CN115713044A - 一种多工况切换下的机电设备剩余寿命分析方法和装置 - Google Patents
一种多工况切换下的机电设备剩余寿命分析方法和装置 Download PDFInfo
- Publication number
- CN115713044A CN115713044A CN202310025422.3A CN202310025422A CN115713044A CN 115713044 A CN115713044 A CN 115713044A CN 202310025422 A CN202310025422 A CN 202310025422A CN 115713044 A CN115713044 A CN 115713044A
- Authority
- CN
- China
- Prior art keywords
- working condition
- health
- curve
- target
- condition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000036541 health Effects 0.000 claims abstract description 361
- 238000004458 analytical method Methods 0.000 claims abstract description 194
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000002779 inactivation Effects 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000123589 Dipsacus Species 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及剩余寿命分析技术,揭露了一种多工况切换下的机电设备剩余寿命分析方法,包括:获取历史机电设备数据,按照工况数量将历史机电设备数据拆分成单一工况数据和多工况数据;利用预先训练的健康分析模型提取出单一工况数据对应的工况健康曲线集;利用预设的初始工况模型生成目标时序工况曲线对应的分析工况曲线,根据分析工况曲线对初始工况模型进行递归更新,得到工况分析模型;获取目标机电设备的实时设备数据,利用工况分析模型生成实时设备数据对应的健康曲线,并从健康曲线中提取出目标机电设备的剩余寿命。本发明还提出一种多工况切换下的机电设备剩余寿命分析装置。本发明可以提高机电设备剩余寿命分析的精确度。
Description
技术领域
本发明涉及剩余寿命分析技术领域,尤其涉及一种多工况切换下的机电设备剩余寿命分析方法和装置。
背景技术
机电设备一般指机械、电器及电气自动化设备,在建筑中多指除土工、木工、钢筋、泥水之外的机械、管道设备的统称,随着人民生活水平的不断提高,人们在日常生活中对机电设备的需求越来越多,从交通工具到各种家用电器、计算机、打印机等已成为人们生活中不可缺少的机电设备,先进的机电设备不仅能大大提高劳动生产率,还能减轻劳动强度,改善生产环境,完成人力无法完成的工作,但在机电设备的运行过程中,需要对机电设备进行剩余寿命分析,方便用户进行实时替换。
现有的机电设备剩余寿命分析技术多为基于老化程度识别的大数据分析,进而分析出机电设备的剩余寿命。例如,基于大数据分析的机电设备剩余寿命分析,实际应用中,机电设备在不同的工况下的老化速度不同,基于大数据分析的机电设备剩余寿命分析忽略了工况对机电设备寿命的影响,可能导致机电设备剩余寿命分析的精确度较差。
发明内容
本发明提供一种多工况切换下的机电设备剩余寿命分析方法和装置,其主要目的在于解决机电设备剩余寿命分析的精确度较差的问题。
为实现上述目的,本发明提供的一种多工况切换下的机电设备剩余寿命分析方法,包括:
获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据;
按照工况种类将所述单一工况数据拆分成多个单工况数据集,逐个选取所述单工况数据集作为目标工况数据集,利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征;
根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集;
根据所述多工况数据生成时序工况曲线集,逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线,利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征;
根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,其中,所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,包括:
逐个选取所述分析工况曲线作为目标分析工况曲线,并从所述目标时序工况曲线中提取出与所述目标分析工况曲线对应的顺序工况曲线;
利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值:
其中,是指所述工况损失值,是所述目标分析工况曲线的曲线长度,且所述
目标分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度,所述是指第时刻,是
所述目标分析工况曲线中的第时刻的数值,是所述顺序工况曲线中的第时刻的数值;
将所有的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值;
获取目标机电设备的实时设备数据,利用所述工况分析模型生成所述实时设备数据对应的工况总曲线,利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,并从所述健康曲线中提取出所述目标机电设备的剩余寿命。
可选地,所述利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征,包括:
利用预先训练的健康分析模型的健康滑动窗口逐帧采集所述目标工况数据集的工况数据曲线,将所述工况数据曲线转化为工况数据矩阵;
利用所述健康分析模型的卷积层提取出所述工况数据矩阵的初始健康特征;
利用所述健康分析模型的随机失活层对所述初始健康特征进行特征筛选,得到标准健康特征;
利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征;
利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征;
利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征。
可选地,所述利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征,包括:
利用所述健康分析模型的长短记忆层中的输入门从所述标准健康特征中提取出时序健康特征序列;
利用所述长短记忆层中的遗忘门从所述时序健康特征序列中筛选出记忆特征序列;
利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述时序健康特征序列进行特征更新,得到更新状态特征;
利用所述长短记忆层中的输出门对所述更新状态特征和所述时序健康特征进行特征融合,得到长短健康特征。
可选地,所述利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征,包括:
利用所述健康分析模型的自注意力层按照时序将所述工况数据矩阵向量化为工况向量序列;
为所述工况向量序列添加位置向量,得到标准工况向量序列;
利用所述自注意力层的多头注意力机制对所述标准工况向量序列进行转化,得到隐工况向量序列;
对所述隐工况向量序列进行特征融合,得到自注意力健康特征。
可选地,所述利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征,包括:
逐个选取所述长短健康特征中的特征作为目标长短健康特征,逐个选取所述自注意力健康特征中的特征作为目标自注意力健康特征;
利用所述健康分析模型的全连接层中的健康特征融合公式对所述目标长短健康特征和所述目标自注意力健康特征进行全连接操作,得到健康特征,其中,所述健康特征融合公式如下:
其中,是指第时刻的所述健康特征,是所述长短健康特征的特征权重,是
指第时刻的所述目标长短健康特征,是指第时刻,是指所述自注意力健康特征中隐藏特
征的数量,是指第时刻的所述目标自注意力健康特征的特征权重,是指第时刻
的所述目标自注意力健康特征,是所述健康特征融合公式对应的融合系数。
可选地,所述根据所述健康特征建立所述目标工况数据集的分析健康曲线,包括:
将所述健康特征归一化,得到标准健康特征;
将所述标准健康特征矩阵化,得到健康特征矩阵;
对所述健康特征矩阵进行线性转化,得到分析健康曲线。
可选地,所述根据所述多工况数据生成时序工况曲线集,包括:
按照工况种类对所述多工况数据进行时序标定,得到标定多工况数据;
对所述标定多工况数据进行工况转码,得到标定多工况矩阵;
对所述标定多工况矩阵进行线性转化,得到时序工况曲线。
可选地,所述利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征,包括:
利用所述初始工况模型对所述目标时序工况曲线进行卷积操作,得到目标时序工况特征;
对所述时序工况特征进行短期特征提取,得到短期工况特征;
对所述时序工况特征进行间隔特征提取,得到长期工况特征;
对所述短期工况特征和所述长期工况特征进行特征融合,得到长短时序特征。
可选地,所述利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,包括:
按照工况种类将所述工况总曲线拆分成多个单工况线段,逐个选取所述单工况线段作为目标工况线段,将所述目标工况线段对应的工况种类作为目标工况种类;
从所述工况健康曲线集中筛选出所述目标工况种类对应的工况健康曲线作为目标健康曲线,根据所述目标健康曲线与所述目标工况线段生成单工况健康曲线;
当所述单工况健康曲线对应的健康度小于预设的健康阈值时,将所有的所述单工况健康曲线按序拼接成所述目标机电设备的健康曲线。
为了解决上述问题,本发明还提供一种多工况切换下的机电设备剩余寿命分析装置,所述装置包括:
数据拆分模块,用于获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据;
健康特征模块,用于按照工况种类将所述单一工况数据拆分成多个单工况数据集,逐个选取所述单工况数据集作为目标工况数据集,利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征;
健康曲线模块,用于根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集;
工况特征模块,用于根据所述多工况数据生成时序工况曲线集,逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线,利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征;
工况曲线模块,用于根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,其中,所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,包括:逐个选取所述分析工况曲线作为目标分析工况曲线,并从所述目标时序工况曲线中提取出与所述目标分析工况曲线对应的顺序工况曲线;利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值:
其中,是指所述工况损失值,是所述目标分析工况曲线的曲线长度,且所述
目标分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度,所述是指第时刻,是
所述目标分析工况曲线中的第时刻的数值,是所述顺序工况曲线中的第时刻的数值;将
所有的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值;
寿命分析模块,用于获取目标机电设备的实时设备数据,利用所述工况分析模型生成所述实时设备数据对应的工况总曲线,利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,并从所述健康曲线中提取出所述目标机电设备的剩余寿命。
本发明实施例通过获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据,可以方便提取每种工况下的机电健康特征,同时便于分析所述机电设备工况切换的特征,通过利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征,能够分析出每类工况的对应的健康衰退情况,从而提高剩余寿命分析的准确性,通过根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集,能够计算出每种单一工况下的健康度与时间的关系,从而提高后续寿命分析的准确性,通过利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征,可以识别所述目标时序工况曲线对应的工况状态变化关系,从而方便后续的工况模拟;
通过根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,可以根据初始工况模型的分析工况变化趋势与工况实际变化趋势之间的差别更新所述初始工况模型,从而提高工况趋势分析的准确性,通过利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,可以模拟所述目标机电设备后续的工况切换状况,并统计每种工况种的健康损耗程度,从而计算出所述目标机电设备的剩余寿命,提高了剩余寿命计算的准确性。因此本发明提出的多工况切换下的机电设备剩余寿命分析方法和装置,可以解决机电设备剩余寿命分析的精确度较差的问题。
附图说明
图1为本发明一实施例提供的多工况切换下的机电设备剩余寿命分析方法的流程示意图;
图2为本发明一实施例提供的提取长短健康特征的流程示意图;
图3为本发明一实施例提供的提取长短时序特征的流程示意图;
图4为本发明一实施例提供的多工况切换下的机电设备剩余寿命分析装置的功能模块图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种多工况切换下的机电设备剩余寿命分析方法。所述多工况切换下的机电设备剩余寿命分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述多工况切换下的机电设备剩余寿命分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的多工况切换下的机电设备剩余寿命分析方法的流程示意图。在本实施例中,所述多工况切换下的机电设备剩余寿命分析方法包括:
S1、获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据。
本发明实施例中,所述历史机电设备数据是指多个同型号机电设备的运行状态数据以及工况切换数据,其中,运行状态数据由固定在所述机电设备上的多个传感器获取,所述传感器可以是振动传感器、电压传感器以及电流传感器等传感器。
详细地,所述工况数量是指每份数据中机电设备运行时采用的总工况数量,所述工况是指设备在和其动作有直接关系的条件下的工作状态,所述单一工况数据是指一份数据中仅包含一种工况的数据,所述多工况数据是指一份数据中包含多种工况切换的数据。
本发明实施例中,通过获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据,可以方便提取每种工况下的机电健康特征,同时便于分析所述机电设备工况切换的特征。
S2、按照工况种类将所述单一工况数据拆分成多个单工况数据集,逐个选取所述单工况数据集作为目标工况数据集,利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征。
本发明实施例中,所述工况种类是指不同种类的工况,例如复杂工况、特殊工况以及设计工况等;所述单工况数据集是指同一工况种类的工况的数据组成的集合,所述单工况数据集中包含多个同一工况种类的单工况数据,其中,单工况数据包括所述机电设备的时序振动信号、时序电压信号以及时序电流信号。
本发明实施例中,所述利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征,包括:
利用预先训练的健康分析模型的健康滑动窗口逐帧采集所述目标工况数据集的工况数据曲线,将所述工况数据曲线转化为工况数据矩阵;
利用所述健康分析模型的卷积层提取出所述工况数据矩阵的初始健康特征;
利用所述健康分析模型的随机失活层对所述初始健康特征进行特征筛选,得到标准健康特征;
利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征;
利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征;
利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征。
详细地,所述健康分析模型包括健康滑动窗口、卷积层、随机失活层、长短记忆层、自注意力层以及全连接层,其中,所述健康滑动窗口的窗口尺寸可以是一天或者一周,所述卷积层可以是卷积神经网络(Convolutional Neural Networks,简称CNN),所述卷积层中包含多个滤波卷积核,所述随机失活层可以是dropout层,所述随机失活层可以计算每个初始健康特征的随机失活概率,并根据所述随机失活概率筛选出标准健康特征,所述长短记忆层中包括输入门、遗忘门、特征状态门以及输出门;所述自注意力层可以是transform模型,所述自注意力层包括编码组件和解码组件,所述全连接层可以是flatten层。
详细地,参照图2所示,所述利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征,包括:
S21、利用所述健康分析模型的长短记忆层中的输入门从所述标准健康特征中提取出时序健康特征序列;
S22、利用所述长短记忆层中的遗忘门从所述时序健康特征序列中筛选出记忆特征序列;
S23、利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述时序健康特征序列进行特征更新,得到更新状态特征;
S24、利用所述长短记忆层中的输出门对所述更新状态特征和所述时序健康特征进行特征融合,得到长短健康特征。
本发明实施例中,所述输入门可以是长短期记忆网络(long short-term memory,LSTM)中的intput gate,所述遗忘门可以是所述长短期记忆网络的forget gate,所述特征状态门可以是所述长短期记忆网络的cell state,所述输出门可以是所述长短期记忆网络的output gate。
详细地,所述利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征,包括:
利用所述健康分析模型的自注意力层按照时序将所述工况数据矩阵向量化为工况向量序列;
为所述工况向量序列添加位置向量,得到标准工况向量序列;
利用所述自注意力层的多头注意力机制对所述标准工况向量序列进行转化,得到隐工况向量序列;
对所述隐工况向量序列进行特征融合,得到自注意力健康特征。
详细地,所述位置向量是指所述工况向量序列中每个向量所处时序位置的向量,所述多头注意力机制是指所述自注意力层的self attention机制。
详细地,所述利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征,包括:
逐个选取所述长短健康特征中的特征作为目标长短健康特征,逐个选取所述自注意力健康特征中的特征作为目标自注意力健康特征;
利用所述健康分析模型的全连接层中的健康特征融合公式对所述目标长短健康特征和所述目标自注意力健康特征进行全连接操作,得到健康特征,其中,所述健康特征融合公式如下:
其中,是指第时刻的所述健康特征,是所述长短健康特征的特征权重,是
指第时刻的所述目标长短健康特征,是指第时刻,是指所述自注意力健康特征中隐藏特
征的数量,是指第时刻的所述目标自注意力健康特征的特征权重,是指第时刻
的所述目标自注意力健康特征,是所述健康特征融合公式对应的融合系数。
本发明实施例中,通过利用所述健康分析模型的全连接层中的健康特征融合公式对所述目标长短健康特征和所述目标自注意力健康特征进行全连接操作,得到健康特征,可以有效提取出所述川断健康特征在每时刻对应的特征权重,从而得到更有代表性的健康特征。
本发明实施例中,通过利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征,能够分析出每类工况的对应的健康衰退情况,从而提高剩余寿命分析的准确性。
S3、根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集。
本发明实施例中,所述分析健康曲线是指健康因子和时间的变化曲线,所述健康因子是指所述所述机电设备的健康率,当所述健康因子为100时,表示所述机电设备刚刚出厂,当所述健康因子为0时,表示所述机电设备已经损坏。
本发明实施例中,所述根据所述健康特征建立所述目标工况数据集的分析健康曲线,包括:
将所述健康特征归一化,得到标准健康特征;
将所述标准健康特征矩阵化,得到健康特征矩阵;
对所述健康特征矩阵进行线性转化,得到分析健康曲线。
详细地,可以利用softmax函数将所述健康特征归一化,得到标准健康特征,所述对所述健康特征矩阵进行线性转化,得到分析健康曲线是指将所述健康特征矩阵拆分为时间和健康度的线性对应关系,并串联成分析健康曲线。
本发明实施例中,通过根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集,能够计算出每种单一工况下的健康度与时间的关系,从而提高后续寿命分析的准确性。
S4、根据所述多工况数据生成时序工况曲线集,逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线,利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征。
本发明实施例中,所述多工况数据是指一份机电设备中包含多种工况的数据,所述多工况数据记录了每种工况的起始时间与结束时间,所述时序工况曲线集中包含多个时序工况曲线,每个所述时序工况曲线反映了时间与工况种类之间的变换关系。
本发明实施例中,所述根据所述多工况数据生成时序工况曲线集,包括:
按照工况种类对所述多工况数据进行时序标定,得到标定多工况数据;
对所述标定多工况数据进行工况转码,得到标定多工况矩阵;
对所述标定多工况矩阵进行线性转化,得到时序工况曲线。
详细地,所述按照工况种类对所述多工况数据进行时序标定,得到标定多工况数据,例如0到10为经济工况、11到20为超载工况,21到30为设计工况。
详细地,所述对所述标定多工况数据进行工况转码,得到标定多工况矩阵是指为每种工况种类进行赋值,得到对应的标定多工况矩阵,例如将经济工况赋值为1,将超载工况赋值为2,将设计工况赋值为3,并将工况种类值和对应的维持时间按照时序组成矩阵。
详细地,所述初始工况模型包括卷积层、门控循环层以及特征融合层,其中所述门控循环层是指门控循环神经网络(gated recurrent neural network,简称GRU)。
详细地,参照图3所示,所述利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征,包括:
S31、利用所述初始工况模型对所述目标时序工况曲线进行卷积操作,得到目标时序工况特征;
S32、对所述时序工况特征进行短期特征提取,得到短期工况特征;
S33、对所述时序工况特征进行间隔特征提取,得到长期工况特征;
S34、对所述短期工况特征和所述长期工况特征进行特征融合,得到长短时序特征。
详细地,可以利用所述初始工况模型的门控循环层计算出所述时序工况特征的短期重置特征和短期更新特征,并根据所述短期重置特征和所述短期更新特征计算出所述短期工况特征,详细地,所述对所述时序工况特征进行间隔特征提取,得到长期工况特征的方法与上述步骤S4中的对所述时序工况特征进行短期特征提取,得到短期工况特征的方法一致,这里不再赘述。
本发明实施例中,通过利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征,可以识别所述目标时序工况曲线对应的工况状态变化关系,从而方便后续的工况模拟。
S5、根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型。
本发明实施例中,所述根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线的方法与上述步骤S3中的所述根据所述健康特征建立所述目标工况数据集的分析健康曲线的方法一致,这里不再赘述。
本发明实施例中,所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,包括:
逐个选取所述分析工况曲线作为目标分析工况曲线,并从所述目标时序工况曲线中提取出与所述目标分析工况曲线对应的顺序工况曲线;
利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值:
其中,是指所述工况损失值,是所述目标分析工况曲线的曲线长度,且所述
目标分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度,所述是指第时刻,是
所述目标分析工况曲线中的第时刻的数值,是所述顺序工况曲线中的第时刻的数值;
将所有的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值。
详细地,通过利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值,可以比较出分析处的工况变化走势与实际的工况变化走势之间的差别,从而方便后续对初始工况模型的优化;所述顺序工况曲线是在所述目标时序工况曲线中时序区间与分析出的所述分析工况曲线对应的部分。
本发明实施例中,所述根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,是指利用梯度下降算法根据所述损失值对所述初始工况模型中的模型参数进行梯度递归更新,并计算更新后的所述初始工况模型对应的损失值,直至所述损失值小于预设的损失阈值时,将更新后的所述初始工况模型作为工况分析模型。
本发明实施例中,通过根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,可以根据初始工况模型的分析工况变化趋势与工况实际变化趋势之间的差别更新所述初始工况模型,从而提高工况趋势分析的准确性。
S6、获取目标机电设备的实时设备数据,利用所述工况分析模型生成所述实时设备数据对应的工况总曲线,利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,并从所述健康曲线中提取出所述目标机电设备的剩余寿命。
本发明实施例中,所述实时设备数据是指所述目标机电设备上的传感器组件获取的传感器数据,所述工况总曲线是用于反映所述目标机电设备的后续工况变化情况的曲线。
本发明实施例中,所述利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,包括:
按照工况种类将所述工况总曲线拆分成多个单工况线段,逐个选取所述单工况线段作为目标工况线段,将所述目标工况线段对应的工况种类作为目标工况种类;
从所述工况健康曲线集中筛选出所述目标工况种类对应的工况健康曲线作为目标健康曲线,根据所述目标健康曲线与所述目标工况线段生成单工况健康曲线;
当所述单工况健康曲线对应的健康度小于预设的健康阈值时,将所有的所述单工况健康曲线按序拼接成所述目标机电设备的健康曲线。
详细地,所述根据所述目标健康曲线与所述目标工况线段生成单工况健康曲线是指获取所述目标工况线段对应的初始健康度和工况持续时间,根据所述初始健康度和所述工况持续时间在所述目标健康曲线中匹配到对应的曲线线段作为单工况健康曲线,其中,所述初始健康度是指所述目标工况线段开始时期对应的所述目标机电设备的健康度;
详细地,所述健康阈值是指所述目标机电设备无法正常工作时对应的健康度,所述从所述健康曲线中提取出所述目标机电设备的剩余寿命是指统计出所述健康曲线对应的时序长度,将所述时序长度作为所述目标机电设备的剩余寿命。
本发明实施例中,通过利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,可以模拟所述目标机电设备后续的工况切换状况,并统计每种工况种的健康损耗程度,从而计算出所述目标机电设备的剩余寿命,提高了剩余寿命计算的准确性。
本发明实施例通过获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据,可以方便提取每种工况下的机电健康特征,同时便于分析所述机电设备工况切换的特征,通过利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征,能够分析出每类工况的对应的健康衰退情况,从而提高剩余寿命分析的准确性,通过根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集,能够计算出每种单一工况下的健康度与时间的关系,从而提高后续寿命分析的准确性,通过利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征,可以识别所述目标时序工况曲线对应的工况状态变化关系,从而方便后续的工况模拟;
通过根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,可以根据初始工况模型的分析工况变化趋势与工况实际变化趋势之间的差别更新所述初始工况模型,从而提高工况趋势分析的准确性,通过利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,可以模拟所述目标机电设备后续的工况切换状况,并统计每种工况种的健康损耗程度,从而计算出所述目标机电设备的剩余寿命,提高了剩余寿命计算的准确性。因此本发明提出的多工况切换下的机电设备剩余寿命分析方法,可以解决机电设备剩余寿命分析的精确度较差的问题
如图4所示,是本发明一实施例提供的多工况切换下的机电设备剩余寿命分析装置的功能模块图。
本发明所述多工况切换下的机电设备剩余寿命分析装置100可以安装于电子设备中。根据实现的功能,所述多工况切换下的机电设备剩余寿命分析装置100可以包括数据拆分模块101、健康特征模块102、健康曲线模块103、工况特征模块104、工况曲线模块105及寿命分析模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据拆分模块101,用于获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据;
所述健康特征模块102,用于按照工况种类将所述单一工况数据拆分成多个单工况数据集,逐个选取所述单工况数据集作为目标工况数据集,利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征;
所述健康曲线模块103,用于根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集;
所述工况特征模块104,用于根据所述多工况数据生成时序工况曲线集,逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线,利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征;
所述工况曲线模块105,用于根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,其中,所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,包括:逐个选取所述分析工况曲线作为目标分析工况曲线,并从所述目标时序工况曲线中提取出与所述目标分析工况曲线对应的顺序工况曲线;利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值:
其中,是指所述工况损失值,是所述目标分析工况曲线的曲线长度,且所述
目标分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度,所述是指第时刻,是
所述目标分析工况曲线中的第时刻的数值,是所述顺序工况曲线中的第时刻的数值;将
所有的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值;
所述寿命分析模块106,用于获取目标机电设备的实时设备数据,利用所述工况分析模型生成所述实时设备数据对应的工况总曲线,利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,并从所述健康曲线中提取出所述目标机电设备的剩余寿命。
详细地,本发明实施例中所述多工况切换下的机电设备剩余寿命分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的多工况切换下的机电设备剩余寿命分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述方法包括:
S1:获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据;
S2:按照工况种类将所述单一工况数据拆分成多个单工况数据集,逐个选取所述单工况数据集作为目标工况数据集,利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征;
S3:根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集;
S4:根据所述多工况数据生成时序工况曲线集,逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线,利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征;
S5:根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,其中,所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,包括:
S51:逐个选取所述分析工况曲线作为目标分析工况曲线,并从所述目标时序工况曲线中提取出与所述目标分析工况曲线对应的顺序工况曲线;
S52:利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值:
其中,是指所述工况损失值,是所述目标分析工况曲线的曲线长度,且所述目标
分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度,所述是指第时刻,是所述
目标分析工况曲线中的第时刻的数值,是所述顺序工况曲线中的第时刻的数值;
S53:将所有的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值;
S6:获取目标机电设备的实时设备数据,利用所述工况分析模型生成所述实时设备数据对应的工况总曲线,利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,并从所述健康曲线中提取出所述目标机电设备的剩余寿命。
2.如权利要求1所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征,包括:
利用预先训练的健康分析模型的健康滑动窗口逐帧采集所述目标工况数据集的工况数据曲线,将所述工况数据曲线转化为工况数据矩阵;
利用所述健康分析模型的卷积层提取出所述工况数据矩阵的初始健康特征;
利用所述健康分析模型的随机失活层对所述初始健康特征进行特征筛选,得到标准健康特征;
利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征;
利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征;
利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征。
3.如权利要求2所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述利用所述健康分析模型的长短记忆层提取出所述标准健康特征的长短健康特征,包括:
利用所述健康分析模型的长短记忆层中的输入门从所述标准健康特征中提取出时序健康特征序列;
利用所述长短记忆层中的遗忘门从所述时序健康特征序列中筛选出记忆特征序列;
利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述时序健康特征序列进行特征更新,得到更新状态特征;
利用所述长短记忆层中的输出门对所述更新状态特征和所述时序健康特征进行特征融合,得到长短健康特征。
4.如权利要求2所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述利用所述健康分析模型的自注意力层提取出所述工况数据矩阵的自注意力健康特征,包括:
利用所述健康分析模型的自注意力层按照时序将所述工况数据矩阵向量化为工况向量序列;
为所述工况向量序列添加位置向量,得到标准工况向量序列;
利用所述自注意力层的多头注意力机制对所述标准工况向量序列进行转化,得到隐工况向量序列;
对所述隐工况向量序列进行特征融合,得到自注意力健康特征。
5.如权利要求2所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述利用所述健康分析模型的全连接层将所述长短健康特征和所述自注意力健康特征融合成健康特征,包括:
逐个选取所述长短健康特征中的特征作为目标长短健康特征,逐个选取所述自注意力健康特征中的特征作为目标自注意力健康特征;
利用所述健康分析模型的全连接层中的健康特征融合公式对所述目标长短健康特征和所述目标自注意力健康特征进行全连接操作,得到健康特征,其中,所述健康特征融合公式如下:
6.如权利要求1所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述根据所述健康特征建立所述目标工况数据集的分析健康曲线,包括:
将所述健康特征归一化,得到标准健康特征;
将所述标准健康特征矩阵化,得到健康特征矩阵;
对所述健康特征矩阵进行线性转化,得到分析健康曲线。
7.如权利要求1所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述根据所述多工况数据生成时序工况曲线集,包括:
按照工况种类对所述多工况数据进行时序标定,得到标定多工况数据;
对所述标定多工况数据进行工况转码,得到标定多工况矩阵;
对所述标定多工况矩阵进行线性转化,得到时序工况曲线。
8.如权利要求1所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征,包括:
利用所述初始工况模型对所述目标时序工况曲线进行卷积操作,得到目标时序工况特征;
对所述时序工况特征进行短期特征提取,得到短期工况特征;
对所述时序工况特征进行间隔特征提取,得到长期工况特征;
对所述短期工况特征和所述长期工况特征进行特征融合,得到长短时序特征。
9.如权利要求1所述的多工况切换下的机电设备剩余寿命分析方法,其特征在于,所述利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,包括:
按照工况种类将所述工况总曲线拆分成多个单工况线段,逐个选取所述单工况线段作为目标工况线段,将所述目标工况线段对应的工况种类作为目标工况种类;
从所述工况健康曲线集中筛选出所述目标工况种类对应的工况健康曲线作为目标健康曲线,根据所述目标健康曲线与所述目标工况线段生成单工况健康曲线;
当所述单工况健康曲线对应的健康度小于预设的健康阈值时,将所有的所述单工况健康曲线按序拼接成所述目标机电设备的健康曲线。
10.一种多工况切换下的机电设备剩余寿命分析装置,其特征在于,所述装置包括:
数据拆分模块,用于获取历史机电设备数据,按照工况数量将所述历史机电设备数据拆分成单一工况数据和多工况数据;
健康特征模块,用于按照工况种类将所述单一工况数据拆分成多个单工况数据集,逐个选取所述单工况数据集作为目标工况数据集,利用预先训练的健康分析模型提取出所述目标工况数据集对应的健康特征;
健康曲线模块,用于根据所述健康特征建立所述目标工况数据集的分析健康曲线,并将所有的所述分析健康曲线汇集成工况健康曲线集;
工况特征模块,用于根据所述多工况数据生成时序工况曲线集,逐个选取所述时序工况曲线集中的时序工况曲线作为目标时序工况曲线,利用预设的初始工况模型采集出所述目标时序工况曲线对应的长短时序特征;
工况曲线模块,用于根据所述长短时序特征生成所述目标时序工况曲线对应的分析工况曲线,根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,并根据所述损失值对所述初始工况模型进行递归更新,得到工况分析模型,其中,所述根据所有的所述分析工况曲线计算出所述初始工况模型的损失值,包括:逐个选取所述分析工况曲线作为目标分析工况曲线,并从所述目标时序工况曲线中提取出与所述目标分析工况曲线对应的顺序工况曲线;利用如下的工况损失值算法计算出所述目标分析工况曲线与所述顺序工况曲线之间的工况损失值:
其中,是指所述工况损失值,是所述目标分析工况曲线的曲线长度,且所述目标
分析工况曲线的曲线长度等于所述顺序工况曲线的曲线长度,所述是指第时刻,是所述
目标分析工况曲线中的第时刻的数值,是所述顺序工况曲线中的第时刻的数值;将所有
的所述工况损失值的绝对值的平均值作为所述初始工况模型的损失值;
寿命分析模块,用于获取目标机电设备的实时设备数据,利用所述工况分析模型生成所述实时设备数据对应的工况总曲线,利用所述工况健康曲线集和所述工况总曲线生成所述目标机电设备的健康曲线,并从所述健康曲线中提取出所述目标机电设备的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025422.3A CN115713044B (zh) | 2023-01-09 | 2023-01-09 | 一种多工况切换下的机电设备剩余寿命分析方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310025422.3A CN115713044B (zh) | 2023-01-09 | 2023-01-09 | 一种多工况切换下的机电设备剩余寿命分析方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115713044A true CN115713044A (zh) | 2023-02-24 |
CN115713044B CN115713044B (zh) | 2023-04-25 |
Family
ID=85236214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310025422.3A Active CN115713044B (zh) | 2023-01-09 | 2023-01-09 | 一种多工况切换下的机电设备剩余寿命分析方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713044B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195730A (zh) * | 2023-09-14 | 2023-12-08 | 江西睿构科技有限公司 | 一种高速公路机电设备寿命分析方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021826A (zh) * | 2016-07-11 | 2016-10-12 | 北京航空航天大学 | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放***箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
WO2021167443A1 (en) * | 2020-02-17 | 2021-08-26 | Petroliam Nasional Berhad (Petronas) | Equipment failure probability calculation and lifetime estimation methods and systems |
CN113434970A (zh) * | 2021-06-01 | 2021-09-24 | 北京交通大学 | 一种机械设备的健康指标曲线提取和寿命预测方法 |
CN113836822A (zh) * | 2021-10-28 | 2021-12-24 | 重庆大学 | 一种基于mclstm模型的航空发动机寿命预测方法 |
US20220074985A1 (en) * | 2020-09-07 | 2022-03-10 | Wuhan University | Multi-time-scale reliability evaluation method of wind power igbt considering fatigue damage and system thereof |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN115409067A (zh) * | 2022-09-07 | 2022-11-29 | 西安工业大学 | 一种数控机床组件剩余寿命预测方法 |
CN115563463A (zh) * | 2022-09-13 | 2023-01-03 | 太原理工大学 | 基于深度元学习算法的多工况旋转机械剩余寿命预测方法 |
-
2023
- 2023-01-09 CN CN202310025422.3A patent/CN115713044B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021826A (zh) * | 2016-07-11 | 2016-10-12 | 北京航空航天大学 | 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法 |
WO2021167443A1 (en) * | 2020-02-17 | 2021-08-26 | Petroliam Nasional Berhad (Petronas) | Equipment failure probability calculation and lifetime estimation methods and systems |
US20220074985A1 (en) * | 2020-09-07 | 2022-03-10 | Wuhan University | Multi-time-scale reliability evaluation method of wind power igbt considering fatigue damage and system thereof |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放***箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113434970A (zh) * | 2021-06-01 | 2021-09-24 | 北京交通大学 | 一种机械设备的健康指标曲线提取和寿命预测方法 |
CN113836822A (zh) * | 2021-10-28 | 2021-12-24 | 重庆大学 | 一种基于mclstm模型的航空发动机寿命预测方法 |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN115409067A (zh) * | 2022-09-07 | 2022-11-29 | 西安工业大学 | 一种数控机床组件剩余寿命预测方法 |
CN115563463A (zh) * | 2022-09-13 | 2023-01-03 | 太原理工大学 | 基于深度元学习算法的多工况旋转机械剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
HUAQING WANG 等: "Multitask Learning-Based Self-Attention Encoding Atrous Convolutional Neural Network for Remaining Useful Life Prediction" * |
李琪;高占宝;李善营;李宝安;: "变工况条件下基于相似性的剩余使用寿命预测方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195730A (zh) * | 2023-09-14 | 2023-12-08 | 江西睿构科技有限公司 | 一种高速公路机电设备寿命分析方法及*** |
CN117195730B (zh) * | 2023-09-14 | 2024-03-19 | 江西睿构科技有限公司 | 一种高速公路机电设备寿命分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115713044B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
CN112364975B (zh) | 基于图神经网络的终端运行状态预测方法及*** | |
CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和*** | |
CN110619427A (zh) | 基于序列到序列学习模型的交通指数预测方法和装置 | |
CN116845874A (zh) | 一种电力负荷的短期预测方法及装置 | |
CN115713044A (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN115221396A (zh) | 基于人工智能的信息推荐方法、装置及电子设备 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN115795329A (zh) | 一种基于大数据网格下的用电异常行为分析方法和装置 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及*** | |
CN117236571B (zh) | 一种基于物联网的规划方法和*** | |
CN114897248A (zh) | 一种基于人工智能的电网负荷预测方法 | |
CN112766537B (zh) | 一种短期电负荷预测方法 | |
CN117494888A (zh) | 基于优化级联的分布式光伏功率预测方法及*** | |
CN115809795A (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
CN116470485A (zh) | 时间序列的处理***、方法和计算机可读存储介质 | |
CN115018212B (zh) | 发电用水量预测分析方法、***及云平台 | |
CN115331155B (zh) | 一种海量视频监控点位出图状态检测方法及*** | |
CN116435995A (zh) | 时间序列的处理方法、计算机可读存储介质和电子设备 | |
CN115796359A (zh) | 基于深度Koopman算符的PM2.5时空预测方法 | |
CN112581031B (zh) | 一种c语言实现递归神经网络(rnn)对电机异常进行实时监控的方法 |
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 |