CN113505533A - 一种设备健康状态预测方法和装置 - Google Patents
一种设备健康状态预测方法和装置 Download PDFInfo
- Publication number
- CN113505533A CN113505533A CN202110761529.5A CN202110761529A CN113505533A CN 113505533 A CN113505533 A CN 113505533A CN 202110761529 A CN202110761529 A CN 202110761529A CN 113505533 A CN113505533 A CN 113505533A
- Authority
- CN
- China
- Prior art keywords
- data
- state
- time
- state transition
- equipment
- 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
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
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开涉及设备健康管理技术领域,提供了一种设备健康状态预测方法和装置。该方法包括:根据设备使用特点,在预定时间内收集相应的实时数据,基于收集的实时数据,获得标注数据,并建立隐马尔可夫模型;基于标注数据,获得状态迁移期望数;基于状态迁移期望数,获得新的状态迁移期望数;基于新的状态迁移期望数,进行预测模型训练,获得目标预测模型,并基于目标预测模型计算设备的剩余使用时间。本发明公开实施例通过采用隐马尔可夫模型与蒙特卡洛计算出设备的剩余使用时间,能够降低维护成本,保证正常运作,避免因一台设备出现故障导致整个综合能源系统出现瘫痪的危机。
Description
技术领域
本发明公开涉及设备健康管理技术领域,尤其涉及一种设备健康状态预测方法和装置。
背景技术
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,往往会损伤设备的健康度,在未到定期维护时间时,设备出现故障,不但增加维护成本,影响正常运作,甚至会导致整个综合能源系统出现瘫痪,造成严重损失。
因此,对于设备的健康度的评估是极其必要的。
发明内容
有鉴于此,本发明公开实施例提供了一种设备健康状态预测方法和装置,以解决现有技术中综合能源系统中设备的剩余使用时间无法预估的问题。
本发明公开实施例的第一方面,提供了一种设备健康状态预测方法,包括:
根据设备使用特点,在预定时间内收集相应的实时数据,所述实时数据至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种;
基于收集的所述实时数据,获得标注数据,并建立隐马尔可夫模型;
基于所述标注数据,获得状态迁移期望数;
基于所述状态迁移期望数,获得新的状态迁移期望数;
基于所述新的状态迁移期望数,进行预测模型训练,获得目标预测模型,并基于所述目标预测模型计算所述设备的剩余使用时间。
本发明公开实施例的第二方面,提供了一种设备健康状态预测装置,包括:
收集模块,被配置为根据设备使用特点,在预定时间内收集相应的实时数据,所述实时数据至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种;
标注模块,被配置为基于收集的所述实时数据,获得标注数据,并建立隐马尔可夫模型;
迁移期望模块;被配置为基于所述标注数据,获得状态迁移期望数;
新迁移期望模块,被配置为基于所述状态迁移期望数,获得新的状态迁移期望数;
计算模块,被配置为基于所述新的状态迁移期望数,进行预测模型训练,获得目标预测模型,并基于所述目标预测模型计算所述设备的剩余使用时间。
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是:本发明公开实施例根据设备使用特点,在预定时间内收集相应的实时数据;建立隐马尔可夫模型,获得标注数据、状态迁移期望数以及新的状态迁移期望数,再通过新的状态迁移期望数进行训练获得目标预测模型,最终采用目标预测模型计算设备的剩余使用时间。本发明公开实施例通过采用隐马尔可夫模型与蒙特卡洛仿真计算相结合的方式,计算出设备的剩余使用时间,能够降低维护成本,保证正常运作,避免因一台设备出现故障导致整个综合能源系统出现瘫痪的危机。
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提供的一种设备健康状态预测方法的流程图;
图2是本发明公开实施例提供的一种设备健康状态预测方法中获得标注数据的流程图;
图3是本发明公开实施例提供的一种设备健康状态预测方法中获得状态迁移期望数的流程图;
图4是本发明公开实施例提供的一种设备健康状态预测方法中获得新的状态迁移期望数的流程图;
图5是本发明公开实施例提供的一种设备健康状态预测方法中预测设备的剩余使用时间的流程图;
图6是本发明公开实施例提供的一种设备健康状态预测装置的框图;
图7是本发明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。
下面将结合附图详细说明根据本发明公开实施例的一种设备健康状态预测方法和装置。
图1是本发明公开实施例提供的一种设备健康状态预测方法的流程图。如图1所示,该设备健康预测方法包括:
S11,根据设备使用特点,在预定时间内收集相应的实时数据,实时数据至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种。
根据设备使用特点,在预设时间段内,收集相应的实时数据,由于一些不确定因素,往往会发生数据缺失或异常等情况,类似情况可以根据专家经验结合回归类方法进行数值的插补和去除异常值等操作。其中,回归类方法,例如,最小二乘、多项式回归等。实时数据,至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种。其中,当前运行数据是在scada(Supervisory Control And Data Acquisition,数据采集与监视控制系统中收集的,而设备运行年限、历史维修保养数据、能耗数据一般是在台账记录中收集,只有对数据进行严格规范管理的公司才能够在scada中直接收集到。
S12,基于收集的实时数据,获得标注数据,并建立隐马尔可夫模型。
图2是本发明公开实施例提供的一种设备健康状态预测方法中获得标注数据的流程图。如图2所示,S12包括:
S121,基于实时数据定义状态参数。
上述隐马尔科夫模型将在预定时间内收集到的实时数据进行定义状态参数处理,获得定义参数状态后的实时数据。其中,定义状态参数是针对上述实时数据中的历史维修保养数据进行的,由于历史维修保养数据对各种类别的数据都有详细记录,因此,采用该种数据才有据可依。
S122,根据预设分段方式将定义状态参数后的实时数据进行分类,以获得标注数据,其中,预设分段方式为将定义参数状态后的实时数据分割为多个数据区间,每个数据区间对应不同数据类型。其中,定义状态参数之后是针对实时数据中的当前运行参数进行分类。
一示例性地,将上述定义状态参数后的实时数据分类,例如,将上述定义参数状态后的实时数据分为四类,并将这四类分别标注为优、良、中、差之后,得到的数据即为标注数据。
另一示例性地,将上述定义参数状态后的实时数据的范围分类,例如,将上述定义参数状态后的实时数据分为三类,并将这三类分别标注为优、中、差之后,得到的数据即为标注数据。
又一示例性地,将上述定义参数状态后的实时数据的范围分类,例如,将上述定义参数状态后的实时数据分为五类,并将这五类分别标注为优、良、好、中、差之后,得到的数据即为标注数据。
S123,基于标注数据,建立隐马尔可夫模型。
λ=(A,B,π)---(1)
其中,λ表示隐马尔可夫模型,A为状态迁移概率分布,B为连续当前运行参数值概率分布,π为初始状态分布,
A={aij}---(2)
aij=P[qt+1=Sj|qt=Si]---(3)
其中,aij为从i状态时刻到j状态时刻的概率,i与j为正整数,P为从t到t+1时刻的概率,Sj为某时刻的状态,Si为某时刻的状态,qt为t时刻的状态参数,qt+1为t+1时刻的状态参数,
B={bj(O)}---(4)
其中,bj为其中之一的连续当前运行参数值概率,m为不同数据的其中之一,K为参与的混合参数的数量,Cjm为混合参数,N(O|μjm,σjm)为高斯分布的高斯混合模型,O为当前运行参数,μ为期望数,σ为标准差。
π={πi}---(6)
其中,A与π都可由现场经验得到,属于已知变量。
S13,基于标注数据,获得状态迁移期望数。
图3是本发明公开实施例提供的一种设备健康状态预测方法中获得状态迁移期望数的流程图。如图3所示,S13包括:
S131,基于隐马尔可夫模型和当前运行数据,获得某一时刻从当前时刻状态到下一时刻状态的概率,
εt(i,j)=P[qt=Si,qt+1=Sj|O,λ]---(7)
公式(7)是公式(3)的一个特例,即在t时刻,从状态i到状态j的迁移概率。隐马尔可夫模型的建立,能够建立O与A的关联,由于Sj为某时刻的状态,Si为i时刻的状态,代入当前运行数据O时,获得在t时刻,从状态i到状态j的迁移概率。
其中,εt(i,j)为t时刻从状态i到状态j的迁移概率,t为一个时刻,t+1为t的下一个时刻。
S132,基于前一时刻状态到下一时刻状态的概率,得到状态迁移期望数。
类似地,基于前一时刻状态到下一时刻状态的概率的方法,能够计算出若干个前一时刻状态到下一时刻状态的概率,由此,求得状态迁移期望数。
其中,ε(i,j)为从状态Si到状态Sj的迁移期望数,T为t的集合,且1《t《T。
S14,基于状态迁移期望数,获得新的状态迁移期望数。
将原时刻状态期望数与新时刻状态期望数,获得新的状态迁移期望数。
图4是本发明公开实施例提供的一种设备健康状态预测方法中获得新的状态迁移期望数的流程图。如图4所示,S14包括:
S141,基于状态迁移期望数,获得贝叶斯信息准则最小阈值。
BIC=L*InT-2InP(O|λ)---(9)
由于在公式(9)中,L为定值,T为定值,λ由A,B,π确定,在公式(2)(6)中已确定,也属于定值,当代入新收集的当前运行数据时,即可求得贝叶斯信息准则最小阈值。
其中,L为参数数量,T为时间,P(O|λ)为给定模型条件下,当前运行数据的概率,BIC(Bayesian Information Criterion,贝叶斯信息准则)。本发明公开实施例采用BIC,能够在不完全情报下,对部分未知的状态用主观概率估计,然后用贝叶斯公式对发生概率进行修正,最后再利用期望值和修正概率做出最优决策。
S142,将实时数据与贝叶斯信息准则最小阈值进行匹配,获得新的状态迁移期望数。
εnew(i,j)=εmodel(i,j)-εdata(i,j)-----(10)
其中,εdata为新时刻状态期望数,εmodel为新时刻的上一时刻状态期望数,εnew为新的状态迁移期望数。
S15,基于新的状态迁移数,进行预测模型训练,获得目标预测模型,并基于目标预测模型计算设备的剩余使用时间,
新的状态迁移期望数构成大量数据集,基于大量数据集,对预测模型进行训练,获得目标预测模型,并基于目标预测模型计算设备的剩余使用时间。
计算过程涉及蒙特卡洛仿真计算,蒙特卡洛模型,输入新的状态迁移期望数与定义状态参数后的实时数据,输出设备的剩余使用时间,该剩余使用时间不仅可以时间的形式呈现,还可以概率或时间的形式呈现。
图5是本发明公开实施例提供的一种设备健康状态预测方法中预测设备的剩余使用时间的流程图。如图5所示,S15包括:
S151,针对不同设备,从服务器下载待训练模型,每种设备至少对应一个预测模型。
基于状态迁移期望数,获得新的状态迁移期望数,基于新的状态迁移期望数,获得新的状态迁移概率分布矩阵。
其中,Anew为新的状态迁移概率分布矩阵,εnew(i,j)为下一时刻状态概率。
在本地有不同的设备,在服务器上有与之相对应的待训练的预测模型,从服务器下载相应的待训练的预测模型,每种设备对应大于等于1个的预测模型。
S152,采用每种设备对应的新的状态迁移期望数对该设备对应的预测模型进行训练,并将训练后得到的需要更新的参数数据上传至服务器。
服务器将包含新的状态迁移期望数构成的大量数据集,每种设备利用其对应的新的状态迁移期望数对该设备相对应的预测模型进行训练,得到需要更新的参数数据,将需要更新的参数数据上传至服务器。其中,需要更新的参数数据的上传,是通过加密梯度的方式上传的。经过训练之后,能够得到新的状态迁移期望数。
基于当前时刻状态迁移期望数和新的时刻状态迁移期望数,通过蒙特卡洛仿真计算得到RUL(Remaining Useful Life,剩余使用寿命)。其中,蒙特卡洛仿真过程就是重复的把下一个状态当作当前状态,依据状态迁移期望数,一直计算到设备故障状态,经历的状态迁移的数量就是RUL的值。本发明公开实施例采用蒙特卡洛仿真计算,通过上述方式能够准确地计算出设备的剩余使用寿命,可以大大地减少因系统当机引起的损失,提高系统的运行可靠性。
S153,从服务器下载目标预测模型,目标预测模型为服务器基于各设备上传的参数数据对预测模型更新后所得到的预测模型。
每种设备收到服务器得到相应的目标预测模型的反馈之后,通过分别下载所对应的更新后的目标预测模型,更新自身目前状态的设备模型。
示例性地,服务器A将上述数据集分给三台设备,设备a1、设备a2和设备a3,例如,上述设备利用分发到自身设备的数据集b1、数据集b2和数据集b3分别训练各自模型,待各自模型训练好之后,设备a1、设备a2和设备a3分别将需要更新的参数c1、参数c2和参数c3分别通过加密梯度上传给服务器A,服务器A聚合各设备的更新模型参数c1、参数c2和参数c3,并将参数c1、参数c2和参数c3分别更新至相应的预测模型,分别得到目标预测模型B1、B2和B3,并把更新后的目标预测模型B1、B2和B3反馈至相应设备,设备a1、设备a2和设备a3分别从服务器A上下载相应的目标预测模型。本发明公开实施例采用实时数据与融合参数标准进行一一匹配的融合方式,而最终达到模型在全局即联合框架下都有效的效果。
S154,针对不同的设备,采用与设备对应的目标预测模型计算进行计算,以获得设备的剩余使用时间。
具体地,预测设备剩余使用时间的贝叶斯信息准则最小阈值是根据预先设定阈值进行判断的,当训练后的数据集中若出现大于阈值的,则判定为出现不健康状态。基于训练后的数据集,当数据集中出现了不健康状态时,采用蒙特卡洛计算预测剩余使用时间。根据本发明公开实施例提供的技术方案,通过隐马尔可夫模型与蒙特卡洛计算相结合的方式,将采集的实时数据,置于联合框架下的分配数据集至不同设备进行训练,最终计算出设备退化状态的剩余使用时间。本发明公开实施例能够帮助防止维护错误,避免不安全条件下的设备运行。
本发明公开实施例根据设备使用特点,在预定时间内收集相应的实时数据;建立隐马尔可夫模型,获得标注数据、状态迁移期望数以及新的状态迁移期望数,再通过新的状态迁移期望数进行训练获得目标预测模型,最终采用目标预测模型计算设备的剩余使用时间。本发明公开实施例通过采用隐马尔可夫模型与蒙特卡洛仿真计算相结合的方式,计算出设备的剩余使用时间,能够降低维护成本,保证正常运作,避免因一台设备出现故障导致整个综合能源系统出现瘫痪的危机。
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6是本发明公开实施例提供的一种设备健康状态预测装置的框图。如图6所示,该设备健康预测装置包括:
收集模块61,被配置为根据设备使用特点,在预定时间内收集相应的实时数据,所述实时数据至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种;
标注模块62,被配置为基于收集的所述实时数据,获得标注数据,并建立隐马尔可夫模型;
迁移期望模块63;被配置为基于所述标注数据,获得状态迁移期望数;
新迁移期望模块64,被配置为基于所述状态迁移期望数,获得新的状态迁移期望数;
计算模块65,被配置为基于所述新的状态迁移期望数,进行预测模型训练,获得目标预测模型,并基于所述目标预测模型计算所述设备的剩余使用时间。
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7是本发明公开实施例提供的计算机设备7的示意图。如图7所示,该实施例的计算机设备7包括:处理器701、存储器702以及存储在该存储器702中并且可以在处理器701上运行的计算机程序703。处理器701执行计算机程序703时实现上述各个方法实施例中的步骤。或者,处理器701执行计算机程序703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703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702中,并由处理器701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703在计算机设备7中的执行过程。
计算机设备7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7可以包括但不仅限于处理器701和存储器702。本领域技术人员可以理解,图7仅仅是计算机设备7的示例,并不构成对计算机设备7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701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702可以是计算机设备7的内部存储单元,例如,计算机设备7的硬盘或内存。存储器702也可以是计算机设备7的外部存储设备,例如,计算机设备7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702还可以既包括计算机设备7的内部存储单元也包括外部存储设备。存储器702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702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)
1.一种设备健康状态预测方法,其特征在于,包括:
根据设备使用特点,在预定时间内收集相应的实时数据,所述实时数据至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种;
基于收集的所述实时数据,获得标注数据,并建立隐马尔可夫模型;
基于所述标注数据,获得状态迁移期望数;
基于所述状态迁移期望数,获得新的状态迁移期望数;
基于所述新的状态迁移期望数,进行预测模型训练,获得目标预测模型,并基于所述目标预测模型计算所述设备的剩余使用时间。
2.根据权利要求1所述的方法,其特征在于,所述根据设备使用特点,在预定时间内收集相应的实时数据,包括:
通过数据采集与监视控制系统收集所述设备的当前运行数据;
通过台账记录所述设备的设备运行年限、历史维修保养数据、能耗数据。
3.根据权利要求1所述的方法,其特征在于,所述基于收集的所述实时数据,获得标注数据,并建立隐马尔可夫模型,包括:
基于所述实时数据定义状态参数;
根据预设分段方式将所述定义状态参数后的实时数据进行分类,以获得标注数据,其中,预设分段方式为将所述定义参数状态后的实时数据分割为多个数据区间,每个数据区间对应不同数据类型;
基于所述标注数据,建立隐马尔可夫模型,所述隐马尔科夫模型为:
λ=(A,B,π)
其中,λ表示隐马尔可夫模型,A为状态迁移概率分布矩阵,i与j为正整数,B为连续当前运行参数值概率分布,π为初始状态分布。
5.根据权利要求1所述的方法,其特征在于,所述基于所述状态迁移期望数获得新的状态迁移期望数,包括:
基于所述状态迁移期望数,获得贝叶斯信息准则最小阈值;
将所述实时数据与所述贝叶斯信息准则最小阈值进行匹配,获得新的状态迁移期望数。
6.根据权利要求5所述的方法,其特征在于,所述贝叶斯信息准则最小阈值表达式:
BIC=L*InT-2InP(O|λ)
其中,L为参数数量,T为各个时刻的集合,P(O|λ)为给定模型条件下,当前运行数据的概率,BIC为贝叶斯信息准则最小阈值。
7.根据权利要求5所述的方法,其特征在于,所述新的状态迁移期望数的计算式如下:
εnew(i,j)=εmodel(i,j)-εdata(i,j)
其中,εdata为新时刻状态期望数,εmodel为原来状态期望数。
9.根据权利要求1所述的方法,其特征在于,所述基于所述新的状态迁移期望数进行预测模型训练,获得目标预测模型,并基于所述目标预测模型计算所述设备的剩余使用时间,包括:
针对不同设备,从服务器下载待训练模型,每种设备至少对应一个预测模型;
采用每种设备对应的所述新的状态迁移期望数对该设备对应的预测模型进行训练,并将训练后得到的需要更新的参数数据上传至服务器;
从服务器下载目标预测模型,所述目标预测模型为所述服务器基于各设备上传的参数数据对预测模型更新后所得到的预测模型;
针对不同的所述设备,采用与所述设备对应的目标预测模型并通过蒙特卡洛仿真方法进行计算,以获得所述设备的剩余使用时间。
10.一种设备健康状态预测装置,其特征在于,包括:
收集模块,被配置为根据设备使用特点,在预定时间内收集相应的实时数据,所述实时数据至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种;
标注模块,被配置为基于收集的所述实时数据,获得标注数据,并建立隐马尔可夫模型;
迁移期望模块;被配置为基于所述标注数据,获得状态迁移期望数;
新迁移期望模块,被配置为基于所述状态迁移期望数,获得新的状态迁移期望数;
计算模块,被配置为基于所述新的状态迁移期望数,进行预测模型训练,获得目标预测模型,并基于所述目标预测模型计算所述设备的剩余使用时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761529.5A CN113505533A (zh) | 2021-07-06 | 2021-07-06 | 一种设备健康状态预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761529.5A CN113505533A (zh) | 2021-07-06 | 2021-07-06 | 一种设备健康状态预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505533A true CN113505533A (zh) | 2021-10-15 |
Family
ID=78011608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110761529.5A Pending CN113505533A (zh) | 2021-07-06 | 2021-07-06 | 一种设备健康状态预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505533A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600138A (zh) * | 2016-12-09 | 2017-04-26 | 贵州大学 | 一种二次设备风险评估方法 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
CN111872934A (zh) * | 2020-06-19 | 2020-11-03 | 南京邮电大学 | 一种基于隐半马尔可夫模型的机械臂控制方法及系统 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
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 CN202110761529.5A patent/CN113505533A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600138A (zh) * | 2016-12-09 | 2017-04-26 | 贵州大学 | 一种二次设备风险评估方法 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN110555273A (zh) * | 2019-09-05 | 2019-12-10 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
CN111872934A (zh) * | 2020-06-19 | 2020-11-03 | 南京邮电大学 | 一种基于隐半马尔可夫模型的机械臂控制方法及系统 |
CN112257745A (zh) * | 2020-09-11 | 2021-01-22 | 煤炭科学技术研究院有限公司 | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 |
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 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
DONG WANG ET AL: "An Intelligent Prognostic System for Gear Performance Degradation Assessment and Remaining Useful Life Estimation", 《JOURNAL OF VIBRATION AND ACOUSTICS》, vol. 137, no. 2, pages 14 - 1154 * |
QINMING LIU ET AL: "A novel method for online health prognosis of equipment based on hidden semi-Markov model using sequential Monte Carlo methods", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, vol. 32, pages 331 - 348 * |
伍宏伟: "基于隐马尔可夫模型的交通流预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 034 - 747 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US8868993B1 (en) | Data replacement policy | |
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 | |
US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
CN111427753A (zh) | 基于arima模型的容量预测装置及其控制方法 | |
Diyin et al. | Remaining useful life prediction for engineering systems under dynamic operational conditions: A semi-Markov decision process-based approach | |
US9799007B2 (en) | Method of collaborative software development | |
CN110988563B (zh) | 一种ups故障检测方法、装置、设备和存储介质 | |
JP2023518771A (ja) | 機械学習に基づくデータ・モニタリング | |
CN114021784A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN113486585A (zh) | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 | |
WO2022009010A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN112700131A (zh) | 基于人工智能的ab测试方法、装置、计算机设备及介质 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN114357858A (zh) | 一种基于多任务学习模型的设备劣化分析方法及系统 | |
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 | |
CN113505533A (zh) | 一种设备健康状态预测方法和装置 | |
CN115577821A (zh) | 一种设备剩余使用寿命的预测方法和装置 | |
CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
CN115577927A (zh) | 基于粗糙集的重要电力用户用电安全评估方法及装置 | |
CN114154415A (zh) | 设备寿命的预测方法及装置 | |
JP2019191880A (ja) | 設備管理支援システム | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN117132177B (zh) | 基于多重假设检验的径流预报模型构建和径流预报方法 |
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 |