CN109120451A - 基于物联网的设备评估方法、设备及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种基于物联网的设备评估方法、设备及计算机可读存储介质，该方法包括：当获取到待评估设备在第一预设时长内的告警事件和运行数据后，根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值；根据预设的预测模型和所述运行数据，预测第二预设时长内所述待评估设备的预测运行数据；将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值；将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出。实现了不仅能根据设备已经发生的运行数据和告警事件评估设备的健康状态，还能对设备将要发生的故障进行预测，综合地可预测性地评估设备的健康程度。

Description

基于物联网的设备评估方法、设备及计算机可读存储介质

技术领域

本发明涉及物联网技术领域，尤其涉及一种基于物联网的设备评估方法、设备及计算机可读存储介质。

背景技术

目前设备健康状态评估最典型的方法是利用故障树分析法(Fault TreeAnalysis，简称FTA)建立故障树分析数据库，根据设备厂商提供的设备运行数据、行业标准、国家标准或者运维人员实际工作经验设置运行数据预警阈值库、告警阈值库、告警权重库等数据库，再通过将设备的实际告警数据和运行参数与这些数据库进行比较分析，计算出设备的健康程度。但是这些告警数据或运行数据均是已经发生的数据，依据这些数据只能了解设备已发生的故障问题，无法可预测性地反映设备的运行情况。

发明内容

本发明的主要目的在于提供一种基于物联网的设备评估方法、设备及计算机可读存储介质，旨在解决现有的评估设备健康状态的方法依据已发生的运行数据进行评估只能了解设备已发生的故障问题，无法可预测性地反映设备运行情况的问题。

为实现上述目的，本发明提供一种基于物联网的设备评估方法，所述基于物联网的设备评估方法包括步骤：

当获取到待评估设备在第一预设时长内的告警事件和运行数据后，根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值；

根据预设的预测模型和所述运行数据，预测第二预设时长内所述待评估设备的预测运行数据；

将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值；

将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出。

优选地，所述基于物联网的设备评估方法还包括步骤：

当检测到更新所述告警分值的分值更新指令后，根据所述分值更新指令获取第三预设时长内所述待评估设备的告警事件以及所述告警事件对应的告警频率和告警时长；

当确定每个告警事件所属的告警类型后，分别对每个告警类型的所有告警事件的所述告警频率和所述告警时长进行聚类分析，得到每个告警类型中，以所述告警频率和所述告警时长为分类标准的子分类以及每个子分类对应的权重值；

根据每个告警类型的预设初始分值和所述每个子分类对应的权重值，更新每个告警类型的每个子分类的告警分值。

优选地，所述基于物联网的设备评估方法还包括步骤：

当检测到预测模型更新指令后，根据所述预测模型更新指令获取第四预设时长内所述待评估设备的所有运行数据作为第一训练数据；

运用第一预设算法训练所述第一训练数据，以更新所述预测模型。

优选地，所述基于物联网的设备评估方法还包括步骤：

当检测到更新所述预警阈值的阈值更新指令后，根据所述阈值更新指令获取第五预设时长内所述待评估设备的运行数据作为预测数据；

根据预设的时间差预测模型和所述预测数据更新所述预警阈值。

优选地，所述基于物联网的设备评估方法还包括步骤：

当检测到时间差预测模型更新指令后，根据所述时间差预测模型更新指令获取第六预设时长内所述待评估设备的运行数据作为第二训练数据；

运用第二预设算法训练所述第二训练数据，以更新所述时间差预测模型。

优选地，所述根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值的步骤包括：

获取每个告警事件的告警频率和告警时长；

当确定每个告警事件所属的告警类型后，根据所述告警频率和所述告警时长，对应确定所述告警事件所属的告警类型的子分类，获取所述子分类对应的告警分值作为所述告警事件的告警分值；

将每个告警事件的告警分值相加得到所述待评估设备的故障分值。

优选地，所述将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值的步骤包括：

获取每个预测运行数据对应预设的预警阈值，并判断每个预测运行数据是否超过所述预警阈值；

获取超过所述预警阈值的每个预测运行数据对应的预警分值并相加，得到所述待评估设备的运行数据分值。

优选地，所述将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出的步骤包括：

根据所述故障分值和所述运行数据分值计算所述待评估设备的综合健康指数，将所述综合健康指数作为所述待评估设备的评估结果输出。

此外，为实现上述目的，本发明还提供一种基于物联网的设备评估设备，所述基于物联网的设备评估设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于物联网的设备评估程序，所述基于物联网的设备评估程序被所述处理器执行时实现如上述的基于物联网的设备评估方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于物联网的设备评估程序，所述基于物联网的设备评估程序被处理器执行时实现如上所述的基于物联网的设备评估方法的步骤。

本发明通过根据待评估设备在第一预设时长内的告警事件和预设的告警分值计算该待评估设备的故障分值；根据预设的预测模型和该待评估设备在第一预设时长内的运行数据，预测第二预设时长内该待评估设备的预测运行数据；将该预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据该比较结果计算该待评估设备的运行数据分值；将该故障分值和该运行数据分值作为该待评估设备的评估结果输出。实现了不仅能够根据待评估设备已经发生的运行数据和告警事件评估待评估设备的健康状态，还能对待评估设备将要发生的故障进行预测，综合地可预测性地评估待评估设备的健康程度，为用户提供更加可靠的待评估设备评估结果。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明基于物联网的设备评估方法第一实施例的流程示意图；

图3为本发明基于物联网的设备评估方法第二实施例的流程示意图；

图4为本发明基于物联网的设备评估方法第三实施例的流程示意图；

图5为本发明基于物联网的设备评估方法第四实施例的流程示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

由于现有的评估设备健康状态的方法依据已发生的运行数据进行评估只能了解设备已发生的故障问题，无法可预测性地反映设备运行情况。

本发明提供一种解决方案，通过根据待评估设备在第一预设时长内的告警事件和预设的告警分值计算该待评估设备的故障分值；根据预设的预测模型和该待评估设备在第一预设时长内的运行数据，预测第二预设时长内该待评估设备的预测运行数据；将该预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据该比较结果计算该待评估设备的运行数据分值；将该故障分值和该运行数据分值作为该待评估设备的评估结果输出。实现了不仅能够根据设备已经发生的运行数据和告警事件评估设备的健康状态，还能对设备将要发生的故障进行预测，综合地可预测性地评估设备的健康程度，为用户提供更加可靠的设备评估结果。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。

本发明实施例设备可以是服务器，也可以是终端。其中终端可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。在本发明各个实施例中，为了便于描述，以评估系统为执行主体进行阐述各个实施例，评估系统可设置在服务器中，也可设置在终端中。

如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。

本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于物联网的设备评估程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于物联网的设备评估程序，并执行以下操作：

当获取到待评估设备在第一预设时长内的告警事件和运行数据后，根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值；

根据预设的预测模型和所述运行数据，预测第二预设时长内所述待评估设备的预测运行数据；

将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值；

将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出。

进一步地，处理器1001可以调用存储器1005中存储的基于物联网的设备评估程序，还执行以下操作：

当检测到更新所述告警分值的分值更新指令后，根据所述分值更新指令获取第三预设时长内所述待评估设备的告警事件以及所述告警事件对应的告警频率和告警时长；

当确定每个告警事件所属的告警类型后，分别对每个告警类型的所有告警事件的所述告警频率和所述告警时长进行聚类分析，得到每个告警类型中，以所述告警频率和所述告警时长为分类标准的子分类以及每个子分类对应的权重值；

根据每个告警类型的预设初始分值和所述每个子分类对应的权重值，更新每个告警类型的每个子分类的告警分值。

进一步地，处理器1001可以调用存储器1005中存储的基于物联网的设备评估程序，还执行以下操作：

当检测到预测模型更新指令后，根据所述预测模型更新指令获取第四预设时长内所述待评估设备的所有运行数据作为第一训练数据；

运用第一预设算法训练所述第一训练数据，以更新所述预测模型。

进一步地，处理器1001可以调用存储器1005中存储的网络操作控制应用程序，还执行以下操作：

当检测到更新所述预警阈值的阈值更新指令后，根据所述阈值更新指令获取第五预设时长内所述待评估设备的运行数据作为预测数据；

根据预设的时间差预测模型和所述预测数据更新所述预警阈值。

进一步地，处理器1001可以调用存储器1005中存储的基于物联网的设备评估程序，还执行以下操作：

当检测到时间差预测模型更新指令后，根据所述时间差预测模型更新指令获取第六预设时长内所述待评估设备的运行数据作为第二训练数据；

运用第二预设算法训练所述第二训练数据，以更新所述时间差预测模型。

进一步地，根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值的步骤还包括：

获取每个告警事件的告警频率和告警时长；

当确定每个告警事件所属的告警类型后，根据所述告警频率和所述告警时长，对应确定所述告警事件所属的告警类型的子分类，获取所述子分类对应的告警分值作为所述告警事件的告警分值；

将每个告警事件的告警分值相加得到所述待评估设备的故障分值。

进一步地，将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值的步骤还包括：

获取每个预测运行数据对应预设的预警阈值，并判断每个预测运行数据是否超过所述预警阈值；

获取超过所述预警阈值的每个预测运行数据对应的预警分值并相加，得到所述待评估设备的运行数据分值。

进一步地，将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出的步骤还包括：

根据所述故障分值和所述运行数据分值计算所述待评估设备的综合健康指数，将所述综合健康指数作为所述待评估设备的评估结果输出。

参照图2，本发明基于物联网的设备评估方法第一实施例提供一种基于物联网的设备评估方法，所述基于物联网的设备评估方法包括：

步骤S10，当获取到待评估设备在第一预设时长内的告警事件和运行数据后，根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值。

评估系统可以同时对多个设备的健康状态进行评估，为了方便描述，以下各实施例中提到的待评估设备均指某个具体的设备。

评估系统用户可以根据实际需要，在评估系统中设置定时自动评估待评估设备的定时任务，例如可以设置为每隔一个月、每隔一个星期或者每隔一天对待评估设备进行评估，评估系统中的该定时任务在到达评估时间时自动生成评估指令，评估系统检测到该评估指令后，根据该评估指令对该待评估设备的健康状态进行评估。用户也可以在需要查看待评估设备健康状况时，随时通过评估系统所在终端或者服务器触发评估该待评估设备健康状态的评估指令。

当评估系统检测到评估待评估设备健康状态的评估指令后，根据该评估指令从设备运行数据库中获取该待评估设备在第一预设时长内的所有告警事件和运行数据。其中，第一预设时长可以根据用户需要进行设置，如设置为最近一天，或者最近一周等，以下各实施例中的第二、第三、第四、第五和第六预设时长与该第一预设时长互相均无关联，即第一、第二、第三、第四、第五和第六预设时长互相可以相等也可以不等。需要说明的是，待评估设备的运行数据及告警事件均在该待评估设备运行过程中实时上传至设备运行数据库，并按照上传时间保存在该设备运行数据库中，因为是实时上传，所以上传时间即该运行数据或告警事件的发生时间。评估系统可以根据具体需要，随时从该设备运行数据库中，获取该待评估设备在某个时间点或者某一时间段内的运行数据或告警事件。运行数据是指待评估设备在运行过程中产生的反映该待评估设备运行情况的数据，例如CPU利用率，温度，电流等。评估系统中预先设置有该待评估设备的每个运行数据对应的告警阈值，如温度对应的告警阈值设置为30摄氏度。告警阈值可由用户根据待评估设备具体情况在评估系统中进行设置。当该待评估设备在运行过程中产生的运行数据超过了对应的告警阈值时，评估系统会将该运行数据作为告警数据产生一个告警事件，该告警事件对应一个告警类型，例如告警数据是35摄氏度，超过了告警阈值30摄氏度，该告警事件对应的告警类型是温度告警。评估系统在评估前，预先利用故障树分析法对待评估设备的告警逻辑进行分析得到该待评估设备的故障树，该故障树反映该待评估设备的各个告警类型之间的逻辑关系，即两个或多个告警类型结合可能产生一个新的告警类型。当评估系统对该待评估设备进行评估时，根据该故障树可以得到两个或多个告警事件的结合可能产生的告警事件。

当获取到该告警事件和运行数据后，根据该告警事件和评估系统预先设置的告警分值计算该待评估设备的故障分值。其中，故障分值越大，表示该待评估设备已经发生的故障越多，待评估设备健康状态越差。评估系统预先设置有待评估设备的告警类型对应的告警分值，即每个告警类型对应不同的告警分值，告警类型发生的概率越大或者造成的影响越大，对应的告警分值就越大。评估系统判断每个告警事件所属的告警类型后得到每个告警事件对应的告警分值，将该待评估设备在第一预设时长内所有告警事件对应的告警分值相加，得到故障分值。由于待评估设备在具体运行中，每个告警类型对该待评估设备的影响大小不是一成不变的，因此用户可以根据实际需要，在评估系统中设置定时任务对待评估设备的告警类型对应的告警分值进行更新，以适应待评估设备具体情况。

步骤S20，根据预设的预测模型和所述运行数据，预测第二预设时长内所述待评估设备的预测运行数据。

评估系统中预先设置有根据模型算法训练出的待评估设备的预测模型。该模型算法可以是LSTM(Long Short-Term Memory，长短期记忆网络)算法、BP(Error BackPropagation，误差反向传播)算法等能够通过对数据样本进行训练，预测数据的预测模型的算法。该模型算法通过训练该待评估设备已发生的一段时间内的运行数据，找到该段时间内运行数据的规律得到一个预测模型，该预测模型能够根据待评估设备最近一段时间内的运行数据，预测将要发生的一段时间内的运行数据。评估系统可将待评估设备的预测模型存放在预测模型库中。评估系统从预测模型库中获取该待评估设备的预测模型，运用该预测模型，依据上述从设备运行数据库中获取到的第一预设时长内的运行数据，预测该待评估设备在第二预设时长内的运行数据作为预测运行数据。其中，第二预设时长可以根据用户具体需要设置。

需要说明的是，为了预测模型预测运行数据的准确性，用户可以根据实际需要在评估系统中设置定期更新该预测模型。

步骤S30，将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值。

评估系统中预先设置有待评估设备的每个运行数据的预警阈值。该预警阈值可由用户根据待评估设备具体情况在评估系统中进行设置。评估系统将每个预测运行数据，与该预测运行数据对应的预警阈值进行比较，得到比较结果，根据该比较结果计算该待评估设备的运行数据分值。

进一步地，步骤S30包括：

步骤a，获取每个预测运行数据对应预设的预警阈值，并判断每个预测运行数据是否超过所述预警阈值。

评估系统在根据预测模型和第一预设时长内待评估设备的运行数据，预测到第二预设时长内待评估设备的预测运行数据后，获取每个预测运行数据对应的评估系统预设的预警阈值，判断每个预测运行数据是否超过对应的预警阈值。如一个预测运行数据是CPU利用率为80％，该预测运行数据对应的预警阈值是50％，则该预测运行数据超过了对应的预警阈值。

步骤b，获取超过所述预警阈值的每个预测运行数据对应的预警分值并相加，得到所述待评估设备的运行数据分值。

评估系统中预先设置有待评估设备的每个运行数据的预警分值。该预警分值由用户根据具体需要在评估系统中进行设置，该预警分值越大，表示对应的运行数据超过预警阈值后对待评估设备可能造成的影响越大。当预测运行数据超过对应的预警阈值时，评估系统获取该预测运行数据对应的预警分值，将所有超过对应的预警阈值的预测运行数据对应的预警分值相加，即得到待评估设备的运行数据分值。

步骤S40，将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出。

当评估系统计算待评估设备的故障分值和运行数据分值后，将该故障分值和运行数据分值作为对该待评估设备的健康状态的评估结果输出。评估系统可以将该故障分值和运行数据分值以及评估过程依据的告警事件、运行数据、预测运行数据等作为评估结果直接输出到显示设备，以供用户在该显示设备上通过该故障分值、告警时间和运行数据了解该待评估设备的健康状态，以及通过该运行数据分值和预测运行数据了解该待评估设备可能出现的故障，进而对待评估设备采取维修或维护等措施。

在本实施例中，通过根据待评估设备在第一预设时长内的告警事件和预设的告警分值计算所述该待评估设备的故障分值；根据预设的预测模型和该待评估设备在第一预设时长内的运行数据，预测第二预设时长内该待评估设备的预测运行数据；将该预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据该比较结果计算该待评估设备的运行数据分值；将该故障分值和该运行数据分值作为该待评估设备的评估结果输出。实现了不仅能够根据待评估设备已经发生的运行数据和告警事件评估待评估设备的健康状态，还能对待评估设备将要发生的故障进行预测，综合地可预测性地评估待评估设备的健康程度，为用户提供更加可靠的待评估设备评估结果。

进一步的，如图3所示，基于上述第一实施例提出本发明基于物联网的设备评估方法第二实施例。

待评估设备在具体运行过程中，可能会出现一个或多个单独造成的影响并不大的告警类型，在一段时间内频繁发生该告警类型的告警事件，从而造成一个比较严重的影响的情况，在这种情况下，若仍然不改变该告警类型的告警分值，评估该待评估设备时，计算出的故障分值将会偏低，使得评估不准确。例如待评估设备的一个温度告警，偶尔出现温度告警事件，并不会对待评估设备造成很严重的影响，但是当该评估设备频繁发生温度告警时，说明该设备可能会出现严重故障，或者已经出现故障，在这种情况下，应该提高该温度告警的告警分值，以在评估该待评估设备时，能准确反映该待评估设备的故障情况。为了实现适应每个待评估设备具体运行情况，更准确地反映待评估设备的故障情况，本实施例中，基于物联网的设备评估方法还包括：

步骤S110，当检测到更新所述告警分值的分值更新指令后，根据所述分值更新指令获取第三预设时长内所述待评估设备的告警事件以及所述告警事件对应的告警频率和告警时长。

需要说明的是，本实施例中的分值更新指令的触发过程与第一实施例中评估指令的触发过程类似，在此不再详细赘述。

当评估系统接收到该更新待评估设备的告警分值的分值更新指令后，根据该分值更新指令从设备运行数据库中获取该待评估设备在第三预设时长内的所有告警事件，以及获取每个告警事件对应的告警频率和告警时长。其中，第三预设时长可以根据用户需要进行设置。告警频率为当前告警事件的开始时间，与上一个同类型告警事件的结束时间之间的时间差。告警时长是指告警事件从开始到结束的时长，即告警事件的持续时长。

步骤S120，当确定每个告警事件所属的告警类型后，分别对每个告警类型的所有告警事件的所述告警频率和所述告警时长进行聚类分析，得到每个告警类型中，以所述告警频率和所述告警时长为分类标准的子分类以及每个子分类对应的权重值。

评估系统确定每个告警事件所属的告警类型，将每个告警事件按告警类型分类。对每个告警类型中的所有告警事件的告警频率和告警时长进行聚类分析，聚类分析的结果是得到按照告警频率和告警时长为分类标准的子分类。根据一个告警事件的告警频率和告警时长，可以判断该告警事件属于哪个告警类型的那个子分类。用每个子分类对应的告警事件的数量除以每个告警类型中所有告警事件的总数量，得到每个子分类的权重值。

需要说明的是，本实施例中的聚类分析能够将在告警时长和告警频率上共性较多的告警事件分到同一子分类，将在告警时长和告警频率上共性较少的告警事件分到不同子分类，子分类的权重越大，表示在待评估设备的最近运行过程中，告警频率和告警时长在该子分类范围内的告警事件，跟其他告警事件结合，造成了较大的影响。因此该子分类的权重值越大，在评估系统对待评估设备进行评估时，若再次发生属于该子分类的告警事件，故障分值会相应提高，引起用户的注意。

步骤S130，根据每个告警类型的预设初始分值和所述每个子分类对应的权重值，更新每个告警类型的每个子分类的告警分值。

评估系统预先设置有每个告警类型的预设初始分值，该预设初始分值由用户根据具体需要在评估系统中设置。评估系统将计算得到的子分类的权重值加一得到中间权重值，将该子分类的中间权重值与对应的告警类型的预设初始分值相乘，得到该子分类的告警分值。评估系统将每个告警类型的每个子分类的告警分值保存，并覆盖原有的告警分值，以更新每个告警类型的每个子分类的告警分值。

需要说明的是，如图3所示步骤S110、步骤S120和步骤S130在步骤S40之后，但本实施例并不限制步骤S110、步骤S120和步骤S130与第一实施例中各步骤之间的顺序，即本实施例中的步骤S110、步骤S120和步骤S130可以在步骤S10、S20、S30和S40任一步骤之前或之后执行。

在本实施例中，通过根据待评估设备具体运行情况，定期对待评估设备的告警分值进行更新，使得告警分值适应每个具体的待评估设备，提高了对待评估设备健康状态评估的准确性。

进一步的，如图4所示，基于上述第一或第二实施例，提出本发明基于物联网的设备评估方法第三实施例。

本实施例为了提高预测模型预测待评估设备运行数据的准确性，基于物联网的设备评估方法还包括：

步骤S210，当检测到预测模型更新指令后，根据所述预测模型更新指令获取第四预设时长内所述待评估设备的所有运行数据作为第一训练数据。

需要说明的是，本实施例中的预测模型更新指令的触发过程与第一实施例中评估指令的触发过程类似，在此不再详细赘述。

当评估系统接收到该预测模型更新指令后，根据该预测模型更新指令从设备运行数据库中获取该待评估设备在第四预设时长内的所有运行数据作为第一训练数据。其中，第四预设时长可以根据用户需要进行设置。

步骤S220，运用第一预设算法训练所述第一训练数据，以更新所述预测模型。

评估系统运用第一预设算法训练该第一训练数据，得到一个新的预测模型，将该预测模型保存，并覆盖评估系统原有的预测模型。其中第一预设算法与第一实施例中的模型算法可以相同，也可以不同。训练的过程与第一实施例中根据模型算法训练预测模型的过程相同，在此不再详细赘述。

需要说明的是，如图4所示步骤S210和步骤S220在步骤S40之后，但本实施例并不限制步骤S210和步骤S220与第一实施例中各步骤之间的顺序，即本实施例中的步骤S210和步骤S220可以在步骤S10、S20、S30和S40任一步骤之前或之后执行。

在本实施例中通过定期对预测待评估设备运行数据的预测模型进行更新，提高了预测运行数据的准确性，从而提高了预测待评估设备运行状态的准确性，使得用户可以更准确地根据评估结果判断是被的健康状态。

进一步的，如图5所示，基于上述第一、第二或第三实施例，提出本发明基于物联网的设备评估方法第四实施例。

由于每个待评估设备在具体运行过程中运行数据的正常范围可能因运行环境不同而不同，因此预警阈值也要根据每个待评估设备的具体运行情况而具体定期进行调整，为了适应具体待评估设备的具体运行情况，本实施例中，基于物联网的设备评估方法还包括：

步骤S310，当检测到更新所述预警阈值的阈值更新指令后，根据所述阈值更新指令获取第五预设时长内所述待评估设备的运行数据作为预测数据。

需要说明的是，本实施例中的阈值更新指令的触发过程与第一实施例中评估指令的触发过程类似，在此不再详细赘述。

当评估系统接收到更新待评估设备预警阈值的阈值更新指令后，根据该阈值更新指令从设备运行数据库中获取该待评估设备在第五预设时长内的所有运行数据作为预测数据。其中，第五预设时长可以根据用户需要进行设置。

步骤S320，根据预设的时间差预测模型和所述预测数据更新所述预警阈值。

评估系统中预设有待评估设备的时间差预测模型，待评估设备的每一种运行数据均对应一个时间差预测模型。时间差预测模型能够根据一个超过预警阈值的运行数据，预测第一次发生该运行数据对应告警事件的时间，并计算出产生该运行数据的时间，到该告警事件的发生时间之间的时间差。待评估设备的预测数据包括多种运行数据，如温度，电流等，为方便描述，以下所述的预测数据指一种运行数据，例如温度。

评估系统获取预测数据的预警阈值，并判断每个预测数据是否超过对应的预警阈值，将超过预警阈值的预测数据按照上传时间排序，以下将超过预警阈值的预测数据用预警数据来描述。通过时间差预测模型，根据最近的预警数据预测从产生该预警数据的时间到第一次发生该预警数据对应的告警事件的发生时间之间的时间差，判断该时间差是否大于预设时间差阈值，若该时间差大于预设时间阈值，则将该预警数据对应的数值作为新的预警阈值，覆盖原有的预警阈值，以更新该预设阈值。若该时间差小于预设时间差阈值，则再运用时间差预测模型对该预测数据前一时刻的预测数据对应的时间差进行预测，直到该时间差大于预设时间差阈值，将该时间差对应的预警数据作为新的预警阈值，覆盖原有的预警阈值，以更新该预设阈值。其中预设时间差阈值可以由用户根据具体需要在评估系统中进行设置。

进一步地，为了提高时间差预测模型预测的准确性，本实施例中，基于物联网的设备评估方法还包括：

步骤c，当检测到时间差预测模型更新指令后，根据所述时间差预测模型更新指令获取第六预设时长内所述待评估设备的运行数据作为第二训练数据。

需要说明的是，本实施例中的阈值更新指令的触发过程与第一实施例中评估指令的触发过程类似，在此不再详细赘述。

当评估系统接收到时间差预测模型更新指令后，根据该时间差预测模型更新指令从设备运行数据库中获取该待评估设备在第六预设时长内的所有运行数据作为第二训练数据。其中，第六预设时长可以根据用户需要进行设置。

步骤d，运用第二预设算法训练所述第二训练数据，以更新所述时间差预测模型。

第二训练数据包括多种运行数据，每种运行数据对应一个时间差预测模型，为方便描述，以下所述第二训练数据均指一种运行数据。评估系统运用第二预设算法训练该第二训练数据，得到一个新的时间差预测模型，将该时间差预测模型保存，并覆盖评估系统原有的时间差预测模型，以更新时间差预设模型。其中第二预设算法与第一实施例中的模型算法、第一预设算法可以相同，也可以不同。训练过程可以为，获取该第二训练数据对应的预警阈值，并判断该第二训练数据是否超过该预警阈值，将每个超过预警阈值的第二训练数据按上传时间即产生时间排序，以下将超过预警阈值的第二训练数据用预警数据来描述。通过该第二预设算法，找到从产生该预警数据的时间到第一次发生与之对应的告警事件的发生时间之间的时间差，与该预警数据之间的规律得到时间差预测模型。训练过程中依据的第二训练数据可以不只一组，为了提高时间差预测模型预测的准确性，可以依据多组第二训练数据来训练。

需要说明的是，如图5所示步骤S310和步骤S320在步骤S40之后，但本实施例并不限制步骤S310和步骤S320与第一实施例中各步骤之间的顺序，即本实施例中的步骤S310和步骤S320可以在步骤S10、S20、S30和S40任一步骤之前或之后执行。

本实施例中，通过定期对待评估设备的预警阈值进行更新，将预警阈值具体到每个具体的待评估设备，适应了每个具体待评估设备的运行情况。通过定期对时间差预测模型进行更新，提高时间差预测模型预测的准确性。

进一步的，基于上述第一、第二、第三或第四实施例，提出本发明基于物联网的设备评估方法第五实施例。

在本实施例中，为了提供多样化的故障分值的计算方法，步骤S10包括：

步骤e，获取每个告警事件的告警频率和告警时长。

当评估系统从待评估设备运行数据库中获取到第一预设时长内待评估设备的所有告警事件后，获取每个告警事件的告警频率和告警时长。

步骤f，当确定每个告警事件所属的告警类型后，根据所述告警频率和所述告警时长，对应确定所述告警事件所属的告警类型的子分类，获取所述子分类对应的告警分值作为所述告警事件的告警分值。

评估系统确定每个告警事件的告警类型，并根据该告警事件的告警频率和告警时长确定该告警事件所属的告警类型的子分类，获取该子分类所对应的告警分值，将该子分类的告警分值作为该告警事件的告警分值。

步骤g，将每个告警事件的告警分值相加得到所述待评估设备的故障分值。

评估系统通过上述步骤计算得到每个告警事件的告警分值，将每个告警事件的告警分值相加，即得到待评估设备的故障分值。

进一步地，为了让用户更加直观地了解待评估设备的健康状态，步骤S40包括：

步骤h，根据所述故障分值和所述运行数据分值计算所述待评估设备的综合健康指数，将所述综合健康指数作为所述待评估设备的评估结果输出。

评估系统通过上述对待评估设备在第一预设时间内的所有运行数据和告警时间进行评估的步骤，最终得到待评估设备的故障分值和运行数据分值。评估系统可以将该故障分值和该运行数据分值结合，计算出一个反应待评估设备健康程度的综合健康指数，并将该综合健康指数作为最终的评估结果输出到显示待评估设备，以供用户通过该显示待评估设备看到该综合健康指数，了解该待评估设备的健康程度。

进一步地，评估系统将该故障分值和该运行数据分值结合计算该综合健康指数的方法包括但不限于以下几种方法。一种是，故障分值和运行数据分值的总分均为100分，在计算故障分值时，将待评估设备在第一预设时间内的所有告警事件对应的告警分值相加得到故障分值，若超过100分按100分算。在计算运行数据分值时，将待评估设备超过对应预警阈值的预测运行数据对应的预警分值相加得到运行数据分值，若超过100分按100分算。用户根据实际需要在评估系统为故障分值和运行数据分值设置权重，如故障分值的权重为0.7，运行数据分值的权重为0.3。综合健康指数满分为100分，计算故障分值和运行数据分值分别乘以对应的权重的和，然后用满分减去计算所得的结果，得到待评估设备的综合健康指数，即S＝100-(a×b+c×d)，其中S表示综合健康指数，a表示故障分值，b表示故障分值对应的权重值，c表示运行数据分值，d表示运行数据分值对应的权重值。

第二种是，故障分值和运行数据分值的总分相加为100分，用户可以根据实际需要在评估系统设置故障分值和运行数据分值的总分，如故障分值总分为70分，运行数据总分为30分，在分别计算故障分值和运行分值时，超过对应的总分也按总分算。综合健康指数满分为100分，用满分减去故障分值和运行数据分值得到待评估设备的综合健康指数。

进一步地，用户可以根据具体情况，定义综合健康指数的分值所代表的含义。如定义为，当综合健康指数是0分到20分时表示待评估设备健康状态为严重故障，表明待评估设备不能运行，应立即停机检修；21分到40分时表示待评估设备健康状态为一般故障，需要尽快停机检修；41分到60分时表示待评估设备健康状态为轻微故障，表明待评估设备运行有异常，需要采取调整措施；61分到80分时表示待评估设备健康状态为健康，表明待评估设备暂不需要进行维修；81分到100分时表示待评估设备健康状态为非常健康，可以长期运行。用户可以在评估系统中设置为评估系统在输出综合健康指数时，同时将上述健康指数分数所表示的待评估设备的状态一并输出。

在本实施例中，通过将故障分值与运行数据分值结合得到待评估设备的综合健康指数，为用户提供了更直观的评估结果，使得评估系统对待评估设备健康状态的评估更加准确，更加全面。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于物联网的设备评估程序，所述基于物联网的设备评估程序被处理器执行时实现如上所述基于物联网的设备评估方法的步骤。

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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于物联网的设备评估方法，其特征在于，所述基于物联网的设备评估方法包括步骤：

当获取到待评估设备在第一预设时长内的告警事件和运行数据后，根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值；

根据预设的预测模型和所述运行数据，预测第二预设时长内所述待评估设备的预测运行数据；

将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值；

将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出。

2.如权利要求1所述基于物联网的设备评估方法，其特征在于，所述基于物联网的设备评估方法还包括步骤：

当检测到更新所述告警分值的分值更新指令后，根据所述分值更新指令获取第三预设时长内所述待评估设备的告警事件以及所述告警事件对应的告警频率和告警时长；

当确定每个告警事件所属的告警类型后，分别对每个告警类型的所有告警事件的所述告警频率和所述告警时长进行聚类分析，得到每个告警类型中，以所述告警频率和所述告警时长为分类标准的子分类以及每个子分类对应的权重值；

根据每个告警类型的预设初始分值和所述每个子分类对应的权重值，更新每个告警类型的每个子分类的告警分值。

3.如权利要求1所述基于物联网的设备评估方法，其特征在于，所述基于物联网的设备评估方法还包括步骤：

当检测到预测模型更新指令后，根据所述预测模型更新指令获取第四预设时长内所述待评估设备的所有运行数据作为第一训练数据；

运用第一预设算法训练所述第一训练数据，以更新所述预测模型。

4.如权利要求1所述基于物联网的设备评估方法，其特征在于，所述基于物联网的设备评估方法还包括步骤：

当检测到更新所述预警阈值的阈值更新指令后，根据所述阈值更新指令获取第五预设时长内所述待评估设备的运行数据作为预测数据；

根据预设的时间差预测模型和所述预测数据更新所述预警阈值。

5.如权利要求4所述基于物联网的设备评估方法，其特征在于，所述基于物联网的设备评估方法还包括步骤：

当检测到时间差预测模型更新指令后，根据所述时间差预测模型更新指令获取第六预设时长内所述待评估设备的运行数据作为第二训练数据；

运用第二预设算法训练所述第二训练数据，以更新所述时间差预测模型。

6.如权利要求1所述基于物联网的设备评估方法，其特征在于，所述根据所述告警事件和预设的告警分值计算所述待评估设备的故障分值的步骤包括：

获取每个告警事件的告警频率和告警时长；

当确定每个告警事件所属的告警类型后，根据所述告警频率和所述告警时长，对应确定所述告警事件所属的告警类型的子分类，获取所述子分类对应的告警分值作为所述告警事件的告警分值；

将每个告警事件的告警分值相加得到所述待评估设备的故障分值。

7.如权利要求1所述基于物联网的设备评估方法，其特征在于，所述将所述预测运行数据与对应预设的预警阈值进行比较得到比较结果，根据所述比较结果计算所述待评估设备的运行数据分值的步骤包括：

获取每个预测运行数据对应预设的预警阈值，并判断每个预测运行数据是否超过所述预警阈值；

获取超过所述预警阈值的每个预测运行数据对应的预警分值并相加，得到所述待评估设备的运行数据分值。

8.如权利要求1至7任一项所述基于物联网的设备评估方法，其特征在于，所述将所述故障分值和所述运行数据分值作为所述待评估设备的评估结果输出的步骤包括：

根据所述故障分值和所述运行数据分值计算所述待评估设备的综合健康指数，将所述综合健康指数作为所述待评估设备的评估结果输出。

9.一种基于物联网的设备评估设备，其特征在于，所述基于物联网的设备评估设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的基于物联网的设备评估程序，所述基于物联网的设备评估程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于物联网的设备评估方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于物联网的设备评估程序，所述基于物联网的设备评估程序被处理器执行时实现如权利要求1至8中任一项所述的基于物联网的设备评估方法的步骤。