CN116362103A - 一种设备剩余使用寿命的预测方法及装置 - Google Patents

一种设备剩余使用寿命的预测方法及装置 Download PDF

Info

Publication number
CN116362103A
CN116362103A CN202111572530.XA CN202111572530A CN116362103A CN 116362103 A CN116362103 A CN 116362103A CN 202111572530 A CN202111572530 A CN 202111572530A CN 116362103 A CN116362103 A CN 116362103A
Authority
CN
China
Prior art keywords
data
equipment
prediction model
health
service life
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
Application number
CN202111572530.XA
Other languages
English (en)
Inventor
徐少龙
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.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network Technology 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 Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111572530.XA priority Critical patent/CN116362103A/zh
Publication of CN116362103A publication Critical patent/CN116362103A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及工业设备寿命预测技术领域，提供了一种设备剩余使用寿命的预测方法及装置。该方法包括：基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集；其中，参数数据集由原始数据处理得到，包括设备在预设时间间隔内的若干个参数数据；基于评估数据集，构建设备的健康指数集；基于原始数据、预设的健康等级阈值及健康指数集，对初始预测模型进行训练；基于联合学习框架，对初始预测模型进行更新，以获得剩余使用寿命预测模型；在有待预测设备的实时参数输入时，通过剩余使用寿命预测模型，预测待预测设备的剩余使用寿命。本公开通过上述方法可以准确预测设备使用寿命，从而避免生产中出现风险。

Description

一种设备剩余使用寿命的预测方法及装置
技术领域
本公开涉及工业设备寿命预测技术领域，尤其涉及一种设备剩余使用寿命的预测方法及装置。
背景技术
综合能源***是由多种设备和管道链接而成，同时具备多种能源输入，转化，并能供给多种能源给不同的用户的一个***。综合能源***中设备包括：燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备等。
由于在综合能源***中，大量的设备长期工作，频繁起停，以及所处环境变化等原因，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，这种现象可能会导致整个综合能源***出现问题，所以对于设备的健康度的评估是及其必要的。
发明内容
有鉴于此，本公开实施例提供了一种设备剩余使用寿命的预测方法及装置，以解决现有技术中无法准确预测设备使用寿命，而导致在***生产中所出现的设备操作或运行时的风险问题。
本公开实施例的第一方面，提供了一种设备剩余使用寿命的预测方法，包括：
基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集；其中，参数数据集由原始数据处理得到，包括设备在预设时间间隔内的若干个参数数据；
基于评估数据集，构建设备的健康指数集；
基于原始数据、预设的健康等级阈值及健康指数集，对初始预测模型进行训练；
基于联合学习框架，对初始预测模型进行更新，以获得剩余使用寿命预测模型；
在有待预测设备的实时参数输入时，通过剩余使用寿命预测模型，预测待预测设备的剩余使用寿命。
本公开实施例的第二方面，提供了一种设备剩余使用寿命的预测装置，包括：
数据处理模块，用于基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集；其中，参数数据集由原始数据处理得到，包括设备在预设时间间隔内的若干个参数数据；
构建模块，用于基于评估数据集，构建设备的健康指数集；
训练模块，用于基于原始数据、预设的健康等级阈值及健康指数集，对初始预测模型进行训练；
更新模块，用于基于联合学习框架，对初始预测模型进行更新，以获得剩余使用寿命预测模型；
预测模块，用于在有待预测设备的实时参数输入时，通过剩余使用寿命预测模型，预测待预测设备的剩余使用寿命。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是：通过上述方法可以有效地解决在综合能源设备应用中，可以更早的发现设备可能出现的问题，在保证生产生活的前提下，提前对设备进行检修，大大降低了设备操作和运行的风险，提高了生产效率。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本公开实施例提供的一种联合学习的架构示意图；
图2是本公开实施例提供的一种设备剩余使用寿命的预测方法的流程示意图；
图3是本公开实施例提供的一种设备剩余使用寿命的预测装置的结构示意图；
图4是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
下面将结合附图详细说明根据本公开实施例的一种设备剩余使用寿命的预测方法和装置。
图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。
在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
图2是本公开实施例提供的一种设备剩余使用寿命的预测方法的流程示意图。图2的设备剩余使用寿命的预测方法可以由图1的参与方执行。如图2所示，该设备剩余使用寿命的预测方法包括：
S201，基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集；
具体地，基于经验模态分解法，对参数数据集中各参数数据进行分解，以获得各参数数据分别对应的若干个本征模函数；计算若干个本征模函数的能量熵，并确定前预设数量个本征模函数的能量熵为评估数据；基于评估数据，确定评估数据集。
在参与方获得其对应设备的参数数据集之后，首先基于经验模态分解法，对设备的参数数据集进行处理，得到参数数据集对应的评估数据集。其中，参数数据集由原始数据处理得到，为设备在预设时间间隔内的若干个参数数据。可以理解的是，预设时间间隔为历史时间中的一段时间，设备在预设时间间隔内的若干个参数数据为设备的一段离散的历史运行状态数据。
S202，基于评估数据集，构建设备的健康指数集；
具体地，确定评估数据中各能量熵的权重；基于该权重，确定评估数据的最小量化误差；其中，最小量化误差用于描述设备的退化情况；基于最小量化误差及预设的评估数据中各数值的比例参数，确定设备的健康指数；基于健康指数，构建健康指数集。
在获得评估数据集之后，计算评估数据集中各评估数据对应的健康指数，以构建设备的健康指数集。可以理解的是，评估数据集中的评估数据与健康指数集中的健康指数为一一对应关系。
S203，基于原始数据、预设的健康等级阈值及健康指数集，对初始预测模型进行训练；
具体地，基于健康等级阈值，确定健康指数集中各健康指数对应的健康级别；基于健康级别，确定各健康指数在初始预测模型中对应的待训练模块并进行训练。
在构建设备的健康指数集之后，基于原始数据、预设的健康等级阈值与健康指数集，对初始预测模型进行训练，以获得收敛的初始预测模型。
S204，基于联合学习框架，对初始预测模型进行更新，以获得剩余使用寿命预测模型；
具体地，将经过训练后的初始预测模型的模型梯度上传到联邦学习服务器中，以使联邦学习服务器聚合各方模型梯度，更新初始预测模型的模型参数，以获得剩余使用寿命预测模型。
在训练完成初始预测模型之后，基于联合学习框架，对初始预测模型进行更新，以获得适应各参与方的剩余使用寿命预测模型。
S205，在有待预测设备的实时参数输入时，通过剩余使用寿命预测模型，预测待预测设备的剩余使用寿命。
具体地，参与方在从联合学习服务器中获取到剩余使用寿命预测模型之后，对该剩余使用寿命预测模型进行应用。在有待预测设备的实时参数输入时，通过剩余使用寿命预测模型，预测待预测设备的剩余使用寿命。
根据本公开实施例提供的技术方案，通过上述方法可以有效地解决在综合能源设备应用中，可以更早的发现设备可能出现的问题，在保证生产生活的前提下，提前对设备进行检修，大大降低了设备操作和运行的风险，提高了生产效率。
在一些实施例中，在基于经验模态分解法，对设备的参数数据集集合进行处理之前，还包括：基于设备类型，获取设备的原始数据；判断原始数据中是否存在数据缺失和/或数据异常；在存在数据缺失和/或数据异值现象时，基于预设的数据处理方法对原始数据进行调整，以获得参数数据集。
具体地，根据设备的类型，选择性的获取设备的原始数据。其中，设备的原始数据可以从SCADA(数据采集与监视控制***)收集；原始数据包含但不限于以下任意一项或多项：设备运行时长数据、历史维修保养数据、当前运行时间、报修数据、设备运行速度、设备运行温度、能耗数据、所处环境数据等。
进一步地，在获取设备的原始数据之后，判断原始数据中是否存在数据缺失和/或数据异常的情况。其中，数据异常的判断通过提前设定的阈值，判断原始数据是否有超出阈值，从而直接判断设备是否有故障，如判断有故障，直接报修，如判断没有故障，则确定原始数据为参数数据集。如果原始数据中存在数据缺失，可以利用回归类方法进行数值的插补。在对对原始数据进行调整之后，获得参数数据集。
在一些实施例中，基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集，具体包括：基于经验模态分解法，对参数数据集中各参数数据进行分解，以获得各参数数据分别对应的若干个本征模函数；计算若干个本征模函数的能量熵，并确定前预设数量个本征模函数的能量熵为评估数据；基于评估数据，确定评估数据集。
具体地，基于经验模态分解法，将设备参数数据集中的参数数据分解为本征模函数与剩余部分。如下式所示：
Figure BDA0003424201600000071
其中，x(t)为t时刻的参数数据，ci(t)为t时刻的第i个本征模函数(IMF)，
Figure BDA0003424201600000072
为t时刻参数数据对应的若干个本征模函数，rn(t)为t时刻对应的n模态的剩余方程。
进一步地，在确定参数数据集中各参数数据对应的若干个本征模函数之后，计算若干个本征模函数的能量熵，能量熵的计算通过以下公式确定：
Figure BDA0003424201600000081
其中，Ei(t)为t时刻第i个本征模函数的能量。
Figure BDA0003424201600000082
Figure BDA0003424201600000083
其中，HEN(t)为t时刻第i个本征模函数的能量熵，pi(t)为t时刻第i个本征模函数ci(t)的能量，在t时刻所有能量E中所占的百分比。
进一步地，选取t时刻前预设数量个本征模函数的能量熵为评估数据。例如，预设数量为m，则评估数据为：
T(t)＝[HEN1(t)，HEN2(t)，…，HENm(t)]
其中，T(t)为t时刻的参数数据对应的评估数据。
进一步地，确定参数数据集中所有参数数据对应的评估数据，以确定参数数据集对应的评估数据集。
在一些实施例中，基于评估数据集，构建设备的健康指数集，具体包括：确定评估数据中各能量熵的权重；基于该权重，确定评估数据的最小量化误差；其中，最小量化误差用于描述设备的退化情况；基于最小量化误差及预设的评估数据中各数值的比例参数，确定设备的健康指数；基于健康指数，构建健康指数集。
具体地，在确定各参数数据对应的评估数据后，首先评估数据对应的最佳匹配单元的权重向量。需要说明的是，该权重向量中包含的为评估数据中各能量熵对应的权重。基于该权重，确定评估数据的最小量化误差，最小量化误差的计算通过以下公式确定：
MQE(t)＝||T(t)-mBMU||
其中，MQE(t)为t时刻的评估数据对应的最小量化误差，mBMU为t时刻的评估数据对应的最佳匹配单元的权重向量。
进一步地，在确定评估数据的最小量化误差之后，根据该最小量化误差及预设的评估数据中各数值(即各能量熵)对应的比例参数，确定设备的健康指数。具体地，将最小量化误差及比例参数带入如下公式：
Figure BDA0003424201600000091
其中，CV(t)为t时刻参数数据对应的健康指数，c为比例参数。需要说明的是，比例参数为设备正常状态下从MQE获得的，可由现场设备实验或经验获得。
进一步地，确定评估数据集中所有评估数据对应的健康指数，以确定评估数据集对应的健康指数集。
在一些实施例中，在基于原始数据、预设的健康等级阈值及健康指数集，对初始预测模型进行训练之前，还包括：在联邦学习服务器中获取待训练的初始预测模型。
在一些实施例中，基于原始数据、预设的健康等级阈值及健康指数集，对初始预测模型进行训练，具体包括：基于健康等级阈值，确定健康指数集中各健康指数对应的健康级别；基于健康级别，确定各健康指数在初始预测模型中对应的待训练模块并进行训练。
需要说明的是，一般对于设备而言，直接通过预设的回归算法对健康指数集进行做回归就可以得到设备的健康指标变化的曲线。但是仅仅知道健康指标是不够的，还应该结合设备的健康等级与健康指数一起来分析，才能做到对设备的精确理解。例如不同的健康等级，对于健康指数的回归方法可能是不同，同样的健康指数，可能存在于不同的健康等级内，根据健康等级加上健康指数，就能更加容易的分析设备的状态。不同的健康级别，设备自然也处于不同的性质和状态，所使用的回归方法也会有不同。使用健康等级分级，可以使设备的退化曲线更加的精确。因此，本申请实施例预设了健康等级阈值，例如，健康等级阈值包括三个，分别为0.8、0.65与0.6，当CV(t)大于0.8时健康等级为一级，此时设备正常；当CV(t)小于0.8大于0.65时健康等级为二级，此时设备轻微退化；当CV(t)小于0.65大于0.6时健康等级为三级，此时设备严重退化；当CV(t)小于0.6时健康等级为四级，此时设备故障。
具体地，在确定健康指数集之后，基于预设的健康等级阈值，确定健康指数集中各健康指数对应的健康级别；基于健康级别，确定各健康指数在初始预测模型中对应的待训练模块；基于原始数据、健康级别及健康指数集对初始预测模型进行训练。需要说明的是，由于本申请针对不同的健康等级采用不同的回归算法进行健康指标变化曲线的生成，因此，针对不同健康指数训练初始预测模型中的不同模块。例如，对应健康等级为一级的健康指数，训练经验模块；对应健康等级为二级的健康指数，训练小波神经网络模块；对应健康等级为三级的健康指数，训练高斯回归模块。可以理解的是，本申请的预测模型中包含对原始数据处理得到健康指数集的过程。
在一些实施例中，基于联合学习框架，对初始预测模型进行更新，以获得剩余使用寿命预测模型，具体包括：将经过训练后的初始预测模型的模型梯度上传到联邦学习服务器中，以使联邦学习服务器聚合各方模型梯度，更新初始预测模型的模型参数，以获得剩余使用寿命预测模型。
具体地，本申请所指的联合学习为可用于支持多用户进行多方合作，并通过AI技术联合多方合作挖掘数据价值，建立智能联合建模。因此在各参与方根据获取设备的原始数据进行分布式的初始预测模型训练后，将经过训练后的初始预测模型的模型梯度上传到联邦学习服务器中，以使联邦学习服务器聚合各方模型梯度，更新初始预测模型的模型参数，获得剩余使用寿命预测模型。
进一步地，在联邦学习服务器训练得到剩余使用寿命预测模型之后，将该模型返回给各参与方，以使各方更新自己的模型。
在一些实施例中，各参与方在有待预测设备的实时参数输入时，即可通过剩余使用寿命预测模型，预测待预测设备的剩余使用寿命。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图3是本公开实施例提供的一种设备剩余使用寿命的预测装置的示意图。如图3所示，该设备剩余使用寿命的预测装置包括：
数据处理模块301，被配置为基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集；其中，参数数据集由原始数据处理得到，包括设备在预设时间间隔内的若干个参数数据；
构建模块302，被配置为基于评估数据集，构建设备的健康指数集；
训练模块303，被配置为基于原始数据、预设的健康等级阈值及健康指数集，对初始预测模型进行训练；
更新模块304，被配置为基于联合学习框架，对初始预测模型进行更新，以获得剩余使用寿命预测模型；
预测模块305，被配置为在有待预测设备的实时参数输入时，通过剩余使用寿命预测模型，预测待预测设备的剩余使用寿命。
根据本公开实施例提供的技术方案，通过上述装置可以有效地解决在综合能源设备应用中，可以更早的发现设备可能出现的问题，在保证生产生活的前提下，提前对设备进行检修，大大降低了设备操作和运行的风险，提高了生产效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，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，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种设备剩余使用寿命的预测方法，其特征在于，包括：
基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集；其中，所述参数数据集由原始数据处理得到，包括所述设备在预设时间间隔内的若干个参数数据；
基于所述评估数据集，构建所述设备的健康指数集；
基于所述原始数据、预设的健康等级阈值及所述健康指数集，对初始预测模型进行训练；
基于联合学习框架，对所述初始预测模型进行更新，以获得剩余使用寿命预测模型；
在有待预测设备的实时参数输入时，通过所述剩余使用寿命预测模型，预测所述待预测设备的剩余使用寿命。
2.根据权利要求1所述的方法，其特征在于，在基于经验模态分解法，对设备的参数数据集进行处理之前，所述方法还包括：
基于所述设备类型，获取所述原始数据；
判断所述原始数据中是否存在数据缺失和/或数据异常；
在存在数据缺失和/或数据异值现象时，基于预设的数据处理方法对所述原始数据进行调整，以获得所述参数数据集。
3.根据权利要求1所述的方法，其特征在于，基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集，具体包括：
基于经验模态分解法，对所述参数数据集中各参数数据进行分解，以获得各参数数据分别对应的若干个本征模函数；
计算所述若干个本征模函数的能量熵，并确定前预设数量个本征模函数的能量熵为评估数据；
基于所述评估数据，确定所述评估数据集。
4.根据权利要求2所述的方法，其特征在于，基于所述评估数据集，构建所述设备的健康指数集，具体包括：
确定所述评估数据中各能量熵的权重；
基于所述权重，确定所述评估数据的最小量化误差；其中，所述最小量化误差用于描述所述设备的退化情况；
基于所述最小量化误差及预设的所述评估数据中各数值的比例参数，确定所述设备的健康指数；
基于所述健康指数，构建所述健康指数集。
5.根据权利要求1所述的方法，其特征在于，基于原始数据、预设的健康等级阈值及所述健康指数集，对初始预测模型进行训练，具体包括：
基于所述健康等级阈值，确定所述健康指数集中各健康指数对应的健康级别；
基于所述健康级别，确定所述各健康指数在初始预测模型中对应的待训练模块；
基于所述原始数据、所述健康级别及所述健康指数集对所述初始预测模型进行训练。
6.根据权利要求1所述的方法，其特征在于，基于联合学习框架，对所述初始预测模型进行更新，以获得剩余使用寿命预测模型，具体包括：
将经过训练后的所述初始预测模型的模型梯度上传到联邦学习服务器中，以使所述联邦学习服务器聚合各方模型梯度，更新所述初始预测模型的模型参数，以获得剩余使用寿命预测模型。
7.根据权利要求1所述的方法，其特征在于，在基于所述原始数据、预设的健康等级阈值及所述健康指数集，对初始预测模型进行训练之前，所述方法还包括：
在联邦学习服务器中获取初始预测模型。
8.一种设备剩余使用寿命的预测装置，其特征在于，包括：
数据处理模块，用于基于经验模态分解法，对设备的参数数据集进行处理，以获得评估数据集；其中，所述参数数据集由原始数据处理得到，包括所述设备在预设时间间隔内的若干个参数数据；
构建模块，用于基于所述评估数据集，构建所述设备的健康指数集；
训练模块，用于基于所述原始数据、预设的健康等级阈值及所述健康指数集，对初始预测模型进行训练；
更新模块，用于基于联合学习框架，对所述初始预测模型进行更新，以获得剩余使用寿命预测模型；
预测模块，用于在有待预测设备的实时参数输入时，通过所述剩余使用寿命预测模型，预测所述待预测设备的剩余使用寿命。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述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如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202111572530.XA 2021-12-21 2021-12-21 一种设备剩余使用寿命的预测方法及装置 Pending CN116362103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111572530.XA CN116362103A (zh) 2021-12-21 2021-12-21 一种设备剩余使用寿命的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111572530.XA CN116362103A (zh) 2021-12-21 2021-12-21 一种设备剩余使用寿命的预测方法及装置

Publications (1)

Publication Number Publication Date
CN116362103A true CN116362103A (zh) 2023-06-30

Family

ID=86940178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111572530.XA Pending CN116362103A (zh) 2021-12-21 2021-12-21 一种设备剩余使用寿命的预测方法及装置

Country Status (1)

Country Link
CN (1) CN116362103A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077873A (zh) * 2023-10-18 2023-11-17 金现代信息产业股份有限公司 一种工器具报废预测方法、***、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117077873A (zh) * 2023-10-18 2023-11-17 金现代信息产业股份有限公司 一种工器具报废预测方法、***、设备及介质
CN117077873B (zh) * 2023-10-18 2024-06-04 金现代信息产业股份有限公司 一种工器具报废预测方法、***、设备及介质

Similar Documents

Publication Publication Date Title
Tian et al. A prediction approach using ensemble empirical mode decomposition‐permutation entropy and regularized extreme learning machine for short‐term wind speed
Tian et al. Health condition prediction of gears using a recurrent neural network approach
CN112765560A (zh) 设备健康状态评估方法、装置、终端设备和存储介质
CN112598180A (zh) 一种分布式区域风电功率预测方法
CN113486584B (zh) 设备故障的预测方法、装置、计算机设备及计算机可读存储介质
WO2023070293A1 (zh) 一种工业副产煤气***长期调度方法
CN113487083A (zh) 一种设备剩余使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113487084A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113486585A (zh) 设备剩余使用寿命预测方法、装置、电子设备及存储介质
Cayir Ervural et al. Improvement of grey prediction models and their usage for energy demand forecasting
Wu et al. A novel optimized nonlinear grey Bernoulli model for forecasting China’s GDP
CN116362103A (zh) 一种设备剩余使用寿命的预测方法及装置
CN114139767A (zh) 设备的健康趋势预测方法、***、计算机设备及存储介质
Zhang et al. A fault prediction model of adaptive fuzzy neural network for optimal membership function
CN113240186A (zh) 一种火力发电厂水平衡测试方法及装置
CN117557047A (zh) 一种基于深度强化学习的配电设备运维优化方法及***
CN109472449B (zh) 基于群决策的城市轨道交通信号设备健康状态评价方法
CN109978299B (zh) 用于海上风电业务的数据分析方法、装置和存储介质
CN113486583B (zh) 设备的健康评估方法、装置、计算机设备及计算机可读存储介质
CN111414927A (zh) 一种海水水质评价的方法
CN114154415A (zh) 设备寿命的预测方法及装置
CN113486586B (zh) 设备健康状态评估方法、装置、计算机设备及存储介质
CN116050557A (zh) 电力负荷预测方法、装置、计算机设备和介质
CN116069767A (zh) 设备数据清洗方法、装置、计算机设备及介质
Chen et al. Application of BP Neural Networks based on genetic simulated annealing algorithm for shortterm electricity price forecasting

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