CN114154415A - 设备寿命的预测方法及装置 - Google Patents

设备寿命的预测方法及装置 Download PDF

Info

Publication number
CN114154415A
CN114154415A CN202111452192.6A CN202111452192A CN114154415A CN 114154415 A CN114154415 A CN 114154415A CN 202111452192 A CN202111452192 A CN 202111452192A CN 114154415 A CN114154415 A CN 114154415A
Authority
CN
China
Prior art keywords
data
characteristic
wavelet
feature
standard deviation
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
CN202111452192.6A
Other languages
English (en)
Inventor
徐少龙
张燧
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.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111452192.6A priority Critical patent/CN114154415A/zh
Publication of CN114154415A publication Critical patent/CN114154415A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)

Abstract

本公开涉及人工智能技术领域，提供了一种设备寿命的预测方法及装置。该方法包括：获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第一数据特征，得到第一累积特征；将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。采用上述技术手段，可以解决现有技术中，通过测试设备估计设备的剩余使用寿命，估计结果准确率低的问题，进而提高估计设备的剩余使用寿命的准确率。

Description

设备寿命的预测方法及装置
技术领域
本公开涉及人工智能技术领域，尤其涉及一种设备寿命的预测方法及装置。
背景技术
由于在综合能源系统中，大量的设备由于长期工作，环境变化，频繁起停等原因，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，这种现象可能会导致整个综合能源系统出现问题，所以对于设备的健康度的评估是及其必要的。评估设备的健康度实际上就是估计设备的剩余使用寿命。目前，估计设备的剩余使用寿命常用的方法是在测试设备的过程，根据测试结果确定设备状况，进而大致估计出设备的剩余使用寿命。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：通过测试设备估计设备的剩余使用寿命，估计结果准确率低的问题。
发明内容
有鉴于此，本公开实施例提供了一种设备寿命的预测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，通过测试设备估计设备的剩余使用寿命，估计结果准确率低的问题。
本公开实施例的第一方面，提供了一种设备寿命的预测方法，包括：获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第一数据特征，得到第一累积特征；将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。
本公开实施例的第二方面，提供了一种设备寿命的预测装置，包括：获取模块，被配置为获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取模块，被配置为提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；计算模块，被配置为利用特征累积算法计算第一数据特征，得到第一累积特征；模型模块，被配置为将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可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。
本公开实施例与现有技术相比存在的有益效果是：获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第一数据特征，得到第一累积特征；将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。采用上述技术手段，可以解决现有技术中，通过测试设备估计设备的剩余使用寿命，估计结果准确率低的问题，进而提高估计设备的剩余使用寿命的准确率。
附图说明
为了更清楚地说明本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是本公开实施例的一种联合学习的架构示意图；
图2是本公开实施例提供的一种设备寿命的预测方法的流程示意图；
图3是本公开实施例提供的一种设备寿命的预测装置的结构示意图；
图4是本公开实施例提供的一种电子设备的结构示意图。
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公开的描述。
联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
下面将结合附图详细说明根据本公开实施例的一种设备寿命的预测方法和装置。
图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方 102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
图2是本公开实施例提供的一种设备寿命的预测方法的流程示意图。图2 的设备寿命的预测方法可以由图1的服务器执行。如图2所示，该设备寿命的预测方法包括：
S201，获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；
S202，提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；
S203，利用特征累积算法计算第一数据特征，得到第一累积特征；
S204，将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。
第一历史维修数据、第一当前运行数据和第一能耗数据只是参数数据的三个大类，第一历史维修数据、第一当前运行数据和第一能耗数据之下，还有很多小类，比如：第一当前运行数据又可称之为工艺流程数据，包括：温度，压力等，第一历史维修数据是关于目标设备维修保养的数据，包括：设备换件时间，设备停机检查时间等。需要说明的是，如果将参数数据看做一个矩阵，那么参数数据中的每个小类为该矩阵中的一个向量，小类的数量是该矩阵的维度数。
根据本公开实施例提供的技术方案，通过获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第一数据特征，得到第一累积特征；将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。采用上述技术手段，可以解决现有技术中，通过测试设备估计设备的剩余使用寿命，估计结果准确率低的问题，进而提高估计设备的剩余使用寿命的准确率。
在步骤S204中，将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命之前，方法还包括：根据人工神经网络和小波分析原理构建小波极限叠加模型；其中，小波极限叠加模型，包括：多个输入层、多个隐藏层和一个输出层；其中，多个输入层和多个隐藏层之间通过Nguyen-Widrow算法实现映射，多个隐藏层和输出层之间通过Linear算法实现映射。
多个输入层和多个隐藏层之间通过Nguyen-Widrow算法实现映射，可以理解为多个输入层和多个隐藏层之间通过Nguyen-Widrow算法实现数据的传递，多个隐藏层和输出层之间通过Linear算法实现映射，可以理解为多个隐藏层和输出层之间通过Linear算法实现数据的传递。其中，每个输入层和每个隐藏层都有连接，多个隐藏层都连接到输出层。
在步骤S204中，将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命，包括：根据第一累积特征和对数函数确定第一变量，根据第一累积特征、余弦函数和指数函数确定第二变量；根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，计算剩余使用寿命；其中，小波极限叠加模型，包括：多个输入层、多个隐藏层和一个输出层。
通过如下公式确定第一变量f1：
f1＝θ(X)＝log[x+(x2+1)1/2]；
通过如下公式确定第二变量f2：
Figure BDA0003386574340000061
根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，通过如下公式计算剩余使用寿命oj：
Figure BDA0003386574340000062
Figure BDA0003386574340000063
Figure BDA0003386574340000071
X为第一累积特征；wk是第一权重向量，βk是第二权重向量，bk是乖离率，j表示第一累积特征的序号，此处的j和下文中出现的j表示的是不同对象的序号，虽然重复，但是在各个可选实施例是清楚的。N上的“～”是颚化符号，代表等价关系。
根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，计算剩余使用寿命之前，方法还包括：获取多个设备的训练数据，其中，训练数据，包括：第二历史维修数据、第二当前运行数据和第二能耗数据；提取训练数据的第二数据特征，其中第二数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第二数据特征，得到第二累积特征；使用第二累积特征训练小波极限叠加模型；其中，第一权重向量、第二权重向量、乖离率是在小波极限叠加模型的训练过程中确定的。
第二数据特征包括的均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差，是第二数据特征对应的；第一数据特征包括的均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差，是第一数据特征对应的。使用第二累积特征训练小波极限叠加模型，有两种理解，一种是在训练小波极限叠加模型的过程中，确定第一权重向量、第二权重向量、乖离率，然后根据第一权重向量、第二权重向量、乖离率计算剩余使用寿命；一种训练小波极限叠加模型，使得小波极限叠加模型学习并保存有第二累积特征和剩余使用寿命的对应关系，在训练之前，可以先给第二累积特征标注第二累积特征对应的剩余使用寿命的标签，如果小波极限叠加模型学习并保存有第二累积特征和剩余使用寿命的对应关系，那么小波极限叠加模型就可以识别出第一累积特征对应的剩余使用寿命。
在步骤S202中，包括：通过如下公式提取参数数据的反双曲正弦标准差 M：M＝σ(log(yj+(yj^2+1)^1/2))；通过如下公式提取参数数据的反正切标准差N： N＝σ(I/2log((yj+I)/(I-yj)))；其中，σ()为激活函数，I为常数，yj为第j个参数数据，j表示参数数据的序号，j≥1。
I为常数，可以根据具体情景自行设置。计算均方根、峰值、能量、熵都是常用的方法，在此不再赘述。本公开实施例在预测设备寿命中，第一次引入了反双曲正弦标准差和反正切标准差，使得提取到的参数数据的第一数据特征更加准确，进而提高了预测目标设备的剩余使用寿命的准确率。
在步骤S202中，提取参数数据的第一数据特征，包括：通过以下任意一种方法对参数数据进行平滑处理：移动平滑法、二阶多项式回归法和K最临近算法；提取经过平滑处理之后的参数数据的第一数据特征。
第一数据特征可能包含高噪声和波动性，这种情况对于后续的模型训练是不可接受的，因此本公开实施例对第一数据特征进行平滑处理，意在减少噪声，降低波动性。移动平滑法、二阶多项式回归法和K最临近算法是现有算法，不再赘述。
在步骤S203中，特征累积算法为：
Figure BDA0003386574340000081
其中，C为第一累积特征，F′v(i)为经过平滑处理之后的第i组所述第一数据特征，i≥1，经过平滑处理，可以将所述第一数据特征分为多组。
将第一数据特征经过平滑处理，即减少第一数据特征的噪声，降低第一数据特征的波动性，又将第一数据特征分为多组。本公开实施例通过特征累积算法将多组第一数据特征融合为第一累积特征。融合后得到的第一累积特征对参数数据的代表性进一步提升，进而本公开实施例通过第一累积特征和小波极限叠加模型，提升了预测设备寿命的准确率。
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。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图3是本公开实施例提供的一种设备寿命的预测装置的示意图。如图3所示，该设备寿命的预测装置包括：
获取模块301，被配置为获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；
提取模块302，被配置为提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；
计算模块303，被配置为利用特征累积算法计算第一数据特征，得到第一累积特征；
模型模块304，被配置为将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。
第一历史维修数据、第一当前运行数据和第一能耗数据只是参数数据的三个大类，第一历史维修数据、第一当前运行数据和第一能耗数据之下，还有很多小类，比如：第一当前运行数据又可称之为工艺流程数据，包括：温度，压力等，第一历史维修数据是关于目标设备维修保养的数据，包括：设备换件时间，设备停机检查时间等。需要说明的是，如果将参数数据看做一个矩阵，那么参数数据中的每个小类为该矩阵中的一个向量，小类的数量是该矩阵的维度数。
根据本公开实施例提供的技术方案，通过获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第一数据特征，得到第一累积特征；将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。采用上述技术手段，可以解决现有技术中，通过测试设备估计设备的剩余使用寿命，估计结果准确率低的问题，进而提高估计设备的剩余使用寿命的准确率。
可选地，模型模块304还被配置为根据人工神经网络和小波分析原理构建小波极限叠加模型；其中，小波极限叠加模型，包括：多个输入层、多个隐藏层和一个输出层；其中，多个输入层和多个隐藏层之间通过Nguyen-Widrow算法实现映射，多个隐藏层和输出层之间通过Linear算法实现映射。
多个输入层和多个隐藏层之间通过Nguyen-Widrow算法实现映射，可以理解为多个输入层和多个隐藏层之间通过Nguyen-Widrow算法实现数据的传递，多个隐藏层和输出层之间通过Linear算法实现映射，可以理解为多个隐藏层和输出层之间通过Linear算法实现数据的传递。其中，每个输入层和每个隐藏层都有连接，多个隐藏层都连接到输出层。
可选地，模型模块304还被配置为根据第一累积特征和对数函数确定第一变量，根据第一累积特征、余弦函数和指数函数确定第二变量；根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，计算剩余使用寿命；其中，小波极限叠加模型，包括：多个输入层、多个隐藏层和一个输出层。
通过如下公式确定第一变量f1：
f1＝θ(X)＝log[x+(x2+1)1/2]；
通过如下公式确定第二变量f2：
Figure BDA0003386574340000101
根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，通过如下公式计算剩余使用寿命oj：
Figure BDA0003386574340000111
Figure BDA0003386574340000112
Figure BDA0003386574340000113
X为第一累积特征；wk是第一权重向量，βk是第二权重向量，bk是乖离率，j表示第一累积特征的序号，此处的j和下文中出现的j表示的是不同对象的序号，虽然重复，但是在各个可选实施例是清楚的。N上的“～”是颚化符号，代表等价关系。
可选地，模型模块304还被配置为获取多个设备的训练数据，其中，训练数据，包括：第二历史维修数据、第二当前运行数据和第二能耗数据；提取训练数据的第二数据特征，其中第二数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第二数据特征，得到第二累积特征；使用第二累积特征训练小波极限叠加模型；其中，第一权重向量、第二权重向量、乖离率是在小波极限叠加模型的训练过程中确定的。
第二数据特征包括的均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差，是第二数据特征对应的；第一数据特征包括的均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差，是第一数据特征对应的。使用第二累积特征训练小波极限叠加模型，有两种理解，一种是在训练小波极限叠加模型的过程中，确定第一权重向量、第二权重向量、乖离率，然后根据第一权重向量、第二权重向量、乖离率计算剩余使用寿命；一种训练小波极限叠加模型，使得小波极限叠加模型学习并保存有第二累积特征和剩余使用寿命的对应关系，在训练之前，可以先给第二累积特征标注第二累积特征对应的剩余使用寿命的标签，如果小波极限叠加模型学习并保存有第二累积特征和剩余使用寿命的对应关系，那么小波极限叠加模型就可以识别出第一累积特征对应的剩余使用寿命。
可选地，提取模块302还被配置为通过如下公式提取参数数据的反双曲正弦标准差M：M＝σ(log(yj+(yj^2+1)^1/2))；通过如下公式提取参数数据的反正切标准差N：N＝σ(I/2log((yj+I)/(I-yj)))；其中，σ()为激活函数，I为常数，yj为第j个参数数据，j表示参数数据的序号。
I为常数，可以根据具体情景自行设置。计算均方根、峰值、能量、熵都是常用的方法，在此不再赘述。本公开实施例在预测设备寿命中，第一次引入了反双曲正弦标准差和反正切标准差，使得提取到的参数数据的第一数据特征更加准确，进而提高了预测目标设备的剩余使用寿命的准确率。
可选地，提取模块302还被配置为通过以下任意一种方法对参数数据进行平滑处理：移动平滑法、二阶多项式回归法和K最临近算法；提取经过平滑处理之后的参数数据的第一数据特征。
第一数据特征可能包含高噪声和波动性，这种情况对于后续的模型训练是不可接受的，因此本公开实施例对第一数据特征进行平滑处理，意在减少噪声，降低波动性。移动平滑法、二阶多项式回归法和K最临近算法是现有算法，不再赘述。
特征累积算法为：
Figure BDA0003386574340000121
其中，C为第一累积特征，F′v(i)为经过平滑处理之后的第i组所述第一数据特征，i≥1，经过平滑处理，可以将所述第一数据特征分为多组。
将第一数据特征经过平滑处理，即减少第一数据特征的噪声，降低第一数据特征的波动性，又将第一数据特征分为多组。本公开实施例通过特征累积算法将多组第一数据特征融合为第一累积特征。融合后得到的第一累积特征对参数数据的代表性进一步提升，进而本公开实施例通过第一累积特征和小波极限叠加模型，提升了预测设备寿命的准确率。
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，而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4 上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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公开的技术方案，而非对其限制；尽管参照前述实施例对本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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种设备寿命的预测方法，其特征在于，包括：
获取目标设备的参数数据，其中，所述参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；
提取所述参数数据的第一数据特征，其中所述第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；
利用特征累积算法计算所述第一数据特征，得到第一累积特征；
将所述第一累积特征输入小波极限叠加模型，输出所述目标设备的剩余使用寿命。
2.根据权利要求1所述的方法，其特征在于，所述将所述第一累积特征输入小波极限叠加模型，输出所述目标设备的剩余使用寿命之前，所述方法还包括：
根据人工神经网络和小波分析原理构建所述小波极限叠加模型；
其中，所述小波极限叠加模型，包括：多个输入层、多个隐藏层和一个输出层；
其中，多个所述输入层和多个所述隐藏层之间通过Nguyen-Widrow算法实现映射，多个所述隐藏层和所述输出层之间通过Linear算法实现映射。
3.根据权利要求1所述的方法，其特征在于，所述将所述第一累积特征输入小波极限叠加模型，输出所述目标设备的剩余使用寿命，包括：
根据所述第一累积特征和对数函数确定第一变量，根据所述第一累积特征、余弦函数和指数函数确定第二变量；
根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，计算所述剩余使用寿命；
其中，所述小波极限叠加模型，包括：多个所述输入层、多个所述隐藏层和一个所述输出层。
4.根据权利要求3所述的方法，其特征在于，所述根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，计算所述剩余使用寿命之前，所述方法还包括：
获取多个设备的训练数据，其中，所述训练数据，包括：第二历史维修数据、第二当前运行数据和第二能耗数据；
提取所述训练数据的第二数据特征，其中所述第二数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；
利用所述特征累积算法计算所述第二数据特征，得到第二累积特征；
使用所述第二累积特征训练所述小波极限叠加模型；
其中，所述第一权重向量、所述第二权重向量、所述乖离率是在所述小波极限叠加模型的训练过程中确定的。
5.根据权利要求1所述的方法，其特征在于，包括：
通过如下公式提取所述参数数据的所述反双曲正弦标准差M：
M＝σ(log(yj+(yj^2+1)^1/2))；
通过如下公式提取所述参数数据的所述反正切标准差N：
N＝σ(I/2log((yj+I)/(I-yj)))；
其中，σ()为激活函数，I为常数，yj为第j个所述参数数据，j表示所述参数数据的序号，j≥1。
6.根据权利要求1所述的方法，其特征在于，所述提取所述参数数据的第一数据特征，包括：
通过以下任意一种方法对所述参数数据进行平滑处理：移动平滑法、二阶多项式回归法和K最临近算法；
提取经过所述平滑处理之后的参数数据的所述第一数据特征。
7.根据权利要求1所述的方法，其特征在于，所述特征累积算法为：
Figure FDA0003386574330000031
其中，C为第一累积特征，Fv(i)为经过平滑处理之后的第i组所述第一数据特征，i≥1，经过平滑处理，可以将所述第一数据特征分为多组。
8.一种设备寿命的预测装置，其特征在于，包括：
获取模块，被配置为获取目标设备的参数数据，其中，所述参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；
提取模块，被配置为提取所述参数数据的第一数据特征，其中所述第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；
计算模块，被配置为利用特征累积算法计算所述第一数据特征，得到第一累积特征；
模型模块，被配置为将所述第一累积特征输入小波极限叠加模型，输出所述目标设备的剩余使用寿命。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202111452192.6A 2021-12-01 2021-12-01 设备寿命的预测方法及装置 Pending CN114154415A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111452192.6A CN114154415A (zh) 2021-12-01 2021-12-01 设备寿命的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111452192.6A CN114154415A (zh) 2021-12-01 2021-12-01 设备寿命的预测方法及装置

Publications (1)

Publication Number Publication Date
CN114154415A true CN114154415A (zh) 2022-03-08

Family

ID=80455495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111452192.6A Pending CN114154415A (zh) 2021-12-01 2021-12-01 设备寿命的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114154415A (zh)

Cited By (1)

* 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

Cited By (2)

* 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
CN114429249B (zh) * 2022-04-06 2022-08-16 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

Similar Documents

Publication Publication Date Title
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
CN113487083A (zh) 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
CN114118156A (zh) 设备故障诊断方法、装置、电子设备及存储介质
CN113487084A (zh) 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
CN113988310A (zh) 深度学习模型选择方法、装置、计算机设备和介质
CN114154415A (zh) 设备寿命的预测方法及装置
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
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
CN113486586B (zh) 设备健康状态评估方法、装置、计算机设备及存储介质
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
CN116402366A (zh) 基于联合学习的数据贡献评价方法及装置
CN114154714A (zh) 时序数据预测方法、装置、计算机设备及介质
CN114118543A (zh) 基于联合学习的烟气含氧量负荷预测方法及装置
CN113887495A (zh) 基于迁移学习的视频标注方法及装置
CN113487087A (zh) 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
CN115564055A (zh) 异步联合学习训练方法、装置、计算机设备及存储介质
CN116307007A (zh) 基于关联分析方法的设备寿命的预测方法及装置
CN116341152A (zh) 一种用气负荷预测方法、装置、电子设备及存储介质
CN114118540A (zh) 基于样本迁移的烟气含氧量负荷预测方法及装置
CN116308245A (zh) 设备寿命的预测方法及装置
CN116384210A (zh) 一种设备寿命预测方法、装置、电子设备及存储介质
CN114118459A (zh) 基于联合学习的检测设备健康方法及装置
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
CN114897185A (zh) 基于类别异构数据的联合学习训练方法及装置

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