CN112733453A - 一种基于联合学习的设备预测性维护方法及装置 - Google Patents
一种基于联合学习的设备预测性维护方法及装置 Download PDFInfo
- Publication number
- CN112733453A CN112733453A CN202110044745.8A CN202110044745A CN112733453A CN 112733453 A CN112733453 A CN 112733453A CN 202110044745 A CN202110044745 A CN 202110044745A CN 112733453 A CN112733453 A CN 112733453A
- Authority
- CN
- China
- Prior art keywords
- model
- fault
- integrated
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012423 maintenance Methods 0.000 title claims abstract description 31
- 230000010354 integration Effects 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims description 35
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 239000002184 metal Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 1
- 229910052794 bromium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，该方法包括：确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。本发明提供的技术方案通过联合学习可以准确的确定出目标设备的故障预测结果。
Description
技术领域
本发明涉及能源领域，尤其涉及一种基于联合学习的设备预测性维护方法及装置。
背景技术
综合能源系统中存在着大量的设备，各个设备通常都不是独立存在的，任何一个设备出现问题，都可能导致多个设备无法正常工作，因此设备的正常运行是综合能源系统高效运行的前提条件。为了保证设备的正常运行，通常需要对设备进行预测性维护，即在设备还未出现故障前，通过对设备的运行状态进行判断，预测出设备可能出现的故障，目前对在设备进行预测性维护时，常常需要获取大量的样本数据，构建物理模型，然而利用物理模型进行预测时，计算复杂且耗时较长，对于复杂的设备，可能无法获取到设备的物理模型，因此确定一种新的基于联合学习的设备预测性维护方法是至关重要的。
发明内容
本发明提供了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，通过联合学习确定出集成密度模型和集成故障树模型，利用集成密度模型、集成故障树模型以及集成密度模型和集成故障树模型分别对应的比例系数可以更为准确的确定出目标设备的故障预测结果。
第一方面，本发明提供了一种基于联合学习的设备预测性维护方法，包括：
确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；
基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；
确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；
将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。
优选地，
所述方法还包括：
接收各个所述目标用户发送的反馈信息，所述反馈信息中包含预测结果和真实结果；
基于所述反馈信息，更新所述集成密度模型、所述集成故障树模型以及所述集成密度模型和所述集成故障树模型分别对应的比例系数。
优选地，
所述确定至少两个目标用户发送的目标设备的故障预测模型的模型种类，包括：
接收至少两个目标用户分别发送的目标设备的故障预测模型；
提取各个所述故障预测模型对应的模型编码；
基于所述模型编码，确定所述至少两个目标用户发送的目标设备的故障预测模型的模型种类。
优选地，
所述基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型，包括：
对所述模型种类对应密度函数的故障预测模型进行集成，确定集成密度模型；
对所述模型种类对应故障树的故障预测模型进行集成，确定集成故障树模型。
优选地，
所述模型种类对应密度函数的故障预测模型为目标用户通过以下步骤获取：
获取目标设备的历史故障数据；
基于所述历史故障数据，确定故障数据分布；
基于所述故障数据分布，确定故障数据的最大似然函数；
基于所述最大似然函数，确定模型种类对应密度函数的故障预测模型。
优选地，
所述模型种类对应故障树的故障预测模型为目标用户通过以下步骤获取：
获取目标设备的历史故障数据和收集故障数据；
对所述历史故障数据和收集故障数据进行分析，以确定故障事件和关联事件；
基于所述故障事件和所述关联事件，确定结构函数；
基于所述历史故障数据、所述收集故障数据和所述结构函数，确定模型种类对应故障树的故障预测模型。
第二方面，本发明提供了一种基于联合学习的设备预测性维护装置，包括：
模型种类确定模块，用于确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；
集成模型确定模块，用于基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；
比例系数确定模块，用于确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；
模型下发模块，用于将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。
优选地，
所述装置还包括：
反馈信息接收模块，用于接收各个所述目标用户发送的反馈信息，所述反馈信息中包含预测结果和真实结果；
更新处理模块，用于基于所述反馈信息，更新所述集成密度模型、所述集成故障树模型以及所述集成密度模型和所述集成故障树模型分别对应的比例系数。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备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。
本发明提供了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，该方法通过接收多个目标用户发送的目标设备的故障预测模型，进而确定接收的各个故障预测模型的模型种类，基于故障预测模型分别对应的模型种类可以确定出集成密度模型和集成故障树模型，进一步确定出集成密度模型和集成故障树模型分别对应的比例系数，然后将该集成密度模型、该集成故障树模型和该比例系数下发给各个目标用户，目标用户在接收到集成密度模型、集成故障树模型和比例系数后，对目标设备进行故障预测确定故障预测结果。本发明提供的技术方案，通过联合学习可以确定出准确度更高的集成密度模型和集成故障树模型，并且通过两种故障预测模型确定目标设备的故障预测结果，可以使得该故障预测结果的准确度更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例中提供的第一种基于联合学习的设备预测性维护方法的流程示意图；
图2为本发明实施例中提供的第二种基于联合学习的设备预测性维护方法的流程示意图；
图3为本发明实施例中提供的第三种基于联合学习的设备预测性维护方法的流程示意图；
图4为本发明实施例中提供的一种基于联合学习的设备预测性维护装置的结构示意图；
图5为本发明实施例中提供的另一种基于联合学习的设备预测性维护装置的结构示意图；
图6为本发明实施例中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。
如图1所示，本发明实施例提供一种基于联合学习的设备预测性维护方法，该方法包括：
步骤11，确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；
步骤12，基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；
步骤13，确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；
步骤14，将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。
在上述实施例中，接收多个目标用户发送的目标设备的故障预测模型，目标用户可以基于本地训练数据进行训练，获取故障预测模型，将获取到故障预测模型的模型参数发送至联合学习中心。因在本实施例中，不同的目标用户发送的故障预测模型的模型种类可能不同，例如目标用户A发送的故障预测模型的模型种类对应密度函数，目标用户B发送的故障预测模型的模型种类对应故障树，从而为了保证后续联合学习得到的模型的准确性，在目标用户发送的故障预测模型时会携带有相应的模型种类，联合学习中心在接收到故障预测模型之后，提取故障预测模型中的模型种类，在联合学习中心确定了各个故障预测模型的模型种类后，将模型种类对应密度函数的故障预测模型，以及模型种类对应故障树的故障预测模型进行分类，然后对模型种类对应密度函数的故障预测模型进行集成，以确定出集成密度模型；对模型种类对应故障树的故障预测模型进行集成，以确定出集成故障树模型。在确定出集成密度模型和集成故障树模型之后，进一步确定出集成密度模型和集成故障树模型分别对应的比例系数，然后将该集成密度模型、该集成故障树模型和该比例系数下发给各个目标用户，目标用户在接收到集成密度模型、集成故障树模型和比例系数后，对目标设备进行故障预测确定故障预测结果。本实施例提供的技术方案，通过联合学习可以确定出准确度更高的集成密度模型和集成故障树模型，并且通过两种故障预测模型确定目标设备的故障预测结果，可以使得该故障预测结果的准确度更高。
具体的，目标设备可以是燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备等。
在一种可能的实现方式中，联合学习中心在获取到集成密度模型、集成故障树模型，以及集成密度模型和集成故障树模型分别对应的比例系数以后，各个目标用户也可以通过在联合学习中心通过下载的方式获取集成密度模型、集成故障树模型，以及集成密度模型和集成故障树模型分别对应的比例系数，然后目标用户可以利用本地数据对从联合学习中心得到的模型进行训练，然后通过加密梯度上传给联合学习中心，联合学习中心通过集合各个目标用户发送的梯度，更新集成密度模型、集成故障树模型，以及集成密度模型和集成故障树模型分别对应的比例系数，然后联合学习中心将更新后的集成密度模型、集成故障树模型，以及集成密度模型和集成故障树模型分别对应的比例系数返回给各个目标用户，使得目标用户获取到更新后的集成密度模型、集成故障树模型，以及集成密度模型和集成故障树模型分别对应的比例系数。从而通过横向联合学习的分布式模型训练方式，可以使得各个目标用户均可以获取到较为准确的模型，即各个目标用户可以对目标设备进行准确的预测性维护。
如图2所示，在本发明一个实施例中，所述步骤11确定至少两个目标用户发送的目标设备的故障预测模型的模型种类，包括：
步骤111，接收至少两个目标用户分别发送的目标设备的故障预测模型；
步骤112，提取各个所述故障预测模型对应的模型编码；
步骤113，基于所述模型编码，确定所述至少两个目标用户发送的目标设备的故障预测模型的模型种类。
在上述实施例中，在目标用户发送目标设备的故障预测模型时，让目标用户对故障预测模型对应的模型编码进行选择，例如故障预测模型对应密度函数时，模型编码为1，故障预测模型对应故障树时，模型编码为2，从而联合学习中心接收到的目标用户发送的目标设备的故障预测模型中携带有模型编码，对该模型编码进行提取，从而可以根据提取出的模型编码，确定出目标用户发送的目标设备的故障预测模型的模型种类。举例来说，当收到3个目标用户发送的目标设备的故障预测模型时，确定目标用户1发送的故障预测模型对应的模型编码为1，目标用户2发送的故障预测模型对应的模型编码为1，目标用户3发送的故障预测模型对应的模型编码为2，则可以确定出目标用户1发送的目标设备的故障预测模型的模型种类对应密度函数，目标用户2发送的目标设备的故障预测模型的模型种类对应密度函数，目标用户3发送的目标设备的故障预测模型的模型种类对应故障树，从而在本实施例中可以利用故障预测模型对应的模型编码，准确的确定出各个故障预测模型的模型种类。
如图3所示，在本发明一实施例中，所述方法还包括：
步骤15，接收各个所述目标用户发送的反馈信息，所述反馈信息中包含预测结果和真实结果；
步骤16，基于所述反馈信息，更新所述集成密度模型、所述集成故障树模型以及所述集成密度模型和所述集成故障树模型分别对应的比例系数。
在上述实施例中，为了保证利用确定出的集成密度模型、集成故障树模型以及集成密度模型和所述集成故障树模型分别对应的比例系数可以更准确的确定出目标用户对应的目标设备的故障预测结果，需要目标用户在利用接收到的集成密度模型、集成故障树模型以及集成密度模型和集成故障树模型分别对应的比例系数确定了故障预测结果以后，将预测结果和真实结果如实的反馈给联合学习中心，以使得联合学习中心根据该预测结果和真实结果对集成密度模型、集成故障树模型以及集成密度模型和所述集成故障树模型分别对应的比例系数进行更新，并将更新后的集成密度模型、集成故障树模型和比例系数再次下发给该目标用户，该目标用户利用更新后的集成密度模型、集成故障树模型和比例系数再次进行预测，并上传预测结果和真实结果，如此不断循环，使得目标用户利用更新后的集成密度模型、集成故障树模型和比例系数进行目标设备的故障预测的准确性不断提高。具体的，在设定集成密度模型和集成故障树模型分别对应的比例系数时，可以将比例系数设置为50：50，然后根据目标用户的反馈信息，不断的对比例系数进行调整，确定可以准确的确定出目标用户的目标设备的故障的比例系数、集成密度模型和集成故障树模型。
在本发明一实施例中，所述模型种类对应密度函数的故障预测模型为目标用户通过以下步骤获取：获取目标设备的历史故障数据；基于所述历史故障数据，确定故障数据分布；基于所述故障数据分布，确定故障数据的最大似然函数；基于所述最大似然函数，确定模型种类对应密度函数的故障预测模型。在本实施例中目标用户在获取到历史故障数据以后，根据历史故障数据中的故障时间确定故障数据分布，其中故障数据分布也可以称为概率数据分布，然后根据故障数据分布确定出最大似然函数，将最大似然函数转换为预测密度函数，然后将预测密度函数确定为模型种类对应密度函数的故障预测模型。
在本发明一实施例中，所述模型种类对应故障树的故障预测模型为目标用户通过以下步骤获取：获取目标设备的历史故障数据和收集故障数据；对所述历史故障数据和收集故障数据进行分析，以确定故障事件和关联事件；基于所述故障事件和所述关联事件，确定结构函数；基于所述历史故障数据、所述收集故障数据和所述结构函数，确定模型种类对应故障树的故障预测模型。在本实施例中，收集故障数据可以是根据设备运行厂商收集目标设备的历史故障数据(如设备的返修率，维护时间，更新换件时间等)，对得到的历史故障数据和收集故障数据进行分析，确定故障事件，并根据预先确定的故障树结构确定故障事件的关联事件，以故障事件为顶事件节点，多个关联事件为底事件节点，以及各个节点之间的逻辑关系，建立故障事件的故障树的结构函数；根据历史故障数据和收集故障数据确定关联事件的失效时间，进而根据该失效时间在结构函数中模拟故障事件的概率分布函数，并将该概率分布函数确定为模型种类对应故障树的故障预测模型。
基于与上述方法相同的发明构思，如图4所示，本发明实施例提供了一种基于联合学习的设备预测性维护装置，包括：
模型种类确定模块41，用于确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；
集成模型确定模块42，用于基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；
比例系数确定模块43，用于确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；
模型下发模块44，用于将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。
如图5所示，在本发明一个实施例中，所述装置还包括：
反馈信息接收模块45，用于接收各个所述目标用户发送的反馈信息，所述反馈信息中包含预测结果和真实结果；
更新处理模块46，用于基于所述反馈信息，更新所述集成密度模型、所述集成故障树模型以及所述集成密度模型和所述集成故障树模型分别对应的比例系数。
为了描述的方便，描述以上装置实施例时以功能分为各种单元或模块分别描述，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图6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601以及存储有执行指令的存储器602，可选地还包括内部总线603及网络接口604。其中，存储器602可能包含内存6021，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6022(non-volatile memory)，例如至少1个磁盘存储器等；处理器601、网络接口604和存储器602可以通过内部总线603相互连接，该内部总线603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603可以分为地址总线、数据总线、控制总线等，为便于表示，图6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601执行存储器602存储的执行指令时，处理器601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至图3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基于联合学习的设备预测性维护装置。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基于联合学习的设备预测性维护方法。
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6所示的电子设备；执行指令是一种基于联合学习的设备预测性维护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、商品或者锅炉不仅包括那些要素，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、商品或者锅炉所固有的要素。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、商品或者锅炉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)
1.一种基于联合学习的设备预测性维护方法，其特征在于，包括：
确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；
基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；
确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；
将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。
2.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述方法还包括：
接收各个所述目标用户发送的反馈信息，所述反馈信息中包含预测结果和真实结果；
基于所述反馈信息，更新所述集成密度模型、所述集成故障树模型以及所述集成密度模型和所述集成故障树模型分别对应的比例系数。
3.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述确定至少两个目标用户发送的目标设备的故障预测模型的模型种类，包括：
接收至少两个目标用户分别发送的目标设备的故障预测模型；
提取各个所述故障预测模型对应的模型编码；
基于所述模型编码，确定所述至少两个目标用户发送的目标设备的故障预测模型的模型种类。
4.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型，包括：
对所述模型种类对应密度函数的故障预测模型进行集成，确定集成密度模型；
对所述模型种类对应故障树的故障预测模型进行集成，确定集成故障树模型。
5.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述模型种类对应密度函数的故障预测模型为目标用户通过以下步骤获取：
获取目标设备的历史故障数据；
基于所述历史故障数据，确定故障数据分布；
基于所述故障数据分布，确定故障数据的最大似然函数；
基于所述最大似然函数，确定模型种类对应密度函数的故障预测模型。
6.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述模型种类对应故障树的故障预测模型为目标用户通过以下步骤获取：
获取目标设备的历史故障数据和收集故障数据；
对所述历史故障数据和收集故障数据进行分析，以确定故障事件和关联事件；
基于所述故障事件和所述关联事件，确定结构函数；
基于所述历史故障数据、所述收集故障数据和所述结构函数，确定模型种类对应故障树的故障预测模型。
7.一种基于联合学习的设备预测性维护装置，其特征在于，包括：
模型种类确定模块，用于确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；
集成模型确定模块，用于基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；
比例系数确定模块，用于确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；
模型下发模块，用于将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。
8.根据权利要求7所述的基于联合学习的设备预测性维护装置，其特征在于，所述装置还包括：
反馈信息接收模块，用于接收各个所述目标用户发送的反馈信息，所述反馈信息中包含预测结果和真实结果；
更新处理模块，用于基于所述反馈信息，更新所述集成密度模型、所述集成故障树模型以及所述集成密度模型和所述集成故障树模型分别对应的比例系数。
9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至6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6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110044745.8A CN112733453B (zh) | 2021-01-13 | 2021-01-13 | 一种基于联合学习的设备预测性维护方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110044745.8A CN112733453B (zh) | 2021-01-13 | 2021-01-13 | 一种基于联合学习的设备预测性维护方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112733453A true CN112733453A (zh) | 2021-04-30 |
| CN112733453B CN112733453B (zh) | 2024-03-29 |
Family
ID=75592106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110044745.8A Active CN112733453B (zh) | 2021-01-13 | 2021-01-13 | 一种基于联合学习的设备预测性维护方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733453B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090083576A1 (en) * | 2007-09-20 | 2009-03-26 | Olga Alexandrovna Vlassova | Fault tree map generation |
| US20180373988A1 (en) * | 2017-06-27 | 2018-12-27 | Hcl Technologies Limited | System and method for tuning and deploying an analytical model over a target eco-system |
| CN109784575A (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 |
| US20190235484A1 (en) * | 2018-01-31 | 2019-08-01 | Hitachi, Ltd. | Deep learning architecture for maintenance predictions with multiple modes |
| CN110647414A (zh) * | 2018-06-27 | 2020-01-03 | 英特尔公司 | 具有异常检测的改善的模拟功能安全 |
| 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 |
| 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 |
| US20200125956A1 (en) * | 2017-05-20 | 2020-04-23 | Google Llc | Application Development Platform and Software Development Kits that Provide Comprehensive Machine Learning Services |
-
2021
- 2021-01-13 CN CN202110044745.8A patent/CN112733453B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090083576A1 (en) * | 2007-09-20 | 2009-03-26 | Olga Alexandrovna Vlassova | Fault tree map generation |
| US20200125956A1 (en) * | 2017-05-20 | 2020-04-23 | Google Llc | Application Development Platform and Software Development Kits that Provide Comprehensive Machine Learning Services |
| US20180373988A1 (en) * | 2017-06-27 | 2018-12-27 | Hcl Technologies Limited | System and method for tuning and deploying an analytical model over a target eco-system |
| US20190235484A1 (en) * | 2018-01-31 | 2019-08-01 | Hitachi, Ltd. | Deep learning architecture for maintenance predictions with multiple modes |
| CN110647414A (zh) * | 2018-06-27 | 2020-01-03 | 英特尔公司 | 具有异常检测的改善的模拟功能安全 |
| CN109784575A (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 |
| 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 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| TAN, L 等: "Cable joint fault detection for the ring main unit based on an adaptive TNPE algorithm", WILEY INTERDISCIPLINARY REVIEWS-DATA MINING AND KNOWLEDGE DISCOVERY, vol. 10, no. 1, pages 1336 * |
| 李东;: "基于故障树分析和模糊综合评判的某雷达故障诊断方法", 计算机测量与控制, no. 04, pages 496 - 497 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662710A (zh) * | 2022-01-27 | 2022-06-24 | 武汉船用机械有限责任公司 | 船用机舱泵的维护需求的确定方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112733453B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978261A (zh) | 确定负荷预测模型的方法、装置、可读介质及电子设备 | |
| CN107643731A (zh) | 一种模型生成方法和装置 | |
| CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| CN114881989A (zh) | 基于小样本目标对象缺陷检测的方法、装置、电子设备 | |
| CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
| CN105471647A (zh) | 一种电力通信网故障定位方法 | |
| CN112416800A (zh) | 智能合约的测试方法、装置、设备及存储介质 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| CN111090401B (zh) | 存储设备性能预测方法及装置 | |
| CN112733453B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
| US20100162185A1 (en) | Electronic circuit design | |
| CN114238135A (zh) | 测试用例确定方法、装置及电子设备 | |
| CN112733454B (zh) | 一种基于联合学习的设备预测性维护方法及装置 | |
| CN114791927A (zh) | 一种数据分析方法和装置 | |
| CN112948262A (zh) | 一种系统测试方法、装置、计算机设备和存储介质 | |
| CN114693011A (zh) | 一种政策匹配方法、装置、设备和介质 | |
| CN112231942B (zh) | 物模型处理方法、装置和电子设备 | |
| CN110968518A (zh) | 自动化测试日志文件的分析方法及装置 | |
| CN114812695A (zh) | 一种产品测试方法、装置、计算机设备和存储介质 | |
| CN109858119B (zh) | 一种动态能效建模方法、装置、可读介质及电子设备 | |
| WO2015135182A1 (en) | Method and apparatus for evaluating performance of real-time system | |
| CN115114806B (zh) | 自主式交通系统架构自主演进仿真方法 | |
| CN113535594B (zh) | 业务场景测试用例的生成方法、装置、设备和存储介质 | |
| CN113886579B (zh) | 行业资讯正负面模型构建方法和系统、识别方法和系统 | |
| CN109829575B (zh) | 能源数据预测的处理方法、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 |
Effective date of registration: 20240301 Address after: China (Hebei) Pilot Free Trade Zone Daxing Airport Area Langfang Airport Economic Zone Hangyidao Free Trade Zone Science and Technology Innovation Base 210, Daxing District, Beijing Applicant after: Xinao Xinzhi Technology Co.,Ltd. Country or region after: China Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |