CN116842349A - 一种智能故障识别方法、装置、设备和介质 - Google Patents
一种智能故障识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116842349A CN116842349A CN202311107472.2A CN202311107472A CN116842349A CN 116842349 A CN116842349 A CN 116842349A CN 202311107472 A CN202311107472 A CN 202311107472A CN 116842349 A CN116842349 A CN 116842349A
- Authority
- CN
- China
- Prior art keywords
- fault
- linkage part
- information
- determining
- preset
- 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 53
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 137
- 238000012423 maintenance Methods 0.000 claims description 51
- 230000000694 effects Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 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
- 239000010959 steel Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination 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
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及故障识别领域，尤其涉及一种智能故障识别方法、装置、设备和介质，包括：获取关键零件标识和与关键零件标识对应的联动零件有向图；基于邻接矩阵算法、所有联动零件标识各自对应的初始权重值和联动零件有向图，迭代计算联动零件有向图中所有联动零件标识各自对应的权重值，并基于所有联动零件标识的权重值，确定目标联动零件；获取与关键零件标识对应的第一运行数据和与目标联动零件标识对应的第二运行数据；基于第一运行数据和对应的故障概率网络确定第一故障信息，基于第二运行数据和对应的故障概率网络确定第二故障信息；基于第一故障信息和第二故障信息预测目标故障类型。本申请有效提高了零件故障类型判断的准确率。
Description
技术领域
本申请涉及故障识别的技术领域，尤其是涉及一种智能故障识别方法、装置、设备和介质。
背景技术
在最近几年的发展中，随着人们生活水平的进步和发展，无论是写字楼建筑还是小区建筑，建筑内的设备对楼宇建筑的正常运行都有着重要的影响，例如电梯和中央空调等设备，而故障检测可以有效提高设备正常运行率，可见，故障检测显得尤为重要。
相关技术中会实时获取设备的零件的运行数据，当确定上述零件的运行数据未处于正常运行数据范围内时，则根据未处于正常运行数据范围内的运行数据和故障类型的对应关系和上述运行数据，确定设备零件的故障类型。然而，导致零件产生故障的因素是多方面的，因而在确定零件故障类型时仅根据故障零件本身的运行数据可能由于考虑因素较少导致错误判断，故障类型判断准确率较低。
发明内容
为了提高故障类型判断准确率，本申请提供一种智能故障识别方法、装置、设备和介质。
第一方面，本申请提供一种智能故障识别方法，采用如下的技术方案：
一种智能故障识别方法，包括：
当检测到关键零件异常时，获取关键零件标识和与所述关键零件标识对应的联动零件有向图；
基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和所述联动零件有向图，迭代计算所述联动零件有向图中所有联动零件标识各自对应的权重值，并基于所述所有联动零件标识各自对应的权重值，确定目标联动零件，所述初始权重值为基于顺序属性值信息和异常频次确定的；
获取与所述关键零件标识对应的第一运行数据和与所述目标联动零件标识对应的第二运行数据；
基于所述第一运行数据和对应的预设故障概率库确定第一故障信息，以及，基于所述第二运行数据和对应的预设故障概率库确定第二故障信息；
基于所述第一故障信息和所述第二故障信息预测目标故障类型，并根据所述目标故障类型确定为所述关键零件的故障类型。
本申请在一较佳示例中可以进一步配置为，所述基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和所述联动零件有向图，迭代计算所述联动零件有向图中所有联动零件标识各自对应的权重值，包括：
基于所述所有联动零件标识各自对应的初始权重值生成转移矩阵，以及基于所述联动零件有向图的有向边信息生成邻接矩阵；
利用预设的邻接矩阵算法对转移矩阵和邻接矩阵进行迭代计算，得到所有联动零件各自对应的迭代后的权重值。
本申请在一较佳示例中可以进一步配置为，所述联动零件有向图中所有联动零件标识各自对应的初始权重值的赋值过程，包括：
获取关键零件异常时所述所有联动零件标识各自对应的异常频次和顺序属性值信息，所述顺序属性值信息包括：检修顺序属性值和异常时间顺序属性值；
针对每一联动零件标识，基于预设的异常频次和权重值的对应关系和所述异常频次，确定与所述异常频次对应的第一权重值；
获取所述第一权重值与所述关键零件标识的第一相关系数、所述检修顺序属性值与所述关键零件标识的第二相关系数以及所述异常时间顺序属性值与所述关键零件标识的第三相关系数；
基于所述第一权重值、所述第一相关系数、所述检修顺序属性值、所述第二相关系数、所述异常时间顺序属性值和所述第三相关系数，得到与所述联动零件标识对应的综合权重值；
基于所述所有联动零件标识各自对应的综合权重值，确定所述联动零件有向图中所有联动零件标识各自对应的初始权重值。
本申请在一较佳示例中可以进一步配置为，所述联动零件有向图的构建过程，包括：
获取预设时长内关键零件异常时的多个异常零件标识和各自对应的异常频次；
针对每一异常零件标识，基于所述异常频次和预设异常频次阈值，构建所述关键零件标识和各个所述异常零件标识之间的第一有向边；
获取所述联动零件标识对应的多个工作属性，所述联动零件标识为与所述关键零件标识存在有向边的异常零件标识；
针对相同工作属性的联动零件标识，构建所述相同工作属性的联动零件标识之间的连接边；
获取设备运行时与所述工作属性对应的控制指令对应的指令执行顺序信息；
基于所述指令执行顺序信息和对应的存在连接边的联动零件标识，确定连接边的指向信息，并根据所述连接边和各自对应的指向信息构建联动零件标识之间的第二有向边；
基于所述关键零件标识、联动零件标识、所述第一有向边和所述第二有向边构建有向图。
本申请在一较佳示例中可以进一步配置为，所述基于所述第一运行数据和对应的预设故障概率库确定第一故障信息，包括：
将所述第一运行数据输入至所述预设故障概率库中，得到与所述关键零件标识对应的多个故障类型和各个故障类型的发生概率；
基于所有故障类型和各自对应的发生概率，按照发生概率降序的顺序进行排序，得到排序后的所有故障类型；
基于发生概率降序的顺序，从所述排序后的所有故障类型中确定预设数量的第一故障类型和与所述第一故障类型对应的发生概率；
基于所述第一故障类型和与所述第一故障类型对应的发生概率，确定第一故障信息。
本申请在一较佳示例中可以进一步配置为，所述故障信息包括：故障类型和对应的故障概率；所述第二故障信息包括：预设数量的第二故障类型与所述第二故障类型对应的故障概率，所述第二故障类型为与所述第二运行数据对应的故障类型，所述基于所述第一故障信息和所述第二故障信息预测目标故障类型，包括：
针对每一故障类型，基于预设的频次和故障类型确定评分的对应关系和每一故障类型的出现频次，确定所述出现频次对应的故障类型确定评分，所述每一故障类型的出现频次为基于所述第一故障信息和所述第二故障信息得到的；
基于所述每一故障类型和对应的多个发生概率，确定所述每一故障类型的发生概率总和；
基于预设的概率和故障类型确定评分的对应关系和所述发生概率总和，确定所述发生概率总和对应的故障类型确定评分；
基于所有故障类型和各自对应的评分总和，选取与最高评分总和对应的故障类型，并将所述与最高评分总和对应的故障类型确定为目标故障类型。
本申请在一较佳示例中可以进一步配置为，所述根据所述目标故障类型确定为所述关键零件的故障类型之后，还包括：
当检测到故障零件加入待检修队列时，获取与建筑场景对应的人群活动时间信息和预设检修起始时间信息，所述建筑场景为所述故障零件所在的建筑场景；
基于预设的故障类型和检修时长的对应关系和所述目标故障类型，确定与所述目标故障类型对应的检修时长；
基于所述检修时长和所述预设检修起始时间，确定检修时间范围信息；
基于所述检修时间范围信息和所述人群活动时间信息，确定检修所述关键零件对人群活动的影响值；
判断所述影响值是否大于预设影响值阈值；
若是，则生成预设检修起始时间信息调整信号，调整所述预设检修起始时间；否则，则生成故障零件检修信号，检修所述故障零件。
第二方面，本申请提供一种智能故障识别装置，采用如下的技术方案：
一种智能故障识别装置，包括：
获取模块，用于当检测到关键零件异常时，获取关键零件标识和与所述关键零件标识对应的联动零件有向图；
目标联动零件确定模块，用于基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和所述联动零件有向图，迭代计算所述联动零件有向图中所有联动零件标识各自对应的权重值，并基于所述所有联动零件标识各自对应的权重值，确定目标联动零件，所述初始权重值为基于顺序属性值信息和异常频次确定的；
运行数据获取模块，用于获取与所述关键零件标识对应的第一运行数据和与所述目标联动零件标识对应的第二运行数据；
故障信息确定模块，用于基于所述第一运行数据和对应的预设故障概率库确定第一故障信息，以及，基于所述第二运行数据和对应的预设故障概率库确定第二故障信息；
目标故障类型确定模块，用于基于所述第一故障信息和所述第二故障信息预测目标故障类型，并根据所述目标故障类型确定为所述关键零件的故障类型。
第三方面，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智能故障识别方法。
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智能故障识别方法。
综上所述，本申请包括以下有益技术效果：
获取关键零件标识和联动零件有向图；根据预设的邻接矩阵算法、联动零件有向图和初始权重值确定所有联动零件标识各自对应的权重值，以便确定联动零件和关键零件之间的关联度，联动零件的权重值越大与关键零件的关联度也越大，联动零件发生异常的概率也随之增加；再根据权重值确定目标联动零件标识，目标联动零件为与关键零件有着强关联的零件；再根据关键零件标识和目标联动零件标识各自对应的运行数据确定故障信息，并根据故障信息预测设备零件故障类型，相较于相关技术中仅基于零件本身确定故障类型，本申请可以在准确的确定出少量在判断设备零件故障类型过程中起着关键性作用的零件进行综合性判断，有效提高了零件故障类型判断的准确率。
附图说明
图1为本申请实施例提供的一种智能故障识别方法的流程示意图。
图2为本申请实施例提供的一种联动零件有向图示意图。
图3为本申请实施例提供的一种智能故障识别装置的结构示意图。
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
以下结合附图1至附图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，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智能故障识别方法，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，如图1所示，该方法包括步骤S101、步骤S102、步骤S103、步骤S104以及步骤S105，其中：
步骤S101：当检测到关键零件异常时，获取关键零件标识和与关键零件标识对应的联动零件有向图。
具体地，关键零件标识可以为关键零件的名称，也可以为与关键零件对应的编号，不同零件对应的编号均不同，在本申请实施例中，关键零件为在设备中起着关键作用的零件，即当设备出现故障时，关键零件也有着较高的故障概率。在本申请实施例中，设备可以为建筑楼宇内的电梯或中央空调，与设备对应的关键零件可以为电梯中的零件或中央空调的零件。
与关键零件标识对应的联动零件有向图可以基于历史数据确定，具体确定方式可参照联动零件有向图的构建过程的实施例，联动零件有向图中包括多个联动零件节点、中心节点、中心节点和联动零件节点的第一有向边、联动零件节点之间的第二有向边，其中，每一联动零件节点对应一个联动零件，中心节点对应的零件为关键零件，中心节点和联动零件节点的第一有向边为由联动零件节点指向中心节点的有指向的边，联动零件节点之间的第二有向边为连接联动零件节点之间的有指向的边，不同联动零件节点各自对应不同的联动零件，联动零件为与关键零件有着关联的零件，即当关键零件异常时，对应的联动零件也具有发生异常的概率。
上述联动零件有向图中的联动零件为与关键零件有着直接关联关系的零件，例1，A零件为关键零件，当A零件异常时，可以直接影响B零件和C零件，当C零件异常时，可以直接影响E零件和F零件，此时可以确定A零件的联动零件为B零件和C零件。
步骤S102：基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和联动零件有向图，迭代计算联动零件有向图中所有联动零件标识各自对应的权重值，并基于所有联动零件标识各自对应的权重值确定目标联动零件，初始权重值为基于顺序属性值信息和异常频次确定的。
具体地，在本申请实施例中，可以利用预设的邻接矩阵算法迭代确定所有联动零件各自对应的权重值；而所有联动零件各自对应的初始权重值为进行迭代计算前的权重值，可以根据异常频次、检修顺序属性值和异常时间顺序属性值确定初始权重值，其中，异常频次为预设时长内关键零件异常时，联动零件同时异常的频次，本申请实施例不对预设时长进行限定，用户可自行设置；检修顺序属性值为基于关键零件异常时，联动零件的检修顺序确定的，联动零件的检修顺序为每次检修时技术人员输入的；异常时间顺序属性值为基于关键零件异常时，联动零件的异常顺序确定的，联动零件的异常顺序为技术人员输入的，检修顺序属性值和异常时间顺序属性值的具体确定方式可参照所有联动零件标识各自对应的初始权重值的赋值过程实施例。联动零件的异常频次越高、检修顺序靠前的零件的重要性越高以及异常时间越早的联动零件与关键零件的关联度也越高，对应的初始权重值越高，因而基于异常频次、检修顺序属性值和异常事件顺序属性值可以得到准确的初始权重值。
在利用预设的邻接矩阵算法迭代确定所有联动零件各自对应的权重值过程中，随着迭代次数的增加所有联动零件各自对应的权重值也会随之变化，即每一联动零件对应的权重值会不断收敛并趋向于最优解，此时联动零件的最优解即为联动零件的权重值。
在本申请实施例中，在得到所有联动零件标识各自对应的权重值后，可以将所有联动零件按照权重值由高到低的顺序进行排序，并从上述排序后的所有联动零件中从高到低依次选取，以筛选出第二预设数量的目标联动零件；其中，第二预设数量对应的数值可以根据联动零件的数量确定，结合实际情况以联动零件数量的三分之一数值为第二预设数量，通过增加参考零件数量实现了设备零件故障类型的准确判断。
步骤S103：获取与关键零件标识对应的第一运行数据和与目标联动零件标识对应的第二运行数据。
具体地，第一运行数据和第二运行数据为安装在零件上的传感器检测并上传至电子设备中的。
步骤S104：基于第一运行数据和对应的预设故障概率库确定第一故障信息，以及，基于第二运行数据和对应的预设故障概率库确定第二故障信息。
具体地，第一故障信息包括：第一故障类型和对应的故障概率，预设故障概率库可以为相关技术人员预先输入至电子设备中的，预设故障概率库中存储有多个故障类型和各自对应的故障概率计算函数；其中，针对第一运行数据，将第一运行数据输入至上述故障概率计算函数中，得到每一第一故障类型对应的故障概率；针对第二运行数据，将第二运行数据输入至与第二运行数据对应的故障概率计算函数中，以得到与第二运行数据对应的每一第二故障类型的故障概率；在本申请实施例中，可以将贝叶斯函数作为上述故障概率计算函数，以得到更准确的故障概率。
第二故障信息包括预设数量的第二故障类型和对应的故障概率，可以理解的是，在本申请实施例中，预设数量等同于第一预设数量（均直接表述为预设数量）；进一步地，可以通过筛选、排序和重组的方式确定多个故障类型，以筛选出故障概率最大的故障类型，具体实现方式可参考基于第一故障信息和第二故障信息预测目标故障类型实施例，而通过预设故障概率库可以实现故障类型的快速确定，有效提高了故障信息的确定效率，上述故障信息为第一故障信息和第二故障信息。
步骤S105：基于第一故障信息和第二故障信息预测目标故障类型，并根据目标故障类型确定为关键零件的故障类型。
具体地，可以根据故障出现频次、故障发生概率和各自对应的对应关系确定各自对应的故障评分总和，并将故障评分总和最高的故障类型确定为目标故障类型，即关键零件的故障类型；其中，故障出现频次为某一故障类型在所有零件中出现的次数；上述对应关系可以为相关技术人员预先输入至电子设备中的，基于故障出现频次和发生概率确定评分，实现了从多个评价维度确定目标故障的目的。进一步地，根据对应关系实现了将不同评价维度量化为评分，并根据评分总和确定目标故障类型，可以有效提高确定目标故障类型的准确率。
在本申请实施例中获取关键零件标识和联动零件有向图；根据预设的邻接矩阵算法、联动零件有向图和初始权重值确定所有联动零件标识各自对应的权重值，以便确定联动零件和关键零件之间的关联度，联动零件的权重值越大与关键零件的关联度也越大，联动零件发生异常的概率也随之增加；再根据权重值确定目标联动零件标识，目标联动零件为与关键零件强关联的零件；再根据关键零件标识和目标联动零件标识各自对应的运行数据确定故障信息，并根据故障信息预测设备零件故障类型，相较于相关技术中仅基于零件本身确定故障类型，本申请可以在准确的确定出少量在判断设备零件故障类型过程中起着关键性作用的零件进行综合性判断，有效提高了零件故障类型判断的准确率。
本申请实施例的一种可能的实现方式，步骤S102基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和联动零件有向图，迭代计算联动零件有向图中所有联动零件标识各自对应的权重值，具体可以包括：
基于所有联动零件标识各自对应的初始权重值生成转移矩阵，以及基于联动零件有向图的有向边信息生成邻接矩阵；
利用预设的邻接矩阵算法对转移矩阵和邻接矩阵进行迭代计算，得到所有联动零件各自对应的权重值。
具体地，在计算的过程中，邻接矩阵和转移矩阵具有更强的适应性，可以更好的适应不同规模和复杂度的迭代过程，有效提高了计算效率；有向边信息包括：每一零件节点的出链数，进而可以通过出链数构造邻接矩阵。
对转移矩阵和邻接矩阵进行预设次数的迭代，其中，预设次数可以为技术人员基于历史经验设置的，本申请实施例不对预设次数进行限定；当迭代次数达到预设迭代次数阈值后，再进行迭代计算时各个联动零件的权重值不再变化，因而迭代后的各个联动零件的权重值即为各个联动零件权重值对应的最优解，再将迭代后的各个联动零件的权重值确定为联动零件有向图中所有联动零件标识各自对应的权重值。可以理解的是，在本申请实施例中以矩阵的形式表示以更加直观，其中，本申请实施例不对预设迭代次数阈值进行限定，用户可自行设置。
如图2所示，为本申请实施例提供的一种联动零件有向图示意图，虚线为第一有向边，实线为第二有向边，悬挂钢丝绳、轴和电动机均为联动零件，设每一联动零件的初始权重值均为1/3，并建立转移矩阵；再根据有向图中各个零件节点的出链数生成邻接矩阵，其中，在邻接矩阵中，第一行第二列的“/>”的来源为：轴这一联动零件节点的出链数为2，分别指向悬挂钢丝绳和电动机，因而轴指向电动机对应的元素为/>；并使用邻接矩阵算法进行第一次迭代计算，得到第一次迭代后的各个联动零件的权重值，具体的迭代计算过程即为：/>；再基于第一次迭代后的各个联动零件的权重值和上述邻接矩阵进行第二次迭代计算，得到/>，即，即第二次迭代后的联动零件的权重值，并基于上述步骤进行预设次数的迭代，得到预设次数迭代后的各个联动零件的权重值；可以理解的是，在本申请实施例中的确定联动零件的权重值的过程中，仅联动零件参与迭代计算过程，即联动零件有向图中的虚线不计做对应的出链数，可以理解的是，上述矩阵和对应内容仅作为联动零件有向图的示例。
在本申请实施例中根据初始权重值生成转移矩阵以及根据有向边信息生成邻接矩阵；再对转移矩阵和邻接矩阵进行预设迭代次数的迭代计算，得到迭代后的权重值，通过进行迭代可以使得所有联动零件各自对应的权重值不断收敛，更接近最终解，即所有联动零件各自对应的权重值的准确性不断提升；在迭代次数达到预设次数时，将迭代后的权重值确定为所有联动零件各自对应的权重值，以有效提高了所有联动零件各自对应的权重值的准确性。
本申请实施例的一种可能的实现方式，为准确确定联动零件，联动零件有向图中所有联动零件标识各自对应的初始权重值的赋值过程，包括：
获取关键零件异常时所有联动零件标识各自对应的异常频次和顺序属性值信息，顺序属性值信息包括：检修顺序属性值和异常时间顺序属性值；
针对每一联动零件标识，基于预设的异常频次和权重值的对应关系和异常频次，确定与异常频次对应的第一权重值；
获取第一权重值与关键零件标识的第一相关系数、检修顺序属性值与关键零件标识的第二相关系数以及异常时间顺序属性值和第三相关系数，得到与联动零件标识对应的综合权重值；
基于所有联动零件标识各自对应的综合权重值，确定联动零件有向图中所有联动零件标识各自对应的初始权重值。
具体地，检修顺序属性值为根据每次关键零件异常时联动零件对应的检修顺序得到的，异常时间顺序属性值为基于每次关键零件异常时各个联动零件异常时间对应的顺序得到的，每一联动零件对应的检修顺序和异常时间顺序均为技术人员实时记录并更新至电子设备中的。
为便于计算，本申请实施例以数值的形式表示顺序属性值，即不同的检修顺序和异常时间顺序分别对应不同的数值，例2，以满分值为一百分进行计算，当检修顺序为第一检修顺序时，则对应的数值可以为100分，当检修顺序为第六检修顺序时，则对应的数值可以为50分；在本申请实施例中，异常频次和顺序属性值信息均为预设时长内的异常频次和顺序属性值信息，当联动零件存在多次检修或多次异常，则顺序属性值信息可以为根据计算平均属性值得到的。例3，针对检修顺序属性值，联动零件A进行过3次检修，各自对应检修顺序为第一检修顺序、第六检修顺序和第八检修顺序，各自对应的检修顺序属性值为100、50和30，进而可以计算平均检修顺序属性值，平均检修顺序属性值=，并将平均检修顺序属性值确定为检修顺序属性值；异常时间顺序属性值的确定过程与上述检修顺序属性值的确定过程相同。
预设的异常频次和权重值的对应关系可以为技术人员预先输入至电子设备中的，且异常频次和权重值的具体内容可以为技术人员基于工作经验设定的，本申请实施例不进行限定。
第一相关系数、第二相关系数和第三相关系数均为技术人员基于实际情况预先设定并输入至电子设备中的，本申请实施例不对具体的第一相关系数、第二相关系数和第三相关系数进行限定；第一相关系数、第二相关系数和第三相关系数均表征与关键零件的相关性，相关性越高，对应的相关系数越大，同时相关系数越大，表明该联动零件更容易受到关键零件的影响，相关性为技术人员预先输入的。可以理解的是，当关键零件异常时，联动零件异常频次越高，表明上述联动零件更容易受到关键零件的影响，而检修顺序靠前和异常时间顺序靠前的联动零件也更容易受到关键零件的影响，因而在本申请实施例中，优选地，第一相关系数>第二相关系数>第三相关系数。
进一步地，可以通过计算公式计算得到综合权重值，计算公式为：综合权重值=第一权重值*第一相关系数+检修顺序属性值*第二相关系数+异常时间顺序属性值*第三相关系数，并可以直接将综合权重确定为初始权重值。
在本申请实施例中，在联动零件有向图中联动零件的初始权重值影响着迭代计算过程中各个联动零件的权重值的变化，即影响着迭代后的各个联动零件的权重值的准确性；当关键零件异常时，联动零件的异常频次越高，则与关键零件的关联度也越高；一般地，检修顺序靠前的零件的重要性越高，因而与关键零件的关联度也越高，且关键零件异常时，优先异常的联动零件也表明与关键零件的关联度越高，因而根据异常频次、检修顺序属性值和异常顺序属性值多个维度实现了初始权重值的准确确定；进一步地，不同维度与初始权重值的关联度不同，因而再根据不同维度的数值和各自对应的相关系数计算综合权重值，并将综合权重值确定为初始权重值，以有效提高了对联动零件初始权重值赋值的准确性。
本申请实施例的一种可能的实现方式，联动零件有向图的构建过程，包括：
获取预设时长内关键零件异常时的多个异常零件标识和各自对应的异常频次；
针对每一异常零件标识，基于异常频次和预设异常频次阈值，构建关键零件标识和各个异常零件标识之间的第一有向边；
获取联动零件标识对应的多个工作属性，联动零件标识为与关键零件标识存在有向边的异常零件标识；
针对相同工作属性的联动零件标识，构建相同工作属性的联动零件标识之间的连接边；
获取设备运行时与工作属性对应的控制指令对应的指令执行顺序信息；
基于指令执行顺序信息和对应的存在连接边的联动零件标识，确定连接边的指向信息，并根据连接边和各自对应的指向信息构建联动零件标识之间的第二有向边；
基于关键零件标识、联动零件标识、第一有向边和第二有向边构建有向图。
具体地，异常零件标识的异常频次为与异常零件的异常时段与关键零件的异常时段存在时间重叠时的异常对应的频次，即此时可以确定为一次异常，可以理解的是，关键零件的第一起始异常时间早于异常零件的第二起始异常时间，且关键零件的第一终止异常时间晚于第二起始异常时间。异常零件标识可以为技术人员预先存储的，异常零件标识可以零件名称，也可以为人为设置的编号。
例4，如：在1-3月内，1.15号-1.20号关键零件异常、1.22号-1.25号关键零件异常、2.10号-2.12号关键零件异常、3.1号-3.3号关键零件异常、3.21号-3.28号关键零件异常；异常零件A：1.1号-1.3号异常、1.17号-1.18号异常、1.26号-1.30号异常、3.1号-3.3号异常；异常零件B：1.22号-1.22号异常、3.22号-3.23号异常、3.25号-3.27号异常；则异常零件A对应的异常频次为2次；异常零件B对应的异常频次为3次。
本申请实施例不对预设异常频次阈值进行限定，用户可自行设置，所有异常零件对应的预设异常频次阈值均相同；以上述例4为例，当预设异常频次阈值为3时，则不建立异常零件A与关键零件之间的第一有向边，建立异常零件B与关键零件之间的第一有向边，进一步地，可以确定异常零件A不为关键零件的联动零件，异常零件B为关键零件的联动零件。
连接边为连接联动零件标识之间的没有指向的边。联动零件标识对应的工作属性为技术人员预先输入至电子设备中的，工作属性表征零件在设备中的功能等特定的属性，每一零件的工作属性可以为至少两个，进一步地，可以将有着相同工作属性的联动零件进行连接，以建立连接边。例5，当轿厢为关键零件时，对应的联动零件包括电动机、悬挂钢丝绳和轴；其中，根据传动工作属性，可以建立电动机和轴之间的连接边，根据悬挂工作属性可以建立悬挂钢丝绳和轴的连接边，根据驱动方式的工作属性可以建立电动机和悬挂钢丝绳之间的连接边。
指令执行顺序信息为设备运行时，每个零件各自对应的执行指令的顺序，在不同的指令中相同零件对应的指令执行顺序不同；且每一指令对应的所有零件的执行顺序为技术人员预先输入至电子设备中的；进一步地，可以确定连接边的指向信息，例6，设备为电梯，在电梯上下行的过程中，一般地，电梯控制系统接收到工作信号后，首先控制电动机启动，电动机启动后，轴会根据电梯位置进行调节，此时电动机和轴之间的指向信息为由电动机指向轴，而当电梯超载时，轴会先执行工作指令以禁止电动机执行指令，此时指向信息可以为由轴指向电动机；针对电动机和悬挂钢丝绳，在正常运行过程中电动机提供动力，驱动悬挂钢丝绳运行，此时电动机和悬挂钢丝绳之间的指向信息为由电动机指向悬挂钢丝绳；而在电梯运行的过程中，若发生电流中断的问题，则此时停止电梯下降指令，悬挂钢丝绳借助紧急制动装置首先执行停止下降指令，电动机随后执行停止下降指令，此时电动机和悬挂钢丝绳之间指向信息为由悬挂钢丝绳指向电动机；当电梯接收到运行指令时，轴首先转动，悬挂钢丝绳的长度随着轴的转动而发生变化，因此轴和悬挂钢丝绳之间的指向信息为由轴指向悬挂钢丝绳。
进一步地，可以以关键零件标识为中心节点，联动零件标识为以从中心节点出发向四周扩散的边缘节点，即联动零件节点，以第一有向边连接中心节点和各个联动零件节点，以第二有向边连接各个联动零件节点组成的有向图，其中，有向图可参考图2。
在本申请实施例中，获取关键零件异常时的多个异常零件和各自对应的异常频次，并根据异常频次构建第一有向边，以便确定关键零件的联动零件；每一联动零件对应有至少一个工作属性，在工作属性不同的情况下，同一联动零件对应与其他联动零件之间有着不同的逻辑连接，因而可以针对相同工作属性构建联动零件之间的有向边，以保证联动零件之间存在着较大的关联性；在设备运行时，针对同一指令，联动零件之间有着严格的指令执行顺序，进一步地，优先执行指令的联动零件影响力更大，因而根据指令执行顺序以有效提高了确定有向边指向信息的准确性；进一步地，可以根据有向边和指向信息生成准确的有向边信息。
本申请实施例的一种可能的实现方式，为提高预测关键零件故障的准确率，步骤S103基于第一运行数据和对应的预设故障概率库确定第一故障信息，包括：
第一运行数据输入至预设故障概率库中，得到与关键零件标识对应的多个故障类型和各个故障类型的发生概率；
基于所有故障类型和各自对应的发生概率，按照发生概率降序的顺序进行排序，得到排序后的所有故障类型；
基于发生概率降序的顺序，从排序后的所有故障类型中确定预设数量的第一故障类型和与第一故障类型对应的发生概率；
基于第一故障类型和与第一故障类型对应的发生概率，确定第一故障信息。
具体地，第一运行数据可以为与关键零件对应的传感器采集并上传至电子设备中的；再根据第一运行数据和预设故障概率库确定多个故障类型和各自对应的发生概率。
例7，关键零件为轿厢时，则第一运行数据可以为轿厢的振动数据，将振动数据输入与轿厢对应的预设故障概率库中各个第一故障类型对应的故障概率计算函数中，进而可以得到与轿厢对应的第一故障类型分别为缓冲器故障、控制系统故障和平衡故障，上述第一故障类型各自对应的故障概率为0.8、0.9和0.4；即在某一时长内，轿厢故障次数为10，缓冲器故障次数为8次，且缓冲器每次故障时段均与轿厢故障时段相同，进而可以确定对应的故障概率为0.8。进一步地，按照降序的顺序进行排序，排序后得到：控制系统故障-0.9、缓冲器故障-0.8、平衡故障-0.4；本申请实施例不对预设数量进行限定，用户可自行设置，进而可以确定关键零件的至少一个第一故障类型和与第一故障类型对应的故障概率。
再按照发生概率降序的顺序对重组后的多个第一故障类型进行筛选得到预设数量的第一故障类型，以便筛选出多个有着较大发生概率的第一故障类型，相较于相关技术中仅筛选出发生概率最大的故障类型，本申请确定多个故障类型的可参考性更高，有效提高了第一故障信息确定的准确性。
本申请实施例的一种可能的实现方式，为准确预测目标故障类型，故障信息包括：故障类型和对应的故障概率；第二故障信息包括：预设数量的第二故障类型和与第二故障类型对应的故障概率，第二故障类型为与第二运行数据对应的故障类型，步骤S105基于第一故障信息和第二故障信息预测目标故障类型，包括：
针对每一故障类型，基于预设的频次和故障类型确定评分的对应关系和每一故障类型的出现频次，确定出现频次对应的故障类型确定评分，每一故障类型的出现频次为基于第一故障信息和第二故障信息得到的；
基于每一故障类型和对应的多个发生概率，确定每一故障类型的发生概率总和；
基于预设的概率和故障类型确定评分的对应关系和发生概率总和，确定发生概率总和对应的故障类型确定评分；
基于所有故障类型和各自对应的评分总和，选取与最高评分总和对应的故障类型，并将与最高评分总和对应的故障类型确定为目标故障类型。
具体地，每一故障类型的出现频次为在第一故障信息和第二故障信息中出现的次数总和。
例8：步骤S103基于第一运行数据和对应的预设故障概率库确定第一故障信息中的关键零件为轿厢时，缓冲器故障即为故障类型A，控制器故障为故障类型B，平衡故障为故障类型C；与轿厢对应的联动零件为电动机、悬挂钢丝绳和轴，进一步地，根据上述联动零件对应的第二运行数据和对应的预设故障概率库可以确定各自对应的故障信息，即电动机：对应故障类型A-故障概率为0.4，故障类型D-故障概率为0.1；悬挂钢丝绳，对应故障类型C-故障概率为0.95，故障类型B-故障概率0.77，故障类型D-故障概率0.1；轴对应故障类型E-故障概率0.6，故障类型C-故障概率0.1，故障类型D-故障概率0.1，故障类型B-故障概率0.05。
可以得到如表1所示数据，表1为本申请实施例提供的故障类型-故障概率示意表，A、B、C、D和E均为故障类型；进而可以确定故障类型A的出现频次为2，故障概率总和为1.2；故障类型B出现频次为3，故障概率总和为1.72；故障类型C的出现频次为3，故障概率总和为1.45；故障类型D的出现频次为3，故障概率总和为0.3，故障类型E的出现频次为1，故障概率总和为0.6；其中，表1中的“Y”表示零件存在对应的故障类型。且本申请实施例不对D、E各自对应的故障类型进行限定。
表1故障类型-故障概率示意表
| A/故障概率 | B/故障概率 | C/故障概率 | D/故障概率 | E/故障概率 | |
| 轿厢 | Y/0.8 | Y/0.9 | Y/0.4 | ||
| 电动机 | Y/0.4 | Y/0.1 | |||
| 悬挂钢丝绳 | Y/0.77 | Y/0.95 | Y/0.1 | ||
| 轴 | Y/0.05 | Y/0.1 | Y/0.1 | Y/0.6 |
可以理解的是，上述联动零件对应的第二故障类型和故障概率均为与第二运行数据对应的预设故障概率库得到的，本申请实施例不对联动零件对应的第二运行数据进行限定，用户可自行设置。
预设的频次和故障类型确定评分的对应关系以及预设的概率和故障类型确定评分的对应关系均为技术人员预先输入的，本申请实施例不对上述对应关系的具体内容进行限定，用户可结合实际情况自行设置。
评分总和为基于与概率对应的故障类型确定评分和与出现频次对应的故障类型确定评分的分数总和，进而可以确定目标故障类型。
可以理解的是，根据上述两个对应关系实现了从不同维度确定目标故障类型，相较于相关技术中仅考虑故障类型出现概率总和，或，仅考虑故障类型的出现频次中的某一维度确定目标故障类型，可能导致准确性较低，而本申请实现了基于上述两个维度确定目标故障类型，以有效提高了目标故障类型确定的准确性。
在本申请实施例中，一般地，不同零件的运行数据可以对应相同故障类型，但同一故障类型发生概率不同的情况，因而针对每一故障类型基于出现频次和发生概率确定评分，实现了从多个评价维度确定目标故障的目的；进一步地，再根据对应关系的方式确定与出现频次对应的故障类型确定评分，以及确定与发生故障概率总和对应的故障类型评分，再确定评分总和，实现了根据对应关系将不同评价维度量化为各自对应的分数的目的，进而根据分数可以更直观的确定故障类型，在提高确定目标故障类型准确性的同时也提高了确定效率。
本申请实施例的一种可能的实现方式，为降低设备检修工作对人群活动的影响，步骤S105根据目标故障类型确定为关键零件的故障类型之后，还包括：
当检测到故障零件加入待检修队列时，获取与建筑场景对应的人群活动时间信息和预设检修起始时间信息，建筑场景为故障零件所在的建筑场景；
基于预设的故障类型和检修时长的对应关系和目标故障类型，确定与目标故障类型对应的检修时长；
基于检修时长和预设检修起始时间，确定检修时间范围信息；
基于检修时间范围信息和人群活动时间信息，确定检修关键零件对人群活动的影响值；
判断影响值是否大于预设影响值阈值；
若是，则生成预设检修起始时间信息调整信号，调整预设检修起始时间；否则，则生成故障零件检修信号，检修故障零件。
具体地，待检修队列中包括若干待检修零件、各自对应的零件标识和各自对应的所在设备的设备标识。建筑场景为相关技术人员预先输入的，在本申请实施例中建筑场景可以为写字楼、商场或小区建筑，本申请实施例不进行限定，人群活动时间信息可以为相关技术人员预先输入的，可以理解的是，不同的建筑场景中人群活动时间不同。
例9，在写字楼中，人群活动时间可以为8:00-18:30；在商场中人群活动时间为10:00-21:00；在小区建筑中人群活动时间为5:00-9:00以及17:30-24:00。预设检修起始时间信息可以为根据待检修队列中位于关键零件前的待检修零件的数量和各自对应的检修时长确定的；例10，待检修队列中关键零件前有待检修零件A，检修时长为1小时，待检修零件B，检修时长为1.5小时，且待检修零件A的检修起始时间为6:00，则关键零件的检修起始时间则为8:30。
预设的故障类型和检修时长的对应关系可以为相关技术人员根据历史检修工作经验预先设置的；例11，关键零件的检修时长为0.5小时，则可以确定检修时间范围信息为8:30-9:00。
确定检修时间范围与人群活动时间的交叉时长，例12，关键零件的检修时间为8:30-9:00，针对小区建筑，对应的交叉时长为0.5小时，进而可以根据预设的交叉时长和影响值的对应关系确定影响值，上述对应关系可以为相关技术人员输入至电子设备中的；其中，确定上述对应关系的过程具体可以包括：每进行一次零件检修，确定交叉时长，并生成一次电子调查报告以调查建筑内人群的不满意值，不满意值可以为百分数形式，且不满意值即为影响值，进而可以确定影响值。
可以理解的是，当影响值大于预设影响值阈值时，表明关键零件的检修严重影响到了建筑内人群的正常活动，因而需要生成调整信号以对检修起始时间进行调整；否则，则表明未影响到建筑内人群正常活动，可以进行检修。预设影响值阈值为技术人员预先输入的，本申请实施例不对影响值阈值限定。
在本申请实施例中当检测到故障零件加入待检修队列时，表明故障零件处于等待检修的状态；在不同的建筑场景内人群的活动时间不同，故障零件的检修时间范围对人群的影响也不同，因而需要根据检修时间范围和人群活动时间确定故障零件对人群活动的影响值是否大于预设影响阈值；若是，则表明在检修时间范围内检修故障零件对人群活动有着较大影响，因而需要对预设检修起始时间进行调整；否则，则表明在当前检修时间范围内可以对故障零件进行检修，从人群活动的角度对故障零件检修时间进行确定，以有效提高了检修时间的合理性。
上述实施例从方法流程的角度介绍一种智能故障识别方法，下述实施例从虚拟模块或者虚拟单元的角度介绍了一种智能故障识别装置，具体详见下述实施例。
本申请实施例提供一种智能故障识别装置，如图3所示，该智能故障识别装置具体可以包括：
获取模块201，用于当检测到关键零件异常时，获取关键零件标识和与关键零件标识对应的联动零件有向图；
目标联动零件确定模块202，用于基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和联动零件有向图，迭代计算联动零件有向图中所有联动零件标识各自对应的权重值，并基于所有联动零件标识各自对应的权重值，确定目标联动零件，初始权重值为基于顺序属性值信息和异常频次确定的；
运行数据获取模块203，用于获取与关键零件标识对应的第一运行数据和与目标联动零件标识对应的第二运行数据；
故障信息确定模块204，用于基于第一运行数据和对应的预设故障概率库确定第一故障信息，以及，基于第二运行数据和对应的预设故障概率库确定第二故障信息；
目标故障类型确定模块205，用于基于第一故障信息和第二故障信息预测目标故障类型，并根据目标故障类型确定为关键零件的故障类型。
本申请实施例的一种可能的实现方式，目标联动零件确定模块202在执行基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和联动零件有向图，迭代计算联动零件有向图中所有联动零件标识各自对应的权重值时，具体用于：
基于所有联动零件标识各自对应的初始权重值生成转移矩阵，以及基于联动零件有向图的有向边信息生成邻接矩阵；
利用预设的邻接矩阵算法对转移矩阵和邻接矩阵进行迭代计算，得到所有联动零件各自对应的迭代后的权重值。
本申请实施例的一种可能的实现方式，智能故障识别装置，还包括：
赋值模块，用于：
获取关键零件异常时所有联动零件标识各自对应的异常频次和顺序属性值信息，顺序属性值信息包括：检修顺序属性值和异常时间顺序属性值；
针对每一联动零件标识，基于预设的异常频次和权重值的对应关系和异常频次，确定与异常频次对应的第一权重值；
获取第一权重值与关键零件标识的第一相关系数、检修顺序属性值与关键零件标识的第二相关系数以及异常时间顺序属性值与关键零件标识的第三相关系数；
基于第一权重值、第一相关系数、检修顺序属性值、第二相关系数、异常时间顺序属性值和第三相关系数，得到与联动零件标识对应的综合权重值；
基于所有联动零件标识各自对应的综合权重值，确定联动零件有向图中所有联动零件标识各自对应的初始权重值。
本申请实施例的一种可能的实现方式，智能故障识别装置，还包括：
联动零件有向图构建模块，用于：
获取预设时长内关键零件异常时的多个异常零件标识和各自对应的异常频次；
针对每一异常零件标识，基于异常频次和预设异常频次阈值，构建关键零件标识和各个异常零件标识之间的第一有向边；
获取联动零件标识对应的多个工作属性，联动零件标识为与关键零件标识存在有向边的异常零件标识；
针对相同工作属性的联动零件标识，构建相同工作属性的联动零件标识之间的连接边；
获取设备运行时与工作属性对应的控制指令对应的指令执行顺序信息；
基于指令执行顺序信息和对应的存在连接边的联动零件标识，确定连接边的指向信息，并根据连接边和各自对应的指向信息构建联动零件标识之间的第二有向边；
基于关键零件标识、联动零件标识、第一有向边和第二有向边构建有向图。
本申请实施例的一种可能的实现方式，故障信息确定模块204在执行基于第一运行数据和对应的预设故障概率库确定第一故障信息时，用于：
将第一运行数据输入至预设故障概率库中，得到与关键零件标识对应的多个故障类型和各个故障类型的发生概率；
基于所有故障类型和各自对应的发生概率，按照发生概率降序的顺序进行排序，得到排序后的所有故障类型；
基于发生概率降序的顺序，从排序后的所有故障类型中确定预设数量的第一故障类型和与第一故障类型对应的发生概率；
基于第一故障类型和与第一故障类型对应的发生概率，确定第一故障信息。
本申请实施例的一种可能的实现方式，目标故障类型确定模块205在执行基于第一故障信息和第二故障信息预测目标故障类型时，用于：
对每一故障类型，基于预设的频次和故障类型确定评分的对应关系和每一故障类型的出现频次，确定出现频次对应的故障类型确定评分，每一故障类型的出现频次为基于第一故障信息和第二故障信息得到的；
基于每一故障类型和对应的多个发生概率，确定每一故障类型的发生概率总和；
基于预设的概率和故障类型确定评分的对应关系和发生概率总和，确定发生概率总和对应的故障类型确定评分；
基于所有故障类型和各自对应的评分总和，选取与最高评分总和对应的故障类型，并将与最高评分总和对应的故障类型确定为目标故障类型。
本申请实施例的一种可能的实现方式，智能故障识别装置，还包括：
检修模块，用于：
当检测到故障零件加入待检修队列时，获取与建筑场景对应的人群活动时间信息和预设检修起始时间信息，建筑场景为故障零件所在的建筑场景；
基于预设的故障类型和检修时长的对应关系和目标故障类型，确定与目标故障类型对应的检修时长；
基于检修时长和预设检修起始时间，确定检修时间范围信息；
基于检修时间范围信息和人群活动时间信息，确定检修关键零件对人群活动的影响值；
判断影响值是否大于预设影响值阈值；
若是，则生成预设检修起始时间信息调整信号，调整预设检修起始时间；否则，则生成故障零件检修信号，检修故障零件。
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，上述描述的一种智能故障识别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。
本申请实施例中提供了一种电子设备，如图4所示，图4所示的电子设备包括：处理器301和存储器303。其中，处理器301和存储器303相连，如通过总线302相连。可选地，电子设备还可以包括收发器304。需要说明的是，实际应用中收发器304不限于一个，该电子设备的结构并不构成对本申请实施例的限定。
处理器301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301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302可包括一通路，在上述组件之间传送信息。总线302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302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型的总线。
存储器303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303用于存储执行本申请方案的应用程序代码，并由处理器301来控制执行。处理器301用于执行存储器303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。还可以为服务器等。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。
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。
以上所述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)
1.一种智能故障识别方法，其特征在于，包括：
当检测到关键零件异常时，获取关键零件标识和与所述关键零件标识对应的联动零件有向图；
基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和所述联动零件有向图，迭代计算所述联动零件有向图中所有联动零件标识各自对应的权重值，并基于所述所有联动零件标识各自对应的权重值，确定目标联动零件，所述初始权重值为基于顺序属性值信息和异常频次确定的；
获取与所述关键零件标识对应的第一运行数据和与所述目标联动零件标识对应的第二运行数据；
基于所述第一运行数据和对应的预设故障概率库确定第一故障信息，以及，基于所述第二运行数据和对应的预设故障概率库确定第二故障信息；
基于所述第一故障信息和所述第二故障信息预测目标故障类型，并根据所述目标故障类型确定为所述关键零件的故障类型。
2.根据权利要求1所述的智能故障识别方法，其特征在于，所述基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和所述联动零件有向图，迭代计算所述联动零件有向图中所有联动零件标识各自对应的权重值，包括：
基于所述所有联动零件标识各自对应的初始权重值生成转移矩阵，以及基于所述联动零件有向图的有向边信息生成邻接矩阵；
利用预设的邻接矩阵算法对转移矩阵和邻接矩阵进行迭代计算，得到所有联动零件各自对应的迭代后的权重值。
3.根据权利要求1所述的智能故障识别方法，其特征在于，所述联动零件有向图中所有联动零件标识各自对应的初始权重值的赋值过程，包括：
获取关键零件异常时所述所有联动零件标识各自对应的异常频次和顺序属性值信息，所述顺序属性值信息包括：检修顺序属性值和异常时间顺序属性值；
针对每一联动零件标识，基于预设的异常频次和权重值的对应关系和所述异常频次，确定与所述异常频次对应的第一权重值；
获取所述第一权重值与所述关键零件标识的第一相关系数、所述检修顺序属性值与所述关键零件标识的第二相关系数以及所述异常时间顺序属性值与所述关键零件标识的第三相关系数；
基于所述第一权重值、所述第一相关系数、所述检修顺序属性值、所述第二相关系数、所述异常时间顺序属性值和所述第三相关系数，得到与所述联动零件标识对应的综合权重值；
基于所述所有联动零件标识各自对应的综合权重值，确定所述联动零件有向图中所有联动零件标识各自对应的初始权重值。
4.根据权利要求1所述的智能故障识别方法，其特征在于，所述联动零件有向图的构建过程，包括：
获取预设时长内关键零件异常时的多个异常零件标识和各自对应的异常频次；
针对每一异常零件标识，基于所述异常频次和预设异常频次阈值，构建所述关键零件标识和各个所述异常零件标识之间的第一有向边；
获取所述联动零件标识对应的多个工作属性，所述联动零件标识为与所述关键零件标识存在有向边的异常零件标识；
针对相同工作属性的联动零件标识，构建所述相同工作属性的联动零件标识之间的连接边；
获取设备运行时与所述工作属性对应的控制指令对应的指令执行顺序信息；
基于所述指令执行顺序信息和对应的存在连接边的联动零件标识，确定连接边的指向信息，并根据所述连接边和各自对应的指向信息构建联动零件标识之间的第二有向边；
基于所述关键零件标识、联动零件标识、所述第一有向边和所述第二有向边构建有向图。
5.根据权利要求1所述的智能故障识别方法，其特征在于，所述基于所述第一运行数据和对应的预设故障概率库确定第一故障信息，包括：
将所述第一运行数据输入至所述预设故障概率库中，得到与所述关键零件标识对应的多个故障类型和各个故障类型的发生概率；
基于所有故障类型和各自对应的发生概率，按照发生概率降序的顺序进行排序，得到排序后的所有故障类型；
基于发生概率降序的顺序，从所述排序后的所有故障类型中确定预设数量的第一故障类型和与所述第一故障类型对应的发生概率；
基于所述第一故障类型和与所述第一故障类型对应的发生概率，确定第一故障信息。
6.根据权利要求1所述的智能故障识别方法，其特征在于，所述故障信息包括：故障类型和对应的故障概率；所述第二故障信息包括：预设数量的第二故障类型与所述第二故障类型对应的故障概率，所述第二故障类型为与所述第二运行数据对应的故障类型，
所述基于所述第一故障信息和所述第二故障信息预测目标故障类型，包括：
针对每一故障类型，基于预设的频次和故障类型确定评分的对应关系和每一故障类型的出现频次，确定所述出现频次对应的故障类型确定评分，所述每一故障类型的出现频次为基于所述第一故障信息和所述第二故障信息得到的；
基于所述每一故障类型和对应的多个发生概率，确定所述每一故障类型的发生概率总和；
基于预设的概率和故障类型确定评分的对应关系和所述发生概率总和，确定所述发生概率总和对应的故障类型确定评分；
基于所有故障类型和各自对应的评分总和，选取与最高评分总和对应的故障类型，并将所述与最高评分总和对应的故障类型确定为目标故障类型。
7.根据权利要求1所述的智能故障识别方法，其特征在于，所述根据所述目标故障类型确定为所述关键零件的故障类型之后，还包括：
当检测到故障零件加入待检修队列时，获取与建筑场景对应的人群活动时间信息和预设检修起始时间信息，所述建筑场景为所述故障零件所在的建筑场景；
基于预设的故障类型和检修时长的对应关系和所述目标故障类型，确定与所述目标故障类型对应的检修时长；
基于所述检修时长和所述预设检修起始时间，确定检修时间范围信息；
基于所述检修时间范围信息和所述人群活动时间信息，确定检修所述关键零件对人群活动的影响值；
判断所述影响值是否大于预设影响值阈值；
若是，则生成预设检修起始时间信息调整信号，调整所述预设检修起始时间；否则，则生成故障零件检修信号，检修所述故障零件。
8.一种智能故障识别装置，其特征在于，包括：
获取模块，用于当检测到关键零件异常时，获取关键零件标识和与所述关键零件标识对应的联动零件有向图；
目标联动零件确定模块，用于基于预设的邻接矩阵算法、所有联动零件标识各自对应的初始权重值和所述联动零件有向图，迭代计算所述联动零件有向图中所有联动零件标识各自对应的权重值，并基于所述所有联动零件标识各自对应的权重值，确定目标联动零件，所述初始权重值为基于顺序属性值信息和异常频次确定的；
运行数据获取模块，用于获取与所述关键零件标识对应的第一运行数据和与所述目标联动零件标识对应的第二运行数据；
故障信息确定模块，用于基于所述第一运行数据和对应的预设故障概率库确定第一故障信息，以及，基于所述第二运行数据和对应的预设故障概率库确定第二故障信息；
目标故障类型确定模块，用于基于所述第一故障信息和所述第二故障信息预测目标故障类型，并根据所述目标故障类型确定为所述关键零件的故障类型。
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任一项所述的智能故障识别方法。
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任一项所述的智能故障识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107472.2A CN116842349B (zh) | 2023-08-31 | 2023-08-31 | 一种智能故障识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107472.2A CN116842349B (zh) | 2023-08-31 | 2023-08-31 | 一种智能故障识别方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842349A true CN116842349A (zh) | 2023-10-03 |
| CN116842349B CN116842349B (zh) | 2023-11-21 |
Family
ID=88172808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311107472.2A Active CN116842349B (zh) | 2023-08-31 | 2023-08-31 | 一种智能故障识别方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842349B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421679A (zh) * | 2023-10-08 | 2024-01-19 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
| 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 |
| US20200256910A1 (en) * | 2017-11-03 | 2020-08-13 | 3M Innovative Properties Company | System and method for anomaly detection in an electrical network |
| CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
| CN113935497A (zh) * | 2020-07-14 | 2022-01-14 | 京东方科技集团股份有限公司 | 智能运维故障处理方法、装置、设备及其存储介质 |
| WO2023029654A1 (zh) * | 2021-09-06 | 2023-03-09 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
| CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
| CN116502166A (zh) * | 2023-04-28 | 2023-07-28 | 天宇正清科技有限公司 | 一种基于其他设备数据的预测方法、装置、设备和介质 |
-
2023
- 2023-08-31 CN CN202311107472.2A patent/CN116842349B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106406229A (zh) * | 2016-12-20 | 2017-02-15 | 吉林大学 | 一种数控机床故障诊断方法 |
| US20200256910A1 (en) * | 2017-11-03 | 2020-08-13 | 3M Innovative Properties Company | System and method for anomaly detection in an electrical network |
| 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 |
| CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
| CN113935497A (zh) * | 2020-07-14 | 2022-01-14 | 京东方科技集团股份有限公司 | 智能运维故障处理方法、装置、设备及其存储介质 |
| WO2023029654A1 (zh) * | 2021-09-06 | 2023-03-09 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
| CN115774855A (zh) * | 2021-09-06 | 2023-03-10 | 中兴通讯股份有限公司 | 一种故障根因确定方法、装置、存储介质及电子装置 |
| CN116502166A (zh) * | 2023-04-28 | 2023-07-28 | 天宇正清科技有限公司 | 一种基于其他设备数据的预测方法、装置、设备和介质 |
| CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| DI PENG 等: ""A Multilogic Probabilistic Signed Directed Graph Fault Diagnosis Approach Based on Bayesian Inference"", 《INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH》, vol. 53, no. 23, pages 9792 * |
| 宋其江: ""基于有向图模型的故障诊断方法研究及其在航天中的应用"", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 4 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421679A (zh) * | 2023-10-08 | 2024-01-19 | 宁波创基机械股份有限公司 | 一种注塑机周期管控方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842349B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116842349B (zh) | 一种智能故障识别方法、装置、设备和介质 | |
| CN110489306A (zh) | 一种报警阈值确定方法、装置、计算机设备及存储介质 | |
| CN108573355B (zh) | 模型更新后替换运行的方法、装置、及业务服务器 | |
| CN110727943B (zh) | 一种入侵检测方法及装置 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN116502166B (zh) | 一种对目标设备故障预测的方法、装置、设备和介质 | |
| CN113468157B (zh) | 一种基于能耗分析的相似建筑挑选方法和装置 | |
| CN111209930B (zh) | 一种生成授信策略的方法、装置和电子设备 | |
| US20130275812A1 (en) | Determining root cause | |
| CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
| CN113408070A (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
| CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
| CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 | |
| CN115687034A (zh) | 一种业务系统平面可用性判定方法和装置 | |
| CN110569475A (zh) | 一种网民影响力的评估方法、装置、设备和存储介质 | |
| CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
| US20220058699A1 (en) | Evaluation apparatus, evaluation method, and computer readable storage medium | |
| CN116308303B (zh) | 基于设备数据的检修计划生成方法、装置、设备和介质 | |
| US12001308B2 (en) | Creating method of classification model about hard disk efficiency problem, analysis method of hard disk efficiency problem and classification model creating system about hard disk efficiency problem | |
| CN117112449B (zh) | 数据治理工具的成熟度评估方法、装置、设备及介质 | |
| CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 | |
| CN117956753A (zh) | 数据中心散热方法、装置、设备及介质 | |
| CN112241151A (zh) | 工业运维场景下的数据处理方法、装置、设备及介质 | |
| CN115567406A (zh) | 一种管理网络节点的方法、装置和系统 | |
| CN117224973A (zh) | 互动行为预测方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |