CN117195704A - 一种检测模型训练、设备故障检测方法及装置 - Google Patents

Abstract

本发明实施例公开了一种检测模型训练、设备故障检测方法及装置，包括：获取设备运行样本数据；根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型包括初始模型参数；根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数；根据所述初始设备故障检测模型和所述目标模型参数构建目标设备故障检测模型。本发明实施例技术方案能够提高设备故障检测模型的准确率，进而提高设备故障检测的准确率。

Description

一种检测模型训练、设备故障检测方法及装置

技术领域

本发明实施例涉及设备检测技术领域，尤其涉及一种检测模型训练、设备故障检测方法及装置。

背景技术

在实际工业领域，随着设备可靠性提升以及科学的保养策略，部分设备往往没有故障样本且具备较少的设备非稳定运行样本。这类设备的异常状态监测通常依赖专家经验对设备新发生的异常状态进行判定，这样会导致大量人力成本的浪费并且在判定方式上存在一定主观性易造成设备状态错判漏判的情况发生。

现阶段，在进行设备故障检测时可以利用设备运行样本数据对聚类模型进行训练，进而可以利用训练完成后的聚类模型对设备实时运行数据进行设备故障检测。

发明人在实现本发明过程中，发现现有设备故障检测方法在设备运行样本数据的样本数据量存在差异的情况下，利用现有的设备故障检测方法进行设备故障检测时存在检测准确率较低的问题。

发明内容

本发明实施例提供一种检测模型训练、设备故障检测方法及装置，能够提高设备故障检测模型的准确率，进而提高设备故障检测的准确率。

根据本发明的一方面，提供了一种检测模型训练方法，包括：

获取设备运行样本数据；

根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型包括初始模型参数；

根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数；

根据所述初始设备故障检测模型和所述目标模型参数构建目标设备故障检测模型。

根据本发明的另一方面，提供了一种设备故障检测方法，包括：

获取当前待检测设备的当前设备运行数据；

将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果；

其中，所述目标设备故障检测模型通过本发明任一实施例所述的检测模型训练方法训练得到。

根据本发明的另一方面，提供了一种检测模型训练装置，包括：

设备运行样本数据获取模块，用于获取设备运行样本数据；

初始设备故障检测模型训练模块，用于根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型包括初始模型参数；

初始模型参数优化模块，用于根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数；

目标设备故障检测模型构建模块，用于根据所述初始设备故障检测模型和所述目标模型参数构建目标设备故障检测模型。

根据本发明的另一方面，提供了一种设备故障检测装置，包括：

当前设备运行数据获取模块，用于获取当前待检测设备的当前设备运行数据；

当前故障检测结果输出模块，用于将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果；

其中，所述目标设备故障检测模型通过本发明任一实施例所述的检测模型训练方法训练得到。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的检测模型训练方法或设备故障检测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的检测模型训练方法或设备故障检测方法。

本发明实施例的技术方案，首先获取设备运行样本数据，根据设备运行样本数据训练初始设备故障检测模型。再根据设备运行样本数据的样本数据量对初始模型参数进行优化，得到目标模型参数。最后根据初始设备故障检测模型和目标模型参数构建目标设备故障检测模型。在构建目标设备故障检测模型之后，获取当前待检测设备的当前设备运行数据，进而将当前设备运行数据输入至目标设备故障检测模型中，以通过目标设备故障检测模型输出当前待检测设备的当前故障检测结果，解决了现有技术中通过设备故障检测模型进行设备故障检测存在的检测准确率较低的问题，能够提高设备故障检测模型的准确率，进而提高设备故障检测的准确率。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种检测模型训练方法的流程图；

图2是本发明实施例二提供的一种检测模型训练方法的流程图；

图3是本发明实施例三提供的一种设备故障检测方法的流程图；

图4是本发明实施例三提供的一种冷却泵设备并联结构的结构示意图；

图5是本发明实施例三提供的一种目标设备故障检测模型的故障识别结果的示意图；

图6是本发明实施例三提供的另一种设备故障检测方法的流程图；

图7是本发明实施例四提供的一种检测模型训练装置的示意图；

图8是本发明实施例五提供的一种设备故障检测装置的示意图；

图9为本发明实施例六提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例一提供的一种检测模型训练方法的流程图，本实施例可使用于利用设备运行样本数据优化初始设备故障检测模型的模型参数的情况，该方法可以由检测模型训练装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对电子设备的具体设备类型进行限定。相应的，如图1所示，该方法包括如下操作：

S110、获取设备运行样本数据。

其中，设备运行样本数据可以是用于训练初始设备故障检测模型的设备运行数据。

在本发明实施例中，可以获取能够表征设备运行状态的设备运行数据作为本发明实施例的设备运行样本数据。可选的，设备运行样本数据可以是包括设备额定运行工况、降功率运行工况、停机运行工况、瞬态运行工况以及状态过渡工况等多种运行工况状态下的设备运行数据。示例性的，设备运行样本数据可以包括但不局限于设备电流值、设备电压值、设备电功率值、设备转速、设备流质流量、设备流质压力以及设备温度等。本发明实施例并不对时间周期的具体数值以及设备运行样本数据的具体类型进行限定。

S120、根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型可以包括初始模型参数。

其中，初始设备故障检测模型可以是未对初始模型参数进行优化的，用于对设备进行故障检测的检测模型。初始模型参数可以是初始设备故障检测模型中的网络参数。

进一步的，可以利用上述步骤获取的设备运行样本数据对初始设备故障检测模型进行训练。其中，初始设备故障检测模型可以包括初始模型参数。可选的，初始设备故障检测模型可以是DBSCAN(Density-Based Spatial Clustering Algorithm with Noise，基于密度的噪声空间聚类算法)聚类模型，DBSCAN聚类模型可以包括领域半径参数和密度阈值参数。初始设备故障检测模型还可以是基于欧式聚类的聚类算法K-means聚类模型，K-means聚类模型可以包括k值参数，本发明实施例中并不对初始设备故障检测模型的具体类型进行限定。

S130、根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数。

其中，样本数据量可以是用于对初始设备故障检测模型的初始模型参数进行优化更新的样本数据值。目标模型参数可以是用于构建目标设备故障检测模型的网络参数。

在本发明实施例中，设备运行样本数据的样本数据量可以是设备运行数据在不同工况状态下的样本数据量。示例性的，可以通过统计设备运行样本数据在稳态工况和/或非稳态工况状态下的样本数据量。进一步的，可以根据样本数据量对初始设备故障检测模型的初始模型参数进行优化，进而得到目标模型参数。

通过设备运行样本数据的样本数据量对初始模型参数进行优化的好处在于：初始设备故障检测模型在对设备进行故障检测过程中，没有考虑设备运行样本数据在不同工况状态下的样本数据量分布不均衡，因此在设备运行样本数据的样本数据量存在差异的情况下，存在设备故障检测准确率较低的问题。而本发明实施例通过对设备运行样本数据的样本数据量进行分析，根据分析结果对初始设备故障检测模型的初始模型参数进行优化，可以在设备运行样本数据的样本数据存在差异的情况下，仍能够保证设备故障检测的准确率。

S140、根据所述初始设备故障检测模型和所述目标模型参数构建目标设备故障检测模型。

其中，目标设备故障检测模型可以是由初始设备故障检测模型和目标模型参数构建的，用于对设备进行故障检测的检测模型。

进一步的，可以利用上述步骤得到的目标模型参数和目标设备故障检测模型构件目标设备故障检测模型，进而可以利用目标设备故障检测模型对设备进行故障检测。

本发明实施的技术方案，首先获取设备运行样本数据，再根据设备运行样本数据训练初始设备故障检测模型。其中，训练得到的初始设备故障检测模型可以包括初始模型参数。进一步的，根据设备运行样本数据的样本数据量对初始模型参数进行优化，得到目标模型参数。最后根据初始设备故障检测模型和目标模型参数构建目标设备故障检测模型，解决了在设备运行样本数据的样本数据量存在差异的情况下，利用现有的设备故障检测方法进行设备故障检测准确率较低的问题，提高了设备故障检测的准确率。

实施例二

图2是本发明实施例二提供的一种检测模型训练方法的流程图，本实施例以上述实施例为基础进行具体化，在本实施例中，给出了根据设备运行样本数据的样本数据量对初始模型参数进行优化，得到目标模型参数的具体可选的实现方式。相应的，如图2所示，本实施例的方法可以包括：

S210、获取设备运行样本数据。

S220、根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型包括初始模型参数。

可选的，所述初始设备故障检测模型可以包括基于密度的聚类算法DBSCAN聚类模型；所述初始模型参数可以包括各类聚类簇的第一初始模型参数和第二初始模型参数；所述第一初始模型参数可以为领域半径参数；所述第二初始模型参数可以为密度阈值；所述第一初始模型参数和所述第二初始模型参数的数量可以为多个。

其中，基于密度的聚类算法DBSCAN聚类模型可以是另一种用于对设备进行故障检测的检测模型。聚类簇可以是根据设备运行样本数据训练DBSCAN聚类模型得到的一组数据对象的集合。第一初始模型参数可以是一种用于描述领域样本分布紧密程度的网络模型参数。第二初始模型参数可以是另一种用于描述领域样本分布紧密程度的网络模型参数。领域半径参数可以是用于描述领域区域大小的半径值。密度阈值可以是用于描述领域区域内样本紧密程度的密度指标数据。

在本发明实施例中，可以获取多种运行工况的设备正常运行数据作为设备运行样本数据。示例性的，设备运行样本数据可以包括设备额定运行工况、降功率运行工况、停机运行工况、瞬态运行工况以及状态过渡工况等。进一步的，可以将设备运行样本数据作为DBSCAN聚类模型的输入数据送至DBSCAN聚类模型中进行训练。其中，DBSCAN聚类模型可以包括各类聚类簇的第一初始模型参数和第二初始模型参数，第一初始模型参数可以为领域半径参数，第二初始模型参数可以为密度阈值，第一初始模型参数和所述第二初始模型参数的数量可以为多个。需要说明的是，根据设备运行样本数据对DBSCAN聚类模型进行训练可以得到多个类别的聚类簇，每个聚类簇可以包括第一初始模型参数和第二初始模型参数，即每个聚类簇可以包括领域半径参数和密度阈值。

在一个具体的示例中，首先采用Z-score方法对设备运行样本数据进行标准化处理得到标准化设备运行样本数据，以方便后续进行样本间距离的计算以及领域半径参数的确定。可选的，可以基于如下公式对设备运行样本数据进行标准化处理：

其中，x表示所述设备运行样本数据，标准化后的设备运行样本数据，μ表示所述设备运行样本数据集合的平均值，σ表示所述设备运行样本数据集合的标准偏差。

进一步的，设置领域半径参数和密度阈值的初始值，并确定标准化后的设备运行样本数据中所有核心对象，进而可以根据核心对象构成核心对象集合。其中，核心对象的确定方式可以是：获取标准化后的设备运行样本数据，在确定存在数据对象归属于标准化后的设备运行样本数据集合，且满足核心对象数值大于密度阈值的情况下，确定当前数据对象为核心对象。其中，核心对象数值可以是标准化后的设备运行样本数据中与数据对象距离不大于领域半径参数的数据对象的个数。

进一步的，初始化聚类簇数为0，并将标准化后的设备运行样本数据集合作为未访问样本集合。判断核心对象集合是否为空，若不为空则记录当前未访问样本集合，随机选取一个核心对象，同时初始化队列。进一步的，判断初始化队列是否为空，若不为空，则去出初始化队列中的首个样本，并判断该样本是否为核心对象，若是，则确定该样本所在领域范围内的样本集合，即首个样本领域范围内的样本与未访问样本集合的交集。其中该样本所在领域范围是指以该样本为中心，以领域半径参数为半径的区域范围。进一步的，将确定所在领域范围内的样本集合加入队列中，同时在未访问样本集合中去除已加入队列的集合，继续对初始化队列是否为空进行判断。若初始化队列为空，则增加一个聚类簇，继续对核心对象集合是否为空进行判断。若核心对象集合为空，则输出划分得到的各类聚类簇。需要说明的是，在得到各类聚类簇之后，可以通过网格搜索算法，计算得到最优轮廓系数对应的第一初始模型参数和第二初始模型参数。其中，可以基于如下公式确定最优轮廓系数：

其中，s(i)表示第i个样本运行数据的轮廓系数，a(i)表示第i个样本运行数据到所有同类聚类簇距离的平均值，b(i)表示第i个样本运行数据到各非本身所在类聚类簇所有点的平均距离再经过筛选得到的最小值。

S230、确定第一样本数值阈值和第二样本数值阈值。

S240、判断所述设备运行样本数据的分钟级别样本数据量是否小于所述第一样本数值阈值，若是，执行S250；否则，执行S260。

其中，第一样本数值阈值可以是一种用于判断设备运行样本数据的样本数据量大小关系的指标数据。可选的，第一样本数据阈值的取值具体可以根据设备类型设定，5万、10万或15万等，本发明实施例并不对第一样本数值阈值的取值的具体数值进行限制。第二样本数值阈值可以是另一种用于判断设备运行样本数据的样本数据量大小关系的指标数据。可选的，第二样本数据阈值的取值具体可以根据设备类型设定，5万、10万或15万等，本发明实施例并不对第二样本数值阈值的取值的具体数值进行限制。分钟级别样本数据量可以是在一定时间周期内采集得到的分钟级别样本数值。

相应的，可以确定第一样本数值阈值和第二样本数值阈值，判断设备运行样本数据的分钟级别样本数据量与第一样本数值阈值之间的大小关系。如果设备运行样本数据的分钟级别样本数据量小于第一样本数值阈值，则对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第一目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第二目标模型参数，并采用第一目标模型参数更新各类聚类簇的第一初始模型参数，采用第二目标模型参数更新各类聚类簇的第二初始模型参数。如果设备运行样本数据的分钟级别样本数据量大于第一样本数值阈值，则判断设备运行样本数据的分钟级别样本数据量是否小于第二样本数值阈值。

在一个具体的示例中，可以用m表示第一样本数值阈值。如果设备运行样本数据的分钟级别样本数据量小于m，则执行S250；如果设备运行样本数据的分钟级别样本数据量大于m，则执行S260。其中，m的取值具体可以根据设备类型设定，5万、10万或15万等，本发明实施例并不对第一样本数值阈值的取值的具体数值进行限制。

S250、对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第一目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第二目标模型参数，并采用所述第一目标模型参数更新各类聚类簇的第一初始模型参数，采用所述第二目标模型参数更新各类聚类簇的第二初始模型参数。

其中，第一初始模型参数集合可以是初始设备故障检测模型的领域半径参数集合。第二初始模型参数集合可以是是初始设备故障检测模型的密度阈值集合。第一目标模型参数可以是第一初始模型参数集合中的最小值。第二目标模型参数可以是第二初始模型参数集合中的最大值。

可选的，如果设备运行样本数据的分钟级别样本数据量大于第一样本数值阈值，那么可以从各类聚类簇的第一初始模型参数集合筛选得到各类聚类簇的第一目标模型参数，即第一初始模型参数集合中的最小值。再从各类聚类簇的第二初始模型参数集合中筛选得到各类聚类簇的第二目标模型参数，即第二初始模型参数集合中的最大值。进一步的，可以利用第一目标模型参数和第二目标模型参数分别对各类聚类簇的第一初始模型参数和第二初始模型参数进行更新优化。

S260、判断所述设备运行样本数据的分钟级别样本数据量是否小于所述第二样本数值阈值，若是，执行S270；否则，执行S280。

进一步的，判断设备运行样本数据的分钟级别样本数据量与第二样本数值阈值之间的大小关系。如果设备运行样本数据的分钟级别样本数据量小于第二样本数值阈值，则保持第一初始模型参数和第二初始模型参数不变；如果设备运行样本数据的分钟级别样本数据量大于第二样本数值阈值，则对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第三目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第四目标模型参数，并采用第三目标模型参数更新各类聚类簇的第一初始模型参数，采用第四目标模型参数更新各类聚类簇的第二初始模型参数。

在一个具体的示例中，可以用n表示第二样本数值阈值。如果设备运行样本数据的分钟级别样本数据量小于n，则执行S270；如果设备运行样本数据的分钟级别样本数据量大于n，则执行S280。其中，n的取值具体可以根据设备类型设定，5万、10万或15万等，本发明实施例并不对第二样本数值阈值的取值的具体数值进行限制。

S270、保持所述第一初始模型参数和所述第二初始模型参数不变。

可选的，如果设备运行样本数据的分钟级别样本数据量小于第二样本数值阈值，那么可以保持第一初始模型参数和第二初始模型参数不变，即不对第一初始模型参数和第二初始模型参数进行更新优化。

S280、对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第三目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第四目标模型参数，并采用所述第三目标模型参数更新各类聚类簇的第一初始模型参数，采用所述第四目标模型参数更新各类聚类簇的第二初始模型参数。

其中，第三目标模型参数可以是第一初始模型参数集合中的最大值。第四目标模型参数可以是第二初始模型参数集合中的最小值。

可选的，如果设备运行样本数据的分钟级别样本数据量大于第二样本数值阈值，那么可以从各类聚类簇的第一初始模型参数集合筛选得到各类聚类簇的第三目标模型参数，即第一初始模型参数集合中的最大值。再从各类聚类簇的第二初始模型参数集合中筛选得到各类聚类簇的第四目标模型参数，即第二初始模型参数集合中的最小值。进一步的，可以利用第三目标模型参数和第四目标模型参数分别对各类聚类簇的第一初始模型参数和第二初始模型参数进行更新优化。

本发明实施例的技术方案，首先获取设备运行样本数据，根据设备运行样本数据训练初始故障检测模型，再确定第一样本数值阈值和第二样本数值阈值。进一步的，判断设备运行样本数据的分钟级别样本数据量与第一样本数值阈值和第二样本数值阈值之间的大小关系，若分钟级别样本数据量大于第一样本数值阈值，则对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第一目标模型参数，从各类聚类簇的第而初始模型参数集合中筛选各类聚类簇的第二目标模型参数，并采用第一目标模型参数更新各类聚类簇的第一初始模型参数，采用第二目标模型参数更新各类聚类簇的第二初始模型参数；若分钟级别样本数据量小于第二样本数值阈值，则对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第三目标模型参数，从各类聚类簇的第而初始模型参数集合中筛选各类聚类簇的第四目标模型参数，并采用第三目标模型参数更新各类聚类簇的第一初始模型参数，采用第四目标模型参数更新各类聚类簇的第二初始模型参数；若分钟级别样本数据量大于第一样本数值阈值且小于第二样本数值阈值，则保持第一初始模型参数和第二初始模型参数不变，解决了现有技术中通过设备故障检测模型进行设备故障检测存在的检测准确率较低的问题，能够提高设备故障检测模型的准确率，进而提高设备故障检测的准确率。

实施例三

图3是本发明实施例三提供的一种设备故障检测方法的流程图，本实施例可使用于利用设备运行样本数据的样本数据量进行模型参数优化得到的目标设备故障检测模型进行设备故障检测的情况，该方法可以由设备故障检测装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对电子设备的具体设备类型进行限定。相应的，如图1所示，该方法包括如下操作：

S310、获取当前待检测设备的当前设备运行数据。

其中，当前待检测设备可以是需要进行故障检测处理的设备。当前设备运行数据可以是当前待检测设备用于故障检测的设备运行数据。

可选的，当前待检测设备可以是冷却泵设备，还可以是通风机设备，当前设备运行数据可以是能够表征当前待检测设备运行状态的运行数据。示例性的，当前设备运行数据可以是当前待检测设备的设备进出口压力值、设备流量值以及设备温度值等，本发明实施例并不对当前待检测设备的设备类型和当前设备运行数据的数据类型进行限定。

S320、将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果；

其中，所述目标设备故障检测模型通过本发明实施例任一所述的检测模型训练方法训练得到。当前故障检测结果可以是利用目标设备故障检测模型进行设备故障检测得到的检测结果。

进一步的，可以将上述步骤得到的当前设备运行数据作为目标设备故障检测模型的输入数据送至目标设备故障检测模型中，得到当前检测设备的当前故障检测结果。

图4是本发明实施例三提供的一种冷却泵设备并联结构的结构示意图，图5是本发明实施例三提供的一种目标设备故障检测模型的故障识别结果的示意图，在一个具体的示例中，如图4和图5所示，假设当前待检测设备可以是两个并联结构的冷却泵设备，那么首先获取可以表征冷却泵设备运行状态的当前设备运行数据。示例性的，当前设备运行数据可以是冷却泵设备的出口压力值，也可以是冷却泵设备的下游流量值。需要说明的是，由于冷却泵设备在过去10个月内未发生过异常，则获取的当前设备运行数据均为正常运行状态下的运行数据。再将冷却泵设备运行状态的当前设备运行数据作为目标设备故障检测模型的输入数据送至目标设备故障检测模型中，得到冷却泵设备的当前故障检测结果，即得到4类聚类簇。其中，第一类聚类簇可以是第一目标模型参数为3，第二目标模型参数为5，样本数为9000的聚类簇，第一类聚类簇可以表示冷却泵设备A为停机工况，冷却泵设备B为停机工况；第二类聚类簇可以是第一目标模型参数为1.4，第二目标模型参数为10，样本数为13000的聚类簇，第二类聚类簇可以表示冷却泵设备A为停机工况，冷却泵设备B为运行工况；第三类聚类簇可以是第一目标模型参数为1.5，第二目标模型参数为8，样本数为12000的聚类簇，第三类聚类簇可以表示冷却泵设备A为运行工况，冷却泵设备B为停机工况；第四类聚类簇可以是第一目标模型参数为1.4，第二目标模型参数为8，样本数为11000的聚类簇，第一类聚类簇可以表示冷却泵设备A为运行工况，冷却泵设备B为运行工况。可选的，如果冷却泵设备的当前设备运行数据隶属于其中一类聚类簇，则可以返回设备运行状态标识。可选的，如果冷却泵设备的当前设备运行数据不隶属于其中任何类聚类簇，则可以返回设备异常预警提示，技术人员可以根据设备异常预警提示对设备进行排查确定故障原因。

在本发明的一个可选的实施例中，将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果，可以包括：获取所述当前待检测设备匹配的设备逻辑规则数据；根据所述设备逻辑规则数据对所述当前设备运行数据进行规则匹配；在确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配的情况下，将所述当前设备运行数据输入至所述目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果。

其中，设备逻辑规则数据可以是当前待检测设备用于进行逻辑规则匹配的运行数据。第一目标逻辑规则可以是一种用于判断当前待检测设备处于非停机状态的逻辑规则。

在本发明实施例中，首先获取当前待检测设备匹配的设备逻辑规则数据，再根据设备逻辑规则数据对当前设备运行数据进行规则匹配，如果当前设备运行数据与设备逻辑规则数据中的第一目标逻辑规则匹配，则可以将当前设备运行数据作为目标设备故障检测模型的输入数据送至目标设备故障检测模型中，利用目标设备故障检测模型得到当前待检测设备的当前故障检测结果。

在本发明的一个可选的实施例中，所述确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配，可以包括：确定第一条件阈值和第二条件阈值；在确定所述当前设备运行数据的第一设备运行数据大于所述第一条件阈值且所述当前设备运行数据的第二设备运行数据大于所述第二条件阈值的情况下，确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配。

其中，第一条件阈值可以是一种用于判断设备运行样本数据的出口压力值是否符合正常运行状态的指标数据。可选的，第一条件阈值的取值具体可以根据设备类型设定，0.1MPa、0.2MPa或0.3MPa等，本发明实施例并不对第一条件阈值的取值的具体数值进行限制。第二条件阈值可以是一种用于判断设备运行样本数据的下游流量值是否符合正常运行状态的指标数据。第一设备运行数据可以是一种用于表示冷却泵工作状态的物理量。第二设备运行数据可以是另一种用于表示冷却泵工作状态的物理量。可选的，第二条件阈值的取值具体可以根据设备类型设定，100m³/h、500m³/h或1000m³/h等，本发明实施例并不对第二条件阈值的取值的具体数值进行限制。

可选的，当前待检测设备可以为冷却泵设备，第一设备运行数据可以是冷却泵设备的出口压力值，第二设备运行数据可以是冷却泵设备的下游流量值。那么首先确定第一条件阈值和第二条件阈值。如果当前设备运行数据的第一设备运行数据大于第一条件阈值且当前设备运行数据的第二设备运行数据大于第二条件阈值时，则可以确定当前设备运行数据与设备逻辑规则数据中的第一目标逻辑规则相匹配，那么可以将当前设备运行数据作为目标设备故障检测模型的输入数据送至目标设备故障检测模型中，从而利用目标设备故障检测模型得到当前待检测设备的当前故障检测结果。

在一个具体的示例中，假设第一条件阈值可以是0.2MPa，第二条件阈值可以是2000m³/h，第一设备运行数据可以是冷却泵设备的出口压力值，第二设备运行数据可以是冷却泵设备的下游流量值。那么，如果当前设备运行数据的出口压力值大于0.2MPa，并且当前设备运行数据的下游流量值大于2000m³/h，则可以确定当前设备运行数据与设备逻辑规则数据中的第一目标逻辑规则相匹配，也即由逻辑规则可以确定当前待检测设备是启用状态。在确定当前待检测设备是启用状态的情况下，可以返回当前待检测设备的设备启用标识，并将当前设备运行数据作为目标设备故障检测模型的输入数据送至目标设备故障检测模型中，从而利用目标设备故障检测模型得到当前待检测设备的当前故障检测结果。

在本发明的一个可选的实施例中，所述设备逻辑规则数据还可以包括第二目标逻辑规则；所述方法还可以包括：在确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配的情况下，根据所述第二目标逻辑规则输出所述当前待检测设备的当前故障检测结果。

其中，第二目标逻辑规则可以是一种用于判断当前待检测设备处于停机状态的逻辑规则。

可选的，如果当前设备运行数据与设备逻辑规则数据中的第二目标逻辑规则相匹配，那么可以根据第二目标逻辑规则输出得到当前待检测设备的当前故障检测结果。

在本发明的一个可选的实施例中，所述当前待检测设备为冷却泵设备；所述确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配，可以包括：确定第三条件阈值和第四条件阈值；在所述当前设备运行数据的第一设备运行数据小于所述第三条件阈值且所述当前设备运行数据的第二设备运行数据小于所述第四条件阈值的情况下，确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配。

其中，第三条件阈值可以是一种用于判断设备运行样本数据的出口压力值是否符合停机运行状态的指标数据。可选的，第三条件阈值的取值具体可以根据设备类型设定，0.1MPa、0.2MPa或0.3MPa等，本发明实施例并不对第三条件阈值的取值的具体数值进行限制。第四条件阈值可以是一种用于判断设备运行样本数据的下游流量值是否符合停机状态的指标数据。可选的，第四条件阈值的取值具体可以根据设备类型设定，100m³/h、500m³/h或1000m³/h等，本发明实施例并不对第四条件阈值的取值的具体数值进行限制。

可选的，当前待检测设备可以为冷却泵设备，第一设备运行数据可以是冷却泵设备的出口压力值，第二设备运行数据可以是冷却泵设备的下游流量值。那么首先确定第三条件阈值和第四条件阈值。如果当前设备运行数据的出口压力值小于第三条件阈值且当前设备运行数据的下游流量值小于第四条件阈值时，则可以确定当前设备运行数据与设备逻辑规则数据中的第二目标逻辑规则相匹配，那么可以根据第二目标逻辑规则输出得到当前待检测设备的当前故障检测结果。

在一个具体的示例中，假设第三条件阈值可以是0.1MPa，第二条件阈值可以是100m³/h，第一设备运行数据可以是冷却泵设备的出口压力值，第二设备运行数据可以是冷却泵设备的下游流量值。那么，如果当前设备运行数据的出口压力值小于0.1MPa，并且当前设备运行数据的下游流量值小于100m³/h，则可以确定当前设备运行数据与设备逻辑规则数据中的第二目标逻辑规则相匹配，也即由逻辑规则可以确定当前待检测设备是停机状态。在确定当前待检测设备是停机状态的情况下，可以根据第二目标逻辑规则输出得到当前待检测设备的当前故障检测结果，即返回当前待检测设备的设备停机标识。

图6是本发明实施例三提供的另一种设备故障检测方法的流程图，在一个具体的示例中，如图6所示，首先待检测设备的获取建模数据，并确定建模数据相匹配的当前待检测设备的运行工况。示例性的，待检测设备可以是冷却泵设备。建模数据可以是冷却泵设备的出口压力值，也可以是冷却泵设备的下游流量值。进一步的，将建模数据与设备检测规则库进行匹配，若建模数据与设备检测规则库中的停机逻辑规则相匹配，则输出当前故障检测结果。示例性的，设备检测规则库可以是设备逻辑规则数据。若建模数据与设备检测规则库中的任一逻辑规则都无法匹配，则将建模数据作为聚类模型的输入数据送至聚类模型中，得到类聚类簇。其中，聚类模型可以包括目标设备故障检测模型。进一步的，通过对聚类簇的算法参数更新，以优化聚类模型。在完成聚类模型的模型参数更新优化后，可以获取当前设备运行数据，并将当前设备运行数据送至聚类模型中得到设备故障检测结果，进而可以根据设备故障检测结果可以进行异常告警提示和故障分析。需要说明的是，可以在设备故障检测过程中通过新逻辑规则的引入对逻辑规则数据进行优化更新，便于模型实现更加复杂的逻辑判断，还可以在设备故障检测过程中通过新工况设备运行数据的引入对目标设备故障检测模型的样本数据进行优化更新，进而实现对目标设备故障检测模型的优化更新。

本发明实施例的技术方案，首先获取设备运行样本数据，根据设备运行样本数据训练初始设备故障检测模型。再根据设备运行样本数据的样本数据量对初始模型参数进行优化，得到目标模型参数。最后根据初始设备故障检测模型和目标模型参数构建目标设备故障检测模型。在构建目标设备故障检测模型之后，获取当前待检测设备的当前设备运行数据，进而将当前设备运行数据输入至目标设备故障检测模型中，以通过目标设备故障检测模型输出当前待检测设备的当前故障检测结果，解决了现有技术中通过设备故障检测模型进行设备故障检测存在的检测准确率较低的问题，能够提高设备故障检测模型的准确率，进而提高设备故障检测的准确率。

实施例四

图7是本发明实施例四提供的一种检测模型训练装置的示意图，如图7所示，所述装置包括：设备运行样本数据获取模块410、初始设备故障检测模型训练模块420、初始模型参数优化模块430以及目标设备故障检测模型构建模块440，其中：

设备运行样本数据获取模块410，用于：获取设备运行样本数据；

初始设备故障检测模型训练模块420，用于：根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型包括初始模型参数；

初始模型参数优化模块430，用于：根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数；

目标设备故障检测模型构建模块440，用于：根据所述初始设备故障检测模型和所述目标模型参数构建目标设备故障检测模型。

本发明实施的技术方案，首先获取设备运行样本数据，再根据设备运行样本数据训练初始设备故障检测模型。其中，训练得到的初始设备故障检测模型可以包括初始模型参数。进一步的，根据设备运行样本数据的样本数据量对初始模型参数进行优化，得到目标模型参数。最后根据初始设备故障检测模型和目标模型参数构建目标设备故障检测模型，解决了在设备运行样本数据的样本数据量存在差异的情况下，存在设备故障检测准确率较低的问题，提高了设备故障检测的准确率。

可选的，所述初始设备故障检测模型包括基于密度的聚类算法DBSCAN聚类模型；所述初始模型参数包括各类聚类簇的第一初始模型参数和第二初始模型参数；所述第一初始模型参数为领域半径参数；所述第二初始模型参数为密度阈值；所述第一初始模型参数和所述第二初始模型参数的数量为多个；初始模型参数优化模块430，具体用于：确定第一样本数值阈值和第二样本数值阈值；在确定所述设备运行样本数据的分钟级别样本数据量大于所述第一样本数值阈值的情况下，对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第一目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第二目标模型参数，并采用所述第一目标模型参数更新各类聚类簇的第一初始模型参数，采用所述第二目标模型参数更新各类聚类簇的第二初始模型参数；在确定所述设备运行样本数据的分钟级别样本数据量小于所述第二样本数值阈值的情况下，对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第三目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第四目标模型参数，并采用所述第三目标模型参数更新各类聚类簇的第一初始模型参数，采用所述第四目标模型参数更新各类聚类簇的第二初始模型参数；在确定所述设备运行样本数据的分钟级别样本数据量大于所述第一样本数值阈值且小于所述第二样本数值阈值的情况下，保持所述第一初始模型参数和所述第二初始模型参数不变。

上述检测模型训练装置可执行本发明任意实施例所提供的检测模型训练方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的检测模型训练方法。

实施例五

图8是本发明实施例五提供的一种设备故障检测装置的示意图，如图8所示，所述装置包括：当前设备运行数据获取模块510以及当前故障检测结果输出模块520，其中：

当前设备运行数据获取模块510，用于：获取当前待检测设备的当前设备运行数据；

当前故障检测结果输出模块520，用于：将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果；其中，所述目标设备故障检测模型通过本发明实施例任一所述的检测模型训练方法训练得到。

本发明实施例的技术方案，首先获取设备运行样本数据，根据设备运行样本数据训练初始设备故障检测模型。再根据设备运行样本数据的样本数据量对初始模型参数进行优化，得到目标模型参数。最后根据初始设备故障检测模型和目标模型参数构建目标设备故障检测模型。在构建目标设备故障检测模型之后，获取当前待检测设备的当前设备运行数据，进而将当前设备运行数据输入至目标设备故障检测模型中，以通过目标设备故障检测模型输出当前待检测设备的当前故障检测结果，解决了在设备运行样本数据的样本数据量存在差异的情况下，利用现有的设备故障检测方法进行设备故障检测准确率较低的问题，提高了设备故障检测的准确率。

可选的，当前故障检测结果输出模块520，具体用于：获取所述当前待检测设备匹配的设备逻辑规则数据；根据所述设备逻辑规则数据对所述当前设备运行数据进行规则匹配；在确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配的情况下，将所述当前设备运行数据输入至所述目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果。

可选的，当前故障检测结果输出模块520，具体用于：确定第一条件阈值和第二条件阈值；在确定所述当前设备运行数据的第一设备运行数据大于所述第一条件阈值且所述当前设备运行数据的第二设备运行数据大于所述第二条件阈值的情况下，确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配。

可选的，所述设备逻辑规则数据还包括第二目标逻辑规则；设备故障检测装置还包括第二目标逻辑规则匹配模块，用于：在确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配的情况下，根据所述第二目标逻辑规则输出所述当前待检测设备的当前故障检测结果。第二目标逻辑规则匹配模块，具体用于：确定第三条件阈值和第四条件阈值；在所述当前设备运行数据的第一设备运行数据小于所述第三条件阈值且所述当前设备运行数据的第二设备运行数据小于所述第四条件阈值的情况下，确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配。

上述检测模型训练装置可执行本发明任意实施例所提供的设备故障检测方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的设备故障检测方法。

实施例六

图9示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图9所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如检测模型训练方法或设备故障检测方法。

在一些实施例中，检测模型训练方法或设备故障检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的检测模型训练方法或设备故障检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行检测模型训练方法或设备故障检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

Claims (10)

1.一种检测模型训练方法，其特征在于，包括：

获取设备运行样本数据；

根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型包括初始模型参数；

根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数；

根据所述初始设备故障检测模型和所述目标模型参数构建目标设备故障检测模型。

2.根据权利要求1所述的方法，其特征在于，所述初始设备故障检测模型包括基于密度的聚类算法DBSCAN聚类模型；所述初始模型参数包括各类聚类簇的第一初始模型参数和第二初始模型参数；所述第一初始模型参数为领域半径参数；所述第二初始模型参数为密度阈值；所述第一初始模型参数和所述第二初始模型参数的数量为多个；所述根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数，包括：

确定第一样本数值阈值和第二样本数值阈值；

在确定所述设备运行样本数据的分钟级别样本数据量小于所述第一样本数值阈值的情况下，对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第一目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第二目标模型参数，并采用所述第一目标模型参数更新各类聚类簇的第一初始模型参数，采用所述第二目标模型参数更新各类聚类簇的第二初始模型参数；

在确定所述设备运行样本数据的分钟级别样本数据量大于所述第一样本数值阈值且小于所述第二样本数值阈值的情况下，保持所述第一初始模型参数和所述第二初始模型参数不变；

在确定所述设备运行样本数据的分钟级别样本数据量大于所述第二样本数值阈值的情况下，对各类聚类簇的第一初始模型参数集合中筛选各类聚类簇的第三目标模型参数，从各类聚类簇的第二初始模型参数集合中筛选各类聚类簇的第四目标模型参数，并采用所述第三目标模型参数更新各类聚类簇的第一初始模型参数，采用所述第四目标模型参数更新各类聚类簇的第二初始模型参数。

3.一种设备故障检测方法，其特征在于，包括：

获取当前待检测设备的当前设备运行数据；

将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果；

其中，所述目标设备故障检测模型通过权利要求1-2任一所述的检测模型训练方法训练得到。

4.根据权利要求3所述的方法，其特征在于，将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果，包括：

获取所述当前待检测设备匹配的设备逻辑规则数据；

根据所述设备逻辑规则数据对所述当前设备运行数据进行规则匹配；

在确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配的情况下，将所述当前设备运行数据输入至所述目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果。

5.根据权利要求4所述的方法，其特征在于，所述确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配，包括：

确定第一条件阈值和第二条件阈值；

在确定所述当前设备运行数据的第一设备运行数据大于所述第一条件阈值且所述当前设备运行数据的第二设备运行数据大于所述第二条件阈值的情况下，确定所述当前设备运行数据与所述设备逻辑规则数据中的第一目标逻辑规则相匹配。

6.根据权利要求4所述的方法，其特征在于，所述设备逻辑规则数据还包括第二目标逻辑规则；所述方法还包括：

在确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配的情况下，根据所述第二目标逻辑规则输出所述当前待检测设备的当前故障检测结果；

其中，所述确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配，包括：

确定第三条件阈值和第四条件阈值；

在所述当前设备运行数据的第一设备运行数据小于所述第三条件阈值且所述当前设备运行数据的第二设备运行数据小于所述第四条件阈值的情况下，确定所述当前设备运行数据与所述设备逻辑规则数据中的第二目标逻辑规则相匹配。

7.一种检测模型训练装置，其特征在于，包括：

设备运行样本数据获取模块，用于获取设备运行样本数据；

初始设备故障检测模型训练模块，用于根据所述设备运行样本数据训练初始设备故障检测模型；其中，训练得到的所述初始设备故障检测模型包括初始模型参数；

初始模型参数优化模块，用于根据所述设备运行样本数据的样本数据量对所述初始模型参数进行优化，得到目标模型参数；

目标设备故障检测模型构建模块，用于根据所述初始设备故障检测模型和所述目标模型参数构建目标设备故障检测模型。

8.一种设备故障检测装置，其特征在于，包括：

当前设备运行数据获取模块，用于获取当前待检测设备的当前设备运行数据；

当前故障检测结果输出模块，用于将所述当前设备运行数据输入至目标设备故障检测模型中，以通过所述目标设备故障检测模型输出所述当前待检测设备的当前故障检测结果；

其中，所述目标设备故障检测模型通过权利要求1-2任一所述的检测模型训练方法训练得到。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-2中任一所述的检测模型训练方法，或者实现如权利要求3-6所述的设备故障检测方法。

10.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-2中任一所述的检测模型训练方法，或者实现如权利要求3-6所述的设备故障检测方法。