生命周期预测模型的在线学习方法和设备技术

本发明专利技术提供一种生命周期预测模型的在线学习方法和设备，所述在线学习方法包括：(a)根据待预测产品的多个同类产品的历史数据建立生命周期预测模型；(b)每当到达待预测产品的维护时刻，获取待预测产品的实际数据，根据待预测产品的实际环境数据得到待预测产品的当前等效使用时间，并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值；(c)确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差，并且当所述误差大于预定阈值时，更新所述生命周期预测模型。根据本发明专利技术可得到更符合待预测产品的使用工况的生命周期预测模型，从而提高对待预测产品的性能预测的准确度。

Online learning method and equipment for life cycle prediction model

The present invention provides a life cycle prediction model of online learning methods and equipment, including the online learning method: (a) according to the historical data of a plurality of similar products to the predicted products of building life cycle prediction model; (b) when they reach the forecast product maintenance time, access to the actual data to predict product according to the actual environment, data forecast products obtained using equivalent current time forecast products, and according to the prediction of the life cycle model and the equivalent time determine the performance parameters of the predictive value; (c) the actual value error between the predicted value and performance parameters determined the performance parameters including forecast products in the in the actual data, and when the error is greater than a predetermined threshold, an update of the life cycle prediction model. According to the invention, a life cycle prediction model that is more suitable for the predicted product's working condition can be obtained, so as to improve the accuracy of predicting the product's performance.

【技术实现步骤摘要】
生命周期预测模型的在线学习方法和设备
本专利技术涉及智能预测的
，更具体地讲，涉及一种生命周期预测模型的在线学习方法和设备。
技术介绍
产品的寿命是指产品可以正常使用的时间，是体现产品的可靠性的重要特征量。随着产品的使用时间的增加，产品的性能将会退化，也就是说，产品的性能与产品的寿命之间具有对应关系。因此，可通过对产品的性能的监控预测来预测产品的寿命。针对产品使用性能退化的监控预测，建立产品的行为过程模型并由此对产品的性能指标进行预测以及控制已经得到了普遍应用。传统的建模方法主要是根据其材料、退化、化学、生物等机理规律直接得到或通过实验数据辨识的方法确定机理模型。但是由于使用过程的影响因素众多，机理模型往往达不到要求。基于历史数据的机器学习方法建模越来越多的得到应用，如神经网络、支持向量机、极限学习机等。但现有技术中的建模方法建立的预测模型针对部分个体产品的性能预测的准确度不高。
技术实现思路
本专利技术的目的在于提供一种生命周期预测模型的在线学习方法和设备，以解决现有的预测模型预测的准确性不高的问题。根据本专利技术的一方面，提供一种生命周期预测模型的在线学习方法，该在线学习方法包括：(a)根据待预测产品的多个同类产品的历史数据建立生命周期预测模型，其中，所述历史数据包括历史环境数据以及历史性能参数，所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系，所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间；(b)每当到达待预测产品的维护时刻，获取待预测产品的实际数据，根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间，并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值；(c)响应于性能参数的预测值的确定，确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差，并且当所述误差大于预定阈值时，根据待预测产品的实际数据及其权重更新所述生命周期预测模型。可选地，步骤(a)包括：根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数，其中，所述生命周期预测模型为产品的性能失效机理模型或用于产品的生命周期预测的经验模型。可选地，在步骤(a)中，利用损失函数最小化方法，根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数。可选地，步骤(a)包括：根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间；将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间。可选地，在步骤(b)中，根据每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间，将每个时间点的单次等效使用时间相加得到当前等效使用时间。可选地，在步骤(c)中，根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重，根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重，根据每个时间点的历史数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。可选地，在步骤(c)中，根据初始的或更新前的生命周期预测模型得到不同的等效使用时间的模型数据，根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重，根据每条实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每条实际数据的权重，根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每条实际数据及其权重来更新所述生命周期预测模型。可选地，每条实际数据对应的权重之和随着实际数据的总条数的增加而增加。可选地，在步骤(c)中，利用高斯分布函数、柯西分布函数、威布尔分布函数、指数函数、幂函数或等比连乘算法，以当前等效使用时间为中心，构造各个权重。可选地，在步骤(c)中，利用样本重抽样方法或具有权重学习性质的算法来根据待预测产品的实际数据及其权重更新所述生命周期预测模型。可选地，还包括：(d)周期性地获取所述待预测产品的环境数据，根据生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值，在当前的性能参数的预测值落入预警范围时，进行预警提示。本专利技术的另一方面提供一种生命周期预测模型的在线学习设备，在线学习设备包括：模型建立单元，根据待预测产品的多个同类产品的历史数据建立生命周期预测模型，其中，所述历史数据包括历史环境数据以及历史性能参数，所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系，所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间；确定单元，每当到达待预测产品的维护时刻，获取待预测产品的实际数据，根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间，并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值；模型更新单元，响应于性能参数的预测值的确定，确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差，并且当所述误差大于预定阈值时，根据待预测产品的实际数据及其权重更新所述生命周期预测模型。可选地，模型建立单元根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数，其中，所述生命周期预测模型为产品的性能失效机理模型或用于产品的生命周期预测的经验模型。可选地，模型建立单元利用损失函数最小化方法，根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数。可选地，模型建立单元根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间，将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间，再根据每个时间点的等效使用时间与每个时间点的性能参数建立所述生命周期预测模型。可选地，确定单元根据每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间，将每个时间点的单次等效使用时间相加得到当前等效使用时间。可选地，模型更新单元根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重，根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重，根据每个时间点的历史数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。可选地，模型更新单元根据初始的或更新前的生命周期预测模型得到不同的等效使用时间的模型数据，根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重，根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重，根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。可选地，每个实际数据对应的权重之和随着实际数据的总条数的增加而增加。可选地，模型更新单元利用高斯分布函数、柯西分布函数、威布尔分布函数、指数函数、幂函数或等比连乘算本文档来自技高网...

【技术保护点】
一种生命周期预测模型的在线学习方法，其特征在于，包括：(a)根据待预测产品的多个同类产品的历史数据建立生命周期预测模型，其中，所述历史数据包括历史环境数据以及历史性能参数，所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系，所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间；(b)每当到达待预测产品的维护时刻，获取待预测产品的实际数据，根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间，并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值；(c)响应于性能参数的预测值的确定，确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差，并且当所述误差大于预定阈值时，根据待预测产品的实际数据及其权重更新所述生命周期预测模型。

【技术特征摘要】
1.一种生命周期预测模型的在线学习方法，其特征在于，包括：(a)根据待预测产品的多个同类产品的历史数据建立生命周期预测模型，其中，所述历史数据包括历史环境数据以及历史性能参数，所述生命周期预测模型指示体现产品的性能退化程度的性能参数与等效使用时间之间的关系，所述等效使用时间指示实际工况下的产品的使用时间折算成的标准工况下的产品的使用时间；(b)每当到达待预测产品的维护时刻，获取待预测产品的实际数据，根据包括在所述实际数据中的待预测产品的实际环境数据得到待预测产品的当前等效使用时间，并且根据所述生命周期预测模型以及当前等效使用时间确定性能参数的预测值；(c)响应于性能参数的预测值的确定，确定包括在所述实际数据中的待预测产品的性能参数的实际值与性能参数的预测值之间的误差，并且当所述误差大于预定阈值时，根据待预测产品的实际数据及其权重更新所述生命周期预测模型。2.根据权利要求1所述的在线学习方法，其特征在于，步骤(a)包括：根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数，其中，所述生命周期预测模型为产品的性能失效机理模型或用于产品的生命周期预测的经验模型。3.根据权利要求2所述的在线学习方法，其特征在于，在步骤(a)中，利用损失函数最小化方法，根据待预测产品的多个同类产品的历史数据确定所述生命周期预测模型的模型参数。4.根据权利要求1所述的在线学习方法，其特征在于，步骤(a)包括：根据历史数据中的每个时间点的历史环境数据与标准环境数据确定每个时间点的单次等效使用时间；将每个时间点之前的所有时间点的单次等效使用时间相加得到每个时间点的等效使用时间。5.根据权利要求1所述的在线学习方法，其特征在于，在步骤(b)中，根据每个时间点的实际环境数据与标准环境数据确定每个时间点的单次等效使用时间，将每个时间点的单次等效使用时间相加得到当前等效使用时间。6.根据权利要求1所述的在线学习方法，其特征在于，在步骤(c)中，根据历史数据中的每个时间点的等效使用时间与当前等效使用时间之间的时间距离确定每个时间点的历史数据的权重，根据每个实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每个实际数据的权重，根据每个时间点的历史数据及其权重、每个实际数据及其权重来更新所述生命周期预测模型。7.根据权利要求1所述的在线学习方法，其特征在于，在步骤(c)中，根据初始的或更新前的生命周期预测模型得到不同的等效使用时间的模型数据，根据不同的等效使用时间中的每个等效使用时间与当前等效使用时间之间的时间距离确定不同的等效使用时间中的每个等效使用时间的模型数据的权重，根据每条实际数据的等效使用时间与当前等效使用时间之间的时间距离确定每条实际数据的权重，根据不同的等效使用时间中的每个等效使用时间的模型数据及其权重、每条实际数据及其权重来更新所述生命周期预测模型。8.根据权利要求6或7所述的在线学习方法，其特征在于，每条实际数据对应的权重之和随着实际数据的总条数的增加而增加。9.根据权利要求6或7所述的在线学习方法，其特征在于，在步骤(c)中，利用高斯分布函数、柯西分布函数、威布尔分布函数、指数函数、幂函数或等比连乘算法，以当前等效使用时间为中心，构造各个权重。10.根据权利要求1所述的在线学习方法，其特征在于，在步骤(c)中，利用样本重抽样方法或具有权重学习性质的算法来根据待预测产品的实际数据及其权重更新所述生命周期预测模型。11.根据权利要求1所述的在线学习方法，其特征在于，还包括：(d)周期性地获取所述待预测产品的环境数据，根据生命周期预测模型和所述待预测产品的环境数据来确定所述待预测产品当前的性能参数的预测值，在当前的性能参数的预测值落入预警范围时，进行预警提示。12....

【专利技术属性】
技术研发人员：薛建国，王璐，
申请(专利权)人：新疆金风科技股份有限公司，
类型：发明
国别省市：新疆,65