CN114117658A - 设备的剩余使用寿命的确定方法、装置和电子设备 - Google Patents
设备的剩余使用寿命的确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114117658A CN114117658A CN202111233684.6A CN202111233684A CN114117658A CN 114117658 A CN114117658 A CN 114117658A CN 202111233684 A CN202111233684 A CN 202111233684A CN 114117658 A CN114117658 A CN 114117658A
- Authority
- CN
- China
- Prior art keywords
- sequence
- service life
- feature
- accumulated
- vibration 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提出一种设备的剩余使用寿命的确定方法、装置、电子设备和存储介质,其中,该方法包括:在确定指定设备在预测时刻所对应的剩余使用寿命的过程中,基于对获取到的指定设备在预设时间段内的振动数据序列进行特征提取,得到振动数据序列的特征序列,并对得到的特征序列进行特征累积处理,以得到特征序列的累积特征,并根据特征序列的累积特征,准确确定出指定设备在预设时间段对应的剩余使用寿命。由此,基于对指定设备在预设时间段内的振动数据序列进行处理,以根据处理后的累计特征,确定指定设备在预设时间段对应的剩余使用寿命,实现了准确预测出指定设备在预设时间段对应的剩余使用寿命,从而可提高设备运行的安全性以及可靠性。
Description
技术领域
本申请涉及设备寿命预测技术领域,尤其涉及一种设备的剩余使用寿命的确定方法、装置、电子设备和存储介质。
背景技术
在新能源***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,这些现象可能会导致整个新能源***出现问题。由此,在新能源***中,亟需一种对设备健康度评估的方法。
发明内容
本申请提出一种设备的剩余使用寿命的确定方法、装置、电子设备和存储介质。
本申请第一方面实施例提出了一种设备的剩余使用寿命的确定方法,,所述方法包括:获取指定设备在预设时间段内的振动数据序列;对所述振动数据序列进行特征提取,以得到所述振动数据序列的特征序列;对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征;根据所述累积特征,确定所述指定设备在所述预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,所述根据所述累积特征,确定所述指定设备在所述预设时间段所对应的剩余使用寿命,包括:将所述累积特征输入到预先训练好的剩余使用寿命预测模型,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,所述剩余使用寿命预测模型包括小波变换层和网络层,所述将所述累积特征输入到预先训练好的剩余使用寿命预测模型,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命,包括:将所述累积特征输入到小波变换层,以对所述累积特征分别进行小波变换,以得到每个所述累积特征的频域特征;将所述频域特征输入至所述网络层中,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,所述对所述振动数据序列进行特征提取,以得到所述振动数据序列的特征序列,包括:对所述振动数据序列中的每个振动数据进行三角函数特征计算,以得到所述振动数据序列的特征序列。
在本申请的一个实施例中,所述对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征,包括:对所述特征序列中的三角函数特征进行求和处理,以得到求和值;获取所述求和值的绝对值,获取所述绝对值的算术平方根值;将所述求和值与所述算术平方根值的比值作为所述特征序列的累积特征。
在本申请的一个实施例中,在所述对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征之前,所述方法还包括:对所述特征序列进行去噪处理;对去噪处理后的特征序列进行平滑处理。
本申请提出一种设备的剩余使用寿命的确定方法,在确定指定设备在预测时刻所对应的剩余使用寿命的过程中,基于对获取到的指定设备在预设时间段内的振动数据序列进行特征提取,得到振动数据序列的特征序列,并对得到的特征序列进行特征累积处理,以得到特征序列的累积特征,并根据特征序列的累积特征,准确确定出指定设备在预设时间段对应的剩余使用寿命。由此,基于对指定设备在预设时间段内的振动数据序列进行处理,以根据处理后的累计特征,确定指定设备在预设时间段对应的剩余使用寿命,实现了准确预测出指定设备在预设时间段对应的剩余使用寿命,从而可提高设备运行的安全性以及可靠性。
本申请第二方面实施例提出了一种设备的剩余使用寿命的确定装置,所述装置包括:第一获取模块,用于获取指定设备在预设时间段内的振动数据序列;提取模块,用于对所述振动数据序列进行特征提取,以得到所述振动数据序列的特征序列;第一处理模块,用于对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征;确定模块,用于根据所述累积特征,确定所述指定设备在所述预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,所述确定模块,包括:输入单元,用于将所述累积特征输入到预先训练好的剩余使用寿命预测模型,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,所述剩余使用寿命预测模型包括小波变换层和网络层,所述输入单元,具体用于:将所述累积特征输入到小波变换层,以对所述累积特征分别进行小波变换,以得到每个所述累积特征的频域特征;将所述频域特征输入至所述网络层中,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,所述提取模块,具体用于:对所述振动数据序列中的每个振动数据进行三角函数特征计算,以得到所述振动数据序列的特征序列。
在本申请的一个实施例中,所述第一处理模块,具体用于:对所述特征序列中的三角函数特征进行求和处理,以得到求和值;获取所述求和值的绝对值,获取所述绝对值的算术平方根值;将所述求和值与所述算术平方根值的比值作为所述特征序列的累积特征。
在本申请的一个实施例中,所述装置还包括:第二处理模块,用于对所述特征序列进行去噪处理;第三处理模块,用于对去噪处理后的特征序列进行平滑处理。
本申请提出一种设备的剩余使用寿命的确定装置,在确定指定设备在预测时刻所对应的剩余使用寿命的过程中,基于对获取到的指定设备在预设时间段内的振动数据序列进行特征提取,得到振动数据序列的特征序列,并对得到的特征序列进行特征累积处理,以得到特征序列的累积特征,并根据特征序列的累积特征,准确确定出指定设备在预设时间段对应的剩余使用寿命。由此,基于对指定设备在预设时间段内的振动数据序列进行处理,以根据处理后的累计特征,确定指定设备在预设时间段对应的剩余使用寿命,实现了准确预测出指定设备在预设时间段对应的剩余使用寿命,从而可提高设备运行的安全性以及可靠性。
本申请第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当所述处理器执行所述程序时实现本申请实施例中的设备的剩余使用寿命的确定方法。
本申请第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,当该程序被处理器执行时本申请实施例中的设备的剩余使用寿命的确定方法。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
图1是本申请实施例所提供的一种设备的剩余使用寿命的确定方法的流程示意图;
图2是本申请实施例所提供的另一种设备的剩余使用寿命的确定方法的流程示意图;
图3是本申请实施例所提供的一种剩余使用寿命预测模型的示意图;
图4是本申请实施例所提供的一种联合学习框架的示意图;
图5是本申请实施例所提供的一种设备的剩余使用寿命的确定装置的结构示意图;
图6是本申请实施例所提供的另一种设备的剩余使用寿命的确定装置的结构示意图;
图7是本申请一个实施例的电子设备的框图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的设备的剩余使用寿命的确定方法、装置和电子设备。
图1是本申请实施例所提供的一种设备的剩余使用寿命的确定方法的流程示意图。其中,需要说明的是,本实施例提供的设备的剩余使用寿命的确定方法的执行主体为设备的剩余使用寿命的确定装置,该设备的剩余使用寿命的确定装置可以由软件和/或硬件的方式实现,该实施例中的设备的剩余使用寿命的确定装置可以配置电子设备中,本实施例中的电子设备可以包括终端设备、服务器等,该实施例对电子设备不作具体限定。
图1是本申请实施例所提供的一种设备的剩余使用寿命的确定方法的流程示意图。
如图1所示,该设备的剩余使用寿命的确定方法可以包括:
步骤101,获取指定设备在预设时间段内的振动数据序列。
在一些实施例中,该指定设备可以是在新能源***中的任意一个设备,例如,旋转设备,但不仅限于此。
在另一些实施例中,指定设备在预设时间段内的振动数据序列可以是由振动记录仪或振动测量仪等设备获取得到,但不仅限于此。
步骤102,对振动数据序列进行特征提取,以得到振动数据序列的特征序列。
在一些实施例中,对振动数据序列进行特征提取,该特征可以包括但不限于设备运行年限、历史维修保养数据、当前运行数据(例如温度、压力等)、能耗数据等,该实施例对此不做具体限定。
在另一些实施例中,对振动数据序列进行特征提取,以得到振动数据序列的特征序列的一种实施方式为,对振动数据序列中的每个振动数据进行三角函数特征计算,以得到振动数据序列的特征序列,从而精确的从振动数据序列中提取出振动数据序列的特征序列。
具体地,在获取到指定设备在预设时间段内的振动数据序列后,可以对振动数据序列中的时域数据序列进行分析,并通过三角函数特征计算的方法对振动数据序列进行特征提取,以将时域数据序列做变换,从而提取出振动数据序列的特征序列。
步骤103,对特征序列进行特征累积处理,以得到特征序列的累积特征。
在一些实施例中,在对特征序列进行特征累积处理之前,可以对特征序列进行去噪处理,再对去噪处理后的特征序列进行平滑处理,以减小特征序列中的高噪声和波动性数据对结果的影响。
在另一些实施例中,对特征序列进行特征累积处理,以得到特征序列的累积特征的一种实施方式为,获取到进行去噪和平滑处理后的特征序列,并对该处理后的特征序列中的三角函数特征进行求和处理,以得到求和值,并获取求和值的绝对值,以得到绝对值的算术平方根值,再将求和值与算术平方根值的比值作为特征序列的累积特征。
步骤104,根据累积特征,确定指定设备在预设时间段所对应的剩余使用寿命。
在一些实施例中,根据累积特征,确定指定设备在预设时间段所对应的剩余使用寿命的一种实施方式为,将累积特征输入到预先训练好的剩余使用寿命预测模型,以得到指定设备在预设时间段所对应的剩余使用寿命,由此,通过将以累计特征数据输入到剩余使用寿命预测模型中,准确预测出指定设备在预设时间段所对应的剩余使用寿命。
具体地,上述剩余使用寿命预测模型包括小波变换层和网络层,先将累积特征输入到小波变换层,以对累积特征分别进行小波变换,以得到每个累积特征的频域特征,再将频域特征输入至网络层中,以得到指定设备在预设时间段所对应的剩余使用寿命,实现对指定设备在预设时间段所对应的剩余使用寿命的精准预测。
本申请提出一种设备的剩余使用寿命的确定方法,在确定指定设备在预测时刻所对应的剩余使用寿命的过程中,基于对获取到的指定设备在预设时间段内的振动数据序列进行特征提取,得到振动数据序列的特征序列,并对得到的特征序列进行特征累积处理,以得到特征序列的累积特征,并根据特征序列的累积特征,准确确定出指定设备在预设时间段对应的剩余使用寿命。由此,基于对指定设备在预设时间段内的振动数据序列进行处理,以根据处理后的累计特征,确定指定设备在预设时间段对应的剩余使用寿命,实现了准确预测出指定设备在预设时间段对应的剩余使用寿命,从而可提高设备运行的安全性以及可靠性。
图2是本申请实施例所提供的另一种设备的剩余使用寿命的确定方法的流程示意图。
如图2所示,该设备的剩余使用寿命的确定方法可以包括:
步骤201,收集数据。
在一些实施例中,可以选择出对指定设备进行评估的一个预设时间段,再获取从数据采集与监视控制***搜集的该指定设备在该时间段之前的历史时间段的振动数据,该振动数据可以包括,设备运行年限、历史维修保养数据、温度,压力、能耗数据等,并对该振动数据进行核查,若该振动数据出现缺失或则存在异常值,可以结合专家经验,再使用回归类方法进行数值的插补和去除异常值,并结合提前设定的阈值,判断收集的振动数据是否有超出阈值,从而直接判断设备参数是否有故障,如判断有故障,直接报修,如判断没有故障,则进入步骤202。
其中,回归类方法可以包括但不限于最小二乘法,多项式回归法,该实施例对此不做具体限定。
步骤202,特征提取。
在一些实施例中,对振动数据序列进行特征提取,以得到振动数据序列的特征序列,可以根据不同的特征来进行提取,例如,可以根据RMS(均方根),峰度(kurtosis),能量(energy),熵(entropy)等,本实施例以三角函数特征计算进行特征提取,该三角函数特征计算的方法可以为:
其中,X为振动数据序列,xj为X中的元素,j=1,...,n,i为常数,可以根据实际场景和经验来选取。
可以理解的是,公式1为振动数据序列X的反双曲正弦的标准差,公式2为振动数据序列X的反正切标准差。
步骤203,噪音平滑。
在一些实施例中,由于时间序列的特征序列数据可能包含高噪声和波动性,会对于后续的时间序列数据训练结果造成影响,因此,可以对特征序列数据进行噪声消除和平滑处理,以对后续模型训练时得到更好的效果。
其中,常见的噪声消除和平滑处理方法可以包括移动平滑法(moving average)、二阶多项式回归、K最临近算法(k-Nearest Neighbor,knn),但不仅限于此,可以选择其中一个或者多个进行平滑。
步骤204,特征累积。
在一些实施例中,由于设备运转后,设备的性能会持续退化,可以通过对噪声消除和平滑处理后的特征序列数据进行聚合,以计算出设备的退化曲线,从而进一步计算出特征序列数据的累积特征,其中,对噪声消除和平滑处理后的特征序列数据进行聚合的计算方法可以为:
步骤205,SW-ELM建模。
在一些实施例中,剩余使用寿命预测模型可以为小波极限叠加学习机(TheSummation Wavelet-Extreme Learning Machine,SW-ELM)模型,本申请中通过将SW-ELM模型作为剩余使用寿命预测模型以预测出指定设备在预设时间段所对应的剩余使用寿命。
在另一些实施例中,SW-ELM模型包括小波变换和神经网络的模型,其结构如图3所示,其中,n,m是输入和输出数据的数量。(xi,ti)为学习数据样本,xi=[xi1,...xim]T,oi=[oi1,...oim]T。i取值范围(1,N),为隐藏层的点的数量。
可以理解的是,该实例中通过神经网络模型中的激发函数对离散小波变换对非平稳信号的时频分析,以将原始振动数据序列映射为具有早期趋势的单调特征,以更好地构建预测模型,该激发函数可以为:
f1=θ(X)=log[x+(x2+1)1/2]
可以理解的是,若小波变换模型的每个输入样本为xj,则小波变换模型的输出oj为;
基于激发函数的输出和小波变换模型的输出oj,可以得到激发函数的矩阵,以计算出指定设备的剩余使用寿命结果,该激发函数的矩阵可以为:
其中,可以通过选择好的历史数据作为训练集训练,以得到输入层数据与隐藏层连接的权重向量wk,隐藏层与输出层数据连接的权重向量βk,隐藏层第k个神经元的乖离率bk。
步骤206,输出剩余使用寿命结果。
在一些实施例中,通过对神经网络模型和小波变换模型的进行联合训练,以保证本地模型更新调整时的信息安全,对神经网络模型和小波变换模型的联合训练的过程进行描述,示例性的过程为:构建初始的联合模型,联合模型包括:初始的神经网络模型以及对应的初始的小波变换模型,其中,初始的神经网络模型的输出为初始的小波变换模型的输入,确定训练数据,其中,训练数据包括:指定设备在第一预设时间段内所对应的振动数据序列以及指定设备在第二预设时间段内所对应的剩余使用寿命,以在第一预设时间段内所对应的振动数据序列为联合模型的输入,以第二预设时间段内所对应的剩余使用寿命为联合模型的输出,对联合模型中初始的神经网络模型和初始的小波变换模型进行系数调整,实现训练。
基于上述实施例,对联合训练模型进行训练的一种示例性的实施方式可以为,分发全部数据到不同的机器,每台机器从服务器下载模型,然后利用本地数据训练模型,之后返回给服务器需要更新的参数,服务器聚合各机器上的返回的参数,更新模型,再把最新的模型反馈到每台机器,如图4所示,示例如下,参与方各自从服务器A上下载最新模型,且参与方利用本地数据训练模型,加密梯度上传给服务器A,服务器A聚各用户的梯度更新模型参数,服务器A再返回更新后的模型给各参与方,其中,参与方数量越多,服务器中的模型的样本越多,模型的适应性越强,最后,各参与方更新各自模型。
本申请提出一种设备的剩余使用寿命的确定方法,通过收集预设时间段内的振动数据序列,再对该振动数据序列进行特征提取,并对提取后的特征数据进行噪音平滑处理,再将处理后的特征数据进行特征累积,以得到累积特征,以输入到SE-ELM模型中,从而输出指定设备在预设时间段内的剩余使用寿命。由此,基于对指定设备在预设时间段内的振动数据序列进行处理,以根据处理后的累计特征,以准确确定指定设备在预设时间段对应的剩余使用寿命,避免指定设备在不安全条件下运行,减小了指定设备的维护成本。
图5是本申请实施例所提供一种设备的剩余使用寿命的确定装置的结构示意图。
如图5所示,该设备的剩余使用寿命的确定装置500包括:
第一获取模块501,用于获取指定设备在预设时间段内的振动数据序列。
提取模块502,用于对振动数据序列进行特征提取,以得到振动数据序列的特征序列。
第一处理模块503,用于对特征序列进行特征累积处理,以得到特征序列的累积特征。
确定模块504,用于根据累积特征,确定指定设备在预设时间段所对应的剩余使用寿命。
本申请提出一种设备的剩余使用寿命的确定装置,在确定指定设备在预测时刻所对应的剩余使用寿命的过程中,基于对获取到的指定设备在预设时间段内的振动数据序列进行特征提取,得到振动数据序列的特征序列,并对得到的特征序列进行特征累积处理,以得到特征序列的累积特征,并根据特征序列的累积特征,准确确定出指定设备在预设时间段对应的剩余使用寿命。由此,基于对指定设备在预设时间段内的振动数据序列进行处理,以根据处理后的累计特征,确定指定设备在预设时间段对应的剩余使用寿命,实现了准确预测出指定设备在预设时间段对应的剩余使用寿命,从而可提高设备运行的安全性以及可靠性。
图6是本申请实施例所提供另一种设备的剩余使用寿命的确定装置的结构示意图。
在本申请的一个实施例中,如图6,确定模块504,包括:
输入单元5041,用于将累积特征输入到预先训练好的剩余使用寿命预测模型,以得到指定设备在预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,如图6,剩余使用寿命预测模型包括小波变换层和网络层,输入单元5041,具体用于:
将累积特征输入到小波变换层,以对累积特征分别进行小波变换,以得到每个累积特征的频域特征。
将频域特征输入至网络层中,以得到指定设备在预设时间段所对应的剩余使用寿命。
在本申请的一个实施例中,如图6,提取模块502,具体用于:
对振动数据序列中的每个振动数据进行三角函数特征计算,以得到振动数据序列的特征序列。
在本申请的一个实施例中,如图6,第一处理模块503,具体用于:
对特征序列中的三角函数特征进行求和处理,以得到求和值。
获取求和值的绝对值,获取绝对值的算术平方根值。
将求和值与算术平方根值的比值作为特征序列的累积特征。
在本申请的一个实施例中,如图6,装置还包括:
第二处理模块505,用于对特征序列进行去噪处理。
第三处理模块506,用于对去噪处理后的特征序列进行平滑处理。
本申请提出一种设备的剩余使用寿命的确定装置,在确定指定设备在预测时刻所对应的剩余使用寿命的过程中,基于对获取到的指定设备在预设时间段内的振动数据序列进行特征提取,得到振动数据序列的特征序列,并对得到的特征序列进行特征累积处理,以得到特征序列的累积特征,并根据特征序列的累积特征,准确确定出指定设备在预设时间段对应的剩余使用寿命。由此,基于对指定设备在预设时间段内的振动数据序列进行处理,以根据处理后的累计特征,确定指定设备在预设时间段对应的剩余使用寿命,实现了准确预测出指定设备在预设时间段对应的剩余使用寿命,从而可提高设备运行的安全性以及可靠性。
如图7所示,是根据本申请一个实施例的电子设备的框图。
如图7所示,该电子设备包括:
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机指令。
处理器702执行指令时实现上述实施例中提供的设备的剩余使用寿命的确定方法。
进一步地,电子设备还包括:
通信接口703,用于存储器701和处理器702之间的通信。
存储器701,用于存放可在处理器702上运行的计算机指令。
存储器701可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
处理器702,用于执行程序时实现上述实施例的设备的剩余使用寿命的确定方法。
如果存储器701、处理器702和通信接口703独立实现,则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器701、处理器702及通信接口703,集成在一块芯片上实现,则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种设备的剩余使用寿命的确定方法,其特征在于,所述方法包括:
获取指定设备在预设时间段内的振动数据序列;
对所述振动数据序列进行特征提取,以得到所述振动数据序列的特征序列;
对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征;
根据所述累积特征,确定所述指定设备在所述预设时间段所对应的剩余使用寿命。
2.如权利要求1所述的方法,其特征在于,所述根据所述累积特征,确定所述指定设备在所述预设时间段所对应的剩余使用寿命,包括:
将所述累积特征输入到预先训练好的剩余使用寿命预测模型,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
3.如权利要求2所述的方法,其特征在于,所述剩余使用寿命预测模型包括小波变换层和网络层,所述将所述累积特征输入到预先训练好的剩余使用寿命预测模型,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命,包括:
将所述累积特征输入到小波变换层,以对所述累积特征分别进行小波变换,以得到每个所述累积特征的频域特征;
将所述频域特征输入至所述网络层中,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
4.如权利要求1所述的方法,其特征在于,所述对所述振动数据序列进行特征提取,以得到所述振动数据序列的特征序列,包括:
对所述振动数据序列中的每个振动数据进行三角函数特征计算,以得到所述振动数据序列的特征序列。
5.如权利要求1所述的方法,其特征在于,所述对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征,包括:
对所述特征序列中的三角函数特征进行求和处理,以得到求和值;
获取所述求和值的绝对值,获取所述绝对值的算术平方根值;
将所述求和值与所述算术平方根值的比值作为所述特征序列的累积特征。
6.如权利要求1-5任一项所述的方法,其特征在于,在所述对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征之前,所述方法还包括:
对所述特征序列进行去噪处理;
对去噪处理后的特征序列进行平滑处理。
7.一种设备的剩余使用寿命的确定装置,其特征在于,所述装置包括:
第一获取模块,用于获取指定设备在预设时间段内的振动数据序列;
提取模块,用于对所述振动数据序列进行特征提取,以得到所述振动数据序列的特征序列;
第一处理模块,用于对所述特征序列进行特征累积处理,以得到所述特征序列的累积特征;
确定模块,用于根据所述累积特征,确定所述指定设备在所述预设时间段所对应的剩余使用寿命。
8.如权利要求7所述的装置,其特征在于,所述确定模块,包括:
输入单元,用于将所述累积特征输入到预先训练好的剩余使用寿命预测模型,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
9.如权利要求8所述的装置,其特征在于,所述剩余使用寿命预测模型包括小波变换层和网络层,所述输入单元,具体用于:
将所述累积特征输入到小波变换层,以对所述累积特征分别进行小波变换,以得到每个所述累积特征的频域特征;
将所述频域特征输入至所述网络层中,以得到所述指定设备在所述预设时间段所对应的剩余使用寿命。
10.如权利要求7所述的装置,其特征在于,所述提取模块,具体用于:
对所述振动数据序列中的每个振动数据进行三角函数特征计算,以得到所述振动数据序列的特征序列。
11.如权利要求7所述的装置,其特征在于,所述第一处理模块,具体用于:
对所述特征序列中的三角函数特征进行求和处理,以得到求和值;
获取所述求和值的绝对值,获取所述绝对值的算术平方根值;
将所述求和值与所述算术平方根值的比值作为所述特征序列的累积特征。
12.如权利要求7-11任一项所述的装置,其特征在于,所述装置还包括:
第二处理模块,用于对所述特征序列进行去噪处理;
第三处理模块,用于对去噪处理后的特征序列进行平滑处理。
13.一种电子设备,其特征在于,包括:
存储器、处理器及存储在存储器上并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程序时实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233684.6A CN114117658A (zh) | 2021-10-22 | 2021-10-22 | 设备的剩余使用寿命的确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111233684.6A CN114117658A (zh) | 2021-10-22 | 2021-10-22 | 设备的剩余使用寿命的确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114117658A true CN114117658A (zh) | 2022-03-01 |
Family
ID=80376588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111233684.6A Pending CN114117658A (zh) | 2021-10-22 | 2021-10-22 | 设备的剩余使用寿命的确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117658A (zh) |
-
2021
- 2021-10-22 CN CN202111233684.6A patent/CN114117658A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及*** | |
CN110688617B (zh) | 风机振动异常检测方法及装置 | |
CN112416643A (zh) | 无监督异常检测方法与装置 | |
CN109815855B (zh) | 一种基于机器学习的电子设备自动测试方法及*** | |
JP6283112B2 (ja) | データに基づく関数モデルを定めるための方法及び装置 | |
CN111310981A (zh) | 一种基于时间序列的水库水位趋势预测方法 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN113239022A (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控*** | |
CN111611654B (zh) | 一种铆接结构的疲劳预测方法、装置及设备、存储介质 | |
CN114037673A (zh) | 一种基于机器视觉的硬件衔接接口监测方法及*** | |
CN113592649A (zh) | 一种数据资产价值确定方法、装置及电子设备 | |
CN114755010A (zh) | 一种旋转机械振动故障诊断方法及其*** | |
CN113326744B (zh) | 一种航天器在轨状态异常检测方法及*** | |
CN109116183B (zh) | 谐波模型参数辨识方法、装置、存储介质及电子设备 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN110543869A (zh) | 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质 | |
Matania et al. | Transfer across different machines by transfer function estimation | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断***及方法 | |
CN114117658A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN116819352A (zh) | 电池阈值的自适应设定方法、装置、设备及存储介质 | |
CN114021744A (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 |
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 |