CN118096134A - 故障处理方法、电子设备及存储介质 - Google Patents

Abstract

本申请属于人工智能领域，提供一种故障处理方法、电子设备及存储介质。该方法获取用户设备的维修记录及设备运行数据；基于语义分析模型分析故障描述的描述语义；若描述语义对应的描述故障类型与记录故障类型匹配，基于报障时间获取历史故障数据；基于故障预测模型对历史故障数据及设备运行数据进行分析，得到预测故障类型及预测故障时间；根据预测故障类型、预测故障时间及平均故障时间间隔，量化故障重要度；若故障重要度大于预设重要度阈值，基于预测故障时间确定的维修时间，调用与预测故障类型对应的修复服务器对用户设备进行故障修复。上述方法能够实现对设备的主动维护，并缩短设备因故障而带来的停机时间。

Description

故障处理方法、电子设备及存储介质

技术领域

本申请属于人工智能技术领域，尤其涉及一种故障处理方法、电子设备及存储介质。

背景技术

在现代工业生产中，设备故障的处理对工业生产来说至关重要。相关技术中，当发现设备出现故障后，才通知维护人员对设备的故障进行修复，由于设备故障的处理往往受限于事后维修，导致设备停机的时间较长，不利于工业产品的及时交付。

发明内容

本申请提供一种故障处理方法、电子设备及存储介质，以解决故障处理不及时而导致设备停机时间较长的技术问题。

本申请实施例第一方面提供一种故障处理方法，所述方法包括：获取用户设备的维修记录，并根据所述维修记录获取设备运行数据，所述维修记录包括故障描述、记录故障类型及报障时间；基于预先训练完成的语义分析模型分析所述故障描述的描述语义；若所述描述语义对应的描述故障类型与所述记录故障类型匹配，基于所述报障时间获取所述用户设备的历史故障数据；基于预先训练完成的故障预测模型对所述历史故障数据及所述设备运行数据进行分析，得到预测故障类型及对应的预测故障时间；根据所述预测故障类型、所述预测故障时间及所述预测故障类型对应的平均故障时间间隔，量化所述预测故障类型的故障重要度；若所述故障重要度大于预设重要度阈值，根据所述预测故障时间确定所述用户设备的维修时间；基于所述维修时间，调用与所述预测故障类型对应的修复服务器对所述用户设备进行故障修复。

根据本申请实施例，所述根据所述维修记录获取设备运行数据包括：确定每个维修记录的记录时间；确定时间最晚的记录时间作为第一时间，并计算第一时间与预设时间间隔的总和，得到第二时间；计算当前时间与所述第二时间的时间长度；若所述时间长度大于预设时长，根据所述第二时间、所述当前时间、所述预设时长及所述用户设备的设备标识生成多个查询语句；每个查询语句对应的查询时长小于或者等于所述预设时长；并行执行所述多个查询语句，得到所述设备运行数据。

根据本申请实施例，所述方法还包括：获取类型映射矩阵及向量编码表；基于所述向量编码表对所述描述语义中的词汇进行编码，得到每个词汇的编码向量，所述编码向量的列数等于所述类型映射矩阵的矩阵行数；将每个词汇的编码向量作为行向量，并依据所述词汇在所述描述语义中的位置，拼接多个所述行向量，得到语义矩阵；计算所述语义矩阵与所述类型映射矩阵的乘积，得到映射矩阵；将所述映射矩阵中取值最大的维度对应的类别确定为所述描述故障类型；若所述描述故障类型与所述记录故障类型不匹配，忽略所述维修记录。

根据本申请实施例，所述故障预测模型包括类型预测网络层及时间预测网络层；所述基于预先训练完成的故障预测模型对所述历史故障数据及所述设备运行数据进行分析，得到预测故障类型及对应的预测故障时间包括：基于所述类型预测网络层中的相似度公式，计算所述历史故障数据与所述设备运行数据的数据相似度；基于所述类型预测网络层中的筛选阈值及所述数据相似度，从所述设备运行数据中识别出异常运行数据；基于所述类型预测网络层中的参数类型映射表对所述异常运行数据对应的异常参数进行映射处理，得到所述预测故障类型；基于所述时间预测网络层对所述记录故障类型、所述异常运行数据及所述历史故障数据进行分析，得到所述预测故障时间。

根据本申请实施例，所述基于所述时间预测网络层对所述记录故障类型、所述异常运行数据及所述历史故障数据进行分析，得到所述预测故障时间包括：基于所述异常运行数据计算参数变化速率；计算所述异常运行数据与所述历史故障数据的差值绝对值在所述参数变化速率上的比值，得到预测时长；从所述时间预测网络层中获取与所述参数变化速率及所述预测时长对应的时长容差；根据所述预测时长、所述时长容差、所述异常运行数据对应的运行时间，确定所述预测故障时间。

根据本申请实施例，所述根据所述预测故障类型、所述预测故障时间及所述预测故障类型对应的平均故障时间间隔，量化所述预测故障类型的故障重要度包括：对所述预测故障类型进行编码，得到类型向量；将第一权值矩阵乘以所述类型向量的结果作为第一向量，将第二权值矩阵乘以所述类型向量的结果作为第二向量；将第三权值矩阵乘以所述类型向量的结果作为第三向量，并确定第一向量的向量维度；根据所述第一向量、所述第二向量、所述第三向量及所述向量维度确定第一重要度；根据所述预测故障时间与当前时间的时间差值及所述平均故障时间间隔，确定第二重要度；根据所述第一重要度及所述第二重要度的加权和确定所述故障重要度。

根据本申请实施例，在调用与所述预测故障类型对应的修复服务器对所述用户设备进行故障修复之后，所述方法还包括：获取所述用户设备的第一使用者评分，并计算所述第一使用者评分的评分方差；若所述评分方差小于预设方差，以及所述第一使用者评分的评分均值小于预设分值，基于所述预设分值与所述评分均值的差值确定所述预设重要度阈值的调整比例；根据所述调整比例调整所述预设重要度阈值，得到调整后的重要度阈值。

根据本申请实施例，所述语义分析模型包括词汇编码层、特征提取层及语义分类层，所述词汇编码层包括词组表；所述基于预先训练完成的语义分析模型分析所述故障描述的描述语义包括：基于所述词组表对所述故障描述进行分词处理，得到描述词组；基于所述词汇编码层对所述描述词组进行编码，得到词组向量，并根据多个所述词组向量生成语句向量；基于所述特征提取层对所述语句向量进行特征提取，得到特征向量；基于所述语义分类层计算所述特征向量与预设语义对应的预设向量的向量相似度，并根据所述向量相似度从多个所述预设语义中确定出所述描述语义。

本申请实施例第二方面提供一种故障处理装置，所述装置包括：获取单元，用于获取用户设备的维修记录，并根据所述维修记录获取设备运行数据，所述维修记录包括故障描述、记录故障类型及报障时间；分析单元，用于基于预先训练完成的语义分析模型分析所述故障描述的描述语义；所述获取单元，还用于若所述描述语义对应的描述故障类型与所述记录故障类型匹配，基于所述报障时间获取所述用户设备的历史故障数据；所述分析单元，还用于基于预先训练完成的故障预测模型对所述历史故障数据及所述设备运行数据进行分析，得到预测故障类型及对应的预测故障时间；量化单元，用于根据所述预测故障类型、所述预测故障时间及所述预测故障类型对应的平均故障时间间隔，量化所述预测故障类型的故障重要度；确定单元，用于若所述故障重要度大于预设重要度阈值，根据所述预测故障时间确定所述用户设备的维修时间；调用单元，用于基于所述维修时间，调用与所述预测故障类型对应的修复服务器对所述用户设备进行故障修复。

本申请实施例第三方面提供一种电子设备，所述电子设备包括：存储器，存储计算机可读指令；及处理器，执行所述存储器中存储的计算机可读指令以实现所述故障处理方法。

本申请实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述故障处理方法。

本申请实施例在维修记录中的故障描述对应的描述故障类型与维修记录中的记录故障类型匹配时，获取历史故障数据，能够避免对信息记载有误的维修记录进行分析，提高历史故障数据的准确性。本申请实施例结合历史故障数据对所述设备运行数据进行分析，能够在用户设备出现故障之前提前预知预测故障类型及对应的预测故障时间，进而在预测故障类型的故障重要度大于预设重要度阈值时，通过预测故障时间确定所述用户设备的维修时间，并在维修时间对所述用户设备进行故障修复，实现了及时对设备的主动维护，提高了设备运行的可靠性，同时降低了维护成本和停机时间。

附图说明

图1是本申请实施例提供的一种故障处理方法的电子设备的结构示意图。

图2是本申请实施例提供的故障处理方法的流程图。

图3是本申请另一实施例提供的故障处理方法的流程图。

图4是本申请另一实施例提供的故障处理方法的流程图。

图5是本申请实施例提供的故障处理装置的功能模块图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。

需要说明的是，本申请中“至少一个”是指一个或者多个，“多个”是指两个或多于两个。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不是用于描述特定的顺序或先后次序。

在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

如图1所示，是本申请实施例提供的一种故障处理方法的电子设备的结构示意图。

在本申请实施例中，故障处理方法应用于一个或者多个电子设备1中，电子设备1包括但不限于，存储器12、处理器13，以及存储在存储器12中并可在处理器13上运行的计算机可读指令，例如故障处理程序。

本领域技术人员可以理解，示意图仅仅是电子设备1的示例，并不构成对电子设备1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，例如电子设备1还可以包括输入输出设备、网络接入设备、总线等。

其中，处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器也可以是任何常规的处理器等，处理器13是电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行电子设备1的操作系统以及安装的各类应用程序、程序代码等。

其中，存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，存储器12可以是具有实物形式的存储器，如内存条、TF卡（Trans-flash Card）等等。

结合图2-图4，电子设备1中的存储器12存储计算机可读指令，处理器13可执行存储器12中存储的计算机可读指令从而实现如图2-图4所示的多个流程以实现故障处理方法。

如图2所示，是本申请实施例提供的故障处理方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。故障处理方法包括如下步骤。

S201，获取用户设备的维修记录，并根据维修记录获取设备运行数据。

在本申请的至少一个实施例中，用户设备可以是工业生产中的任意设备，例如，用户设备可以为绞线机、供电设备等。用户设备在因故障停机前通常存在运行异常的情况，例如，绞线机在故障前生产出的导线的线径精度不符要求。维修记录为用户设备在历史故障时的修复记录，维修记录包括故障描述、记录故障类型及报障时间，故障描述表示用户设备的具体故障情况，记录故障类型为维修记录中包含的故障类型，报障时间可以为发现用户设备出现故障的时间。设备运行数据为用户设备在完成故障维修后的运行数据，设备运行数据可能包括用户设备在异常时的运行数据，例如，设备运行数据包括用户设备的设备转速、绞合断面积等。

在本申请的至少一个实施例中，电子设备基于用户设备的设备标识确定配置数据库中的存储路径，从存储路径中获取处于预设期间的记录作为维修记录。其中，配置数据库包括多个路径，每个路径存储有不同设备的维修记录。预设期间可以根据过去某个时间点至当前时间的时间段，例如，预设期间可以设定为近一个月。预设期间可以根据维修记录的数量确定，预设期间的时长与维修记录的数量成反比，例如，维修记录的数量越多，预设期间的时长越短。本实施例通过设备标识能够快速定位出存储路径，并基于预设期间从存储路径中获取到一定数量的维修记录，提高维修记录的获取合理性。

在本申请的至少一个实施例中，电子设备根据维修记录获取设备运行数据包括：电子设备确定每个维修记录的记录时间，确定时间最晚的记录时间作为第一时间，并计算第一时间与预设时间间隔的总和，得到第二时间，计算当前时间与第二时间的时间长度。若时间长度大于预设时长，电子设备根据第二时间、当前时间、预设时长及用户设备的设备标识生成多个查询语句，并行执行多个查询语句，得到设备运行数据。

其中，记录时间表示维修记录的生成时间，预设时间间隔及预设时长可以根据实际需求设定，例如，预设时间间隔可以设定为1小时，预设时长可以为2小时。每个查询语句对应的查询时长小于或者等于预设时长，查询时长根据当前时间与第二时间的差值与语句数量的比值确定，例如，查询语句为查询8：00-10：00的运行数据，则查询时长为2小时。多个查询语句的语句数量根据当前时间与第二时间的差值与预设时长的比值确定，若当前时间与第二时间的差值与预设时长的比值为小数，则对当前时间与第二时间的差值与预设时长的比值向正无穷取整，得到语句数量，例如，当前时间为20：00，第二时间为8：00，预设时长为4小时，则计算得到语句数量为12/4=3个，对应的查询时长为12/3=4小时；当前时间为20：00，第二时间为8：00，预设时长为5小时，则计算得到语句数量为12/5=2.4为小数，则计算ceil（2.4）=3个，对应的查询时长为12/3=4小时。

本实施例将时间最晚的记录时间作为第一时间，能够避免获取到的设备运行数据中包括历史故障数据，从而避免历史故障数据对本次故障处理的干扰，由于设备在刚修复完成时可能出现一定时间的不稳定运行，因此，基于预设时间间隔对第二时间的确定，能够提高设备运行数据的稳定性。此外，本实施例通过时间长度与预设时长的比较，生成多个查询语句，能够基于设备运行数据的数据量生成对应数量的查询语句，提高设备运行数据的获得效率。

S202，基于预先训练完成的语义分析模型分析故障描述的描述语义。

在本申请的至少一个实施例中，语义分析模型包括词汇编码层、特征提取层及语义分类层。语义分析模型用于分析文本的语义信息，词汇编码层用于将文本信息转换为向量信息，词汇编码层包括词组表，词组表中包括多个预先设定好的词组，特征提取层用于提取向量信息中的关键特征，语义分类层用于归类出文本对应的语义。描述语义用于表示故障描述的语义信息。

在本申请的至少一个实施例中，电子设备基于预先训练完成的语义分析模型分析故障描述的描述语义包括：电子设备基于词组表对故障描述进行分词处理，得到描述词组，并基于词汇编码层对描述词组进行编码，得到词组向量，并根据多个词组向量生成语句向量。电子设备基于特征提取层对语句向量进行特征提取，得到特征向量，并基于语义分类层计算特征向量与预设语义对应的预设向量的向量相似度，并根据向量相似度从多个预设语义中确定出描述语义。

其中，语句向量为根据每个描述词组在故障描述中的词组位置对词组向量拼接获得。特征向量为基于特征提取层中的特征权值矩阵对语句向量进行加权分析获得，特征权值矩阵为语义分析模型的网络参数，预设语义为语义分析模型中预先设定好的语义信息，描述语义为相似度最高的预设语义。

本实施例通过词组表能够快速获得描述词组，提高词组向量的编码效率，通过特征提取层的特征权值矩阵能够准确的获得特征向量，基于特征向量与预设向量的相似度比较，能够快速获得描述语义。

S203，若描述语义对应的描述故障类型与记录故障类型匹配，基于报障时间获取用户设备的历史故障数据。

在本申请的至少一个实施例中，描述故障类型为基于描述语义确定的故障类型，描述故障类型的具体确定过程可以参考下文图3步骤S303的相关描述。历史故障数据为用户设备在报障时间之前一段时间的运行数据。电子设备基于报障时间获取用户设备的历史故障数据包括：根据配置时长及报障时间确定时间区间，获取用户设备在时间区间的运行数据作为历史故障数据。其中，配置时长根据实际需求设定，时间区间的左端点为报障时间与配置时长的差值，时间区间的右端点为报障时间。由于用户设备在停机之前通常会出现一定时间的异常，因此本实施例通过结合报障时间与配置时长的差值、报障时间能够获取到历史时刻出现异常运行时对应的故障数据。

S204，基于预先训练完成的故障预测模型对历史故障数据及设备运行数据进行分析，得到预测故障类型及对应的预测故障时间。

在本申请的至少一个实施例中，故障预测模型包括类型预测网络层及时间预测网络层，类型预测网络层用于预测设备运行数据对应的故障类型，类型预测网络层的输出为预测故障类型，时间预测网络层用于预测用户设备出现相应故障类型的时间，时间预测网络层的输出为预测故障时间。

在本申请的至少一个实施例中，电子设备基于预先训练完成的故障预测模型对历史故障数据及设备运行数据进行分析，得到预测故障类型及对应的预测故障时间包括：电子设备基于类型预测网络层中的相似度公式，计算历史故障数据与设备运行数据的数据相似度，基于类型预测网络层中的筛选阈值及数据相似度，从设备运行数据中识别出异常运行数据。电子设备基于类型预测网络层中的参数类型映射表对异常运行数据对应的异常参数进行映射处理，得到预测故障类型，并基于时间预测网络层对记录故障类型、异常运行数据及历史故障数据进行分析，得到预测故障时间。

其中，利用相似度公式计算数据相似度表示为：，其中，/>表示第/>个参数对应的数据相似度，/>表示第/>个参数对应的历史故障数据，/>表示第/>个参数对应的设备运行数据，/>可以为任意实数，例如/>。本实施例通过加入实数对数据相似度的确定，能够避免因第/>个参数对应的历史故障数据与第/>个参数对应的设备运行数据相等而导致数据相似度无法量化，提高数据相似度的合理性。

筛选阈值为类型预测网络层中的网络参数。异常运行数据为数据相似度大于或者等于筛选阈值的参数对应的设备运行数据，例如，设备转速的数据相似度大于或者等于筛选阈值，则将设备转速对应的设备运行数据确定为异常运行数据。异常运行数据可以包括多个参数的运行数据。

参数类型映射表包括参数与故障类型的映射关系，例如，参数类型映射表包括设备转速与转轴故障类型的映射关系。

本实施例调用类型预测网络层中的相似度公式，能够快速获得数据相似度，进而通过筛选阈值，能够从设备运行数据中准确的识别出异常运行数据，从而提高预测故障类型的准确性。

在本申请的至少一个实施例中，电子设备基于时间预测网络层对记录故障类型、异常运行数据及历史故障数据进行分析，得到预测故障时间包括：电子设备基于异常运行数据计算参数变化速率，并计算异常运行数据与历史故障数据的差值绝对值在参数变化速率上的比值，得到预测时长。电子设备从时间预测网络层中获取与参数变化速率及预测时长对应的时长容差，并根据预测时长、时长容差、异常运行数据对应的运行时间，确定预测故障时间。

其中，异常运行数据包括第一运行时间对应的第一异常运行数据及第二运行时间对应的第二异常运行数据，参数变化速率为根据第一异常运行数据与第二异常运行数据的差值除以第一运行时间与第二运行时间的差值确定的。预测时长为根据运行时间最晚的异常运行数据与历史故障数据的差值绝对值在参数变化速率上的比值确定。时长容差为时间预测网络层中的网络参数。预测故障时间为根据预测时长与异常运行数据对应的最晚运行时间的总和，减去时长容差确定，例如，预测时长为2小时，时长容差为10分钟，最晚运行时间为10：00，则预测故障时间为11：50。

本实施例通过结合参数变化速率及预测时长能够从时间预测网络层中获取到时长容差，进而结合时长容差确定预测故障时间，能够合理的确定出预测故障时间，避免预测故障时间确定不准确而导致用户设备出现停机的情况。

S205，根据预测故障类型、预测故障时间及预测故障类型对应的平均故障时间间隔，量化预测故障类型的故障重要度。

在本申请的至少一个实施例中，平均故障时间间隔为用户设备从出现预测故障类型的异常至停机的时长，平均故障时间间隔可以根据大量与用户设备相同型号的设备确定。故障重要度用于衡量预测故障类型的重要程度。

在本申请的至少一个实施例中，电子设备根据预测故障类型、预测故障时间及预测故障类型对应的平均故障时间间隔，量化预测故障类型的故障重要度包括：电子设备对预测故障类型进行编码，得到类型向量，将第一权值矩阵乘以类型向量的结果作为第一向量，将第二权值矩阵乘以类型向量的结果作为第二向量，将第三权值矩阵乘以类型向量的结果作为第三向量，并确定第一向量的向量维度。电子设备根据第一向量、第二向量、第三向量及向量维度确定第一重要度，根据预测故障时间与当前时间的时间差值及平均故障时间间隔，确定第二重要度，根据第一重要度及第二重要度的加权和确定故障重要度。

其中，第一重要度根据第一向量、第二向量与第三向量的点乘除以向量维度的平方根获得。第二重要度根据时间差值与平均故障时间间隔的乘积的倒数确定。

本实施例通过对预测故障类型进行重要度分析，能够准确的确定出与预测故障类型对应的第一重要度，并结合预测故障时间与当前时间的时间差值及平均故障时间间隔确定故障重要度，能够综合多个因素对预测故障类型的故障重要度的确定，提高故障重要度的准确性。

S206，若故障重要度大于预设重要度阈值，根据预测故障时间确定用户设备的维修时间。

在本申请的至少一个实施例中，预设重要度阈值可以根据用户的反馈信息进行调整，反馈信息包括修复用户设备的故障的评价信息。预设重要度阈值的调整方式可以参考下文图4的详细说明。

在本申请的至少一个实施例中，电子设备根据预测故障时间确定用户设备的维修时间包括：确定预测故障类型对应的修复时长，计算预测故障时间与修复时长的差值，确定维修时间。例如，预测故障时间为19：00，修复时长为20分钟，则维修时间为18：40。本实施例通过结合修复时长对维修时间的确定，能够确保用户设备在停机之前完成故障的修复，避免设备的停机对生产计划的影响。

在另一实施例中，若故障重要度小于或者等于预设重要度阈值，确定与预测故障类型对应的修复服务器，确定修复服务器的空闲时段，基于空闲时段调用修复服务器对用户设备进行故障修复。其中，不同的修复服务器对应不同的故障解决策略。本实施例在故障重要度小于或者等于预设重要度阈值时，在修复服务器的空闲时段修复用户设备的故障，避免修复服务器优先处理故障重要度小于或者等于预设重要度阈值的设备，实现设备在合理的时间完成修复。

S207，基于维修时间，调用与预测故障类型对应的修复服务器对用户设备进行故障修复。

本实施例在故障重要度大于预设重要度阈值时，在确定出的维修时间对用户设备进行故障修复，能够在设备出现故障之前完成对设备的修复，一定程度减少了设备的停机时间。

本申请实施例在维修记录中的故障描述对应的描述故障类型与维修记录中的记录故障类型匹配时，获取历史故障数据，能够避免对信息记载有误的维修记录进行分析，提高历史故障数据的准确性。本申请实施例结合历史故障数据对设备运行数据进行分析，能够在用户设备出现故障之前提前预知预测故障类型及对应的预测故障时间，进而在预测故障类型的故障重要度大于预设重要度阈值时，通过预测故障时间确定用户设备的维修时间，并在维修时间对用户设备进行故障修复，实现了及时对设备的主动维护，提高了设备运行的可靠性，同时降低了维护成本和停机时间。

如图3所示，是本申请另一实施例提供的故障处理方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。故障处理方法包括如下步骤。

S301，获取用户设备的维修记录，并根据维修记录获取设备运行数据。

S302，基于预先训练完成的语义分析模型分析故障描述的描述语义。

步骤S301-S302的详细内容可参考上文图2中对步骤S201-S202的详细说明，此处不再重复描述。

S303，检测描述语义对应的描述故障类型与记录故障类型是否匹配。

在本申请的至少一个实施例中，描述故障类型的确定方式包括：电子设备获取类型映射矩阵及向量编码表，基于向量编码表对描述语义中的词汇进行编码，得到每个词汇的编码向量，编码向量的列数等于类型映射矩阵的矩阵行数。电子设备将每个词汇的编码向量作为行向量，并依据词汇在描述语义中的位置，拼接多个行向量，得到语义矩阵，计算语义矩阵与类型映射矩阵的乘积，得到映射矩阵，并将映射矩阵中取值最大的维度对应的类别确定为描述故障类型。其中，一词汇的编码向量为，另一词汇的编码向量为，则拼接得到的语义矩阵为/>。

本实施例依据向量编码表对词汇进行编码，不仅能够确保每个词汇在同一维度下实现编码，还能够确保每个编码向量的列数与矩阵行数相等，从而能够实现基于类型映射矩阵对语义矩阵进行直接映射，提高映射矩阵的生成效率，提高描述故障类型的确定效率，同时，由于每个编码向量是每个词汇在同一维度下的编码信息，因此提高语义矩阵的准确性，从而提高描述故障类型的准确性。

在本申请的至少一个实施例中，若描述故障类型与记录故障类型或者记录故障类型的近义词相同，确定描述故障类型与记录故障类型匹配。若描述故障类型与记录故障类型及记录故障类型的近义词均不相同，确定描述故障类型与记录故障类型不匹配。若描述故障类型与记录故障类型不匹配，则执行步骤S304，若描述语义对应的描述故障类型与记录故障类型匹配，则执行步骤S305。

S304，忽略维修记录。

S305，基于报障时间获取用户设备的历史故障数据。

S306，基于预先训练完成的故障预测模型对历史故障数据及设备运行数据进行分析，得到预测故障类型及对应的预测故障时间。

S307，根据预测故障类型、预测故障时间及预测故障类型对应的平均故障时间间隔，量化预测故障类型的故障重要度。

步骤S305-S307的详细内容可参考上文图2中对步骤S203-S205的详细说明，此处不再重复描述。

S308，检测故障重要度是否大于预设重要度阈值。

在本申请的至少一个实施例中，若故障重要度小于或者等于预设重要度阈值，则执行步骤S309，若故障重要度大于预设重要度阈值，则执行步骤S310。

S309，确定与预测故障类型对应的修复服务器及修复服务器的空闲时段，并基于空闲时段调用修复服务器对用户设备进行故障修复。

在本申请的至少一个实施例中，若小于或者等于预设重要度阈值的故障重要度有多个，基于每个故障重要度，依次在空闲时段调用修复服务器对相应的用户设备进行故障修复。

S310，根据预测故障时间确定用户设备的维修时间。

S311，基于维修时间，调用与预测故障类型对应的修复服务器对用户设备进行故障修复。

步骤S310-S311的详细内容可参考上文图2中对步骤S206-S207的详细说明，此处不再重复描述。

本申请实施例在描述故障类型与记录故障类型不匹配时，忽略维修记录，避免维修记录中因信息误差而导致对预测故障类型的错误评估。

如图4所示，是本申请另一实施例提供的故障处理方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。故障处理方法包括如下步骤。

S401，获取用户设备的维修记录，并根据维修记录获取设备运行数据。

S402，基于预先训练完成的语义分析模型分析故障描述的描述语义。

S403，若描述语义对应的描述故障类型与记录故障类型匹配，基于报障时间获取用户设备的历史故障数据。

S404，基于预先训练完成的故障预测模型对历史故障数据及设备运行数据进行分析，得到预测故障类型及对应的预测故障时间。

S405，根据预测故障类型、预测故障时间及预测故障类型对应的平均故障时间间隔，量化预测故障类型的故障重要度。

S406，若故障重要度大于预设重要度阈值，根据预测故障时间确定用户设备的维修时间。

S407，基于维修时间，调用与预测故障类型对应的修复服务器对用户设备进行故障修复。

步骤S401-S407的详细内容可参考上文图2中对步骤S201-S207的详细说明，此处不再重复描述。

S408，获取用户设备的第一使用者评分，并计算第一使用者评分的评分方差。

在本申请的至少一个实施例中，第一使用者评分为使用者针对用户设备的故障修复的评分，第一使用者评分可以根据用户设备的故障修复及时性确定，第一使用者评分还可以根据对用户设备的故障修复准确性确定。评分方差为多个第一使用者评分的方差值。

S409，若评分方差小于预设方差，以及第一使用者评分的评分均值小于预设分值，基于预设分值与评分均值的差值确定预设重要度阈值的调整比例。

在本申请的至少一个实施例中，预设方差及预设分值可以根据实际需求设定。预设分值与评分均值的差值越大，调整比例越大；预设分值与评分均值的差值越小，调整比例越小。若预设重要度阈值大于或者等于1，则调整比例的确定公式为：，若预设重要度阈值小于1，则调整比例的确定公式为：/>，其中，/>表示调整比例，/>表示预设分值，/>表示评分均值，/>表示预设重要度阈值，/>为小于1的实数。

S410，根据调整比例调整预设重要度阈值，得到调整后的重要度阈值。

在本申请的至少一个实施例中，调整后的重要度阈值用于下一次的故障处理。电子设备可以基于调整比例增大预设重要度阈值，得到调整后的重要度阈值。电子设备还可以基于调整比例缩小预设重要度阈值，得到调整后的重要度阈值。调整后的重要度阈值的确定公式为：，其中，/>表示调整后的重要度阈值，/>表示预设重要度阈值，/>表示调整比例。

本申请实施例在评分方差小于预设方差，以及评分均值小于预设分值时，对预设重要度阈值进行调整，提高调整合理性，此外，基于预设分值与评分均值的差值确定的调整比例，对预设重要度阈值进行调整，能够基于合理的调整比例调整预设重要度阈值，提高调整后的重要度阈值的合理性。

如图5所示，是本申请实施例提供的故障处理装置的功能模块图。故障处理装置11包括获取单元110、分析单元111、量化单元112、确定单元113、调用单元114、编码单元115、拼接单元116、计算单元117、忽略单元118及调整单元119。本申请所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。

一实施例中，获取单元110，用于获取用户设备的维修记录，并根据维修记录获取设备运行数据，维修记录包括故障描述、记录故障类型及报障时间；分析单元111，用于基于预先训练完成的语义分析模型分析故障描述的描述语义；获取单元110，还用于若描述语义对应的描述故障类型与记录故障类型匹配，基于报障时间获取用户设备的历史故障数据；分析单元111，还用于基于预先训练完成的故障预测模型对历史故障数据及设备运行数据进行分析，得到预测故障类型及对应的预测故障时间；量化单元112，用于根据预测故障类型、预测故障时间及预测故障类型对应的平均故障时间间隔，量化预测故障类型的故障重要度；确定单元113，用于若故障重要度大于预设重要度阈值，根据预测故障时间确定用户设备的维修时间；调用单元114，用于基于维修时间，调用与预测故障类型对应的修复服务器对用户设备进行故障修复。

一实施例中，获取单元110，具体用于：确定每个维修记录的记录时间；确定时间最晚的记录时间作为第一时间，并计算第一时间与预设时间间隔的总和，得到第二时间；计算当前时间与第二时间的时间长度；若时间长度大于预设时长，根据第二时间、当前时间、预设时长及用户设备的设备标识生成多个查询语句；每个查询语句对应的查询时长小于或者等于预设时长；并行执行多个查询语句，得到设备运行数据。

一实施例中，获取单元110，还用于获取类型映射矩阵及向量编码表；编码单元115，用于基于向量编码表对描述语义中的词汇进行编码，得到每个词汇的编码向量，编码向量的列数等于类型映射矩阵的矩阵行数；拼接单元116，用于将每个词汇的编码向量作为行向量，并依据词汇在描述语义中的位置，拼接多个行向量，得到语义矩阵；计算单元117，用于计算语义矩阵与类型映射矩阵的乘积，得到映射矩阵；确定单元113，还用于将映射矩阵中取值最大的维度对应的类别确定为描述故障类型；忽略单元118，用于若描述故障类型与记录故障类型不匹配，忽略维修记录。

一实施例中，分析单元111，具体用于：基于类型预测网络层中的相似度公式，计算历史故障数据与设备运行数据的数据相似度；基于类型预测网络层中的筛选阈值及数据相似度，从设备运行数据中识别出异常运行数据；基于类型预测网络层中的参数类型映射表对异常运行数据对应的异常参数进行映射处理，得到预测故障类型；基于时间预测网络层对记录故障类型、异常运行数据及历史故障数据进行分析，得到预测故障时间。

一实施例中，分析单元111，具体用于：基于异常运行数据计算参数变化速率；计算异常运行数据与历史故障数据的差值绝对值在参数变化速率上的比值，得到预测时长；从时间预测网络层中获取与参数变化速率及预测时长对应的时长容差；根据预测时长、时长容差、异常运行数据对应的运行时间，确定预测故障时间。

一实施例中，量化单元112，具体用于：对预测故障类型进行编码，得到类型向量；将第一权值矩阵乘以类型向量的结果作为第一向量，将第二权值矩阵乘以类型向量的结果作为第二向量；将第三权值矩阵乘以类型向量的结果作为第三向量，并确定第一向量的向量维度；根据第一向量、第二向量、第三向量及向量维度确定第一重要度；根据预测故障时间与当前时间的时间差值及平均故障时间间隔，确定第二重要度；根据第一重要度及第二重要度的加权和确定故障重要度。

一实施例中，在调用与预测故障类型对应的修复服务器对用户设备进行故障修复之后，计算单元117，还用于获取用户设备的第一使用者评分，并计算第一使用者评分的评分方差；确定单元113，还用于若评分方差小于预设方差，以及第一使用者评分的评分均值小于预设分值，基于预设分值与评分均值的差值确定预设重要度阈值的调整比例；调整单元119，用于根据调整比例调整预设重要度阈值，得到调整后的重要度阈值。

一实施例中，分析单元111，具体用于：基于词组表对故障描述进行分词处理，得到描述词组；基于词汇编码层对描述词组进行编码，得到词组向量，并根据多个词组向量生成语句向量；基于特征提取层对语句向量进行特征提取，得到特征向量；基于语义分类层计算特征向量与预设语义对应的预设向量的向量相似度，并根据向量相似度从多个预设语义中确定出描述语义。

本申请实施例在维修记录中的故障描述对应的描述故障类型与维修记录中的记录故障类型匹配时，获取历史故障数据，能够避免对信息记载有误的维修记录进行分析，提高历史故障数据的准确性。本申请实施例结合历史故障数据对设备运行数据进行分析，能够在用户设备出现故障之前提前预知预测故障类型及对应的预测故障时间，进而在预测故障类型的故障重要度大于预设重要度阈值时，通过预测故障时间确定用户设备的维修时间，并在维修时间对用户设备进行故障修复，实现了及时对设备的主动维护，提高了设备运行的可靠性，同时降低了维护成本和停机时间。

电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件完成，计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。

其中，计算机可读指令包括计算机可读指令代码，计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）。

具体地，处理器13对上述计算机可读指令的具体实现方法可参考图2-图4对应实施例中相关步骤的描述，在此不赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种故障处理方法，其特征在于，所述方法包括：

获取用户设备的维修记录，并根据所述维修记录获取设备运行数据，所述维修记录包括故障描述、记录故障类型及报障时间；

基于预先训练完成的语义分析模型分析所述故障描述的描述语义；

若所述描述语义对应的描述故障类型与所述记录故障类型匹配，基于所述报障时间获取所述用户设备的历史故障数据；

基于预先训练完成的故障预测模型对所述历史故障数据及所述设备运行数据进行分析，得到预测故障类型及对应的预测故障时间；

根据所述预测故障类型、所述预测故障时间及所述预测故障类型对应的平均故障时间间隔，量化所述预测故障类型的故障重要度；

若所述故障重要度大于预设重要度阈值，根据所述预测故障时间确定所述用户设备的维修时间；

基于所述维修时间，调用与所述预测故障类型对应的修复服务器对所述用户设备进行故障修复。

2.根据权利要求1所述的故障处理方法，其特征在于，所述根据所述维修记录获取设备运行数据包括：

确定每个维修记录的记录时间；

确定时间最晚的记录时间作为第一时间，并计算第一时间与预设时间间隔的总和，得到第二时间；

计算当前时间与所述第二时间的时间长度；

若所述时间长度大于预设时长，根据所述第二时间、所述当前时间、所述预设时长及所述用户设备的设备标识生成多个查询语句；每个查询语句对应的查询时长小于或者等于所述预设时长；

并行执行所述多个查询语句，得到所述设备运行数据。

3.根据权利要求1所述的故障处理方法，其特征在于，所述方法还包括：

获取类型映射矩阵及向量编码表；

基于所述向量编码表对所述描述语义中的词汇进行编码，得到每个词汇的编码向量，所述编码向量的列数等于所述类型映射矩阵的矩阵行数；

将每个词汇的编码向量作为行向量，并依据所述词汇在所述描述语义中的位置，拼接多个所述行向量，得到语义矩阵；

计算所述语义矩阵与所述类型映射矩阵的乘积，得到映射矩阵；

将所述映射矩阵中取值最大的维度对应的类别确定为所述描述故障类型；

若所述描述故障类型与所述记录故障类型不匹配，忽略所述维修记录。

4.根据权利要求1所述的故障处理方法，其特征在于，所述故障预测模型包括类型预测网络层及时间预测网络层；所述基于预先训练完成的故障预测模型对所述历史故障数据及所述设备运行数据进行分析，得到预测故障类型及对应的预测故障时间包括：

基于所述类型预测网络层中的相似度公式，计算所述历史故障数据与所述设备运行数据的数据相似度；

基于所述类型预测网络层中的筛选阈值及所述数据相似度，从所述设备运行数据中识别出异常运行数据；

基于所述类型预测网络层中的参数类型映射表对所述异常运行数据对应的异常参数进行映射处理，得到所述预测故障类型；

基于所述时间预测网络层对所述记录故障类型、所述异常运行数据及所述历史故障数据进行分析，得到所述预测故障时间。

5.根据权利要求4所述的故障处理方法，其特征在于，所述基于所述时间预测网络层对所述记录故障类型、所述异常运行数据及所述历史故障数据进行分析，得到所述预测故障时间包括：

基于所述异常运行数据计算参数变化速率；

计算所述异常运行数据与所述历史故障数据的差值绝对值在所述参数变化速率上的比值，得到预测时长；

从所述时间预测网络层中获取与所述参数变化速率及所述预测时长对应的时长容差；

根据所述预测时长、所述时长容差、所述异常运行数据对应的运行时间，确定所述预测故障时间。

6.根据权利要求1所述的故障处理方法，其特征在于，所述根据所述预测故障类型、所述预测故障时间及所述预测故障类型对应的平均故障时间间隔，量化所述预测故障类型的故障重要度包括：

对所述预测故障类型进行编码，得到类型向量；

将第一权值矩阵乘以所述类型向量的结果作为第一向量，将第二权值矩阵乘以所述类型向量的结果作为第二向量；

将第三权值矩阵乘以所述类型向量的结果作为第三向量，并确定第一向量的向量维度；

根据所述第一向量、所述第二向量、所述第三向量及所述向量维度确定第一重要度；

根据所述预测故障时间与当前时间的时间差值及所述平均故障时间间隔，确定第二重要度；

根据所述第一重要度及所述第二重要度的加权和确定所述故障重要度。

7.根据权利要求1所述的故障处理方法，其特征在于，在调用与所述预测故障类型对应的修复服务器对所述用户设备进行故障修复之后，所述方法还包括：

获取所述用户设备的第一使用者评分，并计算所述第一使用者评分的评分方差；

若所述评分方差小于预设方差，以及所述第一使用者评分的评分均值小于预设分值，基于所述预设分值与所述评分均值的差值确定所述预设重要度阈值的调整比例；

根据所述调整比例调整所述预设重要度阈值，得到调整后的重要度阈值。

8.根据权利要求1所述的故障处理方法，其特征在于，所述语义分析模型包括词汇编码层、特征提取层及语义分类层，所述词汇编码层包括词组表；所述基于预先训练完成的语义分析模型分析所述故障描述的描述语义包括：

基于所述词组表对所述故障描述进行分词处理，得到描述词组；

基于所述词汇编码层对所述描述词组进行编码，得到词组向量，并根据多个所述词组向量生成语句向量；

基于所述特征提取层对所述语句向量进行特征提取，得到特征向量；

基于所述语义分类层计算所述特征向量与预设语义对应的预设向量的向量相似度，并根据所述向量相似度从多个所述预设语义中确定出所述描述语义。

9. 一种电子设备，其特征在于，包括：

存储器，存储有计算机可读指令；及

处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至8中任一项所述的故障处理方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至8中任一项所述的故障处理方法。