设备状态的预测方法及装置、存储介质、电子装置与流程

本发明涉及能源技术领域，具体而言，涉及一种设备状态的预测方法及装置、存储介质、电子装置。

背景技术：

现有技术中，预测性维护(predictivemaintenance，简称pdm)是“工业4.0”提出的关键创新点之一。基于连续的测量和分析，预测性维护能够预测诸如机器零件剩余使用寿命等机关指标。关键的运行参数数据可以辅助决策，判断机器的运行状态、优化机器的维护时机。

在综合能源系统中，由于存在大量的设备，且设备彼此之间存在耦合的关系，任何一部分出现问题，都会导致整个系统出现差错。而当设备出现问题，再去进行修理，又往往会耽误工业生产。所以设备的预测性维护就显得尤为重要。

传统的预测性维护中，针对设备建模，如果仅仅使用输入输出数据来拟合出动态曲线，并得到预测结果是不准确的，因为模型在建立的过程中，主要强调的是收集的数据之间的关系，并没有反应出设备的物理特性。而仅针对设备的物理特性建模，在不同的地区，季节，设备开关策略等因素的影响下，得到的预测结果也是不准确的，会忽略设备的真实工作状态，同时物理建模中的模型需要大量的专家经验。现有技术中使用单一的预测方式并不能准确预测出设备的故障情况。

针对现有技术中存在的上述问题，目前尚未发现有效的解决方案。

技术实现要素：

本发明实施例提供了一种设备状态的预测方法及装置、存储介质、电子装置。

根据本发明的一个实施例，提供了一种设备状态的预测方法，包括：

采集目标设备在采样周期内的历史工作参数和历史环境参数；

使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型；

根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，其中，所述状态值用于表征所述目标设备出现故障的概率。

可选地，根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值包括：

获取所述目标设备在预测周期内的当前工作参数和当前环境参数；

将所述当前工作参数输入所述物理预测模型得到第一预测结果，将所述当前环境参数输入所述回归预测模型得到第二预测结果；

将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型，得到所述目标设备在所述预测周期内的状态值。

可选地，使用所述历史工作参数建立物理预测模型包括：

确定所述目标设备的故障点；

针对每一个故障点选择一个原始物理模型，其中，所述原始物理模型包括以下之一：管道裂缝方程，热传递方程，声波方程，空气动力方程；

使用所述历史工作参数训练所述原始物理模型，得到所述物理预测模型。

可选地，使用所述历史环境参数建立回归预测模型包括：

分析所述历史环境参数，得到所述目标设备的回归特性；

选择与所述回归特性对应的原始回归模型，其中，所述原始回归模型包括以下之一：整合移动平均自回归arima模型，seasonalarima模型；

使用所述历史环境参数训练所述原始回归模型，得到所述回归预测模型。

可选地，采集目标设备在采样周期内的历史工作参数和历史环境参数包括：

在第一数据库中采集目标设备在采样周期内的输入数据，输出数据，以及运行数据，以及在第二数据库中采集目标设备在采样周期内的环境温度，环境湿度，光强。

可选地，在根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值之后，所述方法还包括：

在预测得到的状态值大于门限值时，生成用于指示所述目标设备需要维护的预警信息。

根据本发明的另一个实施例，提供了一种设备状态的预测装置，包括：

采集模块，用于采集目标设备在采样周期内的历史工作参数和历史环境参数；

建立模块，用于使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型；

预测模块，用于根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，其中，所述状态值用于表征所述目标设备出现故障的概率。

可选地，所述预测模块包括：

获取单元，用于获取所述目标设备在预测周期内的当前工作参数和当前环境参数；

处理单元，用于将所述当前工作参数输入所述物理预测模型得到第一预测结果，将所述当前环境参数输入所述回归预测模型得到第二预测结果；

预测单元，用于将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型，得到所述目标设备在所述预测周期内的状态值。

可选地，所述建立模块包括：

确定单元，用于确定所述目标设备的故障点；

第一选择单元，用于针对每一个故障点选择一个原始物理模型，其中，所述原始物理模型包括以下之一：管道裂缝方程，热传递方程，声波方程，空气动力方程；

第一训练单元，用于使用所述历史工作参数训练所述原始物理模型，得到所述物理预测模型。

可选地，所述建立模块包括：

分析单元，用于分析所述历史环境参数，得到所述目标设备的回归特性；

第二选择单元，用于选择与所述回归特性对应的原始回归模型，其中，所述原始回归模型包括以下之一：整合移动平均自回归arima模型，seasonalarima模型；

第二训练单元，用于使用所述历史环境参数训练所述原始回归模型，得到所述回归预测模型。

可选地，所述采集模块包括：

采集单元，用于在第一数据库中采集目标设备在采样周期内的输入数据，输出数据，以及运行数据，以及在第二数据库中采集目标设备在采样周期内的环境温度，环境湿度，光强。

可选地，所述装置还包括：生成模块，用于在所述预测模块根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值之后，在预测得到的状态值大于门限值时，生成用于指示所述目标设备需要维护的预警信息。

根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，采集目标设备在采样周期内的历史工作参数和历史环境参数，并使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型，最后根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，通过采集多个维度的设备参数，并建立物理和回归两种模型，对目标设备的故障概率进行预测分析，解决了现有技术中采用单一模型预测设备的故障率不准确的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例的一种设备状态的预测终端的硬件结构框图；

图2是根据本发明实施例的设备状态的预测方法的流程图；

图3是本发明实施例对设备的状态进行预测的流程示意图；

图4是根据本发明实施例的设备状态的预测装置的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本申请实施例一所提供的方法实施例可以在服务器，网络终端、计算机终端或者类似的运算装置中执行。以运行在服务器上为例，图1是本发明实施例的一种设备状态的预测终端的硬件结构框图。如图1所示，服务器10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，可选地，上述服务器还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述服务器的结构造成限定。例如，服务器10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备状态的预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至服务器10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(networkinterfacecontroller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(radiofrequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种设备状态的预测方法，图2是根据本发明实施例的设备状态的预测方法的流程图，如图2所示，该流程包括如下步骤：

步骤s202，采集目标设备在采样周期内的历史工作参数和历史环境参数；

步骤s204，使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型；

步骤s206，根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，其中，所述状态值用于表征所述目标设备出现故障的概率。除了故障率之外，还可以进一步预测故障发生时间等故障信息。

通过上述步骤，通过采集目标设备在采样周期内的历史工作参数和历史环境参数，并使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型，最后根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，通过采集多个维度的设备参数，并建立物理和回归两种模型，对目标设备的故障概率进行预测分析，解决了现有技术中采用单一模型预测设备的故障率不准确的技术问题。

可选地，上述步骤的执行主体可以为设备维护平台，服务器，终端等，具体可以是处理器，算法模块等，但不限于此。

本实施例的应用场景，可以应用在能源网络的节点运维、设备故障检测等场景中，目标设备可以是燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备等。

在本实施例的一个实施方式中，根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值包括：

s11，获取所述目标设备在预测周期内的当前工作参数和当前环境参数；该预测周期可以是上述采用周期，也可以是其他时间段，当前工作参数和当前环境参数可以代表目标设备近段时间内的运行情况；

s12，将所述当前工作参数输入所述物理预测模型得到第一预测结果，将所述当前环境参数输入所述回归预测模型得到第二预测结果；

s13，将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型，得到所述目标设备在所述预测周期内的状态值。

具体的，本实施例的预设预测有效度模型可以是一个加权平均算法或者是物理平均算法。

可选的，使用所述历史工作参数建立物理预测模型包括：确定所述目标设备的故障点；针对每一个故障点选择一个原始物理模型，其中，所述原始物理模型包括以下之一：管道裂缝方程，热传递方程，声波方程，空气动力方程；使用所述历史工作参数训练所述原始物理模型，得到所述物理预测模型。

可选的，使用所述历史环境参数建立回归预测模型包括：分析所述历史环境参数，得到所述目标设备的回归特性；选择与所述回归特性对应的原始回归模型，其中，所述原始回归模型包括以下之一：整合移动平均自回归(autoregressiveintegratedmovingaveragemodel，arima)模型，seasonalarima模型；使用所述历史环境参数训练所述原始回归模型，得到所述回归预测模型。

可选的，采集目标设备在采样周期内的历史工作参数和历史环境参数包括：在第一数据库中采集目标设备在采样周期内的输入数据，输出数据，以及运行数据，以及在第二数据库中采集目标设备在采样周期内的环境温度，环境湿度，光强。

在本实施例的一个实施方式中，在根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值之后，还包括：在预测得到的状态值大于门限值时，生成用于指示所述目标设备需要维护的预警信息。进一步的，还可以依据预测值高于门限值的差值，生成不同等级的预警信息，例如，高于门限值越多，预警级别越高，目标设备出现故障的概率越高，设备越危险，需要紧急检修。

下面对本实施例的完整方案进行说明，图3是本发明实施例对设备的状态进行预测的流程示意图，包括：

s31.选择一个时间段，从scada(数据采集与监视控制系统)和天气环境数据库中获取数据，scada中获取设备的输入，输出，运行数据，天气数据库中收集环境温度，湿度，光强等数据。光伏，地热等设备的存在，需要获取环境数据。

s32.对设备可能出现故障的点进行分类，选择适合的物理模型并建立微分方程。同时将收集到的设备数据进行测试，看数据是否具有周期性等性质，再选择适合的回归模型。

s33.通过收集的环境数据及设备的数据，在物理模型中求解出模型的相关参数，得到完整物理模型。所以建立两种模型，并应用预测有效度模型对两种结果进行合理的分析，从而可以得到比较准确的预测结果。

s34.通过回归模型拟合出设备的动态方程。

s35.通过步骤s33和步骤s34得到的方程计算预测结果。

s36.将预测结果输入预测有效度模型中，得到最终结果。如结果显示设备需要维护，则进行维护。

对于维护后的设备，立刻重复上述1-6步骤，更新物理和回归模型，并更新。对于未维护的设备，随着设备运行时间的增加，相应的设备的物理模型和回归模型都会发生变，为保证预测维护结果的准确性，需要定期重复上述步骤，计算得到新的预测性维护结果。

本实施例中，设备的动态模型从物理的原理出发，构建设备故障的微分方程，通过发展方程来预测故障的严重程度。通过收集设备的输入，输出，运行数据和设备环境数据(如光伏设备，需要温度，湿度，日照等数据)，可以确定微分方程的参数，进而可以通过预测故障变化来确定设备的故障时间。对于一个复杂的设备系统，假设动态模型满足某种关系，然后通过观测到的数据的输入和输出来估计模型的参数使得我们假设的模型可以近似于真正的动态模型。本技术方案中，对于同一设备，同时使用两种模型对设备的故障预测进行建模，一为物理模型(构建故障微分方程)，二为通过数据的输入与输出得到的拟合的动态模型。两种建模带来两种预测结果，在此两种结果上，使用预测有效度模型，最终得到设备故障的预测结果。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

实施例2

在本实施例中还提供了一种基于神经网络的负荷预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是根据本发明实施例的设备状态的预测装置的结构框图，如图4所示，该装置包括：采集模块40，建立模块42，预测模块44，其中，

采集模块40，用于采集目标设备在采样周期内的历史工作参数和历史环境参数；

建立模块42，用于使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型；

预测模块44，用于根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，其中，所述状态值用于表征所述目标设备出现故障的概率。

可选的，所述预测模块包括：获取单元，用于获取所述目标设备在预测周期内的当前工作参数和当前环境参数；处理单元，用于将所述当前工作参数输入所述物理预测模型得到第一预测结果，将所述当前环境参数输入所述回归预测模型得到第二预测结果；预测单元，用于将所述第一预测结果和所述第二预测结果输入至预设预测有效度模型，得到所述目标设备在所述预测周期内的状态值。

可选地，所述建立模块包括：确定单元，用于确定所述目标设备的故障点；第一选择单元，用于针对每一个故障点选择一个原始物理模型，其中，所述原始物理模型包括以下之一：管道裂缝方程，热传递方程，声波方程，空气动力方程；第一训练单元，用于使用所述历史工作参数训练所述原始物理模型，得到所述物理预测模型。

可选地，所述建立模块包括：分析单元，用于分析所述历史环境参数，得到所述目标设备的回归特性；第二选择单元，用于选择与所述回归特性对应的原始回归模型，其中，所述原始回归模型包括以下之一：整合移动平均自回归arima模型，seasonalarima模型；第二训练单元，用于使用所述历史环境参数训练所述原始回归模型，得到所述回归预测模型。

可选地，所述采集模块包括：采集单元，用于在第一数据库中采集目标设备在采样周期内的输入数据，输出数据，以及运行数据，以及在第二数据库中采集目标设备在采样周期内的环境温度，环境湿度，光强。

可选地，所述装置还包括：生成模块，用于在所述预测模块根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值之后，在预测得到的状态值大于门限值时，生成用于指示所述目标设备需要维护的预警信息。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

实施例3

本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：

s1，采集目标设备在采样周期内的历史工作参数和历史环境参数；

s2，使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型；

s3，根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，其中，所述状态值用于表征所述目标设备出现故障的概率。

可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(read-onlymemory，简称为rom)、随机存取存储器(randomaccessmemory，简称为ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：

s1，采集目标设备在采样周期内的历史工作参数和历史环境参数；

s2，使用所述历史工作参数建立物理预测模型，以及使用所述历史环境参数建立回归建立模型；

s3，根据所述物理预测模型和所述回归预测模型预测所述目标设备的状态值，其中，所述状态值用于表征所述目标设备出现故障的概率。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。