CN112862220A - 一种设备生命周期预测方法、装置及相关设备 - Google Patents
一种设备生命周期预测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN112862220A CN112862220A CN202110310702.XA CN202110310702A CN112862220A CN 112862220 A CN112862220 A CN 112862220A CN 202110310702 A CN202110310702 A CN 202110310702A CN 112862220 A CN112862220 A CN 112862220A
- Authority
- CN
- China
- Prior art keywords
- prediction
- life cycle
- prediction result
- equipment
- preset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004258 portal system Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种设备生命周期预测方法，包括对目标设备的各监控指标进行实时采集，获得各所述监控指标对应的监控数据集；利用所述监控数据集生成时序事件流；利用预设态势预测算法模型对各所述时序事件流进行处理，获得所述目标设备的生命周期预测结果；其中，所述预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得；该设备生命周期预测方法可以实现高效且准确的设备生命周期预测，在减少资源浪费的同时，保证设备的正常运行。本申请还公开了一种设备生命周期预测装置、系统以及计算机可读存储介质，均具有上述有益效果。
Description
技术领域
本申请涉及设备运行维护技术领域，特别涉及一种设备生命周期预测方法，还涉及一种设备生命周期预测装置、系统以及计算机可读存储介质。
背景技术
生命周期可以理解为“从摇篮到坟墓”(Cradle-to-Grave)的整个过程，对于产品设备而言，就是从自然中来、回到自然中去的全过程，既包括制造产品所需要的原材料的采集、加工等生产过程，也包括产品贮存、运输等流通过程，还包括产品的使用过程以及产品报废或处置等废弃回到自然的过程，这个过程构成了一个完整的产品的生命周期。
目前，在取消省界收费站工程中，通过建设门架系统，实现RSU(Road Side Unit，路侧单元)天线与车载OBU(On board Unit，车载单元)或CPC(Cost Per Click，每点击一次计费)卡进行信息交互，标记车辆行驶路径，通过边缘服务器进行信息处理并上传路段中心、省中心和部联网中心，进行统一清分结算，构建形成了一个覆盖海量信息采集、处理与传输设备的高度复杂的广域物联网系统。然而，物联互通涉及的设备众多，包括RSU天线、读卡器、PSAM(Purchase Secure Access Module，销售点终端安全存取模块)卡、移动支付设备、车牌识别设备、车检器、轴型识别器、光栅、车道摄像机、费额显示屏、信息提示屏、通行信号灯、ETC(Electronic Toll Collection，不停车电子收费系统)情报板、入口治超设施、工控机、服务器等，在全面的撤销省界站和门架建设中，发现相关设备需运行在不同气候、不同温度、风雨雷电的恶劣环境中，因此，每个设备单元的老化程度不尽相同。由于缺乏准确或可靠的方法来了解确切的设备失效时间，是更换仍然处于良好工作状态的部件，还是等待发生明显部件故障再进行更换，使得维护运营不得不在二者之间求得平衡，若直接更换处于良好工作状态的部件，必然造成不必要的资源浪费，若等待发生明显部件故障再进行更换，则会导致设备本身受损，影响设备的正常运行。
因此，如何实现高效且准确的设备生命周期预测，在减少资源浪费的同时，保证设备的正常运行是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种设备生命周期预测方法，该设备生命周期预测方法可以实现高效且准确的设备生命周期预测，在减少资源浪费的同时，保证设备的正常运行；本申请的另一目的是提供一种设备生命周期预测装置、系统以及计算机可读存储介质，也具有上述有益效果。
第一方面，本申请提供了一种设备生命周期预测方法，包括：
对目标设备的各监控指标进行实时采集，获得各所述监控指标对应的监控数据集；
利用所述监控数据集生成时序事件流；
利用预设态势预测算法模型对各所述时序事件流进行处理，获得所述目标设备的生命周期预测结果；其中，所述预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得。
优选的，所述设备生命周期预测方法还包括：
从所述生命周期预测结果中提取预设时长内的预测结果；
判断所述预测结果中是否存在故障事件；
若是，则输出告警提示。
优选的，所述设备生命周期预测方法还包括：
从所述生命周期预测结果中提取预设周期内的预测结果；
获取所述目标设备在所述预设周期内的实际监控数据集；
利用所述预测结果和所述实际监控数据集对所述预设态势预测算法模型进行优化。
优选的，所述设备生命周期预测方法还包括：
当所述监控数据集中的监控数据不满足预设阈值范围时，输出告警提示。
优选的，所述设备生命周期预测方法还包括：
根据所述生命周期预测结果生成运维报告；
将所述运维报告发送至可视化设备进行展示。
第二方面，本申请还公开了一种设备生命周期预测装置，包括：
采集模块，用于对目标设备的各监控指标进行实时采集，获得各所述监控指标对应的监控数据集；
转换模块，用于利用所述监控数据集生成时序事件流；
预测模块，用于利用预设态势预测算法模型对各所述时序事件流进行处理，获得所述目标设备的生命周期预测结果；其中，所述预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得。
优选的，所述设备生命周期预测装置还包括告警模块，用于从所述生命周期预测结果中提取预设时长内的预测结果；判断所述预测结果中是否存在故障事件；若是，则输出告警提示。
优选的，所述设备生命周期预测装置还包括优化模块，用于从所述生命周期预测结果中提取预设周期内的预测结果；获取所述目标设备在所述预设周期内的实际监控数据集；利用所述预测结果和所述实际监控数据集对所述预设态势预测算法模型进行优化。
第三方面，本申请还公开了一种设备生命周期预测系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上所述的任一种设备生命周期预测方法的步骤。
第四方面，本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上所述的任一种设备生命周期预测方法的步骤。
本申请所提供的一种设备生命周期预测方法，包括对目标设备的各监控指标进行实时采集，获得各所述监控指标对应的监控数据集；利用所述监控数据集生成时序事件流；利用预设态势预测算法模型对各所述时序事件流进行处理，获得所述目标设备的生命周期预测结果；其中，所述预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得。
可见，本申请所提供的设备生命周期预测方法，利用自回归移动平均模型预测算法和灰色时间序列预测算法构建态势预测算法模型，从而利用该态势预测算法模型对目标设备的各类监控数据信息进行处理，完成该设备的生命周期预测，该种实现方式可以实现高效且准确的设备生命周期预测，便于技术人员根据预测结果有针对性的进行设备部件的更换，避免了不必要的资源浪费，同时保证了设备的正常运行；此外，将两种预测算法相结合构建态势预测算法模型，可以有效应对多种类型的设备异常事件。
本申请所提供的一种设备生命周期预测装置、系统以及计算机可读存储介质，均具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案，下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。
图1为本申请所提供的一种设备生命周期预测方法的流程示意图；
图2为本申请所提供的另一种设备生命周期预测方法的流程示意图；
图3为本申请所提供的一种设备生命周期预测装置的结构示意图；
图4为本申请所提供的一种设备生命周期预测系统的结构示意图。
具体实施方式
本申请的核心是提供一种设备生命周期预测方法，该设备生命周期预测方法可以实现高效且准确的设备生命周期预测，在减少资源浪费的同时，保证设备的正常运行；本申请的另一核心是提供一种设备生命周期预测装置、系统以及计算机可读存储介质，也具有上述有益效果。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行介绍。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请所提供的一种设备生命周期预测方法的流程示意图，该设备生命周期预测方法可包括：
S101：对目标设备的各监控指标进行实时采集，获得各监控指标对应的监控数据集；
本步骤旨在实现目标设备的数据采集，该目标设备即为需要进行生命周期预测的设备，可以理解的是，本申请所提供的设备生命周期预测方法对待测设备的具体类型不做限定，也即该种实现方式适用于任意类型的设备。具体而言，目标设备的生命周期周期预测基于其自身在实际运行过程中所产生的数据信息实现，该数据信息即为预先指定的各类监控目标对应的数据，如目标设备中某类部件的运行速率、传输速率等，因此，可以对目标设备的各类监控指标进行实时的数据采集，获得相应的监控数据集。
作为一种优选实施例，该设备生命周期预测方法还可以包括：当监控数据集中的监控数据不满足预设阈值范围时，输出告警提示。
具体而言，在基于这些监控数据集对目标设备进行生命周期预测之前，可以先对这些监控数据进行异常判断，即判断这些监控数据是否处于相应的预设阈值范围内，若否，则说明存在数据异常，可立即输出告警提示，以提醒工作人员及时查询异常所在，实现快速修复，保证目标设备的正常运行，与此同时，基于该监控数据集继续进行后续生命周期预测即可；若各监控数据均处于相应的预设阈值范围内，则说明当前不存在数据异常，直接进行后续生命周期预测即可。可以理解的是，不同类型的监控指标，可能对应于不同的预设阈值范围，因此，该预设阈值范围的具体取值由技术人员根据实际情况进行设定即可，本申请对此不做限定。
S102：利用监控数据集生成时序事件流；
本步骤旨在基于监控数据集生成时序事件流。具体而言，在基于设备数据信息对单一事件类型进行分析时，发现这些事件的出现频率(即在某时间粒度区间中的数量)具有鲜明的时序特点，因此，可以先利用监控数据集中的监控数据生成相应的时序事件流，进而利用基于自回归移动平均模型预测算法和灰色时间序列预测算法的态势预测算法模型(下述预设态势预测算法模型)对时序事件流进行分析处理，实现目标设备的生命周期预测。
S103：利用预设态势预测算法模型对各时序事件流进行处理，获得目标设备的生命周期预测结果；其中，预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得。
本步骤旨在实现最终的生命周期预测，即利用预设态势预测算法模型对上述时序事件流进行分析处理，获得对应目标设备的生命周期预测结果。其中，该生命周期预测结果的具体内容包括但不限于：目标设备中各个部件的当前使用情况，可继续使用情况，磨损情况，可能性异常等相关信息。
需要说明的是，上述预设态势预测算法模型基于自回归移动平均模型预测算法和灰色时间序列预测算法构建获得，也即融合了多种预测算法的预测模型，通过将多种预测算法相结合实现预测模型的构建，可以有效应对多种类型的设备异常事件，以实现更为全面的设备生命周期预测。
其中，自回归移动平均模型预测算法即自回归积分滑动平均模型(ARIMA，Autoregressive Integrated Moving Average Model)，ARIMA(p，d，q)称为差分自回归移动平均模型，其中，AR是自回归，p为自回归项，MA是移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数，所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
其中，灰色时间序列预测是算法一种对含有不确定因素的系统的预测方法，灰色系统是位于白色系统和黑色系统之间的一种系统。
作为一种优选实施例，该设备生命周期预测方法还可以包括：根据生命周期预测结果生成运维报告；将运维报告发送至可视化设备进行展示。
本步骤旨在实现运维报告的生成以及可视化展示。具体而言，在获得目标设备的生命周期预测结果之后，即可基于该生命周期预测结果生成相应的运维报告，该运维报告中给出了针对目标设备的运维建议，例如，某设备部件需要在某时间节点之前进行更换或维护等。进一步，在生成运维报告之后，即可将其发送至可视化设备进行展示，以便技术人员更为直观便捷的了解目标设备的当前状态，并采取相应的维护措施。
可见，本申请所提供的设备生命周期预测方法，利用自回归移动平均模型预测算法和灰色时间序列预测算法构建态势预测算法模型，从而利用该态势预测算法模型对目标设备的各类监控数据信息进行处理，完成该设备的生命周期预测，该种实现方式可以实现高效且准确的设备生命周期预测，便于技术人员根据预测结果有针对性的进行设备部件的更换，避免了不必要的资源浪费，同时保证了设备的正常运行；此外，将两种预测算法相结合构建态势预测算法模型，可以有效应对多种类型的设备异常事件。
在上述各实施例的基础上：
作为一种优选实施例，该设备生命周期预测方法还可以包括：从生命周期预测结果中提取预设时长内的预测结果；判断预测结果中是否存在故障事件；若是，则输出告警提示。
本优选实施例所提供的设备生命周期预测方法可以实现故障事件的告警功能，该告警功能类似于上述原始数据异常的告警功能。具体而言，生命周期预测结果为完整的预测结果，也即长期预测结果，在此基础上，为避免短时间内出现故障事件影响目标设备的正常运行，可以提取预设时长内的预测结果，以便根据该预测结果判断在预设时长内是否可能发生故障事件，若是，则发出告警提示。由此，通过该种实现方式实现了生命周期的短期预测，可以有效避免目标设备在短时间内出现故障事件。
此外，可以理解的是，上述预设时长的具体取值并不唯一，本申请对此不做限定，当然，由于是短期预测，可以设定该预设时长为分钟级，如五分钟等。
作为一种优选实施例，该设备生命周期预测方法还可以包括：从生命周期预测结果中提取预设周期内的预测结果；获取目标设备在预设周期内的实际监控数据集；利用预测结果和实际监控数据集对预设态势预测算法模型进行优化。
本优选实施例所提供的设备生命周期预测方法可以实现预测模型的优化功能，以有效提高模型精度，进一步提高生命周期预测结果的准确性。具体而言，可以从上述生命周期预测结果提取预设周期内的预测结果，并将其与实际监控数据集相结合，实现预测模型的优化与修正。例如，可以从生命周期结果中提取未来两小时内的预测结果，同时获取未来两小时内的实际监控数据集，通过对二者进行对比分析实现预测模型的更新。此外，该对比分析结果还可用于实现相应告警阈值的更新与修正。
可以理解的是，用于实现预测模型优化的数据必然为一段时间内的数据，因此，相较于上述短期预测和长期预测，该种方式相当于实现了生命周期的中期预测。当然，上述预设周期的具体取值同样不唯一，本申请对此不做限定，由于时间相对较长，可以设定该预设周期为小时级，如两小时等。
本申请实施例提供了另一种设备生命周期预测方法，其具体实现流程可包括：
1、预测模型构建：将自回归移动平均模型预测算法和灰色时间序列预测算法相结合，基于其预测结果与实验室模拟数据进行相互校验，获得最佳初始参数配置，由此，在实际生产环境中，初始部署系统即可使用该实验室最佳初始参数配置预测模型。其中，可以在校验时加入防抖动处理(如增加次数累计、幅度累计触发开关等)，以防偶发的异常数据直接导致参数配置随意修改，保证预测模型的有效性和稳定性。
2、基于预测模型的生命周期预测：
请参考图2，图2为本申请所提供的另一种设备生命周期预测方法的流程示意图。
(1)将待测设备中各类监控指标对应的数据信息输入至时序事件流转换模块生成相应的时序事件流；
(2)将各时序事件流输入至态势算法预测模型，实现待测设备生命周期的短期预测、中期预测以及长期预测；
其中，生命周期的短期预测(分钟级)可以捕获事件短期异常的发生，通过比较短期预测所得事件的发生频率和实际事件发生频率，可以实时发现事件的异常突发，对事件的及时响应具有一定的意义。由此，实现及时告警功能。
其中，生命周期的中期预测(小时级)可以发现发展规律的变化，有助于及时调整预测模型及告警模板阈值设置。由此，实现预测模型优化功能。
其中，生命周期的长期预测(周级)可以分析事件流的长期发展趋势，对于一段较长时间后事件的规模能有一个大致的判断，从而做出处理决策。由此，实现最终运维报告的生成。
可见，本申请实施例所提供的设备生命周期预测方法，利用自回归移动平均模型预测算法和灰色时间序列预测算法构建态势预测算法模型，从而利用该态势预测算法模型对目标设备的各类监控数据信息进行处理，完成该设备的生命周期预测，该种实现方式可以实现高效且准确的设备生命周期预测，便于技术人员根据预测结果有针对性的进行设备部件的更换，避免了不必要的资源浪费，同时保证了设备的正常运行；此外，将两种预测算法相结合构建态势预测算法模型，可以有效应对多种类型的设备异常事件。
为解决上述技术问题，本申请还提供了一种设备生命周期预测装置，请参考图3，图3为本申请所提供的一种设备生命周期预测装置的结构示意图，该设备生命周期预测装置可包括：
采集模块1，用于对目标设备的各监控指标进行实时采集，获得各监控指标对应的监控数据集；
转换模块2，用于利用监控数据集生成时序事件流；
预测模块3，用于利用预设态势预测算法模型对各时序事件流进行处理，获得目标设备的生命周期预测结果；其中，预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得。
可见，本申请实施例所提供的设备生命周期预测装置，利用自回归移动平均模型预测算法和灰色时间序列预测算法构建态势预测算法模型，从而利用该态势预测算法模型对目标设备的各类监控数据信息进行处理，完成该设备的生命周期预测，该种实现方式可以实现高效且准确的设备生命周期预测，便于技术人员根据预测结果有针对性的进行设备部件的更换，避免了不必要的资源浪费，同时保证了设备的正常运行；此外，将两种预测算法相结合构建态势预测算法模型，可以有效应对多种类型的设备异常事件。
作为一种优选实施例，该设备生命周期预测装置还可以包括告警模块，用于从生命周期预测结果中提取预设时长内的预测结果；判断预测结果中是否存在故障事件；若是，则输出告警提示。
作为一种优选实施例，该设备生命周期预测装置还可以包括优化模块，用于从生命周期预测结果中提取预设周期内的预测结果；获取目标设备在预设周期内的实际监控数据集；利用预测结果和实际监控数据集对预设态势预测算法模型进行优化。
作为一种优选实施例，该设备生命周期预测装置还可以包括原始数据监测模块，用于当监控数据集中的监控数据不满足预设阈值范围时，输出告警提示。
作为一种优选实施例，该设备生命周期预测装置还可以包括报告生成模块，用于根据生命周期预测结果生成运维报告；将运维报告发送至可视化设备进行展示。
对于本申请提供的装置的介绍请参照上述方法实施例，本申请在此不做赘述。
为解决上述技术问题，本申请还提供了一种设备生命周期预测系统，请参考图4，图4为本申请所提供的一种设备生命周期预测系统的结构示意图，该设备生命周期预测系统可包括：
存储器10，用于存储计算机程序；
处理器20，用于执行计算机程序时可实现如上述任意一种设备生命周期预测方法的步骤。
对于本申请提供的系统的介绍请参照上述方法实施例，本申请在此不做赘述。
为解决上述问题，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如上述任意一种设备生命周期预测方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请的保护范围内。
Claims (10)
1.一种设备生命周期预测方法，其特征在于，包括：
对目标设备的各监控指标进行实时采集，获得各所述监控指标对应的监控数据集；
利用所述监控数据集生成时序事件流；
利用预设态势预测算法模型对各所述时序事件流进行处理，获得所述目标设备的生命周期预测结果；其中，所述预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得。
2.根据权利要求1所述的设备生命周期预测方法，其特征在于，还包括：
从所述生命周期预测结果中提取预设时长内的预测结果；
判断所述预测结果中是否存在故障事件；
若是，则输出告警提示。
3.根据权利要求1所述的设备生命周期预测方法，其特征在于，还包括：
从所述生命周期预测结果中提取预设周期内的预测结果；
获取所述目标设备在所述预设周期内的实际监控数据集；
利用所述预测结果和所述实际监控数据集对所述预设态势预测算法模型进行优化。
4.根据权利要求1所述的设备生命周期预测方法，其特征在于，还包括：
当所述监控数据集中的监控数据不满足预设阈值范围时，输出告警提示。
5.根据权利要求1所述的设备生命周期预测方法，其特征在于，还包括：
根据所述生命周期预测结果生成运维报告；
将所述运维报告发送至可视化设备进行展示。
6.一种设备生命周期预测装置，其特征在于，包括：
采集模块，用于对目标设备的各监控指标进行实时采集，获得各所述监控指标对应的监控数据集；
转换模块，用于利用所述监控数据集生成时序事件流；
预测模块，用于利用预设态势预测算法模型对各所述时序事件流进行处理，获得所述目标设备的生命周期预测结果；其中，所述预设态势预测算法模型利用自回归移动平均模型预测算法和灰色时间序列预测算法构建获得。
7.根据权利要求6所述的设备生命周期预测装置，其特征在于，还包括：
告警模块，用于从所述生命周期预测结果中提取预设时长内的预测结果；判断所述预测结果中是否存在故障事件；若是，则输出告警提示。
8.根据权利要求6所述的设备生命周期预测装置，其特征在于，还包括：
优化模块，用于从所述生命周期预测结果中提取预设周期内的预测结果；获取所述目标设备在所述预设周期内的实际监控数据集；利用所述预测结果和所述实际监控数据集对所述预设态势预测算法模型进行优化。
9.一种设备生命周期预测系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至5任一项所述的设备生命周期预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如权利要求1至5任一项所述的设备生命周期预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110310702.XA CN112862220A (zh) | 2021-03-23 | 2021-03-23 | 一种设备生命周期预测方法、装置及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110310702.XA CN112862220A (zh) | 2021-03-23 | 2021-03-23 | 一种设备生命周期预测方法、装置及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862220A true CN112862220A (zh) | 2021-05-28 |
Family
ID=75992550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110310702.XA Pending CN112862220A (zh) | 2021-03-23 | 2021-03-23 | 一种设备生命周期预测方法、装置及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862220A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、系统与可读存储介质 |
| CN114528183A (zh) * | 2022-02-17 | 2022-05-24 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678089A (zh) * | 2016-01-11 | 2016-06-15 | 安徽理工大学 | 模型自匹配融合健康预测方法 |
| CN108388950A (zh) * | 2018-01-29 | 2018-08-10 | 杭州安脉盛智能技术有限公司 | 基于大数据的变压器智能运维方法及系统 |
| CN110956308A (zh) * | 2019-10-29 | 2020-04-03 | 沈阳天眼智云信息科技有限公司 | 基于时间序列的化工设备健康状态预测方法 |
| WO2020087830A1 (zh) * | 2018-11-02 | 2020-05-07 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、服务器及存储介质 |
| CN111221706A (zh) * | 2020-01-06 | 2020-06-02 | 北京思特奇信息技术股份有限公司 | 一种cpu使用率预测方法、系统、介质及设备 |
-
2021
- 2021-03-23 CN CN202110310702.XA patent/CN112862220A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678089A (zh) * | 2016-01-11 | 2016-06-15 | 安徽理工大学 | 模型自匹配融合健康预测方法 |
| CN108388950A (zh) * | 2018-01-29 | 2018-08-10 | 杭州安脉盛智能技术有限公司 | 基于大数据的变压器智能运维方法及系统 |
| WO2020087830A1 (zh) * | 2018-11-02 | 2020-05-07 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、服务器及存储介质 |
| CN110956308A (zh) * | 2019-10-29 | 2020-04-03 | 沈阳天眼智云信息科技有限公司 | 基于时间序列的化工设备健康状态预测方法 |
| CN111221706A (zh) * | 2020-01-06 | 2020-06-02 | 北京思特奇信息技术股份有限公司 | 一种cpu使用率预测方法、系统、介质及设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、系统与可读存储介质 |
| CN114528183A (zh) * | 2022-02-17 | 2022-05-24 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
| CN112862220A (zh) | 一种设备生命周期预测方法、装置及相关设备 | |
| US20060116836A1 (en) | System for diagnosing facility apparatus, managing apparatus and diagnostic apparatus | |
| CN101720453A (zh) | 利用时序信号处理进行电池组件预测维护的系统和方法 | |
| EP3315465A1 (en) | Method and system for dynamically managing waste water treatment process for optimizing power consumption | |
| US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
| CN113077065A (zh) | 车辆生产线故障的处理方法、装置、设备及存储介质 | |
| CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
| CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| Zitrou et al. | A model for availability growth with application to new generation offshore wind farms | |
| Akcay | An alert-assisted inspection policy for a production process with imperfect condition signals | |
| KR20210036018A (ko) | 생산설비 통합 관리 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체 | |
| CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
| CN113269378A (zh) | 一种网络流量处理方法、装置、电子设备和可读存储介质 | |
| CN112598326A (zh) | 模型迭代方法、装置、电子设备及存储介质 | |
| CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
| CN108761250B (zh) | 一种基于工控设备电压电流的入侵检测方法 | |
| CN116448234A (zh) | 一种电力变压器运行状态声纹监测方法及系统 | |
| KR101984257B1 (ko) | 클라우드기반 빅데이터분석시스템 및 방법 | |
| CN110942319A (zh) | 一种产品理赔数据建模分析与预测的方法及装置 | |
| CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
| CN112398706B (zh) | 数据评估标准确定方法、装置及存储介质、电子设备 | |
| Zhang et al. | A hybrid feature selection and health indicator construction scheme for delay-time-based degradation modelling of rolling element bearings |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wen Shangzhuo Inventor after: Zhang Lin Inventor before: Xu Meng Inventor before: Wen Shangzhuo Inventor before: Zhang Lin Inventor before: Wang Shuo |
|
| CB03 | Change of inventor or designer information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
| RJ01 | Rejection of invention patent application after publication |