[发明专利]一种基于人工智能的能量路由器寿命预测方法和装置

权利要求书

1.一种基于人工智能的能量路由器寿命预测方法，其特征在于，所述方法包括：

构建基于残差网络的寿命预测模型，以被测能量路由器的历史异常数据作为训练数据，训练所述寿命预测模型；

以与所述被测能量路由器相同设备型号的能量路由器的实时运行中的异常数据构建寿命预测数据集；

利用训练后的所述寿命预测模型对所述寿命预测数据集进行预测，得到所述被测能量路由器的剩余使用寿命；

所述构建基于残差网络的寿命预测模型，具体包括：

所述寿命预测模型包括卷积层、最大池化层、残差网络单元、平均池化层、全连接层和Softmax分类器，其中，损失函数为预测寿命值与实际寿命的欧氏距离；

所述寿命预测模型利用多层神经网络来拟合残差映射，通过ShortCut机制加入所述残差网络单元的堆叠形成网络模型，残差网络单元的计算公式如下所示：

是第i个残差网络单元输入，是第i个残差学习，是残差函数，即从多个线性层中学习到的残差，其中，i是所述残差网络单元的数量，是激活函数；

当时，没有新的残差可以学习，也就是，残差学习结束，得到所述被测能量路由器的寿命曲线。

2.如权利要求1所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述以被测能量路由器的历史异常数据作为训练数据，具体包括：

对获取到的所述被测能量路由器的历史异常数据进行数据清洗和预处理后，分为训练集和测试集，并对所述训练集和所述测试集标注寿命标签。

3.如权利要求1所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述训练所述寿命预测模型，具体包括：

采用SGD训练算法对所述寿命预测模型进行训练；

选用均方根误差RMSE作为SGD训练算法的误差计算公式，当得到的误差值不符合预设误差精度值时，更新所述寿命预测模型的网络权重，继续对所述寿命预测模型进行训练；

当得到的所述误差值符合所述预设误差精度值时，跳出循环，得到所述寿命预测模型的网络参数的最优值，得到所述寿命预测模型。

4.如权利要求1-3中任一项所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述方法还包括：

将所获得的所述剩余使用寿命按照预警等级划分；

当所述被测能量路由器的剩余使用寿命在所述预警等级的范围内时，将所述被测能量路由器进行更换。

5.如权利要求4所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述方法还包括：

利用安装在所述被测能量路由器上的传感器采集实时运行数据；

收集所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的历史运行数据；

对所述实时运行数据和所述历史运行数据进行数据增强和标准化的预处理，将预处理后的所述历史运行数据和所述实时运行数据作为训练数据。

6.如权利要求5所述的基于人工智能的能量路由器寿命预测方法，其特征在于，所述收集所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的历史运行数据，具体包括：

以所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在运行初始阶段至出现故障为止作为一个寿命周期，构建全寿命数据库；

将采集的所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的运行数据存储至所述全寿命数据库；

当所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器的寿命周期结束时，将所述被测能量路由器以及与所述被测能量路由器具有相同型号和在相同工况下的能量路由器在寿命周期内的运行数据作为所述历史运行数据。