CN113486583A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113486583A CN113486583A CN202110761036.1A CN202110761036A CN113486583A CN 113486583 A CN113486583 A CN 113486583A CN 202110761036 A CN202110761036 A CN 202110761036A CN 113486583 A CN113486583 A CN 113486583A
- Authority
- CN
- China
- Prior art keywords
- equipment
- value
- health
- predicted value
- historical
- 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
- 230000036541 health Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及能源系统技术领域,提供了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。该方法包括:基于设备的历史数据,得到第一预测值,其中,历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;根据第一预测值,确定设备的第二预测值;计算第一预测值与第二预测值之间的差值,以得到设备的健康误差值;利用设备的健康误差值,建立减小误差模型;基于减小误差模型,进行设备的健康评估。本公开可以有效解决在综合能源设备应用中,由于设备的健康状态预测往往预测值与真实值之间是存在较大误差且精度不准,因而经常出现误判断的状况等问题。
Description
技术领域
本公开涉及能源技术领域,尤其涉及一种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。
背景技术
随着能源工业的发展,工业设备的应用更为重要。由于在综合能源系统中,大量的设备由于环境变化和运行时长等原因经常出现损伤设备的健康度,就会出现大量的设备故障,但是这些故障不可能提前预警或准确预知故障时间,甚至出现在未到维护时间,设备已经出现故障。这种现象可能会导致整个综合能源系统出现问题,所以对于设备的健康度的评估是及其必要的。
而目前对设备的健康状态预测往往预测值与真实值之间是存在较大误差,且精度不准,因而经常出现误判断的状况,因此,对于庞大的能源系统中如果对设备的维护以及故障维护不准确不及时,会造成不可估量的损失。
发明内容
有鉴于此,本公开实施例提供了一种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,以解决现有技术中由于设备的健康状态预测往往预测值与真实值之间是存在较大误差且精度不准,因而经常出现误判断的状况等问题。
本公开实施例的第一方面,提供了一种设备的健康评估方法,包括:
基于设备的历史数据,得到第一预测值,其中,历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;
根据第一预测值,确定设备的第二预测值;
计算第一预测值与第二预测值之间的差值,以得到设备的健康误差值;
利用设备的健康误差值,建立减小误差模型;
基于减小误差模型,进行设备的健康评估。
本公开实施例的第二方面,提供了一种设备的健康评估装置,包括:
第一预测模块,用于基于设备的历史数据,得到第一预测值,其中,历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;
确定模块,用于根据第一预测值,确定设备的第二预测值;
计算模块,用于计算第一预测值与第二预测值之间的差值,以得到设备的健康误差值;
构建模块,用于利用设备的健康误差值,建立减小误差模型;
第二预测模块,用于基于减小误差模型,进行设备的健康评估。
本公开实施例的第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是:通过上述方法可以有效地解决在综合能源设备应用中,由于设备的健康状态预测往往预测值与真实值之间是存在较大误差且精度不准,因而经常出现误判断的状况等问题。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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是本公开实施例提供的一种设备的健康评估方法的流程图;
图2是本公开实施例提供的一种设备的健康评估装置的框图;
图3是本公开实施例提供的再一种基于联合学习的模型训练示意图;
图4是本公开实施例提供的一种计算机设备的示意图。
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,以便透彻理解本公开实施例。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公开。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公开的描述。
下面将结合附图详细说明根据本公开实施例的一种设备的健康评估方法和装置。
图1是本公开实施例提供的一种设备的健康评估方法的流程图。图1的设备的健康评估方法可以由终端设备或服务器执行。如图1所示,该设备的健康评估方法包括:
S101,基于设备的历史数据,得到第一预测值;其中,所述历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;
具体地,可以通过获取所述设备的历史数据;选取分类模型,以得到建立基函数的参数;根据所述基函数的参数,建立所述健康模型;利用所述健康值模型,训练得到第一预测值。
进一步地,根据基函数的参数建立健康模型可以通过下述方式实施:获取设备的历史工作状态值;根据基函数的参数和设备的历史工作状态值,确定设备的历史健康值;根据设备的历史健康值,建立健康模型。
S102,根据第一预测值,确定设备的第二预测值;
具体地,可以通过获取设备的历史运行时间内所对应的设备健康值;根据第一预测值,筛选设备的历史运行时间内所对应的设备健康值,以得到设备的实际健康值;将实际健康值确定为第二预测值。
S103,计算第一预测值与第二预测值之间的差值,以得到设备的健康误差值。
S104,利用设备的健康误差值,建立减小误差模型;
具体地,可以通过计算设备的健康误差值;根据输入设备的历史数据,选取调整参数;根据设备的健康误差值和调整参数,建立减小误差模型。
进一步地,根据输入设备的历史数据,选取调整参数可以通过根据输入设备的历史数据,构建最小化误差函数;基于最小化误差函数,选取调整参数。
S105,基于减小误差模型,计算设备的健康评估值。
对本发明所提的一种设备的健康评估方法还可以通过建立联合学习框架,实施上述S101-S105。
针对上述S101至S105在基于联合学习框架下进行设备故障的预测方法可以进一步举例说明,其中,图3为基于联合学习模型训练示意图,具体可参考图3的介绍。下面举例说明S101至S105在基于联合学习框架下进行设备的健康评佑方法:
首先,以径向量网络(RBF)为计算参数基础,RBF网络可以表达为下式:
φj代表第j个基函数其中,y=[y(t),y(t-1),....,y(t-d)]T为设备的历史运行数据,的输入值。t代表时刻,对应的为y(t)为t时刻的输入数据的数值。t+n为t时刻后的第n个时刻的数值,为预测值。W为权重,w=(wp1,wp2,。。。,wpk)需要通过历史输入数据进行训练得到。通过公式(1),输入设备的历史健康值,可以得到对应的权重W。通过公式(1)可以计算出未来第n个时刻的设备健康值。
然后,建立减小误差模型:
其中ε(t+n)为t+n时刻的设备的健康误差值。
f(x)=(1-exp(-κx))/(1+exp(-κx))--公式(4)
其中,x为实时输入数据,κ为调整参数,可通过经验获得。f(x)就是最小化误差函数。
将公式(4)改成线性回归方程,可得
其中,调整参数(α,ai,bi)可由矩阵逆运算方法获得。
根据本公开实施例提供的技术方案,为通过基于设备的历史数据,得到第一预测值,其中,历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;根据第一预测值,确定设备的第二预测值;计算第一预测值与第二预测值之间的差值,以得到设备的健康误差值;利用设备的健康误差值,建立减小误差模型;基于减小误差模型,进行设备的健康评估。利用上述方法可以有效地解决在综合能源设备应用中,通过上述方法可以有效地解决在综合能源设备应用中,由于设备的健康状态预测往往预测值与真实值之间是存在较大误差且精度不准,因而经常出现误判断的状况等问题。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图2是本公开实施例提供的一种设备的健康评估装置的示意图。如图2所示:
第一预测模块201,用于基于设备的历史数据,得到第一预测值,其中,历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;
确定模块202,用于根据第一预测值,确定设备的第二预测值;
计算模块203,用于计算第一预测值与第二预测值之间的差值,以得到设备的健康误差值;
构建模块204,用于利用设备的健康误差值,建立减小误差模型;
第二预测模块205,用于基于减小误差模型,进行设备的健康评估。
根据本公开实施例提供的技术方案,通过上述装置可以有效地解决在综合能源设备应用中,可以有效地解决在综合能源设备应用中,由于设备的健康状态预测往往预测值与真实值之间是存在较大误差且精度不准,因而经常出现误判断的状况等问题。
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,而不应对本公开实施例的实施过程构成任何限定。
本发明所指的联合学习为可用于支持多用户进行多方合作,并通过AI技术联合多方合作挖掘数据价值,建立智能联合建模。其中,智能联合建模包括:
1)参与节点控制自有数据的弱中心化联合训练模式,确保共创智能过程中的数据隐私安全;
2)在不同应用场景下,利用筛选和/或组合AI算法、隐私保护计算,建立多种模型聚合优化策略;以获取高层次、高质量的模型;
3)确保数据安全及用户隐私的前提下,基于多种模型聚合优化策略,获取提升联合学习引擎的效能方法,其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等,提升联合学习引擎的整体效能;
4)获取各场景下多方用户的需求,通过互信机制,确定合理评估各联合参与方的真实贡献度,进行分配激励;
基于上述方式,可以建立基于联合学习的AI技术生态,充分发挥行业数据价值,推动垂直领域的场景落地。
如图3所示,基于联合学习的模型训练示意图,具体说明如下(假设有参与方1、参与方2和参与方3、服务器A):
1)参与方各自从服务器A下载最新模型;
2)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;例如,参与方1将加密上传模型和参数给服务器A,服务器A反馈进行模型更新;与此同时,服务器A将全局模型更新后,返回新的模型和参数给参与方2。
3)服务器A返回更新后的模型给各参与方;
4)各参与方更新各自模型。
图4是本公开实施例提供的计算机设备4的示意图。如图4所示,该实施例的计算机设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。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,该指令段用于描述计算机程序403在计算机设备4中的执行过程。
计算机设备4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机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是计算机设备4的示例,并不构成对计算机设备4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,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也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。
存储器402可以是计算机设备4的内部存储单元,例如,计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备,例如,计算机设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402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公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,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,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。
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,在本公开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。
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存储介质中。基于这样的理解,本公开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,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,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。计算机可读介质可以包括:能够携带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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,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。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,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公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种设备的健康评估方法,其特征在于,包括:
基于设备的历史数据,得到第一预测值,其中,所述历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;
根据所述第一预测值,确定所述设备的第二预测值;
计算所述第一预测值与第二预测值之间的差值,以得到所述设备的健康误差值;
利用所述设备的健康误差值,建立减小误差模型;
基于所述减小误差模型,计算所述设备的健康评估值。
2.根据权利要求1所述的方法,其特征在于,所述基于设备的历史数据,得到第一预测值包括:
获取所述设备的历史数据;
选取分类模型,以得到建立基函数的参数;
根据所述基函数的参数,建立所述健康模型;
利用所述健康值模型,训练得到第一预测值。
3.根据权利要求2所述的方法,其特征在于,根据基函数的参数,建立健康模型包括:
获取所述设备的历史工作状态值;
根据基函数的参数和所述设备的历史工作状态值,确定所述设备的历史健康值;
根据所述设备的历史健康值,建立所述健康模型。
4.根据权利要求1所述的方法,其特征在于,根据所述第一预测值,确定所述设备的第二预测值包括:
获取所述设备的历史运行时间内所对应的设备健康值;
根据所述第一预测值,筛选所述设备的历史运行时间内所对应的设备健康值,以得到所述设备的实际健康值;
将所述实际健康值确定为第二预测值。
5.根据权利要求1所述的方法,其特征在于,利用所述设备的健康误差值,建立减小误差模型包括:
计算所述设备的健康误差值;
根据输入设备的历史数据,选取调整参数;
根据所述设备的健康误差值和所述调整参数,建立减小误差模型。
6.根据权利要求5所述的方法,其特征在于,根据输入设备的历史数据,选取调整参数包括:
根据输入设备的历史数据,构建最小化误差函数;
基于所述最小化误差函数,选取调整参数。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
建立联合学习框架。
8.一种设备的健康评估装置,其特征在于,包括:
第一预测模块,用于基于设备的历史数据,得到第一预测值,其中,所述历史数据至少包含:设备的历史工作状态值、设备的历史运行时间;
确定模块,用于根据第一预测值,确定设备的第二预测值;
计算模块,用于计算所述第一预测值与第二预测值之间的差值,以得到所述设备的健康误差值;
构建模块,用于利用所述设备的健康误差值,建立减小误差模型;
第二预测模块,用于基于所述减小误差模型,进行所述设备的健康评估。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并且可以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中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读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中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761036.1A CN113486583B (zh) | 2021-07-06 | 2021-07-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761036.1A CN113486583B (zh) | 2021-07-06 | 2021-07-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486583A true CN113486583A (zh) | 2021-10-08 |
CN113486583B CN113486583B (zh) | 2024-01-12 |
Family
ID=77941143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110761036.1A Active CN113486583B (zh) | 2021-07-06 | 2021-07-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486583B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861364A (zh) * | 2023-07-13 | 2023-10-10 | 杭州优时软件有限公司 | 基于erp系统的数据处理方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117595A (zh) * | 2018-09-25 | 2019-01-01 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
WO2020047653A1 (en) * | 2018-09-05 | 2020-03-12 | WEnTech Solutions Inc. | System and method for anaerobic digestion process assessment, optimization and/or control |
US20200218958A1 (en) * | 2019-01-09 | 2020-07-09 | International Business Machines Corporation | Predicting power usage of a chip |
CN111950201A (zh) * | 2020-08-11 | 2020-11-17 | 成都一通密封股份有限公司 | 一种泵用密封装置的全生命周期监测系统及方法 |
CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
-
2021
- 2021-07-06 CN CN202110761036.1A patent/CN113486583B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020047653A1 (en) * | 2018-09-05 | 2020-03-12 | WEnTech Solutions Inc. | System and method for anaerobic digestion process assessment, optimization and/or control |
CN109117595A (zh) * | 2018-09-25 | 2019-01-01 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
US20200218958A1 (en) * | 2019-01-09 | 2020-07-09 | International Business Machines Corporation | Predicting power usage of a chip |
CN111950201A (zh) * | 2020-08-11 | 2020-11-17 | 成都一通密封股份有限公司 | 一种泵用密封装置的全生命周期监测系统及方法 |
CN112966432A (zh) * | 2021-02-09 | 2021-06-15 | 东北电力大学 | 一种锂离子电池剩余有效寿命预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
崔建国;宋德胜;李明;陈希成;李忠海;徐长君;: "飞行器健康状态的灰色预测方法", 计算机工程与应用, no. 26, pages 223 - 226 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861364A (zh) * | 2023-07-13 | 2023-10-10 | 杭州优时软件有限公司 | 基于erp系统的数据处理方法与系统 |
CN116861364B (zh) * | 2023-07-13 | 2024-02-23 | 杭州优时软件有限公司 | 基于erp系统的数据处理方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113486583B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113486584B (zh) | 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 | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
CN114330125A (zh) | 基于知识蒸馏的联合学习训练方法、装置、设备及介质 | |
CN113487084A (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 | |
CN113435534A (zh) | 一种基于相似度度量的数据异构处理方法、装置、计算机设备及计算机可读存储介质 | |
CN110836683A (zh) | 河道管理方法、河道管理装置及终端 | |
CN106056400A (zh) | 预测新增用户数的方法、装置及系统 | |
CN113486585A (zh) | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 | |
CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
CN112884163A (zh) | 基于联邦机器学习算法与云端反馈的组合服务评估方法与系统 | |
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 | |
CN114154415A (zh) | 设备寿命的预测方法及装置 | |
CN114154714A (zh) | 时序数据预测方法、装置、计算机设备及介质 | |
CN115564055A (zh) | 异步联合学习训练方法、装置、计算机设备及存储介质 | |
CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
CN114692903A (zh) | 用于设备故障检测的方法及终端设备 | |
Feng et al. | The synchronization of complex dynamical networks with discontinuous dynamics and exogenous disturbances | |
CN113486586A (zh) | 设备健康状态评估方法、装置、计算机设备及存储介质 | |
CN113988158A (zh) | 一种基于ftrl和学习率的纵向联邦逻辑回归训练方法及装置 | |
TW202219750A (zh) | 機器學習模型訓練方法、電子設備、控制器及存儲介質 | |
CN114528893A (zh) | 机器学习模型训练方法、电子设备及存储介质 | |
WO2018101476A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
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 | |
CN114118540A (zh) | 基于样本迁移的烟气含氧量负荷预测方法及装置 |
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: 20231211 Address after: 2101 Science and Technology Innovation Base, Hangyidao Free Trade Zone, Langfang Airport Economic Zone, Daxing Airport Area, China (Hebei) Pilot Free Trade Zone, Chaoyang District, Beijing Applicant after: Xinao Xinzhi Technology Co.,Ltd. Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |