(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111475243.7 (22)申请日 2021.12.0 6 (71)申请人 苏州方正 璞华信息技 术有限公司 地址 210000 江苏省苏州市中国(江苏)自 由贸易试验区苏州片区苏州工业园区 集贤街88号1#楼的第4层40 6、 407室 (72)发明人 吕松南　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 代理人 万畅 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/04(2020.01) (54)发明名称 一种基于多任务学习模型的设备劣化分析 方法及系统 (57)摘要 本发明提供一种基于多任务学习模型的设 备劣化分析方法及系统， 分析方法包括： 将目标 设备中每一个组件的运行状态信息和环境参数 信息输入对应的组件劣化分析子模 型， 获取每一 个组件劣化 分析子模型的输出值； 将每一个组件 劣化分析子模型的输出值和目标设备的运行异 常特征输入 所述设备劣化分析子模 型中， 获取设 备劣化分析子模 型输出的目标设备的预测结果。 本发明采用多任务劣化分析模型， 通过分隔再整 合的模型结构， 协同训练设备整体和设备各组件 的劣化模型， 将设备的各个组件和设备整体协同 进行分析， 得到设备的劣化程度， 提高了对设备 的劣化分析精度； 增加环境参数数据和设备异常 记录作为外部数据参与模型训练， 使模型的预测 更严谨。 权利要求书2页 说明书7页 附图5页 CN 114357858 A 2022.04.15 CN 114357858 A 1.一种基于多任务学习模型的设备劣化分析 方法， 其特 征在于， 包括： 收集目标设备中每一个组件的运行状态信 息、 环境参数信 息和目标设备的运行异常特 征； 将所述目标设备中每一个组件的运行状态信 息、 环境参数信 息和目标设备的运行异常 特征输入多任务学习模型中， 获取所述多任务学习模型输出 的目标设备 的预测结果， 所述 预测结果 为目标设备的预测剩余寿命； 其中， 所述多任务学习模型包括多个组件劣化分析子模型和一个设备劣化分析子模 型； 将目标设备中每一个组件的运行状态信息和环境参数信息输入对应的组件劣化分析 子模型， 获取每一个组件劣化分析子模型 的输出值， 所述输出值表征对应组件的预测剩余 寿命； 将每一个组件劣化分析子模型的输出值和目标设备的运行异常特征输入所述设备劣 化分析子模型中， 获取 所述设备劣化分析子模型输出的目标设备的预测结果。 2.根据权利要求1所述的设备劣化分析方法， 其特征在于， 通过如下方式对所述多任务 学习模型进行训练： 采集目标设备的每一个组件的历史时间点的运行状态信 息序列、 环境参数序列和运行 异常特征序列， 并标记每一个历史时间点的目标设备标签， 所述 目标设备标签为 目标设备 剩余寿命， 所述每一个组件的历史时间点的运行状态信息序列、 环境参数序列、 运行异常特 征序列以及对应的目标设备 标签构成目标设备训练样本集； 基于目标设备训练样本集对所述多任务学习模型进行训练。 3.根据权利要求2所述的设备劣化分析方法， 其特征在于， 所述目标设备的每一个组件 对应一个组件劣化分析子模型， 每一个组件劣化分析子模型通过如下 方式进行训练： 对于目标设备的任一个组件， 采集所述任一个组件的历史时间点的运行状态信 息序列 和环境参数序列， 并标记所述任一个组件的每一个时间点对应的组件标签， 所述组件标签 为组件的剩余寿命； 所述任一个组件的历史时间点的运行状态信息序列、 环境参数序列和 组件标签构成所述任一个组件的训练样本集； 基于所述任一个组件的组训练样本集， 对所述任一个组件对应的组件劣化分析子模型 进行训练。 4.根据权利要求3所述的设备劣化分析 方法， 其特 征在于， 还 包括： 对组件的训练样本集中的组件的运行状态信息序列和环境参数序列进行时间对齐和 缺失值补全； 对于组件标签和目标设备 标签通过离群值分析筛除异常样本 。 5.根据权利要求1所述的设备劣化分析方法， 其特征在于， 每一个组件劣化分析子模型 的输出值 为对应组件劣化时间的韦布尔分布参数； 根据组件劣化 时间的韦布尔分布参数得到组件劣化 时间的韦布尔分布， 所述韦布尔分 布的中位秩为组件的劣化时间期望值。 6.根据权利要求1所述的设备劣化分析方法， 其特征在于， 所述多任务学习模型的损失 函数为每一个组件劣化分析子模型的损失函数和设备劣化分析子模型的损失函数加权求 和得到， 其表达式为：权　利　要　求　书 1/2 页 2 CN 114357858 A 2LOSS＝loss+(n*loss(a)+n*l oss(b)+…)； 其中， loss为多任务学习模型的损失函数， loss(a)、 loss(b)、 ...、 loss(m)为每一个 组 件劣化分析子模型 的损失函数， m为组件劣化分析子模型 的数量， n为每一个组件劣化分析 子模型的损失函数的权 重， n＝1/m。 7.根据权利要求2所述的设备劣化分析方法， 其特征在于， 所述通过如下方式对所述多 任务学习模型进行训练， 包括： 基于目标设备训练样本集对所述多任务学习 模型进行训练后， 根据目标设备训练样本 集中的每一条样本数据对应输出的预测结果和目标设备标签， 计算每一个样本数据对应的 误差； 基于误差， 对每一条样本数据对应的目标设备标签进行修改， 或者删除样本数据， 以更 新目标设备样本训练集； 基于更新后的目标设备样本训练集对所述多任务学习模型进行 再次训练； 重复迭代训练， 直到更新后的目标设备样本训练集中的样本数据量小于初始的目标设 备样本训练集中样本数据量的第一预定比例， 且目标设备样本训练集中修正的目标设备标 签数量的比例达 到第二预定比例， 停止迭代训练， 得到训练后的多任务学习模型。 8.根据权利要求7所述的目标设备劣化分析方法， 其特征在于， 所述基于误差， 对每一 条样本数据对应的目标设备 标签进行修改， 或者删除样本数据， 包括： 当误差e小于第一阈值时， 无需对目标设备 标签进行处 理； 当误差e大于第一阈值且小于第二阈值时， 对目标设备 标签值进行修 正； 当误差e大于第二阈值时， 删除对应的样本数据； 其中， 所述第一阈值小于第二阈值。 9.根据权利要求8所述的目标设备劣化分析方法， 其特征在于， 所述当误差e大于第一 阈值且小于第二阈值时， 对目标设备 标签值进行修 正， 包括： 修正后的目标设备 标签＝修正前的目标设备 标签*C； C＝1+((预测结果 ‑目标设备 标签)/目标设备 标签)。 10.一种基于多任务学习模型的设备劣化分析系统， 其特 征在于， 包括： 收集模块， 用于收集目标设备中每一个组件的运行状态信息、 环境参数信息和目标设 备的运行异常特 征； 获取模块， 用于将所述目标设备中每一个组件的运行状态信息、 环境参数信息和目标 设备的运行异常特征输入多任务学习模型中， 获取所述多任务学习模型输出的目标设备的 预测结果， 所述预测结果 为目标设备的预测剩余寿命； 其中， 所述多任务学习模型包括多个组件劣化分析子模型和一个设备劣化分析子模 型； 所述获取模块包括： 第一获取单元， 用于将目标设备中每一个组件的运行状态信 息和环境参数信 息输入对 应的组件劣化分析子模型， 获取每一个组件劣化分析子模型 的输出值， 所述输出值表征对 应组件的预测剩余寿命； 第二获取单元， 用于将每一个组件劣化分析子模型的输出值和目标设备的运行异常特 征输入所述设备劣化分析子模型中， 获取所述设备劣化分析子模型输出的目标设备的预测 结果。权　利　要　求　书 2/2 页 3 CN 114357858 A 3