【技术实现步骤摘要】
本专利技术涉及工业，特别涉及一种设备寿命预测模型训练方法、设备寿命预测方法、设备寿命预测模型训练装置、电子设备及计算机可读存储介质。
技术介绍
1、设备剩余寿命预测技术通常用于预测各种设备的剩余寿命，以便在需要维护或更换设备时提前做出维护决策。近年来，随着人工智能技术快速发展，以深度学习为代表的人工智能算法在设备剩余寿命领域发挥重要作用。现有技术在训练设备剩余设备寿命预测模型的过程中一般直接将采集得到的设备运行数据输入模型进行训练，没有对设备运行数据进行进一步的特征提取，导致最终得到设备剩余设备寿命预测模型的寿命预测精确度较差。
技术实现思路
1、本专利技术的目的在于提供一种设备寿命预测模型训练方法、设备寿命预测方法、设备寿命预测模型训练装置、电子设备及计算机可读存储介质，应用于工业
，该方法通过对设备运行数据进行特征提取得到数据分量，并基于数据分量与原始设备运行数据构建用于训练的数据集，相比于现有技术直接通过设备运行数据训练设备剩余设备寿命预测模型，提高了模型预测结果的精确性。
2、为解决上述技术问题，本专利技术提供一种设备寿命预测模型训练方法，包括：
3、获取预设类型、预设功能及预设位置设备的运行数据；所述运行数据带有剩余寿命标签；
4、基于stl算法及eemd算法获取所述运行数据中非振动物理量的第一数据分量；
5、基于vmd算法获取所述运行数据中振动物理量的第二数据分量；
6、基于所述第一数据分量、所述第二数据
7、基于所述数据集训练初始设备寿命预测模型得到训练完成的设备寿命预测模型。
8、可选的，所述基于stl算法及eemd算法获取所述运行数据中非振动物理量的第一数据分量，包括：
9、基于所述stl算法将所述运行数据中的所述非振动物理量分解为趋势分量、周期分量及残差分量；
10、基于所述eemd算法将所述残差分量分解为多个imf分量；
11、基于所述趋势分量、所述周期分量及所述imf分量构建所述第一数据分量。
12、可选的，所述基于所述第一数据分量、所述第二数据分量及所述运行数据构建数据集，包括：
13、基于粗糙集算法对所述运行数据中的条件参数进行数据筛选得到筛选后运行数据；
14、基于所述第一数据分量、所述第二数据分量及所述筛选后运行数据构建所述数据集。
15、可选的，所述获取预设类型、预设功能及预设位置设备的运行数据，包括：
16、获取所述预设类型、所述预设功能及所述预设位置设备的初始运行数据；
17、将所述初始运行数据划分为正常运行数据、性能退化数据及故障发生数据；
18、对所述正常运行数据进行欠采样处理得到欠采样数据；
19、对所述性能退化数据及所述故障发生数据进行过采样处理得到过采样数据；
20、基于所述欠采样数据与所述过采样数据确定所述运行数据。
21、可选的，所述基于vmd算法获取所述运行数据中振动物理量的第二数据分量，包括：
22、基于所述vmd算法将所述运行数据中所述振动物理量分解为多个模态分量；
23、基于所述模态分量构建所述第二数据分量。
24、可选的，所述初始设备寿命预测模型为transformer模型。
25、为解决上述技术问题，本专利技术提供一种设备寿命预测方法，包括：
26、获取目标设备的待检测数据；
27、将所述待检测数据输入设备寿命预测模型获取所述目标设备的剩余寿命；
28、其中，所述设备寿命预测模型的数据集来自与所述目标设备类型相同、功能相同且位置相同的设备；所述设备寿命预测模型为根据上述所述设备寿命预测模型训练方法训练得到的模型。
29、为解决上述技术问题，本专利技术提供一种设备寿命预测模型训练装置，包括：
30、第一模块，用于获取预设类型、预设功能及预设位置设备的运行数据；所述运行数据带有剩余寿命标签；
31、第二模块，用于基于stl算法及eemd算法获取所述运行数据中非振动物理量的第一数据分量；
32、第三模块，用于基于vmd算法获取所述运行数据中振动物理量的第二数据分量；
33、第四模块，用于基于所述第一数据分量、所述第二数据分量及所述运行数据构建数据集；
34、第五模块，用于基于所述数据集训练初始设备寿命预测模型得到训练完成的设备寿命预测模型。
35、为解决上述技术问题，本专利技术提供一种电子设备，包括：
36、存储器，用于储存计算机程序；
37、处理器，用于执行所述计算机程序时实现上述所述设备寿命预测模型训练方法或上述所述设备寿命预测方法。
38、为解决上述技术问题，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器执行时，实现上述所述设备寿命预测模型训练方法或上述所述设备寿命预测方法。
39、可见，本专利技术方法通过获取预设类型、预设功能及预设位置设备的运行数据；运行数据带有剩余寿命标签；基于stl算法及eemd算法获取运行数据中非振动物理量的第一数据分量；基于vmd算法获取运行数据中振动物理量的第二数据分量；基于第一数据分量、第二数据分量及运行数据构建数据集；基于数据集训练初始设备寿命预测模型得到训练完成的设备寿命预测模型。通过对设备运行数据进行特征提取得到的数据分量与设备运行数据构建用于训练的数据集，相比于现有技术直接通过设备运行数据训练设备剩余设备寿命预测模型，提高了模型预测结果的精确性。
本文档来自技高网...【技术保护点】
1.一种设备寿命预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述基于STL算法及EEMD算法获取所述运行数据中非振动物理量的第一数据分量，包括：
3.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述基于所述第一数据分量、所述第二数据分量及所述运行数据构建数据集，包括：
4.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述获取预设类型、预设功能及预设位置设备的运行数据，包括：
5.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述基于VMD算法获取所述运行数据中振动物理量的第二数据分量，包括：
6.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述初始设备寿命预测模型为Transformer模型。
7.一种设备寿命预测方法，其特征在于，包括：
8.一种设备寿命预测模型训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述
...【技术特征摘要】
1.一种设备寿命预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述基于stl算法及eemd算法获取所述运行数据中非振动物理量的第一数据分量，包括：
3.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述基于所述第一数据分量、所述第二数据分量及所述运行数据构建数据集，包括：
4.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述获取预设类型、预设功能及预设位置设备的运行数据，包括：
5.根据权利要求1所述设备寿命预测模型训练方法，其特征在于，所述基于vmd算法...
【专利技术属性】
技术研发人员：何家俊，徐楠，孙丰诚，蔡一彪，潘凡，倪军，
申请(专利权)人：杭州安脉盛智能技术有限公司，
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。