CN113486585A - 设备剩余使用寿命预测方法、装置、电子设备及存储介质 - Google Patents
设备剩余使用寿命预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113486585A CN113486585A CN202110761061.XA CN202110761061A CN113486585A CN 113486585 A CN113486585 A CN 113486585A CN 202110761061 A CN202110761061 A CN 202110761061A CN 113486585 A CN113486585 A CN 113486585A
- Authority
- CN
- China
- Prior art keywords
- historical data
- data
- time
- real
- equipment
- 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
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
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及能源设备技术领域,提供了一种设备剩余使用寿命预测方法、装置、电子设备及存储介质。该方法包括:根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果,因此,无论设备的运行参数的具体参数据是离散的还是连续的,都能以数据模块的形式进行比对,从而利用历史数据模块来实现剩余使用寿命的预测,提高了对数据利用的兼容性。
Description
技术领域
本公开涉及能源设备技术领域,尤其涉及一种设备剩余使用寿命预测方法、装置、电子设备及存储介质。
背景技术
由于在综合能源系统中,大量的设备由于长期工作、环境变化、频繁起停等原因,可能会损伤设备的健康度。甚至出现在未到定期维护时间时,设备出现故障,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和剩余使用寿命预测是及其必要的。
目前,设备拥有通过传感器采集到的大量参数数据,设备的这些参数数据可能是连续的,也可能是离散的。当前针对设备剩余使用寿命的预测模型,要么是利用连续的参数数据,或者是离散的参数数据。还没有能够同时兼容离散和离线参数来对设备的剩余使用寿命进行预测。
发明内容
有鉴于此,本公开实施例提供了一种设备剩余使用寿命预测方法、装置、电子设备及存储介质,以解决现有技术中无法同时兼容使用离散型或连型数据来对剩余使用寿命进行预测的问题。
本公开实施例的第一方面,提供了一种设备剩余使用寿命预测方法,包括:根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果。
本公开实施例的第二方面,提供了一种设备剩余使用寿命预测装置,包括:构建模块,被配置为根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;对比模块,被配置为获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;预测模块,被配置为基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果。
本公开实施例的第三方面,提供了一种电子设备,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:通过根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果,因此,无论设备的运行参数的具体参数据是离散的还是连续的,都能以数据模块的形式进行比对,从而利用历史数据模块来实现剩余使用寿命的预测,提高了对数据利用的兼容性。
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剩余使用寿命预测方法的流程图;
图2是本公开实施例提供的一个运行参数的历史数据集合中的历史数据模块示意图;
图3是本公开实施例提供的一种设备剩余使用寿命预测的框图;
图4是本公开实施例提供的一种电子设备的示意图。
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剩余使用寿命预测方法和装置。
图1是本公开实施例提供的一种设备剩余使用寿命预测方法的流程图。如图1所示,该设备剩余使用寿命预测方法包括:
S101,根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;
S102,获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;
S103,基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果。
这里,剩余使用寿命(RUL,Remaining Useful Life)是指系统运行一段时间后,剩余的使用寿命。根据对系统观察到的传感器数据或日志数据,这些数据是随着系统退化或运行模式变而改变,因此这种改变是可预测的,即系统的剩余使用寿命是可预测的。实际应用中,准确地预测系统的剩余使用寿命,可以大大地减少因系统宕机引起的损失,提高系统的运行可靠性。
运行参数,是指系统运行过程中所产生的与设备相关的运行数据,或者是对系统进行监测得到的与设备相关的运行数据。根据设备的特点,该运行数据可以包括设备运行年限、历史维修保养数据、振动传感器数据,当前运行数据、能耗数据中的任一个或多个运行参数,本公开实施例对此不作限制。
根据本公开实施例提供的技术方案,通过根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果,因此,无论设备的运行参数的具体参数据是离散的还是连续的,都能以数据模块的形式进行比对,从而利用历史数据模块来实现剩余使用寿命的预测,提高了对数据利用的兼容性。
在一些实施例中,根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型,包括:确定设备在一个识别框架下的质量函数;获取设备的运行参数是历史数据,并确定历史数据为由多个轨迹时间组成的历史数据集;根据历史数据集和质量函数,构建用于对设备进行剩余使用寿命预测的轨迹模块,轨迹模块历史数据集中任一设定轨迹时间长度内的历史数据模块和质量函数。
这里,质量函数,外文名:Mass Function,分为概率质量函数和初始质量函数。其中,概率质量函数(Probability Mass Function,PMF)是离散随机变量在各特定取值上的概率。本公开实施例中,质量函数是一个描述概率的函数。例如,可以采用brief mass函数。
见图2,为本公开实施例提供的一个运行参数的历史数据集合中的历史数据模块示意图。
如图2所示,在历史数据结合中,包括了多个历史数据模块,其中,每个历史数据模块由一端设定轨迹时间长度内的运行参数的具体数据构成,该数据可以是连续的数据,也可以是离散的数据,本公开实施例对此不作限制。
具体地,根据获取到的历史数据,可以得到以下公式(1)表示的历史数据集:
具体地,根据上述质量函数和历史数据集合,可以得到如下公式(2):
其中,Xt为q维运行参数的具体观察值向量,q的取值取决于选择设备的运行参数的个数。为第i轨迹时间内,与第t个质量函数相关设备参数向量,为第i个轨迹时间内的第t个质量函数,其中,该轨迹时间的时间起点为ti,时间终点为ti+|Ti|。
具体地,结合上述公式(1)和(2),便可以得到以如下公式(3)表示历史数据模块,即:
在一些实施例中,获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块,包括:利用历史数据集合中的多个历史数据模块,对数据分类算法进行训练,得到对应的数据分类模型;基于数据分类模型对在一段时间内设备的运行参数的实时数据进行对比,从多个历史数据模块中确定出一个与实时数据最为接近的历史数据模块。
数据分类算法,是一种机器学习算法,能够对数据进行分类。该数据分类算法可以包括k近邻算法、决策树、多层感知器、伯努力贝叶斯、高斯贝叶斯、多项式贝叶斯、逻辑回归、支持向量机、随机森林算法、自适应增强算法、lightgbm算法、xgboost算法、前馈神经网络或LSTM神经网络中的任一种算法,本公开实施例对此不作限制。优选地,本公开实施例中,可以采用k近邻算法。
具体地,通过与历史数据模块进行对比,得到与历史数据模块最接近的实时数据,与该历史数据模块的轨迹时间的长度是相同的,也就是说,也可以将该实时数据表示为一个数据模块,即:
其中,为历史数据模块的集合。D为欧式距离,argmin为使目标函数取最小值的变量值。j,为历史数据模块属于历史数据模块集合中,并且满足argmin函数的条件下j的取值。此外,Yt为实时数据的具体观察值,与Xt构成相同,只不过前者使实时数据,后者使历史数据。
具体地,在分类算法中,确定与实时数据最为接近的历史数据模块,只需要计算出D的最小值,此时的实时数据与对应的历史数据模块最为接近。也就是说,二者的数据变化规律相似。
本公开实施例提供的技术方案,通过利用与实时数据最为接近的历史数据模块对应的预测模型来对该实时数据进行预测,得到该实时数据所在设备未来的剩余使用寿命的预测结果。
由于单个设备的数据是非常有限的,为了提升预测的准确度,可以对多个设备的数据进行联合学习,来提高最后剩余使用寿命的预测的精度。
在一些实施例中,该设备剩余使用寿命预测方法包括:
S201,基于联合学习对实时数据和历史数据模块建立联合学习任务;
S202,根据联合学习任务进行联合学习,得到与实时数据最为接近的历史数据模块。
具体地,可以联合多个设备,各个设备的为相同类型或相同型号的设备,且具有相同运行参数的历史数据。在联合学习任务中,各个设备可以从服务器获取数据分类算法模型,并利用自身的历史数据模块对该数据分类算法模型进行训练,之后将得到对应的模型参数上传给服务器,由服务器聚合各个设备上传的模型参数之后,对服务器中的数据分类算法模型进行更新,并将更新后的模型参数重新下发给各个设备,重复前述过程来得到满足预设条件的数据分类模型。
具体地,通过联合学习得到的数据分类模型来对其中一个设备的实时数据进行识别,来精确找到与该实时数据最为接近的历史数据模块,也就是说,最后得到的历史数据模块所在的设备与获取到该实时数据所在的设备可能并不是同一个设备。在联合学习架构下来找到的历史数据模块,并基于该历史数据模块来对实时数据进行预测,将预测的结果作为该实时数据所在设备的剩余使用寿命的预测结果,提高了预测的精度。
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剩余使用寿命预测装置的示意图。如图3所示,该设备剩余使用寿命预测装置,包括:
构建模块301,被配置为根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;
对比模块302,被配置为获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;
预测模块303,被配置为基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果。
根据本公开实施例提供的技术方案,通过根据设备的运行参数的历史数据,构建在历史数据的轨迹时间长度上基于质量函数的预测模型;获取设备在一段时间内运行参数的实时数据,并将实时数据与历史数据进行对比,找到与实时数据最为接近的一段相同时间的历史数据模块;基于历史数据模块对应的预测模型对实时数据进行预测,得到对实时数据所在设备的剩余使用寿命预测结果,因此,无论设备的运行参数的具体参数据是离散的还是连续的,都能以数据模块的形式进行比对,从而利用历史数据模块来实现剩余使用寿命的预测,提高了对数据利用的兼容性。
在一些实施例中,图3中的该设备剩余使用寿命预测装置,还包括:
任务建立模块304,被配置为基于联合学习对实时数据和历史数据模块建立联合学习任务;
联合学习模块305,被配置为根据联合学习任务进行联合学习,得到与实时数据最为接近的历史数据模块。
在一些实施例中,参与联合学习任务的各个设备为相同类型或相同型号的设备,且具有相同运行参数。
在一些实施例中,图3中的构建模块301用于确定设备在一个识别框架下的质量函数;获取设备的运行参数是历史数据,并确定历史数据为由多个轨迹时间组成的历史数据集;根据历史数据集和质量函数,构建用于对设备进行剩余使用寿命预测的轨迹模块,轨迹模块历史数据集中任一设定轨迹时间长度内的历史数据模块和质量函数。
在一些实施例中,图3中的对比模块302利用历史数据集合中的多个历史数据模块,对数据分类算法进行训练,得到对应的数据分类模型;基于数据分类模型对在一段时间内设备的运行参数的实时数据进行对比,从多个历史数据模块中确定出一个与实时数据最为接近的历史数据模块。
在一些实施例中,数据分类算法包括以下任一种分类算法:k近邻算法、决策树、多层感知器、伯努力贝叶斯、高斯贝叶斯、多项式贝叶斯、逻辑回归、支持向量机、随机森林算法、自适应增强算法、lightgbm算法、xgboost算法、前馈神经网络或LSTM神经网络中。
在一些实施例中,质量函数为概率质量函数。
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。
图4是本公开实施例提供的电子设备4的示意图。如图4所示,该实施例的电子设备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在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备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仅仅是电子设备4的示例,并不构成对电子设备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,电子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可以是电子设备4的内部存储单元,例如,电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备,例如,电子设备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还可以既包括电子设备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电子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/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子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)
1.一种设备剩余使用寿命预测方法,其特征在于,包括:
根据设备的运行参数的历史数据,构建在所述历史数据的轨迹时间长度上基于质量函数的预测模型;
获取所述设备在一段时间内所述运行参数的实时数据,并将所述实时数据与所述历史数据进行对比,找到与所述实时数据最为接近的一段相同时间的历史数据模块;
基于所述历史数据模块对应的预测模型对所述实时数据进行预测,得到对所述实时数据所在设备的剩余使用寿命预测结果。
2.根据权利要求1所述的设备剩余使用寿命预测方法,其特征在于,所述设备剩余使用寿命预测方法,还包括:
基于联合学习对所述实时数据和历史数据模块建立联合学习任务;
根据所述联合学习任务进行联合学习,得到与实时数据最为接近的历史数据模块。
3.根据权利要求2所述的设备剩余使用寿命预测方法,其特征在于,参与所述联合学习任务的各个设备为相同类型或相同型号的设备,且具有相同运行参数。
4.根据权利要求1所述的设备剩余使用寿命预测方法,其特征在于,所述根据设备的运行参数的历史数据,构建在所述历史数据的轨迹时间长度上基于质量函数的预测模型,包括:
确定所述设备在一个识别框架下的质量函数;
获取设备的运行参数是历史数据,并确定所述历史数据为由多个轨迹时间组成的历史数据集;
根据历史数据集和质量函数,构建用于对设备进行剩余使用寿命预测的轨迹模块,所述轨迹模块所述历史数据集中任一设定轨迹时间长度内的历史数据模块和质量函数。
5.根据权利要求4所述的设备剩余使用寿命预测方法,其特征在于,所述找到与所述实时数据最为接近的一段相同时间的历史数据模块,包括:
利用历史数据集合中的多个历史数据模块,对数据分类算法进行训练,得到对应的数据分类模型;
基于所述数据分类模型对在一段时间内设备的运行参数的实时数据进行对比,从所述多个历史数据模块中确定出一个与所述实时数据最为接近的历史数据模块。
6.根据权利要求5所述的设备剩余使用寿命预测方法,其特征在于,所述数据分类算法包括以下任一种分类算法:k近邻算法、决策树、多层感知器、伯努力贝叶斯、高斯贝叶斯、多项式贝叶斯、逻辑回归、支持向量机、随机森林算法、自适应增强算法、lightgbm算法、xgboost算法、前馈神经网络或LSTM神经网络中。
7.根据权利要求1-6任一项所述的设备剩余使用寿命预测方法,其特征在于,所述质量函数为概率质量函数。
8.一种设备剩余使用寿命预测装置,其特征在于,包括:
构建模块,被配置为根据设备的运行参数的历史数据,构建在所述历史数据的轨迹时间长度上基于质量函数的预测模型;
对比模块,被配置为获取所述设备在一段时间内所述运行参数的实时数据,并将所述实时数据与所述历史数据进行对比,找到与所述实时数据最为接近的一段相同时间的历史数据模块;
预测模块,被配置为基于所述历史数据模块对应的预测模型对所述实时数据进行预测,得到对所述实时数据所在设备的剩余使用寿命预测结果。
9.一种电子设备,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 |
---|---|---|---|
CN202110761061.XA CN113486585A (zh) | 2021-07-06 | 2021-07-06 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761061.XA CN113486585A (zh) | 2021-07-06 | 2021-07-06 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486585A true CN113486585A (zh) | 2021-10-08 |
Family
ID=77941165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110761061.XA Pending CN113486585A (zh) | 2021-07-06 | 2021-07-06 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486585A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114749499A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市信润富联数字科技有限公司 | 除鳞喷嘴控制方法、装置、电子设备及可读存储介质 |
CN115964470A (zh) * | 2023-02-20 | 2023-04-14 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
CN116561528A (zh) * | 2023-05-08 | 2023-08-08 | 重庆市荣冠科技有限公司 | 一种旋转机械的rul预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070078555A1 (en) * | 2005-09-30 | 2007-04-05 | Rockwell Automation Technologies, Inc. | Automation system unified data access for disparate data sources |
WO2016107180A1 (zh) * | 2015-01-04 | 2016-07-07 | 华为技术有限公司 | 网络数据流类型检测方法及装置 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
CN109981016A (zh) * | 2019-03-25 | 2019-07-05 | 安徽大学 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
CN111414703A (zh) * | 2020-03-27 | 2020-07-14 | 河南科技大学 | 一种滚动轴承剩余寿命预测方法及装置 |
CN112749453A (zh) * | 2020-12-16 | 2021-05-04 | 安徽三禾一信息科技有限公司 | 基于改进svr复杂设备剩余使用寿命预测 |
-
2021
- 2021-07-06 CN CN202110761061.XA patent/CN113486585A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070078555A1 (en) * | 2005-09-30 | 2007-04-05 | Rockwell Automation Technologies, Inc. | Automation system unified data access for disparate data sources |
WO2016107180A1 (zh) * | 2015-01-04 | 2016-07-07 | 华为技术有限公司 | 网络数据流类型检测方法及装置 |
CN106779200A (zh) * | 2016-12-07 | 2017-05-31 | 东北大学 | 基于在历史数据中进行相似搜索的风电机组状态预测方法 |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
CN109981016A (zh) * | 2019-03-25 | 2019-07-05 | 安徽大学 | 一种基于随机森林回归算法的电动大巴用异步电机最优速矩输出方法 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
CN111414703A (zh) * | 2020-03-27 | 2020-07-14 | 河南科技大学 | 一种滚动轴承剩余寿命预测方法及装置 |
CN112749453A (zh) * | 2020-12-16 | 2021-05-04 | 安徽三禾一信息科技有限公司 | 基于改进svr复杂设备剩余使用寿命预测 |
Non-Patent Citations (4)
Title |
---|
(美)詹姆斯·R.埃文斯 等: "路径优化模型与算法", 北京邮电大学出版社, pages: 48 - 49 * |
刘畅;孟晨;王成;李宝晨;: "基于相似性的装备剩余寿命预测研究", 军械工程学院学报, no. 05, pages 231 - 17 * |
赵申坤;姜潮;龙湘云;: "一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法", 机械工程学报, no. 12, pages 115 - 124 * |
雷从英 等: "基于相似性的装备部件剩余寿命预测研究", 火力与指挥控制, vol. 39, no. 4, pages 3 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114749499A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市信润富联数字科技有限公司 | 除鳞喷嘴控制方法、装置、电子设备及可读存储介质 |
CN115964470A (zh) * | 2023-02-20 | 2023-04-14 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
CN115964470B (zh) * | 2023-02-20 | 2023-09-08 | 永康市智展科技股份有限公司 | 一种摩托车配件的寿命预测方法及系统 |
CN116561528A (zh) * | 2023-05-08 | 2023-08-08 | 重庆市荣冠科技有限公司 | 一种旋转机械的rul预测方法 |
CN116561528B (zh) * | 2023-05-08 | 2024-03-01 | 重庆市荣冠科技有限公司 | 一种旋转机械的rul预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US10984338B2 (en) | Dynamically updated predictive modeling to predict operational outcomes of interest | |
CN107450524A (zh) | 预测工业设备故障的方法、装置及计算机可读存储介质 | |
CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN113486584A (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 | |
Wang et al. | A global method from predictive to prescriptive analytics considering prediction error for" Predict, then optimize" with an example of low-carbon logistics | |
Shisher et al. | The age of correlated features in supervised learning based forecasting | |
CN116502692A (zh) | 一种模型的训练方法、光伏发电功率的预测方法及设备 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
Yang et al. | Developing data-driven models to predict BEMS energy consumption for demand response systems | |
KR20190099811A (ko) | 순환신경망 기반 시계열 신호 예측 장치 및 방법 | |
Dridi et al. | An artificial intelligence approach for time series next generation applications | |
JP6947029B2 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム | |
CN115409217B (zh) | 一种基于多专家混合网络的多任务预测性维护方法 | |
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 | |
CN113486586B (zh) | 设备健康状态评估方法、装置、计算机设备及存储介质 | |
CN114154415A (zh) | 设备寿命的预测方法及装置 | |
CN116362103A (zh) | 一种设备剩余使用寿命的预测方法及装置 | |
CN113570105A (zh) | 电力负荷预测方法、装置及终端 | |
CN111815458A (zh) | 基于细粒度量化标注和集成方法的动态投资组合配置方法 | |
CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
Yan et al. | Online incremental regression for electricity price prediction | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
WO2024039508A1 (en) | Trigger point detection for online root cause analysis and system fault diagnosis | |
WO2024079344A1 (en) | Adaptive functional neural layer and network |
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 |