本申请公开了一种设备剩余使用寿命的预测方法和装置。其中，该方法包括：获取设备的状态数据；利用基于限制性分位数回归和核方法的剩余使用寿命预测模型，根据状态数据对设备剩余使用寿命进行分位数点估计，得到与多个分位数点分别对应的设备剩余使用寿命的分位数点预测值，剩余使用寿命预测模型包括第一支持向量回归模型、第二支持向量回归模型和随机变量，第一支持向量回归模型和第二支持向量回归模型均包括核函数；基于多个分位数点预测值进行概率分布的鲁棒估计，得到设备剩余使用寿命的累积分布函数。根据本申请实施例的设备剩余使用寿命的预测方法，能够提高模型的适用范围，提高设备剩余使用寿命预测的准确性和灵活性。
【技术实现步骤摘要】
本申请属于设备健康管理，尤其涉及一种设备剩余使用寿命的预测方法和装置。
技术介绍
1、通常，设备的老化会增大设备失效的风险，带来不可避免的损失。通过对设备进行维修可以降低这些风险，减小故障成本。然而，频繁的维修又会提高相应的维修成本。因此，合理有效地对设备进行维修规划，能够使故障和维修等的总成本最小化。随着大数据时代的到来和传感器技术的发展，充分分析和有效利用通过对设备进行实时监测所获取的传感器数据，能够对设备的当前状态进行较为准确的评估，并对其剩余使用寿命做出预测，进而能够根据剩余使用寿命制定出较为可靠的维修规划。这种预测性维修规划能够大大提高维修效率，降低总成本。在制定维修规划的过程中，最关键的步骤就是对设备的剩余使用寿命进行预测。
2、现有技术中，通常基于机器学习模型对设备的剩余使用寿命进行点估计，或，基于随机过程模型、贝叶斯框架模型对设备的剩余使用寿命进行概率分布估计。
3、但是，在实际情况中，由于受各种因素的制约，剩余使用寿命预测结果总存在不确定性，而点估计无法满足这种不确定性，导致设备剩余使用寿命预测的准确性较低。另外，为了对设备的剩余使用寿命进行概率分布估计，通常需要基于先验知识对设备的退化模型或剩余使用寿命概率分布的形式作出假设。由于对退化过程的假设或先验知识通常是未知的，也即，假设和先验知识的主观性较强，因此，可能导致剩余使用寿命的预测结果与实际结果之间的偏差较大，导致模型的适用范围较窄，设备剩余使用寿命预测的准确性和灵活性较低。
技术实现思路
1、本申请实施例提供了一种设备剩余使用寿命的预测方法、装置、设备、计算机可读存储介质及计算机程序产品，能够提高模型的适用范围，提高设备剩余使用寿命预测的准确性和灵活性。
2、第一方面，本申请实施例提供了一种设备剩余使用寿命的预测方法，该方法包括：
3、获取设备的状态数据；
4、利用基于限制性分位数回归和核方法的剩余使用寿命预测模型，根据所述状态数据对设备剩余使用寿命进行分位数点估计，得到与多个分位数点分别对应的所述设备剩余使用寿命的分位数点预测值，所述剩余使用寿命预测模型包括第一支持向量回归模型、第二支持向量回归模型和随机变量，所述第一支持向量回归模型和所述第二支持向量回归模型均包括核函数；
5、基于多个所述分位数点预测值进行概率分布的鲁棒估计，得到所述设备剩余使用寿命的累积分布函数。
6、在一种可能的实现方式中，所述利用基于限制性分位数回归和核方法的剩余使用寿命预测模型，根据所述状态数据对设备剩余使用寿命进行分位数点估计之前，所述方法还包括：
7、基于限制性分位数回归和核方法构建初始剩余使用寿命预测模型，所述初始剩余使用寿命预测模型包括第一初始支持向量回归模型、第二初始支持向量回归模型和随机变量，所述第一初始支持向量回归模型和所述第二初始支持向量回归模型均包括核函数；
8、获取n个历史剩余使用寿命数据及其分别对应的历史状态数据，所述n为正整数；
9、利用所述n个历史剩余使用寿命数据及其分别对应的历史状态数据对所述初始剩余使用寿命预测模型进行训练，得到所述剩余使用寿命预测模型。
10、在一种可能的实现方式中，所述利用所述n个历史剩余使用寿命数据及其分别对应的历史状态数据对所述初始剩余使用寿命预测模型进行训练，得到所述剩余使用寿命预测模型，包括：
11、利用所述n个历史剩余使用寿命数据及其分别对应的历史状态数据对所述第一初始支持向量回归模型进行估计，得到第一支持向量回归模型；
12、获取所述第一支持向量回归模型针对每个所述历史剩余使用寿命数据及其对应的历史状态数据的残差值，得到n个残差值；
13、对所述n个残差值及其分别对应的历史剩余使用寿命数据进行非负函数拟合，确定所述第二初始支持向量回归模型的模型参数，得到第二支持向量回归模型；
14、利用分位数回归模型对所述随机变量进行估计，得到所述多个分位数点分别对应的随机变量的估计值；
15、根据所述第一支持向量回归模型、所述第二支持向量回归模型和所述多个分位数点分别对应的随机变量的估计值构建所述剩余使用寿命预测模型。
16、在一种可能的实现方式中，获取n个所述历史状态数据，包括：
17、获取n个历史状态数据向量，每个所述历史状态数据向量分别包括m个维度的第一历史状态数据，所述m为正整数；
18、对所述n个历史状态数据向量中的第一历史状态数据进行归一化处理，得到n个目标历史状态数据向量；
19、将所述n个目标历史状态数据向量确定为n个所述历史状态数据。
20、在一种可能的实现方式中，获取n个所述历史状态数据，还包括：
21、针对每个所述目标历史状态数据向量，对所述m个维度的第一历史状态数据进行线性回归，得到n个所述历史状态数据。
22、在一种可能的实现方式中，所述对所述m个维度的第一历史状态数据进行线性回归之前，所述方法还包括：
23、对所述历史剩余使用寿命数据和所述m个维度的第一历史状态数据进行相关性分析，得到相关性分析结果，所述相关性分析结果按照相关性由强到弱的顺序排序；
24、根据所述相关性分析结果，选取前n个维度的第一历史状态数据，所述n为正整数；
25、所述对所述m个维度的第一历史状态数据进行线性回归，包括：
26、对所述n个维度的第一历史状态数据进行线性回归。
27、在一种可能的实现方式中，所述对所述n个历史状态数据向量中的第一历史状态数据进行归一化处理，得到n个目标历史状态数据向量，包括：
28、按照环境特征对所述n个历史状态数据向量中的第一历史状态数据进行聚类，得到多个类别；
29、对属于同一类别的所述第一历史状态数据进行类内归一化处理，得到n个目标历史状态数据向量。
30、在一种可能的实现方式中，所述得到所述设备剩余使用寿命的累积分布函数之后，所述方法还包括：
31、获取所述设备的使用时长、单次故障后更换成本、单次预防性更换成本、单位时间停机成本；
32、根据所述设备的使用时长、单次故障后更换成本、单次预防性更换成本、单位时间停机成本和所述累积分布函数对所述设备的更换周期内的单位时间总成本进行最优化求解，确定所述设备的更换时间，所述更换周期为两次连续更换操作之间的时间段。
33、第二方面，本申请实施例提供了一种设备剩余使用寿命的预测装置，该装置包括：
34、第一获取模块，用于获取设备的状态数据；
35、第一估计模块，用于利用基于限制性分位数回归和核方法的剩余使用寿命预测模型，根据所述状态数据对设备剩余使用寿命进行分位数点估计，得到与多个分位数点分别对应的所述设备剩余使用寿命的分位数点预测值，所述剩余使用寿命预测模型包括第一支持向量回归模型、第二支持向量回归模型和随机变本文档来自技高网
...
【技术保护点】
1.一种设备剩余使用寿命的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用基于限制性分位数回归和核方法的剩余使用寿命预测模型，根据所述状态数据对设备剩余使用寿命进行分位数点估计之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述利用所述N个历史剩余使用寿命数据及其分别对应的历史状态数据对所述初始剩余使用寿命预测模型进行训练，得到所述剩余使用寿命预测模型，包括：
4.根据权利要求2所述的方法，其特征在于，获取N个所述历史状态数据，包括：
5.根据权利要求4所述的方法，其特征在于，获取N个所述历史状态数据，还包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述m个维度的第一历史状态数据进行线性回归之前，所述方法还包括：
7.根据权利要求4所述的方法，其特征在于，所述对所述N个历史状态数据向量中的第一历史状态数据进行归一化处理，得到N个目标历史状态数据向量，包括：
8.根据权利要求1所述的方法，其特征在于，所述得到所述设备剩余使用寿命的累积分布函数之后，所述方法还包括：
9.一种设备剩余使用寿命的预测装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的设备剩余使用寿命的预测方法。
12.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-8任意一项所述的设备剩余使用寿命的预测方法。
...
【技术特征摘要】
1.一种设备剩余使用寿命的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述利用基于限制性分位数回归和核方法的剩余使用寿命预测模型，根据所述状态数据对设备剩余使用寿命进行分位数点估计之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述利用所述n个历史剩余使用寿命数据及其分别对应的历史状态数据对所述初始剩余使用寿命预测模型进行训练，得到所述剩余使用寿命预测模型，包括：
4.根据权利要求2所述的方法，其特征在于，获取n个所述历史状态数据，包括：
5.根据权利要求4所述的方法，其特征在于，获取n个所述历史状态数据，还包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述m个维度的第一历史状态数据进行线性回归之前，所述方法还包括：
7.根据权利要求4所述的方法，其特...
【专利技术属性】
技术研发人员：李彦夫，王亚楠，杨舟，张颖，
申请(专利权)人：清华大学，
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。