CN113258995A - 故障预测方法、装置和计算机可读存储介质 - Google Patents

Abstract

本发明公开了故障预测方法、装置和计算机可读存储介质，其中，应用于网络节点的方法包括：获取多个目标设备组件的第一特征参数，根据第一特征参数对目标设备组件进行故障预测，对目标设备组件进行故障预测包括确定目标设备组件的故障预测值和置信度；获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值，将特征参数映射关系值发送给服务器，以使得服务器更新特征参数映射关系值；从服务器获取特征参数映射关系值，根据特征参数映射关系值更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。

Description

故障预测方法、装置和计算机可读存储介质

技术领域

本发明实施例涉及但不限于故障检测技术领域，特别是涉及一种故障预测方法、装置和计算机可读存储介质。

背景技术

近些年来，随着各国出台的法律法规，如欧盟最近引入的新法案《通用数据保护条例》(General Data Protection Regulation,GDPR)对通信/互联网厂商提出了更高标准的安全要求，可见，对用户数据隐私和安全管理的日趋严格将成为趋势。

在相关技术中，光模块故障预测是基于收集大量的基站数据到服务端，使用相关的线性预测算法计算出置信度，但是得出的故障预测结果并不能很准确预测光模块的故障。如果希望提高故障预测准确度，则需要收集更多数据，然而这就涉及到用户数据隐私和安全管理的问题。数据在实体间转移，交换和交易的形式有可能违反GDPR，并可能遭到法案严厉的惩罚。因此，在满足数据隐私保护和安全管理的需求下，如何提高光模块故障预测准确度成为亟待解决的技术问题。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种故障预测方法、故障预测装置和计算机可读存储介质，能够在满足数据隐私保护和安全管理的需求下，提高光模块故障预测准确度。

第一方面，本发明实施例提供了一种故障预测方法，应用于网络节点，所述方法包括：

获取多个目标设备组件的第一特征参数，根据所述第一特征参数对所述目标设备组件进行故障预测，所述对所述目标设备组件进行故障预测包括确定所述目标设备组件的故障预测值和置信度；

获取所述目标设备组件的第二特征参数和实际故障值，根据所述目标设备组件的所述故障预测值、所述置信度、所述第二特征参数和所述实际故障值确定特征参数映射关系值，将所述特征参数映射关系值发送给服务器，以使得所述服务器更新所述特征参数映射关系值；

从所述服务器获取所述特征参数映射关系值，根据所述特征参数映射关系值更新对所述目标设备组件的故障预测。

第二方面，本发明实施例提供了一种故障预测方法，应用于服务器，所述方法包括：

从多个网络节点获取特征参数映射关系值；

将各个所述特征参数映射关系值通过联邦学习的方式进行聚合，以更新所述特征参数映射关系值；

将更新后的所述特征参数映射关系值发送给所述网络节点。

第三方面，本发明实施例提供了一种故障预测装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述的故障预测方法，或者如上第二方面所述的故障预测方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行如上第一方面所述的故障预测方法，或者如上第二方面所述的故障预测方法。

本发明实施例包括：分布于不同地区的网络节点获取多个目标设备组件的第一特征参数，根据第一特征参数对目标设备组件进行故障预测，对目标设备组件进行故障预测包括确定目标设备组件的故障预测值和置信度，此外，网络节点还获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值，将特征参数映射关系值发送给服务器，服务器将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合，以更新特征参数映射关系值，网络节点再从服务器获取新的特征参数映射关系值，并根据新的特征参数映射关系值更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。基于此，相对于现有的设备故障预测方法，网络节点除了收集涉及目标设备组件初始的第一特征参数，以获得目标设备组件的故障预测值和置信度，还进一步收集其他可以评估目标设备组件生命周期的第二特征参数，通过找出故障预测值与特征参数之间的关系，以得到特征参数映射关系值，并将特征参数映射关系值发送给服务器，服务器则将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合以更新特征参数映射关系值，再将新的特征参数映射关系值下发到各个网络节点，各个网络节点按照新的特征参数映射关系值对目标设备组件进行故障预测，可知，在整个过程中，各个网络节点与服务器之间传送的是特征参数映射关系值，而并不涉及目标设备组件的任何原始数据，从而能够在满足数据隐私保护和安全管理的需求，而且，由于各个网络节点收集了更多与目标设备组件相关的特征参数加入到联邦学习，还进一步提高了对目标设备组件故障预测的准确度。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1是本发明一个实施例提供的一种故障预测方法的流程图；

图2是本发明一个实施例提供的一种故障预测方法的流程图；

图3是本发明一个实施例提供的故障预测装置结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

应了解，在本发明实施例的描述中，多个(或多项)的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

近些年来，随着各国出台的法律法规，如欧盟最近引入的新法案《通用数据保护条例》(General Data Protection Regulation,GDPR)对通信/互联网厂商提出了更高标准的安全要求，可见，对用户数据隐私和安全管理的日趋严格将成为趋势。

在相关技术中，光模块故障预测是基于收集大量的基站数据到服务端，使用相关的线性预测算法计算出置信度，但是得出的故障预测结果并不能很准确预测光模块的故障。如果希望提高故障预测准确度，则需要收集更多数据，然而这就涉及到用户数据隐私和安全管理的问题。数据在实体间转移，交换和交易的形式有可能违反GDPR，并可能遭到法案严厉的惩罚。因此，在满足数据隐私保护和安全管理的需求下，如何提高光模块故障预测准确度成为亟待解决的技术问题。

本发明实施例提供了一种故障预测方法、故障预测装置和计算机可读存储介质,分布于不同地区的网络节点获取多个目标设备组件的第一特征参数，根据第一特征参数对目标设备组件进行故障预测，对目标设备组件进行故障预测包括确定目标设备组件的故障预测值和置信度，此外，网络节点还获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值，将特征参数映射关系值发送给服务器，服务器将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合，以更新特征参数映射关系值，网络节点再从服务器获取新的特征参数映射关系值，并根据新的特征参数映射关系值更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。基于此，相对于现有的设备故障预测方法，网络节点除了收集涉及目标设备组件初始的第一特征参数，以获得目标设备组件的故障预测值和置信度，还进一步收集其他可以评估目标设备组件生命周期的第二特征参数，通过找出故障预测值与特征参数之间的关系，以得到特征参数映射关系值，并将特征参数映射关系值发送给服务器，服务器则将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合以更新特征参数映射关系值，再将新的特征参数映射关系值下发到各个网络节点，各个网络节点按照新的特征参数映射关系值对目标设备组件进行故障预测，可知，在整个过程中，各个网络节点与服务器之间传送的是特征参数映射关系值，而并不涉及目标设备组件的任何原始数据，从而能够在满足数据隐私保护和安全管理的需求，而且，由于各个网络节点收集了更多与目标设备组件相关的特征参数加入到联邦学习，还进一步提高了对目标设备组件故障预测的准确度。

如图1所示，图1是本发明一个实施例提供的一种故障预测方法的流程图。该故障预测方法可以应用于网络节点，故障预测方法包括但不限于如下步骤：

步骤101，获取多个目标设备组件的第一特征参数，根据第一特征参数对目标设备组件进行故障预测，对目标设备组件进行故障预测包括确定目标设备组件的故障预测值和置信度；

步骤102，获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值，将特征参数映射关系值发送给服务器，以使得服务器更新特征参数映射关系值；

步骤103，从服务器获取特征参数映射关系值，根据特征参数映射关系值更新对目标设备组件的故障预测。

在一实施例中，分布于不同地区的网络节点获取多个目标设备组件的第一特征参数，根据第一特征参数对目标设备组件进行故障预测，对目标设备组件进行故障预测包括确定目标设备组件的故障预测值和置信度，此外，网络节点还获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值，将特征参数映射关系值发送给服务器，以使得服务器更新特征参数映射关系值，网络节点再从服务器获取新的特征参数映射关系值，并根据新的特征参数映射关系值更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。基于此，相对于现有的设备故障预测方法，网络节点除了收集涉及目标设备组件初始的第一特征参数，以获得目标设备组件的故障预测值和置信度，还进一步收集其他可以评估目标设备组件生命周期的第二特征参数，通过找出故障预测值与特征参数之间的关系，以得到特征参数映射关系值，并将特征参数映射关系值发送给服务器，服务器则将新的特征参数映射关系值下发到各个网络节点，各个网络节点按照新的特征参数映射关系值对目标设备组件进行故障预测，可知，网络节点与服务器之间传送的是特征参数映射关系值，而并不涉及目标设备组件的任何原始数据，从而能够在满足数据隐私保护和安全管理的需求，而且，由于各个网络节点收集了更多与目标设备组件相关的特征参数加入到联邦学习，还进一步提高了对目标设备组件故障预测的准确度。其中，联邦学习又名联邦机器学习，联邦机器学习是一个机器学习框架，可以在满足用户隐私保护、数据安全和政府法规的要求下，在多计算结点之间开展高效率的机器学习。

需要指出的是，第一特征参数指的是用于评估目标设备组件生命周期的基本特征参数，第二特征参数指的是用于评估目标设备组件生命周期的其他特征参数。以目标设备组件是光模块为例，第一特征参数指的是基础特征信息和高阶特征信息，其中，基础特征信息包括光模块的温度、偏置电流、发射功率和型号，高阶特征信息为在预设采样时长内温度与偏置电流的皮尔森相关系数。而第二特征参数指的是业务特征信息，其中，业务特征信息包括光模块的批次、用途、环境温度、出厂时间、使用时间、拔插次数、光口误码数据、链路相关数据以及位置数据。

在一实施例中，以目标设备组件是光模块为例，光模块由光电子器件、功能电路和光接口等组成，光电子器件包括发射和接收两部分，光模块的作用就是发送端把电信号转换成光信号，通过光纤传送后，接收端再把光信号转换成电信号。假设地区A的设备有1000个光模块，地区B的设备有500个光模块，现在需要对两个地区的光模块的故障情况进行预测。在地区A和地区B的网络节点收集对应多个光模块的基础特征信息和高阶特征信息，其中，基础特征信息包括温度、偏置电流、发射功率和型号，而高阶特征信息为在预设采样时长内温度与偏置电流的皮尔森相关系数，并根据基础特征信息和高阶特征信息计算出光模块的故障预测值和置信度，其中，置信度用于衡量特征参数的测量值的可信程度。此外，地区A和地区B的网络节点还收集对应多个光模块的业务特征信息以及实际故障值，其中，业务特征信息包括光模块的批次、用途、环境温度、出厂时间、使用时间、拔插次数、光口误码数据、链路相关数据以及位置数据。通过对光模块的故障预测值、置信度、业务特征参数和实际故障值计算得到梯度，其中，梯度属于向量，用于表征光模块故障预测值与各个业务特征信息的映射关系值。将地区A和地区B的梯度发送给服务器，以使地区A和地区B的梯度在服务器通过联邦学习的方式进行聚合，更新，形成新的梯度。地区A和地区B对应的网络节点从服务器获取新的梯度，使得地区A和地区B将根据新的梯度对光模块进行故障预测。

在一实施例中，目标设备组件还可以是除光模块以外的其他设备组件。例如，假设地区A的设备有700个元器件，地区B的设备有1000个元器件，现在需要对两个地区的元器件的故障情况进行预测。在地区A和地区B的网络节点收集对应多个光模块的初始特征信息，并根据初始特征信息计算出元器件的故障预测值和置信度。此外，地区A和地区B的网络节点还收集对应多个元器件的新增评估参数以及实际故障值。通过对元器件的故障预测值、置信度、新增评估参数和实际故障值计算得到梯度，其中，梯度属于向量，用于表征元器件故障预测值与各个新增评估参数的映射关系值。将地区A和地区B的梯度发送给服务器，以使地区A和地区B的梯度在服务器通过联邦学习的方式进行聚合，更新，形成新的梯度。地区A和地区B对应的网络节点从服务器获取新的梯度，使得地区A和地区B将根据新的梯度对元器件进行故障预测。可知，只需要对应修改新增加的特征参数，即可适用于除光模块以外的其他元器件的故障预测。因此，可以在用户数据不转移的情况下更加精准的预测出元器件的生命周期，而且，元器件故障预测安全性更高，结果更精准。

在一实施例中，步骤102可以包括但不限于如下子步骤：

获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定梯度，其中，梯度为故障预测值与第二特征参数的映射关系值。

在本实施例中，以目标设备组件是光模块为例，通过对光模块的故障预测值、置信度、业务特征参数和实际故障值计算得到梯度，其中，第二特征参数指的是光模块的业务特征信息，业务特征信息包括光模块的批次、用途、环境温度、出厂时间、使用时间、拔插次数、光口误码数据、链路相关数据以及位置数据。网络节点根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定梯度，梯度属于向量，用于表征光模块故障预测值与业务特征信息的映射关系值。网络节点将梯度传送给服务器，而并不涉及光模块的任何原始数据转移，从而能够在满足数据隐私保护和安全管理的需求，而且，由于网络节点收集了更多可以评估光模块生命周期的业务特征参数加入到联邦学习，还进一步提高了对光模块故障预测的准确度。

在一实施例中，在步骤102中根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值之前还可以包括但不限于如下步骤：

对目标设备组件的故障预测值、置信度、第二特征参数和实际故障值进行加密。

在本实施例中，在确定特征参数映射关系值之前，网络节点先对目标设备组件的故障预测值、置信度、第二特征参数和实际故障值进行加密。例如，对于跨国或者跨地区运营商，不同地区或者国家的基站的数据单独计算加密，然后计算梯度，可以进一步满足数据隐私保护和安全管理的需求。

如图2所示，图2是本发明一个实施例提供的一种故障预测方法的流程图。该故障预测方法可以应用于服务器，该方法包括但不限于如下步骤：

步骤201，从多个网络节点获取特征参数映射关系值；

步骤202，将各个特征参数映射关系值通过联邦学习的方式进行聚合，以更新特征参数映射关系值；

步骤203，将更新后的特征参数映射关系值发送给网络节点。

在一实施例中，服务器将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合，以更新特征参数映射关系值，网络节点再从服务器获取新的特征参数映射关系值，并根据新的特征参数映射关系值更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。基于此，服务器将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合以更新特征参数映射关系值，再将新的特征参数映射关系值下发到各个网络节点，各个网络节点按照新的特征参数映射关系值对目标设备组件进行故障预测，可知，在整个过程中，各个网络节点与服务器之间传送的是特征参数映射关系值，而并不涉及目标设备组件的任何原始数据，从而能够在满足数据隐私保护和安全管理的需求。

在一实施例中，特征参数映射关系值为梯度。

在本实施例中，服务器将从多个网络节点获取的多个梯度通过联邦学习的方式进行聚合，以更新梯度，网络节点再从服务器获取新的梯度，并根据新的梯度更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。基于此，服务器将从多个网络节点获取的多个梯度通过联邦学习的方式进行聚合以更新梯度，再将新的梯度下发到各个网络节点，各个网络节点按照新的梯度对目标设备组件进行故障预测，可知，在整个过程中，各个网络节点与服务器之间传送的是梯度，而并不涉及目标设备组件的任何原始数据，从而能够在满足数据隐私保护和安全管理的需求。其中，梯度属于向量，以目标设备组件是光模块为例，梯度用于表征光模块故障预测值与业务特征信息的映射关系值。

如图3所示，本发明实施例还提供了一种故障预测装置。

具体地，该故障预测装置包括：一个或多个处理器和存储器，图3中以一个处理器及存储器为例。处理器和存储器可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如上述本发明实施例中的故障预测方法。处理器通过运行存储在存储器中的非暂态软件程序以及程序，从而实现上述本发明实施例中的故障预测方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述本发明实施例中的故障预测方法所需的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现上述本发明实施例中的故障预测方法所需的非暂态软件程序以及程序存储在存储器中，当被一个或者多个处理器执行时，执行上述本发明实施例中的故障预测方法，例如，执行以上描述的图1中的方法步骤101至步骤103，图2中的方法步骤201至步骤203，故障预测装置通过网络节点获取多个目标设备组件的第一特征参数，根据第一特征参数对目标设备组件进行故障预测，对目标设备组件进行故障预测包括确定目标设备组件的故障预测值和置信度，此外，网络节点还获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值，将特征参数映射关系值发送给服务器，服务器将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合，以更新特征参数映射关系值，网络节点再从服务器获取新的特征参数映射关系值，并根据新的特征参数映射关系值更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。

此外，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行程序，该计算机可执行程序被一个或多个控制处理器执行，例如，被图3中的一个处理器执行，可使得上述一个或多个处理器执行上述本发明实施例中的故障预测方法，例如，执行以上描述的图1中的方法步骤101至步骤103，图2中的方法步骤201至步骤203，通过网络节点获取多个目标设备组件的第一特征参数，根据第一特征参数对目标设备组件进行故障预测，对目标设备组件进行故障预测包括确定目标设备组件的故障预测值和置信度，此外，网络节点还获取目标设备组件的第二特征参数和实际故障值，根据目标设备组件的故障预测值、置信度、第二特征参数和实际故障值确定特征参数映射关系值，将特征参数映射关系值发送给服务器，服务器将从多个网络节点获取的多个特征参数映射关系值通过联邦学习的方式进行聚合，以更新特征参数映射关系值，网络节点再从服务器获取新的特征参数映射关系值，并根据新的特征参数映射关系值更新对目标设备组件的故障预测，以实现在用户数据不转移的情况下更加精准地预测出目标设备组件的生命周期。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读程序、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读程序、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的共享条件下还可作出种种等同的变形或替换，这些等同的变形或替换均包括在本发明权利要求所限定的范围内。

Claims (10)

1.一种故障预测方法，应用于网络节点，所述方法包括：

获取多个目标设备组件的第一特征参数，根据所述第一特征参数对所述目标设备组件进行故障预测，所述对所述目标设备组件进行故障预测包括确定所述目标设备组件的故障预测值和置信度；

获取所述目标设备组件的第二特征参数和实际故障值，根据所述目标设备组件的所述故障预测值、所述置信度、所述第二特征参数和所述实际故障值确定特征参数映射关系值，将所述特征参数映射关系值发送给服务器，以使得所述服务器更新所述特征参数映射关系值；

从所述服务器获取所述特征参数映射关系值，根据所述特征参数映射关系值更新对所述目标设备组件的故障预测。

2.根据权利要求1所述的方法，其特征在于，所述获取所述目标设备组件的第二特征参数和实际故障值，根据所述目标设备组件的所述故障预测值、所述置信度、所述第二特征参数和所述实际故障值确定特征参数映射关系值，包括：

所述获取所述目标设备组件的第二特征参数和实际故障值，根据所述目标设备组件的所述故障预测值、所述置信度、所述第二特征参数和所述实际故障值确定梯度，其中，所述梯度为所述故障预测值与所述第二特征参数的映射关系值。

3.根据权利要求1所述的方法，其特征在于，在根据所述目标设备组件的所述故障预测值、所述置信度、所述第二特征参数和所述实际故障值确定特征参数映射关系值之前，还包括：

对所述目标设备组件的所述故障预测值、所述置信度、所述第二特征参数和所述实际故障值进行加密。

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述第一特征参数包括基础特征信息和高阶特征信息，所述第二特征参数包括业务特征信息。

5.根据权利要求4所述的方法，其特征在于，所述基础特征信息包括：

温度；

偏置电流；

发射功率；

型号。

6.根据权利要求5所述的方法，其特征在于，所述高阶特征信息包括：

预设采样时长内所述温度与所述偏置电流的皮尔森相关系数。

7.一种故障预测方法，应用于服务器，所述方法包括：

从多个网络节点获取特征参数映射关系值；

将各个所述特征参数映射关系值通过联邦学习的方式进行聚合，以更新所述特征参数映射关系值；

将更新后的所述特征参数映射关系值发送给所述网络节点。

8.根据权利要求7所述的方法，其特征在于，所述特征参数映射关系值为梯度。

9.一种故障预测装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的故障预测方法，或者如权利要求7至8中任意一项所述的故障预测方法。

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存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行如权利要求1至8任意一项所述的故障预测方法。

Images