CN113051700A

CN113051700A - 设备可靠性监测方法及装置

Info

Publication number: CN113051700A
Application number: CN201911377754.8A
Authority: CN
Inventors: 李金诺; 朴志民; 翁烨晖; 王鹏; 张希成
Original assignee: Beijing Gridsum Technology Co Ltd
Current assignee: Beijing Gridsum Technology Co Ltd
Priority date: 2019-12-27
Filing date: 2019-12-27
Publication date: 2021-06-29
Anticipated expiration: 2039-12-27
Also published as: CN113051700B

Abstract

本发明公开了一种设备可靠性预测方法及装置，可以基于预先构建的机理模型对影响设备可靠性的可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数，本发明在预测设备的可靠性系数时，不需要人工参与，服务器可以自动监测设备的可靠性。另外，本发明预先构建了用于预测设备可靠性的机理模型，可以有一套衡量设备可靠性的方法，不再需要人工基于经验确定，进而避免了人工基于经验确定设备可靠性带来的可靠性确定标准不统一的问题。

Description

设备可靠性监测方法及装置

技术领域

本发明涉及动设备可靠性领域，更具体的说，涉及一种设备可靠性监测方法及装置。

背景技术

动设备是指压缩机、烟气轮机、关键机组、工业泵等工业领域的动力设备。

为保证设备的长时间无故障运行而进行的分析处理过程，这就是设备的可靠性分析。所谓可靠性，是指设备机能在时间上的稳定性程度，或者说在一定时间内，不发生问题的程度(概率)。设备的可靠性差会导致设备发生故障的概率很大。如果能够对动设备的可靠性进行预测，就可以在动设备即将出现设备不稳定问题时，提前进行预防，进而避免动设备运行不稳定带来的经济损失。因此，亟需一种对动设备的可靠性进行预测的方法。

发明内容

鉴于上述问题，本发明提供一种克服上述问题或者至少部分地解决上述问题的设备可靠性监测方法及装置。

一种设备可靠性监测方法，包括：

获取预设的可靠性参数的当前参数值；所述可靠性参数包括以下至少一种参数类型：轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率和叶轮故障概率；

识别所述可靠性参数的参数类型；

调用预先训练的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数；所述机理模型通过可靠性参数的样本进行训练得到；所述样本包括所述参数类型、所述参数类型对应的历史参数值以及标注的影响因子，所述影响因子表征所述可靠性参数影响所述设备可靠性的程度；所述可靠性参数用于表示设备的可靠性，且基于所述可靠性参数的当前参数值以及所述可靠性参数的参数类型对应的影响因子计算得到；

输出所述可靠性系数。

可选地，所述机理模型的生成过程包括：

获取并对所述可靠性参数的参数类型、历史参数值以及影响因子进行数据清洗后，得到所述样本；

利用所述样本对初始模型进行训练，得到所述机理模型。

可选地，在所述输出所述可靠性系数之后，还包括：

若所述设备发生故障，获取所述可靠性参数的当前故障参数值；

基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练。

可选地，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练，包括：

将所述可靠性参数的当前故障参数值输入至所述机理模型并调整所述机理模型的预设参数；所述预设参数包括以下至少一种：机理模型的维度和所述机理模型中的关联参数的权重值。

可选地，在基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练之前，还包括：

调节所述参数类型对应的影响因子。

可选地，获取预设的可靠性参数的当前参数值，包括：

通过有线通信方式或无线通信方式，获取影响设备可靠性的可靠性参数的当前参数值。

一种设备可靠性监测装置，包括：

参数获取模块，用于获取预设的可靠性参数的当前参数值；所述可靠性参数包括以下至少一种参数类型：轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率和叶轮故障概率；

类型识别模块，用于识别所述可靠性参数的参数类型；

模型调用模块，用于调用预先训练的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数；所述机理模型通过可靠性参数的样本进行训练得到；所述样本包括所述参数类型、所述参数类型对应的历史参数值以及标注的影响因子，所述影响因子表征所述可靠性参数影响所述设备可靠性的程度；所述可靠性参数用于表示设备的可靠性，且基于所述可靠性参数的当前参数值以及所述可靠性参数的参数类型对应的影响因子计算得到；

数值输出模块，用于输出所述可靠性系数。

可选地，还包括模型训练模块，所述模型训练模块包括：

样本确定子模块，用于获取并对所述可靠性参数的参数类型、历史参数值以及影响因子进行数据清洗后，得到所述样本；

模型训练子模块，用于利用所述样本对初始模型进行训练，得到所述机理模型。

一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的设备可靠性监测方法。

一种电子设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的设备可靠性监测方法。

借由上述技术方案，本发明提供的设备可靠性预测方法及装置，可以基于预先构建的机理模型对影响设备可靠性的可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数，本发明在预测设备的可靠性系数时，不需要人工参与，服务器可以自动监测设备的可靠性。另外，本发明预先构建了用于预测设备可靠性的机理模型，可以有一套衡量设备可靠性的方法，不再需要人工基于经验确定，进而避免了人工基于经验确定设备可靠性带来的可靠性确定标准不统一的问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的一种设备可靠性监测方法的方法流程图；

图2示出了本发明实施例提供的另一种设备可靠性监测方法的方法流程图；

图3示出了本发明实施例提供的一种设备可靠性监测装置的结构示意图；

图4示出了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

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

为保证设备的长时间无故障运行而进行的分析处理过程，这就是设备的可靠性分析。所谓可靠性，是指设备机能在时间上的稳定性程度，或者说在一定时间内，不发生问题的程度(概率)。设备的可靠性差会导致设备发生故障的概率很大。如果能够对动设备的可靠性进行预测，就可以在动设备即将出现设备不稳定问题时，提前进行预防，进而避免动设备运行不稳定带来的经济损失。发明人发现，可以在采集到内置或外置到设备中的传感器采集的数据(如温度、电压、流量等)之后，可以推送到前端，如用户端，此时技术人员可以依据采集的数据推测设备的可靠性，但是这种基于人工经验的可靠性预测方式，不同的技术人员得到的数据可靠性的数值不同，即没有统一的标准去衡量设备的可靠性，因此，本发明实施例提供了一种设备可靠性监测方法，基于预先构建的机理模型对影响设备可靠性的可靠性参数的当前参数值进行处理，得到所述设备的可靠性系数，本发明在预测设备的可靠性系数时，不需要人工参与，服务器可以自动监测设备的可靠性。另外，本发明预先构建了用于预测设备可靠性的机理模型，可以有一套衡量设备可靠性的方法，不再需要人工基于经验确定，进而避免了人工基于经验确定设备可靠性带来的可靠性确定标准不统一的问题。

需要说明的是，本实施例中的设备可以优先为动设备，如压缩机、烟气轮机、关键机组、工业泵等工业领域的动力设备。此外，还可以是其他的设备，对此不做限定。

在上述基础上，本发明实施例提供了一种设备可靠性监测方法，参照图1，可以包括：

S11、获取预设的可靠性参数的当前参数值。

S12、识别所述可靠性参数的参数类型。

本实施例中的可靠性参数是技术人员选取的会影响设备可靠性的参数，如可以包括轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率和叶轮故障概率这几种参数类型。此外，可靠性参数还可以包括以下至少一种参数类型：频谱、音频、设备电流、设备电压、设备流量、设备温度、瀑布图、故障类型、告警类型、设备使用年限、设备总报警值和设备总告警数量。

上述的可靠性参数是技术人员根据人工经验确定的会影响设备可靠性的参数，可靠性参数越多，则预测的设备的可靠性系数越准确，优选地，将上述所有的参数均用来预测设备的可靠性系数。

在实际应用中，可以使用内置或外置到设备中的传感器、RTU(RemoteTerminalUnit，远程终端单元)、PLC(Programmable Logic Controller，可编程逻辑控制器)、DCS(Distributed ControlSystem，集散控制系统)采集数据，如采集温度、电压、流量等数据，采集的这些数据可以通过有线通信方式或无线通信方式(WIFI、紫蜂协议ZigBee)通过智能网关传输到服务器，在服务器得到这些原始数据之后，可以对部分数据进行数据统计，得到上述每一可靠性参数对应的当前参数值。得到当前参数值之后，还可以标注可靠性参数的参数类型，以便于后期输入到机理模型中时，便于机理模型识别这些参数的类型。

在得到可靠性参数的当前参数值之后，还可以对当前参数值进行数据清洗，具体包括以下步骤：

第一步：首先是缺失值清洗，包括确认缺失值范围、去除不需要字段、填充缺失内容、重新取数四个阶段。

第二步：格式内容清洗，包括调节显示格式不一致、内容与该字段应有内容不符两个阶段。

第三步：逻辑错误清洗，包括去重、去除不合理值、修正矛盾内容三个阶段。

第四步：关联性验证，对数据中的关联数据进行关联性验证，力求关联数据之间无矛盾数据。举例来说，流量和电压成正比，但是在采集的数据中流量和压力成反比，则这些数据存在错误，需要进行修正。

另外，技术人员会预设设定每一可靠性参数对影响所述设备可靠性的程度，即影响因子，影响因子的数值是技术人员在设备实际运行中依据观测到的可靠性参数异常时设备的运行状态(是否故障)来确定的。

S13、调用预先训练的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数。

所述机理模型通过可靠性参数的样本进行训练得到；所述样本包括所述参数类型、所述参数类型对应的历史参数值以及标注的影响因子，所述影响因子表征所述可靠性参数影响所述设备可靠性的程度；所述可靠性参数用于表示设备的可靠性，且基于所述可靠性参数的当前参数值以及所述可靠性参数的参数类型对应的影响因子计算得到。

在实际应用中，机理模型是预先基于有监督学习算法训练的，有监督学习算法可以是卷积神经网络(ConvolutionalNeuralNetworks,CNN)等算法，本实施例中对卷积神经网络使用的训练数据进行了改进，训练数据可以是上述的可靠性参数的历史参数值，即设备历史运行过程中的数据。

在得到历史参数值之后，需要对可靠性参数进行标定，标定每一可靠性参数的参数类型以及影响因子，参数类型是指每一可靠性参数属于哪一参数类型，如，温度属于温度类型，电压属于电压类型。影响因子已经在上述内容中描述过，请参照上述描述。参数类型和影响因子的标注可以采用采用人工标注的方式。

此外，还可以在服务器中预设设置有各种参数类型以及符合该参数类型的样本参数，在得到可靠性参数之后，将该可靠性参数与样本参数做匹配，进而得到与该可靠性参数对应的参数类型。此外，影响因子可以采用服务器随机标注的方式进行标注，后期在进行机理模型的训练时，可以对影响因子做更正。

在得到标注有参数类型以及影响因子的所述可靠性参数的历史参数值之后，对标注有参数类型以及影响因子的所述可靠性参数的历史参数值进行有监督学习算法训练得到上述的机理模型。进而可以通过上述的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数。

S13、输出所述可靠性系数。

通过机理模型得到的可靠性系数可以通过数据推送方式推送到服务器显示界面或者用户的移动终端，如手机、平板、笔记本等。此外，还可以设置一个可靠性阈值，若可靠性系数低于可靠性阈值时，认为设备即将出现可靠性问题，此时可以输出警示信息，提醒技术人员及时进行预防。

本实施例中，可以基于预先构建的机理模型对影响设备可靠性的可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数，本发明在预测设备的可靠性系数时，不需要人工参与，服务器可以自动监测设备的可靠性。另外，本发明预先构建了用于预测设备可靠性的机理模型，可以有一套衡量设备可靠性的方法，不再需要人工基于经验确定，进而避免了人工基于经验确定设备可靠性带来的可靠性确定标准不统一的问题。

上述提及了机理模型，现对机理模型的生成过程进行介绍，参照图2，所述机理模型的生成过程包括：

S21、获取并对所述可靠性参数的参数类型、历史参数值以及影响因子进行数据清洗后，得到所述样本。

本实施例中，历史参数值可以是设备运行以来直到现在的数据，参数类型和影响因子已经在上述实施例中进行了说明，在此不再赘述。

数据清洗的过程可以包括：

S22、利用所述样本对初始模型进行训练，得到所述机理模型。

本实施例中的，使用有监督学习算法，如卷积神经网络进行训练，有监督学习算法预先对数据进行标注，本实施例中标注的是可靠性参数的参数类型和影响因子，可靠性参数的参数类型和影响因子可以作为可靠性参数对应的清洗后的历史参数值对应的参数类型和影响因子。

在标注影响因子时，可以有两种标注方式，一种是数值越小，影响度越大，这种标注方式对应的机理模型输出的可靠性系数越小，说明设备越不安全。另一种标注方式是数值越大，影响度越大，这种标注方式对应的机理模型输出的可靠性系数越大，说明设备越不安全。本实施例可以依据具体使用场景选择上述任一种方式进行标定，对此不作具体限定。

标注数据之后，使用卷积神经网络进行训练，即可得到上述的机理模型。

机理模型训练完成之后，后续如果产生了新的可靠性参数的当前参数值，此时还可以将该新的可靠性参数的当前参数值输入到机理模型中，实现了机理模型的实时训练，如每隔两周对机理模型训练一次，但是在两周的时间间隔内，会将机理模型上线，上线期间不对机理模型进行训练。

另外，在机理模型上线期间，若设备出现故障，此时可以对机理模型的输出结果进行验证，若此时机理模型预测的可靠性系数表征不存在安全故障，则说明机理模型训练的不准确，此时需要使用设备发生故障时获取所述可靠性参数的当前故障参数值对机理模型进行训练，具体的，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练，此时可以不考虑训练结果，只训练一次即可，此外，还可以考虑训练结果，如直到训练后的机理模型的损失函数值小于预设损失值才停止训练。

在实际应用中，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练的过程可以包括：

将所述可靠性参数的当前故障参数值输入至所述机理模型并调整所述机理模型的预设参数。

所述预设参数包括以下至少一种：机理模型的维度和所述机理模型中的关联参数的权重值。

将可靠性参数的当前故障参数值输入至机理模型中，机理模型会自动调节内部的预设参数。

机理模型的维度是指卷积神经网络中各个卷积层、池化层等的层数，关联参数是指两个互相关联的参数，如电压和流量的数值相关，则电压和流量是关联参数，在进行调节时，可以一起调节这两个参数，以缩短机理模型训练的时间。

将所述可靠性参数的当前故障参数值输入至所述机理模型进行训练的结束条件是训练后的机理模型的损失函数值小于预设损失值。

此外，在基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练之前，还可以调节所述参数类型对应的影响因子。

具体的，可靠性参数的影响因子作为机理模型的标注数据，影响因子的数值大小会决定机理模型训练的结果的准确度，本实施例中，除了可以对机理模型的内部参数进行调整之外，还可以对影响因子进行调整，如人工可以根据设备运行状态中不同可靠性参数对设备可靠性的影响程度，再次调整下影响因子的数值，再输入到机理模型中训练。

需要说明的是，动设备可以包括压缩机、烟气轮机、关键机组、工业泵等动力设备，每一动力设备对应一机理模型，即不同的设备使用不同的机理模型进行可靠性系数的预测。此时，机理模型的输入除了可以包括上述的可靠性参数的当前参数值以外，还可以包括相同类型的动设备的可靠性参数的当前参数值，此时增加了数据量，进而会使得预测的可靠性系数更准确，并且还考虑了相同类型的设备的运行状态，使预测结果更加精准化。

此外，由于不同的动设备使用一个机理模型进行可靠性系数的预测，相同类型的设备的运行过程类似，则若相同类型的至少两个设备中的一个设备有安全风险时，此时也可以提醒相同类型的另一设备提前进行维护，以避免故障的发生。

本实施例中，可以定时或设备故障时对机理模型进行再次训练，以提高机理模型预测可靠性系数的准确度。

在上述设备可靠性监测方法的实施例的基础上，本发明的另一实施例提供了一种设备可靠性监测装置，参照图3，可以包括：

参数获取模块11，用于获取预设的可靠性参数的当前参数值；所述可靠性参数包括以下至少一种参数类型：轴承故障概率、对中不良概率、不平衡概率、基础松动概率、润滑不良概率、转子碰磨概率、转子松动概率和叶轮故障概率；

类型识别模块12，用于识别所述可靠性参数的参数类型；

模型调用模块13，用于调用预先训练的机理模型对所述可靠性参数的当前参数值以及参数类型进行处理，得到所述设备的可靠性系数；所述机理模型通过可靠性参数的样本进行训练得到；所述样本包括所述参数类型、所述参数类型对应的历史参数值以及标注的影响因子，所述影响因子表征所述可靠性参数影响所述设备可靠性的程度；所述可靠性参数用于表示设备的可靠性，且基于所述可靠性参数的当前参数值以及所述可靠性参数的参数类型对应的影响因子计算得到；

数值输出模块14，用于输出所述可靠性系数。

进一步，还包括模型训练模块，所述模型训练模块包括：

进一步，还包括模型再训练模块，所述模型再训练模块用于若所述设备发生故障，获取所述可靠性参数的当前故障参数值，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练。

进一步，模型再训练模块用于基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练时，具体用于：

进一步，还包括：

参数调整模块，用于所述模型再训练模块用于基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练之前，调节所述参数类型对应的影响因子。

进一步，参数获取模块用于获取预设的可靠性参数的当前参数值时，具体用于：

本实施例中，可以基于预先构建的机理模型对影响设备可靠性的可靠性参数的当前参数值进行处理，得到所述设备的可靠性系数，本发明在预测设备的可靠性系数时，不需要人工参与，服务器可以自动监测设备的可靠性。另外，本发明预先构建了用于预测设备可靠性的机理模型，可以有一套衡量设备可靠性的方法，不再需要人工基于经验确定，进而避免了人工基于经验确定设备可靠性带来的可靠性确定标准不统一的问题。

另外，还可以定时或设备故障时对机理模型进行再次训练，以提高机理模型预测可靠性系数的准确度。

需要说明的是，本实施例中的各个模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

所述设备可靠性监测装置包括处理器和存储器，上述参数获取模块、类型识别模块、模型调用模块和数值输出模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来自动监测设备的可靠性。

本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述设备可靠性监测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述设备可靠性监测方法。

本发明实施例提供了一种设备70，参照图4，设备70包括至少一个处理器701、以及与处理器连接的至少一个存储器702、总线703；其中，处理器701、存储器702通过总线703完成相互间的通信；处理器701用于调用存储器702中的程序指令，以执行上述的设备可靠性监测方法。本文中的设备70可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：

一种设备可靠性监测方法，包括：

识别所述可靠性参数的参数类型；

输出所述可靠性系数。

进一步，所述机理模型的生成过程包括：

利用所述样本对初始模型进行训练，得到所述机理模型。

进一步，在所述输出所述可靠性系数之后，还包括：

进一步，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练，包括：

进一步，在基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练之前，还包括：

调节所述参数类型对应的影响因子。

进一步，获取预设的可靠性参数的当前参数值，包括：

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种设备可靠性监测方法，其特征在于，包括：

识别所述可靠性参数的参数类型；

输出所述可靠性系数。

2.根据权利要求1所述的设备可靠性监测方法，其特征在于，所述机理模型的生成过程包括：

利用所述样本对初始模型进行训练，得到所述机理模型。

3.根据权利要求1所述的设备可靠性监测方法，其特征在于，在所述输出所述可靠性系数之后，还包括：

4.根据权利要求3所述的设备可靠性监测方法，其特征在于，基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练，包括：

5.根据权利要求2所述的设备可靠性监测方法，其特征在于，在基于所述可靠性参数的当前故障参数值对所述机理模型进行再次训练之前，还包括：

调节所述参数类型对应的影响因子。

6.根据权利要求1所述的设备可靠性监测方法，其特征在于，获取预设的可靠性参数的当前参数值，包括：

7.一种设备可靠性监测装置，其特征在于，包括：

类型识别模块，用于识别所述可靠性参数的参数类型；

数值输出模块，用于输出所述可靠性系数。

8.根据权利要求7所述的设备可靠性监测装置，其特征在于，还包括模型训练模块，所述模型训练模块包括：

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-6中任一项所述的设备可靠性监测方法。

10.一种电子设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1-6中任一项所述的设备可靠性监测方法。