CN107464023B - 生命周期预测模型的在线学习方法和设备 - Google Patents
生命周期预测模型的在线学习方法和设备 Download PDFInfo
- Publication number
- CN107464023B CN107464023B CN201710701653.6A CN201710701653A CN107464023B CN 107464023 B CN107464023 B CN 107464023B CN 201710701653 A CN201710701653 A CN 201710701653A CN 107464023 B CN107464023 B CN 107464023B
- Authority
- CN
- China
- Prior art keywords
- data
- product
- predicted
- time
- life cycle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提供一种生命周期预测模型的在线学习方法和设备,所述在线学习方法包括:(a)根据待预测产品的多个同类产品的历史数据建立生命周期预测模型;(b)每当到达待预测产品的维护时刻,获取待预测产品的实际数据,根据待预测产品的实际环境数据得到待预测产品的当前等效使用时间,并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值;(c)确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差,并且当所述误差大于预定阈值时,更新所述生命周期预测模型。根据本发明可得到更符合待预测产品的使用工况的生命周期预测模型,从而提高对待预测产品的性能预测的准确度。
Description
技术领域
本发明涉及智能预测的技术领域,更具体地讲,涉及一种生命周期预测模型的在线学习方法和设备。
背景技术
产品的寿命是指产品可以正常使用的时间,是体现产品的可靠性的重要特征量。随着产品的使用时间的增加,产品的性能将会退化,也就是说,产品的性能与产品的寿命之间具有对应关系。因此,可通过对产品的性能的监控预测来预测产品的寿命。
针对产品使用性能退化的监控预测,建立产品的行为过程模型并由此对产品的性能指标进行预测以及控制已经得到了普遍应用。传统的建模方法主要是根据其材料、退化、化学、生物等机理规律直接得到或通过实验数据辨识的方法确定机理模型。但是由于使用过程的影响因素众多,机理模型往往达不到要求。基于历史数据的机器学习方法建模越来越多的得到应用,如神经网络、支持向量机、极限学习机等。但现有技术中的建模方法建立的预测模型针对部分个体产品的性能预测的准确度不高。
发明内容
本发明的目的在于提供一种生命周期预测模型的在线学习方法和设备,以解决现有的预测模型预测的准确性不高的问题。
根据本发明的一方面,提供一种生命周期预测模型的在线学习方法,该在线学习方法包括:(a)根据待预测产品的多个同类产品的历史数据建立生命周期预测模型,其中,所述历史数据包括历史环境数据以及历史性能参数,所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系,所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间;(b)每当到达待预测产品的维护时刻,获取待预测产品的实际数据,根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间,并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值;(c)响应于性能参数的预测值的确定,确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差,并且当所述误差大于预定阈值时,根据待预测产品的实际数据及其权重更新所述生命周期预测模型。
可选地,步骤(a)包括:根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数,其中,所述生命周期预测模型为产品的性能失效机理模型或用于产品的生命周期预测的经验模型。
可选地,在步骤(a)中,利用损失函数最小化方法,根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数。
可选地,步骤(a)包括:根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间;将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间。
可选地,在步骤(b)中,根据每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点的单次等效使用时间相加得到当前等效使用时间。
可选地,在步骤(c)中,根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据每个时间点的历史数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
可选地,在步骤(c)中,根据初始的或更新前的生命周期预测模型得到不同的等效使用时间的模型数据,根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重,根据每条实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每条实际数据的权重,根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每条实际数据及其权重来更新所述生命周期预测模型。
可选地,每条实际数据对应的权重之和随着实际数据的总条数的增加而增加。
可选地,在步骤(c)中,利用高斯分布函数、柯西分布函数、威布尔分布函数、指数函数、幂函数或等比连乘算法,以当前等效使用时间为中心,构造各个权重。
可选地,在步骤(c)中,利用样本重抽样方法或具有权重学习性质的算法来根据待预测产品的实际数据及其权重更新所述生命周期预测模型。
可选地,还包括:(d)周期性地获取所述待预测产品的环境数据,根据生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值,在当前的性能参数的预测值落入预警范围时,进行预警提示。
本发明的另一方面提供一种生命周期预测模型的在线学习设备,在线学习设备包括:模型建立单元,根据待预测产品的多个同类产品的历史数据建立生命周期预测模型,其中,所述历史数据包括历史环境数据以及历史性能参数,所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系,所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间;确定单元,每当到达待预测产品的维护时刻,获取待预测产品的实际数据,根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间,并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值;模型更新单元,响应于性能参数的预测值的确定,确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差,并且当所述误差大于预定阈值时,根据待预测产品的实际数据及其权重更新所述生命周期预测模型。
可选地,模型建立单元根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数,其中,所述生命周期预测模型为产品的性能失效机理模型或用于产品的生命周期预测的经验模型。
可选地,模型建立单元利用损失函数最小化方法,根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数。
可选地,模型建立单元根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间,再根据每个时间点的等效使用时间与每个时间点的性能参数建立所述生命周期预测模型。
可选地,确定单元根据每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点的单次等效使用时间相加得到当前等效使用时间。
可选地,模型更新单元根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据每个时间点的历史数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
可选地,模型更新单元根据初始的或更新前的生命周期预测模型得到不同的等效使用时间的模型数据,根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
可选地,每个实际数据对应的权重之和随着实际数据的总条数的增加而增加。
可选地,模型更新单元利用高斯分布函数、柯西分布函数、威布尔分布函数、指数函数、幂函数或等比连乘算法,以当前等效使用时间为中心,构造各个权重。
可选地,模型更新单元利用样本重抽样方法或具有权重学习性质的算法来根据待预测产品的实际数据及其权重更新所述生命周期预测模型。
可选地,还包括:预测单元,周期性地获取所述待预测产品的环境数据,根据生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值,在当前的性能参数的预测值落入预警范围时,进行预警提示。
本发明的另一方面还提供一种计算机可读存储介质,该计算机可读存储介质存储有当被处理器执行时使得处理器执行如上所述的生命周期预测模型的在线学习方法的程序指令。
本发明的另一方面还提供一种计算装置,该计算装置包括:处理器;存储器,用于存储当被处理器执行使得处理器执行如上所述的生命周期预测模型的在线学习方法的程序指令。
根据本发明的实施例的生命周期预测模型的在线学习方法和设备,可利用在待预测产品的维护时刻获取的实际数据及其权重来对根据历史数据建立的生命周期预测模型进行在线更新,这样可得到更符合待预测产品的使用工况的生命周期预测模型,可提高对待预测产品的性能预测的准确度,从而可为待预测产品的寿命预测提供更准确的参考。
将在接下来的描述中部分阐述本发明另外的方面和/或优点,还有一部分通过描述将是清楚的,或者可以经过本发明的实施而得知。
附图说明
通过下面结合附图进行的详细描述,本发明的上述和其它目的、特点和优点将会变得更加清楚,其中:
图1是示出根据本发明的实施例的生命周期预测模型的在线学习方法的流程图;
图2示出根据本发明的实施例的蓄电池的初始的生命周期预测模型的曲线示例;
图3示出根据本发明的实施例的不同的等效使用时间的模型数据的权重示例;
图4和图5示出根据本发明的实施例的蓄电池的更新后的生命周期预测模型的曲线示例;
图6是示出根据本发明的实施例的生命周期预测模型的在线学习设备的框图。
具体实施方式
下面参照附图详细描述本发明的实施例。
图1是示出根据本发明的实施例的生命周期预测模型的在线学习方法的流程图。根据本发明的实施例的生命周期预测模型可用于预测各种具有生命周期的产品的性能变化,例如产品使用过程的性能退化、冶金材料制造处理过程的特性演变、生物化学过程的工艺参数变化、以及其它可建模的具有时间周期性的行为事件的参数变化。
参照图1,在步骤S10,根据待预测产品的多个同类产品的历史数据建立生命周期预测模型。
待预测产品是指即将使用该生命周期预测模型来预测其性能退化程度的产品。
历史数据包括历史环境数据以及历史性能参数。这里,性能参数是指体现产品的性能退化程度的参数。环境数据包括对产品的性能退化程度产生影响的使用环境数据。例如,对于蓄电池而言,性能参数包括内阻值,环境数据包括使用温度。这里,获取的历史数据还可包括使用时间等。
历史数据包括覆盖整个产品的生命周期的历史环境数据和历史性能参数。多个同类产品的历史数据可以是同类产品在实际的应用现场使用一段时间后获得的历史数据,也可以是同类产品在不同的实验工况下,使用不同时间后获得的实验数据。例如,对于蓄电池而言,可在使用年限不同的多个蓄电池的使用现场测量蓄电池的内阻值,获取蓄电池使用过程中保存的历史数据中的环境数据。
生命周期预测模型指示性能参数与等效使用时间之间的关系。这里,生命周期预测模型可以是产品的性能失效机理模型或用于产品的生命周期预测的经验模型。可根据待预测产品的多个同类产品的历史数据确定该性能失效机理模型或该经验模型的模型参数,从而确定生命周期预测模型,也就是说,待预测产品的多个同类产品的历史数据作为训练数据来训练该性能失效机理模型或该经验模型。这里,可利用各种可根据训练数据来拟合得到模型参数的拟合方法来确定模型参数。例如,利用损失函数最小化方法(例如最小二乘法等),使模型预测损失函数最小化,根据待预测产品的多个同类产品的历史数据确定生命周期预测模型的模型参数。
对于不同的产品,其生命周期预测模型的具体形式可能各不相同。例如,对于浮充使用的蓄电池,生命周期预测模型可如下等式(1)所示。
这里R0是蓄电池的内阻的初始值,R(t)是等效使用时间为t时蓄电池的内阻值,t是等效使用时间,T为标准使用温度(即标准环境数据),A和B为待拟合的模型参数。
等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间。由于产品在不同的工况下被使用相同时间,其性能退化的程度并不相同,因此,可根据产品的实际环境数据与标准环境数据来将产品的实际使用时间折算成标准使用工况下的产品的使用时间,即等效使用时间。
具体说来,可根据产品的实际环境数据与标准环境数据确定折算系数,再根据折算系数来将产品的实际使用时间折算成等效使用时间。
例如,针对蓄电池,可根据以下等式(2)来确定折算系数。
K=2(T-Q)/10 (2)
其中,K为折算系数,T为实际使用温度(即实际环境数据),Q为标准使用温度(即标准环境数据)。
在步骤S10中,可根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间,再根据每个时间点的等效使用时间与每个时间点的性能参数建立所述生命周期预测模型。这里,任意一个时间点的等效使用时间以及性能参数构成一条训练数据。图2是示出根据本发明的实施例的蓄电池的初始的生命周期预测模型的曲线示例。图2中的曲线指示的初始的生命周期预测模型是指根据历史数据建立的生命周期预测模型。
这里,相邻两个时间点之间的时间间隔可根据需要以及产品的生命周期的长度来设置,例如,可将时间间隔设置为1天、半个月或1个月等。
例如,可根据以下等式(3)来确定每个时间点的等效使用时间。
ti+1=ti+Δt*K (3)
其中,ti+1为第i+1个时间点的等效使用时间,ti为第i个时间点的等效使用时间,Δt*K表示第i+1个时间点的单次等效使用时间,Δt为第i个时间点与第i+1个时间点之间的时间间隔内产品的实际使用时间,K为折算系数,折算系数可利用上述等式(2)以及根据历史数据中的每个时间点的历史环境数据与标准环境数据来确定。
在步骤S20,每当到达待预测产品的维护时刻,获取待预测产品的实际数据。产品一般都有固定的维护计划安排,在维护时可方便地获取产品的各项数据。这里,待预测产品的实际数据可包括待预测产品的实际环境数据以及性能参数的当前的实际值。该实际环境数据包括待预测产品自投入使用以来所有的环境数据。每个维护时刻获取的实际数据作为一条实际数据。
在步骤S20,根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间,并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值。
这里,可根据待预测产品的每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点的单次等效使用时间相加得到当前等效使用时间。待预测产品的当前等效使用时间的确定方法可参照上述等式(3)所示的方法。
在步骤S30,响应于性能参数的预测值的确定,确定包括在实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差,并且当所述误差大于预定阈值时,根据待预测产品的实际数据及其权重更新所述生命周期预测模型。这里,误差可以是绝对误差,也可以是相对误差。这里,还可将性能参数的误差转换为使用寿命与额定寿命之间的误差,再根据转换的误差来确定是否需要更新生命周期预测模型。
当误差大于预定阈值时,说明对于待预测产品来说,更新前的生命周期预测模型的准确性不高,需要利用待预测产品的实际数据及其权重更新生命周期预测模型以使生命周期预测模型更适合待预测产品的特性(例如使用工况等),从而预测的准确率更高。
这里,将待预测产品的实际数据作为新增的训练数据来更新生命周期预测模型。具体说来,可将待预测产品的实际数据与其他可体现更新前生命周期预测模型的数据(例如,同类产品的历史数据或根据初始的或更新前的所述生命周期预测模型得到的不同的等效使用时间的模型数据(即性能参数)一起作为训练数据来重新训练生命周期预测模型。
待预测产品的实际数据在所有训练数据中的权重可根据需要进行设定。由于该生命周期预测模型专门用于该待预测产品的性能退化程度的预测,因此,待预测产品的实际数据中的每条训练数据(一条实际数据作为一条训练数据)的权重可大于其他数据中的每条训练数据的权重。
这里,可根据每条训练数据的等效使用时间与当前等效时间的时间距离来确定每条训练数据的权重。具体说来,等效使用时间与当前等效时间的时间距离越远的训练数据的权重越小。这里,可利用各种方法来构建各条训练数据的权重,例如利用具有中间数值最大且两侧数据逐渐递减性质的函数(例如高斯分布函数、柯西分布函数或威布尔分布函数等)、具有单调递增或递减性质的函数(例如指数函数或幂函数等)或等比连乘算法等,以当前等效使用时间为中心,在两侧构造由近及远逐渐递减的权重。
这里,可将实际数据中的训练数据的权重的构建与其他训练数据的权重的构建分开进行,并且设定实际数据中的各条训练数据的权重之和,而其他训练数据的权重之和为1与实际数据中的各条训练数据的权重之和的差。实际数据中的每条训练数据(即每条实际数据)的权重之和可随着待预测产品的维护次数(即实际数据的总条数)的增加而增加。例如,可按如下等式(4)来确定实际数据中的每条训练数据的权重之和。
W=N/2+N (4)
其中,W为实际数据中的每条训练数据的权重之和,N为维护次数。
具体说来,对于其他训练数据是同类产品的历史数据的情况,在步骤S30,根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重,根据每条实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每条实际数据的权重,根据每个时间点的历史数据及其权重、每条实际数据及其权重来更新所述生命周期预测模型。
具体说来,对于其他训练数据是根据更新前的所述生命周期预测模型得到的不同的等效使用时间的模型数据的情况,在步骤S30,根据更新前的所述生命周期预测模型得到不同的等效使用时间的模型数据,根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
图3是示出根据本发明的实施例的不同的等效使用时间的模型数据的权重示例。图3示出根据高斯分布曲线确定的各个不同的等效使用时间的模型数据的权重,当前等效使用时间为33.5个月,等效使用时间为33.5个月的模型数据的权重最大。
为方便计算和聚焦当前寿命状态时的规律,可设置体现遗忘周期的预定时间值,例如将预定时间值设置为60个月,将等效使用时间与当前等效使用时间之间的时间距离超出了预定时间值的训练数据的权重设定为0。作为示例,在当前等效使用时间为33.5个月时,将等效使用时间在33.5±60个月范围外的训练数据的权重设定为0,即,只取等效使用时间为0至93.5个月的模型数据作为训练数据。
这里,可利用各种算法并根据上述数据来更新生命周期预测模型。例如,利用具有权重学习性质的算法或样本重抽样方法来更新生命周期预测模型。
图4和图5是示出根据本发明的实施例的蓄电池的更新后的生命周期预测模型的曲线示例。图4和图5中的初始的生命周期预测模型是指根据历史数据建立的生命周期预测模型。图4中的更新后的生命周期预测模型是根据一条实际数据更新的生命周期预测模型,图5中的更新后的生命周期预测模型是根据四条实际数据更新的生命周期预测模型。
可选地,根据本发明的实施例的生命周期预测模型的在线学习方法还可包括以下步骤:周期性地获取所述待预测产品的环境数据,根据所述生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值,在当前的性能参数的预测值落入预警范围时,进行预警提示。监控人员可根据预警提示对待预测产品进行检修,根据检修结果来更换部件或确定待预测产品的生命周期结束。当所述待预测产品的生命周期结束时,根据本发明的实施例的生命周期预测模型的在线学习方法结束。所述预警范围可以根据待预测产品的厂家给出的范围或者是行业标准中给出的范围进行设定,还可以根据设备设计要求(例如蓄电池容量的设计要求)或设备运行安全的要求进行设定。
图6是示出根据本发明的实施例的生命周期预测模型的在线学习设备的框图。参照图6,根据本发明的实施例的生命周期预测模型的在线学习设备包括模型建立单元10、确定单元20和模型更新单元30。
模型建立单元10根据待预测产品的多个同类产品的历史数据建立生命周期预测模型。
待预测产品是指即将使用该生命周期预测模型来预测其性能退化程度的产品。
历史数据包括历史环境数据以及历史性能参数。如上所述,性能参数是指体现产品的性能退化程度的参数。环境数据包括对产品的性能退化程度产生影响的使用环境数据。例如,对于蓄电池而言,性能参数包括内阻值,环境数据包括使用温度。这里,获取的历史数据还可包括使用时间等。使用时间等。
历史数据包括覆盖整个产品的生命周期的历史环境数据和历史性能参数。多个同类产品的历史数据可以是同类产品在实际的应用现场使用一段时间后获得的历史数据,也可以是同类产品在不同的实验工况下,使用不同时间后获得的实验数据。例如,对于蓄电池而言,可在使用年限不同的多个蓄电池的使用现场测量蓄电池的内阻值,获取蓄电池使用过程中保存的历史数据中的环境数据。
生命周期预测模型指示性能参数与等效使用时间之间的关系。这里,生命周期预测模型可以是产品的性能失效机理模型或用于产品的生命周期预测的经验模型。可根据待预测产品的多个同类产品的历史数据确定该性能失效机理模型或该经验模型的模型参数,从而确定生命周期预测模型,也就是说,待预测产品的多个同类产品的历史数据作为训练数据来训练该性能失效机理模型或该经验模型。这里,可利用各种可根据训练数据来拟合得到模型参数的拟合方法来确定模型参数。例如,利用损失函数最小化方法(例如最小二乘法等),根据待预测产品的多个同类产品的历史数据确定生命周期预测模型的模型参数。
对于不同的产品,其生命周期预测模型的具体形式可能各不相同。例如,对于蓄电池,生命周期预测模型可如上述等式(1)所示。
等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间。由于产品在不同的工况下被使用相同时间,其性能退化的程度并不相同,因此,可根据产品的实际环境数据与标准环境数据来将产品的实际使用时间折算成标准使用工况下的产品的使用时间,即等效使用时间。
具体说来,可根据产品的实际环境数据与标准环境数据确定折算系数,再根据折算系数来将产品的实际使用时间折算成等效使用时间。
模型建立单元10可根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间,再根据每个时间点的等效使用时间与每个时间点的性能参数建立所述生命周期预测模型。这里,任意一个时间点的等效使用时间以及性能参数构成一条训练数据。图2示出根据本发明的实施例的蓄电池的初始的生命周期预测模型的曲线示例。
这里,相邻两个时间点之间的时间间隔可根据需要以及产品的生命周期的长度来设置,例如,可将时间间隔设置为1天、半个月或1个月等。
例如,可根据上述等式(3)来确定每个时间点的等效使用时间。
每当到达待预测产品的维护时刻,确定单元20获取待预测产品的实际数据。产品一般都有固定的维护计划安排,在维护时可方便地获取产品的各项数据。这里,待预测产品的实际数据可包括待预测产品的实际环境数据以及性能参数的当前的实际值。该实际环境数据包括待预测产品自投入使用以来所有的环境数据。每个维护时刻获取的实际数据作为一条实际数据。
确定单元20根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间,并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值。
这里,可根据待预测产品的每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点的单次等效使用时间相加得到当前等效使用时间。待预测产品的当前等效使用时间的确定方法可参照上述等式(3)所示的方法。
模型更新单元30响应于性能参数的预测值的确定,确定包括在实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差,并且当所述误差大于预定阈值时,根据待预测产品的实际数据及其权重更新所述生命周期预测模型。如上所述,误差可以是绝对误差,也可以是相对误差。这里,还可将性能参数的误差转换为使用寿命与额定寿命之间的误差,再根据转换的误差来确定是否需要更新生命周期预测模型。
当误差大于预定阈值时,说明对于待预测产品来说,更新前的生命周期预测模型的准确性不高,需要利用待预测产品的实际数据及其权重更新生命周期预测模型以使生命周期预测模型更适合待预测产品的特性(例如使用工况等),从而预测的准确率更高。
这里,将待预测产品的实际数据作为新增的训练数据来更新生命周期预测模型。具体说来,可将待预测产品的实际数据与其他可体现更新前生命周期预测模型的数据(例如,同类产品的历史数据或根据初始的或更新前的所述生命周期预测模型得到的不同的等效使用时间的模型数据(即性能参数)一起作为训练数据来重新训练生命周期预测模型。
待预测产品的实际数据在所有训练数据中的权重可根据需要进行设定。由于该生命周期预测模型专门用于该待预测产品的性能退化程度的预测,因此,待预测产品的实际数据中的每条训练数据(一条实际数据作为一条训练数据)的权重可大于其他数据中的每条训练数据的权重。
这里,可根据每条训练数据的等效使用时间与当前等效时间的时间距离来确定每条训练数据的权重。具体说来,等效使用时间与当前等效时间的时间距离越远的训练数据的权重越小。这里,可利用各种方法来构建各条训练数据的权重,例如利用具有中间数值最大且两侧数据逐渐递减性质的函数(例如高斯分布函数、柯西分布函数或者威布尔分布函数等)、具有单调递增或递减性质的函数(例如指数函数或幂函数等)或等比连乘算法等,以当前等效使用时间为中心,在两侧构造由近及远逐渐递减的权重。
这里,可将实际数据中的训练数据的权重的构建与其他训练数据的权重的构建分开进行,并且设定实际数据中的各条训练数据的权重之和,而其他训练数据的权重之和为1与实际数据中的各条训练数据的权重之和的差。实际数据中的每条训练数据(即每条实际数据)的权重之和可随着待预测产品的维护次数(即实际数据的总条数)的增加而增加。例如,可按如上所述等式(4)来确定实际数据中的每条训练数据的权重之和。
具体说来,对于其他训练数据是同类产品的历史数据的情况,模型更新单元30根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重,根据每条实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每条实际数据的权重,根据每个时间点的历史数据及其权重、每条实际数据及其权重来更新所述生命周期预测模型。
具体说来,对于其他训练数据是根据更新前的所述生命周期预测模型得到的不同的等效使用时间的模型数据的情况,模型更新单元30根据更新前的所述生命周期预测模型得到不同的等效使用时间的模型数据,根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
为方便计算和聚焦当前寿命状态时的规律,可设置体现遗忘周期的预定时间值,例如将预定时间值设置为60个月,将等效使用时间与当前等效使用时间之间的时间距离超出了预定时间值的训练数据的权重设定为0。作为示例,在当前等效使用时间为33.5个月时,将等效使用时间在33.5±60个月范围外的训练数据的权重设定为0,即,只取等效使用时间为0至93.5个月的模型数据作为训练数据。
这里,可利用各种算法并根据上述数据来更新生命周期预测模型。例如,利用具有权重学习性质的算法或样本重抽样方法来更新生命周期预测模型。
可选地,根据本发明的实施例的生命周期预测模型的在线学习设备还可包括预测单元(未示出)。预测单元周期性地获取所述待预测产品的环境数据,根据所述生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值,在当前的性能参数的预测值落入预警范围时,进行预警提示。监控人员可根据预警提示对待预测产品进行检修,根据检修结果来更换部件或确定待预测产品的生命周期结束。所述预警范围可以根据待预测产品的厂家给出的范围或者是行业标准中给出的范围进行设定,还可以根据设备设计要求(例如蓄电池容量的设计要求)或设备运行安全的要求进行设定。
根据本发明的实施例的生命周期预测模型的在线学习方法和设备,可利用在待预测产品的维护时刻获取的实际数据及其权重来对根据历史数据建立的生命周期预测模型进行在线更新,这样可得到更符合待预测产品的使用工况的生命周期预测模型,可提高对待预测产品的性能预测的准确度,从而可为待预测产品的寿命预测提供更准确的参考。
根据本发明的实施例还提供一种计算机可读存储介质。该计算机可读存储介质存储有当被处理器执行时使得处理器执行如上所述的生命周期预测模型的在线学习方法的程序指令。该计算机可读记录介质是可存储由计算机系统读出的数据的任意数据存储装置。计算机可读记录介质的示例包括:只读存储器、随机存取存储器、只读光盘、磁带、软盘、光数据存储装置和载波(诸如经有线或无线传输路径通过互联网的数据传输)。计算机可读记录介质也可分布于连接网络的计算机系统,从而计算机可读代码以分布式存储和执行。此外,完成本发明的功能程序、代码和代码段可容易地被与本发明相关的领域的普通程序员在本发明的范围之内解释。
根据本发明的实施例还提供一种计算装置。该计算装置包括处理器和存储器。存储器用于存储程序指令。所述程序指令被处理器执行使得处理器执行如上所述的生命周期预测模型的在线学习方法的程序指令。
此外,根据本发明的实施例的生命周期预测模型的在线学习设备中的各个程序模块可完全由硬件来实现,例如现场可编程门阵列或专用集成电路;还可以由硬件和软件相结合的方式来实现;也可以完全通过计算机程序来以软件方式实现。
尽管已经参照其示例性实施例具体显示和描述了本发明,但是本领域的技术人员应该理解,在不脱离权利要求所限定的本发明的精神和范围的情况下,可以对其进行形式和细节上的各种改变。
Claims (20)
1.一种生命周期预测模型的在线学习方法,其特征在于,包括:
(a)根据待预测产品的多个同类产品的历史数据建立生命周期预测模型,其中,所述历史数据包括历史环境数据以及历史性能参数,所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系,所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间;
(b)每当到达待预测产品的维护时刻,获取待预测产品的实际数据,根据包括在所述实际数据中的待预测产品的每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点的单次等效使用时间相加得到待预测产品的当前等效使用时间,并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值;
(c)响应于性能参数的预测值的确定,确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差,并且当所述误差大于预定阈值时,根据历史数据、历史数据的权重、待预测产品的实际数据和待预测产品的实际数据的权重或者根据从初始的或更新前的生命周期预测模型得到的不同等效使用时间的模型数据、所述不同等效使用时间的模型数据的权重、待预测产品的实际数据和待预测产品的实际数据的权重更新所述生命周期预测模型。
2.根据权利要求1所述的在线学习方法,其特征在于,步骤(a)包括:根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数,其中,所述生命周期预测模型为产品的性能失效机理模型或用于产品的生命周期预测的经验模型。
3.根据权利要求2所述的在线学习方法,其特征在于,在步骤(a)中,利用损失函数最小化方法,根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数。
4.根据权利要求1所述的在线学习方法,其特征在于,步骤(a)包括:根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间;将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间。
5.根据权利要求1所述的在线学习方法,其特征在于,在步骤(c)中,根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据每个时间点的历史数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
6.根据权利要求1所述的在线学习方法,其特征在于,在步骤(c)中,根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重,根据每条实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每条实际数据的权重,根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每条实际数据及其权重来更新所述生命周期预测模型。
7.根据权利要求5或6所述的在线学习方法,其特征在于,每条实际数据对应的权重之和随着实际数据的总条数的增加而增加。
8.根据权利要求5或6所述的在线学习方法,其特征在于,在步骤(c)中,利用高斯分布函数、柯西分布函数、威布尔分布函数、指数函数、幂函数或等比连乘算法,以当前等效使用时间为中心,构造各个权重。
9.根据权利要求1所述的在线学习方法,其特征在于,在步骤(c)中,利用样本重抽样方法或具有权重学习性质的算法来根据待预测产品的实际数据及其权重更新所述生命周期预测模型。
10.根据权利要求1所述的在线学习方法,其特征在于,还包括:
(d)周期性地获取所述待预测产品的环境数据,根据生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值,在当前的性能参数的预测值落入预警范围时,进行预警提示。
11.一种生命周期预测模型的在线学习设备,其特征在于,包括:
模型建立单元,根据待预测产品的多个同类产品的历史数据建立生命周期预测模型,其中,所述历史数据包括历史环境数据以及历史性能参数,所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系,所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间;
确定单元,每当到达待预测产品的维护时刻,获取待预测产品的实际数据,根据包括在所述实际数据中的待预测产品的每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点的单次等效使用时间相加得到待预测产品的当前等效使用时间,并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值;
模型更新单元,响应于性能参数的预测值的确定,确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差,并且当所述误差大于预定阈值时,根据历史数据、历史数据的权重、待预测产品的实际数据和待预测产品的实际数据的权重或者根据从初始的或更新前的生命周期预测模型得到的不同等效使用时间的模型数据、所述不同等效使用时间的模型数据的权重、待预测产品的实际数据和待预测产品的实际数据的权重更新所述生命周期预测模型。
12.根据权利要求11所述的在线学习设备,其特征在于,模型建立单元根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数,其中,所述生命周期预测模型为产品的性能失效机理模型或用于产品的生命周期预测的经验模型。
13.根据权利要求12所述的在线学习设备,其特征在于,模型建立单元利用损失函数最小化方法,根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数。
14.根据权利要求11所述的在线学习设备,其特征在于,模型建立单元根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间,将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间。
15.根据权利要求11所述的在线学习设备,其特征在于,模型更新单元根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据每个时间点的历史数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
16.根据权利要求11所述的在线学习设备,其特征在于,模型更新单元根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重,根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重,根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。
17.根据权利要求11所述的在线学习设备,其特征在于,模型更新单元利用样本重抽样方法或具有权重学习性质的算法来根据待预测产品的实际数据及其权重更新所述生命周期预测模型。
18.根据权利要求11所述的在线学习设备,其特征在于,还包括:预测单元,周期性地获取所述待预测产品的环境数据,根据生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值,在当前的性能参数的预测值落入预警范围时,进行预警提示。
19.一种计算机可读存储介质,存储有当被处理器执行时使得处理器执行如权利要求1至10中任意一项所述的生命周期预测模型的在线学习方法的程序指令。
20.一种计算装置,包括:
处理器;
存储器,用于存储当被处理器执行使得处理器执行如权利要求1至10中任意一项所述的生命周期预测模型的在线学习方法的程序指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710701653.6A CN107464023B (zh) | 2017-08-16 | 2017-08-16 | 生命周期预测模型的在线学习方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710701653.6A CN107464023B (zh) | 2017-08-16 | 2017-08-16 | 生命周期预测模型的在线学习方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107464023A CN107464023A (zh) | 2017-12-12 |
CN107464023B true CN107464023B (zh) | 2020-04-17 |
Family
ID=60549798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710701653.6A Active CN107464023B (zh) | 2017-08-16 | 2017-08-16 | 生命周期预测模型的在线学习方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107464023B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197382A (zh) * | 2018-02-24 | 2019-09-03 | 北京京东尚科信息技术有限公司 | 用于生成信息的方法和装置 |
US11257001B2 (en) | 2018-10-09 | 2022-02-22 | International Business Machines Corporation | Prediction model enhancement |
CN109583646B (zh) * | 2018-11-29 | 2020-09-01 | 贵州航天云网科技有限公司 | 一种基于sdm的产品全生命周期协同系统 |
CN111489003B (zh) * | 2019-01-25 | 2023-04-18 | 华为技术有限公司 | 生命周期的预测方法及装置 |
CN112241754B (zh) * | 2019-07-19 | 2023-06-23 | 上海哔哩哔哩科技有限公司 | 在线模型学习方法、系统、设备及计算机可读存储介质 |
CN110533251B (zh) * | 2019-09-03 | 2020-07-31 | 北京天泽智云科技有限公司 | 提升预测性维护模型适应能力的方法及装置 |
CN111310314B (zh) * | 2020-01-21 | 2022-04-08 | 北京瑞风协同科技股份有限公司 | 一种基于人工智能确定机电装置寿命的方法和系统 |
CN111291936B (zh) * | 2020-02-21 | 2023-10-17 | 北京金山安全软件有限公司 | 产品生命周期预估模型生成方法、装置及电子设备 |
CN113740931B (zh) * | 2020-05-29 | 2023-12-22 | 金风科技股份有限公司 | 风力发电机组的阵风检测方法及装置 |
CN112801389B (zh) * | 2021-02-04 | 2023-04-07 | 成都秦川物联网科技股份有限公司 | 天然气能量计量物联网系统生命周期综合管理方法和系统 |
CN113625669B (zh) * | 2021-07-09 | 2022-08-05 | 华中科技大学 | 产品质量预测方法以及系统 |
CN115208054A (zh) * | 2022-06-06 | 2022-10-18 | 汇网电气有限公司 | 一种干式变压器智能管理系统 |
CN115062672B (zh) * | 2022-07-25 | 2023-04-28 | 广东毕要科技有限公司 | 一种预测scara机器人生命周期的方法及系统 |
WO2024045094A1 (zh) * | 2022-08-31 | 2024-03-07 | 西门子股份公司 | 一种生命周期评估的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938575A (zh) * | 2016-04-13 | 2016-09-14 | 山东毅康科技股份有限公司 | 基于多变量灰色神经网络的工业设备剩余寿命预测系统 |
CN106952028A (zh) * | 2017-03-13 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 机电装备故障预诊与健康管理方法及系统 |
CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI417746B (zh) * | 2010-12-03 | 2013-12-01 | Ind Tech Res Inst | 裝置的效能預測及故障檢測之方法 |
-
2017
- 2017-08-16 CN CN201710701653.6A patent/CN107464023B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938575A (zh) * | 2016-04-13 | 2016-09-14 | 山东毅康科技股份有限公司 | 基于多变量灰色神经网络的工业设备剩余寿命预测系统 |
CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
CN106952028A (zh) * | 2017-03-13 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 机电装备故障预诊与健康管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107464023A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107464023B (zh) | 生命周期预测模型的在线学习方法和设备 | |
CN106250306B (zh) | 一种适用于企业级运维自动化平台的性能预测方法 | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
JP6888577B2 (ja) | 制御装置、制御方法、及び制御プログラム | |
KR101553476B1 (ko) | 건물의 유사도 측정 장치 및 그 방법 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CA2689246C (en) | Monitoring methods and apparatus | |
CN117078105A (zh) | 基于人工智能的生产质量监控方法及系统 | |
CN111967917A (zh) | 预测用户流失的方法以及设备 | |
CN109344559A (zh) | 一种对比光纤测温的变压器热点温升预测方法 | |
CN115391048A (zh) | 基于趋势预测的微服务实例动态水平扩展收缩方法及系统 | |
CN112308337A (zh) | 电力系统概率性短期负荷的预测方法、预测装置与处理器 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN115654668A (zh) | 一种空调系统及空调系统的负荷预测方法 | |
CN114139839B (zh) | 一种基于工况的机器学习方法及相关装置 | |
JP2020149209A (ja) | 残差特性推定モデル作成方法および残差特性推定モデル作成システム | |
CN116157809A (zh) | 基于人工智能的模型的压缩的模型压缩技术的自动确定的方法 | |
Olsson et al. | Case-based reasoning applied to geometric measurements for decision support in manufacturing | |
CN112417767A (zh) | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 | |
KR20220025511A (ko) | 스마트 팩토리 에너지 관리 방법 및 장치 | |
CN111260191B (zh) | 测试床成熟度量化方法、装置、计算机设备和存储介质 | |
CN113495213A (zh) | 电量预测模型构建、搬运设备部署方法和装置 | |
CN115640706B (zh) | 锂电池的可靠性测试方法、设备及计算机可读存储介质 | |
TWI787954B (zh) | 鋼液溫度預測方法與電腦系統 | |
EP3244328A1 (en) | Component lifing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee after: Jinfeng Technology Co.,Ltd. Address before: 830026 No. 107, Shanghai Road, Urumqi economic and Technological Development Zone, the Xinjiang Uygur Autonomous Region Patentee before: XINJIANG GOLDWIND SCIENCE & TECHNOLOGY Co.,Ltd. |