[發(fā)明專利]設(shè)備剩余壽命預(yù)測(cè)方法、裝置、計(jì)算機(jī)設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110761527.6
• 申請(qǐng)日: 2021-07-06
• 公開（公告）號(hào): CN113505532A
• 公開（公告）日: 2021-10-15
• 發(fā)明（設(shè)計(jì)）人: 張燧;徐少龍
• 申請(qǐng)（專利權(quán)）人: 新智數(shù)字科技有限公司
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/08;G06F119/04
• 代理公司: 北京嘉科知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11687
• 代理人: 張艷

1.一種設(shè)備剩余壽命預(yù)測(cè)方法，其特征在于，包括：

將獲取的原始時(shí)序集基于預(yù)設(shè)的劃分指標(biāo)進(jìn)行劃分，得到至少一個(gè)原始時(shí)序子集；

基于預(yù)設(shè)的處理策略對(duì)所述至少一個(gè)原始時(shí)序子集中的每個(gè)原始時(shí)序子集進(jìn)行處理，生成特征數(shù)據(jù)，得到特征數(shù)據(jù)集；

使用所述特征數(shù)據(jù)集對(duì)原始處理模型進(jìn)行訓(xùn)練，得到目標(biāo)處理模型；

基于獲取的目標(biāo)時(shí)序數(shù)據(jù)集和所述目標(biāo)處理模型，生成目標(biāo)預(yù)測(cè)數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將獲取的原始時(shí)序集基于預(yù)設(shè)的劃分指標(biāo)，得到至少一個(gè)原始時(shí)序子集之前，還包括：

獲取目標(biāo)設(shè)備的原始測(cè)試集；

對(duì)所述原始測(cè)試集中的時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，生成清洗后的時(shí)序數(shù)據(jù)，得到目標(biāo)測(cè)試集；

基于預(yù)設(shè)的測(cè)試策略對(duì)所述目標(biāo)測(cè)試集進(jìn)行測(cè)試，生成測(cè)試結(jié)果；

當(dāng)所述測(cè)試結(jié)果為異常時(shí)，發(fā)送異常信息至目標(biāo)顯示設(shè)備；

當(dāng)所述測(cè)試結(jié)果為正常時(shí)，獲取所述目標(biāo)設(shè)備的所述原始時(shí)序集。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于預(yù)設(shè)的處理策略對(duì)所述至少一個(gè)原始時(shí)序子集中的每個(gè)原始時(shí)序子集進(jìn)行處理，生成特征數(shù)據(jù)，得到特征數(shù)據(jù)集，包括：

基于所述至少一個(gè)原始時(shí)序子集中每個(gè)原始時(shí)序子集的核心數(shù)據(jù)，生成平均值數(shù)據(jù)，得到至少一個(gè)平均值數(shù)據(jù)；

基于預(yù)設(shè)的趨勢(shì)生成策略和基于所述至少一個(gè)原始時(shí)序子集中每個(gè)原始時(shí)序子集的核心數(shù)據(jù)，生成趨勢(shì)值數(shù)據(jù)，得到至少一個(gè)趨勢(shì)值數(shù)據(jù)；

基于所述至少一個(gè)平均值數(shù)據(jù)中的每個(gè)平均值數(shù)據(jù)和對(duì)應(yīng)的所述至少一個(gè)趨勢(shì)值數(shù)據(jù)中的趨勢(shì)值數(shù)據(jù)，生成特征數(shù)據(jù)，得到至少一個(gè)特征數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述預(yù)設(shè)的趨勢(shì)生成策略為：

獲取所述至少一個(gè)原始時(shí)序子集中每個(gè)原始時(shí)序子集的核心數(shù)據(jù)；

將所述每個(gè)原始時(shí)序子集的核心數(shù)據(jù)通過(guò)最小二乘法進(jìn)行處理，生成趨勢(shì)值數(shù)據(jù)；

或者，將所述每個(gè)原始時(shí)序子集的核心數(shù)據(jù)通過(guò)牛頓迭代法進(jìn)行處理，生成趨勢(shì)值數(shù)據(jù)；

或者，將所述每個(gè)原始時(shí)序子集的核心數(shù)據(jù)通過(guò)多項(xiàng)式回歸法進(jìn)行處理，生成趨勢(shì)值數(shù)據(jù)；

或者，將所述每個(gè)原始時(shí)序子集的核心數(shù)據(jù)通過(guò)預(yù)設(shè)的訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行處理，生成趨勢(shì)值數(shù)據(jù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述原始處理模型為：

其中，w、b為常數(shù)參數(shù)，ε為目標(biāo)閾值，i代表第i個(gè)所述原始時(shí)序子集，x_i代表第i個(gè)所述原始時(shí)序子集的特征信息，y_i代表第i個(gè)所述原始時(shí)序子集中最后一個(gè)時(shí)序數(shù)據(jù)的時(shí)間戳。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于獲取的目標(biāo)時(shí)序數(shù)據(jù)集和所述目標(biāo)處理模型，生成目標(biāo)預(yù)測(cè)數(shù)據(jù)，包括：

步驟一：基于所述原始時(shí)序集中的每個(gè)時(shí)序數(shù)據(jù)和所述目標(biāo)處理模型生成預(yù)測(cè)結(jié)果數(shù)據(jù)，得到預(yù)測(cè)結(jié)果集；

步驟二：基于預(yù)設(shè)的校驗(yàn)策略對(duì)所述預(yù)測(cè)結(jié)果集和預(yù)設(shè)的對(duì)比結(jié)果集進(jìn)行處理，得到偏離數(shù)據(jù)；

步驟三：重新基于所述預(yù)設(shè)的訓(xùn)練策略和所述特征數(shù)據(jù)集對(duì)原始處理模型進(jìn)行訓(xùn)練，得到目標(biāo)處理模型；

重復(fù)執(zhí)行所述步驟一至步驟三共N次，得到N個(gè)偏離數(shù)據(jù)，其中，N為不小于2的正整數(shù)；

或者，重復(fù)執(zhí)行所述步驟一至步驟三共N-1次，再重復(fù)執(zhí)行所述步驟一至步驟二1次，得到N個(gè)偏離數(shù)據(jù)，其中，N為不小于2的正整數(shù)；

從所述N個(gè)偏離數(shù)據(jù)中篩選出最小的偏離數(shù)據(jù)；

基于獲取的目標(biāo)時(shí)序數(shù)據(jù)集和所述最小的偏離數(shù)據(jù)對(duì)應(yīng)的所述目標(biāo)處理模型，生成目標(biāo)預(yù)測(cè)數(shù)據(jù)。

7.根據(jù)權(quán)利要求1至6任一所述的方法，其特征在于，所述方法還包括：

將目標(biāo)模型的模型參數(shù)發(fā)送至模型管理中心；

接收所述模型管理中心發(fā)送的中心模型參數(shù)；

將所述中心模型參數(shù)更新至目標(biāo)模型。