CN115577821A - 一种设备剩余使用寿命的预测方法和装置 - Google Patents
一种设备剩余使用寿命的预测方法和装置 Download PDFInfo
- Publication number
- CN115577821A CN115577821A CN202110761561.3A CN202110761561A CN115577821A CN 115577821 A CN115577821 A CN 115577821A CN 202110761561 A CN202110761561 A CN 202110761561A CN 115577821 A CN115577821 A CN 115577821A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- real
- prediction model
- time data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims abstract description 13
- 238000005265 energy consumption Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 1
- 229910052794 bromium Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
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
- G06N20/00—Machine learning
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开涉及设备维护技术领域,提供了一种设备剩余使用寿命的预测方法和装置。该方法包括:根据设备特点,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;基于实时数据建立决策树模型,获得第一标注数据;采用第一标注数据,建立模糊系统模型,获得第二标注数据;采用第二标注数据对预测模型进行训练,获得目标预测模型,并通过所述目标预测模型预测设备的剩余使用寿命。本发明公开实施例通过上述方法减少了设备维护成本,提高了安全性、可靠性和故障排除率。
Description
技术领域
本发明公开涉及设备维护技术领域,尤其涉及一种设备剩余使用寿命的预测方法和装置。
背景技术
综合能源系统是由多种设备和管道链接而成,同时具备多种能源输入、转化以及提供多种能源给不同用户的系统。综合能源系统中设备类型及数量可以根据需要设置,例如可以包括:燃气内燃机,余热锅炉,蒸汽锅炉,溴冷机,光伏设备,地源热泵,风能设备,储能设备等。
但是,综合能源系统中设备的退化状态尤其是其剩余使用寿命无法预估,这不仅会增加设备维护成本,而且会导致设备的可靠性降低,设备的故障排除率降低。
发明内容
有鉴于此,本发明公开实施例提供了一种设备剩余使用寿命的预测方法和装置,以解决现有技术中综合能源系统中设备的剩余使用寿命无法预估的问题。
本发明公开实施例的第一方面,提供了一种设备剩余使用寿命的预测方法,包括:
根据设备特点,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;
基于实时数据建立决策树模型,获得第一标注数据;
基于第一标注数据,建立模糊系统模型,获得第二标注数据;
采用第二标注数据对预测模型进行训练,获得目标预测模型,并通过目标预测模型预测设备的剩余使用寿命。
本发明公开实施例的第二方面,提供了一种设备剩余使用寿命的预测装置,包括:
采集数据模块,用于根据设备特点,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;
第一标注模块,用于基于实时数据建立决策树模型,获得第一标注数据;
第二标注模块,用于基于第一标注数据,建立模糊系统模型,获得第二标注数据;
预测模块,用于采用第二标注数据对预测模型进行训练,获得目标预测模型,并通过目标预测模型预测设备的剩余使用寿命。
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:通过根据本发明公开实施例提供的技术方案,通过决策树模型与模糊系统模型相结合的综合模型,基于机器学习模型将采集的实时数据,置于联合框架下的分配数据集至不同机器进行训练,最终计算出设备退化状态的剩余使用寿命。本发明公开实施例的方法减少了设备维护成本,提高了安全性、可靠性和故障排除率。
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提供的一种设备剩余使用寿命的预测方法的流程图;
图2是本发明公开实施例提供的一种设备剩余使用寿命的预测方法中获得第一标注数据的流程图;
图3是本发明公开实施例提供的一种设备剩余使用寿命的预测方法中获得第二标注数据的流程图;
图4是本发明公开实施例提供的一种设备剩余使用寿命的预测方法中预测设备的剩余使用寿命流程图;
图5是本发明公开实施例提供的一种设备剩余使用寿命的预测装置的框图;
图6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剩余使用寿命预测方法方法和装置。
图1是本发明公开实施例提供的一种设备剩余使用寿命预测方法的流程图。如图1所示,该设备剩余使用寿命预测方法包括:
S11,根据设备特点,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。
不同的设备有其各自的特点,不同设备在不同耗损参数上具有明显辨识度,根据不同设备具有的相应特点,收集相应的实时数据。由于种种原因,难免发生实时数据中有缺失,异常值等情况,此时,可以根据专家经验,再结合使用回归类方法进行数值的插补和去除异常值。其中,回归类方法例如,最小二乘,多项式回归等。其中,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、能耗数据一般在公司的台账记录中收集,只有具备严格规范管理的公司才能够直接在scada中直接收集上述所有实时数据。
S12,基于实时数据建立决策树模型,获得第一标注数据。
图2是本发明公开实施例提供的一种设备剩余使用寿命的预测方法中获得第一标注数据的流程图。如图2所示,S12具体包括:
S121,将实时数据进行归一化,获得归一化的实时数据。
上述决策树模型将在预定时间内采集的所有的实时数据归一化,基于归一化结果,获得归一化的实时数据。
S122,根据预设分段方式对归一化的实时数据进行分类,以获得第一标注数据,其中,预设分段方式为将归一化的实时数据分割为多个数据区间,每个数据区间对应不同的数据类型。
一示例性地,上述实时数据归一化,并将实时数据归一化的范围分为四类,例如,上述实时数据归一化的范围为{0,1},将范围{0,1}分为四类:0-1/4、1/4-1/2、1/2-3/4、3/4-1,并将这四类分别标注为优、良、中、差之后,得到的数据即为第一标注数据。
另一示例性地,上述实时数据归一化,并将实时数据归一化的范围分为五类,例如,上述实时数据归一化的范围为{0,1},将范围{0,1}分为五类:0-1/5、1/5-2/5、2/5-3/5、3/5-4/5、4/5-1,并将这五类分别标注为优、良、好、中、差之后,得到的数据即为第一标注数据。
另一示例性地,上述实时数据归一化,并将实时数据归一化的范围分为三类,例如,上述实时数据归一化的范围为{0,1},将范围{0,1}分为三类:0-1/3、1/3-2/3、2/3-1,并将这三类分别标注为优、中、差之后,得到的数据即为第一标注数据。
具体应用场景下,实时数据归一化的范围,可以视具体情况而定,标注的种类也可以按照采集的实时数据的数量而进行灵活设置,在此不做任何限定。
S13,基于第一标注数据,建立模糊系统模型,获得第二标注数据。
基于第一标注数据建立模糊系统模型,经过模糊系统模型对数据的处理,获得第二标注数据。
图3是本发明公开实施例提供的一种设备剩余使用寿命的预测方法中获得第二标注数据的流程图。如图3所示,S13具体包括:
S131,基于第一标注数据,建立模糊系统模型。
首先,将第一标注数据进行记录,并基于第一标注数据建立模糊系统模型;
然后,基于第一标注数据,结合专家经验,得出预定规则;
最后,按照预定规则得到健康度指数。
其中,预定规则:
一示例性地,若所需预测的设备中某一种实时数据有n个参数,当n=3时,若参数1为优,参数2为优,参数3为优,则为健康;若参数1为优,参数2为优,参数3为良,则为不健康;若参数1为优,参数2为优,参数3为中,则为不健康;若参数1为优,参数2为优,参数3为差,则为不健康;若参数1为优,参数2为良,即不健康;若参数1为良,即不健康;参数1为中,则为不健康。其中,n为大于1的正整数。
另一示例性地,若所需预测的设备中某一种实时数据有n个参数,当n=4时,若参数1为优,参数2为优,参数3为优,参数4为优,则为健康;若参数1为优,参数2为优,参数3为优,参数4为良,则为不健康;若参数1为优,参数2为优,参数3为优,参数4为中,则为不健康;若参数1为优,参数2为优,参数3为优,参数4为差,则为不健康;若参数1为优,参数2为优,参数3为良,无论参数4是什么类,都为不健康;若参数1为良,无论参数2、3、4是什么类,都为不健康;参数1为中,无论参数2、3、4是什么类,都为不健康。
概括地说,所有参数全为优时才健康,只要有1个不为优就不健康,并且,只有当参数1为优的状态时,才有必要看参数2的状态,否则为不健康;若参数1为优时,只有当参数2为优时,才有必要看参数参数3,否则为不健康。
S132,将实时数据与模糊系统模型中的融合参数标准进行匹配,获取当前状态下的设备的健康度指数,以获得第二标注数据。
在上述预定规则下,将一个实时数据与模糊系统模型中的融合参数标准进行匹配成功,就得到一个当前状态下的设备的一个健康度指数,由于在预定时间内收集了大量的实时数据,那么,将上述收集的所有的实时数据与模糊系统模型中的融合参数标准进行一一匹配,那么就得到当前状态下的设备的若干健康度指数。因此,按照上述预定规则能够得到大量的健康度指数,并将该健康度指数标注为第二标注数据。
S14采用第二标注数据对预测模型进行训练,获得目标预测模型,并通过目标预测模型预测设备的剩余使用寿命。
第二标注数据由各种实时数据构成大量数据集,基于大量数据集,对预测模型进行训练,获得目标预测模型,并通过目标预测模型预测设备的剩余使用寿命。
图4是本发明公开实施例提供的一种设备剩余使用寿命的预测方法中预测设备的剩余使用寿命流程图。如图4所示,S14具体包括:
S141,针对不同设备,从服务器下载待训练的预测模型,每种设备至少对应一个预测模型。
不同设备从服务器下载相应的待训练的预测模型,每种设备对应一个或大于1个的预测模型。
S142,采用每种设备对应的第二标注数据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。
服务器将包含第二标注数据构成大量数据集,每种设备利用其对应的第二标注数据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。
S143,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。
S144,针对不同设备,采用与该设备对应的目标预测模型进行预测,以获得该设备的剩余使用寿命。
不同设备对应不同的目标预测模型,不同设备采用其对应的目标预测模型进行预测,获得相应的该设备的剩余使用寿命。
具体地,预测剩余使用寿命的融合参数标准是根据预先设定阈值进行判断的,当训练后的数据集中出现融合参数标准大于阈值的,则判定为出现不健康状态的融合参数标准。基于训练后的数据集,当数据集中出现了不健康的融合参数标准时,通过机器学习算法,计算预测剩余使用寿命。其中,机器学习算法,包括:GBDT(Gradient BoostingDecision Tree,梯度提升决策树),神经网络等多种算法,根据实际情况选择一种即可。根据本发明公开实施例提供的技术方案,通过决策树模型与模糊系统模型相结合的综合模型,基于机器学习模型将采集的实时数据,置于联合框架下的分配数据集至不同机器进行训练,最终计算出设备退化状态的剩余使用寿命。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。
通过根据本发明公开实施例提供的技术方案,通过决策树模型与模糊系统模型相结合的综合模型,基于机器学习模型将采集的实时数据,置于联合框架下的分配数据集至不同机器进行训练,最终计算出设备退化状态的剩余使用寿命。本发明公开实施例的方法减少了设备维护成本,提高了安全性、可靠性和故障排除率。
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5是本发明公开实施例提供的一种设备剩余使用寿命的预测装置的示意图。如图5所示,该设备剩余使用寿命的预测装置包括:
采集数据模块51,用于根据设备特点,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;
第一标注模块52,用于基于实时数据建立决策树模型,获得第一标注数据;
第二标注模块53,用于基于第一标注数据,建立模糊系统模型,获得第二标注数据;
预测模块54,用于采用第二标注数据对预测模型进行训练,获得目标预测模型,并通过目标预测模型预测设备的剩余使用寿命。
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6是本发明公开实施例提供的计算机设备6的示意图。如图6所示,该实施例的计算机设备6包括:处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者,处理器601执行计算机程序603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603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602中,并由处理器601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603在计算机设备6中的执行过程。
计算机设备6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6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解,图6仅仅是计算机设备6的示例,并不构成对计算机设备6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601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602可以是计算机设备6的内部存储单元,例如,计算机设备6的硬盘或内存。存储器602也可以是计算机设备6的外部存储设备,例如,计算机设备6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602还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器602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602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)
1.一种设备剩余使用寿命的预测方法,其特征在于,包括:
根据设备特点,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;
基于所述实时数据建立决策树模型,获得第一标注数据;
基于所述第一标注数据,建立模糊系统模型,获得第二标注数据;
采用所述第二标注数据对预测模型进行训练,获得目标预测模型,并通过所述目标预测模型预测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,所述根据设备特点,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设备的当前运行数据;
通过台账记录手机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,所述基于所述实时数据建立决策树模型,得到第一标注数据,包括:
将所述实时数据进行归一化,获得归一化的实时数据;
根据预设分段方式对归一化的实时数据进行分类,以获得第一标注数据,其中,所述预设分段方式为将归一化的实时数据分割为多个数据区间,每个数据区间对应不同的数据类型。
4.根据权利要求3所述的方法,其特征在于,所述根据预设分段方式对归一化的实时数据进行分类,以获得第一标注数据,包括:
将所述归一化的所述实时数据分类,并分别标注为优、良、中、差,得到第一标注数据。
5.根据权利要求1所述的方法,其特征在于,所述基于所述第一标注数据,建立模糊系统模型,获得第二标注数据,包括:
基于所述第一标注数据,建立所述模糊系统模型;
将所述实时数据与所述模糊系统模型中的融合参数标准进行匹配,获取当前状态下的所述设备的健康度指数,以获得第二标注数据。
6.根据权利要求1所述的方法,其特征在于,采用所述第二标注数据对预测模型进行训练,获得目标预测模型,并通过所述目标预测模型预测设备的剩余使用寿命,包括:
针对不同设备,从服务器下载待训练的预测模型,每种设备至少对应一个预测模型;
采用每种设备对应的第二标注数据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;
从所述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;
针对不同设备,采用与该设备对应的目标预测模型进行预测,以获得该设备的剩余使用寿命。
7.根据权利要求6所述的方法,其特征在于,所述将训练后得到的需要更新的参数数据上传至服务器的过程中,通过加密梯度将需要更新的参数数据上传至所述服务器。
8.一种设备剩余使用寿命的预测装置,其特征在于,包括:
采集数据模块,用于根据设备特点,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;
第一标注模块,用于基于所述实时数据建立决策树模型,获得第一标注数据;
第二标注模块,用于基于所述第一标注数据,建立模糊系统模型,获得第二标注数据;
预测模块,用于采用所述第二标注数据对预测模型进行训练,获得目标预测模型,并通过所述目标预测模型预测设备的剩余使用寿命。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761561.3A CN115577821A (zh) | 2021-07-06 | 2021-07-06 | 一种设备剩余使用寿命的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110761561.3A CN115577821A (zh) | 2021-07-06 | 2021-07-06 | 一种设备剩余使用寿命的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115577821A true CN115577821A (zh) | 2023-01-06 |
Family
ID=84580064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110761561.3A Pending CN115577821A (zh) | 2021-07-06 | 2021-07-06 | 一种设备剩余使用寿命的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115577821A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
-
2021
- 2021-07-06 CN CN202110761561.3A patent/CN115577821A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879914A (zh) * | 2023-02-20 | 2023-03-31 | 苏州慧工云信息科技有限公司 | 设备保养的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110601898B (zh) | 异常预警方法、装置、服务器及存储介质 | |
CN112765560A (zh) | 设备健康状态评估方法、装置、终端设备和存储介质 | |
CN108197251A (zh) | 一种大数据运行维护分析方法、装置及服务器 | |
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 | |
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 | |
CN114139626A (zh) | 一种电力通信故障分析方法、装置、终端设备及介质 | |
CN115577821A (zh) | 一种设备剩余使用寿命的预测方法和装置 | |
CN115169805A (zh) | 一种能耗监测方法和装置 | |
CN116244348A (zh) | 车辆诊断需求数据的处理方法、装置、设备及存储介质 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN116882756B (zh) | 基于区块链的电力安全管控方法 | |
CN113487182A (zh) | 设备健康状态评估方法、装置、计算机设备和介质 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN111832758A (zh) | 基于数字孪生的地铁站台门维保作业方法和装置以及设备 | |
CN114764670A (zh) | 基于联合学习的设备健康评估方法及终端设备 | |
CN116362103A (zh) | 一种设备剩余使用寿命的预测方法及装置 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN113780689B (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
CN113505533A (zh) | 一种设备健康状态预测方法和装置 | |
CN115858502B (zh) | 基于大数据分析的设备管理方法及装置 | |
CN118112356A (zh) | 一种电力设备的故障监测方法、装置、电子设备及存储介质 | |
CN109409907B (zh) | 一种风电机组监控系统产品缺陷智能追溯系统及追溯方法 | |
CN115759512A (zh) | 电网生产成本配置方法、设备、系统及存储介质 | |
CN116384524A (zh) | 一种设备故障检测方法、装置、设备及介质 | |
CN118054565A (zh) | 一种电网状态分析方法、装置、终端设备和存储介质 |
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 |