CN117688342B - 一种基于模型的设备状态预测方法、电子设备及存储介质 - Google Patents
一种基于模型的设备状态预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117688342B CN117688342B CN202410139121.8A CN202410139121A CN117688342B CN 117688342 B CN117688342 B CN 117688342B CN 202410139121 A CN202410139121 A CN 202410139121A CN 117688342 B CN117688342 B CN 117688342B
- Authority
- CN
- China
- Prior art keywords
- target
- period
- historical
- cluster
- equipment
- 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 50
- 239000013598 vector Substances 0.000 claims abstract description 103
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Abstract
本发明提供了一种基于模型的设备状态预测方法、电子设备及存储介质,涉及数据处理领域,该方法包括:确定目标设备集群的待识别运行向量;将待识别运行向量中的最后一个特征信息对应的目标观测值和目标隐藏状态值重复输入至马尔可夫模型中Y次,得到Y个预测观测序列;将Y个预测观测序列输入至历史数据标准差椭圆中,确定存在于历史数据标准差椭圆外的预测观测序列的数量Z;若Z/Y大于观测序列比例阈值,则确定目标设备集群在第三目标时间段内处于异常运行状态。本发明通过将目标设备集群对应的目标观测值和目标隐藏状态值输入至马尔可夫模型中重复计算,确定目标设备集群的运行状态趋势,来判断目标设备集群是否可能会发生异常。
Description
技术领域
本发明涉及数据处理领域,特别是涉及一种基于模型的设备状态预测方法、电子设备及存储介质。
背景技术
目前对资产设备的状态监控,主要是通过采集每一资产设备的运行参数进行实现,通过将采集到的每一资产设备的运行参数实时与预设的参数阈值进行比较,若采集的资产设备的运行参数比对应的参数阈值大,则表示该资产设备在历史时刻发生了异常,需要对该资产设备进行维护。但此种状态监控方法只能对历史时刻已经发生过异常状态的资产设备进行监控,无法对该资产设备的将来时刻进行状态预测,具有滞后性,且易发生安全事故。
发明内容
针对上述技术问题,本发明采用的技术方案为:
根据本申请的一个方面,提供一种基于模型的设备状态预测方法,应用于设备状态预测系统,设备状态预测系统连接有目标设备集群,目标设备集群包括n个目标设备,每一目标设备对应有k个运行参数标识;
所述基于模型的设备状态预测方法包括如下步骤:
步骤S100、每隔第一目标时间段,获取每一目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数;第二目标时间段的结束时间为当前时间;第二目标时间段的长度大于第一目标时间段的长度;
步骤S200、根据每一目标设备在第二目标时间段内的若干运行参数,确定目标设备集群在第二目标时间段内的待识别运行向量;
步骤S300、将待识别运行向量与若干预设的目标运行向量进行对比,若待识别运行向量和每一预设的目标运行向量的匹配度均小于预设的匹配度阈值,则获取待识别运行向量中的最后一个特征信息对应的特征点的观测值和隐藏状态值,并分别将其确定为目标观测值和目标隐藏状态值;目标运行向量根据目标设备集群在历史安全时段内的若干运行参数得到;历史安全时段的长度与第二目标时间段的长度相等;且目标设备集群在历史关键时段内处于安全运行状态;历史关键时段的开始时间为历史安全时段的结束时间;目标观测值为对应的特征点的特征信息;目标隐藏状态值为对应的特征点与该特征点之前的特征点之间的连线方向和连线长度;
步骤S400、将目标观测值和目标隐藏状态值重复输入至预设的马尔可夫模型中Y次,得到预设的马尔可夫模型输出的Y个预测观测序列;马尔可夫模型通过待识别运行向量中的每一特征信息对应的特征点的观测值和隐藏状态值得到;
步骤S500、将Y个预测观测序列输入至预设的历史数据标准差椭圆中,确定Y个预测观测序列中,存在于历史数据标准差椭圆外的预测观测序列的数量Z;历史数据标准差椭圆根据目标设备集群在历史时段内处于安全运行状态时的运行参数得到;
步骤S600、若Z/Y大于预设的观测序列比例阈值,则确定目标设备集群在第三目标时间段内处于异常运行状态;第三目标时间段的开始时间为第二目标时间段的结束时间,且第三目标时间段的长度与历史关键时段的长度相等。
在本申请的一种示例性实施例中,步骤S200包括:
步骤S210、根据每一目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数,确定每一目标设备在第二目标时间段内的每一平均运行参数,得到目标平均运行参数列表集A=(A1,A2,...,Ai,...,An);Ai=(Ai1,Ai2,...,Aij,...,Aig);Aij=(Aij1,Aij2,...,Aijh,...,Aijk);其中,i=1,2,...,n;Ai为第i个目标设备在第二目标时间段内的平均运行参数列表;j=1,2,...,g;g为第二目标时间段内的子时间段的数量,且g个子时间段依次连接;Aij为第i个目标设备在第二目标时间段的第j个子时间段内的平均运行参数列表;h=1,2,...,k;Aijh为第i个目标设备在第二目标时间段的第j个子时间段内的第h个平均运行参数;Aijh通过对第i个目标设备在第二目标时间段的第j个子时间段内的第h个运行参数标识对应的若干运行参数进行平均处理得到;
步骤S220、根据目标平均运行参数列表集A,得到每一目标设备在第二目标时间段内的目标设备风险值列表集B=(B1,B2,...,Bi,...,Bn);Bi=(Bi1,Bi2,...,Bij,...,Big);Bij=(∑k h=1Aijh)/k;其中,Bi为第i个目标设备在第二目标时间段内的设备风险值列表;Bij为第i个目标设备在第二目标时间段的第j个子时间段内的设备风险值;
步骤S230、根据目标设备风险值列表集B,得到目标设备集群在第二目标时间段内的目标集群风险值列表D=(D1,D2,...,Dj,...,Dg);Dj=(∑n i=1Bij)/n;其中,Dj为目标设备集群在第二目标时间段的第j个子时间段内的集群风险值;
步骤S240、根据目标平均运行参数列表集A和目标设备风险值列表集B,得到每一目标设备在第二目标时间段内的目标设备波动值列表集C=(C1,C2,...,Ci,...,Cn);Ci=(Ci1,Ci2,...,Cij,...,Cig);Cij=(∑k h=1(Aijh-Bij)2)/k;其中,Ci为第i个目标设备在第二目标时间段内的设备波动值列表;Cij为第i个目标设备在第二目标时间段的第j个子时间段内的设备波动值;
步骤S250、根据目标设备波动值列表集C,得到目标设备集群在第二目标时间段内的目标集群波动值列表E=(E1,E2,...,Ej,...,Eg);Ej=(∑n i=1Cij)/n;其中,Ej为目标设备集群在第二目标时间段的第j个子时间段内的集群波动值;
步骤S260、根据目标集群风险值列表D和目标集群波动值列表E,确定目标设备集群在第二目标时间段内的待识别运行向量F=(F1,F2,...,Fj,...,Fg);Fj=(Dj,Ej);Fj为目标设备集群在第二目标时间段的第j个子时间段内对应的特征信息。
在本申请的一种示例性实施例中,目标运行向量通过以下步骤确定:
步骤S310、获取每一目标设备在历史安全时段内的每一平均运行参数,得到历史平均运行参数列表集G=(G1,G2,...,Gi,...,Gn);Gi=(Gi1,Gi2,...,Gij,...,Gig);Gij=(Gij1,Gij2,...,Gijh,...,Gijk);其中,Gi为第i个目标设备在历史安全时段内的平均运行参数列表;Gij为第i个目标设备在历史安全时段的第j个子时间段内的平均运行参数列表;Gijh为第i个目标设备在历史安全时段的第j个子时间段内的第h个平均运行参数;历史安全时段包括g个子时间段,且历史安全时段中包括的子时间段的长度与第二目标时间段中包括的子时间段的长度相等;
步骤S320、根据历史平均运行参数列表集G,得到每一目标设备在历史安全时段内的历史设备风险值列表集H=(H1,H2,...,Hi,...,Hn);Hi=(Hi1,Hi2,...,Hij,...,Hig);Hij=(∑k h=1Gijh)/k;其中,Hi为第i个目标设备在历史安全时段内的设备风险值列表;Hij为第i个目标设备在历史安全时段的第j个子时间段内的设备风险值;
步骤S330、根据历史设备风险值列表集H,得到目标设备集群在历史安全时段内的历史集群风险值列表I=(I1,I2,...,Ij,...,Ig);Ij=(∑n i=1Hij)/n;其中,Ij为目标设备集群在历史安全时段的第j个子时间段内的集群风险值;
步骤S340、根据历史平均运行参数列表集G和历史设备风险值列表集H,得到每一目标设备在历史安全时段内的历史设备波动值列表集J=(J1,J2,...,Ji,...,Jn);Ji=(Ji1,Ji2,...,Jij,...,Jig);Jij=(∑k h=1(Gijh-Hij)2)/k;其中,Ji为第i个目标设备在历史安全时段内的设备波动值列表;Jij为第i个目标设备在历史安全时段的第j个子时间段内的设备波动值;
步骤S350、根据历史设备波动值列表集J,得到目标设备集群在历史安全时段内的历史集群波动值列表K=(K1,K2,...,Kj,...,Kg);Kj=(∑n i=1Jij)/n;其中,Kj为目标设备集群在历史安全时段的第j个子时间段内的集群波动值;
步骤S360、根据历史集群风险值列表I和历史集群波动值列表K,确定目标设备集群在历史安全时段内的历史运行向量L=(L1,L2,...,Lj,...,Lg);Lj=(Ij,Kj);Lj为目标设备集群在历史安全时段的第j个子时间段内对应的特征信息;
步骤S370、若历史安全时段的数量为一个,则将该历史安全时段对应的历史运行向量确定为目标运行向量。
在本申请的一种示例性实施例中,步骤S370还包括:
步骤S371、若历史安全时段的数量为多个,则对每一历史安全时段对应的历史运行向量进行聚类,得到若干个历史运行向量类组;每个历史运行向量类组中包括若干历史运行向量;
步骤S372、对每个历史运行向量类组中的若干历史运行向量进行平均处理,得到每个历史运行向量类组对应的历史中心向量;
步骤S373、将每一历史中心向量确定为目标运行向量。
在本申请的一种示例性实施例中,马尔可夫模型通过以下步骤确定:
步骤S410、将F1,F2,...,Fj,...,Fg对应的特征点依次连接;
步骤S420、将Fm-1对应的特征点与Fm对应的特征点之间的连接线与水平坐标轴的夹角以及Fm-1对应的特征点与Fm对应的特征点之间的连接线的长度确定为Fm对应的隐藏状态值;其中,m=2,...,g;
步骤S430、将(Dm,Em)确定为Fm对应的观测值;
步骤S440、将每一特征点对应的观测值和隐藏状态值输入至预设的数学模型中进行训练,得到马尔可夫模型。
在本申请的一种示例性实施例中,将步骤S440替换为:
步骤S441、将若干特征点对应的隐藏状态值进行分箱处理,得到若干个处理后隐藏状态值;
步骤S442、将每一特征点对应的观测值和处理后隐藏状态值输入至预设的数学模型中进行训练,得到马尔可夫模型。
在本申请的一种示例性实施例中,F1对应的观测值为(D1,E1),F1对应的隐藏状态值为任意角度和0。
在本申请的一种示例性实施例中,历史数据标准差椭圆通过以下步骤确定:
步骤S510、获取每一目标设备在历史时段的每个子时间段内处于安全运行状态时的若干历史运行参数;
步骤S520、根据若干历史运行参数,得到每一目标设备在历史时段的每个子时间段内的若干历史时段设备风险值和若干历史时段设备波动值;
步骤S530、根据每一目标设备对应的若干历史时段设备风险值和若干历史时段设备波动值,得到目标设备集群在历史时段的每个子时间段内的历史时段集群风险值和历史时段集群波动值;
步骤S540、将同一子时间段对应的历史时段集群风险值和历史时段集群波动值分别作为一个历史特征点的横坐标和纵坐标,得到若干个历史特征点;历史特征点的数量与历史时段的子时间段的数量相等;
步骤S550、将每一历史特征点输入至标准差椭圆工具中,得到历史数据标准差椭圆。
根据本申请的一个方面,提供一种非瞬时性计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现前述的基于模型的设备状态预测方法。
根据本申请的一个方面,提供一种电子设备,包括处理器和前述的非瞬时性计算机可读存储介质。
本发明至少具有以下有益效果:
本发明每隔第一目标时间段,根据获取的每一目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数,确定目标设备集群在第二目标时间段内的待识别运行向量,将待识别运行向量与若干预设的目标运行向量进行对比,若待识别运行向量和每一预设的目标运行向量的匹配度均小于预设的匹配度阈值,则获取待识别运行向量中的最后一个特征信息对应的目标观测值和目标隐藏状态值,并将目标观测值和目标隐藏状态值重复输入至马尔可夫模型中Y次,得到Y个预测观测序列,将Y个预测观测序列输入至历史数据标准差椭圆中,确定Y个预测观测序列中,存在于历史数据标准差椭圆外的预测观测序列的数量Z,若Z/Y大于预设的观测序列比例阈值,则确定目标设备集群在第三目标时间段内处于异常运行状态。通过将目标设备集群对应的目标观测值和目标隐藏状态值输入至马尔可夫模型中重复计算,确定马尔可夫模型输出的预测观测序列,再通过存在于历史数据标准差椭圆外的预测观测序列的数量与马尔可夫模型输出的预测观测序列的总数量的比值,确定目标设备集群在将来时刻的运行状态趋势,来判断目标设备集群是否可能会发生异常。
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为本发明实施例提供的基于模型的设备状态预测方法的流程图。
具体实施方式
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,都属于本发明保护的范围。
一种基于模型的设备状态预测方法,应用于设备状态预测系统,设备状态预测系统连接有目标设备集群,目标设备集群包括n个目标设备,每一目标设备对应有k个运行参数标识。
目标设备集群中包括的若干个目标设备可以为生产设备,也可以为进行网络通讯的资产设备等,每个运行参数标识对应有唯一种类的运行参数,运行参数标识用来表示目标设备被实时监测的运行参数的种类,运行参数可以为目标设备的运行温度、环境湿度、数据包的接收数量、数据包的发送数量等等。
如图1所示,本发明提出的基于模型的设备状态预测方法,包括如下步骤:
步骤S100、每隔第一目标时间段,获取每一目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数;第二目标时间段的结束时间为当前时间;第二目标时间段的长度大于第一目标时间段的长度;
在本申请的一种实施例中,第一目标时间段可以设置为十分钟,第二目标时间段可以设置为过去三小时,即每隔十分钟,获取每一目标设备在过去三小时内的每个运行参数标识对应的平均运行参数。第一目标时间段和第二目标时间段可以根据目标设备集群中的目标设备的监控数量或监控的运行参数的种类数量而定,目标设备集群越复杂,设定的对应的目标时间段的长度越小。
第二目标时间段内的子时间段的数量也可根据用户欲要得到的运行参数的频率而定,若用户要采集频率较高的运行参数,则将子时间段的数量增大,反之,将子时间段的数量减小,第二目标时间段内的每一子时间段的长度相同,即将第二目标时间段等分为若干个子时间段,以确保得到的平均运行参数的相差度不会太大。
步骤S200、根据每一目标设备在第二目标时间段内的若干运行参数,确定目标设备集群在第二目标时间段内的待识别运行向量;
进一步,步骤S200包括:
步骤S210、根据每一目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数,确定每一目标设备在第二目标时间段内的每一平均运行参数,得到目标平均运行参数列表集A=(A1,A2,...,Ai,...,An);Ai=(Ai1,Ai2,...,Aij,...,Aig);Aij=(Aij1,Aij2,...,Aijh,...,Aijk);其中,i=1,2,...,n;Ai为第i个目标设备在第二目标时间段内的平均运行参数列表;j=1,2,...,g;g为第二目标时间段内的子时间段的数量,且g个子时间段依次连接;Aij为第i个目标设备在第二目标时间段的第j个子时间段内的平均运行参数列表;h=1,2,...,k;Aijh为第i个目标设备在第二目标时间段的第j个子时间段内的第h个平均运行参数;Aijh通过对第i个目标设备在第二目标时间段的第j个子时间段内的第h个运行参数标识对应的若干运行参数进行平均处理得到;
平均运行参数即目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数的平均值,即每个运行参数标识对应一个平均运行参数,平均运行参数为同种类的若干运行参数的平均值。
步骤S220、根据目标平均运行参数列表集A,得到每一目标设备在第二目标时间段内的目标设备风险值列表集B=(B1,B2,...,Bi,...,Bn);Bi=(Bi1,Bi2,...,Bij,...,Big);Bij=(∑k h=1Aijh)/k;其中,Bi为第i个目标设备在第二目标时间段内的设备风险值列表;Bij为第i个目标设备在第二目标时间段的第j个子时间段内的设备风险值;
步骤S230、根据目标设备风险值列表集B,得到目标设备集群在第二目标时间段内的目标集群风险值列表D=(D1,D2,...,Dj,...,Dg);Dj=(∑n i=1Bij)/n;其中,Dj为目标设备集群在第二目标时间段的第j个子时间段内的集群风险值;
步骤S240、根据目标平均运行参数列表集A和目标设备风险值列表集B,得到每一目标设备在第二目标时间段内的目标设备波动值列表集C=(C1,C2,...,Ci,...,Cn);Ci=(Ci1,Ci2,...,Cij,...,Cig);Cij=(∑k h=1(Aijh-Bij)2)/k;其中,Ci为第i个目标设备在第二目标时间段内的设备波动值列表;Cij为第i个目标设备在第二目标时间段的第j个子时间段内的设备波动值;
步骤S250、根据目标设备波动值列表集C,得到目标设备集群在第二目标时间段内的目标集群波动值列表E=(E1,E2,...,Ej,...,Eg);Ej=(∑n i=1Cij)/n;其中,Ej为目标设备集群在第二目标时间段的第j个子时间段内的集群波动值;
波动值表示目标设备集群在对应的时间段内的运行参数的波动大小,确定目标设备集群在对应的时间段内是否处于正常的稳定运行状态,波动值越大,表示目标设备集群在对应的时间段内运行越不稳定。
风险值表示目标设备集群在对应的时间段内的运行状态风险程度,风险值越大,表示目标设备集群在对应的时间段内运行越可能发生异常。
先确定每一目标设备在对应时间段内的目标设备风险值和目标设备波动值,再确定目标设备集群在对应时间段内的目标集群风险值和目标集群波动值。
步骤S260、根据目标集群风险值列表D和目标集群波动值列表E,确定目标设备集群在第二目标时间段内的待识别运行向量F=(F1,F2,...,Fj,...,Fg);Fj=(Dj,Ej);Fj为目标设备集群在第二目标时间段的第j个子时间段内对应的特征信息。
目标设备集群对应的待识别运行向量的每一特征信息可以表示为一个二维坐标点,该二维坐标点的横坐标为目标设备集群在对应的时间段内的目标集群风险值,该二维坐标点的纵坐标为目标设备集群在对应的时间段内的目标集群波动值。
通过待识别运行向量,即可得知目标设备集群在对应的时间段的每一子时间段内的目标集群风险值和目标集群波动值。
步骤S300、将待识别运行向量与若干预设的目标运行向量进行对比,若待识别运行向量和每一预设的目标运行向量的匹配度均小于预设的匹配度阈值,则获取待识别运行向量中的最后一个特征信息对应的特征点的观测值和隐藏状态值,并分别将其确定为目标观测值和目标隐藏状态值,并执行步骤S400;
若待识别运行向量和任一预设的目标运行向量的匹配度大于等于预设的匹配度阈值,则确定目标设备集群在第三目标时间段内处于安全运行状态;
其中,目标运行向量根据目标设备集群在历史安全时段内的若干运行参数得到;历史安全时段的长度与第二目标时间段的长度相等;且目标设备集群在历史关键时段内处于安全运行状态;历史关键时段的开始时间为历史安全时段的结束时间;第三目标时间段的开始时间为第二目标时间段的结束时间,且第三目标时间段的长度与历史关键时段的长度相等。
为了确保待识别运行向量和目标运行向量的匹配度更为准确,故将历史安全时段的长度设置为与第二目标时间段的长度相等,且历史安全时段中的子时间段的数量与第二目标时间段中的子时间段的数量相等,以保证每一目标运行向量的维度与待识别运行向量的维度相等,便于两者进行比较。
此外,历史安全时段的限定还有特定的规则,即目标设备集群在历史安全时段后的历史关键时段内处于安全运行状态,以便于后续对目标设备集群在将来时刻的运行状态进行预测。将来时刻即第三目标时间段,第三目标时间段的长度与历史关键时段的长度相等,历史安全时段和历史关键时段均为历史时刻。
通过目标设备集群在历史时刻的运行参数,得到若干个目标运行向量,再将待识别运行向量与若干目标运行向量进行对比,若待识别运行向量和任一目标运行向量的匹配度大于等于预设的匹配度阈值,则表示目标设备集群在第二目标时间段内的运行状态与目标设备集群在该相似的目标运行向量对应的历史安全时段内的运行状态相似,由于目标设备集群在该历史安全时段后的历史关键时段内处于安全运行状态,所以,可以确定目标设备集群在第二目标时间段后的第三目标时间段内也处于安全运行状态,以达到对目标设备集群在将来时刻的运行状态的预测。
若待识别运行向量和每一目标运行向量的匹配度均小于预设的匹配度阈值,则表示目标设备集群在第二目标时间段内的运行状态与目标设备集群在每个目标运行向量对应的历史安全时段内的运行状态均不相同,不能确定目标设备集群在第三目标时间段内的运行状态是否正常,则需要进行进一步判断,即执行步骤S400,通过获取待识别运行向量中的最后一个特征信息对应的特征点的观测值和隐藏状态值,以确定目标设备集群在第三目标时间段内的运行状态。
目标观测值为对应的特征点的特征信息(即步骤S260中提到的特征信息对应的二维坐标点),目标隐藏状态值为对应的特征点与该特征点之前的特征点之间的连线方向和连线长度(即将每相邻两个特征点进行连线,该连线与水平方向的角度以及该线段的长度即为后一特征点对应的目标隐藏状态值)。
其中,目标运行向量通过步骤S310-步骤S373确定:
步骤S310、获取每一目标设备在历史安全时段内的每一平均运行参数,得到历史平均运行参数列表集G=(G1,G2,...,Gi,...,Gn);Gi=(Gi1,Gi2,...,Gij,...,Gig);Gij=(Gij1,Gij2,...,Gijh,...,Gijk);其中,Gi为第i个目标设备在历史安全时段内的平均运行参数列表;Gij为第i个目标设备在历史安全时段的第j个子时间段内的平均运行参数列表;Gijh为第i个目标设备在历史安全时段的第j个子时间段内的第h个平均运行参数;历史安全时段包括g个子时间段,且历史安全时段中包括的子时间段的长度与第二目标时间段中包括的子时间段的长度相等;
步骤S320、根据历史平均运行参数列表集G,得到每一目标设备在历史安全时段内的历史设备风险值列表集H=(H1,H2,...,Hi,...,Hn);Hi=(Hi1,Hi2,...,Hij,...,Hig);Hij=(∑k h=1Gijh)/k;其中,Hi为第i个目标设备在历史安全时段内的设备风险值列表;Hij为第i个目标设备在历史安全时段的第j个子时间段内的设备风险值;
步骤S330、根据历史设备风险值列表集H,得到目标设备集群在历史安全时段内的历史集群风险值列表I=(I1,I2,...,Ij,...,Ig);Ij=(∑n i=1Hij)/n;其中,Ij为目标设备集群在历史安全时段的第j个子时间段内的集群风险值;
步骤S340、根据历史平均运行参数列表集G和历史设备风险值列表集H,得到每一目标设备在历史安全时段内的历史设备波动值列表集J=(J1,J2,...,Ji,...,Jn);Ji=(Ji1,Ji2,...,Jij,...,Jig);Jij=(∑k h=1(Gijh-Hij)2)/k;其中,Ji为第i个目标设备在历史安全时段内的设备波动值列表;Jij为第i个目标设备在历史安全时段的第j个子时间段内的设备波动值;
步骤S350、根据历史设备波动值列表集J,得到目标设备集群在历史安全时段内的历史集群波动值列表K=(K1,K2,...,Kj,...,Kg);Kj=(∑n i=1Jij)/n;其中,Kj为目标设备集群在历史安全时段的第j个子时间段内的集群波动值;
步骤S360、根据历史集群风险值列表I和历史集群波动值列表K,确定目标设备集群在历史安全时段内的历史运行向量L=(L1,L2,...,Lj,...,Lg);Lj=(Ij,Kj);Lj为目标设备集群在历史安全时段的第j个子时间段内对应的特征信息;
步骤S370、若历史安全时段的数量为一个,则将该历史安全时段对应的历史运行向量确定为目标运行向量;
步骤S371、若历史安全时段的数量为多个,则对每一历史安全时段对应的历史运行向量进行聚类,得到若干个历史运行向量类组;每个历史运行向量类组中包括若干历史运行向量;
步骤S372、对每个历史运行向量类组中的若干历史运行向量进行平均处理,得到每个历史运行向量类组对应的历史中心向量;
步骤S373、将每一历史中心向量确定为目标运行向量。
目标运行向量的确定方法与待识别运行向量的确定方法相同,只是采集的运行参数的时间段不同。
步骤S400、将目标观测值和目标隐藏状态值重复输入至预设的马尔可夫模型中Y次,得到预设的马尔可夫模型输出的Y个预测观测序列;
马尔可夫模型通过待识别运行向量中的每一特征信息对应的特征点的观测值和隐藏状态值得到,观测值和隐藏状态值为确定马尔可夫模型的因素,马尔可夫模型的确定方法为现有技术,在此不再赘述。
马尔可夫模型输出的预测观测序列表示目标设备集群的下一特征点对应的移动方向和移动距离,通过移动方向和移动距离,即可确定下一特征点的二维坐标点(特征信息)。
步骤S500、将Y个预测观测序列输入至预设的历史数据标准差椭圆中,确定Y个预测观测序列中,存在于历史数据标准差椭圆外的预测观测序列的数量Z;
历史数据标准差椭圆根据目标设备集群在历史时段内处于安全运行状态时的运行参数得到。
历史数据标准差椭圆为根据目标设备集群在历史时段内的若干安全运行参数得到的标准差椭圆,历史时段可以根据用户的需求而定,历史时段与第二目标时间段、历史安全时段之间没有限定关系,两者可以重合,可以不重合,通过数据确定标准差椭圆的方法为现有技术,在此不再赘述。
由于历史数据标准差椭圆为根据目标设备集群的安全运行参数得到的,也就表示在历史数据标准差椭圆内的特征点均为目标设备集群在安全运行状态下的特征点,将预测观测序列输入至历史数据标准差椭圆中,若预测观测序列确定的特征点在历史数据标准差椭圆内,则表示该预测观测序列确定的特征点为目标设备集群在历史时刻的安全运行状态下的特征点,反之,若预测观测序列确定的特征点在历史数据标准差椭圆外,则表示该预测观测序列确定的特征点不为目标设备集群在历史时刻的安全运行状态下的特征点。
步骤S600、若Z/Y大于预设的观测序列比例阈值,则确定目标设备集群在第三目标时间段内处于异常运行状态。
若Z/Y大于预设的观测序列比例阈值,则表示预测的Y个特征点中,存在于历史数据标准差椭圆外的特征点的占比较大,表示目标设备集群的下一特征点位于历史数据标准差椭圆外的可能性较大,位于历史数据标准差椭圆外即目标设备集群处于异常运行状态,则确定目标设备集群在第三目标时间段内处于异常运行状态。
其中,历史数据标准差椭圆通过步骤S510-步骤S550确定:
步骤S510、获取每一目标设备在历史时段的每个子时间段内处于安全运行状态时的若干历史运行参数;
本申请中各个时间段的每一子时间段的长度均相等。
步骤S520、根据若干历史运行参数,得到每一目标设备在历史时段的每个子时间段内的若干历史时段设备风险值和若干历史时段设备波动值;
历史时段设备风险值和历史时段设备波动值的确定方法与历史设备风险值和历史设备波动值的确定方法相同,可参考步骤S320和步骤S340。
步骤S530、根据每一目标设备对应的若干历史时段设备风险值和若干历史时段设备波动值,得到目标设备集群在历史时段的每个子时间段内的历史时段集群风险值和历史时段集群波动值;
历史时段集群风险值和历史时段集群波动值的确定方法与历史集群风险值和历史集群波动值的确定方法相同,可参考步骤S330和步骤S350。
步骤S540、将同一子时间段对应的历史时段集群风险值和历史时段集群波动值分别作为一个历史特征点的横坐标和纵坐标,得到若干个历史特征点;历史特征点的数量与历史时段的子时间段的数量相等;
步骤S550、将每一历史特征点输入至标准差椭圆工具中,得到历史数据标准差椭圆。
其中,马尔可夫模型通过步骤S410-步骤S440确定:
步骤S410、将F1,F2,...,Fj,...,Fg对应的特征点依次连接;
步骤S420、将Fm-1对应的特征点与Fm对应的特征点之间的连接线与水平坐标轴的夹角以及Fm-1对应的特征点与Fm对应的特征点之间的连接线的长度确定为Fm对应的隐藏状态值;其中,m=2,...,g;
其中,F1对应的观测值为(D1,E1),F1对应的隐藏状态值为任意角度和0。
步骤S430、将(Dm,Em)确定为Fm对应的观测值;
步骤S440、将每一特征点对应的观测值和隐藏状态值输入至预设的数学模型中进行训练,得到马尔可夫模型。
在马尔可夫模型的确定方法的第二实施例中,将步骤S440替换为:
步骤S441、将若干特征点对应的隐藏状态值进行分箱处理,得到若干个处理后隐藏状态值;
步骤S442、将每一特征点对应的观测值和处理后隐藏状态值输入至预设的数学模型中进行训练,得到马尔可夫模型。
分箱处理可以使数据处理量降低,以缩短数据处理时间,降低系统算力的占用空间。
本发明每隔第一目标时间段,根据获取的每一目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数,确定目标设备集群在第二目标时间段内的待识别运行向量,将待识别运行向量与若干预设的目标运行向量进行对比,若待识别运行向量和每一预设的目标运行向量的匹配度均小于预设的匹配度阈值,则获取待识别运行向量中的最后一个特征信息对应的目标观测值和目标隐藏状态值,并将目标观测值和目标隐藏状态值重复输入至马尔可夫模型中Y次,得到Y个预测观测序列,将Y个预测观测序列输入至历史数据标准差椭圆中,确定Y个预测观测序列中,存在于历史数据标准差椭圆外的预测观测序列的数量Z,若Z/Y大于预设的观测序列比例阈值,则确定目标设备集群在第三目标时间段内处于异常运行状态。通过将目标设备集群对应的目标观测值和目标隐藏状态值输入至马尔可夫模型中重复计算,确定马尔可夫模型输出的预测观测序列,再通过存在于历史数据标准差椭圆外的预测观测序列的数量与马尔可夫模型输出的预测观测序列的总数量的比值,确定目标设备集群在将来时刻的运行状态趋势,来判断目标设备集群是否可能会发生异常。
本发明的实施例还提供一种计算机程序产品,其包括程序代码,当所述程序产品在电子设备上运行时,所述程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
根据本发明的这种实施方式的电子设备。电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于:上述至少一个处理器、上述至少一个储存器、连接不同系统组件(包括储存器和处理器)的总线。
其中,所述储存器存储有程序代码,所述程序代码可以被所述处理器执行,使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
储存器可以包括易失性储存器形式的可读介质,例如随机存取储存器(RAM)和/或高速缓存储存器,还可以进一步包括只读储存器(ROM)。
储存器还可以包括具有一组(至少一个)程序模块的程序/实用工具,这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种,包括储存器总线或者储存器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且,电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器通过总线与电子设备的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
Claims (9)
1.一种基于模型的设备状态预测方法,其特征在于,应用于设备状态预测系统,所述设备状态预测系统连接有目标设备集群,所述目标设备集群包括n个目标设备,每一所述目标设备对应有k个运行参数标识;
所述方法包括如下步骤:
步骤S100、每隔第一目标时间段,获取每一所述目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数;所述第二目标时间段的结束时间为当前时间;所述第二目标时间段的长度大于所述第一目标时间段的长度;
步骤S200、根据每一所述目标设备在第二目标时间段内的若干运行参数,确定所述目标设备集群在第二目标时间段内的待识别运行向量;
步骤S300、将所述待识别运行向量与若干预设的目标运行向量进行对比,若所述待识别运行向量和每一预设的目标运行向量的匹配度均小于预设的匹配度阈值,则获取所述待识别运行向量中的最后一个特征信息对应的特征点的观测值和隐藏状态值,并分别将其确定为目标观测值和目标隐藏状态值;所述目标运行向量根据所述目标设备集群在历史安全时段内的若干运行参数得到;所述历史安全时段的长度与所述第二目标时间段的长度相等;且所述目标设备集群在历史关键时段内处于安全运行状态;所述历史关键时段的开始时间为所述历史安全时段的结束时间;所述目标观测值为对应的特征点的特征信息;所述目标隐藏状态值为对应的特征点与该特征点之前的特征点之间的连线方向和连线长度;
步骤S400、将所述目标观测值和所述目标隐藏状态值重复输入至预设的马尔可夫模型中Y次,得到预设的马尔可夫模型输出的Y个预测观测序列;所述马尔可夫模型通过所述待识别运行向量中的每一特征信息对应的特征点的观测值和隐藏状态值得到;
步骤S500、将Y个预测观测序列输入至预设的历史数据标准差椭圆中,确定Y个预测观测序列中,存在于所述历史数据标准差椭圆外的预测观测序列的数量Z;所述历史数据标准差椭圆根据所述目标设备集群在历史时段内处于安全运行状态时的运行参数得到;
步骤S600、若Z/Y大于预设的观测序列比例阈值,则确定所述目标设备集群在第三目标时间段内处于异常运行状态;所述第三目标时间段的开始时间为所述第二目标时间段的结束时间,且所述第三目标时间段的长度与所述历史关键时段的长度相等;
其中,所述步骤S200包括:
步骤S210、根据每一所述目标设备在第二目标时间段内的每一运行参数标识对应的若干运行参数,确定每一所述目标设备在第二目标时间段内的每一平均运行参数,得到目标平均运行参数列表集A=(A1,A2,...,Ai,...,An);Ai=(Ai1,Ai2,...,Aij,...,Aig);Aij=(Aij1,Aij2,...,Aijh,...,Aijk);其中,i=1,2,...,n;Ai为第i个所述目标设备在第二目标时间段内的平均运行参数列表;j=1,2,...,g;g为第二目标时间段内的子时间段的数量,且g个子时间段依次连接;Aij为第i个所述目标设备在第二目标时间段的第j个子时间段内的平均运行参数列表;h=1,2,...,k;Aijh为第i个所述目标设备在第二目标时间段的第j个子时间段内的第h个平均运行参数;Aijh通过对第i个目标设备在第二目标时间段的第j个子时间段内的第h个运行参数标识对应的若干运行参数进行平均处理得到;
步骤S220、根据目标平均运行参数列表集A,得到每一所述目标设备在第二目标时间段内的目标设备风险值列表集B=(B1,B2,...,Bi,...,Bn);Bi=(Bi1,Bi2,...,Bij,...,Big);Bij=(∑k h=1Aijh)/k;其中,Bi为第i个所述目标设备在第二目标时间段内的设备风险值列表;Bij为第i个所述目标设备在第二目标时间段的第j个子时间段内的设备风险值;
步骤S230、根据目标设备风险值列表集B,得到所述目标设备集群在第二目标时间段内的目标集群风险值列表D=(D1,D2,...,Dj,...,Dg);Dj=(∑n i=1Bij)/n;其中,Dj为所述目标设备集群在第二目标时间段的第j个子时间段内的集群风险值;
步骤S240、根据目标平均运行参数列表集A和目标设备风险值列表集B,得到每一所述目标设备在第二目标时间段内的目标设备波动值列表集C=(C1,C2,...,Ci,...,Cn);Ci=(Ci1,Ci2,...,Cij,...,Cig);Cij=(∑k h=1(Aijh-Bij)2)/k;其中,Ci为第i个所述目标设备在第二目标时间段内的设备波动值列表;Cij为第i个所述目标设备在第二目标时间段的第j个子时间段内的设备波动值;
步骤S250、根据目标设备波动值列表集C,得到所述目标设备集群在第二目标时间段内的目标集群波动值列表E=(E1,E2,...,Ej,...,Eg);Ej=(∑n i=1Cij)/n;其中,Ej为所述目标设备集群在第二目标时间段的第j个子时间段内的集群波动值;
步骤S260、根据目标集群风险值列表D和目标集群波动值列表E,确定所述目标设备集群在第二目标时间段内的待识别运行向量F=(F1,F2,...,Fj,...,Fg);Fj=(Dj,Ej);Fj为所述目标设备集群在第二目标时间段的第j个子时间段内对应的特征信息。
2.根据权利要求1所述的方法,其特征在于,所述目标运行向量通过以下步骤确定:
步骤S310、获取每一所述目标设备在历史安全时段内的每一平均运行参数,得到历史平均运行参数列表集G=(G1,G2,...,Gi,...,Gn);Gi=(Gi1,Gi2,...,Gij,...,Gig);Gij=(Gij1,Gij2,...,Gijh,...,Gijk);其中,Gi为第i个所述目标设备在历史安全时段内的平均运行参数列表;Gij为第i个所述目标设备在历史安全时段的第j个子时间段内的平均运行参数列表;Gijh为第i个所述目标设备在历史安全时段的第j个子时间段内的第h个平均运行参数;所述历史安全时段包括g个子时间段,且所述历史安全时段中包括的子时间段的长度与所述第二目标时间段中包括的子时间段的长度相等;
步骤S320、根据历史平均运行参数列表集G,得到每一所述目标设备在历史安全时段内的历史设备风险值列表集H=(H1,H2,...,Hi,...,Hn);Hi=(Hi1,Hi2,...,Hij,...,Hig);Hij=(∑k h=1Gijh)/k;其中,Hi为第i个所述目标设备在历史安全时段内的设备风险值列表;Hij为第i个所述目标设备在历史安全时段的第j个子时间段内的设备风险值;
步骤S330、根据历史设备风险值列表集H,得到所述目标设备集群在历史安全时段内的历史集群风险值列表I=(I1,I2,...,Ij,...,Ig);Ij=(∑n i=1Hij)/n;其中,Ij为所述目标设备集群在历史安全时段的第j个子时间段内的集群风险值;
步骤S340、根据历史平均运行参数列表集G和历史设备风险值列表集H,得到每一所述目标设备在历史安全时段内的历史设备波动值列表集J=(J1,J2,...,Ji,...,Jn);Ji=(Ji1,Ji2,...,Jij,...,Jig);Jij=(∑k h=1(Gijh-Hij)2)/k;其中,Ji为第i个所述目标设备在历史安全时段内的设备波动值列表;Jij为第i个所述目标设备在历史安全时段的第j个子时间段内的设备波动值;
步骤S350、根据历史设备波动值列表集J,得到所述目标设备集群在历史安全时段内的历史集群波动值列表K=(K1,K2,...,Kj,...,Kg);Kj=(∑n i=1Jij)/n;其中,Kj为所述目标设备集群在历史安全时段的第j个子时间段内的集群波动值;
步骤S360、根据历史集群风险值列表I和历史集群波动值列表K,确定所述目标设备集群在历史安全时段内的历史运行向量L=(L1,L2,...,Lj,...,Lg);Lj=(Ij,Kj);Lj为所述目标设备集群在历史安全时段的第j个子时间段内对应的特征信息;
步骤S370、若所述历史安全时段的数量为一个,则将该历史安全时段对应的历史运行向量确定为目标运行向量。
3.根据权利要求2所述的方法,其特征在于,所述步骤S370还包括:
步骤S371、若所述历史安全时段的数量为多个,则对每一历史安全时段对应的历史运行向量进行聚类,得到若干个历史运行向量类组;每个所述历史运行向量类组中包括若干历史运行向量;
步骤S372、对每个所述历史运行向量类组中的若干历史运行向量进行平均处理,得到每个所述历史运行向量类组对应的历史中心向量;
步骤S373、将每一所述历史中心向量确定为目标运行向量。
4.根据权利要求3所述的方法,其特征在于,所述马尔可夫模型通过以下步骤确定:
步骤S410、将F1,F2,...,Fj,...,Fg对应的特征点依次连接;
步骤S420、将Fm-1对应的特征点与Fm对应的特征点之间的连接线与水平坐标轴的夹角以及Fm-1对应的特征点与Fm对应的特征点之间的连接线的长度确定为Fm对应的隐藏状态值;其中,m=2,...,g;
步骤S430、将(Dm,Em)确定为Fm对应的观测值;
步骤S440、将每一特征点对应的观测值和隐藏状态值输入至预设的数学模型中进行训练,得到所述马尔可夫模型。
5.根据权利要求4所述的方法,其特征在于,将所述步骤S440替换为:
步骤S441、将若干特征点对应的隐藏状态值进行分箱处理,得到若干个处理后隐藏状态值;
步骤S442、将每一特征点对应的观测值和处理后隐藏状态值输入至预设的数学模型中进行训练,得到所述马尔可夫模型。
6.根据权利要求4所述的方法,其特征在于,F1对应的观测值为(D1,E1),F1对应的隐藏状态值为任意角度和0。
7.根据权利要求1所述的方法,其特征在于,所述历史数据标准差椭圆通过以下步骤确定:
步骤S510、获取每一所述目标设备在历史时段的每个子时间段内处于安全运行状态时的若干历史运行参数;
步骤S520、根据若干所述历史运行参数,得到每一所述目标设备在历史时段的每个子时间段内的若干历史时段设备风险值和若干历史时段设备波动值;
步骤S530、根据每一所述目标设备对应的若干历史时段设备风险值和若干历史时段设备波动值,得到所述目标设备集群在历史时段的每个子时间段内的历史时段集群风险值和历史时段集群波动值;
步骤S540、将同一子时间段对应的历史时段集群风险值和历史时段集群波动值分别作为一个历史特征点的横坐标和纵坐标,得到若干个历史特征点;所述历史特征点的数量与历史时段的子时间段的数量相等;
步骤S550、将每一所述历史特征点输入至标准差椭圆工具中,得到历史数据标准差椭圆。
8.一种非瞬时性计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,其特征在于,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-7中任意一项所述的方法。
9.一种电子设备,其特征在于,包括处理器和权利要求8中所述的非瞬时性计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139121.8A CN117688342B (zh) | 2024-02-01 | 2024-02-01 | 一种基于模型的设备状态预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410139121.8A CN117688342B (zh) | 2024-02-01 | 2024-02-01 | 一种基于模型的设备状态预测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117688342A CN117688342A (zh) | 2024-03-12 |
CN117688342B true CN117688342B (zh) | 2024-04-19 |
Family
ID=90135647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410139121.8A Active CN117688342B (zh) | 2024-02-01 | 2024-02-01 | 一种基于模型的设备状态预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688342B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284908A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市智物联网络有限公司 | 一种工业设备风险分析方法、系统及相关设备 |
CN111680835A (zh) * | 2020-06-05 | 2020-09-18 | 广州汇量信息科技有限公司 | 一种风险预测方法、装置、存储介质及电子设备 |
CN114066319A (zh) * | 2021-12-01 | 2022-02-18 | 清华大学 | 历史街区的防火规划方法、装置、电子设备及存储介质 |
DE102022201761A1 (de) * | 2021-03-03 | 2022-09-08 | Aktiebolaget Skf | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen |
WO2023029753A1 (zh) * | 2021-09-06 | 2023-03-09 | 百富计算机技术(深圳)有限公司 | 设备供电方法、装置、终端设备及存储介质 |
CN116167619A (zh) * | 2023-02-20 | 2023-05-26 | 广东德维斯电子科技有限公司 | 主变压器运行风险评估方法、装置、电子设备及存储介质 |
CN116629435A (zh) * | 2023-05-30 | 2023-08-22 | 中国工商银行股份有限公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN116703167A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市明心数智科技有限公司 | 养殖设备告警监测处理方法、装置、设备及存储介质 |
CN117010679A (zh) * | 2022-04-26 | 2023-11-07 | 杭州数理大数据技术有限公司 | 一种风险处理方法、装置、电子设备及存储介质 |
CN117350548A (zh) * | 2023-12-04 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
-
2024
- 2024-02-01 CN CN202410139121.8A patent/CN117688342B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284908A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市智物联网络有限公司 | 一种工业设备风险分析方法、系统及相关设备 |
CN111680835A (zh) * | 2020-06-05 | 2020-09-18 | 广州汇量信息科技有限公司 | 一种风险预测方法、装置、存储介质及电子设备 |
DE102022201761A1 (de) * | 2021-03-03 | 2022-09-08 | Aktiebolaget Skf | Verfahren, System und Speichermedium zur automatischen Diagnose vonVorrichtungen |
WO2023029753A1 (zh) * | 2021-09-06 | 2023-03-09 | 百富计算机技术(深圳)有限公司 | 设备供电方法、装置、终端设备及存储介质 |
CN114066319A (zh) * | 2021-12-01 | 2022-02-18 | 清华大学 | 历史街区的防火规划方法、装置、电子设备及存储介质 |
CN117010679A (zh) * | 2022-04-26 | 2023-11-07 | 杭州数理大数据技术有限公司 | 一种风险处理方法、装置、电子设备及存储介质 |
CN116167619A (zh) * | 2023-02-20 | 2023-05-26 | 广东德维斯电子科技有限公司 | 主变压器运行风险评估方法、装置、电子设备及存储介质 |
CN116629435A (zh) * | 2023-05-30 | 2023-08-22 | 中国工商银行股份有限公司 | 风险预测方法、装置、计算机设备和存储介质 |
CN116703167A (zh) * | 2023-08-08 | 2023-09-05 | 深圳市明心数智科技有限公司 | 养殖设备告警监测处理方法、装置、设备及存储介质 |
CN117350548A (zh) * | 2023-12-04 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
Non-Patent Citations (1)
Title |
---|
基于马尔可夫链的电力系统连锁故障预测;吴文可;文福拴;薛禹胜;赵旋宇;胡荣;;电力系统自动化;20130310(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117688342A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
CN110348999B (zh) | 金融风险敏感用户识别方法、装置及电子设备 | |
CN117033146B (zh) | 指定共识合约执行进程的识别方法、装置、设备及介质 | |
CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
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 | |
CN117688342B (zh) | 一种基于模型的设备状态预测方法、电子设备及存储介质 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN115330140A (zh) | 一种基于数据挖掘的建筑风险预测方法及其预测系统 | |
CN117972348A (zh) | 一种基于模型的集群运行状态确定方法、设备及介质 | |
CN117931583A (zh) | 一种设备集群运行状态预测方法、电子设备及存储介质 | |
CN117951624A (zh) | 一种设备集群异常状态确定方法、电子设备及存储介质 | |
CN117951625A (zh) | 一种设备集群运行异常确定方法、电子设备及存储介质 | |
CN113282538A (zh) | 文件系统管理方法、装置、设备、存储介质、程序产品 | |
CN113452700A (zh) | 处理安全信息的方法、装置、设备以及存储介质 | |
CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
CN112307271A (zh) | 一种配电自动化系统遥控业务的安全监测方法及装置 | |
CN116962086B (zh) | 一种文件安全性检测方法及系统 | |
CN117707830B (zh) | Redis连接异常的处理方法、电子设备及存储介质 | |
CN114996668B (zh) | 开源组件的处理方法、装置、设备及介质 | |
CN116595529B (zh) | 一种信息安全检测方法、电子设备及存储介质 | |
CN114615144B (zh) | 网络优化方法及系统 |
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 |