[发明专利]电子设备健康度的预测方法、装置、终端及介质

权利要求书

1.一种电子设备健康度的预测方法，其特征在于，包括：

确定电子设备健康度的若干影响因素；所述影响因素至少包括：设备运行温度因素、设备运行湿度因素、电脉冲因素、故障因素、维修因素、使用体感因素中的一种或多种；

根据所述电子设备的参考寿命、各所述影响因素及其权重、设备安装时间，计算电子设备健康度；其中，所述电子设备健康度与各项影响因素的加权和负相关，并与参考寿命正相关。

2.根据权利要求1所述的电子设备健康度的预测方法，其特征在于，利用所述设备运行温度因素评判电子设备健康度的方式包括：从历史运行数据中获取各类电子设备的运行温度及使用寿命数据以构成训练集；将所述训练集输入机器学习模型中进行训练，以得到通过运行温度来预测电子设备使用寿命的预测模型；根据所述预测模型输出的预测结果来量化设备运行温度对设备使用寿命的影响。

3.根据权利要求2所述的电子设备健康度的预测方法，其特征在于，选用卷积神经网络为所述机器学习模型；输入所述卷积神经网络的训练集包括从历史运行数据中获取到的电子设备运行温度数据及使用寿命数据，还包括各运行温度区间与故障类型间的对应关系；训练得到的卷积神经网络在输入当前的设备运行温度后输出使用寿命预测值以及各类故障发生的概率值；选择最大概率的故障类型作为该电子设备使用寿命的终结原因。

4.根据权利要求3所述的电子设备健康度的预测方法，其特征在于，所述卷积神经网络的训练过程包括：

将电子设备的运行温度数据、使用寿命数据及两者之间的关系图示化为对应的图像数据后输入到卷积神经网络；

卷积神经网络利用若干层卷积层对所述图像数据进行卷积计算后，利用池化层对卷积计算结果进行数据压缩，再利用批量归一化层对数据压缩结果进行批量归一化处理后得到图像特征图；

在输出层设有数量与故障类型数量相同的输出神经元，以输出各输入图像对应于各故障类型的概率。

5.根据权利要求1所述的电子设备健康度的预测方法，其特征在于，利用所述电脉冲因素评判电子设备健康度的方式包括：从历史运行数据中获取各类电子设备的开关机次数、电压异常波动数据、雷击数据及使用寿命数据以构成训练集；将所述训练集输入机器学习模型中进行训练，以得到通过电子设备的电脉冲数据来预测电子设备使用寿命的预测模型；根据所述预测模型输出的预测结果来量化电脉冲对设备使用寿命的影响。

6.根据权利要求1所述的电子设备健康度的预测方法，其特征在于，利用所述使用体感因素评判电子设备健康度的方式包括：根据用户在设备使用过程中对设备反馈速度、操控精准度及操控稳定性的综合评价结果量化形成使用体感对设备使用寿命的影响。

7.根据权利要求1所述的电子设备健康度的预测方法，其特征在于，所述电子设备健康度的计算方式包括：

Sp＝(PL-(T(t)*Ht+H(t)*Wh+E(n)*We+B(n)*Wb+R(n)*Wr+Fe*Wfe))/PL*10；

其中，Sp表示电子设备健康度；PL表示电子设备的参考寿命；t表示电子设备安装时间；T(t)表示温度因素基于0～t时间段从温度-寿命预测模型输出的预测结果；Wt表示温度因素的权重；H(t)表示温度因素基于0～t时间段从湿度-寿命预测模型输出的预测结果；Wh表示湿度因素的权重；E(n)表示电脉冲n次加权平均的结果；We表示电脉冲因素的权重；故障因素B(n)表示n次故障加权平均的结果；Wb表示故障因素的权重；R(n)表示n次维修加权平均的结果；Wr表示维修因素的权重；Fe表示基于使用体感的得分数据；Wfe表示使用体感因素的权重。