CN114118459A - 基于联合学习的检测设备健康方法及装置 - Google Patents

基于联合学习的检测设备健康方法及装置 Download PDF

Info

Publication number
CN114118459A
CN114118459A CN202111300796.9A CN202111300796A CN114118459A CN 114118459 A CN114118459 A CN 114118459A CN 202111300796 A CN202111300796 A CN 202111300796A CN 114118459 A CN114118459 A CN 114118459A
Authority
CN
China
Prior art keywords
equipment
data
target
health
trend curve
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.)
Pending
Application number
CN202111300796.9A
Other languages
English (en)
Inventor
徐少龙
张燧
金成浩
马家琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111300796.9A priority Critical patent/CN114118459A/zh
Publication of CN114118459A publication Critical patent/CN114118459A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种基于联合学习的检测设备健康方法及装置。该方法包括：通过响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；根据目标设备的属性信息，压缩设备数据中的关键特征数据；利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线；将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；根据目标设备的设备数据与趋势曲线上的值的匹配结果，确定预测目标设备的健康状态。本发明解决了现有技术中因无法及时准确地对设备进行检测与维护，而造成操作风险与资源浪费的问题。

Description

基于联合学习的检测设备健康方法及装置
技术领域
本公开涉及能源技术领域，尤其涉及一种基于联合学习的检测设备健康方法及装置。
背景技术
随着能源行业的蓬勃发展，相关的能源设备的应用越来越多。这就需要对能源设备的大量维护。而目前对能源设备的检修与维护现有技术是：通过人工设置检测时间定期为设备进行检查或维护，进而造成极大浪费人力资源并且人工设置的检测并不准确检测不全面。
如何进行准确及时的设备维护与检测方法成为急需要解决的问题。
发明内容
有鉴于此，本公开实施例提供了一种基于联合学习的检测设备健康方法及装置，以解决现有技术中因无法及时准确地对设备进行检测与维护，造成操作风险与资源浪费的问题。
本公开实施例的第一方面，提供了一种基于联合学习的检测设备健康方法，包括：
响应于联合学习架构的参与方发送的带有检测需求的目标设备的设备数据；
根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；
根据目标设备的属性信息，压缩设备数据中的关键特征数据；
利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线；
将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；
根据目标设备的设备数据与趋势曲线上的值的匹配结果，确定预测目标设备的健康状态。
本公开实施例的第二方面，提供了一种基于联合学习的检测设备健康装置，包括：
接收模块，用于响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；
提取模块，用于根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；
压缩模块，用于根据目标设备的属性信息，压缩设备数据中的关键特征数据；
建立模块，用于利用压缩后的设备数据中的关键特征数据建立设备健康趋势曲线；
匹配模块，用于将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；
输出模块，用于根据目标设备的设备数据与趋势曲线上的值的匹配结果确定预测目标设备的健康状态。
本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面，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程序，该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是：本公开通过响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；根据目标设备的属性信息，压缩设备数据中的关键特征数据；利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线；将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；根据目标设备的设备数据与趋势曲线上的值的匹配结果，确定预测目标设备的健康状态。以解决现有技术中因无法及时准确地对设备进行检测与维护，而造成操作风险与资源浪费的问题。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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它的附图。
图1是本公开实施例的一种联合学习的架构示意图；
图2是本公开实施例提供的一种基于联合学习的检测设备健康方法的流程图；
图3是本公开实施例提供的一种基于联合学习的检测设备健康装置的框图；
图4是本公开实施例提供的一种计算机设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
下面将结合附图详细说明根据本公开实施例的一种基于联合学习的检测设备健康方法和装置。
图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104，其中，参与方可以是一个或多个客户端(终端设备)组成。
在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
图2是本公开实施例提供的一种基于联合学习的检测设备健康方法的流程图，该基于联合学习的检测设备健康方法可以由图1的服务器执行。如图2所示，该基于联合学习的检测设备健康方法包括：
S201，响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据。
其中，检测需求可以是设备的某一个部件的检测，也可以是区域内的多个联合设备的检测，对此本发明不做限定。
S202，根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据。
具体地，根据参与方的检测需求，调取目标设备的原始期望值；
利用目标设备的原始期望值，设置筛选阈值区间；
当参与方发送的设备数据在筛选阈值区间内，则将所述设备数据提取为关键特征数据。
S203，根据目标设备的属性信息，压缩设备数据中的关键特征数据。
具体地，可以获取目标设备的属性信息；根据目标设备的属性信息，建立设备数据对应的维度信息；利用设备数据对应的维度信息，设置所述设备数据的级别；根据所述设备数据的级别，对所述设备数据中的关键特征数据进行压缩。
S204，利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线。
具体地，根据压缩后的设备数据中的关键特征数据，提取该关键特征数据对应的时间序列；利用该时间序列，获取该目标设备的对应历史故障值；根据该历史故障值，进行所述目标设备的设备数据的趋势提取；根据该设备数据的趋势提取建立设备健康趋势曲线。
S205，将目标设备的设备数据与设备健康趋势曲线上的值进行匹配。
具体地，调取该设备健康趋势曲线；获取目标设备的设备数据对应的时间段区间；根据该时间段区设置所述目标设备的设备数据的健康检测值；将该健康检测值与设备健康趋势曲线上的值进行匹配。
S206，根据目标设备的设备数据与趋势曲线上的值的匹配结果，确定预测目标设备的健康状态。
具体地，根据该健康趋势曲线上的值，建立该值的检测区间；当该匹配结果为目标设备的设备数据在该检测区间范围内时，则输出预测目标设备的健康状态。
根据本公开实施例提供的技术方案，通过响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；根据目标设备的属性信息，压缩设备数据中的关键特征数据；利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线；将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；根据目标设备的设备数据与趋势曲线上的值的匹配结果，确定预测目标设备的健康状态。以解决现有技术中因无法及时准确地对设备进行检测与维护，而造成操作风险与资源浪费的问题。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图3是本公开实施例提供的一种基于联合学习的检测设备健康装置的示意图。如图3所示，该基于联合学习的检测设备健康装置包括：
接收模块301，用于响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；
提取模块302，用于根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；
压缩模块303，用于根据目标设备的属性信息，压缩设备数据中的关键特征数据；
建立模块304，用于利用压缩后的设备数据中的关键特征数据建立设备健康趋势曲线；
匹配模块305，用于将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；
输出模块306，用于根据目标设备的设备数据与趋势曲线上的值的匹配结果确定预测目标设备的健康状态。
根据本公开实施例提供的技术方案，通过响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；根据目标设备的属性信息，压缩设备数据中的关键特征数据；利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线；将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；根据目标设备的设备数据与趋势曲线上的值的匹配结果，确定预测目标设备的健康状态。以解决现有技术中因无法及时准确地对设备进行检测与维护，而造成操作风险与资源浪费的问题。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的计算机设备4的示意图。如图4所示，该实施例的计算机设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在计算机设备4中的执行过程。
计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是计算机设备4的示例，并不构成对计算机设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、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)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器402可以是计算机设备4的内部存储单元，例如，计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备，例如，计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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，或者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方案的目的。
另外，在本公开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。
集成的模块/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，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于联合学习的检测设备健康方法，其特征在于，包括：
响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；
根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；
根据目标设备的属性信息，压缩设备数据中的关键特征数据；
利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线；
将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；
根据目标设备的设备数据与趋势曲线上的值的匹配结果，确定预测目标设备的健康状态。
2.根据权利要求1所述的方法，其特征在于，根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据：
根据参与方的检测需求，调取目标设备的原始期望值；
利用目标设备的原始期望值，设置筛选阈值区间；
当参与方发送的设备数据在筛选阈值区间内，则将所述设备数据提取为关键特征数据。
3.根据权利要求1所述的方法，其特征在于，根据目标设备的属性信息，压缩设备数据中的关键特征数据包括：
获取目标设备的属性信息；
根据目标设备的属性信息，建立设备数据对应的维度信息；
利用设备数据对应的维度信息，设置所述设备数据的级别；
根据所述设备数据的级别，对所述设备数据中的关键特征数据进行压缩。
4.根据权利要求1所述的方法，其特征在于，利用压缩后的设备数据中的关键特征数据，建立设备健康趋势曲线包括：
根据压缩后的设备数据中的关键特征数据，提取所述关键特征数据对应的时间序列；
利用所述时间序列，获取所述目标设备的对应历史故障值；
根据所述历史故障值，进行所述目标设备的设备数据的趋势提取；
根据所述趋势提取建立设备健康趋势曲线。
5.根据权利要求1所述的方法，其特征在于，将目标设备的设备数据与设备健康趋势曲线上的值进行匹配包括：
调取所述设备健康趋势曲线；
获取目标设备的设备数据对应的时间段区间；
根据所述时间段区设置所述目标设备的设备数据的健康检测值；
将所述健康检测值与设备健康趋势曲线上的值进行匹配。
6.根据权利要求1所述的方法，其特征在于，根据目标设备的设备数据与健康趋势曲线上的值的匹配结果，确定预测目标设备的健康状态包括：
根据所述健康趋势曲线上的值，建立所述值的检测区间；
当所述匹配结果为目标设备的设备数据在所述检测区间范围内时，则输出预测目标设备的健康状态。
7.根据权利要求1至6任一项所述的方法，其特征在于，参与方与服务器通过建立联合学习架构进行交互。
8.一种基于联合学习的检测设备健康装置，其特征在于，包括：
接收模块，用于响应于联合学习架构中的参与方发送的带有检测需求的目标设备的设备数据；
提取模块，用于根据参与方的检测需求，提取参与方发送的设备数据中的关键特征数据；
压缩模块，用于根据目标设备的属性信息，压缩设备数据中的关键特征数据；
建立模块，用于利用压缩后的设备数据中的关键特征数据建立设备健康趋势曲线；
匹配模块，用于将目标设备的设备数据与设备健康趋势曲线上的值进行匹配；
输出模块，用于根据目标设备的设备数据与趋势曲线上的值的匹配结果确定预测目标设备的健康状态。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并且可以在所述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7中任一项所述方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202111300796.9A 2021-11-04 2021-11-04 基于联合学习的检测设备健康方法及装置 Pending CN114118459A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111300796.9A CN114118459A (zh) 2021-11-04 2021-11-04 基于联合学习的检测设备健康方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111300796.9A CN114118459A (zh) 2021-11-04 2021-11-04 基于联合学习的检测设备健康方法及装置

Publications (1)

Publication Number Publication Date
CN114118459A true CN114118459A (zh) 2022-03-01

Family

ID=80380454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111300796.9A Pending CN114118459A (zh) 2021-11-04 2021-11-04 基于联合学习的检测设备健康方法及装置

Country Status (1)

Country Link
CN (1) CN114118459A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789529A (zh) * 2012-07-16 2012-11-21 华为技术有限公司 故障预测方法、装置、系统和设备
WO2014085775A1 (en) * 2012-12-02 2014-06-05 Patientkey Inc. Methods and apparatus for processing medical data from a plurality of users
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
CN112765560A (zh) * 2021-01-13 2021-05-07 新智数字科技有限公司 设备健康状态评估方法、装置、终端设备和存储介质
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
US20210319878A1 (en) * 2020-04-14 2021-10-14 Electrifai, Llc Medical detection system and method
WO2021208721A1 (zh) * 2020-11-23 2021-10-21 平安科技（深圳）有限公司 联邦学习防御方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102789529A (zh) * 2012-07-16 2012-11-21 华为技术有限公司 故障预测方法、装置、系统和设备
WO2014085775A1 (en) * 2012-12-02 2014-06-05 Patientkey Inc. Methods and apparatus for processing medical data from a plurality of users
JP5530020B1 (ja) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
US20210319878A1 (en) * 2020-04-14 2021-10-14 Electrifai, Llc Medical detection system and method
WO2021208721A1 (zh) * 2020-11-23 2021-10-21 平安科技（深圳）有限公司 联邦学习防御方法、装置、电子设备及存储介质
CN112765560A (zh) * 2021-01-13 2021-05-07 新智数字科技有限公司 设备健康状态评估方法、装置、终端设备和存储介质
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
谯兵;胡斌;: "基于EHM理念的铁路机务设备大数据健康管理系统的设计与实现", 铁路计算机应用, no. 12, 25 December 2019 (2019-12-25), pages 39 - 43 *
陈应天;: "船舶机电设备健康管理系统关键技术分析", 中国水运(下半月), no. 12, 15 December 2017 (2017-12-15), pages 126 - 127 *

Similar Documents

Publication Publication Date Title
CN113486584B (zh) 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
CN113987941A (zh) 时间序列预测方法、装置、计算机设备和可读存储介质
CN113487084A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN114118459A (zh) 基于联合学习的检测设备健康方法及装置
CN114154415A (zh) 设备寿命的预测方法及装置
CN113887495A (zh) 基于迁移学习的视频标注方法及装置
CN113887746A (zh) 基于联合学习的降低通信压力的方法及装置
CN116414832A (zh) 一种基于bim与人工智能的数据档案存储方法及系统
CN116402366A (zh) 基于联合学习的数据贡献评价方法及装置
CN116384461A (zh) 基于联合学习的模型优化训练方法及装置
CN116340959A (zh) 一种面向断点隐私保护的方法、装置、设备及介质
CN114154714A (zh) 时序数据预测方法、装置、计算机设备及介质
CN114118229A (zh) 基于联合学习的设备检测方法及装置
CN114897185A (zh) 基于类别异构数据的联合学习训练方法及装置
CN113887745A (zh) 数据异构的联合学习方法及装置
CN114118540A (zh) 基于样本迁移的烟气含氧量负荷预测方法及装置
CN114298320A (zh) 联合学习的贡献值计算方法、装置、电子设备及存储介质
CN113887747A (zh) 基于联合学习的数据融合方法及装置
CN114897186A (zh) 联合学习训练方法及装置
CN113887744A (zh) 基于联合学习的数据特征提取方法及装置
CN114897187A (zh) 联合学习训练方法及装置
CN113869459A (zh) 一种基于联合学习的信息分类方法和装置
CN114118541A (zh) 基于联合学习的烟气排放预测方法及装置
CN114154187A (zh) 一种设备风险隐患的检测方法、装置、设备及介质
CN116416655A (zh) 基于联合学习的主题的预测方法及装置

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