CN113486584A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113486584A
CN113486584A CN202110761039.5A CN202110761039A CN113486584A CN 113486584 A CN113486584 A CN 113486584A CN 202110761039 A CN202110761039 A CN 202110761039A CN 113486584 A CN113486584 A CN 113486584A
Authority
CN
China
Prior art keywords
equipment
data
health
parameters
training
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
CN202110761039.5A
Other languages
English (en)
Other versions
CN113486584B (zh
Inventor
张燧
徐少龙
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 CN202110761039.5A priority Critical patent/CN113486584B/zh
Publication of CN113486584A publication Critical patent/CN113486584A/zh
Application granted granted Critical
Publication of CN113486584B publication Critical patent/CN113486584B/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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及能源系统技术领域，提供了设备故障的预测方法、装置、计算机设备及计算机可读存储介质。该方法包括：筛选设备参数；基于径向基函数网络训练设备参数，以得到目标训练数据；根据目标训练数据和设备参数，获取设备的健康值；利用设备的健康值，建立设备的健康预测模型；当有实时设备参数输入时，根据健康预测模型，预测设备的剩余使用健康趋势。利用上述方法可以有效地解决在综合能源设备应用中，可以更早的发现设备可能出现的问题，在保证生产生活的前提下，提前对设备进行检修，大大降低了设备操作和运行的风险，提高了生产效率。

Description

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
技术领域
本公开涉及能源技术领域，尤其涉及一种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。
背景技术
在综合能源及工业领域中，对使用的运行设备进行故障排除和预防是非常重要的。同时也是设备健康管理中的重要的科研领域，在诸如旋转设备的复杂系统中，对系统剩余使用寿命的预测可以帮助防止维护错误，还可以避免不安全条件下的运行。因此，对设备故障的预测与健康分析是非常重要的任务。
发明内容
有鉴于此，本公开实施例提供了一种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，以解决现有技术中无法对设备进行健康评估，而导致在生产生活中所出现的设备故障操作或风险运行等问题。
本公开实施例的第一方面，提供了一种设备故障的预测方法，包括：
筛选设备参数；
基于径向基函数网络训练设备参数，以得到目标训练数据；
根据目标训练数据和设备参数，获取设备的健康值；
利用设备的健康值，建立设备的健康预测模型；
当有实时设备参数输入时，根据健康预测模型，预测设备的剩余使用健康趋势。
本公开实施例的第二方面，提供了一种设备故障的预测装置，包括：
筛选模块，用于筛选设备参数，其中，所述设备参数至少包含设备预设时间段的设备运行数据；
训练模块，用于基于径向基函数网络训练所述设备参数，以得到目标训练数据；
获取模块，用于根据目标训练数据和设备参数，获取设备的健康值；
构建模块，用于利用设备的健康值，建立设备的健康预测模型；
预测模块，用于当有实时设备参数输入时，根据健康预测模型，预测设备的剩余使用健康趋势。
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，可以更早的发现设备可能出现的问题，在保证生产生活的前提下，提前对设备进行检修，大大降低了设备操作和运行的风险，提高了生产效率。
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故障的预测方法的流程图；
图2是本公开实施例提供的另一种筛选设备参数的方法的流程图；
图3是本公开实施例提供的一种设备故障的预测装置的框图；
图4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5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故障的预测方法和装置。
图1是本公开实施例提供的一种设备故障的预测方法的流程图。图1的设备故障的预测方法可以由终端设备或服务器执行。如图1所示，该设备故障的预测方法包括：
S101，筛选设备参数；
具体地，设备参数包含：设备运行时长数据、历史运行数据、当前运行数据、能耗数据、和/或设备预设时间段的设备运行数据。
进一步地，如图2所示为筛选设备参数的方法流程图，对于筛选设备参数的方式可以为：
S101-1，根据不同设备属性，选择设备的相关数据；
具体地，根据设备属性的特点，可以选择设备运行年限、历史维修保养数据、当前运行数据(可以是工艺流程数据，如温度，压力等)、能耗数据、选择想要对设备进行评估的一个时间段等。
S101-2，基于预设的阀值，对相关数据进行第一次筛选，以得到第一筛选数据；
具体地，按设备属性选择的相关数据中如有出现丢失或异常值等现象，通过提前设定的阈值，判断相关数据是否有大于阈值条件的数据，来判断设备参数所对应的设备是否有故障，如判断有故障则进行报修提示，从而获取故障数据与报修数据即第一筛选数据。
S101-3，将第一筛选数据按设备属性进行分类，以得到设备参数。
具体地，对于按设备属性对第一筛选数据分类，可以按设备的运行时间、设备应用环境或设备的自身类别等进行分类，对此本发明不做限定。
S102，基于径向基函数网络训练设备参数，以得到目标训练数据；
具体地，可以通过接收历史运行数据，构建基函数层；根据基函数层与当前运行数据，建立基于径向基函数网络的目标数据训练模型；基于目标数据的训练模型，训练设备参数，以得到目标训练数据。
S103，根据目标训练数据和设备参数，获取设备的健康值；
具体地，可以根据目标训练数据和设备参数，训练径向基函数网络的权重；根据权重、设备运行时长数据和/或设备预设时间段的设备运行数据，确定设备未来目标时刻的设备的健康值；基于设备未来目标时刻的设备的健康值，获取设备的健康值。
S104，利用设备的健康值，建立设备的健康预测模型；
S105，当有实时设备参数输入时，根据健康预测模型，预测设备的剩余使用健康趋势。
具体地，当有实时设备参数输入时，通过健康预测模型预测未来目标时刻的设备的健康数值；利用分类模型，输出设备的剩余使用健康趋势。
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4为基于联合学习模型训练示意图，具体可参考图4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故障的预测方法：
(1)基函数需要符合高斯函数过程
Figure BDA0003149749460000051
其中，φj代表第j个基函数，cj，σj分别为输入数据的中心和径向基函数的宽度，x为输入数据。可以通过寻找数据的中心点和宽度求得，一般使用的非监督学习的分类算法，例如k-means算法。从输入数据x中随机挑选一个数值作为中心，进行k-means算法，反复进行分类，直到最后一个x的输入数据为止，这样就可以得到输入数据x的所有cj，σj。也就得到了基函数(公式1)中的参数。
(2)训练径向基函数网络(简写为RBF)的权重径向基函数网络可以用公式(2)表示：
Figure BDA0003149749460000052
其中，y＝[y(t)，y(t-1)，....，y(t-d)]T为设备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。基函数φj通过公式(1)及k-means算法得到其中的参数。通过公式(2)，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)和公式(2)可以预测出未来第n个时刻的设备健康值。
先建立RBF网络的结构，构建基函数，通过分类算法，求得基函数的参数。再通过基函数和输入的历史数据，对整个网络结构的权重进行训练，最终得到训练好的权重。
根据本公开实施例提供的技术方案，为通过筛选设备参数；基于径向基函数网络训练设备参数，以得到目标训练数据；根据目标训练数据和设备参数，获取设备的健康值；利用设备的健康值，建立设备的健康预测模型；当有实时设备参数输入时，根据健康预测模型，预测设备的剩余使用健康趋势。利用上述方法可以有效地解决在综合能源设备应用中，可以更早的发现设备可能出现的问题，在保证生产生活的前提下，提前对设备进行检修，大大降低了设备操作和运行的风险，提高了生产效率。
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3是本公开实施例提供的一种设备使用寿命的预测装置的示意图。如图3所示：
筛选模块301，用于筛选设备参数；
训练模块302，用于基于径向基函数网络训练所述设备参数，以得到目标训练数据；
获取模块303，用于根据所述目标训练数据和设备参数，获取所述设备的健康值；
构建模块304，用于利用所述设备的健康值，建立所述设备的健康预测模型；
预测模块305，用于当有实时设备参数输入时，根据所述健康预测模型，预测所述设备的剩余使用健康趋势。
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，可以更早的发现设备可能出现的问题，在保证生产生活的前提下，提前对设备进行检修，大大降低了设备操作和运行的风险，提高了生产效率。
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4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5是本公开实施例提供的计算机设备5的示意图。如图5所示，该实施例的计算机设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503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503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502中，并由处理器501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503在计算机设备5中的执行过程。
计算机设备5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5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5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501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502可以是计算机设备5的内部存储单元，例如，计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备，例如，计算机设备5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502还可以既包括计算机设备5的内部存储单元也包括外部存储设备。存储器502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502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)

1.一种设备故障的预测方法，其特征在于，包括：
筛选设备参数；
基于径向基函数网络训练所述设备参数，以得到目标训练数据；
根据所述目标训练数据和设备参数，获取所述设备的健康值；
利用所述设备的健康值，建立所述设备的健康预测模型；
当有实时设备参数输入时，根据所述健康预测模型，预测所述设备的剩余使用健康趋势。
2.根据权利要求1所述的方法，其特征在于，所述筛选设备参数包括：
根据不同设备属性，选择所述设备的相关数据；
基于预设的阀值，对所述相关数据进行第一次筛选，以得到第一筛选数据；
将所述第一筛选数据按所述设备属性进行分类，以得到所述设备参数；
其中，所述设备参数包含：设备运行时长数据、历史运行数据、当前运行数据、能耗数据、和/或设备预设时间段的设备运行数据。
3.根据权利要求2所述的方法，其特征在于，基于径向基函数网络训练设备参数，以得到目标训练数据包括：
接收所述历史运行数据，构建基函数层；
根据所述基函数层与所述当前运行数据，建立基于径向基函数网络的目标数据训练模型；
基于所述目标数据的训练模型，训练设备参数，以得到目标训练数据。
4.根据权利要求3所述的方法，其特征在于，根据所述目标训练数据和设备参数，获取所述设备的健康值包括：
根据所述目标训练数据和设备参数，训练径向基函数网络的权重；
根据所述权重、设备运行时长数据和/或设备预设时间段的设备运行数据，确定所述设备未来目标时刻的设备的健康值；
基于所述设备未来目标时刻的设备的健康值，获取所述设备的健康值。
5.根据权利要求4所述的方法，其特征在于，根据所述健康预测模型，预测所述设备的剩余使用健康趋势包括：
当有实时设备参数输入时，通过所述健康预测模型预测未来目标时刻的设备的健康数值；
利用分类模型，输出设备的剩余使用健康趋势。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
建立基于联合学习框架。
7.一种设备故障的预测装置，其特征在于，包括：
筛选模块，用于筛选设备参数；
训练模块，用于基于径向基函数网络训练所述设备参数，以得到目标训练数据；
获取模块，用于根据所述目标训练数据和设备参数，获取所述设备的健康值；
构建模块，用于利用所述设备的健康值，建立所述设备的健康预测模型；
预测模块，用于当有实时设备参数输入时，根据所述健康预测模型，预测所述设备的剩余使用健康趋势。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
框架设置模块，用于建立基于联合学框架。
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6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6中任一项所述方法的步骤。
CN202110761039.5A 2021-07-06 2021-07-06 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 Active CN113486584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110761039.5A CN113486584B (zh) 2021-07-06 2021-07-06 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110761039.5A CN113486584B (zh) 2021-07-06 2021-07-06 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

Publications (2)

Publication Number Publication Date
CN113486584A true CN113486584A (zh) 2021-10-08
CN113486584B CN113486584B (zh) 2023-12-29

Family

ID=77941172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110761039.5A Active CN113486584B (zh) 2021-07-06 2021-07-06 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

Country Status (1)

Country Link
CN (1) CN113486584B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN116520814A (zh) * 2023-07-03 2023-08-01 清华大学 云边协同架构下基于联邦学习的设备故障预测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506602A (zh) * 2017-09-07 2017-12-22 北京海融兴通信息安全技术有限公司 一种大数据健康预测系统
CN108829933A (zh) * 2018-05-22 2018-11-16 北京天泽智云科技有限公司 一种半导体制造设备的预测性维护与健康管理的方法
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN110119339A (zh) * 2019-05-07 2019-08-13 上海电气集团股份有限公司 工业设备的健康状态的评估方法、系统、设备和存储介质
CN112330063A (zh) * 2020-11-25 2021-02-05 新智数字科技有限公司 设备故障预测方法、装置以及计算机可读存储介质
CN112765560A (zh) * 2021-01-13 2021-05-07 新智数字科技有限公司 设备健康状态评估方法、装置、终端设备和存储介质
CN112768056A (zh) * 2021-01-14 2021-05-07 新智数字科技有限公司 基于联合学习框架的疾病预测模型建立方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506602A (zh) * 2017-09-07 2017-12-22 北京海融兴通信息安全技术有限公司 一种大数据健康预测系统
WO2019056499A1 (zh) * 2017-09-20 2019-03-28 平安科技（深圳）有限公司 预测模型训练方法、数据监控方法、装置、设备及介质
CN108829933A (zh) * 2018-05-22 2018-11-16 北京天泽智云科技有限公司 一种半导体制造设备的预测性维护与健康管理的方法
CN110119339A (zh) * 2019-05-07 2019-08-13 上海电气集团股份有限公司 工业设备的健康状态的评估方法、系统、设备和存储介质
CN112330063A (zh) * 2020-11-25 2021-02-05 新智数字科技有限公司 设备故障预测方法、装置以及计算机可读存储介质
CN112765560A (zh) * 2021-01-13 2021-05-07 新智数字科技有限公司 设备健康状态评估方法、装置、终端设备和存储介质
CN112768056A (zh) * 2021-01-14 2021-05-07 新智数字科技有限公司 基于联合学习框架的疾病预测模型建立方法和装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN116520814A (zh) * 2023-07-03 2023-08-01 清华大学 云边协同架构下基于联邦学习的设备故障预测方法及装置
CN116520814B (zh) * 2023-07-03 2023-09-05 清华大学 云边协同架构下基于联邦学习的设备故障预测方法及装置

Also Published As

Publication number Publication date
CN113486584B (zh) 2023-12-29

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
Rajagopal et al. FedSDM: Federated learning based smart decision making module for ECG data in IoT integrated Edge–Fog–Cloud computing environments
Li et al. A new methodology to support group decision-making for IoT-based emergency response systems
CN110782042A (zh) 横向联邦和纵向联邦联合方法、装置、设备及介质
CN114118156A (zh) 设备故障诊断方法、装置、电子设备及存储介质
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
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
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
CN113988310A (zh) 深度学习模型选择方法、装置、计算机设备和介质
CN113987941A (zh) 时间序列预测方法、装置、计算机设备和可读存储介质
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
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
CN114154415A (zh) 设备寿命的预测方法及装置
CN116384210A (zh) 一种设备寿命预测方法、装置、电子设备及存储介质
CN116069767A (zh) 设备数据清洗方法、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
CN116362103A (zh) 一种设备剩余使用寿命的预测方法及装置
CN113487085B (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
CN114118540A (zh) 基于样本迁移的烟气含氧量负荷预测方法及装置
CN113887745A (zh) 数据异构的联合学习方法及装置
CN113887747A (zh) 基于联合学习的数据融合方法及装置
CN113887744A (zh) 基于联合学习的数据特征提取方法及装置
CN114118459A (zh) 基于联合学习的检测设备健康方法及装置
CN113343280B (zh) 一种基于联合学习的私有云算法模型生成方法
CN114118229A (zh) 基于联合学习的设备检测方法及装置

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: 20231130

Address after: 2101 Science and Technology Innovation Base, Hangyidao Free Trade Zone, Langfang Airport Economic Zone, Daxing District, Beijing, China (Hebei) Pilot Free Trade Zone, Daxing Airport Area

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