设备寿命的预测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114154415A(43)申请公布日2022.03.08(21)申请号202111452192.6(22)申请日2021.12.01(71)申请人新智我来网络科技有限公司地址100102北京市朝阳区望京东路1号(72)发明人徐少龙张燧(74)专利代理机构北京嘉科知识产权代理事务所(特殊普通合伙)11687代理人陈俊宏(51)Int.Cl.G06F30/27(2020.01)G06Q10/04(2012.01)G06F119/04(2020.01)权利要求书2页说明书10页附图2页(54)发明名称设备寿命的预测方法及装置(57)摘要本公开涉及人工智能技术领域，提供了一种设备寿命的预测方法及装置。该方法包括：获取目标设备的参数数据，其中，参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取参数数据的第一数据特征，其中第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算第一数据特征，得到第一累积特征；将第一累积特征输入小波极限叠加模型，输出目标设备的剩余使用寿命。采用上述技术手段，可以解决现有技术中，通过测试设备估计设备的剩余使用寿命，估计结果准确率低的问题，进而提高估计设备的剩余使用寿命的准确率。CN114154415ACN114154415A权利要求书1/2页1.一种设备寿命的预测方法，其特征在于，包括：获取目标设备的参数数据，其中，所述参数数据，包括：第一历史维修数据、第一当前运行数据和第一能耗数据；提取所述参数数据的第一数据特征，其中所述第一数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用特征累积算法计算所述第一数据特征，得到第一累积特征；将所述第一累积特征输入小波极限叠加模型，输出所述目标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，所述将所述第一累积特征输入小波极限叠加模型，输出所述目标设备的剩余使用寿命之前，所述方法还包括：根据人工神经网络和小波分析原理构建所述小波极限叠加模型；其中，所述小波极限叠加模型，包括：多个输入层、多个隐藏层和一个输出层；其中，多个所述输入层和多个所述隐藏层之间通过Nguyen‑Widrow算法实现映射，多个所述隐藏层和所述输出层之间通过Linear算法实现映射。3.根据权利要求1所述的方法，其特征在于，所述将所述第一累积特征输入小波极限叠加模型，输出所述目标设备的剩余使用寿命，包括：根据所述第一累积特征和对数函数确定第一变量，根据所述第一累积特征、余弦函数和指数函数确定第二变量；根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，计算所述剩余使用寿命；其中，所述小波极限叠加模型，包括：多个所述输入层、多个所述隐藏层和一个所述输出层。4.根据权利要求3所述的方法，其特征在于，所述根据第一变量、第二变量、多个输入层和多个隐藏层之间映射的第一权重向量、多个隐藏层和输出层之间映射的第二权重向量、多个隐藏层中的神经元的乖离率，计算所述剩余使用寿命之前，所述方法还包括：获取多个设备的训练数据，其中，所述训练数据，包括：第二历史维修数据、第二当前运行数据和第二能耗数据；提取所述训练数据的第二数据特征，其中所述第二数据特征，包括：均方根、峰值、能量、熵、反双曲正弦标准差和反正切标准差；利用所述特征累积算法计算所述第二数据特征，得到第二累积特征；使用所述第二累积特征训练所述小波极限叠加模型；其中，所述第一权重向量、所述第二权重向量、所述乖离率是在所述小波极限叠加模型的训练过程中确定的。5.根据权利要求1所述的方法，其特征在于，包括：通过如下公式提取所述参数数据的所述反双曲正弦标准差M：M＝σ(log(yj+(yj^2+1)^1/2))；通过如下公式提取所述参数数据的所述反正切标准差N：N＝σ(I/2log((yj+I)/(I‑yj)))；其中，σ()为激活函数，I为常数，yj为第j个所述参数数据，j表示所述参数数据的序号，2CN114154415A权利要求书2/2页j≥1。6.根据权利要求1所述的方法，其特征在于，所述提取所述参数数据的第一数据特征，包括：通过以下任意一种方法对所述参数数据进行平滑处理：移动平滑法、二阶多项式回归法和K最临近算法；提取经过所述平滑处理之后的参数数据的所述第一数据特征。7.根据权利要求1所述的方法，其特征在于，所述特征累积算法为：其中，C为第一累积特征，Fv(i)为经过平滑处理之后的第i组所述第一数据特征，i≥1，经过平滑处理，可以将所述第一数据特征分为多组。8.一种设备寿命的预测装置，其特征在于，包括：获取