CN113487086A - 设备剩余使用寿命预测方法、装置、计算机设备和介质 - Google Patents

设备剩余使用寿命预测方法、装置、计算机设备和介质 Download PDF

Info

Publication number
CN113487086A
CN113487086A CN202110761562.8A CN202110761562A CN113487086A CN 113487086 A CN113487086 A CN 113487086A CN 202110761562 A CN202110761562 A CN 202110761562A CN 113487086 A CN113487086 A CN 113487086A
Authority
CN
China
Prior art keywords
parameter data
equipment
health index
determining
service life
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.)
Granted
Application number
CN202110761562.8A
Other languages
English (en)
Other versions
CN113487086B (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
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202110761562.8A priority Critical patent/CN113487086B/zh
Publication of CN113487086A publication Critical patent/CN113487086A/zh
Application granted granted Critical
Publication of CN113487086B publication Critical patent/CN113487086B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开的实施例公开了设备剩余使用寿命预测方法、装置、计算机设备和介质。该方法包括：收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合；基于所述参数数据集合，确定所述运行设备是否故障；响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数；基于所述健康指数，获取所述运行设备的剩余使用寿命预测值。该实施方式有助于了解能源设备的退化情况和运行情况，可以在能源设备将要故障前及时对其检修，节约了设备使用成本，提高了能源设备的使用率，大大避免了因为部分能源设备故障导致综合能源系统出现问题的情况。

Description

设备剩余使用寿命预测方法、装置、计算机设备和介质
技术领域
本发明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、计算机设备和介质。
背景技术
随着我国电力工业建设的突飞猛进，各种能源设备、综合能源系统被广泛应用，为保障综合能源系统的稳定性、可靠性，对能源设备的运行状态也提出了更高的要求。能源设备的健康状况直接影响综合能源系统的安全稳定运行，目前使用综合能源系统的公司有独立的运行检修班组，周期性的巡视能源设备的使用情况，记录各项参数数据，结合设备检修周期的问题，采取计划检修和故障临时维修的方式来对设备进行检修。大量的能源设备由于长期工作、环境变化、频繁起停等原因，可能会损伤能源设备的健康度，甚至出现在未到定期维护时间时，能源设备出现故障，这种现象可能会导致整个综合能源系统出现问题，所以对于能源设备的剩余使用寿命的预测是极其必要的。预测能源设备的剩余使用寿命，在不影响生产生活的前提下安排检修工作，对于节约设备使用成本、减少故障造成损失具有重要意义。
发明内容
有鉴于此，本发明公开实施例提供了一种设备剩余使用寿命预测方法、装置、计算机设备和介质，以解决现有技术中无法准确预测设备的剩余使用寿命的技术问题。
本发明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：收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合；基于所述参数数据集合，确定所述运行设备是否故障；响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数；基于所述健康指数，获取所述运行设备的剩余使用寿命预测值。
本发明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：收集单元，被配置成收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合；故障确定单元，被配置成基于所述参数数据集合，确定所述运行设备是否故障；健康指数确定单元，被配置成响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数；剩余使用寿命预测值获取单元，被配置成基于所述健康指数，获取所述运行设备的剩余使用寿命预测值。
本发明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。
本发明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。
本发明公开的上述各个实施例中的一个实施例具有如下有益效果：首先，通过收集运行设备在目标时刻前的参数数据来判断运行设备是否故障；然后，在运行设备没有故障的情况下，利用参数数据确定健康指数；最后根据健康指数，生成用于了解运行设备的剩余使用寿命的剩余使用寿命预测值。本公开有助于了解能源设备的退化情况和运行情况，可以在能源设备将要故障前及时对其检修，节约了设备使用成本，提高了能源设备的使用率，大大避免了因为部分能源设备故障导致综合能源系统出现问题的情况。
附图说明
结合附图并参考以下具体实施方式，本发明公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本发明公开的实施例的设备剩余使用寿命预测方法的一个应用场景的示意图；
图2是根据本发明公开的设备剩余使用寿命预测方法的实施例的流程图；
图3是根据本发明公开的设备剩余使用寿命预测装置的实施例的结构示意图；
图4是适于用来实现本发明公开的实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明公开的实施例。虽然附图中显示了本发明公开的某些实施例，然而应当理解的是，本发明公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本发明公开。应当理解的是，本发明公开的附图及实施例仅用于示例性作用，并非用于限制本发明公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本发明公开中的实施例及实施例中的特征可以相互组合。
需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本发明公开。
图1是根据本发明公开一些实施例的设备剩余使用寿命预测方法的一个应用场景的示意图。
在图1的应用场景中，首先，计算设备101可以收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合102。然后，基于所述参数数据集合102，计算设备101可以确定所述运行设备是否故障，如附图标记103所示。之后，响应于确定所述运行设备没有故障，计算设备101可以基于所述参数数据集合102，确定健康指数104。最后，基于所述健康指数104，计算设备101可以获取所述运行设备的剩余使用寿命预测值105。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本发明公开的设备剩余使用寿命预测方法的实施例的流程200。该方法可以由图1中的计算设备101来执行。该设备剩余使用寿命预测方法，包括以下步骤：
步骤S201，收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合。
在实施例中，设备健康状态评估方法的执行主体(如图1所示的计算设备101)可以通过上述运行设备所连接的数据采集与监视控制系统(Supervisory Control And DataAcquisition，SCADA)来收集上述运行设备在目标时刻前的至少一个参数数据。上述目标时刻可以是接收到对设备开启健康状态评估指令的时刻。作为示例，3点时上述执行主体接收到对设备开启健康状态评估指令，上述执行主体可以收集上述运行设备在3点之前的参数数据。
在实施例的可选的实现方式中，上述方法包括：响应于确定上述至少一个参数数据中存在数据缺失和/或异常值的参数数据，利用预设回归类方法对存在缺失数据和/或存在异常值的参数数据进行插补和/或去除异常值，得到上述参数数据集合。作为示例，上述预设回归类方法可以是最小二乘法，也可以是多项式回归法。
优选的，可以利用人工对参数数据的缺失或异常值进行二次核查。采用人工提供的采集数据的名称、数值及合理范围来检测参数数据的异常值，有助于提高参数数据的准确性与完整性。
步骤S202，基于上述参数数据集合，确定上述运行设备是否故障。
在实施例中，基于预设参数阈值，上述执行主体可以确定上述参数数据集合中是否存在超过上述预设参数阈值的参数数据。响应于确定存在，上述执行主体可以确定上述运行设备故障。上述预设参数阈值可以是至少一个预先设置的用于检测参数数据是否异常的数值。作为示例，预设参数阈值为1个时，参数数据集合可以为“参数A：15，参数B：20，参数C：32”，预设参数阈值可以是“30”。那么，上述执行主体可以确定上述运行设备故障。作为另一示例，预设参数阈值为参数数据的个数时，参数数据集合可以为“参数D：14，参数E：28，参数F：33”，预设参数阈值可以是“参数D：25，参数E：30，参数F：40”。那么，上述执行主体可以确定上述运行设备没有故障。若参数数据集合中存在任一参数数据超过预设参数阈值，上述执行主体可以确定上述运行设备故障。
在实施例的可选的实现方式中，上述方法还可以包括：响应于确定上述运行设备故障，上述执行主体可以基于上述运行设备的设备信息(例如，设备编号)生成报警信息。然后，上述执行主体可以将上述报警信息传输至具有播放功能的目标播放设备。之后，上述执行主体可以控制上述目标播放设备播放上述报警信息。作为示例，上述报警信息可以是“设备编号为：XXX的设备发生故障，请尽快维修”。
步骤S203，响应于确定上述运行设备没有故障，基于上述参数数据集合，确定健康指数。
在实施例中，上述健康指数可以包括虚拟健康指数或物理健康指数。
在实施例的可选的实现方式中，上述执行主体可以通过如下步骤确定虚拟健康指数：第一步，上述执行主体可以从上述参数数据集合中选择出符合预设条件的参数数据作为目标参数数据，得到目标参数数据集合。具体地，预设条件包括但不限于以下至少一项：与上述运行设备运行年限有关的参数数据，与上述运行设备历史维修保养有关的参数数据，振动传感器相关的参数数据，上述运行设备的运行数据的参数数据，与上述运行设备的能耗相关的参数数据。第二步，上述执行主体可以获取上述运行设备的健康状态矩阵和故障状态矩阵。第三步，基于上述健康状态矩阵和上述故障状态矩阵，上述执行主体可以建立转换矩阵。第四步，基于上述目标参数数据集合和上述转换矩阵，上述执行主体可以确定上述虚拟健康指数。
作为示例，两组多维传感器数据A1和A2，其中A1([M1*D]阶矩阵)为上述运行设备的健康状态矩阵，可以是运行设备健康时期的运行数据，A2([M2*D]阶矩阵)为上述运行设备的故障状态矩阵，可以是运行设备发生故障时的运行数据。其中，M1表示运行设备的健康状态矩阵的数据量，M2表示运行设备的故障状态矩阵的数据大小，D表示每个数据集的维度。由此，上述执行主体可以建立转换矩阵K，具体表示为：
K(ATA)-1ATB，
其中，A＝[A1；A2]，B＝[B1；B2]T，B1表示M1阶零向量，B2表示M2阶的单位向量。由此可以得到虚拟健康指数的转换矩阵，以此建立虚拟健康指数系统。若收集的数据为离线数据，可以建立离线虚拟健康指数系统，若收集的数据为在线实时数据，可以建立在线虚拟健康指数系统。由以下公式得到虚拟健康指数：
VHI＝Aoff*K，或者VHI＝Aon*K，
其中，VHI表示虚拟健康指数，Aoff表示离线多维传感器数据集，Aon表示在线多维传感器数据集。Aoff([Moff*D]阶矩阵)为运行设备的离线状态矩阵，Aon([Mon*D]阶矩阵)为运行设备的在线状态矩阵。Moff表示运行设备的离线状态矩阵的数据量，Mon表示运行设备的在线状态矩阵的数据量。
在实施例的可选的实现方式中，上述执行主体可以获取目标用户(例如，管理员、设备使用专家)输入的数据。然后，上述执行主体可以基于上述目标参数数据和上述数据，确定上述物理健康指数。作为示例，上述执行主体可以结合输入的数据和传感器度数，得到物理健康指数。
步骤S204，基于上述健康指数，获取上述运行设备的剩余使用寿命预测值。
在实施例中，基于上述健康指数，上述执行主体可以通过如下步骤生成上述运行设备的剩余使用寿命预测值：第一步，上述执行主体可以将上述健康指数进行离散化；第二步，上述执行主体可以基于离散化后的健康指数，建立时间认知矩阵；第三步，上述执行主体可以对上述时间认知矩阵进行优化边界分布选择；第四步，上述执行主体可以确定优化函数；第五步，上述执行主体可以对上述优化函数进行求解，生成上述运行设备的剩余使用寿命预测值。上述离散化可以是把无限空间中有限的个体映射到有限的空间中去，以此提高算法的时空效率。通俗的说，离散化是在不改变数据相对大小的条件下，对数据进行相应的缩小。上述时间认知矩阵可以是基于时间认知元素和健康指数的退化级别建立的矩阵。上述边界分布选择可以表示为某一组概率的加和，叫边缘概率。边缘概率的分布情况称之为边缘分布。上述优化函数可以是copula函数，描述的是变量间的相关性，实际上是一类将联合分布函数与它们各自的边缘分布函数连接在一起的函数，因此也有人将它称为连接函数。
作为示例，上述执行主体可以选择虚拟健康指数或物理健康指数作为输入，建立随机过程模型(例如，应用copula随机采样模型)。上述执行主体可以将输入的健康指数进行离散化，每个健康指数对应一个设备退化级别，对于M组训练集，第i个退化级别表示为：
Figure BDA0003150044860000081
其中，
Figure BDA0003150044860000082
i＝1,2，…，N。yN表示第N级退化级别，被定义为故障阈值。y0为输入向量，其值来自M个训练集，即y0为初始健康指数。由此，上述执行主体可以建立时间认知矩阵T，具体表示为：
Figure BDA0003150044860000083
其中，tij表示时间认知元素中来自第j个训练数据，对应了第i个退化级别。Ti表示随机变量，为随机时间认知在第i退化等级。然后，通过MLE(最大似然估计)来选择时间认知在第i个退化级别：
Figure BDA0003150044860000084
其中，Θ表示候T候选分布的参数，例如，T为正态分布，则有
Figure BDA0003150044860000085
分别代表正态分布的平均值和标准差。L表示似然方程。f表示为T的分布的概率密度函数(PDF)。之后，确定最优化的copula函数。最后通过以下公式确定运行设备的剩余使用寿命：
Figure BDA0003150044860000086
其中，Ti＝ai，ai为已知的在第i个退化级别的设备使用时间，β表示归一化参数，β是常数。由此求解TN，得到剩余使用寿命。
在实施例的可选的实现方式中，上述方法还包括：将上述剩余使用寿命预测值传输至具有显示功能的目标设备，以及控制所述目标设备显示所述剩余使用寿命预测值。
在实施例的可选的实现方式中，可以利用横向联邦学习方法对虚拟健康指数系统进行更新、迭代，以得到精准度更高的健康指数，从而提高生成的剩余使用寿命预测值的准确度。
本发明公开的上述各个实施例中的一个实施例具有如下有益效果：首先，通过收集运行设备在目标时刻前的参数数据来判断运行设备是否故障。然后，在运行设备没有故障的情况下，利用参数数据确定健康指数。最后根据健康指数，生成用于了解运行设备的剩余使用寿命的剩余使用寿命预测值。有助于了解能源设备的退化情况和运行情况，可以在能源设备将要故障前及时对其检修，节约了设备使用成本，提高了能源设备的使用率，大大避免了因为部分能源设备故障导致综合能源系统出现问题的情况。
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。
进一步参考图3，作为对上述各图上述方法的实现，本发明公开提供了一种设备剩余使用寿命预测装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，实施例的设备剩余使用寿命预测装置300包括：收集单元301、故障确定单元302、健康指数单元303和生成单元304。其中，收集单元301，被配置成收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合；故障确定单元302，被配置成基于所述参数数据集合，确定所述运行设备是否故障；健康指数确定单元303，被配置成响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数；剩余使用寿命预测值获取单元304，被配置成基于所述健康指数，获取所述运行设备的剩余使用寿命预测值。
在实施例的可选的实现方式中，设备剩余使用寿命预测装置300的故障确定单元302被进一步配置成：基于预设参数阈值，确定所述参数数据集合中是否存在超过所述预设参数阈值的参数数据；响应于确定存在，确定所述运行设备故障。
在实施例的可选的实现方式中，上述健康指数包括虚拟健康指数或物理健康指数。
在实施例的可选的实现方式中，设备剩余使用寿命预测装置300的健康指数确定单元303被进一步配置成：从所述参数数据集合中选择出符合预设条件的参数数据作为目标参数数据，得到目标参数数据集合；获取所述运行设备的健康状态矩阵和故障状态矩阵；基于所述健康状态矩阵和所述故障状态矩阵，建立转换矩阵；基于所述目标参数数据集合和所述转换矩阵，确定所述虚拟健康指数。
在实施例的可选的实现方式中，设备剩余使用寿命预测装置300的健康指数确定单元303被进一步配置成：获取目标用户输入的数据；基于所述目标参数数据集合和所述数据，确定所述物理健康指数。
在实施例的可选的实现方式中，设备剩余使用寿命预测装置300的剩余使用寿命预测值获取单元304被进一步配置成：将所述健康指数进行离散化；基于离散化后的健康指数，建立时间认知矩阵；对所述时间认知矩阵进行优化边界分布选择；确定优化函数；对所述优化函数进行求解，生成所述运行设备的剩余使用寿命预测值。
在实施例的可选的实现方式中，设备剩余使用寿命预测装置300被进一步配置成：将所述剩余使用寿命预测值传输至具有显示功能的目标设备，以及控制所述目标设备显示所述剩余使用寿命预测值。
可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
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，而不应对本发明公开实施例的实施过程构成任何限定。
图4是本发明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，以完成本发明公开。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发明公开的范围。
在本发明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，在本发明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，本发明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发明公开的技术方案，而非对其限制；尽管参照前述实施例对本发明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发明公开各实施例技术方案的精神和范围，均应包含在本发明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：
收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合；
基于所述参数数据集合，确定所述运行设备是否故障；
响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数；
基于所述健康指数，获取所述运行设备的剩余使用寿命预测值。
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，所述基于所述参数数据集合，确定所述运行设备是否故障，包括：
基于预设参数阈值，确定所述参数数据集合中是否存在超过所述预设参数阈值的参数数据；
响应于确定存在，确定所述运行设备故障。
3.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，所述健康指数包括虚拟健康指数或物理健康指数。
4.根据权利要求3所述的设备剩余使用寿命预测方法，其特征在于，所述响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数，包括：
从所述参数数据集合中选择出符合预设条件的参数数据作为目标参数数据，得到目标参数数据集合；
获取所述运行设备的健康状态矩阵和故障状态矩阵；
基于所述健康状态矩阵和所述故障状态矩阵，建立转换矩阵；
基于所述目标参数数据集合和所述转换矩阵，确定虚拟健康指数。
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，所述响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数，包括：
获取目标用户输入的数据；
基于所述目标参数数据集合和所述数据，确定物理健康指数。
6.根据权利要求1-5中任一项所述的设备剩余使用寿命预测方法，其特征在于，所述基于所述健康指数，获取所述运行设备的剩余使用寿命预测值，包括：
将所述健康指数进行离散化；
基于离散化后的健康指数，建立时间认知矩阵；
对所述时间认知矩阵进行优化边界分布选择；
确定优化函数；
对所述优化函数进行求解，生成所述运行设备的剩余使用寿命预测值。
7.根据权利要求6所述的设备剩余使用寿命预测方法，其特征在于，所述方法还包括：
将所述剩余使用寿命预测值传输至具有显示功能的目标设备，以及控制所述目标设备显示所述剩余使用寿命预测值。
8.一种设备剩余使用寿命预测装置，其特征在于，包括：
收集单元，被配置成收集运行设备在目标时刻前的至少一个参数数据，得到参数数据集合；
故障确定单元，被配置成基于所述参数数据集合，确定所述运行设备是否故障；
健康指数确定单元，被配置成响应于确定所述运行设备没有故障，基于所述参数数据集合，确定健康指数；
剩余使用寿命预测值获取单元，被配置成基于所述健康指数，获取所述运行设备的剩余使用寿命预测值。
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。
CN202110761562.8A 2021-07-06 2021-07-06 设备剩余使用寿命预测方法、装置、计算机设备和介质 Active CN113487086B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110761562.8A CN113487086B (zh) 2021-07-06 2021-07-06 设备剩余使用寿命预测方法、装置、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110761562.8A CN113487086B (zh) 2021-07-06 2021-07-06 设备剩余使用寿命预测方法、装置、计算机设备和介质

Publications (2)

Publication Number Publication Date
CN113487086A true CN113487086A (zh) 2021-10-08
CN113487086B CN113487086B (zh) 2024-04-26

Family

ID=77941315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110761562.8A Active CN113487086B (zh) 2021-07-06 2021-07-06 设备剩余使用寿命预测方法、装置、计算机设备和介质

Country Status (1)

Country Link
CN (1) CN113487086B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759408A (zh) * 2022-11-21 2023-03-07 贵州电网有限责任公司 一种输变电设备寿命预测方法、装置、设备及存储介质
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060259271A1 (en) * 2005-05-12 2006-11-16 General Electric Company Method and system for predicting remaining life for motors featuring on-line insulation condition monitor
CN102096826A (zh) * 2010-11-24 2011-06-15 清华大学 基于真实似然特征的多分辨率遥感图像复合分类方法
US20130197875A1 (en) * 2012-01-27 2013-08-01 Carvin Glenn Shirley Copula-based system and method for management of manufacturing test and product specification throughout the product lifecycle for electronic systems or integrated circuits
CN105225010A (zh) * 2015-10-12 2016-01-06 国网山东省电力公司电力科学研究院 一种基于可靠性的变压器设备寿命评估方法
WO2019043600A1 (en) * 2017-08-29 2019-03-07 Emerson Electric (Us) Holding Corporation (Chile) Limitada ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR
CN112101662A (zh) * 2020-09-16 2020-12-18 珠海格力电器股份有限公司 设备健康状况和生命周期检测方法、存储介质及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060259271A1 (en) * 2005-05-12 2006-11-16 General Electric Company Method and system for predicting remaining life for motors featuring on-line insulation condition monitor
CN102096826A (zh) * 2010-11-24 2011-06-15 清华大学 基于真实似然特征的多分辨率遥感图像复合分类方法
US20130197875A1 (en) * 2012-01-27 2013-08-01 Carvin Glenn Shirley Copula-based system and method for management of manufacturing test and product specification throughout the product lifecycle for electronic systems or integrated circuits
CN105225010A (zh) * 2015-10-12 2016-01-06 国网山东省电力公司电力科学研究院 一种基于可靠性的变压器设备寿命评估方法
WO2019043600A1 (en) * 2017-08-29 2019-03-07 Emerson Electric (Us) Holding Corporation (Chile) Limitada ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR
CN112101662A (zh) * 2020-09-16 2020-12-18 珠海格力电器股份有限公司 设备健康状况和生命周期检测方法、存储介质及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李天伦;何安瑞;邵健;付文鹏;强毅;谢向群;: "基于Copula函数的热轧支持辊健康状态预测模型", 工程科学学报, vol. 42, no. 06, 30 June 2020 (2020-06-30) *
熊大顺;李颖晖;朱喜华;杨健;: "基于EMD的随机Wiener过程电机剩余寿命预测方法", 微电机, no. 11 *

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN115759408A (zh) * 2022-11-21 2023-03-07 贵州电网有限责任公司 一种输变电设备寿命预测方法、装置、设备及存储介质
CN115759408B (zh) * 2022-11-21 2024-03-08 贵州电网有限责任公司 一种输变电设备寿命预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113487086B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
US11392826B2 (en) Neural network-assisted computer network management
CN111045894B (zh) 数据库异常检测方法、装置、计算机设备和存储介质
CA3162702A1 (en) Method and apparatus for detecting fault, method and apparatus for training model, and device and storage medium
CN111459700A (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN109960635B (zh) 实时计算平台的监控和报警方法、系统、设备及存储介质
CN113487086B (zh) 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN117176560B (zh) 一种基于物联网的监测设备监管系统及其方法
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN117422447A (zh) 变压器维护策略生成方法、系统、电子设备及存储介质
CN114487856A (zh) 换电站电池的热失控预警方法及系统
CN117110748A (zh) 一种基于融合终端的变电站主设备运行状态异常检测方法
CN113568740A (zh) 基于联邦学习的模型聚合方法、系统、设备及介质
CN115437886A (zh) 基于存算一体芯片的故障预警方法、装置、设备及存储
CN115713320A (zh) 设备的运维策略优化方法、装置、设备及存储介质
CN113487182B (zh) 设备健康状态评估方法、装置、计算机设备和介质
CN106779443B (zh) 电力调度中的操作风险确定方法和装置
CN113486586B (zh) 设备健康状态评估方法、装置、计算机设备及存储介质
CN118245264A (zh) 服务器故障处理方法、装置、电子设备及介质
CN117591994A (zh) 电力设备状态数据预测方法、智能化平台、设备及介质
CN117294617A (zh) 通信网络异常检测方法及装置
CN111614504A (zh) 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统
CN116414608A (zh) 异常检测方法、装置、设备及存储介质
CN115951223A (zh) 储能电站异常电池箱检测方法、装置及电子设备
CN109766243B (zh) 一种基于幂函数的多核主机性能监控方法
CN115372752A (zh) 故障检测方法、装置、电子设备以及存储介质

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

Effective date of registration: 20240311

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

Applicant after: Xinao Xinzhi Technology Co.,Ltd.

Country or region after: China

Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing

Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant