CN116306240A - 设备健康与寿命预测方法、装置、计算机设备及存储介质 - Google Patents

设备健康与寿命预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116306240A
CN116306240A CN202310086879.5A CN202310086879A CN116306240A CN 116306240 A CN116306240 A CN 116306240A CN 202310086879 A CN202310086879 A CN 202310086879A CN 116306240 A CN116306240 A CN 116306240A
Authority
CN
China
Prior art keywords
prediction
data
model
equipment
prediction model
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
CN202310086879.5A
Other languages
English (en)
Inventor
赵晓峰
聂斐
顾华强
刘宏祥
陈烨
许珂
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.)
Yizhong Jisi Rail Transit Co
Shanghai Electrical Automation D&r Institute Co ltd
Original Assignee
Yizhong Jisi Rail Transit Co
Shanghai Electrical Automation D&r Institute 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 Yizhong Jisi Rail Transit Co, Shanghai Electrical Automation D&r Institute Co ltd filed Critical Yizhong Jisi Rail Transit Co
Priority to CN202310086879.5A priority Critical patent/CN116306240A/zh
Publication of CN116306240A publication Critical patent/CN116306240A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种设备健康与寿命预测方法、装置、计算机设备及存储介质，该方法包括：获取待测设备的第一数据，第一数据为与待测设备的预测指标相关的状态实时数据，预测指标包括设备剩余寿命与设备健康置信度；将第一数据输入预测模型，以输出预测指标的预测结果，预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，管理包括不同类型的设备对应的预测模型的选择以及预测模型的保存与删除，配置包括预测模型的属性设置；记录预测结果并根据预测结果绘制预测指标的趋势图。本申请能够及时纠正模型偏差，主动选择预测效果准确的预测模型，并且预测结果方便用户观察比对。

Description

设备健康与寿命预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及轨道交通技术领域，特别是涉及一种设备健康与寿命预测方法、装置、计算机设备及存储介质。
背景技术
在轨道交通领域中，智能运维工作的高级阶段，是将涉及的机电设备的维护工作从“故障修”转变到“状态修”，主要表现在整个轨道线路的设备监控、资产管理、库存管理、工具管理以及RAMS指标等方面的预防性维修工作上。
其中，状态修是指以设备实际运行状态作为监测目标的预防性维修方式，即通过监测手段获取设备在实际运行中的健康状态，经过统计分析，来判断其是否处于安全的健康置信度，对于超出健康置信度的，按照规定的缺陷恢复时限予以检修。采用状态修的方式能够精准检测设备的健康状态以及使用寿命，有针对性且适时地组织维修工作，既能保证设备安全运行，又能最大限度地减少工作人员的工作量，达到科学管理、经济运行，更好地为轨道交通服务。而传统的机电设备智能运维系统仍处于维护工作的信息化阶段，即：设备实时信息的收集、整理与可视化，具有初步的设备状态预测功能。但是，在具体应用时还有如下问题：状态预测功能未开放与用户的交互，用户无法对预测模型进行统一管理；在运行过程中，如出现模型偏差，用户无法对预测模型进行重置；用户无法针对不同设备来选择不同模型、不同数据源；状态预测功能未提供预测结果的评估方法，也无法保存和删除运行过程中的模型；设备有实时和历史信息的数据曲线，但无法和预测结果数据同时显示。
上述问题容易导致预防性维修只能够停留在数据整合阶段，而其中的状态预测功能很难投入到具体应用中来，也就无法最大化地发挥出降低运维成本的作用。
发明内容
基于此，有必要针对上述技术问题，提供一种由用户统一进行预测模型的选择和管理，并能够在预测的同时对预测模型进行优化，以使预测结果更加准确的设备健康与寿命预测方法、装置、计算机设备及存储介质。
一种设备健康与寿命预测方法，所述方法包括：
获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
在其中一个实施例中，所述将所述第一数据输入预测模型，以输出所述预测指标的预测结果，之后还包括：
获取所述待测设备的第二数据，并将所述第二数据与所述预测结果进行比对，以生成比对结果，所述第二数据为第二次获取的与所述待测设备的预测指标相关的状态实时数据；
将所述比对结果发送至用户处，以供用户判断所述预测结果是否准确，若准确，则将所述预测模型保存入历史模型库，若不准确，则对所述预测模型进行调整。
在其中一个实施例中，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：
统计所述待测设备的第一数据与第二数据，分别绘制成历史数据曲线图以及实时数据曲线图；
将所述预测指标的趋势图、历史数据曲线图与实时数据曲线图对比显示。
在其中一个实施例中，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：
监测预测模型的运行环境，当运行环境出现变化的情况下向用户发送深造请求，以供用户开启预测模型的学习功能，所述学习功能是所述预测模型根据接收到的第一数据进行自我调整的功能；
监测预测模型的预测结果，在预测结果准确且稳定的情况下向用户发送学成请求，以供用户关闭预测模型的学习功能。
在其中一个实施例中，所述属性设置包括机器学习算法、优化算法以及训练参数。
在其中一个实施例中，所述训练参数是用户所设置模型训练的循环次数、窗口大小、批次大小以及学习比率，所述机器学习算法包括用户所设置的卷积神经网络CNN、循环神经网络RNN以及长短时记忆LSTM，所述优化算法包括用户所设置的随机梯度下降SGD、自适应时机估算ADAM以及均方根支柱RMSP。
一种设备健康与寿命预测装置，包括：
采集模块，用于获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
预测模块，用于将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
记录模块，用于记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
在其中一个实施例中，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
在其中一个实施例中，一种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以下步骤:
获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
在其中一个实施例中，一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现以下步骤:
获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
上述设备健康与寿命预测方法、装置、计算机设备及存储介质，获取与待测设备的预测指标设备剩余寿命或设备健康置信度相关的状态实时数据后，将该数据输入预测模型，以使预测模型根据该数据预测得出待测设备可能出现的状态，输出预测结果，最后记录预测结果并绘制成趋势图。本方法中的预测模型可以由用户进行统一的管理、选择以及配置，方便用户进行监督，以及时纠正数据异常情况带来的模型偏差，同时也能够主动选择预测效果更加准确的预测模型，并且每个预测模型对应一种类型的待测设备，预测结果更加准确，并通过将预测结果绘制成图，方便用户进行观察比对。
附图说明
图1为一个实施例的设备健康与寿命预测方法流程图；
图2为另一个实施例的设备健康与寿命预测方法流程图；
图3为再一个实施例的设备健康与寿命预测方法流程图；
图4为又一个实施例的设备健康与寿命预测方法流程图；
图5为一个实施例的预测模型训练界面示意图；
图6为一个实施例的寿命预测界面示意图；
图7为一个实施例的健康置信度界面示意图；
图8为一个实施例的设备健康与寿命预测装置模块；
图9为一个实施例的计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，在一个实施例中，一种设备健康与寿命预测方法，包括以下步骤：
步骤S110，获取待测设备的第一数据，第一数据为与待测设备的预测指标相关的状态实时数据，预测指标包括设备剩余寿命与设备健康置信度。
具体的，接收待测设备发送的与设备剩余寿命和/或设备健康置信度相关的实时状态数据。其中，待测设备发送实时状态数据的频率可以由用户自行设定，取决于不同类型设备的日常检修频率，如发送频率设定为每日一次，则首日的状态实时数据为第一数据，次日的状态实时数据为第二数据，以此类推。
需要说明的是，剩余寿命指的是预测对象在替换或维修之前可以运行的次数或时间，健康置信度是预测对象未来24小时内的健康或故障及其相应的可能性百分比。
步骤S120，将第一数据输入预测模型，以输出预测指标的预测结果，预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，管理包括不同类型的设备对应的预测模型的选择以及预测模型的保存与删除，配置包括预测模型的属性设置。
具体的，每种类型的待测设备都对应着至少一个预测模型，在使用前可对同种类型的预测模型进行评估，选出预测结果最为准确的预测模型，将该预测模型保存至历史模型库并可从中选用任一预测模型。待测设备将默认发送第一数据至所选用的预测模型，用户可根据实际情况的变化重新选用其他预测模型。由于预测模型处于不断接收数据，不断进行预测的状态，如遇异常数据可能会造成模型受损以致预测结果产生较大偏差，在上述情况下用户便可从历史模型库中选择任意一个历史模型，点击使用后历史模型即可转换为当前使用的预测模型，并对受损模型进行删除或重置。通过提供人机交互的途径，由用户根据实际运行情况进行使用、保存、删除，既可以很好地纠正异常情况带来的模型预测偏差，同时也能主动地选择出最优的预测模型。
需要说明的是，预测模型接收第一数据后会进行学习，在学习中转变为持续自我调整、更新的动态模型，并通过计算以及预测，将预测对象的实时状态数据转化为某种语言进行描述，并生成相应的预测结果。其中语言包括：文字语言以及视听语言等。
步骤S130，记录预测结果并根据预测结果绘制预测指标的趋势图。
具体的，根据接收到的第一数据对待测设备的设备剩余寿命或设备健康置信度进行预测后，生成预测结果，记录该预测结果，并通过某种语言对预测结果进行描述，绘制出相应的预测指标趋势图。其中语言包括：文字语言以及视听语言等。
上述设备健康与寿命预测方法，获取与待测设备的预测指标设备剩余寿命或设备健康置信度相关的状态实时数据后，将该数据输入预测模型，以使预测模型根据该数据预测得出待测设备可能出现的状态，输出预测结果，最后记录预测结果并绘制成趋势图。本方法中的预测模型可以由用户进行统一的管理、选择以及配置，方便用户进行监督，以及时纠正数据异常情况带来的模型偏差，同时也能够主动选择预测效果更加准确的预测模型，并且每个预测模型对应一种类型的待测设备，预测结果更加准确，并通过将预测结果绘制成图，方便用户进行观察比对。
如图2所示，在本实施例中，将第一数据输入预测模型，以输出预测指标的预测结果，之后还包括以下步骤：
步骤S210，获取待测设备的第二数据，并将第二数据与预测结果进行比对，以生成比对结果，第二数据为第二次获取的与待测设备的预测指标相关的状态实时数据。
具体的，根据待测设备发送实时状态数据的频率将第一次发送的数据作为第一数据，第二次发送的数据作为第二数据，其中预测模型基于第一数据生成的预测结果应当与第二数据进行比对。
步骤S220，将比对结果发送至用户处，以供用户判断预测结果是否准确，若准确，则将预测模型保存入历史模型库，若不准确，则对预测模型进行调整。
具体的，将对比结果发送至用户后，用户自主判断预测结果的准确度，保存预测效果较为准确的模型，将此预测模型存入历史模型库，其保存频率最高为每天一次；并对预测效果偏差较大的模型进行重置或者删除，当所有模型被删除后，需要进行模型训练重新创建预测模型。
如图3所示，在本实施例中，记录预测结果并根据预测结果绘制预测指标的趋势图，之后还包括以下步骤：
步骤S310，统计待测设备的第一数据与第二数据，分别绘制成历史数据曲线图以及实时数据曲线图。
具体的，将接收到的待测设备的第一数据绘制成历史数据曲线图，将接收到的待测设备的第二数据绘制成实时数据曲线图，方便用户对比观察待测设备状态的变化。
步骤S320，将预测指标的趋势图、历史数据曲线图与实时数据曲线图对比显示。
具体的，如图6与图7所示，将预测指标的趋势图，即预测结果附加在历史数据曲线图与实时数据曲线图处，便于用户进行观察比对，起到监督作用，改善机器学习效果的评价机制，从而促进预测性维护更快地落地实施。
如图4所示，在本实施例中，记录预测结果并根据预测结果绘制预测指标的趋势图，之后还包括以下步骤：
步骤S410，监测预测模型的运行环境，当运行环境出现变化的情况下向用户发送深造请求，以供用户开启预测模型的学习功能，学习功能是预测模型根据接收到的第一数据进行自我调整的功能。
具体的，如当前状态预测系统的运行环境发生变化或系统进行了升级或替换，预测模型需要重新收集状态数据并进行调整，用户可以通过确认状态预测系统发送的深造请求，将预测模型的学习功能开启，以使预测模型重新收集数据。
步骤S420，监测预测模型的预测结果，在预测结果准确且稳定的情况下向用户发送学成请求，以供用户关闭预测模型的学习功能。
具体的，如当前使用的预测模型效果较为准确且长期处于稳定，为防止后续输入数据异常波动导致模型自学习受损，用户可以通过确认状态预测系统发送的学成请求，将预测模型的学习功能关闭。
在本实施例中，属性设置包括机器学习算法、优化算法以及训练参数。
具体的，预测模型训练需由用户确认训练参数，来为不同的设备创建不同的数据源以及预测模型，从而选出预测效果更准确的预测模型；选择的算法需在实验室中经过模拟测试后具有较强的适应性，后续也可根据机器学习领域的研究情况拓展导入新的算法。
如图5所示，在本实施例中，训练参数是用户所设置模型训练的循环次数、窗口大小、批次大小以及学习比率，机器学习算法包括用户所设置的卷积神经网络CNN、循环神经网络RNN以及长短时记忆LSTM，优化算法包括用户所设置的随机梯度下降SGD、自适应时机估算ADAM以及均方根支柱RMSP。
具体的，由用户为预测模型先后选择机器学习算法以及选择优化算法，最后设置训练参数，来为不同的设备创建不同的数据源以及预测模型，从而选出预测效果更准确的预测模型。其中，循环次数是对数据集的使用次数，值越大，训练时间越长，建议不超过10次；窗口大小是每次预测参考的前置数据条数，通常取10～50；批次大小是每次训练使用的窗口数量，取决于运行训练模型的计算机CPU性能和内存容量，每批次大小乘以窗口大小得到的数据长度不超过1GB；学习比率是预测算法内部处理的步进值，越小越好，但值越小，运算量也相应加大，通常取0.0001～0.01。这些参数在使用时尽量不要超出范围太多，以避免训练时间过长和运行机器学习算法的计算机老化过快。
如图8所示，在一个实施例中，一种设备健康与寿命预测装置，包括：
采集模块810，用于获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度。
具体的，接收待测设备发送的与设备剩余寿命和/或设备健康置信度相关的实时状态数据。其中，待测设备发送实时状态数据的频率可以由用户自行设定，取决于不同类型设备的日常检修频率，如发送频率设定为每日一次，则首日的状态实时数据为第一数据，次日的状态实时数据为第二数据，以此类推。
预测模块820，用于将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
具体的，将第一数据输入预测模型，以输出预测指标的预测结果，预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，管理包括不同类型的设备对应的预测模型的选择以及预测模型的保存与删除，配置包括预测模型的属性设置。
记录模块830，用于记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
具体的，根据接收到的第一数据对待测设备的设备剩余寿命或设备健康置信度进行预测后，生成预测结果，记录该预测结果，并通过某种语言对预测结果进行描述，绘制出相应的预测指标趋势图。其中语言包括：文字语言以及视听语言等。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是智能终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备健康与寿命预测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，一种计算机存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种设备健康与寿命预测方法，其特征在于，所述方法包括：
获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
2.根据权利要求1所述的设备健康与寿命预测方法，其特征在于，所述将所述第一数据输入预测模型，以输出所述预测指标的预测结果，之后还包括：
获取所述待测设备的第二数据，并将所述第二数据与所述预测结果进行比对，以生成比对结果，所述第二数据为第二次获取的与所述待测设备的预测指标相关的状态实时数据；
将所述比对结果发送至用户处，以供用户判断所述预测结果是否准确，若准确，则将所述预测模型保存入历史模型库，若不准确，则对所述预测模型进行调整。
3.根据权利要求2所述的设备健康与寿命预测方法，其特征在于，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：
统计所述待测设备的第一数据与第二数据，分别绘制成历史数据曲线图以及实时数据曲线图；
将所述预测指标的趋势图、历史数据曲线图与实时数据曲线图对比显示。
4.根据权利要求1所述的设备健康与寿命预测方法，其特征在于，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：
监测预测模型的运行环境，当运行环境出现变化的情况下向用户发送深造请求，以供用户开启预测模型的学习功能，所述学习功能是所述预测模型根据接收到的第一数据进行自我调整的功能；
监测预测模型的预测结果，在预测结果准确且稳定的情况下向用户发送学成请求，以供用户关闭预测模型的学习功能。
5.根据权利要求1至4中任意一项所述的设备健康与寿命预测方法，其特征在于，所述属性设置包括机器学习算法、优化算法以及训练参数。
6.根据权利要求5所述的设备健康与寿命预测方法，其特征在于，所述训练参数是用户所设置模型训练的循环次数、窗口大小、批次大小以及学习比率，所述机器学习算法包括用户所设置的卷积神经网络CNN、循环神经网络RNN以及长短时记忆LSTM，所述优化算法包括用户所设置的随机梯度下降SGD、自适应时机估算ADAM以及均方根支柱RMSP。
7.一种设备健康与寿命预测装置，其特征在于，包括：
采集模块，用于获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
预测模块，用于将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
记录模块，用于记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的方法的步骤。
CN202310086879.5A 2023-01-19 2023-01-19 设备健康与寿命预测方法、装置、计算机设备及存储介质 Pending CN116306240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310086879.5A CN116306240A (zh) 2023-01-19 2023-01-19 设备健康与寿命预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310086879.5A CN116306240A (zh) 2023-01-19 2023-01-19 设备健康与寿命预测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116306240A true CN116306240A (zh) 2023-06-23

Family

ID=86796864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310086879.5A Pending CN116306240A (zh) 2023-01-19 2023-01-19 设备健康与寿命预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116306240A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077873A (zh) * 2023-10-18 2023-11-17 金现代信息产业股份有限公司 一种工器具报废预测方法、系统、设备及介质
CN117077873B (zh) * 2023-10-18 2024-06-04 金现代信息产业股份有限公司 一种工器具报废预测方法、系统、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077873A (zh) * 2023-10-18 2023-11-17 金现代信息产业股份有限公司 一种工器具报废预测方法、系统、设备及介质
CN117077873B (zh) * 2023-10-18 2024-06-04 金现代信息产业股份有限公司 一种工器具报废预测方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN111210024B (zh) 模型训练方法、装置、计算机设备和存储介质
US11288577B2 (en) Deep long short term memory network for estimation of remaining useful life of the components
JP7082461B2 (ja) 故障予知方法、故障予知装置および故障予知プログラム
CN108153603B (zh) 数据库服务器故障处理方法、装置和存储介质
CN111262750B (zh) 一种用于评估基线模型的方法及系统
CN109471698B (zh) 云环境下虚拟机异常行为检测系统和方法
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN113760670A (zh) 电缆接头异常预警方法、装置、电子设备和存储介质
CN113312244A (zh) 一种故障监测方法、设备、程序产品及存储介质
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
CN111881023A (zh) 一种基于多模型对比的软件老化预测方法及装置
CN113342588B (zh) 基于动态调整负荷对服务器进行压力测试的方法和装置
CN113123955B (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN116306240A (zh) 设备健康与寿命预测方法、装置、计算机设备及存储介质
US20230034061A1 (en) Method for managing proper operation of base station and system applying the method
US20230022100A1 (en) Prognostic and health management system for system management and method thereof
CN115018220A (zh) 一种基于知识图谱的家电故障预测方法和系统
CN112966785B (zh) 一种智能化星座状态识别方法和系统
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
CN113808727A (zh) 设备监控方法、装置、计算机设备和可读存储介质
KR102311857B1 (ko) 가스터빈 예열시간 예측 시스템
JP2023009625A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN115526348A (zh) 设备维护计划生成方法、装置、设备及存储介质
CN116451786A (zh) 一种基于单变量时序数据生成知识点的方法
CN117829334A (zh) 一种区域综合能源系统态势感知方法、系统、设备及介质

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