CN117115937B - 设备运行状态监测方法、装置、云端设备及存储介质 - Google Patents
设备运行状态监测方法、装置、云端设备及存储介质 Download PDFInfo
- Publication number
- CN117115937B CN117115937B CN202311364051.8A CN202311364051A CN117115937B CN 117115937 B CN117115937 B CN 117115937B CN 202311364051 A CN202311364051 A CN 202311364051A CN 117115937 B CN117115937 B CN 117115937B
- Authority
- CN
- China
- Prior art keywords
- equipment
- preset
- sample
- abnormal information
- diagnosis result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000003745 diagnosis Methods 0.000 claims abstract description 183
- 230000002159 abnormal effect Effects 0.000 claims abstract description 139
- 238000012423 maintenance Methods 0.000 claims abstract description 50
- 238000004891 communication Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims description 197
- 230000004044 response Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 185
- 230000005856 abnormality Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种设备运行状态监测方法、装置、云端设备及存储介质，涉及设备监测领域，本申请中被监控设备会主动上报异常信息至云端，而云端在接收到异常信息后，可基于该设备的运行参数以及上报异常信息，通过预设诊断模型得到该设备可能出现的问题，即诊断结果，再将诊断结果输出至系相关运维人员的通信设备，使得运维人员可以第一时间知晓被监控设备的可能出现问题，主动联系异常设备的用户，提高维护效率。同时，诊断结果也可以作为运维人员进行设备维护的依据，从而进一步提高运维效率。
Description
技术领域
本申请涉及设备监测技术领域，尤其涉及一种设备运行状态监测方法、装置、云端设备及存储介质。
背景技术
目前，在医美医疗行业中，医美医疗器械售出后，通常是被医生所使用，不过需要考虑的是，医生虽然可以使用器械，但不具有器械维护和排障的能力。所以一旦遇到器械出现问题时，则可能无法快速解决问题，需要得到专业人员的帮助，在此过程中，医生通常会主动联系设备供应商以获取帮助，再由专业人员经由询问或现场排查以发现问题并处理问题，而这种维护方式下，就很容易造成器械问题维护不及时，维护效率低的问题。
发明内容
本申请的主要目的在于提供一种设备运行状态监测方法、装置、云端设备及存储介质，旨在解决传统设备维护方式维护效率低的技术问题。
为实现上述目的，本申请提供一种设备运行状态监测方法，应用于云端，所述云端与各被监控设备通信连接，所述设备运行状态监测方法包括以下步骤：
对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取被监控设备的运行参数；
基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；
输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备。
可选地，所述异常信息包括第一异常信息和第二异常信息，所述第一异常信息由所述被监控设备的自检组件自检生成，所述第二异常信息由所述被监控设备响应于用户的第一预设操作生成，所述基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果的步骤包括：
从所述运行参数中提取运行特征；
若所述异常信息至少包括所述第一异常信息，则将所述第一异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
若所述异常信息仅包括所述第二异常信息，则将所述第二异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果。
可选地，所述云端上存储有训练样本集，所述训练样本集用于所述预设诊断模型的训练，所述设备运行状态监测方法还包括：
对于所述训练样本集中的任意一个训练样本，将所述训练样本输入至所述预设诊断模型得到样本诊断结果；
基于所述样本诊断结果和所述训练样本的样本标签之间的差异对所述预设诊断模型的模型参数进行调整，以对所述预设诊断模型进行训练。
可选地，所述诊断结果包括故障类型和用户自助排除故障方案，所述输出设备还包括所述被监控设备，在所述输出所述诊断结果的步骤之后，所述方法包括：
若接收到所述被监控设备发送的正常信息后，则基于所述诊断结果中的故障类型和用户自助排除故障方案，以及得到所述诊断结果的异常信息和运行参数生成新的训练样本，其中，所述正常信息为所述被监控设备响应于用户的第二预设操作生成；
将所述新的训练样本加入到所述训练样本集中，其中，所述新的训练样本的样本标签为所述故障类型和用户自助排除故障方案，所述新的训练样本的样本特征为得到所述诊断结果的异常信息和运行参数。
可选地，在所述输出所述诊断结果的步骤之后，所述方法包括：
记录所述被监控设备的故障排除情况、所述诊断结果以及得到所述诊断结果所使用的异常信息和状态参数作为设备异常事件；
将所述设备异常事件存储到数据库，其中，所述数据库中的内容用于异常事件统计并生成可视化图表输出。
可选地，所述训练样本集中的训练样本包括样本特征和样本标签，所述方法还包括：
在基于所述训练样本集对所述预设诊断模型进行训练之前，基于预设聚类算法对所述训练样本集中的各训练样本进行聚类得到样本聚类结果，其中，进行聚类的依据为每个训练样本的样本特征；
对所述样本聚类结果中的任意一个样本聚类族群，统计所述样本聚类族群中各训练样本的样本标签得到所述样本聚类族群的样本标签分布信息；
若所述分布信息中存在有多种样本标签，则将所述分布信息中各样本标签中数量相对较少的样本标签对应的训练样本作为待复核训练样本；
输出所述待复核训练样本以及所述数据库中与所述待复核训练样本映射的设备异常事件，其中，各待复核训练样本人工复核完成后，执行基于所述训练样本集对所述预设诊断模型进行训练的步骤。
可选地，所述被监控设备为医疗设备，所述医疗设备用于输出超声波，所述运行参数至少包括超声波的声强和所述医疗设备的功率消耗，所述运行特征至少包括第一运行特征和第二运行特征，所述从所述运行参数中提取运行特征的步骤包括：
基于所述声强和所述功率消耗之间的比例关系确定所述第一运行特征，其中，在所述被监控设备正常情况下，所述比例关系处于恒定比例范围内；
基于所述声强与预设额定声强之间的差异关系确定所述第二运行特征，其中，预设额定声强对应额定声强范围，在所述被监控设备正常情况下，所述声强处于所述额定声强范围内。
此外，为实现上述目的，本申请还提供一种设备运行状态监测装置，应用于云端，所述云端与各被监控设备通信连接，所述设备运行状态监测装置包括：
获取模块，用于对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取所述被监控设备的运行参数；
诊断模块，用于基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；
输出模块，用于输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备。
此外，为实现上述目的，本申请还提供一种云端设备，所述云端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的设备运行状态监测程序，所述设备运行状态监测程序被所述处理器执行时实现上述的设备运行状态监测方法的步骤。
此外，为实现上述目的，本申请还提供一种存储介质，所述存储介质为计算机可读存储介质，所述可储介质上存储有设备运行状态监测程序，所述设备运行状态监测程序被处理器执行时实现如上述的设备运行状态监测方法的步骤。
本申请实施例提出的一种设备运行状态监测方法、装置、云端设备及存储介质。在申请本实施例中，上述设备运行状态监测应用于云端，云端与各被监控设备通信连接，对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取被监控设备的运行参数；基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备；其中，所述异常信息包括第一异常信息和第二异常信息，所述第一异常信息由所述被监控设备的自检组件自检生成，所述第二异常信息由所述被监控设备响应于用户的第一预设操作生成，所述基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果的步骤包括：从所述运行参数中提取运行特征；若所述异常信息至少包括所述第一异常信息，则将所述第一异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；若所述异常信息仅包括所述第二异常信息，则将所述第二异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果。也即在本申请中用户所使用的设备会主动上报异常信息，而云端在接收到异常信息后，可基于该设备的运行参数以及上报异常信息，通过预设诊断模型得到该设备可能出现的问题即诊断结果，再将诊断结果输出至系相关运维人员的通信设备，使得运维人员可以第一时间知晓被监控设备的可能出现问题，主动联系异常设备的用户，提高维护效率，且诊断结果也可以作为运维人员进行设备维护的依据，从而进一步提高运维效率。同时，在进行诊断时，相比传统设备诊断方案中使用设备本身的运行参数进行诊断，本申请还将设备异常信息的来源，即第一异常信息和第二异常信息，作为故障诊断的依据之一，以提高诊断结果的准确性。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的云端设备结构示意图；
图2为本申请设备运行状态监测方法的第一实施例的流程示意图；
图3为本申请设备运行状态监测方法中云端与被监控设备交互的框架示意图；
图4为本申请设备运行状态监测方法中第二实施例的流程示意图；
图5为本申请设备运行状态监测方法中第三实施例的流程示意图；
图6为本申请设备运行状态监测方法中设备运行状态监测装置的示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，图1是本申请实施例方案涉及的硬件运行环境的云端设备结构示意图。
本申请实施例的云端设备可以是云端服务器，也可以是智能手机、PC、平板电脑、便携计算机等电子终端设备。
如图1所示，该云端设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，云端设备还可以包括摄像头、RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。本领域技术人员可以理解，图1中示出的云端设备结构并不构成对云端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本领域技术人员可以理解，图1中示出的云端设备结构并不构成对云端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及设备运行状态监测程序。
在图1所示的云端设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端（用户端），与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的设备运行状态监测程序，并执行以下操作：
对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取被监控设备的运行参数；
基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；
输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的设备运行状态监测程序，还执行以下操作：
所述异常信息包括第一异常信息和第二异常信息，所述第一异常信息由所述被监控设备的自检组件自检生成，所述第二异常信息由所述被监控设备响应于用户的第一预设操作生成，所述基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果的步骤包括：
从所述运行参数中提取运行特征；
若所述异常信息至少包括所述第一异常信息，则将所述第一异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
若所述异常信息仅包括所述第二异常信息，则将所述第二异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的设备运行状态监测程序，还执行以下操作：
所述云端上存储有训练样本集，所述训练样本集用于所述预设诊断模型的训练，所述设备运行状态监测方法还包括：
对于所述训练样本集中的任意一个训练样本，将所述训练样本输入至所述预设诊断模型得到样本诊断结果；
基于所述样本诊断结果和所述训练样本的样本标签之间的差异对所述预设诊断模型的模型参数进行调整，以对所述预设诊断模型进行训练。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的设备运行状态监测程序，还执行以下操作：
所述诊断结果包括故障类型和用户自助排除故障方案，所述输出设备还包括所述被监控设备，在所述输出所述诊断结果的步骤之后，所述方法包括：
若接收到所述被监控设备发送的正常信息后，则基于所述诊断结果中的故障类型和用户自助排除故障方案，以及得到所述诊断结果的异常信息和运行参数生成新的训练样本，其中，所述正常信息为所述被监控设备响应于用户的第二预设操作生成；
将所述新的训练样本加入到所述训练样本集中，其中，所述新的训练样本的样本标签为所述故障类型和用户自助排除故障方案，所述新的训练样本的样本特征为得到所述诊断结果的异常信息和运行参数。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的设备运行状态监测程序，还执行以下操作：
在所述输出所述诊断结果的步骤之后，所述方法包括：
记录所述被监控设备的故障排除情况、所述诊断结果以及得到所述诊断结果所使用的异常信息和状态参数作为设备异常事件；
将所述设备异常事件存储到数据库，其中，所述数据库中的内容用于异常事件统计并生成可视化图表输出。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的设备运行状态监测程序，还执行以下操作：
所述训练样本集中的训练样本包括样本特征和样本标签，所述方法还包括：
在基于所述训练样本集对所述预设诊断模型进行训练之前，基于预设聚类算法对所述训练样本集中的各训练样本进行聚类得到样本聚类结果，其中，进行聚类的依据为每个训练样本的样本特征；
对所述样本聚类结果中的任意一个样本聚类族群，统计所述样本聚类族群中各训练样本的样本标签得到所述样本聚类族群的样本标签分布信息；
若所述分布信息中存在有多种样本标签，则将所述分布信息中各样本标签中数量相对较少的样本标签对应的训练样本作为待复核训练样本；
输出所述待复核训练样本以及所述数据库中与所述待复核训练样本映射的设备异常事件，其中，各待复核训练样本人工复核完成后，执行基于所述训练样本集对所述预设诊断模型进行训练的步骤。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的设备运行状态监测程序，还执行以下操作：
所述被监控设备为医疗设备，所述医疗设备用于输出超声波，所述运行参数至少包括超声波的声强和所述医疗设备的功率消耗，所述运行特征至少包括第一运行特征和第二运行特征，所述从所述运行参数中提取运行特征的步骤包括：
基于所述声强和所述功率消耗之间的比例关系确定所述第一运行特征，其中，在所述被监控设备正常情况下，所述比例关系处于恒定比例范围内；
基于所述声强与预设额定声强之间的差异关系确定所述第二运行特征，其中，预设额定声强对应额定声强范围，在所述被监控设备正常情况下，所述声强处于所述额定声强范围内。
参照图2，本申请设备运行状态监测方法的第一实施例，应用于云端，所述云端与各被监控设备通信连接，所述设备运行状态监测方法包括：
步骤S10，对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取被监控设备的运行参数；
需要说明的是，在本实施例中，上述设备运行状态监测方法主要应用于云端，即云端的服务器。云端的服务器将与各个被监控设备通信连接，进行数据的交互。例如，参照图3为本申请云端与被监控设备交互的框架示意图，如图所示，包括一个云端以及被监控设备1至被监控设备N，云端通过通信组件与各被监控设备完成通信。云端包括数据库、可视化单元、通信组件以及诊断组件。任意一个被监控设备包括功能组件、通信组件以及自检组件。此外，云端还可以与ERP系统（Enterprise Resource Planning，企业资源计划系统）、CRM系统（Customer Relationship Management，客户关系管理系统）连接，获取设备、耗材及购买机构等基础信息。需要说明的是，图3所示的云端和被监控设备中的各组件并不对云端和被监控设备造成限制。在实际应用中云端和被监控设备也可包括更多的组件。在本实施例中，被监控设备可以的医疗或医美等设备，例如超声炮。
示例性的，对于任意一个被监控设备，其可通过自检的方式产生异常信息，或基于用户操作触发产生异常信息，被监控设备产生异常信息后，将异常信息发送给云端。云端在接收到异常信息后，再获取该被监控设备的运行参数。可以理解的是，对于运行参数的获取过程，可以是被监控设备在产生异常信息后主动向云端发送，从而使得云端可获取到被监控设备的运行参数，也可以是，云端接收到异常信息后基于异常信息的种类向被监控设备发送运行参数的获取需求，被监控设备再基于运行参数的获取需求向云端发送运行参数。其中，获取的运行参数可根据异常信息的生成时刻确定，例如、获取异常信息的生成时刻前预设时长内的运行参数、获取异常信息的生成时刻后预设时长内的运行参数或者获取异常信息的生成时刻前后预设时长内的运行参数。
步骤S20，基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；
可以理解的是，异常信息可基于被监控设备自检生成，或基于用户的第一预设操作触发生成。关于被监控设备自检生成的场景，需要说明的是，一方面自检功能并非是被监控设备的主要功能，另一方面，被监控设备自身硬件性能的限制，被监控设备自检部件的自检功能较为简单，故通常只能进行一些常规的逻辑判断。而对于基于用户的第一预设操作触发生成的情况，第一预设操作通常是指用户选择异常上报选项或点击异常按钮的操作。例如，用户在使用过程中主观感觉设备存在有问题即可进行上述第一预设操作。故上述异常信息通常不是精准的故障判断结果。故在本实施例中，由运行在云端的预设诊断模型承担更为精确的障诊断工作。例如，可将异常信息和运行参数作为特征输入到预设诊断模型中得到被监控设备的诊断结果。其中，预设故障诊断模型可以是，常规的分类模型，例如，决策树、随机森林等，也可以是神经网络等黑盒分类模型。预设诊断模型预先经过训练，从而使其具备有诊断设备故障的能力。
在一可行的实施方式中，所述异常信息包括第一异常信息和第二异常信息，所述第一异常信息由所述被监控设备的自检组件自检生成，所述第二异常信息由所述被监控设备响应于用户的第一预设操作生成，所述基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果的步骤包括：
步骤S210，从所述运行参数中提取运行特征；
步骤S220，若所述异常信息至少包括所述第一异常信息，则将所述第一异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
步骤S230，若所述异常信息仅包括所述第二异常信息，则将所述第二异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果。
需要说明的是，异常信息包括第一异常信息和第二异常信息。可以理解的是，在本实施例中存在有两种方式可触发生成异常信息。相应的，由被监控设备自检组件自检生成的异常信息即为第一异常信息，而由被监控设备响应于用户的第一预设操作生成的异常信息即为第二异常信息，故异常信息中存在有包括第一异常信息和第二异常信息的可能性。可以理解的是，第二异常信息仅表征该被监控设备存在有故障，而第一异常信息由自检组件进行简单的自检逻辑判断生成，例如，被监控设备为超声炮，超声炮由主机和耗材构成，耗材为治疗头，在使用过程中主机会连接一个治疗头，可识别到治疗头的连接，但无法识别该治疗头的SN码（Serial Number，产品序列号），且网络通信正常问题。此时，主机自检发现故障，基于上述情况生成对应的故障码，并将故障码作为第一异常信息发送至云端，云端可通过储存在数据库中故障码映射表确定该故障码具体的故障类型等。显然，第一异常信息中包含的信息量要大于第二异常信息。
示例性的，云端在基于异常信息和运行参数进行故障诊断时，可从运行参数中提取运行特征，该过程主要为对运行参数的初步处理。当然也可直接将运行参数作为运行特征。对于异常信息，可能存在有多种情况，例如，异常信息中仅包括第一异常信息、异常信息中仅包括第二异常信息或者异常信息中包括第一异常信息和第二异常信息。其中异常信息中仅包括第一异常信息和或者异常信息中包括第一异常信息和第二异常信息，相当于上述异常信息至少包括所述第一异常信息的情况，相应的，将第一异常信息（如故障码）以及所述运行特征输入到该预设诊断模型得到诊断结果。若是异常信息仅包括所述第二异常信息，则将第二异常信息以及所述运行特征输入到该预设诊断模型得到诊断结果。
在一可行的实施方式中，所述被监控设备为医疗设备，所述医疗设备用于输出超声波，所述运行参数至少包括超声波的声强和所述医疗设备的功率消耗，所述运行特征至少包括第一运行特征和第二运行特征，所述从所述运行参数中提取运行特征的步骤包括：
步骤S211，基于所述声强和所述功率消耗之间的比例关系确定所述第一运行特征，其中，在所述被监控设备正常情况下，所述比例关系处于恒定比例范围内；
步骤S212，基于所述声强与预设额定声强之间的差异关系确定所述第二运行特征，其中，预设额定声强对应额定声强范围，在所述被监控设备正常情况下，所述声强处于所述额定声强范围内。
示例性的，在本实施例中，被监控设备为医疗设备，如超声炮，超声炮可用于输出超声波。运行参数中至少包括超声波的声强以及医疗设备的功率消耗。而运行特征也至少包括第一运行特征和第二运行特征。将声强与功率消耗之间的比例关系作为第一运行特征，正常情况下，声强与功率消耗之间的比例关系应当是恒定的。将声强与预设额定声强之间的差异关系作为第二运行特征，通常预设额定声强为一个预设声强范围，医疗设备实际输出的声强应当处于该预设声强范围内。故上述差异关系即可以是医疗设备实际输出的声强超出预设声强范围的数值。
可以理解的是，上述第一运行特征和第二运行特征可表征医疗设备出现故障。且不同的第一运行特征和第二运行特征可体现出不同的故障。例如，上述基于上述例子，被监控设备为超声炮，超声炮由主机和治疗头组成，其中，治疗头为耗材，当治疗头的消耗次数达到额定次数或者超过额定次数，可通过第一运行特征和第二运行特征体现出来，如声强远小于功率消耗等。
步骤S30，输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备。
示例性的，云端通过预设诊断模型得到诊断结果后，将输出该诊断结果，其中，该诊断结果通常会包括该被监控设备的设备标识以及该本诊断设备的故障类型或问题类型。且该诊断结果的输出设备至少包括被监控设备对应运维人员所关联的通信设备，例如，通信设备可以是运维人员所使用的手机，也即云端可根据被监控设备的设备标识确定对应运维人员，再将该诊断结果发送至该运维人员的手机。从而可使得运维人员可第一时间知晓被监控设备的可能出现问题，同时输出的诊断结果也可以作为运维人员的进行维护的依据，从而提高运维效率。
在本实施例中，上述设备运行状态监测应用于云端，云端与各被监控设备通信连接，对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取被监控设备的运行参数；基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备。也即在本申请中用户所使用的设备会主动上报异常信息，而云端在接收到异常信息后，可基于该设备的运行参数以及上报异常信息，通过预设诊断模型得到该设备可能出现的问题即诊断结果，再将诊断结果输出至系相关运维人员的通信设备，使得运维人员可以第一时间知晓被监控设备的可能出现问题，主动联系异常设备的用户，提高维护效率。同时，诊断结果也可以作为运维人员进行设备维护的依据，从而进一步提高运维效率。
参照图4，为基于本申请第一实施例提出的本申请的第二实施例，在本实施例中，与上述实施例相同或者相似的部分，可参照上述内容，此处将不再赘述。所述云端上存储有训练样本集，所述训练样本集用于所述预设诊断模型的训练，所述设备运行状态监测方法还包括：
步骤S100，对于所述训练样本集中的任意一个训练样本，将所述训练样本输入至所述预设诊断模型得到样本诊断结果；
步骤S200，基于所述样本诊断结果和所述训练样本的样本标签之间的差异对所述预设诊断模型的模型参数进行调整，以对所述预设诊断模型进行训练。
需要说明的是，在本实施例中，还将通过训练样本集对预设诊断模型进行训练，从而使得预设诊断模型具备诊断能力。训练样本通常是由样本特征和样本标签组成。其中，样本特征包括异常信息、第一运行特征以及第二运行特征，而样本标签可以是设备故障以及对应的故障排除方法，例如耗材需要更换，对应的，故障排除方法可以是更换耗材的操作步骤，此外，设备故障还可以是，固件损坏、耗材无法识别等，当然样本标签除了是设备故障外还可以是的操作不当等人为因素。具体的，标签类型可由技术人员根据实际情况设置即可，此处不在赘述。
示例性的，对于训练样本集中任意一个训练样本，将该训练样本（样本特征）输入到该预设诊断模型（为神经网络模型）中得到样本诊断结果。此时得到的样本诊断结果可能是正确的，也可能不是正确的。将样本诊断结果和该训练样本的样本标签进行比对，得到样本诊断结果和样本标签之间的差异，基于该差异对预设诊断模型的参数进行调整，例如，梯度下降法。反向传播更新模型参数等，从而对预设诊断模型进行训练，可使用训练样本集中的每个训练样本进行训练，也可以在预设诊断模型达到预期的模型性能后结束训练。具体的，模型训练过程可参照现有训练方案，此处，不在赘述。
在一可行的实施方式中，所述诊断结果包括故障类型和用户自助排除故障方案，所述输出设备还包括所述被监控设备，在所述输出所述诊断结果的步骤之后，所述方法包括：
步骤S40，若接收到所述被监控设备发送的正常信息后，则基于所述诊断结果中的故障类型和用户自助排除故障方案，以及得到所述诊断结果的异常信息和运行参数生成新的训练样本，其中，所述正常信息为所述被监控设备响应于用户的第二预设操作生成；
步骤S50，将所述新的训练样本加入到所述训练样本集中，其中，所述新的训练样本的样本标签为所述故障类型和用户自助排除故障方案，所述新的训练样本的样本特征为得到所述诊断结果的异常信息和运行参数。
示例性的，诊断结果包括故障类型和用户自助排除故障方案。需要说明的是，对于部分简单的故障，也可由用户自行排除故障，例如，耗材寿命达到，需要更换耗材。故诊断结果的输出设备还包括有被监控设备，也即通过被监控设备显示故障类型和用户自助排除故障方案，用户可根据用户自助排除故障方案自助排除故障，从而提高设备维护效率。同时，用户按照该自助排除故障方案进行完对应的步骤后，若该被监控设备恢复正常，则用户可在该被监控设备上选择设备正常的选项（即第二预设操作），从而触发被监控设备向云端发送设备正常信息。可以理解的，云端接收到设备正常信息后，表征此时的诊断结果是正确的，为强化模型的正确的诊断结果。将基于诊断结果中的故障类型和用户自助排除故障方案，以及得到所述诊断结果的异常信息和运行参数生成新的训练样本。也即将诊断结果中的故障类型和用户自助排除故障方案作为样本标签，将得到诊断结果的异常信息和运行参数作为样本特征，从而得到新的训练样本。新的训练样本将被加入到样本训练集中，用于模型训练。
在一可行的实施方式中，所述训练样本集中的训练样本包括样本特征和样本标签，所述方法还包括：
步骤S01，在基于所述训练样本集对所述预设诊断模型进行训练之前，基于预设聚类算法对所述训练样本集中的各训练样本进行聚类得到样本聚类结果，其中，进行聚类的依据为每个训练样本的样本特征；
步骤S02，对所述样本聚类结果中的任意一个样本聚类族群，统计所述样本聚类族群中各训练样本的样本标签得到所述样本聚类族群的样本标签分布信息；
步骤S03，若所述分布信息中存在有多种样本标签，则将所述分布信息中各样本标签中数量相对较少的样本标签对应的训练样本作为待复核训练样本；
步骤S04，输出所述待复核训练样本以及所述数据库中与所述待复核训练样本映射的设备异常事件，其中，各待复核训练样本人工复核完成后，执行基于所述训练样本集对所述预设诊断模型进行训练的步骤。
需要说明的是，在本实施例中，将不断更新训练样本集中的训练样本，例如，在接收到正常信号后，会自身生成新的训练样本。此外，训练样本还可以由运维人员在每次运维结束后人工标注生成，例如，云端接收到异常信息后，会基于异常信息以及运行参数得到诊断结果，此时，云端也会记录下异常信息以及运维参数。在维护过程中，运维人员可将诊断结果作为参考依据。若诊断结果与实际情况不符，运维也可基于自身的主观判断给出人工这诊断结论，而人工诊断结论则可以作为，当前记录下的异常信息以及运维参数的标签，从而得到新的训练样本，故训练样本也可以由人工来生成。可以理解的是，不管是云端自动生成的训练样本还是人工标注得到训练样本均有出错的可能性。故基于训练样本集进行训练之前，可对训练样本的准确性进行复核。可以理解的是，虽然训练样本存在有出错的可能性，但是大多数样本的标注应当是正确的。故本实施例通过样本聚类的方式对一些可疑的训练样本进行筛选，便于人工对可疑样本进行复核。
示例性的，在基于训练样本集对预设诊断模型进行训练之前，通过预设聚类算法对训练样本集中的各训练样本进行聚类，例如，k均值聚类算法。且进行聚类时是基于训练样本的样本特征进行的聚类，相应的，在进行聚类执之前需对训练样本的样本特征向量化，从而便于聚类。目前，K均值聚类算法已经较为成熟，故具体的聚类过程此处不再赘述。聚类结果中会存在有多个聚类族群，其中，每个族群通常是由相似的训练样本组成，故理想情况下每个族群中训练样本的标签应当是相同的。对于聚类结果中的任意一个族群，统计该族群中各训练样本标签的分布信息，例如，分布信息可以是该族群中存在的标签的种类，以及每种标签的样本数量。可以理解的是，若该族群中各训练样本的标签不统一，则表示该训练样本中部分样本存在有人工复核的必要性。故在分布新信息中存在有多种样本标签的情况下，考虑到样本生成时，大多数的样本应当是正确的，故将分布信息中各样本标签中数量相对较少的样本标签对应的训练样本作为待复核训练样本，例如，将数量最少的样本标签对应的训练样本作为待复核训练样本。在将待复核训练样本和数据库中与该待复核训练样本关联的设备异常事件，以便于基于异常事件对该待复核训练样本进行人工复核，在人工复核完成后（如人工复核该待复核训练样本准确，或者人工复核该待复核训练样本不准确，可人工将该待复核训练样本更正或从训练样本集中删除），再执行基于所述训练样本集对所述预设诊断模型进行训练的步骤。
可以理解的是，在本实施例中，对预设诊断模型进行训练之前，将对训练样本集中的训练样本进行聚类筛序，聚类筛选得到结果可通过人工复核的方式确定训练样本的准确性，从而保证样本的质量，保证预设诊断模型诊断结果的准确性。
参照图5，基于本申请的第一实施例、第二实施例提出本申请的第三实施例，在本实施例中，与上述实施例相同或者相似的部分，可参照上述内容，此处将不再赘述。在所述输出所述诊断结果的步骤之后，所述方法包括：
步骤S101，记录所述被监控设备的故障排除情况、所述诊断结果以及得到所述诊断结果所使用的异常信息和状态参数作为设备异常事件；
步骤S102，将所述设备异常事件存储到数据库，其中，所述数据库中的内容用于异常事件统计并生成可视化图表输出。
示例性的，在输出诊断结果的步骤之后，可将该被监控设备的故障排除情况（如故障排除结果以及故障排除方式等）、诊断结果以及得到诊断结果所使用的异常信息和状态参数，从而生成设备异常事件。设备异常事件将加入到数据库中，数据库中存储内容，也即各设备异常事件，可用于异常事件统计，例如，统计问题类型、软件版本、发生频次以及持续时间等，并通过可视化图表工具生成可视化图表输出，从而便于运维人员进行分析。此外，还需要说明的是，数据库中的设备异常事件也可用于生成训练样本，以及对训练样本的复核等。
请参阅图6，此外，本申请实施例还提供一种设备运行状态监测装置100，应用于云端，所述云端与各被监控设备通信连接，所述设备运行状态监测装置100包括：
获取模块10，用于对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取所述被监控设备的运行参数；
诊断模块20，用于基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；
输出模块30，用于输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备。
可选地，所述异常信息包括第一异常信息和第二异常信息，所述第一异常信息由所述被监控设备的自检组件自检生成，所述第二异常信息由所述被监控设备响应于用户的第一预设操作生成，所述诊断模块20还用于：
从所述运行参数中提取运行特征；
若所述异常信息至少包括所述第一异常信息，则将所述第一异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
若所述异常信息仅包括所述第二异常信息，则将所述第二异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果。
可选地，所述云端上存储有训练样本集，所述训练样本集用于所述预设诊断模型的训练，所述设备运行状态监测装置100还包括训练模块40，所述训练模块40用于：
对于所述训练样本集中的任意一个训练样本，将所述训练样本输入至所述预设诊断模型得到样本诊断结果；
基于所述样本诊断结果和所述训练样本的样本标签之间的差异对所述预设诊断模型的模型参数进行调整，以对所述预设诊断模型进行训练。
可选地，所述设备运行状态监测装置100还包括生成模块50，所述生成模块50用于：
若接收到所述被监控设备发送的正常信息后，则基于所述诊断结果中的故障类型和用户自助排除故障方案，以及得到所述诊断结果的异常信息和运行参数生成新的训练样本，其中，所述正常信息为所述被监控设备响应于用户的第二预设操作生成；
将所述新的训练样本加入到所述训练样本集中，其中，所述新的训练样本的样本标签为所述故障类型和用户自助排除故障方案，所述新的训练样本的样本特征为得到所述诊断结果的异常信息和运行参数。
可选地，所述设备运行状态监测装置100还包括存储模块60，所述存储模块60用于：
记录所述被监控设备的故障排除情况、所述诊断结果以及得到所述诊断结果所使用的异常信息和状态参数作为设备异常事件；
将所述设备异常事件存储到数据库，其中，所述数据库中的内容用于异常事件统计并生成可视化图表输出。
可选地，所述训练样本集中的训练样本包括样本特征和样本标签，所述设备运行状态监测装置100还包括聚类模块70，所述聚类模块70用于：
在基于所述训练样本集对所述预设诊断模型进行训练之前，基于预设聚类算法对所述训练样本集中的各训练样本进行聚类得到样本聚类结果，其中，进行聚类的依据为每个训练样本的样本特征；
对所述样本聚类结果中的任意一个样本聚类族群，统计所述样本聚类族群中各训练样本的样本标签得到所述样本聚类族群的样本标签分布信息；
若所述分布信息中存在有多种样本标签，则将所述分布信息中各样本标签中数量相对较少的样本标签对应的训练样本作为待复核训练样本；
输出所述待复核训练样本以及所述数据库中与所述待复核训练样本映射的设备异常事件，其中，各待复核训练样本人工复核完成后，执行基于所述训练样本集对所述预设诊断模型进行训练的步骤。
可选地，所述被监控设备为医疗设备，所述医疗设备用于输出超声波，所述运行参数至少包括超声波的声强和所述医疗设备的功率消耗，所述运行特征至少包括第一运行特征和第二运行特征，所述诊断模块20还用于：
基于所述声强和所述功率消耗之间的比例关系确定所述第一运行特征，其中，在所述被监控设备正常情况下，所述比例关系处于恒定比例范围内；
基于所述声强与预设额定声强之间的差异关系确定所述第二运行特征，其中，预设额定声强对应额定声强范围，在所述被监控设备正常情况下，所述声强处于所述额定声强范围内。
本申请提供的设备运行状态监测装置，采用上述实施例中的设备运行状态监测方法，旨在解决传统设备维护方式维护效率低的技术问题。与现有技术相比，本申请实施例提供的设备运行状态监测装置的有益效果与上述实施例提供的设备运行状态监测方法的有益效果相同，且该设备运行状态监测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
此外，为实现上述目的，本申请还提供一种云端设备，所述云端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的设备运行状态监测程序，所述设备运行状态监测程序被所述处理器执行时实现如上述的设备运行状态监测方法的步骤。
本申请云端设备的具体实施方式与上述设备运行状态监测方法各实施例基本相同，在此不再赘述。
此外，为实现上述目的，本申请还提供一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有设备运行状态监测程序，所述设备运行状态监测程序被处理器执行时实现如上述的设备运行状态监测方法的步骤。
本申请存储介质具体实施方式与上述设备运行状态监测方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种设备运行状态监测方法，其特征在于，应用于云端，所述云端与各被监控设备通信连接，所述设备运行状态监测方法包括以下步骤：
对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取被监控设备的运行参数；
基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；
输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备；
其中，所述异常信息包括第一异常信息和第二异常信息，所述第一异常信息由所述被监控设备的自检组件自检生成，所述第二异常信息由所述被监控设备响应于用户的第一预设操作生成，所述基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果的步骤包括：
从所述运行参数中提取运行特征；
若所述异常信息至少包括所述第一异常信息，则将所述第一异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
若所述异常信息仅包括所述第二异常信息，则将所述第二异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
其中，所述被监控设备为医疗设备，所述医疗设备用于输出超声波，所述运行参数至少包括超声波的声强和所述医疗设备的功率消耗，所述运行特征至少包括第一运行特征和第二运行特征，所述从所述运行参数中提取运行特征的步骤包括：
基于所述声强和所述功率消耗之间的比例关系确定所述第一运行特征，其中，在所述被监控设备正常情况下，所述比例关系处于恒定比例范围内；
基于所述声强与预设额定声强之间的差异关系确定所述第二运行特征，其中，预设额定声强对应额定声强范围，在所述被监控设备正常情况下，所述声强处于所述额定声强范围内。
2.如权利要求1所述的设备运行状态监测方法，其特征在于，所述云端上存储有训练样本集，所述训练样本集用于所述预设诊断模型的训练，所述设备运行状态监测方法还包括：
对于所述训练样本集中的任意一个训练样本，将所述训练样本输入至所述预设诊断模型得到样本诊断结果；
基于所述样本诊断结果和所述训练样本的样本标签之间的差异对所述预设诊断模型的模型参数进行调整，以对所述预设诊断模型进行训练。
3.如权利要求2所述的设备运行状态监测方法，其特征在于，所述诊断结果包括故障类型和用户自助排除故障方案，所述输出设备还包括所述被监控设备，在所述输出所述诊断结果的步骤之后，所述方法包括：
若接收到所述被监控设备发送的正常信息后，则基于所述诊断结果中的故障类型和用户自助排除故障方案，以及得到所述诊断结果的异常信息和运行参数生成新的训练样本，其中，所述正常信息为所述被监控设备响应于用户的第二预设操作生成；
将所述新的训练样本加入到所述训练样本集中，其中，所述新的训练样本的样本标签为所述故障类型和用户自助排除故障方案，所述新的训练样本的样本特征为得到所述诊断结果的异常信息和运行参数。
4.如权利要求3所述的设备运行状态监测方法，其特征在于，在所述输出所述诊断结果的步骤之后，所述方法包括：
记录所述被监控设备的故障排除情况、所述诊断结果以及得到所述诊断结果所使用的异常信息和状态参数作为设备异常事件；
将所述设备异常事件存储到数据库，其中，所述数据库中的内容用于异常事件统计并生成可视化图表输出。
5.如权利要求4所述的设备运行状态监测方法，其特征在于，所述训练样本集中的训练样本包括样本特征和样本标签，所述方法还包括：
在基于所述训练样本集对所述预设诊断模型进行训练之前，基于预设聚类算法对所述训练样本集中的各训练样本进行聚类得到样本聚类结果，其中，进行聚类的依据为每个训练样本的样本特征；
对所述样本聚类结果中的任意一个样本聚类族群，统计所述样本聚类族群中各训练样本的样本标签得到所述样本聚类族群的样本标签分布信息；
若所述分布信息中存在有多种样本标签，则将所述分布信息中各样本标签中数量相对较少的样本标签对应的训练样本作为待复核训练样本；
输出所述待复核训练样本以及所述数据库中与所述待复核训练样本映射的设备异常事件，其中，各待复核训练样本人工复核完成后，执行基于所述训练样本集对所述预设诊断模型进行训练的步骤。
6.一种设备运行状态监测装置，其特征在于，应用于云端，所述云端与各被监控设备通信连接，所述设备运行状态监测装置包括：
获取模块，用于对于任意一台被监控设备，在接收到所述被监控设备发送的异常信息后，获取所述被监控设备的运行参数；
诊断模块，用于基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果；
输出模块，用于输出所述诊断结果，其中，所述诊断结果的输出设备至少包括所述被监控设备对应运维人员所关联的通信设备；
其中，所述异常信息包括第一异常信息和第二异常信息，所述第一异常信息由所述被监控设备的自检组件自检生成，所述第二异常信息由所述被监控设备响应于用户的第一预设操作生成，所述基于所述异常信息、所述运行参数以及预设诊断模型得到所述被监控设备的诊断结果的步骤包括：
从所述运行参数中提取运行特征；
若所述异常信息至少包括所述第一异常信息，则将所述第一异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
若所述异常信息仅包括所述第二异常信息，则将所述第二异常信息以及所述运行特征输入至所述预设诊断模型得到所述诊断结果；
其中，所述被监控设备为医疗设备，所述医疗设备用于输出超声波，所述运行参数至少包括超声波的声强和所述医疗设备的功率消耗，所述运行特征至少包括第一运行特征和第二运行特征，所述从所述运行参数中提取运行特征的步骤包括：
基于所述声强和所述功率消耗之间的比例关系确定所述第一运行特征，其中，在所述被监控设备正常情况下，所述比例关系处于恒定比例范围内；
基于所述声强与预设额定声强之间的差异关系确定所述第二运行特征，其中，预设额定声强对应额定声强范围，在所述被监控设备正常情况下，所述声强处于所述额定声强范围内。
7.一种云端设备，其特征在于，所述云端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上设备运行状态监测程序，其中：所述设备运行状态监测程序被所述处理器执行时实现如权利要求1至5中任一项所述的设备运行状态监测方法的步骤。
8.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有设备运行状态监测程序，所述设备运行状态监测程序被处理器执行时实现如权利要求1至5中任一项所述的设备运行状态监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311364051.8A CN117115937B (zh) | 2023-10-20 | 2023-10-20 | 设备运行状态监测方法、装置、云端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311364051.8A CN117115937B (zh) | 2023-10-20 | 2023-10-20 | 设备运行状态监测方法、装置、云端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117115937A CN117115937A (zh) | 2023-11-24 |
| CN117115937B true CN117115937B (zh) | 2024-01-19 |
Family
ID=88809435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311364051.8A Active CN117115937B (zh) | 2023-10-20 | 2023-10-20 | 设备运行状态监测方法、装置、云端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115937B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390566B (zh) * | 2023-11-27 | 2024-03-29 | 广州汇通国信科技有限公司 | 一种基于卷积神经网络算法的智慧电厂异常检测方法 |
| CN117376108B (zh) * | 2023-12-07 | 2024-03-01 | 深圳市亲邻科技有限公司 | 一种物联网设备智能运维方法与系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108113704A (zh) * | 2018-01-09 | 2018-06-05 | 上海大学 | 一种b超设备的故障诊断和保养方法 |
| CN108844181A (zh) * | 2018-03-30 | 2018-11-20 | 奥克斯空调股份有限公司 | 家电设备报修方法及空调维修系统 |
| CN111444055A (zh) * | 2020-04-26 | 2020-07-24 | 昆山润石智能科技有限公司 | 一种用于设备健康评估和维护的系统 |
| CN112328420A (zh) * | 2020-10-26 | 2021-02-05 | 南京燚麒智能科技有限公司 | 一种设备故障检测的方法、装置和系统 |
| KR20210064619A (ko) * | 2019-11-26 | 2021-06-03 | 한국전력공사 | 딥러닝 앙상블 모델을 이용한 이상 상황 탐지 장치 및 그 방법 |
| CN112999480A (zh) * | 2021-02-20 | 2021-06-22 | 北京诚志盛华医疗设备科技有限公司 | 一种应用于呼吸内科呼吸机的异常状态监测装置 |
| CN114493299A (zh) * | 2022-01-29 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种基于工业互联网的农业机械管控方法及设备、介质 |
| CN114647234A (zh) * | 2022-05-23 | 2022-06-21 | 医链数科医疗科技(江苏)有限公司 | 一种基于物联网的医疗设备监控方法、装置及存储介质 |
| CN116205885A (zh) * | 2023-02-27 | 2023-06-02 | 华润数字科技有限公司 | 异常状态检测方法、系统、电子设备及可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7055062B2 (en) * | 2002-10-31 | 2006-05-30 | General Electric Company | Method, system and program product for establishing a self-diagnosing and self-repairing automated system |
| US11423007B2 (en) * | 2017-12-28 | 2022-08-23 | Cilag Gmbh International | Adjustment of device control programs based on stratified contextual data in addition to the data |
-
2023
- 2023-10-20 CN CN202311364051.8A patent/CN117115937B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108113704A (zh) * | 2018-01-09 | 2018-06-05 | 上海大学 | 一种b超设备的故障诊断和保养方法 |
| CN108844181A (zh) * | 2018-03-30 | 2018-11-20 | 奥克斯空调股份有限公司 | 家电设备报修方法及空调维修系统 |
| KR20210064619A (ko) * | 2019-11-26 | 2021-06-03 | 한국전력공사 | 딥러닝 앙상블 모델을 이용한 이상 상황 탐지 장치 및 그 방법 |
| CN111444055A (zh) * | 2020-04-26 | 2020-07-24 | 昆山润石智能科技有限公司 | 一种用于设备健康评估和维护的系统 |
| CN112328420A (zh) * | 2020-10-26 | 2021-02-05 | 南京燚麒智能科技有限公司 | 一种设备故障检测的方法、装置和系统 |
| CN112999480A (zh) * | 2021-02-20 | 2021-06-22 | 北京诚志盛华医疗设备科技有限公司 | 一种应用于呼吸内科呼吸机的异常状态监测装置 |
| CN114493299A (zh) * | 2022-01-29 | 2022-05-13 | 山东浪潮工业互联网产业股份有限公司 | 一种基于工业互联网的农业机械管控方法及设备、介质 |
| CN114647234A (zh) * | 2022-05-23 | 2022-06-21 | 医链数科医疗科技(江苏)有限公司 | 一种基于物联网的医疗设备监控方法、装置及存储介质 |
| CN116205885A (zh) * | 2023-02-27 | 2023-06-02 | 华润数字科技有限公司 | 异常状态检测方法、系统、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117115937A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117115937B (zh) | 设备运行状态监测方法、装置、云端设备及存储介质 | |
| US6973415B1 (en) | System and method for monitoring and modeling system performance | |
| US7082381B1 (en) | Method for performance monitoring and modeling | |
| CN112491611B (zh) | 故障定位系统、方法、装置、电子设备和计算机可读介质 | |
| KR101639332B1 (ko) | 화상형성장치 관리 서버, 화상형성장치들의 에러를 관리하는 방법 및 시스템 | |
| US20030105544A1 (en) | System and method for processing operation data obtained from turbine operations | |
| KR100803889B1 (ko) | 클라이언트 단말로 제공되는 서비스 성능 분석 방법 및시스템 | |
| US20080270207A1 (en) | Compliance Monitoring | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| JPH10510385A (ja) | ソフトウエア品質のアーキテクチャに基づく分析のための方法およびシステム | |
| US7197428B1 (en) | Method for performance monitoring and modeling | |
| CN112650608B (zh) | 异常根因定位方法以及相关装置、设备 | |
| US7369967B1 (en) | System and method for monitoring and modeling system performance | |
| JP2009086896A (ja) | コンピュータの障害予測システムおよび障害予測方法 | |
| US7617313B1 (en) | Metric transport and database load | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN110490486A (zh) | 一种企业大数据管理系统 | |
| CN115188688A (zh) | 异常检测方法及装置、电子设备和存储介质 | |
| KR20140051678A (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
| CN110262955B (zh) | 基于pinpoint的应用性能监控工具 | |
| CN115033461A (zh) | 一种风扇监控方法、系统、装置、服务器及可读存储介质 | |
| CN113990477B (zh) | 一种基于云平台的大数据智能健康监护系统 | |
| CN109639456A (zh) | 一种自动化告警的改进方法及告警数据的自动化处理平台 | |
| CN112561333A (zh) | 一种考核数据处理方法、装置、电子设备及存储介质 | |
| JP6798504B2 (ja) | ログ分析システム、ログ分析方法及びプログラム |
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 |