能源场站设备寿命预测方法、装置、设备及介质与流程

本申请涉及设备寿命预测，特别是涉及一种能源场站设备寿命预测方法、装置、设备及介质。

背景技术：

1、随着能源场站智能化水平的不断提升，风力发电机、变压器、燃气轮机等关键设备已广泛部署有如振动、温度、压力等多类型传感器以及视频监控设备，为设备状态感知与健康管理提供了丰富的数据基础。在能源场站设备的运行过程中，为了预防突发故障、延长设备寿命并优化维护资源配置，对其关键设备的剩余寿命预测进行研究显得尤为重要。

2、目前，相关技术中通过阶段划分机制将设备全寿命周期分为健康阶段和退化阶段，针对不同阶段的退化特征采用对应的寿命预测模型进行故障预警和寿命预测，然而该方式是依赖人工经验或固定阈值进行阶段划分，难以适应不同设备、不同工况下退化过程的动态变化，使得退化起点识别准确性较差，导致寿命预测模型难以根据设备实际退化状态进行差异化建模与预测。

技术实现思路

1、本申请的目的是提供一种能源场站设备寿命预测方法、装置、设备及介质，以解决寿命预测模型难以根据设备实际退化状态进行差异化建模与预测的技术问题。

2、为实现上述目的，本申请提供了如下方案：

3、第一方面，本申请提供了一种能源场站设备寿命预测方法，包括：

4、获取能源场站设备当前运行过程中的多源监测数据并进行预处理，得到标准化时序数据；

5、从所述标准化时序数据中提取待分析子序列，将所述待分析子序列输入预先训练好的基于扩散机制的重构模型，识别所述设备的变点；所述变点为由健康阶段向退化阶段转变的关键时刻；

6、提取所述变点处的趋势特征向量，并计算所述趋势特征向量偏离健康参考趋势的幅度与失效参考趋势偏离所述健康参考趋势的幅度之比，作为变点严重程度量化指标；所述趋势特征向量用于表征所述设备在所述变点处的多源监测数据沿时间轴的长期演化趋势相对于健康状态下数据演化基准的偏离程度；

7、根据所述变点严重程度量化指标确定所述设备当前所处的严重程度阶段，选择与所述严重程度阶段对应的预测模型进行剩余寿命预测，输出所述设备的剩余寿命预测结果。

8、第二方面，本申请提供了一种能源场站设备寿命预测装置，该装置包括：

9、获取模块，用于获取能源场站设备当前运行过程中的多源监测数据并进行预处理，得到标准化时序数据；

10、变点识别模块，用于从所述标准化时序数据中提取待分析子序列，将所述待分析子序列输入预先训练好的基于扩散机制的重构模型，识别所述设备的变点；所述变点为由健康阶段向退化阶段转变的关键时刻；

11、严重程度量化模块，用于提取所述变点处的趋势特征向量，并计算所述趋势特征向量偏离健康参考趋势的幅度与失效参考趋势偏离所述健康参考趋势的幅度之比，作为变点严重程度量化指标；所述趋势特征向量用于表征所述设备在所述变点处的多源监测数据沿时间轴的长期演化趋势相对于健康状态下数据演化基准的偏离程度；

12、寿命预测模块，用于根据所述变点严重程度量化指标确定所述设备当前所处的严重程度阶段，选择与所述严重程度阶段对应的预测模型进行剩余寿命预测，输出所述设备的剩余寿命预测结果。

13、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的能源场站设备寿命预测方法的步骤。

14、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述的能源场站设备寿命预测方法的步骤。

15、根据本申请提供的具体实施例，本申请公开了以下技术效果：

16、本申请提供了一种能源场站设备寿命预测方法、装置、设备及介质，与现有技术相比，本方案中通过对获取的多源监测数据进行预处理为标准化时序数据，能够统一不同的数据标准，为后续变点监测提供稳定的输入数据；并采用基于扩散机制的重构模型，对从标准化时序数据中提取的待分析子序列进行深度分析，以自动识别变点，避免了传统方法依赖人工经验或固定阈值划分退化起点所引入的主观性和不确定性，使得变点的判定直接源于设备实际运行数据分布的变化，从而有效提高了退化起点识别的准确性；并且在检测到变点后进一步提取趋势特征向量，通过计算该向量偏离健康参考趋势的幅度与失效参考趋势偏离健康参考趋势的幅度之比，将变点处的退化严重程度量化为连续数值指标，克服了现有技术将变点仅视为二值化触发事件而忽略其退化强度信息的缺陷，为后续预测模型的选择提供了更细粒度的退化状态依据；在此基础上，根据量化后的严重程度指标确定设备当前所处的严重程度阶段，并选择对应的预测模型进行剩余寿命预测，使不同阶段的退化演化规律能够由各自专精的模型分别刻画，避免了单一模型难以同时适应轻微渐进式退化和剧烈快速式退化等不同退化路径的问题，从而降低了复杂退化场景下的预测偏差，提升了剩余寿命预测的准确性和对不同退化模式的适应性。

1.一种能源场站设备寿命预测方法，其特征在于，所述能源场站设备寿命预测方法包括：

2.根据权利要求1所述的能源场站设备寿命预测方法，其特征在于，所述重构模型通过如下步骤构建：

3.根据权利要求1所述的能源场站设备寿命预测方法，其特征在于，从所述标准化时序数据中提取待分析子序列，将所述待分析子序列输入预先训练好的基于扩散机制的重构模型，识别所述设备的变点，包括：

4.根据权利要求2所述的能源场站设备寿命预测方法，其特征在于，提取所述变点处的趋势特征向量，并计算所述趋势特征向量偏离健康参考趋势的幅度与失效参考趋势偏离所述健康参考趋势的幅度之比，作为变点严重程度量化指标，包括：

5.根据权利要求1所述的能源场站设备寿命预测方法，其特征在于，根据所述变点严重程度量化指标确定所述设备当前所处的严重程度阶段，选择与所述严重程度阶段对应的预测模型进行剩余寿命预测，输出所述设备的剩余寿命预测结果，包括：

6.根据权利要求5所述的能源场站设备寿命预测方法，其特征在于，所述预测模型为长短期记忆网络模型；不同严重程度阶段对应不同的预测模型，各预测模型分别采用对应严重程度阶段的历史样本独立训练。

7.根据权利要求1所述的能源场站设备寿命预测方法，其特征在于，获取能源场站设备当前运行过程中的多源监测数据并进行预处理，得到标准化时序数据，包括：

8.一种能源场站设备寿命预测装置，其特征在于，所述能源场站设备寿命预测装置包括：

9.一种计算机设备，包括：存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7中任一项所述的能源场站设备寿命预测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现权利要求1-7中任一项所述的能源场站设备寿命预测方法。