CN111984513A - 一种预测性维护方法、装置、设备以及存储介质 - Google Patents

一种预测性维护方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN111984513A
CN111984513A CN202010865222.5A CN202010865222A CN111984513A CN 111984513 A CN111984513 A CN 111984513A CN 202010865222 A CN202010865222 A CN 202010865222A CN 111984513 A CN111984513 A CN 111984513A
Authority
CN
China
Prior art keywords
equipment
maintenance
health value
predictive maintenance
index
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.)
Pending
Application number
CN202010865222.5A
Other languages
English (en)
Inventor
谭龙兴
张海强
郑晓彬
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.)
Zhejiang Tianzhui Technology Co ltd
Original Assignee
Zhejiang Tianzhui Technology Co ltd
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 Zhejiang Tianzhui Technology Co ltd filed Critical Zhejiang Tianzhui Technology Co ltd
Priority to CN202010865222.5A priority Critical patent/CN111984513A/zh
Publication of CN111984513A publication Critical patent/CN111984513A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G06F11/3419—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment by assessing time
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请的提出一种预测性维护方法、装置、设备及存储介质。该方法包括获取目标设备在预设时刻之前的第一预设时长内的运行数据。其中，上述预设时刻不晚于当前时刻。将上述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值。其中，上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态。基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护。其中，上述预测性维护指标用于指示进行预测性维护的必要性。

Description

一种预测性维护方法、装置、设备以及存储介质
技术领域
本申请涉及计算机技术，具体涉及一种预测性维护方法、装置、设备以及存储介质。
背景技术
预测性维护，是指在设备运行时，根据设备的历史运行数据预测设备未来的运行状态，并基于预测的运行状态，为该设备制定维护计划。
在预测性维护中，通常分为硬性故障预测性维护，与非硬性故障预测性维护。其中，硬性故障是导致设备不能继续工作，影响设备正常功能的一类故障。而非硬性故障是类似设备功率衰减，振动增大等可以立即停机也可以继续运行的故障。
目前，在非硬性故障预测性维护中主要通过经验丰富的专家主观进行判断是否需要停机维护。而主观判断对人有依赖性，存在解释性不强、经验难以传承，误判率高，效率较低的问题。
发明内容
有鉴于此，本申请公开一种预测性维护方法，包括：
获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，上述预设时刻不晚于当前时刻；
将上述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护；其中，上述预测性维护指标用于指示进行预测性维护的必要性。
本申请公开一种预测性维护装置，包括：
获取模块，获取目标设备在第一预设时长内的运行数据；
预测模块，将上述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
查询模块，基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护；其中，上述预测性维护指标用于指示进行预测性维护的必要性。
本申请公开一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，上述处理器通过运行上述可执行指令以实现：
获取目标设备在第一预设时长内的运行数据；
将上述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护；其中，上述预测性维护指标用于指示进行预测性维护的必要性。
本申请公开一种计算机可读存储介质，上述存储介质存储有计算机程序，上述计算机程序用于执行：
获取目标设备在第一预设时长内的运行数据；
将上述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护；其中，上述预测性维护指标用于指示进行预测性维护的必要性。
由上述方案可知，一方面，由于上述系统通过健康值预测模型，预测目标设备在未来目标时刻的健康值，并根据预先维护的健康值与预测性维护指标之间的对应关系，确定与该健康值对应的预测性维护指标，从而在进行预测性维护过程中实现辅助作业，使用户可以根据上述预测性维护指标确定对目标设备进行预测性维护的必要性，并相应的进行预测性维护，从而避免用户基于经验进行预测性维护，提升预测性效率以及准确率。
另一方面，由于上述预测性维护指标可以用于指示设备进行预测性维护的必要性，属于可解释性指标，因此可以提升预测性维护可解释性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请一个或多个实施例或相关技术中的技术方案，下面将对实施例或相关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申请一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请示出的一种预测性维护方法的方法流程图；
图2为本申请示出的一种预测性维护系统的架构示意图；
图3为本申请示出的一种维护健康值与预测性维护指标之间的对应关系方法的方法流程图；
图4为本申请示出的一种维护健康值与预测性维护指标之间的对应关系方法的方法流程图；
图5为本申请示出的一种健康值预测模型的结构示意图；
图6为本申请示出的一种健康值预测模型的结构示意图；
图7为本申请示出的一种预测性维护装置的结构示意图；
图8为本申请示出的一种预测性维护设备的硬件结构图。
具体实施方式
下面将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的设备和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在可以包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。还应当理解，本文中所使用的词语“如果”，取决于语境，可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请旨在提出一种预测性维护方法。该方法通过健康值预测模型，预测目标设备在未来目标时刻的预测健康值，并根据预先维护的健康值与预测性维护指标之间的对应关系，确定与该健康值对应的预测性维护指标，从而在进行预测性维护过程中实现辅助作业，使用户可以根据上述预测性维护指标确定对目标设备进行预测性维护的必要性，并相应的进行预测性维护，从而避免用户基于经验进行预测性维护，提升预测性维护可解释性，效率以及准确率。
请参见图1，图1为本申请示出的一种预测性维护方法的方法流程图。
如图1所示，上述方法可以包括：
S102，获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，上述预设时刻不晚于当前时刻；
S104，将上述运行数据输入预先构建的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
S106，基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护；其中，上述预测性维护指标用于指示进行预测性维护的必要性。
上述预测性维护方法可以应用于预测性维护系统。其中。预测性维护系统可以是软件系统，并搭载于终端设备或服务端设备中。上述终端设备或服务端设备可以基于搭载的硬件环境为运行该系统提供算力。需要说明的是，本申请不多终端设备或服务端设备的类型进行限定。
请参见图2，图2为本申请示出的一种预测性维护系统的架构示意图。
如图2所示，上述预测性维护系统可以包括健康值预测模型以及健康值与预测性维护指标对应关系模型。其中，上述健康值预测模型的输入为上述系统在S102中获取的运行数据。上述健康值预测模型的输出为预测健康值。上述预测健康值为上述健康值与预测性维护指标对应关系模型的输入。上述健康值与预测性维护指标对应关系模型的输出为与上述预测健康值对应的预测性维护指标。以下以执行主体为预测性维护系统(以下简称“系统”)为例进行实施例说明。
上述运行数据，具体获取目标设备在不晚于当前时刻的某一预设时刻之前的第一预设时长内的运行数据。即上述目标设备在不晚于当前时刻的某一预设时刻之前的第一预设时长内运行时的各项指标数据。
上述预设时刻，具体是可以根据实际业务情形进行限定的不晚于当前时刻的时刻。即上述预设时刻可以是当前时刻，或早于当前时刻的某一时刻。
在实际应用中，在获取上述运行数据时，通常是获取上述目标设备搭载的各类传感器所监控的数据。
例如，上述目标设备通常将搭载气体流量传感器，温度传感器，压力传感器等，此时在获取上述运行数据时，可以获取上述流量传感器，温度传感器，压力传感器在上述第一预设时长内上传的运行数据。
上述第一预设时长，具体是可以根据实际业务进行设定的参数，在此不作特别限定。
上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态。也即，上述预测健康值是指设备在未来某一时刻的运行状态。由于上述预测健康值可以指示设备在未来某一时刻的运行状态，因此，根据该预测健康值确定的预测性维护指标可以指示设备未来某一时刻进行预测性维护的必要性。
上述健康值预测模型，具体用于基于设备运行数据，预测设备在经过第二预设时长之后对应的预测健康值。
上述健康值预测模型可以是基于若干标注了真值的训练样本进行训练得到的神经网络模型。
上述训练样本可以包括一定时长的设备历史运行数据。
在实际应用中，在构建训练样本前，可以先指定预设时刻以及第一预设时长的大小。在确定上述预设时刻以及上述第一预设时长大小后，可以从统计的设备历史运行数据中，获取上述预设时刻之前上述第一预设时长内的设备运行数据，并基于获取的设备运行数据，构建训练样本。
上述真值，可以是设备从上述训练样本包括的运行数据中的最晚时刻开始，经过上述第二预设时长之后的健康值。其中，上述第二预设时长可以根据实际业务情形进行设定。
例如，与真值对应的训练样本包括7月1日至7月7日的设备运行数据。上述第二预设时长的大小可以是7天。此时，上述真值可以是7月7日(上述训练样本包括的运行数据中的最晚时刻)开始，经过7天(第二预设时长)之后的健康值。
在得到若干标注了真值的训练样本后，可以基于上述若干标注了真值的训练样本对上述健康值预测模型进行训练，直至该模型收敛。
当该模型收敛后，则可以进行健康值预测。
在一些实施例中，为了提升健康值预测准确性，上述神经网络模型可以是长短期记忆网络或基于注意力机制的循环神经网络或长短期记忆网络。
在一些实施例中，上述健康值预测模型也可以是基于非神经网络构建的模型。例如，上述健康值预测模型也可以是线性模型；提升决策树模型。
上述健康值与预测性维护指标之间的对应关系，可以用于指示设备运行状态与该设备需要进行预测性维护的必要性之间的对应关系。
其中，上述健康值，具体为在已知设备运行数据时，对，用于指示设备运行状态的量化指标。通过设备健康值可以解释设备的运行状态。在确定设备健康值时，上述系统可以根据设备在某一时刻的运营数据，确定设备在该时刻时的健康值。
在实际应用中，上述系统可以通过搭建健康值映射模型，基于设备在某一时刻的历史运营数据，确定上述设备在该时刻的设备健康值。
例如，上述健康值映射模型可以是通过已知的传感器数据确定设备健康值的映射模型。在确定设备健康值时，上述系统可以先获取设备搭载的各类传感器在某一时刻的运行数据，然后上述系统可以对上述各类传感器数据进行归一化后求平均值，得到该时刻对应设备健康值。
上述预测性维护指标，具体为用于指示设备进行预测性维护的必要性的量化指标。通过预测性维护指标，可以解释设备需要进行预测性维护的必要性。
在实际应用中，可以通过构建多种预测维护指标来从不同维度衡量设备进行预测性维护的必要性。例如，上述预测维护指标可以包括设备维护概率，和/或，设备剩余寿命。其中，上述设备维护概率指示设备在某一健康值时可能需要进行维护的概率。上述设备剩余寿命指示设备在某一健康值时可能距离下一次维护的剩余时长。
在维护上述对应关系时，上述系统可以对设备历史数据进行分析，得到设备在不同时刻时的健康值，以及设备在上述不同时刻时，对应的预测性维护必要性指标的大小，从而维护健康值与预测性维护指标之间的对应关系。
需要说明的是，上述对应关系可以是预先维护好的，在每次进行预测性维护时，获取该对应关系即可。在一些实施例中，为了确保上述对应关系是最新数据，上述对应关系也可以是在每次进行预测性维护时进行维护。
上述设备历史数据，具体是指统计的与设备运营状态相关的数据。通过该历史数据，可以获知与设备运营相关的数据。
在实际应用中，上述设备历史数据可以包括设备历史维护数据以及设备历史运行数据。
其中，通过上述设备历史维护数据，上述系统可以获知在历史运行过程中的维护记录。其中，上述维护记录可以包括与设备维护相关的数据。例如，与维护相关的数据可以包括设备维护时间点、维护类型等数据。在一些实施例中，上述与维护相关的数据还可以包括指示维修严重程度的数据。
通过上述设备历史运行数据，上述系统可以获知在历史运行过程中，设备在不同运行时间点时的运行状态数据。其中，上述运行状态数据可以包括设备在上述运行时间点时的各类传感器数据。
需要说明的是，在本申请中，在维护健康值与预测性维护指标之间的对应关系时，可以根据一个或多个设备对应的历史数据进行维护，本申请中不限定设备数量。其中，上述多个设备也可以是同种设备或不同种类的设备。在进行预测性维护时，上述系统可以先执行S102，获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，上述预设时刻不晚于当前时刻。
在实际应用中，上述系统可以获取上述目标设备搭载的各传感器在上述第一预设时长内上传的运行数据。
在获取上述运行数据之后，上述系统可以继续执行S104，将上述运行数据输入预先构建的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值。
在实际应用中，上述系统可以先根据历史数据构建若干训练样本训练该健康值预测模型。在得到收敛的健康值预测模型后，上述系统可以获取目标设备当前的运行数据，并将目标设备当前运行数据输入至上述健康值预测模型，该目标设备在经过第二预设时长之后对应的预测健康值。
在得到上述目标预测健康值之后，上述系统可以继续执行S106，基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护预测健康值。
在实际应用中，上述系统可以基于上述目标健康值，在上述预先维护的健康值与预测性维护指标之间的对应关系中，确定是否与上述预测健康值匹配的健康值。若查询到，则将与上述预测健康值匹配的健康值所对应盖的预测性维护指标，确定为与上述预测健康值对应的预测性维护指标。在得到与预测性维护指标后，上述系统可以将该指标输出至用户，以使用户可以基于该指标，制定预测性维护计划。
由上述方案可知，一方面，由于上述系统通过健康值预测模型，预测目标设备在未来目标时刻的健康值，并根据预先维护的健康值与预测性维护指标之间的对应关系，确定与该健康值对应的预测性维护指标，从而在进行预测性维护过程中实现辅助作业，使用户可以根据上述预测性维护指标确定对目标设备进行预测性维护的必要性，并相应的进行预测性维护，从而避免用户基于经验进行预测性维护，提升预测性效率以及准确率。
另一方面，由于上述预测性维护指标可以用于指示设备进行预测性维护的必要性，属于可解释性指标，因此可以提升预测性维护可解释性。
在一些实施例中，为了提升预测性维护准确性，可以提供更准确的设备运行状态变化趋势。
在实际应用中，在将目标设备的运行数据输入健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值时，上述系统可以将目标设备的运行数据输入健康值预测模型，得到该目标设备在经过多个预设时长之后分别对应的预测健康值。
在得到该目标设备在经过多个预设时长之后分别对应的预测健康值后，上述系统可以将基于预先维护的健康值与预测性维护指标之间的对应关系，查询与多个上述预测健康值分别对应的预测性维护指标。
在本实施例中，由于上述系统可以将目标设备的运行数据输入健康值预测模型，在经过多个预设时长之后分别对应的预测健康值，并根据得到的多个预测健康值得到各预测健康值对应的预测性维护指标，从而可以向用户提供更准确的设备运行状态变化趋势，以及可解释的设备预测维护必要性指标，进一步提升预测性维护准确性。
在一些实施例中，为了提升预测性维护准确性，可以将设备在某一健康值时可能需要进行维护的概率(设备维护概率)作为预测性维护指标之一。
请参见图3，图3为本申请示出的一种维护健康值与预测性维护指标之间的对应关系方法的方法流程图。
如图3所示，在实际应用中，在根据统计的设备历史数据，维护健康值与预测性维护指标之间的对应关系时，上述系统可以先执行S302，根据统计的设备历史维护数据以及设备历史运行数据，确定在进行各次设备维护时，设备分别对应的维护健康值。
其中，上述维护健康值包括设备在维护时对应的健康值。
在此步骤中，上述系统可以从设备历史维护数据中，获取设备的各次维护记录。然后，上述系统可以根据各次维护记录中记录的维护时间点，在上述设备历史运行数据中查询该设备在各维护时间点对应的运行数据。在获取到运行数据后，上述系统可以根据预先搭载的健康值映射模型，基于上述运行数据，确定在进行各次设备维护时，设备分别对应的维护健康值。
在确定上述维护健康值后，上述系统可以执行S304，将上述维护健康值中的各健康值分别确定为第一健康值，并确定设备的设备健康值为上述第一健康值时，上述设备对应的设备维护概率。
在此步骤中，上述系统可以先确定上述历史维护数据中，记录的进行过设备维护的总次数。
然后，上述系统可以将上一步中确定的上述维护健康值中的各健康值分别确定为第一健康值，并执行以下步骤：
确定上述维护健康值中，大于上述第一健康值的数量，并将上述数量除以上述总次数，得到设备的设备健康值为上述第一健康值时，对应的上述设备维护概率。
需要说明的是，上述确定设备被维护过的总次数的步骤也可以在每次确定设备维护概率之前执行，在此不作特别限定。
在确定设备的设备健康值为上述第一健康值时，上述设备对应的设备维护概率之后，上述系统可以执行S306，存储上述设备健康值与上述设备维护概率之间的对应关系。
在此步骤中，上述系统可以维护一张对应关系表，用于维护设备健康值与上述设备维护概率之间的对应关系。
由于上述方案将设备维护概率作为预测性维护指标之一，因此可以从设备在某一健康值时可能的维修概率这一维度向用户提供设备进行预测行为维护必要性的相关提示，便于用户做出准确的预测性维护计划，提升预测性维护准确性。
在一些实施例中，在确定设备维护概率时，上述系统在执行完S302中确定在进行各次设备维护时，设备分别对应的维护健康值的步骤后后，可以对维护的设备健康值进行分箱处理。
例如，上述系统可以先设置箱体大小，然后根据箱体大小将确定的维护健康值分为若干箱。此时，每个箱子可以对应一个或多个分箱健康值。其中，上述分箱健康值可以是箱子包括的所有健康值的均值。或者，上述分箱健康值可以是箱子包括的最大或最小健康值对应的值。或者，上述分箱健康值可以是根据箱体大小设置的值。比如，当箱体大小为5时，第一个箱子对应的分箱健康值为5，第二个箱子对应的分箱健康值为10，第三个箱子对应的分箱健康值为15，以此类推。
在分箱结束后，上述系统可以执行S304。在执行S304时，上述系统可以确定上述历史维护数据中，记录的进行过设备维护的总次数。
然后，上述系统可以将上一步中分好的各个箱子对应的分箱健康值分别确定为第四健康值，并执行以下步骤：
确定上述维护健康值中，大于上述第三健康值的数量，并将上述数量除以上述总次数，得到设备的设备健康值为上述第三健康值时，对应的上述设备维护概率。
在上述方案中，由于对确定的维护健康值先进行了分箱操作，然后再根据各箱子对应的分箱健康值，确定设备的维护概率，从而可以减少运算量。
在一些实施例中，上述设备历史维护数据中维护了每次设备维护对应的严重程度，为了更准确的确定设备维护概率，从而便于用户作出判断，在执行上述S304中得到设备维护概率的步骤之后，上述系统可以根据上述历史维护数据，确定设备的设备健康值为上述第一健康值时进行的设备维护所对应的严重程度。
将得到的上述设备维护概率，乘以与上述严重程度对应的权重系数，得到最终设备维护概率。
上述严重程度，可以指示设备在进行维护时对应的损坏程度。也即，严重程度可以从一定维度表示设备处于某一健康值时需要进行维护的必要性。
例如，在预测性维护(尤其是非硬性故障维护)中，在每次维护时需要考虑生产安排。如果在需要进行预测性维护时，立即进行预测性维护，则可以认为此次维护对应的严重程度较低。如果在需要进行预测性维护时，设备由于生产安排继续运行了一段时间才进行维护，则可以认为此次维护对应的严重程度较高。
在上述方案中，在确定设备维护概率时，结合了严重程度这一指标，确定出了更准确的设备维护概率，从而便于用户作出判断，提升预测性维护准确性。
在一些实施例中，为了确定出更准确的设备维护概率，从而便于用户作出判断，提升预测性维护准确性，在执行S302时，上述系统可以根据上述历史维护数据，确定与各次设备维护分别对应的设备维护时间点。
在确定与各次设备维护分别对应的设备维护时间点之后，上述系统可以将上述各设备维护时间点分别确定为第一时间点，并将第一时间点之前预设时长内设备的平均健康值，确定为与上述第一时间点对应的该次设备维护时的维护健康值。
上述预设时长，可以是根据实际经验设置的时长。例如，3天或7天。
在确定上述维护健康值后，上述系统可以执行S304，确定设备维护概率。
由于在确定与设备维护对应的维护健康值时，是将设备维护时间点之前预设时长内设备的平均健康值，确定为与上述第一时间点对应的该次设备维护时的维护健康值，因此，上述系统可以根据设备维护之前预设时长内的健康值确定维护概率，更贴合实际情形(实际情形中，通常是提前做预测性维护规划，即根据实际维护发生前一段时长内设备的健康值做预测性维护规划)，确定出更准确的设备维护概率，从而便于用户作出判断，提升预测性维护准确性。
在一些实施例中，为了提升预测性维护准确性，可以将设备剩余寿命作为预测性维护指标之一。其中，上述设备剩余寿命指示设备在某一健康值时可能距离下一次维护的剩余时长。
请参见图4，图4为本申请示出的一种维护健康值与预测性维护指标之间的对应关系方法的方法流程图。
如图4所示，在实际应用中，在根据统计的设备历史数据，维护健康值与预测性维护指标之间的对应关系时，上述系统可以执行S402，根据上述设备历史运行数据，确定上述设备在运行过程中各运行时间点对应的运行健康值。
其中，上述运行健康值指示设备在运行时对应的健康值。
在此步骤中，上述系统可以从设备历史运行数据中，获取记录的设备在运行过程中的各运行时间点，以及各运行时间点对应的运行数据。然后，上述系统可以基于预先搭载的健康值映射模型，确定上述设备在运行过程中各运行时间点对应的运行健康值。
在确定上述设备在运行过程中各运行时间点对应的运行健康值之后，上述系统可以执行S404，将上述运行健康值中的各健康值分别确定为第二健康值，确定设备的设备健康值为上述第二健康值时，上述设备对应的设备剩余寿命。
在此步骤中，上述系统可以根据上述设备历史维护数据，确定与各次设备维护分别对应的设备维护时间点。
然后，上述系统可以将上一步中确定的上述运行健康值中的各健康值分别确定为第二健康值，并执行以下步骤：
根据上述第二健康值对应的运行时间点，确定上述各设备维护时间点中，在该运行时间点之后且距离该运行时间点最近的目标维护时间点。
在确定上述目标维护时间点之后，上述系统可以根据上述目标维护时间点以及该运行时间点，确定设备的设备健康值为上述第二健康值时，上述设备对应的设备剩余寿命。
需要说明的是，上述确定与各次设备维护分别对应的设备维护时间点的步骤也可以在每次确定目标维护时间点之前执行，在此不作特别限定。
在确定设备的设备健康值为上述第二健康值时，上述设备对应的设备剩余寿命之后，上述系统可以执行S406，存储上述设备健康值与上述设备剩余寿命之间的对应关系。
在此步骤中，上述系统可以维护一张对应关系表，用于维护设备健康值与上述设备剩余寿命之间的对应关系。
在一些实施例中，在维护上述对应关系的过程中，可以对上述对应关系进行平滑处理，保证设备健康值的数值较小时对应的设备剩余寿命也较小，从而使维护的对应关系更贴合实际，提升预测性维护准确性。
由于上述方案将设备剩余寿命作为预测性维护指标之一，因此可以从设备在某一健康值时对应的剩余寿命这一维度向用户提供设备进行预测行为维护必要性的相关提示，便于用户做出准确的预测性维护计划，提升预测性维护准确性。
在一些实施例中，在确定设备剩余寿命时，上述系统在执行完S402中确定出上述设备在运行过程中各运行时间点对应的运行健康值的步骤后，对运行健康值进行分箱处理。
例如，上述系统可以先设置箱体大小，然后根据箱体大小将确定的维护健康值分为若干箱。此时，每个箱子可以对应一个或多个分箱健康值。其中，上述分箱健康值可以是箱子包括的所有健康值的均值。或者，上述分箱健康值可以是箱子包括的最大或最小健康值对应的值。或者，上述分箱健康值可以是根据箱体大小设置的值。比如，当箱体大小为1时，第一个箱子对应的分箱健康值为1，第二个箱子对应的分箱健康值为2，第三个箱子对应的分箱健康值为3，以此类推。
在分箱结束后，上述系统可以执行S404。在执行S404时，上述系统可以根据上述设备历史维护数据，确定与各次设备维护分别对应的设备维护时间点。
然后，上述系统可以将上一步中分好的各个箱子对应的分箱健康值分别确定为第四健康值，并执行以下步骤：
根据上述第四健康值对应的运行时间点，确定上述各设备维护时间点中，在该运行时间点之后且距离该运行时间点最近的目标维护时间点。
在确定上述目标维护时间点之后，上述系统可以根据上述目标维护时间点以及该运行时间点，确定设备的设备健康值为上述第四健康值时，上述设备对应的设备剩余寿命。
在上述方案中，由于对确定的运行健康值先进行了分箱操作，然后再根据各箱子对应的分箱健康值，确定设备剩余寿命，从而可以减少运算量。
在一些实施例中，可以确定在不同运行周期内，设备对应不同分箱健康值时，对应的设备剩余寿命。
确定在不同运行周期内，设备对应不同分箱健康值时，对应的设备剩余寿命后，可以将不同运行周期内的确定结果进行聚合得到分箱健康值与设备剩余寿命之间的映射关系。
在进行结果聚合时，上述系统可以将设备在不同运行周期内相同分箱健康值对应的设备剩余寿命进行聚合，得到对应的裕度区间与置信度。
例如，设备1在运行周期A、B、C、D、E内健康值为50时分别对应的设备剩余寿命为10天、9天、11天、8天、12天。对上述结果进行聚合后，可以得到设备1在健康值为50时对应的设备寿命在裕度区间(10±1)天内的置信度是60％。设备1在健康值为50时对应的设备寿命在裕度区间(10±2)天内的置信度是100％。需要说明的是，针对同一结果确定的裕度区间与置信度之间为对应关系，不同的裕度区间对应的置信度可能不同。裕度区间的大小可以根据实际情形进行设定，在此不作特别限定。
由于上述方案在确定设备健康值与设备剩余寿命之间的对应关系时，先根据不同运行周期确定设备健康值与设备剩余寿命之间的对应关系，再对不同运行周期内的结果进行聚合，因此可以防止某个周期的结果对综合结果影响过大，提升预测性维护准确性。
在一些实施例中，上述设备历史维护数据中维护了每次设备维护对应的严重程度，为了更准确的确定设备维护概率，从而便于用户作出判断，在执行上述S404中得到设备剩余寿命的步骤之后，上述系统可以根据上述历史维护数据，确定设备的设备健康值为上述第二健康值时进行的设备维护所对应的严重程度。
将得到的上述设备剩余寿命，乘以与上述严重程度对应的权重系数，得到最终设备剩余寿命。
上述严重程度，可以指示设备在进行维护时对应的损坏程度。也即，严重程度可以从一定维度表示设备处于某一健康值时需要进行维护的必要性。例如，在预测性维护(尤其是非硬性故障维护)中，在每次维护时需要考虑生产安排。如果在需要进行预测性维护时，立即进行预测性维护，则可以认为此次维护对应的严重程度较低。如果在需要进行预测性维护时，设备由于生产安排继续运行了一段时间才进行维护，则可以认为此次维护对应的严重程度较高。
在上述方案中，在确定设备剩余寿命时，结合了严重程度这一指标，确定出了更准确的设备剩余寿命，从而便于用户作出判断，提升预测性维护准确性。
在一些实施例中，上述系统可以直接向用户输出预测性维护计划，从而在预测性维护计划制定过程中，实现自动化制定，解放用户工作量，提升预测性维护计划制定效率。
在实际应用中，上述系统在执行上述S106得到与上述预测健康值对应的预测性维护指标后，可以根据内部维护的预测性维护计划策略表，查询与上述预测性维护指标对应的预测性维护计划，并输出至用户。
在一些实施例中，上述预测性维护指标为区间性指标；其中，上述区间性指标对应有置信度。因此一方面，在确定预测性维护计划时，上述系统可以基于上述区间性指标，以及上述区间性指标对应的置信度，确定上述目标设备对应的预测性维护计划，从而确定更准确的预测性维护计划，提升预测性维护准确性。
另一方面，上述系统可以输出上述区间性指标，以及上述区间性指标对应的置信度，以使用户基于上述预测性维护指标，对上述目标设备进行预测性维护，从而便于用于基于置信度以及区间性指标进行预测性维护计划制定，提升预测性维护准确性。
接下来介绍本申请对健康值预测模型的神经网络结构，训练过程，以及通过该预测模型预测健康值进行介绍。
在一些实施例中，上述健康值预测模型可以是基于若干标注了真值的训练样本进行训练得到的神经网络模型。例如，上述神经网络模型为卷积神经网络。
在一些实施例中，为了提升模型感受野，进而提升模型预测精准度。上述卷积神经网络可以包括若干空洞卷积层。通过将上述预测模型搭载多个空洞卷积层可以拓宽该预测模型的感受野，从而提升模型预测精准度。
在一些实施例中，采用逐渐增加感受野的方案，从而使该预测模型在获取信息时可以采用递进的方式学习到更多的有益信息，从而提升模型预测精准度。
在实际应用中，上述预测模型搭载的多个空洞卷积层中的至少部分空洞卷积层满足以下特征：
下一空洞卷积层对应的空洞率大于上一空洞卷积层对应的空洞率，或，
下一空洞卷积层对应的空洞率为上一空洞卷积层对应的空洞率的两倍。
由于上述空洞卷积层包括空洞率由低到高的多个空洞卷积层，因此，可以采用递进的方式学习到更多的有益信息，从而提升模型预测精准度。
在此需要说明的是，空洞卷积层的层数可以根据实际业务需求进行设定，在此不作特别限定。
请参见图5，图5为本申请示出的一种健康值预测模型的结构示意图。
如图5所示，上述健康值预测模型可以包括7个卷积核大小为2，卷积核个数为64的空洞卷积层。其中，第一层空洞卷积层的空洞率为1，并且下一空洞卷积层对应的空洞率为上一空洞卷积层对应的空洞率的两倍。在最后一个空洞卷积层之后，该健康值预测模型还包括一个卷积核为1，卷积核个数为1的正常卷积层，以及全连接层。
需要说明的是，图5示出的健康值预测模型仅为示例性的，在实际应用中，上述健康值预测模型包括的空洞卷积层数，各层的空洞率、卷积核大小、数量，全连接层包括的隐藏单元数量可以根据实际情况进行设定，在此不作特别限定。
在上述方案中，由于上述健康值预测模型包括若干层空洞卷积层，并且以空洞率逐层扩大的方式进行连接，因此，使该预测模型在获取信息时可以采用递进的方式学习到更多的有益信息，逐渐增加感受野的方案，从而提升模型预测精准度。
在一些实施例中，为了提升健康值预测模型获取信息的广度，从而提升预测准确性，采用了门控单元技术。
在实际应用中，健康值预测模型包括的若干空洞卷积层包括的至少部分空洞卷积层后连接了门控单元；其中，上述门控单元包括分别与上述部分空洞卷积层连接的tanh激活层以及sigmoid激活层。
请参见图6，图6为本申请示出的一种健康值预测模型的结构示意图。
如图6所示，空洞卷积层分别与tanh激活层和sigmoid激活层连接。上述tanh激活层和sigmoid激活层共同连接于全连接层。
具体地，空洞卷积层的输出被拆分为两个相同的张量，输入上述tanh激活层和sigmoid激活层进行相关运算。上述tanh激活层和sigmoid激活层的输出进行乘积运算之后输入上述全连接层进行计算。上述全连接层的计算结果可以分为相同两份，其一用于与上述空洞卷积层之前的输入相加左后下一层的输入；其二用于输入健康值预测模型包括的最后一层全连接层，与其它相同类型的输出进行计算，得到预测结果。
在上述方案中，由于健康值预测模型包括的若干空洞卷积层包括的至少部分空洞卷积层后连接了门控单元；其中，上述门控单元包括分别与上述部分空洞卷积层连接的tanh激活层以及sigmoid激活层，因此，可以横向获取更多的信息，提升健康值预测模型获取信息的广度，从而提升预测准确性。
在一些实施例中，为了提升健康值预测准确性，上述神经网络模型可以是RNN循环神经网络、LSTM长短期记忆网络或基于注意力机制的RNN网络或LSTM网络。
以下介绍训练上述预测模型的的步骤。
训练模型的步骤可以分为特征样本构建、搭建模型、模型训练三个环节。以下分别针对上述三个环节进行介绍。
样本构建：
在样本构建中，可以先指定预设时刻以及第一预设时长的大小。在确定上述预设时刻以及上述第一预设时长大小后，可以从统计的设备历史运行数据中，获取上述预设时刻之前上述第一预设时长内的设备运行数据，并基于获取的设备运行数据，构建训练样本。在训练样板构建完毕后，可以为该训练样板标注真值。可以理解的是，在构建样本时可以采用诸如one-hot编码方式构建向量。在本申请中不对构建样本的具体方式和标注真值的方式进行坦白限定。
其中，上述样本可以包括按照时间顺序排序后的设备运行数据。
上述真值，可以是设备从上述训练样本包括的运行数据中的最晚时刻开始，经过上述第二预设时长之后的健康值。其中，上述第二预设时长可以根据实际业务情形进行设定。
例如，与真值对应的训练样本包括7月1日至7月7日的设备运行数据。上述第二预设时长的大小可以是7天。此时，上述真值可以是7月7日(上述训练样本包括的运行数据中的最晚时刻)开始，经过7天(第二预设时长)之后的健康值。需要说明的是，上述第一预设时长可以是根据构建的健康值预测模型的感受野进行设定的，在此不作限定。
在一些实施例中，为了剔除由于异常样本数量过多导致的模型预测不精准问题，在构建样本时可以进行异常数据检测。其中，上述异常样本是指偏离正常运行数据范围过大的样本。例如，设备正常运行数据范围为50加减5，则异常样本为小于45，或大于55的数据。
在实际应用中，可以从历史运营数据中获取预设数量(例如，50)的设备运营数据。然后，可以根据获取的数据计算均值和方差。在计算均值和方差后，根据由均值加减若干倍(例如，3倍)方差构成的标注区间来进行异常数据的剔除。
在上述方案中，由于在构建样本时进行了异常数据检测，并将异常数据进行剔除，从而减少了异常数据数量，增加了模型预测准确性。
在一些实施例中，在构建训练样本时，可以在每一时刻的运行数据的基础上，增加该时刻之前一段时长(例如，3天)内的平均健康值，或中位数健康值等信息。
在上述方案中，由于提升了样本输入的信息纬度，从而使预测模型学习了更多的信息，提升了预测准确性。
在一些实施例中，上述健康值预测模型可以预测多个目标时刻的预测健康值。此时，在构建样本时可以标注多个真值，在此不作详述。
搭建模型：
在选择模型时，可以选择上述任意实施例示出的模型结构。具体地，可以选择包括空洞卷积层，以及门控单元的卷积神经网络(即图5和图6示出的卷积神经网络)。
在确定模型后，在一些实施例中，可以选择经过预训练的上述卷积神经网络进行训练。在一些实施例中，也可以先指定上述卷积神经网络的网络参数(例如网络层数，空洞率等)，重新开始训练。
在模型搭建好后，可以进入模型训练过程。
具体的在进行模型训练时，可以采用诸如个人计算机等计算设备(设备具体类型在此不作限定。在一些实施例中，上述计算设备可以搭载专业AI人工智能芯片(例如，GPU等)。
通过GPU参与模型训练，可以提升模型训练的效率。
在进行模型训练前，可以先确定用于评估模型训练结果与真值之间误差的损失函数。在确定损失函数后，可以预设学习率以及训练轮数等超参数。
在各类超参数设定完毕后，可以将构建的训练样本输入构建好的预测模型中进行训练，得到训练结果。
在得到训练结果后，可以基于该训练样本对应的真值，以及确定的损失函数，确定改次训练得到的误差(上述误差可以是通过包括预测模型网络参数的损失函数表示)。
在得到上述误差后，可以对该误差确定网络参数下降的梯度，并根据反向传播调整上述预测模型的网络参数。
重复上述步骤，直至模型收敛，得到预测模型。
需要说明的是，上述训练过程采用了反向传播，梯度下降等通用模型训练方法，在实际应用中，也可以使用其它方法进行模型训练，在此不作特别限定。
在模型训练完毕后，即可使用该健康值预测模型进行健康值预测。
与上述任一实施例相对应的，本申请还提出一种预测性维护装置。请参见图7，图7为本申请示出的一种预测性维护装置的结构示意图。
如图7所示，上述装置700包括：
获取模块710，获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，上述预设时刻不晚于当前时刻；
预测模块720，将上述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，上述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
查询模块730，基于预先维护的健康值与预测性维护指标之间的对应关系，查询与上述预测健康值对应的预测性维护指标，以基于上述预测性维护指标，对上述目标设备进行预测性维护；其中，上述预测性维护指标用于指示进行预测性维护的必要性。
在一些实施例中，上述预测模块720，包括：
将上述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过多个预设时长之后分别对应的预测健康值；
上述查询模块，包括：
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与多个上述预测健康值分别对应的预测性维护指标。
在一些实施例中，上述装置700还包括：
维护模块，根据统计的设备历史数据，维护设备健康值与预测性维护指标之间的对应关系。
在一些实施例中，上述设备历史数据包括设备历史维护数据以及设备历史运行数据；上述预测性维护指标包括设备维护概率；
上述维护模块，包括：
维护健康值确定模块，根据统计的设备历史维护数据以及设备历史运行数据，确定在进行各次设备维护时，设备分别对应的维护健康值；
设备维护概率确定模块，将上述维护健康值中的各健康值分别确定为第一健康值，并确定设备的设备健康值为上述第一健康值时，上述设备对应的设备维护概率；
第一存储模块，存储上述设备健康值与上述设备维护概率之间的对应关系。
在一些实施例中，上述设备维护概率确定模块，包括：
确定上述历史维护数据中，记录的进行过设备维护的总次数；
确定上述维护健康值中，大于上述第一健康值的数量，并将上述数量除以上述总次数，得到设备的设备健康值为上述第一健康值时，对应的上述设备维护概率。
在一些实施例中，上述维护健康值确定模块，包括：
根据上述历史维护数据，确定与各次设备维护分别对应的设备维护时间点；
将上述各设备维护时间点分别确定为第一时间点，并将第一时间点之前预设时长内设备的平均健康值，确定为与上述第一时间点对应的该次设备维护时的维护健康值。
在一些实施例中，上述设备历史维护数据中维护了每次设备维护对应的严重程度；上述装置还包括：
严重程度确定模块，根据上述历史维护数据，确定设备的设备健康值为上述第一健康值时进行的设备维护所对应的严重程度；
最终设备维护概率确定模块，将得到的上述设备维护概率，乘以与上述严重程度对应的权重系数，得到最终设备维护概率。
在一些实施例中，上述指示预测性维护指标还包括设备剩余寿命；其中，上述设备剩余寿命指示设备距离下一次维修剩余的时长；
上述维护模块，包括：
运行健康值确定模块，根据上述设备历史运行数据，确定上述设备在运行过程中各运行时间点对应的运行健康值；
设备剩余寿命确定模块，将上述运行健康值中的各健康值分别确定为第二健康值，确定设备的设备健康值为上述第二健康值时，上述设备对应的设备剩余寿命；
第二存储模块，存储上述设备健康值与上述设备剩余寿命之间的对应关系。
在一些实施例中，上述设备剩余寿命确定模块，包括：
根据上述设备历史维护数据，确定与各次设备维护分别对应的设备维护时间点；
根据上述第二健康值对应的运行时间点，确定上述各设备维护时间点中，在该运行时间点之后且距离该运行时间点最近的目标维护时间点；
根据上述目标维护时间点以及该运行时间点，确定设备的设备健康值为上述第二健康值时，上述设备对应的设备剩余寿命。
在一些实施例中，上述预测性维护指标为区间性指标；其中，上述区间性指标对应有置信度；
上述装置700还包括：
第一输出模块，输出上述区间性指标，以及上述区间性指标对应的置信度，以使用户基于上述预测性维护指标，对上述目标设备进行预测性维护。
在一些实施例中，上述装置700还包括：
查询模块，根据内部维护的预测性维护计划策略表，查询与上述预测性维护指标对应的预测性维护计划；
第二输出模块，输出上述预测性维护计划。
在一些实施例中，上述健康值预测模型为基于神经网络构建的模型。
在一些实施例中，上述神经网络为卷积神经网络；其中，上述卷积神经网络包括若干空洞卷积层。
在一些实施例中，上述若干空洞卷积层中，下一空洞卷积层对应的空洞率大于上一空洞卷积层对应的空洞率，或，
下一空洞卷积层对应的空洞率为上一空洞卷积层对应的空洞率的两倍。
在一些实施例中，上述若干空洞卷积层中的至少部分空洞卷积层后连接了门控单元；其中，上述门控单元包括分别与上述部分空洞卷积层连接的tanh激活层以及sigmoid激活层。
在一些实施例中，上述神经网络以下中的任一：
线性模型；提升决策树模型、循环神经网络；卷积神经网络；长短期记忆网络；基于注意力机制的循环神经网络或长短期记忆网络。
在一些实施例中，采用GPU加速卷积神经网络的计算。
本申请示出的预测性维护装置的实施例可以应用于电子设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图8所示，为本申请示出的一种预测性维护设备的硬件结构图，除了图8所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该电子设备的实际功能，还可以包括其他硬件，对此不再赘述。
请参考图8所示的一种设备，上述设备可以包括：处理器。
用于存储处理器可执行指令的存储器。
其中，上述处理器通过运行上述可执行指令以实现中任一实施例示出的预测性维护方法。
本申请提出一种计算机可读存储介质，上述存储介质存储有计算机程序，上述计算机程序用于执行上述任一实施例示出的预测性维护方法。
本领域技术人员应明白，本申请一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本申请一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(可以包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请中的“和/或”表示至少具有两者中的其中一个，例如，“A和/或B”可以包括三种方案：A、B、以及“A和B”。
本申请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。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的行为或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本申请中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、可以包括本申请中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本申请中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本申请中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。上述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机可以包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件可以包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将可以包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质可以包括所有形式的非易失性存储器、媒介和存储器设备，例如可以包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本申请包含许多具体实施细节，但是这些不应被解释为限制任何公开的范围或所要求保护的范围，而是主要用于描述特定公开的具体实施例的特征。本申请内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上上述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上上述仅为本申请一个或多个实施例的较佳实施例而已，并不用以限制本申请一个或多个实施例，凡在本申请一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请一个或多个实施例保护的范围之内。

Claims (20)

1.一种预测性维护方法，包括：
获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，所述预设时刻不晚于当前时刻；
将所述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，所述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与所述预测健康值对应的预测性维护指标，以基于所述预测性维护指标，对所述目标设备进行预测性维护；其中，所述预测性维护指标用于指示进行预测性维护的必要性。
2.根据权利要求1所述的方法，所述将所述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值，包括：
将所述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过多个预设时长之后分别对应的预测健康值；
所述基于预先维护的健康值与预测性维护指标之间的对应关系，查询与所述预测健康值对应的预测性维护指标，包括：
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与多个所述预测健康值分别对应的预测性维护指标。
3.根据权利要求1或2所述的方法，维护健康值与预测性维护指标之间的对应关系的方法包括：
根据统计的设备历史数据，维护设备健康值与预测性维护指标之间的对应关系。
4.根据权利要求3所述的方法，所述设备历史数据包括设备历史维护数据以及设备历史运行数据；所述预测性维护指标包括设备维护概率；
所述根据统计的设备历史数据，维护设备健康值与预测性维护指标之间的对应关系，包括：
根据统计的设备历史维护数据以及设备历史运行数据，确定在进行各次设备维护时，设备分别对应的维护健康值；
将所述维护健康值中的各健康值分别确定为第一健康值，并确定设备的设备健康值为所述第一健康值时，所述设备对应的设备维护概率；
存储所述设备健康值与所述设备维护概率之间的对应关系。
5.根据权利要求4所述的方法，所述确定设备的设备健康值为所述第一健康值时，所述设备对应的设备维护概率，包括：
确定所述历史维护数据中，记录的进行过设备维护的总次数；
确定所述维护健康值中，大于所述第一健康值的数量，并将所述数量除以所述总次数，得到设备的设备健康值为所述第一健康值时，对应的所述设备维护概率。
6.根据权利要求5所述的方法，所述根据统计的设备历史维护数据以及设备历史运行数据，确定在进行各次设备维护时，设备分别对应的维护健康值，包括：
根据所述历史维护数据，确定与各次设备维护分别对应的设备维护时间点；
将所述各设备维护时间点分别确定为第一时间点，并将第一时间点之前预设时长内设备的平均健康值，确定为与所述第一时间点对应的该次设备维护时的维护健康值。
7.根据权利要求6所述的方法，所述设备历史维护数据中维护了每次设备维护对应的严重程度；
在所述设备维护概率之后，所述方法还包括：
根据所述历史维护数据，确定设备的设备健康值为所述第一健康值时进行的设备维护所对应的严重程度；
将得到的所述设备维护概率，乘以与所述严重程度对应的权重系数，得到最终设备维护概率。
8.根据权利要求4所述的方法，所述指示预测性维护指标还包括设备剩余寿命；其中，所述设备剩余寿命指示设备距离下一次维修剩余的时长；
所述根据统计的设备历史数据，维护设备健康值与预测性维护指标之间的对应关系，包括：
根据所述设备历史运行数据，确定所述设备在运行过程中各运行时间点对应的运行健康值；
将所述运行健康值中的各健康值分别确定为第二健康值，确定设备的设备健康值为所述第二健康值时，所述设备对应的设备剩余寿命；
存储所述设备健康值与所述设备剩余寿命之间的对应关系。
9.根据权利要求8所述的方法，所述确定设备的设备健康值为所述第二健康值时，所述设备对应的设备剩余寿命，包括：
根据所述设备历史维护数据，确定与各次设备维护分别对应的设备维护时间点；
根据所述第二健康值对应的运行时间点，确定所述各设备维护时间点中，在该运行时间点之后且距离该运行时间点最近的目标维护时间点；
根据所述目标维护时间点以及该运行时间点，确定设备的设备健康值为所述第二健康值时，所述设备对应的设备剩余寿命。
10.根据权利要求1或2任一所述的方法，所述预测性维护指标为区间性指标；其中，所述区间性指标对应有置信度；
所述方法还包括：
输出所述区间性指标，以及所述区间性指标对应的置信度，以使用户基于所述预测性维护指标，对所述目标设备进行预测性维护。
11.根据权利要求1或2任一所述的方法，所述方法还包括：
根据内部维护的预测性维护计划策略表，查询与所述预测性维护指标对应的预测性维护计划；
输出所述预测性维护计划。
12.根据权利要求1或2所述的方法，所述健康值预测模型为基于神经网络构建的模型。
13.根据权利要求12所述的方法，所述神经网络为卷积神经网络；其中，所述卷积神经网络包括若干空洞卷积层。
14.根据权利要求13所述的方法，所述若干空洞卷积层中，下一空洞卷积层对应的空洞率大于上一空洞卷积层对应的空洞率，或，
下一空洞卷积层对应的空洞率为上一空洞卷积层对应的空洞率的两倍。
15.根据权利要求14所述的方法，所述若干空洞卷积层中的至少部分空洞卷积层后连接了门控单元；其中，所述门控单元包括分别与所述部分空洞卷积层连接的tanh激活层以及sigmoid激活层。
16.根据权利要求12所述的方法，所述神经网络以下中的任一：
线性模型；提升决策树模型、循环神经网络；卷积神经网络；长短期记忆网络；基于注意力机制的循环神经网络或长短期记忆网络。
17.根据权利要求15或16所述的方法，采用GPU加速卷积神经网络的计算。
18.一种预测性维护装置，包括：
获取模块，获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，所述预设时刻不晚于当前时刻；
预测模块，将所述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，所述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
查询模块，基于预先维护的健康值与预测性维护指标之间的对应关系，查询与所述预测健康值对应的预测性维护指标，以基于所述预测性维护指标，对所述目标设备进行预测性维护；其中，所述预测性维护指标用于指示进行预测性维护的必要性。
19.一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现：
获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，所述预设时刻不晚于当前时刻；
将所述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，所述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与所述预测健康值对应的预测性维护指标，以基于所述预测性维护指标，对所述目标设备进行预测性维护；其中，所述预测性维护指标用于指示进行预测性维护的必要性。
20.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行：
获取目标设备在预设时刻之前的第一预设时长内的运行数据；其中，所述预设时刻不晚于当前时刻；
将所述运行数据输入预先维护的健康值预测模型，得到该目标设备在经过第二预设时长之后对应的预测健康值；其中，所述预测健康值，用于指示设备在经过第二预设时长之后对应的运行状态；
基于预先维护的健康值与预测性维护指标之间的对应关系，查询与所述预测健康值对应的预测性维护指标，以基于所述预测性维护指标，对所述目标设备进行预测性维护；其中，所述预测性维护指标用于指示进行预测性维护的必要性。
CN202010865222.5A 2020-08-25 2020-08-25 一种预测性维护方法、装置、设备以及存储介质 Pending CN111984513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010865222.5A CN111984513A (zh) 2020-08-25 2020-08-25 一种预测性维护方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010865222.5A CN111984513A (zh) 2020-08-25 2020-08-25 一种预测性维护方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN111984513A true CN111984513A (zh) 2020-11-24

Family

ID=73443533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010865222.5A Pending CN111984513A (zh) 2020-08-25 2020-08-25 一种预测性维护方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN111984513A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365018A (zh) * 2020-12-01 2021-02-12 哈尔滨理工大学 考虑设备状态的预维护综合调度方法
CN112700016A (zh) * 2020-12-28 2021-04-23 济南浪潮高新科技投资发展有限公司 预测性维护方法和装置
CN113077061A (zh) * 2021-02-20 2021-07-06 上海琥崧智能科技股份有限公司 一种基于生产数据挖掘的设备预测性维护系统
CN113190405A (zh) * 2021-04-29 2021-07-30 山东英信计算机技术有限公司 一种节点健康检测方法、装置及电子设备和存储介质
CN113487083A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备剩余使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113657648A (zh) * 2021-07-22 2021-11-16 广州中国科学院沈阳自动化研究所分所 一种多维数据融合的设备健康评估方法、装置及运维系统
CN114021784A (zh) * 2021-10-22 2022-02-08 华能(浙江)能源开发有限公司清洁能源分公司 设备的剩余使用寿命的确定方法、装置和电子设备
CN114298443A (zh) * 2022-03-03 2022-04-08 北京航空航天大学杭州创新研究院 基于健康状态指数的工业设备预测性维护方法、装置和电子设备
CN114579173A (zh) * 2022-05-05 2022-06-03 中科云策(深圳)科技成果转化信息技术有限公司 一种基于互联网信息技术的管理软件安全维护系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202160A1 (en) * 2010-02-16 2011-08-18 James Moyne Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
CN106886481A (zh) * 2017-02-28 2017-06-23 深圳市华傲数据技术有限公司 一种系统健康度静态分析预测方法及装置
CN111258297A (zh) * 2020-01-17 2020-06-09 北京大学 基于数据融合网络的设备健康指标构建及寿命预测方法
CN111507490A (zh) * 2020-05-09 2020-08-07 武汉数字化设计与制造创新中心有限公司 基于多源数据驱动的数控机床主轴预测性维护方法及系统
CN111563606A (zh) * 2020-04-30 2020-08-21 新智数字科技有限公司 一种设备预测性维护方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202160A1 (en) * 2010-02-16 2011-08-18 James Moyne Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
CN106886481A (zh) * 2017-02-28 2017-06-23 深圳市华傲数据技术有限公司 一种系统健康度静态分析预测方法及装置
CN111258297A (zh) * 2020-01-17 2020-06-09 北京大学 基于数据融合网络的设备健康指标构建及寿命预测方法
CN111563606A (zh) * 2020-04-30 2020-08-21 新智数字科技有限公司 一种设备预测性维护方法及装置
CN111507490A (zh) * 2020-05-09 2020-08-07 武汉数字化设计与制造创新中心有限公司 基于多源数据驱动的数控机床主轴预测性维护方法及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365018A (zh) * 2020-12-01 2021-02-12 哈尔滨理工大学 考虑设备状态的预维护综合调度方法
CN112700016A (zh) * 2020-12-28 2021-04-23 济南浪潮高新科技投资发展有限公司 预测性维护方法和装置
CN113077061A (zh) * 2021-02-20 2021-07-06 上海琥崧智能科技股份有限公司 一种基于生产数据挖掘的设备预测性维护系统
CN113190405A (zh) * 2021-04-29 2021-07-30 山东英信计算机技术有限公司 一种节点健康检测方法、装置及电子设备和存储介质
CN113487083A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备剩余使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113657648A (zh) * 2021-07-22 2021-11-16 广州中国科学院沈阳自动化研究所分所 一种多维数据融合的设备健康评估方法、装置及运维系统
CN113657648B (zh) * 2021-07-22 2024-03-19 广州中国科学院沈阳自动化研究所分所 一种多维数据融合的设备健康评估方法、装置及运维系统
CN114021784A (zh) * 2021-10-22 2022-02-08 华能(浙江)能源开发有限公司清洁能源分公司 设备的剩余使用寿命的确定方法、装置和电子设备
WO2023065584A1 (zh) * 2021-10-22 2023-04-27 华能(浙江)能源开发有限公司清洁能源分公司 设备的剩余使用寿命的确定方法、装置和电子设备
CN114298443A (zh) * 2022-03-03 2022-04-08 北京航空航天大学杭州创新研究院 基于健康状态指数的工业设备预测性维护方法、装置和电子设备
CN114579173A (zh) * 2022-05-05 2022-06-03 中科云策(深圳)科技成果转化信息技术有限公司 一种基于互联网信息技术的管理软件安全维护系统

Similar Documents

Publication Publication Date Title
CN111984513A (zh) 一种预测性维护方法、装置、设备以及存储介质
Liao et al. Uncertainty prediction of remaining useful life using long short-term memory network based on bootstrap method
US12093818B2 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
KR102354112B1 (ko) 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법
JP6513881B2 (ja) バッテリテスト結果を予測するためのバッテリテストシステム
WO2022126526A1 (zh) 一种电池温度预测方法及系统
KR102468895B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
CN112731159A (zh) 一种储能电站电池舱电池故障预判及定位的方法
KR102479755B1 (ko) 실시간 센싱 데이터 기반의 중전기기 예방정비 권고 시스템 및 그 방법
KR20170127430A (ko) 센서 오차를 검출, 분류 및/또는 완화하는 방법 및 시스템
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine
JP7413806B2 (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN114879070A (zh) 一种电池状态评估方法及相关设备
US20240168095A1 (en) Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model
CN112329272B (zh) 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法
CN116736174B (zh) 电池剩余寿命预测方法、装置、计算机设备和存储介质
CN117514649A (zh) 一种风电机组健康状态监测方法及装置
US7359842B1 (en) Soft sensor device and device for evaluating the same
CN117454771A (zh) 一种基于评估及预测信息的机械装备动态维护决策方法
US20230016228A1 (en) Method and Apparatus for Operating a System for Providing Predicted Confidence Intervals for States of Health of Electrical Energy Stores for at Least One Device With the Aid of Machine Learning Methods
CN116628444A (zh) 一种基于改进元学习的水质预警方法
CN116842464A (zh) 一种电池系统soc估计方法
CN117129895A (zh) 电池健康状态计算方法、装置、存储介质以及车辆
RU2648413C1 (ru) Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата
TWI794787B (zh) 線上電池壽命預測方法

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