液压油寿命预测方法、装置、计算机设备及可读存储介质与流程

1.本发明涉及工程机械设备技术领域，特别是涉及一种液压油寿命预测方法、装置、计算机设备及计算机可读存储介质。


背景技术：

2.工程机械设备中的液压油是施工过程中的一种重要部件，液压油通常起到传递运动与动力、润滑、密封、冷却等作用，而液压油中的含水量是衡量液压油寿命的重要指标之一。因此，当液压油中的含水量超过一定的限度时，就需要及时更换液压油，以保证液压系统的正常工作。
3.现有的液压油寿命预测方式主要包括：基于经验模型的预测、基于物理模型的预测和基于机器学习的预测。然而，上述方式对液压油寿命的预测准确性和可靠性有限。


技术实现要素：

4.本技术的目的在于提供一种液压油寿命预测方法、装置、计算机设备及计算机可读存储介质，能够准确预测液压油寿命，且稳定性和可靠性高。
5.为达到上述目的：
6.第一方面，本技术实施例提供了一种液压油寿命预测方法，所述方法包括：
7.获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；所述目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段；
8.根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列；
9.根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果。
10.在一实施方式中，所述根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列，包括：
11.对所述历史液压油含水量时间序列进行平稳性检验，获得平稳性检验结果；所述平稳性检验结果包括差分阶数；
12.根据所述平稳性检验结果确定所述历史液压油含水量时间序列不平稳时，对所述历史液压油含水量时间序列进行差分处理，以获得平稳的所述历史液压油含水量时间序列；
13.对平稳的所述历史液压油含水量时间序列进行分析，并根据分析获得的自回归阶数和移动平均阶数，结合所述差分阶数建立对应的arima模型；
14.将所述历史液压油含水量时间序列输入所述arima模型进行预测，获得所述arima模型输出的所述未来液压油含水量时间序列。
15.在一实施方式中，所述对所述历史液压油含水量时间序列进行平稳性检验，获得
平稳性检验结果之前，还包括：
16.对所述历史液压油含水量时间序列进行预处理，所述预处理包括以下至少一种：异常值剔除、缺失值填补和平滑处理。
17.在一实施方式中，所述机器学习模型通过下述方式训练得到：
18.获取在预设历史时间段的训练样本以及已标注液压油寿命信息的样本标签，所述训练样本包括所述arima模型预测的预设历史时间段的样本液压油含水量时间序列和对应的样本工况数据；
19.通过初始的机器学习模型对所述样本液压油含水量时间序列和所述样本工况数据进行预测处理，得到样本预测结果；所述样本预测结果包括在预设历史时间段的液压油寿命预测结果；
20.基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
21.在一实施方式中，所述根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果，包括：
22.从所述预测时间段中确定目标预测时间点；
23.根据所述未来液压油含水量时间序列，获取所述目标预测时间点对应的液压油含水量；
24.将所述目标预测时间点对应的液压油含水量和所述历史工况数据输入预先训练的机器学习模型，获得所述机器学习模型输出的在所述目标预测时间点对应的液压油寿命预测结果；所述液压油寿命预测结果用于指示是否需要更换液压油。
25.在一实施方式中，所述从所述预测时间段中确定目标预测时间点，包括：
26.将所述预测时间段中的最早预测时间点定义为开始时间，最晚预测时间点定义为结束时间，开始时间至结束时间的时间段为初始查找区间；
27.取所述查找区间的中间时间点作为初始目标预测时间点；
28.所述方法还包括：
29.根据当前的所述目标预测时间点对应的液压油寿命预测结果，基于二分法调整所述查找区间的开始时间和/或结束时间，并根据调整后的所述查找区间更新所述目标预测时间点，直至完成在所述预测时间段的液压油寿命预测。
30.在一实施方式中，还包括：
31.根据已记录的液压油含水量时间序列，确定液压油含水量在预设时间段内至少下降了预设阈值的时间点，并将所述时间点确定为上一次更换液压油所在时间点。
32.第二方面，本技术实施例提供了一种液压油寿命预测装置，包括：
33.获取模块，用于获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；所述目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段；
34.处理模块，用于根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列；
35.预测模块，用于根据所述未来液压油含水量时间序列和所述历史工况数据，通过
预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果。
36.在一实施方式中，所述处理模块，具体用于：
37.对所述历史液压油含水量时间序列进行平稳性检验，获得平稳性检验结果；所述平稳性检验结果包括差分阶数；
38.根据所述平稳性检验结果确定所述历史液压油含水量时间序列不平稳时，对所述历史液压油含水量时间序列进行差分处理，以获得平稳的所述历史液压油含水量时间序列；
39.对平稳的所述历史液压油含水量时间序列进行分析，并根据分析获得的自回归阶数和移动平均阶数，结合所述差分阶数建立对应的arima模型；
40.将所述历史液压油含水量时间序列输入所述arima模型进行预测，获得所述arima模型输出的所述未来液压油含水量时间序列。
41.在一实施方式中，所述处理模块，还用于对所述历史液压油含水量时间序列进行预处理，所述预处理包括以下至少一种：异常值剔除、缺失值填补和平滑处理。
42.在一实施方式中，所述机器学习模型通过下述方式训练得到：
43.获取在预设历史时间段的训练样本以及已标注液压油寿命信息的样本标签，所述训练样本包括所述arima模型预测的预设历史时间段的样本液压油含水量时间序列和对应的样本工况数据；
44.通过初始的机器学习模型对所述样本液压油含水量时间序列和所述样本工况数据进行预测处理，得到样本预测结果；所述样本预测结果包括在预设历史时间段的液压油寿命预测结果；
45.基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
46.在一实施方式中，所述预测模块，具体用于：
47.从所述预测时间段中确定目标预测时间点；
48.根据所述未来液压油含水量时间序列，获取所述目标预测时间点对应的液压油含水量；
49.将所述目标预测时间点对应的液压油含水量和所述历史工况数据输入预先训练的机器学习模型，获得所述机器学习模型输出的在所述目标预测时间点对应的液压油寿命预测结果；所述液压油寿命预测结果用于指示是否需要更换液压油。
50.在一实施方式中，所述预测模块，具体用于：
51.将所述预测时间段中的最早预测时间点定义为开始时间，最晚预测时间点定义为结束时间，开始时间至结束时间的时间段为初始查找区间；
52.取所述查找区间的中间时间点作为初始目标预测时间点；
53.所述预测模块，还用于：
54.根据当前的所述目标预测时间点对应的液压油寿命预测结果，基于二分法调整所述查找区间的开始时间和/或结束时间，并根据调整后的所述查找区间更新所述目标预测时间点，直至完成在所述预测时间段的液压油寿命预测。
55.在一实施方式中，所述获取模块，还用于根据已记录的液压油含水量时间序列，确
定液压油含水量在预设时间段内至少下降了预设阈值的时间点，并将所述时间点确定为上一次更换液压油所在时间点。
56.第三方面，本技术实施例提供一种计算机设备，包括：处理器和存储有计算机程序的存储器，在所述处理器运行所述计算机程序时，实现上述液压油寿命预测方法的步骤。
57.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述液压油寿命预测方法的步骤。
58.本技术实施例提供的液压油寿命预测方法、装置、计算机设备及计算机可读存储介质，所述方法包括：获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段；根据历史液压油含水量时间序列，通过arima模型预测工程机械设备在预测时间段对应的未来液压油含水量时间序列；根据所述未来液压油含水量时间序列和历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在预测时间段的液压油寿命预测结果。如此，基于液压油含水量时间序列和工况数据，通过arima模型和机器学习模型对工程机械设备的液压油寿命进行预测，能够准确预测液压油寿命，且稳定性和可靠性高。
附图说明
59.图1为本发明实施例提供的液压油寿命预测方法的流程示意图一；
60.图2为本发明实施例提供的液压油寿命预测装置的结构示意图；
61.图3为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
62.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
63.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本技术不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
64.应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在
……
时"或"当
……
时"或"响应于确定"。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数
形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
65.应该理解的是，虽然本技术实施例中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，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
66.需要说明的是，在本文中，采用了诸如s1、s2等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行s2后执行s1等，但这些均应在本技术的保护范围之内。
67.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
68.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本技术的说明，其本身没有特定的意义。因此，“模块”、“部件”或者“单元”可以混合地使用。
69.参阅图2，为本技术实施例提供的一种液压油寿命预测方法，该液压油寿命预测方法可以由本技术实施例提供的一种液压油寿命预测装置来执行，该液压油寿命预测装置可以采用软件和/或硬件的方式来实现，比如服务器、电脑等计算机设备，本实施例提供的液压油寿命预测方法包括：
70.步骤s1、获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；所述目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段。
71.其中，工程机械设备可以根据实际情况需要进行设置，包括但不限于旋挖钻机、混凝土泵车、起重机等。可选地，可通过液压油含水量传感器等数据采集装置按照预设的采样时间间隔对液压油含水量进行采样，例如，采样时间间隔可以为5分钟、10分钟、20分钟和60分钟等。这里，基于采样获得的液压油含水量数据，可构建单位时间下的历史液压油含水量时间序列。可选地，液压油含水量时间序列的单位时间可以根据实际情况需要进行设置，本实施例中以液压油含水量时间序列的单位时间为天为例，即历史液压油含水量时间序列包括在目标历史时间段内每天对应的液压油含水量。若采样时间间隔的单位时间为分钟或小时，可相应将采样获得的液压油含水量数据转换为以天为单位时间的数据，比如可通过将一天内所采集的所有液压油含水量数据的平均值作为当天对应的液压油含水量。
72.可选地，工程机械设备在目标历史时间段内的历史工况数据为历史累计工况数据，包括但不限于工作时长、工作量、液压油处于高温时长、液压油处于低温时长、液压油处于中温时长等。需要说明的是，对于不同工程机械设备，对应的工况数据可不同。以工程机械设备为混凝土泵车为例，历史工况数据可包括累计泵送时长、累计泵送方量等。本实施例
中，以时间点为天为例进行说明，时间段相应可包括多天，比如几个月等。
73.可选地，根据用户手动记录的更换液压油时间，获知工程机械设备上一次更换液压油所在时间点，也可以根据液压油含水量时间序列确定工程机械设备上一次更换液压油所在时间点。在一实施方式中，所述方法还包括：根据已记录的液压油含水量时间序列，确定液压油含水量在预设时间段内至少下降了预设阈值的时间点，并将所述时间点确定为上一次更换液压油所在时间点。可以理解，一般工程机械设备的液压油含水量是不断增加的，若液压油含水量发生突变，如突然降低，则可以认为更换了工程机械设备的液压油。因此，根据已记录的液压油含水量时间序列，检测液压油含水量是否存在在预设时间段内至少下降了预设阈值的时间点，若存在，则将所述时间点确定为上一次更换液压油所在时间点。其中，预设阈值可以根据实际情况需要进行设置，比如可以为一固定值，或者相邻历史时间点对应的液压油含水量乘以固定百分比的值，或者预设时间段内液压油含水量最高值乘以固定百分比的值，在此不作具体限定。预设时间段可以根据液压油含水量时间序列对应的采样时间，即采集液压油含水量对应的时间点进行设置，比如，若液压油含水量时间序列中是以天为单位时间进行采样的，那么预设时间段可以包括两天或三天等。需要说明的是，若预设时间段包括多个时间点，且与该预设时间段内的最高液压油含水量(设最高液压油含水量对应的时间点为最高含水量时间点)相比，在该预设时间段存在有迟于最高含水量时间点的至少两个时间点对应的液压油含水量下降了预设阈值，则可以将所述至少两个时间点中液压油含水量最低的时间点确定为上一次更换液压油所在时间点。例如，假设已记录的液压油含水量时间序列包括时间点a对应的液压油含水量、时间点b对应的液压油含水量和时间点c对应的液压油含水量，若时间点b对应的液压油含水量与时间点a对应的液压油含水量之差的绝对值大于预设阈值，且时间点b晚于时间点a，则可认为在时间点b更换了液压油。如此，可实现准确判断上一次更换液压油所在时间点，进一步提高了液压油寿命预测的准确性。
74.步骤s2、根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列。
75.可以理解地，由于液压油含水量通常是随着时间变化缓慢发生变化的，即液压油含水量的变化存在一定的趋势或规律，因此，可以根据历史时间段内的液压油含水量时间序列预测未来一段时间内的液压油含水量时间序列。其中，预设时间段可以根据实际情况需要进行设置，比如可设置为3个月或5个月等。这里，预设时间段越短，通过arima模型预测的液压油含水量时间序列可能更加符合实际的液压油含水量时间序列。
76.在一实施方式中，所述根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在所述当前时间点之后的预设时间段内的未来液压油含水量时间序列，包括：
77.对所述历史液压油含水量时间序列进行平稳性检验，获得平稳性检验结果；所述平稳性检验结果包括差分阶数；
78.根据所述平稳性检验结果确定所述历史液压油含水量时间序列不平稳时，对所述历史液压油含水量时间序列进行差分处理，以获得平稳的所述历史液压油含水量时间序列；
79.对平稳的所述历史液压油含水量时间序列进行分析，并根据分析获得的自回归阶
数和移动平均阶数，结合所述差分阶数建立对应的arima模型；
80.将所述历史液压油含水量时间序列输入所述arima模型进行预测，获得所述arima模型输出的所述未来液压油含水量时间序列。
81.可选地，可使用adf检验和kpss检验等方法对所述历史液压油含水量时间序列进行平稳性检验，以获得平稳性检验结果，所述平稳性检验结果用于指示所述历史液压油含水量时间序列是否属于平稳时间序列，即所述历史液压油含水量时间序列是否平稳，并且可包括差分阶数。在根据所述平稳性检验结果确定所述历史液压油含水量时间序列属于不平稳时间序列，即所述历史液压油含水量时间序列不平稳时，说明需要将所述历史液压油含水量时间序列转化为平稳时间序列，则对所述历史液压油含水量时间序列进行差分处理，以获得平稳的所述历史液压油含水量时间序列。可选地，对平稳的所述历史液压油含水量时间序列进行分析，可以包括：建立自回归模型，根据自相关性分析，确定自回归阶数；建立移动平均模型，根据偏自相关性分析，确定移动平均阶数。这里，根据自回归阶数、差分阶数和移动平均阶数，可建立对应的arima模型，并训练arima模型。在需要预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列时，可将所述历史液压油含水量时间序列输入所述arima模型进行预测，获得所述arima模型输出的所述未来液压油含水量时间序列。如此，通过arima模型能够准确且快速预测工程机械设备的未来液压油含水量时间序列，进一步提高了对液压油寿命预测的准确性和速度。
82.在一实施方式中，所述对所述历史液压油含水量时间序列进行平稳性检验，获得平稳性检验结果之前，还包括：
83.对所述历史液压油含水量时间序列进行预处理，所述预处理包括以下至少一种：异常值剔除、缺失值填补和平滑处理。
84.可选地，通过数据预处理技术，对液压油含水量时间序列进行异常值剔除、缺失值填补和平滑处理等操作，可以消除液压油含水量时间序列中的噪声和异常点，提高数据质量和可靠性，进一步提高了对液压油寿命预测的准确性。
85.步骤s3、根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果。
86.具体地，将所述未来液压油含水量时间序列和所述历史工况数据作为机器学习模型的输入变量，以通过机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果。
87.可选地，机器学习模型可以是基于支持向量机、神经网络等机器学习算法建立的，在此不作具体限定。在所述预测时间段包括至少一预测时间点时，可以对每个预测时间点的液压油寿命进行预测，也可以只对采样的预测时间点的液压油寿命进行预测。也就是说，所述预测时间段的液压油寿命预测结果可以为至少一预测时间点的液压油寿命预测结果。例如，在所述预测时间段为6月1日至10月31日，即所述未来液压油含水量时间序列包括预测的6月1日至10月31日每天对应的液压油含水量时，若需要对10月1日的液压油寿命进行预测，则可将预测的10月1日的液压油含水量以及所述历史工况数据输入机器学习模型，以获得机器学习模型输出的10月1日的液压油寿命预测结果。若需要对9月份的液压油寿命进行预测，则可将预测的9月1日至9月30日的液压油含水量序列以及所述历史工况数据输入机器学习模型，以获得机器学习模型输出的10月份的液压油寿命预测结果。
88.可选地，液压油寿命预测结果可具体包括是否需要更换液压油、以及对应需要更换液压油的时间点、距离当前时间点的时长等信息。例如，在所述预测时间段为6月1日至6月30日时，可对6月1日至6月30日内每天的液压油寿命进行预测，进而获得在所述预测时间段的液压油寿命预测结果，比如是否需要更换液压油，以及在更换液压油时具体需要在哪天更换等。可选地，在根据液压油寿命预测结果确定需要更换液压油时，可输出提示消息，以方便用户及时采取维护和更换液压油的措施，进一步提高工程机械设备的安全性和延长使用寿命。
89.在一实施方式中，所述根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果，包括：
90.从所述预测时间段中确定目标预测时间点；
91.根据所述未来液压油含水量时间序列，获取所述目标预测时间点对应的液压油含水量；
92.将所述目标预测时间点对应的液压油含水量和所述历史工况数据输入预先训练的机器学习模型，获得所述机器学习模型输出的在所述目标预测时间点对应的液压油寿命预测结果；所述液压油寿命预测结果用于指示是否需要更换液压油。
93.可选地，目标预测时间点可以为对所述预测时间段进行采样获得的，具体的采样方式可以为二分法、以固定时长进行采样等。在确定目标预测时间点后，可获取所述目标预测时间点对应的液压油含水量，进而将所述目标预测时间点对应的液压油含水量和所述历史工况数据输入预先训练的机器学习模型，获得所述机器学习模型输出的在所述目标预测时间点对应的液压油寿命预测结果，即在所述目标预测时间点是否需要更换液压油。
94.在一实施方式中，所述从所述预测时间段中确定目标预测时间点，包括：
95.将所述预测时间段中的最早预测时间点定义为开始时间，最晚预测时间点定义为结束时间，开始时间至结束时间的时间段为初始查找区间；
96.取所述查找区间的中间时间点作为初始目标预测时间点；
97.所述方法还包括：
98.根据当前的所述目标预测时间点对应的液压油寿命预测结果，基于二分法调整所述查找区间的开始时间和/或结束时间，并根据调整后的所述查找区间更新所述目标预测时间点，直至完成在所述预测时间段的液压油寿命预测。
99.可选地，可以按照所述预测时间段中各预测时间点的先后顺序，将所述预测时间段中的最早预测时间点定义为开始时间，最晚预测时间点定义为结束时间，并将开始时间至结束时间的时间段定义为初始查找区间，然后取所述查找区间的中间时间点作为初始目标预测时间点，进而获取在所述目标预测时间点对应的液压油寿命预测结果。若根据在所述目标预测时间点对应的液压油寿命预测结果，确定在所述目标预测时间点需要更换液压油，说明可能在所述目标预测时间点之前的某个时间点就需要更换液压油，则将所述查找区间的中间时间点作为调整后的所述查找区间的结束时间，即将最早预测时间点至所述目标预测时间点的时间段定义为调整后的所述查找区间，并将调整后的所述查找区间的中间时间点作为更新后的所述目标预测时间点，进而继续获取更新后的所述目标预测时间点对应的液压油寿命预测结果；若根据在所述目标预测时间点对应的液压油寿命预测结果，确
定在所述目标预测时间点不需要更换液压油，说明可能在所述目标预测时间点之后才需要更换液压油，则将所述查找区间的中间时间点作为调整后的所述查找区间的开始时间，即将所述目标预测时间点至最晚预测时间点的时间段定义为调整后的所述查找区间，并将调整后的所述查找区间的中间时间点作为更新后的所述目标预测时间点，进而继续获取更新后的所述目标预测时间点对应的液压油寿命预测结果；如此循环，直至完成在所述预测时间段的液压油寿命预测。
100.需要说明的是，当所述预测时间段中包含的预测时间点的数量为奇数或偶数，可以选择位置靠近中间的任一预测时间点作为所述预测时间段的中间时间点。例如，在所述预测时间段为6月1日至6月30日且预测时间点的单位时间为天时，可以先将6月1日定义为开始时间，6月30日定义为结束时间，以获得初始查找区间，记为[6.1，6.30]，并将所述查找区间的中间时间点6月15日作为初始目标预测时间点。若根据机器学习模型对6月15日的液压油寿命预测结果确定需要更换液压油时，则将查找区间调整为[6.1，6.15]，并将调整后的所述查找区间的中间时间点6月8日作为更新后的目标预测时间点，进而继续获取对6月8日的液压油寿命预测结果。若根据机器学习模型对6月15日的液压油寿命预测结果确定不需要更换液压油时，则将查找区间调整为[6.15，6.30]，并将调整后的所述查找区间的中间时间点6月23日作为更新后的目标预测时间点，进而继续获取对6月23日的液压油寿命预测结果。如此循环操作，直至完成对所述预测时间段的液压油寿命预测。如此，结合二分法对工程机械设备的液压油寿命进行预测，能够减少在不同时间点对液压油寿命进行预测的次数，提高了预测效率。
[0101]
综上，上述实施例提供的液压油寿命预测方法中，基于液压油含水量时间序列和工况数据，通过arima模型和机器学习模型对工程机械设备的液压油寿命进行预测，能够准确预测液压油寿命，且稳定性和可靠性高。
[0102]
在一实施方式中，所述机器学习模型通过下述方式训练得到：
[0103]
获取在预设历史时间段的训练样本以及已标注液压油寿命信息的样本标签，所述训练样本包括所述arima模型预测的预设历史时间段的样本液压油含水量时间序列和对应的样本工况数据；
[0104]
通过初始的机器学习模型对所述样本液压油含水量时间序列和所述样本工况数据进行预测处理，得到样本预测结果；所述样本预测结果包括在预设历史时间段的液压油寿命预测结果；
[0105]
基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
[0106]
可选地，所述预设历史时间段可以根据实际情况需要进行设置，比如可以为一个月或3个月等。在获取训练样本以及已标注液压油寿命信息的样本标签后，可将所述样本液压油含水量时间序列和所述样本工况数据输入初始的机器学习模型进行预测处理，进而基于获得的样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。其中，所述满足训练条件可以根据实际情况需要进行设置，比如可以为机器学习模型的预测误差小于预设误差阈值等。如此，可实现快速训练机器学习模型，且确保机器学习模型的预测准确度。
[0107]
基于前述实施例相同的发明构思，下面通过一具体应用场景对上述实施例提供的
液压油寿命预测方法进行说明，本实施例中以工程机械设备为混凝土泵车，历史工况数据包括累计泵送时长和累计泵送方量，上一次更换液压油所在时间点为1月1日，当前时间点为7月1日，预测时间段为7月2日至10月31日为例。
[0108]
首先，获取工程机械设备在1月1日至7月1日的历史液压油含水量时间序列以及从1月1日至7月1日的累计泵送时长和累计泵送方量。
[0109]
接着，根据历史液压油含水量时间序列，通过arima模型预测混凝土泵车在7月2日至10月31日对应的液压油含水量时间序列。
[0110]
接着，将7月2日至7月31日对应的液压油含水量时间序列和从1月1日至7月1日的累计泵送时长和累计泵送方量输入机器学习模型，获得机器学习模型对7月份的液压油寿命预测结果；将8月1日至8月31日对应的液压油含水量时间序列和从1月1日至7月1日的累计泵送时长和累计泵送方量输入机器学习模型，获得机器学习模型对8月份的液压油寿命预测结果；将9月1日至8月30日对应的液压油含水量时间序列和从1月1日至7月1日的累计泵送时长和累计泵送方量输入机器学习模型，获得机器学习模型对9月份的液压油寿命预测结果；以及，将10月1日至10月31日对应的液压油含水量时间序列和从1月1日至7月1日的累计泵送时长和累计泵送方量输入机器学习模型，获得机器学习模型对10月份的液压油寿命预测结果。
[0111]
接着，若根据10月份的液压油寿命预测结果确定需要更换液压油，而根据7月份、8月份和9月份的液压油寿命预测结果确定不需要更换液压油，则可将从10月1日至10月31日每天分别对应的液压油含水量以及累计泵送时长和累计泵送方量输入机器学习模型，获得机器学习模型对10月份每天的液压油寿命预测结果，然后根据10月份每天的液压油寿命预测结果，将液压油寿命预测结果显示需要更换液压油对应的最早时间确定为需要更换液压油的时间，并输出对应的提示消息。
[0112]
基于前述实施例相同的发明构思，下面通过一具体示例对前述实施例进行详细说明。
[0113]
现有相关技术中，基于经验模型的液压油寿命预测方法主要是通过分析液压油的使用情况和维护记录，结合经验模型和统计学方法，预测液压油的使用寿命，该方法简单易用，但预测结果的准确性和可靠性有限。基于物理模型的液压油寿命预测方法主要是通过分析液压系统的工作状态和液压油的性质，建立液压油的物理模型，预测液压油的使用寿命，但该方法需要较高的专业知识和技能。基于机器学习的液压油寿命预测方法主要是通过对大量历史数据进行分析，以液压油的使用寿命为预测目标，但该方法的预测结果的准确性和可靠性有限。
[0114]
针对上述问题，本实施例提供了一种液压油寿命预测方法，主要包括以下过程：
[0115]
(1)通过安装液压油含水量传感器进行数据采集，建立液压油含水量时间序列，并记录液压油更换时间和工作负载情况等工况数据的相关信息。
[0116]
(2)采用数据清理和处理技术，对液压油含水量时间序列进行异常值剔除、缺失值填补和平滑处理等操作，以消除数据集中的噪声和异常点，提高数据质量和可靠性。
[0117]
(3)根据液压油含水量的变化规律和影响因素，选择合适的特征提取方法，提取液压油含水量时间序列中的特征信息，如均值、方差、趋势、周期性等，用于建立液压油寿命预测模型。
[0118]
(4)采用时间序列分析和机器学习等方法，建立液压油寿命预测模型，包括arima模型和支持向量机模型。其中，时间序列分析采用arima模型，机器学习可以采用支持向量机。在模型建立过程中，需要根据实际情况选择合适的预测模型和参数，并进行模型优化和验证。通过arima模型与支持向量机进行级联预测，将arima模型的预测结果作为支持向量机的输入，得到最终的预测结果。具体步骤如下：
[0119]
1)检验数据的平稳性：使用adf检验和kpss检验等方法对液压油含水量时间序列数据进行检验，以确定是否需要进行差分处理。
[0120]
2)确定arima模型的参数：使用acf和pacf等方法对差分后的液压油含水量时间序列数据进行分析，确定arima模型的自回归阶数p、差分阶数d、移动平均阶数q。
[0121]
3)构建arima模型：根据确定的arima模型的上述参数，建立arima模型，并使用历史数据进行拟合和预测。
[0122]
4)选择核函数：根据实际情况为支持向量机选择合适的核函数，如线性核函数、高斯核函数等。
[0123]
5)确定支持向量机的参数：使用交叉验证等方法，通过调整支持向量机的参数，以获得最佳的预测效果。
[0124]
6)构建支持向量机模型：根据确定的核函数和参数，建立支持向量机模型，并使用历史数据(arime模型的输出结果及实际校正后的结果作为输入)进行拟合和预测。
[0125]
(5)利用建立的液压油寿命预测模型，通过输入当前的液压油含水量时间序列和工作负载情况等工况数据，可以预测液压油寿命和更换时间。同时，通过与实际情况进行比较和验证，对上述模型进行修正和更新，提高预测的准确性和可靠性。
[0126]
综上，上述实施例提供的液压油寿命预测方法中，需要对液压油含水量数据进行采集和处理，将数据存储到数据库中，并与施工过程的工况数据进行集成分析；数据采集和处理技术需要具备高效、精准、可靠的特点，确保数据的准确性和完整性；需要对液压油含水量序列进行分析和挖掘，以便预测液压油使用寿命；序列分析和挖掘技术需要具备高效、准确、可解释性的特点，能够从大量的数据中提取有用的信息，并对数据进行建模和预测；需要提供液压油使用寿命的预测及预警服务，以便及时采取维护和更换液压油的措施；预测及预警服务技术需要具备高效、实时、可靠的特点，能够根据实际情况提供准确的预测和预警信息，帮助用户做出及时的决策。也就是说，上述实施例提供的液压油寿命预测方法中，由于arima模型和支持向量机都是经典的时间序列分析方法和机器学习算法，可以利用含水量及工况的历史数据和相关变量进行建模和预测，从而实现高准确性的预测结果；同时，arima模型和支持向量机都是基于统计学和机器学习的方法，具有较高的稳定性和可靠性，可以对不同类型和规模的数据进行建模和预测。
[0127]
基于前述实施例相同的发明构思，参阅图2，本技术实施例提供了一种液压油寿命预测装置，包括：
[0128]
获取模块，用于获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；所述目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段；
[0129]
处理模块，用于根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列；
[0130]
预测模块，用于根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果。
[0131]
综上，上述实施例提供的液压油寿命预测装置中，基于液压油含水量时间序列和工况数据，通过arima模型和机器学习模型对工程机械设备的液压油寿命进行预测，能够准确预测液压油寿命，且稳定性和可靠性高。
[0132]
在一实施方式中，所述处理模块，具体用于：
[0133]
对所述历史液压油含水量时间序列进行平稳性检验，获得平稳性检验结果；所述平稳性检验结果包括差分阶数；
[0134]
根据所述平稳性检验结果确定所述历史液压油含水量时间序列不平稳时，对所述历史液压油含水量时间序列进行差分处理，以获得平稳的所述历史液压油含水量时间序列；
[0135]
对平稳的所述历史液压油含水量时间序列进行分析，并根据分析获得的自回归阶数和移动平均阶数，结合所述差分阶数建立对应的arima模型；
[0136]
将所述历史液压油含水量时间序列输入所述arima模型进行预测，获得所述arima模型输出的所述未来液压油含水量时间序列。
[0137]
在一实施方式中，所述处理模块，还用于对所述历史液压油含水量时间序列进行预处理，所述预处理包括以下至少一种：异常值剔除、缺失值填补和平滑处理。
[0138]
在一实施方式中，所述机器学习模型通过下述方式训练得到：
[0139]
获取在预设历史时间段的训练样本以及已标注液压油寿命信息的样本标签，所述训练样本包括所述arima模型预测的预设历史时间段的样本液压油含水量时间序列和对应的样本工况数据；
[0140]
通过初始的机器学习模型对所述样本液压油含水量时间序列和所述样本工况数据进行预测处理，得到样本预测结果；所述样本预测结果包括在预设历史时间段的液压油寿命预测结果；
[0141]
基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。
[0142]
在一实施方式中，所述预测模块，具体用于：
[0143]
从所述预测时间段中确定目标预测时间点；
[0144]
根据所述未来液压油含水量时间序列，获取所述目标预测时间点对应的液压油含水量；
[0145]
将所述目标预测时间点对应的液压油含水量和所述历史工况数据输入预先训练的机器学习模型，获得所述机器学习模型输出的在所述目标预测时间点对应的液压油寿命预测结果；所述液压油寿命预测结果用于指示是否需要更换液压油。
[0146]
在一实施方式中，所述预测模块，具体用于：
[0147]
将所述预测时间段中的最早预测时间点定义为开始时间，最晚预测时间点定义为结束时间，开始时间至结束时间的时间段为初始查找区间；
[0148]
取所述查找区间的中间时间点作为初始目标预测时间点；
[0149]
所述预测模块，还用于：
[0150]
根据当前的所述目标预测时间点对应的液压油寿命预测结果，基于二分法调整所述查找区间的开始时间和/或结束时间，并根据调整后的所述查找区间更新所述目标预测时间点，直至完成在所述预测时间段的液压油寿命预测。
[0151]
在一实施方式中，所述获取模块，还用于根据已记录的液压油含水量时间序列，确定液压油含水量在预设时间段内至少下降了预设阈值的时间点，并将所述时间点确定为上一次更换液压油所在时间点。
[0152]
关于液压油寿命预测装置的具体限定可以参见上文中对于液压油寿命预测方法的限定，在此不再赘述。上述液压油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。
[0153]
基于前述实施例相同的发明构思，本发明实施例提供了一种计算机设备，如图3所示，该计算机设备包括：处理器310和存储有计算机程序的存储器311；其中，图3中示意的处理器310并非用于指代处理器310的个数为一个，而是仅用于指代处理器310相对其他器件的位置关系，在实际应用中，处理器310的个数可以为一个或多个；同样，图3中示意的存储器311也是同样的含义，即仅用于指代存储器311相对其他器件的位置关系，在实际应用中，存储器311的个数可以为一个或多个。在所述处理器310运行所述计算机程序时，实现上述液压油寿命预测方法。
[0154]
该计算机设备还可包括：至少一个网络接口312。该计算机设备中的各个组件通过总线系统313耦合在一起。可理解，总线系统313用于实现这些组件之间的连接通信。总线系统313除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统313。
[0155]
其中，存储器311可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本发明实施例描述的存
储器311旨在包括但不限于这些和任意其它适合类型的存储器。
[0156]
本发明实施例中的存储器311用于存储各种类型的数据以支持该计算机设备的操作。这些数据的示例包括：用于在该计算机设备上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器、浏览器等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
[0157]
基于前述实施例相同的发明构思，本实施例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中存储有计算机程序，计算机可读存储介质可以是磁性随机存取存储器(fram，ferromagnetic random access memory)、只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机可读存储介质中存储的计算机程序被处理器运行时，实现上述液压油寿命预测方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。
[0158]
以上所述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。
[0159]
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
[0160]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种液压油寿命预测方法，其特征在于，包括：获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；所述目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段；根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列；根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列，包括：对所述历史液压油含水量时间序列进行平稳性检验，获得平稳性检验结果；所述平稳性检验结果包括差分阶数；根据所述平稳性检验结果确定所述历史液压油含水量时间序列不平稳时，对所述历史液压油含水量时间序列进行差分处理，以获得平稳的所述历史液压油含水量时间序列；对平稳的所述历史液压油含水量时间序列进行分析，并根据分析获得的自回归阶数和移动平均阶数，结合所述差分阶数建立对应的arima模型；将所述历史液压油含水量时间序列输入所述arima模型进行预测，获得所述arima模型输出的所述未来液压油含水量时间序列。3.根据权利要求2所述的方法，其特征在于，所述对所述历史液压油含水量时间序列进行平稳性检验，获得平稳性检验结果之前，还包括：对所述历史液压油含水量时间序列进行预处理，所述预处理包括以下至少一种：异常值剔除、缺失值填补和平滑处理。4.根据权利要求1所述的方法，其特征在于，所述机器学习模型通过下述方式训练得到：获取在预设历史时间段的训练样本以及已标注液压油寿命信息的样本标签，所述训练样本包括所述arima模型预测的预设历史时间段的样本液压油含水量时间序列和对应的样本工况数据；通过初始的机器学习模型对所述样本液压油含水量时间序列和所述样本工况数据进行预测处理，得到样本预测结果；所述样本预测结果包括在预设历史时间段的液压油寿命预测结果；基于所述样本预测结果与所述样本标签之间的差异，调整所述初始的机器学习模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的机器学习模型。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果，包括：从所述预测时间段中确定目标预测时间点；根据所述未来液压油含水量时间序列，获取所述目标预测时间点对应的液压油含水量；
将所述目标预测时间点对应的液压油含水量和所述历史工况数据输入预先训练的机器学习模型，获得所述机器学习模型输出的在所述目标预测时间点对应的液压油寿命预测结果；所述液压油寿命预测结果用于指示是否需要更换液压油。6.根据权利要求5所述的方法，其特征在于，所述从所述预测时间段中确定目标预测时间点，包括：将所述预测时间段中的最早预测时间点定义为开始时间，最晚预测时间点定义为结束时间，开始时间至结束时间的时间段为初始查找区间；取所述查找区间的中间时间点作为初始目标预测时间点；所述方法还包括：根据当前的所述目标预测时间点对应的液压油寿命预测结果，基于二分法调整所述查找区间的开始时间和/或结束时间，并根据调整后的所述查找区间更新所述目标预测时间点，直至完成在所述预测时间段的液压油寿命预测。7.根据权利要求1所述的方法，其特征在于，还包括：根据已记录的液压油含水量时间序列，确定液压油含水量在预设时间段内至少下降了预设阈值的时间点，并将所述时间点确定为上一次更换液压油所在时间点。8.一种液压油寿命预测装置，其特征在于，所述装置包括：获取模块，用于获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；所述目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段；处理模块，用于根据所述历史液压油含水量时间序列，通过arima模型预测所述工程机械设备在预测时间段对应的未来液压油含水量时间序列；预测模块，用于根据所述未来液压油含水量时间序列和所述历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在所述预测时间段的液压油寿命预测结果。9.一种计算机设备，其特征在于，包括：处理器和存储有计算机程序的存储器，在所述处理器运行所述计算机程序时，实现权利要求1至7中任一项所述的液压油寿命预测方法的步骤。10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的液压油寿命预测方法的步骤。

技术总结
本申请公开了一种液压油寿命预测方法、装置、计算机设备及可读存储介质，包括：获取工程机械设备在目标历史时间段内的历史液压油含水量时间序列以及历史工况数据；目标历史时间段为从上一次更换液压油所在时间点至当前时间点对应的时间段；根据历史液压油含水量时间序列，通过ARIMA模型预测工程机械设备在预测时间段对应的未来液压油含水量时间序列；根据所述未来液压油含水量时间序列和历史工况数据，通过预先训练的机器学习模型进行液压油寿命预测，获得在预测时间段的液压油寿命预测结果。如此，基于液压油含水量时间序列和工况数据，通过ARIMA模型和机器学习模型对工程机械设备的液压油寿命进行预测，能够准确预测液压油寿命，且稳定性和可靠性高。且稳定性和可靠性高。且稳定性和可靠性高。


技术研发人员：黄忠睿 周志忠 黄跃峰 易鑫睿 宦瑞坤
受保护的技术使用者：中科云谷科技有限公司
技术研发日：2023.06.29
技术公布日：2023/9/20