CN116993326A - 一种智能化设备全生命周期监控方法及系统 - Google Patents
一种智能化设备全生命周期监控方法及系统 Download PDFInfo
- Publication number
- CN116993326A CN116993326A CN202311036205.0A CN202311036205A CN116993326A CN 116993326 A CN116993326 A CN 116993326A CN 202311036205 A CN202311036205 A CN 202311036205A CN 116993326 A CN116993326 A CN 116993326A
- Authority
- CN
- China
- Prior art keywords
- sub
- information
- intelligent equipment
- loss
- life cycle
- 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 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims description 50
- 230000001186 cumulative effect Effects 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 21
- 230000035772 mutation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 50
- 230000008569 process Effects 0.000 description 17
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 238000013480 data collection Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/20—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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本说明书实施例公开了一种智能化设备全生命周期监控方法及系统,涉及全生命周期监控技术领域。其中,该方法包括:获取智能化设备在使用阶段的使用信息,所述使用信息包括所述智能化设备在所述使用阶段内的工作日志和故障信息;基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息基于所述智能化设备在不同工作状态下的子损耗信息计算得到;将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长;基于所述预测使用时长,得到所述智能化设备对应的生命周期监控数据。
Description
技术领域
本申请涉及全生命周期监控技术领域,具体而言,涉及一种智能化设备全生命周期监控方法及系统。
背景技术
“全生命周期”是指一个产品或系统从初始设计、开发、生产,到使用、维护,最后到退役和处置的所有阶段。对于智能化设备(例如智能家居设备、智能制造设备等)而言,通常可以利用其智能化配置(例如传感器件等)在使用和维护阶段实现使用寿命预测,但是,由于设备使用寿命会受多方面因素的影响,因此,目前很难对设备的使用寿命进行准确的预估。
基于此,有必要研究一种科学合理的全生命周期监控方法及系统,以对智能化设备的全生命周期进行准确的监控。
发明内容
本说明书实施例的一个方面提供一种智能化设备全生命周期监控方法,该方法包括:获取智能化设备在使用阶段的使用信息,其中,所述使用信息包括所述智能化设备在所述使用阶段内的工作日志和故障信息;基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息基于所述智能化设备在不同工作状态下的子损耗信息计算得到;将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长;基于所述预测使用时长,得到所述智能化设备对应的生命周期监控数据。
在一些实施例中,所述基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,包括:确定所述智能化设备在所述使用阶段内对应的工作状态;根据所述工作状态对所述使用阶段进行分段处理,获得所述智能化设备所对应的一个或多个子使用阶段;根据所述子使用阶段对应的子工作日志或子故障信息,确定所述智能化设备在不同子使用阶段中对应的子损耗信息;基于所述智能化设备在不同子使用阶段中的子损耗信息,得到所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息用于表征所述智能化设备的累计损坏程度。
在一些实施例中,所述确定所述智能化设备在所述使用阶段内对应的工作状态,包括:基于所述工作日志得到所述智能化设备的工作参数序列;确定所述工作参数序列中的突变点,并在所述突变点满足预设条件时将所述突变点作为所述智能化设备的工作状态的变换点。
在一些实施例中,所述根据所述子使用阶段对应的子工作日志或子故障信息,确定所述智能化设备在不同子使用阶段中对应的子损耗信息,包括:根据所述子故障信息得到第一损耗指数,或根据所述子工作日志和预设的参考工作参数确定第二损耗指数;基于所述第一损耗指数或第二损耗指数,以及所述子使用阶段对应的时长,得到所述子使用阶段对应的子损耗信息。
在一些实施例中,所述子故障信息包含所述智能化设备的当前故障类型和历史故障记录,所述根据所述子故障信息得到第一损耗指数,包括:计算所述当前故障类型和所述历史故障记录之间的关联度,基于所述当前故障类型和所述关联度确定所述第一损耗指数;所述根据所述子工作日志和预设的参考工作参数确定第二损耗指数,包括:根据所述子工作日志获得所述智能化设备在当前子使用阶段中的实际工作参数;通过LOF算法确定所述实际工作参数对应的异常指数,并计算所述实际工作参数与所述参考工作参数之间的DTW距离;基于所述异常指数和所述DTW距离得到所述第二损耗指数。
在一些实施例中,所述根据所述子故障信息得到第一损耗指数,还包括:
根据前一个子使用阶段的最终状态和当前子使用阶段相关的维修登记记录,判断当前子使用阶段为故障状态或非工作状态;若判定当前子使用阶段为非工作状态,将所述第一损耗指数置为0;若判定当前子使用阶段为故障状态,则基于所述当前故障类型和所述关联度确定所述第一损耗指数。
在一些实施例中,所述智能化设备在所述使用阶段内的损耗信息基于如下公式计算:
其中,L为所述智能化设备在所述使用阶段内的累计损耗信息,n为所述使用阶段内所包含的子使用阶段的总数,fi表示第i个子使用阶段所对应的第一损耗指数或第二损耗指数,ti表示第i个子使用阶段所对应的时长,norm表示归一化处理函数。
在一些实施例中,所述基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,包括:确定所述智能化设备对应的预设累计损耗信息阈值;在所述智能化设备的所述累计损耗信息满足所述预设累计损耗信息阈值时,获取所述智能化设备的维修信息,并基于所述维修信息对所述累计损耗信息进行校正。
在一些实施例中,在将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长之后,所述方法还包括:基于所述智能化设备的所述预测使用时长,确定对所述智能化设备进行下一次生命周期预测的预计时间,并确定所述智能化设备在所述下一次生命周期预测时对应的目标损耗信息和目标预测使用时长。
本说明书实施例的另一个方面还提供一种智能化设备全生命周期监控系统,该系统包括:获取模块,用于获取智能化设备在使用阶段的使用信息,其中,所述使用信息包括所述智能化设备在所述使用阶段内的工作日志和故障信息;累计损耗信息确定模块,用于基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息基于所述智能化设备在不同工作状态下的子损耗信息计算得到;预测模块,用于将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长;生命周期监控数据生成模块,用于基于所述预测使用时长,得到所述智能化设备对应的生命周期监控数据。
本说明书实施例所提供的智能化设备全生命周期监控方法及系统可能带来的有益效果至少包括:(1)通过工作状态对使用阶段进行划分,并基于划分结果确认不同工作状态下的子损耗信息,能够明确不同工作状态对于智能化设备的损耗情况的影响,为后续准确预测智能化设备的预测使用时长提供了更为精准的预测依据,提高了智能化设备的生命周期监控数据的可靠性;(2)通过在累计损耗信息小于预设累计损耗信息阈值时,直接使用该累计损耗信息进行后续计算,可以得到更为保守的使用时长预测结果,并且可以简化对应的数据处理过程,在累计损耗信息大于或等于预设累计损耗信息阈值时,获取智能化设备的维修信息,并基于该维修信息对前述累计损耗信息进行校正,可以给用户展示更为准确的使用时长预测结果;(3)通过智能化设备的预测使用时长,能够根据实际情况灵活确定下一次生命周期预测的时间,一方面,可以避免在预测使用时长较长的情况下,短期内需要对智能化设备进行不必要的生命周期预测,另一方面,可以避免在预测使用时长较短的情况下,由于生命周期预测间隔较长,从而无法及时监控智能化设备的风险,从而提高了智能化设备的生命周期监控数据的可靠性。
附加的特征将在下面的描述中部分地阐述。对于本领域技术人员来说,通过查阅以下内容和附图将变得显而易见,或者可以通过实例的产生或操作来了解。本说明书的特征可以通过实践或使用以下详细实例中阐述的方法、工具和组合的各个方面来实现和获得。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的智能化设备全生命周期监控系统的示例性应用场景示意图;
图2是根据本说明书的一些实施例所示的智能化设备全生命周期监控系统的示例性模块图;
图3是根据本说明书一些实施例所示的智能化设备全生命周期监控方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
设备全生命周期监控包括产品从初始设计、开发、生产,到使用、维护,最后到退役和处置的所有阶段的相关数据管理。在本说明书实施例中,主要针对设备在使用阶段使用寿命预测结果不准确的问题进行改进和优化,以提供一种更加科学合理的全生命周期监控方法,对智能化设备的全生命周期进行更为准确的监控。下面结合附图对本说明书实施例提供的智能化设备全生命周期监控方法及系统进行详细说明。
图1是根据本说明书一些实施例所示的智能化设备全生命周期监控系统的示例性应用场景示意图。
参照图1,在一些实施例中,智能化设备全生命周期监控系统的应用场景100可以包括数据采集装置110、存储设备120、处理设备130、终端设备140以及网络150。应用场景100中的各个部件可以以多种方式相连接。例如,数据采集装置110可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。又例如,存储设备120可以与处理设备130直接连接或通过网络150连接。又例如,终端设备140可以与存储设备120和/或处理设备130通过网络150连接,也可以与存储设备120和/或处理设备130直接连接。
数据采集装置110可以用于获取智能化设备相关的工作参数,例如工作电压、工作电流、工作温度、环境温度、环境湿度、工作时间等,示例性的智能化设备包括智能家居设备、智能制造设备等。在一些实施例中,数据采集装置110可以包括电压传感器、电流传感器、温度传感器、湿度传感器、计时器等。在一些实施例中,该数据采集装置110可以按照设定的数据采集频率对智能化设备进行数据采集(例如,每隔1秒采集一次),并根据数据采集时间对采集得到的各种数据进行排列,得到智能化设备在使用阶段内的工作日志。在一些实施例中,数据采集装置110可以具有独立的电源,其可以通过有线或无线(例如蓝牙、WiFi等)的方式将采集的数据发送给应用场景100中的其他部件(例如,存储设备120、处理设备130、终端设备140)。
在一些实施例中,数据采集装置110可以通过网络150将其采集的数据发送至存储设备120、处理设备130、终端设备140等。在一些实施例中,可以通过处理设备130对数据采集装置110所采集的数据进行处理。例如,处理设备130可以基于该数据确定智能化设备的预测使用时长。在一些实施例中,该智能化设备的预测使用时长可以发送至存储设备120进行记录,或者发送至终端设备140以反馈给用户(例如设备管理人员)。
网络150可以促进信息和/或数据的交换。网络150可以包括能够促进应用场景100的信息和/或数据交换的任何合适的网络。在一些实施例中,应用场景100的至少一个组件(例如,数据采集装置110、存储设备120、处理设备130、终端设备140)可以通过网络150与应用场景100中至少一个其他组件交换信息和/或数据。例如,处理设备130可以通过网络150从数据采集装置110和/或存储设备120获得针对智能化设备采集的数据(例如前述工作日志)。又例如,处理设备130可以通过网络150从终端设备140获得用户操作指令,示例性的操作指令可以包括但不限于调阅数据采集装置110采集的数据,读取基于该数据确定的智能化设备的预测使用时长等。
在一些实施例中,网络150可以为任意形式的有线或无线网络,或其任意组合。仅作为示例,网络150可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或其任意组合。在一些实施例中,网络150可以包括至少一个网络接入点,应用场景100的至少一个组件可以通过接入点连接到网络150以交换数据和/或信息。
存储设备120可以储存数据、指令和/或任何其他信息。在一些实施例中,存储设备120可以存储从数据采集装置110、处理设备130和/或终端设备140获得的数据。例如,存储设备120可以存储数据采集装置110采集的数据;又例如,存储设备120可以存储处理设备130计算得到的智能化设备的预测使用时长。在一些实施例中,存储设备120可以存储处理设备130用来执行或使用来完成本说明书中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备120可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。在一些实施例中,存储设备120可以在云平台上实现。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中,存储设备120可以连接到网络150以与应用场景100中的至少一个其他组件(例如,数据采集装置110、处理设备130、终端设备140)通信。应用场景100中的至少一个组件可以通过网络150访问存储设备120中存储的数据、指令或其他信息。在一些实施例中,存储设备120可以与应用场景100中的一个或以上组件(例如,数据采集装置110、终端设备140)直接连接或通信。在一些实施例中,存储设备120可以是数据采集装置110和/或处理设备130的一部分。
处理设备130可以处理从数据采集装置110、存储设备120、终端设备140和/或应用场景100的其他组件获得数据和/或信息。在一些实施例中,处理设备130可以从数据采集装置110、存储设备120或终端设备140中任意一个或多个获得与智能化设备相关的数据,并通过对该数据进行处理以确定智能化设备的预测使用时长。在一些实施例中,处理设备130可以从存储设备120获取预先存储的计算机指令,并执行该计算机指令以实现本说明书所描述的智能化设备全生命周期监控方法。
在一些实施例中,处理设备130可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备130可以是本地或远程的。例如,处理设备130可以通过网络150从数据采集装置110、存储设备120和/或终端设备140访问信息和/或数据。又例如,处理设备130可以直接连接到数据采集装置110、存储设备120和/或终端设备140以访问信息和/或数据。在一些实施例中,处理设备130可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
终端设备140可以接收、发送和/或显示数据。所述接收的数据可以包括数据采集装置110采集的数据、存储设备120存储的数据、处理设备130处理得到的智能化设备的预测使用时长等。所述发送的数据可以包括用户(例如设备管理人员)的输入数据和指令等。例如,终端设备140可以将用户输入的操作指令通过网络150发送给数据采集装置110,以控制数据采集装置110进行相应的数据采集。又例如,终端设备140可以将用户输入的评估指令通过网络150发送给处理设备130。
在一些实施例中,终端设备140可以包括移动设备141、平板计算机142、膝上型计算机143等或其任意组合。例如,移动设备141可以包括移动电话、个人数字助理(PDA)、专用移动终端等或其任意组合。在一些实施例中,终端设备140可以包括输入设备(如键盘、触摸屏)、输出设备(如显示器、扬声器)等。在一些实施例中,处理设备130可以是终端设备140的一部分。
应当注意的是,上述有关应用场景100的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对应用场景100进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,数据采集装置110的可以包括更多或更少的功能组件。
图2是根据本说明书一些实施例所示的智能化设备全生命周期监控系统的模块示意图。在一些实施例中,图2所示的智能化设备全生命周期监控系统200可以以软件和/或硬件的方式应用到图1所示的应用场景100,例如,可以以软件和/或硬件的形式配置到处理设备130和/或终端设备140,以用于对数据采集装置110所采集的数据进行处理,并基于该数据确定智能化设备的预测使用时长。
参照图2,在一些实施例中,智能化设备全生命周期监控系统200可以包括获取模块210、累计损耗信息确定模块220、预测模块230以及生命周期监控数据生成模块240。
获取模块210可以用于获取智能化设备在使用阶段的使用信息,其中,所述使用信息包括所述智能化设备在所述使用阶段内的工作日志和故障信息。
累计损耗信息确定模块220可以用于基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息基于所述智能化设备在不同工作状态下的子损耗信息计算得到。
预测模块230可以用于将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长。
生命周期监控数据生成模块240可以用于基于所述预测使用时长,得到所述智能化设备对应的生命周期监控数据。
关于上述各个模块的更多细节可以参照本说明书的其他位置(例如图3部分及其相关描述),此处不再赘述。
应当理解,图2所示的智能化设备全生命周期监控系统200及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法及系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,上述关于智能化设备全生命周期监控系统200的描述仅出于说明性目的而提供,并不旨在限制本说明书的范围。可以理解,对于本领域的技术人员来说,可以根据本说明书的描述,在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,图2中所述的获取模块210、累计损耗信息确定模块220、预测模块230以及生命周期监控数据生成模块240可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。诸如此类的变形,均在本说明书的保护范围之内。在一些实施例中,前述各个模块可以是处理设备130和/或终端设备140的一部分。
图3是根据本说明书一些实施例所示的智能化设备全生命周期监控方法的示例性流程图。在一些实施例中,方法300可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。在一些实施例中,图3所示的智能化设备全生命周期监控方法300的流程图中的一个或多个操作可以通过图1所示的处理设备130和/或终端设备140实现。例如,方法300可以以指令的形式存储在存储设备120中,并由处理设备130和/或终端设备140调用和/或执行。下文以处理设备130为例描述方法300的执行过程。
参照图3,在一些实施例中,智能化设备全生命周期监控方法300可以包括:
步骤310,获取智能化设备在使用阶段的使用信息,其中,所述使用信息包括所述智能化设备在所述使用阶段内的工作日志和故障信息。在一些实施例中,步骤310可以由获取模块210执行。
获取智能化设备在使用阶段的使用信息可以用于反映其在使用过程中的损耗程度,而该损耗程度可以影响智能化设备的使用寿命或时长,基于此,在本说明书的一些实施例中,可以获取智能化设备在使用阶段的使用信息以用于计算该智能化设备的预测使用时长。在一些实施例中,该使用阶段可以指本次生命周期预测与上一次生命周期预测之间的时间段,具体而言,即在一些实施例中,可以基于上一次生命周期预测得到的结果以及上一次生命周期预测与本次生命周期预测之间的时间段内的使用信息对智能化设备的使用寿命或时长进行预测。
在一些实施例中,前述使用信息可以包括智能化设备在使用阶段内的工作日志和故障信息。其中,工作日志可以记录和反映智能化设备在使用过程中的工作参数,故障信息可以记录和反映智能化设备在使用过程中的故障情况。需要指出的是,在本说明书实施例中,该故障信息可以包括该智能化设备在使用过程中由于工作参数异常而自动生成的故障代码和/或由人工检测或维修后输入系统进行记录以便于产品追溯的相关信息。在一些实施例中,智能化设备在使用阶段的使用信息可以只包括其在使用阶段内的工作日志,换言之,即在一些实施例中,该故障信息可以为空,表示该智能化设备目前暂无相关故障信息。
在一些实施例中,可以将前述数据采集装置110针对智能化设备采集的工作电压、工作电流、工作温度、环境温度、环境湿度、工作时间等数据按照采集时间进行排列,得到智能化设备在使用阶段内的工作日志。类似的,可以根据数据生成时间或输入时间将系统生成的故障代码或人工输入的相关信息进行排列,得到智能化设备在使用阶段内的故障信息。
在一些实施例中,数据采集装置110针对智能化设备采集的工作电压、工作电流、工作温度、环境温度、环境湿度、工作时间等数据可以存储在存储设备120中,获取模块210可以从存储设备120获取针对智能化设备采集的数据。在一些实施例中,该获取模块210可以与数据采集装置110通信连接,获取模块210可以直接从数据采集装置110获取针对智能化设备采集的数据。
步骤320,基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息基于所述智能化设备在不同工作状态下的子损耗信息计算得到。在一些实施例中,步骤320可以由累计损耗信息确定模块220执行。
在一些实施例中,累计损耗信息确定模块220可以根据前述工作日志确定智能化设备在使用阶段内对应的工作状态,例如高负荷状态、低负荷状态、正常工作状态、静止状态等。其中,静止状态可以指智能化设备处于非工作状态,当智能化设备处于静止状态时,可以表示智能化设备当前为故障状态或非工作状态(即闲置状态)。
由于智能化设备在不同工作状态下所对应的损耗速度会有所不同,基于此,在一些实施例中,为了更准确地确定智能化设备在使用阶段中的损耗信息,累计损耗信息确定模块220可以根据智能化设备的工作状态对前述使用阶段进行分段处理,获得智能化设备所对应的一个或多个子使用阶段。示例性地,在一些实施例中,累计损耗信息确定模块220可以基于前述工作日志得到智能化设备的工作参数序列,然后,确定出该工作参数序列中的突变点,并在该突变点满足预设条件时将其作为智能化设备的工作状态的变换点。
举例而言,在一些实施例中,可以使用突变点检测算法确定出该工作参数序列中的突变点,示例性的突变点检测算法包括Bernaola Galvan分割算法(简称BG分割算法)、分段线性回归(Piecewise Linear Regression)算法、移动平均(Moving Average,MA)算法、离群点检测算法等。假设突变点A相较于其前一个数据点O的突变率大于阈值k(k可以设定为25%),且突变点A之后的连续两个数据点B、C相较于该数据点O的突变率也大于该阈值k,则可以将突变点A作为智能化设备的工作状态的变换点,表示该智能化设备在突变点A所对应的时刻发生的工作状态变化。
通过上述方式可以确定出智能化设备在使用阶段的一个或多个工作状态,通过将每一种工作状态划分为智能化设备的一个子使用阶段,并基于此对前述使用阶段进行分段,即可获得智能化设备所对应的一个或多个子使用阶段。需要指出的是,在本说明书实施例中,通过工作状态对使用阶段进行划分,并基于划分结果确认不同工作状态下的子损耗信息,能够明确不同工作状态对于智能化设备的损耗情况的影响,为后续准确预测智能化设备的预测使用时长提供了更为精准的预测依据,提高了智能化设备的生命周期监控数据的可靠性。
进一步地,累计损耗信息确定模块220可以根据每一个子使用阶段对应的子工作日志或子故障信息,确定智能化设备在不同子使用阶段中对应的子损耗信息。在一些实施例中,对于每一个子使用阶段,可以根据其对应的子故障信息得到第一损耗指数,或者根据其对应的子工作日志和预设的参考工作参数确定第二损耗指数。
其中,对于处于静止状态的子使用阶段,可以根据前一个子使用阶段的最终状态和当前子使用阶段相关的维修登记记录,判断当前子使用阶段为故障状态或非工作状态。具体而言,即当前一个子使用阶段的最终状态存在异常,且系统内存在当前子使用阶段相关的维修登记记录时,则表明智能化设备在当前子使用阶段处于故障状态。反之,当前一个子使用阶段的最终状态不存在异常,且系统内不存在当前子使用阶段相关的维修登记记录时,则表明智能化设备在当前子使用阶段处于非工作状态(即闲置状态)。若当前子使用阶段对应于非工作状态,可以将第一损耗指数置为0;若当前子使用阶段对应于故障状态,则可以基于当前故障类型以及当前故障类型与历史故障记录之间的关联度确定第一损耗指数。在一些实施例中,该第一损耗指数与当前故障类型所对应的复杂程度以及当前故障类型与历史故障记录之间的关联度呈正相关,换言之,即当前故障类型所对应的复杂程度越高,表明智能化设备的损耗程度越严重,第一损耗指数的值可以越大。类似地,当前故障类型与历史故障记录之间的关联度越高,则表明该智能化设备可能存在某些设计缺陷从而导致在某些特定部位容易出现故障,其出现相同或类似故障的几率越大,后续使用时长相应地也就越短,因此,第一损耗指数的值也就越大。
对于处于非静止状态的子使用阶段,可以根据前述子工作日志获得智能化设备在当前子使用阶段中的实际工作参数;然后通过LOF算法确定该实际工作参数对应的异常指数,并计算该实际工作参数与参考工作参数之间的DTW(Dynamic Time Warping,动态时间规整)距离;最后基于该异常指数和DTW距离得到第二损耗指数。在一些实施例中,第二损耗指数可以与前述异常指数和前述DTW距离呈正相关。其中,该异常指数可以反映该实际工作参数的稳定性,该异常指数越大,则表示智能化设备在当前子使用阶段的实际工作参数越不稳定,对该智能化设备的损耗程度也就越大。类似地,该DTW距离可以反映出智能化设备在当前子使用阶段的实际工作参数与参考工作参数之间的差异,其中,参考工作参数可以指该智能化设备在常规工作状态下所对应的工作参数,该DTW距离越大,则表示智能化设备在当前子使用阶段的实际工作参数越异常,对该智能化设备的损耗程度也就越大。
在一些实施例中,考虑到不同工作参数异常对于智能化设备的损耗程度可能不同,因此,为了更准确地计算该第二损耗指数,可以在计算该DTW距离的过程中引入每一项工作参数所对应的权重。需要指出的是,在计算该DTW距离的过程中,与智能化设备的损耗程度关联性越强则对应的权重值越大。在一些实施例中,前述实际工作参数与参考工作参数之间的DTW距离可以指子使用阶段中的实际工作参数的平均值与该参考工作参数之间的DTW距离。
在确定出每一个子使用阶段对应的第一损耗指数或第二损耗指数之后,则可以基于该子使用阶段对应的时长以及该第一损耗指数或第二损耗指数,计算得到每一个子使用阶段对应的子损耗信息。示例性地,在一些实施例中,该子损耗信息可以基于该子使用阶段对应的时长与该第一损耗指数或第二损耗指数的乘积得到。
最后,累计损耗信息确定模块220可以基于智能化设备在不同子使用阶段中的子损耗信息,得到其在所述使用阶段内的累计损耗信息。示例性地,在一些实施例中,智能化设备在使用阶段内的损耗信息可以基于如下公式计算:
其中,L为智能化设备在使用阶段内的累计损耗信息,n为使用阶段内所包含的子使用阶段的总数,fi表示第i个子使用阶段所对应的第一损耗指数或第二损耗指数,ti表示第i个子使用阶段所对应的时长,norm表示归一化处理函数。
需要指出的是,在本说明书中,该累计损耗信息可以用于表征智能化设备的累计损坏程度,累计损耗程度越高,则表示智能化设备的磨损程度或消耗程度越大,剩余使用时长越短。
在一些实施例中,考虑到对于出现过故障但经历过维修的智能化设备而言,若通过前述方式进行损耗信息计算,则计算结果会偏高,从而导致后续预测使用时长偏小。基于此,在一些实施例中,可以确定智能化设备对应的预设累计损耗信息阈值,在前述方式计算得到的累计损耗信息满足该预设累计损耗信息阈值时,则获取对应智能化设备的维修信息,并基于该维修信息对前述累计损耗信息进行校正。例如,在一些实施例中,可以根据维修过程中所更换的配件的平均使用寿命和其他原始配件的平均使用寿命来确定出较小值,并根据该较小值所对应的配件的当前使用时长与平均使用寿命的比值来确定校准损耗信息。进一步地,累计损耗信息确定模块220可以将该校准损耗信息与前述过程计算得到的累计损耗信息进行均值计算,并将计算得到的均值作为校正后的累计损耗信息。
示例性地,在一些实施例中,前述预设累计损耗信息阈值可以为50%,具体而言,即当通过前述公式计算得到的累计损耗信息L小于50%时,则直接使用该累计损耗信息进行后续计算,当通过前述公式计算得到的累计损耗信息L大于或等于50%时,则获取智能化设备的维修信息,并基于该维修信息对前述过程计算得到的累计损耗信息进行校正。
需要说明的是,在本说明书实施例中,在前述公式计算得到的累计损耗信息L小于50%时,直接使用该累计损耗信息进行后续计算,可以得到更为保守的使用时长预测结果,并且可以简化对应的数据处理过程。而当前述公式计算得到的累计损耗信息L大于或等于50%时,获取智能化设备的维修信息,并基于该维修信息对前述过程计算得到的累计损耗信息进行校正,则可以给用户展示更为准确的使用时长预测结果。
步骤330,将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长。在一些实施例中,步骤330可以由预测模块230执行。
其中,预先训练好的生命周期预测模型可以是对寿命预测过程所涉及的公式抽象化得到的数学模型,也可以是以样本智能化设备的工作日志、故障信息、累计损耗信息以及实际使用寿命作为训练集,多次迭代训练得到的深度学习模型。通过该预先训练好的生命周期预测模型,可以预测智能化设备的预测使用时长。
具体地,在一些实施例中,可以将智能化设备的工作日志、故障信息以及通过上述步骤计算得到的累计损耗信息输入至预先训练好的生命周期预测模型中,通过该预先训练好的生命周期预测模型,对智能化设备进行生命周期预测,从而得到该智能化设备的预测使用时长。
需要说明的是,以样本智能化设备的工作日志、故障信息、累计损耗信息以及实际使用寿命作为训练集,得到预先训练好的生命周期预测模型的过程如下:首先,基于样本智能化设备在样本使用阶段内的样本工作日志和样本故障信息计算对应的样本累计损耗信息,然后将该样本工作日志、样本故障信息、样本累计损耗信息以及样本智能化设备的实际使用寿命输入至待训练的生命周期预测模型中,得到样本智能化设备在样本使用阶段之后的预测使用时长预测结果;进一步地,通过损失函数,计算样本智能化设备在样本使用阶段之后的实际剩余使用时长与预测使用时长预测结果之间的损失值,并根据损失值调整待训练的生命周期预测模型的训练参数,从而对待训练的生命周期预测模型进行迭代训练,直到对应的损失值小于预设阈值时完成生命周期预测模型的训练,并将训练完成的生命周期预测模型作为前述预先训练好的生命周期预测模型。
步骤340,基于所述预测使用时长,得到所述智能化设备对应的生命周期监控数据。在一些实施例中,步骤340可以由生命周期监控数据生成模块240执行。
在本说明书实施例中,前述预测使用时长可以指智能化设备的电池续航时长或智能化设备的使用寿命。例如,对于蓄电池供电的智能化设备而言,该预测使用时长既可以指智能化设备的电池续航时长,也可以指智能化设备的使用寿命;对于非蓄电池供电的智能化设备而言,则该预测使用时长可以指智能化设备的使用寿命。
可以理解,通过前述步骤可以得到智能化设备的预测使用时长,通过对该预测使用时长进行记录、汇总或其他统计相关的计算,即可得到生命周期监控数据中的使用寿命监控数据。
进一步地,在一些实施例中,还可以基于前述过程计算得到的预测使用时长,确定对该智能化设备进行下一次生命周期预测的预计时间,并确定该智能化设备在下一次生命周期预测时对应的目标损耗信息和目标预测使用时长。其中,该目标损耗信息和目标预测使用时长可以根据历史计算数据得到。例如,在一些实施例中,可以根据该损耗信息在历史过程中的平均增长速度确定下一次生命周期预测时所对应的目标损耗信息,类似地,可以根据该预测使用时长在历史过程中的平均衰减速度确定下一次生命周期预测时所对应的目标预测使用时长。
示例性地,在一些实施例中,可以以前述预测使用时长的五分之一作为生命周期预测时间间隔,确定下一次生命周期预测的时间,并在时间到达该时间点时,确认智能化设备在此期间(此次生命周期预测与下一次生命周期预测之间的时间段)的损耗情况和/或损耗快慢情况。
举例说明,假设生命周期预测间隔默认为10天,而智能化设备的预测使用时长为5个月,那么可以将下一次生命周期预测的时间调整为1个月以后,以减少对智能化设备的生命周期预测频次;然后在1个月以后,确认智能化设备在这1个月内的使用信息,基于该使用信息确定这1个月内的损耗信息,基于该损耗信息确定当前预测使用时长,并判断该损耗信息与当前预测使用时长相较于前述目标损耗信息和目标预测使用时长的大小关系。若该损耗信息大于目标损耗信息,当前预测使用时长小于目标预测使用时长,则表示该智能化设备在这1个月内的损耗速度大于平均历史损耗速度。
需要说明的是,以上关于生命周期预测的时间间隔仅为举例说明,在一些其他的实施例中,该时间间隔可以为其他数值,例如,可以为1分钟、2分钟、5分钟、2小时、5小时、8小时、1天、2天、5天等。在一些实施例中,可以以前述预测使用时长的1/10作为下一次生命周期预测的时间间隔;在一些实施例中,可以以前述预测使用时长的1/20作为下一次生命周期预测的时间间隔。
在本说明书实施例中,通过智能化设备的预测使用时长,能够根据实际情况灵活确定下一次生命周期预测的时间,一方面,可以避免在预测使用时长较长的情况下,短期内需要对智能化设备进行不必要的生命周期预测;另一方面,可以避免在预测使用时长较短的情况下,由于生命周期预测间隔较长,从而无法及时监控智能化设备的风险,从而提高了智能化设备的生命周期监控数据的可靠性。
综上所述,本说明书实施例可能带来的有益效果包括但不限于:(1)在本说明书一些实施例所提供的智能化设备全生命周期监控方法及系统中,通过工作状态对使用阶段进行划分,并基于划分结果确认不同工作状态下的子损耗信息,能够明确不同工作状态对于智能化设备的损耗情况的影响,为后续准确预测智能化设备的预测使用时长提供了更为精准的预测依据,提高了智能化设备的生命周期监控数据的可靠性;(2)在本说明书一些实施例所提供的智能化设备全生命周期监控方法及系统中,通过在累计损耗信息小于预设累计损耗信息阈值时,直接使用该累计损耗信息进行后续计算,可以得到更为保守的使用时长预测结果,并且可以简化对应的数据处理过程,在累计损耗信息大于或等于预设累计损耗信息阈值时,获取智能化设备的维修信息,并基于该维修信息对前述累计损耗信息进行校正,可以给用户展示更为准确的使用时长预测结果;(3)在本说明书一些实施例所提供的智能化设备全生命周期监控方法及系统中,通过智能化设备的预测使用时长,能够根据实际情况灵活确定下一次生命周期预测的时间,一方面,可以避免在预测使用时长较长的情况下,短期内需要对智能化设备进行不必要的生命周期预测,另一方面,可以避免在预测使用时长较短的情况下,由于生命周期预测间隔较长,从而无法及时监控智能化设备的风险,从而提高了智能化设备的生命周期监控数据的可靠性。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例中,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种智能化设备全生命周期监控方法,其特征在于,所述方法包括:
获取智能化设备在使用阶段的使用信息,其中,所述使用信息包括所述智能化设备在所述使用阶段内的工作日志和故障信息;
基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息基于所述智能化设备在不同工作状态下的子损耗信息计算得到;
将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长;
基于所述预测使用时长,得到所述智能化设备对应的生命周期监控数据。
2.如权利要求1所述的方法,其特征在于,所述基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,包括:
确定所述智能化设备在所述使用阶段内对应的工作状态;
根据所述工作状态对所述使用阶段进行分段处理,获得所述智能化设备所对应的一个或多个子使用阶段;
根据所述子使用阶段对应的子工作日志或子故障信息,确定所述智能化设备在不同子使用阶段中对应的子损耗信息;
基于所述智能化设备在不同子使用阶段中的子损耗信息,得到所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息用于表征所述智能化设备的累计损坏程度。
3.权利要求2所述的方法,其特征在于,所述确定所述智能化设备在所述使用阶段内对应的工作状态,包括:
基于所述工作日志得到所述智能化设备的工作参数序列;
确定所述工作参数序列中的突变点,并在所述突变点满足预设条件时将所述突变点作为所述智能化设备的工作状态的变换点。
4.如权利要求2所述的方法,其特征在于,所述根据所述子使用阶段对应的子工作日志或子故障信息,确定所述智能化设备在不同子使用阶段中对应的子损耗信息,包括:
根据所述子故障信息得到第一损耗指数,或根据所述子工作日志和预设的参考工作参数确定第二损耗指数;
基于所述第一损耗指数或第二损耗指数,以及所述子使用阶段对应的时长,得到所述子使用阶段对应的子损耗信息。
5.如权利要求4所述的方法,其特征在于,所述子故障信息包含所述智能化设备的当前故障类型和历史故障记录,所述根据所述子故障信息得到第一损耗指数,包括:计算所述当前故障类型和所述历史故障记录之间的关联度,基于所述当前故障类型和所述关联度确定所述第一损耗指数;
所述根据所述子工作日志和预设的参考工作参数确定第二损耗指数,包括:根据所述子工作日志获得所述智能化设备在当前子使用阶段中的实际工作参数;通过LOF算法确定所述实际工作参数对应的异常指数,并计算所述实际工作参数与所述参考工作参数之间的DTW距离;基于所述异常指数和所述DTW距离得到所述第二损耗指数。
6.如权利要求5所述的方法,其特征在于,所述根据所述子故障信息得到第一损耗指数,还包括:
根据前一个子使用阶段的最终状态和当前子使用阶段相关的维修登记记录,判断当前子使用阶段为故障状态或非工作状态;
若判定当前子使用阶段为非工作状态,将所述第一损耗指数置为0;
若判定当前子使用阶段为故障状态,则基于所述当前故障类型和所述关联度确定所述第一损耗指数。
7.如权利要求6所述的方法,其特征在于,所述智能化设备在所述使用阶段内的损耗信息基于如下公式计算:
其中,L为所述智能化设备在所述使用阶段内的累计损耗信息,n为所述使用阶段内所包含的子使用阶段的总数,fi表示第i个子使用阶段所对应的第一损耗指数或第二损耗指数,ti表示第i个子使用阶段所对应的时长,norm表示归一化处理函数。
8.如权利要求2所述的方法,其特征在于,所述基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,包括:
确定所述智能化设备对应的预设累计损耗信息阈值;
在所述智能化设备的所述累计损耗信息满足所述预设累计损耗信息阈值时,获取所述智能化设备的维修信息,并基于所述维修信息对所述累计损耗信息进行校正。
9.如权利要求1~8中任一项所述的方法,其特征在于,在将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长之后,所述方法还包括:
基于所述智能化设备的所述预测使用时长,确定对所述智能化设备进行下一次生命周期预测的预计时间,并确定所述智能化设备在所述下一次生命周期预测时对应的目标损耗信息和目标预测使用时长。
10.一种智能化设备全生命周期监控系统,其特征在于,所述系统包括:
获取模块,用于获取智能化设备在使用阶段的使用信息,其中,所述使用信息包括所述智能化设备在所述使用阶段内的工作日志和故障信息;
累计损耗信息确定模块,用于基于所述工作日志和所述故障信息确定所述智能化设备在所述使用阶段内的累计损耗信息,所述累计损耗信息基于所述智能化设备在不同工作状态下的子损耗信息计算得到;
预测模块,用于将所述工作日志、故障信息以及所述累计损耗信息输入至预先训练好的生命周期预测模型中进行生命周期预测,得到所述智能化设备的预测使用时长;
生命周期监控数据生成模块,用于基于所述预测使用时长,得到所述智能化设备对应的生命周期监控数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036205.0A CN116993326A (zh) | 2023-08-16 | 2023-08-16 | 一种智能化设备全生命周期监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036205.0A CN116993326A (zh) | 2023-08-16 | 2023-08-16 | 一种智能化设备全生命周期监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993326A true CN116993326A (zh) | 2023-11-03 |
Family
ID=88531974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311036205.0A Pending CN116993326A (zh) | 2023-08-16 | 2023-08-16 | 一种智能化设备全生命周期监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993326A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197281A (zh) * | 2023-11-08 | 2023-12-08 | 国网浙江省电力有限公司 | 基于业务场景的资产数据全生命链动态画像构建方法 |
-
2023
- 2023-08-16 CN CN202311036205.0A patent/CN116993326A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197281A (zh) * | 2023-11-08 | 2023-12-08 | 国网浙江省电力有限公司 | 基于业务场景的资产数据全生命链动态画像构建方法 |
CN117197281B (zh) * | 2023-11-08 | 2024-02-23 | 国网浙江省电力有限公司 | 基于业务场景的资产数据全生命链动态画像构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947088B (zh) | 基于模型全生命周期管理的设备故障预警系统 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
EP3489780B1 (en) | Examining apparatus, examining method, program and recording medium | |
US20180365089A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
JP2019185422A (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 | |
CN105593864B (zh) | 用于维护设备的分析设备退化 | |
CN116993326A (zh) | 一种智能化设备全生命周期监控方法及系统 | |
CN107992410A (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
CN112183990A (zh) | 基于大数据机器学习的自适应稽查监控管理平台及方法 | |
JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
CN112632179A (zh) | 模型构建方法、装置、存储介质及设备 | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
US7412430B1 (en) | Determining the quality of computer software | |
CN117010601B (zh) | 数据处理方法、装置、计算机设备及计算机可读存储介质 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN116578041B (zh) | 一种用于cnc控制器的数据处理方法 | |
CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
WO2021100371A1 (ja) | 保全計画支援方法および保全計画支援装置 | |
US20230359191A1 (en) | System and method for determining a cause of an operating anomaly of a machine, computer program and electronically readable data storage device | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN106934196A (zh) | 一种定量预测方法及装置 | |
RU2809254C1 (ru) | Способ и система мониторинга автоматизированных систем | |
RU2809254C9 (ru) | Способ и система мониторинга автоматизированных систем | |
Dunn | Big data, predictive analytics and maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |