CN113505532A - 设备剩余寿命预测方法、装置、计算机设备及介质 - Google Patents
设备剩余寿命预测方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN113505532A CN113505532A CN202110761527.6A CN202110761527A CN113505532A CN 113505532 A CN113505532 A CN 113505532A CN 202110761527 A CN202110761527 A CN 202110761527A CN 113505532 A CN113505532 A CN 113505532A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- original time
- target
- original
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims description 49
- 238000004590 computer program Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change 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
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开涉及能源设备技术领域，提供了设备剩余寿命预测方法、装置、计算机设备及介质。该方法包括：将获取的原始时序集基于预设的划分指标进行划分，得到原始时序子集；基于预设处理策略对原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集；使用特征数据集对原始处理模型进行训练，得到目标处理模型；生成目标预测数据。本发明公开实施例通过将至少一个原始时序子集中的每个原始时序子集进行处理生成特征数据，可以将每个原始时序子集转化为一个特征数据，在不丢失原始时序子集中每个时序数据特征的情况下，大大降低训练模型时的运算复杂度，提高训练模型的效率。
Description
技术领域
本发明公开涉及能源设备技术领域，尤其涉及设备剩余寿命预测方法、装置、计算机设备及介质。
背景技术
设备的健康管理是重要的科研领域，可广泛应用于综合能源及工业领域，其重点是计算设备或系统的退化状态并估算系统的剩余使用寿命。现有技术一般是基于设备的时序数据集中的每个时序数据进行模型训练，由于数据量巨大，训练的耗时非常大，导致训练效率极低；若采用少量数据量，训练后的模型精准度极低。
发明内容
有鉴于此，本发明公开实施例提供了设备剩余寿命预测方法、装置、计算机设备及介质，以解决现有技术中由于数据量巨大，训练的耗时非常大，导致训练效果较差，若采用少量数据量，训练后的模型精准度极低的问题。
本发明公开实施例的第一方面，提供了一种设备剩余寿命预测方法，包括：将获取的原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集；基于预设的处理策略对至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集；基于预设的训练策略和特征数据集对原始处理模型进行训练，得到目标处理模型；基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
本发明公开实施例的第二方面，提供了一种设备剩余寿命预测装置，包括：划分模块，被配置成将获取的原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集；处理模块，被配置成基于预设的处理策略对至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集；训练模块，被配置成基于预设的训练策略和特征数据集对原始处理模型进行训练，得到目标处理模型；生成模块，被配置成基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
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。
本发明公开实施例与现有技术相比存在的有益效果至少包括：本公开实施例通过将至少一个原始时序子集中的每个原始时序子集进行处理生成特征数据，可以将每个原始时序子集转化为一个特征数据，在不丢失原始时序子集中每个时序数据特征的情况下，大大降低训练模型时的运算复杂度，提高训练模型的效率。
附图说明
为了更清楚地说明本发明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发明公开的一些实施例，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是本发明公开实施例的场景示意图；
图2是本发明公开实施例提供的设备剩余寿命预测方法的流程图一；
图3是本发明公开实施例提供的设备剩余寿命预测方法的流程图二；
图4是本发明公开实施例提供的设备剩余寿命预测装置的示意图；
图5是本发明公开实施例提供的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，以便透彻理解本发明公开实施例。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发明公开。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发明公开的描述。
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是本发明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，本发明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，本发明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，本发明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，本发明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，首先，服务器4将获取的原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集；其次，服务器4基于预设的处理策略对至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集；再次，服务器4基于预设的训练策略和特征数据集对原始处理模型进行训练，得到目标处理模型；最后，服务器4基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
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，本发明公开实施例对此不作限制。
图2是本发明公开实施例提供的设备剩余寿命预测方法的流程图。图2的设备剩余寿命预测方法可以由图1的终端设备或服务器4执行。如图2所示，该设备剩余寿命预测方法包括：
S201，将获取的原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集。
原始时序集可以指由时序数据组成的数据集合。该原始时序集包括至少一个时序数据。时序数据又称时间序列数据，时间序列数据是根据同一统一指标按时间顺序记录的数据列。在同一数据列中的各个数据必须是同口径的，并要求具有可比性。时序数据可以包括时间戳和核心数据。时间戳可以指该数据形成的时间，例如“08(时)：49(分):05(秒)”、“2021(年)-06(月)-09(日)”或“2021(年)-06(月)-09(日)08(时)：49(分):05(秒)”，根据需要进行设置，在此不作具体限制。核心数据可以指从设备、系统、或设备(系统)监控装置获取到的参数数据。核心数据可以为整数型或实数型或其他数据类型，例如“386”、“136.1546”、“a154.11”等，根据需要进行设置，在此不作具体限制。作为一个具体实施例，时序数据可以如下表所示：
| 2021-06-0900:00:00 | 7.141516545156465456 |
| 2021-06-0901:00:00 | 7.245646545618181863 |
| 2021-06-0902:00:00 | 7.24451817769194949 |
| 2021-06-0903:00:00 | 7.244884997741919479 |
| 2021-06-0904:00:00 | 7.348977751844646416 |
| 2021-06-0905:00:00 | 7.198816187798181949 |
预设的划分指标可以指将原始时序集划分的指标。该划分指标可以为一个时间段，如0.1秒、2秒、1小时、1天或其他时间段；该划分指标还可以为原始时序集中时序数据的个数，如2个、3个、5个或其他数值，此时划分指标为大于1的正整数。划分指标还可以为设置为其他形式，根据需要进行设置，在此不作具体限制。该划分指标可以为人工设置的数值，也可以为由机器学习得到的经验数值。至少一个原始时序子集可以指基于该划分指标划分的具有相同时间长度的，由时序数据组成的至少一个数据集合。在一个实施例中，现有获取的原始时序集T1，T1设有192个时序数据，划分指标为20个时序数据，192/20＝9.6，则该T1被划分为10个时序子集，其中，第一个时序子集为{D1，D2...D20}，第二个时序子集为{D21，D22...D40}，以此类推，最后一个时序子集为{D181，D182...D192}。
S202，基于预设的处理策略对至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集。
特征数据可以指每个原始时序子集中每个时序数据综合的数据综合信息，例如可以为数据走势、数据平均值、数据聚合度等，根据需要进行设置，在此不作具体限制。特征数据可以指由至少一个特征数据组成的信息集合。预设的处理策略可以为预先设置好的对至少一个原始时序子集中的每个原始时序子集的处理方法，可以将原始时序子集整体进行处理，也可以对原始时序子集中的每个时序数据进行处理，根据需要设置具体处理方式，在此不作具体限制。
S203，基于预设的训练策略和特征数据集对原始处理模型进行训练，得到目标处理模型。
训练策略可以指基于特征数据集对原始处理模型进行训练的步骤或方法。原始处理模型可以为现有的或自己设置的数学式。该数学式可以包括模型参数，模型参数可以指该数学式中经过训练不断改变，并最终满足需求的参数，该参数可以为常数、数组、向量等。该原始处理模型可以根据不同的需要、场景来选择相对应的数学式，在此不作具体限制。目标处理模型可以指经过训练后，符合要求的数学式。
S204，基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
目标时序数据集可以指能根据该时序数据集中的时序数据预测设备剩余寿命的时序数据集。将该目标时序数据集代入训练好的目标处理模型后，可以生成设备的目标预测数据。目标预测数据可以指用来预测某设备的剩余寿命的预测数据，作为示例，该目标预测数据可以为“12天”“3天8小时7分12秒”、“2个月”等。
根据本发明公开实施例提供的技术方案，通过将至少一个原始时序子集中的每个原始时序子集进行处理生成特征数据，可以将每个原始时序子集转化为一个特征数据，在不丢失原始时序子集中每个时序数据特征的情况下，大大降低训练模型时的运算复杂度，提高训练模型的效率。
在一些实施例中，将获取的原始时序集基于预设的划分指标，得到至少一个原始时序子集之前，还包括：获取目标设备的原始测试集；对原始测试集中的时序数据进行数据清洗，生成清洗后的时序数据，得到目标测试集；基于预设的测试策略对目标测试集进行测试，生成测试结果；当测试结果为异常时，发送异常信息至目标显示设备；当测试结果为正常时，获取目标设备的原始时序集。
在对设备预测剩余寿命前，可以先对设备进行检测，当检测到某设备已经出现故障时，可以直接将该设备标记为故障设备进行检修，并将正常运行的设备进行预测。具体的，原始测试集可以指用于测试设备当前装填的时序数据集。数据清洗可以指将原始时序集中的不符合要求的至少一个时序数据删除或替换掉。数据清洗可以包括检查数据一致性，处理无效值和缺失值等。其中，数据一致性可以指数据的基本特征或特性相同，其他特性或特征相类似。无效值可以指空值、不符合数据类型要求的值或其他异常值。缺失值可以指现有数据集中某个或某些属性的值是不完全的。目标测试集可以指经过数据清洗后得到的时序数据组成的数据集合。
预设的测试策略可以包括以下步骤：第一步，获取目标阈值。第二步，将目标测试集中的时序数据的核心数据与目标阈值进行对比，得到测试结果。
测试结果可以为正常或异常。当测试结果为异常时，代表该数据对应的设备或系统已经出现故障，可以将异常信息发送至目标显示设备如手机、PC、移动电脑等设备。当测试结果为正常时，可以获取目标设备的原始时序集，用以进行后续的预测。
通过提前检测，一方面可以直接检测出故障设备或系统，可以直接对该设备或系统进行维修。另一方面减少了需要检测的设备或系统的数量，也进一步减少了后续预测的运算复杂度。
在一些实施例中，基于预设的处理策略对至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集，包括：基于至少一个原始时序子集中每个原始时序子集的核心数据，生成平均值数据，得到至少一个平均值数据；基于预设的趋势生成策略和基于至少一个原始时序子集中每个原始时序子集的核心数据，生成趋势值数据，得到至少一个趋势值数据；基于至少一个平均值数据中的每个平均值数据和对应的至少一个趋势值数据中的趋势值数据，生成特征数据，得到至少一个特征数据。
平均值数据可以指原始时序子集中每个时序数据的核心数据的平均值。作为示例，某原始时序子集中的核心数据为{2.5,3.15,51}，则其平均值数据为(2.5+3.15+15)/3＝6.88。
趋势值数据可以指原始时序子集中每个时序数据的变化趋势值。预设的趋势生成策略可以包括：第一步，获取至少一个原始时序子集中每个原始时序子集的核心数据。第二步，将每个原始时序子集的核心数据通过最小二乘法进行处理，生成趋势值数据；或者，将每个原始时序子集的核心数据通过牛顿迭代法进行处理，生成趋势值数据；或者，将每个原始时序子集的核心数据通过多项式回归法进行处理，生成趋势值数据；或者，将每个原始时序子集的核心数据通过预设的训练好的神经网络模型进行处理，生成趋势值数据。需要指出的是，生成平均值数据和生成趋势值数据的步骤没有先后顺序，在此不作具体限制。
示例的，设共有i个原始时序子集，则ai代表第i个原始时序子集的平均值，si代表第i个原始时序子集的趋势值，xi＝(ai,si)则代表第i个原始时序子集的特征信息，X＝{(a1,s1),...(ai,si),...(an,sn)}则代表特征信息集，其中，n为原始时序子集的个数。
在一些实施例中，所述原始处理模型为：
其中，w、b为常数参数，ε为目标阈值，i代表第i个原始时序子集，xi代表第i个原始时序子集的特征信息，yi代表第i个原始时序子集中最后一个时序数据的时间戳。
原始处理模型可以指预先选择的数学式，其中该数学式的常数参数为默认值。目标阈值可以指该数学式中预设的阈值，当数学式经过训练后的运算结果满足该目标阈值要求，则该处理模型被认为已经给训练成功。该目标阈值可以为常数值，如-0.1、0、1.24、109或其他数值等。在一个具体实施例中，目标阈值ε可以为0.02，根据需要进行设置，在此不作具体限制。
在一些实施例中，基于获取的目标时序数据集和目标处理模型，生成目标预测数据，包括：步骤一，基于原始时序集中的每个时序数据和目标处理模型生成预测结果数据，得到预测结果集；步骤二，基于预设的校验策略对预测结果集和预设的对比结果集进行处理，得到偏离数据；步骤三，重新基于预设的训练策略和特征数据集对原始处理模型进行训练，得到目标处理模型；重复执行步骤一至步骤三共N次，得到N个偏离数据，其中，N为不小于2的正整数；或者，重复执行步骤一至步骤三共N-1次，再重复执行步骤一至步骤二一次，得到N个偏离数据，其中，N为不小于2的正整数；从N个偏离数据中筛选出最小的偏离数据；基于获取的目标时序数据集和最小的偏离数据对应的目标处理模型，生成目标预测数据。
预测结果数据可以指基于原始时序集中的每个时序数据和目标处理模型预测到的设备的剩余使用寿命。对比结果集可以指该原始时序集对应的设备真实的剩余使用寿命。在进行神经网络训练时，一般包含预测数据和对比数据。其中，预测数据可以指获取的数据，用神经网络模型进行预测，得到预测结果。对比数据可以指该预测数据对应的真实的＝结果，将预测结果与真实结果对比，可以得出预测结果的偏离数据。该校验策略可以为如下数学式：
其中，t可以指时间戳，m是一个计数，t每变化一次，m值就加1，M可以指t变化的总次数-1，rt可以指对比结果集中t时刻的对比结果，rt′可以指预测结果集中t时刻的预测结果，Sm可以指第m次计算得到的偏离值，S可以指M次变化后得到的偏离数据，即所有Sm的和。其中，偏离值可以指每个时间戳的预测值与对比值通过公式计算得到的数值。偏离数据可以指原始时序集中每个时序数据的偏离值的和。
在一些实施例中，本发明公开还包括：将目标模型的模型参数发送至模型管理中心；接收模型管理中心发送的中心模型参数；将中心模型参数更新至目标模型。
在训练目标模型时，可以通过横向联邦学习方式来训练。横向联邦学习方式可以指基于多个服务器进行分布式训练的训练方式，该横向联邦学习方式可以包括以下步骤：
第一步，设置一个总服务器，设置至少一个子服务器；
第二步，在总服务器以及至少一个子服务器中每个子服务器上设置相同的训练模型；
第三步，总服务器以及该每个子服务器利用各自的本地数据进行训练，得到该每个子服务器的训练参数；
第四步，将该每个子服务器的训练参数反馈至总服务器；
第五步，总服务器聚合总服务器的训练参数，以及该每个子服务器的训练参数，生成中心模型参数，其中，中心模型参数可以指经总服务器的训练参数，以及该每个子服务器的训练参数聚合得到的新的模型参数。
第六步，发送中心模型参数至该每个子服务器；
第七步，该每个子服务器将中心模型参数更新至自身的训练模型。
通过横向联邦学习方式来训练，可以充分利用子服务器各自的性能及各自的本地数据，大大提高了训练的效率。
图3是本发明公开实施例提供的设备剩余寿命预测方法的流程图。图3的设备剩余寿命预测方法可以由图1服务器4执行。如图3所示，该设备剩余寿命预测方法包括：
S301，获取目标设备的原始测试集。
S302，对原始测试集中的时序数据进行数据清洗，生成清洗后的时序数据，得到目标测试集。
S303，基于预设的测试策略对目标测试集进行测试，生成测试结果。
S304，当测试结果为异常时，发送异常信息至目标显示设备。
S305，当测试结果为正常时，获取目标设备的原始时序集。
S306，将原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集。
S307，基于至少一个原始时序子集中每个原始时序子集的核心数据，生成平均值数据，得到至少一个平均值数据。
S308，基于预设的趋势生成策略和基于至少一个原始时序子集中每个原始时序子集的核心数据，生成趋势值数据，得到至少一个趋势值数据。
S309，基于至少一个平均值数据中的每个平均值数据和对应的至少一个趋势值数据中的趋势值数据，生成特征数据，得到至少一个特征数据。
S310，使用特征数据集对原始处理模型进行训练，得到目标处理模型。
S311，基于获取的目标时序数据集和目标处理模型，生成目标预测数据。
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。
下述为本发明公开装置实施例，可以用于执行本发明公开方法实施例。对于本发明公开装置实施例中未披露的细节，请参照本发明公开方法实施例。
图4是本发明公开实施例提供的设备剩余寿命预测装置的示意图。如图4所示，该设备剩余寿命预测装置包括：
划分模块401，被配置成将获取的原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集；
处理模块402，被配置成基于预设的处理策略对所述至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集；
训练模块403，被配置成使用所述特征数据集对原始处理模型进行训练，得到目标处理模型；
生成模块404，被配置成基于获取的目标时序数据集和所述目标处理模型，生成目标预测数据。
根据本发明公开实施例提供的技术方案，通过将至少一个原始时序子集中的每个原始时序子集进行处理生成特征数据，可以将每个原始时序子集转化为一个特征数据，在不丢失原始时序子集中每个时序数据特征的情况下，大大降低训练模型时的运算复杂度，提高训练模型的效率。
在一些实施例中，划分模块401之前，设备剩余寿命预测装置还包括：原始测试集获取模块，被配置成获取目标设备的原始测试集。目标测试集生成模块，被配置成对所述原始测试集中的时序数据进行数据清洗，生成清洗后的时序数据，得到目标测试集。测试结果生成模块，被配置成基于预设的测试策略对所述目标测试集进行测试，生成测试结果。异常信息发送模块，被配置成当所述测试结果为异常时，发送异常信息至目标显示设备。第二原始测试集获取模块，被配置成当所述测试结果为正常时，获取所述目标设备的所述原始时序集。
在一些实施例中，处理模块402被进一步配置成：基于所述至少一个原始时序子集中每个原始时序子集的核心数据，生成平均值数据，得到至少一个平均值数据；基于预设的趋势生成策略和基于所述至少一个原始时序子集中每个原始时序子集的核心数据，生成趋势值数据，得到至少一个趋势值数据；基于所述至少一个平均值数据中的每个平均值数据和对应的所述至少一个趋势值数据中的趋势值数据，生成特征数据，得到至少一个特征数据。
在一些实施例中，所述预设的趋势生成策略为：获取所述至少一个原始时序子集中每个原始时序子集的核心数据；将所述每个原始时序子集的核心数据通过最小二乘法进行处理，生成趋势值数据；或者，将所述每个原始时序子集的核心数据通过牛顿迭代法进行处理，生成趋势值数据；或者，将所述每个原始时序子集的核心数据通过多项式回归法进行处理，生成趋势值数据；或者，将所述每个原始时序子集的核心数据通过预设的训练好的神经网络模型进行处理，生成趋势值数据。
在一些实施例中，所述原始处理模型为：
其中，w、b为常数参数，ε为目标阈值，i代表第i个所述原始时序子集，xi代表第i个所述原始时序子集的所述特征信息，yi代表第i个所述原始时序子集中最后一个时序数据的时间戳。
在一些实施例中，所述生成模块404被进一步配置成：S10，基于所述原始时序集中的每个时序数据和所述目标处理模型生成预测结果数据，得到预测结果集；S11，基于预设的校验策略对所述预测结果集和预设的对比结果集进行处理，得到偏离数据；S12，重新基于所述预设的训练策略和所述特征数据集对原始处理模型进行训练，得到目标处理模型；重复执行S10至S12共N次，得到N个偏离数据，其中，N为不小于2的正整数；或者，重复执行S10至S12共N-1次，再重复执行S10至S11一次，得到N个偏离数据，其中，N为不小于2的正整数；从所述N个偏离数据中筛选出最小的偏离数据；基于获取的目标时序数据集和所述最小的偏离数据对应的所述目标处理模型，生成目标预测数据。
在一些实施例中，设备剩余寿命预测装置还包括：模型参数发送模块，被配置成将目标模型的模型参数发送至模型管理中心。中心模型参数接受模块，被配置成接收所述模型管理中心发送的中心模型参数；中心模型参数更新模块，被配置成将所述中心模型参数更新至目标模型。
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5是本发明公开实施例提供的计算机设备5的示意图。如图5所示，该实施例的计算机设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503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503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502中，并由处理器501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503在计算机设备5中的执行过程。
计算机设备5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5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5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501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502可以是计算机设备5的内部存储单元，例如，计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备，例如，计算机设备5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502还可以既包括计算机设备5的内部存储单元也包括外部存储设备。存储器502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502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-OnlyMemory，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)
1.一种设备剩余寿命预测方法，其特征在于，包括：
将获取的原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集；
基于预设的处理策略对所述至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集；
使用所述特征数据集对原始处理模型进行训练，得到目标处理模型；
基于获取的目标时序数据集和所述目标处理模型，生成目标预测数据。
2.根据权利要求1所述的方法，其特征在于，所述将获取的原始时序集基于预设的划分指标，得到至少一个原始时序子集之前，还包括：
获取目标设备的原始测试集；
对所述原始测试集中的时序数据进行数据清洗，生成清洗后的时序数据，得到目标测试集；
基于预设的测试策略对所述目标测试集进行测试，生成测试结果；
当所述测试结果为异常时，发送异常信息至目标显示设备；
当所述测试结果为正常时，获取所述目标设备的所述原始时序集。
3.根据权利要求1所述的方法，其特征在于，所述基于预设的处理策略对所述至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集，包括：
基于所述至少一个原始时序子集中每个原始时序子集的核心数据，生成平均值数据，得到至少一个平均值数据；
基于预设的趋势生成策略和基于所述至少一个原始时序子集中每个原始时序子集的核心数据，生成趋势值数据，得到至少一个趋势值数据；
基于所述至少一个平均值数据中的每个平均值数据和对应的所述至少一个趋势值数据中的趋势值数据，生成特征数据，得到至少一个特征数据。
4.根据权利要求3所述的方法，其特征在于，所述预设的趋势生成策略为：
获取所述至少一个原始时序子集中每个原始时序子集的核心数据；
将所述每个原始时序子集的核心数据通过最小二乘法进行处理，生成趋势值数据；
或者，将所述每个原始时序子集的核心数据通过牛顿迭代法进行处理，生成趋势值数据；
或者，将所述每个原始时序子集的核心数据通过多项式回归法进行处理，生成趋势值数据；
或者，将所述每个原始时序子集的核心数据通过预设的训练好的神经网络模型进行处理，生成趋势值数据。
5.根据权利要求1所述的方法，其特征在于，所述原始处理模型为：
其中，w、b为常数参数，ε为目标阈值，i代表第i个所述原始时序子集，xi代表第i个所述原始时序子集的特征信息，yi代表第i个所述原始时序子集中最后一个时序数据的时间戳。
6.根据权利要求1所述的方法，其特征在于，所述基于获取的目标时序数据集和所述目标处理模型，生成目标预测数据，包括：
步骤一：基于所述原始时序集中的每个时序数据和所述目标处理模型生成预测结果数据，得到预测结果集；
步骤二：基于预设的校验策略对所述预测结果集和预设的对比结果集进行处理，得到偏离数据；
步骤三：重新基于所述预设的训练策略和所述特征数据集对原始处理模型进行训练，得到目标处理模型；
重复执行所述步骤一至步骤三共N次，得到N个偏离数据，其中，N为不小于2的正整数；
或者，重复执行所述步骤一至步骤三共N-1次，再重复执行所述步骤一至步骤二1次，得到N个偏离数据，其中，N为不小于2的正整数；
从所述N个偏离数据中筛选出最小的偏离数据；
基于获取的目标时序数据集和所述最小的偏离数据对应的所述目标处理模型，生成目标预测数据。
7.根据权利要求1至6任一所述的方法，其特征在于，所述方法还包括：
将目标模型的模型参数发送至模型管理中心；
接收所述模型管理中心发送的中心模型参数；
将所述中心模型参数更新至目标模型。
8.一种设备剩余寿命预测装置，其特征在于，包括：
划分模块，被配置成将获取的原始时序集基于预设的划分指标进行划分，得到至少一个原始时序子集；
处理模块，被配置成基于预设的处理策略对所述至少一个原始时序子集中的每个原始时序子集进行处理，生成特征数据，得到特征数据集；
训练模块，被配置成使用所述特征数据集对原始处理模型进行训练，得到目标处理模型；
生成模块，被配置成基于获取的目标时序数据集和所述目标处理模型，生成目标预测数据。
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任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761527.6A CN113505532B (zh) | 2021-07-06 | 2021-07-06 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110761527.6A CN113505532B (zh) | 2021-07-06 | 2021-07-06 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505532A true CN113505532A (zh) | 2021-10-15 |
| CN113505532B CN113505532B (zh) | 2023-12-29 |
Family
ID=78011615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110761527.6A Active CN113505532B (zh) | 2021-07-06 | 2021-07-06 | 设备剩余寿命预测方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505532B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN111563606A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 一种设备预测性维护方法及装置 |
| CN111652279A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于时序数据的行为评价方法、装置及可读存储介质 |
| US20210010351A1 (en) * | 2019-07-11 | 2021-01-14 | Halliburton Energy Services, Inc. | Systems and methods for forecasting well productivity |
| CN112231980A (zh) * | 2020-10-19 | 2021-01-15 | 西安建筑科技大学 | 一种发动机寿命预测方法、存储介质及计算设备 |
| CN112749451A (zh) * | 2019-10-30 | 2021-05-04 | 株式会社捷太格特 | 工具寿命预测系统 |
| CN113052302A (zh) * | 2021-04-02 | 2021-06-29 | 重庆大学 | 基于循环神经网络的机器健康监控方法、装置及终端设备 |
-
2021
- 2021-07-06 CN CN202110761527.6A patent/CN113505532B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107730087A (zh) * | 2017-09-20 | 2018-02-23 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| US20210010351A1 (en) * | 2019-07-11 | 2021-01-14 | Halliburton Energy Services, Inc. | Systems and methods for forecasting well productivity |
| CN110378052A (zh) * | 2019-07-25 | 2019-10-25 | 北京航空航天大学 | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 |
| CN112749451A (zh) * | 2019-10-30 | 2021-05-04 | 株式会社捷太格特 | 工具寿命预测系统 |
| CN111563606A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 一种设备预测性维护方法及装置 |
| CN111652279A (zh) * | 2020-04-30 | 2020-09-11 | 中国平安财产保险股份有限公司 | 基于时序数据的行为评价方法、装置及可读存储介质 |
| CN112231980A (zh) * | 2020-10-19 | 2021-01-15 | 西安建筑科技大学 | 一种发动机寿命预测方法、存储介质及计算设备 |
| CN113052302A (zh) * | 2021-04-02 | 2021-06-29 | 重庆大学 | 基于循环神经网络的机器健康监控方法、装置及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505532B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197652B (zh) | 用于生成信息的方法和装置 | |
| CN109949219B (zh) | 一种超分辨率图像的重构方法、装置及设备 | |
| CN109815344B (zh) | 基于参数共享的网络模型训练系统、方法、装置和介质 | |
| 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 | |
| CN111352794B (zh) | 异常检测方法、装置、计算机装置及存储介质 | |
| CN113454661A (zh) | 产品不良成因分析的系统和方法、计算机可读介质 | |
| CN107341235A (zh) | 报表查询方法、装置、介质和电子设备 | |
| CN116029391A (zh) | 基于联邦学习的模型训练方法、预测方法、装置 | |
| CN109325603B (zh) | 故障请求处理方法、装置及终端设备 | |
| CN113505532B (zh) | 设备剩余寿命预测方法、装置、计算机设备及介质 | |
| CN114692487B (zh) | 电子装备维修备件预投方法、装置、设备及存储介质 | |
| CN114154415A (zh) | 设备寿命的预测方法及装置 | |
| CN114154714A (zh) | 时序数据预测方法、装置、计算机设备及介质 | |
| CN110246026B (zh) | 一种数据转移的输出组合设定方法、装置及终端设备 | |
| CN113704236A (zh) | 政务系统数据质量评估方法、装置、终端及存储介质 | |
| CN115577820A (zh) | 设备剩余寿命预测方法、装置、计算机设备及介质 | |
| US8805809B2 (en) | Autotransform system | |
| 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 | |
| CN114580255A (zh) | 一种设备剩余寿命预测模型的构建方法及终端设备 | |
| CN114417717B (zh) | 印刷电路板的仿真方法及装置 | |
| CN110852767A (zh) | 客流量聚类方法及终端设备 | |
| CN115550259B (zh) | 基于白名单的流量分配方法及相关设备 | |
| CN115757076B (zh) | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 | |
| CN116383638A (zh) | 一种推荐模型的训练方法及装置 | |
| CN114298320A (zh) | 联合学习的贡献值计算方法、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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231130 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. 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 |