CN112330063A - 设备故障预测方法、装置以及计算机可读存储介质 - Google Patents
设备故障预测方法、装置以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112330063A CN112330063A CN202011346019.3A CN202011346019A CN112330063A CN 112330063 A CN112330063 A CN 112330063A CN 202011346019 A CN202011346019 A CN 202011346019A CN 112330063 A CN112330063 A CN 112330063A
- Authority
- CN
- China
- Prior art keywords
- target domain
- feature vector
- data
- fault type
- fault
- 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
- 239000013598 vector Substances 0.000 claims abstract description 192
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，方法包括：获取目标域数据的目标域特征向量、源域数据的源域特征向量以及携带故障类型标签的目标域训练数据的训练特征向量，所述目标域数据包括目标域设备的历史运行数据，所述源域数据包括源域设备的历史运行数据；根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集；根据所述故障样本数据集对所述目标域设备进行故障预测。通过本发明的技术方案，将源域设备上的数据迁移到目标域设备，增加数据量，并基于携带故障类型标签的故障样本数据集快速实现目标域设备的故障类型预测。
Description
技术领域
本发明涉及能源技术领域，尤其涉及设备故障预测方法、装置以及计算机可读存储介质。
背景技术
设备故障检测对设备的安全运行十分重要。
目前，由于设备运行数据较少，尤其是对于新投入运行的设备，其数据更少，通常采用专家系统法实现设备故障预测，专家系统法指的是运行技术人员根据设备运行数据，根据多年经验指出设备故障。
但是，采用专家系统法难以快速实现设备故障预测。
发明内容
本发明提供了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，将源域设备上的数据迁移到目标域设备，增加数据量，并基于携带故障类型标签的故障样本数据集快速实现目标域设备的故障类型预测。
第一方面，本发明提供了一种设备故障预测方法，包括：
获取目标域数据的目标域特征向量及源域数据的源域特征向量，所述目标域数据包括目标域设备的历史运行数据，所述源域数据包括源域设备的历史运行数据；
根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集；
根据所述故障样本数据集对所述目标域设备进行故障预测。
第二方面，本发明提供了一种设备故障预测装置，包括：
获取模块，用于获取目标域数据的目标域特征向量及源域数据的源域特征向量，所述目标域数据包括目标域设备的历史运行数据，所述源域数据包括源域设备的历史运行数据；
构造模块，用于根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集；
预测模块，用于根据所述故障样本数据集对所述目标域设备进行故障预测。
第三方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种设备故障预测方法、装置、计算机可读存储介质及电子设备，该方法通过获取目标域数据的目标域特征向量、源域数据的源域特征向量以及携带故障类型标签的目标域训练数据的训练特征向量，目标域数据包括目标域设备的历史运行数据，源域数据包括源域设备的历史运行数据，然后，根据携带故障类型标签的各个训练特征向量、各个目标域特征向量和各个源域特征向量，构造携带故障类型标签的故障样本数据集，之后，根据故障样本数据集对目标域设备进行故障预测。综上所述，通过本发明的技术方案，将源域设备上的数据迁移到目标域设备，增加数据量，并基于携带故障类型标签的故障样本数据集快速实现目标域设备的故障类型预测，同时确保预测精度。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明一实施例提供的一种设备故障预测方法的流程示意图；
图2为本发明一实施例提供的另一种设备故障预测方法的流程示意图；
图3为本发明一实施例提供的一种设备故障预测装置的结构示意图；
图4为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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做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。
本发明实施例所提供的设备故障预测方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。如图1所述，本发明实施例提供了一种设备故障预测方法，包括如下各个步骤：
步骤101、获取目标域数据的目标域特征向量、源域数据的源域特征向量以及携带故障类型标签的目标域训练数据的训练特征向量，所述目标域数据包括目标域设备的历史运行数据，所述源域数据包括源域设备的历史运行数据。
具体地，获取多个目标域数据各自的目标域特征向量、多个源域数据各自的源域特征向量以及目标域训练数据的训练特征向量，目标域训练数据携带有设备类型标签。其中，目标域数据包括目标域设备在某一时间点的历史运行数据；源域数据包括源域设备在某一时间点的历史运行数据；目标域训练数据包括目标域设备在某一时间点的历史运行数据，可以理解的，目标域训练数据的数据量应当小于目标域数据的数据量；故障类型标签为用于指示训练特征向量所对应的故障类型的标识，表征设备故障的种类，应当理解的，故障类型的数量和目标域设备的设备类型有关，在实际应用中，需要结合设备的实际情况确定故障类型。比如，目标域设备是直燃机时，故障类型可以包括冷水流量不足、流量开关报警、进出口压差偏大、冷却水进口温度偏高等。
需要说明的是，目标域训练数据和目标域数据包括的目标域设备的历史运行数据不同，本发明实施例并不意图对每个目标域训练数据各自携带的设备状态标签的获取方法进行限定，可以基于现有技术中的标注工具进行人工标注，也可以是聚类标注，上述标注方法均为现有技术，此处不做过多赘述。
为了确保源域数据的参考价值，目标域设备的参数信息和源域设备的参数信息的相似度不小于预设阈值。其中，参数信息包括多个参数，多个参数但不限于额定容量、额定效率、工作方式、设备类型、品牌以及工作地点。可以理解的，目标域设备的参数信息和源域设备的参数信息的相似度越高，则源域数据的参考价值越高，从而确保后续目标域设备的预测结果的准确性。显然，目标域设备和源域设备的设备类型应该保持一致。这里，源域设备的数量可以有多个。具体地，可以通过对目标域设备和样本设备之间的参数信息进行相似性比较，以确定目标域设备和样本设备之间的相似性，并将相似性不小于预设阈值的样本设备作为源域设备。这里，可以通过任何一种匹配方法确定源域设备，比如，可以以目标域设备的参数信息为模型输入，目标域设备为模型输出，训练一个分类模型，将样本设备的参数信息输入到训练好的分类模型，从而筛选出源域设备，也可以确定目标域设备和源域设备的参数信息中每个参数的相似度，对各个参数的相似度进行加权平均，并将结果确定为目标域设备的参数信息和样本设备的参数信息之间的相似度，之后，判断相似度是否不小于预设阈值，若是，则将样本设备确定为源域设备。
在一些可能的实现方式中，获取目标域数据的目标域特征向量可以包括：
获取目标域设备的各个目标域数据；
对各个所述目标域数据进行数据预处理，以确定各个参考目标域数据；
确定各个所述参考目标域数据各自的目标域特征向量。
具体地，目标域数据可以通过目标域设备上安装的传感器采集获取，通过传感器获取数据为现有技术，此处不做过多赘述。在实际应用中，获取目标域设备上的多个传感器在多个时间点分别采集的数据，针对每个时间点，将多个传感器在该时间点的采集的数据确定为目标域数据，从而获取多个目标域数据。考虑到传感器仅能采集设备的运行数据，在一些可能的情况中，针对每个时间点，对多个传感器在该时间点的采集的数据进行特征提取，计算出预设多个特征各自的特征值，并将多个传感器在该时间点的采集的数据以及预设特征的特征值确定为目标域数据。在另一些可能的情况，针对每个时间点，对多个传感器在该时间点的采集的数据进行特征提取，计算出预设多个特征各自的特征值，并将预设多个特征各自的特征值确定为目标域数据。
考虑到传感器采集的数据通常是脏数据，通常需要对各个目标域数据进行数据预处理，从而确保得到的各个参考目标域数据的参考价值，便于后续的数据处理，之后，确定每个参考目标域数据各自的目标域特征向量。其中，目标域特征向量可以理解为参考目标域数据的空间变换，即参考目标域数据在指定坐标系中的坐标。这里，数据预处理包括但不限于异常值去除、缺失值填充、归一化处理以及延迟处理。在一种可能的实现方式中，对目标域数据进行归一化处理；确定目标域设备的延迟时间；将归一化处理后的目标域数据的时间点前移延迟时间，从而得到参考目标域数据。其中，归一化处理指的是将数据统一映射到[0,1]区间上。举例来说，假设目标域数据的时间点为ti，延迟时间为T，则参考目标域数据的时间点为ti-T。
应当理解的，目标域特征向量对应有多个特征，在一些可能的实现方式中，确定各个所述参考目标域数据各自的目标域特征向量，可以包括：
基于符号回归算法，对各个所述目标域训练数据所对应的各个特征进行特征筛选，确定出各个目标特征；
基于各个所述目标特征，确定所述参考目标域数据的目标域特征向量。
该实现方式中，基于符号回归算法自动筛选出若干个目标特征，基于这些目标特征，构建特征向量，基于特征向量，确定每个参考目标域数据各自的目标域特征向量。其中，符号回归算法，根据给定一组自变量和一组训练数据，找出拟合训练数据的函数关系式，自变量为目标域训练数据所对应的特征，训练数据为目标域训练数据及其携带的故障类型标签，目标特征为函数关系式中的自变量。确定了各个目标特征后，之后，通过各个目标特征分别对应在参考目标域数据中的特征值形成目标域特征向量，比如，按照各个目标特征的指定排序方式，对各个目标特征分别对应在参考目标域数据中的特征值进行排序，得到目标域特征向量。举例来说，假设有N个特征，目标域数据中N个特征分别对应的特征值为E1、E2、……、EN，假设N个特征值按照E1、E2、……、EN的顺序进行排序，则目标域特征向量为[E1，E2，……，EN]。
应当理解的，源域数据的源域特征向量、目标域训练数据的训练特征向量分别和目标域数据的目标域特征向量的确定方式相似，此处不做过多赘述。
具体地，目标域设备可以是能源设备，比如，直燃机、蒸汽锅炉、内燃机、汽轮机等，优选直燃机。
步骤102、根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集。
具体地，通过训练特征向量携带的故障类型标签，确定出目标域特征向量对应的故障类型标签以及源域特征向量对应的故障类型标签，并基于目标域特征向量对应的故障类型标签以及源域特征向量对应的故障类型标签，构造携带故障类型标签的故障样本数据集。
具体地，步骤102包括：
获取各个训练特征向量以及各个所述训练特征向量各自携带的故障类型标签，并将各个所述目标域特征向量以及各个所述源域特征向量分别确定为样本特征向量；
针对每个所述样本特征向量，计算各个所述训练特征向量分别与所述样本特征向量之间的距离长度；
根据各个所述训练特征向量分别与所述样本特征向量之间的距离长度以及各个所述训练特征向量各自携带的故障类型标签，确定出所述样本特征向量对应的故障类型标签；
根据各个所述样本特征向量各自对应的故障类型标签，构造携带所述故障类型标签的故障样本数据集。
为了便于说明，将各个目标域特征向量分别作为样本特征向量，将各个源域特征向量分别作为样本特征向量。针对每个样本特征向量，计算各个训练特征向量分别与样本特征向量之间的距离长度。举例来说，一个样本特征向量S，N个训练特征向量，分别表示为t1、t2、……、tN，则计算t1、t2、……、tN分别为S之间的距离长度，得到N个距离长度，即N个距离值。这里，样本特征向量和训练特征向量之间的距离长度可以是欧氏距离。
根据各个训练特征向量分别与样本特征向量之间的距离长度以及各个训练特征向量各自携带的故障类型标签，确定出样本特征向量对应的故障类型标签，从而实现了故障类型标签的转移，后续，根据各个样本特征向量各自对应的故障类型标签，构造携带故障类型标签的故障样本数据集，从而实现故障预测。
具体地，按照由小到大的顺序对各个训练特征向量分别与样本特征向量之间的距离长度进行排序，根据预设截取量，确定排序靠前的多个距离长度各自对应的训练特征向量；从排序靠前的多个距离长度各自对应的训练特征向量携带的故障类型标签中，确定出现频率最高的故障类型标签，并将出现频率最高的故障类型标签，确定为样本特征向量对应的故障类型标签。这里，预设截取量和排序靠前的多个距离长度的数量是相同的，具体需要结合实际情况确定，从而确保样本特征向量对应的故障类型标签的参考价值。应当理解的，目标距离长度包括排序靠前的多个距离长度，多个距离长度的数量和预设截取量相同。
步骤103、根据所述故障样本数据集对所述目标域设备进行故障预测。
作为一种可能的情况，采集目标域设备的运行数据，并确定运行数据的特征向量，确定出故障样本数据集中与运行数据的特征向量距离最小的样本特征向量，并基于样本特征向量携带的故障类别标签，确定为目标域设备的故障类型。
作为另一种可能的情况，基于故障样本数据集训练一个故障类型分类模型，采集目标域设备的运行数据，并确定运行数据的特征向量，将运行数据的特征向量代入故障类型分类模型中，得到目标域设备的故障类型。
通过以上技术方案可知，本实施例存在的有益效果是：将训练特征向量对应的故障类型标签，迁移到不具有标签的目标域特征向量和源域特征向量，并基于目标域特征向量和源域特征向量，构建携带故障类型标签的故障样本数据集，增加了用于目标域设备故障类型预测的数据量，确保后续故障类型预测的准确性，同时无需人为预测，可快速实现故障类型的预测。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明所述设备故障预测方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。所述方法具体包括以下步骤：
步骤201、获取目标域设备的各个目标域数据；对各个所述目标域数据进行数据预处理，以确定各个参考目标域数据；确定各个所述参考目标域数据各自的目标域特征向量。
基于目标域设备上的传感器采集的各个时间点的历史运行数据，并将每个时间点的历史运行数据分别作为目标域数据，得到多个目标域数据。之后，对各个目标域数据进行异常值删除、缺失值填充、归一化以及延迟处理，得到各个参考目标域数据，基于预先设置的多个目标特征，从参考目标域数据中确定各个目标特征各自的特征值，通过各个目标特征各自的特征值形成目标域特征向量。其中，预先设置的多个目标特征可以基于专家经验确定，确保确定出的多个目标特征的参考价值。
步骤202、获取源域设备的各个源域数据；对各个所述源域数据进行数据预处理，以确定各个参考源域数据；确定各个所述参考源域数据各自的源域特征向量。
确定源域特征向量的方法与确定目标域特征向量的方法相同，这里不做过多赘述。
步骤203、获取携带故障类型标签的目标域训练数据的训练特征向量，并将各个所述目标域特征向量以及各个所述源域特征向量分别确定为样本特征向量。
具体地，目标域训练数据的数据量小于目标域数据的数据量。
步骤204、针对每个所述样本特征向量，计算各个所述训练特征向量分别与所述样本特征向量之间的距离长度。
具体地，计算各个训练特征向量分别与样本特征向量之间的欧式距离。
步骤205、对各个所述训练特征向量分别与所述样本特征向量之间的距离长度的大小进行由小到大的排序，根据预设截取量，确定目标距离长度对应的各个训练特征向量。
步骤206、从所述目标距离长度对应的各个训练特征向量各自携带的故障类型标签中，确定出现频率最高的故障类型标签，并将所述出现频率最高的故障类型标签，确定为所述样本特征向量对应的故障类型标签。
举例来说，按照由距离长度由小到大的顺序，对各个训练特征向量进行排序，确定排序靠前的K个训练特征向量，K个训练特征向量各自携带的故障类型标签分别为A1、A2、…、Ai、…、AK，假设Ai出现的次数最多，则将Ai确定为样本特征向量对应的故障类型标签。
步骤207、根据各个所述样本特征向量各自对应的故障类型标签，构造携带所述故障类型标签的故障样本数据集。
故障样本数据集包括所有样本特征向量及每个样本特征向量各自对应的故障类型标签。
步骤208、根据所述故障样本数据集对所述目标域设备进行故障预测。
通过以上技术方案可知，本实施例存在的有益效果是：将少量的训练特征向量各自对应的故障类型标签，迁移到大量不具有标签的目标域特征向量和源域特征向量，并基于目标域特征向量和源域特征向量，构建携带故障类型标签的故障样本数据集，增加了用于目标域设备故障类型预测的数据量，确保后续故障类型预测的准确性，同时无需人为预测，可快速实现故障类型的预测。
基于与本发明方法实施例相同的构思，请参考图3，本发明实施例还提供了一种设备故障预测装置，包括：
获取模块301，用于获取目标域数据的目标域特征向量、源域数据的源域特征向量以及携带故障类型标签的目标域训练数据的训练特征向量，所述目标域数据包括目标域设备的历史运行数据，所述源域数据包括源域设备的历史运行数据；
构造模块302，用于根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集；
预测模块303，用于根据所述故障样本数据集对所述目标域设备进行故障预测。
本发明一个实施例中，所述构造模块302，包括：向量确定单元、距离确定单元、标签确定单元以及构造单元；其中，
所述向量确定单元，用于将各个所述目标域特征向量以及各个所述源域特征向量分别确定为样本特征向量；
所述距离确定单元，用于针对每个所述样本特征向量，计算各个所述训练特征向量分别与所述样本特征向量之间的距离长度；
所述标签确定单元，用于根据各个所述训练特征向量分别与所述样本特征向量之间的距离长度以及各个所述训练特征向量各自携带的故障类型标签，确定出所述样本特征向量对应的故障类型标签；
所述构造单元，用于根据各个所述样本特征向量各自对应的故障类型标签，构造携带所述故障类型标签的故障样本数据集。
本发明一个实施例中，所述标签确定单元，包括：选取子单元以及标签确定子单元；其中，
所述选取子单元，用于对各个所述训练特征向量分别与所述样本特征向量之间的距离长度的大小进行由小到大的排序，确定目标距离长度对应的各个训练特征向量，其中，所述目标距离长度是由小到大的距离长度进行排序，并从小到大的顺序按预设截取量获取的多个距离长度；
所述标签确定子单元，用于从所述目标距离长度对应的各个训练特征向量各自携带的故障类型标签中，确定出现频率最高的故障类型标签，并将所述出现频率最高的故障类型标签，确定为所述样本特征向量对应的故障类型标签。
本发明一个实施例中，所述获取模块301，包括：获取单元、处理单元以及向量确定单元；其中，
所述获取单元，用于获取目标域设备的各个目标域数据；
所述处理单元，用于对各个所述目标域数据进行数据预处理，以确定各个参考目标域数据；
所述向量确定单元，用于确定各个所述参考目标域数据各自的目标域特征向量。
本发明一个实施例中，所述向量确定单元，包括：特征筛选子单元以及向量确定子单元；其中，
所述特征筛选子单元，用于基于符号回归算法，对各个所述目标域训练数据所对应的各个特征进行特征筛选，确定出各个目标特征；
所述向量确定子单元，用于基于各个所述目标特征，确定所述参考目标域数据的目标域特征向量。
本发明一个实施例中，所述处理单元，包括：归一化处理子单元以及延迟处理子单元；其中，
所述归一化处理子单元，用于对所述目标域数据进行归一化处理；
所述延迟处理子单元，用于确定所述目标域设备的延迟时间；将所述归一化处理后的目标域数据的时间点前移所述延迟时间，得到参考目标域数据。
本发明一个实施例中，所述目标域设备的参数信息和所述源域设备的参数信息之间的相似度不小于预设阈值，所述参数信息包括额定容量、额定效率、工作方式、设备类型、品牌以及工作地点中的任意一项或多项。
图4是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器401以及存储有执行指令的存储器402，可选地还包括内部总线403及网络接口404。其中，存储器402可能包含内存4021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器4022(non-volatile memory)，例如至少1个磁盘存储器等；处理器401、网络接口404和存储器402可以通过内部总线403相互连接，该内部总线403可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线403可以分为地址总线、数据总线、控制总线等，为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器401执行存储器402存储的执行指令时，处理器401执行本发明任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种设备故障预测装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种设备故障预测方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图4所示的电子设备；执行指令是一种设备故障预测装置所对应计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种设备故障预测方法，其特征在于，包括：
获取目标域数据的目标域特征向量、源域数据的源域特征向量以及携带故障类型标签的目标域训练数据的训练特征向量，所述目标域数据包括目标域设备的历史运行数据，所述源域数据包括源域设备的历史运行数据；
根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集；
根据所述故障样本数据集对所述目标域设备进行故障预测。
2.根据权利要求1所述的方法，其特征在于，所述根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集，包括：
将各个所述目标域特征向量以及各个所述源域特征向量分别确定为样本特征向量；
针对每个所述样本特征向量，计算各个所述训练特征向量分别与所述样本特征向量之间的距离长度；
根据各个所述训练特征向量分别与所述样本特征向量之间的距离长度以及各个所述训练特征向量各自携带的故障类型标签，确定出所述样本特征向量对应的故障类型标签；
根据各个所述样本特征向量各自对应的故障类型标签，构造携带所述故障类型标签的故障样本数据集。
3.根据权利要求2所述的方法，其特征在于，所述根据各个所述训练特征向量分别与所述样本特征向量之间的距离长度以及各个所述训练特征向量各自携带的故障类型标签，确定出所述样本特征向量对应的故障类型标签，包括：
对各个所述训练特征向量分别与所述样本特征向量之间的距离长度的大小进行由小到大的排序，确定目标距离长度对应的各个训练特征向量，其中，所述目标距离长度是由小到大的距离长度进行排序，并从小到大的顺序按预设截取量获取的多个距离长度；
从所述目标距离长度对应的各个训练特征向量各自携带的故障类型标签中，确定出现频率最高的故障类型标签，并将所述出现频率最高的故障类型标签，确定为所述样本特征向量对应的故障类型标签。
4.根据权利要求1所述的方法，其特征在于，所述获取目标域数据的目标域特征向量，包括：
获取目标域设备的各个目标域数据；
对各个所述目标域数据进行数据预处理，以确定各个参考目标域数据；
确定各个所述参考目标域数据各自的目标域特征向量。
5.根据权利要求4所述的方法，其特征在于，所述确定各个所述参考目标域数据各自的目标域特征向量，包括：
基于符号回归算法，对各个所述目标域训练数据所对应的各个特征进行特征筛选，确定出各个目标特征；
基于各个所述目标特征，确定所述参考目标域数据的目标域特征向量。
6.根据权利要求4所述的方法，其特征在于，所述对各个所述目标域数据进行数据预处理，以确定各个参考目标域数据，包括：
对所述目标域数据进行归一化处理；
确定所述目标域设备的延迟时间；
将所述归一化处理后的目标域数据的时间点前移所述延迟时间，得到参考目标域数据。
7.根据权利要求1所述的方法，其特征在于，所述目标域设备的参数信息和所述源域设备的参数信息之间的相似度不小于预设阈值，所述参数信息包括额定容量、额定效率、工作方式、设备类型、品牌以及工作地点中的任意一项或多项。
8.一种设备故障预测装置，其特征在于，包括：
获取模块，用于获取目标域数据的目标域特征向量及源域数据的源域特征向量，所述目标域数据包括目标域设备的历史运行数据，所述源域数据包括源域设备的历史运行数据；
构造模块，用于根据携带所述故障类型标签的各个所述训练特征向量、各个所述目标域特征向量和各个所述源域特征向量，构造携带所述故障类型标签的故障样本数据集；
预测模块，用于根据所述故障样本数据集对所述目标域设备进行故障预测。
9.一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011346019.3A CN112330063B (zh) | 2020-11-25 | 2020-11-25 | 设备故障预测方法、装置以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011346019.3A CN112330063B (zh) | 2020-11-25 | 2020-11-25 | 设备故障预测方法、装置以及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330063A true CN112330063A (zh) | 2021-02-05 |
| CN112330063B CN112330063B (zh) | 2024-03-26 |
Family
ID=74308759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011346019.3A Active CN112330063B (zh) | 2020-11-25 | 2020-11-25 | 设备故障预测方法、装置以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330063B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486584A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 |
| CN114239859A (zh) * | 2022-02-25 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 一种基于迁移学习的时序数据预测方法、装置及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010182287A (ja) * | 2008-07-17 | 2010-08-19 | Steven C Kays | 適応型インテリジェント・デザイン |
| CN105629962A (zh) * | 2016-03-03 | 2016-06-01 | 中国铁路总公司 | 高铁列控设备无线闭塞中心rbc系统的故障诊断方法 |
| CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
| CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
| CN110689130A (zh) * | 2019-10-24 | 2020-01-14 | 陕西科技大学 | 轴承故障诊断方法 |
| CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
| CN110909826A (zh) * | 2019-12-10 | 2020-03-24 | 新奥数能科技有限公司 | 一种能源设备的诊断监测方法、装置及电子设备 |
| US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
| CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
-
2020
- 2020-11-25 CN CN202011346019.3A patent/CN112330063B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010182287A (ja) * | 2008-07-17 | 2010-08-19 | Steven C Kays | 適応型インテリジェント・デザイン |
| CN105629962A (zh) * | 2016-03-03 | 2016-06-01 | 中国铁路总公司 | 高铁列控设备无线闭塞中心rbc系统的故障诊断方法 |
| CN108398266A (zh) * | 2018-01-22 | 2018-08-14 | 武汉科技大学 | 一种基于集成迁移学习的轴承故障诊断方法 |
| US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
| CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
| CN110689130A (zh) * | 2019-10-24 | 2020-01-14 | 陕西科技大学 | 轴承故障诊断方法 |
| CN110866365A (zh) * | 2019-11-22 | 2020-03-06 | 北京航空航天大学 | 基于部分迁移卷积网络的机械设备智能故障诊断方法 |
| CN110909826A (zh) * | 2019-12-10 | 2020-03-24 | 新奥数能科技有限公司 | 一种能源设备的诊断监测方法、装置及电子设备 |
| CN111860677A (zh) * | 2020-07-29 | 2020-10-30 | 湖南科技大学 | 一种基于部分域对抗的滚动轴承迁移学习故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘冬冬;李友荣;徐增丙;: "选择性集成迁移算法在轴承故障诊断领域的应用", 机械设计与制造, no. 05, pages 28 - 31 * |
| 王莹;卢秀和;杨曼;: "基于欧式距离法的变压器故障BBA模型建立与分析", 电测与仪表, no. 12 * |
| 白浩;王昱力;: "基于数据清洗和知识迁移的变压器故障诊断模型", 电工电能新技术, no. 01 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486584A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 |
| CN113486584B (zh) * | 2021-07-06 | 2023-12-29 | 新奥新智科技有限公司 | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 |
| CN114239859A (zh) * | 2022-02-25 | 2022-03-25 | 杭州海康威视数字技术股份有限公司 | 一种基于迁移学习的时序数据预测方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330063B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330060B (zh) | 设备故障预测方法、装置、可读存储介质及电子设备 | |
| CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
| CN111414999B (zh) | 一种设备运行状态的监测方法及装置 | |
| CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
| CN111459695A (zh) | 根因定位方法、装置、计算机设备和存储介质 | |
| CN108491302B (zh) | 一种检测spark集群节点状态的方法 | |
| CN112330063A (zh) | 设备故障预测方法、装置以及计算机可读存储介质 | |
| CN114116397A (zh) | 一种监控指标的预警归因方法、装置、设备及存储介质 | |
| CN112101665A (zh) | 故障检测预警方法、装置、存储介质及电子设备 | |
| CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
| CN112270239A (zh) | 基于智慧交通的截取图像合成方法及系统 | |
| CN112214768A (zh) | 一种恶意进程的检测方法及装置 | |
| CN112183830A (zh) | 一种冷冻水温度的预测方法及装置 | |
| CN110991762A (zh) | 预测方法、装置、计算机可读存储介质及电子设备 | |
| CN116136950B (zh) | 芯片验证方法、装置、系统、电子设备及存储介质 | |
| CN110417621B (zh) | 一种轻量级嵌入式系统异常运行状态检测方法 | |
| CN109471852B (zh) | 医疗数据库建立方法、装置、计算机设备和存储介质 | |
| CN115757900B (zh) | 应用人工智能模型的用户需求分析方法及系统 | |
| CN110634018A (zh) | 一种流失用户的特征刻画方法、识别方法及相关装置 | |
| CN111143424A (zh) | 特征场景数据挖掘方法、装置和终端 | |
| CN109299224B (zh) | 基于Zabbix的解决方案查询方法、装置、计算机设备 | |
| CN114003466A (zh) | 一种用于微服务应用程序的故障根因定位方法 | |
| CN112733453A (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
| CN111859063B (zh) | 一种用于监控互联网中转载文章信息的控制方法及装置 | |
| CN111626573B (zh) | 一种目标数据的确定方法、装置、可读介质及电子设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240119 Address after: 065001 China (Hebei) Pilot Free Trade Zone Daxing Airport Area Langfang Airport Economic Zone Hangyidao Free Trade Zone Science and Technology Innovation Base 2101, Langfang City, Hebei Province Applicant after: Xinao Xinzhi Technology Co.,Ltd. Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |