CN117851202A - 一种基于协同过滤算法结合设备故障预警优化的方法 - Google Patents

一种基于协同过滤算法结合设备故障预警优化的方法 Download PDF

Info

Publication number
CN117851202A
CN117851202A CN202311718290.9A CN202311718290A CN117851202A CN 117851202 A CN117851202 A CN 117851202A CN 202311718290 A CN202311718290 A CN 202311718290A CN 117851202 A CN117851202 A CN 117851202A
Authority
CN
China
Prior art keywords
fault
equipment
data
warned
fault data
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.)
Pending
Application number
CN202311718290.9A
Other languages
English (en)
Inventor
邢胜利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Cloud Technology Co Ltd
Original Assignee
China Telecom Cloud Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Cloud Technology Co Ltd filed Critical China Telecom Cloud Technology Co Ltd
Priority to CN202311718290.9A priority Critical patent/CN117851202A/zh
Priority to PCT/CN2023/142733 priority patent/WO2024207835A1/zh
Publication of CN117851202A publication Critical patent/CN117851202A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及运维故障预测技术领域，公开了一种基于协同过滤算法结合设备故障预警优化的方法，包括：通过获取待预警设备的故障数据，构建该设备的预测模型。然后，获取设备的运行数据，将其代入预测模型进行预测，得到设备的一次故障预测结果。接下来，构建设备的运行网络，捕捉设备之间的联通关系，将各网络节点映射到对应设备的故障数据上。利用协同过滤算法，获取各网络节点映射设备的故障数据中的共同特征数据，以综合多设备之间的相似性信息。最后，通过量子贝叶斯算法，结合共同特征数据，对设备的一次故障预测结果进行修正，获得更准确的设备的二次故障预测结果。有效的整合了不同数据源之间的信息，提高了设备故障预测的精确性和实用性。

Description

一种基于协同过滤算法结合设备故障预警优化的方法
技术领域
本发明涉及运维故障预测技术领域，特别是涉及一种基于协同过滤算法结合设备故障预警优化的方法。
背景技术
故障预测是一项关键的技术，旨在根据系统当前和历史性能状态，预测性地诊断部件或系统的未来健康状态，包括确定其剩余使用寿命(Remaining Useful Life,RUL)或正常工作的时间长度。这方面的技术具有显著的应用领域，特别是在健康管理系统中，其重要性不言而喻。
目前，现有的健康管理系统的主要特点之一就是其强大的故障预测能力。这种预测能力直接影响系统的性能和装备的作战使用效率。为了实现有效的故障预测，需要综合利用多种数据信息，包括系统/装备的状态监测参数、使用情况、工作状况以及历史数据等。同时，还需要借助数学建模、人工智能等推理技术来对系统和部件的剩余使用寿命进行评估，从而提前采取维护措施或规划装备的替换。但是，目前的健康管理系统，由于其预测模型需要大量的数据用于训练和开发，导致了健康管理系统的针对性较强，难以适用于各种不同类型的系统或装备。进而造成了其健康管理系统通用性和适应性较差。
鉴于此，急需发明一种通用性和适应性较强的设备故障预测方法，用于解决现有的健康关系系统技术中，因针对性较强，难以适用于各种不同类型的系统或装备进行使用，进而导致健康管理系统通用性和适应性较差的问题。
发明内容
本发明的目的是：提供一种基于协同过滤算法结合设备故障预警优化的方法，旨用于如何解决现有的健康关系系统技术中，因针对性较强，难以适用于各种不同类型的系统或装备进行使用，进而导致健康管理系统通用性和适应性较差的问题。
一方面，本发明实施例中提供了一种基于协同过滤算法结合设备故障预警优化的方法，包括：
获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建；
获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果；
获取所述设备的运行的联通关系，并根据所述设备的运行的联通关系建立该所述设备的运行网络；
获取所述设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各所述网络节点所映射的设备的故障数据中的共同特征数据；
根据获取到的各所述网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果。
进一步的，获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建时，包括：
获取待预警的所述设备的历史故障数据，并去除所述设备的历史故障数据中的重复数据和异常故障数据，建立历史故障数据集；
获取待预警的所述设备的出厂时标注的标准故障数据集；
根据所述历史故障数据集和标准故障数据集进行预测模型构建，并获取构建后的该所述设备的预测模型。
进一步的，获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果时，包括：
获取待预警的所述设备的当前使用状态；
获取待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据；
根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度；
获取该所述设备的预测模型中的故障数据；
根据待预警的所述设备的当前使用状态以及所述设备的健康程度与该所述设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该所述设备的一次故障预测结果。
进一步的，获取待预警的所述设备的当前使用状态时，包括：
获取所述设备的当前使用年限以及所述设备的保质期年限中的阶段年限；
根据所述设备的当前使用年限与所述设备的保质期年限中的阶段年限之间的关系确定所述设备的使用状态，其中；
当所述设备的当前使用年限处于所述设备的保质期年限中的第一阶段年限时，则判断所述设备处于早期使用状态；
当所述设备的当前使用年限处于所述设备的保质期年限中的第一阶段年限与第二阶段年限之间时，则判断所述设备处于中期使用状态；
当所述设备的当前使用年限处于所述设备的保质期年限中的第二阶段使用年限与第三阶段年限之间时，则判断所述设备处于晚期使用状态；
当所述设备的当前使用年限超出所述设备的保质期年限中的第三阶段年限时，则判断所述设备处于非保质期状态。
进一步的，根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度时，包括：
获取待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据，并根据待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据确定所述设备的健康程度，其中，
若待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内未出现故障，则判断所述设备的健康程度优良；
若待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内出现故障，则判断所述设备的健康程度差，并获取待预警的所述设备的部件和/或模块，和/或关键元器件在预设时段内出现的故障频率和故障参数。
进一步的，获取该所述设备的预测模型中的故障数据时，包括：
获取所述预测模型中的历史故障数据集和标准故障数据集；
并去除所述历史故障数据集和标准故障数据集之间的重复故障数据；
将去除重复故障数据的历史故障数据集和标准故障数据集进行高故障率设备数据集合和低故障率设备数据集合区分。
进一步的，根据待预警的所述设备的当前使用状态以及所述设备的健康程度与该所述设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该所述设备的一次故障预测结果时，包括：
获取该所述设备的预测模型中的高故障率设备数据集合和低故障率设备数据集合；
提取所述预测模型中的高故障率设备数据集合的高故障率故障特征参数和预测模型中的低故障率设备数据集合的低故障率故障特征参数；
基于聚类分析指标获取所述高故障率故障特征参数与所述低故障率故障特征参数之间的共同故障行为特征参数集；
根据待预警的所述设备的当前使用状态以及所述设备的健康程度与所述共同故障行为特征参数集之间进行匹配，并根据匹配结果确定该所述设备的一次故障预测结果。
进一步的，所述聚类分析指标包括：
获取所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时同一聚合群之间的差异度W；
获取所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时不同聚合群之间的差异度B；
根据所述同一聚合群之间的差异度W和不同聚合群之间的差异度B，获取所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时总体聚合差异度T，设定T＝W+B。
基于R-Square公式获取聚类结果，所述R-Square公式如下所示：
R-Square＝(B/T)＝1-(W/T)；
根据获取到的预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时同一聚合群之间的差异度W最低一组的聚类结果中的共同故障行为特征参数集确定为所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数之间的共同故障行为特征参数。
进一步的，获取所述设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各所述网络节点所映射的设备的故障数据中的共同特征数据时，包括：
获取各所述网络节点中单一所述网络节点所映射的设备的各故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的相关联度(item_i)；
根据单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的相关联度(item_i)，基于公式获取单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度，所述公式如下：
(User_i,User_j)＝(Σ(item_k(User_i)*item_k(User_j)))/(sqrt(Σ
(item_k(User_i)^2))*sqrt(Σ(item_k(User_j)^2)))；
获取单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度(item_i,item_j)；
根据获取到的单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度之间进行比对，并确定比对结果中余弦相似度高于各所述故障数据的与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度(item_i,item_j)为单一所述网络节点所映射的设备与待预警的所述设备的一次故障预测结果中的故障数据之间的共同故障数据；
获取所述共同故障数据中的特征参数数据，并将所述共同故障数据中的特征参数数据确定为单一所述网络节点所映射的设备与待预警的所述设备的一次故障预测结果中的故障数据之间的共同特征数据。
进一步的，根据获取到的各所述网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果时，包括：
获取各所述网络节点所映射设备故障数据中的共同特征数据中的各特征参数；
根据各所述网络节点所映射设备故障数据中的共同特征数据中的各特征参数代入至所述量子贝叶斯算法后，计算所述设备的一次故障预测结果中的量子力学的条件概率；
并根据所述量子贝叶斯算法计算后的结果，对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果。
本发明实施例一种基于协同过滤算法结合设备故障预警优化的方法与现有技术相比，其有益效果在于：通过获取了待预警设备的故障数据，并基于这些数据构建了设备的预测模型。其次，通过收集了设备的运行数据，并使用构建好的预测模型进行预测运行，得到了一次故障预测结果。这提供有关设备可能故障的初步信息。接下来，通过建立了设备的运行网络，以捕捉设备之间的关系和相联通性。这有助于使用者更全面地了解设备的运行环境。并且在运行网络中，通过获取了各个网络节点所映射的设备的故障数据，并使用协同过滤算法来提取共同特征数据。这些特征数据有助于识别设备之间的相似性和相关性。最后，通过引入了量子贝叶斯算法，基于共同特征数据来修正一次故障预测结果，从而得到了设备的二次故障预测结果。进一步提高预测的精度，以确保设备的故障得到更准确的预警和管理。
附图说明
图1是本发明实施例一种基于协同过滤算法结合设备故障预警优化的方法的流程框图。
图2是本发明实施例中获取设备一次故障预测结果的流程框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整地传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1和图2所示，本发明实施例的一种基于协同过滤算法结合设备故障预警优化的方法，包括：
步骤S100、获取待预警的设备的故障数据，并根据待预警的设备的故障数据进行该设备的预测模型构建。
步骤S200、获取设备的运行数据，并根据设备的运行数据代入构建后的设备的预测模型进行预测运行，得到设备的一次故障预测结果。
步骤S300、获取设备的运行的联通关系，并根据设备的运行的联通关系建立该设备的运行网络。
步骤S400、获取设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各网络节点所映射的设备的故障数据中的共同特征数据。
步骤S500、根据获取到的各网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为设备的二次故障预测结果。
可以看出的是：首先，在步骤S100中，从待预警设备中获取故障数据，然后基于这些数据构建预测模型。这个模型将用于预测该设备可能的故障情况。随后，通过步骤S200、获取设备的运行数据，并将这些数据代入构建好的预测模型中，以进行一次故障预测。这一步骤得到设备的初步故障预测结果。同时为了更全面了解设备的运行环境，在步骤S300中，建立设备的运行网络，捕捉设备之间的联通关系和关联性。接下来在步骤S400中，通过在设备的运行网络中，获取各个网络节点所映射的设备的故障数据，并运用协同过滤算法来提取共同特征数据。这些特征数据有助于识别设备之间的相似性和关联性，从而增强故障预测的信息基础。最后，在步骤S500中，通过引入量子贝叶斯算法，基于共同特征数据来修正一次故障预测结果，从而得到设备的二次故障预测结果。进一步的提高预测的准确性，确保设备故障得到更可靠的预警和管理。
可以理解的是，通过使用协同过滤算法，能够捕捉设备之间的共同特征数据，从而更好地了解设备之间的相似性和相关性。这有助于提高故障预测的准确性，减少误报和漏报。其次，通过建立设备的运行网络，可以更全面地了解设备之间的联通关系和关联性。这有助于更好地把握设备的运行环境，包括潜在的影响因素，从而提高了故障预测的全面性。最后，通过使用量子贝叶斯算法对一次故障预测结果进行修正，可以更好地适应概率分布的复杂性，提高了预测的可信度和精度。此外，通过提供二次故障预测结果，允许设备维护团队在故障发生前采取适当的措施，以减少停机时间和生产损失。进一步的，优化维护资源的分配，避免不必要的维修，降低维护成本。
在本申请中的具体实施例中，以上步骤实现场景，方式如下：首先，开始收集待预警设备的故障数据，这可能包括设备故障历史、故障类型、发生时间等。基于这些数据，构建了设备的预测模型，该模型有助于预测设备可能的故障情况。随后，通过实时收集设备的运行数据，例如温度、振动、电流等。将这些数据代入预测模型中，进行一次故障预测，得到初步的故障预测结果。这可以帮助工厂在早期发现潜在的问题。为了更好地了解设备之间的关系，工厂建立了设备的运行网络，捕捉设备之间的联通关系，例如一个设备的故障可能会对其他设备产生影响。并且在运行网络中，获取各个网络节点所映射的设备的故障数据，包括故障历史和特定故障类型的信息。他们使用协同过滤算法来提取共同特征数据，以识别设备之间的相似性和关联性。最后，通过引入了量子贝叶斯算法，基于共同特征数据对一次故障预测结果进行修正，以获得更精确的二次故障预测结果。这些修正后的结果允许工厂维护团队提前采取适当的维护措施，以减少停机时间和提高生产效率。
以上场景仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
具体而言，在本发明一些实施例中获取待预警的设备的故障数据，并根据待预警的设备的故障数据进行该设备的预测模型构建时，包括：获取待预警的设备的历史故障数据，并去除设备的历史故障数据中的重复数据和异常故障数据，建立历史故障数据集。获取待预警的设备的出厂时标注的标准故障数据集。根据历史故障数据集和标准故障数据集进行预测模型构建，并获取构建后的该设备的预测模型。
具体而言，在本发明一些实施例中获取设备的运行数据，并根据设备的运行数据代入构建后的设备的预测模型进行预测运行，得到设备的一次故障预测结果时，包括：获取待预警的设备的当前使用状态。获取待预警的设备的部件和/或模块，和/或关键元器件的运行数据。根据待预警的设备的部件和/或模块，和/或关键元器件的运行数据获取设备的健康程度。获取该设备的预测模型中的故障数据。根据待预警的设备的当前使用状态以及设备的健康程度与该设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该设备的一次故障预测结果。
可以看出的是，通过采集待预警设备的当前使用状态，以了解设备当前的工作情况和运行模式，这可以包括设备是否正在运行、工作负载等信息。同时，收集设备的各个部件、模块以及关键元器件的运行数据，以详细了解设备内部各个部分的状态和性能。并基于部件和/或模块、关键元器件的运行数据，计算设备的健康程度，这可以是一个综合性的指标，用于评估设备的整体状态和可靠性。随后通过提取设备预测模型中的故障数据，这些数据可能包括设备历史故障信息、故障模式等。并将待预警设备的当前使用状态和健康程度与设备预测模型中的故障数据进行匹配和比对。这可以帮助确定设备是否处于潜在故障风险之下。最后，根据匹配后的结果，确定设备的一次故障预测结果，即设备是否可能出现故障。这一次故障预测结果是基于设备的当前状态和健康度，以及模型数据的综合分析而得出的。
可以理解的是，通过获取设备的当前使用状态和部件、模块、关键元器件的运行数据，这个方法可以提供对设备状态的精确评估。这有助于更准确地了解设备的实际运行状况，包括工作负荷、环境条件等。其次，通过收集部件、模块和关键元器件的运行数据，方法可以提供对设备各部分健康程度的细粒度评估。这有助于识别特定部分的潜在问题，从而更精确地预测可能的故障。随后，通过将设备状态和健康程度与预测模型中的故障数据进行匹配，该方法允许系统进行更全面的关联分析。这有助于识别设备部分之间的相互关系，从而提高了预测的综合性和精度。最终，通过综合匹配后的结果，方法能够提供更准确的一次故障预测。这意味着更早地发现潜在的故障迹象，有助于采取适当的维护措施，降低生产中断和损失。
在本申请中的具体实施例中，以上步骤实现场景，方式如下：首先，待预警的设备的故障数据被收集，这包括机器历史故障记录、运行参数等。基于这些数据，建立了针对特定型号的设备的预测模型，可以预测可能的故障模式和风险。同时，实时获取设备的运行数据，包括振动、运转速度、温度、转速等。这些数据被代入预测模型，进行一次故障预测，得到初步的故障预测结果，这可以帮助确定涡轮机的当前运行状态。其次，根据设备的各个部件，如各个部件的运行数据，计算设备的健康程度。这有助于识别设备内部各部分的状态和性能，以更全面地了解其健康状况。进一步的从预测模型中提取相应的故障数据，包括针对不同故障模式的历史数据和特征。最后，将设备的当前使用状态、健康程度与预测模型中的故障数据进行匹配和比对。这允许系统根据设备的实际状态和模型数据的综合分析，确定设备是否可能面临特定类型的故障。这一次故障预测结果可以为维护团队提供早期警示，以便及时采取必要的维护措施，减少停机时间和提高能源生产效率。
以上场景仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
具体而言，在本发明一些实施例中获取待预警的设备的当前使用状态时，包括：获取设备的当前使用年限以及设备的保质期年限中的阶段年限。根据设备的当前使用年限与设备的保质期年限中的阶段年限之间的关系确定设备的使用状态，其中：当设备的当前使用年限处于设备的保质期年限中的第一阶段年限时，则判断设备处于早期使用状态。当设备的当前使用年限处于设备的保质期年限中的第一阶段年限与第二阶段年限之间时，则判断设备处于中期使用状态。当设备的当前使用年限处于设备的保质期年限中的第二阶段使用年限与第三阶段年限之间时，则判断设备处于晚期使用状态。当设备的当前使用年限超出设备的保质期年限中的第三阶段年限时，则判断设备处于非保质期状态。
可以理解的是，通过比较设备的当前使用年限与不同保质期阶段的年限，可以全面评估设备状态，包括确定设备是否在早期、中期、晚期使用状态，或者是否已经超出了保质期。通常，在设备或系统运行初期(早期失效期)，故障率较高，然后随着时间的推移，系统逐渐稳定，故障率维持在相对较低水平，最后，随着设备老化(老化失效期)，故障率开始增加，直到最终所有部件或设备失效。这种分析有助于优化维护和资源分配，确保设备的可靠性和性能。
具体而言，在本发明一些实施例中根据待预警的设备的部件和/或模块，和/或关键元器件的运行数据获取设备的健康程度时，包括：获取待预警的设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据，并根据待预警的设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据确定设备的健康程度，其中：若待预警的设备的部件和/或模块，和/或关键元器件中预设时段内未出现故障，则判断设备的健康程度优良。若待预警的设备的部件和/或模块，和/或关键元器件中预设时段内出现故障，则判断设备的健康程度差，并获取待预警的设备的部件和/或模块，和/或关键元器件在预设时段内出现的故障频率和故障参数。
具体而言，在本发明一些实施例中获取该设备的预测模型中的故障数据时，包括：获取预测模型中的历史故障数据集和标准故障数据集。并去除历史故障数据集和标准故障数据集之间的重复故障数据。将去除重复故障数据的历史故障数据集和标准故障数据集进行高故障率设备数据集合和低故障率设备数据集合区分。
具体而言，在本发明一些实施例中根据待预警的设备的当前使用状态以及设备的健康程度与该设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该设备的一次故障预测结果时，包括：获取该设备的预测模型中的高故障率设备数据集合和低故障率设备数据集合。提取预测模型中的高故障率设备数据集合的高故障率故障特征参数和预测模型中的低故障率设备数据集合的低故障率故障特征参数。基于聚类分析指标获取高故障率故障特征参数与低故障率故障特征参数之间的共同故障行为特征参数集。根据待预警的设备的当前使用状态以及设备的健康程度与共同故障行为特征参数集之间进行匹配，并根据匹配结果确定该设备的一次故障预测结果。
可以看出的是，通过比较设备的当前使用年限与不同保质期阶段的年限，确定设备的使用状态，从早期、中期到晚期使用状态，以及是否已超出保质期。这有助于了解设备的整体状况。接下来，根据设备的部件、模块和关键元器件在预设时段内的故障数据，评估设备的健康程度。如果在该时段内未出现故障，设备的健康程度被判定为优良，否则被标记为差，并进一步获取故障频率和参数。同时，获取预测模型中的历史故障数据集和标准故障数据集，然后去除其中的重复故障数据，以确保数据的准确性。接着，将这些数据分为高故障率设备数据和低故障率设备数据，以便更精确地模型分析。随后，通过分析高故障率设备数据和低故障率设备数据，提取出高故障率设备的高故障率故障特征参数和低故障率设备的低故障率故障特征参数。进一步，基于聚类分析指标，确定了共同故障行为特征参数集。最后，将设备的当前使用状态、健康程度与共同故障行为特征参数集进行匹配，以确定设备的一次故障预测结果。这个结果基于多方面的数据分析，有助于提供更准确和可靠的设备健康状况评估，为维护和决策提供支持。
可以理解的是，通过比较设备的当前使用年限和保质期的不同阶段，能够更全面地评估设备的状态，包括早期、中期、晚期使用状态，以及是否超出保质期。这有助于更深入地理解设备的整体状况。其次，通过分析部件、模块和关键元器件在特定时段内的故障数据，可以提供更准确的设备健康程度评估。未出现故障的情况下，设备被认为是健康的，而出现故障则会触发警报，进一步分析故障频率和参数。同时，通过去除历史故障数据中的重复数据，确保了数据的准确性。这有助于更好地建立可靠的预测模型，从而提高预测准确性。随后，基于高和低故障率设备数据，提取出设备的故障特征参数，然后通过聚类分析确定共同的故障行为特征参数集。这有助于更好地了解设备的不同故障之间的共同故障模式。通过匹配设备的当前使用状态和健康程度与共同故障行为特征参数集，能够有效的提供更精准的一次故障预测结果。
在本申请中的具体实施例中，以上步骤实现场景，方式如下：首先，操作人员会获取该设备的当前使用年限和设备的保质期年限中的阶段年限。通过检查，发现设备的当前使用年限位于设备的保质期年限的第一阶段年限之间。因此，确定该设备处于早期使用状态，这是使用状态的初步评估。接下来，收集了设备的部件和模块的运行数据，包括预设时段内的故障数据。分析这些数据后，发现在预设时段内，设备的部件和模块未出现故障，表明设备的健康程度良好。然而，在同一时间段内，关键元器件出现了一些故障，这会被记录下来，包括故障的频率和参数，用于进一步评估设备的健康程度。然后，获取了设备的预测模型中的历史故障数据集和标准故障数据集，并去除了这两个数据集之间的重复故障数据，确保数据的准确性。这些历史数据用于建立设备的故障预测模型。最后，将设备的当前使用状态(早期使用状态)和健康程度(部件和模块健康，但关键元器件存在故障记录)与预测模型中的故障数据进行匹配。根据匹配结果，能够确定设备的一次故障预测结果，提供了关于设备可能故障的信息，以便采取必要的维护措施来确保设备的可靠性和持续运行。
以上场景仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
具体而言，在本发明的一些实施例中聚类分析指标包括：获取预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时同一聚合群之间的差异度W。获取预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时不同聚合群之间的差异度B。根据同一聚合群之间的差异度W和不同聚合群之间的差异度B，获取预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时总体聚合差异度T，设定T＝W+B。
基于R-Square公式获取聚类结果，所述R-Square公式如下所示：
R-Square＝(B/T)＝1-(W/T)；
根据获取到的预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时同一聚合群之间的差异度W最低一组的聚类结果中的共同故障行为特征参数集确定为预测模型中的各高故障率故障特征参数和各低故障率故障特征参数之间的共同故障行为特征参数。
在本申请中的具体实施例中，以上步骤实现场景，方式如下：首先，通过收集了大量高故障率设备和低故障率设备的故障特征参数数据。然后，通过计算了这些参数在同一聚合群内的差异度W，表示了同一类型设备之间的差异。同时，还计算了不同聚合群之间的差异度B，表示了不同类型设备之间的差异。通过这两个度量，可以获取预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时的总体聚合差异度T，设置T＝W+B。接下来，通过使用R-Square公式计算R-Square值，它可以告诉我们共同特征在总体聚合差异中的比例。这个值可以帮助确定特征参数之间的共同故障行为特征。具体来说，R-Square值接近1表示这些特征参数在总体差异中占主导地位，说明它们对故障具有共同的行为特征。最后，在R-Square值接近1的情况下，从聚类结果中选择同一聚合群之间差异度W最低的一组特征参数，将它们确定为预测模型中的各高故障率故障特征参数和各低故障率故障特征参数之间的共同故障行为特征参数。这一过程有助于改进故障预测模型，使其更精确地识别设备故障的共同特征，从而提高设备维护和性能监控的准确性和效率。
以上场景仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
具体而言，在本发明的一些实施例中获取设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各网络节点所映射的设备的故障数据中的共同特征数据时，包括：获取各网络节点中单一网络节点所映射的设备的各故障数据与待预警的设备的一次故障预测结果中的故障数据之间的相关联度(item_i)。根据单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的相关联度(item_i)，基于公式获取单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度，所述公式如下：
(User_i,User_j)＝(Σ(item_k(User_i)*item_k(User_j)))/(sqrt(Σ
(item_k(User_i)^2))*sqrt(Σ(item_k(User_j)^2)))；
获取单一网络节点所映射的设备的各故障数据的单一故障数据与待预警的设备的一次故障预测结果中的故障数据之间的余弦相似度(item_i,item_j)。根据获取到的单一网络节点所映射的设备的各故障数据的单一故障数据与待预警的设备的一次故障预测结果中的故障数据之间的余弦相似度之间进行比对，并确定比对结果中余弦相似度高于各故障数据的与待预警的设备的一次故障预测结果中的故障数据之间的余弦相似度的单一故障数据与待预警的设备的一次故障预测结果中的故障数据之间的余弦相似度(item_i,item_j)为单一网络节点所映射的设备与待预警的设备的一次故障预测结果中的故障数据之间的共同故障数据。获取共同故障数据中的特征参数数据，并将共同故障数据中的特征参数数据确定为单一网络节点所映射的设备与待预警的设备的一次故障预测结果中的故障数据之间的共同特征数据。
可以看出的是，通过获取各网络节点中单一网络节点所映射的设备的故障数据与待预警的设备的一次故障预测结果中的故障数据之间的相关联度(item_i)。这一步骤通过度量不同设备之间故障数据的相关性，以确定它们之间的相似性程度。其次，通过基于余弦相似度公式(User_i,User_j)计算单一网络节点所映射的设备的故障数据与待预警的设备的一次故障预测结果中的故障数据之间的余弦相似度(item_i,item_j)。余弦相似度是一种用于比较两个向量之间相似性的方法，这里用于比较设备故障数据之间的相似性。同时，将余弦相似度(item_i,item_j)进行比对，确定哪些故障数据之间的余弦相似度高于其他。这些故障数据之间的余弦相似度被确定为单一网络节点所映射的设备与待预警的设备的一次故障预测结果中的共同故障数据。最后，通过获取这些共同故障数据的特征参数数据。这些特征参数数据是用于描述共同故障数据的关键特征，如模式、趋势等。这些特征参数数据被确定为单一网络节点所映射的设备与待预警的设备的一次故障预测结果中的故障数据之间的共同特征数据。
可以理解的是，通过关联不同设备的故障数据，可以更有效地利用已有的故障信息，充分挖掘设备之间的相关性，从而提高数据的利用率。其次，共同特征数据反映了设备之间的共同故障行为，这有助于更准确地进行设备故障预测。使用余弦相似度的方法能够在大规模设备网络中快速识别相关性强的故障数据，提高了故障预测的准确性。同时，通过获取共同特征数据，设备管理人员可以更好地理解设备之间的故障关联，采取更精准的维护策略，降低了维护成本，提高了设备的可靠性和性能。并且共同特征数据的提取和分析可以用于自动化决策支持系统，帮助设备管理人员更好地规划维护工作，提前预防潜在故障，以确保设备网络的稳定性。最后通过获取共同特征数据，可以更好地了解不同设备之间的故障模式，从而采取措施来降低整个设备网络的故障风险，提高了设备网络的可用性。
在本申请中的具体实施例中，以上步骤实现场景，方式如下：首先，通过获取其映射的设备的各种故障数据，例如设备的部件使用率、利用率、流速流量数据等。同时，还获取了待预警的设备的一次故障预测结果中的故障数据，这包括设备的当前运行状态、历史故障记录等信息。然后，通过使用相关联度(item_i)来评估各个故障数据之间的相关性。这有助于确定哪些故障数据与待预警的设备的一次故障预测结果相关联，即哪些故障数据包含了与预测结果相关的信息。接下来，通过计算单一网络节点所映射的设备之间的余弦相似度(item_i,item_j)，以确定它们之间的相似性。这有助于发现在不同设备之间存在相似故障行为的情况，即它们的故障数据在一些方面非常接近。然后，通过将这些余弦相似度进行比对，并确定哪些单一故障数据之间的余弦相似度高于平均水平，这些故障数据被认为是共同故障数据，包含了与待预警的设备的一次故障预测结果相关的信息。最后，通过提取这些共同故障数据中的特征参数，如异常的CPU使用率、高温度情况、网络流量峰值等，将它们确定为单一网络节点所映射的设备与待预警的设备的一次故障预测结果中的共同特征数据。这些特征参数可以用于改进故障预测模型，提高设备管理的准确性和效率。
以上场景仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
具体而言，在本发明的一些实施例中根据获取到的各网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为设备的二次故障预测结果时，包括：获取各网络节点所映射设备故障数据中的共同特征数据中的各特征参数。根据各网络节点所映射设备故障数据中的共同特征数据中的各特征参数代入至量子贝叶斯算法后，计算设备的一次故障预测结果中的量子力学的条件概率。并根据量子贝叶斯算法计算后的结果，对设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为设备的二次故障预测结果。
可以看出的是，通过获取各网络节点所映射设备故障数据中的共同特征数据的各特征参数。这些特征参数是从多个设备的故障数据中提取的，它们代表了故障数据的共同特性，可能包括设备的运行状态、性能参数、历史故障记录等。其次，将各网络节点所映射设备故障数据中的共同特征数据的各特征参数代入量子贝叶斯算法中。量子贝叶斯算法是一种基于量子力学原理的概率推理方法，它允许处理高度复杂的概率关系。并且，利用量子贝叶斯算法计算设备的一次故障预测结果中的量子力学的条件概率。这个概率表示了共同特征数据的特征参数对于设备故障的影响程度，以及它们之间的概率关系。同时，根据量子贝叶斯算法计算后的结果，对设备的一次故障预测结果进行修正。这个修正过程基于共同特征数据的特征参数对一次预测结果的修正程度，以更准确地反映设备的潜在故障风险。最终确定修正后的故障预测结果为设备的二次故障预测结果。这个修正过程有助于提高预测模型的准确性，从而更可靠地预测设备的故障情况。
可以理解的是，通过综合考虑多个设备的故障数据中的共同特征，修正设备的一次故障预测结果，从而提高了预测的准确性。这有助于减少误报和漏报，提高了设备故障预测的可信度。其次，通过采用量子贝叶斯算法，可根据每个设备的共同特征数据中的各特征参数，量身定制修正方案，使修正过程更符合具体设备的实际情况，提高了个性化修正的能力。最后，通过获得修正后的二次故障预测结果，操作人员和维护团队可以更早地采取预防性维护措施，降低了设备维修成本，提高了设备的可靠性和可维护性。
综上，本发明实施例提供一种基于协同过滤算法结合设备故障预警优化的方法，其通过获取了待预警设备的故障数据，并基于这些数据构建了设备的预测模型。其次，通过收集了设备的运行数据，并使用构建好的预测模型进行预测运行，得到了一次故障预测结果。这提供有关设备可能故障的初步信息。接下来，通过建立了设备的运行网络，以捕捉设备之间的关系和相联通性。这有助于使用者更全面地了解设备的运行环境。并且在运行网络中，通过获取了各个网络节点所映射的设备的故障数据，并使用协同过滤算法来提取共同特征数据。这些特征数据有助于识别设备之间的相似性和相关性。最后，通过引入了量子贝叶斯算法，基于共同特征数据来修正一次故障预测结果，从而得到了设备的二次故障预测结果。进一步提高预测的精度，以确保设备的故障得到更准确的预警和管理。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种基于协同过滤算法结合设备故障预警优化的方法，其特征在于，包括：
获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建；
获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果；
获取所述设备的运行的联通关系，并根据所述设备的运行的联通关系建立该所述设备的运行网络；
获取所述设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各所述网络节点所映射的设备的故障数据中的共同特征数据；
根据获取到的各所述网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果。
2.如权利要求1所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建时，包括：
获取待预警的所述设备的历史故障数据，并去除所述设备的历史故障数据中的重复数据和异常故障数据，建立历史故障数据集；
获取待预警的所述设备的出厂时标注的标准故障数据集；
根据所述历史故障数据集和标准故障数据集进行预测模型构建，并获取构建后的该所述设备的预测模型。
3.如权利要求2所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果时，包括：
获取待预警的所述设备的当前使用状态；
获取待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据；
根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度；
获取该所述设备的预测模型中的故障数据；
根据待预警的所述设备的当前使用状态以及所述设备的健康程度与该所述设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该所述设备的一次故障预测结果。
4.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取待预警的所述设备的当前使用状态时，包括：
获取所述设备的当前使用年限以及所述设备的保质期年限中的阶段年限；
根据所述设备的当前使用年限与所述设备的保质期年限中的阶段年限之间的关系确定所述设备的使用状态，其中；
当所述设备的当前使用年限处于所述设备的保质期年限中的第一阶段年限时，则判断所述设备处于早期使用状态；
当所述设备的当前使用年限处于所述设备的保质期年限中的第一阶段年限与第二阶段年限之间时，则判断所述设备处于中期使用状态；
当所述设备的当前使用年限处于所述设备的保质期年限中的第二阶段使用年限与第三阶段年限之间时，则判断所述设备处于晚期使用状态；
当所述设备的当前使用年限超出所述设备的保质期年限中的第三阶段年限时，则判断所述设备处于非保质期状态。
5.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度时，包括：
获取待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据，并根据待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据确定所述设备的健康程度，其中，
若待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内未出现故障，则判断所述设备的健康程度优良；
若待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内出现故障，则判断所述设备的健康程度差，并获取待预警的所述设备的部件和/或模块，和/或关键元器件在预设时段内出现的故障频率和故障参数。
6.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取该所述设备的预测模型中的故障数据时，包括：
获取所述预测模型中的历史故障数据集和标准故障数据集；
并去除所述历史故障数据集和标准故障数据集之间的重复故障数据；
将去除重复故障数据的历史故障数据集和标准故障数据集进行高故障率设备数据集合和低故障率设备数据集合区分。
7.如权利要求6所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，根据待预警的所述设备的当前使用状态以及所述设备的健康程度与该所述设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该所述设备的一次故障预测结果时，包括：
获取该所述设备的预测模型中的高故障率设备数据集合和低故障率设备数据集合；
提取所述预测模型中的高故障率设备数据集合的高故障率故障特征参数和预测模型中的低故障率设备数据集合的低故障率故障特征参数；
基于聚类分析指标获取所述高故障率故障特征参数与所述低故障率故障特征参数之间的共同故障行为特征参数集；
根据待预警的所述设备的当前使用状态以及所述设备的健康程度与所述共同故障行为特征参数集之间进行匹配，并根据匹配结果确定该所述设备的一次故障预测结果。
8.如权利要求7所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，所述聚类分析指标包括：
获取所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时同一聚合群之间的差异度W；
获取所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时不同聚合群之间的差异度B；
根据所述同一聚合群之间的差异度W和不同聚合群之间的差异度B，获取所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时总体聚合差异度T，设定T＝W+B。
基于R-Square公式获取聚类结果，所述R-Square公式如下所示：
R-Square＝(B/T)＝1-(W/T)；
根据获取到的预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时同一聚合群之间的差异度W最低一组的聚类结果中的共同故障行为特征参数集确定为所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数之间的共同故障行为特征参数。
9.如权利要求1所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取所述设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各所述网络节点所映射的设备的故障数据中的共同特征数据时，包括：
获取各所述网络节点中单一所述网络节点所映射的设备的各故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的相关联度(item_i)；
根据单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的相关联度(item_i)，基于公式获取单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度，所述公式如下：
(User_i,User_j)＝(Σ(item_k(User_i)*item_k(User_j)))/(sqrt(Σ(item_k(User_i)^2))*sqrt(Σ(item_k(User_j)^2)))；
获取单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度(item_i,item_j)；
根据获取到的单一所述网络节点所映射的设备的各故障数据的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度之间进行比对，并确定比对结果中余弦相似度高于各所述故障数据的与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度的单一故障数据与待预警的所述设备的一次故障预测结果中的故障数据之间的余弦相似度(item_i,item_j)为单一所述网络节点所映射的设备与待预警的所述设备的一次故障预测结果中的故障数据之间的共同故障数据；
获取所述共同故障数据中的特征参数数据，并将所述共同故障数据中的特征参数数据确定为单一所述网络节点所映射的设备与待预警的所述设备的一次故障预测结果中的故障数据之间的共同特征数据。
10.如权利要求9所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，根据获取到的各所述网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果时，包括：
获取各所述网络节点所映射设备故障数据中的共同特征数据中的各特征参数；
根据各所述网络节点所映射设备故障数据中的共同特征数据中的各特征参数代入至所述量子贝叶斯算法后，计算所述设备的一次故障预测结果中的量子力学的条件概率；
并根据所述量子贝叶斯算法计算后的结果，对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果。
CN202311718290.9A 2023-12-14 2023-12-14 一种基于协同过滤算法结合设备故障预警优化的方法 Pending CN117851202A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202311718290.9A CN117851202A (zh) 2023-12-14 2023-12-14 一种基于协同过滤算法结合设备故障预警优化的方法
PCT/CN2023/142733 WO2024207835A1 (zh) 2023-12-14 2023-12-28 一种基于协同过滤算法结合设备故障预警优化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311718290.9A CN117851202A (zh) 2023-12-14 2023-12-14 一种基于协同过滤算法结合设备故障预警优化的方法

Publications (1)

Publication Number Publication Date
CN117851202A true CN117851202A (zh) 2024-04-09

Family

ID=90541081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311718290.9A Pending CN117851202A (zh) 2023-12-14 2023-12-14 一种基于协同过滤算法结合设备故障预警优化的方法

Country Status (2)

Country Link
CN (1) CN117851202A (zh)
WO (1) WO2024207835A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119291342B (zh) * 2024-10-17 2025-04-11 内蒙古电力(集团)有限责任公司包头供电分公司 基于北斗导航系统的电力设备状态监测数据采集方法
CN118981651A (zh) * 2024-10-21 2024-11-19 济南大森家具有限公司 基于大数据的智能家具故障预测方法
CN119358768B (zh) * 2024-12-20 2025-08-22 深圳市科中云技术有限公司 一种能碳能效的优化方法及装置
CN120764865B (zh) * 2025-09-10 2025-12-16 内蒙古电力(集团)有限责任公司呼和浩特供电分公司 基于输电网智慧运维多维数据协同分析预警方法
CN120975764B (zh) * 2025-10-20 2026-03-10 江苏博优特环保科技有限公司 环保治理设备集群的远程运维管理与故障预警系统及方法
CN121332912B (zh) * 2025-12-12 2026-03-24 重庆泰昇智能电气有限公司 基于故障指示器的配电分支箱监测系统及方法
CN121637211B (zh) * 2026-02-05 2026-04-03 贵州财经大学 基于人工智能的电子元器件状态信息识别方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190384255A1 (en) * 2018-06-19 2019-12-19 Honeywell International Inc. Autonomous predictive real-time monitoring of faults in process and equipment
CN115730189A (zh) * 2022-11-16 2023-03-03 中国电信股份有限公司 一种基于电力设备状态的评估方法和电子设备
CN115906317A (zh) * 2022-11-30 2023-04-04 天翼电子商务有限公司 一种基于碳中和的预测发动机寿命的方法及系统
CN117114454B (zh) * 2023-10-25 2024-01-23 南京中鑫智电科技有限公司 一种基于Apriori算法的直流套管状态评估方法及系统

Also Published As

Publication number Publication date
WO2024207835A1 (zh) 2024-10-10

Similar Documents

Publication Publication Date Title
CN117851202A (zh) 一种基于协同过滤算法结合设备故障预警优化的方法
KR102073810B1 (ko) 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템
CN118585755B (zh) 基于人工智能的充电桩安全性监测与故障诊断方法及系统
CN111241154A (zh) 一种基于大数据的蓄电池故障预警方法及系统
TWI800395B (zh) 基站運行的健康管理方法、裝置及計算機可讀存儲介質
CN109255440B (zh) 基于递归神经网络（rnn）的对电力生产设备进行预测性维护的方法
CN119760615A (zh) 充电桩生产测试数据采集分析方法及系统
JP2002532799A (ja) 特にセメントキルンの技術プロセスにおけるセンサ予測のための事例ベース推論システムと方法および装置
CN116992346A (zh) 一种基于人工智能大数据分析的企业生产数据处理系统
CN111931334B (zh) 一种用于评估电缆设备运行可靠性的方法及系统
CN116862081B (zh) 一种污染治理设备运维方法及系统
CN119377041B (zh) 自动化运维智能告警处置方法、装置、设备和存储介质
CN118396606B (zh) 一种基于多模态大模型的制造业产品生产优化方法
CN118550791A (zh) 云服务器的运维管理方法、装置、设备及存储介质
CN116258467A (zh) 一种电力施工管控系统
CN119716404A (zh) 一种配电网拓扑异常智能识别方法
CN119415221B (zh) Ai算力集群的主动测试方法、装置、设备、介质和产品
CN120474902A (zh) 一种基于ai的网络日志分析处理方法
CN120185158A (zh) 一种自适应充放电补偿的蓄电池在线监测方法及系统
CN117272844B (zh) 配电盘工作寿命的预测方法及系统
CN119886511A (zh) 一种施工装置的寿命周期评估系统及方法
CN115543727B (zh) 基于云服务多变量监测指标的异常检测方法及装置
CN117056819A (zh) 多融合智慧电站故障溯源方法、系统、设备及介质
CN112988529B (zh) 一种基于机器学习进行数据库系统性能预测的方法及系统
CN116175641A (zh) 一种机器人预测性维护方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20240409