CN104102804A - 一种预测设备器件寿命的方法及装置 - Google Patents

Abstract

本发明公开了一种预测设备器件寿命的方法及装置，涉及检测技术领域，在预测设备器件寿命的过程中，提高了设备器件寿命预测的准确率。本发明的具体实施包括：通过获取到的影响设备器件寿命的影响因素的数值得到已使用的设备器件的寿命值，并通过该寿命值以及设置的预定寿命阈值获取到样本器件，进而根据该样本器件确定用于预测设备器件寿命的预测模型。本发明技术方案主要应用于设备器件寿命预测的流程中。

Description

一种预测设备器件寿命的方法及装置

技术领域

本发明涉及检测技术领域，尤其涉及一种预测设备器件寿命的方法及装置。

背景技术

设备一般是由器件按照一定的结构组织形成的，并且可以用来完成相应功能的装置。每个设备器件都有自己的寿命，设备器件寿命是指从器件上电使用开始到因故障无法继续使用为止经历的时间段。设备器件在实际的使用过程中，会受到各种因素的影响，例如，环境、地点、产品线等等，这些因素都会对设备器件的寿命造成影响。但是现有技术在对设备器件进行寿命预测时，是基于理想状态下得到的寿命均值进行预测的，也就是说在这样的情况下，设备器件是不受外界环境影响的，或者说受到的影响极小。但是，在实际的应用过程中，绝大部分设备器件是不会在理想状态下运行的，如果按照现有技术的方法，会导致预测的设备器件寿命准确很低。

发明内容

本发明的实施例提供一种预测设备器件寿命的方法及装置，在预测设备器件寿命的过程中，提高了预测的准确率。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，提供了一种预测设备器件寿命的方法，包括：

获取寿命值，所述寿命值包括已使用设备器件的寿命值；

根据所述寿命值获取样本器件；

根据所述样本器件确定预测模型，所述预测模型用于设备器件的寿命预测。

在第一方面的第一种可能实现方式中，所述获取寿命值，具体包括：

根据第一预设规则，获取影响因素的数值，所述影响因素影响所述已使用设备器件的寿命；

根据所述影响因素的数值，获取第一时间值，所述第一时间值包括使用所述已使用设备器件的开始时间和/或结束时间；

根据所述第一时间值计算，得到所述寿命值。

结合第一方面、第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，所述根据第一预设规则，获取影响因素的数值，具体包括：

获取所有维修接收时间与所述结束时间的差值以及所有维修接收时间与所述结束时间的总体均值；

根据所述所有维修接收时间与所述结束时间的差值和所有维修接收时间与所述结束时间的总体均值计算，得到所述影响因素的数值。

结合第一方面、第一方面的第一种可能实现方式、第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述根据所述寿命值获取样本器件，具体包括；

根据预定寿命阈值以及所述寿命值，获取所述样本器件。

结合第一方面、第一方面的第一种可能实现方式、第一方面的第二种可能实现方式、第一方面的第三种可能实现方式，在第一方面的第四种可能实现方式中，所述根据所述样本器件确定预测模型，包括：

根据第二预设规则以及所述样本器件确定所述预测模型，所述第二预设规则表示影响所述样本器件寿命的函数；

确定所述预测模型具体包括：

根据所述样本器件获取影响所述样本器件寿命的影响因素的数值以及样本器件寿命均值；

根据所述样本器件寿命的影响因素的数值、样本器件寿命均值、影响所述样本器件寿命的函数计算，确定所述预测模型。

第二方面，提供了一种预测设备器件寿命的装置，包括：

获取单元，用于获取寿命均值，所述寿命值包括已使用设备器件的寿命值；并根据所述寿命值获取样本器件；

确定单元，用于根据所述获取单元获取的所述样本器件，确定预测模型，所述预测模型用于设备器件的寿命预测。

在第二方面的第一种可能实现方式中，所述获取单元，具体包括：

第一获取子单元，用于根据第一预设规则，获取影响因素的数值，所述影响因素影响所述已使用设备器件的寿命；根据所述影响因素的数值，获取第一时间值，所述第一时间值包括使用所述已使用设备器件的开始时间和/或结束时间；

第一计算子单元，用于根据所述第一获取子单元获取的所述第一时间值进行计算，得到寿命值。

结合第二方面、第二方面的第一种可能实现方式，在第二方面的第二种可能实现方式中，所述第一获取子单元，包括：

获取模块，用于获取所有维修接收时间与所述结束时间的差值以及所有维修接收时间与所述结束时间的总体均值；

计算模块，用于根据所述获取模块获取的所述所有维修接收时间与所述结束时间的差值和所有维修接收时间与所述结束时间的总体均值计算，得到所述影响因素的数值。

结合第二方面、第二方面的第一种可能实现方式、第二方面的第二种可能实现方式，在第二方面的第三种可能实现方式中，所述获取单元，还用于根据预定寿命阈值以及所述寿命值，获取所述样本器件。

结合第二方面、第二方面的第一种可能实现方式、第二方面的第二种可能实现方式、第二方面的第三种可能实现方式，在第二方面的第四种可能实现方式中，所述确定单元具体用于，根据第二预设规则以及所述样本器件确定所述预测模型，所述第二预设规则表示影响所述样本器件寿命的函数；

所述确定单元，包括：

第二获取子单元，用于根据所述获取单元获取的所述样本器件获取影响所述样本器件寿命的影响因素的数值以及样本器件寿命均值；

第二计算子单元，用于根据所述第二获取子单元获取的所述样本器件寿命的影响因素的数值、样本器件寿命均值、影响所述样本器件寿命的函数计算，确定所述预测模型。

本发明实施例提供的预测设备器件寿命的方法及装置，在获取到寿命值之后，根据该寿命值以及预先设置的预定寿命阈值获取样本器件，且获取这些样本器件确定预测模型。在现有技术中，设备器件寿命是在实验室中获取到的，进而根据该理想状态下的设备器件寿命值来预测实际应用情况下的设备器件寿命，从而造成预测的设备器件寿命不准确这一问题。本发明提供的技术方案中，在建立预测模型的过程中，将实际应用中的影响因素考虑进去，提高了预测设备器件寿命的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例提供的一种预测设备器件寿命的方法的流程图；

图2为本发明另一实施例提供的一种预测设备器件寿命的方法的流程图；

图3为本发明另一实施例提供一种设备器件使用阶段的示意图；

图4为本发明另一实施例提供的一种确定样本器件的示意图；

图5为本发明另一实施例提供的一种预测设备器件寿命阶段划分示意图；

图6为本发明另一实施例提供的一种预测设备器件寿命的装置的组成框图；

图7为本发明另一实施例提供的另一种预测设备器件寿命的装置的组成框图；

图8为本发明另一实施例提供的一种预测设备器件寿命的装置的组成框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种预测设备器件寿命的方法，如图1所示，该方法包括：

101、获取寿命值。

其中，寿命值包括已使用过的设备器件的寿命值。

可选的，在获取寿命值之前，需要获取第一时间值，该第一时间值包括使用设备器件开始时间和/或结束时间。寿命值即对结束时间与开始时间的差值。

具体的，获取第一时间值之前，包括根据第一预设规则，获取影响因素的数值，从而根据该影响因素的数值，计算得到第一时间值，其中，影响因素会影响已使用设备器件的寿命。

值得说明的是，在第一时间分别表示开始时间或结束时间时，其影响因素是不同的。

进一步的，根据第一预设规则，获取影响因素的数值，具体为：获取所有维修接收时间与结束时间的差值以及所有维修接收时间与结束时间的总体均值；并根据这两组数据计算，得到影响因素的数值。

值得说明的是，维修接收时间或者使用设备器件的结束时间是来源于设备器件的维修单中的，这里描述的所有是指，根据每个维修单中记载的上述两种数据。

102、根据寿命值获取样本器件。

可选的，获取样本器件具体包括，设置预定寿命阈值，根据上述101中获取的寿命值，将寿命值在该预定寿命阈值范围内的确定为样本器件。

103、根据样本器件确定预测模型。

具体为，根据第二预设规则以及样本器件确定预测模型，该预测模型用于设备器件的寿命预测，且第二预设规则表示影响样本器件寿命的函数。

进一步的，确定预测模型具体为根据样本器件获取影响该样本器件寿命的影响因素的数值以及该样本器件寿命均值；并根据样本器件寿命的影响因素的数值、样本器件寿命均值、影响样本器件寿命的函数计算，确定预测模型。

其中，预测模型包括但不限定为偏差模型，该模型中包含样本器件寿命均值，设备器件寿命的的影响因素的数值，以及影响样本器件寿命的函数。

优选的，预测模型可使用如下公式(1)表示：

days_life(i)＝μl+bcity(i)+bpseries(i)+f(venvironment，vmunicipal，vpseries)    (1)

其中，上述运算符f是多元回归函数运算符，可能包括各变量的线性项、交叉项和常数项；

代表环境相关的变量，例如：温度、湿度、降水量、雷电天数等；代表市政相关变量，例如：避雷针数量、排水设备数量等；

代表产品批次相关变量，例如：安防等级、工作温度、额定电流等；

b_city(i),b_pseries(i)分别代表影响因素为城市及产品批次的值；

μ1为样本器件寿命均值。

其中，函数f(venvironment,vmunicipal,vpseries)可以表示为如下公式（2）：

f(v_environment,v_municipal,v_pseries)=k1*v_environment+k2*v_municipal+k3*v_pseries, （2）

其中，k1、k2、k3为常数。

进一步的，本发明实施例提供如下梯度下降法，用以得到上述公式（1）（2）中涉及的参数μ1，b_city(i),b_pseries(i)、k1、k2、k3，该梯度下降法具体为：

基于参数学习方法，通过连续迭代确定下述公式（3）中目标函数founction_object的最小值。

${\mathrm{function}}_{\mathrm{object}}=\underset{i}{\mathrm{\Σ}}[(\mathrm{days}\_\mathrm{life}\left(i\right)-\mathrm{\μ}1-b_{\mathrm{city}}\left(i\right)-b_{\mathrm{pseries}}\left(i\right)$

${-k}_1*v_{\mathrm{environment}}-k_2*v_{\mathrm{municipal}}-k_3*v_{\mathrm{pseries}}{)}^2---\left(3\right)$

${+\mathrm{\λ}}_1{b}_{\mathrm{city}}^2\left(i\right)+{\mathrm{\λ}}_2{b}_{\mathrm{pseries}}^2\left(i\right)+{\mathrm{\λ}}_3{k}_1^2+{\mathrm{\λ}}_4{k}_2^2+{\mathrm{\λ}}_5{k}_3^2]$

其中，λ₁至λ₅为预先设定的正则化参数。

当确定目标函数founction_object取得最小值时，即可获取到公式（1）和（2）计算时需要的参数μ1、b_city(i),b_pseries(i)、k1、k2、k3的值，并且，此时将获取到的这些参数值代入公式（1）（2）中即可确定预测模型。

值得说明的是，上述预测模型结合了实际应用情况下的影响因素，使得预测的设备器件寿命更为准确。

进一步的，在确定上述预测模型之后，还包括使用该预测模型对设备器件的寿命进行预测。

本发明实施例提供的预测设备器件寿命的方法，在获取到寿命值之后，根据该寿命值以及预先设置的预定寿命阈值获取样本器件，且获取这些样本器件确定预测模型。在现有技术中，设备器件寿命是在实验室中获取到的，进而根据该理想状态下的设备器件寿命值来预测实际应用情况下的设备器件寿命，从而造成预测的设备器件寿命不准确这一问题。本发明提供的技术方案中，在建立预测模型的过程中，将实际应用中的影响因素考虑进去，提高了预测设备器件寿命的准确率。

本发明另一实施例提供了一种预测设备器件寿命的方法，如图2所示，该方法包括：

201、根据第一预设规则，获取影响因素的数值。

值得说明的是，对于一个设备器件而言，会经历使用前、使用中、使用后三种阶段，如图3所示。其中，使用前包括从发货时间到上电使用这一时间段，也可称为等待时间；从上电时间到故障停止这一时间段，也可称为设备器件寿命；从故障停止到维修接收时间这一时间段，也可称为维修时间；特别地，上述的上电时间即开始时间，故障停止即结束时间。

结合上述描述，在不同的时间段，设备器件寿命的影响因素是不同的。例如，在使用前，起主要影响的因素包括：合同等级、订单量、地点等；在使用中的主要影响因素包括：环境(温度、湿度等)、市政措施、批次、供应商等；在使用后主要影响因素包括：产品线、产品、来源代码、缺陷代码、设备使用地点、维修工技能等。

进一步的，每个影响因素都会对应的有一个影响指数也就是影响因素的数值。

可选的，以使用后的主要影响因素为例，获取影响因素的数值的方法，结合上述描述，使用b_prodl(i)，b_prod(i)，b_brd(i)，bf_code(i)，b_scode(i)，b_city(i)分别表示：产品线、产品、单板、缺陷代码、来源代码、设备器件使用地点这些影响因素的数值。其中，i表示维修记录(i＝1，2，3…)，也可以看作是设备器件维修单的编号。

根据第一预设原则，获取影响因素的数值，其中，第一预设原则包括但不限定为以下两种方法：

第一种实现方式：统计方法。

在该方法中首先确定各影响因素的重要程度，即对各个影响因素的数值进行比较，影响因素的数值越大表示与该影响因素越重要。具体地，将每个因子单独与均值进行预测后对误差检验指标从小到大进行排序，即对每种影响因素的数值与进行大小排序。

具体的，以单独计算各影响因素的数值，且以影响因素为地点为例，即计算b_city(i)的值，可以通过如下公式(4)实现：

其中，指在这种设备器件在同一城市的维修记录的总和；

days_diff(j)表示第j条记录中，维修接收时间和结束时间的差值；

μ表示维修接收时间和结束时间差值的总体均值。

值得说明的是，当存在多个维修记录时，总有某若干个维修记录存在维修时间和/或结束时间，若其中有参数未明确记载，则可以通过另一些维修记录统计获得。

类似的，在对产品线、产品、单板等影响因素的数值进行计算时，将各自对应的影响因素替代上述的bcity(i)即可获得，本发明实施例对此不再进行描述。

值得说明的是，在上述获取的每个影响因素的数值，同时也受其它影响因素的影响，为获取到更为准确的影响因素的数值，将各个影响因素的数值的大小进行排序，再依次多减去一个参数，该参数为影响因素的数值，这样就可以把前面已经计算过的影响因素造成的偏差去除，也就能够去除前面的影响因素的数值的影响。

具体的，假如，获取到的影响因素的数值的排序从大到小依次为：地点→单板→产品→来源代码→缺陷代码→产品线，则计算各影响因素的数值可使用如下包括(4)、(5)、(6)的一组公式来实现：

...

第二种实现方式：参数学习法。获取下述目标函数的最小值：

$\underset{b*}{\min \underset{i}{\mathrm{\Σ}}}[(\mathrm{date}\_\mathrm{diff}\left(i\right)-\mathrm{\μ}-b_{\mathrm{prodl}\left(i\right)}-b_{\mathrm{prod}\left(i\right)}-b_{\mathrm{brd}\left(i\right)}-b_{\mathrm{dev}\left(i\right)}-b_{\mathrm{fcode}\left(i\right)}-b_{\mathrm{city}\left(i\right)}{)}^2$

$+{\mathrm{\λ}}_1{b}_{\mathrm{prodl}\left(i\right)}^2+{\mathrm{\λ}}_2{b}_{\mathrm{prod}\left(i\right)}^2+{\mathrm{\λ}}_3{b}_{\mathrm{brd}\left(i\right)}^2+{\mathrm{\λ}}_4{b}_{\mathrm{dev}\left(i\right)}^2+{\mathrm{\λ}}_5{b}_{\mathrm{fcode}\left(i\right)}^2+{\mathrm{\λ}}_6{b}_{\mathrm{city}\left(i\right)}^2]$

                                             ——公式(7)；

公式(7)中的参数，通过下述迭代公式(8)、(9)，获取到各影响因素的数值：

b_j(i)＝b_j(i)+lrate_j*(err_i-λ_jb_j(i))，j∈(prodl，prod，brd，...)     ——公式(8)；

${\mathrm{err}}_i=\mathrm{date}\_\mathrm{diff}\left(i\right)-u-b_{\mathrm{prodl}\left(i\right)}-b_{\mathrm{prod}\left(i\right)}-b_{\mathrm{brd}\left(i\right)}-b_{\mathrm{brd}\left(i\right)}-b_{\mathrm{dev}\left(i\right)}-b_{\mathrm{fcode}\left(i\right)}-b_{\mathrm{city}\left(i\right)}$

                                            ——公式(9)；

可选的，在上述公式(8)中，lrate_j，λ_j分别表示变量j相应的学习率和正则化参数，且lrate_j，λ_j是可以根据实际情况自行设定的。公式(9)等号左侧的因数表示误差。对于上述公式(8)、(9)需要循环迭代，直到公式(9)中的误差达到要求或者迭代次数达到预设最大次数，其中，对于公式(8)、(9)来说，上一次迭代输出的结果可以作为下一次迭代的输入。

进一步的，对于上述公式(7)、(8)、(9)的计算可以使用梯度下降算法，且误差所要到达的要求以及迭代次数可在该梯度下降算法中设定。

202、根据影响因素的数值，获取第一时间值。

其中，第一时间值包括使用设备器件的开始时间和/或结束时间。

days_life(i)＝μl+bcity(i)+bpseries(i)+f(venvironment，vmunicipal，vpseries)    (1)

在上述公式(1)中，μ为维修接收时间和结束时间的总体均值；days_diff(i)维修接收时间和结束时间的差值；结合上述201中获取到的各个影响因素的数值之后，再根据维修记录中记录的发货时间和/或维修接收时间，获取到上述开始时间和/或结束时间。

203、根据第一时间值计算得到寿命值。

其中，寿命值包括已使用设备器件的寿命值，指参与上述第一时间计算的所有维修记录对应的设备器件的寿命值，是一组寿命值的集合。

可选的，结合202中的描述，获取寿命值的实现方式包括以下三种：

第一种实现方式：当结束时间已知、开始时间未知时，第一时间为开始时间时，寿命值为结束时间与开始时间的差值；

同样的，第二种实现方式：当开始时间已知、结束时间未知时，第一时间为结束时间，执行如上述操作；

第三种实现方式：当开始时间与结束时间均未知时，需要两次执行上述201、202的操作，以获取开始时间以及结束时间，在进行差值运算获取到寿命值。

值得说明的是，在计算开始时间以及结束时间的过程中，不同阶段的影响因素是不同的，例如，在计算开始时间时，还可以使用合同等级、订单量、地点等影响因素，其计算方法与上述201、202中的描述相同，本实施例对此不再重复说明。

204、根据预定寿命阈值以及寿命值获取样本器件。

具体的，即将获取到的寿命值在设定的预定寿命阈值范围内的设备器件确定为样本器件。

值得说明的是，按设备器件的结束时间可以将其生命周期分为早期失效期、偶然失效期、耗损失效期，其中，失效即说明其故障率高。在早期失效期中，设备器件的生命周期受生产工艺的影响大，可以认为其属于劣品，是少数的；在耗损失效期中，说明设备器件已经工作了较长时间，属于设备器件老化的自然失效；而在偶然失效期中，设备器件是是受环境、市政等因素的影响此案导致失效的，则这部分的设备器件才是要选择的样本器件。即设置的预定寿命阈值为偶然失效期。例如，假设设备器件从使用开始到第一年失效的，为早期失效；使用到第三年失效的为偶然失效；使用多于三年失效的为耗损失效，则设置的预定寿命阈值为1-3年，则选取上述203得到的寿命值为1-3的设备集合作为样本器件。通过故障率与失效期的关系来确定样本器件，如图4所示。

205、根据第二预设规则以及样本器件，确定预测模型。

其中，预测模型用于寿命预测，预测模型的相关描述与上述103中的描述的内容相同，在此不再重复说明。

进一步的，在确定上述预测模型之后，用该预测模型对设备器件进行寿命预测。

可选的，结合本实施例的描述，可以将寿命预测的方法流程划分为两个阶段，分别为训练阶段和预测阶段。其中，训练阶段为获取预测模型的阶段，预测阶段为使用该预测模型的阶段。

具体的，如图5所示，训练阶段包括：数据预处理、样本器件选择、属性选择、模型训练；预测阶段包括属性获取、寿命预侧。其中，数据预处理即获取寿命值的过程，在本实施例中对应上述201一203；样本器件选择即根据寿命值以及预定寿命阈值获取样本器件，对应上述204；属性选择，即根据设备器件的不同阶段，确定该阶段对应的主要影响因素有哪些，例如，在使用中阶段，对应的主要影响因素包括：环境(温度、湿度等)、市政措施、批次、供应商等；模型训练，即结合第二预设规则确定预测模型的过程。进一步的，预测阶段中的属性获取即结合上述的选择的属性，获取相应的影响因素的数值，并获取第二预设规则中的相应参量的值；寿命预测，即使用训练阶段得到的预测模型，来对设备器件的进行寿命预测。

本发明实施例提供的预测设备器件寿命的方法，在实际应用情况下，通过实际的影响因素的数值获取到已使用的设备器件的寿命值，并获取偶然失效期中的设备器件为样本器件，根据这些样本器件的维修记录确定预测模型。而在现有技术中，是在实验室中获取到设备器件寿命，进而根据该理想状态下的寿命均值去预测实际应用情况下的设备器件的寿命，这样就产生预测的器件寿命值不准确这一问题。本发明实施例提供的技术方案，在预测设备器件寿命的过程中，提高了预测设备器件寿命的准确率。

本发明另一实施例提供了一种预测设备器件寿命的装置，如图6所示，该装置包括：获取单元61、确定单元62。

获取单元61，用于获取寿命均值，并根据该寿命值获取样本器件。

可选的，寿命值包括已使用设备器件的寿命值。

确定单元62，用于根据所述获取单元61获取的样本器件，确定预测模型，该预测模型用于设备器件的寿命预测。

优选的，该预测模型包括但不限定为偏差模型，该模型中包含样本器件寿命均值，设备器件寿命的的影响因素的数值，以及影响样本器件寿命的函数，

具体的，预测模型可使用如下公式(1)表示：

days_life(i)＝μl+bcity(i)+bpseries(i)+f(venvironment，vmunicipal，vpseries)    (1)

其中，上述运算符f是多元回归函数运算符，可能包括各变量的线性项、交叉项和常数项；

代表环境相关的变量，例如：温度、湿度、降水量、雷电天数等；

代表市政相关变量，例如：避雷针数量、排水设备数量等；

代表产品批次相关变量，例如：安防等级、工作温度、额定电流等；

b_city(i)，b_pseries(i)分别代表影响因素为城市及产品批次的值；

μl为样本器件寿命均值。

其中，函数f(venvironment，vmunicipal，vpseries)可以表示为如下公式(2)：

f(v_environment，v_municipal，v_pseries)＝k1*v_environment+k2*v_municipal+k3*v_pseries，(2)

其中，k1、k2、k3为常数。

进一步的，本发明实施例提供如下梯度下降法，用以得到上述公式(1)(2)中涉及的参数μl，b_city(i)，b_pseries(i)、k1、k2、k3，该梯度下降法具体为：

基于参数学习方法，通过连续迭代确定下述公式(3)中目标函数founction_object的最小值。

${\mathrm{function}}_{\mathrm{object}}=\underset{i}{\mathrm{\Σ}}[(\mathrm{days}\_\mathrm{life}\left(i\right)-\mathrm{\μ}1-b_{\mathrm{city}}\left(i\right)-b_{\mathrm{pseries}}\left(i\right)$

${-k}_1*v_{\mathrm{environment}}-k_2*v_{\mathrm{municipal}}-k_3*v_{\mathrm{pseries}}{)}^2---\left(3\right)$

${+\mathrm{\λ}}_1{b}_{\mathrm{city}}^2\left(i\right)+{\mathrm{\λ}}_2{b}_{\mathrm{pseries}}^2\left(i\right)+{\mathrm{\λ}}_3{k}_1^2+{\mathrm{\λ}}_4{k}_2^2+{\mathrm{\λ}}_5{k}_3^2]$

其中，λ₁至λ₅为预先设定的正则化参数。

当确定目标函数founction_object取得最小值时，即可获取到公式(1)和(2)计算时需要的参数μl、b_city(i)，b_pseries(i)、k1、k2、k3的值，并且，此时将获取到的这些参数值代入公式(1)(2)中即可确定预测模型。

值得说明的是，上述预测模型结合了实际应用情况下的影响因素，使得预测的设备器件寿命更为准确。

可选的，如图7所示，所述获取单元61，具体包括：第一获取子单元611、第一计算子单元612；所述第一获取子单元611，包括：获取模块a、计算模块b；确定单元62包括：第二获取子单元621、第二计算子单元622。

第一获取子单元611，用于根据第一预设规则，获取影响因素的数值，并根据该影响因素的数值，获取第一时间值。

可选的，该影响因素影响已使用设备器件的寿命；第一时间值包括使用所述已使用设备器件的开始时间和/或结束时间。

第一计算子单元612，用于根据所述第一获取子单元611获取的所述第一时间值进行计算，得到寿命值。

获取模块a，用于获取所有维修接收时间与结束时间的差值以及所有维修接收时间与结束时间的总体均值。

计算模块b，用于根据所述获取模块a获取的所有维修接收时间与结束时间的差值和所有维修接收时间与结束时间的总体均值计算，得到影响因素的数值。

其中，获取影响因素的数值的方法，包括但不限定使用统计方法和参数学习方法。

值得说明的是，在设备器件的不同阶段，设备器件寿命的影响因素是不同。例如，在使用前，起主要影响的因素包括：合同等级、订单量、地点等；在使用中的主要影响因素包括：环境(温度、湿度等)、市政措施、批次、供应商等；在使用后主要影响因素包括：产品线、产品、来源代码、缺陷代码、设备器件使用地点、维修工技能等。

进一步的，每个影响因素都会对应的有一个影响指数也就是影响因素的数值。

可选的，所述获取单元61，还用于根据预定寿命阈值以及所述第一计算子单元612得到的寿命值，获取样本器件。

可选的，确定单元62具体用于，根据第二预设规则以及所述获取单元61获取的样本器件确定预测模型。

其中，第二预设规则表示影响样本器件寿命的函数。

值得说明的是，，按设备器件的结束时间可以将其生命周期分为早期失效期、偶然失效期、耗损失效期，其中，失效即说明其故障率高。在早期失效期中，设备器件的生命周期受生产工艺的影响大，可以认为其属于劣品，是少数的；在耗损失效期中，说明设备器件已经工作了较长时间，属于设备器件老化的自然失效；而在偶然失效期中，设备器件是是受环境、市政等因素的影响此案导致失效的，则这部分的设备器件才是要选择的样本器件。即设置的预定寿命阈值为偶然失效期。

第二获取子单元621，用于根据获取单元61获取的样本器件获取影响该样本器件寿命的影响因素的数值以及样本器件寿命均值。

第二计算子单元622，用于根据第二获取子单元621获取的所述样本器件寿命的影响因素的数值、样本器件寿命均值、影响样本器件寿命的函数计算，确定预测模型。

可选的，在确定单元62确定预测模型之后，用于根据该预测模型对设备器件进行寿命预测。

本发明实施例提供的预测设备器件寿命的装置，在获取单元获取到寿命值之后，根据该寿命值以及预先设置的预定寿命阈值获取样本器件，进而确定单元根据获取这些样本器件确定预测模型。在现有技术中，设备器件寿命是在实验室中获取到的，进而根据该理想状态下的设备器件寿命值来预测实际应用情况下的设备器件寿命，从而造成预测的设备器件寿命不准确这一问题。本发明提供的技术方案中，在通过寿命建立预测模型的过程中，将实际应用中的影响因素考虑进去，提高了预测设备器件寿命的准确率。

本发明实施例提供了一种预测设备器件寿命的装置，如图8所示，该装置包括：处理器01、存储器02。

处理器01，用于根据第一预设规则，获取影响因素的数值；根据所述影响因素的数值，获取第一时间值，并根据该第一时间值计算得到寿命值；还用于设置寿命的预定寿命阈值，并确定寿命值在该预定寿命阈值内的为样本器件；继而根据第二预设规则以及确定的样本器件确定预测模型，该预测模型用于设备器件的寿命预测。

其中，寿命值包括已使用设备器件的寿命值；第一时间包括使用设备器件的开始时间和/或结束时间；第二规则表示影响样本器件寿命的函数。

可选的，处理器01，在根据第一预设规则，获取影响因素的数值时，还用于获取所有维修接收时间与结束时间的差值以及所有维修接收时间与结束时间的总体均值；并根据所有维修接收时间与结束时间的差值和所有维修接收时间与结束时间的总体均值计算，得到影响因素的数值。在根据第二预设规则以及样本器件确定预测模型时，还用于根据样本器件获取影响该样本器件寿命的影响因素的数值以及样本器件寿命均值；并且根据样本器件寿命的影响因素的数值、样本器件寿命均值、影响样本器件寿命的函数计算，确定预测模型。

可选的，处理器01，还用于使用预测模型对设备器件寿命进行预测。

所述存储器02，用于存储所述处理器01获取的影响因素的数值、第一时间值以及寿命值；还用于存储所述处理器01，设置的预定寿命阈值，以及通过该预定寿命阈值确定的样本器件，样本器件寿命的影响因素的数值、样本器件寿命均值、影响样本器件寿命的函数。

本发明实施例提供的预测设备器件寿命的装置，在处理器获取到影响因素的数值以及第一时间值之后，根据该第一时间值计算得到寿命值，并根据该寿命值获得样本器件，进而根据这些样本器件对应的维修记录确定预测模型。而在现有技术中，是在理想状态下获取到设备器件寿命，进而根据该器件寿命去预测实际应用情况下的设备器件的寿命，这样就产生预测的设备器件寿命不准确这一问题。本发明实施例提供的技术方案，在预测设备器件寿命的过程中，提高了预测设备器件寿命的准确率。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种预测设备器件寿命的方法，其特征在于，包括：

获取寿命值，所述寿命值包括已使用设备器件的寿命值；

根据所述寿命值获取样本器件；

根据所述样本器件确定预测模型，所述预测模型用于设备器件的寿命预测。

2.根据权利要求1所述的预测设备器件寿命的方法，其特征在于，所述获取寿命值，具体包括：

根据第一预设规则，获取影响因素的数值，所述影响因素影响所述已使用设备器件的寿命；

根据所述影响因素的数值，获取第一时间值，所述第一时间值包括使用所述已使用设备器件的开始时间和/或结束时间；

根据所述第一时间值计算，得到所述寿命值。

3.根据权利要求2所述的预测设备器件寿命的方法，其特征在于，所述根据第一预设规则，获取影响因素的数值，具体包括：

获取所有维修接收时间与所述结束时间的差值以及所有维修接收时间与所述结束时间的总体均值；

根据所述所有维修接收时间与所述结束时间的差值和所有维修接收时间与所述结束时间的总体均值计算，得到所述影响因素的数值。

4.根据权利要求3所述的预测设备器件寿命的方法，其特征在于，所述根据所述寿命值获取样本器件，具体包括；

根据预定寿命阈值以及所述寿命值，获取所述样本器件。

5.根据权利要求4所述的预测设备器件寿命的方法，其特征在于，所述根据所述样本器件确定预测模型，包括：

根据第二预设规则以及所述样本器件确定所述预测模型，所述第二预设规则表示影响所述样本器件寿命的函数；

确定所述预测模型具体包括：

根据所述样本器件获取影响所述样本器件寿命的影响因素的数值以及样本器件寿命均值；

根据所述样本器件寿命的影响因素的数值、样本器件寿命均值、影响所述样本器件寿命的函数计算，确定所述预测模型。

6.一种预测设备器件寿命的装置，其特征在于，包括：

获取单元，用于获取寿命均值，所述寿命值包括已使用设备器件的寿命值；并根据所述寿命值获取样本器件；

确定单元，用于根据所述获取单元获取的所述样本器件，确定预测模型，所述预测模型用于设备器件的寿命预测。

7.根据权利要求6所述的预测设备器件寿命的装置，其特征在于，所述获取单元，具体包括：

第一获取子单元，用于根据第一预设规则，获取影响因素的数值，所述影响因素影响所述已使用设备器件的寿命；根据所述影响因素的数值，获取第一时间值，所述第一时间值包括使用所述已使用设备器件的开始时间和/或结束时间；

第一计算子单元，用于根据所述第一获取子单元获取的所述第一时间值进行计算，得到寿命值。

8.根据权利要求7所述的预测设备器件寿命的装置，其特征在于，所述第一获取子单元，包括：

获取模块，用于获取所有维修接收时间与所述结束时间的差值以及所有维修接收时间与所述结束时间的总体均值；

计算模块，用于根据所述获取模块获取的所述所有维修接收时间与所述结束时间的差值和所有维修接收时间与所述结束时间的总体均值计算，得到所述影响因素的数值。

9.根据权利要求8所述的预测设备器件寿命的方法，其特征在于，还包括：

所述获取单元，还用于根据预定寿命阈值以及所述寿命值，获取所述样本器件。

10.根据权利要求9所述的预测设备器件寿命的装置，其特征在于，所述确定单元具体用于，根据第二预设规则以及所述样本器件确定所述预测模型，所述第二预设规则表示影响所述样本器件寿命的函数；

所述确定单元，包括：

第二获取子单元，用于根据所述获取单元获取的所述样本器件获取影响所述样本器件寿命的影响因素的数值以及样本器件寿命均值；

第二计算子单元，用于根据所述第二获取子单元获取的所述样本器件寿命的影响因素的数值、样本器件寿命均值、影响所述样本器件寿命的函数计算，确定所述预测模型。