技术特征：
1.一种设备的健康趋势预测方法，其特征在于，所述方法包括：获取待测设备预设时段内的振动数据；利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵；基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级；将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻；基于所述故障时刻确定待测设备的健康趋势；其中，所述健康等级包括：正常等级、轻微退化等级、严重退化等级和故障等级；所述健康趋势包括：剩余使用寿命。2.如权利要求1所述的方法，其特征在于，所述利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵，包括：利用经验模态分解法对所述振动数据进行特征提取，获取所述振动数据对应的各个固有模态的能量；基于所述各个固有模态的能量确定所述振动数据对应的能量熵矩阵。3.如权利要求1所述的方法，其特征在于，所述基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，包括：基于待测设备历史时段内的振动数据确定待测设备对应的最短距离的权重矩阵；利用所述能量熵矩阵和待测设备对应的最短距离的权重矩阵确定所述数据对应的最小量化误差；基于所述最小量化误差确定待测设备预设时段对应的健康指标值。4.如权利要求3所述的方法，其特征在于，所述基于待测设备历史时段内的振动数据确定待测设备对应的最短距离的权重矩阵，包括：获取待测设备历史时段内的振动数据对应的能量熵矩阵；以所述能量熵矩阵为自组织映射神经网络模型的输入，以基于获取的待测设备历史时段内的振动信号数据划分的第一聚类类型和第二聚类类型为输出，训练所述自组织映射神经网络模型，获取自组织映射神经网络模型中与能量熵矩阵中各向量间最短距离的权重向量；获取由所述各权重向量构成的待测设备对应的最短距离的权重矩阵。5.如权利要求1所述的方法，其特征在于，所述预先建立的健康趋势预测模型包括：正常等级子模型、轻微退化等级子模型、严重退化子模型和故障等级子模型；其中，所述正常等级子模型是基于历史时段内所述等级对应的健康指标值和预先设置的正常等级阈值构建的；所述轻微退化子模型是基于历史时段内所述等级对应的健康指标值的回归曲线对小波神经网络算法进行训练构建的；所述严重退化等级子模型是基于历史时段内所述等级对应的健康指标值的回归曲线对高斯回归算法进行训练构建的；所述故障等级子模型是基于历史时段内所述等级对应的健康指标值和预先设置的故障等级阈值构建的。
6.如权利要求5所述的方法，其特征在于，所述健康趋势预测模型基于健康指标值对应的健康等级进行自适应选择所述子模型，预测所述待测设备的故障时刻。7.一种设备的健康趋势预测系统，其特征在于，所述系统包括：第一获取模块，用于获取待测设备预设时段内的振动数据；第二获取模块，用于利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵；第一确定模块，用于基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级；预测模块，用于将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻；第二确定模块，用于基于所述故障时刻确定待测设备的健康趋势；其中，所述健康等级包括：正常等级、轻微退化等级、严重退化等级和故障等级；所述健康趋势包括：剩余使用寿命。8.如权利要求7所述的系统，其特征在于，所述第二获取模块，包括：获取单元，用于利用经验模态分解法对所述振动数据进行特征提取，获取所述振动数据对应的各个固有模态的能量；确定单元，用于基于所述各个固有模态的能量确定所述振动数据对应的能量熵矩阵。9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现如权利要求1-6中任一的方法。10.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现如权利要求1-6中任一的方法。
技术总结
本发明涉及设备的健康趋势预测方法、系统、计算机设备及存储介质，所述方法包括：获取待测设备预设时段内的振动数据，利用经验模态分解法对所述振动数据进行特征提取获取所述数据的能量熵矩阵，基于所述能量熵矩阵确定待测设备预设时段对应的健康指标值，并确定所述指标值所属的健康等级，将所述健康指标值代入预先建立的健康趋势预测模型中，预测所述待测设备的故障时刻，基于所述故障时刻确定待测设备的健康趋势。本发明提供的技术方案，基于模态分解确定的健康指标值和确定健康等级选择健康趋势预测模型中对应的子模型进行待测设备的健康趋势预测，使得待测设备的健康趋势预测更加准确。测更加准确。测更加准确。
技术研发人员：张燧 薛文超 曾谁飞 王青天 李小翔 冯帆 陈沐新 陈高楼 盛超磊 白剑
受保护的技术使用者：华能（浙江）能源开发有限公司清洁能源分公司
技术研发日：2021.11.02
技术公布日：2022/3/3