CN115879248A - 一种适用于真空泵的全生命周期管理方法和*** - Google Patents
一种适用于真空泵的全生命周期管理方法和*** Download PDFInfo
- Publication number
- CN115879248A CN115879248A CN202310194933.8A CN202310194933A CN115879248A CN 115879248 A CN115879248 A CN 115879248A CN 202310194933 A CN202310194933 A CN 202310194933A CN 115879248 A CN115879248 A CN 115879248A
- Authority
- CN
- China
- Prior art keywords
- data
- vacuum pump
- target
- life
- life prediction
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000003750 conditioning effect Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Compressors, Vaccum Pumps And Other Relevant Systems (AREA)
Abstract
本申请涉及一种适用于真空泵的全生命周期管理方法和***,所属领域为产品全生命周期管理技术领域,所述方法包括:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;基于所述目标数据构建真空泵寿命预测模型;利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。本申请通过对目标真空泵进行寿命预测,从而能够准确预测出真空泵的性能退化过程,以便于对已应用的真空泵全生命周期进行有效地管理,以提高真空泵的使用可靠性、安全性以及管理效率。
Description
技术领域
本申请涉及产品全生命周期管理的技术领域,特别是涉及一种适用于真空泵的全生命周期管理方法和***。
背景技术
在带有真空泵的***中,真空泵在全生命周期的运行过程中,可能会出现老化、被沉积物污染等问题,从而导致其性能和效率降低并出现异常状况,现有技术通常通过技术人员的经验来判断真空泵的异常状况以及更换周期,然而,根据真空泵的使用环境不同,真空泵的使用寿命也不同,常规方法难以准确判断出真空泵的维修及更换周期,从而导致真空泵使用可靠性和安全性低,因此,亟需提出一种利用真空泵相关动态信息来对真空泵全运行生命周期进行管理的方法。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确判断真空泵运行过程中出现的性能退化问题,从而便于维护管理的真空泵全生命周期管理方法、***、计算机设备和存储介质。
一方面,提供一种适用于真空泵的全生命周期管理方法,所述方法包括:
步骤A:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
步骤B:基于所述目标数据构建真空泵寿命预测模型;
步骤C:利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
步骤D:根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
在其中一个实施例中,还包括:所述第一数据包括所述真空泵的初始状态数据、应用环境数据、运行状态数据和损耗数据,所述对所述第一数据进行预处理,得到目标数据包括:对所述第一数据进行数据清洗;按照预设数据量筛选清洗后的所述第一数据,得到第二数据;基于聚类分析策略对所述第二数据进行分类并排序,得到4个不同类别的数据集,分别为第一类别、第二类别、第三类别和第四类别;利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据。
在其中一个实施例中,还包括:所述利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据包括:对读取的所述目标类别的数据集进行归一化处理,其计算公式为:
其中,表示第m个数据属性的归一化系数,/>表示第n个数据的自定义系数,表示第n个数据的第m个数据属性,/>表示第m个数据属性的权值,/>表示数据属性数量,表示第n个数据的第m个数据属性的归一化值,/>,/>表示数据数量;
利用拟合函数将归一化处理后的数据进行拟合处理,所述拟合函数为:
定义拟合处理后的数据值为所述目标数据。
在其中一个实施例中,还包括:所述真空泵寿命预测模型的构建过程包括:基于深度神经网络预构建第一真空泵寿命预测模型;基于多个真空泵得到的所述目标数据对所述第一真空泵寿命预测模型进行训练;当所述第一真空泵寿命预测模型的精度达到预设标准时,输出训练完成得到的第二真空泵寿命预测模型,即为最终的所述真空泵寿命预测模型。
在其中一个实施例中,还包括:所述真空泵寿命预测模型的表达式包括:
在其中一个实施例中,还包括:所述利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线包括:将计算所得到每个时间点所对应的所述目标真空泵的目标数据输入所述真空泵寿命预测模型中,得到第一寿命预测值;按照预设区间将多个时间点进行分段,求取每个分段对应的所述第一寿命预测值的平均值,得到第二寿命预测值;将所述第二寿命预测值与分段区间中间时间点形成一一映射关系,并连接多个中间时间点对应的所述第二寿命预测值,生成寿命衰减曲线。
在其中一个实施例中,还包括:所述根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理包括:基于所述寿命衰减曲线计算相邻两个中间时间点对应的所述第二寿命预测值的斜率;根据所述斜率判断所述目标真空泵的处理方式:当所述斜率大于第一预设值,且使用年限小于第二预设值时,判断所述目标真空泵出现故障需检修;当所述斜率大于第一预设值,且使用年限大于或等于第二预设值时,判断所述目标真空泵需要报废处理。
另一方面,提供了一种适用于真空泵的全生命周期管理***,所述***包括:
预处理模块,用于获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
模型构建模块,用于基于所述目标数据构建真空泵寿命预测模型;
计算模块,用于利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
选择模块,用于根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
再一方面,提供了一种计算机设备,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,所述处理器执行所述计算机程序时实现以下步骤:
步骤A:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
步骤B:基于所述目标数据构建真空泵寿命预测模型;
步骤C:利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
步骤D:根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
又一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
步骤A:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
步骤B:基于所述目标数据构建真空泵寿命预测模型;
步骤C:利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
步骤D:根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
上述一种适用于真空泵的全生命周期管理方法、***、计算机设备和存储介质,所述方法包括:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;基于所述目标数据构建真空泵寿命预测模型;利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理,本申请通过对目标真空泵进行寿命预测,从而能够准确预测出真空泵的性能退化过程,以便于对已应用的真空泵全生命周期进行有效地管理,以提高真空泵的使用可靠性、安全性以及管理效率。
附图说明
图1为一个实施例中适用于真空泵的全生命周期管理方法的应用环境图;
图2为一个实施例中适用于真空泵的全生命周期管理方法的流程示意图;
图3为一个实施例中适用于真空泵的全生命周期管理***的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应当理解,在本申请的描述中,除非上下文明确要求,否则整个说明书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
还应当理解,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
需要注意的是,术语“S1”、“S2”等仅用于步骤的描述目的,并非特别指称次序或顺位的意思,亦非用以限定本申请,其仅仅是为了方便描述本申请的方法,而不能理解为指示步骤的先后顺序。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
本申请提供的适用于真空泵的全生命周期管理方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与设置于服务器104上的数据处理平台进行通信,其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种适用于真空泵的全生命周期管理方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S1:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据。
需要说明的是,所述第一数据包括所述真空泵的初始状态数据、应用环境数据、运行状态数据和损耗数据,示例性的,初始状态数据可以包括设计预估质量、型号、制造质量、验收质量和厂家生产缺陷等等中的一项或多项,应用环境数据可以包括环境温度、湿度、气候特征等等中的一项或多项,运行状态数据包括电流值、压力值、使用次数等等中的一项或多项,损耗数据包括磨损值、故障次数、抗冲击能力等等中的一项或多项,基于专家赋权法对上述数据进行权重赋值,其中,专家赋权法指的是利用本领域内资深专家对目标数据进行打分,在本实施例中是指根据目标数据对寿命值的影响程度对所有目标数据进行打分,根据打分结果对不同指标赋予不同的权重,并将其存储在历史数据库中;
进一步的,所述对所述第一数据进行预处理,得到目标数据包括:
对所述第一数据进行数据清洗,本步骤为了处理无效值和缺失值,得到较优的数据,以提高后续模型的预测精度;
按照预设数据量筛选清洗后的所述第一数据,得到第二数据,该预设数据量可以根据实际需要进行设定;
基于聚类分析策略对所述第二数据进行分类并排序,得到4个不同类别的数据集,分别为第一类别、第二类别、第三类别和第四类别,其中,聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程,本实施所采用的聚类分析方法为本领域常规的方法,如k均值聚类算法等,在此不再赘述,本申请的排序方法是按照时间进行排序,另外,示例性的,第一类别对应上述的初始状态数据,以此类推;
利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据,具体的:
对读取的所述目标类别的数据集进行归一化处理,其计算公式为:
其中,表示第m个数据属性的归一化系数,/>表示第n个数据的自定义系数,表示第n个数据的第m个数据属性,/>表示第m个数据属性的权值,/>表示数据属性数量,表示第n个数据的第m个数据属性的归一化值,/>,/>表示数据数量;
利用拟合函数将归一化处理后的数据进行拟合处理,所述拟合函数为:
定义拟合处理后的数据值为所述目标数据。
S2:基于所述目标数据构建真空泵寿命预测模型。
需要说明的是,所述真空泵寿命预测模型的构建过程包括:
基于深度神经网络预构建第一真空泵寿命预测模型,其中,深度神经网络包括:特征提取网络与属性预测网络,特征抽取网络包括:卷积层、池化层、非线性层和全连接层,其中,卷积层通过线性变换从输入数据中抽取新特征,池化层可以将多个数值映射成一个数值,缩小特征空间,非线性层对生物神经元的激活机制进行应用,全连接层用于关联协助上述的卷积层、池化层和非线性层;
基于多个真空泵得到的所述目标数据对所述第一真空泵寿命预测模型进行训练;
当所述第一真空泵寿命预测模型的精度达到预设标准时,该预设标准优选为精度值在0.97或以上,输出训练完成得到的第二真空泵寿命预测模型,即为最终的所述真空泵寿命预测模型。
其中,属性预测网络里包含了述真空泵寿命预测模型,可以通过下面的表达式进行描述:
S3:利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线。
需要说明的是,该步骤具体为:
将计算所得到每个时间点所对应的所述目标真空泵的目标数据输入所述真空泵寿命预测模型中,得到第一寿命预测值;
按照预设区间将多个时间点进行分段,求取每个分段对应的所述第一寿命预测值的平均值,得到第二寿命预测值,示例性的,预设区间为8时到8时10分,定义时间点为8时1分、8时2分……8时10分;
将所述第二寿命预测值与分段区间中间时间点形成一一映射关系,示例性的,如上述分段区间中间时间点为8时5分,并连接多个中间时间点对应的所述第二寿命预测值,生成寿命衰减曲线,将所述寿命衰减曲线置于直角坐标系中,以便于后续的调用。
S4:根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
需要说明的是,该步骤具体为:
基于所述寿命衰减曲线计算相邻两个中间时间点对应的所述第二寿命预测值的斜率,示例性的,如上述,相邻两个中间时间点可以为8时5分和8时15分;
根据所述斜率判断所述目标真空泵的处理方式:
当所述斜率大于第一预设值,且使用年限小于第二预设值时,判断所述目标真空泵出现故障需检修;
当所述斜率大于第一预设值,且使用年限大于或等于第二预设值时,判断所述目标真空泵需要报废处理;
当所述斜率小于第一预设值,使用年限大于或等于或小于第二预设值时,不做任何处理。
上述适用于真空泵的全生命周期管理方法中,所述方法包括:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;基于所述目标数据构建真空泵寿命预测模型;利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理,本申请通过对目标真空泵进行寿命预测,从而能够准确预测出真空泵的性能退化过程,以便于对已应用的真空泵全生命周期进行有效地管理,以提高真空泵的使用可靠性、安全性以及管理效率。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种适用于真空泵的全生命周期管理***,包括:预处理模块、模型构建模块、计算模块和选择模块,其中:
预处理模块,用于获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
模型构建模块,用于基于所述目标数据构建真空泵寿命预测模型;
计算模块,用于利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
选择模块,用于根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
作为一种较优的实施方式,本发明实施例中,所述预处理模块具体用于:
对所述第一数据进行数据清洗;
按照预设数据量筛选清洗后的所述第一数据,得到第二数据;
基于聚类分析策略对所述第二数据进行分类并排序,得到4个不同类别的数据集,分别为第一类别、第二类别、第三类别和第四类别;
利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据;
所述第一数据包括所述真空泵的初始状态数据、应用环境数据、运行状态数据和损耗数据。
作为一种较优的实施方式,本发明实施例中,所述预处理模块具体还用于:
对读取的所述目标类别的数据集进行归一化处理,其计算公式为:
其中,表示第m个数据属性的归一化系数,/>表示第n个数据的自定义系数,表示第n个数据的第m个数据属性,/>表示第m个数据属性的权值,/>表示数据属性数量,表示第n个数据的第m个数据属性的归一化值,/>,/>表示数据数量;
利用拟合函数将归一化处理后的数据进行拟合处理,所述拟合函数为:
定义拟合处理后的数据值为所述目标数据。
作为一种较优的实施方式,本发明实施例中,所述模型构建模块具体还用于:
基于深度神经网络预构建第一真空泵寿命预测模型;
基于多个真空泵得到的所述目标数据对所述第一真空泵寿命预测模型进行训练;
当所述第一真空泵寿命预测模型的精度达到预设标准时,输出训练完成得到的第二真空泵寿命预测模型,即为最终的所述真空泵寿命预测模型;
其中,所述真空泵寿命预测模型的表达式包括:
作为一种较优的实施方式,本发明实施例中,所述计算模块具体用于:
将计算所得到每个时间点所对应的所述目标真空泵的目标数据输入所述真空泵寿命预测模型中,得到第一寿命预测值;
按照预设区间将多个时间点进行分段,求取每个分段对应的所述第一寿命预测值的平均值,得到第二寿命预测值;
将所述第二寿命预测值与分段区间中间时间点形成一一映射关系,并连接多个中间时间点对应的所述第二寿命预测值,生成寿命衰减曲线。
作为一种较优的实施方式,本发明实施例中,所述选择模块具体用于:
基于所述寿命衰减曲线计算相邻两个中间时间点对应的所述第二寿命预测值的斜率;
根据所述斜率判断所述目标真空泵的处理方式:
当所述斜率大于第一预设值,且使用年限小于第二预设值时,判断所述目标真空泵出现故障需检修;
当所述斜率大于第一预设值,且使用年限大于或等于第二预设值时,判断所述目标真空泵需要报废处理。
关于适用于真空泵的全生命周期管理***的具体限定可以参见上文中对于适用于真空泵的全生命周期管理方法的限定,在此不再赘述。上述适用于真空泵的全生命周期管理***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
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终端,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入***。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***和计算机程序。该内存储器为非易失性存储介质中的操作***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适用于真空泵的全生命周期管理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入***可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4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,提供了一种计算机设备,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,处理器执行计算机程序时实现以下步骤:
S1:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
S2:基于所述目标数据构建真空泵寿命预测模型;
S3:利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
S4:根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对所述第一数据进行数据清洗;
按照预设数据量筛选清洗后的所述第一数据,得到第二数据;
基于聚类分析策略对所述第二数据进行分类并排序,得到4个不同类别的数据集,分别为第一类别、第二类别、第三类别和第四类别;
利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据;
所述第一数据包括所述真空泵的初始状态数据、应用环境数据、运行状态数据和损耗数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对读取的所述目标类别的数据集进行归一化处理,其计算公式为:
其中,表示第m个数据属性的归一化系数,/>表示第n个数据的自定义系数,表示第n个数据的第m个数据属性,/>表示第m个数据属性的权值,/>表示数据属性数量,表示第n个数据的第m个数据属性的归一化值,/>,/>表示数据数量;
利用拟合函数将归一化处理后的数据进行拟合处理,所述拟合函数为:
定义拟合处理后的数据值为所述目标数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于深度神经网络预构建第一真空泵寿命预测模型;
基于多个真空泵得到的所述目标数据对所述第一真空泵寿命预测模型进行训练;
当所述第一真空泵寿命预测模型的精度达到预设标准时,输出训练完成得到的第二真空泵寿命预测模型,即为最终的所述真空泵寿命预测模型;
其中,所述真空泵寿命预测模型的表达式包括:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将计算所得到每个时间点所对应的所述目标真空泵的目标数据输入所述真空泵寿命预测模型中,得到第一寿命预测值;
按照预设区间将多个时间点进行分段,求取每个分段对应的所述第一寿命预测值的平均值,得到第二寿命预测值;
将所述第二寿命预测值与分段区间中间时间点形成一一映射关系,并连接多个中间时间点对应的所述第二寿命预测值,生成寿命衰减曲线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于所述寿命衰减曲线计算相邻两个中间时间点对应的所述第二寿命预测值的斜率;
根据所述斜率判断所述目标真空泵的处理方式:
当所述斜率大于第一预设值,且使用年限小于第二预设值时,判断所述目标真空泵出现故障需检修;
当所述斜率大于第一预设值,且使用年限大于或等于第二预设值时,判断所述目标真空泵需要报废处理。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S1:获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
S2:基于所述目标数据构建真空泵寿命预测模型;
S3:利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
S4:根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对所述第一数据进行数据清洗;
按照预设数据量筛选清洗后的所述第一数据,得到第二数据;
基于聚类分析策略对所述第二数据进行分类并排序,得到4个不同类别的数据集,分别为第一类别、第二类别、第三类别和第四类别;
利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据;
所述第一数据包括所述真空泵的初始状态数据、应用环境数据、运行状态数据和损耗数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对读取的所述目标类别的数据集进行归一化处理,其计算公式为:
其中,表示第m个数据属性的归一化系数,/>表示第n个数据的自定义系数,表示第n个数据的第m个数据属性,/>表示第m个数据属性的权值,/>表示数据属性数量,表示第n个数据的第m个数据属性的归一化值,/>,/>表示数据数量;
利用拟合函数将归一化处理后的数据进行拟合处理,所述拟合函数为:
定义拟合处理后的数据值为所述目标数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于深度神经网络预构建第一真空泵寿命预测模型;
基于多个真空泵得到的所述目标数据对所述第一真空泵寿命预测模型进行训练;
当所述第一真空泵寿命预测模型的精度达到预设标准时,输出训练完成得到的第二真空泵寿命预测模型,即为最终的所述真空泵寿命预测模型;
其中,所述真空泵寿命预测模型的表达式包括:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将计算所得到每个时间点所对应的所述目标真空泵的目标数据输入所述真空泵寿命预测模型中,得到第一寿命预测值;
按照预设区间将多个时间点进行分段,求取每个分段对应的所述第一寿命预测值的平均值,得到第二寿命预测值;
将所述第二寿命预测值与分段区间中间时间点形成一一映射关系,并连接多个中间时间点对应的所述第二寿命预测值,生成寿命衰减曲线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于所述寿命衰减曲线计算相邻两个中间时间点对应的所述第二寿命预测值的斜率;
根据所述斜率判断所述目标真空泵的处理方式:
当所述斜率大于第一预设值,且使用年限小于第二预设值时,判断所述目标真空泵出现故障需检修;
当所述斜率大于第一预设值,且使用年限大于或等于第二预设值时,判断所述目标真空泵需要报废处理。
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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (8)
1.一种适用于真空泵的全生命周期管理方法,其特征在于,所述方法包括:
获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
基于所述目标数据构建真空泵寿命预测模型;
利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
2.根据权利要求1所述的适用于真空泵的全生命周期管理方法,其特征在于,所述第一数据包括所述真空泵的初始状态数据、应用环境数据、运行状态数据和损耗数据,所述对所述第一数据进行预处理,得到目标数据包括:
对所述第一数据进行数据清洗;
按照预设数据量筛选清洗后的所述第一数据,得到第二数据;
基于聚类分析策略对所述第二数据进行分类并排序,得到4个不同类别的数据集,分别为第一类别、第二类别、第三类别和第四类别;
利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据。
3.根据权利要求2所述的适用于真空泵的全生命周期管理方法,其特征在于,所述利用数据调节机制对目标类别的数据集进行读取和拟合,得到所述目标数据包括:
对读取的所述目标类别的数据集进行归一化处理,其计算公式为:
其中,表示第m个数据属性的归一化系数,/>表示第n个数据的自定义系数,/>表示第n个数据的第m个数据属性,/>表示第m个数据属性的权值,/>表示数据属性数量,/>表示第n个数据的第m个数据属性的归一化值,/>,/>表示数据数量;
利用拟合函数将归一化处理后的数据进行拟合处理,所述拟合函数为:
定义拟合处理后的数据值为所述目标数据。
4.根据权利要求3所述的适用于真空泵的全生命周期管理方法,其特征在于,所述真空泵寿命预测模型的构建过程包括:
基于深度神经网络预构建第一真空泵寿命预测模型;
基于多个真空泵得到的所述目标数据对所述第一真空泵寿命预测模型进行训练;
当所述第一真空泵寿命预测模型的精度达到预设标准时,输出训练完成得到的第二真空泵寿命预测模型,即为最终的所述真空泵寿命预测模型。
6.根据权利要求5所述的适用于真空泵的全生命周期管理方法,其特征在于,所述利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线包括:
将计算所得到每个时间点所对应的所述目标真空泵的目标数据输入所述真空泵寿命预测模型中,得到第一寿命预测值;
按照预设区间将多个时间点进行分段,求取每个分段对应的所述第一寿命预测值的平均值,得到第二寿命预测值;
将所述第二寿命预测值与分段区间中间时间点形成一一映射关系,并连接多个中间时间点对应的所述第二寿命预测值,生成寿命衰减曲线。
7.根据权利要求6所述的适用于真空泵的全生命周期管理方法,其特征在于,所述根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理包括:
基于所述寿命衰减曲线计算相邻两个中间时间点对应的所述第二寿命预测值的斜率;
根据所述斜率判断所述目标真空泵的处理方式:
当所述斜率大于第一预设值,且使用年限小于第二预设值时,判断所述目标真空泵出现故障需检修;
当所述斜率大于第一预设值,且使用年限大于或等于第二预设值时,判断所述目标真空泵需要报废处理。
8.一种适用于真空泵的全生命周期管理***,其特征在于,所述***包括:
预处理模块,用于获取历史数据库中真空泵的第一数据,对所述第一数据进行预处理,得到目标数据;
模型构建模块,用于基于所述目标数据构建真空泵寿命预测模型;
计算模块,用于利用所述真空泵寿命预测模型计算得到目标真空泵在多个时间段内的寿命衰减曲线;
选择模块,用于根据所述寿命衰减曲线选取所述目标真空泵的处理方式并进行处理,实现对所述目标真空泵的全生命周期管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194933.8A CN115879248B (zh) | 2023-03-03 | 2023-03-03 | 一种适用于真空泵的全生命周期管理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310194933.8A CN115879248B (zh) | 2023-03-03 | 2023-03-03 | 一种适用于真空泵的全生命周期管理方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879248A true CN115879248A (zh) | 2023-03-31 |
CN115879248B CN115879248B (zh) | 2023-05-16 |
Family
ID=85761873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310194933.8A Active CN115879248B (zh) | 2023-03-03 | 2023-03-03 | 一种适用于真空泵的全生命周期管理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879248B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579677A (zh) * | 2023-06-01 | 2023-08-11 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种高速铁路电务车载设备全生命周期管理方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003847A1 (en) * | 2013-06-27 | 2015-01-01 | Xerox Corporation | Estimating accuracy of a remaining useful life prediction model for a consumable using statistics based segmentation technique |
CN104792529A (zh) * | 2015-04-12 | 2015-07-22 | 北京化工大学 | 基于状态空间模型的滚动轴承寿命预测方法 |
WO2019233297A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 数据集的构建方法、移动终端、可读存储介质 |
CN111982522A (zh) * | 2020-09-08 | 2020-11-24 | 潍坊潍柴动力科技有限责任公司 | 发动机性能监测方法、装置、***及存储介质 |
CN112488556A (zh) * | 2020-12-11 | 2021-03-12 | 广东电网有限责任公司 | 一种评标专家打分一致性评价方法、装置及终端 |
CN113486569A (zh) * | 2021-06-04 | 2021-10-08 | 江苏科技大学 | 一种离心泵剩余寿命预测方法 |
CN113495800A (zh) * | 2020-04-02 | 2021-10-12 | 北京航空航天大学 | 基于扩展多属性决策的诊断预测数据和特征再认知方法 |
CN113536982A (zh) * | 2021-06-28 | 2021-10-22 | 长江大学 | 主减速器剩余寿命智能预测方法、***、设备及介质 |
CN114297918A (zh) * | 2021-12-22 | 2022-04-08 | 大连理工大学 | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 |
CN115423370A (zh) * | 2022-10-10 | 2022-12-02 | 广东电网有限责任公司 | 一种继电保护设备健康状态评估方法及装置 |
CN115526241A (zh) * | 2022-09-13 | 2022-12-27 | 成都飞机工业(集团)有限责任公司 | 一种航空液压泵站实时异常检测方法、装置、设备及介质 |
CN115575127A (zh) * | 2022-10-08 | 2023-01-06 | 江苏立达电梯有限公司 | 一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法 |
-
2023
- 2023-03-03 CN CN202310194933.8A patent/CN115879248B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003847A1 (en) * | 2013-06-27 | 2015-01-01 | Xerox Corporation | Estimating accuracy of a remaining useful life prediction model for a consumable using statistics based segmentation technique |
CN104792529A (zh) * | 2015-04-12 | 2015-07-22 | 北京化工大学 | 基于状态空间模型的滚动轴承寿命预测方法 |
WO2019233297A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 数据集的构建方法、移动终端、可读存储介质 |
CN113495800A (zh) * | 2020-04-02 | 2021-10-12 | 北京航空航天大学 | 基于扩展多属性决策的诊断预测数据和特征再认知方法 |
CN111982522A (zh) * | 2020-09-08 | 2020-11-24 | 潍坊潍柴动力科技有限责任公司 | 发动机性能监测方法、装置、***及存储介质 |
CN112488556A (zh) * | 2020-12-11 | 2021-03-12 | 广东电网有限责任公司 | 一种评标专家打分一致性评价方法、装置及终端 |
CN113486569A (zh) * | 2021-06-04 | 2021-10-08 | 江苏科技大学 | 一种离心泵剩余寿命预测方法 |
CN113536982A (zh) * | 2021-06-28 | 2021-10-22 | 长江大学 | 主减速器剩余寿命智能预测方法、***、设备及介质 |
CN114297918A (zh) * | 2021-12-22 | 2022-04-08 | 大连理工大学 | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 |
CN115526241A (zh) * | 2022-09-13 | 2022-12-27 | 成都飞机工业(集团)有限责任公司 | 一种航空液压泵站实时异常检测方法、装置、设备及介质 |
CN115575127A (zh) * | 2022-10-08 | 2023-01-06 | 江苏立达电梯有限公司 | 一种基于鲸鱼优化lssvm的轴承剩余寿命预测方法 |
CN115423370A (zh) * | 2022-10-10 | 2022-12-02 | 广东电网有限责任公司 | 一种继电保护设备健康状态评估方法及装置 |
Non-Patent Citations (4)
Title |
---|
SHANE W. BUTLER等: "Prediction of Vacuum Pump Degradation in Semiconductor Processing", 7TH IFAC SYMPOSIUM ON FAULT DETECTION, SUPERVISION AND SAFETY TECHNICAL PROCESSES 2009 * |
任子强;司小胜;胡昌华;王玺;裴洪;: "融合多源数据的非线性退化建模与剩余寿命预测", 中国测试 * |
何庆飞;陈桂明;陈小虎;姚春江;邢勇;: "基于支持向量机的液压泵寿命特征因子提取方法", 液压与气动 * |
王向周等: "液压泵寿命的在线预测与健康管理", 北京理工大学学报 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579677A (zh) * | 2023-06-01 | 2023-08-11 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种高速铁路电务车载设备全生命周期管理方法及*** |
CN116579677B (zh) * | 2023-06-01 | 2023-11-21 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种高速铁路电务车载设备全生命周期管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115879248B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150311B (zh) | 能耗异常状态检测方法、装置、计算机设备和存储介质 | |
CN109992473B (zh) | 应用***的监控方法、装置、设备及存储介质 | |
CN110503566B (zh) | 风控模型建立方法、装置、计算机设备及存储介质 | |
CN115237710A (zh) | 服务器温度预测方法、装置、计算机设备和存储介质 | |
CN115879248B (zh) | 一种适用于真空泵的全生命周期管理方法和*** | |
CN110555164A (zh) | 群体兴趣标签的生成方法、装置、计算机设备和存储介质 | |
CN111091276A (zh) | 企业风险评分方法、装置、计算机设备和存储介质 | |
CN110888625A (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
CN115049176A (zh) | 材料性能评估方法、装置及计算机设备 | |
CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN112348226A (zh) | 预测数据生成方法、***、计算机设备及存储介质 | |
CN114580791B (zh) | 膨化机工作状态识别方法、装置、计算机设备、存储介质 | |
CN115905864A (zh) | 异常数据检测模型训练方法、装置、计算机设备 | |
Irina et al. | CURRENT STATUS OF THE FERTILITY IN KYRGYZSTAN | |
CN111125918B (zh) | 基于相似寿命模型和相似寿命的复杂产品可靠性评定方法 | |
CN115934512A (zh) | 存储***动态测试方法、装置、计算机设备和存储介质 | |
CN115238484A (zh) | 板级组件寿命预测方法、装置、计算机设备和存储介质 | |
CN110795255B (zh) | 数据批量值调整方法、装置、可读存储介质和设备 | |
CN112948512A (zh) | 位置数据划分方法、装置、计算机设备和存储介质 | |
CN111260191B (zh) | 测试床成熟度量化方法、装置、计算机设备和存储介质 | |
CN116933918A (zh) | 用于互联网金融服务的电力数据预测方法 | |
CN118053561A (zh) | 一种医院设备关联管控方法、***、电子设备及存储介质 | |
CN111178436A (zh) | 数据处理方法、装置、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |