CN111626498A - 设备运行状态预测方法、装置、设备及存储介质 - Google Patents
设备运行状态预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111626498A CN111626498A CN202010448364.1A CN202010448364A CN111626498A CN 111626498 A CN111626498 A CN 111626498A CN 202010448364 A CN202010448364 A CN 202010448364A CN 111626498 A CN111626498 A CN 111626498A
- Authority
- CN
- China
- Prior art keywords
- historical data
- score
- equipment
- data
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 241000282813 Aepyceros melampus Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Abstract
本发明实施例提供一种设备运行状态预测方法、装置、设备及存储介质,该方法包括:获取第一预设时间段内的设备运行的第一历史数据,并对第一历史数据进行归一化处理得到第二历史数据;按照预设规则确定第二历史数据的分值,并按照预设算法确定每个第二历史数据对应的预测分值,其中分值用于表征设备是否有故障;根据第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型,通过预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态,能够实现对设备的运行状态进行预测,以提前对设备进行保养。
Description
技术领域
本发明实施例涉及设备维护技术领域,尤其涉及一种设备运行状态预测方法、装置、设备及存储介质。
背景技术
液晶面板作为显示装置用于液晶电视、计算机等得到普遍应用,并且近年来其普及惊人。目前在液晶面制造行业,制造设备或网络设备的保养与维护,对面板生产过程至关重要。
目前,传统的对设备的保养维护方式,主要是通过查看设备的参数日志,判断设备是否出现故障。但是这种方式只能查看设备当前是否存在故障,无法对设备的运行状态进行预测,无法提前对设备进行保养维护。
发明内容
本发明实施例提供一种设备运行状态预测方法、装置、设备及存储介质,以克服现有技术存在只能查看设备当前是否存在故障,无法对设备的运行状态进行预测,无法提前对设备进行保养维护的问题。
第一方面,本发明实施例提供一种设备运行状态预测方法,包括:
获取第一预设时间段内的设备运行的第一历史数据,并对所述第一历史数据进行归一化处理得到第二历史数据;按照预设规则确定所述第二历史数据的分值,其中所述分值用于表征设备是否有故障;按照预设算法确定每个第二历史数据对应的预测分值;根据所述第二历史数据及对应的所述预测分值,对初始模型进行训练得到训练好的预设模型;通过所述预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态。
在一种可能的设计中,所述按照预设规则确定所述第二历史数据的分值,包括:若所述第二历史数据属于故障数据,则按照第一调整策略将所述第二历史数据对应的分值确定在第一预设范围内;若所述第二历史数据属于非故障数据,则按照第二调整策略将所述第二历史数据对应的分值确定在第二预设范围内;若所述第二历史数据为缺失数据,则将所述第二历史数据的分值确定为预设固定分值。
在一种可能的设计中,所述方法还包括:根据衰减系数对所述第二历史数据的分值进行修正,其中所述衰减系数是根据所述第一历史数据确定的。
在一种可能的设计中,所述按照预设算法确定每个第二历史数据对应的预测分值,包括:确定第二预设时间段内的所述第二历史数据的第一平均分值;根据所述第二历史数据的分值和所述第一平均分值确定所述第二历史数据的比率值;将所述第二历史数据的比率值的比率值中位数确定为周期因子;根据第三预设时间段内的所述第二历史数据的第二平均分值,确定所述第二历史数据的基础值;根据所述周期因子和所述基础值,确定所述第二历史数据的预测分值。
在一种可能的设计中,所述根据所述第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型,包括:若所述第二历史数据的自相关性检验和时间序列平稳性检验通过,则将所述第二历史数据经过差分转化为平稳时间序列的第三历史数据;建立初始模型,根据所述第三历史数据及对应的所述预测分值,对所述初始模型进行训练得到训练好的预设模型。
在一种可能的设计中,所述通过所述预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态之后,还包括:将所述设备预测运行状态推送至设备管理员的终端,以实时进行维护。
在一种可能的设计中,所述获取目标时间段内的设备运行数据进行归一化处理后,还包括:按照所述预设规则确定所述目标时间段内的设备运行数据的分值;实时显示所述目标时间段内的设备运行数据的分值对应的设备状态。
第二方面,本发明实施例提供一种设备运行状态预测装置,包括:
数据获取模块,用于获取第一预设时间段内的设备运行的第一历史数据,并对所述第一历史数据进行归一化处理得到第二历史数据;
数据处理模块,用于按照预设规则确定所述第二历史数据的分值,其中分值用于表征设备是否有故障;按照预设算法确定每个第二历史数据对应的预测分值;
模型建立模块,用于根据所述第二历史数据及对应的所述预测分值,对初始模型进行训练得到训练好的预设模型;
状态预测模块,用于通过所述预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态。
第三方面,本发明实施例提供一种语音交互设备,包括:至少一个处理器和存储器;所述存储器存储计算机执行指令;所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的设备运行状态预测方法。
第四方面,本发明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执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的设备运行状态预测方法。
本发明实施例提供的设备运行状态预测方法、装置、设备及存储介质,该方法首先获取第一预设时间段内的设备运行的第一历史数据,并对第一历史数据进行归一化处理得到第二历史数据;然后按照预设规则确定第二历史数据的分值,并按照预设算法确定每个第二历史数据对应的预测分值,其中分值用于表征设备是否有故障;最后根据第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型,通过预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态,能够实现对设备的运行状态进行预测,以提前对设备进行保养。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为发明实施例提供的设备运行状态预测的系统架构示意图;
图2为本发明实施例提供的设备运行状态预测方法的流程示意图一;
图3为本发明实施例提供的设备运行状态预测方法的流程示意图二;
图4为本发明实施例提供的设备运行状态预测装置的结构示意图一;
图5为本发明实施例提供的设备运行状态预测装置的结构示意图二;
图6为本发明实施例提供的网络设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了实现对设备的运行状态进行预测,以提前对设备进行保养,本发明实施例提出以下技术构思:首先获取第一预设时间段内的设备运行的第一历史数据,并对第一历史数据进行归一化处理得到第二历史数据;然后按照预设规则确定第二历史数据的分值,并按照预设算法确定每个第二历史数据对应的预测分值,其中分值用于表征设备是否有故障;最后根据第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型,通过预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态,能够实现对设备的运行状态进行预测,以提前对设备进行保养。
图1为发明实施例提供的设备运行状态预测的系统架构示意图。在图1中:
设备101,为液晶面板生产过程中涉及的制造设备或网络设备等设备。服务器集群102,可以包括:认证服务器、密钥服务器、版本服务器、HDFS(Hadoop分布式文件系统)服务器、数据服务器、数据采集服务器、存储服务器等等。终端103,用于展示设备运行状态或预测结果。
图2为本发明实施例提供的设备运行状态预测方法的流程示意图一。所述方法可以应用于图1中的服务器,如图2所示,该方法包括:
S201:获取第一预设时间段内的设备运行的第一历史数据,并对第一历史数据进行归一化处理得到第二历史数据。
在本实施例中,第一预设时间段可以根据需要进行设置,例如12个月。
具体地,获取第一预设时间段内的设备运行的第一历史数据,具体为:通过Spark,Impala等工具从HDFS服务器中调取Hive数据库的设备相关运行状态、环境参数和追踪数据等。
其中,设备的第一历史数据是将设备消息传输到设备界面系统中,设备界面系统对设备消息进行规则化处理后,通过中间件将规则化后的设备消息广播至过程数据处理器中,由过程数据处理器对文件进行解析发送到HDFS服务器的。其中,可以通过Filebeat,Logstash,Kafka,Spark工具将设备消息分类存储到HDFS系统中得到第一历史数据。
例如,以某设备为例,第一历史数据可以包括:设备代码(EQP_ID)、设备状态(EQP_STATE)、状态时间(DATE)、状态发生次数(STATE_CNT)、设备保养次数(PM_CNT)、制程参数(SV_ANME,SV_VALUE)、追踪数据(DV_NAME,DV_VALUE)中的任一种或多种。
具体地,对第一历史数据进行归一化处理得到第二历史数据,可以是:
将第一历史数据进行无量纲处理。
以上述某设备中,状态发生次数(STATE_CNT)、设备保养次数(PM_CNT)为例,对状态发生次数的归一化处理公式如下:
max_num=max(STATE_CNT/PM_CNT)#最大值取值;
min_num=min(STATE_CNT/PM_CNT)#最小值取值;
STATE_CNT/PM_CNT=(STATE_CNT/PM_CNT-min_num)/(max_num-min_num)#归一化取值。
S202:按照预设规则确定第二历史数据的分值,其中分值用于表征设备是否有故障。
在本实施例中,将第二历史数据分为故障数据、非故障数据和缺失数据。其中缺失数据为设备当天无上报导致的数据缺失。可以根据第二历史数据的数值区分故障数据和非故障数据。
根据数据是否处于故障状态,按照预设规则对第二历史数据赋予表征设备是否有故障的分值。
具体地,若数据为缺失数据,则将第二历史数据的分值确定为预设固定分值,其为设备是否具有故障的基准线。那么,故障数据的分值小于预设固定分值,非故障数据的分值大于预设固定分值。
S203:按照预设算法确定每个第二历史数据对应的预测分值。
在本实施例中,可以通过第二历史数据在某一时间段内的趋势预测第二历史数据对应的预测分值。其中,预测分值用于表征设备的预测故障。
具体地,确定第二预设时间段内的第二历史数据的第一平均分值;根据第二历史数据的分值和所述第一平均分值确定所述第二历史数据的比率值;将所述第二历史数据的比率值的比率值中位数确定为周期因子;根据第三预设时间段内的第二历史数据的第二平均分值,确定第二历史数据的基础值;根据所述周期因子和所述基础值,确定第二历史数据的预测值。
具体地,根据第二历史数据的分值和所述第一平均分值确定所述第二历史数据的比率值为:将第二历史数据的分值除以第一平均分值。
据所述周期因子和所述基础值,确定第二历史数据的预测值为:将周期因子和基础值相乘。
其中,第二预设时间段可以是30天。第三预设时间段可以是7天。
S204:根据第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型。
S205:通过预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态。
在本实施例中,获取目标时间段内的设备运行数据进行归一化处理后,输入至所述训练好的预设模型中,得到设备预测运行状态。
可以预设模型可以是ARIMA时间序列模型。目标时间段可以是7天或30天。
从上述描述可知,通过获取第一预设时间段内的设备运行的第一历史数据,并对第一历史数据进行归一化处理得到第二历史数据;然后按照预设规则确定第二历史数据的分值,并按照预设算法确定每个第二历史数据对应的预测分值,其中分值用于表征设备是否有故障;最后根据第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型,通过预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态,能够实现对设备的运行状态进行预测,以提前对设备进行保养。
在本发明的一个实施例中,上述步骤S202中按照预设规则确定第二历史数据的分值的具体过程,可以详述如下:
S2021:若所述第二历史数据属于故障数据,则按照第一调整策略将第二历史数据对应的分值确定在第一预设范围内。
其中,第一调整策略的公式为:Score1=Y*np.log(1-a)/b+c1;式中,Y为预设固定分值。a为第二历史数据,c1为第一调整系数。第一调整策略的作用是将所有的故障数据的分值控制在第一预设范围内,提高故障数据统计的准确性。
S2022:若所述第二历史数据属于非故障数据,则按照第二调整策略将第二历史数据对应的分值确定在第二预设范围内。
其中,第二调整策略的公式为:Score2=Y*np.log(1-a)/b+c2;式中,Y为预设固定分值。a为第二历史数据,c1为第二调整系数。第一调整策略的作用是将所有的非故障数据的分值控制在第二预设范围内,提高非故障数据统计的准确性。
S2023:若所述第二历史数据为缺失数据,则将第二历史数据的分值确定为预设固定分值。
其中,第二历史数据的分值的公式Score3=Y;Y为预设固定分值。
继续以上述某设备为例,对该设备的状态发生次数(STATE_CNT)按照预设规则确定其分值的过程为:
设备当天无状态上报,预设固定分值为0.65;
为了将所有的故障的数据的分值控制在0.4-0.5之间,避免其出现外部超参数(超出0.4-0.5),采用的第一调整策略公式:Score1=0.65*np.log(1-STATE_CNT)/5+0.5,确定为故障数据的状态发生次数的分值;
为了将所有的非故障数据的分值控制在0.8-0.9之间,避免其出现外部超参数(超出0.8-0.9),采用的第二调整策略公式:Score2=0.65*np.log(1+STATE_CNT)/5+0.8,确定为非故障数据的状态发生次数的分值。
从上述描述可知,通过将所有的故障数据的分值确定在第一预设范围内,将所有的非故障数据分值确定在第二预设范围内,保证故障数据和非故障数据统计准确性,避免遗漏数据。
在上述实施例的基础上,在步骤S202之后,还包括:
根据衰减系数对将第二历史数据的分值进行修正,其中衰减系数是根据第一历史数据确定的,以保证第二历史数据的分值的误差较小。
其中,衰减系数可以包括第一衰减系数、第二衰减系数和第三衰减系数等多个。具体地,可以将第二历史数据的分值依次与第一衰减系数、第二衰减系数和第三衰减系数乘积,得到修正后的第二历史数据的分值。
继续以上述某设备为例,第一衰减系数是根据设备保养次数(PM_CNT)确定的,第一衰减系数=np.log(np.e-PM_CNT_NEW。第一衰减系数的作用是保证最明显的故障数据的分值控制在0.4-0.5之间。
第二衰减系数是根据制程参数确定的。
第二衰减系数=(1-np.log(np.std(SV_VALUE_RATIO))/20+0.05);
其中,SV_VALUE_RATIO=ABS(AVG(SV_VALUE)-AVG(SV_VALUE_7DAYS))/AVG(SV_VALUE)#制程参数当天均值与七天均值的差的绝对值,再除以制程参数当天均值。第二衰减系数的作用是保证最不明显的故障数据的分值也控制在0.4-0.5之间。
第三衰减系数是根据追踪数据确定的。
第三衰减系数=(1-np.log(DV_VALUE_STD)/100。其中DV_VALUE_STD为追踪数据的方差值。第三衰减系数的作用是修正方差导致的误差。
图3为本发明实施例提供的设备运行状态预测方法的流程示意图二。本实施例描述了步骤S204中根据第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型的具体过程,包括:
S301:若第二历史数据的自相关性检验和时间序列平稳性检验通过,则将第二历史数据经过差分转化为平稳时间序列的第三历史数据。
在本实施例中,预设模型可以是ARIMA时间序列模型。其中若自相关性检验指标不等于0,则确定第二历史数据满足ARIMA时间序列模型的算法要求。
时间序列平稳性检验主要是确定第二历史数据的时间序列的平稳性。可选地,若时间序列平稳性检验指标小于0.05,则确定第二历史数据的时间序列的平稳性可以用于ARIMA时间序列模型中进行序列分析。将第二历史数据经过差分转化为平稳时间序列的第三历史数据指的是将第二历史数据经过差分处理转化为时间序列平稳性检验指标为0的第三历史数据。
S302:建立初始模型,根据第三历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型。
在本实施例中,利用贝叶斯信息量准则计算ARIMA时间序列模型的超参数,根据超参数构建ARIMA时间序列模型。将第三历史数据作为模型输入参数,预测分值作为模型的输出参数,对ARIMA时间序列模型进行迭代训练,得到训练好的ARIMA时间序列模型。
S303:获取目标时间段内的设备运行数据进行归一化处理后,输入至所述训练好的预设模型中,得到设备预测运行状态。
S304:将所述设备预测运行状态推送至设备管理员的终端,以实时进行维护。
在本实施例中,将目标时间段内的设备运行数据进行归一化处理后输入至训练好的ARIMA时间序列模型。
其中,设备管理员的终端,可以是移动终端或个人电脑等。
从上述描述可知,通过及时将设备预测运行状态发送至设备管理员的终端,保证设备管理员可以随时掌握设备的预测运行状态,便于在设备故障前进行维护,降低损失。
在本发明的一个实施例中,所述获取目标时间段内的设备运行数据进行归一化处理后,还包括:
按照预设规则确定所述目标时间段内的设备运行数据的分值,其中分值用于表征设备是否有故障;实时显示所述目标时间段内的设备运行数据的分值对应的设备状态。
其中,实时显示所述目标时间段内的设备运行数据的分值对应的设备状态可以是在显示设备上显示,例如大屏幕等。
通过实时展示设备当前的设备状态,实现对设备状态的实时监控,以及时发现现场故障问题。
图4为本发明实施例提供的设备运行状态预测装置的结构示意图一。如图4所示,该设备运行状态预测装置包括:数据获取模块401、数据处理模块402、模型建立模块403和状态预测模块404。
其中,数据获取模块401,用于获取第一预设时间段内的设备运行的第一历史数据,并对所述第一历史数据进行归一化处理得到第二历史数据;
数据处理模块402,用于按照预设规则确定所述第二历史数据的分值,其中分值用于表征设备是否有故障;按照预设算法确定每个第二历史数据对应的预测分值;
模型建立模块403,用于根据所述第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型;
状态预测模块404,用于通过所述预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
在本发明的一个实施例中,所述数据处理模块402,具体用于若所述第二历史数据属于故障数据,则按照第一调整策略将第二历史数据对应的分值确定在第一预设范围内;若所述第二历史数据属于非故障数据,则按照第二调整策略将第二历史数据对应的分值确定在第二预设范围内;若所述第二历史数据为缺失数据,则将第二历史数据的分值确定为预设固定分值。
在本发明的一个实施例中,所述数据处理模块402,还具体用于根据衰减系数对将第二历史数据的分值进行修正。
在本发明的一个实施例中,所述数据处理模块402,还具体用于确定第二预设时间段内的第二历史数据的第一平均分值;根据第二历史数据的分值和所述第一平均分值确定所述第二历史数据的比率值;将所述第二历史数据的比率值的比率值中位数确定为周期因子;根据第三预设时间段内的第二历史数据的第二平均分值,确定第二历史数据的基础值;根据所述周期因子和所述基础值,确定第二历史数据的预测值。
在本发明的一个实施例中,所述模型建立模块403,具体用于若第二历史数据的自相关性检验和时间序列平稳性检验通过,则将所述第二历史数据经过差分转化为平稳时间序列的第三历史数据;建立初始模型,根据所述第三历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型。
图5为本发明实施例提供的设备运行状态预测装置的结构示意图二。所述装置还包括:信息发送模块405,用于获取目标时间段内的设备运行数据进行归一化处理后,输入至所述训练好的预设模型中,得到设备预测运行状态;将所述设备预测运行状态推送至设备管理员的终端,以实时进行维护。
在本发明的一个实施例中,所述装置还包括:显示模块406,按照预设规则确定所述目标时间段内的设备运行数据的分值;实时显示所述目标时间段内的设备运行数据的分值对应的设备状态。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图6为本发明实施例提供的网络设备的硬件结构示意图。如图6所示,本实施例的网络设备60包括:处理器601以及存储器602;其中
存储器602,用于存储计算机执行指令;
处理器601,用于执行存储器存储的计算机执行指令,以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器602既可以是独立的,也可以跟处理器601集成在一起。
当存储器602独立设置时,该网络设备还包括总线603,用于连接所述存储器602和处理器601。
本发明实施例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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的设备运行状态预测方法。
在本发明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。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块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。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,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)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各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,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种设备运行状态预测方法,其特征在于,包括:
获取第一预设时间段内的设备运行的第一历史数据,并对所述第一历史数据进行归一化处理得到第二历史数据;
按照预设规则确定所述第二历史数据的分值,其中所述分值用于表征设备是否有故障;
按照预设算法确定每个第二历史数据对应的预测分值;
根据所述第二历史数据及对应的所述预测分值,对初始模型进行训练得到训练好的预设模型;
通过所述预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态。
2.根据权利要求1所述的方法,其特征在于,所述按照预设规则确定所述第二历史数据的分值,包括:
若所述第二历史数据属于故障数据,则按照第一调整策略将所述第二历史数据对应的分值确定在第一预设范围内;
若所述第二历史数据属于非故障数据,则按照第二调整策略将所述第二历史数据对应的分值确定在第二预设范围内;
若所述第二历史数据为缺失数据,则将所述第二历史数据的分值确定为预设固定分值。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
根据衰减系数对所述第二历史数据的分值进行修正,其中所述衰减系数是根据所述第一历史数据确定的。
4.根据权利要求1所述的方法,其特征在于,所述按照预设算法确定每个第二历史数据对应的预测分值,包括:
确定第二预设时间段内的所述第二历史数据的第一平均分值;
根据所述第二历史数据的分值和所述第一平均分值确定所述第二历史数据的比率值;
将所述第二历史数据的比率值的比率值中位数确定为周期因子;
根据第三预设时间段内的所述第二历史数据的第二平均分值,确定所述第二历史数据的基础值;
根据所述周期因子和所述基础值,确定所述第二历史数据的预测分值。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第二历史数据及对应的预测分值,对初始模型进行训练得到训练好的预设模型,包括:
若所述第二历史数据的自相关性检验和时间序列平稳性检验通过,则将所述第二历史数据经过差分转化为平稳时间序列的第三历史数据;
建立初始模型,根据所述第三历史数据及对应的所述预测分值,对所述初始模型进行训练得到训练好的预设模型。
6.根据权利要求1所述的方法,其特征在于,所述通过所述预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态之后,还包括:
将所述设备预测运行状态推送至设备管理员的终端,以实时进行维护。
7.根据权利要求6所述的方法,其特征在于,所述获取目标时间段内的设备运行数据进行归一化处理后,还包括:
按照所述预设规则确定所述目标时间段内的设备运行数据的分值;
实时显示所述目标时间段内的设备运行数据的分值对应的设备状态。
8.一种设备运行状态预测装置,其特征在于,包括:
数据获取模块,用于获取第一预设时间段内的设备运行的第一历史数据,并对所述第一历史数据进行归一化处理得到第二历史数据;
数据处理模块,用于按照预设规则确定所述第二历史数据的分值,其中分值用于表征设备是否有故障;按照预设算法确定每个第二历史数据对应的预测分值;
模型建立模块,用于根据所述第二历史数据及对应的所述预测分值,对初始模型进行训练得到训练好的预设模型;
状态预测模块,用于通过所述预设模型对目标时间段内的设备运行数据进行预测得到设备预测运行状态。
9.一种网络设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至7任一项所述的设备运行状态预测方法。
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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至7任一项所述的设备运行状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448364.1A CN111626498B (zh) | 2020-05-25 | 2020-05-25 | 设备运行状态预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010448364.1A CN111626498B (zh) | 2020-05-25 | 2020-05-25 | 设备运行状态预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626498A true CN111626498A (zh) | 2020-09-04 |
CN111626498B CN111626498B (zh) | 2023-10-24 |
Family
ID=72260864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010448364.1A Active CN111626498B (zh) | 2020-05-25 | 2020-05-25 | 设备运行状态预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626498B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528183A (zh) * | 2022-02-17 | 2022-05-24 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
CN116415931A (zh) * | 2023-03-14 | 2023-07-11 | 成都电通能源有限公司 | 一种基于大数据的电力设备运行状态监控方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130155834A1 (en) * | 2011-12-20 | 2013-06-20 | Ncr Corporation | Methods and systems for scheduling a predicted fault service call |
WO2017028632A1 (zh) * | 2015-08-19 | 2017-02-23 | 中国电力科学研究院 | 一种配电网运行可靠性的预测方法 |
CN107908864A (zh) * | 2017-11-14 | 2018-04-13 | 中国科学院空间应用工程与技术中心 | 一种基于特征融合的复杂设备剩余使用寿命预测方法 |
CN108376299A (zh) * | 2018-02-27 | 2018-08-07 | 深圳市智物联网络有限公司 | 一种设备运行趋势的预测方法及装置 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN110378501A (zh) * | 2018-04-12 | 2019-10-25 | 长沙行深智能科技有限公司 | 一种预派件方法 |
US20190332073A1 (en) * | 2006-02-14 | 2019-10-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
CN110503258A (zh) * | 2019-08-15 | 2019-11-26 | 中国平安财产保险股份有限公司 | 基于多维度数据的预测方法、装置、设备及可读存储介质 |
CN110769454A (zh) * | 2018-07-25 | 2020-02-07 | 中国移动通信集团浙江有限公司 | 流量预测方法及装置 |
CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
CN111047082A (zh) * | 2019-12-02 | 2020-04-21 | 广州智光电气股份有限公司 | 设备的预警方法及装置、存储介质和电子装置 |
-
2020
- 2020-05-25 CN CN202010448364.1A patent/CN111626498B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190332073A1 (en) * | 2006-02-14 | 2019-10-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
US20130155834A1 (en) * | 2011-12-20 | 2013-06-20 | Ncr Corporation | Methods and systems for scheduling a predicted fault service call |
WO2017028632A1 (zh) * | 2015-08-19 | 2017-02-23 | 中国电力科学研究院 | 一种配电网运行可靠性的预测方法 |
WO2019019255A1 (zh) * | 2017-07-25 | 2019-01-31 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法、预测模型建立程序及计算机可读存储介质 |
CN107908864A (zh) * | 2017-11-14 | 2018-04-13 | 中国科学院空间应用工程与技术中心 | 一种基于特征融合的复杂设备剩余使用寿命预测方法 |
CN108376299A (zh) * | 2018-02-27 | 2018-08-07 | 深圳市智物联网络有限公司 | 一种设备运行趋势的预测方法及装置 |
CN110378501A (zh) * | 2018-04-12 | 2019-10-25 | 长沙行深智能科技有限公司 | 一种预派件方法 |
CN108717577A (zh) * | 2018-05-29 | 2018-10-30 | 景祝强 | 基于历史维修记录大数据的维修预测装置以及方法 |
CN110769454A (zh) * | 2018-07-25 | 2020-02-07 | 中国移动通信集团浙江有限公司 | 流量预测方法及装置 |
CN109784574A (zh) * | 2019-01-24 | 2019-05-21 | 新奥数能科技有限公司 | 设备状态的预测方法及装置、存储介质、电子装置 |
CN110503258A (zh) * | 2019-08-15 | 2019-11-26 | 中国平安财产保险股份有限公司 | 基于多维度数据的预测方法、装置、设备及可读存储介质 |
CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
CN111047082A (zh) * | 2019-12-02 | 2020-04-21 | 广州智光电气股份有限公司 | 设备的预警方法及装置、存储介质和电子装置 |
Non-Patent Citations (2)
Title |
---|
代风;纪杨建;万安平;张真;: "矿渣粉磨健康状态识别模型及系统设计", no. 04 * |
秦荣海;任稷松;郭蔚;赵昌健;贾培伟;: "基于CUSUM算法的网络设备故障预测", no. 02 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528183A (zh) * | 2022-02-17 | 2022-05-24 | 厦门四信通信科技有限公司 | LoRa设备的离线预测方法、装置、设备及可读存储介质 |
CN116415931A (zh) * | 2023-03-14 | 2023-07-11 | 成都电通能源有限公司 | 一种基于大数据的电力设备运行状态监控方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111626498B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826071B (zh) | 软件漏洞风险预测方法、装置、设备及存储介质 | |
WO2020173136A1 (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
CN111626498A (zh) | 设备运行状态预测方法、装置、设备及存储介质 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN111240976A (zh) | 软件测试方法、装置、计算机设备及存储介质 | |
CN113590429A (zh) | 一种服务器故障诊断方法、装置及电子设备 | |
CN109800124A (zh) | Cpu使用率监控方法、装置、电子设备及存储介质 | |
CN110855484A (zh) | 自动检测业务量变化的方法、系统、电子设备和存储介质 | |
US20230025081A1 (en) | Model training method, failure determining method, electronic device, and program product | |
CN115309638A (zh) | 协助模型优化的方法及装置 | |
CN115249043A (zh) | 数据分析方法、装置、电子设备及存储介质 | |
TWI778634B (zh) | 故障分類方法、電子設備及儲存介質 | |
CN113157583B (zh) | 一种测试方法、装置及设备 | |
CN110674839A (zh) | 异常用户识别方法、装置、存储介质及电子设备 | |
CN114844778B (zh) | 核心网的异常检测方法、装置、电子设备及可读存储介质 | |
CN109920466B (zh) | 一种硬盘测试数据解析方法、装置、终端及存储介质 | |
CN111711537B (zh) | 备用主节点列表更新方法、装置及设备 | |
CN113901731B (zh) | 电量预测方法、装置、介质及设备 | |
CN110928788B (zh) | 服务验证方法及设备 | |
CN115858324B (zh) | 基于ai的it设备故障处理方法、装置、设备和介质 | |
CN113298636B (zh) | 一种基于模拟资源申请的风险控制方法、装置和系统 | |
CN117785625A (zh) | 服务器性能预测方法、装置、设备及存储介质 | |
CN115809739A (zh) | 业务数据预测方法、装置、介质及电子设备 | |
CN117785638A (zh) | 系统可靠性计算方法、装置和电子设备 | |
CN116225875A (zh) | 数据处理方法、介质、装置及计算设备 |
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 | ||
CB02 | Change of applicant information |
Address after: No. 1778, Qinglan Road, Huangjia Street, Shuangliu District, Chengdu, Sichuan 610200 Applicant after: Chengdu BOE Display Technology Co.,Ltd. Address before: No. 1778, Qinglan Road, Gongxing street, Shuangliu District, Chengdu, Sichuan 610200 Applicant before: CHENGDU ZHONGDIAN PANDA DISPLAY TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |