CN115034488A - 故障预测方法、系统、计算机设备和存储介质 - Google Patents

故障预测方法、系统、计算机设备和存储介质 Download PDF

Info

Publication number
CN115034488A
CN115034488A CN202210695749.7A CN202210695749A CN115034488A CN 115034488 A CN115034488 A CN 115034488A CN 202210695749 A CN202210695749 A CN 202210695749A CN 115034488 A CN115034488 A CN 115034488A
Authority
CN
China
Prior art keywords
matrix
fusion
feature
sub
space
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
CN202210695749.7A
Other languages
English (en)
Inventor
王敬宇
严哲峰
荀兆勇
郭慰
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.)
Future Story Shenzhen Technology Co ltd
Original Assignee
Future Story Shenzhen 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 Future Story Shenzhen Technology Co ltd filed Critical Future Story Shenzhen Technology Co ltd
Priority to CN202210695749.7A priority Critical patent/CN115034488A/zh
Publication of CN115034488A publication Critical patent/CN115034488A/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种故障预测方法、系统、计算机设备和存储介质。所述方法包括：将获取到的多源异构数据序列转换为相应子特征空间中的连续点序列，在将各个子特征空间中的连续点序列转换至统一融合空间中并融合形成特征融合矩阵，以完成对多源异构数据的融合，基于特征融合矩阵来确定待预测设备的故障预测结果，无需通过人工干预通过上述方法自动实现多源异构数据序列的融合以及对待预测设备的故障预测，降低了人工成本，且由于无需人工干预导致预测结果无需依赖于干预人员的水平，提高了预测结果的可靠性。

Description

故障预测方法、系统、计算机设备和存储介质
技术领域
本申请涉及物联网技术领域，尤其涉及一种故障预测方法、系统、计算机设备和存储介质。
背景技术
当前的物联网系统中为了更全面地掌握现实世界的信息，往往配置了多种形式的传感器，以电梯物联网为例，包括不限于:加速度、电流、振动、摄像头、温度、光电平层等等。这些传感器所采集的数据有各自的格式，在对这些多源异构数据进行分析合并以此来进行预测故障时，现有技术都需要预先对多源异构数据的统一进行大量的人工干预，成本投入较大，且数据处理效果依赖于干预人员的操作水平，因此使得基于这些多源异构数据进行分析后，进行故障预测的预测结果可靠性较差，且对于干预人员的水平依赖程度较大。
发明内容
为了解决上述技术问题，本申请提供了一种故障预测方法、系统、计算机设备和存储介质。
第一方面，本申请提供了一种故障预测方法，包括：
获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关；
将各个所述数据序列转换为子特征空间中的连续点序列；
将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵；
基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
第二方面，本申请提供了一种故障预测系统，包括：
获取模块，用于获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关；
转换模块，用于将各个所述数据序列转换为子特征空间中的连续点序列；
融合模块，用于将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵；
预测模块，用于基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
第三方面，本申请提供了一种计算机设备，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以下步骤：
获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关；
将各个所述数据序列转换为子特征空间中的连续点序列；
将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵；
基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关；
将各个所述数据序列转换为子特征空间中的连续点序列；
将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵；
基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
基于上述故障预测方法，将获取到的多源异构数据序列转换为相应子特征空间中的连续点序列，在将各个子特征空间中的连续点序列转换至统一融合空间中并融合形成特征融合矩阵，以完成对多源异构数据的融合，基于特征融合矩阵来确定待预测设备的故障预测结果，无需通过人工干预通过上述方法自动实现多源异构数据序列的融合以及对待预测设备的故障预测，降低了人工成本，且由于无需人工干预导致预测结果无需依赖于干预人员的水平，提高了预测结果的可靠性。
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为一个实施例中故障预测方法的应用环境图；
图2为一个实施例中故障预测方法的流程示意图；
图3为一个实施例中子特征空间的效果示意图；
图4为一个实施例中子特征空间的效果示意图；
图5为一个实施例中子特征空间的效果示意图；
图6为一个实施例中故障预测系统的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请的一部分实施例，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的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为一个实施例中故障预测方法的应用环境图。参照图1，该故障预测方法应用于故障预测系统。该故障预测系统包括待预测设备和服务器，待预测设备与服务器通过网络连接，待预测设备配置有多种形式的传感器，包括不限于:加速度传感器、电流传感器、振动传感器、摄像头、温度传感器、光电平层传感器等，待预测设备为任意需要进行故障预测的装置设备，具体可以为电梯、工业设备、变电设备、交通路管装置等等。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，图2为一个实施例中一种故障预测方法的流程示意图，参照图2，提供了一种故障预测方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明，该故障预测方法具体包括如下步骤：
步骤S210，获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关。
具体的，多个不同来源的数据序列即为多源异构数据序列，多源异构数据序列来自多个数据源，包括不同数据库系统和不同设备在工作中采集的数据集。不同的数据源所在的操作系统、管理系统不同(例如OA、CRM、HR、MES、SCM)，数据的存储模式和逻辑结构不同，数据的产生时间、使用场所、代码协议等也不同，但全部数据序列均与待预测设备相关，例如，待预测设备为电梯，则数据序列为与电梯相关的数据集合，数据序列具体可以为但不仅限于来自加速度传感器的垂直方向加速度信号序列A[a1,a2...aN]、来自电流传感器的信号序列V[v1,v2...vN]、来自光电平层传感器的信号序列L[l1,l2...lN]。
步骤S220，将各个所述数据序列转换为子特征空间中的连续点序列。
具体的，不同的子特征空间将不同来源的数据序列映射到对应子特征空间中基于连续点组成的序列，也就是将数据序列中的每个数据用子特征空间中的点来表示，即得到上述连续点序列，以便于后续对不同来源的数据序列进行融合，。
步骤S230，将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵。
具体的，将每个子特征空间中的连续点序列转换为统一融合空间中的相似矩阵，即将不同子特征空间中的连续点序列转换至同一空间，且用向量表示即得到每个连续点序列对应的相似矩阵。
对同一融合空间中各个相似矩阵进行融合处理，以得到多源异构数据序列融合后的特征融合矩阵，特征融合矩阵包含多个不同来源的数据序列中的信息。
步骤S240，基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
具体的，利用信息融合后的特征融合矩阵来确定待预测设备的故障预测结果，无需通过人工干预通过上述方法自动实现多源异构数据序列的融合以及对待预测设备的故障预测，降低了人工成本，且由于无需人工干预导致预测结果无需依赖于干预人员的水平，提高了预测结果的可靠性。
在一个实施例中，所述将各个所述数据序列转换为子特征空间中的连续点序列，包括：在所述数据序列中提取得到多个子序列；将各个所述子序列相应的第一向量组成第一矩阵；对所述第一矩阵进行降维处理，得到降维后的第二矩阵，其中，所述第二矩阵包括形状向量和时间向量；将所述第二矩阵中的形状向量映射至所述子特征空间中，形成所述子特征空间中的连续点序列。
具体的，利用滑动窗口对数据序列进行特征提取，即在数据序列中逐次滑动所述滑动窗口，并将数据序列中位于滑动窗口内的子序列进行提取，滑动窗口的长度可以根据实际应用场景进行自定义设置，滑动窗口的长度与子序列的长度相同，对每个提取出的子序列进行局部卷积处理后在用向量表示，即得到第一向量，以此可以减少噪声并突出重要信息，同一来源的数据序列中各个子序列相应第一向量组成第一矩阵，第一矩阵的计算公式如下：
Figure BDA0003702170880000061
其中，l为滑动窗口的长度，子序列记为Ti,l，Tj用于指示第j个子序列，
Figure BDA0003702170880000062
为局部卷积大小，第一矩阵有|T|行，
Figure BDA0003702170880000063
列，第一矩阵中每一行均为数据序列的一个向量基，即|T|为子序列的个数，第一矩阵记为
Figure BDA0003702170880000064
由于每一来源的子序列数据维度较高，向量组成复杂，而多源子序列更是数据复杂，为了降低后续数据处理难度，提高预测效率，同时也由于不同维度的数据重要程度不同，可能会对最终结果产生不同的影响，为了降低不重要元素对最终结果的影响，对第一矩阵进行降维处理，选取第一矩阵中最重要的向量基组成第二矩阵，即将第一矩阵转化为低维空间的第二矩阵，降维公式如下所示：
PCA_Y＝PCA(n_components＝Y)
其中，Y用于指示向量基的数量，在本实施例中令Y＝3，即选择第一向量中的3个重要的向量基形成第二矩阵，从第一矩阵中的多维度减少到3个维度，在此维度上便于进行可视化，且这三个分量包括两个形状分量和一个时间分量，以确保后续的需要，形状分量为与形状相关的子序列相应向量，时间分量为与时间相关的子序列相应向量，即时间分量为时间序列。
在一个实施例中，所述将所述第二矩阵中的形状向量映射至所述子特征空间中，形成所述子特征空间中的连续点序列，包括：根据所述第二矩阵中的时间分量确定定义向量；基于所述定义向量和原始三维矩阵向量，确定欧拉角；基于所述欧拉角对所述第二矩阵进行旋转，得到三维空间中的旋转向量矩阵；将所述旋转向量矩阵中的形状分量压缩至二维空间，得到所述子特征空间中的连续点序列。
具体的，定义向量记为
Figure BDA00037021708800000712
根据第二矩阵中时间分量内的位于首位的参数值和位于末位的参数值计算定义向量，将时间分量内的位于首位的参数值记为min(T)，将时间分量内的位于末位的参数值记为max(T)，
Figure BDA0003702170880000071
其中，
Figure BDA0003702170880000072
Figure BDA0003702170880000073
原始三维矩阵向量分别为
Figure BDA0003702170880000074
利用定义向量和原始三维矩阵向量计算欧拉角，计算公式如下：
Figure BDA0003702170880000075
Figure BDA0003702170880000076
Figure BDA0003702170880000077
欧拉角包括章动角、进动角和自转角，分别为上述φa、φb、φc，按照欧拉角对第二矩阵进行旋转，即旋转前第二矩阵如图3所示，旋转后得到旋转向量矩阵，旋转后的旋转向量矩阵如图4所示，通过旋转使第二矩阵中不同时间维度但形状相似的子序列在旋转后的坐标系中位置靠近，也就是说旋转向量矩阵对应的空间视图中，形状相似的子序列坐标重叠靠近形成密集的簇，将所述旋转向量矩阵中的形状分量压缩至二维空间，即形状分量与
Figure BDA0003702170880000078
和
Figure BDA0003702170880000079
相关，
Figure BDA00037021708800000710
用于指示旋转向量矩阵相应三维空间中的横坐标向量，
Figure BDA00037021708800000711
用于指示旋转向量矩阵相应三维空间中的纵坐标向量，以时间轴作为旋转向量矩阵相应三维空间中的第三坐标，即以时间序列作为旋转向量矩阵相应三维空间中的第三坐标向量，仅保留旋转向量矩阵中的
Figure BDA0003702170880000081
和
Figure BDA0003702170880000082
以从三维空间降维至二维空间，即降维后得的子特征空间中的连续点序列，并将二维的连续点序列用向量表示，即得到相似矩阵，降维后的相似矩阵如图5所示。选择时间序列作为第三坐标向量，结合子序列的时序特征，考虑异常可能是随时间变动的趋势而非某一个特定点。
在子特征空间中连续点序列可直观发现形状相似形成密集簇的子序列以及相对孤立的异常子序列，以此实现将数据序列中各个子序列特征嵌入至同一子特征空间中，即子特征空间中的连续点序列融合了数据序列中各个子序列的信息。
在一个实施例中，所述将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵，包括：根据各个所述子特征空间中的所述连续点序列构建识别框架，其中，所述识别框架包括多个第一元素，每个第一元素对应一个所述子特征空间中的所述连续点序列；确定所述识别框架中各个所述第一元素的置信度；基于各个所述第一元素的所述置信度确定融合空间中的空间融合矩阵；基于所述空间融合矩阵构建所述特征融合矩阵。
在本实施例中，多源异构数据由于数据来源多，数据量大，不同数据源之间内在联系复杂，单一数据源的异常无法判断待预测设备的整体健康状态，甚至可能出现异常冲突的情况，因此如何通过融合分析进行异常检测是一重要难点。
因此本实施例提出一种基于多视图融合面向子空间的特征融合矩阵构建方法，首先基于改进的D-S证据理论利用各个子特征空间生成FOD识别框架，并基于FOD识别框架生成统一融合空间相应的特征融合矩阵。
具体的，识别框架记为Φ(T)＝{D1,D2…Dm}，Dm用于指示第m个第一元素，每个第一元素对应一个子特征空间完成子序列特征嵌入后的相似矩阵，识别框架为所有第一元素(此时每一个数据源对应一个第一元素)的集合，各个第一元素互斥，数量有限。基于BPA信任分配函数确定识别框架中各个第一元素的置信度，第一元素的置信度用于指示每一个第一元素对于命题的支持程度，BPA信任分配函数如下：
Figure BDA0003702170880000091
其中，A是Φ的子集，即每个第一元素的置信度为0或1，按照Dempster合成规则将m个来源相应子特征空间所对应第一元素的置信度进行融合，得到统一融合空间中的空间融合矩阵，空间融合矩阵为：
Figure BDA0003702170880000092
其中，
Figure BDA0003702170880000093
K为冲突系数，k约大，冲突越大。利用空间统一后的空间融合矩阵构建特征融合矩阵。
在一个实施例中，所述将各个所述相似矩阵进行融合，形成特征融合矩阵，包括：基于各个所述第一元素在融合空间中的相似矩阵构建对角混合矩阵；将所述空间融合矩阵和所述对角混合矩阵组成形成所述特征融合矩阵。
具体的，将不同数据源的相似矩阵放在对角线上构建对角混合矩阵，例如，数据集T由m个不同来源的数据序列组成：
Figure BDA0003702170880000101
Figure BDA0003702170880000102
(n个不同的样本)，对应m个子特征空间，其中D1,D2,…,Dm为各个子特征空间所对应的相似矩阵，即将不同子特征空间对应的相似矩阵作为对角线上的块矩阵，构造对角混合矩阵DS，对角混合矩阵DS如下式所示：
Figure BDA0003702170880000103
其中，E1是一个维度为n×d1的元素全部为0的矩阵，Ei是一个维度为n×di的元素全部为0的矩阵，矩阵
Figure BDA0003702170880000104
Figure BDA0003702170880000105
是对角线上分别为D1,D2…Dm，其余元素都为0的块矩阵。
将对角混合矩阵与空间融合矩阵组合，构成特征融合矩阵
Figure BDA0003702170880000106
Figure BDA0003702170880000107
在一个实施例中，所述基于所述特征融合矩阵确定所述待预测设备的故障预测结果，包括：确定所述特征融合矩阵中各个第二元素隶属于各个聚类的隶属度；根据各个所述第二元素隶属于各个聚类的隶属度，确定各个所述第二元素的预测评分；根据各个所述第二元素的预测评分确定所述待预测设备的故障预测结果。
具体的，基于模糊聚类算法确定特征融合矩阵中各个第二元素隶属于各个聚类的隶属度，第二元素为数据集T中的样本，即数据集T中包括n个样本，则特征融合矩阵中包括n个第二元素，确定样本n在每一个聚类上的隶属度，根据各个样本对于不同聚类的隶属情况确定各个样本的预测评分，进而综合各个样本的预测评分确定待遇测设备的故障预测结果。
在一个实施例中，所述确定所述特征融合矩阵中各个第二元素隶属于各个聚类的隶属度，包括：确定所述特征融合矩阵中每个所述第二元素在所述融合空间以及各个所述子特征空间中，隶属于各个聚类的隶属度；根据各个所述第二元素隶属于各个聚类的隶属度，确定各个所述第二元素的预测评分，包括：根据所述第二元素在所述融合空间以及各个所述子特征空间中，隶属于各个聚类的隶属度，确定所述第二元素对应的性质异常评分和属性异常评分；对所述第二元素对应的所述性质异常评分和所述属性异常评分进行加权求和，得到所述第二元素对应的预测评分。
具体的，确定所述特征融合矩阵中每个所述第二元素在所述融合空间以及各个所述子特征空间中，隶属于各个聚类的隶属度得到属于不同聚类的概率矩阵PM，即：
Figure BDA0003702170880000111
其中，该概率矩阵的0～n行表示在子特征空间1中每个样本隶属于k个不同聚类的概率(隶属度)，使用PM1表示,PM1-i,j表示在子特征空间1中样本i属于聚类j的概率；同理该概率矩阵的n～2n行表示在子特征空间2中每个样本隶属于k个不同聚类的概率，使用PM2表示；该概率矩阵的倒数n行表示在融合空间中，每个样本隶属于k个不同聚类的概率，使用PF表示。样本在不同的空间中对应不同的视图。
对于多视图，在不同视图对应的空间中可能隐含着多个聚类结构，正常样本在不同空间中隶属于同一聚类的隶属度应该大致相同，而异常样本在不同空间中隶属于同一聚类的隶属度差异较大，因此通过不同视图中样本隶属于各个聚类下隶属度之间的不一致性进行评分，以此得到性质异常评分。
由于不同数据源的重要程度不同，对于结果的影响程度也不同，因此还需要引入数据源参数β＝{β1,β2…βm}，其中βm用于指示第m个子特征空间相应数据源对于结果的影响权重，性质异常评分计算公式如下：
Figure BDA0003702170880000121
其中，i表示第i个样本，βd为数据源d的影响权重，PF(i)为样本i在融合空间中的隶属度，PMd(i)为样本i在数据源d中的隶属度，数据源d对应一个子特征空间。
性质异常评分只考虑了不同视图中聚类归属的性质问题，除此之外还有另一类异常，即样本对象在所有视图中都远离该视图中大多数样本组成的聚类，该样本对象的特征值在很多视图中都有明显的偏差，对此定义为属性异常，即第i个样本的属性异常评分计算公式如下：
Figure BDA0003702170880000122
其中，PMd-i1为样本i在数据源d中的隶属于聚类1的隶属度。
对性质异常评分和属性异常评分进行加权求和，得到样本i的预测评分，即A(i)＝C(i)+αB(i)，其中α为权重系数，以此方式得到各个样本的预测评分，进而综合各个样本的预测评分确定待遇测设备的故障预测结果。
图2为一个实施例中故障预测方法的流程示意图。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种故障预测系统，包括：
获取模块310，用于获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关；
转换模块320，用于将各个所述数据序列转换为子特征空间中的连续点序列；
融合模块330，用于将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵；
预测模块340，用于基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
在一个实施例中，所述转换模块320具体用于：
在所述数据序列中提取得到多个子序列；
将各个所述子序列相应的第一向量组成第一矩阵；
对所述第一矩阵进行降维处理，得到降维后的第二矩阵，其中，所述第二矩阵包括形状向量和时间向量；
将所述第二矩阵中的形状向量映射至所述子特征空间中，形成所述子特征空间中的连续点序列。
在一个实施例中，所述转换模块320具体用于：
根据所述第二矩阵中的时间分量确定定义向量；
基于所述定义向量和原始三维矩阵向量，确定欧拉角；
基于所述欧拉角对所述第二矩阵进行旋转，得到三维空间中的旋转向量矩阵；
将所述旋转向量矩阵中的形状分量压缩至二维空间，得到所述子特征空间中的连续点序列。
在一个实施例中，所述融合模块330具体用于：
根据各个所述子特征空间中的所述连续点序列构建识别框架，其中，所述识别框架包括多个第一元素，每个第一元素对应一个所述子特征空间中的所述连续点序列；
确定所述识别框架中各个所述第一元素的置信度；
基于各个所述第一元素的所述置信度确定融合空间中的空间融合矩阵。
在一个实施例中，所述融合模块330具体用于：
基于各个所述第一元素在融合空间中的相似矩阵构建对角混合矩阵；
将所述空间融合矩阵和所述对角混合矩阵组成形成所述特征融合矩阵。
在一个实施例中，所述预测模块340具体用于：
确定所述特征融合矩阵中各个第二元素隶属于各个聚类的隶属度；
根据各个所述第二元素隶属于各个聚类的隶属度，确定各个所述第二元素的预测评分；
根据各个所述第二元素的预测评分确定所述待预测设备的故障预测结果。
在一个实施例中，所述预测模块340具体用于：
确定所述特征融合矩阵中每个所述第二元素在所述融合空间以及各个所述子特征空间中，隶属于各个聚类的隶属度；
根据各个所述第二元素隶属于各个聚类的隶属度，确定各个所述第二元素的预测评分，包括：
根据所述第二元素在所述融合空间以及各个所述子特征空间中，隶属于各个聚类的隶属度，确定所述第二元素对应的性质异常评分和属性异常评分；
对所述第二元素对应的所述性质异常评分和所述属性异常评分进行加权求和，得到所述第二元素对应的预测评分。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的服务器120。如图7所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入系统和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现故障预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行故障预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入系统可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的故障预测系统可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该故障预测系统的各个程序模块，比如，图6所示的获取模块310、转换模块320、融合模块330和预测模块340。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的故障预测方法中的步骤。
图7所示的计算机设备可以通过如图6所示的故障预测系统中的获取模块310执行获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关。计算机设备可通过转换模块320执行将各个所述数据序列转换为子特征空间中的连续点序列。计算机设备可通过融合模块330执行将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵。计算机设备可通过预测模块340执行基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述任一项实施例所述的方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项实施例所述的方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指示相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种故障预测方法，其特征在于，所述方法包括：
获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关；
将各个所述数据序列转换为子特征空间中的连续点序列；
将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵；
基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
2.根据权利要求1所述的方法，其特征在于，所述将各个所述数据序列转换为子特征空间中的连续点序列，包括：
在所述数据序列中提取得到多个子序列；
将各个所述子序列相应的第一向量组成第一矩阵；
对所述第一矩阵进行降维处理，得到降维后的第二矩阵，其中，所述第二矩阵包括形状向量和时间向量；
将所述第二矩阵中的形状向量映射至所述子特征空间中，形成所述子特征空间中的连续点序列。
3.根据权利要求2所述的方法，其特征在于，所述将所述第二矩阵中的形状向量映射至所述子特征空间中，形成所述子特征空间中的连续点序列，包括：
根据所述第二矩阵中的时间分量确定定义向量；
基于所述定义向量和原始三维矩阵向量，确定欧拉角；
基于所述欧拉角对所述第二矩阵进行旋转，得到三维空间中的旋转向量矩阵；
将所述旋转向量矩阵中的形状分量压缩至二维空间，得到所述子特征空间中的连续点序列。
4.根据权利要求3所述的方法，其特征在于，所述将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵，包括：
根据各个所述子特征空间中的所述连续点序列构建识别框架，其中，所述识别框架包括多个第一元素，每个第一元素对应一个所述子特征空间中的所述连续点序列；
确定所述识别框架中各个所述第一元素的置信度；
基于各个所述第一元素的所述置信度确定融合空间中的空间融合矩阵；
基于所述空间融合矩阵构建所述特征融合矩阵。
5.根据权利要求4所述的方法，其特征在于，所述基于所述空间融合矩阵构建所述特征融合矩阵，包括：
基于各个所述第一元素在融合空间中的相似矩阵构建对角混合矩阵；
将所述空间融合矩阵和所述对角混合矩阵组成形成所述特征融合矩阵。
6.根据权利要求1所述的方法，其特征在于，所述基于所述特征融合矩阵确定所述待预测设备的故障预测结果，包括：
确定所述特征融合矩阵中各个第二元素隶属于各个聚类的隶属度；
根据各个所述第二元素隶属于各个聚类的隶属度，确定各个所述第二元素的预测评分；
根据各个所述第二元素的预测评分确定所述待预测设备的故障预测结果。
7.根据权利要求6所述的方法，其特征在于，所述确定所述特征融合矩阵中各个第二元素隶属于各个聚类的隶属度，包括：
确定所述特征融合矩阵中每个所述第二元素在所述融合空间以及各个所述子特征空间中，隶属于各个聚类的隶属度；
根据各个所述第二元素隶属于各个聚类的隶属度，确定各个所述第二元素的预测评分，包括：
根据所述第二元素在所述融合空间以及各个所述子特征空间中，隶属于各个聚类的隶属度，确定所述第二元素对应的性质异常评分和属性异常评分；
对所述第二元素对应的所述性质异常评分和所述属性异常评分进行加权求和，得到所述第二元素对应的预测评分。
8.一种故障预测系统，其特征在于，所述系统包括：
获取模块，用于获取多个不同来源的数据序列，其中，不同来源的所述数据序列均与待预测设备相关；
转换模块，用于将各个所述数据序列转换为子特征空间中的连续点序列；
融合模块，用于将各个所述子特征空间中的所述连续点序列转换至融合空间并融合形成特征融合矩阵；
预测模块，用于基于所述特征融合矩阵确定所述待预测设备的故障预测结果。
9.一种计算机设备，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，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
CN202210695749.7A 2022-06-20 2022-06-20 故障预测方法、系统、计算机设备和存储介质 Pending CN115034488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210695749.7A CN115034488A (zh) 2022-06-20 2022-06-20 故障预测方法、系统、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210695749.7A CN115034488A (zh) 2022-06-20 2022-06-20 故障预测方法、系统、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115034488A true CN115034488A (zh) 2022-09-09

Family

ID=83125921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210695749.7A Pending CN115034488A (zh) 2022-06-20 2022-06-20 故障预测方法、系统、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115034488A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452070A (zh) * 2023-06-16 2023-07-18 中国人民解放军国防科技大学 多辨识框架下的大型设备健康评估方法和装置
CN118312916A (zh) * 2024-03-29 2024-07-09 重庆赛力斯凤凰智创科技有限公司 一种多源数据融合方法、装置、车辆及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452070A (zh) * 2023-06-16 2023-07-18 中国人民解放军国防科技大学 多辨识框架下的大型设备健康评估方法和装置
CN116452070B (zh) * 2023-06-16 2023-09-01 中国人民解放军国防科技大学 多辨识框架下的大型设备健康评估方法和装置
CN118312916A (zh) * 2024-03-29 2024-07-09 重庆赛力斯凤凰智创科技有限公司 一种多源数据融合方法、装置、车辆及存储介质

Similar Documents

Publication Publication Date Title
CN113902926B (zh) 一种基于自注意力机制的通用图像目标检测方法和装置
WO2021135499A1 (zh) 损伤检测模型训练、车损检测方法、装置、设备及介质
CN115034488A (zh) 故障预测方法、系统、计算机设备和存储介质
Ren et al. Short‐Term Traffic Flow Prediction: A Method of Combined Deep Learnings
CN111931806A (zh) 一种多传感器数据融合的设备故障诊断方法及装置
CN114897779A (zh) 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置
CN103714148B (zh) 基于稀疏编码分类的sar图像检索方法
WO2021218037A1 (zh) 目标检测方法、装置、计算机设备和存储介质
CN117875520B (zh) 基于动态图时空演化挖掘的公共安全事件预测方法及系统
CN114612902A (zh) 图像语义分割方法、装置、设备、存储介质及程序产品
CN114445121A (zh) 一种广告点击率预测模型构建及广告点击率预测方法
Zhu et al. Semantic image segmentation with shared decomposition convolution and boundary reinforcement structure
CN116894096A (zh) 一种基于递归双超图神经网络的新闻事件预测方法
Liu et al. A bi-party engaged modeling framework for renewable power predictions with privacy-preserving
CN114863201A (zh) 三维检测模型的训练方法、装置、计算机设备和存储介质
CN114550014A (zh) 道路分割方法及计算机装置
Li et al. Dynamic graph embedding‐based anomaly detection on internet of things time series
CN115376309B (zh) 一种基于多视角时间矩阵分解的缺失交通数据修复方法
Mohammad et al. Updating of GIS maps with Change Detection of Buildings using Deep Learning techniques
CN111641518A (zh) 基于异质网络的社群划分方法、装置、计算机设备及介质
Yu et al. A parallel algorithm for hyperspectral target detection based on weighted alternating direction method of multiplier
CN114332181B (zh) 基于非刚性双向配准网络的遥感影像自动配准方法和装置
CN118097665B (zh) 基于多阶段序列的化学分子结构识别方法、装置及介质
CN118555215B (zh) 一种基于扩散模型的缺失网络流量矩阵填充方法和系统
CN115640336B (zh) 业务大数据挖掘方法、系统及云平台

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