本发明专利技术涉及一种设备健康与寿命预测方法、装置、计算机设备及存储介质，该方法包括：获取待测设备的第一数据，第一数据为与待测设备的预测指标相关的状态实时数据，预测指标包括设备剩余寿命与设备健康置信度；将第一数据输入预测模型，以输出预测指标的预测结果，预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，管理包括不同类型的设备对应的预测模型的选择以及预测模型的保存与删除，配置包括预测模型的属性设置；记录预测结果并根据预测结果绘制预测指标的趋势图。本申请能够及时纠正模型偏差，主动选择预测效果准确的预测模型，并且预测结果方便用户观察比对。用户观察比对。用户观察比对。
【技术实现步骤摘要】
设备健康与寿命预测方法、装置、计算机设备及存储介质
[0001]本专利技术涉及轨道交通
，特别是涉及一种设备健康与寿命预测方法、装置、计算机设备及存储介质。
技术介绍
[0002]在轨道交通领域中，智能运维工作的高级阶段，是将涉及的机电设备的维护工作从“故障修”转变到“状态修”，主要表现在整个轨道线路的设备监控、资产管理、库存管理、工具管理以及RAMS指标等方面的预防性维修工作上。
[0003]其中，状态修是指以设备实际运行状态作为监测目标的预防性维修方式，即通过监测手段获取设备在实际运行中的健康状态，经过统计分析，来判断其是否处于安全的健康置信度，对于超出健康置信度的，按照规定的缺陷恢复时限予以检修。采用状态修的方式能够精准检测设备的健康状态以及使用寿命，有针对性且适时地组织维修工作，既能保证设备安全运行，又能最大限度地减少工作人员的工作量，达到科学管理、经济运行，更好地为轨道交通服务。而传统的机电设备智能运维系统仍处于维护工作的信息化阶段，即：设备实时信息的收集、整理与可视化，具有初步的设备状态预测功能。但是，在具体应用时还有如下问题：状态预测功能未开放与用户的交互，用户无法对预测模型进行统一管理；在运行过程中，如出现模型偏差，用户无法对预测模型进行重置；用户无法针对不同设备来选择不同模型、不同数据源；状态预测功能未提供预测结果的评估方法，也无法保存和删除运行过程中的模型；设备有实时和历史信息的数据曲线，但无法和预测结果数据同时显示。
[0004]上述问题容易导致预防性维修只能够停留在数据整合阶段，而其中的状态预测功能很难投入到具体应用中来，也就无法最大化地发挥出降低运维成本的作用。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种由用户统一进行预测模型的选择和管理，并能够在预测的同时对预测模型进行优化，以使预测结果更加准确的设备健康与寿命预测方法、装置、计算机设备及存储介质。
[0006]一种设备健康与寿命预测方法，所述方法包括：
[0007]获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
[0008]将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
[0009]记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
[0010]在其中一个实施例中，所述将所述第一数据输入预测模型，以输出所述预测指标的预测结果，之后还包括：
[0011]获取所述待测设备的第二数据，并将所述第二数据与所述预测结果进行比对，以生成比对结果，所述第二数据为第二次获取的与所述待测设备的预测指标相关的状态实时数据；
[0012]将所述比对结果发送至用户处，以供用户判断所述预测结果是否准确，若准确，则将所述预测模型保存入历史模型库，若不准确，则对所述预测模型进行调整。
[0013]在其中一个实施例中，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：
[0014]统计所述待测设备的第一数据与第二数据，分别绘制成历史数据曲线图以及实时数据曲线图；
[0015]将所述预测指标的趋势图、历史数据曲线图与实时数据曲线图对比显示。
[0016]在其中一个实施例中，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：
[0017]监测预测模型的运行环境，当运行环境出现变化的情况下向用户发送深造请求，以供用户开启预测模型的学习功能，所述学习功能是所述预测模型根据接收到的第一数据进行自我调整的功能；
[0018]监测预测模型的预测结果，在预测结果准确且稳定的情况下向用户发送学成请求，以供用户关闭预测模型的学习功能。
[0019]在其中一个实施例中，所述属性设置包括机器学习算法、优化算法以及训练参数。
[0020]在其中一个实施例中，所述训练参数是用户所设置模型训练的循环次数、窗口大小、批次大小以及学习比率，所述机器学习算法包括用户所设置的卷积神经网络CNN、循环神经网络RNN以及长短时记忆LSTM，所述优化算法包括用户所设置的随机梯度下降SGD、自适应时机估算ADAM以及均方根支柱RMSP。
[0021]一种设备健康与寿命预测装置，包括：
[0022]采集模块，用于获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
[0023]预测模块，用于将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
[0024]记录模块，用于记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
[0025]在其中一个实施例中，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0026]获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
[0027]将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的
选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
[0028]记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
[0029]在其中一个实施例中，一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤:
[0030]获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；
[0031]将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；
[0032]记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。
[0033]在其中一个实施例中，一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种设备健康与寿命预测方法，其特征在于，所述方法包括：获取待测设备的第一数据，所述第一数据为与所述待测设备的预测指标相关的状态实时数据，所述预测指标包括设备剩余寿命与设备健康置信度；将所述第一数据输入预测模型，以输出所述预测指标的预测结果，所述预测模型为基于机器学习模型，以待测设备同类型设备的状态实时数据为训练数据进行训练而构建的，用于供用户管理与配置的模型，所述管理包括不同类型的设备对应的所述预测模型的选择以及所述预测模型的保存与删除，所述配置包括所述预测模型的属性设置；记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图。2.根据权利要求1所述的设备健康与寿命预测方法，其特征在于，所述将所述第一数据输入预测模型，以输出所述预测指标的预测结果，之后还包括：获取所述待测设备的第二数据，并将所述第二数据与所述预测结果进行比对，以生成比对结果，所述第二数据为第二次获取的与所述待测设备的预测指标相关的状态实时数据；将所述比对结果发送至用户处，以供用户判断所述预测结果是否准确，若准确，则将所述预测模型保存入历史模型库，若不准确，则对所述预测模型进行调整。3.根据权利要求2所述的设备健康与寿命预测方法，其特征在于，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：统计所述待测设备的第一数据与第二数据，分别绘制成历史数据曲线图以及实时数据曲线图；将所述预测指标的趋势图、历史数据曲线图与实时数据曲线图对比显示。4.根据权利要求1所述的设备健康与寿命预测方法，其特征在于，所述记录所述预测结果并根据所述预测结果绘制所述预测指标的趋势图，之后还包括：监测预测模型的运行环境，当运行环境出现变化的情况下向用户发送深造请求，以供用户开启预测模型的学习功能，所述学习功能是所述预测模型根据接收到的第一数据进行自我调整的功能；监测...
【专利技术属性】
技术研发人员：赵晓峰，聂斐，顾华强，刘宏祥，陈烨，许珂，
申请(专利权)人：一众集思轨道交通公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。