为一组随机向量uq以及同伴的飞行经验，并根据单个粒子和整个群体目前的最佳位置动态地调整其自身的飞行状态，从而判断出目前的状态是否处于最佳位置。

24、进一步地，所述粒子群算法优化lssvm的惩罚系数γ和尺度因子a的步骤如下：

25、步骤1，归一化数据和初始化粒子群参数：首先将训练样本和测试样本归一化，由于lssvm模型需要优化参数为惩罚系数γ和尺度因子a，因此维数d＝2，粒子数t＝24，每个粒子个体最优解的初始向量uq＝[γ,a]，并初始化粒子对自身记忆的依赖程度c1，粒子群体中的其他粒子对粒子本身的影响c2及惯性权重系数ω的取值范围；

26、步骤2，评价各粒子的适应度：将训练样本集带入网络中并利用式(8)lssvm性能评价指标，即样本均方差为适应度函数；

27、

28、步骤3，确定单个粒子和粒子群体的极值：比较当前单个粒子的适应度优于上一代粒子的适应度，则令当前粒子极值等于pi值,如果在整个群体中,其余某个粒子的适应度好于当前粒子的最优值,则令该粒子值等于pw值；

29、步骤4，将上述更新后的单个粒子pi值和整个群体的pw值代入式(9)和式(10)，得到新一代粒子的速度和位置向量

30、

31、

32、步骤5，结果输出：若当前迭代次数达到了预先设定的最大次数或最小目标误差，则将lssvm模型需要优化参数为惩罚系数γ和尺度因子a的优化最终值输出，否则转到步骤1继续优化计算直至迭代停止。

33、待检测密封件数据样本集输入到迭代训练后的lssvm诊断模型进行密封件寿命评估优化求解。

34、利用此诊断模型进行使用寿命年限预估，判断电力设备密封件的可靠性，制定检修策略。

35、本发明的有益效果在于：能够有效的自适应检测出电力设备密封件的可靠性，数据较为精准，诊断模型快捷可靠，仅需输入密封件数据集就能预估老化寿命，提高变电站、换流站电能输出的稳定性和可靠性，有利于有效优化巡检策略、有效降低维修成本、人工成本。