CN111080117A - 设备风险标签的构建方法、装置、电子设备及存储介质 - Google Patents
设备风险标签的构建方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111080117A CN111080117A CN201911271786.XA CN201911271786A CN111080117A CN 111080117 A CN111080117 A CN 111080117A CN 201911271786 A CN201911271786 A CN 201911271786A CN 111080117 A CN111080117 A CN 111080117A
- Authority
- CN
- China
- Prior art keywords
- index
- evaluated
- scheme
- evaluation
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 156
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备风险标签的构建方法、装置、电子设备及存储介质。该方法包括:获取各个待评方案对应的评价指标的指标值;根据所述指标值确定各个所述评价指标的熵值;根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。本发明实施例的技术方案实现根据各项指标值所提供的信息的多少来动态生成评价指标的权重,基于动态生成的权重构建设备风险标签,解决因固定权重而影响故障预测的准确性的问题。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种设备风险标签的构建方法、装置、电子设备及存储介质。
背景技术
设备的健康状态评估主要是根据传感器测量的数据、人工测量的数据、历史数据等进行综合分析,利用各种评估算法对设备的健康状况进行评估,对不合格设备给出不合格原因及维修建议。通过准确了解当前设备的健康状态,对设备的健康状态作出正确的评估,为设备的维修决策提供依据,为精确化维修提供技术支持。然而,目前健康状态评估涉及的评价指标的权重是固定的,进而,基于权重进行故障预测的预测结果存在误差,影响设备的健康状态评估的准确性。
发明内容
本发明实施例提供一种设备风险标签的构建方法、装置、电子设备及存储介质,可以避免固定权重影响故障预测的准确性的问题。
第一方面,本发明实施例提供了一种设备风险标签的构建方法,该方法包括:
获取各个待评方案对应的评价指标的指标值,其中,所述待评方案是设备故障原因,评价指标是对应设备故障原因的影响因素;
根据所述指标值确定各个所述评价指标的熵值;
根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。
可选的,根据所述指标值确定各个所述评价指标的熵值,包括:
分别将各个所述待评方案作为目标方案;
分别将所述目标方案中的各个所述评价指标作为目标指标;
计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重,根据所述比重确定所述目标指标的熵值。
可选的,采用如下公式计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重:
其中,i表示待评方案,且i=1,2,3,4……,n;j表示评价指标,且j=1,2,3,4,……,m;Xij表示第i个待评方案中第j个评价指标的指标值。
可选的,采用如下公式计算所述目标指标的熵值:
其中,常数k=1/ln y,y是设定时间段内所述目标指标对应的指标值构成的样本。
可选的,根据所述熵值确定各个所述评价指标的权重,包括:
根据所述熵值计算各个所述待评方案中各所述评价指标的差异系数;
分别计算各所述评价指标的差异系数在所有评价指标的差异系数总和中的占比,将所述占比作为各所述评价指标的权重。
可选的,基于所述权重构建设备风险标签,包括:
基于所述评价指标和所述评价指标的权重,采用预先构建的故障预测模型预测所述待评方案引起设备故障的概率,根据所述待评方案与所述概率构建设备风险标签。
可选的,在根据所述待评方案与所述概率构建设备风险标签之后,还包括:
按照所述概率对所述待评方案进行降序排列,选择排序在前的设定数量的目标待评方案;
基于各个所述目标待评方案中的评价指标的权重,计算各个所述目标待评方案的综合得分,根据所述综合得分进行设备风险评估。
第二方面,本发明实施例还提供了一种设备风险标签的构建装置,该装置包括:
指标值获取模块,用于获取各个待评方案对应的评价指标的指标值,其中,所述待评方案是设备故障原因,评价指标是对应设备故障原因的影响因素;
熵值确定模块,用于根据所述指标值确定各个所述评价指标的熵值;
风险标签构建模块,用于根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。
可选的,熵值确定模块具体用于:
分别将各个所述待评方案作为目标方案;
分别将所述目标方案中的各个所述评价指标作为目标指标;
计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重,根据所述比重确定所述目标指标的熵值。
可选的,采用如下公式计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重:
其中,i表示待评方案,且i=1,2,3,4……,n;j表示评价指标,且j=1,2,3,4,……,m;Xij表示第i个待评方案中第j个评价指标的指标值。
可选的,采用如下公式计算所述目标指标的熵值:
其中,常数k=1/ln y,y是设定时间段内所述目标指标对应的指标值构成的样本。
可选的,风险标签构建模块具体用于:
根据所述熵值计算各个所述待评方案中各所述评价指标的差异系数;
分别计算各所述评价指标的差异系数在所有评价指标的差异系数总和中的占比,将所述占比作为各所述评价指标的权重。
可选的,风险标签构建模块具体用于:
基于所述评价指标和所述评价指标的权重,采用预先构建的故障预测模型预测所述待评方案引起设备故障的概率,根据所述待评方案与所述概率构建设备风险标签。
可选的,该装置还包括:
在根据所述待评方案与所述概率构建设备风险标签之后,按照所述概率对所述待评方案进行降序排列,选择排序在前的设定数量的目标待评方案;
基于各个所述目标待评方案中的评价指标的权重,计算各个所述目标待评方案的综合得分,根据所述综合得分进行设备风险评估。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例提供的设备风险标签的构建方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例提供的设备风险标签的构建方法。
本发明实施例的技术方案,通过基于设备故障报告确定各个待评方案对应的评价指标,获取评价指标的指标值;根据指标值确定各个评价指标的熵值;根据熵值确定各个评价指标的权重,实现根据各项指标值所提供的信息的多少来动态生成评价指标的权重,基于动态生成的权重构建设备风险标签,解决固定权重影响故障预测的准确性的问题。
附图说明
图1为本发明实施例提供的一种设备风险标签的构建方法的流程图;
图2为本发明实施例提供的另一种设备风险标签的构建方法的流程图;
图3为本发明实施例提供的一种设备风险标签的构建装置的结构框图;
图4为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
为了便于理解,首先对本发明实施例中可能出现的词语进行解释。
标签通常是人为规定的高度精炼的特征标识,是一种把数据形象化的方法。与属性不同,标签是对该属性状态给出的结论。尤其对于连续数据型的属性,标签基于人为定义的规则,给出一个所要描绘状态的定性的明确语义描述,而不再是一个数值或数值区间。
评价标签是在设备资产的使用和管理过程中,根据运行记录文档中抽取并归纳的具有评价功能的信息。如“易发生漏水”,是通过对所有的缺陷记录的分析中得到的标签,该评价标签实时性要求不高,但计算量较大。
在信息论中,熵是对信息不确定性的一种度量。若事物反应出的信息越多,那么它的未知性就越小,熵就越小;若事物反应出的信息越少,那么它的未知性就越大,熵就越大。因此,计算评价的熵值来判断评价指标在测量结果上反应出的分散程度及差异性,分散程度越大,在评估时起到的重要性越大。
熵值法是一种客观赋权法,其根据各项评价指标的指标值所提供的信息的多少来确定评价指标的权重。根据熵的特性,可以通过计算熵值来判断一个方案的随机性及无序程度,也可以用熵值来判断某个指标的离散程度,指标的离散程度越大,该指标对综合评价的影响越大。因此,可根据各项指标的变异程度,利用信息熵这个工具,计算出各个指标的权重,为多指标综合评价提供依据。
图1为本发明实施例提供的一种设备风险标签的构建方法的流程图,该方法可以由设备风险标签的构建装置来执行,该装置可由软件和/或硬件实现,通过执行设备风险标签的构建方法提高故障预测的准确度。该装置通常集成于电子设备中。如图1所示,该方法包括:
步骤110、获取各个待评方案对应的评价指标的指标值。
其中,待评方案是设备故障原因,评价指标是对应设备故障原因的影响因素。例如,设备故障原因是变压器过热,与该设备故障原因对应的影响因素可能是温度、油温和负载等。需要说明的是,设备故障原因和对应设备故障原因的影响因素可以由设备运行记录中的设备故障报告获取。然而,设备故障报告中设备故障原因描述通常属于非结构化数据,可以使用文本挖掘算法中的分词技术提取设备故障报告中的关键词汇。例如,应用分词器对设备故障报告进行分词,提取对应设备故障的描述。其中,本发明实施例对设备故障的描述并不作具体限定。例如,对应设备故障的描述包括设备故障发生原因,以及,对应故障原因的影响因素,但对应设备故障的描述并不限于这两种词汇。
示例性的,基于传感器测量数据、配置数据或互联网等来源,获取设备的各个待评方案对应的评价指标的指标值。具体的,对于变压器过热引起的设备故障,获取温度值、负载值及油温值等指标值。可选的,可以采用矩阵的形式表示指标值。假设有n个待评方案,m项评价指标,则原始指标数据矩阵X=(xij)n×m,对于某项评价指标xj,指标值Xij的差距越大,该指标在综合评价中所起的作用就越大;如果某项评价指标的指标值全部相等,则该指标在综合评价中不起作用。
步骤120、根据所述指标值确定各个所述评价指标的熵值。
示例性的,分别将各个所述待评方案作为目标方案;分别将所述目标方案中的各个所述评价指标作为目标指标;计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重,根据所述比重确定所述目标指标的熵值。其中,将当前考察的待评方案作为目标方案,获取该目标方案对应的所有评价指标。任意获取该目标方案包含的所有评价指标中的一项作为目标指标。例如,获取目标方案中的目标指标的指标值X21,获取所有待评方案中该目标指标的指标值总和其中,j=1,2,3,4,……,m。计算目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重参照上述方法,分别计算各个目标方案中各个评价指标的比重Pij。
根据上述计算的Pij,采用如下公式确定目标指标的熵值:
其中,常数k=1/ln y,y是设定时间段内所述目标指标对应的指标值构成的样本。设定时间可以是一个月、一年或其它时间,该设定时间可以根据不同业务灵活设置,通过设置设定时间限定用于计算权重的样本的数量。
在常数k=1/ln y时,0≤ej≤1。
可选的,常数k还可以取值为大于零的自然数,此时,ln为自然对数,ej≥0。
步骤130、根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。
示例性的,根据熵值计算各个待评方案中各评价指标的差异系数;分别计算各评价指标的差异系数在所有评价指标的差异系数总和中的占比,将该占比作为各所述评价指标的权重。
其中,差异系数(coefficient of variation),也称变差系数、离散系数、变异系数,用CV表示。它是一组数据的标准差与其均值的百分比,是测算数据离散程度的相对指标,是一种相对差异量数。
对于第j项评价指标,指标值Xij的差异越大,对方案评价的作用越大,熵值就越小。基于上述规律,在计算得到评价指标的熵值后,通过下述公式计算评价指标的差异系数gj:
gj=1-ej,其中,j=1,2,3,4,……,m。
本发明实施例中,差异系数gj越大代表其对应的评价指标越重要。采用上述公式,分别计算各个待评方案中各评价指标的差异系数。
对于第j项评价指标,可以采用如下公式计算其权重Wj:
基于评价指标和评价指标的权重,采用预先构建的故障预测模型预测待评方案引起设备故障的概率,根据待评方案与概率构建设备风险标签。其中,预先构建的故障预测模型可以是机器学习模型,所采用的算法可以包括循环神经网络(Recurrent neuralnetworks,RNN)、长短期记忆(Long Short-Term Memory,LSTM)网络、门限循环单元、简单循环单元、自动编码器、决策树、随机森林、特征均值分类、分类回归树、隐马尔科夫、K最近邻(k-NearestNeighbor,KNN)算法、逻辑回归模型、贝叶斯模型、高斯模型、关联规则算法、KL散度(Kullback–Leibler divergence)以及L1/2稀疏迭代分类算法等等。
其中,训练样本可以是基于设备故障报告得到的设备故障发生原因(也称为待评方案)和对应故障原因的影响因素(也称为评价指标)。例如,将设定时间段内对应故障原因的影响因素以及对应的权重作为样本,采用L1/2稀疏迭代分类算法基于上述样本训练机器学习模型,得到故障预测模型。可选的,根据关联规则算法,由对应故障原因的影响因素中筛选出故障预测时的关键影响因素。可以将设定时间段内的关键影响因素和对应的权重作为样本。
示例性的,将各个待评方案中的评价指标以及各评价指标的权重作为故障预测模型的输入参数,通过故障预测模型预测各待评方案引起设备故障的概率,根据待评方案与概率构建设备风险标签。
本实施例的技术方案,通过基于设备故障报告确定各个待评方案对应的评价指标,获取评价指标的指标值;根据指标值确定各个评价指标的熵值;根据熵值确定各个评价指标的权重,实现根据各项指标值所提供的信息的多少来动态生成评价指标的权重,基于动态生成的权重构建设备风险标签,解决固定权重影响故障预测的准确性的问题。
图2为本发明实施例提供的另一种设备风险标签的构建方法的流程图,该方法在根据所述待评方案与所述概率构建设备风险标签之后,还包括:按照所述概率对所述待评方案进行降序排列,选择排序在前的设定数量的目标待评方案;基于各个所述目标待评方案中的评价指标的权重,计算各个所述目标待评方案的综合得分,根据所述综合得分进行设备风险评估。本发明实施例通过识别设备潜在的内部缺陷和外部威胁等风险因子,分析设备可能损失的资产程度和故障发生概率,通过风险评价算法得出设备在电网中的风险等级,为设备辅助决策检修提供依据。
如图2所示,该方法包括:
步骤210、获取各个待评方案对应的评价指标的指标值。
可选的,对原始指标数据矩阵中的数据进行非负数化处理和数据平移处理。由于熵值法计算采用的是各个方案某一指标占同一指标值总和的比值,因此不存在量纲的影响,不需要进行标准化处理。若数据中有负数,就需要对数据进行非负化处理。
例如,对于指标值越大越好的指标可以采用如下方式及性能高非负化处理:
对于指标值越大小越好的指标可以采用如下方式及性能高非负化处理:
其中,为了方便起见,仍记非负化处理后的数据为Xij,即Xij=X′ij。
此外,为了避免求熵值时对数的无意义,需要进行数据平移,以将原始指标数据矩阵中的对象转换为非负自然数。对于数据平移的方式可以采用大数据领域中常用的技术,本发明实施例并不作具体限定。
步骤220、根据所述指标值确定各个所述评价指标的熵值。
示例性的,计算第i个待评方案中第j项评价指标占所有待评方案中该第j项评价指标的指标值总和的比重:
其中,i表示待评方案,且i=1,2,3,4……,n;j表示评价指标,且j=1,2,3,4,……,m;Xij表示第i个待评方案中第j个评价指标的指标值。
计算第i个待评方案中第j项评价指标的熵值:
其中,常数k=1/ln y,y是设定时间段内所述目标指标对应的指标值构成的样本。
步骤230、根据所述熵值计算各个所述待评方案中各所述评价指标的差异系数。
示例性的,计算第i个待评方案中第j项评价指标的差异系数:
gj=1-ej,其中,j=1,2,3,4,……,m,gj越大代表其对应的评价指标越重要。
步骤240、分别计算各所述评价指标的差异系数在所有评价指标的差异系数总和中的占比,将所述占比作为各所述评价指标的权重。
计算第i个待评方案中第j项评价指标的权重Wj:
步骤250、基于所述评价指标和所述评价指标的权重,采用预先构建的故障预测模型预测所述待评方案引起设备故障的概率,根据所述待评方案与所述概率构建设备风险标签。
步骤260、按照所述概率对所述待评方案进行降序排列,选择排序在前的设定数量的目标待评方案。
步骤270、基于各个所述目标待评方案中的评价指标的权重,计算各个所述目标待评方案的综合得分,根据所述综合得分进行设备风险评估。
示例性的,获取各个目标待评方案中各个评价指标的权重Wj,获取目标待评方案中的各个评价指标的Pij,采用如下公式计算各个目标待评方案的综合得分:
上述目标待评方案的综合得分可以为设备辅助决策检修提供依据。
本实施例的技术方案,通过在根据所述待评方案与所述概率构建设备风险标签之后,按照所述概率对所述待评方案进行降序排列,选择排序在前的设定数量的目标待评方案;基于各个所述目标待评方案中的评价指标的权重,计算各个所述目标待评方案的综合得分,根据所述综合得分进行设备风险评估,实现在风险识别和风险估测的基础上,对风险发生的概率、损失程度,结合其他因素进行全面考虑,评估发生风险的可能性及危害程度,并与公认的安全指标相比较,以衡量风险的程度,并决定是否需要采取相应的措施的过程。通过风险评价算法得出设备在电网中的风险等级,为设备辅助决策检修提供依据。
图3为本发明实施例提供的一种设备风险标签的构建装置的结构框图,所述装置可以通过执行设备风险标签的构建方法提高故障预测准确度。该装置可由软件和/或硬件实现,并通常集成于电子设备中。如图3所示,该装置包括:
指标值获取模块310,用于获取各个待评方案对应的评价指标的指标值,其中,所述待评方案是设备故障原因,评价指标是对应设备故障原因的影响因素;
熵值确定模块320,用于根据所述指标值确定各个所述评价指标的熵值;
风险标签构建模块330,用于根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。
本发明实施例所提供的设备风险标签的构建装置可执行本发明任意实施例所提供的设备风险标签的构建方法,该设备风险标签的构建装置的实现原理与技术效果与设备风险标签的构建方法类似,此处不再赘述。
在一个示例性的实施方案中,熵值确定模块具体用于:
分别将各个所述待评方案作为目标方案;
分别将所述目标方案中的各个所述评价指标作为目标指标;
计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重,根据所述比重确定所述目标指标的熵值。
在一个示例性的实施方案中,采用如下公式计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重:
其中,i表示待评方案,且i=1,2,3,4……,n;j表示评价指标,且j=1,2,3,4,……,m;Xij表示第i个待评方案中第j个评价指标的指标值。
在一个示例性的实施方案中,采用如下公式计算所述目标指标的熵值:
其中,常数k=1/ln y,y是设定时间段内所述目标指标对应的指标值构成的样本。
在一个示例性的实施方案中,风险标签构建模块具体用于:
根据所述熵值计算各个所述待评方案中各所述评价指标的差异系数;
分别计算各所述评价指标的差异系数在所有评价指标的差异系数总和中的占比,将所述占比作为各所述评价指标的权重。
在一个示例性的实施方案中,风险标签构建模块具体用于:
基于所述评价指标和所述评价指标的权重,采用预先构建的故障预测模型预测所述待评方案引起设备故障的概率,根据所述待评方案与所述概率构建设备风险标签。
在一个示例性的实施方案中,该装置还包括:
在根据所述待评方案与所述概率构建设备风险标签之后,按照所述概率对所述待评方案进行降序排列,选择排序在前的设定数量的目标待评方案;
基于各个所述目标待评方案中的评价指标的权重,计算各个所述目标待评方案的综合得分,根据所述综合得分进行设备风险评估。
图4为本发明实施例提供的一种电子设备的结构示意图。基于上述实施例的内容,如图4所示,该电子设备可以包括处理器401、存储器402、输入装置403和输出装置404;电子设备中处理器401的数量可以是一个或多个,图4中以一个处理器401为例;电子设备中的处理器401、存储器402、输入装置403和输出装置404可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器402作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的设备风险标签的构建方法对应的程序指令/模块(例如,设备风险标签的构建装置中的指标值获取模块310、熵值确定模块320和风险标签构建模块330)。处理器401通过运行存储在存储器402中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即当所述一个或多个程序被所述一个或多个存储器执行,使得所述一个或多个处理器实现如本发明实施例提供的设备风险标签的构建方法。
存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器402可进一步包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置403可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置404可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种设备风险标签的构建方法,该方法包括:
获取各个待评方案对应的评价指标的指标值,其中,所述待评方案是设备故障原因,评价指标是对应设备故障原因的影响因素;
根据所述指标值确定各个所述评价指标的熵值;
根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的设备风险标签的构建方法中的相关操作.
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,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,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述设备风险标签的构建装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种设备风险标签的构建方法,其特征在于,包括:
获取各个待评方案对应的评价指标的指标值,其中,所述待评方案是设备故障原因,评价指标是对应设备故障原因的影响因素;
根据所述指标值确定各个所述评价指标的熵值;
根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。
2.根据权利要求1所述的方法,其特征在于,根据所述指标值确定各个所述评价指标的熵值,包括:
分别将各个所述待评方案作为目标方案;
分别将所述目标方案中的各个所述评价指标作为目标指标;
计算所述目标方案中的目标指标的指标值占所有待评方案中该目标指标的指标值总和的比重,根据所述比重确定所述目标指标的熵值。
5.根据权利要求1所述的方法,其特征在于,根据所述熵值确定各个所述评价指标的权重,包括:
根据所述熵值计算各个所述待评方案中各所述评价指标的差异系数;
分别计算各所述评价指标的差异系数在所有评价指标的差异系数总和中的占比,将所述占比作为各所述评价指标的权重。
6.根据权利要求1所述的方法,其特征在于,基于所述权重构建设备风险标签,包括:
基于所述评价指标和所述评价指标的权重,采用预先构建的故障预测模型预测所述待评方案引起设备故障的概率,根据所述待评方案与所述概率构建设备风险标签。
7.根据权利要求6所述的方法,其特征在于,在根据所述待评方案与所述概率构建设备风险标签之后,还包括:
按照所述概率对所述待评方案进行降序排列,选择排序在前的设定数量的目标待评方案;
基于各个所述目标待评方案中的评价指标的权重,计算各个所述目标待评方案的综合得分,根据所述综合得分进行设备风险评估。
8.一种设备风险标签的构建装置,其特征在于,包括:
指标值获取模块,用于获取各个待评方案对应的评价指标的指标值,其中,所述待评方案是设备故障原因,评价指标是对应设备故障原因的影响因素;
熵值确定模块,用于根据所述指标值确定各个所述评价指标的熵值;
风险标签构建模块,用于根据所述熵值确定各个所述评价指标的权重,基于所述权重构建设备风险标签。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一项所述的设备风险标签的构建方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的设备风险标签的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271786.XA CN111080117A (zh) | 2019-12-12 | 2019-12-12 | 设备风险标签的构建方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271786.XA CN111080117A (zh) | 2019-12-12 | 2019-12-12 | 设备风险标签的构建方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080117A true CN111080117A (zh) | 2020-04-28 |
Family
ID=70313944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911271786.XA Pending CN111080117A (zh) | 2019-12-12 | 2019-12-12 | 设备风险标签的构建方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080117A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073786A (zh) * | 2017-12-27 | 2018-05-25 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 页岩可压性评价方法及装置 |
CN111754116A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种基于标签画像技术的信用评估方法及装置 |
CN112966322A (zh) * | 2021-02-04 | 2021-06-15 | 中建科工集团有限公司 | 一种建筑结构确定方法及装置 |
CN113205240A (zh) * | 2021-03-22 | 2021-08-03 | 中国科学院空天信息创新研究院 | 一种卫星频轨资源协调风险评估的柔性处理方法和装置 |
CN113360898A (zh) * | 2021-06-03 | 2021-09-07 | 中国电子信息产业集团有限公司第六研究所 | 指标的权重确定方法、网络攻击评估方法及电子设备 |
CN114595581A (zh) * | 2022-03-11 | 2022-06-07 | 重庆地质矿产研究院 | 基于影响因素动态权重的区域地质灾害危险性概率模型 |
CN114743619A (zh) * | 2022-04-20 | 2022-07-12 | 山东大学齐鲁医院 | 一种用于疾病风险预测的调查问卷质量评价方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117847A (zh) * | 2015-08-26 | 2015-12-02 | 国家电网公司 | 一种变压器故障重要度的评估方法 |
CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
-
2019
- 2019-12-12 CN CN201911271786.XA patent/CN111080117A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117847A (zh) * | 2015-08-26 | 2015-12-02 | 国家电网公司 | 一种变压器故障重要度的评估方法 |
CN110443458A (zh) * | 2019-07-05 | 2019-11-12 | 深圳壹账通智能科技有限公司 | 风险评估方法、装置、计算机设备和存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108073786A (zh) * | 2017-12-27 | 2018-05-25 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 页岩可压性评价方法及装置 |
CN111754116A (zh) * | 2020-06-24 | 2020-10-09 | 国家电网有限公司大数据中心 | 一种基于标签画像技术的信用评估方法及装置 |
CN111754116B (zh) * | 2020-06-24 | 2023-10-17 | 国家电网有限公司大数据中心 | 一种基于标签画像技术的信用评估方法及装置 |
CN112966322A (zh) * | 2021-02-04 | 2021-06-15 | 中建科工集团有限公司 | 一种建筑结构确定方法及装置 |
CN113205240A (zh) * | 2021-03-22 | 2021-08-03 | 中国科学院空天信息创新研究院 | 一种卫星频轨资源协调风险评估的柔性处理方法和装置 |
CN113360898A (zh) * | 2021-06-03 | 2021-09-07 | 中国电子信息产业集团有限公司第六研究所 | 指标的权重确定方法、网络攻击评估方法及电子设备 |
CN113360898B (zh) * | 2021-06-03 | 2024-05-24 | 中国电子信息产业集团有限公司第六研究所 | 指标的权重确定方法、网络攻击评估方法及电子设备 |
CN114595581A (zh) * | 2022-03-11 | 2022-06-07 | 重庆地质矿产研究院 | 基于影响因素动态权重的区域地质灾害危险性概率模型 |
CN114743619A (zh) * | 2022-04-20 | 2022-07-12 | 山东大学齐鲁医院 | 一种用于疾病风险预测的调查问卷质量评价方法及系统 |
CN114743619B (zh) * | 2022-04-20 | 2024-03-29 | 山东大学齐鲁医院 | 一种用于疾病风险预测的调查问卷质量评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
CN109165840B (zh) | 风险预测处理方法、装置、计算机设备和介质 | |
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN111914090B (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
CN110059894B (zh) | 设备状态评估方法、装置、系统及存储介质 | |
CN111881983A (zh) | 基于分类模型的数据处理方法、装置、电子设备及介质 | |
CN114417954B (zh) | 一种提升食品检测效果的信息处理方法及系统 | |
CN113468034A (zh) | 数据质量评估方法、装置、存储介质和电子设备 | |
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
CN113947076A (zh) | 保单数据的检测方法、装置、计算机设备及存储介质 | |
CN117235608A (zh) | 风险检测方法、装置、电子设备及存储介质 | |
Kaczmarek | Construction elements of bankruptcy prediction models in multi-dimensional Early Warning Systems | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN116485185A (zh) | 基于比对数据的企业风险分析系统及方法 | |
CN116521871A (zh) | 文件的检测方法、装置、处理器以及电子设备 | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
Alamilla et al. | Seismicity assessment using earthquake catalogues with uncertain and incomplete data: probabilistic formulation | |
CN114092216A (zh) | 企业信贷评级方法、装置、计算机设备和存储介质 | |
CN115146890A (zh) | 企业运营风险告警方法、装置、计算机设备和存储介质 | |
Yu et al. | Performance of the Shiryaev‐Roberts‐type scheme in comparison to the CUSUM and EWMA schemes in monitoring weibull scale parameter based on Type I censored data | |
CN113538020B (zh) | 获取客群特征关联度方法、装置、存储介质和电子装置 | |
CN114266641A (zh) | 基于逻辑回归和规则的评分模型构建方法 | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
ÖZARI et al. | Forecasting sustainable development level of selected Asian countries using M-EDAS and k-NN algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200428 |