CN113779882B - 设备剩余使用寿命的预测方法、装置、设备及存储介质 - Google Patents

设备剩余使用寿命的预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113779882B
CN113779882B CN202111061750.6A CN202111061750A CN113779882B CN 113779882 B CN113779882 B CN 113779882B CN 202111061750 A CN202111061750 A CN 202111061750A CN 113779882 B CN113779882 B CN 113779882B
Authority
CN
China
Prior art keywords
equipment
graph model
data
service life
matrix
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.)
Active
Application number
CN202111061750.6A
Other languages
English (en)
Other versions
CN113779882A (zh
Inventor
何宇轩
苏怀
张劲军
范霖
周靖
刘喆
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.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202111061750.6A priority Critical patent/CN113779882B/zh
Publication of CN113779882A publication Critical patent/CN113779882A/zh
Application granted granted Critical
Publication of CN113779882B publication Critical patent/CN113779882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本文涉及计算机技术领域，尤其涉及一种设备剩余使用寿命的预测方法、装置、设备及存储介质。其方法包括，获取设备当前工作状态下多维度的数据；对所述多维度的数据进行相关性和关联规则分析，构建图模型；根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命。通过本文的方法，克服了传统模型适用性差、机器学习模型可解释性差的不足，实现了根据任意设备设施多维度数据，对设备当前运行状态下的健康状态进行具体地预测，提高了预测设备剩余使用寿命的精准性。

Description

设备剩余使用寿命的预测方法、装置、设备及存储介质
技术领域
本文涉及计算机技术领域，尤其涉及一种设备剩余使用寿命的预测方法、装置、设备及存储介质。
背景技术
油气站场设备设施既要自身结构完好、功能可靠，又要与其他设施协同完成既定工艺流程，设施维护需投入较高的沟通成本和人力财力成本，因此如何对设备的使用寿命进行精准预测是现有技术广泛关注的问题。
现有技术中主要通过如下两种方法对设备剩余使用寿命进行预测：1、采用统计学模型对消防喷淋设施等静设备的退化规律进行拟合；2、采用机器学习模型对可采集多维度信号泵、阀门等动设备进行拟合预测。现有技术中基于第一种方法提出了一种基于统计学模型预测设备剩余使用寿命曲线的算法，采用Possion、Gaussion、Weibull等分布拟合统一设备的不同阶段的退化曲线。现有技术中基于第二种方法，采用双层LSTM神经网络，建立了实际情况下设备高精度剩余使用寿命预测模型。该模型首先将设备的可采集多维度特征融合为一维特征，并提出了根据以为特征判别设备退化阶段分界点的方法；然后，将设备状态分界点与神经网络预测模型结合，以多维度的设备信号作为模型输入，设备的退化阶段点为模型输入，得到设备的剩余使用寿命退化曲线；最后，结合国际通用航天发动机退化CMAPSS数据集验证模型，得到较高精度。
但上述的第一种方法受限于数据量的大小，传统统计学模型的灵活性差，动态更新实现困难，精度低，只适用于设备退化的某个阶段；第二种方法以LSTM神经网络模型为核心的机器学习设备剩余使用寿命预测方法是典型的黑箱模型，从端到端训练，对设备不同维度特征间关系的可解释性差，将目光局限于开发的模型和算法与现实需求存在很大距离。
现在亟需一种设备剩余使用寿命的精准预测方法，解决现有技术中预测设备剩余使用寿命准确性差、预测模型适应性低的问题。
发明内容
为解决现有技术中预测设备剩余使用寿命准确性差、适应性低的问题，本文实施例提供了一种设备剩余使用寿命的预测方法、装置、设备及存储介质。本文所述方法克服了传统模型适应性差、机器学习模型可解释性差的不足，实现了根据任意设备设施多维度数据，对该设备当前运行状态下的健康状态进行具体地预测，结合设备寿命终点得到设备剩余使用寿命，提高了设备剩余使用寿命预测的准确性。
本文提供了一种设备剩余使用寿命的预测方法，包括，
获取设备当前工作状态下多维度的数据；
对所述多维度的数据进行相关性和关联规则分析，构建图模型；
根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；
根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命。
本文实施例还提供了一种设备剩余使用寿命的预测装置，包括，
数据获取单元，获取设备当前工作状态下多维度的数据；
图模型构建单元，对所述多维度的数据进行相关性和关联规则分析，构建图模型；
健康状态计算单元，根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；
剩余使用寿命预测单元，根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命。
本文实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本文实施例还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述的方法。
利用本文实施例，首次提出基于图模型与LSTM神经网络的设备剩余使用寿命预测方法，通过获取设备当前状态下的多维度数据并构建图模型，根据所述图模型以及多维度数据的时间序列训练LSTM神经网络，得到设备当前的健康状态点，克服了传统模型适用性差、机器学习模型可解释性差的不足，实现了根据任意设备设施多维度数据，对设备当前运行状态下的健康状态进行具体地预测。通过获取与该设备同型号的多个其他设备的使用寿命，计算所述其他设备使用寿命的统计学分布，得到该设备的寿命终点，分析该设备当前的健康状态以及该设备的寿命终点，预测该设备的剩余使用寿命，提高了预测设备剩余使用寿命的精准性。
附图说明
为了更清楚地说明本文实施例或现有技术中的技术方案，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文的一些实施例，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他的附图。
图1所示为本文实施例一种设备剩余使用寿命的预测装置的结构示意图；
图2所示为本文实施例一种设备剩余使用寿命的预测方法的流程图；
图3所示为本文实施例一种设备剩余使用寿命的预测装置的详细结构图；
图4所示为本文实施例计算设备当前健康状态的逻辑示意图；
图5所示为本文实施例图模型构建的流程图；
图6所示为本文实施例训练LSTM神经网络的流程图；
图7所示为本文实施例LSTM神经网络结构示意图；
图8所示为本文实施例计算机设备的结构示意图。
【附图标记说明】：
101、数据获取单元；
102、图模型构建单元；
103、健康状态计算单元；
104、剩余使用寿命预测单元；
301、数据获取单元；
302、图模型构建单元；
3021、邻接矩阵构建模块；
3022、相关性指数计算模块；
3023、关系权值矩阵计算模块；
3024、图模型构建模块；
303、健康状态计算单元；
3031、时间序列构建模块；
3032、LSTM神经网络训练模块；
304、剩余使用寿命预测单元；
3041、设备寿命终点计算模块；
3042、剩余使用寿命计算模块；
802、计算机设备；
804、处理设备；
806、存储资源；
808、驱动机构；
810、输入/输出模块；
812、输入设备；
814、输出设备；
816、呈现设备；
818、图形用户接口；
820、网络接口；
822、通信链路；
824、通信总线。
具体实施方式
下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
本文实施例所述的设备剩余使用寿命的预测方法适用于对油气场站设备设施的剩余使用寿命进行预测，也可适用于对其他类型的标准化工业设备的剩余使用寿命进行预测，在此并不限定本文方法的适用范围。本文所述实施例的方法和装置均以油气场站设备设施作为剩余使用寿命预测的对象进行描述，在本领域技术人员不付出其他劳动下可以将本文所述的方法、装置及设备应用于其他标准化工业设备上。
如图1所示为本文实施例一种设备剩余使用寿命的预测装置的结构示意图，在本图中描述了设备剩余使用寿命的预测装置的结构，具体包括数据获取单元101、图模型构建单元102、健康状态计算单元103、剩余使用寿命预测单元104：
数据获取单元101获取设备当前工作状态下多维度的数据，所述多维度数据包括但不限于振动信号、运行参数、工况条件、设备设施维检修和更换历史数据等，同时可引入同类设备的相关历史参数；
图模型构建单元102对所述多维度数据进行相关性和关联规则分析，构建图模型；
健康状态计算单元103根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；
剩余使用寿命预测单元104根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命。
如图2所示为文实施例一种设备剩余使用寿命的预测方法的流程图，在本图中描述了设备剩余使用寿命预测的过程，该方法包括：
步骤201：获取设备当前工作状态下多维度的数据；
步骤202：对所述多维度的数据进行相关性和关联规则分析，构建图模型；
步骤203：根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；
步骤204：根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命。
通过本文实施例的方法，通过获取设备当前状态下的多维度数据并构建图模型，根据所述图模型以及多维度数据的时间序列训练LSTM神经网络，得到设备当前的健康状态点，克服了传统模型适用性差、机器学习模型可解释性差的不足，实现了根据任意设备设施多维度数据，对设备当前运行状态下的健康状态进行具体地预测。通过获取与该设备同型号的多个其他设备的使用寿命，计算所述其他设备使用寿命的统计学分布，得到该设备的寿命终点，分析该设备当前的健康状态以及该设备的寿命终点，预测该设备的剩余使用寿命，提高了预测设备剩余使用寿命的精准性。
根据本文的一个实施例，为了减小计算量并提高模型预测的准确性，步骤202对所述多维度的数据进行相关性和关联规则分析，构建图模型进一步包括，根据每个维度所在领域的知识构建邻接矩阵，所述邻接矩阵中包括所述每个维度之间是是否存在关联的初步判定结果；对所有维度分别进行相关性和关联规则分析，得到每个维度之间的相关性指数；根据所述邻接矩阵和所述相关性指数，构建所有维度的关系权值矩阵；结合所述维度与所述关系权值矩阵，构建所述图模型。
在本步骤中，所述多维度数据可以包括振动信号、运行参数、工况条件、设备设施维检修和更换历史数据，所述每个维度所在领域的知识为所述维度所在领域的公知常识，所述邻接矩阵中的元素表示每个所述维度之间知否存在关联的初步判定结果。例如获取m个维度的数据(V1-Vm)，则所述邻接矩阵为m行m列的邻接矩阵E为公式(1)：
其中，a11表示数据V1和V1之间是存在关联的判断结果，a12、a21表示数据V1和V2之间是否存在关联的判断结果，以此类推，得到所述邻接矩阵。
所述相关性分析算法包括pearson线性相关性分析算法、MIC互信息非线性相关性分析算法、贝叶斯网络等，所述关联规则分析算法包括Apriori关联规则挖掘算法等。
通过本步骤的方法，进一步提高了设备不同维度特征间关系的可解释性，通过构建邻接矩阵，减小了计算量，提高模型预测的准确性。
根据本文一个实施例，根据所述每个维度所在领域的知识，构建邻接矩阵进一步包括，按照所述维度的个数m，构建m行m列的邻接矩阵，其中m＞＝2；根据每个所述维度所在领域的知识，得到所述维度之间是否存在关系的初步判定结果；将所述初步判定结果中存在关系的两个维度在所述邻接矩阵中表示的元素置1，将所述初步判定结果中不存在关系的两个维度在所述邻接矩阵中表示的元素置0。
在本步骤中，基于前述实施例，若根据所述每个维度所在领域的知识判定V1和V2存在关联，则将邻接矩阵中的元素a12、a21置1，若判定V1和V3不存在关联，则将邻接矩阵中的元素a13、a31置0，以此类推，得到的邻接矩阵E为公式(2)：
根据本文的一个实施例，对所有维度分别进行相关性和关联规则分析，得到每个维度之间的相关性指数进一步包括，对每个所述维度分别进行相关性分析和关联规则分析，得到相关性分析结果和关联规则分析结果；对所述相关性分析结果和所述关联规则分析结果进行加权并取平均值，得到所述相关性指数。
在本步骤中，通过pearson线性相关性分析算法、MIC互信息非线性相关性分析算法、贝叶斯网络进对所有维度分别进行相关性分析，得到多个相关性分析结果，通过Apriori关联规则挖掘算法对所有维度进行关联规则分析，得到关联分析结果。然后将多个相关性分析结果和关联规则分析结果进行加权并取平均值，得到所述相关性指数。其中加权系数可以设定初始值为相关性分析结果和关联规则分析结果个数的均值，例如3个相关性分析结果和1个关联规则分析结果，则加权系数的初值为0.25，也可以通过加权系数初值做进一步的训练，得到最优加权系数，进一步提高计算的准确性。得到的所述相关性指数为自然数，数值越大表示相关性越强。
本步骤中所述的pearson线性相关性分析算法、MIC互信息非线性相关性分析算法、贝叶斯网络以及Apriori关联规则挖掘算法均为现有技术，本文实施例中不再赘述。
根据本文的一个实施例，根据所述邻接矩阵和所述相关性指数，构建所有维度的关系权值矩阵进一步包括，将所述邻接矩阵中置1的元素的数值替换为对应维度的相关性指数的数值，得到所述关系权值矩阵。
在本步骤中，将通过前述步骤得到的相关性指数替换所述邻接矩阵中置1的元素，得到所述关系权值矩阵。例如，基于前述实施例，若V1和V2的相关性指数为3，V2和V3的相关性指数为9，V1和Vm的相关性指数为5，V2和Vm的相关性指数为8，V3和Vm的相关性指数为6，则得到的关系权值矩阵Eattr为公式(3)：
根据本文的一个实施例，结合所述维度与所述关系权值矩阵，构建所述图模型进一步包括，计算所述维度与所述关系权值矩阵的增广矩阵，得到图矩阵；计算所述图矩阵的特征向量，根据所述特征向量、所述维度以及所述关系权值矩阵构建所述图模型，通过计算图矩阵的特征向量，根据所述特征向量等构建图模型，有效地减小了构建图模型的工作量。
在本步骤中，例如，采集某设备5维度数据V1-V5组成一维矩阵V5×1，根据该5维度所在领域的知识构建邻接矩阵E5×5，计算5维度的相关性指数后得到关系权值矩阵Eattr 5×5，计算一维矩阵V5×1和关系权值矩阵Eattr 5×5的增广矩阵，得到图矩阵E′5×6＝(Eattr 5×5，V5×1)。
然后计算图矩阵E′5×6的特征向量U5×1，根据特征向量U5×1、维度组成的一维矩阵V5×1以及关系权值矩阵Eattr 5×5构建图模型，具体算法如下：
图表示如公式(4)所示：
G＝(V，eattr，U) (4)
其中，V表示所有维度组成的一维矩阵，Eattr表示关系权值矩阵，U表示图矩阵的特征向量。
基于公式(4)，定义图模块，实现从图到图的学习，构建设备多维度拓扑关系，即通过训练实现G＝(V，Eattr，U)到G′＝(V′，Eattr′，U′)的转换。
图模块如公式(5)所示：
G′＝GN(G) (5)
训练过程如下：
输入：G＝(V，Eattr，U)
输出：G′＝(V′，Eattr′，U′)
1：在关系权值矩阵中取第i个元素，计算公式(6)：
其中，Vr表示第i边终点节点值，Vs表示第i边起始点节点值。
2：由公式(6)计算所有边的权值并转化为长向量，并由单层全连接层，采用tanh(x)激活函数转化为Eattr′，如公式(7)：
其中，WE表示边训练权连接层神经元权值，bE表示边训练全连接层训练神经元偏置项，即常数项，tanh(x)函数的表达式如公式(8)所示：
3：第i个图节点如公式(9)：
其中：
其中：∑表示多向量通过向量加和的形式向单一向量的聚合。
4：计算公式(11)：
其中，Wv表示节点训练全连接层神经元权值，bv表示点训练全连接层训练神经元偏置项，即常数项。
5：计算公式(12间13)：
其中，WU表示特征向量训练全连接层神经元权值，bU表示特征向量训练全连接层训练神经元偏置项，即常数项。
根据本文的一个实施例，为了保证LISM神经网络模型训练的准确性，步骤203根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络之前，还包括，获取所述设备在一定时间长度内的多维度数据，作为历史数据；计算所述历史据的图模型，得到历史图模型集合；采用滑动窗口算法将所述历史图模型集合分割成多段历史图模型，得到所述多维度数据的时间序列。
在本步骤中，时间序列的横轴为具备时间量纲的物理量，例如月、年等时间量纲。例如，初设50位窗口长度，1位滑动步长，从0到50循环取一段时间序列，以步长1为单位向后滑动，即从1到51为第二段时间序列，以此类推，得到训练所用的时间序列数据，最终表现为多段多维度数据的图模型。
根据本文的一个实施例，步骤203根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络进一步包括，根据所述图模型、某一段所述历史图模型训练所述LSTM神经网络模型以及当前设备健康状态预测的初始值，得到第一输出数据；根据所述图模型、所述时间序列中下一段历史图模型以及所述第一输出数据再次训练所述LSTM神经网络模型，得到第二输出数据，将所述第二数据替换所述当前设备健康状态预测的初始值；重复上述步骤，最终得到的所述第二输出数据作为所述设备当前的健康状态。
在本步骤中，LSTM神经网络结构图如图7所示，其计算包含输入、输出、遗忘三个过程。
图7中W为前述经过一次训练的图模型输出G′＝GN(G)，V为设备当前时间点下的健康状态。在给定输入和输出条件下，通过梯度下降反向传播算法训练，不断缩小输入值和输出时间的误差，确定输入神经元数据的权重值U的具体值。
图7中Ct-1至Ct实现循环神经网络的记忆机制，由向量计算单元依次进行遗忘、输入计算对上下两层神经元输出，实现正向传播过程中的长时间保存，遗忘门通过σ(x)函数决定是否遗忘某一数据向量，如公式(14)所示：
f＝σ(W×ht-1+U×Xt+b) (14)
其中，f为遗忘门函数值，W为上一神经元输出的权重值，ht-1为上一神经元输出，U为输入神经元数据的权重值，Xt为输入神经元数据，b为偏差校正值，σ(x)为门函数，t表示神经元次序。其中，W、U、b可以通过反向传播算法训练确定，本文实施例不再赘述。以遗忘函数f(x)判断是否保留上一神经元传递数据。
对于输入门，通过σ(x)和tanh(x)共同确定输入数值，如公式(15)-(16)所示：
i＝σ(W×ht-1+U×Xt+b) (15)
Co＝tanh(W×ht-1+U×Xt+b) (16)
其中，i表示由σ函数确定的输入值，Co表示由tanh函数确定的输入值。
被神经元保留记忆的数据Ct由遗忘门和输入门确定，如公式(17)所示：
Ct＝f×Ct-1+i×Co (17)
其中，Ct表示神经元经过遗忘和输入后保留的数据。
对于输出门，σ(x)函数决定输入数据占比，tanh(x)函数决定记忆数据占比，如公式(18)所示：
ht＝V×(σ(f)+tank(Ct)) (18)
其中，V表示神经网络训练的一个中间参数，ht表示设备当前健康状态点。
其中，常用激活门函数表达式如公式(19)-(20)所示：
将公式(5)表示的根据获取设备当前的数据构建的图模块和该设备某一段时间序列作为Xt，训练LSTM神经网络结构时，随着t的增加选取下一段时间序列，并与设备当前的数据构建的图模块作为下一神经元的Xt。其中h1表示当前设备健康状态预测的初始值，可以通过人工经验等方式设定。将上一次训练得到的结果ht在此输入到公式(14)-(16)中，经过多次训练，得到设备当前的健康状态点。在本文实施例中，所述健康状态点可以为设备累计工作时间、累计做功等，也可以为设备所处的退化阶段和/或该退化阶段的时长等。
如此往复，通过三个门控机制实现数据在不同神经元之间的传递、保留和删除，从而提取有效信息，实现对设备健康状态的预测。
根据本文的一个实施例，步骤204根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命之前，还包括，获取与所述设备型号相同的多个其他设备的使用寿命；计算所述多个其他设备的使用寿命的统计学分布，得到所述设备的寿命终点。
在本步骤中，通过计算其他同型号设备使用寿命在统计学上的分布，得到该设备的寿命终点，结合步骤203得到的该设备的健康状态点，预测该设备的剩余使用寿命。在本文实施例中，设备的寿命终点可以为设备最大累计工作时长、最大累计做功等，也可以为设备的退化阶段时长等。
在预测设备剩余使用寿命之后，还根据预测结果生成预测报告，以便于向设备维检修工作人员提供设备后期的维修建议，辅助设备维检修计划的合理制定。
如图3所示为本文实施例一种设备剩余使用寿命的预测装置的详细结构图，在本图中具体描述了设备剩余使用寿命预测装置的详细结构，包括数据获取单元301、图模型构建单元302、健康状态计算单元303、剩余使用寿命预测单元304。
根据本文的一个实施例，数据获取单元301获取设备当前工作状态下的多维度数据，所述多维度数据包括振动信号、运行参数、工况条件、设备设施维检修和更换历史数据。
根据本文的一个实施例，图模型构建单元302进一步包括邻接矩阵构建模块3021，根据数据获取单元301获取到的多维度数据，构建邻接矩阵。首先根据维度个数m构建m行m列的邻接矩阵，其中m＞＝2；然后根据每个维度所在领域的知识，对每个维度之间是否存在关联进行初步定，将所述初步判定结果中存在关系的两个维度在所述邻接矩阵中表示的元素置1，将所述初步判定结果中不存在关系的两个维度在所述邻接矩阵中表示的元素置0。从构建的邻接矩阵中，可以直接得到某两个数据之间是否存在关联的初步判定结果。
根据本文的一个实施例，图模型构建单元302进一步包括相关性指数计算模块3022，计算数据获取单元301获取到多维度数据每个维度之间相关性指数，首先通过pearson线性相关性分析算法、MIC互信息非线性相关性分析算法、贝叶斯网络对每个维度之间进行相关性分析，得到3个相关性分析结果，通过priori关联规则挖掘算法对某两个维度之间进行关联规则分析，得到关联规则分析结果。然后对3个相关性分析结果和关联规则分析结果进行加权后取平均值，得到这两个维度的相关性指数，作为优选地，加权系数为0.25。以此类推，得到数据获取单元301获取到多维度数据每个维度之间相关性指数。
根据本文的一个实施例，图模型构建单元302进一步包括关系权值矩阵计算模块3023，根据邻接矩阵构建模块3021构建的邻接矩阵以及相关性指数计算模块3022计算的相关性指数，构建关系权值矩阵。将邻接矩阵构建模块3021构建的邻接矩阵中置1的元素的数值替换为对应维度的相关性指数的数值，得到关系权值矩阵。
根据本文的一个实施例，图模型构建单元302进一步包括图模型构建模块3024，根据数据获取单元301获取到的维度以及关系权值矩阵计算模块3023构建的关系权值矩阵，构建图模型。首先计算维度与关系权值矩阵的增广矩阵，得到图矩阵，然后计算图矩阵的特征向量，最后根据特征向量、维度以及关系权值矩阵构建图模型。
例如，采集某设备5维度数据V1-V5组成一维矩阵V5×1，根据该5维度所在领域的知识构建邻接矩阵E5×5，计算5维度的相关性指数后得到关系权值矩阵Eattr 5×5，计算一维矩阵V5×1和关系权值矩阵Eattr 5×5的增广矩阵，得到图矩阵E′5×6＝(Eattr 5×5，V5×1)。
然后计算图矩阵E′5×6的特征向量U5×1，根据特征向量U5×1，维度组成的一维矩阵V5×1记忆关系权值矩阵Eattr 5×5构建图模型。
图表示G＝(V，Eattr，U)，其中，V表示所有维度，Eattr表示关系权值矩阵，U表示图矩阵的特征向量。基于图表示G＝(V，Eattr，U)，定义图模块G′＝GN(G)，实现从图到图的学习，构建设备多维度拓扑关系，如本文中的公式(4)-(13)，通过训练实现G＝(V，Eattr，U)到G′＝(V′，Eattr′，U′)的转换。
根据本文的一个实施例，健康状态计算单元303进一步包括时间序列构建模块3031，构建数据获取单元301获取的多维度数据的时间序列。首先数据获取单元301获取一定时间长度内的多维度数据，作为历史数据，然后计算所述历史数据的图模型，得到历史图模型集合，采用滑动窗口算法将所述历史图模型集合分割成多段历史图模型，得到所述多维度数据的时间序列。例如，初设50位窗口长度，1位滑动步长，从0到50循环取一段时间序列，以步长1为单位向后滑动，即从1到51位第二段时间序列，以此类推，得到所述时间序列，最终表现为多段多维度数据的图模型。
根据本文的一个实施例，健康状态计算单元303进一步包括LSTM神经网络训练模块3032，根据图模型构建单元302基于数据获取单元301获取的设备当前工作状态的多维度数据构建的图模型，以及时间序列构建模块3031构建的该设备多维度数据的时间序列，训练LSTM神经网络结构，得到训练结果即为设备当前的健康状态点，训练流程如下：
(1)通过人工经验设定当前设备健康状态预测的初始值，并取时间序列中某一段数据以及当前工作状态下的图模型训练一次LSTM神经网络，得到第一输出数据；
(2)将第一输出数据作为人工经验设定当前设备健康状态预测的初始值，并取时间序列中下一段数据以及当前工作状态下的图模型再次训练LSTM神经网络，得到第二输出数据，将所述第二输出数据替换所述当前设备健康状态预测的初始值；
(3)重复上述的训练步骤，直至训练完时间序列中最后一段数据，最后得到的训练结果作为设备当前健康状态点。得到的时间状态点可以为设备的累计工作时间等。
根据本文的一个实施例，剩余使用寿命预测单元304进一步包括设备寿命终点计算模块3041，计算设备的寿命终点。首先获取同型号的其他设备的使用寿命，例如累计工作时间，得到设备使用寿命数据集，对该使用寿命数据集进行统计学分析，得到同型号设备生命周期的统计学分布，确定该设备的寿命终点。
根据本文的一个实施例，剩余使用寿命预测单元304进一步包括剩余使用寿命计算模块3042，根据健康状态计算单元303得到的设备当前的健康状态点以及设备寿命终点计算模块3041得到的该设备的寿命终点，计算该设备的剩余使用寿命。例如，设备寿命终点计算模块3041得到的设备寿命终点为累计保养100次，平均保养间隔为累计工作1500小时，健康状态计算单元303得到该设备已经以保养70次，平均保养间隔为累计工作1500小时，则该设备剩余使用时长为30次保养，平均保养间隔为累计工作1500小时。
如图4所示为本文实施例计算设备当前健康状态的逻辑示意图，在本图中描述了计算设备当前健康状态的计算逻辑，具体包括：
步骤401：输入设备多维度信号。
在本步骤中，将采集到的设备的多维度信号输入至图模型计算中，该多维度信号为设备当前工作状态下的多维度数据。
步骤402：构建点权值矩阵V。
在本步骤中，根据步骤401输入的多维度信号，构建点权值矩阵。即将设备的多维度信号作为图模型中的图节点，构建的点权值矩阵可以为m行1列的矩阵，m表示维度数。
步骤403：构建边权值矩阵E。
在本步骤中，通过步骤401输入的多维度信号构建边权值矩阵，即关系权值矩阵，将关系作为图模型中的边。构建边权值矩阵过程如下：
首先按照所述维度的个数m，构建m行m列的邻接矩阵，其中m>＝2；根据每个所述维度所在领域的知识，得到所述维度之间是否存在关系的初步判定结果；将所述初步判定结果中存在关系的两个维度在所述邻接矩阵中表示的元素置1，将所述初步判定结果中不存在关系的两个维度在所述邻接矩阵中表示的元素置0。
然后通过pearson线性相关性分析算法、MIC互信息非线性相关性分析算法、贝叶斯网络对每个维度之间进行相关性分析，得到3个相关性分析结果，通过priori关联规则挖掘算法对某两个维度之间进行关联规则分析，得到关联规则分析结果。对3个相关性分析结果和关联规则分析结果以加权系数0.25进行加权后取平均值，得到这两个维度的相关性指数，以此类推，得到每两个维度的相关性指数；
最后将邻接矩阵中置1的元素的数值替换为对应维度的相关性指数的数值，得到边权值矩阵。
步骤404：根据输入的多维度信号，构建图模型G。
在本步骤中，根据步骤401构建的点权值矩阵V和步骤402构建的边权值矩阵E，通过本文中的公式(4)构建图模型G。
步骤405：训练图模型G，得到设备当前工作状态下的理想图模型G’。
在本步骤中，通过本文中的公式(4)-公式(13)训练图模型G，得到理想图模型G’。
步骤406：训练LSTM神经网络。
在本步骤之前，还获取一定时间段内设备的多维度信号并通过步骤401-405的方法构建的该时间段内信号的图模型，然后利用滑动窗口法得到时间序列。
在本步骤中，将时间序列中某一段的图模型以及步骤405得到的设备当前工作状态下的理想图模型G’通过本文中的公式(14)-公式(20)训练LSTM神经网络模型。
步骤407：输出设备当前健康状态。
在本步骤中，通过训练LSTM神经网络模型，最终得到设备当前的健康状态。
如图5所示为本文实施例图模型构建的流程图，在本图中描述了图模型的构建流程，具体包括：
步骤501：输入多维度数据。
在本步骤中，输入设备当前运行情况下包括振动信号、运行参数、工况条件、设备设施维检修和更换历史数据的m个多维度数据。
步骤502：构建邻接矩阵。
在本步骤中，根据步骤501输入的m个多维度数据所在领域的知识，通过本文中的公式(1)-公式(2)构建m行m列的矩阵。将初步判定存在关联的两个信号在所述邻接矩阵中所表示的元素置1，将初步判定不存在关联的两个信号在所述邻接矩阵中所表示的元素置0。
步骤503：计算相关性指数。
在本步骤中，通过pearson线性相关性分析算法、MIC互信息非线性相关性分析算法、贝叶斯网络对每个维度之间进行相关性分析，得到3个相关性分析结果，通过priori关联规则挖掘算法对某两个维度之间进行关联规则分析，得到关联规则分析结果。对3个相关性分析结果和关联规则分析结果以加权系数0.25进行加权后取平均值，得到这两个维度的相关性指数，以此类推，得到所有维度中每两个维度的相关性指数。
步骤504：构建边权值矩阵504。
在本步骤中，根据本文中的公式(3)，将步骤502构建的邻接矩阵中置1的元素的数值替换为步骤503计算的对应维度的相关性指数的数值，得到边权值矩阵Eattr m×m。
步骤505：构建图矩阵，计算图矩阵的特征向量。
在本步骤中，计算步骤501输入的m各多维度数据构建成点权值矩阵Vm×1与步骤504构建的边权值矩阵Eattr m×m的增广矩阵，得到图矩阵E′m×(m+1)＝(Eattr m×m，Vm×1)，并计算图矩阵E′m×(m+1)＝(Eattr m×m，Vm×1)的特征向量Um×1。
步骤506：构建图模型。
在本步骤中，根据步骤505得到的图矩阵的特征向量Um×1、步骤501输入的m各多维度数据构建成点权值矩阵Vm×1、步骤504得到的边权值矩阵Eattr m×m，通过本文中公式(4)-公式(13)构建图模型。
如图6所示为本文实施例训练LSTM神经网络模型的流程图，在本图中描述了训练LSTM神经网络模型的过程，具体包括：
步骤601：根据图模型、时间序列中的一段收据以及当前设备健康状态预测的初始值训练LSTM神经网络模型，得到第一输出数据。
在本步骤中，所述图模型为根据获取设备当前工作状态下的多维度数据，通过本文中的公式(4)-公式(13)计算得到。
步骤602：根据所述图模型、所述时间序列中下一段数据以及所述第一输出数据再次训练所述LSTM神经网络模型，得到第二输出数据。
在本步骤中，所述时间序列中下一段数据通过滑动窗口法得到。
步骤603：判断是否训练完时间序列中最后一段数据。
在本步骤中，若判断尚未训练完时间序列中最后一段数据，则执行步骤604，若判断训练完时间序列中最后一段数据，则执行步骤605。
步骤604：将第二输出数据替换当前设备健康状态预测的初始值。
在本步骤中，将步骤602得到的第二输出数据替换步骤601中当前设备健康状态预测的初始值，并取步骤602所述时间序列中下一段数据之后的一段数据再次执行步骤601，以便于再次得到训练结果。
步骤605：将所述第二输出数据作为所述设备当前的健康状态。
在本步骤中，将步骤602得到的第二输出数据作为设备当前的健康状态。
如图8所示为本文实施例计算机设备的结构示意图，本文中的设备剩余使用寿命的预测装置可以为本实施例中的计算机设备，执行上述本文的方法。计算机设备802可以包括一个或多个处理设备804，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储资源806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储资源806可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储资源都可以使用任何技术来存储信息。进一步地，任何存储资源可以提供信息的易失性或非易失性保留。进一步地，任何存储资源可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理设备804执行被存储在任何存储资源或存储资源的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储资源交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出模块810(I/O)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814))。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口(GUI)818。在其他实施例中，还可以不包括输入/输出模块810(I/O)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本文实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取设备当前工作状态下多维度的数据；
对所述多维度的数据进行相关性和关联规则分析，构建图模型；
根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；
根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命对应于图2、图4-图7中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2、图4-图7所示的方法。
应理解，在本文的各种实施例中，上述各过程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，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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文的范围。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如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。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述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文实施例方案的目的。
另外，在本文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，也可以是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。
所述集成的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取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims (10)

1.一种设备剩余使用寿命的预测方法，其特征在于，所述方法包括，
获取设备当前工作状态下多维度的数据；
对所述多维度的数据进行相关性和关联规则分析，构建图模型；
根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；
根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命；
根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络之前，还包括，
获取所述设备在一定时间长度内的多维度数据，作为历史数据；
计算所述历史数据的图模型，得到历史图模型集合；
采用滑动窗口算法将所述历史图模型集合分割成多段历史图模型，得到所述多维度数据的时间序列；
根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络进一步包括，
根据所述图模型、某一段所述历史图模型训练所述LSTM神经网络模型以及当前设备健康状态预测的初始值，得到第一输出数据；
根据所述图模型、所述时间序列中下一段历史图模型以及所述第一输出数据再次训练所述LSTM神经网络模型，得到第二输出数据，将所述第二输出数据替换所述当前设备健康状态预测的初始值；
重复上述步骤，将最终得到的所述第二输出数据作为所述设备当前的健康状态。
2.根据权利要求1所述的设备剩余使用寿命的预测方法，其特征在于，对所述多维度的数据进行相关性和关联规则分析，构建图模型进一步包括，
根据每个维度所在领域的知识构建邻接矩阵，所述邻接矩阵中包括所述每个维度之间是否存在关联的初步判定结果；
对所有维度分别进行相关性和关联规则分析，得到每个维度之间的相关性指数；
根据所述邻接矩阵和所述相关性指数，构建所有维度的关系权值矩阵；
结合所述维度与所述关系权值矩阵，构建所述图模型。
3.根据权利要求2所述的设备剩余使用寿命的预测方法，其特征在于，根据所述每个维度所在领域的知识，构建邻接矩阵进一步包括，
按照所述维度的个数m，构建m行m列的邻接矩阵，其中m>＝2；
根据每个所述维度所在领域的知识，得到所述维度之间是否存在关系的初步判定结果；
将所述初步判定结果中存在关系的两个维度在所述邻接矩阵中表示的元素置1，将所述初步判定结果中不存在关系的两个维度在所述邻接矩阵中表示的元素置0。
4.根据权利要求2所述的设备剩余使用寿命的预测方法，其特征在于，对所有维度分别进行相关性和关联规则分析，得到每个维度之间的相关性指数进一步包括，
对每个所述维度分别进行相关性分析和关联规则分析，得到相关性分析结果和关联规则分析结果；
对所述相关性分析结果和所述关联规则分析结果进行加权并取平均值，得到所述相关性指数。
5.根据权利要求3所述的设备剩余使用寿命的预测方法，其特征在于，根据所述邻接矩阵和所述相关性指数，构建所有维度的关系权值矩阵进一步包括，
将所述邻接矩阵中置1的元素的数值替换为对应维度的相关性指数的数值，得到所述关系权值矩阵。
6.根据权利要求2所述的设备剩余使用寿命的预测方法，其特征在于，结合所述维度与所述关系权值矩阵，构建所述图模型进一步包括，
计算所述维度与所述关系权值矩阵的增广矩阵，得到图矩阵；
计算所述图矩阵的特征向量，根据所述特征向量、所述维度以及所述关系权值矩阵构建所述图模型。
7.根据权利要求1所述的设备剩余使用寿命的预测方法，其特征在于，根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命之前，还包括，
获取与所述设备型号相同的多个其他设备的使用寿命；
计算所述多个其他设备的使用寿命的统计学分布，得到所述设备的寿命终点。
8.一种设备剩余使用寿命的预测装置，其特征在于，包括，
数据获取单元，获取设备当前工作状态下多维度的数据；
图模型构建单元，对所述多维度的数据进行相关性和关联规则分析，构建图模型；
健康状态计算单元，根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络，得到所述设备当前的健康状态；
剩余使用寿命预测单元，根据所述设备当前的健康状态以及所述设备的寿命终点，预测所述设备的剩余使用寿命；
根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络之前，所述健康状态计算单元进一步用于，
获取所述设备在一定时间长度内的多维度数据，作为历史数据；
计算所述历史数据的图模型，得到历史图模型集合；
采用滑动窗口算法将所述历史图模型集合分割成多段历史图模型，得到所述多维度数据的时间序列；
根据所述图模型以及所述多维度数据的时间序列，训练LSTM神经网络进一步包括，
根据所述图模型、某一段所述历史图模型训练所述LSTM神经网络模型以及当前设备健康状态预测的初始值，得到第一输出数据；
根据所述图模型、所述时间序列中下一段历史图模型以及所述第一输出数据再次训练所述LSTM神经网络模型，得到第二输出数据，将所述第二输出数据替换所述当前设备健康状态预测的初始值；
重复上述步骤，将最终得到的所述第二输出数据作为所述设备当前的健康状态。
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上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-7任意一项所述方法的指令。
CN202111061750.6A 2021-09-10 2021-09-10 设备剩余使用寿命的预测方法、装置、设备及存储介质 Active CN113779882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111061750.6A CN113779882B (zh) 2021-09-10 2021-09-10 设备剩余使用寿命的预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111061750.6A CN113779882B (zh) 2021-09-10 2021-09-10 设备剩余使用寿命的预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113779882A CN113779882A (zh) 2021-12-10
CN113779882B true CN113779882B (zh) 2024-05-17

Family

ID=78842354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111061750.6A Active CN113779882B (zh) 2021-09-10 2021-09-10 设备剩余使用寿命的预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113779882B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238829B (zh) * 2022-09-21 2022-12-20 南通佳晟宏机械配件有限公司 一种热轧机的轧辊磨损程度分析方法
CN115310240B (zh) * 2022-10-11 2022-12-27 烟台杰瑞石油装备技术有限公司 油气压裂泵设备寿命预测方法、装置及非易失性存储介质
CN115982942B (zh) * 2022-11-25 2023-07-14 浙江长龙航空有限公司 航空预冷器剩余寿命预测的方法、装置、设备及存储介质
CN116522467B (zh) * 2023-01-16 2023-10-31 北京控制工程研究所 一种航天器部件寿命的预测方法和装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726517A (zh) * 2019-01-31 2019-05-07 西安理工大学 一种基于多变量关联数据的设备剩余寿命预测方法
CN109766583A (zh) * 2018-12-14 2019-05-17 南京航空航天大学 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
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
CN110609524A (zh) * 2019-08-14 2019-12-24 华中科技大学 一种工业设备剩余寿命预测模型及其构建方法和应用
CN110738360A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种设备剩余寿命预测方法及系统
CN110781592A (zh) * 2019-10-25 2020-02-11 中国人民解放军火箭军工程大学 一种设备剩余寿命的预测方法及系统
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
CN111382542A (zh) * 2020-02-26 2020-07-07 长安大学 一种面向全寿命周期的公路机电设备寿命预测系统
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置
CN111460728A (zh) * 2020-03-09 2020-07-28 华南理工大学 一种工业设备剩余寿命预测方法、装置、存储介质及设备
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
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
CN112418142A (zh) * 2020-12-04 2021-02-26 桂林电子科技大学 基于图信号处理的特征选择方法
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
CN113344295A (zh) * 2021-06-29 2021-09-03 华南理工大学 基于工业大数据的设备剩余寿命预测方法、系统及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019017991A1 (en) * 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766583A (zh) * 2018-12-14 2019-05-17 南京航空航天大学 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN109726517A (zh) * 2019-01-31 2019-05-07 西安理工大学 一种基于多变量关联数据的设备剩余寿命预测方法
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
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
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
CN110609524A (zh) * 2019-08-14 2019-12-24 华中科技大学 一种工业设备剩余寿命预测模型及其构建方法和应用
CN110738360A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种设备剩余寿命预测方法及系统
CN110781592A (zh) * 2019-10-25 2020-02-11 中国人民解放军火箭军工程大学 一种设备剩余寿命的预测方法及系统
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
CN111382542A (zh) * 2020-02-26 2020-07-07 长安大学 一种面向全寿命周期的公路机电设备寿命预测系统
CN111460728A (zh) * 2020-03-09 2020-07-28 华南理工大学 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN111443294A (zh) * 2020-04-10 2020-07-24 华东理工大学 一种锂离子电池剩余寿命间接预测方法及装置
CN112418142A (zh) * 2020-12-04 2021-02-26 桂林电子科技大学 基于图信号处理的特征选择方法
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
CN113344295A (zh) * 2021-06-29 2021-09-03 华南理工大学 基于工业大数据的设备剩余寿命预测方法、系统及介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
基于CAE与LSTM的航空发动机剩余寿命预测;王旭;艾红;;北京信息科技大学学报(自然科学版);20200815(04);57-62 *
基于LSTM的风机滚动轴承剩余寿命预测研究;薛嫣;朱静;翟怡萌;邓艾东;;工业控制计算机;20200625(06);108-110 *
基于性能退化的高铁牵引系统的剩余寿命预测;朱凯强;陆宁云;姜斌;;信息与控制;20200615(03);335-342 *
基于数据生成模型的故障诊断与RUL预测方法研究;杨帅;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210215;C029-367 *
基于相关性分析的工业时序数据异常检测;丁小欧 等;《软件学报》;20200110;726-747 *
基于解析冗余关系理论的电力电子电路健康预测;布左拉・达吾提;帕孜来・马合木提;刘文红;;科学技术与工程;20190508(13);139-145 *
大型天然气管网可靠性评价方法研究进展;苏怀;张劲军;杨楠;张宗杰;;油气储运;20160125(01);7-15 *

Also Published As

Publication number Publication date
CN113779882A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN113779882B (zh) 设备剩余使用寿命的预测方法、装置、设备及存储介质
CN111124840B (zh) 业务运维中告警的预测方法、装置与电子设备
CN107832581B (zh) 状态预测方法和装置
US8380642B2 (en) Methods and systems for self-improving reasoning tools
WO2020176295A1 (en) Artificial neural network compression via iterative hybrid reinforcement learning approach
CN104504460A (zh) 预测叫车平台的用户流失的方法和装置
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN110309537B (zh) 一种飞行器的智能健康预测方法及系统
CN110334208B (zh) 基于贝叶斯信念网络的lkj故障预测诊断方法和系统
CN110264270A (zh) 一种行为预测方法、装置、设备和存储介质
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN113051839A (zh) 一种基于深度学习的设备剩余寿命预测模型构建方法
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
CN115114128A (zh) 一种卫星健康状态评估系统及评估方法
CN114694379B (zh) 一种基于自适应动态图卷积的交通流预测方法及系统
CN110750455B (zh) 基于系统日志分析的智能在线自更新故障诊断方法和系统
CN116775687A (zh) 一种基于数模共生的时间序列预测闭环框架
Dong et al. Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab
CN106844152B (zh) 银行后台任务跑批时间的相关性分析方法及装置
GB2465861A (en) A reasoning inference making tool for recommending actions based on a hybridisation of a data driven model and knowledge based logic.
US20200380446A1 (en) Artificial Intelligence Based Job Wages Benchmarks
Yang et al. Bayesian network based software reliability prediction by dynamic simulation
CN114399901B (zh) 一种控制交通系统的方法和设备
EP3413153A1 (en) Method and distributed control system for carrying out an automated industrial process
JP7214672B2 (ja) 情報処理装置、情報処理方法及びコンピュータプログラム

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
GR01 Patent grant
GR01 Patent grant