CN113486586B - 设备健康状态评估方法、装置、计算机设备及存储介质 - Google Patents

设备健康状态评估方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113486586B
CN113486586B CN202110761077.0A CN202110761077A CN113486586B CN 113486586 B CN113486586 B CN 113486586B CN 202110761077 A CN202110761077 A CN 202110761077A CN 113486586 B CN113486586 B CN 113486586B
Authority
CN
China
Prior art keywords
matrix
equipment
health
model
state
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.)
Active
Application number
CN202110761077.0A
Other languages
English (en)
Other versions
CN113486586A (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
Xinao Xinzhi 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 Xinao Xinzhi Technology Co ltd filed Critical Xinao Xinzhi Technology Co ltd
Priority to CN202110761077.0A priority Critical patent/CN113486586B/zh
Publication of CN113486586A publication Critical patent/CN113486586A/zh
Application granted granted Critical
Publication of CN113486586B publication Critical patent/CN113486586B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

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)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开涉及能源设备技术领域，提供了一种设备健康状态评估方法、装置、计算机设备及存储介质。该方法包括：确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在该时间段内的运行参数的数据集合；根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵；根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的该运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将其作为设备的健康状态评估结果。本公开提高了设备评估的效率和准确度。

Description

设备健康状态评估方法、装置、计算机设备及存储介质
技术领域
本公开涉及能源设备技术领域，尤其涉及一种设备健康状态评估方法、装置、计算机设备及存储介质。
背景技术
在综合能源设备管理中，需要定期对各种不同类型的能源设备进行维修。实际工作中，一般采取的是视情维修的方式来对设备进行维修保障。然而，视情维修的前提是根据设备所表现出的健康状态来决定何时且采用何种方式对设备进行维修保障。因此，如何准确且高效地评估设备的健康状态，并据此来制定对设备进行维修保障的时间和方式，是当前综合能源管理工作中希望解决的一个技术问题。
发明内容
有鉴于此，本公开实施例提供了一种设备健康状态评估方法、装置、计算机设备及存储介质，以解决现有技术中如何准确且高效地评估设备的健康状态的问题。
本公开实施例的第一方面，提供了一种设备健康状态评估方法，包括：确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在时间段内的一个或多个运行参数的数据集合；根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵，其中，健康状态矩阵和故障状态矩阵的数据维度与一个或多个运行参数的参数数量一致；根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将健康指数值作为设备的健康状态评估结果。
本公开实施例的第二方面，提供了一种设备健康状态评估装置，包括：获取模块，被配置为确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在时间段内的一个或多个运行参数的数据集合；确定模块，被配置为根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵，其中，健康状态矩阵和故障状态矩阵的数据维度与一个或多个运行参数的参数数量一致；建模模块，被位置为根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；第一评估模块，被配置为根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将健康指数值作为设备的健康状态评估结果。
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：本公开实施例通过确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在时间段内的一个或多个运行参数的数据集合；根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵，其中，健康状态矩阵和故障状态矩阵的数据维度与一个或多个运行参数的参数数量一致；根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将健康指数值作为设备的健康状态评估结果，这样，收集设备预设设定的运行参数的在线数据或离线数据，经过健康指数评估模型进行计算，便能得到对应的指数计算值，并根据该指数计算值作为设备健康状态的评估值，从而提高了对设备健康状态的评估效率；并且，由于健康指数评估模型结合了设备在故障和健康状态下的运行参数，进而提高了设备健康状态评估的准确度。
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健康状态评估方法的流程图；
图2是本公开实施例提供的另一种设备健康状态评估方法的流程图；
图3是本公开实施例提供的一种设备健康状态评估装置的示意图；
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健康状态评估方法和装置。
图1是本公开实施例提供的一种设备健康状态评估方法的流程图。
如图1所示，本公开提供的设备健康状态评估方法，包括步骤：
S101，确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在时间段内的一个或多个运行参数的数据集合；
S102，根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵，其中，健康状态矩阵和故障状态矩阵的数据维度与一个或多个运行参数的参数数量一致；
S103，根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；
S104，根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将健康指数值作为设备的健康状态评估结果。
设备是指综合能源系统中的任一能源设备，综合能源系统是由多种能源设备和管道连接而成，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。该综合能源系统包括但不限于燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备中的至少一种能源设备。
运行参数是指能源设备在运行工作中的各种类型的参数，运行参数可以是能源设备自身具有且能够获取的参数数据，运行参数也可以是通过传感器等检测设备对能源设备进行检测得到的参数数据。将能源设备的运行参数的参数数据进行存储，并建立相应的数据库，当需要获取能源设备其中一个或多个运行参数的参数数据时，需要从该数据库中进行读取即可。例如，上述运行参数可以包括但不限于：设备运行年限、设备历史维修保养数据、设备的振动传感器数据、设备当前运行的温度、设备当前运行的压力、设备的能耗数据中的至少一个。本公开实施例对具体的运行参数不做限制。
根据运行参数的数据库，通过设定设备运行的一个时间段内，并选择该设备的一个或多个运行参数，来读取该设备在该时间段内所选择的一个或多个运行参数的实时数据或历史数据，这些实时数据或历史数据构成一个数据集合。
健康状态矩阵是指设备运行在健康状态(即设备处于正常工作状态)下所获取得到的运行参数的数据集合，其中，健康状态矩阵的列或行为该数据集合中运行参数的数量，健康状态矩阵的行或列为该数据集合中运行参数的具体参数数据。同理，故障状态矩阵是指设备运行在故障状态(即设备发生故障)下所获取得到的运行参数的数据集合，其中，故障状态矩阵的列或行为该数据集合中运行参数的数量，故障状态矩阵的行或列为该数据集合中运行参数的具体参数数据。
例如，某一设备的运行参数包括设备当前运行的压力、设备的能耗数据，在一个设定时间段内，获取到设备在该设定时间段内的健康状态运行时的压力数据50个和能耗数据50个，那么，该设备在该设定时间段内的健康状态矩阵为设备的压力和能耗这2个运行参数作为矩阵的列，并将设备在该设定时间内对应的50个压力数据和设备在该设定时间内对应的50个能耗数据作为矩阵的行，以此构成设备的健康状态矩阵。那么，健康状态矩阵的数据维度为2，即与设备当前运行的压力、设备的能耗数据2个运行参数的数量一致，健康状态矩阵的数据量为50+50＝100，即设备当前运行的压力、设备的能耗数据的数据量之和；同理，设备的故障状态矩阵也一样，这里不做赘述。
设备在线是指设备能够通过网络获取到设备实时工作的运行参数的参数数据，可以对该数据进行数据处理或者数据存储。同理，设备离线是指从设备运行参数的历史数据中来获取相应运行参数的参数数据。与设备的监控状态矩阵和故障状态矩阵一样，也可以将收集到的设备在线或离线下的数据建立成对应的矩阵，即对应得到设备在线矩阵和设备离线矩阵。设备的在线矩阵和设备离线矩阵的具体构成，可以参考设备的健康状态矩阵和故障状态矩阵，这里不再赘述。
根据本公开实施例提供的设备健康状态评估方法，通过确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在时间段内的一个或多个运行参数的数据集合；根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵，其中，健康状态矩阵和故障状态矩阵的数据维度与一个或多个运行参数的参数数量一致；根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将健康指数值作为设备的健康状态评估结果，这样，收集设备预设设定的运行参数的在线数据或离线数据，经过健康指数评估模型进行计算，便能得到对应的指数计算值，并根据该指数计算值作为设备健康状态的评估值，从而提高了对设备健康状态的评估效率；并且，由于健康指数评估模型结合了设备在故障和健康状态下的运行参数，进而提高了设备健康状态评估的准确度。
图2是本公开实施例提供的另一种设备健康状态评估方法的流程图。
在一些实施例中，如图2所示，上述设备健康状态评估方法，还包括：
S201，在联合学习架构下，建立以多个设备在不同时间段内的健康指数值的回归规律为联合学习任务；
S202，利用各个设备在离线或在线时收集到的一个或多个运行参数的数据对联合学习任务进行学习，得到对设备的健康状态进行评估的目标评估模型；
S203，根据目标评估模型，确定设备在离线或在线时的健康评估结果。
联合学习架构是一种加密的分布式机器学习技术，参与联合学习的各方可以在不披露底层数据和底层数据的加密(混淆)形态的前提下共建模型。这也是一种共赢的机器学习方式，它打破了各方之间的数据壁垒，在保护数据隐私的情况下能够将各方的数据联合起来共同进行人工智能学习。
目标评估模型是指通过联合学习的各参与方所要实现的学习目标，目标评估模型可以为任何类型的机器学习模型，例如，回归模型。本公开实施例对具体的机器学习模型不予限制。
根据本公开实施例提供的设备健康状态评估方法，通过在联合学习架构下，建立以多个设备在不同时间段内的健康指数值的回归规律为联合学习任务；利用各个设备在离线或在线时收集到的一个或多个运行参数的数据对联合学习任务进行学习，得到对设备的健康状态进行评估的目标评估模型；根据目标评估模型，确定设备在离线或在线时的健康评估结果，联合学习能够集合不同设备的数据作为训练样本共同对目标联合学习模型进行学习，增加了训练样本的数据，从而能够进一步提高模型的精度且不会泄露各个设备所拥有的私有数据。
在一些实施例中，以上步骤S202中，对联合学习任务进行学习的过程，可以具体包括：
S1，确定全局模型为联合学习架构的联合学习任务，全局包括回归模型；
S2，参与联合学习的设备获取全局模型，并使用设备在离线或在线时收集到的一个或多个运行参数的数据对全局模型进行训练，得到局部模型；
S3，聚合各个参与联合学习的设备得到的局部模型的模型参数，使用模型参数更新全局模型，并将更新后的全局模型的模型参数下发给各个参与联合学习的设备；
S4，各个参与联合学习的设备使用更新后的全局模型的模型参数更新自己的局部模型，并使用自身设备在离线或在线时收集到的一个或多个运行参数的数据对更新后的局部模型进行训练；
S5，循环上述步骤S3-S4，直到全局模型满足预设的学习目标为止，得到能够对设备的健康状态进行评估的目标评估模型。
此处，学习目标可以是设定的目标任务的循环次数，或者，学习目标也可以是预先设定的模型收敛条件。
具体地，联合学习任务就是利用各个参与方拥有的数据进行回归学习，来得到设备在不同时间段的回归曲线，将健康指数评估模型对设备的离线数据或在线数据进行计算得到的健康指数，与该回归曲线进行比较，根据比较结果确定该健康指数是否符合该回归曲线的规律，若确定则可以认为设备处于健康状态，反之则认为设备处于故障状态。
具体地，上述全局模型为回归模型，例如，该回归为最小二乘法模型、差分整合移动平均自回归模型中的任一种模型。
在一些实施例中，上述步骤S103，可以具体包括步骤：
S301，根据健康状态矩阵和故障状态矩阵，建立转换矩阵；
S302，根据转换矩阵，建立能够使用转换矩阵对设备在在线或离线下收集到的一个或多个运行参数的数据集合排列成的在线状态矩阵或离线状态矩阵进行求解的设备健康指数评估模型，其中，在线状态矩阵或离线状态矩阵与转换矩阵中的运行参数维度相同。
此处，设备在健康状态和故障状态下收集到的数据所建立的矩阵，即对应的健康状态矩阵和故障状态矩阵。
具体地，建立转换矩阵，可以具体包括：
S311，合并健康状态矩阵与故障状态矩阵，得到合并矩阵；
S312，确定健康状态矩阵的数据量大小的阶零向量与故障状态矩阵的数据量大小相对应阶的单位向量所成矩阵的矩阵转置；
S313，建立以合并矩阵与合并矩阵的转置的乘积的倒数、合并矩阵的转置以及矩阵转置的乘积为目标值的转换矩阵。
例如，收集到一组健康状态矩阵A1和一组故障状态矩阵A2，那么，A1可以表示为[M1×D]，A2表示为[M2×D]。其中，M1，M2分别为系统健康和故障的数据量大小，D为每个数据集的维度。
那么，合并矩阵可以表示为A＝[A1；A2]，矩阵转置可以表示为B＝[B1,B2]T，其中，其中，B1为M1阶零向量，B2为M2阶的单位向量。
通过上述信息，假设转换矩阵为K，则建立转换矩阵K，如下式：
K＝(ATA)-1ATB。
由此，设备健康指数评估模型是通过上述得到的转换矩阵对收集到的设备的运行数据所构成的矩阵进行变换，得到对应的设备健康状态指数。
具体的，假如收集到的运行数据为离线数据，使用Aoff表示设备的离线状态矩阵，那么，Aoff＝[Moff×D]阶矩阵；同理，假如手机到的运行数据为在线数据，使用Aon表示设备的在线状态矩阵，那么，Aon＝[Mon×D]阶矩阵。其中，Moff，Mon分别为系统离线和在线的数据量大小，D为每个数据集的维度。
即，设备健康指数评估模型，可以表示为：
VHI＝Aoff*K；
VHI＝Aon*K。
其中，VHI为设备的健康指数。
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健康状态评估装置的示意图。
如图3所示，该设备健康状态评估装置包括：
获取模块301，被配置为确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在时间段内的一个或多个运行参数的数据集合；
确定模块302，被配置为根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵，其中，健康状态矩阵和故障状态矩阵的数据维度与一个或多个运行参数的参数数量一致；
建模模块303，被位置为根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；
第一评估模块304，被配置为根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将健康指数值作为设备的健康状态评估结果。
根据本公开实施例提供的设备健康状态评估装置，通过获取模块301，被配置为确定对设备进行评估的一个时间段和设备的一个或多个运行参数，并获取在时间段内的一个或多个运行参数的数据集合；确定模块302，被配置为根据数据集合，确定设备运行在健康状态下的一组健康状态矩阵和设备运行在故障状态下的一组故障状态矩阵，其中，健康状态矩阵和故障状态矩阵的数据维度与一个或多个运行参数的参数数量一致；建模模块303，被位置为根据健康状态矩阵和故障状态矩阵，建立通过对在线或离线收集到的设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；第一评估模块304，被配置为根据健康指数评估模型，确定设备在离线或在线时的健康指数值，并将健康指数值作为设备的健康状态评估结果，这样，收集设备预设设定的运行参数的在线数据或离线数据，经过健康指数评估模型进行计算，便能得到对应的指数计算值，并根据该指数计算值作为设备健康状态的评估值，从而提高了对设备健康状态的评估效率；并且，由于健康指数评估模型结合了设备在故障和健康状态下的运行参数，进而提高了设备健康状态评估的准确度。
在一些实施例中，该设备健康状态评估装置包括：
任务模块305，被评为在联合学习架构下，建立以多个设备在不同时间段内的健康指数值的回归规律为联合学习任务；
学习模块306，被配置为利用各个设备在离线或在线时收集到的一个或多个运行参数的数据对联合学习任务进行学习，得到对设备的健康状态进行评估的目标评估模型；
第二评估模块307，被配置为根据目标评估模型，确定设备在离线或在线时的健康评估结果。
在一些实施例中，学习模块306还用于S1，确定联合学习架构下的全局模型，全局包括回归模型；S2，参与联合学习的设备获取全局模型，并使用设备在离线或在线时收集到的一个或多个运行参数的数据对全局模型进行训练，得到局部模型；S3，聚合各个参与联合学习的设备得到的局部模型的模型参数，使用模型参数更新全局模型，并将更新后的全局模型的模型参数下发给各个参与联合学习的设备；S4，各个参与联合学习的设备使用更新后的全局模型的模型参数更新自己的局部模型，并使用自身设备在离线或在线时收集到的一个或多个运行参数的数据对更新后的局部模型进行训练；S5，循环上述步骤S3-S4直到全局模型满足预设的学习目标为止，得到能够对设备的健康状态进行评估的目标评估模型。
在一些实施例中，回归模型包括最小二乘法模型、差分整合移动平均自回归模型中的任一种模型。
在一些实施例中，建模模块303还用于根据健康状态矩阵和故障状态矩阵，建立转换矩阵；根据转换矩阵，建立能够使用转换矩阵对设备在在线或离线下收集到的一个或多个运行参数的数据集合排列成的在线状态矩阵或离线状态矩阵进行求解的设备健康指数评估模型，其中，在线状态矩阵或离线状态矩阵与转换矩阵中的运行参数维度相同。
在一些实施例中，建模模块303还用于合并健康状态矩阵与故障状态矩阵，得到合并矩阵；确定健康状态矩阵的数据量大小的阶零向量与故障状态矩阵的数据量大小相对应阶的单位向量所成矩阵的矩阵转置；建立以合并矩阵与合并矩阵的转置的乘积的倒数、合并矩阵的转置以及矩阵转置的乘积为目标值的转换矩阵。
在一些实施例中，设备的运行参数包括：设备运行年限、设备历史维修保养数据、设备的振动传感器数据、设备当前运行的温度、设备当前运行的压力、设备的能耗数据中的一个或多个。
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 (8)

1.一种设备健康状态评估方法，其特征在于，包括：
确定对设备进行评估的一个时间段和所述设备的一个或多个运行参数，并获取在所述时间段内的所述一个或多个运行参数的数据集合；
根据所述数据集合，确定所述设备运行在健康状态下的一组健康状态矩阵和所述设备运行在故障状态下的一组故障状态矩阵，其中，所述健康状态矩阵和所述故障状态矩阵的数据维度与所述一个或多个运行参数的参数数量一致；
根据所述健康状态矩阵和所述故障状态矩阵，建立通过对在线或离线收集到的所述设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；
根据所述健康指数评估模型，确定所述设备在离线或在线时的健康指数值，并将健康指数值作为所述设备的健康状态评估结果；
根据所述健康状态矩阵和所述故障状态矩阵，建立通过对在线或离线收集到的所述设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型，包括：
根据所述健康状态矩阵和所述故障状态矩阵，建立转换矩阵；
根据所述转换矩阵，建立能够使用所述转换矩阵对设备在在线或离线下收集到的一个或多个运行参数的数据集合排列成的在线状态矩阵或离线状态矩阵进行求解的设备健康指数评估模型，其中，所述在线状态矩阵或离线状态矩阵与所述转换矩阵中的运行参数维度相同；
所述建立转换矩阵，包括：
合并所述健康状态矩阵与故障状态矩阵，得到合并矩阵；
确定所述健康状态矩阵的数据量大小相对应阶的零向量与所述故障状态矩阵的数据量大小相对应阶的单位向量所成矩阵的矩阵转置；
建立以所述合并矩阵与所述合并矩阵的转置的乘积的倒数、所述合并矩阵的转置以及所述矩阵转置的乘积为目标值的转换矩阵。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在联合学习架构下，建立以多个设备在不同时间段内的健康指数值的回归规律为联合学习任务；
利用各个所述设备在离线或在线时收集到的所述一个或多个运行参数的数据对所述联合学习任务进行学习，得到对所述设备的健康状态进行评估的目标评估模型；
根据目标评估模型，确定设备在离线或在线时的健康评估结果。
3.根据权利要求2所述的方法，其特征在于，所述利用各个所述设备在离线或在线时收集到的所述一个或多个运行参数的数据对所述联合学习任务进行学习，得到对所述设备的健康状态进行评估的目标评估模型，包括：
S1，确定联合学习架构下的全局模型，所述全局包括回归模型；
S2，参与联合学习的设备获取所述全局模型，并使用所述设备在离线或在线时收集到的所述一个或多个运行参数的数据对所述全局模型进行训练，得到局部模型；
S3，聚合各个参与联合学习的设备得到的局部模型的模型参数，使用所述模型参数更新所述全局模型，并将更新后的全局模型的模型参数下发给各个所述参与联合学习的设备；
S4，各个参与联合学习的设备使用所述更新后的全局模型的模型参数更新自己的局部模型，并使用自身设备在离线或在线时收集到的所述一个或多个运行参数的数据对更新后的局部模型进行训练；
S5，循环上述步骤S3-S4直到所述全局模型满足预设的学习目标为止，得到能够对设备的健康状态进行评估的目标评估模型。
4.根据权利要求3所述的方法，其特征在于，回归模型包括最小二乘法模型、差分整合移动平均自回归模型中的任一种模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述设备的运行参数包括：设备运行年限、设备历史维修保养数据、设备的振动传感器数据、设备当前运行的温度、设备当前运行的压力、设备的能耗数据中的一个或多个。
6.一种设备健康状态评估装置，其特征在于，包括：
获取模块，被配置为确定对设备进行评估的一个时间段和所述设备的一个或多个运行参数，并获取在所述时间段内的所述一个或多个运行参数的数据集合；
确定模块，被配置为根据所述数据集合，确定所述设备运行在健康状态下的一组健康状态矩阵和所述设备运行在故障状态下的一组故障状态矩阵，其中，所述健康状态矩阵和所述故障状态矩阵的数据维度与所述一个或多个运行参数的参数数量一致；
建模模块，被配置为根据所述健康状态矩阵和所述故障状态矩阵，建立通过对在线或离线收集到的所述设备的一个或多个运行参数的数据集合所排列成的矩阵进行矩阵变换来得到相应的设备健康指数的设备健康指数评估模型；具体包括：根据所述健康状态矩阵和所述故障状态矩阵，建立转换矩阵；根据所述转换矩阵，建立能够使用所述转换矩阵对设备在线或离线下收集到的一个或多个运行参数的数据集合排列成的在线状态矩阵或离线状态矩阵进行求解的设备健康指数评估模型，其中，所述在线状态矩阵或离线状态矩阵与所述转换矩阵中的运行参数维度相同；所述建立转换矩阵，包括：合并所述健康状态矩阵与故障状态矩阵，得到合并矩阵；确定所述健康状态矩阵的数据量大小相对应阶的零向量与所述故障状态矩阵的数据量大小相对应阶的单位向量所成矩阵的矩阵转置；建立以所述合并矩阵与所述合并矩阵的转置的乘积的倒数、所述合并矩阵的转置以及所述矩阵转置的乘积为目标值的转换矩阵；
第一评估模块，被配置为根据所述健康指数评估模型，确定所述设备在离线或在线时的健康指数值，并将健康指数值作为所述设备的健康状态评估结果。
7.一种计算机设备，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5中任一项所述方法的步骤。
8.一种存储介质，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5中任一项所述方法的步骤。
CN202110761077.0A 2021-07-06 2021-07-06 设备健康状态评估方法、装置、计算机设备及存储介质 Active CN113486586B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110761077.0A CN113486586B (zh) 2021-07-06 2021-07-06 设备健康状态评估方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110761077.0A CN113486586B (zh) 2021-07-06 2021-07-06 设备健康状态评估方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113486586A CN113486586A (zh) 2021-10-08
CN113486586B true CN113486586B (zh) 2023-09-05

Family

ID=77941107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110761077.0A Active CN113486586B (zh) 2021-07-06 2021-07-06 设备健康状态评估方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113486586B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116439815B (zh) * 2023-06-16 2023-08-18 深圳市科医仁科技发展有限公司 一种冷冻溶脂仪的状态检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5293323A (en) * 1991-10-24 1994-03-08 General Electric Company Method for fault diagnosis by assessment of confidence measure
CN105447646A (zh) * 2015-12-02 2016-03-30 中国电力科学研究院 一种配电系统健康指数评估方法
CN107504999A (zh) * 2017-08-08 2017-12-22 北京物资学院 一种仓储货架安全预警与健康评估方法及装置
CN110672323A (zh) * 2019-09-02 2020-01-10 佛山科学技术学院 一种基于神经网络的轴承健康状态评估方法及装置
CN111222290A (zh) * 2020-01-13 2020-06-02 浙江工业大学 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN112699597A (zh) * 2020-12-09 2021-04-23 西安交通大学 一种核电启动水泵滚动轴承故障检测方法及系统
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11042145B2 (en) * 2018-06-13 2021-06-22 Hitachi, Ltd. Automatic health indicator learning using reinforcement learning for predictive maintenance
US20190384255A1 (en) * 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5293323A (en) * 1991-10-24 1994-03-08 General Electric Company Method for fault diagnosis by assessment of confidence measure
CN105447646A (zh) * 2015-12-02 2016-03-30 中国电力科学研究院 一种配电系统健康指数评估方法
CN107504999A (zh) * 2017-08-08 2017-12-22 北京物资学院 一种仓储货架安全预警与健康评估方法及装置
CN110672323A (zh) * 2019-09-02 2020-01-10 佛山科学技术学院 一种基于神经网络的轴承健康状态评估方法及装置
CN111222290A (zh) * 2020-01-13 2020-06-02 浙江工业大学 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN112699597A (zh) * 2020-12-09 2021-04-23 西安交通大学 一种核电启动水泵滚动轴承故障检测方法及系统
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于标识解析和可信度矩阵的 动设备故障诊断模型研究;朱林全等;《化工自动化及仪表》;第134-142页 *

Also Published As

Publication number Publication date
CN113486586A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN110543697B (zh) 一种电力市场仿真模拟运行系统
CN109740872A (zh) 一种台区运行状态的诊断方法及系统
CN113177366B (zh) 一种综合能源系统规划方法、装置和终端设备
Li et al. Federated anomaly detection on system logs for the internet of things: A customizable and communication-efficient approach
Shayesteh et al. Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation?
CN108197080A (zh) 一种基于多种算法融合的缺失值插补方法
CN113486586B (zh) 设备健康状态评估方法、装置、计算机设备及存储介质
WO2024015014A1 (en) Method and apparatus for displaying carbon intensities, and device, storage medium, and program product thereof
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
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
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN115713320A (zh) 设备的运维策略优化方法、装置、设备及存储介质
Wang et al. Linear approximation fuzzy model for fault detection in cyber-physical system for supply chain management
CN111625754A (zh) 用于计算锅炉能效的方法、装置、终端设备和存储介质
Jamshidi et al. Using artificial neural networks and system identification methods for electricity price modeling
CN116957391A (zh) 用于综合能源运维的多维度评估方法及系统
Nastro et al. A machine learning approach based on neural networks for energy diagnosis of telecommunication sites
CN115471098A (zh) 碳排放量获取方法、装置、计算机设备和存储介质
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
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN116362103A (zh) 一种设备剩余使用寿命的预测方法及装置
CN113792421A (zh) 一种基于数字孪生的tpm设备管理数据处理系统及方法
CN113704750A (zh) 分布式发电系统的网络攻击检测方法、装置及终端设备
CN114764670A (zh) 基于联合学习的设备健康评估方法及终端设备
CN112560325A (zh) 换电业务的预测方法、系统、设备及存储介质

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: 20230731

Address after: 065001 China (Hebei) Pilot Free Trade Zone Daxing Airport Area Langfang Airport Economic Zone Hangyidao Free Trade Zone Science and Technology Innovation Base 2101, Langfang City, Hebei Province

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