电子设备健康度的预测方法、装置、终端及介质制造方法及图纸

本申请提供电子设备健康度的预测方法、装置、终端及介质，本发明专利技术通过对电子设备的运行情况进行实时监控获取实时运行状态数据，据以对电子设备的未来运行状态进行预测，根据预测结果对电子设备进行预维护，以根据电子设备的实时运行状态更加合理并且灵活地安排维护工作，最大程度地兼顾了安全性和经济性，既保证了设备的预检预修，也大大节省了人力和物力在设备维修上的过度投入。与此同时，引入健康值这一指标，可对设备寿命、健康状态、稳定性和安全性都直观标定，通过一系列量化数据的模型分析，对电子设备的状态有个简单直接评估，为用户运行维护、重大活动保障、更新换代、年度预算提供量化依据，指导客户常态化运维提供数字化保障。保障。保障。

【技术实现步骤摘要】
电子设备健康度的预测方法、装置、终端及介质


[0001]本申请涉及电子设备
，特别是涉及电子设备健康度的预测方法、装置、终端及介质。

技术介绍

[0002]随着信息技术的发展，系统的复杂度以前所未有的速度增加，系统涉及的设备数量面临同样的困境，传统以人为基础的系统管理面临前所未有的困难，特别是针对大型机构，有限的信息化运维管理人员，人均管理的设备数量已经远远超过了人工管理的极限，如果没有有效的信息化手段辅助管理，必然造成管理失效、系统失灵的窘境。每个设备都有自己的生命周期，从出厂到安装再到现场环境开始，设备的元器件会随着时间衰老，故障、维修、使用环境、使用时长、使用频度都会影响到设备的使用寿命，随着寿命将尽，设备也会表现出更多的故障，直至彻底损坏，与生物、机械性设备类似，电子设备也存在生命周期变化的客观规律，如何有效描述这种规律，我们引入了电子的设备健康度概念。通过健康度描述设备所处的状态和寿命，有效指导用户对设备的采购、巡检、维护、淘汰、更新、升级活动，为信息化系统提供信息化的手段。
[0003]以大型企业集团、学校为例：会议室和教室的比重日益增加，音视频设备种类繁多，数量巨大，某一设备或关键设备的故障、不稳定都会导致整个会议室或者教室停用。对会议室或教室中音视频设备健康监控旨在对设备的故障进行精准的预测，通过设备故障的预测制定针对故障的高效维修保障策略，降低设备停机时间，提高设备利用率，避免因“过度维修”造成的人力和物力方面的浪费，也避免因设备未及时维修造成用户开会效率低下，甚至更为严重的后果。r/>[0004]健康度的概念来源于人对身体状态的健康概念，一些早期是对机械设备、电子设备的寿命研究也已经有相当多的成果。机械设备寿命主要是用来研究与预测设备在规定的时间内能够正常运行的时间，通过对机械设备寿命预测可以避免因为机械设备异常而出现的各种故障，并且提高该设备的利用率，降低在机械设备运行过程中出现停止工作的事件发生。
[0005]针对电子设备，为提升设备可靠性并降低维护成本，同样需要对设备状态进行检测。在此基础上对设备的故障种类以及退化状态进行分析及预测，为设备后期的运维策略提供参考。考虑到设备服役寿命的关键问题为寿命预测以及故障维修决策，引入状态检测频率、检验检修方案、故障预测算法等相关概念来对设备寿命及维修成本进行分析。通过建立数据驱动的服役寿命预测模型对故障阶段进行有效分类，通过数值仿真的方式说明基于设备状态采集信息分析寿命预测效果并且对所提出决策方法的可靠性进行阐述。
[0006]但是，目前对于机械、电子设备方面的研究，一是缺乏直观的指标对设备寿命、健康状态、可靠性、安全性进行综合评价；二是针对设备缺乏人的主观感性评估，无法反馈非故障性体感评价方式；三是对故障、维修这些因素很少纳入到了评估体系，没有直观的指标。我们希望通过健康度的体系，将设备的寿命、健康状态、可靠性、安全性、主观体感、故
障、维修等一系列指标，类似人的体检指标，形成一个综合性的评价值，我们称之为“健康度”。

技术实现思路

[0007]鉴于以上所述现有技术的缺点，本申请的目的在于提供电子设备健康度的预测方法、装置、终端及介质，用于解决现有技术中无法很好地衡量电子设备健康度的问题。
[0008]为实现上述目的及其他相关目的，本申请的第一方面提供一种电子设备健康度的预测方法，包括：确定电子设备健康度的若干影响因素；所述影响因素至少包括：设备运行温度因素、设备运行湿度因素、电脉冲因素、故障因素、维修因素、使用体感因素中的一种或多种；根据所述电子设备的参考寿命、各所述影响因素及其权重、设备安装时间，计算电子设备健康度；其中，所述电子设备健康度与各项影响因素的加权和负相关，并与参考寿命正相关。
[0009]于本申请的第一方面的一些实施例中，利用所述设备运行温度因素评判电子设备健康度的方式包括：从历史运行数据中获取各类电子设备的运行温度及使用寿命数据以构成训练集；将所述训练集输入机器学习模型中进行训练，以得到通过运行温度来预测电子设备使用寿命的预测模型；根据所述预测模型输出的预测结果来量化设备运行温度对设备使用寿命的影响。
[0010]于本申请的第一方面的一些实施例中，选用卷积神经网络为所述机器学习模型；输入所述卷积神经网络的训练集包括从历史运行数据中获取到的电子设备运行温度数据及使用寿命数据，还包括各运行温度区间与故障类型间的对应关系；训练得到的卷积神经网络在输入当前的设备运行温度后输出使用寿命预测值以及各类故障发生的概率值；选择最大概率的故障类型作为该电子设备使用寿命的终结原因。
[0011]于本申请的第一方面的一些实施例中，所述卷积神经网络的训练过程包括：将电子设备的运行温度数据、使用寿命数据及两者之间的关系图示化为对应的图像数据后输入到卷积神经网络；卷积神经网络利用若干层卷积层对所述图像数据进行卷积计算后，利用池化层对卷积计算结果进行数据压缩，再利用批量归一化层对数据压缩结果进行批量归一化处理后得到图像特征图；在输出层设有数量与故障类型数量相同的输出神经元，以输出各输入图像对应于各故障类型的概率。
[0012]于本申请的第一方面的一些实施例中，利用所述电脉冲因素评判电子设备健康度的方式包括：从历史运行数据中获取各类电子设备的开关机次数、电压异常波动数据、雷击数据及使用寿命数据以构成训练集；将所述训练集输入机器学习模型中进行训练，以得到通过电子设备的电脉冲数据来预测电子设备使用寿命的预测模型；根据所述预测模型输出的预测结果来量化电脉冲对设备使用寿命的影响。
[0013]于本申请的第一方面的一些实施例中，利用所述使用体感因素评判电子设备健康度的方式包括：根据用户在设备使用过程中对设备反馈速度、操控精准度及操控稳定性的综合评价结果量化形成使用体感对设备使用寿命的影响。
[0014]于本申请的第一方面的一些实施例中，所述电子设备健康度的计算方式包括：
[0015]Sp＝(PL
‑
(T(t)*Ht+H(t)*Wh+E(n)*We+B(n)*Wb+R(n)*Wr+Fe*Wfe))/PL*10；其中，Sp表示电子设备健康度；PL表示电子设备的参考寿命；t表示电子设备安装时间；T(t)表示
温度因素基于0～t时间段从温度
‑
寿命预测模型输出的预测结果；Wt表示温度因素的权重；H(t)表示温度因素基于0～t时间段从湿度
‑
寿命预测模型输出的预测结果；Wh表示湿度因素的权重；E(n)表示电脉冲n次加权平均的结果；We表示电脉冲因素的权重；故障因素B(n)表示n次故障加权平均的结果；Wb表示故障因素的权重；R(n)表示n次维修加权平均的结果；Wr表示维修因素的权重；Fe表示基于使用体感的得分数据；Wfe表示使用体感因素的权重。
[0016]为实现上述目的及其他相关目的，本申请的第二方面提供一种电子设备健康度的预测装置，包括：影响因素确定模块，用于确定电子设备健康度的若干影响因素；所述影响因素至少包括：设备运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电子设备健康度的预测方法，其特征在于，包括：确定电子设备健康度的若干影响因素；所述影响因素至少包括：设备运行温度因素、设备运行湿度因素、电脉冲因素、故障因素、维修因素、使用体感因素中的一种或多种；根据所述电子设备的参考寿命、各所述影响因素及其权重、设备安装时间，计算电子设备健康度；其中，所述电子设备健康度与各项影响因素的加权和负相关，并与参考寿命正相关。2.根据权利要求1所述的电子设备健康度的预测方法，其特征在于，利用所述设备运行温度因素评判电子设备健康度的方式包括：从历史运行数据中获取各类电子设备的运行温度及使用寿命数据以构成训练集；将所述训练集输入机器学习模型中进行训练，以得到通过运行温度来预测电子设备使用寿命的预测模型；根据所述预测模型输出的预测结果来量化设备运行温度对设备使用寿命的影响。3.根据权利要求2所述的电子设备健康度的预测方法，其特征在于，选用卷积神经网络为所述机器学习模型；输入所述卷积神经网络的训练集包括从历史运行数据中获取到的电子设备运行温度数据及使用寿命数据，还包括各运行温度区间与故障类型间的对应关系；训练得到的卷积神经网络在输入当前的设备运行温度后输出使用寿命预测值以及各类故障发生的概率值；选择最大概率的故障类型作为该电子设备使用寿命的终结原因。4.根据权利要求3所述的电子设备健康度的预测方法，其特征在于，所述卷积神经网络的训练过程包括：将电子设备的运行温度数据、使用寿命数据及两者之间的关系图示化为对应的图像数据后输入到卷积神经网络；卷积神经网络利用若干层卷积层对所述图像数据进行卷积计算后，利用池化层对卷积计算结果进行数据压缩，再利用批量归一化层对数据压缩结果进行批量归一化处理后得到图像特征图；在输出层设有数量与故障类型数量相同的输出神经元，以输出各输入图像对应于各故障类型的概率。5.根据权利要求1所述的电子设备健康度的预测方法，其特征在于，利用所述电脉冲因素评判电子设备健康度的方式包括：从历史运行数据中获取各类电子设备的开关机次数、电压异常波动数据、雷击数据及使用寿命数据以构成训练集；将所述训练集输入机器学习模型中进行训练，以得到通过电子设备的电脉冲数据来预测电子设备使用寿命的预测模型；根据所述预测模型输出的预测...

【专利技术属性】
技术研发人员：曹晖，王毅，刘昙，张治国，
申请(专利权)人：上海金桥信息股份有限公司，
类型：发明
国别省市：