[发明专利]一种机械设备的剩余寿命预测方法及装置

说明书

本发明公开一种机械设备的剩余寿命预测方法及装置。其中，所述方法包括：获取预设时间段内机械设备的各个状态参数各自对应的状态数据；其中，所述状态参数是预设的；根据各个所述状态参数各自对应的状态数据和单层感知机模型，获得中间预测结果；其中，所述单层感知机模型是预设的；根据所述中间预测结果和剩余寿命预测反向传播神经网络模型，预测所述机械设备的剩余寿命；其中，所述剩余寿命预测反向传播神经网络模型是预先建立的。所述装置用于执行上述方法。本发明提供的机械设备的剩余寿命预测方法及装置，由于结合单层感知机模型和反向传播神经网络模型对机械设备的剩余寿命进行预测，提高了机械设备剩余寿命预测的准确性。

技术领域

本发明涉及机械设备技术领域，具体涉及一种机械设备的剩余寿命预测方法及装置。

背景技术

机械设备是由各个部件组成的，机械设备在长期运行过程中，部件会逐渐磨损和老化，剩余寿命会逐渐下降，最终导致机械设备停止运行甚至是安全事故，而不合理的更换部件会造成浪费，因此，正确预测机械设备的剩余寿命，对于保障机械设备安全运行、提高经济效益有很大的意义。

现有技术中，对机械设备的剩余寿命估计方法可以分为三类：基于物理模型的剩余寿命估计，基于知识模型的剩余寿命估计和基于数据驱动模型的剩余寿命估计。基于物理模型的剩余寿命估计通常是基于微分方程来描述机械设备的各种工作状况，然而机械设备的物理模型通常难以得到，而且基于物理模型的机械设备剩余寿命估计方法不具有通用性。在基于知识模型的剩余寿命估计中，经常采用专家系统，然而采用专家系统的知识模型对于专家的资质以及专家对于该领域知识的掌握程度有着非常高的要求，很难找到合适的专家来保证机械设备的剩余寿命估计的准确性。基于数据驱动模型的剩余寿命估计是基于统计学原理的方法，通过采集海量的数据，捕捉在海量的数据中隐含的信息与知识，当前常用的数据驱动模型是通过人工神经网络或者支持向量机建立的，通过建立神经网络模型或者支持向量机模型，再通过相应的算法，例如遗传算法、粒子群算法或者梯度下降算法，分别对神经网络的层与层之间的连接权值，隐含层节点个数以及支持向量机的惩罚系数进行优化，从而得到数据驱动模型。然而由于采集的数据往往具有高度的非线性特征，数据驱动模型通常难以收敛，或者容易陷入局部最优的状况，获得的预测结果不够准确。

因此，如何提出一种机械设备的剩余寿命预测方法，能够提高机械设备的剩余寿命预测的准确性成为业界亟待解决的重要课题。

发明内容

针对现有技术中的缺陷，本发明提供一种机械设备的剩余寿命预测方法及装置。

一方面，本发明提出一种机械设备的剩余寿命预测方法，包括：

获取预设时间段内机械设备的各个状态参数各自对应的状态数据；其中，所述状态参数是预设的；

根据各个所述状态参数各自对应的状态数据和单层感知机模型，获得中间预测结果；其中，所述单层感知机模型是预设的；

根据所述中间预测结果和剩余寿命预测反向传播神经网络模型，预测所述机械设备的剩余寿命；其中，所述剩余寿命预测反向传播神经网络模型是预先建立的。

另一方面，本发明提供一种机械设备的剩余寿命预测装置，包括：

获取单元，用于获取预设时间段内机械设备的各个状态参数各自对应的状态数据；其中，所述状态参数是预设的；

获得单元，用于根据各个所述状态参数各自对应的状态数据和单层感知机模型，获得中间预测结果；其中，所述单层感知机模型是预设的；

预测单元，用于根据所述中间预测结果和剩余寿命预测反向传播神经网络模型，预测所述机械设备的剩余寿命；其中，所述剩余寿命预测反向传播神经网络模型是预先建立的。

再一方面，本发明提供一种电子机械设备，包括：处理器、存储器和通信总线，其中：

所述处理器和所述存储器通过所述通信总线完成相互间的通信；