CN113487083A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113487083A CN113487083A CN202110761524.2A CN202110761524A CN113487083A CN 113487083 A CN113487083 A CN 113487083A CN 202110761524 A CN202110761524 A CN 202110761524A CN 113487083 A CN113487083 A CN 113487083A
- Authority
- CN
- China
- Prior art keywords
- equipment
- health
- model
- parameters
- index
- 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 44
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 129
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000003862 health status Effects 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution 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
- 238000004891 communication 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
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 1
- 229910052794 bromium Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 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
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002918 waste heat Substances 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本公开涉及能源系统技术领域，提供了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。该方法包括：收集设备参数；训练设备参数，以得到健康观测模型；根据健康观测模型，建立设备的健康状态模型；基于所述健康状态模型，确定未来目标时间内的设备的健康指数；根据未来目标时间内的设备的健康指数，得到设备剩余使用寿命。通过上述方法可以有效地解决在综合能源系统或设备应用中，在发生故障前及时对其检修，提高了能源设备的使用率，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
技术领域
本公开涉及能源技术领域，尤其涉及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。
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评估非常重要。
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的预测方法、装置、计算机设备及计算机可读存储介质，可以有效地解决在综合能源系统或设备应用中，在发生故障前及时对其检修，提高了能源设备的使用率，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。
本公开实施例的第一方面，提供了一种设备剩余使用寿命的预测方法，包括：
收集设备参数；训练设备参数，以得到健康观测模型；根据健康观测模型，建立设备的健康状态模型；基于所述健康状态模型，确定未来目标时间内的设备的健康指数；根据未来目标时间内的设备的健康指数，得到设备剩余使用寿命。
本公开实施例的第二方面，提供了一种设备剩余使用寿命的预测装置，包括：
收集模块，用于收集设备参数；
训练模块，用于训练设备参数，以得到健康观测模型；
建模模块，用于根据健康观测模型，建立设备的健康状态模型；
计算模块，用于基于健康状态模型，确定未来目标时间内的设备的健康指数；
输出模块，用于根据未来目标时间内的设备的健康指数，得到设备剩余使用寿命。
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：通过收集设备参数；训练设备参数，以得到健康观测模型；根据健康观测模型，建立设备的健康状态模型；基于所述健康状态模型，确定未来目标时间内的设备的健康指数；根据未来目标时间内的设备的健康指数，得到设备剩余使用寿命。通过上述方法可以有效地解决在综合能源系统或设备应用中，在发生故障前及时对其检修，提高了能源设备的使用率，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使用寿命的预测方法的流程图；
图2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框图；
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使用寿命的预测方法和装置。
关于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。
图1是本公开实施例提供的一种设备使用寿命的预测方法的流程图。图1的设备使用寿命的预测方法可以由终端设备或服务器执行。如图1所示，该设备使用寿命的预测方法包括：
S101，收集设备参数。
具体地，设备参数可以至少包含：设备的历史工作时间点及所述历史工作时间点对应的运行数据，也可以包含设备历史运行数据和实时运行数据。可以是通过基于设备检测点进行设备参数的收集；检测点可是数据采集与监视控制系统，也可以是传感器等。设备可以是指燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备等设备，对此本发明不做限定。
其中，设备的运行数据还可以包含设备的运行时间、运行时间以及相关运行的故障数据、报修数据、调试参数，该调试参数可以是设置运行速度、温度等，此处本发明不做限定。
对S101进一步举例说明：
假设设备参数数据是通过数据采集与监视控制系统收集各个设备参数。当参数中如有缺失或异常值等现象出现，可以利用回归类方法进行数值的插补和去除异常值。通过预设定的阈值，判断收集参数是否有超出阈值，从而判断设备是否有故障，如判断有故障进行报警，从而获取设备非健康状态数据。根据设备的特点，选择设备运行时间、历史健康数据、振动传感器数据等，当前运行数据、能耗数据其中的一个或多个数据、结合设备历史运行状态，可以得到设备运行数据。还可以选择需求时间段对设备进行某一时间段的评估来获取目标数据，对此本发明不做限定不再赘述。
S102，训练设备参数，以得到健康观测模型。
具体地，根据设备参数，设置健康指数范围；利用健康指数范围，构建带噪音的健康指数模型；基于带噪音的健康指数模型，训练出设备的健康指数；根据所述健康指数，建立健康观测模型。
S103，根据健康观测模型，建立设备的健康状态模型。
具体地，获取设备的历史健康状态数据；向健康观测模型输入设备的历史健康状态数据，计算设备的健康评估值；基于健康评估值，建立设备的健康状态模型。
S104，基于健康状态模型，确定未来目标时间内的设备的健康指数。
具体地，可以通过获取设备的历史时间点对应的设备参数和当前时间点对应的设备参数；基于上述步骤所建立的健康状态模型，训练历史时间点对应的设备参数以得到设备的历史健康指数；根据设备的历史健康指数，确定未来目标时间内的设备的健康指数。
S105，根据未来目标时间内的设备的健康指数，得到设备剩余使用寿命。
具体地，根据未来目标时间内的设备的健康指数，选择设备参数的分类模型；基于分类模型，确定设备的健康状态趋势值，其中健康状态趋势值包含：每个时间点对应的设备参数；根据健康状态趋势值，得到设备剩余使用寿命。
现将S101至S105的方法在联合学习的框架下进行可以如下举例说明：
首先，可以先根据所收集的设备参数设置健康指数范围在(0，1)区间范围内，0代表最差，1代表最好，基于此，可以得到健康指数与输入数据的模型，带噪音的健康指数模型
其中，y为健康指数，可以由现场设备的历史数据通过健康指数模型得到，X＝(x1，x2，...，xn)为设备参数向量，(b0，B)＝(b0，b1，...，bn)为模型的系数
具体步骤如下所示：
1)训练部分：
通过已知的设备健康指数和设备的实时数据，可以通过公式1训练得到模型的系数(b0，B)。公式(1)的目的为把收集的参数转变为健康指数。
2)带噪音的健康指数模型实时运行部分：
对于公式(1)，当使用X＝(x1，x2，...，xn)和(b0，B)时，X＝(x1，x2，...，xn)在实时运行的模型中代表的是实时的设备参数，可以将实时设备参数转化成对应时刻的健康指数。
因此，公式(1)可以改成下式y＝x+v--公式(2)其中x被称为实际的健康状态(为实时数据)，v为噪音也就是误差项。
3)建立健康状态模型
将公式(2)中的实际健康状态进行定义，如下
xt＝β0+β1xt-1+wt，wt～N(0，σ2)--公式(3)
xt为t时刻的设备实际健康状态。为符合正态反伽马前分布(normal inversegamma prior distribution)，为状态评估误差，符合正态分布。根据经验取值0.00004。
因此，健康状态模型可以通过公式(2)和公式(3)建立为如下
角标t代表t时刻的对应变量的数据。可以根据历史数据进行估算，角标t-1代表的变量就是历史设备参数。因此最终可以得到t时刻的健康指数。也就是未来时刻的健康指数，从而可知设备的剩余使用寿命。
通过将建立的健康观测模型与健康状态模型的融合，可以在实时数据传入的时候，通过预测模型预测出后面时刻的设备健康数值，然后再通过分类模型，来输出后续的健康数值对应的设备状态，例如y输出的值，对应的设备状态时期为退化时期，从而能更精确的给出设备的维修维护方案。
对于上述步骤可如图2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。
根据本公开实施例提供的技术方案，收集设备参数；训练设备参数，以得到健康观测模型；根据健康观测模型，建立设备的健康状态模型；基于所述健康状态模型，确定未来目标时间内的设备的健康指数；根据未来目标时间内的设备的健康指数，得到设备剩余使用寿命。通过上述方法可以有效地解决在综合能源系统或设备应用中，在发生故障前及时对其检修，提高了能源设备的使用率，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，该设备使用寿命的预测装置包括：
收集模块301，用于收集设备参数；
训练模块302，用于训练所述设备参数，以得到健康观测模型；
建模模块303，用于根据所述健康观测模型，建立所述设备的健康状态模型；
计算模块304，用于基于所述健康状态模型，确定未来目标时间内的所述设备的健康指数；
输出模块305，用于根据所述未来目标时间内的设备的健康指数，得到设备剩余使用寿命。
其中，建模模块303包括：
获取子模块，用于获取所述设备的历史健康状态数据；
计算子模块，用于向所述健康观测模型输入所述设备的历史健康状态数据，计算所述设备的健康评估值；
建立子模块，用于基于所述健康评估值，建立所述设备的健康状态模型。
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。
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)
1.一种设备剩余使用寿命的预测方法，其特征在于，包括：
收集设备参数；
训练所述设备参数，以得到健康观测模型；
根据所述健康观测模型，建立所述设备的健康状态模型；
基于所述健康状态模型，确定未来目标时间内的所述设备的健康指数；
根据所述未来目标时间内的设备的健康指数，得到设备剩余使用寿命。
2.根据权利要求1所述的方法，其特征在于，所述收集设备参数包括：
基于设备检测点进行设备参数的收集；
其中，所述设备参数至少包含：设备的历史工作时间点及所述历史工作时间点对应的运行数据。
3.根据权利要求1所述的方法，其特征在于，训练所述设备参数，以得到健康观测模型包括：
根据所述设备参数，设置健康指数范围；
利用所述健康指数范围，构建带噪音的健康指数模型；
基于所述带噪音的健康指数模型，训练出所述设备的健康指数；
根据所述健康指数，建立所述健康观测模型。
4.根据权利要求3所述的方法，其特征在于，根据健康观测模型，建立设备的健康状态模型包括：
获取所述设备的历史健康状态数据；
向所述健康观测模型输入所述设备的历史健康状态数据，计算所述设备的健康评估值；
基于所述健康评估值，建立所述设备的健康状态模型。
5.根据权利要求4所述的方法，其特征在于，基于健康状态模型，确定未来目标时间内的所述设备的健康指数包括：
获取所述设备的历史时间点对应的设备参数和当前时间点对应的设备参数；
基于所述健康状态模型，训练所述历史时间点对应的设备参数以得到所述设备的历史健康指数；
根据所述设备的历史健康指数，确定未来目标时间内的所述设备的健康指数。
6.根据权利要求5所述的方法，其特征在于，根据未来目标时间内的设备的健康指数，得到设备剩余使用寿命包括：
根据未来目标时间内的设备的健康指数，选择所述设备参数的分类模型；
基于所述分类模型，确定所述设备的健康状态趋势值，其中所述健康状态趋势值包含：每个时间点对应的设备参数；
根据所述健康状态趋势值，得到设备剩余使用寿命。
7.一种设备剩余使用寿命的预测装置，其特征在于，包括：
收集模块，用于收集设备参数；
训练模块，用于训练所述设备参数，以得到健康观测模型；
建模模块，用于根据所述健康观测模型，建立所述设备的健康状态模型；
计算模块，用于基于所述健康状态模型，确定未来目标时间内的所述设备的健康指数；
输出模块，用于根据所述未来目标时间内的设备的健康指数，得到设备剩余使用寿命。
8.根据权利要求7所述的装置，其特征在于，所述建模模块包括：
获取子模块，用于获取所述设备的历史健康状态数据；
计算子模块，用于向所述健康观测模型输入所述设备的历史健康状态数据，计算所述设备的健康评估值；
建立子模块，用于基于所述健康评估值，建立所述设备的健康状态模型。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761524.2A CN113487083A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761524.2A CN113487083A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113487083A true CN113487083A (zh) | 2021-10-08 |
Family
ID=77941225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110761524.2A Pending CN113487083A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487083A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869612A (zh) * | 2021-12-01 | 2021-12-31 | 锱云(上海)物联网科技有限公司 | 一种刀具的使用寿命评估方法、系统和存储介质 |
| 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 |
| CN114239932A (zh) * | 2021-12-01 | 2022-03-25 | 深圳供电局有限公司 | 一种变压器寿命预测方法、装置、计算机设备和存储介质 |
| CN114580087A (zh) * | 2022-05-06 | 2022-06-03 | 山东大学 | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
| CN111984513A (zh) * | 2020-08-25 | 2020-11-24 | 浙江天垂科技有限公司 | 一种预测性维护方法、装置、设备以及存储介质 |
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
-
2021
- 2021-07-06 CN CN202110761524.2A patent/CN113487083A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
| CN111984513A (zh) * | 2020-08-25 | 2020-11-24 | 浙江天垂科技有限公司 | 一种预测性维护方法、装置、设备以及存储介质 |
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡娅维: "随机非线性退化的机械产品寿命评估及在主动再制造的应用", 中国学术期刊电子杂志社, no. 2020, pages 13 - 14 * |
Cited By (5)
| 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 |
| CN113869612A (zh) * | 2021-12-01 | 2021-12-31 | 锱云(上海)物联网科技有限公司 | 一种刀具的使用寿命评估方法、系统和存储介质 |
| CN114239932A (zh) * | 2021-12-01 | 2022-03-25 | 深圳供电局有限公司 | 一种变压器寿命预测方法、装置、计算机设备和存储介质 |
| CN114580087A (zh) * | 2022-05-06 | 2022-06-03 | 山东大学 | 一种船载设备的联邦剩余使用寿命预测方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN112668237B (zh) | 一种基于工业互联网云平台的数字孪生模型及其构建方法 | |
| James et al. | Synchrophasor recovery and prediction: A graph-based deep learning approach | |
| CN109964383A (zh) | 使用相量测量单元数据的主电力网频率响应特性化 | |
| CN106643765A (zh) | 一种采集异常维修时长计算方法 | |
| 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 | |
| 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 | |
| Wang et al. | Integrative density forecast and uncertainty quantification of wind power generation | |
| CN116992399A (zh) | 一种基于电力数据分析的电力设备运维评估方法 | |
| 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 | |
| Zhu et al. | Learning spatiotemporal correlations for missing noisy PMU data correction in smart grid | |
| CN107742883A (zh) | 一种基于Spark的电力系统拓扑岛快速识别系统和方法 | |
| US20200356668A1 (en) | Event analysis in an electric power system | |
| KR20210097613A (ko) | 수요관리 자원 최적화를 위한 전력사용량 예측 시스템 | |
| CN113486583A (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 | |
| 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 | |
| Lu et al. | Voltage limit violation risk evaluation method considering communication failures in distributed voltage regulation system | |
| Zhang et al. | Low frequency oscillation mode estimation using synchrophasor data | |
| Wang et al. | An LMI approach to fault detection and isolation filter design for Markovian jump system with mode-dependent time-delays | |
| CN116362103A (zh) | 一种设备剩余使用寿命的预测方法及装置 | |
| CN115345519A (zh) | 海上风电风险评估方法、装置、设备及存储介质 | |
| CN113486586A (zh) | 设备健康状态评估方法、装置、计算机设备及存储介质 | |
| CN115577821A (zh) | 一种设备剩余使用寿命的预测方法和装置 | |
| 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 |
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 |