一种基于数据驱动的机电设备寿命预测方法及系统技术方案

本发明专利技术涉及机电设备寿命预测技术领域，特别是涉及一种基于数据驱动的机电设备寿命预测方法及系统，包括：获取多设备的数据集；筛选出异常数据；根据异常数据在时间轴上的分布进行周期划分；对不同设备周期划分的结果进行周期组合得到训练集以及测试集；将所述训练集输入选定的数据驱动模型进行训练；将测试集输入训练后的数据驱动模型进行测试；测试结束，根据所得数据驱动模型预测任意一台机电设备的寿命。本发明专利技术提供的方法通过筛选异常数据，将多设备的数据进行周期划分后重新组合得到训练集以及测试集，并进行模型的训练及测试、完成寿命预测，在数据划分阶段对数据进行了整合，使模型更为全面准确。使模型更为全面准确。使模型更为全面准确。

A method and system of electromechanical equipment life prediction based on data drive

【技术实现步骤摘要】
一种基于数据驱动的机电设备寿命预测方法及系统


[0001]本专利技术涉及机电设备寿命预测
，特别是涉及一种基于数据驱动的机电设备寿命预测方法及系统。

技术介绍

[0002]数据驱动是相对于模型驱动而言的数据处理分析方法。所谓模型驱动是指构建出模型，利用采集到的数据，根据已构建出的模型分析对象，这种方式有赖于构建出的模型的准确性。与之不同，数据驱动分析方法下，并非构建出一个固定不变的模型，而是利用采集到的数据，对模型进行训练，使模型向数据贴合。
[0003]数据驱动的分析方法对于数据信息具有更高的依赖性，但是对数据的适应性也更高，在一些具有明显趋势以及规律波动的数据分析中，数据驱动的分析方法具有明显优势。
[0004]机电设备的寿命预测一直是一个研究热点。现有技术提供了一些基于数据驱动的机电寿命的分析方法，这些方法主要从如何挖掘数据信息的角度着手的，例如增加模型深度，使用不同的特征提取方法等，然后，数据驱动的分析方法本身的一个问题是对数据的依赖性太高，如何使数据随机而又能够包含尽可能多的实际情况，是在数据分析时需要解决的问题。

技术实现思路

[0005]基于此，有必要针对上述的问题，提供一种基于数据驱动的机电设备寿命预测方法及系统。
[0006]本专利技术实施例是这样实现的，一种基于数据驱动的机电设备寿命预测方法，所述基于数据驱动的机电设备寿命预测方法包括：获取多设备的数据集；筛选出异常数据；根据异常数据在时间轴上的分布进行周期划分；对不同设备周期划分的结果进行周期组合得到训练集以及测试集；将所述训练集输入选定的数据驱动模型进行训练；将测试集输入训练后的数据驱动模型进行测试；测试结束，根据所得数据驱动模型预测任意一台机电设备的寿命。
[0007]在其中一个实施例中，本专利技术提供了一种基于数据驱动的机电设备寿命预测系统，所述基于数据驱动的机电设备寿命预测系统包括：数据采集装置，所述数据采集装置与各设备连接，用于各设备运行参数的实时采集；以及计算机设备，所述计算机设备与所述数据采集装置连接，用于执行如本专利技术所述的基于数据驱动的机电设备寿命预测方法。
[0008]本专利技术实施例提供的基于数据驱动的机电设备寿命预测方法通过异常数据的筛
选，将数据进行划分，而后将多设备数据的划分结果进行重新组合，使异常数据在组合所得的数据中分布更为均匀，提高了有效数据在训练集以及测试集中的占比，使训练以及测试的过程能够更好地针对异常情况，避免了数据驱动模型训练集与测试集存在较大差异导致的结果偏离较大的问题，提高了模型对真实情况的适应性，可以降低训练及测试时对数据量的要求。
附图说明
[0009]图1为一个实施例提供的基于数据驱动的机电设备寿命预测方法的流程图；图2为一个实施例提供的计算机设备的内部结构框图。
具体实施方式
[0010]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0011]可以理解，本专利技术所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本专利技术的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
[0012]如图1所示，在一个实施例中，提出了一种基于数据驱动的机电设备寿命预测方法，所述基于数据驱动的机电设备寿命预测方法包括：获取多设备的数据集；筛选出异常数据；根据异常数据在时间轴上的分布进行周期划分；对不同设备周期划分的结果进行周期组合得到训练集以及测试集；将所述训练集输入选定的数据驱动模型进行训练；将测试集输入训练后的数据驱动模型进行测试；测试结束，根据所得数据驱动模型预测任意一台机电设备的寿命。
[0013]在本实施例中，机电设备包括但不限于生产制造中的机床（车床、铣床等）等设备，温控系统中的风机、水泵等设备，还可以包括其它类型的专用或者通用设备。这些设备均存在使用年限，但是使用年限与具体的使用情况以及维护情况有关，本专利技术即用于这些设备使用过程中的寿命预测，从而实现设备的数字化管理维护。
[0014]在本实施例中，这里的多设备是指同型号的多台设备，对于单一设备的寿命预测往往因为数据量不足准确性很低，本专利技术通过综合多设备的数据可以提高预测的准确性。需要说明的是，设备寿命可以通过其使用时的具体工作参数进行衡量，例如随着使用年限的增加，设备的精度下降，当精度下降到无法修正的程度时，可以认为设备报废。实际的寿命预测即是预测一些关键参数随时间的变化情况，预估设备的报废时间，对每个参数可以单独预测，本专利技术以多设备就同一参数的变化进行预设来说明。需要说明的是，这里的数据集是多台设备的某一参数的值随时间变化的情况，可以是连续采样也可以是离散采集，不同的采集方式可以得到不同的数据类型。
[0015]在本实施例中，异常数据是指波动较大的数据，本专利技术给出了异常数据具体如何确定的方法。在本实施例中，由于所采集的数据是随时间分布的，可以将时间轴进行周期划分，则每一个周期对应一部分数据，可以将每个周期对应的数据作为一个数据整体输入模型进行训练或者测试。在本实施例中，进行周期划分之后还包括不同设备间数据的重新组合以得到训练集以及测试集。
[0016]在本实施例中，对于数据驱动模型的训练以及测试过程可以参考现有技术，本专利技术不涉及此部分内容的改进。测试结束后，根据设备当前的运行参数可以实现设备寿命的预测。
[0017]本专利技术实施例提供的基于数据驱动的机电设备寿命预测方法通过异常数据的筛选，将数据进行划分，而后将多设备数据的划分结果进行重新组合，使异常数据在组合所得的数据中分布更为均匀，提高了有效数据在训练集以及测试集中的占比，使训练以及测试的过程能够更好地针对异常情况，避免了数据驱动模型训练集与测试集存在较大差异导致的结果偏离较大的问题，提高了模型对真实情况的适应性，可以降低训练及测试时对数据量的要求。
[0018]作为本专利技术的一个可选实施例，所述确定一个筛选范围，根据确定出的筛选范围筛选出异常数据，包括：确定数据类型，所述数据类型包括连续型以及离散型；对于连续型，根据均值回归确定筛选出异常数据；对于离散型，根据线性回归筛选出异常数据。
[0019]在本实施例中，对于不同类型的数据采用不同的方法找出异常数据。
[0020]作为本专利技术的一个可选实施例，所述根据均值回归筛选出异常数据，包括：选定时间窗宽度，在时间轴上以时间窗宽度为步距移动时间窗，计算时间窗每次移动所在位置连续型数据的积分中值，得到连接型数据的系列积分中值；以时间窗每次移动所在位置的中点为横坐标，以对应连续型数据的积分中值为纵坐标，得到系列中值点；由系列中值点确定一条贝塞尔曲线；将所述贝塞尔曲线向上侧平移第一距离得到上边界，将所述贝塞尔曲线向下侧平移第二距离得到下边界；将位于所述上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的机电设备寿命预测方法，其特征在于，所述基于数据驱动的机电设备寿命预测方法包括：获取多设备的数据集；筛选出异常数据；根据异常数据在时间轴上的分布进行周期划分；对不同设备周期划分的结果进行周期组合得到训练集以及测试集；将所述训练集输入选定的数据驱动模型进行训练；将测试集输入训练后的数据驱动模型进行测试；测试结束，根据所得数据驱动模型预测任意一台机电设备的寿命。2.根据权利要求1所述的基于数据驱动的机电设备寿命预测方法，其特征在于，所述筛选出异常数据，包括：确定数据类型，所述数据类型包括连续型以及离散型；对于连续型，根据均值回归确定筛选出异常数据；对于离散型，根据线性回归筛选出异常数据。3.根据权利要求2所述的基于数据驱动的机电设备寿命预测方法，其特征在于，所述根据均值回归筛选出异常数据，包括：选定时间窗宽度，在时间轴上以时间窗宽度为步距移动时间窗，计算时间窗每次移动所在位置连续型数据的积分中值，得到连接型数据的系列积分中值；以时间窗每次移动所在位置的中点为横坐标，以对应连续型数据的积分中值为纵坐标，得到系列中值点；由系列中值点确定一条贝塞尔曲线；将所述贝塞尔曲线向上侧平移第一距离得到上边界，将所述贝塞尔曲线向下侧平移第二距离得到下边界；将位于所述上边界与所述下边界所夹范围之外的数据标记为异常数据。4.根据权利要求3所述的基于数据驱动的机电设备寿命预测方法，其特征在于，第一距离与第二距离比值的范围为0.8~1.4，且异常数据对应的时间长度占总时间长度的比例为5%~15%。5.根据权利要求2所述的基于数据驱动的机电设备寿命预测方法，其特征在于，所述根据线性回归筛选出异常数据，包括：将离散型数据划分为若干个组；计算每一个组内所有离散点的回归直线；分别计算每个组内各个离散点到回归直线的平均距离；对于任意一个离散点，若其到对应回归直线的距离达到所在组内各离散点到回归直线平均距离的1.5倍，则将之记为异常数据。6.根据权利要求5所述的基于数据驱动的机电设备寿命预测方法，其特征在于，所述将离散型数据划分为若干个组，包括：计算所有相邻两个离散型数据所在直线与时间轴正方向的夹角的绝对值；对于任意一个离散型数据，若其与前一个离散型数据所确定的直线与时间轴正方向的夹角、与后一个离散型数据所确定的直线与时间轴正方向的夹角均大于设定阈值，则将该
离散型数据标记为独立数据；对于任意一个离散型数据，若其与前一个离散型数...

【专利技术属性】
技术研发人员：钟炜，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：