核电厂设备剩余寿命预测方法、装置、设备和存储介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种核电厂设备剩余寿命预测方法、装置、设备和存储介质。

背景技术

随着人工智能技术在各领域的发展，出现了剩余寿命预测方法。以核电厂反应堆运行领域为例，可以利用人工智能技术完成核电厂设备剩余寿命的预测。目前，对核电厂设备剩余寿命的预测方法中，通常基于核电厂设备的历史运行状态和预先训练好的剩余寿命预测模型，模型直接输出核电厂设备的剩余寿命值。

但是，核电厂设备的剩余寿命本身就是一个概率事件，而不应该是一个绝对的值，也就是说，传统技术中模型输出的剩余寿命值并不符合现实意义，对核电厂设备剩余寿命的预测并不真实准确，亟需解决。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高对核电厂设备剩余寿命预测的准确性的核电厂设备剩余寿命预测方法、装置、设备和存储介质。

第一方面，本申请提供了一种核电厂设备剩余寿命的预测方法。该方法包括：

对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

在其中一个实施例中，寿命特征分布包括：众数特征分布、分位数特征分布和均值特征分布中的至少一种。

在其中一个实施例中，若寿命特征分布包括分位数特征分布和均值特征分布中的至少一种，以及众数特征分布；则根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命，包括：

根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中确定目标特征分布；

根据目标特征分布，预测核电厂设备在未来时段内的剩余寿命。

在其中一个实施例中，根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中确定目标特征分布，包括：

判断未来时段内的威布尔参数中的形状参数是否大于形状阈值；

若是，则将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布；

若否，则根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。

在其中一个实施例中，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数，包括：

通过非线性拟合模型，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

在其中一个实施例中，该方法还包括：将样本设备在第一样本时段内的样本监测信息输入至非线性拟合模型，得到样本设备在第二样本时段内的威布尔参数；其中，第一样本时段早于第二样本时段；

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，确定损失值；

基于损失值，对非线性拟合模型进行训练。

在其中一个实施例中，样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，确定损失值，包括：

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数；

根据损失系数和样本设备在第二样本时段内的故障情况，确定损失值。

第二方面，本申请还提供了一种设备剩余寿命的预测装置。该装置包括：

参数确定模块，用于对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

分布确定模块，用于根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

寿命预测模块，用于根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

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

对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

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

对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，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：

对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

上述核电厂设备剩余寿命预测方法、装置、设备和存储介质，通过对核电厂设备的历史监测信息进行非线性拟合处理得到的未来时段内的威布尔参数，来确定核电厂设备在未来时段内的寿命特征分布，由于未来时段内的威布尔参数即表征其随时间的变化分布情况，所以，基于威布尔参数确定出的核电厂设备在未来时段内的寿命特征分布也是对应的概率分布情况，而不是一个具体的预测值，更加具有参考意义。并且，由于威布尔参数的概率分布情况会随着时间的变化而变化，相应的，核电厂设备在未来时段内的寿命特征分布也会随时间的变化而变化，也就是说，未来时段内每一天对应的核电厂设备在未来时段内的寿命特征分布都不相同，每一天的寿命特征分布都表征最新的寿命概率分布情况，因此，根据未来时段内的寿命特征分布，预测出来的核电厂设备在未来时段内的剩余寿命值会更加准确可信。

附图说明

图1为本实施例提供的一种核电厂设备剩余寿命的预测方法的应用环境图；

图2为本实施例提供的第一种核电厂设备剩余寿命的预测方法的流程示意图；

图3为本实施例提供的一种威布尔参数所对应的概率分布情况示意图；

图4为本实施例提供的一种寿命特征分布示意图；

图5为本实施例提供的一种根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命的流程示意图；

图6为本实施例提供的一种对非线性拟合模型进行训练方法的流程示意图；

图7为本实施例提供的第二种核电厂设备剩余寿命的预测方法的流程示意图；

图8为本实施例提供的第一种核电厂设备剩余寿命的预测装置的结构框图；

图9为本实施例提供的第二种核电厂设备剩余寿命的预测装置的结构框图；

图10为本实施例提供的第三种核电厂设备剩余寿命的预测装置的结构框图；

图11为本实施例提供的一种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核电厂设备剩余寿命的预测方法，可以应用于如图1所示的应用环境中。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1所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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进行核电厂设备剩余寿命的预测的相关数据。该计算机设备的网络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核电厂设备剩余寿命的预测方法。

在一个实施例中，如图2所示，提供了一种核电厂设备剩余寿命的预测方法，以该方法应用于图1中的计算机为例进行说明，包括以下步骤：

S201，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

其中，历史监测信息可以用于表征当前时刻及当前时刻之前的预设时段内核电厂设备在一种或多种维度下的状态信息，例如，温度、压力和速度等。威布尔参数可以是威布尔分布函数中的参数，本实施例中，威布尔参数可以表征该参数对应的概率分布情况，示例性地，威布尔参数可以包括比例参数a和形状参数b。可以理解的是，本实施例中，未来时段的时长与获取历史监测信息对应的预设时段的长短有关，获取历史监测信息对应的预设时段越长，相应的未来时段的时间段越长。

具体的，本实施例中，获取预设时间段内对核电厂设备进行监测得到的历史监测信息，通过对历史监测信息进行非线性拟合处理，得到处理结果，该处理结果即为核电厂设备在未来预设时段内对应的威布尔参数。

可选的，本实施例中，可以将当前时刻及当前时刻之前的预设时间段内通过多种类型的探测器对核电厂设备的状态信息进行监测，各探测器会显示出表征核电厂设备当前状态信息的具体数值，获取预设时间段内所有表征核电厂设备状态信息的数值，将其作为初始监测信息。可以理解的是，不同类型的探测器对核电厂设备进行监测得到的是核电厂设备不同维度下的监测信息，然后，对初始监测信息进行处理得到历史监测信息。示例性地，可以对初始监测信息进行向量化处理和归一化处理，得到监测信息向量，再通过滑动时间窗口算法对监测信息向量进行处理，得到历史监测信息。例如，将同一时刻下，表征核电厂设备的不同维度的监测信息s1、s2、s3...作为一组初始监测信息，并将其进行向量化表示得到初始向量S＝[s1,s2,s3...]，并对初始向量进行归一化处理，得到监测信息向量。针对监测信息向量，利用滑动时间窗口算法对其进行处理，得到历史监测信息X

可选的，对初始向量进行归一化处理的方式可以有很多，一种可实现方式可以是，将初始向量输入至预先训练好的向量归一化模型中，模型对初始向量进行处理，输出归一化处理后的初始向量，将其作为历史监测数据。另一种可实现方式可以是，将初始向量代入到预先确定的归一化处理公式中进行计算，得到计算结果，将计算结果作为历史监测数据。示例性地，归一化处理公式可以如下公式(1)：

式中，

可选的，对核电厂设备的历史监测信息进行非线性拟合处理的方式可以是，将历史监测信息代入到预先确定的非线性拟合算法中，计算得到与历史监测信息对应的参数，将其作为核电厂设备在未来时段内的威布尔参数。另一种可实现方式可以是，通过非线性拟合模型，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。本实施例中，可以将核电厂设备的历史监测信息输入到预先训练好的非线性拟合模型中，非线性拟合模型对输入的历史监测信息进行处理，输出核电厂设备在未来时段内的威布尔参数。需要说明的是，威布尔参数会随时间的变化而发生改变，示例性地，未来时段内的威布尔参数所对应的概率分布情况可以如图3所示。

S202，根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布。

其中，寿命特征分布可以是表征核电厂设备在未来时段内可能损坏的概率，具体的，可以表征核电厂设备在未来时间段内每天对应的损坏概率。在一个实施例中，寿命特征分布包括：众数特征分布、分位数特征分布和均值特征分布中的至少一种。其中，众数特征分布可以是表征核电厂设备寿命分布上具有明显集中趋势点的数值的分布情况。分位数特征分布可以是核电厂设备寿命的概率分布范围内为几个等份的数值点分布情况，常用的有中位数、四分位数、百分位数等。均值特征分布可以是表征核电厂设备寿命分布上居中的点的数值的分布情况。

具体的，本实施例中，可以根据未来时段内的威布尔参数，以及对应的众数分布公式、分位数分布公式和均值分布公式，确定对应的众数特征分布、分位数特征分布和均值特征分布。示例性地，以威布尔参数为比例参数a和形状参数b为例，众数分布公式可以如下公式(2)所示，分位数分布公式可以如下公式(3)所示，均值分布公式可以如下公式(4)所示。

式中，a为威布尔参数中的比例参数；b为威布尔分布参数中的形状参数；mode为众数特征分布。

Q(p)＝a(1 ln(1-p))

式中，p为失效概率；a为威布尔参数中的比例参数；b为威布尔分布参数中的形状参数；Q(p)为分位数特征分布。当p为50％时，Q(p)为对应的中位数。

MTBF＝aΓ(1+1/b) (4)

式中，a为威布尔参数中的比例参数；b为威布尔分布参数中的形状参数；MTBF为均值特征分布；Γ为伽马函数。

S203，根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

示例性地，以图4所示的寿命特征分布为例，不同的寿命特征分布表示核电厂设备损坏概率随时间的变化。具体的，本实施例中，可以根据未来时段内的寿命特征分布，对核电厂设备在未来时段内的剩余寿命进行预测。

示例性地，可以将众数特征分布、分位数特征分布和均值特征分布进行处理。例如，加权求和处理，得到核电厂设备剩余寿命分布，根据核电厂设备剩余寿命分布情况，结合未来时段内的某一时间，对核电厂设备在未来时段内的剩余寿命进行预测。

上述核电厂设备剩余寿命的预测方法中，通过对核电厂设备的历史监测信息进行非线性拟合处理得到的未来时段内的威布尔参数，来确定核电厂设备在未来时段内的寿命特征分布，由于未来时段内的威布尔参数即表征其随时间的变化分布情况，所以，基于威布尔参数确定出的核电厂设备在未来时段内的寿命特征分布也是对应的概率分布情况，而不是一个具体的预测值，更加具有参考意义。并且，由于威布尔参数的概率分布情况会随着时间的变化而变化，相应的，核电厂设备在未来时段内的寿命特征分布也会随时间的变化而变化，也就是说，未来时段内每一天对应的核电厂设备在未来时段内的寿命特征分布都不相同，每一天的寿命特征分布都表征最新的寿命概率分布情况，因此，根据未来时段内的寿命特征分布，预测出来的核电厂设备在未来时段内的剩余寿命值会更加准确可信。

需要说明的是，为了使上述实施例中确定的核电厂设备在未来时段内的威布尔参数更加准确，本实施例中，可以采用各种典型的机器学习算法来搭建非线性拟合模型，例如多变量的岭回归、随机梯度回归、随机森林回归或神经网络。由于神经网络具有对各种情况的高度适应性，以及可以拟合任意阶的非线性特征的特点，优选采用人工神经网络。优选的，由于回归神经网络RNN(Recurrent Neural Network，循环神经网络)能够有效处理历史信息，本实施例中，选用回归神经网络RNN的两种变体长短时记忆神经网络LSTM(longshort-term memory)和门回归神经网络GRU(gated recurrent unit)。通常，GRU比LSTM训练参数更少，但训练和执行速度更快。如果训练数据使用非常长和复杂的序列，或者精度对项目至关重要，则使用LSTM；如果主要关注训练时间、执行时间和内存消耗等则使用GRU。优选的，本实施例中，可以用RNN网络层以及全连接层(FC)的不同组合被设置为构建不同的网络，最优全连接层FC(2)的输出节点数应该与拟合分布的参数数量保持一致。需要说明的是，模型具有的层越多，表示其拟合功能的效率就越高。

另外，本实施例中，可以根据预测出的核电厂设备在未来时段内的寿命特征分布，采取预设的核电厂设备维护策略对核电厂设备进行维护，以延长核电厂设备使用时间。示例性地，可以根据核电厂设备在未来时段内的寿命特征分布情况，判断核电厂设备在未来时段中哪一时刻会损坏的概率最大，以图4中的特征分布情况为例，时间c对应的设备损坏概率最大，即将c时刻发送至运维人员的终端设备，运维人员根据终端设备接收到的该时刻和预先确定的维护策略，在该时刻之前对核电厂设备进行维护。也可以是判断核电厂设备在未来时段中哪一时刻会损坏的概率最大之后，在该时刻之前预设时段对应的时刻(例如图4所示的d时刻)时发出报警信号，提醒运维人员对核电厂设备进行维护。

进一步地，为了使对核电厂设备在未来时段内的剩余寿命的预测更加准确，在一个实施例中，若寿命特征分布包括分位数特征分布和均值特征分布中的至少一种，以及众数特征分布；则如图5所示，根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命，包括：

S501，根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中确定目标特征分布。

其中，形状参数可以是上述S202步骤中提到的威布尔参数中的形状参数b。形状阈值可以是预先确定的威布尔参数中形状参数的可选范围。

具体的，本实施例中，可以根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中选择至少一个，作为目标特征分布。

可选的，从未来时段内的寿命特征分布中确定目标特征分布的方式可以是，判断未来时段内的威布尔参数中的形状参数是否大于形状阈值；若是，则将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布；若否，则根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。具体的，可以根据威布尔参数中形状参数的数值，与形状阈值进行大小比较，若威布尔参数中形状参数的数值大于形状阈值，则将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布，若威布尔参数中形状参数的数值小于形状阈值，则根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。示例性地，可以将寿命特征分布中的分位数特征分布和均值特征分布取均值作为目标特征分布，也可以将寿命特征分布中的分位数特征分布和均值特征分布加权求和，将求和结果作为目标特征分布。根据未来时段内的威布尔参数中的形状参数和形状阈值来确定目标特征分布，使得确定目标特征分布的过程更加简单方便。

S502，根据目标特征分布，预测核电厂设备在未来时段内的剩余寿命。

具体的，本实施例中，根据目标特征分布，对核电厂设备的未来时段内的每一时刻的剩余寿命进行预测。

上述实施例中，根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系来确定目标特征分布，使得确定目标特征分布的方式更加简单，另外，根据目标特征分布而不是寿命特征分布来对核电厂设备在未来时段内的剩余寿命进行预测，使得对核电厂设备的剩余寿命的预测结果更加可信。

另外，本实施例中，还提供了对非线性拟合模型进行训练的具体过程，如图6所示，可以包括如下步骤：

S601，将样本设备在第一样本时段内的样本监测信息输入至非线性拟合模型，得到样本设备在第二样本时段内的威布尔参数。

其中，第一样本时段早于第二样本时段。样本设备可以是进行寿命预测试验的核电厂设备。示例性地，第一样本时段可以是7月1日至7月31日，第二样本时段可以是8月1日至8月31日，本实施例中，可以是将第一样本时段内的样本监测信息输入至非线性拟合模型中，非线性拟合模型输出样本设备在第二样本时段内的威布尔参数。

需要说明的是，样本监测信息的确定方式与上述S201步骤中确定历史监测信息的方式相同，在此不做赘述。

S602，根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，确定损失值。

其中，样本设备在第二样本时段内的实际剩余寿命可以是表征样本设备当前真实的剩余寿命，可以通过探测器探测得到。样本设备在第二样本时段内的故障情况可以分为两种，即损坏和未损坏。

本实施例中，可以根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，结合预先确定的损失函数，计算得到损失值。

一种优选的实现方式可以是，根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数；根据损失系数和样本设备在第二样本时段内的故障情况，确定损失值。其中，损失系数可以是损失函数中的参数。示例性地，损失函数可以如下公式(5)所示，根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数的方式可以是，将样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命输出至预先确定好的损失系数确定公式中，计算得到损失系数。示例性地，损失系数确定公式可以如下公式(6)。

式中，u

式中，A和B表示损失系数，a

S603，基于损失值，对非线性拟合模型进行训练。

具体的，本实施例中，根据确定好的损失值，对非线性拟合模型的参数进行修正，进而完成对非线性拟合模型的训练，使非线性拟合模型的输出结果更加准确。

上述实施例中，结合样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况对非线性拟合模型进行训练，使对非线性拟合模型的训练更加严谨，进一步使得非线性拟合模型的输出结果更加准确可信。为后续对核电厂设备进行剩余寿命预测提供保障。

为了便于本领域技术人员的理解，对上述核电厂设备剩余寿命的预测方法进行详细介绍，如图7所示，该方法可以包括：

S701，将样本设备在第一样本时段内的样本监测信息输入至非线性拟合模型，得到样本设备在第二样本时段内的威布尔参数。

其中，第一样本时段早于第二样本时段。

S702，根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数。

S703，根据损失系数和样本设备在第二样本时段内的故障情况，确定损失值。

S704，基于损失值，对非线性拟合模型进行训练。

S705，通过非线性拟合模型，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

S706，根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布。

其中，寿命特征分布包括：众数特征分布、分位数特征分布和均值特征分布。

S707，判断未来时段内的威布尔参数中的形状参数是否大于形状阈值；若是，则执行S708，若否，则执行S709。

S708，将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布。

S709，根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。

S710，根据目标特征分布，预测核电厂设备在未来时段内的剩余寿命。

S711，根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

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核电厂设备剩余寿命的预测方法的核电厂设备剩余寿命的预测装置。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核电厂设备剩余寿命的预测装置实施例中的具体限定可以参见上文中对于核电厂设备剩余寿命的预测方法的限定，在此不再赘述。

在一个实施例中，如图8所示，提供了一种核电厂设备剩余寿命的预测装置1，包括：参数确定模块10、分布确定模块11和寿命预测模块12，其中：

参数确定模块10，用于对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

分布确定模块11，用于根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布。

寿命预测模块12，用于根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，寿命特征分布包括：众数特征分布、分位数特征分布和均值特征分布中的至少一种。

在一个实施例中，若寿命特征分布包括分位数特征分布和均值特征分布中的至少一种，以及众数特征分布；则如图9所示，寿命预测模块12包括：第一确定单元120和预测单元121。其中：

第一确定单元120，用于根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中确定目标特征分布。

预测单元121，用于根据目标特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，第一确定单元120具体用于判断未来时段内的威布尔参数中的形状参数是否大于形状阈值；若是，则将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布；若否，则根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。

在一个实施例中，参数确定模块10具体用于通过非线性拟合模型，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

在一个实施例中，如图8所示的核电厂设备剩余寿命的预测装置1中还包括训练模块13。如图10所示，训练模块13包括第一训练单元130、损失确定单元131和第二训练单元132。其中：

第一训练单元130，用于将样本设备在第一样本时段内的样本监测信息输入至非线性拟合模型，得到样本设备在第二样本时段内的威布尔参数。

其中，第一样本时段早于第二样本时段。

损失确定单元131，用于根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，确定损失值。

第二训练单元132，用于基于损失值，对非线性拟合模型进行训练。

在一个实施例中，损失确定单元131具体用于根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数；根据损失系数和样本设备在第二样本时段内的故障情况，确定损失值。

上述核电厂设备剩余寿命的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终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。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、内存储器。该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种核电厂设备剩余寿命的预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图11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，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以下步骤：

对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，寿命特征分布包括：众数特征分布、分位数特征分布和均值特征分布中的至少一种。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中确定目标特征分布；

根据目标特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

判断未来时段内的威布尔参数中的形状参数是否大于形状阈值；

若是，则将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布；

若否，则根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

通过非线性拟合模型，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将样本设备在第一样本时段内的样本监测信息输入至非线性拟合模型，得到样本设备在第二样本时段内的威布尔参数；其中，第一样本时段早于第二样本时段；

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，确定损失值；

基于损失值，对非线性拟合模型进行训练。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数；

根据损失系数和样本设备在第二样本时段内的故障情况，确定损失值。

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以下步骤：

对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，寿命特征分布包括：众数特征分布、分位数特征分布和均值特征分布中的至少一种。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中确定目标特征分布；

根据目标特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

判断未来时段内的威布尔参数中的形状参数是否大于形状阈值；

若是，则将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布；

若否，则根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过非线性拟合模型，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将样本设备在第一样本时段内的样本监测信息输入至非线性拟合模型，得到样本设备在第二样本时段内的威布尔参数；其中，第一样本时段早于第二样本时段；

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，确定损失值；

基于损失值，对非线性拟合模型进行训练。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数；

根据损失系数和样本设备在第二样本时段内的故障情况，确定损失值。

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以下步骤：

对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数；

根据未来时段内的威布尔参数，确定核电厂设备在未来时段内的寿命特征分布；

根据未来时段内的寿命特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，寿命特征分布包括：众数特征分布、分位数特征分布和均值特征分布中的至少一种。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据未来时段内的威布尔参数中的形状参数与形状阈值之间的关系，从未来时段内的寿命特征分布中确定目标特征分布；

根据目标特征分布，预测核电厂设备在未来时段内的剩余寿命。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

判断未来时段内的威布尔参数中的形状参数是否大于形状阈值；

若是，则将未来时段内的寿命特征分布中的众数特征分布，作为目标特征分布；

若否，则根据寿命特征分布中的分位数特征分布和均值特征分布中的至少一种，确定目标特征分布。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

通过非线性拟合模型，对核电厂设备的历史监测信息进行非线性拟合处理，确定核电厂设备在未来时段内的威布尔参数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将样本设备在第一样本时段内的样本监测信息输入至非线性拟合模型，得到样本设备在第二样本时段内的威布尔参数；其中，第一样本时段早于第二样本时段；

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，以及样本设备在第二样本时段内的故障情况，确定损失值；

基于损失值，对非线性拟合模型进行训练。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据样本设备在第二样本时段内的威布尔参数、样本设备在第二样本时段内的实际剩余寿命，确定损失系数；

根据损失系数和样本设备在第二样本时段内的故障情况，确定损失值。

需要说明的是，本申请所涉及的用户信息(包括但不限于历史监测信息和样本监测信息等)和数据(包括但不限于威布尔参数和损失系数等)，均为经用户授权或者经过各方充分授权的信息和数据。

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。