1.本发明属于设备故障技术领域，尤其涉及一种基于寿命消耗的装备故障预测方法。
背景技术：
2.现在装备使用一段时间后需要检修，现有技术中采用的检修方式是计划检修和事后维修，但是两种方式都不能及时的发现故障，而且事后维修可能会导致安全事故或装备而造成重大经济损失。现有技术中开始采用传感器收集设备运行数据，然后将运行数据与警戒线数据进行对比判断装备是否发生故障，但是其缺点是：其需要连续采集数据，且采集到的数据也无法直观显示，使工作人员的工作效率低下。
技术实现要素：
3.针对现有技术中的上述不足，本发明提供的一种基于寿命消耗的装备故障预测方法，解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题。
4.为了达到以上目的，本发明采用的技术方案为：本方案提供一种基于寿命消耗的装备故障预测方法，包括以下步骤：s1、获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据；s2、根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测。
5.进一步地，所述步骤s1包括以下步骤：s101、获取装备的使用数据，利用预警阈值对装备的使用数据进行加标测定，得到装备的剩余使用寿命；s102、根据装备的剩余使用寿命，得到装备的寿命消耗数据；s103、根据装备的寿命消耗数据，分别提取装备在正常运行状态下和异常运行状态下的数据集；s104、在相同时刻下，选取装备在正常运行状态下和异常运行状态下数据集的数据点；s105、将选取的数据点进行对比，得到基于寿命消耗的异常数据。
6.再进一步地，所述步骤s2包括以下步骤：s201、提取异常数据的特征值，并利用随机森林对异常数据的特征值进行排序；s202、将排序后的异常数据特征值划分为训练样本和测试样本；s203、利用训练样本训练故障预测模型；s204、利用梯度下降法对训练后的故障预测模型进行优化，并利用测试样本对优化后的故障预测模型进行测试；s205、获取装备的实时运行数据，并将装备的实时运行数据输入至经优化后的故
障预测模型，对装备故障进行预测。
7.再进一步地，所述优化后的故障预测模型的表达式如下：其中，a
k 1
表示在梯度方向上优化后的故障预测模型，ak表示故障预测模型计算的当前值，表示梯度方向上的搜索步长，s-（k）
表示梯度负方向。
8.再进一步地，所述优化后故障预测模型的目标函数的表达式如下：其中，表示故障预测模型的目标函数，n表示异常数据特征值数量，i表示第i个异常数据特征值，yi表示装备故障真实值，表示t-1次迭代的装备故障预测值，gi和hi分别表示均方损失函数的一阶导数和二阶导数，表示第t次迭代计算变量xi所在决策树的复杂度，表示正则化，表示凸函数。
9.本发明的有益效果：（1）本发明通过获取寿命消耗的异常数据，通过对比正常状态下的数据和异常状态下的数据，将其转为异常数据特征，同时构建故障预测模型，异常数据特征输入至装备故障模型，以预测在寿命消耗后装备的故障率，解决了在装备使用一定时间后能准确预测其故障率，具有更精确的预测精度。
10.（2）本发明通过提取异常数据特征，并利用其训练装备故障预测模型，再将训练好的装备故障预测模型进行优化，通过获取的装备实时数据，对装备故障进行预测，其无需利用传感器连续采集装备数据，无需进行人工对比，解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题。
附图说明
11.图1为本发明的方法流程图。
具体实施方式
12.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
13.如图1所示，本发明提供了一种基于寿命消耗的装备故障预测方法，其实现方法如下：s1、获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据，其实现方法如下：s101、获取装备的使用数据，利用预警阈值对装备的使用数据进行加标测定，得到装备的剩余使用寿命；
本实施例中，将初步判断并未使用到预警阈值的装备进行加标测定，测定滤芯剩余实用寿命结果。
14.s102、根据装备的剩余使用寿命，得到装备的寿命消耗数据；s103、根据装备的寿命消耗数据，分别提取装备在正常运行状态下和异常运行状态下的数据集；s104、在相同时刻下，选取装备在正常运行状态下和异常运行状态下数据集的数据点；s105、将选取的数据点进行对比，得到基于寿命消耗的异常数据；s2、根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测，其实现方法如下：s201、提取异常数据的特征值，并利用随机森林对异常数据的特征值进行排序；本实施例中，利用随机森林对异常数据特征值进行重要性排序，其目的是对异常数据进行降维处理。
15.s202、将排序后的异常数据特征值划分为训练样本和测试样本；s203、利用训练样本训练故障预测模型；s204、利用梯度下降法对训练后的故障预测模型进行优化，并利用测试样本对优化后的故障预测模型进行测试；s205、获取装备的实时运行数据，并将装备的实时运行数据输入至经优化后的故障预测模型，对装备故障进行预测。
16.所述优化后的故障预测模型的表达式如下：其中，a
k 1
表示在梯度方向上优化后的故障预测模型，ak表示故障预测模型计算的当前值，表示梯度方向上的搜索步长，s-（k）
表示梯度负方向。
17.所述优化后故障预测模型的目标函数的表达式如下：其中，表示故障预测模型的目标函数，n表示异常数据特征值数量，i表示第i个异常数据特征值，yi表示装备故障真实值，表示t-1次迭代的装备故障预测值，gi和hi分别表示均方损失函数的一阶导数和二阶导数，表示第t次迭代计算变量xi所在决策树的复杂度，表示正则化，表示凸函数。
18.本发明通过获取寿命消耗的异常数据，通过对比正常状态下的数据和异常状态下的数据，将其转为异常数据特征，通过提取异常数据特征，并利用其训练装备故障预测模型，再将训练好的装备故障预测模型进行优化，通过获取的装备实时数据，对装备故障进行预测，其无需利用传感器连续采集装备数据，无需进行人工对比，解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题，具有更精确的预测精度。
技术特征：
1.一种基于寿命消耗的装备故障预测方法，其特征在于，包括以下步骤：s1、获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据；s2、根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测。2.根据权利要求1所述的基于寿命消耗的装备故障预测方法，其特征在于，所述步骤s1包括以下步骤：s101、获取装备的使用数据，利用预警阈值对装备的使用数据进行加标测定，得到装备的剩余使用寿命；s102、根据装备的剩余使用寿命，得到装备的寿命消耗数据；s103、根据装备的寿命消耗数据，分别提取装备在正常运行状态下和异常运行状态下的数据集；s104、在相同时刻下，选取装备在正常运行状态下和异常运行状态下数据集的数据点；s105、将选取的数据点进行对比，得到基于寿命消耗的异常数据。3.根据权利要求2所述的基于寿命消耗的装备故障预测方法，其特征在于，所述步骤s2包括以下步骤：s201、提取异常数据的特征值，并利用随机森林对异常数据的特征值进行排序；s202、将排序后的异常数据特征值划分为训练样本和测试样本；s203、利用训练样本训练故障预测模型；s204、利用梯度下降法对训练后的故障预测模型进行优化，并利用测试样本对优化后的故障预测模型进行测试；s205、获取装备的实时运行数据，并将装备的实时运行数据输入至经优化后的故障预测模型，对装备故障进行预测。4.根据权利要求3所述的基于寿命消耗的装备故障预测方法，其特征在于，所述优化后的故障预测模型的表达式如下：其中，a
k 1
表示在梯度方向上优化后的故障预测模型，a
k
表示故障预测模型计算的当前值，表示梯度方向上的搜索步长，s-（k）
表示梯度负方向。5.根据权利要求3所述的基于寿命消耗的装备故障预测方法，其特征在于，所述优化后故障预测模型的目标函数的表达式如下：其中，表示故障预测模型的目标函数，n表示异常数据特征值数量，i表示第i个异常数据特征值，y
i
表示装备故障真实值，表示t-1次迭代的装备故障预测值，g
i
和h
i
分别表示均方损失函数的一阶导数和二阶导数，表示第t次迭代计算变量x
i
所在决策树的复杂度，表示正则化，表示凸函数。
技术总结
本发明提供了一种基于寿命消耗的装备故障预测方法，属于设备故障预测技术领域，该方法包括：获取装备的使用数据，并根据装备的使用数据得到基于寿命消耗的异常数据；根据异常数据，利用随机森林构建故障预测模型，并利用故障预测模型对装备故障进行预测。本发明解决了现有技术中在装备使用一段时间后，不能准确预测装备故障率，且工作人员工作效率低下的问题。题。题。
技术研发人员：魏强 易明权 陈敬
受保护的技术使用者：四川观想科技股份有限公司
技术研发日：2022.06.21
技术公布日：2022/7/22
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
