CN110533251A - 提升预测性维护模型适应能力的方法及装置 - Google Patents

Abstract

本发明公开了一种提升预测性维护模型适应能力的方法及装置，该方法包括：建立初始预测性维护模型，并利用该初始预测性维护模型进行系统维护；在系统启动后实时采集系统数据，并对所述数据进行标记，记录异常数据及标签信息；在采集的数据量达到第一设定值后，根据所述初始预测性维护模型的类型确定是否需要进行模型转换；如果是，则利用所述采集的数据训练得到稳定的预测性维护模型，并将所述稳定的预测维护模型代替所述初始预测维护模型进行系统维护；在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新。利用本发明，可以使预测性维护模型具有更好的适应性，提升预测性维护模型的准确性和稳定性。

Description

提升预测性维护模型适应能力的方法及装置

技术领域

本发明涉及系统维护领域，具体涉及一种提升预测性维护模型自适应能力的方法及装置。

背景技术

PHM(Prognostic and Health Management，故障预测与健康管理)是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一种全新的管理健康状态的解决方案，其广泛应用于各个领域。目前，在工业系统维护中，基于SCADA(Supervisory ControlAnd Data Acquisition，监督控制和数据采集)等非高频系统数据的预测性维护模型逐渐成为近年来研发的热点。

现有技术均是关注于某一个故障预警模型结构的设计与优化。这些技术方案能够在其特定的数据和技术条件下实现故障预警的需求，却普遍缺乏对模型在不同数据和技术条件下适用性的设计和对于不同开发阶段下模型成长路径的设计，使得这些技术无法在模型全生命周期内适用。

此外，现有技术方案多是基于拥有充分数据和标签的假设。然而在实际开发过程中，往往存在很多影响因素：如数据量不足，标签缺乏，全新的机型、环境、工况等，使得这些技术方案无法落地或者在全生命周期内使用。例如，在风电行业，当现有技术方案应用到一个全新的风场的时候，往往需要一定时间(几个月甚至一年)才能够达到该模型稳定运行需要的训练数据量。只使用少量训练数据驱动的预测模型会导致模型结果不稳定，甚至完全无法使用，而实际场景下往往又无法等到数据充足再上线使用。又如，当一些数据采集条件发生变化后，一些技术方案就不再是改变后的数据条件下的最优方案。此时，往往需要调整模型架构才能够突破现有模型效果的瓶颈，继续提升模型的表现。选择一种在新条件下适用的模型架构可以达到该阶段提升模型表现的效果，但往往之前模型开发积累的领域知识无法沉淀到新的模型架构中，或者模型结构变化较大使得单次开发工作量增大的同时，又不一定可以用到未来的场景中，复用性不足。

发明内容

本发明实施例提供一种提升预测性维护模型适应能力的方法及装置，使预测性维护模型具有更好的适应性，提升预测性维护模型的准确性和稳定性。

为此，本发明提供如下技术方案：

一种提升预测性维护模型适应能力的方法，所述方法包括：

在系统启动后实时采集系统数据，并对所述数据进行标记，记录异常数据及标签信息；

建立初始预测性维护模型，并利用所述初始预测性维护模型进行系统维护；

在采集的数据量达到第一设定值后，根据所述初始预测性维护模型的类型确定是否需要进行模型转换；

如果是，则利用所述采集的数据训练得到稳定的预测性维护模型，并将所述稳定的预测维护模型代替所述初始预测维护模型进行系统维护；

在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新，并利用更新后的预测性维护模型进行系统维护。

可选地，所述建立初始预测性维护模型包括：

如果能够获得对应所述系统的机理参数，则建立基于机理的残差模型，并将所述基于机理的残差模型作为初始预测性维护模型；

否则，判断针对系统中不同设备的异常状况表现是否近似；

如果是，则建立集群对标模型，并将所述集群对标模型作为初始预测性维护模型；

否则，判断其它系统中是否存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型；

如果是，则通过对所述相同机型的设备的预测性维护模型进行迁移学习，得到迁移学习模型，并将所述迁移学习模型作为本系统中设备的初始预测性维护模型；

否则，建立基于规则的模型，并将所述基于规则的模型作为初始预测性维护模型。

可选地，所述根据所述初始预测性维护模型的类型确定是否需要进行模型转换包括：

如果所述初始预测性维护模型为基于机理的残差模型、或集群对标模型、或迁移学习模型，则确定不需要进行模型转换；

如果所述初始预测性维护模型为基于规则的模型，则确定需要进行模型转换。

可选地，所述利用所述采集的数据训练得到稳定的预测性维护模型包括：

如果记录的标签信息的数量未达到第二设定值，则利用采集的数据训练得到数据驱动的自对标残差模型，并将所述数据驱动的自对标残差模型作为稳定的预测性维护模型；

如果记录的标签信息的数量达到第二设定值，则利用所述采集的数据及所述标签信息训练得到有监督的机器学习模型，并将所述有监督的机器学习模型作为稳定的预测性维护模型。

可选地，所述在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新包括：

如果所述稳定的预测性维护模型为数据驱动的自对标残差模型，则在达到更新周期、或者设备工况改变、或者模型准确率下降到设定程度后，对所述稳定的预测性维护模型进行更新；

如果所述稳定的预测性维护模型为有监督的机器学习模型，则在新增的标签信息的数量达到第三设定值、或者在新增的异常数据达到设定阈值后，利用新采集的数据对所述稳定的预测性维护模型进行更新；

如果所述稳定的预测性维护模型为迁移学习模型，则在新增的数据量达到第四设定值后，利用新采集的数据对所述稳定的预测性维护模型进行更新。

可选地，所述方法还包括：

在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级，并利用升级后的预测性维护模型进行系统维护。

可选地，所述方法还包括：记录采集的数据的种类；

所述在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级包括：

如果当前进行系统维护使用的预测性维护模型为所述数据驱动的自对标残差模型，则在新采集的数据有新种类时，在所述数据驱动的自对标残差模型的输入参数中加入所述新种类的数据进行训练，或者在记录的标签信息从无到有后，将所述数据驱动的自对标残差模型升级为有监督模型；

如果当前进行系统维护使用的预测性维护模型为所述有监督的机器学习模型，则在新采集的数据有新种类时，在所述有监督的机器学习模型的输入参数中加入所述新种类的数据进行训练。

一种提升预测性维护模型适应能力的装置，所述装置包括：数据采集模块、数据处理模块、初始模型建立模块、模型转换判断模块、稳定模型建立模块、模型更新模块、系统维护模块；

所述数据采集模块，用于在系统启动后实时采集系统数据；

所述数据处理模块，用于对所述数据进行标记，记录异常数据及标签信息；

所述初始模型建立模块，用于建立初始预测性维护模型；

所述系统维护模块，用于利用所述初始预测性维护模型进行系统维护；

所述模型转换判断模块，用于在所述数据采集模块采集的数据量达到第一设定值后，根据所述初始预测性维护模型的类型确定是否需要进行模型转换；如果是，则通知所述稳定模型建立模块建立稳定的预测维护模型；

所述稳定模型建立模块，用于利用所述采集的数据训练得到稳定的预测性维护模型；

相应地，所述系统维护模块，还用于将所述稳定的预测维护模型代替所述初始预测维护模型进行系统维护；

所述模型更新模块，用于在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新；

相应地，所述系统维护模块，还用于在所述模型更新模块对所述稳定的预测性维护模型进行更新后，利用更新后的预测性维护模型进行系统维护。

可选地，所述初始模型建立模块包括：

基于机理的残差模型建立单元，用于在能够获得对应所述系统的机理参数时，建立基于机理的残差模型，并将所述基于机理的残差模型作为初始预测性维护模型；

集群对标模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对系统中不同设备的异常状况表现近似时，建立集群对标模型，并将所述集群对标模型作为初始预测性维护模型；

迁移学习模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对不同设备的异常状况表现不近似，并且其它系统中存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型时，通过对所述相同机型的设备的预测性维护模型进行迁移学习，得到迁移学习模型，并将所述迁移学习模型作为本系统中设备的初始预测性维护模型；

基于规则的模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对不同设备的异常状况表现不近似，并且其它系统中不存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型时，建立基于规则的模型，并将所述基于规则的模型作为初始预测性维护模型。

可选地，所述模型转换判断模块，具体用于在所述初始预测性维护模型为基于机理的残差模型、或集群对标模型、或迁移学习模型时，确定不需要进行模型转换；在所述初始预测性维护模型为基于规则的模型时，确定需要进行模型转换。

可选地，所述稳定模型建立模块包括：

第一模型建立单元，用于在记录的标签信息的数量未达到第二设定值时，利用采集的数据对所述规则的模型进行重新训练，得到数据驱动的自对标残差模型，并将所述数据驱动的自对标残差模型作为稳定的预测性维护模型；

第二模型建立单元，用于在记录的标签信息的数量达到第二设定值时，利用所述采集的数据及所述标签信息训练得到有监督的机器学习模型，并将所述有监督的机器学习模型作为稳定的预测性维护模型。

可选地，所述模型更新模块包括：

第一更新单元，用于在所述稳定的预测性维护模型为数据驱动的自对标残差模型时，在达到更新周期、或者设备工况改变、或者模型准确率下降到设定程度后，对所述稳定的预测性维护模型进行更新；

第二更新单元，用于在所述稳定的预测性维护模型为有监督的机器学习模型时，在新增的标签信息的数量达到第三设定值、或者在新增的异常数据达到设定阈值后，利用新采集的数据对所述稳定的预测性维护模型进行更新；

第三更新单元，用于在所述稳定的预测性维护模型为迁移学习模型时，在新增的数据量达到第四设定值后，利用新采集的数据对所述稳定的预测性维护模型进行更新。

可选地，所述装置还包括：

模型升级模块，用于在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级；

相应地，所述系统维护模块，还用于在所述模型升级模块对当前进行系统维护使用的预测性维护模型进行升级后，利用升级后的预测性维护模型进行系统维护。

可选地，所述数据处理模块，还用于记录采集的数据的种类；

所述模型升级模块包括：

第一升级单元，用于在当前进行系统维护使用的预测性维护模型为所述数据驱动的自对标残差模型时，如果新采集的数据有新种类，则在所述数据驱动的自对标残差模型的输入参数中加入所述新种类的数据进行训练；如果记录的标签信息从无到有后，则将所述数据驱动的自对标残差模型升级为有监督模型；

第二升级单元，用于在当前进行系统维护使用的预测性维护模型为所述有监督的机器学习模型，并且新采集的数据有新种类时，在所述有监督的机器学习模型的输入参数中加入所述新种类的数据进行训练。

一种电子设备，包括：一个或多个处理器、存储器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面所述的方法。

一种可读存储介质，其上存储有指令，所述指令被执行以实现前面所述的方法。

本发明实施例提供的提升预测性维护模型适应能力的方法及装置，利用预测性维护模型对系统进行维护，并且对预测性维护模型根据系统运行的不同阶段进行适应性地调整，具体地，在系统启动初期，由于采集的数据及记录的标签信息较匮乏，因此采用数据驱动之外的其它方式建立初始预测性维护模型，随着系统的运行，采集的数据量达到一定数量后，利用所述采集的数据训练得到稳定的预测性维护模型，进而将其代替一些特定类型的初始预测性维护模型，提升预测的准确性，使系统得到更好的维护。在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新，使预测性维护模型具有更好的适应性，满足系统设备工况的各种需求。

进一步地，在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级，更好地提升预测性维护模型的准确性和稳定性。

本发明实施例提供的提升预测性维护模型适应能力的方法及装置，针对预测性维护模型生命周期的每一个阶段，采取相适应的策略设计，使各阶段的预测性维护模型均能得到较佳的预测维护效果。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例提升预测性维护模型适应能力的方法的一种流程图；

图2是本发明实施例中用于进行系统维护的预测性维护模型的全生命周期示意图；

图3是本发明实施例提升预测性维护模型适应能力的装置的一种结构框图；

图4是本发明实施例提升预测性维护模型适应能力的装置的另一种结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

本发明实施例提供的提升预测性维护模型适应能力的方法及装置，利用预测性维护模型对系统进行维护，并且对预测性维护模型根据系统运行的不同阶段进行适应性地调整，以使各阶段的预测性维护模型均能得到较佳的预测维护效果。

如图1所示，是本发明实施例提升预测性维护模型适应能力的方法的一种流程图，包括以下步骤：

步骤101，在系统启动后实时采集系统数据，并对所述数据进行标记，记录异常数据及标签信息。

步骤102，建立初始预测性维护模型，并利用所述初始预测性维护模型进行系统维护。

由于在初始阶段，系统启动后一定时间内，采集到的数据的数量、以及其中的异常数据及标签信息较少，难以满足一些常用数据驱动模型的离线训练要求。因此，在此阶段，出于均衡模型可行性和结果准确性的考虑，本发明实施例可以采用以下两种技术路径来构建初始预测性维护模型：

1)需要离线训练的模型：常用的需要离线训练的预测性维护模型有基于机理的残差模型，即基于部件机械物理结构构建的模型，通常为回归模型，因其系数均反映特定的机械物理性质，只需少量正常运行数据即可进行训练。另外，还可以通过迁移学习，直接使用有泛化特性的同机型相似工况的已训练模型。

2)不需要离线训练的模型：比如，可以包括但不限于集群对标模型和基于规则的模型。所述集群对标模型是指通过对比当前相似设备在同一工况下的状态，根据设备参数是否偏离集群状态判断故障概率的方法建立的模型。所述基于规则的模型是指通过对故障相关参数及其趋势做综合判断的方法建立的模型。

建立初始预测性维护模型的具体过程如下：

首先，考虑是否可建立机理模型；如果是，则建立基于机理的残差模型，并将所述基于机理的残差模型作为初始预测性维护模型；具体地，如果能够获得对应所述系统的机理参数，则可以建立机理模型；否则不能建立机理模型，只能考虑其它方式的模型。所述基于机理的残差模型具体可以包括但不限于以下任意一种或多种模型：多元线性回归模型、多元非线性回归模型，另外，在模型建立过程中，还可同时结合卡尔曼滤波等对系统残差进行动态的适应。

其次，判断针对系统中不同设备的异常状况表现是否近似；如果是，则建立集群对标模型，并将所述集群对标模型作为初始预测性维护模型。当然，在这种情况下，需要系统中存在设备集群，即待监测目标为一个集群，且相对集群在同一工况下的偏移为需要预测的故障的表征或故障与偏移程度具有相关性。集群对标的原理是对比单个设备的状态和设备集群的平均状态之间的差异来判断异常的趋势。

再次，如果其它系统中存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型，则可通过对所述相同机型的设备的预测性维护模型进行迁移学习，得到迁移学习模型，并将所述迁移学习模型作为本系统中设备的初始预测性维护模型。也就是说，当系统中的设备与其他场景下某个设备的场景和机型都近似时，可以使用那个场景下已经训练好的模型短时间内作为启动模型来弥补数据不够训练的不足。比如，平原风场A的风机需要一个发电机温度异常的冷启动模型，而其他项目中有发电机温度异常的机器学习模型是基于同一个风机机型且位于类似气候的平原风场B，则可以考虑直接使用风场B的该模型作为平原风场A的模型。迁移学习中使用的模型可以为无监督模型、回归模型、或者有监督模型等。

最后，如果以上模型均不可行，还可以考虑建立基于规则的模型，并将所述基于规则的模型作为初始预测性维护模型。具体地，可以利用一些行业专家知识或者控制逻辑，形成对应的判断规则。

所述基于规则的模型与所述集群对标模型的差别在于规则是基于专家知识的且不一定能够覆盖到所有工况下的所有异常。

步骤103，判断采集的数据量是否达到第一设定值；如果是，则执行步骤104；否则，返回步骤103。

步骤104，根据所述初始预测性维护模型的类型确定是否需要进行模型转换；如果是，则执行步骤105；否则，返回步骤104，此时，继续利用所述初始预测性维护模型进行系统维护。

具体地，如果所述初始预测性维护模型为基于机理的残差模型、集群对标模型、或迁移学习模型，则不需要进行模型转换；如果所述初始预测性维护模型为基于规则的模型，则确定需要进行模型转换。

步骤105，利用所述采集的数据训练得到稳定的预测性维护模型，并将所述稳定的预测维护模型代替所述初始预测维护模型进行系统维护。

在此阶段，系统采集的数据量已经满足模型的训练需求，数据驱动的模型可以稳定上线运行，因此，采用数据驱动方式建立稳定的预测维护模型，即将初始预测性维护模型转化为稳定的预测维护模型。

具体地，可以根据是否有足量标签信息，主要有以下两种类型的模型：

1)无监督学习：多用在虽然数据充足但是标签信息不足的情况下。预测性维护的无监督模型主要有机理模型、自对标残差模型、集群对标模型。其中，自对标残差模型为一种利用自身历史健康状态建立的模型，预测健康状态下当前设备运行参数，并与实测值进行比较，从而确定故障概率的方法。

2)有监督学习：在数据和标签信息都充足的情况下使用，主要有分类模型或神经网络模型。

在本发明实施例中，在采集的数据量达到第一设定值，并且记录的标签信息的数量未达到第二设定值时，可以利用采集的数据训练得到数据驱动的自对标残差模型，并将所述数据驱动的自对标残差模型作为稳定的预测性维护模型。数据驱动的自对标残差模型可以是但不限于以下各种模型：多元线性/非线性回归模型、随机森林、XGBoost、LightGBM、AutoEncoder、SVM、anoGAN。在采集的数据量达到第一设定值，并且记录的标签信息的数量达到第二设定值时，可以利用所述采集的数据及所述标签信息训练得到有监督的机器学习模型，并将所述有监督的机器学习模型作为稳定的预测性维护模型。有监督的机器学习模型可以是但不限于以下各种模型：神经网络模型(比如ANN，CNN，RNN，LSTM)、随机森林、逻辑回归模型。

步骤106，在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新，并利用更新后的预测性维护模型进行系统维护。

具体地，可以针对所述稳定的预测性维护模型的类型不同，采取不同的更新触发条件，比如：

如果所述稳定的预测性维护模型为数据驱动的自对标残差模型，则在达到更新周期、或者设备工况改变、或者模型准确率下降到设定程度后，对所述稳定的预测性维护模型进行更新；

如果所述稳定的预测性维护模型为有监督的机器学习模型，则在新增的标签信息的数量达到第三设定值、或者在新增的异常数据达到设定阈值后，利用新采集的数据对所述稳定的预测性维护模型进行更新；

如果所述稳定的预测性维护模型为迁移学习模型，则在新增的数据量达到第四设定值后，利用新采集的数据对所述稳定的预测性维护模型进行更新。

当然，对于数据驱动的自对标残差模型，还可以在系统机理参数发生变化后，由人工触发进行更新。比如，设备部件更换、润滑油添加、控制参数设定发生改变等情况下，通过人工触发重新训练数据驱动的自对标残差模型。

同理，对于有监督的机器学习模型，还可以在异常数据增加时，通过人工触发重新训练模型。

需要说明的是，上述模型的更新过程实际上是模型的重训练过程，使用原有模型架构，在不调整输入数据种类和模型结构的前提下，使用全新的数据和标签信息对模型参数进行重新训练，或者使用原有数据和标签信息、以及新增的数据和标签信息对模型参数进行重新训练。另外，重训练过程中可能涉及到阈值的调整，以使模型更好的适应更多样的工况数据。比如，在新增少量异常数据对应的标签信息时，即可进行模型的阈值调整。具体地，可以将正常运行数据和异常数据同时作为离线测试数据进行测试，进而根据测试结果调整相应阈值，从而减少模型的误报和漏报，提高模型预测结果的准确性。

本发明实施例提供的提升预测性维护模型适应能力的方法，利用预测性维护模型对系统进行维护，并且对预测性维护模型根据系统运行的不同阶段进行适应性地调整，具体地，在系统启动初期，由于采集的数据及记录的标签信息较匮乏，因此采用数据驱动之外的其它方式建立初始预测性维护模型，随着系统的运行，采集的数据量达到一定数量后，利用所述采集的数据训练得到稳定的预测性维护模型，进而将其代替一些特定类型的初始预测性维护模型，提升预测的准确性，使系统得到更好的维护。在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新，使预测性维护模型具有更好的适应性，满足系统设备工况的各种需求。

进一步地，在本发明提升预测性维护模型适应能力的方法另一实施例中，还可记录采集的数据的种类。另外，在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级，并利用升级后的预测性维护模型进行系统维护，从而更好地提升预测性维护模型的准确性和稳定性。

对当前行系统维护使用的预测性维护模型进行升级可以有以下几种情况：

如果当前进行系统维护使用的预测性维护模型为所述数据驱动的自对标残差模型，则在新采集的数据有新种类时，在所述数据驱动的自对标残差模型的输入参数中加入所述新种类的数据进行训练，或者在记录的标签信息从无到有后，将所述数据驱动的自对标残差模型升级为有监督模型。

如果当前进行系统维护使用的预测性维护模型为所述有监督的机器学习模型，则在新采集的数据有新种类时，在所述有监督的机器学习模型的输入参数中加入所述新种类的数据进行训练。

在上述模型升级过程中，输入参数的调整方式包含但不限于：人工选择添加、利用相关性系数筛选(如Pearson，Spearman等)、通过ANOVA方差分析选择、基于树模型的特征重要性选择等。

另外，在有多种模型对系统进行预测性维护时，可以将这些模型升级为集成模型，利用多个模型的结果综合进行预警。集成模型为多个单独模型分别对异常进行判断，然后基于这些单独模型的结果进行综合判断得出最后的预警的模型。集成模型很难在启动的时候就让所有可以使用的模型都具备稳定运行的条件，因此一般在数据和标签信息积累充分之后才适合使用集成模型。

本发明实施例提供的提升预测性维护模型适应能力的方法，针对预测性维护模型生命周期的每一个阶段，采取相适应的策略设计，使各阶段的预测性维护模型均能得到较佳的预测维护效果。

图2示出了用于进行系统维护的预测性维护模型的全生命周期，所述预测性维护模型的整个生命周期的成长分为以下几个阶段，各阶段可以采用的预测性维护模型如图2中所示。

下面对所述预测性维护模型的整个生命周期中的各阶段进行简要说明。

1)模型启动阶段：此阶段的特点为采集的数据量较少，数据没有相应的标签信息或者标签信息较少，难以满足一些常用数据驱动模型的离线训练要求。在此阶段，出于均衡模型可行性和结果准确性的考虑，有两种类型的模型可以选择，即：需要离线训练的模型和不需要离线训练的模型。其中，需要离线训练的模型主要有：基于机理的残差模型和通过迁移学习得到的模型，即直接使用有泛化特性的同机型相似工况的已训练模型；不需要离线训练的模型主要有：集群对标模型和基于规则的模型。不同类型模型的选择在前面已有详细说明，在此不再赘述。

需要离线训练的模型：常用的需要离线训练的预测性维护冷启动模型有基于机理的残差模型，即基于部件机械物理结构构建的模型，通常为回归模型，因其系数均反映特定的机械物理性质，只需少量正常运行数据即可进行训练；迁移学习，即直接使用有泛化特性的同机型相似工况的已训练模型。

不需要离线训练的模型：直接使用一些不需要离线训练的模型，包括但不限于集群对标模型和基于规则的模型。集群对标即对比当前相似设备在同一工况下的状态，根据设备参数是否偏离集群状态判断故障概率的方法。基于规则的模型，即通过对故障相关参数及其趋势做综合判断的方法。

2)模型稳定运行阶段：此阶段的特点为采集的数据量已经满足模型的训练需求，数据驱动的模型可以稳定上线运行。在此阶段，根据是否有足量有效的标签信息，主要有两大适用的可选模型类型，具体如下：

无监督学习模型：多用在虽然数据充足但是依然缺少有效标签信息的情况下。主要有：机理模型、基于数据的自对标残差模型、以及集群对标模型。其中，基于数据的自对标残差模型为一种利用自身历史健康状态建立模型，预测健康状态下当前设备运行参数，并与实测值进行比较，从而确定故障概率的方法。

监督学习模型：在数据和标签信息都充足的时候使用，主要有：提供概率分布的分类模型和神经网络模型。

3)模型更新阶段：在模型稳定运行阶段期间，随着时间的推移，标签信息的增加，一些模型的准确度会逐渐降低。其主要原因比如模型受季节性影响、或者原训练数据未能完整的包含所有可能的工况等。此时需要进行模型的重训练以增加模型的准确度。根据运行模型类型的不同，受季节性影响的模型可以定期触发，需要尽可能覆盖各种工况的模型可以基于某种条件触发训练，需要依靠误报调整的模型可以人工不定时触发。

4)模型升级阶段：拥有丰富的数据和标签信息后，由于模型结构本身的限制，重新训练已经无法进一步提升模型的准确度和稳定性，此时则可以对模型进行升级。模型升级主要考量以下两种改变：

数据量驱动的模型改变：当模型的接入参数增加且数据量增加时，此时多考虑从较简单的拟合模型如回归模型升级到不易过拟合且能够更好的学习变量与故障间非线性关系的模型，如集成树类模型。。当故障标签从无到有，此时多考虑从无监督模型升级到能够自学习多种故障发展模式的有监督模型。

单模型到多模型或模型融合：当已有多种可行模型时，可以使用集成模型或者融合多模型结构的模型架构，进一步提升模型准确性和稳定性。

需要说明的是，在实际应用中，模型的全生命周期管理中，模型自成长路径可以根据以上描述人为进行技术迭代，也可以通过模型运行系统自动完成，对此本发明实施例不做限定。

本发明实施例的方案，可以应用于多种需要进行预测性维护的系统，比如风电系统、机加工制造系统、化工系统、烟草生产系统等。

下面以应用于风电系统为例，进一步详细说明本发明方案。

在模型启动阶段，首先对系统中的风速仪异常进行启动模型选型判断。风速仪异常主要有风速仪卡滞和风速仪松动两种，其中风速仪卡滞的表现为测量风速持续小于真实风速甚至持续为0，风速仪松动的表现为测量的风速出现跳变。这两种故障均不一定是缓变的故障且不具备相关机理模型，不同故障个体间在数据上的表现判断也不一定近似。因此，在起始阶段，对系统进行预测性维护的模型选择使用基于规则的模型。规则的设计参考风机主控逻辑、维护检修的判断逻辑等，对特定功率范围内的风速测量值、风速和风向测量值随时间的变化等指标进行综合判断。

当采集的运行数据积累2-3个月后，根据上述模型成长机制逻辑判断，对系统进行预测性维护的模型选为使用数据驱动的自对标残差模型。模型基于风机正常运行状态下，风速、功率、桨叶角、风向等满足一定的对应关系的假设。使用相关数据点预测当时风速，再对比风速仪测量风速与预测风速的差异，通过残差的分布来对故障进行预警判断。构建数据驱动模型时，变量的选取通过机理和数据驱动结合的方式，选取机理已知相关的变量，同时根据相关性等对采集的数据进行筛选。

基于风电系统的特点，对所述数据驱动的自对标残差模型设置了条件触发重训练和人工触发重训练两种重训练模式。由于测试的风场处于山地，风速风向等环境因素受季节影响明显，而稳定运行初期模型训练数据无法覆盖全年季节工况，因此设置了定时触发的重新训练模式。每隔一定时间，系统自动使用近几个月内的正常运行工况数据作为输入，对模型进行重训练。另外，在运行系统中同时设置了对预测时间段和训练数据的工况进行对比的逻辑，用于提前发现工况的变化。当近几天的环境工况与训练时的环境工况明显存在不一致时，系统提示使用者人工触发模型的重新训练。

在上述过程中，通过前期报警结果验证发现，若对风机的工况做更细致的筛选，能够提升基于数据的风速预测模型的准确度。因此采集的数据中增加了正在变桨、正在停机等风机状态指示量，将这些新增加的数据种类作为新增加的输入参数对模型进行结构升级。同时，在增加新的输入参数后，在模型训练中也相应的调整了新模型的阈值参数。

相应地，本发明实施例还提供一种提升预测性维护模型适应能力的装置，如图3所示，是该装置的一种结构框图。

在该实施例中，所述装置包括以下各模块：

数据采集模块301、数据处理模块302、初始模型建立模块303、模型转换判断模块304、稳定模型建立模块305、模型更新模块306、系统维护模块300。其中：

所述数据采集模块301用于在系统启动后实时采集系统数据；

所述数据处理模块302用于对所述数据进行标记，记录异常数据及标签信息；

所述初始模型建立模块303用于建立初始预测性维护模型；

所述系统维护模块300用于利用所述初始预测性维护模型进行系统维护；

所述模型转换判断模块304用于在所述数据采集模块301采集的数据量达到第一设定值后，根据所述初始预测性维护模型的类型确定是否需要进行模型转换；如果是，则通知所述稳定模型建立模块305建立稳定的预测维护模型；

所述稳定模型建立模块305用于利用所述采集的数据训练得到稳定的预测性维护模型；

相应地，所述系统维护模块300还用于将所述稳定的预测维护模型代替所述初始预测维护模型进行系统维护；

所述模型更新模块306用于在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新；

相应地，所述系统维护模块300还用于在所述模型更新模块306对所述稳定的预测性维护模型进行更新后，利用更新后的预测性维护模型进行系统维护。

上述初始模型建立模块303具体可以采用不同技术路径来构建初始预测性维护模型，比如，所述初始模型建立模块303的一种具体结构可以包括以下各单元：

基于机理的残差模型建立单元，用于在能够获得对应所述系统的机理参数时，建立基于机理的残差模型，并将所述基于机理的残差模型作为初始预测性维护模型；

集群对标模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对系统中不同设备的异常状况表现近似时，建立集群对标模型，并将所述集群对标模型作为初始预测性维护模型；

迁移学习模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对不同设备的异常状况表现不近似，并且其它系统中存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型时，通过对所述相同机型的设备的预测性维护模型进行迁移学习，得到迁移学习模型，并将所述迁移学习模型作为本系统中设备的初始预测性维护模型；

基于规则的模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对不同设备的异常状况表现不近似，并且其它系统中不存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型时，建立基于规则的模型，并将所述基于规则的模型作为初始预测性维护模型。

上述模型转换判断模块304在所述初始预测性维护模型为基于机理的残差模型、或集群对标模型、或迁移学习模型时，确定不需要进行模型转换；在所述初始预测性维护模型为基于规则的模型时，确定需要进行模型转换。

上述稳定模型建立模块305具体可以根据是否有足量标签信息，选择不同类型的模型，比如可以有以下两种类型的模型：无监督学习模型、有监督学习模型。相应地，所述稳定模型建立模块305的一种具体结构可以包括以下各单元：

第一模型建立单元，用于在记录的标签信息的数量未达到第二设定值时，利用采集的数据对所述规则的模型进行重新训练，得到数据驱动的自对标残差模型，并将所述数据驱动的自对标残差模型作为稳定的预测性维护模型；

第二模型建立单元，用于在记录的标签信息的数量达到第二设定值时，利用所述采集的数据及所述标签信息训练得到有监督的机器学习模型，并将所述有监督的机器学习模型作为稳定的预测性维护模型，比如分类模型或神经网络模型。

上述模型更新模块306可以针对所述稳定的预测性维护模型的类型不同，采取不同的更新触发条件，比如，所述模型更新模块306的一种具体结构可以包括以下各单元：

第一更新单元，用于在所述稳定的预测性维护模型为数据驱动的自对标残差模型时，在达到更新周期、或者设备工况改变、或者模型准确率下降到设定程度后，对所述稳定的预测性维护模型进行更新；

第二更新单元，用于在所述稳定的预测性维护模型为有监督的机器学习模型时，在新增的标签信息的数量达到第三设定值、或者在新增的异常数据达到设定阈值后，利用新采集的数据对所述稳定的预测性维护模型进行更新；

第三更新单元，用于在所述稳定的预测性维护模型为迁移学习模型时，在新增的数据量达到第四设定值后，利用新采集的数据对所述稳定的预测性维护模型进行更新。

当然，在实际应用中，对于数据驱动的自对标残差模型，还可以在系统机理参数发生变化后，由人工触发所述模型更新模块306重新训练模型，使模型得到更新。比如，设备部件更换、润滑油添加、控制参数设定发生改变等情况下，通过人工触发重新训练数据驱动的自对标残差模型。同理，对于有监督的机器学习模型，还可以在异常数据增加时，通过人工触发所述模型更新模块306重新训练模型。

需要说明的是，所述模型更新模块306对模型的更新过程实际上是模型的重训练过程，使用原有模型架构，在不调整输入数据种类和模型结构的前提下，使用全新的数据和标签信息对模型参数进行重新训练，或者使用原有数据和标签信息、以及新增的数据和标签信息对模型参数进行重新训练。另外，重训练过程中可能涉及到阈值的调整，以使模型更好的适应更多样的工况数据。比如，在新增少量异常数据对应的标签信息时，即可进行模型的阈值调整。具体地，可以将正常运行数据和异常数据同时作为离线测试数据进行测试，进而根据测试结果调整相应阈值，从而减少模型的误报和漏报，提高模型预测结果的准确性。

本发明实施例提供的提升预测性维护模型适应能力的装置，利用预测性维护模型对系统进行维护，并且对预测性维护模型根据系统运行的不同阶段进行适应性地调整，具体地，在系统启动初期，由于采集的数据及记录的标签信息较匮乏，因此采用数据驱动之外的其它方式建立初始预测性维护模型，随着系统的运行，采集的数据量达到一定数量后，利用所述采集的数据训练得到稳定的预测性维护模型，进而将其代替一些特定类型的初始预测性维护模型，提升预测的准确性，使系统得到更好的维护。在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新，使预测性维护模型具有更好的适应性，满足系统设备工况的各种需求。

如图4所示，是本发明实施例提升预测性维护模型适应能力的装置的另一种结构框图。

与图3所示实施例相比，在该实施例中，所述装置还包括：

模型升级模块307，用于在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级。

相应地，在该实施例中，所述系统维护模块300还用于在所述模型升级模块307对当前进行系统维护使用的预测性维护模型进行升级后，利用升级后的预测性维护模型进行系统维护。

对当前行系统维护使用的预测性维护模型进行升级可以有以下几种情况：

1)如果当前进行系统维护使用的预测性维护模型为所述数据驱动的自对标残差模型，则在新采集的数据有新种类时，在所述数据驱动的自对标残差模型的输入参数中加入所述新种类的数据进行训练，或者在记录的标签信息从无到有后，将所述数据驱动的自对标残差模型升级为有监督模型。

2)如果当前进行系统维护使用的预测性维护模型为所述有监督的机器学习模型，则在新采集的数据有新种类时，在所述有监督的机器学习模型的输入参数中加入所述新种类的数据进行训练。

为此，在该实施例中，所述数据处理模块302还可记录采集的数据的种类。

所述模型升级模块307的一种具体结构可以包括以下各单元：

第一升级单元，用于在当前进行系统维护使用的预测性维护模型为所述数据驱动的自对标残差模型时，如果新采集的数据有新种类，则在所述数据驱动的自对标残差模型的输入参数中加入所述新种类的数据进行训练；如果记录的标签信息从无到有后，则将所述数据驱动的自对标残差模型升级为有监督模型；

第二升级单元，用于在当前进行系统维护使用的预测性维护模型为所述有监督的机器学习模型，并且新采集的数据有新种类时，在所述有监督的机器学习模型的输入参数中加入所述新种类的数据进行训练。

另外，在有多种模型对系统进行预测性维护时，所述模型升级模块307还可以将这些模型升级为集成模型，利用多个模型的结果综合进行预警。集成模型为多个单独模型分别对异常进行判断，然后基于这些单独模型的结果进行综合判断得出最后的预警的模型。

本发明实施例提供的提升预测性维护模型适应能力的装置，针对预测性维护模型生命周期的每一个阶段，采取相适应的策略设计，使各阶段的预测性维护模型均能得到较佳的预测维护效果。

需要说明的是，对于上述本发明装置各实施例而言，由于各模块、单元的功能实现与相应的方法中类似，因此对所述对话生成装置各实施例描述得比较简单，相关之处可参见方法实施例的相应部分说明。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：ROM/RAM、磁碟、光盘等。

相应地，本发明实施例还提供一种用于提升预测性维护模型适应能力的方法的装置，该装置是一种电子设备，比如，可以是移动终端、计算机、平板设备、医疗设备、健身设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (14)

1.一种提升预测性维护模型适应能力的方法，其特征在于，所述方法包括：

在系统启动后实时采集系统数据，并对所述数据进行标记，记录异常数据及标签信息；

建立初始预测性维护模型，并利用所述初始预测性维护模型进行系统维护；

在采集的数据量达到第一设定值后，根据所述初始预测性维护模型的类型确定是否需要进行模型转换；

如果是，则利用所述采集的数据训练得到稳定的预测性维护模型，并将所述稳定的预测维护模型代替所述初始预测维护模型进行系统维护；

在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新，并利用更新后的预测性维护模型进行系统维护。

2.根据权利要求1所述的方法，其特征在于，所述建立初始预测性维护模型包括：

如果能够获得对应所述系统的机理参数，则建立基于机理的残差模型，并将所述基于机理的残差模型作为初始预测性维护模型；

否则，判断针对系统中不同设备的异常状况表现是否近似；

如果是，则建立集群对标模型，并将所述集群对标模型作为初始预测性维护模型；

否则，判断其它系统中是否存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型；

如果是，则通过对所述相同机型的设备的预测性维护模型进行迁移学习，得到迁移学习模型，并将所述迁移学习模型作为本系统中设备的初始预测性维护模型；

否则，建立基于规则的模型，并将所述基于规则的模型作为初始预测性维护模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述初始预测性维护模型的类型确定是否需要进行模型转换包括：

如果所述初始预测性维护模型为基于机理的残差模型、或集群对标模型、或迁移学习模型，则确定不需要进行模型转换；

如果所述初始预测性维护模型为基于规则的模型，则确定需要进行模型转换。

4.根据权利要求2所述的方法，其特征在于，所述利用所述采集的数据训练得到稳定的预测性维护模型包括：

如果记录的标签信息的数量未达到第二设定值，则利用采集的数据训练得到数据驱动的自对标残差模型，并将所述数据驱动的自对标残差模型作为稳定的预测性维护模型；

如果记录的标签信息的数量达到第二设定值，则利用所述采集的数据及所述标签信息训练得到有监督的机器学习模型，并将所述有监督的机器学习模型作为稳定的预测性维护模型。

5.根据权利要求4所述的方法，其特征在于，所述在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新包括：

如果所述稳定的预测性维护模型为数据驱动的自对标残差模型，则在达到更新周期、或者设备工况改变、或者模型准确率下降到设定程度后，对所述稳定的预测性维护模型进行更新；

如果所述稳定的预测性维护模型为有监督的机器学习模型，则在新增的标签信息的数量达到第三设定值、或者在新增的异常数据达到设定阈值后，利用新采集的数据对所述稳定的预测性维护模型进行更新；

如果所述稳定的预测性维护模型为迁移学习模型，则在新增的数据量达到第四设定值后，利用新采集的数据对所述稳定的预测性维护模型进行更新。

6.根据权利要求4或5所述的方法，其特征在于，所述方法还包括：

在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级，并利用升级后的预测性维护模型进行系统维护。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：记录采集的数据的种类；

所述在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级包括：

如果当前进行系统维护使用的预测性维护模型为所述数据驱动的自对标残差模型，则在新采集的数据有新种类时，在所述数据驱动的自对标残差模型的输入参数中加入所述新种类的数据进行训练，或者在记录的标签信息从无到有后，将所述数据驱动的自对标残差模型升级为有监督模型；

如果当前进行系统维护使用的预测性维护模型为所述有监督的机器学习模型，则在新采集的数据有新种类时，在所述有监督的机器学习模型的输入参数中加入所述新种类的数据进行训练。

8.一种提升预测性维护模型适应能力的装置，其特征在于，所述装置包括：数据采集模块、数据处理模块、初始模型建立模块、模型转换判断模块、稳定模型建立模块、模型更新模块、系统维护模块；

所述数据采集模块，用于在系统启动后实时采集系统数据；

所述数据处理模块，用于对所述数据进行标记，记录异常数据及标签信息；

所述初始模型建立模块，用于建立初始预测性维护模型；

所述系统维护模块，用于利用所述初始预测性维护模型进行系统维护；

所述模型转换判断模块，用于在所述数据采集模块采集的数据量达到第一设定值后，根据所述初始预测性维护模型的类型确定是否需要进行模型转换；如果是，则通知所述稳定模型建立模块建立稳定的预测维护模型；

所述稳定模型建立模块，用于利用所述采集的数据训练得到稳定的预测性维护模型；

相应地，所述系统维护模块，还用于将所述稳定的预测维护模型代替所述初始预测维护模型进行系统维护；

所述模型更新模块，用于在满足模型更新触发条件后，对所述稳定的预测性维护模型进行更新；

相应地，所述系统维护模块，还用于在所述模型更新模块对所述稳定的预测性维护模型进行更新后，利用更新后的预测性维护模型进行系统维护。

9.根据权利要求8所述的装置，其特征在于，所述初始模型建立模块包括：

基于机理的残差模型建立单元，用于在能够获得对应所述系统的机理参数时，建立基于机理的残差模型，并将所述基于机理的残差模型作为初始预测性维护模型；

集群对标模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对系统中不同设备的异常状况表现近似时，建立集群对标模型，并将所述集群对标模型作为初始预测性维护模型；

迁移学习模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对不同设备的异常状况表现不近似，并且其它系统中存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型时，通过对所述相同机型的设备的预测性维护模型进行迁移学习，得到迁移学习模型，并将所述迁移学习模型作为本系统中设备的初始预测性维护模型；

基于规则的模型建立单元，用于在不能获得对应所述系统的机理参数，并且针对不同设备的异常状况表现不近似，并且其它系统中不存在已训练好的、与本系统中设备属于相同机型的设备的预测性维护模型时，建立基于规则的模型，并将所述基于规则的模型作为初始预测性维护模型。

10.根据权利要求9所述的装置，其特征在于，

所述模型转换判断模块，具体用于在所述初始预测性维护模型为基于机理的残差模型、或集群对标模型、或迁移学习模型时，确定不需要进行模型转换；在所述初始预测性维护模型为基于规则的模型时，确定需要进行模型转换。

11.根据权利要求9所述的装置，其特征在于，所述稳定模型建立模块包括：

第一模型建立单元，用于在记录的标签信息的数量未达到第二设定值时，利用采集的数据对所述规则的模型进行重新训练，得到数据驱动的自对标残差模型，并将所述数据驱动的自对标残差模型作为稳定的预测性维护模型；

第二模型建立单元，用于在记录的标签信息的数量达到第二设定值时，利用所述采集的数据及所述标签信息训练得到有监督的机器学习模型，并将所述有监督的机器学习模型作为稳定的预测性维护模型。

12.根据权利要求11所述的装置，其特征在于，所述模型更新模块包括：

第一更新单元，用于在所述稳定的预测性维护模型为数据驱动的自对标残差模型时，在达到更新周期、或者设备工况改变、或者模型准确率下降到设定程度后，对所述稳定的预测性维护模型进行更新；

第二更新单元，用于在所述稳定的预测性维护模型为有监督的机器学习模型时，在新增的标签信息的数量达到第三设定值、或者在新增的异常数据达到设定阈值后，利用新采集的数据对所述稳定的预测性维护模型进行更新；

第三更新单元，用于在所述稳定的预测性维护模型为迁移学习模型时，在新增的数据量达到第四设定值后，利用新采集的数据对所述稳定的预测性维护模型进行更新。

13.根据权利要求11或12所述的装置，其特征在于，所述装置还包括：

模型升级模块，用于在满足模型升级条件后，对当前进行系统维护使用的预测性维护模型进行升级；

相应地，所述系统维护模块，还用于在所述模型升级模块对当前进行系统维护使用的预测性维护模型进行升级后，利用升级后的预测性维护模型进行系统维护。

14.根据权利要求13所述的装置，其特征在于，

所述数据处理模块，还用于记录采集的数据的种类；

所述模型升级模块包括：

第一升级单元，用于在当前进行系统维护使用的预测性维护模型为所述数据驱动的自对标残差模型时，如果新采集的数据有新种类，则在所述数据驱动的自对标残差模型的输入参数中加入所述新种类的数据进行训练；如果记录的标签信息从无到有后，则将所述数据驱动的自对标残差模型升级为有监督模型；

第二升级单元，用于在当前进行系统维护使用的预测性维护模型为所述有监督的机器学习模型，并且新采集的数据有新种类时，在所述有监督的机器学习模型的输入参数中加入所述新种类的数据进行训练。