[发明专利]一种设备健康状态预测方法和装置

权利要求书

1.一种设备健康状态预测方法，其特征在于，包括：

根据设备使用特点，在预定时间内收集相应的实时数据，所述实时数据至少包括设备运行年限、历史维修保养数据、当前运行数据、能耗数据中的一种；

基于收集的所述实时数据，获得标注数据，并建立隐马尔可夫模型；

基于所述标注数据，获得状态迁移期望数；

基于所述状态迁移期望数，获得新的状态迁移期望数；

基于所述新的状态迁移期望数，进行预测模型训练，获得目标预测模型，并基于所述目标预测模型计算所述设备的剩余使用时间。

2.根据权利要求1所述的方法，其特征在于，所述根据设备使用特点，在预定时间内收集相应的实时数据，包括：

通过数据采集与监视控制系统收集所述设备的当前运行数据；

通过台账记录所述设备的设备运行年限、历史维修保养数据、能耗数据。

3.根据权利要求1所述的方法，其特征在于，所述基于收集的所述实时数据，获得标注数据，并建立隐马尔可夫模型，包括：

基于所述实时数据定义状态参数；

根据预设分段方式将所述定义状态参数后的实时数据进行分类，以获得标注数据，其中，预设分段方式为将所述定义参数状态后的实时数据分割为多个数据区间，每个数据区间对应不同数据类型；

基于所述标注数据，建立隐马尔可夫模型，所述隐马尔科夫模型为：

λ＝(A,B,π)

其中，λ表示隐马尔可夫模型，A为状态迁移概率分布矩阵，i与j为正整数，B为连续当前运行参数值概率分布，π为初始状态分布。

4.根据权利要求1所述的方法，其特征在于，所述基于标注数据，获得状态迁移期望数，包括：

基于隐马尔可夫模型和当前运行数据，获得某一时刻从当前时刻状态到下一时刻状态的概率，

ε_t(i,j)＝P[q_t＝S_i,q_t+1＝S_j|O，λ]

其中，S_i为t时刻的状态，S_j为t+1时刻的状态，ε_t(i,j)为t时刻从S_i到S_j的概率，i为状态的序数，为正整数，t为一个时刻，t+1为t的下一个时刻；

基于所述前一时刻状态到下一时刻状态的概率，得到所述状态迁移期望数，

其中，ε(i,j)为状态迁移期望数。

5.根据权利要求1所述的方法，其特征在于，所述基于所述状态迁移期望数获得新的状态迁移期望数，包括：

基于所述状态迁移期望数，获得贝叶斯信息准则最小阈值；

将所述实时数据与所述贝叶斯信息准则最小阈值进行匹配，获得新的状态迁移期望数。

6.根据权利要求5所述的方法，其特征在于，所述贝叶斯信息准则最小阈值表达式：

BIC＝L*InT-2InP(O|λ)

其中，L为参数数量，T为各个时刻的集合，P(O|λ)为给定模型条件下，当前运行数据的概率，BIC为贝叶斯信息准则最小阈值。

7.根据权利要求5所述的方法，其特征在于，所述新的状态迁移期望数的计算式如下：

ε_new(i,j)＝ε_model(i,j)-ε_data(i,j)

其中，ε_data为新时刻状态期望数，ε_model为原来状态期望数。

8.根据权利要求7所述的方法，其特征在于，所述新的状态迁移概率分布矩阵，包括：

其中，A_new为新的状态迁移概率分布矩阵，ε_new(i，j)为下一时刻状态概率。