CN111750925A - 设备老化预测系统、方法和装置 - Google Patents
设备老化预测系统、方法和装置 Download PDFInfo
- Publication number
- CN111750925A CN111750925A CN201911344355.1A CN201911344355A CN111750925A CN 111750925 A CN111750925 A CN 111750925A CN 201911344355 A CN201911344355 A CN 201911344355A CN 111750925 A CN111750925 A CN 111750925A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- real
- processor
- current
- 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.)
- Granted
Links
- 230000032683 aging Effects 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 98
- 238000012360 testing method Methods 0.000 claims description 67
- 230000035945 sensitivity Effects 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012806 monitoring device Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims 2
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 42
- 238000010586 diagram Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 8
- 239000000779 smoke Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明实施例提出一种设备老化预测系统、方法和装置,涉及检测技术领域。该设备老化预测系统包括数据获取模块和处理器,数据获取模块与处理器电连接;数据获取模块用于获取被测设备中目标器件的参考数据和实时数据,并将参考数据和实时数据传输至处理器;处理器用于依据参考数据和实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;还用于将出厂特征数据、当前特征数据、经历时间、经历工作强度数据和预设工作强度数据输入预测模型中,获得被测设备的老化预测数据。进而使得设备老化预测系统能够准确的预测出被测设备的老化程度。
Description
技术领域
本发明涉及检测技术领域,具体而言,涉及一种设备老化预测系统、方法和装置。
背景技术
目前对设备的老化程度进行预知,一般采用两种方式来进行预知,其中一种是通过人工来感知判断,另一种是采用寿命预测方法进行智能预测。采用人工来感知判断的方式,不仅对工作人员的工作经验要求高,预测结果的准确性也不够高。采用现有的寿命预测方法进行智能预测,存在着预测精度不够高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种设备老化预测系统、方法和装置,其能够准确的预测出被测设备的老化程度。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,实施例提供一种设备老化预测系统,包括数据获取模块和处理器,所述数据获取模块与所述处理器电连接;
所述数据获取模块用于获取被测设备中目标器件的参考数据和实时数据,并将所述参考数据和所述实时数据传输至所述处理器;
所述处理器用于依据所述参考数据和所述实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;
所述处理器还用于将所述出厂特征数据、所述当前特征数据、所述经历时间、所述经历工作强度数据和预设工作强度数据输入预测模型中,获得所述被测设备的老化预测数据。
第二方面,实施例提供一种设备老化预测方法,所述方法包括:
接收被测设备的参考数据和实时数据;
依据所述参考数据和所述实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;
将所述出厂特征数据、所述当前特征数据、所述经历时间、所述经历工作强度数据和预设工作强度数据输入预测模型中,获得所述被测设备的老化预测数据。
第三方面,实施例提供一种设备老化预测装置,所述装置包括:
接收模块,用于接收被测设备的参考数据和实时数据;
数据处理模块,用于依据所述参考数据和所述实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;
预测处理模块,用于将所述出厂特征数据、所述当前特征数据、所述经历时间、所述经历工作强度数据和预设工作强度数据输入预测模型中,获得所述被测设备的老化预测数据。
本发明实施例提供的设备老化预测系统、方法和装置,通过数据获取模块获取被测设备中目标器件的参考数据和实时数据,并将参考数据和实时数据传输至处理器;处理器依据参考数据和实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;处理器还将出厂特征数据、当前特征数据、经历时间和经历工作强度数据输入预测模型中,获得被测设备的老化预测数据。可见,以原始的参考数据和实时动态的实时数据为依据对被测设备的目标器件进行老化预测,能够获知被测设备从出厂至当前的特征变化,以及出厂至当前的使用情况,进而更精准的获得被测设备的老化程度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明实施例提供的一种设备老化预测系统的结构示意图;
图2示出了本发明实施例提供的预测模型的结构示意图;
图3示出了本发明实施例提供的另一种设备老化预测系统的结构示意图;
图4示出了本发明实施例提供的设备老化预测方法的流程示意图;
图5示出了本发明实施例提供的设备老化预测装置的结构示意图。
图标:100-设备老化预测系统;110-数据获取模块;120-处理器;130-存储器;140-可视化界面;150-输入接口;160-输出接口;170-设备老化预测装置;171-接收模块;172-数据处理模块;173-预测处理模块;200-被测设备;210-数据采集模块;220-目标器件;300-运用设备;310-室外监控设备;320-室内监控设备;330-评估机构使用端;340-预警处理设备。
具体实施方式
下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1,为本实施例提供的设备老化预测系统100的一种可实施的结构示意图,该设备老化预测系统100包括数据获取模块110和处理器120,数据获取模块110与处理器120电连接。
在本实施例中,数据获取模块110用于获取被测设备200中目标器件220的参考数据和实时数据,并将参考数据和实时数据传输至处理器120。可以理解,被测设备200的目标器件220处设置有数据采集模块210,数据采集模块210与数据获取模块110电连接,数据采集模块210用于实时采集被测设备200中目标器件220的实时数据,并将目标器件220的实时数据传输至数据获取模块110。
其中,参考数据用于与实时数据进行对比,参考数据可以为被测设备200中目标器件220出厂前的标准正常数据和参考特征数据,也可以是出厂后的数据,且参考数据不仅由数据采集模块210提供,还可以由用户手动输入提供。数据获取模块110可以包括扫描仪和检测数据芯片,扫描仪可以以扫描的方式获取被测设备200中目标器件220的参考数据和实时数据,检测数据芯片与数据采集模块210电连接,检测数据芯片还与处理器120通信连接,并通过识别网络的情况将获取的目标器件220的实时数据传输至处理器120;检测数据芯片可以集成在被测设备200中,也可以独立设计;当数据获取模块110为检测数据芯片时,数据获取模块110可以将实时数据实时传输至处理器120,也可以将实时数据定期传输至处理器120。目标器件220为被测设备200中易损坏和老化的硬件模块,例如,电池、电机和控制芯片等。数据采集模块210可以采用磁性传感器、温度传感器、触摸传感器、电流传感器、压力传感器、环境光传感器、加速度传感器、心率传感器、温湿度传感器、红外传感器、霍尔电流传感器、光学传感器超声波传感器、气体传感器、姿态传感器、位置传感器、图像传感器、角速度传感器、角度传感器、颜色传感器、液位传感器和烟雾传感器等。被测设备200可以为无人机和无人车等。
在本实施例中,当数据采集模块210包括磁性传感器、温度传感器、触摸传感器、电流传感器、压力传感器、环境光传感器、加速度传感器、心率传感器、温湿度传感器、红外传感器、霍尔电流传感器、光学传感器超声波传感器、气体传感器、姿态传感器、位置传感器、图像传感器、角速度传感器、角度传感器、颜色传感器、液位传感器和烟雾传感器时,参考数据可以包括温度传感器的初始精度信息和初始使用温度信息范围,触摸传感器的初始最低工作电流信息和初始最高功耗信息,电流传感器的初始最大电流信息、初始灵敏度信息、初始输出电压信息、初始精度信息和初始工作温度信息范围,压力传感器的初始工作温度信息范围和初始最大承受压力信息,环境光传感器的初始光谱灵敏度信息、初始饱和降压信息、初始上升沿时间信息和初始下降沿时间信息,加速度传感器的初始量程档位、初始灵敏度信息范围、初始输出带宽信息和初始噪声信息,心率传感器的初始精度信息,霍尔电流传感器的初始零点失调电流信息、初始零点温漂信息和初始响应时间信息,光学传感器的初始测距信息范围,超声波传感器的初始中心频率信息、初始声压信息、初始灵敏度信息和初始回波灵敏度信息,姿态传感器的初始精度信息,角度传感器的初始误差信息,烟雾传感器的初始工作温度信息范围。
实时数据可以包括实时温度信息、实时地理位置信息、实时角速度、实时加速度、实时压力信息、实时工作电流信息、实时姿态信息、实时湿度信息、使用次数以及工作时间等。实时数据还包括温度传感器的实时精度信息和实时使用温度信息范围,触摸传感器的实时最低工作电流信息和实时最高功耗信息,电流传感器的实时最大电流信息、实时灵敏度信息、实时输出电压信息、实时精度信息和实时工作温度信息范围,压力传感器的实时工作温度信息范围和实时最大承受压力信息,环境光传感器的实时光谱灵敏度信息、实时饱和降压信息、实时上升沿时间信息和实时下降沿时间信息,加速度传感器的实时量程档位、实时灵敏度信息范围、实时输出带宽信息和实时噪声信息,心率传感器的实时精度信息,霍尔电流传感器的实时零点失调电流信息、实时零点温漂信息和实时响应时间信息,光学传感器的实时测距信息范围,超声波传感器的实时中心频率信息、实时声压信息、实时灵敏度信息和实时回波灵敏度信息,姿态传感器的实时精度信息,角度传感器的实时误差信息,烟雾传感器的实时工作温度信息范围。
在本实施例中,处理器120用于依据参考数据和实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;处理器120还用于将出厂特征数据、当前特征数据、经历时间、经历工作强度数据和预设工作强度数据输入预测模型中,获得被测设备200的老化预测数据。
可以理解,处理器120用于将被测设备200出厂至当前的所有实时数据进行平均计算获得经历工作强度数据;还用于依据参考数据获得出厂特征数据;还用于依据当前的实时数据获得当前特征数据;还用于依据出厂时间和当前时间得到经历时间。
其中,经历工作强度数据包括日均工作时间、日均温度信息、日均角速度、日均加速度、日均压力信息、日均工作电流信息、日均湿度信息、日均使用次数、地理位置信息以及姿态信息;出厂特征数据包括初始工作电流信息阈值、初始输出电压阈值、初始压力信息阈值、初始温度信息阈值以及初始灵敏度信息;当前特征数据包括当前工作电流信息阈值、当前输出电压阈值、当前压力信息阈值、当前温度信息阈值以及当前灵敏度信息。老化预测数据可以为被测设备200的剩余寿命时间。
可以理解,处理器120可以将被测设备200中目标器件220出厂至当前的所有实时温度信息、每天工作时间、实时角速度、实时加速度、实时压力信息、实时工作电流信息、实时姿态信息、实时湿度信息和使用次数进行平均计算,获得日均工作时间、日均温度信息、日均角速度、日均加速度、日均压力信息、日均工作电流信息、日均湿度信息、日均使用次数以及姿态信息,处理器120还可以根据被测设备200的实时地理位置信息获得地理位置信息。处理器120还可以依据数据采集模块210包括的传感器的出厂特征信息获得被测设备200中目标器件220的出厂特征数据,其中,采集模块包括的传感器的出厂特征信息为前述的参考数据。处理器120还可以依据数据采集模块210包括的传感器的实时特征信息中的当前实时特征信息获得被测设备200中目标器件220的当前特征数据,其中,采集模块包括的传感器的实时特征信息为前述的实时数据。
在本实施例中,预设工作强度数据可以采用两种方式获得,其中一种方式为:处理器120将距当前时间预设时间内的所有历史实时数据进行平均计算,获得预设工作强度数据;即可以将被测设备200过去预设时间内的所有实时数据进行平均计算得到预设工作强度数据,若预设时间设置为一个月,处理器120则将近一个月内的所有历史实时数据进行平均计算,获得预设工作强度数据。另一种方式为:用户根据被测设备200的预计使用情况直接输入预设工作强度数据。
在本实施例中,参考数据包括的内容、实时数据包括的内容、经历工作强度数据包括的内容、出厂特征数据包括的内容、当前特征数据包括的内容以及预设工作强度数据的内容可以根据不同的被测设备200而包括不同的内容,在此并不作限制。其中,经历工作强度数据和预设工作强度数据包括的内容的种类相同,只是经历工作强度数据是指被测设备200中的目标器件220从出厂至当前的平均工作强度,预设工作强度数据是指被测设备200中的目标器件220从当前至被测设备200寿命结束的平均工作强度;出厂特征数据和当前特征数据包括的内容的种类相同,只是出厂特征数据是指被测设备200中的目标器件220出厂时的性能特征,当前特征数据是指被测设备200中目标器件220当前的性能特征。
请参照图2,为实施例提供的预测模型的一种可实施的结构示意图,该预测模型包括出厂特征处理层、当前特征处理层、隐藏层和输出层,出厂特征处理层依据出厂特征数据、经历时间和经历工作强度数据计算得到第一处理结果,当前特征处理层依据第一处理结果、当前特征数据和预设工作强度数据计算得到第二处理结果,隐藏层依据第二处理结果计算得到第三处理结果;输出层依据所述第三处理结果计算得到老化预测数据。
在本实施例中,出厂特征处理层依据以下公式计算得到第一处理结果:
a1=f(w0﹡x0+w1﹡r0+w2﹡t+b1);
其中,f表示激活函数,w0、w1和w2均表示矩阵,b1表示第一误差偏置,x0表示出厂特征数据,r0表示经历工作强度数据,t表示经历时间,a1表示第一处理结果。
在本实施例中,当前特征处理层依据以下公式计算得到第二处理结果:
a2=f(w3﹡a1+w4﹡x1+w5﹡r1+b2);
其中,w3、w4和w5均表示矩阵,b2表示第二误差偏置,x1表示当前特征数据,r1表示预设工作强度数据,a2表示第二处理结果。
在本实施例中,隐藏层采用至少一个线性整流函数对所述第二处理结果进行计算得到所述第三处理结果。可以理解,隐藏层可以为多层,一个线性整流函数就代表一层隐藏层,每层隐藏层的线性整流函数可以相同,也可以不同,可以根据实际情况进行设置,在此不作限制。若隐藏层采用两个线性整流函数,那么隐藏层对应为两层,若两个线性整流函数分别为第一线性整流函数和第二线性整流函数,两层隐藏层分别为第一隐藏层和第二隐藏层,那么第一线性整流函数对应为第一隐藏层的线性整流函数,第二线性整流函数对应为第二隐藏的线性整流函数。若第二处理结果被传输至第一隐藏层,则会以第一线性整流函数为激活函数对第二处理结果进行处理,得到处理后的第二处理结果,并将处理后的第二处理结果传输至第二隐藏层。第二隐藏层则会以第二线性整流函数为激活函数对处理后的第二处理结果进行处理,得到第三处理结果,并将第三处理结果传输至输出层。
在本实施例中,输出层采用线性回归函数对第三处理结果进行计算得到老化预测数据。
在本实施例中,预测模型可以采用神经网络来进行建模,预测模型可以在一定周期内收集新的样本进行自我学习,即以原来训练好的预测模型的矩阵w0、w1、w2、w3、w4和w5为初始的矩阵,把新的样本加入到原来的样本中训练,进而更新矩阵w0、w1、w2、w3、w4和w5,使得老化预测数据不断完善。
其中,样本可以包括样本设备从出厂到寿命结束的每一天的实时数据以及参考数据,样本设备与被测设备200为同一类型的产品。对预测模型进行训练时,会随机选取样本设备从出厂至寿命结束期间的某一个时刻为当前时间,依据出厂时间和当前时间获得样本设备的经历时间,并依据出厂时间至当前时间之间产生的实时数据进行平均计算获得样本设备的经历工作强度数据,依据当前时间至寿命结束时间之间产生的实时数据进行平均计算获得样本设备的预设工作强度数据,依据当前时间的实时数据获得样本设备的当前特征数据,依据参考数据获得样本设备的出厂特征数据。将样本设备的出厂特征数据、当前特征数据、经历工作强度数据、预设工作强度数据和经历时间输入至模型中进行训练获得训练好的预测模型。然后将被测设备200的出厂特征数据、当前特征数据、经历工作强度数据、预设工作强度数据和经历时间输入至训练好的预测模型中,预测得到被测设备200的老化预测数据。
请参照图3,为本实施例提供的设备老化预测系统100的另一种可实施的结构示意图,图3所示的设备老化预测系统100在图1所示的设备老化预测系统100的基础上还包括存储器130、可视化界面140、输入接口150和输出接口160,数据获取模块110通过输入接口150与处理器120和存储器130电连接,处理器120通过输出接口160与运用设备300通信连接,处理器120与存储器130电连接,可视化界面140与处理器120电连接。
其中,存储器130用于存储程序或者数据,其中数据可以是参考数据、实时数据、出厂特征数据、当前特征数据、经历时间、经历工作强度数据、老化预测数据和日志信息,程序可以是预测模型或分布式运算处理程序。存储器130可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。
处理器120用于读/写存储器130中存储的数据或程序,并执行相应地功能。例如,当存储器130中存储的计算机程序被处理器120执行时,实现本发明实施例所揭示的设备老化预测方法。
可视化界面140用于响应用户操作输入被测设备200的参考数据和预设工作强度数据。可视化界面140可以是触摸显示屏以及具有交互功能的显示屏等。
运用设备300用于依据处理器120传输的老化预测数据进行相应的操作。当运用设备300为室外监控设备310时,室外监控设备310通过输出接口160与处理器120通信连接,室外监控设备310用于依据处理器120传输的老化预测数据确定是否发出提示信息;即室外监控设备310可以将老化预测数据与预设剩余寿命时间进行比较,若老化预测数据小于预设剩余寿命时间,则发出提示信息并展示老化预测数据,以便提醒用户,让用户可以第一时间了解被测设备200中目标器件220的实际情况,避免被测设备200中目标器件220老旧带来的危险;若老化预测数据不小于预设剩余寿命时间,则不发出提示信息;其中,提示信息可以为灯光提示信息或声音提示信息,室外监控设备310可以为手机、智能手表、遥控器以及平板电脑等。
当运用设备300为室内监控设备320时,室内监控设备320通过输出接口160与处理器120通信连接,室内监控设备320用于将处理器120传输的老化预测数据进行展示,并依据老化预测数据对被测设备200的使用进行监控。即室内监控设备320可以依据老化预测数据对被测设备200的目标器件220的使用情况进行监管,且室内监控设备320还可以接收并展示处理器120发送的日志信息。室内监控设备320可以根据老化预测数据和日志信息可以判断被测设备200是否在保修期限内、被测设备200是否需要维护和更换,同时工作人员也可以根据显示的老化预测数据和日志信息人为判断被测设备200是否在保修期限内、被测设备200是否需要维护和更换。其中,室内监控设备320可以为台式计算机以及后端监控平台等。
当运用设备300为评估机构使用端330时,评估机构使用端330通过输出接口160与处理器120通信连接,评估机构使用端330用于依据处理器120传输的老化预测数据进行风险评估和价值评估。即评估机构使用端330依据老化预测数据评价被测设备200的老化程度,使得保险公司或银行可以将老化预测数据作为风险评估、价值评估和服务的依据。其中,评估机构可以为保险公司以及银行等,评估机构使用端330则可以为安装有相应的评估软件的计算机和平板电脑等。
当运用设备300为被测设备200时,被测设备200还通过输出接口160与处理器120电连接,被测设备200还用于依据处理器120传输的老化预测数据进行预警操作。即被测设备200依据老化预测数据进行智能巡检,检测被测设备200中的目标器件220的剩余寿命是否在安全范围内,若不在安全范围内,则作出提前预警或相应的智能操作。例如,若被测设备200处于工作状态,当被测设备200根据老化预测数据确定剩余寿命不在安全范围内,会停止工作,并发出异常提示信息,以告知工作人员被测设备200自身存在目标器件220老化的情况。进而提前避免了目标器件220因老化导致事故的危害,并更精准的循环利用被测设备200,让被测设备200使用更环保节能。
当运用设备300为预警处理设备340时,预警处理设备340通过输出接口160与处理器120通信连接,预警处理设备340还与被测设备200通信连接,预警处理设备340用于依据处理器120传输的老化预测数据产生控制信号,并将控制信号发送至被测设备200,被测设备200依据控制信号进行预警操作。可以理解,预警处理设备340对被测设备200进行智能自我巡检,检测被测设备200中的目标器件220的剩余寿命是否在安全范围内,若不在安全范围内,则向被测设备200发送控制信号,使得被测设备200根据控制信号作出提前预警或相应的智能操作。例如,若被测设备200处于工作状态,当预警处理设备340根据老化预测数据确定剩余寿命不在安全范围内,会向被测设备200发送控制信号,被测设备200接收到控制信号后会停止工作,并发出异常提示信息,以告知工作人员被测设备200自身存在目标器件220老化的情况。进而提前避免了目标器件220因老化导致事故的危害,并更精准的循环利用被测设备200,让被测设备200使用更环保节能。
其中,当被测设备200无智能巡检功能时,即被测设备200不能直接依据老化预测数据进行预警操作时,需通过预警处理设备340来实现被测设备200的预警操作。当被测设备200具有智能巡检功能时,即被测设备200能够直接依据老化预测数据进行预警操作时,被测设备200不需要通过预警处理设备340,通过自身就能实现预警操作。
应当理解的是,图1和图3所示的结构仅为设备老化预测系统100的结构示意图,所述设备老化预测系统100还可包括比图1和图3中所示更多或者更少的组件,或者具有与图1和图3所示不同的配置。图1和图3中所示的各组件可以采用硬件、软件或其组合实现。
请参考图4,为本发明实施例提供的设备老化预测方法的一种流程示意图。需要说明的是,本发明实施例提供的设备老化预测方法并不以图4以及以下的具体顺序为限制,应当理解,在其他实施例中,本发明实施例提供的设备老化预测方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该设备老化预测方法可以应用在图1和图3所示的处理器120中,下面将对图4所示的具体流程进行详细阐述。
步骤S101,接收被测设备的参考数据和实时数据。
在本实施例中,当数据采集模块210包括磁性传感器、温度传感器、触摸传感器、电流传感器、压力传感器、环境光传感器、加速度传感器、心率传感器、温湿度传感器、红外传感器、霍尔电流传感器、光学传感器超声波传感器、气体传感器、姿态传感器、位置传感器、图像传感器、角速度传感器、角度传感器、颜色传感器、液位传感器和烟雾传感器时,参考数据可以包括温度传感器的初始精度信息和初始使用温度信息范围,触摸传感器的初始最低工作电流信息和初始最高功耗信息,电流传感器的初始最大电流信息、初始灵敏度信息、初始输出电压信息、初始精度信息和初始工作温度信息范围,压力传感器的初始工作温度信息范围和初始最大承受压力信息,环境光传感器的初始光谱灵敏度信息、初始饱和降压信息、初始上升沿时间信息和初始下降沿时间信息,加速度传感器的初始量程档位、初始灵敏度信息范围、初始输出带宽信息和初始噪声信息,心率传感器的初始精度信息,霍尔电流传感器的初始零点失调电流信息、初始零点温漂信息和初始响应时间信息,光学传感器的初始测距信息范围,超声波传感器的初始中心频率信息、初始声压信息、初始灵敏度信息和初始回波灵敏度信息,姿态传感器的初始精度信息,角度传感器的初始误差信息,烟雾传感器的初始工作温度信息范围。
实时数据可以包括实时温度信息、实时地理位置信息、实时角速度、实时加速度、实时压力信息、实时工作电流信息、实时姿态信息、实时湿度信息、使用次数以及工作时间等。实时数据还包括温度传感器的实时精度信息和实时使用温度信息范围,触摸传感器的实时最低工作电流信息和实时最高功耗信息,电流传感器的实时最大电流信息、实时灵敏度信息、实时输出电压信息、实时精度信息和实时工作温度信息范围,压力传感器的实时工作温度信息范围和实时最大承受压力信息,环境光传感器的实时光谱灵敏度信息、实时饱和降压信息、实时上升沿时间信息和实时下降沿时间信息,加速度传感器的实时量程档位、实时灵敏度信息范围、实时输出带宽信息和实时噪声信息,心率传感器的实时精度信息,霍尔电流传感器的实时零点失调电流信息、实时零点温漂信息和实时响应时间信息,光学传感器的实时测距信息范围,超声波传感器的实时中心频率信息、实时声压信息、实时灵敏度信息和实时回波灵敏度信息,姿态传感器的实时精度信息,角度传感器的实时误差信息,烟雾传感器的实时工作温度信息范围。
步骤S102,依据参考数据和实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据。
在本实施例中,经历工作强度数据包括日均工作时间、日均温度信息、日均角速度、日均加速度、日均压力信息、日均工作电流信息、日均湿度信息、日均使用次数、地理位置信息以及姿态信息;出厂特征数据包括初始工作电流信息阈值、初始输出电压阈值、初始压力信息阈值、初始温度信息阈值以及初始灵敏度信息;当前特征数据包括当前工作电流信息阈值、当前输出电压阈值、当前压力信息阈值、当前温度信息阈值以及当前灵敏度信息。
在本实施例中,预设工作强度数据可以采用两种方式获得,其中一种方式为:处理器120将距当前时间预设时间内的所有历史实时数据进行平均计算,获得预设工作强度数据;即可以将被测设备200过去预设时间内的所有实时数据进行平均计算得到预设工作强度数据,若预设时间设置为一个月,处理器120则将近一个月内的所有历史实时数据进行平均计算,获得预设工作强度数据。另一种方式为:用户根据被测设备200的预计使用情况直接输入预设工作强度数据。
步骤S103,将出厂特征数据、当前特征数据、经历时间、经历工作强度数据和预设工作强度数据输入预测模型中,获得被测设备的老化预测数据。
在本实施例中,预测模型包括出厂特征处理层、当前特征处理层、隐藏层和输出层,出厂特征处理层依据出厂特征数据、经历时间和经历工作强度数据计算得到第一处理结果,当前特征处理层依据第一处理结果、当前特征数据和预设工作强度数据计算得到第二处理结果,隐藏层依据第二处理结果计算得到第三处理结果;输出层依据所述第三处理结果计算得到老化预测数据。老化预测数据可以为被测设备200的剩余寿命时间。
在本实施例中,出厂特征处理层依据以下公式计算得到第一处理结果:
a1=f(w0﹡x0+w1﹡r0+w2﹡t+b1);
其中,f表示激活函数,w0、w1和w2均表示矩阵,b1表示第一误差偏置,x0表示出厂特征数据,r0表示经历工作强度数据,t表示经历时间,a1表示第一处理结果。
在本实施例中,当前特征处理层依据以下公式计算得到第二处理结果:
a2=f(w3﹡a1+w4﹡x1+w5﹡r1+b2);
其中,w3、w4和w5均表示矩阵,b2表示第二误差偏置,x1表示当前特征数据,r1表示预设工作强度数据,a2表示第二处理结果。
在本实施例中,隐藏层采用至少一个线性整流函数对所述第二处理结果进行计算得到所述第三处理结果。可以理解,隐藏层可以为多层,一个线性整流函数就代表一层隐藏层,每层隐藏层的线性整流函数可以相同,也可以不同,可以根据实际情况进行设置,在此不作限制。若隐藏层采用两个线性整流函数,那么隐藏层对应为两层,若两个线性整流函数分别为第一线性整流函数和第二线性整流函数,两层隐藏层分别为第一隐藏层和第二隐藏层,那么第一线性整流函数对应为第一隐藏层的线性整流函数,第二线性整流函数对应为第二隐藏的线性整流函数。若第二处理结果被传输至第一隐藏层,则会以第一线性整流函数为激活函数对第二处理结果进行处理,得到处理后的第二处理结果,并将处理后的第二处理结果传输至第二隐藏层。第二隐藏层则会以第二线性整流函数为激活函数对处理后的第二处理结果进行处理,得到第三处理结果,并将第三处理结果传输至输出层。
在本实施例中,输出层采用线性回归函数对第三处理结果进行计算得到老化预测数据。
可以理解,步骤S101、步骤S102和步骤S103的内容可被处理器120执行。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种设备老化预测装置170的实现方式,可选地,该设备老化预测装置170可以采用上述图1和图3所示的处理器120的器件结构。进一步地,请参阅图5,图5为本发明实施例提供的一种设备老化预测装置170的功能模块图。需要说明的是,本实施例所提供的设备老化预测装置170,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该设备老化预测装置170包括:接收模块171、数据处理模块172和预测处理模块173。
接收模块171用于接收被测设备200的参考数据和实时数据。
可以理解,接收模块171可执行上述步骤S101的内容。
数据处理模块172用于依据参考数据和实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据。
可以理解,数据处理模块172可执行上述步骤S102的内容。
预测处理模块173用于将出厂特征数据、当前特征数据、经历时间、经历工作强度数据和预设工作强度数据输入预测模型中,获得被测设备200的老化预测数据。
可以理解,预测处理模块173可执行上述步骤S103的内容。
可选地,上述模块可以软件或固件(Firmware)的形式存储于图3所示的存储器130中或固化于该设备老化预测系统100的操作系统(Operating System,OS)中,并可由图1和图3中的处理器120执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器130中。
综上所述,本实施例提供的一种设备老化预测系统、方法和装置,通过数据获取模块获取被测设备中目标器件的参考数据和实时数据,并将参考数据和实时数据传输至处理器;处理器依据参考数据和实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;处理器还将出厂特征数据、当前特征数据、经历时间和经历工作强度数据输入预测模型中,获得被测设备的老化预测数据。可见,以原始的参考数据和实时动态的实时数据为依据对被测设备的目标器件进行老化预测,能够获知被测设备从出厂至当前的特征变化,以及出厂至当前的使用情况,进而更精准的获得被测设备的老化程度。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,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方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (17)
1.一种设备老化预测系统,其特征在于,包括数据获取模块和处理器,所述数据获取模块与所述处理器电连接;
所述数据获取模块用于获取被测设备中目标器件的参考数据和实时数据,并将所述参考数据和所述实时数据传输至所述处理器;
所述处理器用于依据所述参考数据和所述实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;
所述处理器还用于将所述出厂特征数据、所述当前特征数据、所述经历时间、所述经历工作强度数据和预设工作强度数据输入预测模型中,获得所述被测设备的老化预测数据。
2.根据权利要求1所述的设备老化预测系统,其特征在于,所述预测模型包括出厂特征处理层、当前特征处理层、隐藏层和输出层,所述出厂特征处理层依据所述出厂特征数据、所述经历时间和所述经历工作强度数据计算得到第一处理结果,所述当前特征处理层依据所述第一处理结果、所述当前特征数据和所述预设工作强度数据计算得到第二处理结果,所述隐藏层依据所述第二处理结果计算得到第三处理结果;所述输出层依据所述第三处理结果计算得到所述老化预测数据。
3.根据权利要求2所述的设备老化预测系统,其特征在于,所述出厂特征处理层依据以下公式计算得到所述第一处理结果;
a1=f(w0﹡x0+w1﹡r0+w2﹡t+b1);
其中,f表示激活函数,w0、w1和w2均表示矩阵,b1表示第一误差偏置,x0表示所述出厂特征数据,r0表示所述经历工作强度数据,t表示所述经历时间,a1表示所述第一处理结果。
4.根据权利要求2所述的设备老化预测系统,其特征在于,所述当前特征处理层依据以下公式计算得到所述第二处理结果;
a2=f(w3﹡a1+w4﹡x1+w5﹡r1+b2);
其中,f表示激活函数,w3、w4和w5均表示矩阵,b2表示第二误差偏置,a1表示所述第一处理结果,x1表示所述当前特征数据,r1表示所述预设工作强度数据,a2表示所述第二处理结果。
5.根据权利要求2所述的设备老化预测系统,其特征在于,所述隐藏层采用至少一个线性整流函数对所述第二处理结果进行计算得到所述第三处理结果。
6.根据权利要求2所述的设备老化预测系统,其特征在于,所述输出层采用线性回归函数对所述第三处理结果进行计算得到所述老化预测数据。
7.根据权利要求1所述的设备老化预测系统,其特征在于,所述处理器还用于将所述被测设备出厂至当前的所有所述实时数据进行平均计算获得所述经历工作强度数据;还用于依据所述参考数据获得所述出厂特征数据;还用于依据当前的所述实时数据获得所述当前特征数据;还用于依据出厂时间和当前时间得到所述经历时间。
8.根据权利要求7所述的设备老化预测系统,其特征在于,所述经历工作强度数据包括日均工作时间、日均温度信息、日均角速度、日均加速度、日均压力信息、日均工作电流信息、日均湿度信息、日均使用次数、地理位置信息以及姿态信息;所述出厂特征数据包括初始工作电流信息阈值、初始输出电压阈值、初始压力信息阈值、初始温度信息阈值以及初始灵敏度信息;所述当前特征数据包括当前工作电流信息阈值、当前输出电压阈值、当前压力信息阈值、当前温度信息阈值以及当前灵敏度信息。
9.根据权利要求1所述的设备老化预测系统,其特征在于,所述处理器还与运用设备通信连接;
所述处理器用于将所述老化预测数据传输至所述运用设备,以使所述运用设备依据所述老化预测数据进行相应的操作。
10.根据权利要求9所述的设备老化预测系统,其特征在于,当所述运用设备为室外监控设备时,所述室外监控设备与所述处理器通信连接;
所述处理器用于将所述老化预测数据传输至所述室外监控设备,以使所述室外监控设备依据所述老化预测数据确定是否发出提示信息。
11.根据权利要求9所述的设备老化预测系统,其特征在于,当所述运用设备为室内监控设备时,所述室内监控设备与所述处理器通信连接;
所述处理器用于将所述老化预测数据传输至所述室内监控设备,以使所述室内监控设备将所述老化预测数据进行展示,并依据所述老化预测数据对所述被测设备的使用进行监控。
12.根据权利要求9所述的设备老化预测系统,其特征在于,当所述运用设备为评估机构使用端时,所述评估机构使用端与所述处理器通信连接;
所述处理器用于将所述老化预测数据传输至所述评估机构使用端,以使所述评估机构使用端依据所述老化预测数据进行风险评估和价值评估。
13.根据权利要求9所述的设备老化预测系统,其特征在于,当所述运用设备为所述被测设备时,所述被测设备与所述处理器通信连接;
所述处理器用于将所述老化预测数据传输至所述被测设备,以使所述被测设备依据所述老化预测数据进行预警操作。
14.根据权利要求9所述的设备老化预测系统,其特征在于,当所述运用设备为预警处理设备时,所述预警处理设备与所述处理器和所述被测设备均通信连接;
所述处理器用于将所述老化预测数据传输至所述预警处理设备,以使所述预警处理设备依据所述老化预测数据产生控制信号,并将所述控制信号发送所述被测设备,所述被测设备依据所述控制信号进行预警操作。
15.根据权利要求1所述的设备老化预测系统,其特征在于,所述数据获取模块用于将所述实时数据实时传输至所述处理器,或将所述实时数据定期传输至所述处理器。
16.一种设备老化预测方法,其特征在于,所述方法包括:
接收被测设备的参考数据和实时数据;
依据所述参考数据和所述实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;
将所述出厂特征数据、所述当前特征数据、所述经历时间、所述经历工作强度数据和预设工作强度数据输入预测模型中,获得所述被测设备的老化预测数据。
17.一种设备老化预测装置,其特征在于,所述装置包括:
接收模块,用于接收被测设备的参考数据和实时数据;
数据处理模块,用于依据所述参考数据和所述实时数据获得出厂特征数据、当前特征数据、经历时间和经历工作强度数据;
预测处理模块,用于将所述出厂特征数据、所述当前特征数据、所述经历时间、所述经历工作强度数据和预设工作强度数据输入预测模型中,获得所述被测设备的老化预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344355.1A CN111750925B (zh) | 2019-12-24 | 2019-12-24 | 设备老化预测系统、方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911344355.1A CN111750925B (zh) | 2019-12-24 | 2019-12-24 | 设备老化预测系统、方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111750925A true CN111750925A (zh) | 2020-10-09 |
CN111750925B CN111750925B (zh) | 2022-11-08 |
Family
ID=72672922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911344355.1A Active CN111750925B (zh) | 2019-12-24 | 2019-12-24 | 设备老化预测系统、方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111750925B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651210A (zh) * | 2020-12-29 | 2021-04-13 | 海光信息技术股份有限公司 | 芯片老化性能建模方法、装置、设备及存储介质 |
CN115308517A (zh) * | 2022-10-10 | 2022-11-08 | 杭州三海电子有限公司 | 一种元器件的老化检测方法、系统、存储介质和设备 |
CN116167200A (zh) * | 2022-12-05 | 2023-05-26 | 上海蓝箭电控设备南通有限公司 | 一种配电柜使用年限检测方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技(深圳)有限公司 | 一种基于历史数据的预测方法及装置 |
CN109002924A (zh) * | 2018-07-23 | 2018-12-14 | 山东鲁能软件技术有限公司 | 一种配网故障抢修预测分析系统及方法 |
CN109408386A (zh) * | 2018-10-18 | 2019-03-01 | 中国电子科技集团公司第二十八研究所 | 一种软件老化流式监测系统及其监测方法 |
CN109756263A (zh) * | 2018-12-20 | 2019-05-14 | 新华三大数据技术有限公司 | 光纤老化预测方法及装置 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
CN110491107A (zh) * | 2019-08-19 | 2019-11-22 | 华能四川水电有限公司 | 一种六氟化硫压力劣化预测方法、系统、存储介质及设备 |
-
2019
- 2019-12-24 CN CN201911344355.1A patent/CN111750925B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909990A (zh) * | 2017-03-01 | 2017-06-30 | 腾讯科技(深圳)有限公司 | 一种基于历史数据的预测方法及装置 |
CN109002924A (zh) * | 2018-07-23 | 2018-12-14 | 山东鲁能软件技术有限公司 | 一种配网故障抢修预测分析系统及方法 |
CN109408386A (zh) * | 2018-10-18 | 2019-03-01 | 中国电子科技集团公司第二十八研究所 | 一种软件老化流式监测系统及其监测方法 |
CN109756263A (zh) * | 2018-12-20 | 2019-05-14 | 新华三大数据技术有限公司 | 光纤老化预测方法及装置 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN110119339A (zh) * | 2019-05-07 | 2019-08-13 | 上海电气集团股份有限公司 | 工业设备的健康状态的评估方法、系统、设备和存储介质 |
CN110491107A (zh) * | 2019-08-19 | 2019-11-22 | 华能四川水电有限公司 | 一种六氟化硫压力劣化预测方法、系统、存储介质及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651210A (zh) * | 2020-12-29 | 2021-04-13 | 海光信息技术股份有限公司 | 芯片老化性能建模方法、装置、设备及存储介质 |
CN112651210B (zh) * | 2020-12-29 | 2023-04-25 | 海光信息技术股份有限公司 | 芯片老化性能建模方法、装置、设备及存储介质 |
CN115308517A (zh) * | 2022-10-10 | 2022-11-08 | 杭州三海电子有限公司 | 一种元器件的老化检测方法、系统、存储介质和设备 |
CN116167200A (zh) * | 2022-12-05 | 2023-05-26 | 上海蓝箭电控设备南通有限公司 | 一种配电柜使用年限检测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111750925B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111750925B (zh) | 设备老化预测系统、方法和装置 | |
US10670572B2 (en) | Wireless exposure monitor | |
US12008483B2 (en) | System to monitor and process water-related data | |
US9870690B2 (en) | Methods and systems for a universal wireless platform for asset monitoring | |
RU2571160C2 (ru) | Система и способ управления газовыми датчиками | |
US11378485B2 (en) | Structural monitoring system | |
CN108051547A (zh) | 一种具有实时预警功能的空气质量监控系统 | |
WO2012021177A1 (en) | System and method to assess and report the health of a tire | |
US20210065086A1 (en) | System and method for failure curve analytics | |
CN106249707B (zh) | 信息收集系统以及信息收集方法 | |
EP2860987B1 (en) | Methods and systems for dynamic workflow prioritization and tasking | |
EP3495905A2 (en) | Operational improvement effect calculation device, operational improvement effect calculation method and recording medium | |
CN105989243A (zh) | 基于工作环境实时信息大数据的职业病危害风险评估方法 | |
KR101452388B1 (ko) | 교량 감시 시스템 | |
US11810053B2 (en) | Methods and systems for detecting delivery trip events and improving delivery driver safety | |
US20190373426A1 (en) | Method and apparatus for hyper-local testing and personalized analysis of chemical compositions and environmental conditions | |
CN108267170B (zh) | 一种环境监测方法和装置 | |
US20240020785A1 (en) | Worksite safety systems, apparatuses, devices and methods | |
US20190278236A1 (en) | System and method for remote non-intrusive monitoring of assets and entities | |
US20170183016A1 (en) | Early warning system for locomotive bearings failures | |
WO2023115208A1 (en) | Workplace risk assessment method and system | |
CN113610344B (zh) | 一种污染预警方法、装置、电子设备及存储介质 | |
KR20190078924A (ko) | 예지보전지표를 활용한 지게차 유지보수시점 예측 시스템 및 방법 | |
CN106094688B (zh) | 一种湿度传感器控制系统 | |
KR20160026492A (ko) | 시계열 분석 기반의 신뢰 구간 추정을 이용한 이상 감지 방법 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: XAG Co., Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |