CN108009691B - 设备寿命预测方法、装置及设备 - Google Patents

设备寿命预测方法、装置及设备 Download PDF

Info

Publication number
CN108009691B
CN108009691B CN201711405986.0A CN201711405986A CN108009691B CN 108009691 B CN108009691 B CN 108009691B CN 201711405986 A CN201711405986 A CN 201711405986A CN 108009691 B CN108009691 B CN 108009691B
Authority
CN
China
Prior art keywords
determining
equipment
predicted
label
feature vector
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
Application number
CN201711405986.0A
Other languages
English (en)
Other versions
CN108009691A (zh
Inventor
郝群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Corp
Original Assignee
Neusoft Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Corp filed Critical Neusoft Corp
Priority to CN201711405986.0A priority Critical patent/CN108009691B/zh
Publication of CN108009691A publication Critical patent/CN108009691A/zh
Application granted granted Critical
Publication of CN108009691B publication Critical patent/CN108009691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种设备寿命预测方法、装置及设备，其中方法包括：获取待预测设备的使用者标签集；根据使用者标签集，确定待预测设备的使用场景特征向量；利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。该方法提高了预测结果的准确性和可靠性，提高了用户使用体验。

Description

设备寿命预测方法、装置及设备
技术领域
本发明涉及设备检测技术领域，特别涉及一种设备寿命预测方法、装置及设备。
背景技术
在实际使用中，每个设备都有自己的使用寿命，其中设备使用寿命是指设备从上电使用到无法继续使用为止的时间段。
通常，各公司在生产过程中，会对设备有效寿命进行预测，以进行生产或采购安排。目前，通常是根据设备在实际使用过程中，自身的各种传感器采集的参数，来对设备的寿命进行预测。
然而申请人发现，上述对设备的寿命进行预测的方式，预测结果准确性和可靠性较低。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种设备寿命预测方法，该方法提高了预测结果的准确性和可靠性，提高了用户使用体验。
本发明的第二个目的在于提出一种设备寿命预测装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程度产品。
为达上述目的，本发明第一方面实施例提出了一种设备寿命预测方法，包括：
获取待预测设备的使用者标签集；
根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；
利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命。
本实施例提供的设备寿命预测方法，首先获取待预测设备的使用者标签集，进而根据使用者标签集确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。由此，通过利用神经网络，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采买提供了依据。
另外，本发明上述实施例提出的设备寿命预测方法还可以具有如下附加的技术特征：
在本发明的一个实施例中，所述确定所述待预测设备的使用场景特征向量，包括：
根据所述使用者标签集中各标签的类型，确定各标签的对应的隶属度算法；
根据各标签对应的隶属度算法，确定各标签对应的特征向量；
基于预设的使用场景与标签的对应关系，根据所述各标签对应的特征向量，确定所述待预测设备的使用场景特征向量。
在本发明的另一个实施例中，所述确定所述待预测设备的使用场景特征向量之前，还包括：
获取已报废设备的各使用数据，所述各使用数据中分别包括已报废设备的使用寿命、使用者标签及使用场景；
对所述已报废设备的使用数据进行训练，确定所述使用场景与标签的对应关系。
在本发明的另一个实施例中，所述确定所述待预测设备的寿命之前，还包括：
利用所述已报废设备的各使用数据，对预设的神经网络进行训练，确定所述寿命预测模型中的各权重值。
在本发明的另一个实施例中，所述对预设的神经网络进行训练之前，还包括：
根据所述使用场景与标签的对应关系，确定各使用场景间的关联度；
将关联度大于阈值的两个使用场景对应的权重初始值设为相同的值。
为达上述目的，本发明第二方面实施例提出了一种设备寿命预测装置，包括：
获取模块，用于获取待预测设备的使用者标签集；
第一确定模块，用于根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；
第二确定模块，用于利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命。
本实施例提供的设备寿命预测装置，首先获取待预测设备的使用者标签集，进而根据使用者标签集确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。由此，通过利用神经网络模型，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采集提供了依据。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现第一方面实施例所述的设备寿命预测方法。
本实施例提供的计算机设备，首先获取待预测设备的使用者标签集，进而根据使用者标签集确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。由此，通过利用神经网络模型，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采集提供了依据。
为达上述目的，本发明的第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现第一方面实施例所述的聚集事件预测方法。
为达上述目的，本发明的第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品被处理器执行时，执行第一方面实施例所述的设备寿命预测方法。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明一个实施例的设备寿命预测方法的流程图；
图2为本发明一个实施例的确定待预测设备的使用场景特征向量的流程示意图；
图3为本发明一个实施例的当标签为公司人员整体素质时，根据对应隶属度算法得到的公司人员平均学历的示意图；
图4为本发明另一个实施例的设备寿命预测方法的流程图；
图5为本发明一个实施例的通过预先训练的寿命预测模型对待预测设备寿命进行预测的示意图；
图6为本发明一个实施例的设备寿命预测装置的结构示意图；
图7为本发明一个实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明实施例主要针对现有技术中，根据设备在实际使用过程中，自身的各种传感器采集的参数，来对设备的寿命进行预测时，存在的预测结果准确性和可靠性较低的问题，提出一种设备寿命预测方法。
本发明提出的设备寿命预测方法，首先获取待预测设备的使用者标签集，进而根据使用者标签集确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命，由此，通过利用神经网络，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采买提供了依据。
下面结合附图对本发明实施例提出的设备寿命预测方法进行详细描述。
图1为本发明一个实施例的设备寿命预测方法的流程图。
如图1所示，该设备寿命预测方法可以包括以下步骤：
步骤101，获取待预测设备的使用者标签集。
具体的，本实施例提供的设备寿命预测方法，可以由本发明提供的设备寿命预测装置执行，上述装置被配置于计算机设备中，以实现对设备的使用进行控制或管理。
其中，本实施例的计算机设备可以是，但不限于：智能手机、个人数字助理(Personal Digital Assistant，简称为：PDA)、智能家电等等，本发明对此不作限定。其中，智能家电可以包括：智能音箱、智能电冰箱、智能空调、加湿器、净化器等等。
具体实现时，可通过互联网、客户提交表单等方式，收集待检测设备的使用者信息，然后通过打标签的方式，对收集的使用者信息进行填充，以建立使用者标签集。
举例说明，若使用者信息为公司，则获取的使用者标签集可如表1所示：
Figure BDA0001520327210000041
需要说明的是，上述使用者标签集仅是示意性说明，在具体实现时，可以根据需要对上述使用者标签集中的内容进行修改，或者根据需要获取部分上述标签集中的部分标签，作为待预测设备对应的用户使用标签，本实施例对此不做限定。
步骤102，根据使用者标签集，确定待预测设备的使用场景特征向量。
其中，待预测设备的使用场景特征向量，是指将所述待预测设备的使用场景用特征向量的形式进行表示。举例来说，若使用场景为“操作水平”，且“操作水平”对应一个行向量[a，b]，其中，a和b分别为构成该向量的使用者标签(元素)：公司成熟度及员工学历。那么若根据使用者标签集中各用户标签，确定公司成熟度为0.8，员工学历为1时，即可确定该待预测设备的“操作水平”特征向量为[0.8，1]。
具体的，使用场景还可以包括：环境水平、用料水平、工作负荷、维修水平等等，本实施例对此不作具体限定。
可以理解的是，由于任一使用场景可能由多个用户标签决定，因此具体实现时，本实施例可先确定标签集中的各标签对应的特征向量，然后再利用预设的使用场景与标签的对应关系，确定出待预测设备的使用场景特征向量。
下面对本实施例中确定待预测设备的使用场景特征向量的具体过程进行详细说明。
如图2所示，本发明中确定待预测设备的使用场景特征向量，可以包括以下几个步骤：
步骤201，根据使用者标签集中各标签的类型，确定各标签的对应的隶属度算法。
步骤202，根据各标签对应的隶属度算法，确定各标签对应的特征向量。
其中，在本实施例中，各标签的类型可以包括：连续型、离散型。
例如，如表1中的人员数量、公司经营范围、体系结构、资金分配、公司地点环境等为离散型标签，人员平均薪资、公司盈利情况等则为连续型标签。
对应的，各标签对应的隶属度算法可以为：高斯函数、梯形隶属度、三角形隶属度函数等等，本实施例在此不作具体限定。
具体的，由于在本实施例中各标签的类型可以包括离散型和连续型，而为了对上述两种类型的标签进行隶属度运算，本实施例可分别采用高斯函数对连续型标签进行隶属度运算，采用梯形隶属度或者三角隶属度函数对离散性标签进行隶属度运算。
具体实现时，本实施例可先对使用者标签集中各标签进行分析，以确定各标签对应的类型，进而根据各标签对应的类型，确定对应的隶属度算法，然后再对各标签进行分析，确定各标签对应的特征向量。
例如，若使用者标签为公司成立年限，那么可以首先确定公司年限为连续类型，然后确定连续类型标签，可以采用隶属度算法为高斯函数。进而然后利用高斯函数即可确定出公司成立年限的特征向量；或者，使用者标签为学历，那么即可首先确定学历为离散型，然后确定离散型可以采用三角度隶属函数，进而利用三角隶属度函数对公司人员平均学历标签进行分析，确定公司人员整体素质对应的特征向量；或者，利用梯形隶属度对资金分配标签、流动资金标签进行分析，确定公司接受成本能力对应的特征向量；或者，利用高斯函数对公司专业人才数量标签进行分析，确定公司专业能力对应的特征向量等等。
进一步的，公司成熟度可能为：年轻、成熟两类；人员整体素质可包括：高，中，低；接受成本能力可包括：高，中，低等等。因此，本申请实施例中，也可以首先确定各标签对应的特征向量含义。比如公司成熟度对应的特征向量为[成熟的概率、年轻的概率]，相应的，若采用梯形隶属度对公司成立年限标签进行分析后，确定该公司成熟的概率为0.8，不成熟的概率为0.2，那么即可确定该成熟度标签对应的特征向量为[0.8、0.2]。
具体实现时，高斯函数函数的形式，可以根据需要选择，比如可以采用如下公式(1)和(2)的形式：
Figure BDA0001520327210000051
Figure BDA0001520327210000052
其中，a表示公司成立年限，μ0表示对于成熟档的隶属度，μ1表示对于年轻档的隶属度。
例如，若XX公司成立年限为25年(a＝25)，则可利用公式(1)和(2)分别计算公司隶属成熟档和年轻档的概率。具体的，对应公式(1)，由于a＝25，小于50，即可确定XX公司属于成熟档的隶属度为0，以及利用公式(2)中a＝25符合的计算式，计算出XX公司属于年强档的隶属度0.96。那么可根据Zadeh表示法(即模糊表达)，将XX公司成立年限的隶属度进行模糊表达，即a＝0(成熟)+0.96(年轻)。
也就是说，XX公司属于年轻档的隶属度为0.96，属于成熟档的隶属度为0。相应的，若公式成立年限的向量表示为[成熟、年轻]，那么即可确定公司成立年限的特征向量为[0，0.96]。
又例如，若XX公司成立年限为60年(a＝60)，那么根据公式(1)和(2)的判定条件可以确定出XX公司成立年限均符合计算要求，因此可利用公式(1)，计算出XX公司属于成熟档的隶属度为0.8，以及利用公式(2)，计算出XX公司属于年轻档的隶属度0.8。那么可根据Zadeh表示法，将XX公司成立年限的隶属度进行模糊表达，即a＝0.8(成熟)+0.8(年轻)。即，XX公司属于年强档的隶属度为0.8，属于成熟档的隶属度为0.8。
同理，如果XX公司年限为40年，那么利用公式(1)和(2)可计算出XX公司属于成熟档的隶属度为0.8，属于年强档的隶属度为0.1，那么通过Zadeh表示法，可将XX公司成立年限的隶属度进行模糊表达，即a＝0.8(成熟)+0.1(年轻)。
进一步举例说明，若标签为公司人员整体素质，那么可以确定人员整体素质为离散类型，并且根据离散类型，可以确定出对应的隶属度算法为三角形隶属度函数。然后利用三角形隶属度函数，即可确定出公司人员整体素质的对应向量，其中公司人员整体素质可以包括如下向量：极差、差、中、好、极好。并且，上述确定的公司人员整体素质的向量分布情况可如图3所示。
如图3所示，公司人员平均学历可以包括：高中及以下、专科、学士、硕士、博士以上等学历。其中，当公司人员的平均学历为专科学历以下时，“极差”向量对应的概率为0.6，“差”向量对应的概率为0.4，即公司对应的素质的向量为[0.6、0.4、0、0、0]；当公司人员的平均学历为学士以下时，公司人员整体素质的“极差”向量对应的概率为0.3，“差”向量对应的概率为0.7，即公司对应的素质的向量为[0.3、0.7、0、0、0]等等，依次类推，则可以确定各种公司人员整体素质标签，对应的特征向量。
需要说明的是，在本实施例中，公司人员整体素质中包括的向量类型、及对应的三角形隶属度函数的含义，可以根据实际需要进行适应性设置，此处对其不作具体限定。
步骤203，基于预设的使用场景与标签的对应关系，根据各标签对应的特征向量，确定待预测设备的使用场景特征向量。
其中，本实施例中预设的使用场景与标签的对应关系，可以根据实际情况进行建立；或者，通过对已有数据进行训练后确定，本实施例对此不作限定。
具体的，在确定了各标签对应的特征向量，及各使用场景与标签的对应关系后，即可确定各使用场景特征向量。
举例来说，若“操作水平”的特征向量包括：很好、好、中、差、很差。且确定“操作水平”这一使用场景对应“公司年限”和“公司人员整体素质”这两个标签，具体关系，如下表3所示：
Figure BDA0001520327210000071
那么在具体实现时，若使用者标签中“公司年限”为40，那么根据上述公式(1)和(2)，可以确定出公司成立年限属于成熟档的隶属度为0.8，属于年轻档的隶属度为0.1；且公司人员学历均为硕士，那么采用上述图3中的三角梯度函数分析后，可以确定该公司对应的人员素质为好。进而根据上述表3，即可确定“操作水平”这一使用场景特征向量中，“很好”的概率为：1*0.8＝0.8，“中”的概率为：0.1*1＝0.1，即“操作水平”对应的特征向量为[0.8、0、0.1、0、0]。
步骤103，利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。
其中，本实施例中预先训练的寿命预测模型可以是利用已经报废的设备及其相应数据进行训练得到的，本实施例对此不作具体限定。
具体实现时，本实施例可将确定的待预测设备的使用场景特征向量，输入至预设训练的寿命预测模型模型中，以通过上述预测模型对待预测设备的使用寿命进行预测。
本实施例提供的设备寿命预测方法，首先获取带预测设备的使用者标签集，进而根据使用者标签集确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。由此，通过利用神经网络，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采买提供了依据。
通过上述分析可知，本发明通过获取待预测设备的使用者标签集，以确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型及使用场景特征向量，预测出待预测设备的寿命。具体实现时，由于本实施例中确定待预测设备的使用场景特征向量时，是基于预先建立的使用场景与标签的对应关系确定的，下面结合图4，对本发明中建立使用场景与标签的对应关系的过程进行详细说明。
图4为本发明另一个实施例的设备寿命预测方法的流程图。
如图4所示，本发明实施例的设备寿命预测方法，可以包括以下步骤：
步骤401，获取待预测设备的使用者标签集。
步骤402，根据使用者标签集中各标签的类型，确定各标签对应的隶属度算法。
步骤403，根据各标签对应的隶属度算法，确定各标签对应的特征向量。
步骤404，获取已报废设备的各使用数据，各使用数据中分别包括已报废设备的使用寿命、使用者标签及使用场景。
其中，本实施例中已报废设备的各使用数据中，使用者标签可以包括：公司是否成熟，人员整体素质，专业能力等等。
使用场景可以包括：操作水平、环境水平、用料水平、工作负荷、维修水平、其他等等。
步骤405，对已报废设备的使用数据进行训练，确定使用场景与标签的对应关系，并基于确定的使用场景与标签的对应关系，确定待预测设备的使用场景特征向量。
具体实现时，可先根据使用数据中的使用场景建立对应的分档表，具体如表2所示：
操作水平 环境水平 用料水平 工作负荷 维修水平 其他
很好
好
中
差
很差
然后，基于表2中的各使用场景对各使用数据进行分析处理，以建立各使用场景与标签的对应关系。
举例说明，若设备使用场景为操作水平，且根据获取的各使用数据分析，得到与操作水平有关的标签分别为公司成立年限和人员平均学历。那么根据上述公司成立年限和人员平均学历，可以确定出操作水平与上述两个标签的对应关系，具体如上表3所示：
同样的，对于其他使用场景与标签对应关系的确定，可参见操作水平与公司成立年限和人员平均学历的方式实现，在此不对其进行过多赘述。
步骤406，利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。
具体的，本实施例需要先利用已报废设备的各使用数据，对预设的神经网络进行训练，以确定出寿命预测模型中的各权重值。然后再利用训练好的寿命预测模型，对待预测设备的寿命进行预测。
其中，对神经网络进行训练可以通过后向传播算法(Back Propagation，简称为：BP算法)，利用已报废设备的各使用数据进行训练，得到目标函数，其中目标函数可以为最小二乘，具体如下公式：
Figure BDA0001520327210000081
其中，N为已报废设备的各使用数据总量，y为实际寿命值，y^为预测值，i为各使用数据总量中的第i组数据。
进一步的，为了对上述训练进行优化，本实施例可通过以下优化算法公式实现：
Figure BDA0001520327210000091
其中，优化算法采用梯度下降β学习速率，wt为t批次已报废设备的使用数据权重值，wt+1为经过优化后的t+1批次已报废设备的使用数据权重值。
也就是说，通过一定批次的使用数据训练之后，即可得到完整的预设的神经网络。
具体实现时，可将步骤405中确定的待预测设备的各使用场景特征向量，分别输入至预先训练的寿命预测模型中，通过预先训练的寿命预测模型对待预测设备的寿命进行预测操作。
下面通过举例，对上述待预测设备的寿命进行确定的过程进行具体说明。
具体如图5所示，预先训练的寿命预测模型的第一层为输入层，且每个节点为之前确定出的使用场景特征向量，比如操作水平＝[0.8、0、0.1、0、0]。其中，第一层与第二层的连接权重值分别为[w1，w2，w3，w4，w5]T，w1、w2、w3、w4、w5分别表示很好，好，中，差，很差对于结果的影响权重。
在将各使用场景的特征向量输入至预先训练的寿命预测模型第一层之后，预先训练的寿命预测模型会将各输入节点的向量与对应的权重值进行乘积，得到对应的第二层的激活函数f(x)＝x，然后将第二层中的各激活函数分别与对应的权重值进行乘积得到第三层，上述第三层为隐藏层，其中激活函数可以采用常用的sigmoid函数或relu函数，用来拟合特征与待预测设备寿命的非线性关系。然后到第四层，即为输出层，输出待预测设备的有效寿命结果。
进一步的，为了减少计算量，提高预测效率，本实施例在将各使用场景的特征向量输入至输入层之前，可先根据使用场景与标签的对应关系，确定各使用场景的关联度，然后将关联度大于或等于阈值的两个场景对应的权重初始值设为相同的值。
其中，使用场景间的关联度，可以根据二者间对应的标签相同的数量确定，举例来说，若两个使用场景分别对应的使用者标签中，有两个或以上相同，则二者的关联度为0.8，若两个使用场景分别对应的使用者标签中，只有一个使用者标签相同，则二者的关联度为0.5，等等。本实施例对此不做限定。
其中，阈值可以根据实际需要进行相应设备，本实施例对此不作具体限定。比如，阈值为2，3等等。
也就是说，本实施例在确定出两个或者两个以上的使用场景具有相同标签，且相同标签的数量大于或者等于阈值时，则认为上述两个或者两个以上的使用场景之间可以共享同一权重值，从而利用具有同一权重值的使用场景，对待预测设备的寿命进行预测时，能够有效减少计算量，提高预测效率。
例如，若阈值为2，使用场景包括操作水平和维护水平，并且操作水平与公司成立年限及员工平均学历有关，维护水平与公司成立年限、员工平均学历以及专业人才数量有关，那么可以确定操作水平与维护水平之间有两个相同的标签，且满足关联度大于或等于2的条件，此时就可以将上述操作水平和维护水平的权重初始值设置为相同的值，即w1＝w3，从而利用具有相同的权重值的操作水平和维护水平对待预测设备的寿命进行预测时，能够有效减少计算量，提高预测效率。
本实施例提供的设备寿命预测方法，通过获取待预测设备的使用者标签集，以根据使用者标签集中各标签的类型，确定各标签对应的隶属度算法，然后根据各标签对应的隶属度算法，确定各标签对应的特征向量，然后获取已报废设备的各使用数据，并对已报废设备的各使用数据进行训练，以确定出使用场景与标签的对应关系，然后根据确定的使用场景与标签的对应关系，确定出待预测设备的使用场景特征向量，利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。由此，通过利用神经网络，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采买提供了依据。并且还可以实现对用户的个性化定制目的，进一步满足用户需求，提高了用户使用体验。
下面参照附图描述本发明实施例提出的设备寿命预测装置。
图6为本发明一个实施例的设备寿命预测装置的结构示意图。
参照图6，上述设备寿命预测装置包括：获取模块11、第一确定模块12、第二确定模块13。
其中，获取模块11用于获取待预测设备的使用者标签集；
第一确定模块12用于根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；
第二确定模块13用于利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命。
需要说明的是，本实施例的设备寿命预测装置的实施过程和技术原理参见前述对第一方面实施例所述的设备寿命预测方法的解释说明，此处不再赘述。
本实施例提供的设备寿命预测装置，首先获取带预测设备的使用者标签集，进而根据使用者标签集确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。由此，通过利用神经网络，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采买提供了依据。
为了实现上述实施例，本发明还提出一种计算机设备。
图7为本发明一个实施例的计算机设备的结构示意图。
如图7所示，上述计算机设备20包括：存储器21、处理器22及存储在存储器21上并可在处理器22上运行的计算机程序，所述处理器22运行所述程序时，以实现第一方面实施例所述的设备寿命预测方法。其中设备寿命预测方法包括：获取待预测设备的使用者标签集；根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命。
其中，本实施例的计算机设备可以是，但不限于：智能手机、个人数字助理(Personal Digital Assistant，简称为：PDA)、智能家电等等，本发明对此不作限定。其中，智能家电可以包括：智能音箱、智能电冰箱、智能空调、加湿器、净化器等等。
需要说明的是，本实施例的计算机设备的实施过程和技术原理参见前述对第一方面实施例所述的设备寿命预测方法的解释说明，此处不再赘述。
本实施例提供的计算机设备，首先获取带预测设备的使用者标签集，进而根据使用者标签集确定待预测设备的使用场景特征向量，然后利用预先训练的寿命预测模型，根据使用场景特征向量，确定待预测设备的寿命。由此，通过利用神经网络，结合设备的使用场景对设备使用寿命进行预测，从而提高了预测结果的准确性和可靠性，并且可以有效提前设备寿命预测的时间点，从而为设备的针对性采买提供了依据。
为实现上述目的，本发明还提出一种计算机可读存储介质。
其中该计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面实施例所述的以实现第一方面实施例所述的设备寿命预测方法。其中设备寿命预测方法包括：获取待预测设备的使用者标签集；根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命。
为实现上述目的，本发明还提出一种计算机程序产品，当所述计算机程序产品被处理器执行时，执行第一方面实施例所述的设备寿命预测方法。其中设备寿命预测方法包括：获取待预测设备的使用者标签集；根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种设备寿命预测方法，其特征在于，包括：
获取待预测设备的使用者标签集；
根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；
利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命；
其中，所述确定所述待预测设备的使用场景特征向量，包括：
根据所述使用者标签集中各标签的类型，确定各标签对应的隶属度算法；
根据各标签对应的隶属度算法，确定各标签对应的特征向量；
基于预设的使用场景与标签的对应关系，根据所述各标签对应的特征向量，确定所述待预测设备的使用场景特征向量。
2.如权利要求1所述的方法，其特征在于，所述确定所述待预测设备的使用场景特征向量之前，还包括：
获取已报废设备的各使用数据，所述各使用数据中分别包括已报废设备的使用寿命、使用者标签及使用场景；
对所述已报废设备的使用数据进行训练，确定所述使用场景与标签的对应关系。
3.如权利要求2所述的方法，其特征在于，所述确定所述待预测设备的寿命之前，还包括：
利用所述已报废设备的各使用数据，对预设的神经网络进行训练，确定所述寿命预测模型中的各权重值。
4.如权利要求3所述的方法，其特征在于，所述对预设的神经网络进行训练之前，还包括：
根据所述使用场景与标签的对应关系，确定各使用场景间的关联度；
将关联度大于或等于阈值的两个使用场景对应的权重初始值设为相同的值。
5.一种设备寿命预测装置，其特征在于，包括：
获取模块，用于获取待预测设备的使用者标签集；
第一确定模块，用于根据所述使用者标签集，确定所述待预测设备的使用场景特征向量；
第二确定模块，用于利用预先训练的寿命预测模型，根据所述使用场景特征向量，确定所述待预测设备的寿命；
所述第一确定模块，还用于根据所述使用者标签集中各标签的类型，确定各标签对应的隶属度算法；根据各标签对应的隶属度算法，确定各标签对应的特征向量；基于预设的使用场景与标签的对应关系，根据所述各标签对应的特征向量，确定所述待预测设备的使用场景特征向量。
6.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，以实现如权利要求1-4任一所述的设备寿命预测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现如权利要求1-4任一所述的设备寿命预测方法。
8.一种计算机程序产品，其特征在于，当所述计算机程序产品被处理器执行时，执行如权利要求1-4任一所述的设备寿命预测方法。
CN201711405986.0A 2017-12-22 2017-12-22 设备寿命预测方法、装置及设备 Active CN108009691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711405986.0A CN108009691B (zh) 2017-12-22 2017-12-22 设备寿命预测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711405986.0A CN108009691B (zh) 2017-12-22 2017-12-22 设备寿命预测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN108009691A CN108009691A (zh) 2018-05-08
CN108009691B true CN108009691B (zh) 2021-06-25

Family

ID=62060658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711405986.0A Active CN108009691B (zh) 2017-12-22 2017-12-22 设备寿命预测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN108009691B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214544B (zh) * 2018-06-28 2021-03-09 广东工业大学 寿命预测及维护决策方法和装置、以及存储介质、计算机
CN108961460B (zh) * 2018-07-18 2020-05-08 清华大学 基于稀疏esgp与多目标优化的故障预测方法及装置
CN109190892B (zh) * 2018-07-27 2022-08-09 广东工业大学 一种基于数据的智能注塑设备检测装置检测频率决策方法
CN111369029A (zh) * 2018-12-06 2020-07-03 北京嘀嘀无限科技发展有限公司 服务选择预测方法、装置、电子设备及存储介质
TW202026096A (zh) * 2019-01-02 2020-07-16 財團法人工業技術研究院 刀具壽命預測系統及其方法
CN111222761A (zh) * 2019-12-27 2020-06-02 特瓦特能源科技有限公司 一种充电桩使用寿命预测模型的训练方法及装置
CN116050662A (zh) * 2023-03-07 2023-05-02 中环洁集团股份有限公司 一种环卫设备报废预测方法、系统及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462718A (zh) * 2014-12-25 2015-03-25 国家电网公司 一种变电站经济运行年限区间评估方法
CN106777606A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种风电机组齿轮箱故障预测诊断算法
CN107330597A (zh) * 2017-06-22 2017-11-07 南京南瑞继保电气有限公司 基于模糊模式识别的高炉热风炉能耗状态多维度评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462718A (zh) * 2014-12-25 2015-03-25 国家电网公司 一种变电站经济运行年限区间评估方法
CN106777606A (zh) * 2016-12-02 2017-05-31 上海电机学院 一种风电机组齿轮箱故障预测诊断算法
CN107330597A (zh) * 2017-06-22 2017-11-07 南京南瑞继保电气有限公司 基于模糊模式识别的高炉热风炉能耗状态多维度评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"面向机电产品方案设计的生命周期评价关键技术研究";王晓伟;《中国优秀博士论文全文数据库工程科技Ⅱ辑》;20111215(第12期);第C029-4页 *

Also Published As

Publication number Publication date
CN108009691A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
CN108009691B (zh) 设备寿命预测方法、装置及设备
CN107832581B (zh) 状态预测方法和装置
Wang et al. A knowledge-guided multi-objective fruit fly optimization algorithm for the multi-skill resource constrained project scheduling problem
Pousinho et al. Short-term electricity prices forecasting in a competitive market by a hybrid PSO–ANFIS approach
CN104572998B (zh) 用于自动问答系统的问答排序模型更新方法及装置
Sohn et al. Decision tree based on data envelopment analysis for effective technology commercialization
Das et al. A novel graphical lasso based approach towards segmentation analysis in energy game-theoretic frameworks
US11961156B2 (en) Utilizing similarity, knowledge graphs, and machine learning models to refine/redefine a target skill profile based on skills data from employees of an entity and activate a recommendation system
KR102660544B1 (ko) 제어 장치, 컨트롤러, 제어 시스템, 제어 방법, 및 제어 프로그램
CN113821903B (zh) 温度控制方法和设备、模块化数据中心及存储介质
US11416302B2 (en) Computer system and method for determining of resource allocation
CN107807730B (zh) 应用清理方法、装置、存储介质及电子设备
CN115994611A (zh) 类别预测模型的训练方法、预测方法、设备和存储介质
Estrada et al. A method of stepwise benchmarking for inefficient DMUs based on the proximity-based target selection
CN114995964A (zh) 一种组合服务重构方法、装置、设备和计算机可读介质
CN111160959A (zh) 一种用户点击转化预估方法及装置
CN113886454A (zh) 一种基于lstm-rbf的云资源预测方法
CN116578400A (zh) 多任务数据处理方法和装置
CN114742644A (zh) 训练多场景风控系统、预测业务对象风险的方法和装置
Wang et al. Application of BP neural network to prediction of library circulation
CN113887816A (zh) 一种家用电器社会保有量的智能预测方法、装置及设备
CN114298870A (zh) 一种路径规划方法、装置、电子设备及计算机可读介质
Prochazka et al. Modelling knowledge management processes using fuzzy cognitive maps
CN113837220A (zh) 基于在线持续学习的机器人目标识别方法、系统及设备
Tanai et al. How to customize an early start preparatory course policy to improve student graduation success: an application of uplift modeling

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