离线设备剩余寿命预测方法、装置和计算机设备与流程

本技术涉及设备维护，特别是涉及一种离线设备剩余寿命预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着科学技术的发展，对设备进行维修也成为设备使用过程中的重要环节，但由于无法确定设备需要进行维修的具体时间，定期对设备进行维修则会造成资源的浪费，因此，需要考虑对设备的剩余寿命进行预测。

2、传统技术中，对离线设备进行寿命评估一般是在开发阶段通过试验来采集设备的变化参数，对变化参数进行分析评估，从而对离线设备进行整体的寿命评估。然而，目前的这一种方法，需要大量的试验获得足够的样本数据，且目前实验室的条件对真实运行环境的模拟度不足，不能准确地对离线设备的剩余寿命进行预测。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种准确的离线设备剩余寿命预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种离线设备剩余寿命预测方法。所述方法包括：

3、获取不同类别的联网设备运行数据；

4、对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

5、采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

6、获取不同类别离线设备的运行敏感参数；

7、将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

8、在其中一个实施例中，在所述获取不同类别的联网设备运行数据之前，还包括：

9、获取设备老化试验数据、以及预设基于设备老化试验数据的设备分类策略，设备包括离线设备和联网设备；

10、根据所述设备老化试验数据以及所述预设基于设备老化试验数据的设备分类策略，对设备进行分类。

11、在其中一个实施例中，所述采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型包括：

12、采用统计分析方式对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命；

13、采用机器学习对修正后的运行敏感参数以及修正后的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型。

14、在其中一个实施例中，所述采用统计分析方式对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行修正，得到修正后的不同类别的联网设备的运行敏感参数以及修正后的运行敏感参数对应的设备剩余寿命包括：

15、根据所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命，得到所述不同类别的联网设备的运行敏感参数的样本均值以及所述运行敏感参数对应的设备剩余寿命的样本均值；

16、获取异常运行敏感参数以及异常设备剩余寿命；

17、根据所述不同类别的联网设备的运行敏感参数的样本均值以及所述运行敏感参数对应的设备剩余寿命的样本均值，对所述异常运行敏感参数以及所述异常设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命。

18、在其中一个实施例中，所述根据所述不同类别的联网设备的运行敏感参数的样本均值以及所述运行敏感参数对应的设备剩余寿命的样本均值，获取异常运行敏感参数以及异常设备剩余寿命包括：

19、获取预设运行敏感参数阈值以及预设设备剩余寿命阈值；

20、当所述不同类别的联网设备的运行敏感参数与所述不同类别的联网设备的运行敏感参数的样本均值之差大于所述预设运行敏感参数阈值时，获取异常运行敏感参数；

21、当所述运行敏感参数对应的设备剩余寿命与所述运行敏感参数对应的设备剩余寿命的样本均值之差大于所述预设设备剩余寿命阈值时，获取异常设备剩余寿命。

22、在其中一个实施例中，所述获取不同类别离线设备的运行敏感参数包括：

23、提取所述设备老化试验数据中不同类别离线设备老化试验数据；

24、根据所述不同类别离线设备老化试验数据，获取不同类别离线设备的运行敏感参数。

25、第二方面，本技术还提供了一种离线设备剩余寿命预测装置。所述装置包括：

26、联网数据获取模块，用于获取不同类别的联网设备运行数据；

27、联网数据分析模块，用于对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

28、寿命模型建立模块，用于采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

29、离线参数获取模块，用于获取不同类别离线设备的运行敏感参数；

30、设备寿命预测模块，用于将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

31、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

32、获取不同类别的联网设备运行数据；

33、对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

34、采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

35、获取不同类别离线设备的运行敏感参数；

36、将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

37、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，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以下步骤：

38、获取不同类别的联网设备运行数据；

39、对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

40、采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

41、获取不同类别离线设备的运行敏感参数；

42、将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

43、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

44、获取不同类别的联网设备运行数据；

45、对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

46、采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

47、获取不同类别离线设备的运行敏感参数；

48、将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

49、上述离线设备剩余寿命预测方法、装置、计算机设备、存储介质和计算机程序产品，获取不同类别的联网设备运行数据；对不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命；采用机器学习对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；获取不同类别离线设备的运行敏感参数；将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。在这一过程中，联网获取的联网设备运行数据会更加全面，能够更准确地得到不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命，从而建立更准确的不同类别的设备剩余寿命函数模型；且根据每一类别的设备剩余寿命函数模型能够对同类别的离线设备剩余寿命进行更准确的预测。