CN116502166A - 一种基于其他设备数据的预测方法、装置、设备和介质 - Google Patents
一种基于其他设备数据的预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116502166A CN116502166A CN202310477869.4A CN202310477869A CN116502166A CN 116502166 A CN116502166 A CN 116502166A CN 202310477869 A CN202310477869 A CN 202310477869A CN 116502166 A CN116502166 A CN 116502166A
- Authority
- CN
- China
- Prior art keywords
- equipment
- target
- identifier
- influence
- fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 238000012423 maintenance Methods 0.000 claims description 42
- 230000005856 abnormality Effects 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101100146536 Picea mariana RPS15 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Abstract
本申请涉及设备故障预测技术领域，尤其涉及一种基于其他设备数据的预测方法、装置、设备和介质，该方法包括：获取目标设备标识对应的工作参数；根据目标设备标识、多个设备标识与多个影响设备标识的对应关系，确定与目标设备标识对应的至少一个影响设备标识，所述影响设备标识表征对目标设备的工作情况有影响的设备的标识；获取每一影响设备标识对应的工作参数信息，并基于所有影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息。本申请具有的技术效果是提高了故障预测准确率。
Description
技术领域
本申请涉及设备故障预测的技术领域，尤其是涉及一种基于其他设备数据的预测方法、装置、设备和介质。
背景技术
设备的正常生产运行，影响着生产线的效率，而通过准确预测设备故障情况，提前对设备进行维修和养护可以有效减少设备的非正常生产运行对生产线效率的影响。
相关技术中，会获取目标设备的多个工作参数，基于多个工作参数，对目标设备的故障信息进行预测。而在完整的生产工艺流程中，目标设备是需要和其他设备相互配合，共同进行工作的，即其他设备的不正常运行也会导致目标设备异常，可见，相关技术仅根据目标设备的工作参数预测目标设备的异常信息准确度较低。
发明内容
为了提高故障预测准确度，本申请提供一种基于其他设备数据的预测方法、装置、设备和介质。
第一方面，本申请提供一种基于其他设备数据的预测方法，采用如下的技术方案：
一种基于其他设备数据的预测方法，包括：
获取目标设备标识对应的工作参数；
根据目标设备标识、多个设备标识与多个影响设备标识的对应关系，确定与目标设备标识对应的至少一个影响设备标识，所述影响设备标识表征对目标设备的工作情况有影响的设备的标识；
获取每一影响设备标识对应的工作参数信息，并基于所有影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息。
通过采用上述技术方案，获取目标设备标识对应的工作参数，并根据目标设备标识和多个设备标识与多个影响设备标识的对应关系，确定至少一个影响设备标识，以便可以从对目标设备有影响的影响设备对目标设备的工作情况进行准确考量；再获取每一影响设备标识对应的工作参数，根据影响设备标识的工作参数和目标设备标识的工作参数预测目标设备的异常信息，以便从影响设备角度和目标设备本身角度综合角度对目标设备的异常情况进行预测，基于影响设备对目标设备的影响并结合设备本身情况对异常情况进行预测相较于相关技术，本申请实现了对目标设备异常信息的全面的考虑，进而有效提高了异常信息预测结果的准确性。
在一种可能实现的方式中，多个设备标识与多个影响设备标识的对应关系的建立过程，包括：
获取多个故障设备标识各自对应的故障日志信息，故障日志信息包括：预设时长内与故障设备对应的故障次数和多个影响设备标识；
基于故障设备标识对应的故障次数，确定故障设备标识对应的先验概率；
针对每一故障设备，基于故障设备标识的故障次数和每一影响设备标识对应的故障次数，确定故障设备标识与每一影响设备标识对应的后验概率；
针对每一故障设备，基于故障设备标识对应的先验概率、每一影响设备标识的先验概率和故障设备标识与每一影响设备标识的后验概率，确定故障设备标识与每一影响设备标识的似然度；
针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，从多个影响设备标识中确定第一目标影响设备标识；
将每个影响设备标识与对应的目标影响设备标识建立关联关系，以得到多个设备标识与多个影响设备标识的对应关系。
通过采用上述技术方案，获取多个故障日志信息，故障日志信息中包括预设时长内故障设备的故障次数和多个影响设备标识，根据故障设备确定故障设备标识对应的先验概率，以便确定故障设备的故障概率；根据故障设备的故障次数和影响设备标识对应的故障次数确定后验概率，以便确定影响设备故障时故障设备的故障概率，再确定故障设备标识与每一影响设备标识的似然度，以便确定故障设备故障时影响设备的故障概率，再从多个影响设备标识中确定第一目标影响设备，并基于影响设备标识和目标影响设备建立关联关系，以便基于关联关系将影响设备标识和目标设备标识建立连接关系，进而基于关联关系和目标设备标识，可以实现对影响设备的准确定位。
在一种可能实现的方式中，所述针对每一故障设备，基于故障设备标识对应的先验概率、每一影响设备标识的先验概率和故障设备标识与每一影响设备标识的后验概率，确定故障设备标识与每一影响设备标识的似然度之前，还包括：
根据故障设备标识与每一影响设备标识的后验概率与预设后验概率阈值，从所述多个影响设备标识中确定多个第二目标影响设备标识；
相应的，所述针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，包括：
基于多个第二目标影响故障设备标识对应的先验概率、每一第二目标影响设备标识的先验概率和故障设备标识与每一第二目标影响设备标识的后验概率，确定故障设备标识与每一第二目标影响设备标识的似然度。
通过采用上述技术方案，基于故障设备标识与每一影响设备标识的后验概率和预设后验概率阈值确定多个第二目标影响设备标识，以便筛选出对故障设备影响程度较小的影响设备，保留影响程度较大的影响设备，进而可以有效提高预测目标设备异常信息的准确度。
在一种可能实现的方式中，所述异常信息包括异常程度和异常时段，所述基于每一影响设备标识对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息，包括：
基于每一影响设备标识对应的工作参数，确定至少一个异常影响设备标识；
基于每一异常影响设备标识与目标设备标识对应的后验概率，以确定目标设备标识对应的目标设备的异常时段；
基于工作参数与异常程度的对应关系和目标设备标识的工作参数，确定目标设备标识对应的目标设备的异常程度。
通过采用上述技术方案，基于影响设备标识的参数，确定异常影响设备标识，以便根据异常影响设备对目标设备进行准确预测；获取异常影响设备标识与目标设备标识的后验概率，以便确定异常影响设备对目标设备的影响程度，再获取异常影响设备标识的数量信息，并基于数量信息和各自对应的影响度，确定目标设备的异常时段，以便提前对目标设备对进行检修；再基于预设的对应关系和目标设备的工作参数，确定目标设备的异常程度，以便确定目标设备的当前工作状态，进而可以基于异常时段和异常程度实现对目标设备工作情况的准确评估。
在一种可能实现的方式中，所述基于每一异常影响设备标识与目标设备标识各自对应的影响度，确定目标设备标识对应的目标设备的异常时段，包括：
获取异常影响设备标识的数量信息，基于所述数量信息和每一异常影响设备标识与目标设备标识各自对应的影响度，确定异常影响设备标识与目标设备标识的平均影响度；
基于预设的平均影响度与异常时段的对应关系和所述平均影响度，确定与所述平均影响度对应的异常时段。
通过采用上述技术方案，获取异常影响设备标识的数量信息，基于数量信息和所有影响度确定平均影响度，以便避免影响度过高或影响度过低而出现的偶然性，基于预设的对应关系对故障设备的异常时段进行确定，以便提前对故障设备进行检修。
在一种可能实现的方式中，所述基于每一影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息之后，还包括：
基于目标设备标识和预设的标识与所属类别的对应关系，确定与目标设备标识对应的目标设备的所属类别，其中，所属类别包括关键设备类别和非关键设备类别；
获取设备检修人员计划信息，并基于所述目标设备的所属类别和所述设备检修人员计划信息，生成与目标设备标识对应的目标设备的维修检测策略。
通过采用上述技术方案，基于预设的对应关系和目标设备标识，确定目标设备的所属类别；获取设备检修人员计划信息，并根据检修人员计划信息和目标设备的所属类别生成目标设备的维修检测策略，以便针对不同类别的设备有针对性的进行维修检测，实现对维修设备的合理维修检测，并可以缓解维修检测人员压力。
在一种可能实现的方式中，所述基于所述目标设备的所属类别和所述设备检修人员计划信息，生成与目标设备标识对应的目标设备的维修检测策略，包括：
基于预设的所属类别和检修时段的对应关系和所述目标设备的所属类别，确定与目标设备的所属类别对应的检修时段；
基于目标设备的检修时段，从设备检修人员计划信息中确定目标设备检修人员；
基于目标设备的检修时段和目标设备检修人员，对目标设备进行维修检测。
通过采用上述技术方案，基于预设的所属类别和检修时段的对应关系确定目标设备的检修时段，以便有针对性的对目标设备进行检修；再基于设备检修人员的计划信息和检修时段确定目标设备检修人员，以确保合理安排设备检修人员，进而实现对目标设备的合理检修。
第二方面，本申请提供一种基于其他设备数据的预测装置，采用如下的技术方案：
一种基于其他设备数据的预测装置，包括：
工作参数获取模块，用于获取目标设备标识对应的工作参数；
影响设备标识确定模块，用于根据目标设备标识、多个设备标识与多个影响设备标识的对应关系，确定与目标设备标识对应的至少一个影响设备标识，所述影响设备标识表征对目标设备的工作情况有影响的设备的标识；
异常信息预测模块，用于获取每一影响设备标识对应的工作参数信息，并基于所有影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息。
第三面，本申请提供一种电子设备，采用如下的技术方案：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行如第一方面任一项所述的基于其他设备数据的预测方法。
第四方面，本申请提供一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行如第一方面任一项所述的基于其他设备数据的预测方法。
综上所述，本申请包括以下至少一种有益技术效果：
1.获取目标设备标识对应的工作参数，并根据目标设备标识和多个设备标识与多个影响设备标识的对应关系，确定至少一个影响设备标识，以便可以对目标设备有影响的影响设备对目标设备的工作情况进行准确考量；再获取每一影响设备标识对应的工作参数，根据影响设备标识的工作参数和目标设备标识的工作参数预测目标设备的异常信息，以便从影响设备角度和目标设备本身角度综合角度对目标设备的异常情况进行预测，基于影响设备对目标设备的影响并结合设备本身情况对异常情况进行预测相较于相关技术，本申请实现了对目标设备异常信息的全面的考虑，进而有效提高了异常信息预测结果的准确性。
2.基于预设的所属类别和检修时段的对应关系确定目标设备的检修时段，以便有针对性的对目标设备进行检修；再基于设备检修人员的计划信息和检修时段确定目标设备检修人员，以确保合理安排设备检修人员，进而实现对目标设备的合理检修。
附图说明
图1为本申请实施例提供的一种基于其他设备数据的预测方法流程示意图。
图2为本申请实施例提供的一种多个设备标识与多个影响设备标识的对应关系的建立流程示意图。
图3为本申请实施例提供的一种基于其他设备数据的预测装置示意图。
图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图4对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的范围内都受到专利法的保护。
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作出创造性劳动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。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
本申请实施例提供了一种基于其他设备数据的预测方法，由电子设备执行，该电子设备可以为服务器也可以为终端设备，其中，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端设备可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此，该终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例在此不做限制。
结合图1，图1为本申请实施例提供的一种基于其他设备数据的预测方法的流程示意图，其中，该方法包括步骤S101、步骤S102和步骤S103，其中：
步骤S101、获取目标设备标识对应的工作参数。
具体的，目标设备标识为目标设备的标识，目标设备标识可以为目标设备的编号或目标设备的型号，其中目标设备标识为预先存储至电子设备中的，目标设备标识的工作参数可以为目标设备的产出效率，例如，当目标设备为处理设备时，则工作参数为目标设备单位时间内的处理工作量，当目标设备为切割设备时，则工作参数可以为目标设备单位时间内的切割工作量，其中，本申请实施例不对单位时间进行限定，用户可自行设置。工作参数可以为目标设备中的传感器监测并上传至电子设备中的，也可以为人为记录上传至电子设备中的。
步骤S102、根据目标设备标识、多个设备标识与多个影响设备标识的对应关系，确定与目标设备标识对应的至少一个影响设备标识，影响设备标识表征对目标设备的工作情况有影响的设备的标识。
具体的，多个设备标识与多个影响设备标识的对应关系为预先存储至电子设备中的，且多个设备标识与多个影响设备标识的对应关系为实时更新的。基于目标设备标识和多个设备标识与多个影响设备标识的对应关系，可以得到至少一个影响设备标识。通过对应关系确定影响设备标识，可以有效提高获取影响目标设备工作情况的影响设备的准确率。
步骤S103、获取每一影响设备标识对应的工作参数信息，并基于所有影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息。
具体的，影响设备标识各自对应的工作参数信息可以由传感器监测上传至电子设备中，也可以由技术人员统计并上传至电子设备中。进一步的，根据影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的故障信息，从目标设备标识本身的工作情况和与影响设备标识对应的工作情况两个角度进行全面考虑，预测目标设备的异常情况，以有效提高故障情况的预测准确度。
基于上述实施例，获取目标设备标识对应的工作参数，并根据目标设备标识和多个设备标识与多个影响设备标识的对应关系，确定至少一个影响设备标识，以便可以对目标设备有影响的影响设备对目标设备的工作情况进行准确考量；再获取每一影响设备标识对应的工作参数，根据影响设备标识的工作参数和目标设备标识的工作参数预测目标设备的异常信息，以便从影响设备角度和目标设备本身角度的综合角度对目标设备的异常情况进行预测，基于影响设备对目标设备的影响并结合设备本身情况对异常情况进行预测相较于相关技术，本申请实现了对目标设备异常信息的全面的考虑，进而有效提高了异常信息预测结果的准确性。
进一步地，在本申请实施例中，结合图2，图2为本申请实施例提供的多个设备标识与多个影响设备标识的对应关系的建立过程示意图，包括：步骤S201-S206，其中：
步骤S201、获取多个故障设备标识各自对应的故障日志信息，故障日志信息包括：预设时长内与故障设备对应的故障次数和多个影响设备标识。
具体的，本申请实施例不对预设时长进行限定，用户可自行设置。故障设备标识的故障日志信息为技术人员定期输入至电子设备中。
影响设备标识为基于自身故障频次和预设频次阈值确定的，基于自身故障频次和预设故障次数阈值确定影响设备的具体方式可以包括：获取相同时段内除故障设备外，其他设备的故障次数，确定其他设备的故障次数是否不小于预设故障次数阈值，若是，则确定该设备为故障设备的影响设备，否则，则确定不为影响设备。其中，相同时段表征，故障设备的故障时段。例如，六个月内故障设备的故障次数为十次，每当故障设备故障时，查看其他设备是否故障，若存在其他设备故障，则查看故障设备在这十次故障中，其他故障设备的故障次数是否超过预设次数阈值，若是，则确定为影响设备，其中，本申请实施例不对预设次数阈值进行限定，用户可自行设置。
步骤S202、基于故障设备标识对应的故障次数，确定故障设备标识对应的先验概率。
具体的，先验概率表征故障设备的故障概率，即先验概率越大时，表明故障设备的故障概率越大，在单位时间内故障设备的故障次数越多，其中，本申请实施例不对单位时间进行限定。进一步的，可以根据先验概率计算公式计算得到每一故障设备标识各自对应的先验概率，先验概率计算公式：其中，故障次数为故障设备标识对应的
故障设备的故障次数，预设时长为与故障次数对应的预设时长。
步骤S203、针对每一故障设备，基于故障设备标识的故障次数和每一影响设备标识对应的故障次数，确定故障设备标识与每一影响设备标识对应的后验概率。
具体的，故障设备标识与每一影响设备标识对应的后验概率表征当影响设备故障时故障设备的故障概率，当后验概率越大时，表明影响设备对故障设备的影响程度越大，即当影响设备故障时，故障设备发生故障的概率越大。其中，后验概率可以根据后验概率计算公式得到，其中，故障设备标识对应的故障设备和影响设备标识对应的影响设备同时故障的概率为P(故障设备和影响设备)，P(故障设备和影响设备)可由P(故障设备和影响设备)的计算公式得到，其中，P(故障设备和影响设备)的计算公式可以为：P(故障设备和影响设备)＝P(故障设备)*P(影响设备)，其中，P(故障设备)表征故障设备的故障概率，P(影响设备)表征影响设备的故障概率，进一步的，故障设备标识与影响设备标识对应的后验概率由后验概率计算公式得到，其中，计算公式可以为：
步骤S204、针对每一故障设备，基于故障设备标识对应的先验概率、每一影响设备标识的先验概率和故障设备标识与每一影响设备标识的后验概率，确定故障设备标识与每一影响设备标识的似然度。
具体的，似然度表征故障设备故障时影响设备的故障概率，似然度越大，表明故障设备对影响设备的影响程度越大，即随着似然度的增加，故障设备故障，影响设备的故障概率也越大，在本申请实施例中预设概率计算公式可以为： 其中，故障设备的先验概率和影响设备各自对应的先验概率可由步骤202中得到，故障设备与影响设备的后验概率，可由步骤S203中得到。
步骤S205、针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，从多个影响设备标识中确定第一目标影响设备标识。
步骤S206、将每个影响设备标识与对应的目标影响设备标识建立关联关系，以得到多个设备标识与多个影响设备标识的对应关系。
进一步的，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，从多个影响设备标识中确定第一目标影响设备标识可以基于第一预设后验概率阈值确定，确定故障设备标识与每一影响设备标识对应的后验概率是否小于第一预设后验概率阈值，若不小于，则确定该影响设备标识为第一目标影响设备标识，其中，本申请实施例不对第一预设后验概率阈值进行限定，用户可自行设置。
基于上述实施例，获取多个故障日志信息，故障日志信息中包括预设时长内故障设备的故障次数和多个影响设备标识，根据故障设备确定故障设备标识对应的先验概率，以便确定故障设备的故障概率；根据故障设备的故障次数和影响设备标识对应的故障次数确定后验概率，以便确定影响设备故障时故障设备的故障概率，再确定故障设备标识与每一影响设备标识的似然度，以便确定故障设备故障时影响设备的故障概率，再从多个影响设备标识中确定第一目标影响设备，并基于影响设备标识和目标影响设备建立关联关系，以便基于关联关系将影响设备标识和目标设备标识建立连接关系，进而基于关联关系和目标设备标识，可以实现对影响设备的准确定位。
进一步地，在本申请实施例中，针对每一故障设备，基于故障设备标识对应的先验概率、每一影响设备标识的先验概率和故障设备标识与每一影响设备标识的后验概率，确定故障设备标识与每一影响设备标识的似然度之前，还包括：
根据故障设备标识与每一影响设备标识的后验概率与预设后验概率阈值，从多个影响设备标识中确定多个第二目标影响设备标识。
相应的，针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，包括：基于多个第二目标影响故障设备标识对应的先验概率、每一第二目标影响设备标识的先验概率和故障设备标识与每一第二目标影响设备标识的后验概率，确定故障设备标识与每一第二目标影响设备标识的似然度。
具体的，电子设备判断故障设备标识与每一影响设备标识的后验概率和预设后验概率阈值之间的大小。若确定故障设备标识与影响设备标识的后验概率不小于预设后验概率阈值，则确定该设备标识为第二目标影响设备标识，表明与该影响设备标识对应的影响设备对故障设备的影响程度较大，其中，本申请实施例不对预设后验概率阈值进行限定，用户可自行设置。相应的，可以根据多个第二目标设备影响故障标识对应的先验概率、每一第二目标影响设备标识的先验概率和故障设备标识与每一第二目标影响设备标识的后验概率，确定故障设备标识与每一第二目标影响设备标识的似然度。
基于上述实施例，基于故障设备标识与每一影响设备标识的后验概率和预设后验概率阈值确定多个第二目标影响设备标识，以便筛选出对故障设备影响程度较小的影响设备，保留影响程度较大的影响设备，进而可以有效提高预测目标设备异常信息的准确度。
进一步地，在本申请实施例中，异常信息包括异常程度和异常时段，基于每一影响设备标识对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息，包括步骤SA1-SA3(附图未示出)，其中：
步骤SA1、基于每一影响设备标识各自对应的工作参数，确定至少一个异常影响设备标识。
具体的，根据影响设备标识获取与影响设备标识对应的影响设备的工作参数，确定每一影响设备的工作参数是否位于对应的预设正常工作参数范围内，若是，则表明影响设备处于正常运行状态；否则，则表明影响设备处于异常工作状态，确定未处于预设正常工作参数范围的与影响设备标识对应的影响设备为异常影响设备，进一步的，根据异常影响设备确定异常影响设备标识。其中，每一影响设备各自对应的预设正常参数范围可以相同，也可以不同，本申请实施例不进行限定。
步骤SA2、基于每一异常影响设备标识与目标设备标识对应的后验概率，以确定目标设备标识对应的目标设备的异常时段。
具体的，可以根据数量信息确定目标设备的异常时段，基于数量信息确定目标设备的异常时段的具体方式包括步骤SA21-SA22(附图未示出)，其中：
步骤SA21、获基于所有异常影响设备标识与目标设备标识各自对应的后验概率，确定异常影响设备标识与目标设备标识的平均影响度。
步骤SA22、基于平均影响度与异常时段的对应关系和平均影响度，确定与平均影响度对应的异常时段。
具体的，异常影响设备标识的数量信息为根据异常影响设备标识确定的，平均影响度为基于平均影响度计算公式得到的，其中，其中，影响度之和为所有影响设备标识与目标设备标识对应的影响度总和。预设的平均影响度和异常时段的对应关系为技术人员预先存储至电子设备中的，基于平均影响度确定异常时段可以避免影响度过高或过低导致的偶然性，进一步的，基于预设的对应关系可以确定与目标设备标识对应的目标设备的异常时段。
步骤SA3、基于工作参数与异常程度的对应关系和目标设备标识的工作参数，确定目标设备标识对应的目标设备的异常程度。
具体的，工作参数和异常程度的对应关系为预先存储至电子设备中的，预设的对应关系为基于历史数据得到的，例如，当工作参数处于第一预设工作参数范围内，对应目标设备的异常程度为第一异常程度；当工作参数处于第二预设工作参数范围内，对应目标设备的异常程度为第二异常程度，可以理解的是，第二预设工作参数范围内的所有参数均大于第一预设工作参数内的所有参数，进而可以确定目标设备的异常程度,其中，本申请实施例不对第一预设工作参数和第二预设工作参数进行限定，用户可自行设置。
基于上述实施例，基于影响设备标识的参数，确定异常影响设备标识，以便根据异常影响设备对目标设备进行准确预测；获取异常影响设备标识与目标设备标识的后验概率，以便确定异常影响设备对目标设备的影响程度，再获取异常影响设备标识的数量信息，并基于数量信息和各自对应的影响度，确定目标设备的异常时段，以便提前对目标设备对进行检修；再基于预设的对应关系和目标设备的工作参数，确定目标设备的异常程度，以便确定目标设备的当前工作状态，进而可以基于异常时段和异常程度实现对目标设备工作情况的准确评估。
进一步地，在本申请实施例中，基于每一影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息之后，还包括步骤SB1-SB2(附图未示出)，其中：
步骤SB1、基于目标设备标识和预设的标识与所属类别的对应关系，确定与目标设备标识对应的目标设备的所属类别，其中，所属类别包括关键设备类别和非关键设备类别。
具体的，预设的标识信息与所属类别的对应关系为技术人员预先存储至电子设备中的。进一步的，当电子设备确定目标设备的目标设备标识后，可以基于对应关系，确定目标设备属于关键设备还是一般设备。其中，在本申请实施例中，关键设备表征对完整生产工艺流程中有着关键性影响的设备，即当关键设备故障时，其他设备也需要停止生产；一般设备类别表征对完整生产工艺流程的影响较小的设备，当所属类别为一般设备类别的设备故障时长未超过预设时长时，其他设备可以继续工作，其中，本申请实施例不对预设时长进行限定，用户可自行设置，每一设备对应的预设时长可以相同，也可以不同。当目标设备标识为目标设备的编号或型号时，电子设备可以直接根据目标设备标识确定目标设备的所属类别；当目标设备标识为目标设备的名称时，则电子设备首先提取目标设备的名称的关键字，将目标设备的关键字和与所属类别对应的关键字一一进行匹配，以确定目标设备的所属类别。
步骤SB2、获取设备检修人员计划信息，并基于目标设备的所属类别和设备检修人员计划信息，生成与目标设备标识对应的目标设备的维修检测策略。
具体的，设备检修人员计划信息为预先存储至电子设备中的，且实时更新的，设备检修人员计划信息中包括所有设备检修人员各自对应的姓名，每一设备检修人员应检修的设备、检修时间和每一预设检修时段的空闲人员。
具体的，可以通过确定检修时段的方式，确定目标设备的维修检测，具体可以包括步骤SB21-SB23(附图未示出)，其中：
步骤SB21、基于预设的所属类别和检修时段的对应关系和目标设备的所属类别，确定与目标设备的所属类别对应的检修时段。
具体的，预设的所属类别和检修时段的对应关系为技术人员预先存储至电子设备中的。检修时段表征目标设备的检修时间，可以理解的是，为降低目标设备发生故障的概率，应在目标设备异常发生之前进行检修，所属类别为关键设备的目标设备的检修时间位于一般设备的目标设备的检修时间之前。输入目标设备的所属类别，基于预设的对应关系可以确定目标设备的检修时段。
步骤SB22、基于目标设备的检修时段，从设备检修人员信息确定目标设备检修人员。
步骤SB23、基于目标设备的检修时段和目标设备检修人员，对目标设备进行维修检测。
具体的，电子设备可以从设备检修人员计划信息中获取与目标设备的检修时段对应的空闲人员，并安排空闲人员在检修时段对目标设备进行检修，进而，可以根据目标设备的检修时段和目标设备检修人员对目标设备进行维修检测。
基于上述实施例，基于预设的所属类别和检修时段的对应关系确定目标设备的检修时段，以便有针对性的对目标设备进行检修；再基于设备检修人员的计划信息和检修时段确定目标设备检修人员，以确保合理安排设备检修人员，进而实现对目标设备的合理检修。
上述实施例从方法流程的角度介绍一种基于其他设备数据的预测方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种基于其他设备数据的预测装置，具体详见下述实施例。
本申请实施例提供一种基于其他设备数据的预测装置，如图3所示，该基于其他设备数据的预测装置具体可以包括：
工作参数获取模块301，用于获取目标设备标识对应的工作参数；
影响设备标识确定模块302，用于根据目标设备标识、多个设备标识与多个影响设备标识的对应关系，确定与目标设备标识对应的至少一个影响设备标识，影响设备标识表征对目标设备的工作情况有影响的设备的标识；
异常信息预测模块303，用于获取每一影响设备标识对应的工作参数信息，并基于所有影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息。
对于本申请实施例，工作参数获取模块301获取目标设备标识对应的工作参数，影响设备标识确定模块302根据目标设备标识和多个设备标识与多个影响设备标识的对应关系，确定至少一个影响设备标识，以便可以对目标设备有影响的影响设备对目标设备的工作情况进行准确考量；异常信息预测模块303再获取每一影响设备标识对应的工作参数，根据影响设备标识的工作参数和目标设备标识的工作参数预测目标设备的异常信息，以便从影响设备角度和目标设备本身角度综合角度对目标设备的异常情况进行预测，基于影响设备对目标设备的影响并结合设备本身情况对异常情况进行预测相较于相关技术，本申请实现了对目标设备异常信息的全面的考虑，进而有效提高了异常信息预测结果的准确性。
本申请实施例中的一种可能的实现方式，基于其他设备数据的预测装置，还包括：
关联关系建立模块，用于：
获取多个故障设备标识各自对应的故障日志信息，故障日志信息包括：预设时长内与故障设备对应的故障次数和多个影响设备标识；
基于故障设备标识对应的故障次数，确定故障设备标识对应的先验概率；
针对每一故障设备，基于故障设备标识的故障次数和每一影响设备标识对应的故障次数，确定故障设备标识与每一影响设备标识对应的后验概率；
针对每一故障设备，基于故障设备标识对应的先验概率、每一影响设备标识的先验概率和故障设备标识与每一影响设备标识的后验概率，确定故障设备标识与每一影响设备标识的似然度；
针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，从多个影响设备标识中确定第一目标影响设备标识；
将每个影响设备标识与对应的目标影响设备标识建立关联关系，以得到多个设备标识与多个影响设备标识的对应关系。
本申请实施例中的一种可能的实现方式，基于其他设备数据的预测装置，还包括：
第二目标影响设备标识确定模块，用于：
根据故障设备标识与每一影响设备标识的后验概率与预设后验概率阈值，从多个影响设备标识中确定多个第二目标影响设备标识；
相应的，关联关系建立模块在执行针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度时，用于：
基于多个第二目标影响故障设备标识对应的先验概率、每一第二目标影响设备标识的先验概率和故障设备标识与每一第二目标影响设备标识的后验概率，确定故障设备标识与每一第二目标影响设备标识的似然度。
本申请实施例中的一种可能的实现方式，异常信息预测模块303基于每一影响设备标识对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息时，用于：
基于每一影响设备标识对应的工作参数，确定至少一个异常影响设备标识；
基于每一异常影响设备标识与目标设备标识对应的后验概率，以确定目标设备标识对应的目标设备的异常时段；
基于工作参数与异常程度的对应关系和目标设备标识的工作参数，确定目标设备标识对应的目标设备的异常程度。
本申请实施例中的一种可能的实现方式，异常信息预测模块303基于每一异常影响设备标识与目标设备标识对应的后验概率，以确定目标设备标识对应的目标设备的异常时段时，用于：
获取异常影响设备标识的数量信息，基于数量信息和每一异常影响设备标识与目标设备标识各自对应的影响度，确定异常影响设备标识与目标设备标识的平均影响度；
基于预设的平均影响度与异常时段的对应关系和平均影响度，确定与平均影响度对应的异常时段。
本申请实施例中的一种可能的实现方式，基于其他设备数据的预测装置，还包括：
维修检测策略生成模块，用于：
基于目标设备标识和预设的标识与所属类别的对应关系，确定与目标设备标识对应的目标设备的所属类别，其中，所属类别包括关键设备类别和非关键设备类别；
获取设备检修人员计划信息，并基于目标设备的所属类别和设备检修人员计划信息，生成与目标设备标识对应的目标设备的维修检测策略。
本申请实施例中的一种可能的实现方式，维修检测策略生成模块在执行基于目标设备的所属类别和设备检修人员计划信息，生成与目标设备标识对应的目标设备的维修检测策略时，用于：
基于预设的所属类别和检修时段的对应关系和目标设备的所属类别，确定与目标设备的所属类别对应的检修时段；
基于目标设备的检修时段，从设备检修人员信息确定目标设备检修人员；
基于目标设备的检修时段和目标设备检修人员，对目标设备进行维修检测。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的一种基于其他设备数据的预测装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
下面对本申请实施例提供的一种电子设备进行介绍，下文描述的电子设备与上文描述的基于其他设备数据的预测装置可相互对应参照。
本申请实施例提供了一种电子设备，如图4所示，图4为本申请实施例提供的一种电子设备的结构示意图，图4所示的电子设备400包括：处理器401和存储器403。其中，处理器401和存储器403相连，如通过总线402相连。可选地，电子设备400还可以包括收发器404。需要说明的是，实际应用中收发器404不限于一个，该电子设备400的结构并不构成对本申请实施例的限定。
处理器401可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，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、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请实施例公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器401也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线402可包括一通路，在上述组件之间传送信息。总线402可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线402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。
存储器403可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器403用于存储执行本申请实施例方案的应用程序代码，并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。与相关技术相比，获取目标设备标识对应的工作参数，并根据目标设备标识和多个设备标识与多个影响设备标识的对应关系，确定至少一个影响设备标识，以便可以对目标设备有影响的影响设备对目标设备的工作情况进行准确考量；再获取每一影响设备标识对应的工作参数，根据影响设备标识的工作参数和目标设备标识的工作参数预测目标设备的异常信息，以便从影响设备角度和目标设备本身角度综合角度对目标设备的异常情况进行预测，基于影响设备对目标设备的影响并结合设备本身情况对异常情况进行预测相较于相关技术，本申请实现了对目标设备异常信息的全面的考虑，进而有效提高了异常信息预测结果的准确性。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他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。
以上仅是本申请的部分实施方式，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 (10)
1.一种基于其他设备数据的预测方法，其特征在于，包括：
获取目标设备标识对应的工作参数；
根据目标设备标识、多个设备标识与多个影响设备标识的对应关系，确定与目标设备标识对应的至少一个影响设备标识，所述影响设备标识表征对目标设备的工作情况有影响的设备的标识；
获取每一影响设备标识对应的工作参数信息，并基于所有影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息。
2.根据权利要求1所述的基于其他设备数据的预测方法，其特征在于，
所述多个设备标识与多个影响设备标识的对应关系的建立过程，包括：
获取多个故障设备标识各自对应的故障日志信息，故障日志信息包括：预设时长内与故障设备对应的故障次数和多个影响设备标识；
基于故障设备标识对应的故障次数，确定故障设备标识对应的先验概率；
针对每一故障设备，基于故障设备标识的故障次数和每一影响设备标识对应的故障次数，确定故障设备标识与每一影响设备标识对应的后验概率；
针对每一故障设备，基于故障设备标识对应的先验概率、每一影响设备标识的先验概率和故障设备标识与每一影响设备标识的后验概率，确定故障设备标识与每一影响设备标识的似然度；
针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，从多个影响设备标识中确定第一目标影响设备标识；
将每个影响设备标识与对应的目标影响设备标识建立关联关系，以得到多个设备标识与多个影响设备标识的对应关系。
3.根据权利要求2所述的基于其他设备数据的预测方法，其特征在于，所述针对每一故障设备，基于故障设备标识对应的先验概率、每一影响设备标识的先验概率和故障设备标识与每一影响设备标识的后验概率，确定故障设备标识与每一影响设备标识的似然度之前，还包括：
根据故障设备标识与每一影响设备标识的后验概率与预设后验概率阈值，从所述多个影响设备标识中确定多个第二目标影响设备标识；
相应的，所述针对每一故障设备，根据故障设备标识对应的先验概率、故障设备标识与每一影响设备标识对应的后验概率、故障设备标识与每一影响设备标识的似然度，包括：
基于多个第二目标影响故障设备标识对应的先验概率、每一第二目标影响设备标识的先验概率和故障设备标识与每一第二目标影响设备标识的后验概率，确定故障设备标识与每一第二目标影响设备标识的似然度。
4.根据权利要求1所述的基于其他设备数据的预测方法，其特征在于，所述异常信息包括异常程度和异常时段，
所述基于每一影响设备标识对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息，包括：
基于每一影响设备标识对应的工作参数，确定至少一个异常影响设备标识；
基于每一异常影响设备标识与目标设备标识对应的后验概率，以确定目标设备标识对应的目标设备的异常时段；
基于工作参数与异常程度的对应关系和目标设备标识的工作参数，确定目标设备标识对应的目标设备的异常程度。
5.根据权利要求4所述的基于其他设备数据的预测方法，其特征在于，所述基于所有异常影响设备标识与目标设备标识各自对应的后验概率，确定目标设备标识对应的目标设备的异常时段，包括：
获基于所有异常影响设备标识与目标设备标识各自对应的后验概率，确定异常影响设备标识与目标设备标识的平均影响度；
基于平均影响度与异常时段的对应关系和所述平均影响度，确定与所述平均影响度对应的异常时段。
6.根据权利要求1所述的基于其他设备数据的预测方法，其特征在于，所述基于每一影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息之后，还包括：
基于目标设备标识和预设的标识与所属类别的对应关系，确定与目标设备标识对应的目标设备的所属类别，其中，所属类别包括关键设备类别和非关键设备类别；
获取设备检修人员计划信息，并基于所述目标设备的所属类别和所述设备检修人员计划信息，生成与目标设备标识对应的目标设备的维修检测策略。
7.根据权利要求6所述的基于其他设备数据的预测方法，其特征在于，所述基于所述目标设备的所属类别和所述设备检修人员计划信息，生成与目标设备标识对应的目标设备的维修检测策略，包括：
基于预设的所属类别和检修时段的对应关系和所述目标设备的所属类别，确定与目标设备的所属类别对应的检修时段；
基于目标设备的检修时段，从设备检修人员信息确定目标设备检修人员；
基于目标设备的检修时段和目标设备检修人员，对目标设备进行维修检测。
8.一种基于其他设备数据的预测装置，其特征在于，包括：
工作参数获取模块，用于获取目标设备标识对应的工作参数；
影响设备标识确定模块，用于根据目标设备标识、多个设备标识与多个影响设备标识的对应关系，确定与目标设备标识对应的至少一个影响设备标识，所述影响设备标识表征对目标设备的工作情况有影响的设备的标识；
异常信息预测模块，用于获取每一影响设备标识对应的工作参数信息，并基于所有影响设备标识各自对应的工作参数和目标设备标识的工作参数，预测与目标设备标识对应的目标设备的异常信息。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
存储器；
至少一个应用程序，其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行，所述至少一个应用程序配置用于：执行权利要求1～7任一项所述的基于其他设备数据的预测方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1～7任一项所述的基于其他设备数据的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310477869.4A CN116502166B (zh) | 2023-04-28 | 2023-04-28 | 一种对目标设备故障预测的方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310477869.4A CN116502166B (zh) | 2023-04-28 | 2023-04-28 | 一种对目标设备故障预测的方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502166A true CN116502166A (zh) | 2023-07-28 |
| CN116502166B CN116502166B (zh) | 2024-02-02 |
Family
ID=87324438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310477869.4A Active CN116502166B (zh) | 2023-04-28 | 2023-04-28 | 一种对目标设备故障预测的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502166B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842349A (zh) * | 2023-08-31 | 2023-10-03 | 天津鑫宝龙电梯集团有限公司 | 一种智能故障识别方法、装置、设备和介质 |
| CN117132266A (zh) * | 2023-10-25 | 2023-11-28 | 山东四季汽车服务有限公司 | 一种基于区块链的汽车服务安全保障方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
| US20190138958A1 (en) * | 2017-11-03 | 2019-05-09 | salesforce.com,inc. | Category identifier prediction |
| CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
| US20200348995A1 (en) * | 2019-04-30 | 2020-11-05 | Accenture Global Solutions Limited | Fault analysis and prediction using empirical architecture analytics |
| CN113987027A (zh) * | 2021-11-03 | 2022-01-28 | 华自科技股份有限公司 | 一种基于故障预测的设备状态确定方法、装置及介质 |
| CN114429250A (zh) * | 2022-04-06 | 2022-05-03 | 深圳市玄羽科技有限公司 | 应用于工业互联网的故障预测方法、装置及电子设备 |
| CN115225460A (zh) * | 2022-07-15 | 2022-10-21 | 北京天融信网络安全技术有限公司 | 故障判定方法、电子设备和存储介质 |
| CN115643231A (zh) * | 2022-10-12 | 2023-01-24 | 深圳市易甲文技术有限公司 | 车载终端设备检测的方法、装置、电子设备及存储介质 |
| CN115932476A (zh) * | 2022-12-12 | 2023-04-07 | 触景无限科技（北京）有限公司 | 基于数字孪生的故障定位方法、装置、电子设备及介质 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
-
2023
- 2023-04-28 CN CN202310477869.4A patent/CN116502166B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190138958A1 (en) * | 2017-11-03 | 2019-05-09 | salesforce.com,inc. | Category identifier prediction |
| CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
| US20200348995A1 (en) * | 2019-04-30 | 2020-11-05 | Accenture Global Solutions Limited | Fault analysis and prediction using empirical architecture analytics |
| CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
| CN113987027A (zh) * | 2021-11-03 | 2022-01-28 | 华自科技股份有限公司 | 一种基于故障预测的设备状态确定方法、装置及介质 |
| CN114429250A (zh) * | 2022-04-06 | 2022-05-03 | 深圳市玄羽科技有限公司 | 应用于工业互联网的故障预测方法、装置及电子设备 |
| CN115225460A (zh) * | 2022-07-15 | 2022-10-21 | 北京天融信网络安全技术有限公司 | 故障判定方法、电子设备和存储介质 |
| CN115643231A (zh) * | 2022-10-12 | 2023-01-24 | 深圳市易甲文技术有限公司 | 车载终端设备检测的方法、装置、电子设备及存储介质 |
| CN115932476A (zh) * | 2022-12-12 | 2023-04-07 | 触景无限科技（北京）有限公司 | 基于数字孪生的故障定位方法、装置、电子设备及介质 |
| CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 姜珍;于重重;李艳萍;于滢;: "基于FBN的设备故障预测与健康评估仿真", 计算机仿真, no. 09 * |
| 许彬;徐润华;: "科研生产设备群的故障维修率降低研究", 上海电机学院学报, no. 02 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116842349A (zh) * | 2023-08-31 | 2023-10-03 | 天津鑫宝龙电梯集团有限公司 | 一种智能故障识别方法、装置、设备和介质 |
| CN116842349B (zh) * | 2023-08-31 | 2023-11-21 | 天津鑫宝龙电梯集团有限公司 | 一种智能故障识别方法、装置、设备和介质 |
| CN117132266A (zh) * | 2023-10-25 | 2023-11-28 | 山东四季汽车服务有限公司 | 一种基于区块链的汽车服务安全保障方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502166B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502166B (zh) | 一种对目标设备故障预测的方法、装置、设备和介质 | |
| US11803676B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
| CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
| CN109992473B (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
| CN112308126A (zh) | 故障识别模型训练方法、故障识别方法、装置及电子设备 | |
| CN114095567B (zh) | 数据访问请求的处理方法、装置、计算机设备及介质 | |
| CN113641526B (zh) | 告警根因定位方法、装置、电子设备及计算机存储介质 | |
| CN114514141A (zh) | 充电站监测方法和设备 | |
| CN110633893A (zh) | 一种策略效能监控方法、装置以及计算机设备 | |
| CN115689534B (zh) | 基于大数据的设备寿命管理的方法、装置、设备及介质 | |
| CN115858311A (zh) | 运维监控的方法、装置、电子设备及可读存储介质 | |
| CN110618890A (zh) | 故障处理方法、装置、电子设备及计算机可读存储介质 | |
| CN113689042A (zh) | 监测节点的故障源预测方法 | |
| CN115242611B (zh) | 一种网络故障报警级别管理方法、装置、设备和存储介质 | |
| CN117805663B (zh) | 基于运行状态的电池测试方法、装置、设备和介质 | |
| CN117608974A (zh) | 基于人工智能的服务器故障检测方法、装置、设备及介质 | |
| CN115858324B (zh) | 基于ai的it设备故障处理方法、装置、设备和介质 | |
| CN115409647A (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
| CN117668692A (zh) | 基于故障检测的智能化电能监控方法、装置、设备和介质 | |
| CN115829543A (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
| CN117310394A (zh) | 基于大数据的电力故障检测方法、装置及电子设备及介质 | |
| CN116932324A (zh) | 一种内存条故障预测方法、装置及电子设备 | |
| CN117353966A (zh) | 网络风险评估方法及相关装置 | |
| CN117060580A (zh) | 一种配电柜控制系统运行监测方法、装置、设备及介质 | |
| CN113704237A (zh) | 异常数据检测方法及装置、电子设备 |
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 |