本發明屬于水電站運維管理，涉及一種基于數字孿生的水電站備件庫存智能預測方法及系統。

背景技術：

1、備件作為水電站設備維護與運行保障體系中的核心要素，是指為了縮短水電站設備故障維修或計劃檢修中因缺件帶來的停機時間，保障正常供電而預先采購和儲備的并用以替換故障件或劣化件的各種零部件，其本質是通過物資儲備策略，實現設備故障快速修復與供電連續性保障的雙重目標。針對水電站備件庫存的管理是保障電站安全、穩定運行的重要環節，涉及備件的分類、采購、存儲、領用和更新等事務。

2、目前，傳統的水電站備件庫存管理主要存在以下不足：

3、需求預測粗放，依賴歷史經驗或固定周期更換，無法實時匹配設備實際損耗狀態，容易導致庫存積壓或庫存短缺。高價值備件庫存積壓占用大量資金，而突發故障時易因部分備件庫存短缺導致停機損失。

技術實現思路

1、本發明的目的在于提供一種基于數字孿生的水電站備件庫存智能預測方法及系統，以解決備件需求預測粗放的技術問題。

2、為了達到上述目的，本發明采用以下技術方案予以實現：

3、第二方面，本發明公開了一種基于數字孿生的水電站備件庫存智能預測方法，包括以下步驟：

4、根據水電站設備的歷史故障數據與實時監測數據預測設備關鍵部件的剩余壽命；

5、根據設備關鍵部件的剩余壽命，結合設備維護計劃及供應鏈周期，輸出未來時間段內各備件的預期需求；

6、根據各備件的預期需求動態調整安全庫存閾值及采購優先級。

7、進一步的，還包括以下步驟：

8、基于水電站物理設備建立數字孿生模型，采集設備運行的實時數據，將設備運行的實時數據與數字孿生模型動態關聯，具體如下：

9、基于水電站物理設備cad圖紙生成參數化三維模型；

10、為參數化三維模型賦予物理屬性參數，得到參數化三維模型；所述物理屬性參數包括機械參數、電氣參數及熱力學參數；

11、實時獲取水電站物理設備運行的實時數據；所述設備運行的實時數據包括振動、溫度、壓力及潤滑狀態；

12、采用卡爾曼濾波算法對所有設備的運行數據進行時序對齊，并通過數據清洗剔除異常值，得到預處理數據；

13、采用層級化編碼體系將預處理數據與所述參數化三維模型動態關聯，實現傳感器數據與三維場景中對應部件的自動映射。

14、進一步的，所述根據水電站設備的歷史故障數據與實時監測數據預測設備關鍵部件的剩余壽命，具體如下：

15、獲取水電站設備的歷史故障數據及實時監測數據；所述歷史故障數據包括維修記錄、傳感器歷史數據及環境日志；所述實時監測數據包括振動、溫度、潤滑狀態及設備運行參數；

16、對所述歷史故障數據及實時監測數據進行預處理；所述行預處理過程包括多源數據時間對齊、異常值剔除及缺失值填充；

17、從預處理后的數據中提取健康特征；所述健康特征包括振動頻譜異常度、溫度梯度變化率及潤滑介質劣化指數；

18、根據所述健康特征，構建用于剩余壽命概率分析的威布爾分布生存分析模型；

19、基于損失函數對所述威布爾分布生存分析模型進行訓練。

20、進一步的，所述振動頻譜異常度的計算方法如下：

21、

22、式中，為振動頻譜異常度，為當前振動頻譜，為設備健康狀態下的基準頻譜，為頻率點，為頻率點數；

23、所述溫度梯度變化率的計算方法如下：

24、

25、式中，為溫度梯度變化率，為當前時間點的溫度值，和分別為相鄰時間點的溫度值，為采樣間隔時間；

26、所述潤滑介質劣化指數的計算方法如下：

27、

28、式中，為潤滑介質劣化指數，為油液中鐵磁性顆粒濃度，為顆粒濃度閾值，為當前油液粘度，為新油標稱粘度，為含水量，為最大允許含水量，、和為權重系數，且++=1。

29、進一步的，所述威布爾分布生存分析模型，具體如下：

30、

31、式中，為設備關鍵部件的剩余壽命，為形狀參數，為尺度參數，為預設故障概率閾值。

32、進一步的，所述各備件的預期需求包括預測性更換需求和更換需求量；

33、所述預測性更換需求的觸發條件為：≤t1+t2，其中，為設備關鍵部件的剩余壽命，t1表示計劃維護時間，t2表示供應商交貨周期；

34、所述更換需求量的計算方法如下：

35、

36、式中，為更換需求量，表示基于歷史數據統計的平均故障間隔時間，表示同類部件的總數，表示指數衰減函數。

37、進一步的，還包括以下步驟：

38、根據供應鏈最小訂貨批量調整更換需求量，得到實際的需求量，調整公式如下：

39、

40、式中，表示調整后的實際的需求量，為更換需求量，為供應鏈最小訂貨批量。

41、進一步的，所述根據各備件的預期需求動態調整安全庫存閾值，具體如下：

42、根據與目標服務水平對應的標準正態分布分位數、供應商從下單到交貨的平均時間、備件需求量的標準差、備件的平均月需求量、供應商交貨時間的標準差和供應商在約定時間內準時交貨的比例獲取安全庫存閾值，獲取公式如下：

43、

44、式中，為安全庫存閾值，表示與目標服務水平對應的標準正態分布分位數，表示供應商從下單到交貨的平均時間，表示備件需求量的標準差，表示備件的平均月需求量，表示供應商交貨時間的標準差，表示供應商在約定時間內準時交貨的比例。

45、進一步的，所述采購優先級的獲取方法如下：

46、依據緊急度評分排序采購優先級，緊急度評分公式具體如下：

47、

48、式中，為緊急度評分，和為權重系數，且+=1，表示設備在剩余壽命內的故障概率，表示庫存缺口，表示安全庫存閾值。

49、第二方面，本發明還公開了一種基于數字孿生的水電站備件庫存智能預測系統，包括：

50、壽命預估模塊，用于根據水電站設備的歷史故障數據與實時監測數據預測設備關鍵部件的剩余壽命；

51、預期需求模塊，用于根據設備關鍵部件的剩余壽命，結合設備維護計劃及供應鏈周期，輸出未來時間段內各備件的預期需求；

52、動態更新模塊，用于根據各備件的預期需求動態調整安全庫存閾值及采購優先級。

53、與現有技術相比，本發明具有以下有益效果：

54、本發明方法根據水電站設備的歷史故障數據與實時監測數據預測設備關鍵部件的剩余壽命，通過融合歷史故障數據和實時監測數據，能夠更全面、準確地了解設備關鍵部件的運行狀況和健康程度。根據設備關鍵部件的剩余壽命，結合設備維護計劃及供應鏈周期，輸出未來時間段內各備件的預期需求，綜合考慮設備關鍵部件的剩余壽命、設備維護計劃和供應鏈周期等多個因素，使備件預期需求的預測更加全面和合理。根據各備件的預期需求動態調整安全庫存閾值及采購優先級，避免了高價值備件占用大量資金，而突發故障時易因備件短缺導致停機損失的問題，實現設備損耗預測與備件需求的匹配，優化庫存結構，減少備件資金占用，使庫存管理更加靈活和高效。

55、本發明通過數字孿生模型實現設備狀態與三維場景的深度融合，同時，結合融合設備健康預測與供應鏈參數，實現設備損耗預測與備件需求的高度匹配，避免了傳統的庫存管理依賴歷史經驗或固定周期更換，所存在的庫存積壓或短缺的問題。

56、本發明系統，包括：壽命預估模塊、預期需求模塊和動態更新模塊；壽命預估模塊用于根據水電站設備的歷史故障數據與實時監測數據預測設備關鍵部件的剩余壽命；預期需求模塊用于根據設備關鍵部件的剩余壽命，結合設備維護計劃及供應鏈周期，輸出未來時間段內各備件的預期需求；動態更新模塊用于根據各備件的預期需求動態調整安全庫存閾值及采購優先級。各個模塊相互配合，能夠實現設備損耗預測與備件需求的匹配，優化庫存結構，減少備件資金占用，使庫存管理更加靈活和高效。