CN113570138B - 一种时间卷积网络的设备剩余使用寿命预测方法及装置 - Google Patents

一种时间卷积网络的设备剩余使用寿命预测方法及装置 Download PDF

Info

Publication number
CN113570138B
CN113570138B CN202110855809.2A CN202110855809A CN113570138B CN 113570138 B CN113570138 B CN 113570138B CN 202110855809 A CN202110855809 A CN 202110855809A CN 113570138 B CN113570138 B CN 113570138B
Authority
CN
China
Prior art keywords
data
model
equipment
life cycle
training
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.)
Active
Application number
CN202110855809.2A
Other languages
English (en)
Other versions
CN113570138A (zh
Inventor
张翔
毛旭初
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.)
Luculent Smart Technologies Co ltd
Original Assignee
Luculent Smart Technologies 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 Luculent Smart Technologies Co ltd filed Critical Luculent Smart Technologies Co ltd
Priority to CN202110855809.2A priority Critical patent/CN113570138B/zh
Publication of CN113570138A publication Critical patent/CN113570138A/zh
Application granted granted Critical
Publication of CN113570138B publication Critical patent/CN113570138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种时间卷积网络的设备剩余使用寿命预测方法及装置，属于设备健康管理技术领域，包括以下步骤：S10：采集至少一次设备的全寿命周期数据；S20：对采集的所述全寿命周期数据进行清洗与特征提取；S30：将所述全寿命周期数据按比例划分，确定模型输入与标签；S40：构建时间卷积网络，利用训练集训练模型并测试集优化模型；S50：采集需预测设备运行数据，执行步骤S20中清洗与特征提取后，输入模型预测设备剩余使用寿命；该时间卷积网络的设备剩余使用寿命预测方法及装置，实现简单、移植性高，适用于大多数设备，基于时间卷积网络的模型预测结果充分利用了设备历史运行的数据，相比于传统机器学习算法相比，预测准确性更高。

Description

一种时间卷积网络的设备剩余使用寿命预测方法及装置
技术领域
本发明属于设备健康管理技术领域，具体涉及时间卷积网络的设备剩余使用寿命预测方法及装置。
背景技术
随着工业互联网技术的快速发展，设备的预测性维护逐渐成为可能，实现设备预测性维护的关键就是对设备***的剩余使用寿命进行有效的预测，并据此对设备进行提前维护或者更换，从而减少整个设备非计划停机时间，避免因计划外停机而带来的经济损失。
目前绝大多数利用人工智能技术来实现设备剩余使用寿命预测的方法是，对设备的全周期数据进行分段，计算每段的平均值、最大值、最小值、方差等统计特征，将统计特征输入给传统机器学习算法如支持向量机、随机森林等进行模型训练与预测，该方法由于采用分段统计，导致了特征维度大、计算量大、易过拟合的问题，且传统机器学习算法因自身结构无法有效利用原始数据的时序信息，现有技术存在着计算量大、灵活性低、预测准确率低等问题。
发明内容
本发明的目的在于提供一种时间卷积网络的设备剩余使用寿命预测方法及装置，以解决现有技术在设备剩余寿命预测上手段落后、准确率低、移植性差的问题。
为实现上述目的，本发明提供如下技术方案：一种时间卷积网络的设备剩余使用寿命预测方法，包括以下步骤：
S10：采集至少一次设备的全寿命周期数据；
S20：对采集的所述全寿命周期数据进行清洗与特征提取；
S30：将所述全寿命周期数据按比例划分，确定模型输入与标签；
S40：构建时间卷积网络，利用训练集训练模型并测试集优化模型；
S50：采集需预测设备运行数据，执行步骤S20中清洗与特征提取后，输入模型预测设备剩余使用寿命；
其中，所述训练集训练模型并测试集优化模型,包括：训练过程中，使用损失函数，在每轮训练迭代完成后，随机从训练集中选出部分样本进行测试，并使用损失函数作为评价指标，若测试误差下降，保存模型并继续训练，直至连续测试误差未下降或达到设置的训练循环次数。
优选的，所述步骤S20中，清洗与特征提取包括：
S21：对采集的所述全寿命周期数据中缺失值采用上一时刻值填充；
S22：对所述全寿命周期数据中不包括工作时长的特征数据进行log平滑变化；
S23：使用拉依达准则剔除所述全寿命周期数据中异常数据；
S24：使用Min-Max Normalization对所有特征数据进行归一化，所述Min-MaxNormalization公式为：
Figure GDA0003552051040000021
其中，Xi代表第i个测点所有数据，Xi_mean为该测点平均值，Xi_max该测点的最大值，Xi_min为该测点最小值，Xi’为归一化后的测点值。
优选的，所述步骤S30中：所述确定模型输入与标签的方法包括：
S31：按设备工作时长划分把每个全寿命周期数据划分若干份数的数据作为模型的若干个输入样本，每份数据对应的标签为剩余寿命；
S32：按照S31中的划分方法形成若干份运行数据，所述运行数据组成数据集，并把数据集按并按0.7:0.3划分成训练集与测试集，确定模型训练集与测试集。
优选的，所述步骤S40中：所述构建时间卷积网络包括建立合适的深度的时间卷积网络模型，设置模型初始化参数；
所述模型初始化参数包括：时间卷积网络层数、卷积层过滤器数量、卷积层内核大小、扩张列表、是否使用残差连接、卷积填充方式、内核权重初始化方式、激活函数、dropout值、批处理样本数量、训练循环次数、初始学习率、学习率衰减步长与衰减率。
优选的，所述损失函数为logrmse，并使用keras建模；
所述模型在测试集上的logrmse值来调整时间卷积网络模型初始化参数，直至测试集logrmse误差最小；
logrmse的表达式为：
Figure GDA0003552051040000031
其中N表示参与计算的样本数量、ri表示第i个样本的实际值，
Figure GDA0003552051040000032
表示模型对第i个样本的预测值。
优选的，所述需预测设备运行数据包括采集设备从投入使用到当前时刻的数据，所述数据中包括设备工作时长、各传感器的数据；
优选的，所述全寿命周期数据为设备从投入运行到报废的所有传感器的多维时间序列数据。
本发明另提供一种基于时间卷积网络的设备剩余使用寿命预测方法的使用装置，包括：
采集模块，用于获取设备的所述全寿命周期数据；
清洗与特征提取模块，用于对所述全寿命周期数据进行清洗和特征提取；
比例划分模块，用于对所述全寿命周期数据按比例划分成运行数据；
训练模块，用于将若干份数的数据输入模型中得到最优的模型；
测试模块，用于对样本进行测试，并保存误差最小的模型
预测模块，用于根据采集的需预测设备运行数据，通过模型预测设备的剩余使用寿命；
输入样本划分模块，用于按设备工作时长把每个全寿命周期数据划分若干份数的数据；
数据集划分模块，用于将运行数据组成的数据集按0.7:0.3划分成训练集与测试集。
本发明另提供一种电子设备，包括处理器、储存器和通以及保存于储存器中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计算机程序时实现基于时间卷积网络的设备剩余使用寿命预测方法。
本发明另提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现基于时间卷积网络的设备剩余使用寿命预测方法步骤。
本发明的技术效果和优点：该时间卷积网络的设备剩余使用寿命预测方法及装置，实现简单、移植性高，适用于大多数设备，基于时间卷积网络的模型预测结果充分利用了设备历史运行的数据，相比于传统机器学习算法相比，预测准确性更高，时间卷积网络采用空洞卷积核与残差连接，相比于长短期记忆网络、循环神经网络等类似神经网络，拥有更好的时间序列学习能力和更小的训练内存需求。
附图说明
图1为本发明基于时间卷积网络的设备剩余使用寿命预测方法流程图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅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。
本发明提供了如图1中所示的一种时间卷积网络的设备剩余使用寿命预测方法，包括以下步骤：
S10：采集至少一次设备的全寿命周期数据；在实施中，采集多次设备从投入使用到完全报废的全寿命周期数据，包括设备工作时长、各传感器的数据；
采集设备的历史运行参数数据，例如水泵，采集水泵从开始投入使用到报废数据，包括水泵已工作时长、电流值、功率值、流量值、压力值、转速值等，最终每份全寿命周期数据为多维时间序列数据。
表1：一份全寿命周期数据
已工作时长 电流值 功率值 ... 转速值
1 30 100 ... 10000
2 40 ... 20000
... ... ... ... ...
80 10 25 ... 500
S20：对采集的原始数据进行清洗与特征工程。
S21：缺失值填充：对于因传感器损坏、网络异常等原因导致的数据缺失，采用上一时刻值进行填充，如表1，已工作时长为2时，功率值缺失，则采用上一时刻，即已工作时长为1时的功率值100进行填充。
S22：对所述全寿命周期数据中不包括工作时长的特征数据进行log平滑变化：为降低数据中异常极大值数据对后续建模的影响，并将数据转化成更利用模型学习的正太分布数据，需对除已工作时长以外的特征(如电流、功率等)进行log函数变化；
S23：使用拉依达准则剔除所述全寿命周期数据中异常数据，异常值筛除：使用拉依达准则发掘异常值并进筛除，例如拉依达准则认为正态分布的正常数据分布于数值分布在(μ-3σ,μ+3σ)中的概率为0.9973，其中μ为平均值，σ为标准差；因此对于每个特征，本实施例中，例如电流值，计算特征，本实施实施例中，使用电流值，全寿命的均值μ与标准差σ，根据拉依达准则，筛除特征值大于μ+3σ或小于μ-3σ的数据；
S24：使用Min-Max Normalization对所有特征数据进行归一化，为消除因特征数据具有不同的量纲和量纲单位带给模型预测精度的影响，对特征数据进行归一化操作，使特征数据的变化范围映射到[-1,1]，归一化表达式为：
Figure GDA0003552051040000061
其中，X’i表示第i个特征，比如电流值特征的归一化结果，Xi表示第i个特征原始值也就是归一化前的电流值，Xi_mean、Xi_max、Xi_min分别表示示第i个特征的平均值、最大值、最小值也就是电流值的平均值、最大值、最小值；
S30：对每个全寿命周期数据以设备的工作时长按特定比例划分，确定模型输入与标签；
S31：按设备工作时长划分把每个全寿命周期数据划分若干份数的数据作为模型的若干个输入样本，每份数据对应的标签为剩余寿命；
对于每份全寿命周期数据，本实施例中，以设备已工作时长的0-0.3、0-0.4、0-0.5、0-0.6、0-0.7、0-0.8、0-0.9的比例划分成七份运行数据；
表2：0-0.3比例划分后的运行数据：
Figure GDA0003552051040000062
Figure GDA0003552051040000071
表3：0-0.8比例划分后的运行数据：
已工作时长 电流值 功率值 ... 转速值
1 30 100 ... 10000
2 40 ... 20000
... ... ... ... ...
64 100 500 ... 40000
每份全寿命周期数据划分成7份运行数据后，每份运行数据对应的标签为该全寿命周期数据最大工作时长与该运行数据最大工作时长的差值，比如，表2对应标签为56(80-24)，表3对应标签为16(80-64)；
模型的输入为每份运行数据，模型输出为对应标签值；
S32：按照S31中的划分方法形成若干份运行数据，所述运行数据组成数据集，并把数据集按并按0.7:0.3划分成训练集与测试集，确定模型训练集与测试集；
所有划分出的运行数据为数据集，将数据集以0.7:0.3的比例分成两份，0.7比例数据集为训练集，0.3比例数据为测试集；
S40：构建时间卷积网络，利用训练集训练模型，测试集优化模型，建立合适的深度的时间卷积网络模型，设置模型初始化参数，包括：时间卷积网络层数、卷积层过滤器数量、卷积层内核大小、扩张列表、是否使用残差连接、卷积填充方式、内核权重初始化方式、激活函数、dropout值、批处理样本数量、训练循环次数、初始学习率、学习率衰减步长与衰减率；
利用训练集数据作为输入，训练过程中，采用自定义的logrmse作为损失函数，使用keras建模，每轮训练迭代完成后，随机从训练集中选出部分样本进行测试，同样采用logrmse作为评价指标，当测试误差下降，保存模型并继续训练，直至连续三轮测试误差未下降或达到设置的训练循环次数；
使用测试集测试模型，同样采用logrmse作为评价指标，根据模型在测试集上的logrmse值来调整时间卷积网络模型初始化参数，直至测试集logrmse误差最小；
采用训练集训练模型，并根据模型在测试集上的logrmse评价指标对模型参数进行调整，
logrmse表达式为：
Figure GDA0003552051040000081
其中N表示参与计算的样本数量、ri表示第i个样本的实际值，
Figure GDA0003552051040000082
表示模型对第i个样本的预测值，采用logrmse能促使模型在训练过程中更注重标签较小的样本，这与实际情况，设备剩余寿命较短时更应引起注意相符合；
最终采用的时间卷积网络模型参数如下：
该模型时间卷积网络层数设置1层、卷积层过滤器数量16个、卷积层内核大小为3、扩张列表为[2,4,8,16,32,64]、使用残差连接、卷积填充方式为“padding”、随机初始化权重、激活函数为tanh、dropout为0.3、批处理样本数量1个、训练循环次数10、初始学习率0.001、学习率衰减步长1000步、衰减率0.2；本实施例中，时间卷积网络的结构如表5所示，
表4各模型预测评价指标
Figure GDA0003552051040000083
采用不同数量数据集，保持模型结构和参数不变，表4中logrmse的值越小越好，由表4可分析出无论大数据量还是在小数据量情况下，时间卷积神经网络相比于支持向量机、循环神经网络、长短期记忆网络，都有更好的预测效果；
表5：时间卷积网络模型结构
Figure GDA0003552051040000091
Figure GDA0003552051040000101
Figure GDA0003552051040000111
Figure GDA0003552051040000121
Figure GDA0003552051040000131
S50：采集需预测设备运行数据，执行步骤S20中清洗与特征提取后，输入模型预测设备剩余使用寿命；需预测设备也就是实际设备运行数据，当模型开始进行实际应该时，需同样采集设备从投入使用到当前时刻的运行数据，包括设备工作时长、各传感器的数据；全寿命周期数据为设备从投入运行到报废的所有传感器的多维时间序列数据。
对采集的运行数据进行与S20中同样的数据处理方式；
将处理后的运行数据输入模型计算，输出值即为模型预测的设备剩余使用寿命；
该时间卷积网络的设备剩余使用寿命预测方法及装置，实现简单、移植性高，适用于大多数设备，基于时间卷积网络的模型预测结果充分利用了设备历史运行的数据，相比于传统机器学习算法相比，预测准确性更高，时间卷积网络采用空洞卷积核与残差连接，相比于长短期记忆网络、循环神经网络等类似神经网络，拥有更好的时间序列学习能力和更小的训练内存需求。
基于相同的技术构思，本申请实施例还提供了一种基于时间卷积网络的设备剩余使用寿命预测方法的使用装置，其特征在于，包括：
采集模块，用于获取设备的所述全寿命周期数据；
清洗与特征提取模块，用于对所述全寿命周期数据进行清洗和特征提取；
比例划分模块，用于对所述全寿命周期数据按比例划分成运行数据；
训练模块，用于将若干份数的数据输入模型中得到最优的模型；
测试模块，用于对样本进行测试，并保存误差最小的模型
预测模块，用于根据采集的需预测设备运行数据，通过模型预测设备的剩余使用寿命；输入样本划分模块，用于按设备工作时长把每个全寿命周期数据划分若干份数的数据；
数据集划分模块，用于将运行数据组成的数据集按0.7:0.3划分成训练集与测试集。
基于相同的技术构思，本申请实施例还提供了一种电子设备，包括处理器、储存器和通以及保存于储存器中可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于时间卷积网络的设备剩余使用寿命预测方法。
基于相同的技术构思，本申请实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现基于时间卷积网络的设备剩余使用寿命预测方法步骤。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：包括以下步骤：
S10：采集至少一次设备的全寿命周期数据；
S20：对采集的所述全寿命周期数据进行清洗与特征提取；
S30：将所述全寿命周期数据按比例划分，确定模型输入与标签；所述步骤S30中：所述确定模型输入与标签的方法包括：
S31：按设备工作时长划分把每个全寿命周期数据划分若干份数的数据作为模型的若干个输入样本，每份数据对应的标签为剩余寿命；
S32：按照S31中的划分方法形成若干份运行数据，所述运行数据组成数据集，并把数据集按0.7:0.3划分成训练集与测试集，确定模型训练集与测试集；
S40：构建时间卷积网络，利用训练集训练模型并测试集优化模型；
S50：采集需预测设备运行数据，执行步骤S20中清洗与特征提取后，输入模型预测设备剩余使用寿命；
其中，所述训练集训练模型并测试集优化模型,包括：训练过程中，使用损失函数，在每轮训练迭代完成后，随机从训练集中选出部分样本进行测试，并使用损失函数作为评价指标，若测试误差下降，保存模型并继续训练，直至连续测试误差未下降或达到设置的训练循环次数。
2.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述步骤S20中，清洗与特征提取包括：
S21：对采集的所述全寿命周期数据中缺失值采用上一时刻值填充；
S22：对所述全寿命周期数据中不包括工作时长的特征数据进行log平滑变化；
S23：使用拉依达准则剔除所述全寿命周期数据中异常数据；
S24：使用Min-Max Normalization对所有特征数据进行归一化，所述Min-MaxNormalization公式为：
Figure DEST_PATH_IMAGE001
其中，Xi代表第i个测点所有数据，Xi_mean为该测点平均值，Xi_max该测点的最大值，Xi_min为该测点最小值，Xi’为归一化后的测点值。
3.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述步骤S40中：所述构建时间卷积网络包括建立深度的时间卷积网络模型，设置模型初始化参数；
所述模型初始化参数包括：时间卷积网络层数、卷积层过滤器数量、卷积层内核大小、扩张列表、是否使用残差连接、卷积填充方式、内核权重初始化方式、激活函数、dropout值、批处理样本数量、训练循环次数、初始学习率、学习率衰减步长与衰减率。
4.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述损失函数为logrmse，并使用keras建模；
所述模型在测试集上的logrmse值来调整时间卷积网络模型初始化参数，直至测试集logrmse误差最小；
logrmse的表达式为：
Figure DEST_PATH_IMAGE002
其中N表示参与计算的样本数量、
Figure DEST_PATH_IMAGE003
表示第i个样本的实际值，
Figure DEST_PATH_IMAGE004
表示模型对第i个样本的预测值。
5.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述需预测设备运行数据包括采集设备从投入使用到当前时刻的数据，所述数据中包括设备工作时长、各传感器的数据。
6.根据权利要求1所述的一种时间卷积网络的设备剩余使用寿命预测方法，其特征在于：所述全寿命周期数据包括设备从投入运行到报废所有传感器的多维时间序列数据。
7.一种基于时间卷积网络的设备剩余使用寿命预测方法的使用装置，其特征在于，包括：
采集模块，用于获取设备的全寿命周期数据；
清洗与特征提取模块，用于对全寿命周期数据进行清洗和特征提取；
比例划分模块，用于对全寿命周期数据按比例划分成运行数据；
训练模块，用于将若干份数的数据输入模型中得到最优的模型；
测试模块，用于对样本进行测试，并保存误差最小的模型
预测模块，用于根据采集的需预测设备运行数据，通过模型预测设备的剩余使用寿命；
输入样本划分模块，用于按设备工作时长把每个全寿命周期数据划分若干份数的数据；
数据集划分模块，用于将运行数据组成的数据集按0.7:0.3划分成训练集与测试集。
8.一种电子设备，包括处理器、储存器和通以及保存于储存器中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计算机程序时实现权利要求1-6任意一项所述时间卷积网络的设备剩余使用寿命预测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的时间卷积网络的设备剩余使用寿命预测方法步骤。
CN202110855809.2A 2021-07-28 2021-07-28 一种时间卷积网络的设备剩余使用寿命预测方法及装置 Active CN113570138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110855809.2A CN113570138B (zh) 2021-07-28 2021-07-28 一种时间卷积网络的设备剩余使用寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110855809.2A CN113570138B (zh) 2021-07-28 2021-07-28 一种时间卷积网络的设备剩余使用寿命预测方法及装置

Publications (2)

Publication Number Publication Date
CN113570138A CN113570138A (zh) 2021-10-29
CN113570138B true CN113570138B (zh) 2022-04-26

Family

ID=78168324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110855809.2A Active CN113570138B (zh) 2021-07-28 2021-07-28 一种时间卷积网络的设备剩余使用寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN113570138B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216558B (zh) * 2022-02-24 2022-06-14 西安因联信息科技有限公司 一种无线振动传感器电池剩余寿命预测方法及***
CN114925463B (zh) * 2022-04-21 2024-02-27 西安热工研究院有限公司 一种反渗透装置膜寿命预测***
CN115641916B (zh) * 2022-09-29 2024-05-03 杭州准芯生物技术有限公司 一种分子生物学检测方法、计算机设备及可读存储介质
CN115358347B (zh) * 2022-09-30 2023-01-31 山西虚拟现实产业技术研究院有限公司 一种针对不同子***下智能电表的剩余寿命预测方法
CN116738859B (zh) * 2023-06-30 2024-02-02 常州润来科技有限公司 一种铜管在线无损寿命评估方法及***
CN117009861B (zh) * 2023-10-08 2023-12-15 湖南国重智联工程机械研究院有限公司 一种基于深度学习的液压泵马达寿命预测方法和***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378052A (zh) * 2019-07-25 2019-10-25 北京航空航天大学 基于循环神经网络考虑未来工况的设备剩余寿命预测方法
CN112418277A (zh) * 2020-11-03 2021-02-26 西安电子科技大学 旋转机械零部件剩余寿命预测方法、***、介质、设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6374447B2 (ja) * 2016-07-08 2018-08-15 ファナック株式会社 温度を含む駆動条件を考慮した実効的駆動時間と残存寿命が算出可能なレーザ装置
CN110377984B (zh) * 2019-07-02 2023-08-18 中国科学院深圳先进技术研究院 一种工业设备剩余有效寿命预测方法、***及电子设备
CN111340282B (zh) * 2020-02-21 2021-04-23 山东大学 基于da-tcn的设备剩余使用寿命的估计方法及***
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及***
CN111783362B (zh) * 2020-07-09 2022-07-26 哈尔滨工程大学 一种电动闸阀剩余使用寿命确定方法及***
CN112468326B (zh) * 2020-11-11 2022-11-04 北京工业大学 基于时间卷积神经网络的访问流量预测方法
CN112580263B (zh) * 2020-12-24 2022-05-10 湖南工业大学 基于时空特征融合的涡扇发动机剩余使用寿命预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378052A (zh) * 2019-07-25 2019-10-25 北京航空航天大学 基于循环神经网络考虑未来工况的设备剩余寿命预测方法
CN112418277A (zh) * 2020-11-03 2021-02-26 西安电子科技大学 旋转机械零部件剩余寿命预测方法、***、介质、设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《Deep Learning with Dynamically Weighted Loss Function for Sensor-Based Prognostics and Health Management》;Divish Rengasamy et al.;《Sensors》;20200128;全文 *

Also Published As

Publication number Publication date
CN113570138A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113570138B (zh) 一种时间卷积网络的设备剩余使用寿命预测方法及装置
CN106951695A (zh) 多工况下的机械设备剩余使用寿命计算方法及***
CN107423414A (zh) 一种基于信息传递模型的流程工业复杂机电***故障溯源方法
CN110119787B (zh) 一种旋转型机械设备工况检测方法及设备
CN111275136B (zh) 基于小样本下的故障预测***及其预警方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、***及介质
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及***
CN116205544A (zh) 基于深度神经网络和迁移学习的非侵入式负荷识别***
CN114169434A (zh) 一种负荷预测方法
CN115294671A (zh) 一种空压机出口压力预测方法和预测***
CN116245227A (zh) 逐日气象干旱预测方法、装置、存储介质和设备
CN115859791A (zh) 一种航空发动机剩余寿命预估方法和装置
CN115185804A (zh) 服务器性能预测方法、***、终端及存储介质
CN111400964B (zh) 一种故障发生时间预测方法及装置
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及***
CN117034169A (zh) 基于时序因果关系网络的电网主变设备异常状态预测方法
CN116701846A (zh) 一种基于无监督学习的水电站调度运行数据清洗方法
CN116664098A (zh) 一种光伏电站的异常检测方法及***
CN116030955A (zh) 基于物联网的医疗设备状态监测方法及相关装置
CN116225752A (zh) 基于故障模式库的微服务***故障根因分析方法及***
Chen et al. A data fusion-based methodology of constructing health indicators for anomaly detection and prognostics
CN114764741A (zh) 一种风力发电机运行风功率预测的方法和***
CN114066068A (zh) 一种短期电力负荷预测方法、装置、设备和存储介质
CN113807462A (zh) 一种基于ai的网络设备故障原因定位方法及其***

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
GR01 Patent grant
GR01 Patent grant