基于迁移学习的设备寿命预测方法及装置与流程

本发明涉及数据处理，尤其涉及一种基于迁移学习的设备寿命预测方法及装置。

背景技术：

1、随着工业自动化和智能化的发展，设备的有效运行和维护成为了确保生产效率和降低运营成本的关键因素。传统的设备寿命预测方法往往依赖于简单的历史数据分析或专家经验，这在处理复杂的工业环境和多样化的设备类型时精度低、效果差。而且，现有技术通过分类模型对数据进行预测，无法对复杂数据进行精确识别，在进行设备剩余寿命区间分类时精度较低。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于迁移学习的设备寿命预测方法及装置，能够提高设备寿命的准确度。

2、第一方面，本发明实施例提供一种基于迁移学习的设备寿命预测方法，该方法包括：获取目标设备的设备运行数据；其中，设备运行数据包括目标设备在预设运行环境下的多种设备参数和运行指标；将设备运行数据输入至预先构建的寿命区间预测模型中，输出初始分类结果，以及设备运行数据对应的主题特征；寿命区间预测模型基于预先训练好的分类器和潜在狄利克雷分配模型构建；且，用于训练分类器的训练样本集通过预先构建的特征提取模型进行特征提取，并通过预先构建的降维模型进行降维；分类器基于流形学习的极限学习机算法进行训练；基于流形学习的极限学习机算法通过对极限学习机算法的隐层特征施加基于邻近性的正则化项，从而对极限学习机的输出层权重进行优化；将主题特征和初始分类结果进行融合，得到目标设备对应的寿命预测结果；根据寿命预测结果对目标设备的寿命区间进行预测。

3、第二方面，本发明实施例提供了一种基于迁移学习的设备寿命预测装置，该装置包括：数据获取模块，用于获取目标设备的设备运行数据；其中，设备运行数据包括目标设备在预设运行环境下的多种设备参数和运行指标；执行模块，用于将设备运行数据输入至预先构建的寿命区间预测模型中，输出初始分类结果，以及设备运行数据对应的主题特征；寿命区间预测模型基于预先训练好的分类器和潜在狄利克雷分配模型构建；且，用于训练分类器的训练样本集通过预先构建的特征提取模型进行特征提取，并通过预先构建的降维模型进行降维；分类器基于流形学习的极限学习机算法进行训练；基于流形学习的极限学习机算法通过对极限学习机算法的隐层特征施加基于邻近性的正则化项，从而对极限学习机的输出层权重进行优化；数据处理模块，用于将主题特征和初始分类结果进行融合，得到目标设备对应的寿命预测结果；输出模块，用于根据寿命预测结果对目标设备的寿命区间进行预测。

4、本发明实施例包括以下有益效果：本发明实施例提供的一种基于迁移学习的设备寿命预测方法及装置，通过预先构建好的寿命区间预测模型对目标设备的设备运行数据进行识别，得到初始分类结果和设备运行数据对应的主题特征后，将二者进行融合，以对目标设备的寿命区间进行预测。确定主题特征能够得到更丰富和有信息量的特征表示，这可以提高对数据的抽象能力，更好地捕捉数据中的非线性结构信息，能够提高分类模型在处理复杂数据时的性能。

5、而且，寿命区间预测模型基于分类器和潜在狄利克雷分配主题模型构建，该分类器基于流形学习的极限学习机算法进行训练。基于流形学习的极限学习机算法通过对极限学习机算法的隐层特征施加基于邻近性的正则化项，从而对极限学习机的输出层权重进行优化，正则化项促使模型保持在隐层表示的高维空间中相似的数据点接近，同时保持不相似的数据点远离，在大规模数据处理时能够提高提高计算效率。

6、此外，本发明实施例还对训练样本集进行特征提取、降维处理后训练分类器，能够为分类任务提供更加有效的特征表示，充分挖掘样本的潜在特征。

7、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

技术特征：

1.一种基于迁移学习的设备寿命预测方法，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，所述寿命预测结果包括分类标签；根据所述寿命预测结果对所述目标设备的寿命区间进行预测的步骤，包括：

3.根据权利要求1所述的方法，其特征在于，将所述设备运行数据输入至预先构建的寿命区间预测模型中，输出初始分类结果，以及所述设备运行数据对应的主题特征；将所述主题特征和所述初始分类结果进行融合，得到所述目标设备对应的寿命预测结果的步骤，包括：

4.根据权利要求3所述的方法，其特征在于，所述分类器基于极限学习机构建；所述分类器的训练方法，包括：

5.根据权利要求3所述的方法，其特征在于，特征提取模型的构建方法，包括：

6.根据权利要求5所述的方法，其特征在于，根据所述损失函数，使用基于仿生信息共享优化的神经网络参数优化方法对所述特征提取模型的模型参数进行多阶段迭代的步骤，包括：

7.根据权利要求3所述的方法，其特征在于，所述降维模型的构建方法，包括：

8.根据权利要求3所述的方法，其特征在于，所述方法还包括：

9.根据权利要求8所述的方法，其特征在于，所述扩充样本通过预设的生成对抗网络生成；

10.一种基于迁移学习的设备寿命预测装置，其特征在于，所述装置包括：

技术总结
本发明提供一种基于迁移学习的设备寿命预测方法及装置，涉及数据处理技术领域，通过获取目标设备的设备运行数据，由预先构建的寿命区间预测模型输出对应的初始分类结果和设备运行数据对应的主题特征；将主题特征和初始分类结果进行融合，得到目标设备对应的寿命预测结果以对目标设备的寿命区间进行预测。基于此，能够提高模型在处理复杂数据时的性能。寿命区间预测模型基于分类器构建，该分类器在大规模数据处理时能够提高提高计算效率。训练样本集通过特征提取模型进行特征提取，并通过降维模型进行降维，能够为分类任务提供更加有效的特征表示，充分挖掘样本的潜在特征。

技术研发人员：马兵,尹旭,伍远冰,李玉奎,马科,李国文
受保护的技术使用者：山东能源数智云科技有限公司
技术研发日：
技术公布日：2024/4/17