离线设备剩余寿命预测方法、装置和计算机设备

技术领域

本申请涉及设备维护技术领域，特别是涉及一种离线设备剩余寿命预测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着科学技术的发展，对设备进行维修也成为设备使用过程中的重要环节，但由于无法确定设备需要进行维修的具体时间，定期对设备进行维修则会造成资源的浪费，因此，需要考虑对设备的剩余寿命进行预测。

传统技术中，对离线设备进行寿命评估一般是在开发阶段通过试验来采集设备的变化参数，对变化参数进行分析评估，从而对离线设备进行整体的寿命评估。然而，目前的这一种方法，需要大量的试验获得足够的样本数据，且目前实验室的条件对真实运行环境的模拟度不足，不能准确地对离线设备的剩余寿命进行预测。

发明内容

基于此，有必要针对上述技术问题，提供一种准确的离线设备剩余寿命预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种离线设备剩余寿命预测方法。所述方法包括：

获取不同类别的联网设备运行数据；

对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

获取不同类别离线设备的运行敏感参数；

将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

在其中一个实施例中，在所述获取不同类别的联网设备运行数据之前，还包括：

获取设备老化试验数据、以及预设基于设备老化试验数据的设备分类策略，设备包括离线设备和联网设备；

根据所述设备老化试验数据以及所述预设基于设备老化试验数据的设备分类策略，对设备进行分类。

在其中一个实施例中，所述采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型包括：

采用统计分析方式对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命；

采用机器学习对修正后的运行敏感参数以及修正后的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型。

在其中一个实施例中，所述采用统计分析方式对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行修正，得到修正后的不同类别的联网设备的运行敏感参数以及修正后的运行敏感参数对应的设备剩余寿命包括：

根据所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命，得到所述不同类别的联网设备的运行敏感参数的样本均值以及所述运行敏感参数对应的设备剩余寿命的样本均值；

获取异常运行敏感参数以及异常设备剩余寿命；

根据所述不同类别的联网设备的运行敏感参数的样本均值以及所述运行敏感参数对应的设备剩余寿命的样本均值，对所述异常运行敏感参数以及所述异常设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命。

在其中一个实施例中，所述根据所述不同类别的联网设备的运行敏感参数的样本均值以及所述运行敏感参数对应的设备剩余寿命的样本均值，获取异常运行敏感参数以及异常设备剩余寿命包括：

获取预设运行敏感参数阈值以及预设设备剩余寿命阈值；

当所述不同类别的联网设备的运行敏感参数与所述不同类别的联网设备的运行敏感参数的样本均值之差大于所述预设运行敏感参数阈值时，获取异常运行敏感参数；

当所述运行敏感参数对应的设备剩余寿命与所述运行敏感参数对应的设备剩余寿命的样本均值之差大于所述预设设备剩余寿命阈值时，获取异常设备剩余寿命。

在其中一个实施例中，所述获取不同类别离线设备的运行敏感参数包括：

提取所述设备老化试验数据中不同类别离线设备老化试验数据；

根据所述不同类别离线设备老化试验数据，获取不同类别离线设备的运行敏感参数。

第二方面，本申请还提供了一种离线设备剩余寿命预测装置。所述装置包括：

联网数据获取模块，用于获取不同类别的联网设备运行数据；

联网数据分析模块，用于对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

寿命模型建立模块，用于采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

离线参数获取模块，用于获取不同类别离线设备的运行敏感参数；

设备寿命预测模块，用于将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取不同类别的联网设备运行数据；

对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

获取不同类别离线设备的运行敏感参数；

将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取不同类别的联网设备运行数据；

对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

获取不同类别离线设备的运行敏感参数；

将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取不同类别的联网设备运行数据；

对所述不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命；

采用机器学习对所述不同类别的联网设备的运行敏感参数以及所述运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；

获取不同类别离线设备的运行敏感参数；

将所述不同类别离线设备的运行敏感参数对应输入至所述不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

上述离线设备剩余寿命预测方法、装置、计算机设备、存储介质和计算机程序产品，获取不同类别的联网设备运行数据；对不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命；采用机器学习对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；获取不同类别离线设备的运行敏感参数；将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。在这一过程中，联网获取的联网设备运行数据会更加全面，能够更准确地得到不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命，从而建立更准确的不同类别的设备剩余寿命函数模型；且根据每一类别的设备剩余寿命函数模型能够对同类别的离线设备剩余寿命进行更准确的预测。

附图说明

图1为一个实施例中离线设备剩余寿命预测方法的应用环境图；

图2为一个实施例中离线设备剩余寿命预测方法的流程示意图；

图3为另一个实施例中离线设备剩余寿命预测方法的流程示意图；

图4为又一个实施例中离线设备剩余寿命预测方法的流程示意图；

图5为一个实施例中离线设备剩余寿命预测装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的离线设备剩余寿命预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102发送离线设备剩余寿命预测请求至服务器104，离线设备剩余寿命预测请求中含有不同类别的联网设备运行数据，服务器104接收离线设备剩余寿命预测请求，获取离线设备剩余寿命预测请求中的不同类别的联网设备运行数据；对不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命；采用机器学习对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；获取不同类别离线设备的运行敏感参数；将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。更进一步地，服务器104将得到的离线设备剩余寿命预测结果发送至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种离线设备剩余寿命预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

S100，获取不同类别的联网设备运行数据。

其中，联网设备是指可以被连接到互联网以传输数据或被远程控制的设备。

具体地，本申请中设备包括离线设备和联网设备，并将所有设备按一定规则进行分类，分好类后，每一类中都会存在联网设备以及离线设备，得到不同类别中的联网设备，利用物联网可以获取不同类别的联网设备的运行数据；此时，终端102发送离线设备剩余寿命预测请求至服务器104，离线设备剩余寿命预测请求中含有不同类别的联网设备运行数据，服务器104接收离线设备剩余寿命预测请求，获取离线设备剩余寿命预测请求中的不同类别的联网设备运行数据，不同类别的联网设备运行数据可能不同，常见的运行数据有包括电源模块的输出电压、输出电流、功率模块IGBT的V

S200，对不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命。

其中，运行敏感参数是指对设备使用寿命造成较大影响的参数量。

具体地，服务器会对不同类别的联网设备运行数据分别进行分析，分析手段可以是主成分分析，小波变换等，以对继电器输出电压进行分析为例，可以采用小波变换法对继电器输出电压进行处理，分析继电器触点的抖动，来得到继电器输出电压此时的值对应的剩余寿命；当继电器输出电压变化且其他参数近似时，若得到的对应剩余寿命变化较大，则说明继电器输出电压是对设备使用寿命造成较大影响的参数量，即输出电压是继电器的运行敏感参数；同理，对不同类别的联网设备运行数据分别进行分析后，可以得到不同类别的联网设备运行数据中不同类别的联网设备的运行敏感参数以及不同类别的联网设备的运行敏感参数对应的设备剩余寿命。

S300，采用机器学习对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型。

其中，机器学习是指从数据中通过选取合适的算法，自动的归纳逻辑或规则，并根据这个归纳的结果(模型)与新数据来进行预测的过程，它是一种具有可学习参数的函数，可将输入映射到所需输出；训练是指用已有的数据，通过对已有数据进行处理来确定函数的最优参数，生成确定最优参数后的函数。

具体地，服务器采用机器学习法来建立不同类别的设备剩余寿命函数模型，具体是：获取不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命后，将不同类别的联网设备的运行敏感参数作为输入，将运行敏感参数对应的设备剩余寿命作为输出，对输入和输出数据进行训练，来确定函数的最优参数，其中，最优参数可以是每个运行敏感参数对设备剩余寿命的影响系数，从而生成含有最优参数后的函数，最后生成的函数里设备剩余寿命为输出量、设备运行敏感参数为自变量。

更进一步地，以电源模块为例，电源模块故障发生的概率与输出电压的下降/电源转换效率的下降/环境温度非线性正相关，即电源模块的运行敏感参数为输出电压U、电源转换效率E与环境温度t，获取此时运行敏感参数对应的设备剩余寿命；采用机器学习对电源模块的运行敏感参数为输出电压、电源转换效率与环境温度以及这三者分别对应的设备剩余寿命进行训练，得到电源模块剩余寿命函数模型：T＝A*f(U)+B*f(E)+C*f(t)；其中，T为电源模块的剩余寿命，U为电源模块输出电压，A为电源模块输出电压对电源模块剩余寿命的影响系数，E为电源模块转换效率，B为电源模块转换效率对电源模块剩余寿命的影响系数，t为环境温度，C为环境温度对电源模块剩余寿命的影响系数。

因此，不同类别的设备剩余寿命函数模型可以是：

类别1：T1＝A1*f(U)+B1*f(E)+C1*f(t)

类别2：T2＝A2*f(U)+B2*f(E)+C2*f(t)

类别3：T3＝A3*f(U)+B3*f(E)+C3*f(t)

类别4：T4＝A4*f(U)+B4*f(E)+C4*f(t)

…

类别n：Tn＝An*f(U)+Bn*f(E)+Cn*f(t)

其中，运行敏感参数不一定均为输出电压U、电源转换效率E与环境温度t，可以是其他参数。

S400，获取不同类别离线设备的运行敏感参数。

其中，离线设备是指不能被连接到互联网以传输数据或被远程控制的设备。

具体地，根据不同类别的联网设备运行数据已经建立好不同类别的设备剩余寿命函数模型，每个类别都有属于这个类别的设备剩余寿命函数模型，且在每个类别中不止有联网设备，还有离线设备，同一类别的离线设备也可以运用这个设备剩余寿命函数模型来进行预测设备剩余寿命函数；由于建立好的设备剩余寿命函数模型的自变量是设备运行敏感参数，所以首先需要获取不同类别离线设备的运行敏感参数作为设备剩余寿命函数模型的输入。服务器无法直接获取离线设备的运行数据，但部分运行数据可通过其它方式进行预估——如环境温度通过天气预报、安装位置进行预估，电源模块输出电压、转换效率通过安装时间进行预估。

S500，将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

具体地，获取到不同类别离线设备的运行敏感参数后，将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，利用设备剩余寿命函数模型来对离线设备的剩余寿命进行预测，得到离线设备剩余寿命预测结果。

更进一步地，根据离线设备剩余寿命预测结果，若离线设备剩余寿命预测结果低于预设寿命值，对离线设备进行维修。

上述离线设备剩余寿命预测方法中，获取不同类别的联网设备运行数据；对不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命；采用机器学习对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型；获取不同类别离线设备的运行敏感参数；将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。在这一过程中，联网获取的联网设备运行数据会更加全面，能够更准确地得到不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命，从而建立更准确的不同类别的设备剩余寿命函数模型；且根据每一类别的设备剩余寿命函数模型能够对同类别的离线设备剩余寿命进行更准确的预测。

在一个实施例中，在获取不同类别的联网设备运行数据之前，还包括：

获取设备老化试验数据、以及预设基于设备老化试验数据的设备分类策略，设备包括离线设备和联网设备。

其中，老化试验是指通过实验室对设备运行条件进行模拟，筛选出由于制造缺陷导致的早期组件故障。

具体地，由于生产制造工艺的差异，每个元器件的参数会有一些细微差别，如普通电阻的电阻值精度为±10％，电容电感等元器件参数精度更低，多个元器件组成的模块/电路会把这些差异进一步放大，模块/电路组成的设备差异更大，最终这些设备的寿命也会有所不同；所以需要对存在差异性的设备进行分类，将差异性小的设备分为一类；本申请进行分类采取的方法是利用老化试验数据对设备进行分类，首先需要对所有设备进行设备老化试验，采集设备老化试验中得到的相关数据，如输出电压、输出电流、输出电压纹波、电源转化效率、功率器件的饱和压降等。

更进一步地，以设备中的电源模块为例，老化试验具体步骤如下所示：

1、基本性能参数测试。测试电源的基本参数，主要包括：

①电压范围：在标称交流输入电压范围内电源都能正常工作；

②输出电压：电源输出电压范围，检验电源能带LED的数量输出电流(恒流精度):要求输出电流恒定为350mA(3％)；

③电源效率：要求电源效率不低于88％；

④功率因数：要求功率因数大于0.95；

⑤谐波失真：要求总谐波失真不超过20％；

⑥低温测试：要求电源能长时间在-30C～70C的条件下能正常启动工作安规测试，可以是电源耐压AC1500V测试，不击穿，且泄漏电流要符合安规要求的保护功能，包括开路保护与短路保护等。

2、老化测试。当电源的基本参数均能满足以上要求时，进行老化测试：

①正常老化：将电源直接带载通电老化，电源不间断持续工作时间在一个月以上，不出现故障，没有烧毁现象，各项参数稳定，则视为合格。

②间歇性老化：将电源带载间歇性通电老化测试，电源在带负载的情况下,不能的通电/断电，测试电源的抗冲击性能。老化时间一个月以上，不出现故障，没有烧毁现象，各项参数稳定，则视为合格。

③加速老化：将电源放置于高温试验箱内带负载长期工作，检验其各项性能是否稳定。

根据设备老化试验数据以及预设基于设备老化试验数据的设备分类策略，对设备进行分类。

具体地，根据获取的设备老化实验数据，预先设计好基于设备老化试验数据的设备分类策略，即将设备老化试验数据相近的分为一类，利用根据设备老化试验数据以及预设基于设备老化试验数据的设备分类策略，对设备进行分类，使同一类别中的设备输出老化试验数据相似。

更进一步地，以设备为电源为例，电源模块输出老化实验数据为输出电压时，令电源模块输出最低电压4.75V，最高电压为5.25V，随着设备在使用过程中的老化，电源模块的输出电压可能降低，如后级模块输入电压最低为4.5V，当电源模块输出电压低于4.5V时，设备的功能及性能将受影响，甚至发生故障，在老化试验中电源模块输出电压较高的设备，其使用寿命会比较长，根据电源模块输出电压进行分类，5.25V-5.15V为类别A，5.15V-5.05V为类别B，5.05V-4.95V为类别C，4.95V-4.85V为类别D，4.85V-4.75V为类别E；若电源模块输出老化实验数据除了输出电压还包括电源转换效率时，就分别对输出电压以及电源转换效率进行细分，得到电源转换效率等级1、电源转换效率等级2…电源转换效率等级N，输出电压等级a、输出电压等级b…输出电压等级M，将设备输出的老化实验数据中电源转换效率为电源转换效率等级1与输出电压为输出电压等级a的分为一类，将设备输出的老化实验数据中电源转换效率为电源转换效率等级1与输出电压为输出电压等级b的分为一类，也就是说，只有当设备输出的老化实验数据里的输出电压以及电源转换效率均属于相同的等级时，才将设备分在同一类中；根据所有的输出老化实验数据细分下去，对设备进行分类。

本实施例中，通过根据设备老化试验数据以及预设基于设备老化试验数据的设备分类策略，能够对设备进行分类，使同一类别中的设备输出老化试验数据相似，为后续利用同一类别的联网设备运行数据建立的设备剩余寿命模型实现对同一类别中的离线设备剩余寿命更准确的预测作基础。

在一个实施例中，如图3所示，S300包括：

S320，采用统计分析方式对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命。

其中，统计分析方式指通过对研究对象的规模、速度、范围、程度等数量关系的分析研究，认识和揭示事物间的相互关系、变化规律和发展趋势，借以达到对事物的正确解释和预测的一种研究方法。

具体地，由于获取的不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命不一定准确，会存在异常数据，所以需要对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行修正，本申请采用的手段是统计分析方式，来得到修正后的运行敏感参数以及修正后的设备剩余寿命。

S340，采用机器学习对修正后的运行敏感参数以及修正后的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型。

具体地，针对同一类别的设备，将获取的修正后的运行敏感参数以及修正后的设备剩余寿命后，将同一类别的设备中修正后的运行敏感参数作为输入，将同一类别的设备中修正后的设备剩余寿命作为输出，对输入和输出数据进行训练，来建立不同类别的设备剩余寿命函数模型。

本实施例中，通过采用统计分析方式对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行修正，能够使建立的不同类别的设备剩余寿命函数模型更加准确。

在一个实施例中，如图4所示，S320包括：

S322，根据不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命，得到不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值。

其中，样本均值为样本的均值，其中，样本是观测或调查的一部分个体，均值是表示一组数据集中趋势的量数，指在一组数据中所有数据之和再除以这组数据的个数，是反映数据集中趋势的一项指标，在本申请中样本均值则指不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命分别的均值。

具体地，在获取到不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命后，通过粒子滤波、卡尔曼滤波等方法对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命分别进行处理，得到不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值。

S324，获取异常运行敏感参数以及异常设备剩余寿命。

其中，异常运行敏感参数是指不同类别的联网设备的运行敏感参数值与样本均值的偏差超过预设范围的参数；异常设备剩余寿命是指运行敏感参数对应的设备剩余寿命与样本均值的偏差超过预设范围的参数。

具体地，根据不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值，对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行判断，获取异常运行敏感参数以及异常设备剩余寿命。

S326，根据不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值，对异常运行敏感参数以及异常设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命。

具体地，获取异常运行敏感参数以及异常设备剩余寿命后，根据不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值，可以对异常运行敏感参数以及异常设备剩余寿命进行修正，即将异常运行敏感参数以及异常设备剩余寿命修正为不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值，得到修正后的运行敏感参数以及修正后的设备剩余寿命。

本实施例中，通过对不同类别的联网设备的运行敏感参数中的异常运行敏感参数以及运行敏感参数对应的设备剩余寿命中的异常设备剩余寿命进行修正，能够更准确的建立不同类别的设备剩余寿命函数模型。

在一个实施例中，根据不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值，获取异常运行敏感参数以及异常设备剩余寿命包括：

获取预设运行敏感参数阈值以及预设设备剩余寿命阈值。

其中，预设运行敏感参数阈值是指不同类别的联网设备的运行敏感参数与不同类别的联网设备的运行敏感参数的样本均值之间的偏差临界值；预设设备剩余寿命阈值是指预先设置好的运行敏感参数对应的设备剩余寿命与运行敏感参数对应的设备剩余寿命的样本均值之间的偏差临界值。

具体地，获取预先设置好的不同类别的联网设备的运行敏感参数与不同类别的联网设备的运行敏感参数的样本均值之间的偏差临界值、以及预先设置好的运行敏感参数对应的设备剩余寿命与运行敏感参数对应的设备剩余寿命的样本均值之间的偏差临界值。

当不同类别的联网设备的运行敏感参数与不同类别的联网设备的运行敏感参数的样本均值之差大于预设运行敏感参数阈值时，获取异常运行敏感参数。

具体地，当不同类别的联网设备的运行敏感参数与不同类别的联网设备的运行敏感参数的样本均值之差大于预设运行敏感参数阈值时，即大于预先设置好的不同类别的联网设备的运行敏感参数与不同类别的联网设备的运行敏感参数的样本均值之间的偏差临界值时，获取异常运行敏感参数。

更进一步地，当某个联网设备的运行敏感参数缺失时，将此时运行敏感参数值看作零，此时，缺失的某个联网设备的运行敏感参数与不同类别的联网设备的运行敏感参数的样本均值之差也符合大于预设运行敏感参数阈值，判定缺失的某个联网设备的运行敏感参数也为异常运行敏感参数。

当运行敏感参数对应的设备剩余寿命与运行敏感参数对应的设备剩余寿命的样本均值之差大于预设设备剩余寿命阈值时，获取异常设备剩余寿命。

具体地，当运行敏感参数对应的设备剩余寿命与运行敏感参数对应的设备剩余寿命的样本均值之差大于预设设备剩余寿命阈值时，即大于预先设置好的运行敏感参数对应的设备剩余寿命与运行敏感参数对应的设备剩余寿命的样本均值之间的偏差临界值时，获取异常设备剩余寿命。

更进一步地，当某个联网设备的运行敏感参数对应的设备剩余寿命缺失时，将此时运行敏感参数对应的设备剩余寿命值看作零，此时，缺失的某个联网设备的运行敏感参数对应的设备剩余寿命缺失与运行敏感参数对应的设备剩余寿命的样本均值之差也符合大于预设设备剩余寿命阈值，判定缺失的某个联网设备的运行敏感参数对应的设备剩余寿命也为异常设备剩余寿命。

本实施例中，通过获取预设运行敏感参数阈值以及预设设备剩余寿命阈值，能够更准确的判断异常运行敏感参数与异常设备剩余寿命，从而便于后续对异常运行敏感参数与异常设备剩余寿命进行修正。

在一个实施例中，获取不同类别离线设备的运行敏感参数包括：

提取设备老化试验数据中不同类别离线设备老化试验数据；根据不同类别离线设备老化试验数据，获取不同类别离线设备的运行敏感参数。

具体地，由于已经建立了不同类别的设备剩余寿命函数模型，且设备剩余寿命函数模型的输入是运行敏感参数，所以可知同一类别里的设备运行敏感参数都相似，而离线设备由于不能联网并不能获取运行数据，所以可以按类别来分别提取设备老化试验数据中不同类别离线设备老化试验数据，再根据不同类别离线设备老化试验数据，获取不同类别离线设备的运行敏感参数。

本实施例中，通过按类别来分别提取设备老化试验数据中不同类别离线设备老化试验数据，能够获取离线设备的运行敏感参数，从而将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的离线设备剩余寿命预测方法的离线设备剩余寿命预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个离线设备剩余寿命预测装置实施例中的具体限定可以参见上文中对于离线设备剩余寿命预测方法的限定，在此不再赘述。

在一个实施例中，如图5所示，提供了一种离线设备剩余寿命预测装置，包括：联网数据获取模块100、联网数据分析模块200、寿命模型建立模块300、离线参数获取模块400和设备寿命预测模块500，其中：

联网数据获取模块100，用于获取不同类别的联网设备运行数据。

联网数据分析模块200，用于对不同类别的联网设备运行数据分别进行分析，获取不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命。

寿命模型建立模块300，用于采用机器学习对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型。

离线参数获取模块400，用于获取不同类别离线设备的运行敏感参数。

设备寿命预测模块500，用于将不同类别离线设备的运行敏感参数对应输入至不同类别的设备剩余寿命函数模型，得到离线设备剩余寿命预测结果。

在一个实施例中，还包括设备分类模块，设备分类模块用于获取设备老化试验数据、以及预设基于设备老化试验数据的设备分类策略，设备包括离线设备和联网设备；根据设备老化试验数据以及预设基于设备老化试验数据的设备分类策略，对设备进行分类。

在一个实施例中，寿命模型建立模块300还用于采用统计分析方式对不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命；采用机器学习对修正后的运行敏感参数以及修正后的设备剩余寿命进行训练，建立不同类别的设备剩余寿命函数模型。

在一个实施例中，寿命模型建立模块300还用于根据不同类别的联网设备的运行敏感参数以及运行敏感参数对应的设备剩余寿命，得到不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值；获取异常运行敏感参数以及异常设备剩余寿命；根据不同类别的联网设备的运行敏感参数的样本均值以及运行敏感参数对应的设备剩余寿命的样本均值，对异常运行敏感参数以及异常设备剩余寿命进行修正，得到修正后的运行敏感参数以及修正后的设备剩余寿命。

在一个实施例中，寿命模型建立模块300还用于获取预设运行敏感参数阈值以及预设设备剩余寿命阈值；当不同类别的联网设备的运行敏感参数与不同类别的联网设备的运行敏感参数的样本均值之差大于预设运行敏感参数阈值时，获取异常运行敏感参数；当运行敏感参数对应的设备剩余寿命与运行敏感参数对应的设备剩余寿命的样本均值之差大于预设设备剩余寿命阈值时，获取异常设备剩余寿命。

在一个实施例中，离线参数获取模块400还用于提取设备老化试验数据中不同类别离线设备老化试验数据；根据不同类别离线设备老化试验数据，获取不同类别离线设备的运行敏感参数。

上述离线设备剩余寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储不同类别的联网设备运行数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种离线设备剩余寿命预测方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。