本发明涉及设备维护，具体为一种基于深度学习的设备管理方法及系统。
背景技术：
1、随着工业自动化程度的不断提高，设备的高效运行对于保证生产效率至关重要。传统的设备管理方式往往依赖于定期维护和事后维修，这种方式不仅效率低下，而且容易导致设备非计划停机。近年来，随着大数据技术和人工智能的发展，特别是深度学习技术的进步，使得通过数据分析预测设备状态成为可能。
2、但是，如专利号2023104037945，公开的一种基于深度学习的设备管理方法，该方法是通过获得设备从制造到退役报废的关键信息，完成设备全生命周期管理，但是设备全生命周期管理涉及从设备的制造、安装、使用、维护到退役报废的各个阶段。在这个过程中，设备的可靠性和可用性可能会受到多种因素的影响，导致数据不准确，不利于对设备进行精准管理，使设备无法满足预期的使用需求，降低设备的可用性和可靠性。
3、鉴于此，有必要对现有的基于深度学习的设备管理方法进行改进。
技术实现思路
1、本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过提出一种基于深度学习的设备管理方法及系统，收集设备运行数据，并通过深度学习模型预测设备的故障发生时间，进而实现预测性维护，提高设备的可用性和可靠性。
2、为实现上述目的，第一方面，本申请提供一种基于深度学习的设备管理方法，包括以下步骤：
3、采集设备运行数据；
4、对设备运行数据进行预处理，得到样本数据集；
5、利用样本数据集训练深度学习模型，所述深度学习模型能够学习设备状态的变化规律；
6、利用训练好的深度学习模型对新采集的设备运行数据进行分析，预测设备的剩余使用寿命；
7、基于预测设备的剩余使用寿命进行设备管理。
8、进一步地，设备运行数据包括传感器数据、环境数据、维护数据。
9、进一步地，对设备运行数据预处理，得到样本数据集包括：
10、对设备运行数据进行清洗、格式转换和特征提取；
11、为提取的特征添加设备老化标签，得到样本数据集，其中，所述设备老化标签包括设备良好标签、轻微老化标签和严重老化标签。
12、进一步地，将样本数据集划分为训练集、验证集和测试集；
13、其中，所述训练集用于深度学习模型，验证集用于调整深度学习模型参数，测试集用于评估深度学习模型的最终性能。
14、进一步地，所述深度学习模型包括：时域卷积神经网络层、多层注意力机制层以及网络拼接层；
15、其中，所述时域卷积神经网络层用于从带有设备老化标签的训练集中提取特征；
16、所述多层注意力机制层将提取的特征转换为对应于不同老化级别的预测结果，所述预测结果包括设备良好、轻微老化以及严重老化；
17、所述网络拼接层将所述时域卷积神经网络和所述多层注意力机制层拼接在一起，形成一个完整的深度学习模型。
18、进一步地，利用样本数据集训练深度学习模型，所述深度学习模型能够学习设备状态的变化规律，包括：
19、计算深度学习模型对训练数据的预测值；
20、使用定义的损失函数计算预测值与真实值之间的差异；
21、计算损失函数关于模型参数的梯度；
22、使用优化器根据梯度更新模型的权重。
23、进一步地，使用定义的损失函数计算预测值与真实值之间的差异，包括： 式中， n 是样本数量，是第 i 个样本的真实值，是模型对第 i 个样本的预测值，其中， 是模型对 x 的预测输出， x 是输入数据。
24、进一步地，计算损失函数关于模型参数的梯度，包括：
25、 式中，l 为损失函数，梯度表示损失函数 l 关于参数 的偏导数。
26、进一步地，使用优化器根据梯度更新模型的权重，包括：
27、 式中，是时间步 t 的梯度， 和 分别是梯度的一阶矩估计和二阶矩估计，是衰减率， α 是学习率， 是一个很小的数，是更新后的参数。
28、第二方面，本申请还提供一种基于深度学习的设备管理系统，包括
29、数据采集模块，用于采集设备运行数据；
30、数据处理模块，用于对设备运行数据进行预处理，得到样本数据集；
31、模型构建模块，用于利用样本数据集训练深度学习模型，所述深度学习模型能够学习设备状态的变化规律；
32、设备预测模块，用于利用训练好的深度学习模型对新采集的设备运行数据进行分析，预测设备的剩余使用寿命；
33、执行模块，用于基于预测设备的剩余使用寿命进行设备管理。
34、本发明的有益效果：与现有技术相比，本发明提供了一种基于深度学习的设备管理方法及系统，通过收集设备运行数据，并通过深度学习模型预测设备的故障发生时间，进而实现预测性维护，提高设备的可用性和可靠性，能够有效提升设备管理的智能化水平，减少非计划停机时间，降低维护成本，并且提高设备的整体性能。
1.一种基于深度学习的设备管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的设备管理方法，其特征在于，设备运行数据包括传感器数据、环境数据、维护数据。
3.根据权利要求1所述的一种基于深度学习的设备管理方法，其特征在于，对设备运行数据预处理，得到样本数据集包括：
4.根据权利要求1所述的一种基于深度学习的设备管理方法，其特征在于，将样本数据集划分为训练集、验证集和测试集；
5.根据权利要求4所述的一种基于深度学习的设备管理方法，其特征在于，所述深度学习模型包括：时域卷积神经网络层、多层注意力机制层以及网络拼接层；
6.根据权利要求1所述的一种基于深度学习的设备管理方法，其特征在于，利用样本数据集训练深度学习模型，所述深度学习模型能够学习设备状态的变化规律，包括：
7.根据权利要求6所述的一种基于深度学习的设备管理方法，其特征在于，使用定义的损失函数计算预测值与真实值之间的差异，包括： 式中，n 是样本数量，是第 i 个样本的真实值，是模型对第 i 个样本的预测值，其中， 是模型对 x 的预测输出，x 是输入数据。
8.根据权利要求6所述的一种基于深度学习的设备管理方法，其特征在于，计算损失函数关于模型参数的梯度，包括：
9.根据权利要求6所述的一种基于深度学习的设备管理方法，其特征在于，使用优化器根据梯度更新模型的权重，包括：
10.一种利用权利要求1-9任一项所述的一种基于深度学习的设备管理方法的管理系统，其特征在于，包括
