【技术实现步骤摘要】
本申请涉及人工智能领域，特别涉及一种设备健康度评估方法、装置、设备和计算机存储介质。
技术介绍
1、矿山生产环境具有设备设施多且分布广，检修作业环境复杂、条件恶劣，设备管理困难等特点，为保障生产作业的有序推进，对于设备的正确评估、科学维护变得尤为重要；然而，在相关的设备健康度评价技术中，多以当前状态预测历史状态，且在数据预处理过程中，宽泛使用基础数据，使得计算效率及评价精度有所降低。
技术实现思路
1、本申请实施例提供了一种设备健康度评估方法、装置、设备和计算机存储介质。
2、第一方面，本申请实施例提供的设备健康度评估方法，包括：
3、获取设备的基础数据；
4、对所述基础数据进行数据的预处理，获得一次数据；
5、对所述一次数据进行关键特征的选取，获得二次数据；
6、根据所述二次数据及所述二次数据对应的设备健康度生成训练数据；
7、将所述训练数据输入模型以训练所述模型，并利用训练后的所述模型进行设备健康度的评估。
8、在一些实施例中，所述基础数据包括设备运行状态数据、设备工作环境数据和设备维护数据中的至少一种数据；
9、所述对所述基础数据进行数据的预处理，获得一次数据，包括以下至少之一：
10、统计所述设备运行状态数据在第一预设周期内的变化率；
11、统计所述设备运行状态数据在第二预设周期内的频率；
12、根据所述设备工作环境数对应的取值范围将所述设备工
13、统计所述设备维护数据在第三预设周期内的频率。
14、在一些实施例中，所述关键特征包括第一部分关键特征和第二部分关键特征；
15、所述对所述一次数据进行关键特征的选取，获得二次数据，包括：
16、根据历史知识从所述一次数据中筛选出所述第一部分关键特征，以及根据特征到设备健康度之间的传递熵从所述一次数据中筛选出所述第二部分关键特征；所述特征到设备健康度之间的传递熵表示所述一次数据与设备健康度之间的因果关系。
17、在一些实施例中，所述一次数据包括第一部分数据和第二部分数据，所述第一部分数据为通过所述历史知识筛选出关键特征的数据，所述第二部分数据为通过所述特征到设备健康度之间的传递熵筛选出关键特征的数据；
18、所述根据历史知识从所述一次数据中筛选出所述第一部分关键特征，以及根据特征到设备健康度之间的传递熵从所述一次数据中筛选出所述第二部分关键特征，包括：
19、从所述第一部分数据中筛选出与历史知识中的特征相匹配的特征，作为所述第一部分关键特征；
20、根据所述特征到设备健康度之间的传递熵从所述第二部分数据中筛选出所述第二部分关键特征。
21、在一些实施例中，所述根据所述特征到设备健康度之间的传递熵从所述第二部分数据中筛选出所述第二部分关键特征，包括：
22、针对所述第二部分数据中的每个特征，分别计算该特征到设备健康度之间的传递熵；
23、若该特征的传递熵大于或等于第一阈值，则将该特征确定为所述第二部分关键特征。
24、在一些实施例中，所述方法还包括：
25、针对所述第一部分数据中的每个特征，分别计算该特征到设备健康度之间的传递熵；
26、计算所述第一部分数据中的各个特征到设备健康度之间的传递熵的均值，基于所述均值确定所述第一阈值。
27、在一些实施例中，所述训练数据包括所述二次数据及所述二次数据对应的设备健康度的模糊值；所述方法还包括：
28、确定所述二次数据对应的设备健康度的绝对值；
29、判断所述设备健康度的绝对值落入的区间范围，根据所述区间范围确定所述设备健康度的模糊值；其中，不同的区域范围对应不同的模糊值。
30、在一些实施例中，所述模型为有时间记忆的神经网络模型，所述有时间记忆的神经网络模型包括一个或多个记忆模块；
31、所述训练所述模型，包括：
32、迭代执行以下步骤，直到所述训练数据的训练误差小于第二阈值为止：
33、基于当前时刻的输入数据和上一时刻的记忆模块的输出值，得到当前时刻的记忆模块的输出值；所述当前时刻的输入数据为所述训练数据中的所述二次数据；
34、基于所述当前时刻的记忆模块的输出值，得到当前时刻的记忆模块的误差项值；
35、基于所述当前时刻的记忆模块的误差项值，更新当前时刻的记忆模块的权重和偏置项，以更新所述模型。
36、在一些实施例中，所述方法还包括：
37、获取更新的所述基础数据；
38、根据更新的所述基础数据生成更新的所述训练数据；
39、将更新的所述训练数据输入所述训练后的模型以调整所述模型。
40、第二方面，本申请实施例提供的设备健康度评估装置，包括：
41、获取模块，用于获取设备的基础数据；
42、预处理模块，用于对所述基础数据进行数据的预处理，获得一次数据；
43、筛选模块，用于对所述一次数据进行关键特征的选取，获得二次数据；根据所述二次数据及所述二次数据对应的设备健康度生成训练数据；
44、模型训练模块，用于将所述训练数据输入模型以训练所述模型；
45、评估模块，用于利用训练后的所述模型进行设备健康度的评估。
46、第三方面，本申请实施例提供的设备健康度评估设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行上述任意一种设备健康度评估方法。
47、第四方面，本申请实施例提供的计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一种设备健康度评估方法。
48、本申请实施例的技术方案中，通过获取设备的基础数据；对基础数据进行数据的预处理，获得一次数据；对一次数据进行关键特征的选取，获得二次数据；根据二次数据及二次数据对应的设备健康度生成训练数据，并将训练数据输入模型以训练该模型，从而利用训练后的模型进行设备健康度的评估。也就是说，可基于生成的训练数据进行模型的训练，从而利用训练后的模型实现设备健康度的评估，而训练数据包含对采集的设备基础数据进行预处理和关键特征提取后形成的二次数据，以及二次数据对应的设备健康度，从而能够进一步提取到对设备健康度有关键影响作用的数据特征，加强设备的相关数据与设备之间的关联性，提升了评估模型的训练效率和训练结果的准确性。
本文档来自技高网...【技术保护点】
1.一种设备健康度评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基础数据包括设备运行状态数据、设备工作环境数据和设备维护数据中的至少一种数据；
3.根据权利要求1所述的方法，其特征在于，所述关键特征包括第一部分关键特征和第二部分关键特征；
4.根据权利要求3所述的方法，其特征在于，所述一次数据包括第一部分数据和第二部分数据，所述第一部分数据为通过所述历史知识筛选出关键特征的数据，所述第二部分数据为通过所述特征到设备健康度之间的传递熵筛选出关键特征的数据；
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征到设备健康度之间的传递熵从所述第二部分数据中筛选出所述第二部分关键特征，包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，其中，所述训练数据包括所述二次数据及所述二次数据对应的设备健康度的模糊值；所述方法还包括：
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述模型为有时间记忆的神经
9.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：
10.一种设备健康度评估装置，其特征在于，包括：
11.一种设备健康度评估设备，其特征在于，所述设备包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行上述权利要求1至9中任一项所述的方法。
12.一种计算机存储介质，其特征在于，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法。
...【技术特征摘要】
1.一种设备健康度评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基础数据包括设备运行状态数据、设备工作环境数据和设备维护数据中的至少一种数据；
3.根据权利要求1所述的方法，其特征在于，所述关键特征包括第一部分关键特征和第二部分关键特征；
4.根据权利要求3所述的方法，其特征在于，所述一次数据包括第一部分数据和第二部分数据，所述第一部分数据为通过所述历史知识筛选出关键特征的数据，所述第二部分数据为通过所述特征到设备健康度之间的传递熵筛选出关键特征的数据；
5.根据权利要求4所述的方法，其特征在于，所述根据所述特征到设备健康度之间的传递熵从所述第二部分数据中筛选出所述第二部分关键特征，包括：
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
7.根据权利...
【专利技术属性】
技术研发人员：孟倩倩，赵鹏，曹雪，罗帆，王晓阳，高强，
申请(专利权)人：中移上海信息通信科技有限公司，
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。