CN112765560A - 设备健康状态评估方法、装置、终端设备和存储介质 - Google Patents

设备健康状态评估方法、装置、终端设备和存储介质 Download PDF

Info

Publication number
CN112765560A
CN112765560A CN202110042854.6A CN202110042854A CN112765560A CN 112765560 A CN112765560 A CN 112765560A CN 202110042854 A CN202110042854 A CN 202110042854A CN 112765560 A CN112765560 A CN 112765560A
Authority
CN
China
Prior art keywords
evaluation
equipment
value
parameter data
health
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
Application number
CN202110042854.6A
Other languages
English (en)
Other versions
CN112765560B (zh
Inventor
张燧
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.)
Xinao Xinzhi Technology Co ltd
Original Assignee
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202110042854.6A priority Critical patent/CN112765560B/zh
Publication of CN112765560A publication Critical patent/CN112765560A/zh
Application granted granted Critical
Publication of CN112765560B publication Critical patent/CN112765560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明适用于能源设备维护技术领域，提供了设备健康状态评估方法、装置、终端设备和存储介质，所述方法包括：获取设备在未出现故障状态下的运行参数数据；根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果；基于联合学习架构，将各个所述评估结果作为参与方加入联合学习，根据所述联合学习得到融合各个所述评估结果的全局模型；根据所述全局模型确定对所述设备的健康状态的目标评估结果。本发明实现了自动评估出设备的健康状态等级的效果，进而可以利用该评估结果来决策对设备进行维护的方案，提高设备维护的效率。

Description

设备健康状态评估方法、装置、终端设备和存储介质
技术领域
本发明属于能源设备维护技术领域，尤其涉及设备健康状态评估方法、装置、终端设备和存储介质。
背景技术
综合能源系统是由多种设备和管道链接而成，同时具备多种能源输入，转化，并能供给多种能源给不同的用户的一个系统。综合能源系统中设备包括：燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备等。
目前针对以上综合能源设备的后期维护，主要采用视情维修。但是视情维修的前提是根据设备所表现出的健康状态而定，决定何时并且采用何种方式对设备进行维修保障。现有技术中对设备健康状态的评估主要根据现场巡视和人工经验，缺乏科学的手段。因此，如何评估设备的健康状态，确定设备健康状态的退化情况，对于整个综合能源系统具有重要意义。
发明内容
有鉴于此，本发明实施例提供了设备健康状态评估方法、装置、终端设备和存储介质，以解决如何评估设备的健康状态的问题。
本发明实施例的第一方面，提供了一种设备健康状态评估方法，其包括：获取设备在未出现故障状态下的运行参数数据；根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果；基于联合学习架构，将各个所述评估结果作为参与方加入联合学习，根据所述联合学习得到融合各个所述评估结果的全局模型；根据所述全局模型确定对所述设备的健康状态的目标评估结果。
在一些可选方案中，所述获取设备在未出现故障状态下的运行参数数据，包括：获取设备的运行参数数据；将所述运行参数与预设的设备故障阈值进行比较；根据比较的结果，获取设备在未出现故障状态下的运行参数数据。
在一些可选方案中，所述评估模型包括以下至少一种决策模型：D-S评估模型、Yager评估模型和Murphy评估模型。
在一些可选方案中，所述根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果，包括：设立设备的健康状态等级；根据运行参数的标准值和阈值，计算每一个所述运行参数数据的归一化值；根据设备的健康状态等级设定模糊集合，利用针对运行参数建立的隶属度函数在所述模糊集合中对每个运行参数数据的归一化值进行计算，得到每个运行参数数据在设备的健康状态等级下的隶属值；根据所述归一化值，计算每一个运行参数数据的权重；利用至少一种决策模型分别对所述归一化值、隶属值和权重进行计算，根据计算的结果对应得到至少一组包括参数修正后基本概率赋值的评估结果。
在一些可选方案中，所述隶属度函数包括：三角型隶属度函数、梯形隶属度函数或正态型隶属度函数中的任一种函数。
在一些可选方案中，所述根据运行参数的标准值和阈值，计算每一个所述运行参数数据的归一化值，包括：根据参数的标准值和阈值，判断所述运行参数数据中的每一个参数的大小；当参数大于或等于标准值，且小于或等于上阈值时，计算所述参数的归一化值为上最大误差与偏差值之差除以上最大误差；当参数小于标准值，且大于或等于下阈值时，计算所述参数的归一化值为下最大误差与偏差值之差除以下最大误差；其中，所述阈值包括上阈值和下阈值，所述上最大误差等于上阈值与标准值之差的绝对值，所述下最大误差等于下阈值与标准值之差的绝对值，所述偏差值等于参数与标准值之差的绝对值。、
在一些可选方案中，所述根据所述归一化值，计算每一个运行参数数据的权重，包括：计算所述运行参数数据中每一个参数的归一化值的倒数；计算所述运行参数数据的其中一个参数的权重为所述参数的归一化值的倒数与所有参数的归一化值的倒数之和的比值。
本发明实施例的第二方面，提供了一种设备健康状态评估装置，其包括：数据获取模块，用于获取设备在未出现故障状态下的运行参数数据；评估计算模块，用于根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果；联合学习模块，用于基于联合学习架构，将各个所述评估结果作为参与方加入联合学习，根据所述联合学习得到融合各个所述评估结果的全局模型；设备评估模块，用于根据所述全局模型确定对所述设备的健康状态的目标评估结果。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一项所述方法的步骤。
本发明实施例的第四方面，提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明通过对设备的健康状态进行分级，然后根据不同的评估模型来对设备未出现故障状态下的运行参数数据进行计算，来得到多个不同的评估结果，进而根据联合学习架构来对多个不同的评估结果进行融合，来得最终的对设备的目标评估结果。从而实现了自动评估出设备的健康状态等级的效果，进而可以利用该评估结果来决策对设备进行维护的方案，提高设备维护的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明在实施例一提供的设备健康状态评估方法的实现流程；
图2是本发明在实施例二提供的设备健康状态评估装置的结构示意图；
图3是可以应用本发明设备健康状态评估方法和设备健康状态评估装置的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1为本发明在实施例一提供的设备健康状态评估方法的实现流程。
如图1所示，所述设备健康状态评估方法，具体包括以下步骤S01-S04。
步骤S01，获取设备在未出现故障状态下的运行参数数据。
其中，所述运行参数数据的获取方式可以直接从设备的控制器中进行读取，例如，通过数据接口从设备的控制器中读取设备的运行参数数据。或者，所述运行参数数据的获取方式也可以是从针对设备的传感器测点采集到的数据中读取，例如，基于物联网对设备布置各种物联测点，由所述物联测点采集得到物联数据，并将所述物联数据存储至Scada系统中，实际应用中可以从所述Scada系统中读取想要设备的物联数据作为运行参数数据，用于进行设备健康状态的评估。应理解，本申请对于设备的运行参数的获取方式不做限制。
具体的，所述运行参数的具体内容可以包括但不限于设备的运行时间、保养时间、设备的运行数据以及设备输入和输出数据中任一种或多种数据。
其中，以上所述运行参数数据是基于设备在未出现故障时产生的数据，如果是设备在出现故障的情况下产生的数据，则不能用于评估设备的监控状态。
在一个示例一中，以上步骤S01，可以具体包括：
S101，获取设备的运行参数数据；
S102，将所述运行参数与预设的设备故障阈值进行比较；
S103，根据比较的结果，获取设备在未出现故障状态下的运行参数数据。
其中，设备故障阈值是针对每个或每种运行参数，提前设置的阈值，通过该阈值可以判断设备是否的故障状态。因此，如果运行参数数据包括不止一个参数数据，那么所述设备故障阈值同样对应不止一个，也就是说，每一种运行参数都对应有一个进行设备故障判断的阈值。
步骤S02，根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果。
其中，每种评估模型对所述运行参数数据进行评估计算，可以得到一组对应的评估结果，每种评估模型得到的评估结果可能相同，也可能不相同。具体的，所述评估模型可以包括但不限于D-S评估模型、Yager评估模型和Murphy评估模型中的至少一种。需要说明的是，D-S评估模型、Yager评估模型和Murphy评估模型分别是基于D-S组合规则、Yager规则和Murphy平均规则的决策模型，故这里不做赘述。
在一个示例二中，以上步骤S02，可以包括以下步骤S201-S205：
S201，设立设备的健康状态等级。
其中，可以将设备的健康状态分级为多个等级，例如，可以将设备的健康状态分为A、B、C、D、E和F六个等级，并设定每个等级的阈值。应理解，实际中可以设备情况，对设备的健康状态分级，分级的具体数量本申请并不做限制，一般地，分级的数量至少为两级或两级以上。
S202，根据运行参数的标准值和阈值，计算每一个所述运行参数数据的归一化值。
紧接上一步骤的例子来说，假设获取到的设备的运行参数数据有n个参数，那么，第i个参数的结果为xi，i∈n，n为正整数，标准值为xs，上阈值为xu，下阈值为xl，则偏差值Δ＝|xi-xs|，上最大误差δ1＝|xu-xs|，下最大误差δ2＝|xl-xs|，则运行参数数据的归一化值λi的计算公式为：
Figure BDA0002896575640000061
其中，归一化值λi为1则代表设备状态最好，反之代表健康状态越来越差。
S203，根据设备的健康状态等级设定模糊集合，利用针对运行参数建立的隶属度函数在所述模糊集合中对每个运行参数数据的归一化值进行计算，得到每个运行参数数据在设备的健康状态等级下的隶属值。
同理，紧接上一步骤的例子来说，将A、B、C、D、E、F六个健康状态等级，根据专家经验值设定并建立模糊集合{F1，F2，F3，F4，F5，F6}，并建立参数的隶属度函数。之后，对每个运行参数数据的归一化值λi依次使用隶属度函数在模糊集合进行计算，得到每个运行参数的在六个健康状态等级下的隶属值。例如，在设备的健康状态等级为以上六个等级时，每个运行参数数据计算得到的隶属值为{S1i，…，S6i}，即每个参数有6个隶属值。
其中，上述隶属度函数可以包括但不限于三角型隶属度函数、梯形隶属度函数或正态型隶属度函数中的任一种函数。优选地，由于设备的运行数据很多情况下满足正态分布，因此，在实际应用中，可以采用正态型隶属度函数。
S204，根据所述归一化值，计算每一个运行参数数据的权重。
其中，每个运行参数数据的权重可以为固定值，也可以不定值，例如可以通过计算公式进行计算确定。
例如，所述运行参数数据的权重可以通过以下算公式来确定：
Figure BDA0002896575640000062
其中，wi表示第i个运行参数数据xi的权重。
S205，利用至少一种决策模型分别对所述归一化值、隶属值和权重进行计算，根据计算的结果对应得到至少一组包括参数修正后基本概率赋值的评估结果，其中，所述决策模型包括D-S评估模型、Yager评估模型和Murphy评估模型。
其中，每种决策模型都是基于一种决策方法来对以上步骤S202-S204中得到的结果计算，并得到一组参数修正后基本概率赋值，即一种评估结果。由此可见，如果使用了多种不同的决策模型来计算，那么即可得到多组对应的评估结果。
例如，使用D-S评估模型、Yager评估模型和Murphy评估模型三种模型来进行计算，那么，可以分别得到D-S规则下的{M1i，M2i，M3i，M4i，M5i，M6i}，同样，还有Yager规则下{M1i，…，M6i}和Murphy规则下的{M1i，…，M6i}三组评估结果。
综上示例，由于健康度分级之间没有明确的界限划分，只有模糊的过度区域。由此引入模糊集合理论，并确定设备参数健康状态隶属度。通过对上述方法的结果进行归一化，确定各个健康状态的权重值。根据评估结果，如果一个或多个参数属于故障，则判断故障。当所有参数都未出现故障，我们需要对设备的健康度根据分级进行评估。对设备的健康状态评估是一个多属性的决策问题，将这些参数的健康状态进行融合才可以达到对目标属性判断的目的。
步骤S03，基于联合学习架构，将各个所述评估结果作为参与方加入联合学习，根据所述联合学习得到融合各个所述评估结果的全局模型。
结合上一步骤的示例来说，将每个决策模型得到的评估结果作为一个数据节点参与联合学习，在联合学习架构下，各个加入联合学习的参与方利用自己产生的评估结果作为样本数据对全局模型进行训练，然后将训练后的模型参数上传至联合方，用于更新全局模型；迭代以上过程得到一个融合各个所述评估结果的全局模型，该全局模型输出的结果即是最终对设备的健康状态评估结果。通过联合学习架构来学习全局模型，可以进一步提供模型的准确度。
具体的，假设多个评估结果包括D-S规则下的{M1i，…，M6i}，Yager规则下{M1i，…，M6i}和Murphy规则下的{M1i，…，M6i}三组评估结果，那么，在联合学习架构下，对三组结果中的M1i，…，M6i进行融合，得到最终的目标评估结果{R1i，R2i，R3i，R4i，R5i，R6i}。
示例性的，以上步骤S03进行联合学习的基本过程包括：
S301，参与方各自从服务器A下载最新模型；
S302，每个参与方利用本地数据训练模型，加密梯度上传给服务器A，服务器A聚各用户的梯度更新模型参数；
S303，服务器A返回更新后的模型给各参与方；
S304，各参与方更新各自模型。
在传统的机器学习建模中，通常是把模型训练需要的数据集合到一个数据中心然后再训练模型，之后预测。在以上联合学习中，可以看作是基于样本的分布式模型训练，分发全部数据到不同的机器，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数；服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器。
步骤S04，根据所述全局模型确定对所述设备的健康状态的目标评估结果。
具体的，根据上一步骤S03中所得结果，对设备每个运行参数数据进行健康评估，得到对应的健康状态等级，即Max{R1i，…，R6i}对应的参数健康状态。
通过上述方法可以自动评估出设备的健康状态等级，然后利用该评估结果来决策对设备进行维护的方案，从而可以实现提高设备维护效率的效果。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
在同一发明构思下，见图2，为本实施例二提供的设备健康状态评估装置的结构示意图，如图2所示，所述设备健康状态评估装置200，包括：数据获取模块201，用于获取设备在未出现故障状态下的运行参数数据；评估计算模块202，用于根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果；联合学习模块203，用于基于联合学习架构，将各个所述评估结果作为参与方加入联合学习，根据所述联合学习得到融合各个所述评估结果的全局模型；设备评估模块204，用于根据所述全局模型确定对所述设备的健康状态的目标评估结果。
由于本实施例与实施例一属于同一发明构思，二者具有相同的特定技术特征，因此所述设备健康状态评估装置的具体内容可以参考上述实施例一，这里不再赘述。
实施例三
图3是可以应用本发明设备健康状态评估方法和设备健康状态评估装置的终端设备的结构示意图，如图3所示，所述终端设备300包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序303。所述处理器301执行所述计算机程序303时实现上述各个设备健康状态评估方法实施例中的步骤，例如图1所示的步骤S01至S04。或者，所述处理器301执行所述计算机程序303时实现上述设备健康状态评估装置实施例中各模块/单元的功能，例如图2所示模块201至204的功能。
示例性的，所述计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述终端设备300中的执行过程。例如，所述计算机程序303可以被分割成数据获取模块201，评估计算模块202，联合学习模块203，设备评估模块204。
所述终端设备300可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器301、存储器302。本领域技术人员可以理解，图3仅仅是终端设备300的示例，并不构成对终端设备300的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器302可以是所述终端设备300的内部存储单元，例如终端设备300的硬盘或内存。所述存储器302也可以是所述终端设备300的外部存储设备，例如所述终端设备300上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器302还可以既包括所述终端设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种设备健康状态评估方法，其特征在于，包括：
获取设备在未出现故障状态下的运行参数数据；
根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果；
基于联合学习架构，将各个所述评估结果作为参与方加入联合学习，根据所述联合学习得到融合各个所述评估结果的全局模型；
根据所述全局模型确定对所述设备的健康状态的目标评估结果。
2.根据权利要求1所述的设备健康状态评估方法，其特征在于，所述获取设备在未出现故障状态下的运行参数数据，包括：
获取设备的运行参数数据；
将所述运行参数与预设的设备故障阈值进行比较；
根据比较的结果，获取设备在未出现故障状态下的运行参数数据。
3.根据权利要求1所述的设备健康状态评估方法，其特征在于，所述评估模型包括以下至少一种决策模型：D-S评估模型、Yager评估模型和Murphy评估模型。
4.根据权利要求3所述的设备健康状态评估方法，其特征在于，所述根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果，包括：
设立设备的健康状态等级；
根据运行参数的标准值和阈值，计算每一个所述运行参数数据的归一化值；
根据设备的健康状态等级设定模糊集合，利用针对运行参数建立的隶属度函数在所述模糊集合中对每个运行参数数据的归一化值进行计算，得到每个运行参数数据在设备的健康状态等级下的隶属值；
根据所述归一化值，计算每一个运行参数数据的权重；
利用至少一种决策模型分别对所述归一化值、隶属值和权重进行计算，根据计算的结果对应得到至少一组包括参数修正后基本概率赋值的评估结果。
5.根据权利要求4所述的设备健康状态评估方法，其特征在于，所述隶属度函数包括：三角型隶属度函数、梯形隶属度函数或正态型隶属度函数中的任一种函数。
6.根据权利要求4所述的设备健康状态评估方法，其特征在于，所述根据运行参数的标准值和阈值，计算每一个所述运行参数数据的归一化值，包括：
根据参数的标准值和阈值，判断所述运行参数数据中的每一个参数的大小；
当参数大于或等于标准值，且小于或等于上阈值时，计算所述参数的归一化值为上最大误差与偏差值之差除以上最大误差；
当参数小于标准值，且大于或等于下阈值时，计算所述参数的归一化值为下最大误差与偏差值之差除以下最大误差；
其中，所述阈值包括上阈值和下阈值，所述上最大误差等于上阈值与标准值之差的绝对值，所述下最大误差等于下阈值与标准值之差的绝对值，所述偏差值等于参数与标准值之差的绝对值。
7.根据权利要求6所述的设备健康状态评估方法，其特征在于，所述根据所述归一化值，计算每一个运行参数数据的权重，包括：
计算所述运行参数数据中每一个参数的归一化值的倒数；
计算所述运行参数数据的其中一个参数的权重为所述参数的归一化值的倒数与所有参数的归一化值的倒数之和的比值。
8.一种设备健康状态评估装置，其特征在于，包括：
数据获取模块，用于获取设备在未出现故障状态下的运行参数数据；
评估计算模块，用于根据多个不同的评估模型分别对所述运行参数数据进行评估计算，根据评估计算的结果得到多个设备健康状态的评估结果；
联合学习模块，用于基于联合学习架构，将各个所述评估结果作为参与方加入联合学习，根据所述联合学习得到融合各个所述评估结果的全局模型；
设备评估模块，用于根据所述全局模型确定对所述设备的健康状态的目标评估结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110042854.6A 2021-01-13 2021-01-13 设备健康状态评估方法、装置、终端设备和存储介质 Active CN112765560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110042854.6A CN112765560B (zh) 2021-01-13 2021-01-13 设备健康状态评估方法、装置、终端设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110042854.6A CN112765560B (zh) 2021-01-13 2021-01-13 设备健康状态评估方法、装置、终端设备和存储介质

Publications (2)

Publication Number Publication Date
CN112765560A true CN112765560A (zh) 2021-05-07
CN112765560B CN112765560B (zh) 2024-04-19

Family

ID=75700183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110042854.6A Active CN112765560B (zh) 2021-01-13 2021-01-13 设备健康状态评估方法、装置、终端设备和存储介质

Country Status (1)

Country Link
CN (1) CN112765560B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113404742A (zh) * 2021-07-09 2021-09-17 中国人民解放军火箭军工程大学 一种基于测试数据的电液伺服机构健康评估方法及系统
CN113487085A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 基于联合学习框架的设备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
CN113486586A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备健康状态评估方法、装置、计算机设备及存储介质
CN113487087A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备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
CN113486584A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN113537373A (zh) * 2021-07-23 2021-10-22 中国人民解放军陆军工程大学 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113606732A (zh) * 2021-08-04 2021-11-05 广东美的暖通设备有限公司 健康度评估方法、装置、计算设备及存储介质
CN114118459A (zh) * 2021-11-04 2022-03-01 新智我来网络科技有限公司 基于联合学习的检测设备健康方法及装置
CN114757117A (zh) * 2022-03-29 2022-07-15 江铃汽车股份有限公司 柴油机进气道性能评估方法、系统、终端设备及存储介质
CN114997744A (zh) * 2022-07-20 2022-09-02 平安国际融资租赁有限公司 一种设备健康评估方法、装置、计算机设备及介质
WO2023045032A1 (zh) * 2021-09-23 2023-03-30 烟台杰瑞石油装备技术有限公司 井场设备健康状态的评估方法、评估装置及存储介质
CN114757117B (zh) * 2022-03-29 2024-05-31 江铃汽车股份有限公司 柴油机进气道性能评估方法、系统、终端设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447210A (zh) * 2016-10-10 2017-02-22 国家电网公司 一种计及可信度评价的配网设备健康度动态诊断方法
CN109540520A (zh) * 2018-11-29 2019-03-29 中国船舶重工集团海装风电股份有限公司 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法
CN109685366A (zh) * 2018-12-24 2019-04-26 中国人民解放军32181部队 基于异变数据的装备健康状态评估方法
CN109934453A (zh) * 2019-01-24 2019-06-25 新奥数能科技有限公司 设备健康等级的确定方法及装置、存储介质、电子装置
CN111080627A (zh) * 2019-12-20 2020-04-28 南京航空航天大学 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法
CN111583061A (zh) * 2020-04-30 2020-08-25 新智数字科技有限公司 电能质量确定方法、装置、可读介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447210A (zh) * 2016-10-10 2017-02-22 国家电网公司 一种计及可信度评价的配网设备健康度动态诊断方法
CN109540520A (zh) * 2018-11-29 2019-03-29 中国船舶重工集团海装风电股份有限公司 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法
CN109685366A (zh) * 2018-12-24 2019-04-26 中国人民解放军32181部队 基于异变数据的装备健康状态评估方法
CN109934453A (zh) * 2019-01-24 2019-06-25 新奥数能科技有限公司 设备健康等级的确定方法及装置、存储介质、电子装置
CN111080627A (zh) * 2019-12-20 2020-04-28 南京航空航天大学 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法
CN111583061A (zh) * 2020-04-30 2020-08-25 新智数字科技有限公司 电能质量确定方法、装置、可读介质及电子设备

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
MAHARSHI DHADA, AMIT KUMAR JAIN, AJITH KUMAR PARLIKAD: "Empirical Convergence Analysis of Federated Averaging for Failure Prognosis", IFAC-PAPERSONLINE, pages 360 - 365 *
THEODORA S. BRISIMI AND ETC, .: "Federated learning of predictive models from federated Electronic Health Records", INTERNATIONAL JOURNAL OF MEDICAL INFORMATICS *
WEISHAN ZHANG, QINGHUA LU AND ETC, .: "Blockchain-Based Federated Learning for Device Failure Detection in Industrial IoT", IEEE INTERNET OF THINGS JOURNAL *
YI LIU; NEERAJ KUMAR; ZEHUI XIONG; WEI YANG BRYAN LIM; JIAWEN KANG; DUSIT NIYATO: "Communication-Efficient Federated Learning for Anomaly Detection in Industrial Internet of Things", GLOBECOM 2020 - 2020 IEEE GLOBAL COMMUNICATIONS CONFERENCE *
唐启东;刘清平;刘文娟;: "基于深度学习的飞机故障诊断系统关键技术研究", 航空维修与工程, no. 10 *
戴认之;: "人工智能技术在工业设备和系统智能运营维护的应用", 中国信息化, no. 07 *
文成林;吕菲亚;: "基于深度学习的故障诊断方法综述", 电子与信息学报, no. 01 *
方旭;薛景锋;宋昊;申雅峰;赵启迪;: "飞机结构健康监测系统数据处理及在线应用", 计测技术, no. 06 *
谢丰;卞建玲;王楠;郑倩;: "联邦学习在泛在电力物联网人工智能领域的应用", 中国高新科技, no. 23 *
陈涛;郭睿;刘志强;: "面向大数据隐私保护的联邦学习算法航空应用模型研究", 信息安全与通信保密, no. 09 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486586B (zh) * 2021-07-06 2023-09-05 新奥新智科技有限公司 设备健康状态评估方法、装置、计算机设备及存储介质
CN113486584B (zh) * 2021-07-06 2023-12-29 新奥新智科技有限公司 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN113487085A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 基于联合学习框架的设备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
CN113487087A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备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
CN113486584A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
CN113486586A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 设备健康状态评估方法、装置、计算机设备及存储介质
CN113404742A (zh) * 2021-07-09 2021-09-17 中国人民解放军火箭军工程大学 一种基于测试数据的电液伺服机构健康评估方法及系统
CN113404742B (zh) * 2021-07-09 2024-01-26 中国人民解放军火箭军工程大学 一种基于测试数据的电液伺服机构健康评估方法及系统
CN113537373A (zh) * 2021-07-23 2021-10-22 中国人民解放军陆军工程大学 基于数字孪生的柴油机健康状态评估方法、装置及设备
CN113606732A (zh) * 2021-08-04 2021-11-05 广东美的暖通设备有限公司 健康度评估方法、装置、计算设备及存储介质
CN113606732B (zh) * 2021-08-04 2023-04-18 广东美的暖通设备有限公司 健康度评估方法、装置、计算设备及存储介质
WO2023045032A1 (zh) * 2021-09-23 2023-03-30 烟台杰瑞石油装备技术有限公司 井场设备健康状态的评估方法、评估装置及存储介质
US11867594B2 (en) 2021-09-23 2024-01-09 Yantai Jereh Petroleum Equipment & Technologies Co., Ltd. Evaluation method and evaluation device of health state of well site equipment, and storage medium
CN114118459A (zh) * 2021-11-04 2022-03-01 新智我来网络科技有限公司 基于联合学习的检测设备健康方法及装置
CN114757117A (zh) * 2022-03-29 2022-07-15 江铃汽车股份有限公司 柴油机进气道性能评估方法、系统、终端设备及存储介质
CN114757117B (zh) * 2022-03-29 2024-05-31 江铃汽车股份有限公司 柴油机进气道性能评估方法、系统、终端设备及存储介质
CN114997744A (zh) * 2022-07-20 2022-09-02 平安国际融资租赁有限公司 一种设备健康评估方法、装置、计算机设备及介质

Also Published As

Publication number Publication date
CN112765560B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN112765560B (zh) 设备健康状态评估方法、装置、终端设备和存储介质
CN111612275B (zh) 一种预测区域用户负荷量的方法及装置
Jin et al. A trust model based on cloud model and Bayesian networks
CN113487083A (zh) 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
CN115713320A (zh) 设备的运维策略优化方法、装置、设备及存储介质
CN114529228A (zh) 一种面向电力监控系统供应链的风险预警方法及系统
CN116633758A (zh) 基于全异构元对比学习模型的网络故障预测方法及系统
CN113486583B (zh) 设备的健康评估方法、装置、计算机设备及计算机可读存储介质
CN114764670A (zh) 基于联合学习的设备健康评估方法及终端设备
CN114154415A (zh) 设备寿命的预测方法及装置
CN113469377A (zh) 联邦学习审计方法和装置
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
Zhou et al. Linguistic multi-criteria group decision-making method combining cloud model and evidence theory
CN115577821A (zh) 一种设备剩余使用寿命的预测方法和装置
CN113487087A (zh) 一种设备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
CN112614006A (zh) 负荷预测方法、装置、计算机可读存储介质以及处理器
Bucciarelli et al. A scenario reduction approach for optimal sizing of energy storage systems in power distribution networks
CN113487085A (zh) 基于联合学习框架的设备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
WO2023071529A1 (zh) 设备数据清洗方法、装置、计算机设备及介质
CN112633559B (zh) 一种基于动态图卷积神经网络的社交关系预测方法及系统
CN113410840B (zh) 一种基于子图同构的电网故障建模方法及系统
CN116362103A (zh) 一种设备剩余使用寿命的预测方法及装置
CN115833133A (zh) 一种发输电系统运行可靠性评估方法、装置和终端设备
Xie et al. Quantifying Worker Reliability for Crowdsensing Applications: Robust Feedback Rating and Convergence
CN116307006A (zh) 多源时序数据总和预测方法、装置、计算机设备及介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240310

Address after: China (Hebei) Pilot Free Trade Zone Daxing Airport Area Langfang Airport Economic Zone Hangyidao Free Trade Zone Science and Technology Innovation Base 210, Daxing District, Beijing

Applicant after: Xinao Xinzhi Technology Co.,Ltd.

Country or region after: China

Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing

Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant