CN110728041A - 信息处理方法及电子设备 - Google Patents

Abstract

本申请实施例公开的一种信息处理方法及电子设备。所述信息处理方法，可包括：在目标设备进行测试时，获取所述目标设备运行要素的第一数据；利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，其中，所述第二数据为：所述第一数据之前获取的历史数据；根据所述运行状态确定所述测试的测试结果。

Description

信息处理方法及电子设备

技术领域

本发明涉及信息技术领域，尤其涉及一种信息处理方法及电子设备。

背景技术

通常为了确保工业设备在产线上的正常运行，在工业设备正式运行之前会进行测试，减少工业设备上在产线上的宕机时间，减少人力和/或物力的消耗。

但是在一情况下，若在实验设备内对设备执行测试一直实验到设备出现故障，这显然由于工业设备的造价高等问题会导致实验成本太高。

发明内容

有鉴于此，本发明实施例期望提供一种信息处理方法及电子设备。

本发明的技术方案是这样实现的：

本发明实施例第一方面提供一种信息处理方法，包括：

在目标设备进行测试时，获取所述目标设备运行要素的第一数据；

利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，其中，所述第二数据为：所述第一数据之前获取的历史数据；

根据所述运行状态确定所述测试的测试结果。

基于上述方案，所述第二数据为包含两类数据的多模态数据。

基于上述方案，所述第二数据包括：机械数据和控制数据；其中，所述机械数据包括以下至少之一：设备运行状态数据；设备运行环境数据；针对于所述目标设备的操作数据；所述目标设备制作所需物料的物料数据；所述控制数据至少包括：比例积分微分PID的控制信号的信号值。

基于上述方案，所述设备运行状态数据包括以下至少之一：

所述目标设备运行时振动的频率数据；

所述目标设备运行时运动轨迹数据；

所述目标设备运行时的运动速度数据；

所述目标设备运行时的液压数据；

所述目标运行时的声音数据；

所述设备运行环境数据包括以下至少之一：

所述目标运行时的温度数据；

所述目标设备运行的压力数据。

基于上述方案，所述基于第二数据中机械数据和控制数据，确定所述状态演化模型，包括：

基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定性模型；其中，所述定性模型，用于基于所述第一数据确定所述目标设备执行所述测试时是否存在风险；

和/或，

基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定量模型；其中，所述定量模型，用于基于所述第一数据确定所述目标设备执行所述测试的风险等级和/或风险概率值。

基于上述方案，所述利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，包括：

利用所述第一数据及所述状态演化模型，预测所述目标设备在当前时段以后所处的运行状态为健康状态、劣化状态或者失效状态。

基于上述方案，所述方法还包括：

当预测的所述运行状态为失效状态，输出停止运行的提示信息。

基于上述方案，所述方法还包括：

基于所述测试结果控制所述目标设备的运行，并获得第三数据，其中，所述第三数据为:基于所述测试结果运行时采集的所述目标设备的运行要素的数据；

基于所述第三数据，更新所述状态演化模型。

基于上述方案，所述在目标设备进行测试时，获取所述目标设备运行要素的第一数据，包括：

在目标设备进行工艺流程测试时，采集所述工艺流程测试数据；

在所述目标设备进行预定操作形式时，采集所述预定操作行为测试数据；

在所述目标设备进行预定操作习惯时，采集所述预定操作习惯测试数据。

本发明实施例第二方面提供一种电子设备，包括：

第一获取模块，用于在目标设备进行测试时，获取所述目标设备运行要素的第一数据；

预测模块，用于利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，其中，所述第二数据为：所述第一数据之前获取的历史数据；

确定模块，用于根据所述运行状态确定所述测试的测试结果。

基于上述方案，所述电子设备还包括：

第二获取模块，用于基于所述测试结果控制所述目标设备的运行，并获得第三数据，其中，所述第三数据为:基于所述测试结果运行时采集的所述目标设备的运行要素的数据；

更新模块，用于基于所述第三数据，更新所述状态演化模型。

本发明实施例提供的技术方案，在对目标设备进行测试时，会基于获取的第一数据，使用状态演化模型预测在当前时段以后目标设备的运行状态，如此，可以提前在当前时段以后会出现失效状态等导致目标设备异常或故障的状态时，如此，相对于在测试过程中观测到目标设备实际故障时才停止目标设备测试或运行导致的目标设备的损害，从而降低了目标设备的损伤，并节省了测试成本。

附图说明

图1为本申请实施例提供的一种信息处理方法的流程示意图；

图2为本申请实施例提供的另一种信息处理方法的流程示意图；

图3为本申请实施例提供的表征目标设备状态演化的状态演化示意图；

图4为本申请实施例提供的一种电子设备的结构示意图；

图5为本申请实施例提供的一种测试系统的示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。

如图1所示，本实施例提供一种信息处理方法，包括：

S110：在目标设备进行测试时，获取所述目标设备运行要素的第一数据；

S120：利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，其中，所述第二数据为：所述第一数据之前获取的历史数据；

S130：根据所述运行状态确定所述测试的测试结果。

本申请提供的信息处理方法可应用于一种能够获取到目标设备运行要素的数据之后，能够进行数据分析和处理的各种电子设备，例如，服务器、台式电脑、笔记本电脑、平板电脑、可穿戴式设备或者其他类型的各种电子设备。

在一些实施例中，所述目标设备可为各种工业设备，这些工业设备可包括：应用于生产制作过程的任意设备。在另一些实施例中，所述目标设备除了工业设备以外，还可以是其他类型的设备，例如供电网络的供电设备等提供人们生活学习的生活设备。

该工业设备可包括：在工业制作过程中，进行加工的加工设备、进行转运的转运设备、进行翻转的翻转设备、进行装配的转配设备、进行监控的监控设备、进行加工环境维护的控制设备。

所述加工设备包括但不限于各种加工机床。

所述运转设备可为运载链条等。

所述翻转设备包括但不限于机械手臂。

所述装配设备可以为进行产品不同部分组装的结构。

所述监控设备可包括：工业制作过程中对运行要素的状态进行监控的设备，例如，液压设备的液压值进行监控的监控设备等。

所述控制设备可包括：各种环境的监控设备，例如，显示生产线上老化设备，老化设备需要提供高温老化环境等。

所述目标设备的运行要素包括以下至少之一：

所述目标设备的自身；

所述目标设备的操作人员；

所述目标设备所操作的物料；

所述目标设备所运行的环境；

所述目标设备的制作方法等。

在一些实施例中可以通过采集设备通过信号采集获取到所述第一数据；在另一些实施例中，也可以直接从所述目标设备内自设存储的数据或者目标设备的控制设备中直接读取所述第一数据。

总之，所述第一数据的来源很多，此处就不在进行限定了。

在本实施例中会获取到目标设备进行测试时所产生的第一数据。

例如，获取目标设备在当前时段的第一数据，将当前时段获得第一数据输入到所述状态演化模型中，该状态演化模型为基于第二数据形成的。所述状态演化模型是能基于第二数据所产生的状态演化趋势，以所述第一数据为输入，输出当前时段以后的下一个时段目标设备的状态的。

在一些实施例中，所述第二数据和所述第一数据可包括相同种的数据。在一些实施例中，所述第二数据所包含的数据种数可比所述第一数据的种数多。

例如，所述第二数据可为所述目标设备之间运行时采集的数据，也可以是采集的与所述目标设备相同型号或相似型号的其他的设备的运行要素的数据。

在本申请实施例中，所述第一数据和所述第二数据可为多模态数据。所述多模态数据可为：文本数据、图像数据、音频数据以及多种数据的混合模态数据。

在一些实施例中，所述多模态数据可包括：

对目标设备进行的声、光、电、温度、压力及图像视频数据等；

振动信号的数据；

液压数据；

声波数据或超声波数据等。

所述多模态数据还可包括：目标设备的控制数据及操作数据。该控制数据可为目标设备的控制设备发出的数据。所述操作数据可为所述目标设备检测的用户输入的数据等。

当然，以上仅是对目标设备的运行要素的多模态数据的举例，具体实现时不局限于上述描述。

总之在本申请实施例中，为了减少在测试过程中直接利用目标设备极性测试，直到设备异常的情况下，才停止设备的测试导致的设备测试故障，进而导致的测试的成本高的问题；降低了测试的测试风险，提升了目标设备在测试的安全性，并进一步降低了目标设备的测试成本。尽可能减少在目标设备异常之后才停止测试导致的设备故障或设备报废等现象。

在本实施例的S120中利用第一数据输入到状态演化模型之后，能够预测所述目标设备在当前时段以后的运行状态，该运行状态包括：评估目标设备的健康情况的状态，或者，评估该目标设备是否有效的状态。

在S130中，可以根据该运行状态，可以得到该测试的测试结果。例如，预测在下一个时段设备将出现异常状态，则可认为该测试的测试结果可为：测试不通过，或者，测试异常等。

一方面，在本申请根据当前时段的第一数据的输入，利用状态演化模型预测当前时段以后的运行状态，而非在测试中实际观察目标设备的运行状态，如此减少在测试时因为直到目标设备异常时才停止，导致的测试成本高的特点。另一方面，在本申请实施例中所述第一数据和所述第二数据均为多模态数据，如此可以从多个模态精确的评估出所述目标设备在当前时段以后的运行状态，进而使得测试结果精确。

在一些实施例中，所述方法还可包括：

根据所述运行状态和/或所述测试结果，输出提示信息；该提示信息，可以在预测出目标设备失效的情况下，提示停止测试的信息，也可以在预测出目标设备健康的情况下，提示继续测试的信息。

所述测试可有多种测试，具体如包括但不限于：

压力测试；

新工艺测试；

新操作测试等。

以压力测试为例，通常是测试的目标设备的运行极限状态，若不利用本申请的状态演化模型进行预测，测试时就只能在目标设备具体体现出问题时，才知道目标设备的运行状态；如此会导致目标设备故障。

而在本申请实施例中，通过状态演化模型预测当前时段以后的目标设备即将进入的运行状态，如此，在测试过程中可以及时根据预测的运行状态或基于预测的运行状态确定的测试结果，执行对应目标设备的保护措施，减少压力测试在测试目标设备极限状态时，目标设备故障或报废导致的测试成本高的问题，降低了测试成本。

在一些实施中，所述第二数据为包含两类数据的多模态数据。

具体实现时，所述多模态数据可为两类或两类以上的数据。

所述第二数据包括：机械数据和控制数据；其中，所述机械数据包括以下至少之一：设备运行状态数据；设备运行环境数据；针对于所述目标设备的操作数据；所述目标设备制作所需物料的物料数据；所述控制数据至少包括：比例积分微分PID的控制信号的信号值。

在本申请实施例中所述机械数据可为目标设备的机械结构相关的数据。

所述控制数据可为控制目标设备执行对应操作的数据。

所述控制数据可为目标设备的控制设备所产生的控制信号的数据，该控制数据可包括：控制信号的类型、控制信号的信号值及控制信号的控制时序的至少其中之一。

目标设备的控制设备类型不同，则可能产生不同类型的控制信号。例如，针对比例积分微分(Proportion Integral Differential，PID)控制器，则该控制数据包括PID控制器产生的各种与目标设备的控制相关的数据。

在一些实施例中，所述目标设备的控制设备还可包括：可编程控制器或者嵌入式控制器等。这些控制器都有其各自对目标设备的控制逻辑和控制信号。

在一些实施例中，所述设备运行状态数据包括以下至少之一：

所述目标设备运行时振动的频率数据；

所述目标设备运行时运动轨迹数据；

所述目标设备运行时的运动速度数据；

所述目标设备运行时的液压数据；

所述目标运行时的声音数据。

所述振动的频率数据可包括：目标设备振动的主频值、目标设备的干扰频率值。

利用图像或视频采集目标设备的运行，确定出目标设备的运动轨迹数据。该运动轨迹数据可包括：目标设备的起始位置、终止位置及在起始位置及终止位置之间至少一个中间位置的位置数据。

所述目标运行时的声音数据包括以下至少之一：

声音的响度值；

声音的频率值。

响度值可以反映目标设备内部不同部件之间的摩擦和碰撞程度，也可以是反映设备之间的摩擦和碰撞。如果，响度值过大，则可能出现了设备或机构错位等现象。

声音的频率值表现为声音的音色，若声音不正常，可能表征出设备的可能出现了异常。

根据目标设备异常或故障是逐步演化产生的，故在本申请实施例中，基于这种逐步演化的特点而非阶跃性的特点，可以基于当前时段的第一数据，输入到状态演化模型中从而预测出下一个时段的运行状态。

运动速度数据可包括以下至少之一：

运动速率；

运动速度；

运动加速度等。

所述液压数据可包括：液压设备的给进量值。

所述设备运行环境数据包括以下至少之一：

所述目标运行时的温度数据；

所述目标设备运行的压力数据。

所述温度数据可包括：离散的某一个时刻的温度值，或者，某一段时间内温度的极值(例如，极大值和/或极小值)、温度变化趋势值或温度上升速率值或温度降低速率值等。

所述压力数据可包括：目标设备当前是否工作正常压力范围内等。

如图2所示，所述方法可包括：

S200：基于第二数据中机械数据和控制数据，确定所述状态演化模型。

在一些实施例中，所述S200可包括：

基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定性模型；其中，所述定性模型，用于基于所述第一数据确定所述目标设备执行所述测试时是否存在风险；

和/或，

基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定量模型；其中，所述定量模型，用于基于所述第一数据确定所述目标设备执行所述测试的风险等级和/或风险概率值。

得到所述状态演化模型之后，在执行如图2所示的S210至S230。此处的S210至S230与图1中所示的S110至S130相同，故此处就不再重复了。

具体如图2所示，S210可包括：在进行目标设备测试时，获取第一类数据；S220可包括：利用第一类数据及状态演化模型，预测所述目标设备当前时段以后的运行状态；S230可包括：根据运行状态确定测试的测试结果。

例如，所述定性模型可包括经验模型，所述定量模型可包括机理模型。

在本申请实施例中所述状态演化模型同时包含定性模型和定量模型时，如果需要定量分析给出定量值，则可以直接利用定量模型基于当前时段的第一数据给出当前时段以后的运行状态的定量分析。如果无需定量分析仅需要定性的概括预测时，可以利用定性模型进行更少的运算快速得到定性分析。

在还有一些场景下，若定量模型失效，例如，定量模型无法给出满足预定精确度的定量分析，或者，得到了一个异常的定量分析的结果，则至少可以利用定性模型进行定性分析，得到定性分析的结果。

在一些实施例中，S120可包括：

利用定性模型对所述第一数据进行分析，得到定性分析结果；

利用定量模型对所述第一数据进行计算，得到定性分析结果；

综合所述定性分析结果及所述定量分析结果，预测出目标设备在当前时段以后的运行状态，例如，预测出目标设备在当前时段以后的下一个时段的运行状态。

所述综合所述定性分析结果及所述定量分析结果，预测出目标设备在当前时段以后的运行状态，可包括：

确定所述定量分析结果所表征的运行状态是否与所述定性分析结果给出的运行状态一致，若一致，根据所述定量分析结果给出精确的运行状态；例如，一个运行状态下有多个子状态，而定量分析结果能够表征出在哪一个子状态。而定性分析结果表征的运行状态的粒度可能仅局限于状态级别的；而非子状态级别的。

所述综合所述定性分析结果及所述定量分析结果，预测出目标设备在当前时段以后的运行状态，可包括：

若不一致，利用定性模型和定性模型中的至少之一重新进行分析，基于重新分析的结果，再次判断两个模型输出的结果是否一致，如果一致则停止，不一致，检查所述第一数据，以确定所述第一数据中是否存在错误数据或者异常数据等，以确保最终预测的运行结果是正确的。

在一些实施例中，所述S130可包括：

利用所述第一数据及所述状态演化模型，预测所述目标设备在当前时段以后所处的运行状态为健康状态、劣化状态或者失效状态。

在一些实施例中，所述设备的运行状态至少可以分为以上三种，其中，劣化状态和失效状态都可认为是非健康状态下的状态。

在另一些实施例中，所述劣化状况可为健康状态下的正常值在降低，并向失效状态过度的状态。

在还有一些实施例中，所述目标设备的运行状态可包括：健康状态、亚健康状态、劣化状态及失效状态，这四种状态对应了目标设备的正常值一次降低。

在一些实施例中，所述方法还包括：

当预测的所述运行状态为失效状态，输出停止运行的提示信息。

为了确保在测试的过程中，目标设备的安全性，当预测到目标设备在当前时段以后即将进入到失效状态，为了减少失效状态导致的目标设备的故障和报废，会输出停止运行的提示信息。如此，测试人员可以基于该提示信息及时终止设备的运行，从而保护目标设备。

图3为一种目标设备的状态演化示意图。图3中横坐标为采集到的第一类数据，纵坐标为状态，在图3中设置了有三种状态，分别是健康状态、劣化状态及失效状态。

输出停止运行的提示信息可包括：

输出停止运行的报警灯光；

输出停止运行的报警音；

在预定设备上输出报警信息。

在一些实施例中，如图2所示，所述方法还包括：

S240：基于所述测试结果控制所述目标设备的运行，并获得第三数据，其中，所述第三数据为:基于所述测试结果运行时采集的所述目标设备的运行要素的数据；

S250：基于所述第三数据，更新所述状态演化模型。

在本申请实施例中，为了提升状态演化模型的预测精确度，会在设备基于评估实际控制目标设备运行时的第三数据。

该第三数据，用于训练或优化状态演化模型，如此，就形成了数据获取、模型预测及模型优化的闭环，可以通过逐步优化状态演化模型，可以使得状态演化模型的状态预测精确度越来越高。

在一些实施例中，初始的状态演化模型可以基于实验室数据或者从其他使用过目标设备的同类型或相似类型的运行要素的第一数据得到的。

在一些实施例中，所述S110可包括：

在目标设备进行工艺流程测试时，采集所述工艺流程测试数据；

在所述目标设备进行预定操作形式时，采集所述预定操作行为测试数据；

在所述目标设备进行预定操作习惯时，采集所述预定操作习惯测试数据。

在本申请实施例中，针对目标设备的测试包括但不限于：工艺流程测试、预定操作和预定操作习惯测试。预定操作可包括：新操作。预定操作习惯可包括：多个操作的组合的反复测试。

工艺流程测试可包括：新工艺流程测试。

此处的预定操作可包括：新操作测试；极限操作测试等。

由于目标设备可能实际运行了比较长的一段时间，故已经获取了比较多的该目标设备运行要素的第二数据，故基于模型训练或学习算法得到了所述状态演化模型。

而状态演化模型进行新工艺流程测试过程中，会预测出运行状态，减少目标设备在新工艺测试过程中导致的损伤，从而降低测试成本。与此同时，基于测试的测试结果后续控制目标设备时会产生第三数据，而此时第三数据可以用于再次训练状态演化模型或者供状态演化模型学习。

如图4所示，本实施例提供一种电子设备，包括：

第一获取模块310，用于在目标设备进行测试时，获取所述目标设备运行要素的第一数据；

预测模块320，用于利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，其中，所述第二数据为：所述第一数据之前获取的历史数据；

确定模块330，用于根据所述运行状态确定所述测试的测试结果。

在一些实施例中，所述第一获取模块310、所述预测模块120及所述确定模块130可为程序模块，该程序模块被处理器执行后，能够实现第一数据的获取、运行状态的预测及测试结果的确定。

在另一些实施例中，所述第一获取模块310、所述预测模块120及所述确定模块130可为软硬结合模块；所述软硬结合模块包括但不限于各种可编程阵列；所述可编程阵列包括但不限于：复杂可编程阵列或现场可编程阵列。

在还有一些实施例中，所述第一获取模块310、所述预测模块120及所述确定模块130可包括：纯硬件模块；所述纯硬件模块包括但不限于专用集成电路。

在一些实施例中，所述第二数据为包含两类数据的多模态数据。

在一些实施例中，所述第二数据包括：机械数据和控制数据；其中，所述机械数据包括以下至少之一：设备运行状态数据；设备运行环境数据；针对于所述目标设备的操作数据；所述目标设备制作所需物料的物料数据；所述控制数据至少包括：比例积分微分PID的控制信号的信号值。

在一些实施例中，所述设备运行状态数据包括以下至少之一：

所述目标设备运行时振动的频率数据；

所述目标设备运行时运动轨迹数据；

所述目标设备运行时的运动速度数据；

所述目标设备运行时的液压数据；

所述目标运行时的声音数据；

所述设备运行环境数据包括以下至少之一：

所述目标运行时的温度数据；

所述目标设备运行的压力数据。

在一些实施例中，所述装置还包括：

模型模块，用于基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定性模型；其中，所述定性模型，用于基于所述第一数据确定所述目标设备执行所述测试时是否存在风险；

和/或，

基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定量模型；其中，所述定量模型，用于基于所述第一数据确定所述目标设备执行所述测试的风险等级和/或风险概率值。

在一些实施例中，所述预测模块320，用于利用所述第一数据及所述状态演化模型，预测所述目标设备在当前时段以后所处的运行状态为健康状态、劣化状态或者失效状态。

在一些实施例中，所述装置还包括：

输出模块，用于当预测的所述运行状态为失效状态，输出停止运行的提示信息。

在一些实施例中，所述电子设备还包括：

第二获取模块，用于基于所述测试结果控制所述目标设备的运行，并获得第三数据，其中，所述第三数据为:基于所述测试结果运行时采集的所述目标设备的运行要素的数据；

更新模块，用于基于所述第三数据，更新所述状态演化模型。

在一些实施例中，所述获取模块，具体用于执行以下至少之一：

在目标设备进行工艺流程测试时，采集所述工艺流程测试数据；

在所述目标设备进行预定操作形式时，采集所述预定操作行为测试数据；

在所述目标设备进行预定操作习惯时，采集所述预定操作习惯测试数据。

以下结合上述任意实施例提供两个具体示例：

示例1：

本示例提供一种面向工业设备的多类型故障模拟系统，适用于对汽车、家电制造、工程机械制造等典型的轻重离散制造业的加工、转运、翻转、装配过程中涉及到的典型旋转机械、电液伺服系统、主流仪器仪表和传感器从健康发展到各型故障的测试和模拟。

工业设备运行过程在实际状态和经验模型提炼方面存在以下两大特点：

一：针对不同种类设备在不同工况环境下，状态演进具有个性化。

二：不同大类工业设备具有高度相似的工作机理和经验模型总结。

本示例基于“即时多模态融合数据+多模态经验融合模型”协同演绎的事件联想手段，实现基于即时数据的设备性能演化全过程数据图谱自动生成。

如图5所示，本示例提供一种测试系统，该测试系统可以用于设备测试处理。该系统可分为多个级别，分别是设备级(例如，如图5所示的工业设备级)、多模态数据级(用于采集和/或存储多模态数据)及模型级。在模型级配置有一个或多个状态演化模型。

针对目标设备采集其运行要素的数据，例如，操作设备的人的数据、设备运行环境的数据、设备处理的物料的数据作为输入，输入到模型级，模型级选择对应的模型进行数据解析，并预测出在下一个时段设备的运行状态。

结合预测的状态给设备的测试给出测试结果。

通过数据处理产生数据集D，在图5中展示有数据集D_A(……)^T、D_V(……)^T……D_P(……)^T。这些数据作为第一类数据，提供给状态演化模型，由状态演化模型给出运行状态的预测。

如图5所示，所述方法还可包括：

基于前述任意实施例提供的第一类数据、第二类数据及第三类数据，生成模型的训练数据或学习数据，基于训练数据或学习数据改进状态演化模型，使得状态演化模型的测试越来越准确。

本示例提供的系统方法，具有如下特点：

有效地缩短了关键工业设备运行过程，性能演化数据的收集时间，避免了长时间的数据积累与设备更新迭代之间的矛盾。

显著地增强了工业设备视情维修管理的容错性，避免了因绘制性能演化图谱，需要针对不同类型设备在不同工况下的性能演化，开展LCA试验，显著降低了工程实施成本。

以经验模型联动多模态数据，基于事件联想生成性能演化趋势，有效地弥补了经验模型在传统场景中，只做抽象解释，不清晰、不直观的缺点。

系统具有柔性组态特性，在足够的数据维度和工业用户具有一定设备管理经验积累的基础上，可实现系统在边缘端或云端的柔性部署和实施。

采用数据和经验模型的双循环，可通过多模态数据，促进不同应用场景下，新经验模型的生成和积累，通过持续的多场景应用，促进系统功能的进一步丰富。

示例2：

本示例的测试过程可如下：

通过边缘计算手段，从工业设备级获取运行要素的数据，构建围绕设备的多模态数据的状态演化模型。

围绕多模态数据的状态演化模型，开展设备运行状态的关联分析，形成状态演化标签。状态演化标签可用于指示预测出的运行状态；

查询模型库，调用相应模型并结合演化标签的关联趋势和规则；

基于趋势和规则，在原有多模态数据基础上，实现基于生产数据的工业设备多要素性能演化，预测出当前时段以后的下一个时段或多个时段的运行状态。

基于各类设备、不同类型故障演化的多模态数据合成算法，合成设备故障演化的多模态数据的状态演化图谱，向下反馈，并同步丰富模型库，指导工业设备基于多模态数据的健康维护机制建立。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本申请任意实施例公开的技术特征，在不冲突的情况下，可以任意组合形成新的方法实施例或设备实施例。

本申请任意实施例公开的方法实施例，在不冲突的情况下，可以任意组合形成新的方法实施例。

本申请任意实施例公开的设备实施例，在不冲突的情况下，可以任意组合形成新的设备实施例。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

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。

Claims (10)

1.一种信息处理方法，其中，包括：

在目标设备进行测试时，获取所述目标设备运行要素的第一数据；

利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，其中，所述第二数据为：所述第一数据之前获取的历史数据；

根据所述运行状态确定所述测试的测试结果。

2.根据权利要求1所述方法，其中，所述第二数据为包含两类数据的多模态数据。

3.根据权利要求2所述的方法，其中，所述第二数据包括：机械数据和控制数据；其中，所述机械数据包括以下至少之一：设备运行状态数据；设备运行环境数据；针对于所述目标设备的操作数据；所述目标设备制作所需物料的物料数据；所述控制数据至少包括：比例积分微分PID的控制信号的信号值。

4.根据权利要求2所述的方法，其特征在于，所述设备运行状态数据包括以下至少之一：

所述目标设备运行时振动的频率数据；

所述目标设备运行时运动轨迹数据；

所述目标设备运行时的运动速度数据；

所述目标设备运行时的液压数据；

所述目标运行时的声音数据；

所述设备运行环境数据包括以下至少之一：

所述目标运行时的温度数据；

所述目标设备运行的压力数据。

5.根据权利要求1或2所述的方法，其中，所述基于第二数据中机械数据和控制数据，确定所述状态演化模型，包括：

基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定性模型；其中，所述定性模型，用于基于所述第一数据确定所述目标设备执行所述测试时是否存在风险；

和/或，

基于所述第二数据中的机械数据和控制数据，确定所述状态演化模型所包含的定量模型；其中，所述定量模型，用于基于所述第一数据确定所述目标设备执行所述测试的风险等级和/或风险概率值。

6.根据权利要求1或2所述的方法，其中，所述利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，包括：

利用所述第一数据及所述状态演化模型，预测所述目标设备在当前时段以后所处的运行状态为健康状态、劣化状态或者失效状态。

7.根据权利要求6所述的方法，其中，所述方法还包括：

当预测的所述运行状态为失效状态，输出停止运行的提示信息。

8.根据权利要求1或2所述的方法，其中，所述方法还包括：

基于所述测试结果控制所述目标设备的运行，并获得第三数据，其中，所述第三数据为:基于所述测试结果运行时采集的所述目标设备的运行要素的数据；

基于所述第三数据，更新所述状态演化模型。

9.根据权利要求1或2所述的方法，其中，所述在目标设备进行测试时，获取所述目标设备运行要素的第一数据，包括：

在目标设备进行工艺流程测试时，采集所述工艺流程测试数据；

在所述目标设备进行预定操作形式时，采集所述预定操作行为测试数据；

在所述目标设备进行预定操作习惯时，采集所述预定操作习惯测试数据。

10.一种电子设备，其中，包括：

第一获取模块，用于在目标设备进行测试时，获取所述目标设备运行要素的第一数据；

预测模块，用于利用所述第一数据及基于第二数据所确定的状态演化模型，预测所述目标设备当前时段以后的运行状态，其中，所述第二数据为：所述第一数据之前获取的历史数据；

确定模块，用于根据所述运行状态确定所述测试的测试结果。

Images