CN113093702B - 故障数据的预测方法和装置、电子设备和存储介质 - Google Patents
故障数据的预测方法和装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113093702B CN113093702B CN202110349431.9A CN202110349431A CN113093702B CN 113093702 B CN113093702 B CN 113093702B CN 202110349431 A CN202110349431 A CN 202110349431A CN 113093702 B CN113093702 B CN 113093702B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- historical
- target
- work order
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种故障数据的预测方法和装置、电子设备和存储介质，其中，该方法包括：获取目标设备中待预测的运行数据，其中，运行数据包括目标设备内各部件的运行时间和运行时间对应的部件状态数据，目标设备是车辆设备；利用目标关联模型对运行数据进行特征提取，得到目标特征，其中，目标特征用于指示运行数据之间的关联性；利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据，其中，故障数据为目标设备的故障部件对应的数据。通过本申请，解决了相关技术中存在的由于不能准确做到提前故障预测，导致后续的设备维护阶段出现效率低下的问题。
Description
技术领域
本申请涉及车辆数据处理领域，尤其涉及一种故障数据的预测方法和装置、电子设备和存储介质。
背景技术
随着现代工业及科学技术的迅速发展，工业设备在航天、通信、轨道交通及工业应用等领域的应用日趋复杂化，设备自动化、综合化、智能化程度也不断提高。由于现阶段要求使用工业设备的复杂系统的需求增大，所以研制、生产、维护和保障设备的成本变得越来越高，同时，工业设备系统发生故障和功能失效的几率也逐渐加大，所以，在工业设备存在故障之前能够准确做出预测策略显得尤为重要。
但是，目前大部分工业设备的维护多以事后维修、事后检查为主，这样不仅耗费大量的人力和物力，而且效率低下。
所以，相关技术由于不能准确做到提前故障预测，导致后续的设备维护阶段出现效率低下的问题。
发明内容
本申请提供了一种故障数据的预测方法和装置、电子设备和存储介质，以至少解决相关技术中存在的由于不能准确做到提前故障预测，导致后续的设备维护阶段出现效率低下的问题。
根据本申请实施例的一个方面，提供了一种故障数据的预测方法，该方法包括：获取目标设备中待预测的运行数据，其中，所述运行数据包括所述目标设备内各部件的运行时间和所述运行时间对应的部件状态数据，所述目标设备是车辆设备；利用目标关联模型对所述运行数据进行特征提取，得到目标特征，其中，所述目标特征用于指示所述运行数据之间的关联性；利用目标故障数据预测方案对所述目标特征进行处理，预测所述运行数据中是否存在故障数据，其中，所述故障数据为所述目标设备的故障部件对应的数据。
根据本申请实施例的另一个方面，还提供了一种故障数据的预测装置，该装置包括：第一获取单元，用于获取目标设备中待预测的运行数据，其中，所述运行数据包括所述目标设备内各部件的运行时间和所述运行时间对应的部件状态数据，所述目标设备是车辆设备；提取单元，用于利用目标关联模型对所述运行数据进行特征提取，得到目标特征，其中，所述目标特征用于指示所述运行数据之间的关联性；预测单元，用于利用目标故障数据预测方案对所述目标特征进行处理，预测所述运行数据中是否存在故障数据，其中，所述故障数据为所述目标设备的故障部件对应的数据。
根据本申请实施例的又一个方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；其中，存储器，用于存储计算机程序；处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
根据本申请实施例的又一个方面，还提供了一种计算机可读的存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
在本申请实施例中，通过获取目标设备中待预测的运行数据；利用目标关联模型对所述运行数据进行特征提取，得到目标特征；利用目标故障数据预测方案对所述目标特征进行处理，预测所述运行数据中是否存在故障数据，由于目标故障数据预测方案是提前已经设置好的，这样可以直接利用该目标故障数据预测方案对目标设备的运行数据进行提前预测，即可得出目标设备中的部件是否会存在故障数据，从而可以实现提前准确预测设备部件故障的目的，进而解决了相关技术中存在的由于不能准确做到提前故障预测，导致后续的设备维护阶段出现效率低下的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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简单地介绍，显而易见地，对于本领域普通技术人员而言，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是根据本发明实施例的一种可选的故障数据的预测方法的硬件环境的示意图；
图2是根据本申请实施例的一种可选的故障数据的预测方法的流程示意图；
图3是根据本申请实施例的一种可选的故障数据的预测装置的结构框图；
图4是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面，提供了一种故障数据的预测方法。可选地，在本实施例中，上述故障数据的预测方法可以应用于如图1所示的硬件环境中。如图1所示，终端102中可以包含有存储器104、处理器106和显示器108(可选部件)。终端102可以通过网络110与服务器112进行通信连接，该服务器112可用于为终端或终端上安装的客户端提供服务(如数据统计服务等)，可在服务器112上或独立于服务器112设置数据库114，用于为服务器112提供数据存储服务。此外，服务器112中可以运行有处理引擎116，该处理引擎116可以用于执行由服务器112所执行的步骤。
可选地，终端102可以但不限于为可以计算数据的终端，如移动终端(例如手机、平板电脑)、笔记本电脑、PC(Personal Computer，个人计算机)机等终端上，上述网络可以包括但不限于无线网络或有线网络。其中，该无线网络包括：蓝牙、WIFI(Wireless Fidelity，无线保真)及其他实现无线通信的网络。上述有线网络可以包括但不限于：广域网、城域网、局域网。上述服务器112可以包括但不限于任何可以进行计算的硬件设备。
此外，在本实施例中，上述故障数据的预测方法还可以但不限于应用于处理能力较强大的独立的处理设备中，而无需进行数据交互。例如，该处理设备可以但不限于为处理能力较强大的终端设备，即，上述故障数据的预测方法中的各个操作可以集成在一个独立的处理设备中。上述仅是一种示例，本实施例中对此不作任何限定。
可选地，在本实施例中，上述故障数据的预测方法可以由服务器112来执行，也可以由终端102来执行，还可以是由服务器112和终端102共同执行。其中，终端102执行本申请实施例的故障数据的预测方法也可以是由安装在其上的客户端来执行。
以运行在服务器为例，图2是根据本申请实施例的一种可选的故障数据的预测方法的流程示意图，如图2所示，该方法的流程可以包括以下步骤：
步骤S201，获取目标设备中待预测的运行数据，其中，运行数据包括目标设备内各部件的运行时间和运行时间对应的部件状态数据，目标设备是车辆设备。
可选地，本申请实施例中，服务器可以获取到目标设备的运行数据，其中，目标设备在本申请实施例中是指车辆设备，比如，地铁、高铁等，目标设备的运行数据是指车辆设备内的各个部件，在车辆运行期间，每个运行时间以及每个运行时间对应的部件状态数据，比如，运行时间是：20201020 12:03:01，对应的M3HVAC2机组压缩机状态数据可以是：压力：15Mpa等。
步骤S202，利用目标关联模型对运行数据进行特征提取，得到目标特征，其中，目标特征用于指示运行数据之间的关联性。
可选地，本申请实施例可以利用目标关联模型，比如，关联规则模型等，对目标设备的运行数据进行特征提取，将提取出的特征作为目标特征，其中，该目标特征可以用于表示运行数据之间的关联性，在本申请实施例中将关联性较高的部件类型提取后放在一起，其中，部件间的相似度可以理解成关联度，相似度越高，则关联度也越高。
步骤S203，利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据，其中，故障数据为目标设备的故障部件对应的数据。
可选地，在本申请实施例中，利用确定的目标故障数据预测方案，对目标特征进行处理，预测目标设备中的运行数据中是否会存在故障数据，若存在故障数据，则工作人员可以事先对可能发生故障的部件进行优先处理。其中，故障数据通常是指目标设备中发生故障的部件对应的数据。
在本申请实施例中，通过获取目标设备中待预测的运行数据；利用目标关联模型对运行数据进行特征提取，得到目标特征；利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据，由于目标故障数据预测方案是提前已经设置好的，这样可以直接利用该目标故障数据预测方案对目标设备的运行数据进行提前预测，即可得出目标设备中的部件是否会存在故障数据，从而可以实现提前准确预测设备部件故障的目的，进而解决了相关技术中存在的由于不能准确做到提前故障预测，导致后续的设备维护阶段出现效率低下的问题。
作为一种可选的实施例，在利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据之前，方法还包括：
获取历史故障记录数据和历史工单数据，其中，历史故障记录数据为目标设备上报的故障数据，历史工单数据为目标对象上报的故障数据；
将历史工单数据与历史工单数据对应的历史故障记录数据进行拼接，得到拼接结果，其中，历史工单数据与历史故障记录数据是一对多的关系；
根据拼接结果，设置多个故障数据预测方案；
比较多个故障数据预测方案的召回率和准确率，将满足预设召回率和预设准确率的故障数据预测方案确定为目标故障数据预测方案。
可选地，服务器首先获取上报的历史故障数据，包括：历史故障记录数据和历史工单数据，其中，历史故障记录数据是目标设备在出现故障时主动上报的故障数据，历史工单数据是目标对象(即用户或工人)在发现目标设备故障时上报的故障数据，如表1和表2所示，表1是历史工单数据，表2是历史故障记录数据。
表1
| 时间 | 工单内容 |
| 20201020 12:03:01 | M3HVAC2机组压缩机2低压故障 |
| 20201020 14:03:07 | M3HVAC1机组压缩机3低压故障 |
| 20201220 15:04:04 | M3HVAC1机组压缩机5低压故障 |
| 20201220 18:03:06 | M3HVAC2机组压缩机6低压故障 |
表2
| 时间 | 故障数据 |
| 20201019 08:03:01 | X压缩机Y故障 |
| 20201019 08:03:09 | 空调故障 |
| 20201019 09:04:04 | X压缩机Y故障 |
| 20201219 10:03:06 | X压缩机Y故障 |
| 20201219 12:03:01 | X压缩机Y故障 |
| 20201219 14:03:01 | 空调故障 |
| 20201219 15:04:04 | X压缩机Y故障 |
| 20201219 18:03:06 | X压缩机Y故障 |
| 20201219 19:03:01 | X压缩机Y故障 |
| 20201219 20:03:01 | 空调故障 |
| 20201219 22:04:04 | X压缩机Y故障 |
| 20201219 23:03:06 | X压缩机Y故障 |
| 20201220 19:04:04 | X压缩机Y故障 |
| 20201220 20:03:06 | X压缩机Y故障 |
| 20201220 21:04:04 | X压缩机Y故障 |
| 20201220 22:03:06 | X压缩机Y故障 |
然后根据历史工单数据和历史故障记录数据中的时间，对历史工单数据和历史故障记录数据进行拼接。
由于历史工单数据是人为记录的数据，历史故障记录数据是目标设备上报的数据，所以历史工单数据的特点是数量少，但是准确，而历史故障记录数据的特点是数量多，但是不准确。这时，按照历史工单数据内记录的故障时间和历史故障记录数据中记录的故障时间进行数据拼接时，会出现一条历史工单数据对应多条历史故障记录数据的情况。
需要说明的是，在将历史工单数据与历史工单数据对应的历史故障记录数据进行拼接时，会事先将历史工单数据中记录的故障数据进行工单类型的划分，具体处理结果可参见表3，表3是历史工单数据处理的示例。
表3
| 时间 | 工单类型 |
| 20201220 12:03:01 | 压缩机低压故障 |
| 20201220 14:03:07 | 压缩机低压故障 |
| 20201220 15:04:04 | 压缩机低压故障 |
| 20201220 18:03:06 | 压缩机低压故障 |
然后利用一些常见的特征挖掘算法，拼接结果中的特征进行特征提取，基于提取后的特征设置多个故障设局预测方案。
如表4所示，表4为历史工单数据与历史故障记录数据的拼接结果，而基于拼接结果进行特征提取的示例可以参见表5；
其中，表5为特征提取规则分别为：F1：前一天“X压缩机Y故障”故障数据数量；F2：前一天故障数据数量；F3：前一天空调故障数据数量。
表4
表5
| 工单时间 | 工单类型 | F1 | F2 | F3 |
| 20201020 12:03:01 | 压缩机低压故障 | 2 | 3 | 1 |
| 20201020 14:03:07 | 压缩机低压故障 | 2 | 3 | 1 |
| 20201220 15:04:04 | 压缩机低压故障 | 7 | 9 | 2 |
| 20201220 18:03:06 | 压缩机低压故障 | 7 | 9 | 2 |
基于表5中提取出的特征，本申请实施例设置多个故障数据预测方案，比如，故障数据预测方案R1：F1>＝5；故障数据预测方案R2：F1>＝2且F3>＝1；故障数据预测方案R3：F2>＝3。
之后，比较故障数据预测方案R1、R2、R3的召回率，比较结果如表6所示，表6为多个故障数据预测方案的召回率比较示例。
表6
| 工单时间 | 工单类型 | R1 | R2 | R3 |
| 20201020 12:03:01 | 压缩机低压故障 | FALSE | TRUE | TRUE |
| 20201020 14:03:07 | 压缩机低压故障 | FALSE | TRUE | TRUE |
| 20201220 15:04:04 | 压缩机低压故障 | TRUE | TRUE | TRUE |
| 20201220 18:03:06 | 压缩机低压故障 | TRUE | TRUE | TRUE |
将满足预设召回率的故障数据预测方案作为候选预测方案，在这里，将预设召回率可以设置为1等，然后再比较候选预测方案之间的准确率，将满足预设准确率的故障数据预测方案确定为目标故障数据预测方案，在这里，将预设准确率可以设置为0.8等。
可选地，在故障数据预测方案R1、R2、R3中，故障数据预测方案R1的召回率为0.5，故障数据预测方案R2的召回率为1，故障数据预测方案R3的召回率为1，所以之后比较故障数据预测方案R2和故障数据预测方案R3的准确率即可。
根据故障数据：
| 20201220 19:04:04 | X压缩机Y故障 |
| 20201220 20:03:06 | X压缩机Y故障 |
| 20201220 21:04:04 | X压缩机Y故障 |
| 20201220 22:03:06 | X压缩机Y故障 |
可以得知，此时在2020年12月20号时，历史故障记录数据对应记录的故障数据数量为4，满足故障数据预测方案R3的条件，如果以故障数据预测方案R3来预测自然日为3天(即19号、20号和21号)是否产生工单故障数据时，由于在19号、20号产生了工单故障数据，有上述各个表格可知，在21号并未产生故障数据，所以故障数据预测方案R3的准确率为2/3。
在2020年12月20号时，历史故障记录数据对应记录的故障数据并不能满足故障数据预测方案R2的条件，所以以故障数据预测方案R2去做工单故障数据预测时，故障数据预测方案R2的准确率为1。
因此，故障数据预测方案R2的准确率相比故障数据预测方案R3的准确率较高，这时，将故障数据预测方案R2作为目标故障数据预测方案。
作为一种可选实施例，将历史工单数据与历史工单数据对应的历史故障记录数据进行拼接，得到拼接结果包括：
获取历史故障记录数据内存储的第一时间数据和历史工单数据内存储的第二时间数据；
根据第一时间数据和第二时间数据，确定每个历史工单数据对应的多个历史故障记录数据；
将每个历史工单数据与多个历史故障记录数据进行拼接，得到拼接结果。
可选地，如表4所示，在历史故障记录数据中包含：故障数据记录时间(即第一时间)，在历史工单数据中包含：工单时间(即第二时间)。根据第一时间数据和第二时间数据，确定每个历史工单数据对应的多个历史故障记录数据。
比如，表4中，前三条工单时间为20201020 12:03:01，表示在20201020 12:03:01时产生一个工单，对应的故障记录时间为三条，分别是：20201019 08:03:01、20201019 08:03:09、20201019 09:04:04，然后将20201020 12:03:01与三条故障记录时间为2020101908:03:01、20201019 08:03:09、20201019 09:04:04进行拼接，完成在同一工单产生时刻下，各个历史工单数据与多个历史故障记录数据的拼接，进而得到如表4的拼接结果。
作为一种可选实施例，将每个历史工单数据与多个历史故障记录数据进行拼接，得到拼接结果包括：
获取每个历史工单数据中故障数据的第一故障类型；
获取历史故障记录数据中故障数据的第二故障类型；
将第一故障类型和第二故障类型作相似度比较，将满足相似度阈值的历史故障记录数据与历史工单数据进行拼接，得到拼接结果。
可选地，本申请实施例可以获取每个历史工单数据中故障数据的第一故障类型，和每个历史故障记录数据中故障数据的第二故障类型，然后将第一故障类型和第二故障类型作相似度比较，可以根据行业专家的专业术语获知第一故障类型和第二故障类型之间的故障关系，进而确定相似度，也可以根据文本语义的相似性，确定第一故障类型和第二故障类型之间的相似度，然后将相似度满足相似度阈值的历史故障记录数据与历史工单数据进行拼接，得到拼接结果，这样确定出的拼接结果更有利于做后续的特征提取。
作为一种可选实施例，在比较多个故障数据预测方案的召回率和准确率，将满足预设召回率和预设准确率的故障数据预测方案确定为目标故障数据预测方案之后，该方法还包括：
在准确率数值小于召回率数值的情况下，选取出不满足相似度阈值的历史故障记录数据；
将不满足相似度阈值的历史故障记录数据作为与历史工单数据进行拼接的部分数据，得到拼接结果。
可选地，在比较多个故障数据预测方案的召回率和准确率的过程中，如果准确率数值较低，且低于召回率数值的情况下，可以选取出一些不满足相似度阈值的历史故障记录数据，作为与历史工单数据进行拼接的部分数据。这里的不满足相似度阈值的历史故障记录数据，可以是参考行业专家的专业术语，获取一些与历史故障记录数据不相似，但是相关的故障数据，作为拼接的部分数据。
可选地，也可以使用历史故障记录数据对应一段时间的车辆状态数据作为与历史工单数据进行拼接的部分数据，得到最终的拼接结果。
作为一种可选实施例，将不满足相似度阈值的历史故障记录数据作为与历史工单数据进行拼接的部分数据，得到拼接结果包括：
将不满足相似度阈值的历史故障记录数据和满足相似度阈值的历史故障记录数据进行组合，得到组合数据；
将组合数据与历史工单数据进行拼接，得到拼接结果。
可选地，将获取的不满足相似度阈值的历史故障记录数据和满足相似度阈值的历史故障记录数据进行组合，这样得到组合后的数据，以组合后的数据作为与历史工单数据相拼接的历史记录故障数据，进而得到样本更大的拼接结果。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
根据本申请实施例的另一个方面，还提供了一种用于实施上述故障数据的预测方法的故障数据的预测装置。图3是根据本申请实施例的一种可选的故障数据的预测装置的示意图，如图3所示，该装置可以包括：
第一获取单元301，用于获取目标设备中待预测的运行数据，其中，运行数据包括目标设备内各部件的运行时间和运行时间对应的部件状态数据，目标设备是车辆设备；
提取单元302，用于利用目标关联模型对运行数据进行特征提取，得到目标特征，其中，目标特征用于指示运行数据之间的关联性；
预测单元303，用于利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据，其中，故障数据为目标设备的故障部件对应的数据。
需要说明的是，该实施例中的第一获取单元301可以用于执行上述步骤S201，该实施例中的提取单元302可以用于执行上述步骤S202，该实施例中的预测单元303可以用于执行上述步骤S203。
通过上述模块，获取目标设备中待预测的运行数据；利用目标关联模型对运行数据进行特征提取，得到目标特征；利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据，由于目标故障数据预测方案是提前已经设置好的，这样可以直接利用该目标故障数据预测方案对目标设备的运行数据进行提前预测，即可得出目标设备中的部件是否会存在故障数据，从而可以实现提前准确预测设备部件故障的目的，进而解决了相关技术中存在的由于不能准确做到提前故障预测，导致后续的设备维护阶段出现效率低下的问题。
作为一种可选的实施例，该装置还包括：
第二获取单元，用于在利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据之前，获取历史故障记录数据和历史工单数据，其中，历史故障记录数据为目标设备上报的故障数据，历史工单数据为目标对象上报的故障数据；
第一拼接单元，用于将历史工单数据与历史工单数据对应的历史故障记录数据进行拼接，得到拼接结果，其中，历史工单数据与历史故障记录数据是一对多的关系；
设置单元，用于根据拼接结果，设置多个故障数据预测方案；
比较单元，用于比较多个故障数据预测方案的召回率和准确率，将满足预设召回率和预设准确率的故障数据预测方案确定为目标故障数据预测方案。
作为一种可选的实施例，第一拼接单元包括：
获取模块，用于获取历史故障记录数据内存储的第一时间数据和历史工单数据内存储的第二时间数据；
确定模块，用于根据第一时间数据和第二时间数据，确定每个历史工单数据对应的多个历史故障记录数据；
第一拼接模块，用于将每个历史工单数据与多个历史故障记录数据进行拼接，得到拼接结果。
作为一种可选的实施例，第一拼接模块包括：
第一获取子单元，用于获取每个历史工单数据中故障数据的第一故障类型；
第二获取子单元，用于获取历史故障记录数据中故障数据的第二故障类型；
比较子单元，用于将第一故障类型和第二故障类型作相似度比较，将满足相似度阈值的历史故障记录数据与历史工单数据进行拼接，得到拼接结果。
作为一种可选的实施例，该装置还包括：
选取单元，用于在比较多个故障数据预测方案的召回率和准确率，将满足预设召回率和预设准确率的故障数据预测方案确定为目标故障数据预测方案之后，在准确率数值小于召回率数值的情况下，选取出不满足相似度阈值的历史故障记录数据；
第二拼接单元，用于将不满足相似度阈值的历史故障记录数据作为与历史工单数据进行拼接的部分数据，得到拼接结果。
作为一种可选的实施例，第二拼接单元包括：
组合模块，用于将不满足相似度阈值的历史故障记录数据和满足相似度阈值的历史故障记录数据进行组合，得到组合数据；
第二拼接模块，用于将组合数据与历史工单数据进行拼接，得到拼接结果。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在如图1所示的硬件环境中，可以通过软件实现，也可以通过硬件实现，其中，硬件环境包括网络环境。
根据本申请实施例的又一个方面，还提供了一种用于实施上述故障数据的预测方法的电子设备，该电子设备可以是服务器、终端、或者其组合。
图4是根据本申请实施例的一种可选的电子设备的结构框图，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401、通信接口402和存储器403通过通信总线404完成相互间的通信，其中，
存储器403，用于存储计算机程序；
处理器401，用于执行存储器403上所存放的计算机程序时，实现如下步骤：
S1，获取目标设备中待预测的运行数据，其中，运行数据包括目标设备内各部件的运行时间和运行时间对应的部件状态数据，目标设备是车辆设备；
S2，利用目标关联模型对运行数据进行特征提取，得到目标特征，其中，目标特征用于指示运行数据之间的关联性；
S3，利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据，其中，故障数据为目标设备的故障部件对应的数据。
可选地，在本实施例中，上述的通信总线可以是PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例，如图4所示，上述存储器403中可以但不限于包括上述故障数据的预测装置中的第一获取单元301、提取单元302、预测单元303。此外，还可以包括但不限于上述故障数据的预测装置中的其他模块单元，本示例中不再赘述。
上述处理器可以是通用处理器，可以包含但不限于：CPU(Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(DigitalSignal Processing，数字信号处理器)、ASIC(Application Specific IntegratedCircuit，专用集成电路)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)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。
此外，上述电子设备还包括：显示器，用于显示故障数据预测结果。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图4所示的结构仅为示意，实施上述故障数据的预测方法的设备可以是终端设备，该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices，MID)、PAD等终端设备。图4其并不对上述电子设备的结构造成限定。例如，终端设备还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图4所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行故障数据的预测方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
S1，获取目标设备中待预测的运行数据，其中，运行数据包括目标设备内各部件的运行时间和运行时间对应的部件状态数据，目标设备是车辆设备；
S2，利用目标关联模型对运行数据进行特征提取，得到目标特征，其中，目标特征用于指示运行数据之间的关联性；
S3，利用目标故障数据预测方案对目标特征进行处理，预测运行数据中是否存在故障数据，其中，故障数据为目标设备的故障部件对应的数据。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
根据本申请实施例的又一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述任一个实施例中的故障数据的预测方法步骤。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例故障数据的预测方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，例如多个单元或组件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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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，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单元来实现本实施例中所提供的方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种故障数据的预测方法，其特征在于，所述方法包括：
获取目标设备中待预测的运行数据，其中，所述运行数据包括所述目标设备内各部件的运行时间和所述运行时间对应的部件状态数据，所述目标设备是车辆设备；
利用目标关联模型对所述运行数据进行特征提取，得到目标特征，其中，所述目标特征用于指示所述运行数据之间的关联性；
利用目标故障数据预测方案对所述目标特征进行处理，预测所述运行数据中是否存在故障数据，其中，所述故障数据为所述目标设备的故障部件对应的数据；
其中，所述利用目标故障数据预测方案对所述目标特征进行处理，预测所述运行数据中是否存在故障数据之前，所述方法还包括：
获取历史故障记录数据和历史工单数据，其中，所述历史故障记录数据为所述目标设备上报的故障数据，所述历史工单数据为目标对象上报的故障数据；
将所述历史工单数据与所述历史工单数据对应的所述历史故障记录数据进行拼接，得到拼接结果，其中，所述历史工单数据与所述历史故障记录数据是一对多的关系；
根据所述拼接结果，设置多个故障数据预测方案；
比较所述多个故障数据预测方案的召回率和准确率，将满足预设召回率和预设准确率的故障数据预测方案确定为所述目标故障数据预测方案。
2.根据权利要求1所述的方法，其特征在于，所述将所述历史工单数据与所述历史工单数据对应的所述历史故障记录数据进行拼接，得到拼接结果包括：
获取所述历史故障记录数据内存储的第一时间数据和所述历史工单数据内存储的第二时间数据；
根据所述第一时间数据和所述第二时间数据，确定每个所述历史工单数据对应的多个所述历史故障记录数据；
将每个所述历史工单数据与多个所述历史故障记录数据进行拼接，得到拼接结果。
3.根据权利要求2所述的方法，其特征在于，所述将每个所述历史工单数据与多个所述历史故障记录数据进行拼接，得到拼接结果包括：
获取每个所述历史工单数据中故障数据的第一故障类型；
获取所述历史故障记录数据中故障数据的第二故障类型；
将所述第一故障类型和所述第二故障类型作相似度比较，将满足相似度阈值的所述历史故障记录数据与所述历史工单数据进行拼接，得到所述拼接结果。
4.根据权利要求3所述的方法，其特征在于，在所述比较所述多个故障数据预测方案的召回率和准确率，将满足预设召回率和预设准确率的故障数据预测方案确定为目标故障数据预测方案之后，所述方法还包括：
在准确率数值小于召回率数值的情况下，选取出不满足所述相似度阈值的所述历史故障记录数据；
将所述不满足所述相似度阈值的所述历史故障记录数据作为与所述历史工单数据进行拼接的部分数据，得到所述拼接结果。
5.根据权利要求4所述的方法，其特征在于，所述将所述不满足所述相似度阈值的所述历史故障记录数据作为与所述历史工单数据进行拼接的部分数据，得到所述拼接结果包括：
将所述不满足所述相似度阈值的所述历史故障记录数据和所述满足所述相似度阈值的所述历史故障记录数据进行组合，得到组合数据；
将所述组合数据与所述历史工单数据进行拼接，得到所述拼接结果。
6.一种故障数据的预测装置，其特征在于，所述装置包括：
第一获取单元，用于获取目标设备中待预测的运行数据，其中，所述运行数据包括所述目标设备内各部件的运行时间和所述运行时间对应的部件状态数据，所述目标设备是车辆设备；
提取单元，用于利用目标关联模型对所述运行数据进行特征提取，得到目标特征，其中，所述目标特征用于指示所述运行数据之间的关联性；
预测单元，用于利用目标故障数据预测方案对所述目标特征进行处理，预测所述运行数据中是否存在故障数据，其中，所述故障数据为所述目标设备的故障部件对应的数据；
所述装置还包括：
第二获取单元，用于在所述利用目标故障数据预测方案对所述目标特征进行处理，预测所述运行数据中是否存在故障数据之前，获取历史故障记录数据和历史工单数据，其中，所述历史故障记录数据为所述目标设备上报的故障数据，所述历史工单数据为目标对象上报的故障数据；
第一拼接单元，用于将所述历史工单数据与所述历史工单数据对应的所述历史故障记录数据进行拼接，得到拼接结果，其中，所述历史工单数据与所述历史故障记录数据是一对多的关系；
设置单元，用于根据所述拼接结果，设置多个故障数据预测方案；
比较单元，用于比较所述多个故障数据预测方案的召回率和准确率，将满足预设召回率和预设准确率的故障数据预测方案确定为所述目标故障数据预测方案。
7.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，
所述存储器，用于存储计算机程序；
所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至5中任一项所述的方法步骤。
8.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至5中任一项中所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110349431.9A CN113093702B (zh) | 2021-03-31 | 2021-03-31 | 故障数据的预测方法和装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110349431.9A CN113093702B (zh) | 2021-03-31 | 2021-03-31 | 故障数据的预测方法和装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113093702A CN113093702A (zh) | 2021-07-09 |
| CN113093702B true CN113093702B (zh) | 2023-02-17 |
Family
ID=76672125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110349431.9A Active CN113093702B (zh) | 2021-03-31 | 2021-03-31 | 故障数据的预测方法和装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113093702B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009042A (zh) * | 2019-04-08 | 2019-07-12 | 中诚信征信有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
| 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 |
| CN111488265A (zh) * | 2020-04-27 | 2020-08-04 | 北京奇艺世纪科技有限公司 | 故障预测方法、装置、设备及可读存储介质 |
| CN112101666A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
| CN112148733A (zh) * | 2020-09-15 | 2020-12-29 | 珠海格力电器股份有限公司 | 确定故障类型的方法、装置、电子装置和计算机可读介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10067817B2 (en) * | 2016-05-25 | 2018-09-04 | International Business Machines Corporation | Equipment failure risk detection and prediction in industrial process |
| CN111542846B (zh) * | 2018-01-19 | 2023-08-29 | 株式会社日立制作所 | 故障预测系统和故障预测方法 |
| CN110595778B (zh) * | 2019-06-10 | 2021-09-17 | 内蒙古工业大学 | 一种基于mmf与igra风电机组轴承故障诊断方法 |
-
2021
- 2021-03-31 CN CN202110349431.9A patent/CN113093702B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009042A (zh) * | 2019-04-08 | 2019-07-12 | 中诚信征信有限公司 | 一种数据预测方法、装置、电子设备及存储介质 |
| 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 |
| CN111488265A (zh) * | 2020-04-27 | 2020-08-04 | 北京奇艺世纪科技有限公司 | 故障预测方法、装置、设备及可读存储介质 |
| CN112148733A (zh) * | 2020-09-15 | 2020-12-29 | 珠海格力电器股份有限公司 | 确定故障类型的方法、装置、电子装置和计算机可读介质 |
| CN112101666A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113093702A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112801800A (zh) | 行为资金分析系统、方法、计算机设备及存储介质 | |
| CN110928802A (zh) | 基于自动生成用例的测试方法、装置、设备及存储介质 | |
| CN112181835A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
| CN112800197A (zh) | 一种目标故障信息的确定方法和装置 | |
| CN112613938A (zh) | 模型训练方法、装置及计算机设备 | |
| CN110807050B (zh) | 性能分析方法、装置、计算机设备及存储介质 | |
| CN110796060B (zh) | 高速行车路线确定方法、装置、设备和存储介质 | |
| CN112181430A (zh) | 代码变更统计方法、装置、电子设备及存储介质 | |
| CN110704699A (zh) | 数据画像的构建方法、装置、计算机设备及存储介质 | |
| CN112560939B (zh) | 模型验证方法、装置及计算机设备 | |
| CN116166967B (zh) | 基于元学习与残差网络的数据处理方法、设备和存储介质 | |
| CN116361567B (zh) | 应用于云办公的数据处理方法及系统 | |
| CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
| CN111553491A (zh) | 一种车辆维修记录的生成方法及相关装置 | |
| CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
| CN108880835B (zh) | 数据分析方法及装置、计算机存储介质 | |
| CN114860608A (zh) | 基于场景构建的系统自动化测试方法、装置、设备及介质 | |
| CN113157582B (zh) | 测试脚本执行序列确定方法及装置 | |
| CN115202946A (zh) | 自动化测试方法、装置、设备、存储介质及程序产品 | |
| CN109542986B (zh) | 网络数据的要素归一化方法、装置、设备及存储介质 | |
| CN111652281A (zh) | 信息数据的分类方法、装置及可读存储介质 | |
| CN111046909A (zh) | 一种负荷预测的方法及装置 | |
| CN112183644B (zh) | 指标稳定性的监控方法、装置、计算机设备及介质 | |
| CN113568773A (zh) | 一种异常服务分类方法、装置、设备及存储介质 | |
| CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |