CN114021784A - 设备的剩余使用寿命的确定方法、装置和电子设备 - Google Patents

设备的剩余使用寿命的确定方法、装置和电子设备 Download PDF

Info

Publication number
CN114021784A
CN114021784A CN202111235393.0A CN202111235393A CN114021784A CN 114021784 A CN114021784 A CN 114021784A CN 202111235393 A CN202111235393 A CN 202111235393A CN 114021784 A CN114021784 A CN 114021784A
Authority
CN
China
Prior art keywords
equipment
parameter values
time
designated
determining
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
Application number
CN202111235393.0A
Other languages
English (en)
Inventor
张燧
傅望安
王海明
张育钧
高建忠
苏人奇
王青天
曾谁飞
李小翔
冯帆
杨永前
陈沐新
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.)
Huaneng Clean Energy Research Institute
Clean Energy Branch of Huaneng Zhejiang Energy Development Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Clean Energy Branch of Huaneng Zhejiang Energy Development 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 Huaneng Clean Energy Research Institute, Clean Energy Branch of Huaneng Zhejiang Energy Development Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202111235393.0A priority Critical patent/CN114021784A/zh
Publication of CN114021784A publication Critical patent/CN114021784A/zh
Priority to PCT/CN2022/078432 priority patent/WO2023065584A1/zh
Pending legal-status Critical Current

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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

本申请提出一种设备的剩余使用寿命的确定方法、装置、电子设备和存储介质，其中，该方法包括：在确定指定设备在预测时刻所对应的剩余使用寿命的过程中，结合该指定设备在预测时刻之前的历史时刻所对应的历史数据，并基于该指定设备在历史时刻所对应的多个参数的参数值，以根据确定出的指定设备在预测时刻所对应的设备健康值，准确确定出指定设备在预测时刻对应的剩余使用寿命。由此，基于该指定设备在历史时刻所对应的多个参数的参数值，确定出该指定设备在预测时刻所对应的设备健康值，以准确确定指定设备在预测时刻对应的剩余使用寿命，实现了准确预测出指定设备在预测时刻对应的剩余使用寿命，从而可提高设备运行的安全性以及可靠性。

Description

设备的剩余使用寿命的确定方法、装置和电子设备
技术领域
本申请涉及设备寿命预测技术领域，尤其涉及一种设备的剩余使用寿命的确定方法、装置、电子设备和存储介质。
背景技术
在新能源系统中，大量的设备由于长期工作，环境变化，频繁起停等原因，可能会损伤设备的健康度，甚至出现在未到定期维护时间时，设备出现故障，这些现象可能会导致整个新能源系统出现问题。由此，在新能源系统中，亟需一种对设备健康度评估的方法。
发明内容
本申请提出一种设备的剩余使用寿命的确定方法、装置、电子设备和存储介质。
本申请第一方面实施例提出了一种设备的剩余使用寿命的确定方法，所述方法包括：获取指定设备在预测时刻之前的历史时刻；获取所述指定设备在所述历史时刻所对应的历史数据，其中，所述历史数据包括：与设备健康值有关的多个参数的参数值；根据所述指定设备在所述历史时刻所对应的多个参数的参数值，确定所述指定设备在所述预测时刻所对应的设备健康值；根据所述设备健康值，确定所述指定设备在所述预测时刻对应的剩余使用寿命。
在本申请的一个实施例中，所述根据所述指定设备在所述历史时刻所对应的多个参数的参数值，确定所述指定设备在所述预测时刻所对应的设备健康值，包括：将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值；根据所述指定设备在所述预测时刻所对应的多个参数的预测参数值，确定所述指定设备在所述预测时刻所对应的设备健康值。
在本申请的一个实施例中，所述根据所述设备健康值，确定所述指定设备在所述预测时刻对应的剩余使用寿命，包括：将所述设备健康值输入到分类模型中，以得到所述指定设备在所述预测时刻对应的设备状态时期；根据所述设备健康值和所述设备状态时期，确定所述指定设备在所述预测时刻所对应的剩余使用寿命。
在本申请的一个实施例中，所述预测模型为模糊神经网络模型，所述模糊神经网络模型包括模糊化层、模糊推理层、反模糊化层，所述将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值，包括：将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型输入到模糊化层，以得到多个参数的参数值各自所在的隶属度；将多个参数的参数值各自所在的隶属度输入到所述模糊推理层，以得到所述指定设备在所述预测时刻所对应的多个参数各自对应的模糊运算结果；将所述多个参数各自对应的模糊运算结果输入到所述反模糊化层中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值。
本申请提出一种设备的剩余使用寿命的确定方法，在确定指定设备在预测时刻所对应的剩余使用寿命的过程中，结合该指定设备在预测时刻之前的历史时刻所对应的历史数据，并基于该指定设备在历史时刻所对应的多个参数的参数值，确定出指定设备在预测时刻所对应的设备健康值，以及根据指定设备在预测时刻所对应的设备健康值，准确确定出指定设备在预测时刻对应的剩余使用寿命。由此，基于该指定设备在历史时刻所对应的多个参数的参数值，确定出该指定设备在预测时刻所对应的设备健康值，并基于设备健康值准确确定指定设备在预测时刻对应的剩余使用寿命，实现了准确预测出指定设备在预测时刻对应的剩余使用寿命，从而可提高设备运行的安全性以及可靠性。
本申请第二方面实施例提出了一种设备的剩余使用寿命的确定装置，所述装置包括：第一获取模块，用于获取指定设备在预测时刻之前的历史时刻；第二获取模块，用于获取所述指定设备在所述历史时刻所对应的历史数据，其中，所述历史数据包括：与设备健康值有关的多个参数的参数值；第一确定模块，用于根据所述指定设备在所述历史时刻所对应的多个参数的参数值，确定所述指定设备在所述预测时刻所对应的设备健康值；第二确定模块，用于根据所述设备健康值，确定所述指定设备在所述预测时刻对应的剩余使用寿命。
在本申请的一个实施例中，所述第一确定模块，包括：输入单元，用于将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值；确定单元，用于根据所述指定设备在所述预测时刻所对应的多个参数的预测参数值，确定所述指定设备在所述预测时刻所对应的设备健康值。
在本申请的一个实施例中，所述第二确定模块，具体用于：将所述设备健康值输入到分类模型中，以得到所述指定设备在所述预测时刻对应的设备状态时期；根据所述设备健康值和所述设备状态时期，确定所述指定设备在所述预测时刻所对应的剩余使用寿命。
在本申请的一个实施例中，所述预测模型为模糊神经网络模型，所述模糊神经网络模型包括模糊化层、模糊推理层、反模糊化层，所述输入单元，具体用于：将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型输入到模糊化层，以得到多个参数的参数值各自所在的隶属度；将多个参数的参数值各自所在的隶属度输入到所述模糊推理层，以得到所述指定设备在所述预测时刻所对应的多个参数各自对应的模糊运算结果；将所述多个参数各自对应的模糊运算结果输入到所述反模糊化层中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值。
本申请提出一种设备的剩余使用寿命的确定装置，在确定指定设备在预测时刻所对应的剩余使用寿命的过程中，结合该指定设备在预测时刻之前的历史时刻所对应的历史数据，并基于该指定设备在历史时刻所对应的多个参数的参数值，确定出指定设备在预测时刻所对应的设备健康值，以及根据指定设备在预测时刻所对应的设备健康值，准确确定出指定设备在预测时刻对应的剩余使用寿命。由此，基于该指定设备在历史时刻所对应的多个参数的参数值，确定出该指定设备在预测时刻所对应的设备健康值，并基于设备健康值准确确定指定设备在预测时刻对应的剩余使用寿命，实现了准确预测出指定设备在预测时刻对应的剩余使用寿命，从而可提高设备运行的安全性以及可靠性。
本申请第三方面实施例提出了一种电子设备，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，当所述处理器执行所述程序时实现本申请实施例中的设备的剩余使用寿命的确定方法。
本申请第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，当该程序被处理器执行时本申请实施例中的设备的剩余使用寿命的确定方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
图1是本申请实施例所提供的一种设备的剩余使用寿命的确定方法的流程示意图；
图2是本申请实施例所提供的另一种设备的剩余使用寿命的确定方法的流程示意图；
图3是本申请实施例所提供的另一种设备的剩余使用寿命的确定方法的流程示意图；
图4是本申请实施例所提供的一种模糊神经网络模型的示意图；
图5是本申请实施例所提供的一种联合学习框架的示意图；
图6是本申请实施例所提供的一种设备的剩余使用寿命的确定装置的结构示意图；
图7是本申请实施例所提供的另一种设备的剩余使用寿命的确定装置的结构示意图；
图8是本申请一个实施例的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的设备的剩余使用寿命的确定方法、装置和电子设备。
图1是本申请实施例所提供的一种设备的剩余使用寿命的确定方法的流程示意图。其中，需要说明的是，本实施例提供的设备的剩余使用寿命的确定方法的执行主体为设备的剩余使用寿命的确定装置，该设备的剩余使用寿命的确定装置可以由软件和/或硬件的方式实现，该实施例中的设备的剩余使用寿命的确定装置可以配置电子设备中，本实施例中的电子设备可以包括终端设备、服务器等，该实施例对电子设备不作具体限定。
图1是本申请实施例所提供的一种设备的剩余使用寿命的确定方法的流程示意图。
如图1所示，该设备的剩余使用寿命的确定方法可以包括：
步骤101，获取指定设备在预测时刻之前的历史时刻。
在一些实施例中，该指定设备可以是在新能源系统中的任意一个设备，例如，风机设备，但不仅限于此。
在一些实施例中，为了可以准确确定出指定设备在预设时刻所对应的多个参数的参数值，上述历史时刻可以为多个。
步骤102，获取指定设备在历史时刻所对应的历史数据，其中，历史数据包括：与设备健康值有关的多个参数的参数值。
在一些实施例中，获取的指定设备在历史时刻所对应的历史数据可以是由可靠系统记录的数据，例如，数据采集系统和监视控制系统，但不仅限于此。
在另一些实施例中，历史数据中与设备健康值有关的多个参数可以包括但不限于设备运行年限、历史维修保养数据、当前运行数据(例如温度、压力等)、能耗数据等，该实施例对此不做具体限定。
步骤103，根据指定设备在历史时刻所对应的多个参数的参数值，确定指定设备在预测时刻所对应的设备健康值。
在一些实施例中，基于指定设备在历史时刻所对应的多个参数的参数值，并将该指定设备在历史时刻所对应的多个参数的参数值输入到预测模型中，以预测出指定设备在预测时刻所对应的多个参数的预测参数值，从而进一步判断预测时刻所对应的多个参数的预测参数值是否属于正常参数指标，以确定出指定设备在预测时刻所对应的设备健康值。
其中，可以理解的是，预测时刻可以是对指定设备进行评估的任意一个时刻，但不仅限于此。
步骤104，根据设备健康值，确定指定设备在预测时刻对应的剩余使用寿命。
在一些实施例中，在判断指定设备的设备健康值符合设备正常运行的参数阈值时，则确定指定设备在预设时刻运行正常，以确定出指定设备在预测时刻对应的剩余使用寿命。
在另一些实施例中，在判断指定设备的设备健康值不符合设备正常运行的参数阈值时，则确定指定设备在预设时刻可能存在运行异常。
本申请提出一种设备的剩余使用寿命的确定方法，在确定指定设备在预测时刻所对应的剩余使用寿命的过程中，结合该指定设备在预测时刻之前的历史时刻所对应的历史数据，并基于该指定设备在历史时刻所对应的多个参数的参数值，确定出指定设备在预测时刻所对应的设备健康值，以及根据指定设备在预测时刻所对应的设备健康值，准确确定出指定设备在预测时刻对应的剩余使用寿命。由此，基于该指定设备在历史时刻所对应的多个参数的参数值，确定出该指定设备在预测时刻所对应的设备健康值，并基于设备健康值准确确定指定设备在预测时刻对应的剩余使用寿命，实现了准确预测出指定设备在预测时刻对应的剩余使用寿命，从而可提高设备运行的安全性以及可靠性。
图2是本申请实施例所提供的另一种设备的剩余使用寿命的确定方法的流程示意图。
如图2所示，该设备的剩余使用寿命的确定方法可以包括：
步骤201，获取指定设备在预测时刻之前的历史时刻。
步骤202，获取指定设备在历史时刻所对应的历史数据，其中，历史数据包括：与设备健康值有关的多个参数的参数值。
其中，需要说明的是，关于步骤201至步骤202的具体实现方式，可参见上述实施例中的相关描述。
步骤203，将指定设备在历史时刻所对应的多个参数的参数值输入到预测模型中，以得到指定设备在预测时刻所对应的多个参数的预测参数值。
在一些实施例中，预测模型可以为模糊神经网络模型，该模糊神经网络模型包括模糊化层、模糊推理层、反模糊化层。
在一些实施例中，将指定设备在历史时刻所对应的多个参数的参数值输入到预测模型中，以得到指定设备在预测时刻所对应的多个参数的预测参数值的一种实施方式为，先将指定设备在历史时刻所对应的多个参数的参数值输入到预测模型输入到模糊化层，以得到多个参数的参数值各自所在的隶属度，并将多个参数的参数值各自所在的隶属度输入到模糊推理层，以得到指定设备在预测时刻所对应的多个参数各自对应的模糊运算结果，从而将多个参数各自对应的模糊运算结果输入到反模糊化层中，以得到指定设备在预测时刻所对应的多个参数的预测参数值。由此，基于模糊神经网络模型，进行模糊处理，以更好的描述设备的状态。
其中，需要说明的是，上述模糊神经网络模型是基于训练数据而训练出的模型，关于训练模糊神经网络模型的过程将在后续实施例进行描述。
步骤204，根据指定设备在预测时刻所对应的多个参数的预测参数值，确定指定设备在预测时刻所对应的设备健康值。
在一些实施例中，基于预测模型可以得到的指定设备在预测时刻所对应的多个参数的预测参数值，将确定的指定设备在预测时刻所对应的设备健康值输入到分类模型中，以实现对指定设备在预测时刻对应的设备状态时期进行分类，从而进一步确定出指定设备在预测时刻对应的设备状态时期所对应的设备健康值。
步骤205，根据设备健康值，确定指定设备在预测时刻对应的剩余使用寿命。
在一些实施例中，为了可以准确确定出指定设备在预设时刻对应的剩余使用寿命，上述根据设备健康值，确定指定设备在预测时刻对应的剩余使用寿命的一种可能的实施方式为：将设备健康值输入到分类模型中，以得到指定设备在预测时刻对应的设备状态时期，并根据该设备状态时期和设备健康值，确定出指定设备在预测时刻所对应的剩余使用寿命。由此，结合指定设备所处的设备状态时期以及在设备状态时期所对应的设备健康值，准确确定出指定设备在预测时刻所对应的剩余使用寿命。
其中，设备状态时期可以包括但不限于稳定时期、变化时期、退化时期以及危险时期。
本申请提出一种设备的剩余使用寿命的确定方法，在确定指定设备在预测时刻所对应的剩余使用寿命的过程中，结合该指定设备在预测时刻之前的历史时刻所对应的历史数据，并基于该指定设备在历史时刻所对应的多个参数的参数值，并将该参数值输入到预测模型中，以得到指定设备在预测时刻所对应的多个参数的预测参数值，从而确定出指定设备在预测时刻对应的设备健康值，再根据设备健康值，准确确定出指定设备在预测时刻对应的剩余使用寿命。由此，基于该指定设备在历史时刻不同设备状态时期所对应的多个参数的参数值，确定出该指定设备在预测时刻不同设备状态时期所对应的设备健康值，以确定指定设备在预测时刻对应的剩余使用寿命，实现了准确预测出不同设备状态时期指定设备在预测时刻的设备健康值，方便了后期的准确维修维护。
图3是本申请实施例所提供的另一种设备的剩余使用寿命的确定方法的流程示意图。
步骤301，收集数据，参数选择。
在一些实施例中，可以选择出对设备进行评估的一个时间段，再获取从数据采集与监视控制系统搜集的该指定设备在该时间段之前的历史时刻历史数据，该历史数据可以包括，设备运行年限、历史维修保养数据、温度，压力、能耗数据等，并对该历史数据进行核查，若该历史数据出现缺失或则存在异常值，可以结合专家经验，再使用回归类方法进行数值的插补和去除异常值，并结合提前设定的阈值，判断收集的历史数据是否有超出阈值，从而直接判断设备参数是否有故障，如判断有故障，直接报修，如判断没有故障，则进入步骤302。
其中，回归类方法可以包括但不限于最小二乘法，多项式回归法，该实施例对此不做具体限定。
步骤302，预测模型。
在一些实施例中，可以将模糊神经网络模型作为预测模型，该模糊神经网络模型包括模糊化层、模糊推理层、反模糊化层。其中，基于模糊神经网络模型预测指定设备在预测时刻所对应的多个参数的预测参数值的一种实施方式为，如图4所示，可以将运行年限作为输入，输入到模糊神经网络模型中，例如，输入可以为xi，i＝1、2、...n，代表n个输入变量，将n个输入变量输入到模糊化层后，进行模糊化处理，例如，可以将x1划分为m个隶属度,以得到各个输入变量对应的隶属度，并将各个输入变量对应的隶属度输入到模糊推理层，以得到多个输出变量的一个模糊集合，再将该模糊集合输入到反模糊化层，从而得到输出变量的个数，以预测出指定设备在预测时刻所对应的多个参数的预测参数值，例如，可以将0-t时刻的数据作为输入变量，可以通过历史数据对t+1、t+2、...t+n时刻进行预算，以得到指定设备在预测时刻所对应的多个参数的预测参数值。
其中，将输入变量划分为多个隶属度的隶属度函数可以包括但不限于三角函数、梯形函数以及高斯函数。
步骤303，分类模型。
在一些实施例中，由于在设备的不同状态时期，可能有相同或者近似的设备健康值，所以，可以对设备的状态时期进行分类。
可以理解的是，分类模型可以使用证据隐形马尔可夫模型(Evidential HiddenMarkov Model，EvHMM)，但不仅限于此。
在另一些实施例中，对得到的预测时刻所对应的多个参数的预测参数值后进行分割的一种实施方式为，可以通过寻找预测参数值中的特征关系，对预测参数值进行分割，并对所有的分割进行训练，以得到不同的设备状态时期。
步骤304，输出剩余使用寿命结果。
在一些实施例中，通过对预测模型和分类模型的进行联合训练，以保证本地模型更新调整时的信息安全，对预测模型和分类模型的联合训练的过程进行描述，示例性的过程为：构建初始的联合模型，联合模型包括：初始的预测模型以及对应的初始的分类模型，其中，初始的预测模型的输出为初始的分类模型的输入，确定训练数据，其中，训练数据包括：指定设备在第一样本时刻所对应的多个参数的参数值以及指定设备在第二样本时刻所对应的剩余使用寿命，以在第一样本时刻所对应的多个参数的参数值为联合模型的输入，以第二样本时刻所对应的剩余使用寿命为联合模型的输出，对联合模型中初始的预测模型和初始的分类模型进行系数调整，实现训练。
基于上述实施例，对联合训练模型进行训练的一种示例性的实施方式可以为，分发全部数据到不同的机器，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数，服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器，如图5所示，示例如下，参与方各自从服务器A上下载最新模型，且参与方利用本地数据训练模型，加密梯度上传给服务器A，服务器A聚各用户的梯度更新模型参数，服务器A再返回更新后的模型给各参与方，其中，参与方数量越多，服务器中的模型的样本越多，模型的适应性越强，最后，各参与方更新各自模型。
本申请提出一种设备的剩余使用寿命的确定方法，通过收集历史数据以及选择对应的参数，再将历史数据输入到预测模型进行预测，并通过分类模型得到指定设备的不同状态时期，并结合不同状态时期的设备健康值，以确定指定设备的剩余使用寿命。由此，基于联合训练模型输出的预测时间的设备健康值，以及该设备的状态时期，从而针对不同的设备状态时期，能更精准的给出设备的维修维护方案。
图6是本申请实施例所提供一种设备的剩余使用寿命的确定装置的结构示意图。
如图6所示，该设备的剩余使用寿命的确定装置600包括：
第一获取模块601，用于获取指定设备在预测时刻之前的历史时刻。
第二获取模块602，用于获取指定设备在历史时刻所对应的历史数据，其中，历史数据包括：与设备健康值有关的多个参数的参数值。
第一确定模块603，用于根据指定设备在历史时刻所对应的多个参数的参数值，确定指定设备在预测时刻所对应的设备健康值。
第二确定模块604，用于根据设备健康值，确定指定设备在预测时刻对应的剩余使用寿命。
本申请提出一种设备的剩余使用寿命的确定装置，在确定指定设备在预测时刻所对应的剩余使用寿命的过程中，结合该指定设备在预测时刻之前的历史时刻所对应的历史数据，并基于该指定设备在历史时刻所对应的多个参数的参数值，确定出指定设备在预测时刻所对应的设备健康值，以及根据指定设备在预测时刻所对应的设备健康值，准确确定出指定设备在预测时刻对应的剩余使用寿命。由此，基于该指定设备在历史时刻所对应的多个参数的参数值，确定出该指定设备在预测时刻所对应的设备健康值，并基于设备健康值准确确定指定设备在预测时刻对应的剩余使用寿命，实现了准确预测出指定设备在预测时刻对应的剩余使用寿命，从而可提高设备运行的安全性以及可靠性。
在本申请的一个实施例中，如图7，第一确定模块603，包括：
输入单元6031，用于将指定设备在历史时刻所对应的多个参数的参数值输入到预测模型中，以得到指定设备在预测时刻所对应的多个参数的预测参数值。
确定单元6032，用于根据指定设备在预测时刻所对应的多个参数的预测参数值，确定指定设备在预测时刻所对应的设备健康值。
在本申请的一个实施例中，如图7，第二确定模块604，具体用于：
将设备健康值输入到分类模型中，以得到指定设备在预测时刻对应的设备状态时期。
根据设备健康值和设备状态时期，确定指定设备在预测时刻所对应的剩余使用寿命。
在本申请的一个实施例中，如图8，输入单元6032，具体用于：
将指定设备在历史时刻所对应的多个参数的参数值输入到预测模型输入到模糊化层，以得到多个参数的参数值各自所在的隶属度。
将多个参数的参数值各自所在的隶属度输入到模糊推理层，以得到指定设备在预测时刻所对应的多个参数各自对应的模糊运算结果。
将多个参数各自对应的模糊运算结果输入到反模糊化层中，以得到指定设备在预测时刻所对应的多个参数的预测参数值。
本申请提出一种设备的剩余使用寿命的确定装置，在确定指定设备在预测时刻所对应的剩余使用寿命的过程中，结合该指定设备在预测时刻之前的历史时刻所对应的历史数据，并基于该指定设备在历史时刻所对应的多个参数的参数值，确定出指定设备在预测时刻所对应的设备健康值，以及根据指定设备在预测时刻所对应的设备健康值，准确确定出指定设备在预测时刻对应的剩余使用寿命。由此，基于该指定设备在历史时刻所对应的多个参数的参数值，确定出该指定设备在预测时刻所对应的设备健康值，并基于设备健康值准确确定指定设备在预测时刻对应的剩余使用寿命，实现了准确预测出指定设备在预测时刻对应的剩余使用寿命，从而可提高设备运行的安全性以及可靠性。
如图8所示，是根据本申请一个实施例的电子设备的框图。
如图8所示，该电子设备包括：
存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机指令。
处理器802执行指令时实现上述实施例中提供的设备的剩余使用寿命的确定方法。
进一步地，电子设备还包括：
通信接口803，用于存储器801和处理器802之间的通信。
存储器801，用于存放可在处理器802上运行的计算机指令。
存储器801可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器802，用于执行程序时实现上述实施例的设备的剩余使用寿命的确定方法。
如果存储器801、处理器802和通信接口803独立实现，则通信接口803、存储器801和处理器802可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器801、处理器802及通信接口803，集成在一块芯片上实现，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
处理器802可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种设备的剩余使用寿命的确定方法，其特征在于，所述方法包括：
获取指定设备在预测时刻之前的历史时刻；
获取所述指定设备在所述历史时刻所对应的历史数据，其中，所述历史数据包括：与设备健康值有关的多个参数的参数值；
根据所述指定设备在所述历史时刻所对应的多个参数的参数值，确定所述指定设备在所述预测时刻所对应的设备健康值；
根据所述设备健康值，确定所述指定设备在所述预测时刻对应的剩余使用寿命。
2.如权利要求1所述的方法，其特征在于，所述根据所述指定设备在所述历史时刻所对应的多个参数的参数值，确定所述指定设备在所述预测时刻所对应的设备健康值，包括：
将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值；
根据所述指定设备在所述预测时刻所对应的多个参数的预测参数值，确定所述指定设备在所述预测时刻所对应的设备健康值。
3.如权利要求1或2所述的方法，其特征在于，所述根据所述设备健康值，确定所述指定设备在所述预测时刻对应的剩余使用寿命，包括：
将所述设备健康值输入到分类模型中，以得到所述指定设备在所述预测时刻对应的设备状态时期；
根据所述设备健康值和所述设备状态时期，确定所述指定设备在所述预测时刻所对应的剩余使用寿命。
4.如权利要求2所述的方法，其特征在于，所述预测模型为模糊神经网络模型，所述模糊神经网络模型包括模糊化层、模糊推理层、反模糊化层，所述将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值，包括：
将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型输入到模糊化层，以得到多个参数的参数值各自所在的隶属度；
将多个参数的参数值各自所在的隶属度输入到所述模糊推理层，以得到所述指定设备在所述预测时刻所对应的多个参数各自对应的模糊运算结果；
将所述多个参数各自对应的模糊运算结果输入到所述反模糊化层中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值。
5.一种设备的剩余使用寿命的确定装置，其特征在于，所述装置包括：
第一获取模块，用于获取指定设备在预测时刻之前的历史时刻；
第二获取模块，用于获取所述指定设备在所述历史时刻所对应的历史数据，其中，所述历史数据包括：与设备健康值有关的多个参数的参数值；
第一确定模块，用于根据所述指定设备在所述历史时刻所对应的多个参数的参数值，确定所述指定设备在所述预测时刻所对应的设备健康值；
第二确定模块，用于根据所述设备健康值，确定所述指定设备在所述预测时刻对应的剩余使用寿命。
6.如权利要求5所述的装置，其特征在于，所述第一确定模块，包括：
输入单元，用于将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值；
确定单元，用于根据所述指定设备在所述预测时刻所对应的多个参数的预测参数值，确定所述指定设备在所述预测时刻所对应的设备健康值。
7.如权利要求5或6所述的装置，其特征在于，所述第二确定模块，具体用于：
将所述设备健康值输入到分类模型中，以得到所述指定设备在所述预测时刻对应的设备状态时期；
根据所述设备健康值和所述设备状态时期，确定所述指定设备在所述预测时刻所对应的剩余使用寿命。
8.如权利要求6所述的装置，其特征在于，所述预测模型为模糊神经网络模型，所述模糊神经网络模型包括模糊化层、模糊推理层、反模糊化层，所述输入单元，具体用于：
将所述指定设备在所述历史时刻所对应的多个参数的参数值输入到预测模型输入到模糊化层，以得到多个参数的参数值各自所在的隶属度；
将多个参数的参数值各自所在的隶属度输入到所述模糊推理层，以得到所述指定设备在所述预测时刻所对应的多个参数各自对应的模糊运算结果；
将所述多个参数各自对应的模糊运算结果输入到所述反模糊化层中，以得到所述指定设备在所述预测时刻所对应的多个参数的预测参数值。
9.一种电子设备，其特征在于，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN202111235393.0A 2021-10-22 2021-10-22 设备的剩余使用寿命的确定方法、装置和电子设备 Pending CN114021784A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111235393.0A CN114021784A (zh) 2021-10-22 2021-10-22 设备的剩余使用寿命的确定方法、装置和电子设备
PCT/CN2022/078432 WO2023065584A1 (zh) 2021-10-22 2022-02-28 设备的剩余使用寿命的确定方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111235393.0A CN114021784A (zh) 2021-10-22 2021-10-22 设备的剩余使用寿命的确定方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN114021784A true CN114021784A (zh) 2022-02-08

Family

ID=80057290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111235393.0A Pending CN114021784A (zh) 2021-10-22 2021-10-22 设备的剩余使用寿命的确定方法、装置和电子设备

Country Status (2)

Country Link
CN (1) CN114021784A (zh)
WO (1) WO2023065584A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429249A (zh) * 2022-04-06 2022-05-03 杭州未名信科科技有限公司 钢管束生产设备的寿命预测方法、系统、设备及存储介质
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
CN116011109A (zh) * 2023-01-13 2023-04-25 北京控制工程研究所 一种航天器寿命预测方法、装置、电子设备及存储介质
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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116882065A (zh) * 2023-08-02 2023-10-13 广州汽车集团股份有限公司 发动机火花塞寿命预测方法、装置、可读介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108645615A (zh) * 2018-04-08 2018-10-12 太原科技大学 一种自适应模糊神经网络齿轮剩余寿命预测方法
CN111507046A (zh) * 2020-04-16 2020-08-07 哈尔滨工程大学 一种电动闸阀剩余使用寿命预测方法及系统
CN111984513A (zh) * 2020-08-25 2020-11-24 浙江天垂科技有限公司 一种预测性维护方法、装置、设备以及存储介质
CN113487083A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备剩余使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113486584A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11373455B2 (en) * 2018-04-23 2022-06-28 Woodward, Inc. Predicting electromechanical actuator health and remaining life
CN113487084A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113487086B (zh) * 2021-07-06 2024-04-26 新奥新智科技有限公司 设备剩余使用寿命预测方法、装置、计算机设备和介质
CN114021784A (zh) * 2021-10-22 2022-02-08 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108645615A (zh) * 2018-04-08 2018-10-12 太原科技大学 一种自适应模糊神经网络齿轮剩余寿命预测方法
CN111507046A (zh) * 2020-04-16 2020-08-07 哈尔滨工程大学 一种电动闸阀剩余使用寿命预测方法及系统
CN111984513A (zh) * 2020-08-25 2020-11-24 浙江天垂科技有限公司 一种预测性维护方法、装置、设备以及存储介质
CN113487083A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 一种设备剩余使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113486584A (zh) * 2021-07-06 2021-10-08 新智数字科技有限公司 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

Cited By (6)

* 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
CN114429249A (zh) * 2022-04-06 2022-05-03 杭州未名信科科技有限公司 钢管束生产设备的寿命预测方法、系统、设备及存储介质
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
CN116011109A (zh) * 2023-01-13 2023-04-25 北京控制工程研究所 一种航天器寿命预测方法、装置、电子设备及存储介质
CN116011109B (zh) * 2023-01-13 2023-09-08 北京控制工程研究所 一种航天器寿命预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2023065584A1 (zh) 2023-04-27

Similar Documents

Publication Publication Date Title
CN114021784A (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN111241154A (zh) 一种基于大数据的蓄电池故障预警方法及系统
US20190018375A1 (en) Apparatus and method for event detection and duration determination
Duer et al. Designing of an effective structure of system for the maintenance of a technical object with the using information from an artificial neural network
CN111325416A (zh) 预测叫车平台的用户流失的方法和装置
CN112183758A (zh) 用于实现模型训练的方法及装置、计算机存储介质
CN112416643A (zh) 无监督异常检测方法与装置
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
CN111262750B (zh) 一种用于评估基线模型的方法及系统
CN110837852A (zh) 一种轧机齿轮箱的故障诊断方法、装置及终端设备
CN114816901A (zh) 通过ai的方式对软件变更后的健康状态进行评估的方法
CN116610092A (zh) 用于车辆分析的方法和系统
CN109934453A (zh) 设备健康等级的确定方法及装置、存储介质、电子装置
CN112416662A (zh) 多时间序列数据异常检测方法与装置
Alelaumi et al. A predictive abnormality detection model using ensemble learning in stencil printing process
JP2023504103A (ja) モデル更新システム、モデル更新方法及び関連装置
CN116794510A (zh) 故障预测方法、装置、计算机设备和存储介质
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
CN115081647A (zh) 基于贝叶斯网络模型的工业智能仪表故障预诊断方法
CN114021744A (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
US20210350282A1 (en) Managing an installed base of artificial intelligence modules
Sharma et al. The fundamentals and strategies of maintenance, repair, and overhaul (MRO) in Industry 4.0
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
Shahraki et al. Predicting remaining useful life based on instance-based learning

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