CN113487084A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113487084A CN113487084A CN202110761544.XA CN202110761544A CN113487084A CN 113487084 A CN113487084 A CN 113487084A CN 202110761544 A CN202110761544 A CN 202110761544A CN 113487084 A CN113487084 A CN 113487084A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- health
- service life
- determining
- 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 48
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000036541 health Effects 0.000 claims abstract description 39
- 230000015556 catabolic process Effects 0.000 claims abstract description 23
- 238000006731 degradation reaction Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000003862 health status Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000012549 training Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 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
- 238000007792 addition Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation 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
- 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
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013499 data model 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
- 230000008676 import Effects 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
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (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：获取目标数据；根据目标数据，确定每个时刻对应的设备的健康状态指数；根据健康状态指数，得到设备在不同时间变化下的健康趋势；基于时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将退化曲线对应的数据作为设备的使用寿命的预测值；基于联合学习的框架，将预测值进行多轮多方的计算和共享，以预测到设备的使用寿命。本公开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，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
综合能源系统是由多种设备和管道链接而成，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。综合能源系统中设备包括：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。
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。
发明内容
有鉴于此，本公开实施例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，以解决现有技术中无法准确预测设备使用寿命，而导致在系统生产中所出现的设备操作或运行时的风险问题。
本公开实施例的第一方面，提供了一种设备使用寿命的预测方法，包括：
获取目标数据；
根据所述目标数据，确定每个时刻对应的所述设备的健康状态指数；
根据所述健康状态指数，得到所述设备在不同时间变化下的健康趋势；
基于所述时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将所述退化曲线对应的数据作为所述设备的使用寿命的预测值；
基于联合学习的框架，将所述预测值进行多轮多方的计算和共享，以预测到所述设备的使用寿命。
本公开实施例的第二方面，提供了一种设备使用寿命的预测装置，包括：
获取模块，用于获取目标数据；
确定模块，用于根据所述目标数据，确定每个时刻对应的所述设备的健康状态指数；
曲线模块，用于根据所述健康状态指数，得到所述设备在不同时间变化下的健康趋势；
计算模块，用于基于所述时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将所述退化曲线对应的数据作为所述设备的使用寿命的预测值；
输出模块，用于基于联合学习的框架，将所述预测值进行多轮多方的计算和共享，以预测到所述设备的使用寿命。
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是本公开实施例的应用场景的场景示意图；
图2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3是本公开实施例提供的另一种获取目标数据的方法的流程图；
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设备使用寿命的预测装置的框图；
图6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基于联合学习框架的设备使用寿命的预测方法和装置。
图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。
终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上所述的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以实现为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以实现为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。
用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，在用户将收集到的兴趣点的数据导入到服务器4之后，服务器4获取待处理兴趣点的第一数据，该第一数据包括待处理兴趣点的第一经纬度和第一分类，并根据第一经纬度和第一分类，对待处理兴趣点进行冲突校验；进一步地，在确定冲突的情况下，服务器4对待处理兴趣点进行冲突处理，以避免数据库中存在大量的重复数据和不可用数据。
需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
图2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的设备使用寿命的预测方法可以由图1的终端或服务器执行。如图2所示，该设备使用寿命的预测方法包括：
S201，获取目标数据；
具体地，目标数据可以包含设备的运行数据和/或设备环境数据；其中，设备的运行数据还可以包含设备当前的运行时间、历史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；设备环境数据还可以包含设备属性数据、当前环境温度、操作参数等，此处本发明不做限定。
进一步地，如图3所示为获取目标数据的方法流程图，对于获取目标数据的方式可以包括：
S201-1，对收集的设备相关的数据按预设条件进行参数筛选，以得到筛选
数据；
S201-2，将筛选数据进行成对对称不确定性筛选；
S201-3，根据预设的成对对称不确定性筛选范围，筛选出目标数据。
对于上述步骤S201-1至S201-3举例说明：
设备运行数据可以从SCADA(数据采集与监视控制系统)收集各个参数数据。当数据中如有缺失，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。通过提前设定的阈值，判断收集数据是否有超出阈值，从而直接判断设备参数是否有故障，如判断有故障并进行直接报修，从而获取故障数据与报修数据。根据设备的特点，选择设备运行时间、历史维修数据、振动传感器数据，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。
S202，根据目标数据，确定每个时刻对应的设备的健康状态指数；
具体地，首先对目标数据构建参数矩阵；将参数矩阵进行降维处理，以得到降维处理后的参数矩阵；根据降维处理后的参数矩阵，确定出每个时刻对应的设备的健康状态指数。
针对上述S201至S202举例说明(本发明并不限于举例说明的方法)：
收集到大量的传感器数据后，需要对参数进行选择，有些传感器的参数对设备的实际运行影响较小，可以剔除，只保留比较重要的参数。由成对对称不确定性公式(pairwise symmetrical uncertainty)可得
其中，SU(X,Y)为参数X和Y的成对对称不确定性。I(X,Y)为随机变量X与Y的共同信息。H(X)和H(Y)是对应的信息熵。I(X,Y)与H均可通过信息论相关知识求得，本身为数据之间的属性。
最终通过计算所有的参数的SU值，取较高值得两参数为选择参数。SU值范围为(0，1)，例如，可以设置大于0.7得SU值得相关参数为被选择参数。
通过公式(1)可以筛选大量得有效参数，如果设备得传感器比较多，参数也会很多。这些参数会组成非常庞大得矩阵。为了便于后续得计算，需要对参数矩阵进行降维处理，降维方法很多，通过可以使用PCA(主程序分析法)。例如，得到降维后的向量(X1,X2,…,XN)，取向量得第一个(X1)元素来代表对应时间点(T1)得健康状态。(Y1,…YN)对应时间点(T2)，以此类推ZN对应T3等等。
S203，根据健康状态指数，得到设备在不同时间变化下的健康趋势；
具体地，根据健康状态指数，计算设备的健康指数；基于健康指数及对应的时间点，确定设备在不同时间变化下的健康趋势。
对于上述S201至S203可以视为是对获取的设备的历史数据进行处理，也可以是对实时数据的处理。对此本发明不做限定。
S204,基于时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将退化曲线对应的数据作为设备的使用寿命的预测值；
具体地，可以通过邻近算法，计算设备的每个时刻的实时目标数据与设备的历史相同时刻的数据最为相近。
S205，基于联合学习的框架，将预测值进行多轮多方的计算和共享，以预测到所述设备的使用寿命。
具体地，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。
进一步地，基于联合学习的框架，根据目标数据训练本地数据模型可以包括：首先根据获取目标数据，响应于联合学习框架支撑；然后，根据获取设备的样本数据进行分布式模型训练；接下来，利用目标数据进行本地数据训练模型；最后，根据设备的样本数据进行分布式模型训练，对所述本地数据训练模型进行更新。对于上述步骤可如图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。
针对步骤S201至S205可进一步解释说明：
假设一台设备拥有大量的传感器和数据，如何将所有传感器数据都利用起来是一个挑战。首先将选择重要的设备参数，然后可以计算设备的健康状态指数进行回归，得到设备的退化曲线。将上述方法推广到现场的型号相同的其他设备上，得到了多组的退化曲线。最终，根据实时数据，设备的运行时间及此时间点对应的相应参数数据。通过邻近算法与历史数据进行对比，选择出最相似的设备。并将最相似的设备的退化曲线作为此时实时设备的退化曲线，进行预测和结果输出。再将这些结果放入联合学习框架内，在生态中由多方多轮进行分享和计算，更进一步的提高结果的精度。
根据本公开实施例提供的技术方案，通过获取目标数据；根据目标数据，确定每个时刻对应的设备的健康状态指数；根据健康状态指数，得到设备在不同时间变化下的健康趋势；基于所述时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将所述退化曲线对应的数据作为所述设备的使用寿命的预测值；基于联合学习的框架，将所述预测值进行多轮多方的计算和共享，以预测到所述设备的使用寿命。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。
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5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5所示，该设备使用寿命的预测装置包括：
获取模块501，被配置为用于获取目标数据；
确定模块502，被配置为用于根据所述目标数据，确定每个时刻对应的所述设备的健康状态指数；
曲线模块503，被配置为用于根据所述健康状态指数，得到所述设备在不同时间变化下的健康趋势；
计算模块504，被配置为用于基于所述时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将所述退化曲线对应的数据作为所述设备的使用寿命的预测值；
输出模块505，被配置为用于基于联合学习的框架，将所述预测值进行多轮多方的计算和共享，以预测到所述设备的使用寿命。
其中，确定模块502包括：构建子模块与处理子模块、获取子模块，具体如下：
构建子模块，用于对所述目标数据构建参数矩阵；
处理子模块，用于将所述参数矩阵进行降维处理，以得到降维处理后的参数矩阵；
获取子模块，用于根据所述降维处理后的参数矩阵，确定出每个时刻对应的设备的健康状态指数。
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6是本公开实施例提供的计算机设备6的示意图。如图6所示，该实施例的计算机设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603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603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602中，并由处理器601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603在计算机设备6中的执行过程。
计算机设备6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6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是计算机设备6的示例，并不构成对计算机设备6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601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602可以是计算机设备6的内部存储单元，例如，计算机设备6的硬盘或内存。存储器602也可以是计算机设备6的外部存储设备，例如，计算机设备6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602还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器602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602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)
1.一种设备使用寿命的预测方法，其特征在于，包括：
获取目标数据；
根据所述目标数据，确定每个时刻对应的所述设备的健康状态指数；
根据所述健康状态指数，得到所述设备在不同时间变化下的健康趋势；
基于所述时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将所述退化曲线对应的数据作为所述设备的使用寿命的预测值；
基于联合学习的框架，将所述预测值进行多轮多方的计算和共享，以预测到所述设备的使用寿命。
2.根据权利要求1所述的方法，其特征在于，所述获取目标数据包括：
对收集的所述设备相关的数据按预设条件进行参数筛选，以得到筛选数据；
将所述筛选数据进行成对对称不确定性筛选；
根据预设的成对对称不确定性筛选范围，筛选出目标数据。
3.根据权利要求1所述的方法，其特征在于，根据所述目标数据，确定每个时间点对应的所述设备的健康状态指数包括：
对所述目标数据构建参数矩阵；
将所述参数矩阵进行降维处理，以得到降维处理后的参数矩阵；
根据所述降维处理后的参数矩阵，确定出每个时刻对应的设备的健康状态指数。
4.根据权利要求3所述的方法，其特征在于，根据所述健康状态指数，得到所述设备在不同时间变化下的健康趋势包括：
根据所述健康状态指数，计算所述设备的健康指数；
基于所述健康指数及对应的时间点，确定所述设备在不同时间变化下的健康趋势。
5.根据权利要求4所述的方法，其特征在于，基于所述时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将所述退化曲线对应的数据作为所述设备的使用寿命的预测值包括：
通过邻近算法，计算每个时刻的实时数据与所述设备的相同时刻的数据最为相近。
6.根据权利要求5所述的方法，其特征在于，基于联合学习的框架，对预测值进行多轮多方的计算和共享，以得到所述设备的初级预测值包括：
基于联合学习的框架，对所述预测的健康退化曲线进行映射，以得到映射值；
根据所述映射值，确定对应的所述预测值的权重；
根据所述预测值的权重,确定所述设备的初级预测值。
7.一种设备使用寿命的预测装置，其特征在于，包括：
获取模块，用于获取目标数据；
确定模块，用于根据所述目标数据，确定每个时刻对应的所述设备的健康状态指数；
曲线模块，用于根据所述健康状态指数，得到所述设备在不同时间变化下的健康趋势；
计算模块，用于基于所述时间变化曲线，当选取出与目标时刻实时数据最为相似的设备的退化曲线时，将所述退化曲线对应的数据作为所述设备的使用寿命的预测值；
输出模块，用于基于联合学习的框架，将所述预测值进行多轮多方的计算和共享，以预测到所述设备的使用寿命。
8.根据权利要求7所述的装置，其特征在于，所述确定模块包含：
构建子模块，用于对所述目标数据构建参数矩阵；
处理子模块，用于将所述参数矩阵进行降维处理，以得到降维处理后的参数矩阵；
获取子模块，用于根据所述降维处理后的参数矩阵，确定出每个时刻对应的设备的健康状态指数。
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 |
|---|---|---|---|
| CN202110761544.XA CN113487084A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761544.XA CN113487084A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113487084A true CN113487084A (zh) | 2021-10-08 |
Family
ID=77941284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110761544.XA Pending CN113487084A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487084A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780481A (zh) * | 2021-11-11 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司广州局 | 电力设备的监控方法、装置、计算机设备和存储介质 |
| CN114325400A (zh) * | 2021-11-24 | 2022-04-12 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
| CN114722577A (zh) * | 2022-03-17 | 2022-07-08 | 深圳大学 | 钻孔工具的剩余寿命预测方法、装置、设备和存储介质 |
| 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 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008291440A (ja) * | 2007-05-22 | 2008-12-04 | Hokkaido Electric Power Co Inc:The | 構造物劣化曲線算出システムおよびライフサイクルコスト評価方法 |
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| CN106971205A (zh) * | 2017-04-06 | 2017-07-21 | 哈尔滨理工大学 | 一种基于k近邻互信息估计的嵌入式动态特征选择方法 |
| CN110210506A (zh) * | 2018-04-04 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 基于大数据的特征处理方法、装置和计算机设备 |
| CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
| 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 |
| WO2021000556A1 (zh) * | 2019-07-02 | 2021-01-07 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
| CN112418277A (zh) * | 2020-11-03 | 2021-02-26 | 西安电子科技大学 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
| CN112734002A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种基于数据层和模型层联合迁移学习的寿命预测方法 |
| KR102249849B1 (ko) * | 2020-12-31 | 2021-05-10 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 예측 모델을 처리하는 방법 |
-
2021
- 2021-07-06 CN CN202110761544.XA patent/CN113487084A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008291440A (ja) * | 2007-05-22 | 2008-12-04 | Hokkaido Electric Power Co Inc:The | 構造物劣化曲線算出システムおよびライフサイクルコスト評価方法 |
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| CN106971205A (zh) * | 2017-04-06 | 2017-07-21 | 哈尔滨理工大学 | 一种基于k近邻互信息估计的嵌入式动态特征选择方法 |
| CN110210506A (zh) * | 2018-04-04 | 2019-09-06 | 腾讯科技（深圳）有限公司 | 基于大数据的特征处理方法、装置和计算机设备 |
| CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
| WO2021000556A1 (zh) * | 2019-07-02 | 2021-01-07 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、系统及电子设备 |
| 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 |
| CN112418277A (zh) * | 2020-11-03 | 2021-02-26 | 西安电子科技大学 | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 |
| CN112734002A (zh) * | 2020-12-28 | 2021-04-30 | 北京航空航天大学 | 一种基于数据层和模型层联合迁移学习的寿命预测方法 |
| KR102249849B1 (ko) * | 2020-12-31 | 2021-05-10 | 주식회사 한국가스기술공사 | 기계적 결함에 대한 예측 모델을 처리하는 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 李琪;高占宝;李善营;李宝安;: "变工况条件下基于相似性的剩余使用寿命预测方法", 北京航空航天大学学报, no. 06 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113780481A (zh) * | 2021-11-11 | 2021-12-10 | 中国南方电网有限责任公司超高压输电公司广州局 | 电力设备的监控方法、装置、计算机设备和存储介质 |
| CN114325400A (zh) * | 2021-11-24 | 2022-04-12 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
| CN114325400B (zh) * | 2021-11-24 | 2024-03-19 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
| CN114722577A (zh) * | 2022-03-17 | 2022-07-08 | 深圳大学 | 钻孔工具的剩余寿命预测方法、装置、设备和存储介质 |
| CN114722577B (zh) * | 2022-03-17 | 2024-04-19 | 深圳大学 | 钻孔工具的剩余寿命预测方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN114493500A (zh) | 基于数字孪生技术的能源设备管理方法及装置 | |
| 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 | |
| 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 | |
| Shayesteh et al. | Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation? | |
| CN112926941B (zh) | 财务稽核规则的管理方法、装置、存储介质及服务器 | |
| CN114169669A (zh) | 发电行业碳排放量预测方法、平台、计算设备及介质 | |
| CN113988310A (zh) | 深度学习模型选择方法、装置、计算机设备和介质 | |
| Perifanis et al. | Towards energy-aware federated traffic prediction for cellular networks | |
| CN114462722A (zh) | 新能源发电功率轻量化高精度云预测系统、方法和装置 | |
| 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 | |
| CN111126707B (zh) | 能耗方程构建、能耗预测方法与装置 | |
| Falugi et al. | Application of novel nested decomposition techniques to long-term planning problems | |
| CN113486586B (zh) | 设备健康状态评估方法、装置、计算机设备及存储介质 | |
| CN116523145A (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
| CN115269176A (zh) | 任务分配方法、装置、计算机设备、存储介质和产品 | |
| CN116050557A (zh) | 电力负荷预测方法、装置、计算机设备和介质 | |
| 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 | |
| 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 | |
| CN114118543A (zh) | 基于联合学习的烟气含氧量负荷预测方法及装置 | |
| CN114118275A (zh) | 联合学习训练方法及装置 | |
| CN109446020B (zh) | 云存储系统的动态评估方法以及装置 | |
| CN112989558A (zh) | 基于多目标优化的电力业务质量匹配优化方法及相关设备 | |
| CN113158497A (zh) | 在线服务实验方法、装置、计算机设备和存储介质 | |
| 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 |