基于曲线拟合的设备寿命预测方法、装置、设备及介质与流程

1.本技术涉及设备寿命预测技术领域，特别涉及一种基于曲线拟合的设备寿命预测方法、装置、设备及介质。


背景技术：

2.设备的性能和剩余使用寿命决定着是所在整个系统能否正常稳定安全地工作，同时也决定着设备的使用寿命。剩余使用寿命是评估设备可靠工作的核心依据之一，通过实时评估处于工作状态中设备的剩余使用寿命，能够尽早地发现设备故障并进行维修，能有效避免设备失效或故障。但由于设备工作环境错综复杂，如：列车轴承受外界温度等环境影响，还存在列车轴承间磨损等影响，因此设备的失效及故障形式复杂多样，其真实的退化物理过程难以刻画，从而难以进行准确的寿命预测。
3.因此，如何提高设备剩余寿命的预测准确性，是本领域技术人员需要解决的问题。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种基于曲线拟合的设备寿命预测方法、装置、设备及介质，以提高设备剩余寿命的预测准确性。其具体方案如下：
5.第一方面，本技术提供了一种基于曲线拟合的设备寿命预测方法，包括：
6.获取设备的前次状态等级、状态指数参照值、本次状态等级以及实际运行量；
7.利用曲线拟合方法构建的目标模型对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述设备的本次状态指数；
8.若通过所述本次状态等级、所述前次状态等级、前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数无需校正，则利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述设备的本次剩余运行量预测值。
9.可选地，所述利用曲线拟合方法构建的目标模型对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述设备的本次状态指数，包括：
10.利用所述目标模型以第一预测公式对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述本次状态指数；所述第一预测公式为：
[0011][0012]
其中，hi为所述本次状态指数；a、b、c、d为所述目标模型中的函数y的参数；y-1
表示函数y
的反函数；hif为所述状态指数参照值；为所述状态指数参照值；hi_mini和hi_maxi为所述本次状态等级对应的状态指数区间的两个端点值；i为所述本次状态等级对应的极限运行量；usem为所述实际运行量。
[0013]
可选地，所述利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述设备的本次剩余运行量预测值，包括：
[0014]
利用所述目标模型以第二预测公式对利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述本次剩余运行量预测值；所述第二预测公式为：
[0015][0016]
其中，rul为所述本次剩余运行量预测值；a、b、c、d为所述目标模型中的函数y的参数；hi_mini和hi_maxi为所述本次状态等级对应的状态指数区间的两个端点值；maxi为所述本次状态等级对应的极限运行量；hi为所述本次状态指数。
[0017]
可选地，所述通过所述本次状态等级、所述前次状态等级、前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数无需校正，包括：
[0018]
获取所述前次剩余运行量预测值或通过前次预测得到的状态指数计算得到所述前次剩余运行量预测值；
[0019]
若所述本次状态等级的故障程度大于所述前次状态等级的故障程度、且所述前次剩余运行量预测值不小于所述本次状态等级对应的极限运行量，则确定所述本次状态指数无需校正。
[0020]
可选地，还包括：
[0021]
若通过所述本次状态等级、所述前次状态等级、所述前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数需校正，则校正所述本次状态指数，并利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和校正后的本次状态指数进行计算，得到所述本次剩余运行量预测值。
[0022]
可选地，所述通过所述本次状态等级、所述前次状态等级、所述前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数需校正，包括：
[0023]
获取所述前次剩余运行量预测值或通过前次预测得到的状态指数计算得到所述前次剩余运行量预测值；
[0024]
若所述本次状态等级的故障程度大于所述前次状态等级的故障程度、且所述前次剩余运行量预测值小于所述本次状态等级对应的极限运行量，则确定所述本次状态指数需校正。
[0025]
可选地，所述校正所述本次状态指数，包括：
[0026]
利用所述目标模型以第一校正公式对所述本次状态等级对应的极限运行量、所述前次状态等级对应的状态指数区间、所述前次状态等级对应的极限运行量和所述状态指数
参照值进行计算，得到校正量；所述第一校正公式为：
[0027][0028]
其中，adu为所述校正量；maxi为所述本次状态等级对应的极限运行量；a、b、c、d为所述目标模型中的函数y的参数；标模型中的函数y的参数；hi_
i-1
和hi_
i-1
为所述前次状态等级对应的状态指数区间的两个端点值；max
i-1
为所述前次状态等级对应的极限运行量；hi
pre
为前次预测得到的状态指数；
[0029]
利用所述目标模型以第二校正公式对所述本次状态等级对应的状态指数区间、所述实际运行量、所述校正量和所述本次状态等级对应的极限运行量进行计算，得到校正后的本次状态指数；所述第二校正公式为：
[0030][0031]
其中，hij为校正后的本次状态指数；maxi为所述本次状态等级对应的极限运行量；a、b、c、d为所述目标模型中的函数y的参数；y-1
表示函数y的反函数；hi_mini和hi_maxi为所述本次状态等级对应的状态指数区间的两个端点值；i为所述本次状态等级对应的极限运行量；usem为所述实际运行量；adu为所述校正量。
[0032]
可选地，还包括：
[0033]
通过查询预设的状态等级分类信息，得到至少一个状态等级对应的状态指数区间、极限运行量和运行量区间；所述至少一个状态等级包括：正常、亚健康、轻微故障、中等故障和严重故障。
[0034]
可选地，还包括：
[0035]
收集所述设备的实际运行数据；
[0036]
根据所述实际运行数据调整预设的状态等级分类信息。
[0037]
可选地，所述实际运行数据包括：所述设备在各状态等级下的运行量；
[0038]
相应地，所述根据所述实际运行数据调整预设的状态等级分类信息，包括：
[0039]
根据所述设备在各状态等级下的运行量调整各状态等级对应的状态指数区间和/或极限运行量，得到调整后的状态等级分类信息。
[0040]
可选地，还包括：
[0041]
根据预设的状态等级分类信息或调整后的状态等级分类信息拟合所述目标模型中的函数y的参数。
[0042]
可选地，还包括：
[0043]
若所述前次状态等级为无效等级、或所述前次状态等级为有效等级但与所述本次状态等级不同，则将所述状态指数参照值确定为所述本次状态等级对应的状态指数区间的最大端点值；否则，将所述状态指数参照值确定为前次预测得到的状态指数。
[0044]
第二方面，本技术提供了一种基于曲线拟合的设备寿命预测装置，包括：
[0045]
获取模块，用于获取设备的前次状态等级、前次剩余运行量预测值、状态指数参照值、本次状态等级以及实际运行量；
[0046]
第一预测模块，用于利用曲线拟合方法构建的目标模型对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述设备的本次状态指数；
[0047]
第二预测模块，用于若通过所述本次状态等级、所述前次状态等级、所述前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数无需校正，则利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述设备的本次剩余运行量预测值。
[0048]
可选地，所述第一预测模块具体用于：
[0049]
利用所述目标模型以第一预测公式对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述本次状态指数；所述第一预测公式为：
[0050][0051]
其中，hi为所述本次状态指数；a、b、c、d为所述目标模型中的函数y的参数；y-1
表示函数y的反函数；hif为所述状态指数参照值；为所述状态指数参照值；hi_i和hi_i为所述本次状态等级对应的状态指数区间的两个端点值；i为所述本次状态等级对应的极限运行量；usem为所述实际运行量。
[0052]
可选地，所述第二预测模块具体用于：
[0053]
利用所述目标模型以第二预测公式对利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述本次剩余运行量预测值；所述第二预测公式为：
[0054][0055]
其中，rul为所述本次剩余运行量预测值；a、b、c、d为所述目标模型中的函数y的参数；hi_i和hi_i为所述本次状态等级对应的状态指数区间的两个端点值；maxi为所述本次状态等级对应的极限运行量；hi为所述本次状态指数。
[0056]
可选地，第二预测模块具体用于：
[0057]
获取所述前次剩余运行量预测值或通过前次预测得到的状态指数计算得到所述前次剩余运行量预测值；
[0058]
若所述本次状态等级的故障程度大于所述前次状态等级的故障程度、且所述前次剩余运行量预测值不小于所述本次状态等级对应的极限运行量，则确定所述本次状态指数
无需校正。
[0059]
可选地，第二预测模块还用于：
[0060]
若通过所述本次状态等级、所述前次状态等级、所述前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数需校正，则校正所述本次状态指数，并利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和校正后的本次状态指数进行计算，得到所述本次剩余运行量预测值。
[0061]
可选地，第二预测模块还用于：
[0062]
获取所述前次剩余运行量预测值或通过前次预测得到的状态指数计算得到所述前次剩余运行量预测值；
[0063]
若所述本次状态等级的故障程度大于所述前次状态等级的故障程度、且所述前次剩余运行量预测值小于所述本次状态等级对应的极限运行量，则确定所述本次状态指数需校正。
[0064]
可选地，第二预测模块还用于：
[0065]
利用所述目标模型以第一校正公式对所述本次状态等级对应的极限运行量、所述前次状态等级对应的状态指数区间、所述前次状态等级对应的极限运行量和所述状态指数参照值进行计算，得到校正量；所述第一校正公式为：
[0066][0067]
其中，adu为所述校正量；maxi为所述本次状态等级对应的极限运行量；a、b、c、d为所述目标模型中的函数y的参数；标模型中的函数y的参数；hi_min
i-1
和hi_max
i-1
为所述前次状态等级对应的状态指数区间的两个端点值；max
i-1
为所述前次状态等级对应的极限运行量；hi
pre
为前次预测得到的状态指数；
[0068]
利用所述目标模型以第二校正公式对所述本次状态等级对应的状态指数区间、所述实际运行量、所述校正量和所述本次状态等级对应的极限运行量进行计算，得到校正后的本次状态指数；所述第二校正公式为：
[0069][0070]
其中，hij为校正后的本次状态指数；maxi为所述本次状态等级对应的极限运行量；a、b、c、d为所述目标模型中的函数y的参数；y-1
表示函数y的反函数；hi_mini和hi_maxi为所述本次状态等级对应的状态指数区间的两个端点值；i为所述本次状态等级对应的极限运行量；usem为所述实际运行量；adu为所述校正量。
[0071]
可选地，还包括：
[0072]
查询模块，用于通过查询预设的状态等级分类信息，得到至少一个状态等级对应的状态指数区间、极限运行量和运行量区间；所述至少一个状态等级包括：正常、亚健康、轻
微故障、中等故障和严重故障。
[0073]
可选地，还包括：
[0074]
收集模块，用于收集所述设备的实际运行数据；
[0075]
状态等级调整模块，用于根据所述实际运行数据调整预设的状态等级分类信息。
[0076]
可选地，所述实际运行数据包括：所述设备在各状态等级下的运行量；相应地，所述调整模块具体用于：根据所述设备在各状态等级下的运行量调整各状态等级对应的状态指数区间和/或极限运行量，得到调整后的状态等级分类信息。
[0077]
可选地，还包括：
[0078]
模型调整模块，用于根据预设的状态等级分类信息或调整后的状态等级分类信息拟合所述目标模型中的函数y的参数。
[0079]
可选地，还包括：
[0080]
取值确定模块，用于若所述前次状态等级为无效等级、或所述前次状态等级为有效等级但与所述本次状态等级不同，则将所述状态指数参照值确定为所述本次状态等级对应的状态指数区间的最大端点值；否则，将所述状态指数参照值确定为前次预测得到的状态指数。
[0081]
第三方面，本技术提供了一种电子设备，包括：
[0082]
存储器，用于存储计算机程序；
[0083]
处理器，用于执行所述计算机程序，以实现前述公开的基于曲线拟合的设备寿命预测方法。
[0084]
第四方面，本技术提供了一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的基于曲线拟合的设备寿命预测方法。
[0085]
通过以上方案可知，本技术提供了一种基于曲线拟合的设备寿命预测方法，包括：获取设备的前次状态等级、状态指数参照值、本次状态等级以及实际运行量；利用曲线拟合方法构建的目标模型对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述设备的本次状态指数；若通过所述本次状态等级、所述前次状态等级、前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数无需校正，则利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述设备的本次剩余运行量预测值。
[0086]
可见，本技术以曲线拟合方法构建目标模型，使得目标模型以设备的状态指数参照值、实际运行量、本次状态等级对应的状态指数区间及极限运行量为输入，预测得到设备的本次状态指数；之后通过设备的本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数是否需校正，若无需校正，则进一步使目标模型以设备的本次状态等级对应的状态指数区间及极限运行量、设备的本次状态指数为输入，预测得到设备的本次剩余运行量。该方案中，目标模型构建了设备运行数据、实际状态数据与其健康状态所形成的曲线逻辑关系，能够根据设备运行数据、实际状态数据等多方面参数对设备的健康状态的趋势变化进行预测，该模型在预测本次状态指数时，不仅以设备的实际运行数据和设备当前的健康状态为输入，还输入了设备的状态指数参照值，从而使预测得到的本次状态指数既参照了设备以往状态，还参照了设备实际运行量和
当前状态，提升了状态指数的预测准确性；在本次状态指数无需校正的情况下，目标模型进一步参照本次状态指数和设备的本次状态等级预测得到设备的本次剩余运行量，由此得到的剩余运行量预测值更为准确。
[0087]
相应地，本技术提供的一种基于曲线拟合的设备寿命预测装置、设备及可读存储介质，也同样具有上述技术效果。
附图说明
[0088]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0089]
图1为本技术公开的一种基于曲线拟合的设备寿命预测方法流程图；
[0090]
图2为本技术公开的一种状态等级分类示意图；
[0091]
图3为本技术公开的一种状态指数校正方法流程图；
[0092]
图4为本技术公开的另一种基于曲线拟合的设备寿命预测方法流程图；
[0093]
图5为本技术公开的一种基于曲线拟合的设备寿命预测装置示意图；
[0094]
图6为本技术公开的一种电子设备示意图；
[0095]
图7为本技术提供的一种服务器结构图；
[0096]
图8为本技术提供的一种终端结构图。
具体实施方式
[0097]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0098]
目前，由于设备工作环境错综复杂，设备的失效及故障形式复杂多样，其真实的退化物理过程难以刻画，从而难以进行准确的寿命预测。为此，本技术提供了一种基于曲线拟合的设备寿命预测方案，能够构建设备运行数据、实际状态数据与其健康状态所形成的曲线逻辑关系，根据设备运行数据、实际状态数据等多方面参数对设备的健康状态的趋势变化进行预测，以提高设备剩余寿命的预测准确性。
[0099]
参见图1所示，本技术实施例公开了一种基于曲线拟合的设备寿命预测方法，包括：
[0100]
s101、获取设备的前次状态等级、状态指数参照值、本次状态等级以及实际运行量。
[0101]
在本实施例中，被预测剩余寿命的设备可以是列车、航空发动机和风力发电机等，也可以是列车、航空发动机或风力发电机上的某一列车轴承，如：针对列车轴承、航空发动机轴承和风力发电机轴承进行寿命预测。
[0102]
其中，可以按照本实施例对同一设备的剩余寿命进行反复预测，如：每24小时执行一次本实施例提供的预测方法。针对处于工作状态的设备，一般利用健康监测系统对其健
康状态进行实时监测，并实时输出相应的健康状态等级，因此每次预测设备剩余寿命时，可以即时从设备的健康监测系统获取各个时刻设备的状态等级，如：本次预测时刻的健康状态等级(即本次状态等级)和前次预测时刻的健康状态等级(即前次状态等级)等。
[0103]
需要说明的是，状态等级可以划分有多个类型，每一个状态等级对应有相应的状态指数取值范围(即状态指数区间)和极限运行量。如表1所示，状态等级划分有5个类型：正常、亚健康、轻微故障、中等故障和严重故障，每一个对应有状态指数区间和极限运行量。表1中的各取值可基于经验设定，还可以基于本设备或同类设备的实际运行数据设定。其中，设备不同时，运行量的单位可以不同，如：设备为列车轴承时，运行量的单位可以为长度单位，如：千米，以描述列车的运行里程；设备为发动机轴承时，运行量的单位可以为时间单位，如：小时，以描述发动机的运行时长。
[0104]
表1
[0105]
状态等级状态指数区间极限运行量正常100～81245亚健康81～4070轻微故障40～3028中等故障30～2625严重故障26～201
[0106]
若设备为全新设备或设备运行一段时间后第一次进行寿命预测、或设备维修完成后进行第一次预测，则认为该设备为首次预测。若本次为首次预测，那么前次状态等级为无效等级；若本次非首次预测，那么前次状态等级为有效等级。据此，若前次状态等级为无效等级、或前次状态等级为有效等级但与本次状态等级不同，则将状态指数参照值确定为本次状态等级对应的状态指数区间的最大端点值；否则，将状态指数参照值确定为前次预测得到的状态指数。若前次状态等级为无效等级；或采集到设备从前次至本次之间存在的维修信息；或前次状态等级为有效等级但与本次状态等级不同，则将实际运行量确定为设备从前次至本次之间的运行量。
[0107]
s102、利用曲线拟合方法构建的目标模型对状态指数参照值、实际运行量和本次状态等级对应的状态指数区间及极限运行量进行计算，得到设备的本次状态指数。
[0108]
在构建目标模型时，可以选择与当前设备退化规律和机理相符合的函数进行曲线拟合。如：选择tan函数、sin函数或con函数作为目标模型中的函数y。
[0109]
在一种实施方式中，利用曲线拟合方法构建的目标模型对状态指数参照值、实际运行量和本次状态等级对应的状态指数区间及极限运行量进行计算，得到设备的本次状态指数，包括：利用目标模型以第一预测公式对状态指数参照值、实际运行量和本次状态等级对应的状态指数区间及极限运行量进行计算，得到本次状态指数。
[0110]
其中，第一预测公式为：其中，hi为本次状态指数；a、b、c、d为目标模型中的函数y的参数；y-1
表示函数y的反函数；hif为状态指数参照值；为状态指数参照值；hi_mini和
hi_maxi为本次状态等级对应的状态指数区间的两个端点值；i为本次状态等级对应的极限运行量；usem为实际运行量。其中，t_begi和_endi是运行量区间的两个端点值，其通过同一状态等级对应的状态指数区间的两个端点值计算得到。
[0111]
其中，每一个状态等级对应有状态指数区间、极限运行量和运行量区间。所有状态等级对应的状态指数区间、极限运行量和运行量区间可以记载在状态等级分类信息中，因此在一种实施方式中，通过查询预设的状态等级分类信息，得到至少一个状态等级对应的状态指数区间、极限运行量和运行量区间；至少一个状态等级包括：正常、亚健康、轻微故障、中等故障和严重故障，其中各状态等级的故障程度大小关系为：正常＜亚健康＜轻微故障＜中等故障＜严重故障。
[0112]
请参见图2，将表1所示的5个状态等级以曲线形式展示，那么如表1所示的5个状态等级对应的状态指数区间通过图2所示y轴坐标可确定，运行量区间通过图2所示x轴坐标可确定。
[0113]
s103、若通过本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数无需校正，则利用目标模型对本次状态等级对应的状态指数区间及极限运行量和本次状态指数进行计算，得到设备的本次剩余运行量预测值。
[0114]
在一种实施方式中，利用目标模型对本次状态等级对应的状态指数区间及极限运行量和本次状态指数进行计算，得到设备的本次剩余运行量预测值，包括：利用目标模型以第二预测公式对利用目标模型对本次状态等级对应的状态指数区间及极限运行量和本次状态指数进行计算，得到本次剩余运行量预测值。
[0115]
其中，第二预测公式为：其中，第二预测公式为：其中，rul为本次剩余运行量预测值；a、b、c、d为目标模型中的函数y的参数；hi_mini和hi_maxi为本次状态等级对应的状态指数区间的两个端点值；maxi为本次状态等级对应的极限运行量；hi为本次状态指数。
[0116]
前次剩余运行量预测值可以利用第二预测公式以前次状态指数计算得到，也可以存储前次预测得到的剩余运行量，在判断是否校正本次状态指数直接使用前次存储的剩余运行量而避免重复预测。在一种实施方式中，通过本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数无需校正，包括：获取前次剩余运行量预测值或通过前次预测得到的状态指数计算得到前次剩余运行量预测值。
[0117]
若本次状态等级的故障程度大于前次状态等级的故障程度且前次剩余运行量预测值不小于本次状态等级对应的极限运行量；或本次状态等级的故障程度不大于前次状态等级的故障程度且前次剩余运行量预测值不小于本次状态等级对应的极限运行量；或本次状态等级的故障程度不大于前次状态等级的故障程度且前次剩余运行量预测值小于本次状态等级对应的极限运行量，则确定本次状态指数无需校正。
[0118]
相应地，若通过本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数需校正，则校正本次状态指数，并利用目标模型对本次状态等级对应的状态指数区间及极限运行量和校正后的本次状态指数进行计算，得到本次剩余运行量预测值。在一种实施方式中，通过本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数需校正，包括：获取前次剩余运行量预测值或通过前次预测得到的状态指数计算得到前次剩余运行量预测值；若本次状态等级的故障程度大于前次状态等级的故障程度、且前次剩余运行量预测值小于本次状态等级对应的极限运行量，则确定本次状态指数需校正。
[0119]
请参见图3，校正本次状态指数的具体步骤包括：
[0120]
s301、利用目标模型以第一校正公式对本次状态等级对应的极限运行量、前次状态等级对应的状态指数区间、前次状态等级对应的极限运行量和状态指数参照值进行计算，得到校正量。
[0121]
s302、利用目标模型以第二校正公式对本次状态等级对应的状态指数区间、实际运行量、校正量和本次状态等级对应的极限运行量进行计算，得到校正后的本次状态指数。
[0122]
其中，第一校正公式为：其中，第一校正公式为：其中，adu为校正量；maxi为本次状态等级对应的极限运行量；a、b、c、d为目标模型中的函数y的参数；y的参数；hi_min
i-1
和hi_max
i-1
为前次状态等级对应的状态指数区间的两个端点值；max
i-1
为前次状态等级对应的极限运行量；hi
pre
为前次预测得到的状态指数。
[0123]
其中，第二校正公式为：其中，第二校正公式为：其中，hij为校正后的本次状态指数；maxi为本次状态等级对应的极限运行量；a、b、c、d为目标模型中的函数y的参数；y-1
表示函数y的反函数；表示函数y的反函数；hi_mini和hi_maxi为本次状态等级对应的状态指数区间的两个端点值；i为本次状态等级对应的极限运行量；usem为实际运行量；adu为校正量。
[0124]
需要说明的是，本实施例能够以数据-模型混合驱动的方式进行预测，即：在构建好目标模型后，还可以适时调整模型参数或函数。在一种实施方式中，还包括：收集设备的实际运行数据；根据实际运行数据调整预设的状态等级分类信息。其中，实际运行数据包括：设备在各状态等级下的运行量；相应地，根据实际运行数据调整预设的状态等级分类信息，包括：根据设备在各状态等级下的运行量调整各状态等级对应的状态指数区间和/或极限运行量，得到调整后的状态等级分类信息。调整后的状态等级分类信息可用于调整模型参数。
[0125]
在一种实施方式中，根据预设的状态等级分类信息或调整后的状态等级分类信息
拟合目标模型中的函数y的参数。其中，根据预设的状态等级分类信息拟合目标模型中的函数y的参数，即为构建模型的过程。根据调整后的状态等级分类信息拟合目标模型中的函数y的参数，即为模型更新过程。
[0126]
可见，本实施例以曲线拟合方法构建目标模型，使得目标模型以设备的状态指数参照值、实际运行量、本次状态等级对应的状态指数区间及极限运行量为输入，预测得到设备的本次状态指数；之后通过设备的本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数是否需校正，若无需校正，则进一步使目标模型以设备的本次状态等级对应的状态指数区间及极限运行量、设备的本次状态指数为输入，预测得到设备的本次剩余运行量。该方案中，目标模型构建了设备运行数据、实际状态数据与其健康状态所形成的曲线逻辑关系，能够根据设备运行数据、实际状态数据等多方面参数对设备的健康状态的趋势变化进行预测，该模型在预测本次状态指数时，不仅以设备的实际运行数据和设备当前的健康状态为输入，还输入了设备的状态指数参照值，从而使预测得到的本次状态指数既参照了设备以往状态，还参照了设备实际运行量和当前状态，提升了状态指数的预测准确性；在本次状态指数无需校正的情况下，目标模型进一步参照本次状态指数和设备的本次状态等级预测得到设备的本次剩余运行量，由此得到的剩余运行量预测值更为准确。
[0127]
下述实施例以列车轴承为例进行模型构建及预测过程介绍。为贴合列车轴承退化规律和机理，选择tan正切函数对列车轴承进行剩余寿命预测。
[0128]
请参见图4，列车轴承的剩余寿命预测过程包括：
[0129]
步骤一：数据获取。
[0130]
具体获取列车轴承的已运营里程(累计运营里程)、应用里程(当前与前次之间的运营里程)、列车轴承的各健康等级下的极限运营里程值、当前健康等级、前一次健康等级、前一次健康指数及列车轴承维修信息等数据。
[0131]
其中，通过列车车载监测系统获取列车轴承的已运营里程及应用里程数据。通过列车的地面监测系统获取列车轴承各健康等级下的极限运营里程值、当前健康等级、前一次健康等级、前一次健康指数及列车轴承维修信息等数据。
[0132]
步骤二：数据校准。
[0133]
若为首次预测或健康等级由故障类(亚健康/轻微/中等/严重)变为正常或有列车轴承维修信息时，重置列车轴承的已运营里程值等于应用里程值。
[0134]
步骤三：健康指数计算。
[0135]
首先，基于曲线拟合的方式构建模型。按照设计预期：(1)模型拟合设备的退化趋势走向；(2)模型将列车轴承的已运营里程映射为健康指数。设计健康指数的一般表达式：y＝a*f(b*t+c)+d；a、b、c、d为函数f的参数，y表示健康指数，t表示与列车轴承的已运营里程相关的数据。
[0136]
由于tan反函数(反正切函数)更贴合列车轴承退化规律和机理，那么一般表达式可为：y＝a*arctan(b*t+c)+d。其中，参数a影响健康指数整体幅值，参数b影响健康指数中间斜率大数据段的陡峭度，参数c影响模型偏离因变量y＝0的情况，参数d影响模型偏离自变量t＝0的情况。
[0137]
为提升预测准确率，使更多的列车实际数据参与到剩余寿命预测过程，本实施例
将y＝a*arctan(b*t+c)+d最终变形为：将y＝a*arctan(b*t+c)+d最终变形为：将其作为模型中针对健康指数的预测公式。该式中，a预设为37，b预设为-3.9，c预设为7.2，d预设为55，均为预设的经验参数。
[0138]
之后根据建立的模型计算列车轴承当前状态的健康指数。
[0139]
其中，t_begi与t_endi计算公式为：计算公式为：
[0140]
hi为当前状态下的列车轴承健康指数；为前一次状态下健康指数(如果为首次预测或健康等级发生变化时，prehi取值为当前健康等级下健康指数的最大值)；usem为前次到当次的列车轴承应用里程(若为首次预测或健康等级由故障类变正常或有维修信息时，usem为列车轴承已运营里程值)；maxi为当前健康等级i下极限运营里程值，hi_i为当前健康等级i下的健康指数最小值，hi_i为当前健康等级i下的健康指数最大值；t_begi为当前健康等级i下的里程起始值(对应图2起始横坐标)，t_endi为当前健康等级i下的里程终止值(对应图2终点横坐标)；＝1,2,3,4,5，各数字分别代表健康等级为正常/亚健康/轻微故障/中等故障/严重故障，这5个健康等级可参照表1和图2。
[0141]
步骤四：健康指数校准判断。
[0142]
对列车轴承当前状态健康指数是否需校准进行判断。当列车轴承的健康等级变严重时，且当利用前一次寿命预测结果小于当前健康等级的极限运营里程值时，则需要进行健康指数的校准，反之，则直接进行列车轴承的寿命预测计算。
[0143]
步骤五：健康指数校准。
[0144]
对前述计算的健康指数进行校准。具体的，健康指数校准公式为：对前述计算的健康指数进行校准。具体的，健康指数校准公式为：其中，adu为需要校准的列车轴承应用里程增量，计算方法如公式：adu为需要校准的列车轴承应用里程增量，计算方法如公式：
[0145]
步骤六：寿命预测。
[0146]
用建立的模型中的公式用建立的模型中的公式预测列车轴承的剩余里程数。rul为当前状态下列车轴承的剩余运营里程值。
[0147]
可见，本实施例用曲线拟合的方式，利用列车轴承的健康等级及里程等关键数据，同时充分考虑了列车轴承的故障发展机理，建立了基于物理-数据混合模型，并实现了准确的剩余寿命预测，为实现机械设备高效维修提供数据支撑，能够保障机械设备的安全及高
效的运行。在具体实现过程中，先根据列车轴承的故障发展趋势及案例数据进行模型参数的确定，完成列车轴承故障发展规律的刻画；然后采用曲线拟合方式得到模型的一般函数表达式；之后参照列车轴承的更多实际数据构建实际的健康指数和剩余寿命预测计算公式，以将模型的参数值及列车轴承的健康等级与模型趋势走向建立逻辑关系。
[0148]
当然，随着列车轴承案例数据的不断更新，可以动态调整模型参数和/或健康等级分类，以实现阈值的动态更新。此过程可从故障机理出发对模型参数进行调整，使模型能衡量设备运行过程中性能逐渐衰退的变化规律，准确的实现列车轴承的寿命预测。如此搭建的物理-数据混合的寿命预测模型，可以将机械设备的故障退化规律和故障机理信息融入到模型中，相比传统的物理-数据混合模型更为灵活，寿命预测结果准确率更高。
[0149]
下面对本技术实施例提供的一种基于曲线拟合的设备寿命预测装置进行介绍，下文描述的一种基于曲线拟合的设备寿命预测装置与本文描述的其他实施例可以相互参照。
[0150]
参见图5所示，本技术实施例公开了一种基于曲线拟合的设备寿命预测装置，包括：
[0151]
获取模块501，用于获取设备的前次状态等级、前次剩余运行量预测值、状态指数参照值、本次状态等级以及实际运行量；
[0152]
第一预测模块502，用于利用曲线拟合方法构建的目标模型对状态指数参照值、实际运行量和本次状态等级对应的状态指数区间及极限运行量进行计算，得到设备的本次状态指数；
[0153]
第二预测模块503，用于若通过本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数无需校正，则利用目标模型对本次状态等级对应的状态指数区间及极限运行量和本次状态指数进行计算，得到设备的本次剩余运行量预测值。
[0154]
在一种实施方式中，第一预测模块具体用于：
[0155]
利用目标模型以第一预测公式对状态指数参照值、实际运行量和本次状态等级对应的状态指数区间及极限运行量进行计算，得到本次状态指数；第一预测公式为：
[0156][0157]
其中，hi为本次状态指数；a、b、c、d为目标模型中的函数y的参数；y-1
表示函数y的反函数；hif为状态指数参照值；为状态指数参照值；hi_i和hi_i为本次状态等级对应的状态指数区间的两个端点值；i为本次状态等级对应的极限运行量；usem为实际运行量。
[0158]
在一种实施方式中，第二预测模块具体用于：
[0159]
利用目标模型以第二预测公式对利用目标模型对本次状态等级对应的状态指数区间及极限运行量和本次状态指数进行计算，得到本次剩余运行量预测值；第二预测公式为：
[0160][0161]
其中，rul为本次剩余运行量预测值；a、b、c、d为目标模型中的函数y的参数；hi_i和hi_i为本次状态等级对应的状态指数区间的两个端点值；maxi为本次状态等级对应的极限运行量；hi为本次状态指数。
[0162]
在一种实施方式中，第二预测模块具体用于：
[0163]
获取前次剩余运行量预测值或通过前次预测得到的状态指数计算得到前次剩余运行量预测值；
[0164]
若本次状态等级的故障程度大于前次状态等级的故障程度、且前次剩余运行量预测值不小于本次状态等级对应的极限运行量，则确定本次状态指数无需校正。
[0165]
在一种实施方式中，第二预测模块还用于：
[0166]
若通过本次状态等级、前次状态等级、前次剩余运行量预测值以及本次状态等级对应的极限运行量确定本次状态指数需校正，则校正本次状态指数，并利用目标模型对本次状态等级对应的状态指数区间及极限运行量和校正后的本次状态指数进行计算，得到本次剩余运行量预测值。
[0167]
在一种实施方式中，第二预测模块还用于：
[0168]
获取前次剩余运行量预测值或通过前次预测得到的状态指数计算得到前次剩余运行量预测值；
[0169]
若本次状态等级的故障程度大于前次状态等级的故障程度、且前次剩余运行量预测值小于本次状态等级对应的极限运行量，则确定本次状态指数需校正。
[0170]
在一种实施方式中，第二预测模块还用于：
[0171]
利用目标模型以第一校正公式对本次状态等级对应的极限运行量、前次状态等级对应的状态指数区间、前次状态等级对应的极限运行量和状态指数参照值进行计算，得到校正量；第一校正公式为：
[0172][0173]
其中，adu为校正量；maxi为本次状态等级对应的极限运行量；a、b、c、d为目标模型中的函数y的参数；中的函数y的参数；hi_min
i-1
和hi_max
i-1
为前次状态等级对应的状态指数区间的两个端点值；max
i-1
为前次状态等级对应的极限运行量；hi
pre
为前次预测得到的状态指数；
[0174]
利用目标模型以第二校正公式对本次状态等级对应的状态指数区间、实际运行量、校正量和本次状态等级对应的极限运行量进行计算，得到校正后的本次状态指数；第二校正公式为：
[0175][0176]
其中，hij为校正后的本次状态指数；maxi为本次状态等级对应的极限运行量；a、b、c、d为目标模型中的函数y的参数；y-1
表示函数y的反函数；hi_mini和hi_maxi为本次状态等级对应的状态指数区间的两个端点值；maxi为本次状态等级对应的极限运行量；usem为实际运行量；adu为校正量。
[0177]
在一种实施方式中，还包括：
[0178]
查询模块，用于通过查询预设的状态等级分类信息，得到至少一个状态等级对应的状态指数区间、极限运行量和运行量区间；至少一个状态等级包括：正常、亚健康、轻微故障、中等故障和严重故障。
[0179]
在一种实施方式中，还包括：
[0180]
收集模块，用于收集设备的实际运行数据；
[0181]
状态等级调整模块，用于根据实际运行数据调整预设的状态等级分类信息。
[0182]
在一种实施方式中，实际运行数据包括：设备在各状态等级下的运行量；相应地，调整模块具体用于：根据设备在各状态等级下的运行量调整各状态等级对应的状态指数区间和/或极限运行量，得到调整后的状态等级分类信息。
[0183]
在一种实施方式中，还包括：
[0184]
模型调整模块，用于根据预设的状态等级分类信息或调整后的状态等级分类信息拟合目标模型中的函数y的参数。
[0185]
在一种实施方式中，还包括：
[0186]
取值确定模块，用于若前次状态等级为无效等级、或前次状态等级为有效等级但与本次状态等级不同，则将状态指数参照值确定为本次状态等级对应的状态指数区间的最大端点值；否则，将状态指数参照值确定为前次预测得到的状态指数。
[0187]
其中，关于本实施例中各个模块、单元更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0188]
可见，本实施例提供了一种基于曲线拟合的设备寿命预测装置，能够构建设备运行数据、实际状态数据与其健康状态所形成的曲线逻辑关系，根据设备运行数据、实际状态数据等多方面参数对设备的健康状态的趋势变化进行预测，以提高设备剩余寿命的预测准确性。
[0189]
下面对本技术实施例提供的一种电子设备进行介绍，下文描述的一种电子设备与本文描述的其他实施例可以相互参照。
[0190]
参见图6所示，本技术实施例公开了一种电子设备，包括：
[0191]
存储器601，用于保存计算机程序；
[0192]
处理器602，用于执行所述计算机程序，以实现上述任意实施例公开的方法。
[0193]
进一步的，本技术实施例还提供了一种电子设备。其中，上述电子设备既可以是如图7所示的服务器50，也可以是如图8所示的终端60。图7和图8均是根据一示例性实施例示
出的电子设备结构图，图中的内容不能被认为是对本技术的使用范围的任何限制。
[0194]
图7为本技术实施例提供的一种服务器的结构示意图。该服务器50，具体可以包括：至少一个处理器51、至少一个存储器52、电源53、通信接口54、输入输出接口55和通信总线56。其中，所述存储器52用于存储计算机程序，所述计算机程序由所述处理器51加载并执行，以实现前述任一实施例公开的发布应用程序的监控中的相关步骤。
[0195]
本实施例中，电源53用于为服务器50上的各硬件设备提供工作电压；通信接口54能够为服务器50创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口55，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0196]
另外，存储器52作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统521、计算机程序522及数据523等，存储方式可以是短暂存储或者永久存储。
[0197]
其中，操作系统521用于管理与控制服务器50上的各硬件设备以及计算机程序522，以实现处理器51对存储器52中数据523的运算与处理，其可以是windows server、netware、unix、linux等。计算机程序522除了包括能够用于完成前述任一实施例公开的发布应用程序的监控方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据523除了可以包括应用程序的更新信息等数据外，还可以包括应用程序的开发商信息等数据。
[0198]
图8为本技术实施例提供的一种终端的结构示意图，该终端60具体可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
[0199]
通常，本实施例中的终端60包括有：处理器61和存储器62。
[0200]
其中，处理器61可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器61可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器61也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器61可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器61还可以包括ai(artificial intelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0201]
存储器62可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器62还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器62至少用于存储以下计算机程序621，其中，该计算机程序被处理器61加载并执行之后，能够实现前述任一实施例公开的由终端侧执行的发布应用程序的监控方法中的相关步骤。另外，存储器62所存储的资源还可以包括操作系统622和数据623等，存储方式可以是短暂存储或者永久存储。其中，操作系统622可以包括windows、unix、linux等。数据623可以包括但不限于应用程序的更新信息。
[0202]
在一些实施例中，终端60还可包括有显示屏63、输入输出接口64、通信接口65、传感器66、电源67以及通信总线68。
[0203]
本领域技术人员可以理解，图8中示出的结构并不构成对终端60的限定，可以包括比图示更多或更少的组件。
[0204]
下面对本技术实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与本文描述的其他实施例可以相互参照。
[0205]
一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的基于曲线拟合的设备寿命预测方法。其中，可读存储介质为计算机可读存储介质，其作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统、计算机程序及数据等，存储方式可以是短暂存储或者永久存储。
[0206]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
[0207]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的可读存储介质中。
[0208]
本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种基于曲线拟合的设备寿命预测方法，其特征在于，包括：获取设备的前次状态等级、状态指数参照值、本次状态等级以及实际运行量；利用曲线拟合方法构建的目标模型对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述设备的本次状态指数；若通过所述本次状态等级、所述前次状态等级、前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数无需校正，则利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述设备的本次剩余运行量预测值。2.根据权利要求1所述的方法，其特征在于，所述利用曲线拟合方法构建的目标模型对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述设备的本次状态指数，包括：利用所述目标模型以第一预测公式对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述本次状态指数；所述第一预测公式为：其中，hi为所述本次状态指数；a、b、c、d为所述目标模型中的函数y的参数；y-1
表示函数y的反函数；hi
f
为所述状态指数参照值；为所述状态指数参照值；hi_min
i
和hi_max
i
为所述本次状态等级对应的状态指数区间的两个端点值；max
i
为所述本次状态等级对应的极限运行量；usem为所述实际运行量。3.根据权利要求1所述的方法，其特征在于，所述利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述设备的本次剩余运行量预测值，包括：利用所述目标模型以第二预测公式对利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述本次剩余运行量预测值；所述第二预测公式为：其中，rul为所述本次剩余运行量预测值；a、b、c、d为所述目标模型中的函数y的参数；hi_min
i
和hi_max
i
为所述本次状态等级对应的状态指数区间的两个端点值；max
i
为所述本次状态等级对应的极限运行量；hi为所述本次状态指数。4.根据权利要求1所述的方法，其特征在于，所述通过所述本次状态等级、所述前次状态等级、前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数无需校正，包括：
获取所述前次剩余运行量预测值或通过前次预测得到的状态指数计算得到所述前次剩余运行量预测值；若所述本次状态等级的故障程度大于所述前次状态等级的故障程度、且所述前次剩余运行量预测值不小于所述本次状态等级对应的极限运行量，则确定所述本次状态指数无需校正。5.根据权利要求1所述的方法，其特征在于，还包括：若通过所述本次状态等级、所述前次状态等级、所述前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数需校正，则校正所述本次状态指数，并利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和校正后的本次状态指数进行计算，得到所述本次剩余运行量预测值。6.根据权利要求5所述的方法，其特征在于，所述通过所述本次状态等级、所述前次状态等级、所述前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数需校正，包括：获取所述前次剩余运行量预测值或通过前次预测得到的状态指数计算得到所述前次剩余运行量预测值；若所述本次状态等级的故障程度大于所述前次状态等级的故障程度、且所述前次剩余运行量预测值小于所述本次状态等级对应的极限运行量，则确定所述本次状态指数需校正。7.根据权利要求5所述的方法，其特征在于，所述校正所述本次状态指数，包括：利用所述目标模型以第一校正公式对所述本次状态等级对应的极限运行量、所述前次状态等级对应的状态指数区间、所述前次状态等级对应的极限运行量和所述状态指数参照值进行计算，得到校正量；所述第一校正公式为：其中，adu为所述校正量；max
i
为所述本次状态等级对应的极限运行量；a、b、c、d为所述目标模型中的函数y的参数；模型中的函数y的参数；hi_min
i-1
和hi_max
i-1
为所述前次状态等级对应的状态指数区间的两个端点值；max
i-1
为所述前次状态等级对应的极限运行量；hi
pre
为前次预测得到的状态指数；利用所述目标模型以第二校正公式对所述本次状态等级对应的状态指数区间、所述实际运行量、所述校正量和所述本次状态等级对应的极限运行量进行计算，得到校正后的本次状态指数；所述第二校正公式为：其中，hi
j
为校正后的本次状态指数；max
i
为所述本次状态等级对应的极限运行量；a、b、c、d为所述目标模型中的函数y的参数；y-1
表示函数y的反函数；hi_min
i
和hi_max
i
为所述本次
状态等级对应的状态指数区间的两个端点值；max
i
为所述本次状态等级对应的极限运行量；usem为所述实际运行量；adu为所述校正量。8.根据权利要求1至7任一项所述的方法，其特征在于，还包括：通过查询预设的状态等级分类信息，得到至少一个状态等级对应的状态指数区间、极限运行量和运行量区间；所述至少一个状态等级包括：正常、亚健康、轻微故障、中等故障和严重故障。9.根据权利要求1至7任一项所述的方法，其特征在于，还包括：收集所述设备的实际运行数据；根据所述实际运行数据调整预设的状态等级分类信息。10.根据权利要求9所述的方法，其特征在于，所述实际运行数据包括：所述设备在各状态等级下的运行量；相应地，所述根据所述实际运行数据调整预设的状态等级分类信息，包括：根据所述设备在各状态等级下的运行量调整各状态等级对应的状态指数区间和/或极限运行量，得到调整后的状态等级分类信息。11.根据权利要求1至7任一项所述的方法，其特征在于，还包括：根据预设的状态等级分类信息或调整后的状态等级分类信息拟合所述目标模型中的函数y的参数。12.根据权利要求1至7任一项所述的方法，其特征在于，还包括：若所述前次状态等级为无效等级、或所述前次状态等级为有效等级但与所述本次状态等级不同，则将所述状态指数参照值确定为所述本次状态等级对应的状态指数区间的最大端点值；否则，将所述状态指数参照值确定为前次预测得到的状态指数。13.一种基于曲线拟合的设备寿命预测装置，其特征在于，包括：获取模块，用于获取设备的前次状态等级、前次剩余运行量预测值、状态指数参照值、本次状态等级以及实际运行量；第一预测模块，用于利用曲线拟合方法构建的目标模型对所述状态指数参照值、所述实际运行量和所述本次状态等级对应的状态指数区间及极限运行量进行计算，得到所述设备的本次状态指数；第二预测模块，用于若通过所述本次状态等级、所述前次状态等级、所述前次剩余运行量预测值以及所述本次状态等级对应的极限运行量确定所述本次状态指数无需校正，则利用所述目标模型对所述本次状态等级对应的状态指数区间及极限运行量和所述本次状态指数进行计算，得到所述设备的本次剩余运行量预测值。14.一种电子设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序，以实现如权利要求1至12任一项所述的方法。15.一种可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至12任一项所述的方法。

技术总结
本申请公开了设备寿命预测技术领域内的一种基于曲线拟合的设备寿命预测方法、装置、设备及介质。本申请以曲线拟合方法构建目标模型，该模型在预测本次状态指数时，以设备的实际运行数据、设备当前的健康状态、设备的状态指数参照值为输入，使预测得到的本次状态指数既参照了设备以往状态，还参照了设备实际运行量和当前状态，提升了状态指数的预测准确性；在本次状态指数无需校正的情况下，目标模型进一步参照本次状态指数和设备的本次状态等级预测得到设备的本次剩余运行量，由此得到的剩余运行量预测值更为准确。相应地，本申请提供的一种基于曲线拟合的设备寿命预测装置、设备及可读存储介质，也同样具有上述技术效果。也同样具有上述技术效果。也同样具有上述技术效果。


技术研发人员：黄贵发 褚智伟 王娟 王智
受保护的技术使用者：唐智科技湖南发展有限公司
技术研发日：2023.06.09
技术公布日：2023/8/31