CN117370848A - 设备故障预测方法、装置、计算机设备及存储介质 - Google Patents
设备故障预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117370848A CN117370848A CN202311682484.8A CN202311682484A CN117370848A CN 117370848 A CN117370848 A CN 117370848A CN 202311682484 A CN202311682484 A CN 202311682484A CN 117370848 A CN117370848 A CN 117370848A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- fault prediction
- data
- prediction 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012937 correction Methods 0.000 claims description 111
- 238000012423 maintenance Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000007906 compression Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 131
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备故障预测方法、装置、计算机设备及存储介质，其方法包括：获取监控的目标设备当前运行数据及设备类型码，在确定目标设备的若干个故障模型后进行组合，通过构建故障预测模型根据当前运行数据对目标设备进行初步故障预测，得到初步故障预测结果；在检测预测故障时间小于预设阈值后，获取目标设备的历史设备数据及区域信息进行二次故障预测，得到二次故障预测结果。本申请通过对设备实时监控，根据设备最新运行情况与故障预测模型进行初步故障预测和告警，并结合目标设备的历史数据和区域信息进行进一步故障预测，有效提高设备故障预测的准确性，能够及时或提前预测设备发生故障，解决现有故障诊断技术存在延时性的问题。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种设备故障预测方法、装置、计算机设备及存储介质。
背景技术
随着科学技术的不断发展，以互联网、云计算和大数据为代表的信息经济正在迅速发展，对应的数据中心规模及复杂度逐渐增大，而设备种类、数量越来越多，当设备发生故障时会影响到数据中心的稳定运行，因此，如何对设备进行故障诊断和告警成为了必须解决的技术难题。
但是，在对现有技术的研究与实践的过程中，本申请的发明人发现，目前现有的故障诊断技术都是在设备发生故障时或者发生故障后才进行告警，通知检修人员对故障设备进行检修，但是这种故障诊断技术存在延时性的问题，已无法满足运维需求，例如关于某些较为重要的设备，若不能及时或提前发出故障预警，提前通知检修人员进行预先检修，很容易会影响到数据中心业务的正常运行，造成无法估计的经济损失甚至发生安全事故。
发明内容
有鉴于此，本发明提供了一种设备故障预测方法、装置、计算机设备及存储介质，用于解决现有技术中无法提前进行故障预测和预测准确性低下的问题。为达上述之一或全部目的或是其他目的，本发明提出了一种设备故障预测方法、装置、计算机设备及存储介质。
第一方面，一种设备故障预测方法，至少包括如下步骤：
对目标设备进行监控，获取目标设备当前时间的运行数据以及对应的设备类型码；
基于设备码表和所述设备类型码，确定所述目标设备的设备类型信息；
基于所述设备类型信息，获取所述目标设备对应的若干个故障模型以及运行逻辑关系；
基于所述运行逻辑关系将所述若干个故障模型进行组合，构建得到所述目标设备对应的故障预测模型；
通过所述故障预测模型根据所述当前时间的运行数据对所述目标设备进行初步故障预测，得到初步故障预测结果；
在检测所述初步故障预测结果中的预测故障时间小于预设阈值后，获取所述目标设备的历史设备数据以及区域信息；
基于所述历史设备数据、区域信息以及初步故障预测结果，对所述目标设备进行二次故障预测，得到二次故障预测结果。
进一步地，在本申请的一些实施例中，所述通过所述故障预测模型根据所述当前时间的运行数据对所述目标设备进行初步故障预测，得到初步故障预测结果，包括：
按照所述目标设备的设备类型，将所述目标设备当前时间的运行数据进行分类；
将分类后的当前时间的运行数据分别输入至所述故障预测模型对应的故障模型中，得到所述目标设备中不同组件对应的组件故障预测结果；
基于不同组件对应的权重值及所述组件故障预测结果，计算所述目标设备在不同预测故障时间对应的故障预测值；
基于所述预测故障时间和故障预测值，生成所述目标设备对应的初步故障预测结果。
进一步地，在本申请的一些实施例中，所述在检测所述初步故障预测结果中的预测故障时间小于预设阈值后，获取所述目标设备的历史设备数据以及区域信息，包括：
提取所述初步故障预测结果中的预测故障时间；
在检测所述预测故障时间小于第一预设阈值后，获取所述目标设备中不同组件的历史设备数据，以及所述目标设备所在的区域信息；其中，所述历史设备数据包括历史故障数据、历史维修数据、历史运行数据和历史告警数据中的至少一种，所述区域信息包括所述目标设备对应的经纬度信息、海拔信息和气候信息中的至少一种。
进一步地，在本申请的一些实施例中，所述基于所述历史设备数据、区域信息以及初步故障预测结果，对所述目标设备进行二次故障预测，得到二次故障预测结果，包括：
基于所述历史设备数据中的历史故障数据、历史维修数据、历史运行数据和历史告警数据对应的权重值，计算所述目标设备对应的第一修正值；
基于所述区域信息中的经纬度信息、海拔信息和气候信息对应的权重值，计算所述目标设备对应的第二修正值；
基于所述第一修正值和所述第二修正值对所述初步故障预测结果进行二次故障预测，得到所述目标设备的二次故障预测结果。
进一步地，在本申请的一些实施例中，所述基于所述第一修正值和所述第二修正值对所述初步故障预测结果进行二次故障预测，得到所述目标设备的二次故障预测结果，包括：
在检测所述初步故障预测结果中的预测故障时间小于所述第一预设阈值且大于第二预设阈值后，按照第一修正策略分别计算所述第一修正值和所述第二修正值的权重值，对所述初步故障预测结果进行修正，得到所述目标设备的二次故障预测结果；
在检测所述初步故障预测结果中的预测故障时间小于所述第一预设阈值且小于第二预设阈值后，按照第二修正策略分别计算所述第一修正值和所述第二修正值的权重值，对所述初步故障预测结果进行修正，得到所述目标设备的二次故障预测结果。
进一步地，在本申请的一些实施例中，所述故障预测模型的构建方式，包括：
获取不同类型设备的故障数据，并对所述故障数据进行标签分类处理，得到所述故障数据对应的分类标签；
基于所述故障数据及分类标签，构建不同设备类型对应的故障预测模型的训练数据集；其中，所述故障预测模型包括至少一种设备类型对应的故障模型；
基于所述训练数据集对故障预测模型进行训练，直至所述故障预测模型的损失值小于预设损失值。
进一步地，在本申请的一些实施例中，所述方法还包括：
基于所述初步故障预测结果或所述二次故障预测结果，生成对应的告警信息；
按照预设收敛降噪规则对所述告警信息进行筛选，得到有效告警信息；
和/或，按照预设告警压缩规则对所述告警信息进行告警压缩，得到有效告警信息；
基于所述有效告警信息进行告警推送，并生成对应的告警记录。
第二方面，一种设备故障预测装置，包括：
第一获取模块，用于对目标设备进行监控，获取目标设备当前时间的运行数据以及对应的设备类型码；
确定模块，用于基于设备码表和所述设备类型码，确定所述目标设备的设备类型信息；
故障模型模块，用于基于所述设备类型信息，获取所述目标设备对应的若干个故障模型以及运行逻辑关系；
故障预测模型模块，用于基于所述运行逻辑关系将所述若干个故障模型进行组合，构建得到所述目标设备对应的故障预测模型；
初步预测模块，用于通过所述故障预测模型根据所述当前时间的运行数据对所述目标设备进行初步故障预测，得到初步故障预测结果；
第二获取模块，用于在检测所述初步故障预测结果中的预测故障时间小于预设阈值后，获取所述目标设备的历史设备数据以及区域信息；
二次预测模块，用于基于所述历史设备数据、区域信息以及初步故障预测结果，对所述目标设备进行二次故障预测，得到二次故障预测结果。
第三方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本申请各实施例的设备故障预测方法中的步骤。
第四方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请各实施例的设备故障预测方法中的步骤。
一种计算机程序产品或计算机程序，所述计算机程序产品或计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中；所述计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，所述处理器执行所述计算机指令时实现本申请各实施例的设备故障预测方法中的步骤。
实施本发明实施例，将具有如下有益效果：
通过对目标设备进行实时监控，从而获取目标设备在当前时间的最新运行数据以及目标设备对应的设备类型码，根据设备类型码与设备码表，确定目标设备包含的若干个设备类型以及各个组件之间的运行逻辑关系，获取对应的若干个故障模型后，基于各个组件之间的运行逻辑关系，将每个组件对应的故障模型进行组合，构建得到目标设备对应的故障预测模型，从而通过故障预测模型根据目标设备当前运行数据进行初步故障预测，得到初步故障预测结果，能够及时或提前预测设备发生故障；并且，在检测到预测故障时间小于预设阈值后，根据获取到的目标设备的历史设备数据和区域信息，结合初步故障预测结果对目标设备进行进一步的故障预测，有效提高设备故障预测的准确性，解决现有故障针对技术存在延时性的问题，满足运维需求，避免由于不能及时对重要设备进行故障预测和维修造成经济损失和发生安全事故的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，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。
其中：
图1为本申请实施例提供的设备故障预测方法的应用环境图；
图2为本申请实施例提供的网关的硬件结构框图；
图3为本申请实施例提供的设备故障预测方法的应用场景示意图；
图4为本申请实施例提供的设备故障预测方法的流程示意图；
图5为本申请实施例提供的设备故障预测装置的结构示意图；
图6为本申请实施例提供的设备故障预测装置的另一结构示意图；
图7为本申请实施例提供计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处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。
本申请提供的设备故障预测方法，可以应用于如图1所示的应用环境中。其中，其中，图1提供了一种设备故障预测系统，该设备故障预测系统包括目标设备100、与该目标设备通信连接的网关200、路由器300、服务器400以及智能终端500。
目标设备100接入设备故障预测系统中的网关200，并通过其自身所配置的通信模块与网关200通信，进而受控于网关200。在一种实施方式中，目标设备100通过局域网络路径或广域网路路径接入网关200，从而部署于网关中。其中，局域网络可以包括ZIGBEE（紫蜂，一种低速短距离传输的无线网上协议）或者蓝牙，广域网络可以包括2G/3G/4G/5G/WIFI等。
网关通过路由器与智能终端或服务器之间建立网络连接，在一种实施方式中，网关与智能终端之间可以通过局域网络或广域网络路径建立网络连接。通过该网络连接与智能终端交互，进而使得用户借助此智能终端控制接入网关的目标设备执行相应动作。
其中，智能终端可以是智能手机、笔记本电脑、个人计算机、平板电脑、智能控制面板或者其他可实施网络连接的电子设备，在此不进行限定。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
图2为本申请实施例提供的网关的硬件结构框图。此网关适用于图1所示的实施环境。
需要说明的是，该网关只是一个适配于本申请的示例，不能认为是提供了对本申请的使用范围的任何限制。该网关也不能解释为需要依赖于或者必须具有图2中示出的示例性的网关200中的一个或者多个组件。
该网关200的硬件结构可因配置或者性能的不同而产生较大的差异，如图2所示，网关200包括：电源210、接口230、至少一存储器250、以及至少一中央处理器（CPU, CentralProcessing Units）270。
其中，电源210用于为网关200上的各硬件设备提供工作电压。接口230包括至少一有线或无线网络接口231、至少一串并转换接口233、至少一输入输出接口235以及至少一USB接口237等，用于与外部设备通信。
存储器250作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统251、应用程序253或者数据255等，存储方式可以是短暂存储或者永久存储。其中，操作系统251用于管理与控制网关200上的各硬件设备以及应用程序253，以实现中央处理器270对海量数据255的计算与处理，其可以是WindowsServerTM、Mac OS XTM、UnixTM、LinuxTM、FreeBSDTM、FreeRTOS等操作系统。应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序，其可以包括至少一模块（图2中未示出），每个模块都可以分别包含有对网关200的一系列计算机可读指令。数据255可以是存储于磁盘中的照片、图片等。
中央处理器270可以包括一个或多个以上的处理器，并设置为通过总线与存储器250通信，用于运算与处理存储器250中的海量数据255。如上面所详细描述的，适用本申请的网关200将通过中央处理器270读取存储器250中存储的一系列计算机可读指令的形式来完成监控方法。
此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本申请，因此，实现本申请并不限于任何特定硬件电路、软件以及两者的组合。
以下分别进行详细说明。需要说明的是，以下实施例的描述顺序不作为对实施例优先顺序的限定。
首先，介绍本申请提供的设备故障预测方法的一种应用场景，如图3所示，以目标设备为电梯为例，电梯包括电梯门1、按钮2、照明模块3、曳引绳4、驱动电机5、驱动轮6和轿厢本体7，分别设置在电梯门1、按钮2、照明模块3、曳引绳4、驱动电机5、驱动轮6和轿厢本体7的传感器或摄像装置等能够获取电梯不同部件的运行状态的装置器件，在数据中心发出对目标设备（电梯）进行实时监控的指令时，通过设置于电梯的传感器和小黑盒等装置获取电梯当前时间的运行数据及其对应的设备类型码，从而根据设备类型码确定电梯的设备类型信息，包括按钮2、照明模块3、曳引绳4、驱动电机5、驱动轮6和轿厢本体7的类型信息，从而获取电梯各个组件对应的多个故障模型及运行逻辑关系，该故障模型可以是根据同批次采购设备的情况构建的神经网络预测模型，从而根据各个组件对应的运行逻辑关系将多个故障模型进行组合构建后得到电梯的故障预测模型，通过故障预测模型根据电梯当前时间的运行数据对电梯进行初步故障预测，得到初步故障预测结果，并根据初步故障预测结果生成对应的预警信息，通过与电梯网络连接的数据中心将初步故障预测结果及预警信息发送至智能终端。另外，在检测初步故障预测结果中的预测故障时间小于预设阈值后，获取电梯的历史设备数据以及所在的区域信息，在电梯的初步故障预测结果的基础上，结合该电梯的历史设备数据以及所在区域信息，得到更为准确的二次故障预测结果，最后根据二次故障预测结果生成对应的预警信息，通过与电梯网络连接的数据中心将二次故障预测结果及预警信息发送至智能终端进行告警，从而有效提高设备故障预测的准确性，满足运维需求，避免由于不能及时对重要设备（如电梯）进行故障预测和维修造成经济损失和发生安全事故的情况。
本申请提供一种设备故障预测方法，包括：对目标设备进行监控，获取目标设备当前时间的运行数据以及对应的设备类型码；基于设备码表和设备类型码，确定目标设备的设备类型信息；基于设备类型信息，获取目标设备对应的若干个故障模型以及运行逻辑关系；基于运行逻辑关系将若干个故障模型进行组合，构建得到目标设备对应的故障预测模型；通过故障预测模型根据当前时间的运行数据对目标设备进行初步故障预测，得到初步故障预测结果；在检测初步故障预测结果中的预测故障时间小于预设阈值后，获取目标设备的历史设备数据以及区域信息；基于历史设备数据、区域信息以及初步故障预测结果，对目标设备进行二次故障预测，得到二次故障预测结果。
请参阅图4，提供了一种设备故障预测方法，以该方法应用于电子设备(或计算机设备等)为例进行说明，该电子设备(或计算机设备等)具体可以是图1中的终端、网关、服务器等，具体可以包括以下步骤：
S1、对目标设备进行监控，获取目标设备当前时间的运行数据以及对应的设备类型码；
具体的，对于步骤S1，首先确定本次故障预测的目标设备，然后对目标设备进行实时监控，获取目标设备对当前时间的运行数据以及目标设备对应的设备类型码，例如可以通过相关传感器实时获取目标设备不同组件在当前时间的运行数据，通过目标设备的小黑盒获取对应的设备类型码。
其中，运行数据和设备类型码的获取是针对数据获取操作而触发的，数据获取操作可以是由用户触发，例如响应用户针对数据获取按钮的点击操作，触发数据获取指令，然后根据数据获取指令触发数据获取操作，运行数据和设备类型码的获取方式可以是从用户终端的本地数据中获取，也可以是通过网络从云端服务器或数据中心获取，在此不进行具体限定。
S2、基于设备码表和设备类型码，确定目标设备的设备类型信息；
具体的，对于步骤S2，在获取到目标设备的设备类型码后，根据设备类型码在预先存储的设备码表中进行匹配，从而匹配得到目标设备的设备类型信息。例如目标设备的设备类型码为0001A，则在设备码表中查找0001A对应的设备类型信息，得到目标设备的设备类型信息，设备类型信息包括目标设备的品牌及型号等信息。
S3、基于设备类型信息，获取目标设备对应的若干个故障模型以及运行逻辑关系；
具体的，对于步骤S3，在获取到目标设备对应的设备类型信息之后，基于该设备类型信息确定目标设备中至少一个组件的对应的故障模型以及至少一个组件之间的运行逻辑关系，例如在确定电梯的设备类型信息之后，根据该设备类型信息获取电梯的组件信息，例如该型号的电梯包括按钮、照明模块、驱动电机、驱动轮和轿厢本体，则分别获取按钮、照明模块、驱动电机、驱动轮和轿厢本体对应的故障模型，由于不同组件之间还存在不同的运行逻辑关系，例如驱动电机必须与驱动轮连接运行，驱动轮则会通过吊绳控制轿厢本体的升降，因此当驱动电机出现问题时，驱动轮即便是没有存在故障，也不能正常驱动，因此，本实施例还包括基于设备类型信息，确定目标设备中不同组件之间的运行逻辑关系。其中，故障模型可以是根据不同设备或组件所属生产商在同一批次生产的设备或组件的故障数据构建而成的模型，该模型结构可以是神经网络模型结构或回归分析模型结构，在此不进行具体限定。
S4、基于运行逻辑关系将若干个故障模型进行组合，构建得到目标设备对应的故障预测模型；
具体的，对于步骤S4，在获取到目标设备中不同组件对应的若干个故障模型和运行逻辑关系之后，按照目标设备中不同组件之间的运行逻辑关系，将若干个故障模型进行组合，例如将驱动轮对应的故障模型可以作为故障预测模型中的一层，由于驱动轮受驱动电机控制，从而通过吊绳控制轿厢本体的升降，因此可以设置驱动电机对应的故障模型在驱动轮的上层，设置吊绳和/或轿厢本体对应的故障模型在驱动轮的下层，又或者同时将运行逻辑关系较为密切的驱动电机、驱动轮、和吊绳设置在故障预测模型的一层，并按照驱动电机、驱动轮、和吊绳之间的控制逻辑，将驱动电机对应的故障模型的输出作为驱动轮对应的故障模型的输入，将驱动轮对应的故障模型的输出作为吊绳对应的故障模型的输入，组合方式可以根据实际需求进行设定；在将若干个故障模型进行组合后，得到目标设备对应的故障预测模型，其中，故障预测模型包括至少一个目标设备中组件对应的故障模型。
S5、通过故障预测模型根据当前时间的运行数据对目标设备进行初步故障预测，得到初步故障预测结果；
具体的，对于步骤S5，在构建得到目标设备对应的故障预测模型之后，将目标设备当前时间的运行数据输入至故障预测模型后，目标设备当前的运行数据具体可以包括目标设备中不同组件的运行数据，例如电梯中的按钮、照明模块、驱动电机和驱动轮等组件的运行数据，通过故障预测模型基于目标设备当前时间的运行数据进行初步故障预测，从而得到目标设备在当前时间的初步故障预测结果，其中，初步故障预测结果包括设备预测故障原因、预测故障时间和预测故障概率等的至少一种。
S6、在检测初步故障预测结果中的预测故障时间小于预设阈值后，获取目标设备的历史设备数据以及区域信息；
具体的，对于步骤S6，获取到目标设备在当前时间的初步预测结果之后，提取初步预测结果中的预测故障时间，判断该预测故障时间是否小于第一预设阈值，例如3天，认为预测下次发生故障的时间较为紧急，需要马上进行故障维修处理；此时，需要获取目标设备对应的历史设备数据以及区域信息，以根据历史设备数据以及所在区域信息进行后续的二次故障预测。
另外，当判断该预测故障时间大于或等于第一预设阈值时，则认为预测下次发生故障的时间比较久远，故障维修处理较为充足，则无需进行二次故障检测，根据初步故障预测结果生成告警信息进行推送，推送至智能终端以通知用户及时在故障发生之前进行维修处理。
S7、基于历史设备数据、区域信息以及初步故障预测结果，对目标设备进行二次故障预测，得到二次故障预测结果；
具体的，对于步骤S7，在判断初步故障预测结果中的预测故障时间小于第一预设阈值后，根据获取到的目标设备的历史设备数据以及所在区域的信息，结合初步故障预测结果，对目标设备进行进一步的二次故障预测，从而得到更为准确的二次故障预测结果，以根据二次故障预测结果生成目标设备对应的告警信息。
可见，本实施例提供的设备故障预测方法，通过对目标设备进行实时监控，从而获取目标设备在当前时间的最新运行数据以及目标设备对应的设备类型码，根据设备类型码与设备码表，确定目标设备包含的若干个设备类型，获取对应的若干个故障模型后进行组合，构建得到目标设备对应的故障预测模型，从而通过故障预测模型根据目标设备当前运行数据进行初步故障预测，得到初步故障预测结果，能够及时或提前预测设备发生故障；并且，在检测到预测故障时间小于预设阈值后，根据获取到的目标设备的历史设备数据和区域信息，结合初步故障预测结果对目标设备进行进一步的故障预测，有效提高设备故障预测的准确性，解决现有故障针对技术存在延时性的问题，满足运维需求，避免由于不能及时对重要设备进行故障预测和维修造成经济损失和发生安全事故的情况。
进一步地，在一些实施例中，步骤S5“通过故障预测模型根据当前时间的运行数据对目标设备进行初步故障预测，得到初步故障预测结果”，具体可以包括：
S51、按照目标设备的设备类型，将目标设备当前时间的运行数据进行分类；
S52、将分类后的当前时间的运行数据分别输入至故障预测模型对应的故障模型中，得到目标设备中不同组件对应的组件故障预测结果；
S53、基于不同组件对应的权重值及组件故障预测结果，计算目标设备在不同预测故障时间对应的故障预测值；
S54、基于预测故障时间和故障预测值，生成目标设备对应的初步故障预测结果。
具体的，对于步骤S5，首先获取目标设备的设备类型，从而根据设备类型来获取目标设备中各个不同组件对应的在当前时间的运行数据，并对运行数据按照所属不同组件进行分类，然后，将分类后的当前时间的运行数据分别输入至目标设备的故障预测模型，即输入至故障预测模型中不同的故障模型中，从而通过各个故障模型输入得到目标设备中各个组件相对应的组件故障预测结果；接着，基于目标设备预先设置好关于不同组件对应的权重值，结合其对应的组件故障预测结果，例如有些组件之间关系较为密切，当其中一个组件出现故障时，可能会直接影响到另一组件发生故障，因此这类组件的权重中较高，因此在一些实施例中还会获取组件的重要程度来进行排序，从而分配不同的权重值；综合计算出整个目标设备的在不同组件的不同预测故障时间对应的故障预测值（例如故障预测概率），从而基于上述不同预测故障时间及对应的故障预测值，生成整个目标设备对应的初步故障预测结果。本实施例通过将目标设备中不同组件在当前时间的运行数据输入至故障预测模型，从而通过故障预测模型中各个故障模型对不同组件进行故障预测，得到整个目标设备的初步预测结果，提高设备故障预测的准确性，从而能够及时或提前检测到设备故障，以进行后续维修。
进一步地，在一些实施例中，步骤S6“在检测初步故障预测结果中的预测故障时间小于预设阈值后，获取目标设备的历史设备数据以及区域信息”，具体可以包括：
提取初步故障预测结果中的预测故障时间；
在检测预测故障时间小于第一预设阈值后，获取目标设备中不同组件的历史设备数据，以及目标设备所在的区域信息；其中，历史设备数据包括历史故障数据、历史维修数据、历史运行数据和历史告警数据中的至少一种，区域信息包括目标设备对应的经纬度信息、海拔信息和气候信息中的至少一种。
具体的，在步骤S6中，在提取初步故障预测结果中的预测故障时间后，判断预测故障时间是否小于第一预设阈值，当检测到预测故障小于第一预设阈值时，立刻向数据中心发出针对目标设备的数据获取指令，从而根据数据获取指令获取到目标设备中不同组件的历史设备数据，以及目标设备当前所在的区域信息，例如，目标设备的历史设备数据可以是包括不同组件对应的历史故障数据、历史维修数据、历史运行数据和历史告警数据中的一种或多种，目标设备所在的区域信息具体可以包括目标设备当前所在位置的经纬度信息、海拔信息和气候信息中的一种或者多种。本实施例在检测到目标设备第一次故障预测时间小于第一预设阈值时，会获取目标设备的历史设备数据和所在的区域信息，从而为后续对目标设备进行二次故障预测提供更加真实且可靠的数据支撑，例如为二次故障预测提供目标设备的历史设备数据和地理信息，
进一步地，在一些实施例中，步骤S7“基于历史设备数据、区域信息以及初步故障预测结果，对目标设备进行二次故障预测，得到二次故障预测结果”，具体可以包括：
S71、基于历史设备数据中的历史故障数据、历史维修数据、历史运行数据和历史告警数据对应的权重值，计算目标设备对应的第一修正值；
S72、基于区域信息中的经纬度信息、海拔信息和气候信息对应的权重值，计算目标设备对应的第二修正值；
S73、基于第一修正值和第二修正值对初步故障预测结果进行二次故障预测，得到目标设备的二次故障预测结果。
具体的，关于步骤S7，在检测到初步故障预测结果中的故障预测时间小于第一预设阈值且获取到目标设备的历史设备数据和区域信息后，首先分别计算历史设备数据中的历史故障数据、历史维修数据、历史运行数据和历史告警数据对应的权重值，从而计算出目标设备对应的第一修正值，该第一修正值可以用于对初步故障预测结果进行进一步修正，得到更为准确的二次故障预测结果；同样，分别计算目标设备对应的区域信息中的经纬度信息、海拔信息和气候信息对应的权重值，从而计算出目标设备对应的第二修正值，该第二修正值同样用于对初步故障预测结果进行进一步修正，以得到更为准确的二次故障预测结果；最后，基于计算得到的第一修正值和第二修正值同时对初步故障预测结果中进行修正，即在初步故障预测结果的基础上对目标设备进行二次故障预测，以得到目标设备更加精确可靠的二次故障预测结果。其中，对于第一修正值或第二修正值的计算方法，还可以是通过线性回归算法模型、支持向量机算法模型或加权投票算法进行计算，例如通过构建历史故障数据、历史维修数据、历史运行数据和历史告警数据与第一修正值之间的多变量线性回归模型，从而将历史故障数据、历史维修数据、历史运行数据和历史告警数据作为输入变量输入至构建得到的多变量线性回归模型，从而输出得到第一修正值；通过支持向量机算法模型根据历史故障数据、历史维修数据、历史运行数据和历史告警数据作为输入，从而输出目标设备的故障评估结果，从而根据故障评估结果生成第一修正值；在得到第一修正值和第二修正值之后，还可以通过加权投票法计算出第一修正值和第二修正值的权重值，从而第一修正值和第二修正值的权重值对初步故障预测结果中进行二次故障预测，得到二次故障预测结果。
在一些实施例中，由于不同设备的不同运行状态不一样，其对应的维修情况或者历史故障情况也是不一样，因此，本实施例通过获取设备数据的历史故障数据、历史维修数据、历史运行数据和历史告警数据，其中，历史故障数据可以看出该设备的故障原因、故障严重程度和故障时间，历史维修数据则是可以判断该设备是否完全维修好、最近维修状况等信息，历史运行数据则是检测目标设备以往的运行状况是否存在异常，历史告警数据则是用于溯源查询，通过设置设备数据的历史故障数据、历史维修数据、历史运行数据和历史告警数据的权重，来计算出目标设备的第一修正值。由于目标设备可能会由存在一种以上的组件组成，因此在获取目标设备的历史设备数据时，会获取到不同组件的历史数据，在计算目标设备的第一修正值时，需要按照先计算出不同组件的历史数据对应的权重值，再综合不同组件的权重值计算出整个目标设备的第一修正值。
另外，由于目标设备所处的区域不同，会不同程度影响到故障预测结果，例如电梯在低纬度和高纬度、在沿海地区和在内陆地区、在低海拔和高海拔运行状态是有所不同的，因此其损耗情况也是有所区别的，在对不同区域的设备进行故障预测时，除了考虑其运行数据及历史数据之外，还需要考虑目标设备所在的区域的差异性，从而计算出目标设备的第二修正值，最后综合第一修正值和第二修正值对目标设备进行二次故障预测，进一步提高设备故障预测的准确性。
进一步地，在一些实施例中，步骤S73“基于第一修正值和第二修正值对初步故障预测结果进行二次故障预测，得到目标设备的二次故障预测结果”，具体可以包括：
在检测初步故障预测结果中的预测故障时间小于第一预设阈值且大于第二预设阈值后，按照第一修正策略分别计算第一修正值和第二修正值的权重值，对初步故障预测结果进行修正，得到目标设备的二次故障预测结果；
在检测初步故障预测结果中的预测故障时间小于第一预设阈值且小于第二预设阈值后，按照第二修正策略分别计算第一修正值和第二修正值的权重值，对初步故障预测结果进行修正，得到目标设备的二次故障预测结果。
具体的，关于步骤S73，在获取到目标设备的第一修正值和第二修正值后，对初步故障预测结果中的预测故障时间进行检测，若检测到预测故障时间小于第一预设阈值且大于第二预设阈值，第二预设阈值小于第一预设阈值，则按照预设的第一修正策略，分别计算第一修正值和第二修正值的权重值，例如可以设置第一修正策略为第一修正值的权重比第二修正值的权重低，此时可以按照第一修正策略根据第一修正值和第二修正值对初步故障预测结果进行修正，包括对初步故障预测结果中的预测故障原因、预测故障时间和预测故障概率进行修正，从而得到目标设备的二次故障预测结果；若检测到预测故障时间小于第一预设阈值且小于第二预设阈值后，则按照预设的第二修正策略，分别计算第一修正值和第二修正值的权重值，例如可以设置第二修正策略为第一修正值的权重比第二修正值的权重高，此时可以按照第二修正策略根据第一修正值和第二修正值对初步故障预测结果进行修正，例如，由于第二修正策略中第一修正值的权重比第二修正值的权重高，因此在修正的过程中，更倾向采用第一修正值对初故障预测结果中的多数组件对应的预测故障原因、预测故障时间和预测故障概率，剩余少数组件对应的预测故障原因、预测故障时间和预测故障概率则采用第二修正值进行，其中，多数和少数的比例可以预先在修正策略中进行设置，也可以是根据第一修正值与第二修正值之间的权重比进行设置，还可以是根据后续第一修正值和第二修正值进行动态设置，在此不进行具体限定，最后得到目标设备的二次故障预测结果，进一步提高故障预测的准确性。
需要说明的是，本实施例中的第一修正策略和第二修正策略不仅可以包括对第一修正值和第二修正值的计算方式，还可以包括对初步故障预测结果的修正计算方式，另外，第一修正策略和第二修正策略还可以是以神经网络模型或回归分析模型等结构形式，在此不进行具体限定。
进一步地，在一些实施例中，故障预测模型的构建方式，包括：
获取不同类型设备的故障数据，并对故障数据进行标签分类处理，得到故障数据对应的分类标签；
基于故障数据及分类标签，构建不同设备类型对应的故障预测模型的训练数据集；其中，故障预测模型包括至少一种设备类型对应的故障模型；
基于训练数据集对故障预测模型进行训练，直至故障预测模型的损失值小于预设损失值。
具体的，在本实施例中，关于故障预测模型的构建过程如下：首先获取不同类型的设备的故障数据，并对故障数据进行分类后通过标签进行标注，得到不同类型的故障数据及其对应分类标签，然后，根据不同类型的故障数据以及分类标签，构建出不同设备类型对应的故障预测模型的训练数据集，例如构建出电梯或汽车对应的故障预测模型的训练数据集，基于训练数据集对构建出的故障预测模型进行训练，并在训练过程中计算故障预测模型的损失值，损失值计算方式在此不进行具体限定，直至检测到故障预测模型当前的损失值小于预设损失值，停止对故障预测模型的训练。
另外，在本实施例中，当得到故障预测模型输出的初步故障预测结果之后，当到达初步故障预测结果中的预测故障时间后，检测目标设备是否发生故障，以及发生故障的真实原因及真实时间，从而采集上述真实故障数据后，更新至后续故障预测模型的训练数据集，进而在后续对故障预测模型的训练过程中，通过更新真实数据后的训练数据集对故障预测模型继续训练，提高模型效果，以提高故障预测模型的预测准确性。
进一步地，在一些实施例中，本实施例中的设备故障预测方法还包括：
基于初步故障预测结果或二次故障预测结果，生成对应的告警信息；
按照预设收敛降噪规则对告警信息进行筛选，得到有效告警信息；
和/或，按照预设告警压缩规则对告警信息进行告警压缩，得到有效告警信息；
基于有效告警信息进行告警推送，并生成对应的告警记录。
具体的，在对目标设备进行故障预测后，本实施例中的设备故障预测方法具体还可以包括根据初步故障预测结果或者二次故障预测结果生成对应的告警信息，但是，由于告警信息可能频繁生成导致用户无法从中得到有效告警信息，因此还可以按照预设的收敛降噪规则对生成的告警信息进行筛选，例如对告警信息进行打分，只有高于预设分数值的告警信息才作为有效告警信息进行推送，避免过多的告警信息导致无法提取有效告警信息的情况，使得用户能够及时收到有效告警信息进行设备维护；又或者，按照预设告警压缩规则对告警信息进行告警压缩，例如可以设置某一类设备在周期内针对同一故障预测结果仅生成或仅保留少量的告警信息，对同周期的同质化的告警信息进行压缩，得到有效告警信息，又或者通过汇聚、闪断、屏蔽等告警压缩方法，压制和抑制告警风暴，避免频繁的信息生成造成的信息轰炸的情况；最后，基于筛选和压缩后得到的有效告警信息进行告警推送，可以通过数据中心将告警信息推送至用户的智能终端，例如通过短信、邮件、IM（微信、企业微信、钉钉）方式进行告警通知，另外，在告警通知的同时，还会存档每一个告警对应的原始告警记录，存储至本地的数据库中或者上传至数据中心，帮助后续运维人员追溯、排查线上问题及风险。
应该理解的是，虽然图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为便于更好的实施本申请实施例的设备故障预测方法，本发明实施例还提供一种基于上述设备故障预测方法的设备故障预测装置。其中名词的含义与上述设备故障预测方法中相同，具体实现细节可以参考方法实施例中的说明。
请参阅图5，图5为本申请实施例提供的设备故障预测装置的结构示意图，该设备故障预测装置包括第一获取模块301、确定模块302、故障模型模块303、故障预测模型模块304、初步预测模块305、第二获取模块306和二次预测模块307。
其中，第一获取模块301，用于对目标设备进行监控，获取目标设备当前时间的运行数据以及对应的设备类型码；
具体的，对于第一获取模块301，首先确定本次故障预测的目标设备，然后对目标设备进行实时监控，获取目标设备对当前时间的运行数据以及目标设备对应的设备类型码，例如可以通过相关传感器实时获取目标设备不同组件在当前时间的运行数据，通过目标设备的小黑盒获取对应的设备类型码。
确定模块302，用于基于设备码表和设备类型码，确定目标设备的设备类型信息；
具体的，对于确定模块302，在获取到目标设备的设备类型码后，根据设备类型码在预先存储的设备码表中进行匹配，从而匹配得到目标设备的设备类型信息。例如目标设备的设备类型码为0001A，则在设备码表中查找0001A对应的设备类型信息，得到目标设备的设备类型信息，设备类型信息包括目标设备的品牌及型号等信息。
故障模型模块303，用于基于设备类型信息，获取目标设备对应的若干个故障模型以及运行逻辑关系；
具体的，对于故障模型模块303，在获取到目标设备对应的设备类型信息之后，基于该设备类型信息确定目标设备中至少一个组件的对应的故障模型，例如在确定电梯的设备类型信息之后，根据该设备类型信息获取电梯的组件信息，例如该型号的电梯包括按钮、照明模块、驱动电机、驱动轮和轿厢本体，则分别获取按钮、照明模块、驱动电机、驱动轮和轿厢本体对应的故障模型和各个组件之间的运行逻辑关系。其中，故障模型可以是根据不同设备或组件所属生产商在同一批次生产的设备或组件的故障数据构建而成的模型，该模型结构可以是神经网络模型结构或回归分析模型结构，在此不进行具体限定。
故障预测模型模块304，用于基于运行逻辑关系将若干个故障模型进行组合，构建得到目标设备对应的故障预测模型；
具体的，对于故障预测模型模块304，在获取到目标设备中不同组件对应的若干个故障模型和运行逻辑关系后，按照目标设备中不同组件之间的运行逻辑关系，将若干个组件对应的故障模型进行组合，在将若干个故障模型进行组合后，得到目标设备对应的故障预测模型，其中，故障预测模型包括至少一个目标设备中组件对应的故障模型。
初步预测模块305，用于通过故障预测模型根据当前时间的运行数据对目标设备进行初步故障预测，得到初步故障预测结果；
具体的，对于初步预测模块305，在构建得到目标设备对应的故障预测模型之后，将目标设备当前时间的运行数据输入至故障预测模型后，目标设备当前的运行数据具体可以包括目标设备中不同组件的运行数据，例如电梯中的按钮、照明模块、驱动电机和驱动轮等组件的运行数据，通过故障预测模型基于目标设备当前时间的运行数据进行初步故障预测，从而得到目标设备在当前时间的初步故障预测结果，其中，初步故障预测结果包括设备预测故障原因、预测故障时间和预测故障概率等的至少一种。
第二获取模块306，用于在检测初步故障预测结果中的预测故障时间小于预设阈值后，获取目标设备的历史设备数据以及区域信息；
具体的，对于第二获取模块306，获取到目标设备在当前时间的初步预测结果之后，提取初步预测结果中的预测故障时间，判断该预测故障时间是否小于第一预设阈值，例如3天，认为预测下次发生故障的时间较为紧急，需要马上进行故障维修处理；此时，需要获取目标设备对应的历史设备数据以及区域信息，以根据历史设备数据以及所在区域信息进行后续的二次故障预测。
二次预测模块307，用于基于历史设备数据、区域信息以及初步故障预测结果，对目标设备进行二次故障预测，得到二次故障预测结果；
具体的，对于二次预测模块307，在判断初步故障预测结果中的预测故障时间小于第一预设阈值后，根据获取到的目标设备的历史设备数据以及所在区域的信息，结合初步故障预测结果，对目标设备进行进一步的二次故障预测，从而得到更为准确的二次故障预测结果，以根据二次故障预测结果生成目标设备对应的告警信息。
进一步地，在一些实施例中，初步预测模块305具体可以包括：
分类单元，用于按照目标设备的设备类型，将目标设备当前时间的运行数据进行分类；
预测单元，用于将分类后的当前时间的运行数据分别输入至故障预测模型对应的故障模型中，得到目标设备中不同组件对应的组件故障预测结果；
计算单元，用于基于不同组件对应的权重值及组件故障预测结果，计算目标设备在不同预测故障时间对应的故障预测值；
生成单元，用于基于预测故障时间和故障预测值，生成目标设备对应的初步故障预测结果。
进一步地，在一些实施例中，第二获取模块306具体可以包括：
提取单元，用于提取初步故障预测结果中的预测故障时间；
获取单元，用于在检测预测故障时间小于第一预设阈值后，获取目标设备中不同组件的历史设备数据，以及目标设备所在的区域信息；其中，历史设备数据包括历史故障数据、历史维修数据、历史运行数据和历史告警数据中的至少一种，区域信息包括目标设备对应的经纬度信息、海拔信息和气候信息中的至少一种。
进一步地，在一些实施例中，二次预测模块307具体可以包括：
第一修正单元，用于基于历史设备数据中的历史故障数据、历史维修数据、历史运行数据和历史告警数据对应的权重值，计算目标设备对应的第一修正值；
第二修正单元，用于基于区域信息中的经纬度信息、海拔信息和气候信息对应的权重值，计算目标设备对应的第二修正值；
二次预测单元，用于基于第一修正值和第二修正值对初步故障预测结果进行二次故障预测，得到目标设备的二次故障预测结果。
进一步地，在一些实施例中，二次预测单元具体用于：在检测初步故障预测结果中的预测故障时间小于第一预设阈值且大于第二预设阈值后，按照第一修正策略分别计算第一修正值和第二修正值的权重值，对初步故障预测结果进行修正，得到目标设备的二次故障预测结果；在检测初步故障预测结果中的预测故障时间小于第一预设阈值且小于第二预预设值后，按照第二修正策略分别计算第一修正值和第二修正值的权重值，对初步故障预测结果进行修正，得到目标设备的二次故障预测结果。
进一步地，在一些实施例中，本实施例中的故障预测模型的构建方式，具体可以包括：获取不同类型设备的故障数据，并对故障数据进行标签分类处理，得到故障数据对应的分类标签；基于故障数据及分类标签，构建不同设备类型对应的故障预测模型的训练数据集；其中，故障预测模型包括至少一种设备类型对应的故障模型；基于训练数据集对故障预测模型进行训练，直至故障预测模型的损失值小于预设损失值。
进一步地，如图6所示，在一些实施例中，设备故障预测装置具体还可以包括告警模块308，告警模块308具体用于：基于初步故障预测结果或二次故障预测结果，生成对应的告警信息；按照预设收敛降噪规则对告警信息进行筛选，得到有效告警信息；和/或，按照预设告警压缩规则对告警信息进行告警压缩，得到有效告警信息；基于有效告警信息进行告警推送，并生成对应的告警记录。
关于设备故障预测装置的具体限定可以参见上文中对于设备故障预测方法的限定，在此不再赘述。上述设备故障预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
如上所述，本申请实施例提供了一种设备故障预测装置，通过对目标设备进行实时监控，从而获取目标设备在当前时间的最新运行数据以及目标设备对应的设备类型码，根据设备类型码与设备码表，确定目标设备包含的若干个设备类型以及各个组件之间的运行逻辑关系，获取对应的若干个故障模型后，基于各个组件之间的运行逻辑关系，将每个组件对应的故障模型进行组合，构建得到目标设备对应的故障预测模型，从而通过故障预测模型根据目标设备当前运行数据进行初步故障预测，得到初步故障预测结果，能够及时或提前预测设备发生故障；并且，在检测到预测故障时间小于预设阈值后，根据获取到的目标设备的历史设备数据和区域信息，结合初步故障预测结果对目标设备进行进一步的故障预测，有效提高设备故障预测的准确性，解决现有故障针对技术存在延时性的问题，满足运维需求，避免由于不能及时对重要设备进行故障预测和维修造成经济损失和发生安全事故的情况。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备故障预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备故障预测方法，其特征在于，至少包括如下步骤：
对目标设备进行监控，获取目标设备当前时间的运行数据以及对应的设备类型码；
基于设备码表和所述设备类型码，确定所述目标设备的设备类型信息；
基于所述设备类型信息，获取所述目标设备对应的若干个故障模型以及运行逻辑关系；
基于所述运行逻辑关系将所述若干个故障模型进行组合，构建得到所述目标设备对应的故障预测模型；
通过所述故障预测模型根据所述当前时间的运行数据对所述目标设备进行初步故障预测，得到初步故障预测结果；
在检测所述初步故障预测结果中的预测故障时间小于预设阈值后，获取所述目标设备的历史设备数据以及区域信息；
基于所述历史设备数据、区域信息以及初步故障预测结果，对所述目标设备进行二次故障预测，得到二次故障预测结果。
2.根据权利要求1所述的设备故障预测方法，其特征在于，所述通过所述故障预测模型根据所述当前时间的运行数据对所述目标设备进行初步故障预测，得到初步故障预测结果，包括：
按照所述目标设备的设备类型，将所述目标设备当前时间的运行数据进行分类；
将分类后的当前时间的运行数据分别输入至所述故障预测模型对应的故障模型中，得到所述目标设备中不同组件对应的组件故障预测结果；
基于不同组件对应的权重值及所述组件故障预测结果，计算所述目标设备在不同预测故障时间对应的故障预测值；
基于所述预测故障时间和故障预测值，生成所述目标设备对应的初步故障预测结果。
3.根据权利要求2所述的设备故障预测方法，其特征在于，所述在检测所述初步故障预测结果中的预测故障时间小于预设阈值后，获取所述目标设备的历史设备数据以及区域信息，包括：
提取所述初步故障预测结果中的预测故障时间；
在检测所述预测故障时间小于第一预设阈值后，获取所述目标设备中不同组件的历史设备数据，以及所述目标设备所在的区域信息；其中，所述历史设备数据包括历史故障数据、历史维修数据、历史运行数据和历史告警数据中的至少一种，所述区域信息包括所述目标设备对应的经纬度信息、海拔信息和气候信息中的至少一种。
4.根据权利要求3所述的设备故障预测方法，其特征在于，所述基于所述历史设备数据、区域信息以及初步故障预测结果，对所述目标设备进行二次故障预测，得到二次故障预测结果，包括：
基于所述历史设备数据中的历史故障数据、历史维修数据、历史运行数据和历史告警数据对应的权重值，计算所述目标设备对应的第一修正值；
基于所述区域信息中的经纬度信息、海拔信息和气候信息对应的权重值，计算所述目标设备对应的第二修正值；
基于所述第一修正值和所述第二修正值对所述初步故障预测结果进行二次故障预测，得到所述目标设备的二次故障预测结果。
5.根据权利要求4所述的设备故障预测方法，其特征在于，所述基于所述第一修正值和所述第二修正值对所述初步故障预测结果进行二次故障预测，得到所述目标设备的二次故障预测结果，包括：
在检测所述初步故障预测结果中的预测故障时间小于所述第一预设阈值且大于第二预设阈值后，按照第一修正策略分别计算所述第一修正值和所述第二修正值的权重值，对所述初步故障预测结果进行修正，得到所述目标设备的二次故障预测结果；
在检测所述初步故障预测结果中的预测故障时间小于所述第一预设阈值且小于第二预设阈值后，按照第二修正策略分别计算所述第一修正值和所述第二修正值的权重值，对所述初步故障预测结果进行修正，得到所述目标设备的二次故障预测结果。
6.根据权利要求1所述的设备故障预测方法，其特征在于，所述故障预测模型的构建方式，包括：
获取不同类型设备的故障数据，并对所述故障数据进行标签分类处理，得到所述故障数据对应的分类标签；
基于所述故障数据及分类标签，构建不同设备类型对应的故障预测模型的训练数据集；其中，所述故障预测模型包括至少一种设备类型对应的故障模型；
基于所述训练数据集对故障预测模型进行训练，直至所述故障预测模型的损失值小于预设损失值。
7.根据权利要求1-6任一项所述的设备故障预测方法，其特征在于，所述方法还包括：
基于所述初步故障预测结果或所述二次故障预测结果，生成对应的告警信息；
按照预设收敛降噪规则对所述告警信息进行筛选，得到有效告警信息；
和/或，按照预设告警压缩规则对所述告警信息进行告警压缩，得到有效告警信息；
基于所述有效告警信息进行告警推送，并生成对应的告警记录。
8.一种设备故障预测装置，其特征在于，包括：
第一获取模块，用于对目标设备进行监控，获取目标设备当前时间的运行数据以及对应的设备类型码；
确定模块，用于基于设备码表和所述设备类型码，确定所述目标设备的设备类型信息；
故障模型模块，用于基于所述设备类型信息，获取所述目标设备对应的若干个故障模型以及运行逻辑关系；
故障预测模型模块，用于基于所述运行逻辑关系将所述若干个故障模型进行组合，构建得到所述目标设备对应的故障预测模型；
初步预测模块，用于通过所述故障预测模型根据所述当前时间的运行数据对所述目标设备进行初步故障预测，得到初步故障预测结果；
第二获取模块，用于在检测所述初步故障预测结果中的预测故障时间小于预设阈值后，获取所述目标设备的历史设备数据以及区域信息；
二次预测模块，用于基于所述历史设备数据、区域信息以及初步故障预测结果，对所述目标设备进行二次故障预测，得到二次故障预测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的设备故障预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的设备故障预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311682484.8A CN117370848B (zh) | 2023-12-08 | 2023-12-08 | 设备故障预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311682484.8A CN117370848B (zh) | 2023-12-08 | 2023-12-08 | 设备故障预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117370848A true CN117370848A (zh) | 2024-01-09 |
| CN117370848B CN117370848B (zh) | 2024-04-02 |
Family
ID=89408137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311682484.8A Active CN117370848B (zh) | 2023-12-08 | 2023-12-08 | 设备故障预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370848B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理系统和方法 |
| JP2020042705A (ja) * | 2018-09-13 | 2020-03-19 | いすゞ自動車株式会社 | 故障予測装置、故障予測方法及びプログラム |
| CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
| US20200326698A1 (en) * | 2019-04-09 | 2020-10-15 | Nabtesco Corporation | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method |
| CN112885049A (zh) * | 2021-01-26 | 2021-06-01 | 广东电网有限责任公司 | 基于运行数据的智能电缆预警系统、方法及装置 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| WO2022105266A1 (zh) * | 2020-11-17 | 2022-05-27 | 日立楼宇技术（广州）有限公司 | 电梯故障预测方法、系统、装置、计算机设备和存储介质 |
| CN115204536A (zh) * | 2022-09-16 | 2022-10-18 | 苏州智能交通信息科技股份有限公司 | 楼宇设备故障预测方法、装置、设备及存储介质 |
| CN115410638A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于对比聚类的磁盘故障检测系统 |
| CN116070139A (zh) * | 2023-03-06 | 2023-05-05 | 中川建投集团有限公司 | 一种智能工地安全检测系统及方法 |
| CN117170915A (zh) * | 2023-08-10 | 2023-12-05 | 中国银行股份有限公司 | 数据中心设备故障预测方法、装置和计算机设备 |
-
2023
- 2023-12-08 CN CN202311682484.8A patent/CN117370848B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102189A (zh) * | 2018-08-10 | 2018-12-28 | 杨璇 | 一种电气设备健康管理系统和方法 |
| JP2020042705A (ja) * | 2018-09-13 | 2020-03-19 | いすゞ自動車株式会社 | 故障予測装置、故障予測方法及びプログラム |
| US20200326698A1 (en) * | 2019-04-09 | 2020-10-15 | Nabtesco Corporation | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method |
| CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
| WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
| WO2022105266A1 (zh) * | 2020-11-17 | 2022-05-27 | 日立楼宇技术（广州）有限公司 | 电梯故障预测方法、系统、装置、计算机设备和存储介质 |
| CN112885049A (zh) * | 2021-01-26 | 2021-06-01 | 广东电网有限责任公司 | 基于运行数据的智能电缆预警系统、方法及装置 |
| CN115410638A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于对比聚类的磁盘故障检测系统 |
| CN115204536A (zh) * | 2022-09-16 | 2022-10-18 | 苏州智能交通信息科技股份有限公司 | 楼宇设备故障预测方法、装置、设备及存储介质 |
| CN116070139A (zh) * | 2023-03-06 | 2023-05-05 | 中川建投集团有限公司 | 一种智能工地安全检测系统及方法 |
| CN117170915A (zh) * | 2023-08-10 | 2023-12-05 | 中国银行股份有限公司 | 数据中心设备故障预测方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117370848B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
| WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
| US20220245297A1 (en) | Scalable system and method for forecasting wind turbine failure using scada alarm and event logs | |
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| US11734474B2 (en) | System and method for evaluating models for predictive failure of renewable energy assets | |
| US20210203157A1 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
| US11396825B2 (en) | Turbine diagnostic feature selection system | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
| CN110910369A (zh) | 一种生产线监管的方法、装置及存储介质 | |
| CN112348205A (zh) | 轨道交通运维方法、装置、系统、设备及介质 | |
| CN111016827A (zh) | 用于自动驾驶车辆的配电系统的健康自学习系统和方法 | |
| CN109905278A (zh) | 基于大数据的基站故障检测方法、装置和存储介质 | |
| CN114567538A (zh) | 告警信息处理方法及装置 | |
| CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN117370848B (zh) | 设备故障预测方法、装置、计算机设备及存储介质 | |
| CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
| CN112241827A (zh) | 电子装置及控制方法 | |
| CN111210092A (zh) | 一种基于深度学习的堆垛机预测性维护方法及其系统 | |
| CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
| CN114089206A (zh) | 一种电池冗余模块的寿命预测方法、系统、介质及设备 | |
| CN111105582B (zh) | 森林防火监测方法、系统、计算机设备和可读存储介质 | |
| CN115176255A (zh) | 参数调整装置、推论装置、参数调整方法以及参数调整程序 | |
| CN116700199B (zh) | 一种基于数字孪生技术的工厂生产控制方法及系统 | |
| CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 |
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 |