一种设备的剩余寿命预测模型建模系统及方法、预测系统

摘要

本发明公开设备的剩余寿命预测模型建模系统，包括基础算法库、数据库和通用平台。基础算法库，用于存储剩余寿命预测模型建模过程中所需的基础算法。数据库，用于存储剩余寿命预测模型建模过程中所需的数据集。通用平台，与基础算法库和数据库分别连接，用于调用基础算法和数据集构建、训练、测试基础模型，并将通过测试评估的基础模型封装为预设文件类型的剩余寿命预测模型，剩余寿命预测模型用于实施设备的剩余寿命预测。还提供相应的建模方法、核电设备的剩余寿命预测系统。该建模系统能够帮助核电专业的研究人员方便快捷的建立具体设备的剩余寿命预测模型，降低对建模人员的IT技术能力的要求。

说明书

技术领域

本发明属于核电技术领域，具体涉及一种设备的剩余寿命预测模型建模系统及方法、核电设备的剩余寿命预测系统。

背景技术

核电设备的预测性维护，是指通过连续监测和预测核电厂系统/设备状态和故障，实现对于维修时机和维修对象的预测和精准决策，避免设备突发故障导致非计划停机，最大化利用设备使用寿命，减少维修所需备件贮存规模。剩余寿命预测是实施设备预测性维护的核心关键技术。其中，基于数据驱动的预测方法主要依靠从数据中挖掘的信息进行寿命预测，对于失效机理难以准确描述的大型、复杂设备或系统，只要能获取相关数据，即可使用数据驱动模型得到具有应用价值的寿命预测结果，因此，将数据驱动的预测方法应用至核工业界将较大提升核电设备的安全性和经济性。

然而，数据驱动的剩余寿命预测，需要具备海量数据的分析处理能力，因此，对大数据处理技术和智能算法的依赖程度很高，导致目前核工业界的剩余寿命预测技术研究很大程度上受限于研究人员对智能算法的理解和编程开发能力，限制了该技术在核工业界的发展和应用。

发明内容

本发明要解决的技术问题是针对现有技术存在的上述不足，提供一种设备的剩余寿命预测模型建模系统及方法、核电设备的剩余寿命预测系统，使得核电专业的研究人员方便快捷的建立具体核电设备的剩余寿命预测模型，降低对建模人员IT技术能力的要求。

本发明实施例提供一种设备的剩余寿命预测模型建模系统，包括基础算法库、数据库和通用平台。基础算法库，用于存储剩余寿命预测模型建模过程中所需的基础算法。数据库，用于存储剩余寿命预测模型建模过程中所需的数据集。通用平台，与基础算法库和数据库分别连接，用于调用基础算法和数据集构建、训练、测试基础模型，并将通过测试评估的基础模型封装为预设文件类型的剩余寿命预测模型。

优选地，所述基础算法的类型包括数据预处理类算法、特征提取类算法、数据驱动类算法和优化类算法。

通用平台包括建模模块、训练模块、测试评估模块。建模模块，与基础算法库和数据库连接，用于根据划分比例将调用的数据集划分为训练集和测试集，以及用于调用数据预处理类算法对训练集进行数据预处理，调用特征提取类算法对数据预处理后的训练集进行特征提取并生成特征集合，以及用于调用数据驱动类算法及优化类算法，得到基础模型。训练模块，与建模模块连接，用于应用基础模型对生成的特征集合进行模型训练。测试评估模块，与建模模块连接，用于调用测试集测试和评估训练后的基础模型，并用于对评估结果进行对比分析。建模模块，还用于将评估结果超过预设阈值的基础模型封装为预设文件类型的剩余寿命预测模型，以满足核电厂的设备健康管理平台的集成需求。

优选地，建模模块包括算法关联单元。算法关联单元，用于定义各类基础算法之间的接口，以实现数据预处理类算法、特征提取类算法、数据驱动类算法以及优化类算法之间的关联。

优选地，通用平台还包括算法管理模块。算法管理模块，与基础算法库连接，用于删除，或修改，或查看基础算法库中的基础算法，以及通过编程方式或脚本文件导入方式向基础算法库增加新的算法。

优选地，设备的剩余寿命预测模型建模系统还包括典型用例库。典型用例库，与通用平台连接，用于存储通用平台封装的典型设备的典型故障模式的剩余寿命预测模型，以便用户查看或集成调用。

优选地，通用平台还包括用例管理模块。用例管理模块，与建模模块连接，用于查看、或调用、或增加、或删除、或修改建模模块得到的基础模型。

优选地，建模模块还包括调参单元。调参单元，用于在调用数据预处理类算法、特征提取类算法、数据驱动类算法及优化类算法时接收用户输入的参数。

第二方面，本发明实施例还提供一种核电设备的剩余寿命预测系统，包括输入模块和第一方面所述的设备的剩余寿命预测模型建模系统。所述输入模块，用于接收用户输入的的核电设备的数据集。所述设备的剩余寿命预测模型建模系统与所述输入模块连接，用于根据用户输入的核电设备的数据集，输出核电设备的剩余寿命预测模型及剩余寿命预测结果。

第三方面，本发明实施例还提供一种设备的剩余寿命预测模型建模方法，包括：获取剩余寿命预测模型建模过程中所需的基础算法，以及获取待建立剩余寿命预测模型的设备的数据集；根据划分比例将数据集划分为训练集和测试集；根据基础算法和训练集构建和训练基础模型，并根据测试集测试评估训基础模型，以及将通过测试评估的基础模型封装为预设文件类型的剩余寿命预测模型。

本发明的设备的剩余寿命预测模型建模系统，包括基础算法库、数据库和通用平台。基础算法库，用于存储剩余寿命预测模型建模过程中所需的基础算法。数据库，用于存储剩余寿命预测模型建模过程中所需的数据集。通用平台，与基础算法库和数据库分别连接，用于调用基础算法和数据集构建、训练、测试基础模型，并将通过测试评估的基础模型封装为预设文件类型的剩余寿命预测模型。使得核电研究人员可利用该建模系统开展流程标准化的、积木式的剩余寿命预测模型的建模方法，可方便快捷的建立具体核电设备的剩余寿命预测模型。

附图说明

图1：为本发明实施例1的一种设备的剩余寿命预测模型建模系统的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和实施例对本发明作进一步详细描述。

实施例1：

如图1所示，本实施例提供一种设备的剩余寿命预测模型建模系统，适用于对具体设备建立剩余寿命预测模型、训练、测试和封装，尤其适应于核电专业的研究人员在获取到某核电设备海量的运行数据、同类型核电设备的故障数据后对该核电设备进行数据驱动的剩余寿命预测模型的建模、训练、测试和封装。

本实施例的设备的剩余寿命预测模型建模系统包括基础算法库1、数据库2和通用平台3。

基础算法库1，用于存储剩余寿命预测模型建模过程中所需的基础算法，其中，基础算法的类型包括数据预处理类算法、特征提取类算法、数据驱动类算法、优化类算法，每个类型的基础算法的数量为多个。数据库2，用于存储剩余寿命预测模型建模过程中所需的数据集。通用平台3，与基础算法库1和数据库2分别连接，用于调用基础算法和数据集构建、训练、测试基础模型，并将通过测试评估的基础模型封装为预设文件类型的剩余寿命预测模型。

本实施例中，基础算法库1用于存储常用的基础算法，在剩余寿命预测模型建模过程中可直接调用基础算法库1中的基础算法，其中，基础算法的类型至少包含但不限于以下类型，以下算法均为本领域技术人员公知的算法：

(1)数据预处理类算法，包括对缺失数据填充算法、异常数据检测算法、噪声数据处理算法以及数据规范化算法等。

(2)特征提取类算法，包括Wingner-Ville分析、小波分析、谱分析、盲源分离等算法，以实现特征参数的提取，建立特征参数集合。

(3)敏感特征参数选取算法，对特征参数集合进行降维，自动选取最优化的敏感特征参数，包括主成分分析算法和层次聚类算法等。

(4)基于特征数据进行寿命预测的数据驱动类算法，包括支持向量机、人工神经网络和循环神经网络等。

(5)对模型参数进行自动优化的优化类算法，如遗传算法等。

(6)模型的不确定度分析算法，如Bootstrap和高斯回归等。

数据库2中的数据类型包括：寿命数据、状态数据和环境参数等。其中，寿命数据为设备开始运行至失效的持续时间；状态数据是表征设备运行状态和性能的参数，如泵轴的振动频率；环境参数用于描述设备的使用条件，如设备所处系统的温度、压力、湿度等。这些数据可以是设备运行的真实数据(包括该设备运行的历史数据和同类设备运行的数据)，也可以是通过实验或建模仿真的方式模拟运行产生的数据，所述寿命数据、状态数据和环境参数等构成设备A的数据集。通常，用户计划对设备A进行剩余寿命预测模型建模，需先将获取的设备A的数据集导入至数据库2。在待导入的数据集表格中，应有表头描述每列数据的属性，以便存储模块对数据进行结构化的存储。

可选地，通用平台3包括建模模块31、训练模块32、测试评估模块33。

建模模块31，与基础算法库1和数据库2连接，用于根据划分比例将调用的数据集划分为训练集和测试集，以及用于调用数据预处理类算法对训练集进行数据预处理，调用特征提取类算法对数据预处理后的训练集进行特征提取并生成特征集合，以及用于调用数据驱动类算法及优化类算法，得到基础模型。训练模块32，与建模模块31连接，用于应用基础模型对生成的特征集合进行模型训练。建模模块31还包括调参单元。调参单元，用于在调用数据预处理类算法、特征提取类算法、数据驱动类算法及优化类算法时接收用户输入的参数。

本实施例中，建模模块31用于向用户提供需调用的数据集所存储的路径的选择界面，以供用户选择所需的数据集，并根据用户设定的划分比例将调用的数据集划分为训练集和测试集。例如，对于调用的设备A的数据集，设定训练集所占比例为70％，测试集所占比例为30％，则在建模模块自动划分和生成临时的训练集和测试集，其中训练集中的数据量占设备A的数据集的70％，测试集的数据量占设备A的数据集的30％。训练集和测试集的比例可根据用户需求进行设定。建模模块31还用于向用户提供数据预处理类算法的选择界面，以供用户选择需调用的具体的数据预处理算法，且接收用户输入的算法参数。建模训练模块31用于自动调用用户所选择的数据预处理类算法对所生成的训练集进行数据预处理。建模模块31还用于向用户提供特征提取类算法的选择界面，且可接收用户针对所选择的具体的特征提取算法时输入的参数。例如，建模模块31用于根据用户选择的特征参数提取算法和敏感参数选取算法对数据预处理后的训练集进行特征参数选取并生成多个敏感特征集合。建模模块31还用于向用户提供数据驱动类算法、优化类算法的选择界面，且可接收用户针对所选择的具体的数据驱动算法、优化算法时输入的参数，得到基础模型。例如，用户选择基于历史失效记录和指数分布的数据驱动算法，则需要输入指数分布中的故障率参数及初始值等参数，用户还选择了遗传算法对基础模型参数进行优化。本实施例中的基础模型包括用户选择的具体的数据预处理算法、特征提取算法、数据驱动算法、优化算法。训练模块32用于应用基础模型对生成的特征集合自动进行模型训练，在模型训练前，训练模块32还用于接收用户设置的训练截止条件，训练截止条件包括训练次数、性能指标等。当模型训练达到用户设置的训练截止条件，训练模块32停止模型训练，并输出结果，此时有两种情况：其一，达到训练次数，停止训练，输出结果为训练失败，提示用户重新进行数据预处理类算法、特征提取类算法、数据驱动类算法、优化类算法的选择和模型训练。其二，达到性能指标，输出结果为模型训练成功，显示模型的性能指标，且提示用户是否存储该训练成功的基础模型，建模模块31用于保存训练成功的基础模型。

测试评估模块33，与建模模块31连接，用于调用测试集测试和评估训练后的基础模型，并用于对评估结果进行对比分析。建模模块31，还用于将评估结果满足预设指标要求的基础模型封装为预设文件类型的剩余寿命预测模型，以满足核电厂的设备健康管理平台的集成需求。

本实施例中，测试评估模块33用于向用户提供是否进行测试的选择界面，若用户选择进行测试，测试评估模块33用于调用测试集对训练后的基础模型进行测试和评估。在对基础模型进行测试时，动态显示预测结果，预测结果包括：剩余使用寿命和失效概率分布。在对基础模型进行评估时，评估指标包括但不限于预测准确率、不确定度、可信度、模型复杂度和响应速度等(具体评估指标根据用户需求以及算法进行定制)。测试评估模块33还用于对多个基础模型进行评估结果的对比分析。若评估结果不满足用户所设置的性能指标，则提示用户重新进行数据预处理类算法、特征提取类算法、数据驱动类算法、优化类算法的选择、模型训练和测试评估。若评估结果满足用户所设置的性能指标，则提示用户剩余寿命预测模型建模完成，进一步提示用户是否进行剩余寿命预测模型的封装。若用户选择封装类型(如C语言)，建模模块31用于将该完成的剩余寿命预测模型转化为用户指定的文件类型的程序文件，完成模型封装，以满足核电厂的设备健康管理平台的集成需求或便于集成于其他上级核电平台。

可选地，建模模块31包括算法关联单元。算法关联单元，用于定义各类基础算法之间的接口，以实现数据预处理类算法、特征提取类算法、数据驱动类算法以及优化类算法之间的关联。

本实施例中，基础算法的类型为多种，不同算法和模型之间的业务流程、数据、输入输出以及核心算法都可能存在差异，因此，如何保证本实施例中的设备的剩余寿命预测模型建模系统的通用性，是一项关键技术难点。首先，针对不同的算法类别，梳理其业务流程，以及业务流程中各阶段的适用算法；然后，针对相同功能的算法，建立基础算法库(容器)，对基础算法库中元素(单一算法)支持增、删、改、查功能，并基于预测模型的业务流程开发相应的算法调用功能及界面，引导用户进行剩余寿命预测的建模；最后，对用户建立并测试通过的模型，提供封装功能，以便于集成于核电厂已有的设备健康管理平台，执行寿命预测功能。此外，设置算法关联单元，用于定义和规范每类算法输入输出接口形式，并可视化描述接口的含义，引导用户在设备的剩余寿命预测模型建模系统的使用过程中，准确定义所选算法的输入输出接口(如数据来源、模型存储位置、参数存储位置等)，确保用户所选择的多个算法可正确连接，从而构建一个完整的剩余寿命预测模型。如表1所示，为数据驱动类算法的接口规范化示例。

表1

可选地，通用平台3还包括算法管理模块34。算法管理模块34，与基础算法库1连接，用于删除，或修改，或查看基础算法库中的基础算法，以及通过编程方式或脚本文件导入方式向基础算法库增加新的算法。

本实施例中，提供“新增算法”功能，用户可将新编写的算法文件(matlab的.m文件格式)加载到设备的剩余寿命预测模型建模系统，扩充基础算法库的内容，以满足更广泛的建模场景的应用需求。同样地，用户可根据所述系统指引对新增算法接口进行标准化自定义，以使其能够与基础算法库已有的算法进行关联。

可选地，设备的剩余寿命预测模型建模系统还包括典型用例库4。典型用例库4，与通用平台3连接，用于存储通用平台3(具体为建模模块31)封装的典型设备的典型故障模式的剩余寿命预测模型，以便用户查看或集成调用。

可选地，通用平台3还包括用例管理模块35。用例管理模块35，与建模模块31连接，用于查看、或调用、或增加、或删除、或修改建模模块31存储的训练后的基础模型。

本实施例的设备的剩余寿命预测模型建模系统，提供了一种流程标准化的、积木式的设备的剩余寿命预测建模方式，能够帮助核电专业的研究人员方便快捷的选择恰当的数据预处理技术、特征提取技术、数据驱动算法、参数优化技术，建立具体设备的剩余寿命预测模型，避免核电专业的研究人员在手动建模过程中，需进行编程实现算法功能、各算法的组合，从而降低建模人员对智能算法的理解和编程技术能力的要求，使信息技术、智能算法等通用技术成为专业技术领域可直接应用或少量开发后应用的通用工具；同时，简化了数据驱动的剩余寿命预测模型开发过程中跨专业技术(如核电技术与数据处理技术)融合的接口，降低沟通难度与成本。此外，手动建模过程中，建模人员对预测方法和各算法的学习、优选、代码实现、测试评估、算法优化直至获得满意的预测模型，周期至少约两个月，若使用本实施例的设备的剩余寿命预测模型建模系统，对相同设备完成预测模型的构建、测试和封装的周期约十天。因此，使用本实施例的建模系统可节省人工成本，提高建模效率。

实施例2：

本实施例提供一种核电设备的剩余寿命预测系统，包括输入模块21和实施例1所述的设备的剩余寿命预测模型建模系统。

输入模块21，用于接收用户输入的的核电设备的数据集。

设备的剩余寿命预测模型建模系统与输入模块21连接，用于根据用户输入的核电设备的数据集，输出核电设备的剩余寿命预测模型及剩余寿命预测结果。

实施例3：

本实施例提供一种设备的剩余寿命预测模型建模方法，包括：

步骤301，获取剩余寿命预测模型建模过程中所需的基础算法，以及获取待建立剩余寿命预测模型的设备的数据集。基础算法的类型包括数据预处理类算法、特征提取类算法、数据驱动类算法和优化类算法。

步骤302，根据划分比例将数据集划分为训练集和测试集。

步骤303，根据基础算法和训练集构建和训练基础模型，并根据测试集测试评估训基础模型，以及将通过测试评估的基础模型封装为预设文件类型的剩余寿命预测模型。

可选地，步骤303具体包括：

步骤31，调用数据预处理类算法对训练集进行数据预处理；

步骤32，调用特征提取类算法对数据预处理后的训练集进行特征提取并生成特征集合；

步骤33，调用数据驱动类算法及优化类算法，得到基础模型；

步骤34，应用基础模型对生成的特征集合进行模型训练，在训练成功时，存储训练后的基础模型；在训练失败时，重新执行步骤31-步骤34构建新的基础模型，直至新的基础模型训练成功。

步骤35，调用测试集测试和评估训练后的基础模型，并对评估结果进行对比分析，在评估结果不满足性能指标时，重新执行步骤31-步骤35，直至新的基础模型的评估结果满足性能指标。

步骤36，将评估结果符合预设指标要求的基础模型封装为预设文件类型的剩余寿命预测模型，以满足核电厂的设备健康管理平台的集成需求。

可选地，步骤303还包括定义各类基础算法之间的接口，以实现数据预处理类算法、特征提取类算法、数据驱动类算法以及优化类算法之间的关联。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。