设备寿命的预测方法及装置制造方法及图纸

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。设备的剩余使用寿命的准确率。设备的剩余使用寿命的准确率。

【技术实现步骤摘要】
设备寿命的预测方法及装置


[0001]本公开涉及人工智能
，尤其涉及一种设备寿命的预测方法及装置。

技术介绍

[0002]由于在综合能源系统中，大量的设备由于长期工作，环境变化，频繁起停等原因，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系统出现问题，所以对于设备的健康度的评估是及其必要的。评估设备的健康度实际上就是估计设备的剩余使用寿命。目前，估计设备的剩余使用寿命常用的方法是在测试设备的过程，根据测试结果确定设备状况，进而大致估计出设备的剩余使用寿命。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中至少存在如下技术问题：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。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种设备寿命的预测方法、装置、电子设备及计算机可读存储介质，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。
[0005]本公开实施例的第一方面，提供了一种设备寿命的预测方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
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、...

【专利技术属性】
技术研发人员：徐少龙，张燧，
申请(专利权)人：新智我来网络科技有限公司，
类型：发明
国别省市：