CN113487085A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113487085A CN113487085A CN202110761552.4A CN202110761552A CN113487085A CN 113487085 A CN113487085 A CN 113487085A CN 202110761552 A CN202110761552 A CN 202110761552A CN 113487085 A CN113487085 A CN 113487085A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- health
- health index
- value
- 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 51
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000036541 health Effects 0.000 claims abstract description 89
- 238000004590 computer program Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 11
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 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
- 238000012423 maintenance 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
- 238000005516 engineering process 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
- 238000013398 bayesian method Methods 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
- 238000007796 conventional method 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
- 230000004927 fusion 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
- 238000005259 measurement Methods 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
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (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。该方法包括:获取目标数据;根据目标数据进行设备健康指数计算,以得到设备的健康指数;根据健康指数,确定设备的健康数据的稀疏模型;根据稀疏模型,得到设备使用寿命的预测曲线趋势及对应的预测值;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,以得到设备的初级预测值;将预测值进行融合,以得到最终的设备使用寿命。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,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。
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。
对于大量的综合能源设备,视情维修的前提是根据设备所表现出的健康状态而定,决定何时并且采用何种方式对设备进行维修保障。而设备的剩余使用寿命预测,则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。
设备剩余使用寿命是设备预测健康管理方向的一个重要领域。目前对于设备剩余使用寿命的预测有两种管理方式:一个是直接通过设备的run-to-failure(健康-故障)数据集进行预测,称为直接法。一个是通过多个设备的传感器数据,将信息融合后进行预测,称为间接法。然而上述现有方法除了预测不准确外,在设备故障维护时会产生误报,因此目前急需一种设备使用寿命的预测方法。
发明内容
有鉴于此,本公开实施例提供了一种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,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,提供了一种基于联合学习框架的设备使用寿命的预测方法,包括:
获取目标数据;
根据目标数据进行设备健康指数计算,以得到设备的健康指数;
根据健康指数,确定设备的健康数据的稀疏模型;
根据稀疏模型,得到设备使用寿命的预测曲线趋势及对应的预测值;
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,以得到设备的初级预测值;
将预测值进行融合,以得到最终的设备使用寿命。
本公开实施例的第二方面,提供了一种基于联合学习框架的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;
计算模块,用于根据目标数据进行设备健康指数计算,以得到设备的健康指数;
确定模块,用于根据健康指数,确定设备的健康数据的稀疏模型;
预测模块,用于根据稀疏模型,得到设备使用寿命的预测曲线趋势及对应的预测值;
第一输出模块,用于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,以得到设备的初级预测值;
第二输出模块,用于将预测值进行融合,以得到最终的设备使用寿命。
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基于联合学习框架的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基于联合学习框架的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的终端设备或服务器执行。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:
S301,收集设备在不同场景下的设备运行数据和/或设备环境数据;
S302,判断收集的数据是否有数据缺失现象;也就是判断设备在不同场景下的设备运行数据和/或设备环境数据是否存在数据缺失现象和/或数据异常值现象;
S303,当存在数据缺失现象或数据异值现象时,利用预设的判断条件对数据进行插补和/或去异常值处理,以得到处理后的所述设备的目标数据;
S304,当不存在数据缺失现象或数据异值现象时,则确定为目标数据。
对于上述步骤S301至S2304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,根据目标数据进行设备健康指数计算,以得到设备的健康指数;
具体地,首先可以根据目标数据,选取适合所述设备的健康指数算法;然后,利用健康指数算法确定计算所述设备的健康指数的模型和对应的模型参数、模型个数;其中,计算设备的健康指数的模型参数包含:设备运行数据和所述设备运行数据对应的特征向量的维度、设备环境数据和所述设备环境数据对应的特征向量的维度;最后,根据设备的健康指数的模型和对应的模型参数,获取设备的健康指数。
S203,根据所述健康指数,确定所述设备的健康数据的稀疏模型;
具体地,根据目标数据,调取预设的高斯函数;基于高斯函数、设备运行时间和健康指数,确定所述设备的健康数据的稀疏模型。
S204,根据稀疏模型,得到设备使用寿命的预测曲线趋势及对应的预测值;
具体地,根据健康指数,初始化设备的健康状态值;基于健康状态值,得到设备使用寿命的预测曲线趋势及对应的预测值。
进一步地,根据健康指数,初始化设备的健康状态值的步骤可以包括:
根据健康状态值,预测设备的健康退化曲线的时间跨度;利用健康退化曲线的时间跨度,计算健康指数对应的健康数据与健康退化数据在时间点tj的值,其中,t为时间点,t=t1,...,tN,(1≤j≤N);根据所述tj及所述设备的健康数据时间跨度,确定所述设备的健康状态值。
S205,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,以得到所述设备的初级预测值;
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,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。
S206,将所述预测值进行融合,以得到最终的所述设备使用寿命。
进一步地,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S202至S206举例说明:
(1)首先引入高斯核函数
根据定义,为以x为中心,到达xˊ的举例。为函数宽度参数,可以通过计算数据的方差得到。
(2)然后确定设备的健康数据的稀疏模型
其中,t为时间点,t={t1,...,tN}。为测量误差,一般为高斯分布,其中均值为0,标准差为0.05。
φ(t,ti)为高斯核函数,如公式(1)所示。ω={ω1,...,ωi,...,ωN}为权重向量,可以由高斯核函数求得。
(3)初始化健康状态
其中,T0∈[0,L-Δt]。T0为时间刻度的初始健康状态。L为预测健康退化曲线的时间跨度。h(tj)与hp(tj)是健康指数数据与预测的健康退化数据在时间点tj的值。N代表数据标号。Δt=tN-t1,为健康的数据时间跨度。
一旦确定了T0,则可以得到单个预测曲线的剩余使用寿命RUL。
RUL=L-Δt-T0--公式(4)
(4)基于相似性插补
首先将RUL进行变化,得到
其中,Li是RUL在第i个预测健康退化曲线的映射。Wi是第i个相似权重。
通过公式(5),公式(6),公式(7)公式,可以计算并融合多次预测的设备使用寿命的初级预测值。
将上述方法的算法和公式(7)的结果置于到联合学习框架内,经过多轮多方的计算和共享,可以对最终的设备剩余使用寿命预测值进行融合,使得最终的设备使用寿命的预测结果更加准确。
上述举例中,可以根据得到的健康指数,使用稀疏贝叶斯方法来对数据进行回归,可以得到大量的回归曲线,也就是预测退化回归曲线。最终的设备剩余使用寿命预测值只有一个,需要将上述大量的回归曲线进行再一次的融合,多次的融合可以提高最终的预测精度。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,获取目标数据;根据目标数据进行设备健康指数计算,以得到所述设备的健康指数;根据健康指数,确定设备的健康数据的稀疏模型;根据稀疏模型,得到设备使用寿命的预测曲线趋势及对应的预测值;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,以得到设备的初级预测值;将预测值进行融合,以得到最终的设备使用寿命。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;
计算模块502,被配置为用于对所述目标数据进行设备健康指数计算,以得到所述设备的健康指数;
训练模块503,被配置为用于根据健康指数,确定设备的健康数据的稀疏模型;
预测模块504,被配置为用于根据所述稀疏模型,得到所述设备使用寿命的预测曲线趋势及对应的预测值;
第一输出模块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,以得到所述设备的初级预测值。
第二输出模块506,被配置为用于将所述预测值进行融合,以得到最终的所述设备使用寿命。
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)
1.一种基于联合学习框架的设备使用寿命的预测方法,其特征在于,包括:
获取目标数据;
根据所述目标数据进行设备健康指数计算,以得到所述设备的健康指数;
根据所述健康指数,确定所述设备的健康数据的稀疏模型;
根据所述稀疏模型,得到所述设备使用寿命的预测曲线趋势及对应的预测值;
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,以得到所述设备的初级预测值;
将所述预测值进行融合,以得到最终的所述设备使用寿命。
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:
收集所述设备在不同场景下的设备运行数据和/或设备环境数据;
判断所述设备在不同场景下的设备运行数据和/或设备环境数据是否存在数据缺失现象和/或数据异常值现象;
当存在数据缺失现象或数据异值现象时,利用预设的判断条件对数据进行插补和/或去异常值处理,以得到处理后的所述设备的目标数据。
3.根据权利要求1所述的方法,其特征在于,根据所述目标数据进行设备健康指数计算,以得到所述设备的健康指数包括:
根据所述目标数据,选取适合所述设备的健康指数算法;
利用所述健康指数算法,确定计算所述设备的健康指数的模型和对应的模型参数、模型个数;
其中,所述计算设备的健康指数的模型参数包含:设备运行数据和所述设备运行数据对应的特征向量的维度、设备环境数据和所述设备环境数据对应的特征向量的维度;
根据所述设备的健康指数的模型和对应的模型参数,获取所述设备的健康指数。
4.根据权利要求1所述的方法,其特征在于,根据健康指数,确定所述设备的健康数据的稀疏模型包括:
根据所述目标数据,调取预设的高斯函数;
基于所述高斯函数、设备运行时间和所述健康指数,确定所述设备的健康数据的稀疏模型。
5.根据权利要求4所述的方法,其特征在于,根据稀疏模型,得到所述设备使用寿命的预测曲线趋势及对应的预测值包括:
根据所述健康指数,初始化所述设备的健康状态值;
基于所述健康状态值,得到所述设备使用寿命的预测曲线趋势及对应的预测值。
6.根据权利要求5所述的方法,其特征在于,根据所述健康指数,初始化所述设备的健康状态值包括:
根据所述健康状态值,预测所述设备的健康退化曲线的时间跨度;
利用所述健康退化曲线的时间跨度,计算所述健康指数对应的健康数据与所述健康退化数据在时间点tj的值,其中,t为时间点,t=t1,...,tN,(1≤j≤N);
根据所述tj及所述设备的健康数据时间跨度,确定所述设备的健康状态值。
7.根据权利要求6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。
8.一种基于联合学习框架的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;
计算模块,用于根据所述目标数据进行设备健康指数计算,以得到所述设备的健康指数;
训练模块,用于根据所述健康指数,确定所述设备的健康数据的稀疏模型;
预测模块,用于根据所述稀疏模型,得到所述设备使用寿命的预测曲线趋势及对应的预测值;
第一输出模块,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,以得到所述设备的初级预测值;
第二输出模块,用于将所述预测值进行融合,以得到最终的所述设备使用寿命。
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 |
---|---|---|---|
CN202110761552.4A CN113487085A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761552.4A CN113487085A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487085A true CN113487085A (zh) | 2021-10-08 |
Family
ID=77941300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110761552.4A Pending CN113487085A (zh) | 2021-07-06 | 2021-07-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487085A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180046902A1 (en) * | 2016-08-09 | 2018-02-15 | Palo Alto Research Center Incorporated | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment |
US20180165592A1 (en) * | 2016-12-13 | 2018-06-14 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
CN108846241A (zh) * | 2018-07-04 | 2018-11-20 | 西安交通大学 | 基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法 |
CN108961460A (zh) * | 2018-07-18 | 2018-12-07 | 清华大学 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
US20190271225A1 (en) * | 2018-03-01 | 2019-09-05 | Cameron International Corporation | Bop elastomer health monitoring |
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 |
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 |
CN112766318A (zh) * | 2020-12-31 | 2021-05-07 | 新智数字科技有限公司 | 业务任务执行方法、装置以及计算机可读存储介质 |
CN112785092A (zh) * | 2021-03-09 | 2021-05-11 | 中铁电气化局集团有限公司 | 一种基于自适应深层特征提取的道岔剩余寿命预测方法 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
-
2021
- 2021-07-06 CN CN202110761552.4A patent/CN113487085A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180046902A1 (en) * | 2016-08-09 | 2018-02-15 | Palo Alto Research Center Incorporated | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment |
US20180165592A1 (en) * | 2016-12-13 | 2018-06-14 | Industrial Technology Research Institute | System and method for predicting remaining lifetime of a component of equipment |
US20190271225A1 (en) * | 2018-03-01 | 2019-09-05 | Cameron International Corporation | Bop elastomer health monitoring |
CN108846241A (zh) * | 2018-07-04 | 2018-11-20 | 西安交通大学 | 基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法 |
CN108961460A (zh) * | 2018-07-18 | 2018-12-07 | 清华大学 | 基于稀疏esgp与多目标优化的故障预测方法及装置 |
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 |
CN112904220A (zh) * | 2020-12-30 | 2021-06-04 | 厦门大学 | 一种基于数字孪生和机器学习的ups健康预测方法、系统、电子设备及可存储介质 |
CN112766318A (zh) * | 2020-12-31 | 2021-05-07 | 新智数字科技有限公司 | 业务任务执行方法、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 |
CN112785092A (zh) * | 2021-03-09 | 2021-05-11 | 中铁电气化局集团有限公司 | 一种基于自适应深层特征提取的道岔剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
李琪等: "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》, vol. 42, pages 1236 - 1243 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A new methodology to support group decision-making for IoT-based emergency response systems | |
CN112765560B (zh) | 设备健康状态评估方法、装置、终端设备和存储介质 | |
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 | |
WO2020073301A1 (en) | Systems and methods for monitoring a blockchain-based energy grid | |
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 | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
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? | |
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 | |
Perifanis et al. | Towards energy-aware federated traffic prediction for cellular networks | |
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 | |
CN116578911A (zh) | 数据处理方法、装置、电子设备及计算机存储介质 | |
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 | |
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 | |
CN114154415A (zh) | 设备寿命的预测方法及装置 | |
CN115269176A (zh) | 任务分配方法、装置、计算机设备、存储介质和产品 | |
CN116362103A (zh) | 一种设备剩余使用寿命的预测方法及装置 | |
Liu et al. | A modified TOPSIS method for obtaining the associated weights of the OWA‐type operators | |
CN116050557A (zh) | 电力负荷预测方法、装置、计算机设备和介质 | |
CN113486586A (zh) | 设备健康状态评估方法、装置、计算机设备及存储介质 | |
CN109446020B (zh) | 云存储系统的动态评估方法以及装置 | |
CN113158497A (zh) | 在线服务实验方法、装置、计算机设备和存储介质 | |
CN116720300B (zh) | 一种排水管网模型系统 | |
CN116821427B (zh) | 信息存储方法、装置、电子设备和计算机可读介质 | |
CN116384210A (zh) | 一种设备寿命预测方法、装置、电子设备及存储介质 |
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 |