CN110929934A - 设备故障预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种设备故障预测方法、装置、计算机设备和存储介质。所述方法包括：获取目标电梯对应的当前运行数据集合，所述当前运行数据集合包括所述目标电梯在当前时间段中多个时刻分别对应的当前运行数据，所述当前运行数据是通过所述目标电梯对应的传感器检测得到的；根据所述当前运行数据集合进行特征提取，得到所述当前运行数据集合对应的目标特征集合，所述目标特征集合包括多个目标特征；获取已训练得到的目标电梯故障预测模型；将所述目标特征值集合输入到所述目标电梯故障预测模型中，得到所述目标电梯对应的故障预测结果。采用本方法能够提高设备故障检测效率。

Description

设备故障预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及物联网技术领域，特别是涉及一种设备故障预测方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，出现了物联网(The Internet of Things，IOT)技术，物联网是通过射频识别、红外感应器、全球定位***、激光扫描器等信息传感设备，按约定的协议，把设备与互联网相连接，进行信息交换和通信，以实现对设备的智能化识别、定位、跟踪、监控和管理的一种网络。由于物联网中的设备可能存在故障，因此人们进行需要对物联网中的设备进行故障预测。

然而，目前采用人工对物联网中的设备进行故障预测，当物联网中的设备越来越多时，对物联网中的设备的故障预测会耗费大量的人力和时间，导致设备故障预测效率低。

发明内容

基于此，有必要针对上述设备故障预测效率低的技术问题，提供一种能够提高设备故障预测效率的设备故障预测方法、装置、计算机设备和存储介质。

一种设备故障预测方法，所述方法包括：获取目标电梯对应的当前运行数据集合，所述当前运行数据集合包括所述目标电梯在当前时间段中多个时刻分别对应的当前运行数据，所述当前运行数据是通过所述目标电梯对应的传感器检测得到的；根据所述当前运行数据集合进行特征提取，得到所述当前运行数据集合对应的目标特征集合，所述目标特征集合包括多个目标特征；获取已训练得到的目标电梯故障预测模型；将所述目标特征值集合输入到所述目标电梯故障预测模型中，得到所述目标电梯对应的故障预测结果。

在一些实施例中，所述根据所述当前运行数据集合进行特征提取，得到所述目标电梯对应的目标特征集合，包括：按照对应的运行时间对所述当前运行数据集合中的当前运行数据进行排序，得到当前运行数据序列；从所述当前运行数据序列中筛选得到第一运行数据以及第二运行数据，其中，所述第一运行数据的前一当前运行数据以及后一当前运行数据小于所述第一运行数据，所述第二运行数据的前一当前运行数据以及后一当前运行数据大于所述第二运行数据；计算所述第一运行数据的数量，得到第一数量，计算所述第二运行数据的数量，得到第二数量；根据所述第一数量以及所述第二数量得到目标特征。

在一些实施例中，所述目标电梯故障预测模型为多个，所述将所述目标特征值集合输入到所述目标电梯故障预测模型中，得到所述目标电梯对应的故障预测结果，包括：将所述目标特征值集合输入到各个所述目标电梯故障预测模型中，输出对应的故障发生概率；获取故障发生概率最大对应的所述目标电梯故障预测模型，作为最终电梯故障预测模型；将所述最终故障预测模型对应的故障类型作为所述目标设备对应的预测故障类型。

在一些实施例中，所述目标电梯故障预测模型的得到步骤包括：获取初始电梯故障预测模型对应的第一参数的各个第一取值，获取所述初始电梯故障预测模型对应的第二参数对应的各个第二取值；对所述第一取值以及所述第二取值进行组合，得到多个训练参数取值集合，所述训练参数取值集合中的元素包括所述第一取值和所述第二取值；根据各个所述训练参数取值集合分别对所述初始电梯故障预测模型进行训练，得到各个所述训练参数集合分别对应的训练后的候选电梯故障预测模型；对各个所述候选电梯故障预测模型进行准确度测试，得到各个所述候选电梯故障预测模型的故障预测准确度；根据所述候选电梯故障预测模型的故障预测准确度筛选得到目标电梯故障预测模型。

在一些实施例中，所述第一参数为误差容忍度参数，所述根据各个所述训练参数取值集合分别对初始电梯故障预测模型进行训练，得到所述训练参数取值集合分别对应的训练后的候选电梯故障预测模型，包括：获取训练样本，将所述训练样本输入至初始电梯故障预测模型中，得到预测输出数据，其中，训练参数取值集合中的第二参数作为所述初始电梯故障预测模型对应的核函数参数；根据所述预测输出数据与所述训练样本对应的目标输出数据计算得到输出数据误差，根据所述误差容忍度参数以及所述输出数据误差得到模型损失值；根据所述模型损失值对初始电梯故障预测模型的参数进行调整，得到所述训练参数取值集合对应的候选电梯预测故障模型。

在一些实施例中，所述根据所述模型损失值对初始电梯故障预测模型的参数进行调整，得到所述训练参数取值集合对应的候选电梯预测故障模型，包括：根据所述模型损失值，采用梯度下降法调整初始电梯故障预测模型的向量参数和截距参数，得到所述训练参数取值集合对应的候选电梯故障预测模型。

一种设备故障预测装置，所述装置包括：当前运行数据集合获取模块，用于获取目标电梯对应的当前运行数据集合，所述当前运行数据集合包括所述目标电梯在当前时间段中多个时刻分别对应的当前运行数据，所述当前运行数据是通过所述目标电梯对应的传感器检测得到的；目标特征集合得到模块，用于根据所述当前运行数据集合进行特征提取，得到所述当前运行数据集合对应的目标特征集合，所述目标特征集合包括多个目标特征；目标电梯故障预测模型获取模块，用于获取已训练得到的目标电梯故障预测模型；故障预测结果得到模块，用于将所述目标特征值集合输入到所述目标电梯故障预测模型中，得到所述目标电梯对应的故障预测结果。

在一些实施例中，所述目标特征集合得到模块，包括：当前运行数据序列得到单元，用于按照对应的运行时间对所述当前运行数据集合中的当前运行数据进行排序，得到当前运行数据序列；运行数据得到单元，用于从所述当前运行数据序列中筛选得到第一运行数据以及第二运行数据，其中，所述第一运行数据的前一当前运行数据以及后一当前运行数据小于所述第一运行数据，所述第二运行数据的前一当前运行数据以及后一当前运行数据大于所述第二运行数据；数量得到单元，用于计算所述第一运行数据的数量，得到第一数量，计算所述第二运行数据的数量，得到第二数量；目标特征得到单元，用于根据所述第一数量以及所述第二数量得到目标特征。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述设备故障预测方法的步骤。

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上述设备故障预测方法的步骤。

上述设备故障预测方法、装置、计算机设备和存储介质，获取目标电梯对应的当前运行数据集合，根据当前运行数据集合进行特征提取，得到当前运行数据集合对应的目标特征集合，目标特征集合包括多个目标特征，获取已训练得到的目标电梯故障预测模型，将目标特征值集合输入到目标电梯故障预测模型中，得到目标电梯对应的故障预测结果，由于，当前运行数据是通过目标电梯对应的传感器检测得到的，且当前运行数据集合包括目标电梯在当前时间段中多个时刻分别对应的当前运行数据，因此，可以根据当前运行数据集合以及目标电梯故障预测模型，对电梯的故障进行预测，从而实现了自动进行设备故障检测，提高了设备故障检测效率。

附图说明

图1为一些实施例中设备故障预测方法的应用场景图；

图2A为一些实施例中设备故障预测方法的流程示意图；

图2B为一些实施例中分离超平面的示意图；

图3为一些实施例中目标特征的得到步骤的流程示意图；

图4为一些实施例中预测故障类型的得到步骤的流程示意图；

图5为一些实施例中目标电梯故障预测模型的得到步骤的流程示意图；

图6为一些实施例中候选电梯故障预测模型的得到步骤的流程示意图；

图7为一些实施例中设备故障预测方法的流程示意图；

图8为一些实施例中设备故障预测装置的结构框图；

图9为一些实施例中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。该应用环境包括目标电梯102、目标电梯内的传感器以及服务器104。其中，目标电梯102与传感器之间可以通过有线或无线的方式进行通信，传感器用于采集目标电梯102的运行数据。目标电梯102通过内部的传感器通过网络与服务器104通过网络进行通信。传感器可以将采集到的数据发送给服务器104。

具体的，传感器可以实时采集目标电梯102当前的运行数据，并将采集到的运行数据发送给服务器104，服务器104可以接收传感器发送的目标电梯102的运行数据，将多个当前的运行数据组成当前运行数据集合，并可以对进行存储。服务器104可以获取目标电梯对应的当前运行数据集合，根据当前运行数据集合进行特征提取，提取到的特征可以包括统计量特征和时间量特征，其中统计量特征例如可以包括均值、最大值、最小值、方差、波峰数量以及波谷数量等中的一种或者多种，时间量特征例如可以包括星期几以及第几个小时等中的一种或者多种。服务器104可以将提取到的特征组成目标特征集合，获取已训练得到的目标电梯故障预测模型，将目标特征值集合输入到目标电梯故障预测模型中，得到目标电梯对应的故障预测结果。故障预测结果可以为目标电梯将要发送故障或者目标电梯为正常。当故障预测结果为目标电梯为故障时，服务器104可以将故障预测结果反馈给相关人员，例如维修人员，或者发出设备停止指令，使得设备可以停止运行。其中，目标电梯102可以为一个电梯或者多个电梯。传感器可以为一个或多个，可以包括各种类型的传感器，例如位移传感器、速度传感器和加速度传感器等，服务器104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。

在一些实施例中，如图2A所示，提供了一种设备故障预测方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

S202，获取目标电梯对应的当前运行数据集合，当前运行数据集合包括目标电梯在当前时间段中多个时刻分别对应的当前运行数据，当前运行数据是通过目标电梯对应的传感器检测得到的。

具体的，目标电梯需要进行故障预测的电梯设备，电梯设备例如可以是乘客电梯、载货电梯以及建筑施工电梯等。运行数据指的是电梯运行时产生的数据，可以是电梯运行时电梯的振动数据，例如可以为电梯运行时电梯振动的位移、速度或者加速度中的至少一个。运行数据集合指的是由运行数据组成的集合，运行数据集合中的运行数据可以是有序的也可以是无序的，例如可以是按照运行时间排序的。当前时间段是当前时刻所在的时间段。运行数据集合对应的当前时间段的时间长度可以是根据需要进行设置的，可以获取当前时间段中每个时刻对应的运行数据，例如，当前时间段的长度可以是10分钟，则可以获取每分钟对应的一个运行数据，组成当前运行数据序列。每分钟对应的数据可以是某一个时刻例如第5秒对应的瞬时运行数据，也可以对每秒的运行数据进行统计，得到统计数据，例如可以是该分钟内的运行数据平均值。

在一些实施例中，传感器的数量可以根据需要进行设置，例如可以根据具体的场景、业务以及数据情况来设置传感器的数量。不同的当前运行数据集合可以是根据不同的传感器采集的数据得到的。例如，当前运行数据集合S1可以是根据传感器A采集的运行数据得到的，当前运行数据集合S2可以是根据传感器B采集的运行数据得到的。

在一些实施例中，传感器为振动传感器，例如可以是位移传感器、速度传感器或者加速度传感器中的至少一个。振动传感器用于对电梯振动时的数据进行采集，例如采集电梯振动时的振动位移、振动速度以及振动加速度等。

S204，根据当前运行数据集合进行特征提取，得到当前运行数据集合对应的目标特征集合，目标特征集合包括多个目标特征。

具体的，特征提取指的是提取当前运行数据集合的特征。当前运行数据集合的特征例如可以是最大值、最小值、平均值以及方差等中的一种或者多种。目标特征集合可以包括当前运行数据集合的特征中的一种或者多种，例如，目标特征集合可以包括最大值，最小值以及平均值，也可以只包括最大值。目标特征集合可以为表示特征的特征向量。

在一些实施例中，当前运行数据集合中的运行数据是按照运行时间进行排序的，这种情况下，当前运行数据集合的特征可以包括局部最大值和局部最小值。当某个运行时间对应的运行数据大于该运行时间前一运行时间对应的运行数据，且大于该运行时间后以运行时间对应的运行数据时，可以将该运行数据作为局部最大值。当某个运行时间对应的运行数据小于该运行时间前一运行时间对应的运行数据，且小于该运行时间后以运行时间对应的运行数据时，可以将该运行数据作为局部最小值。局部是指子时间段，当前时间段可以分为多个子时间段。例如，对于按照运行时间进行排序的当前运行数据集合{0,2,3,1,5}，其中，3大于2和1，因此3为局部最大值，1小于3和5，因此1为局部最小值。可以理解，局部最大值不一定为当前运行数据集合中的最大值，局部最小值也不一定为当前运行数据集合中的最小值，例如，当前运行数据集合{0,2,3,1,5}中的最小值为0，最大值为5，而局部最小值为1，局部最大值为3。

S206，获取已训练得到的目标电梯故障预测模型。

具体的，目标电梯故障预测模型为训练后得到的电梯故障预测模型。电梯故障预测模型用于根据电梯的运行数据对电梯进行故障预测。

在一些实施例中，目标电梯故障预测模型可以是一个或者多个。例如，可以对不同类型的机器学习模型进行训练得到的不同的目标电梯故障预测模型。例如，目标电梯故障预测模型可以是根据训练得到的SVM(Support Vector Machine，支持向量机)。可以利用不同的传感器的数据，训练一个SVM模型。

其中，SVM是一种基于结构风险最小化原则，以构造最优超平面为目标的统计学***面正确划分，并且距离平面最近的异类向量之间的距离最大(即边缘最大化)，则该超平面称为最优超平面。其中距离超平面最近的异类向量被称为支持向量(support vector)。SVM学***面，如图2B所示，ω·x+b＝0即为分离超平面，对于线性可分的数据集来说，这样的超平面(即感知机)有无穷多个，但是几何间隔最大的分离超平面却是唯一的。

在一些实施例中，可以对不同类型的机器学习模型进行训练得到的不同的电梯故障预测模型，并计算训练得到的不同的电梯故障预测模型的准确度，将准确度高的电梯故障预测模型作为目标电梯故障预测模型。

S208，将目标特征值集合输入到目标电梯故障预测模型中，得到目标电梯对应的故障预测结果。

具体的，故障预测结果可以是电梯故障或者电梯正常，当故障预测结果为电梯故障时，故障预测结果还可以包括电梯故障对应的故障类型，例如，电梯不运行和电梯门不能关闭等。服务器可以将目标特征值集合作为目标电梯故障预测模型的输入数据，通过目标电梯故障预测模型对应的矩阵对目标特征值集合进行处理，得到处理后的数据，根据处理后的数据判断目标特征值集合表示目标电梯为故障还是正常。

上述设备故障预测方法中，获取目标电梯对应的当前运行数据集合，根据当前运行数据集合进行特征提取，得到当前运行数据集合对应的目标特征集合，目标特征集合包括多个目标特征，获取已训练得到的目标电梯故障预测模型，将目标特征值集合输入到目标电梯故障预测模型中，得到目标电梯对应的故障预测结果，由于，当前运行数据是通过目标电梯对应的传感器检测得到的，且当前运行数据集合包括目标电梯在当前时间段中多个时刻分别对应的当前运行数据，因此，可以根据当前运行数据集合以及目标电梯故障预测模型，对电梯的故障进行预测，从而实现了自动进行设备故障检测，提高了设备故障检测效率。

上述设备故障预测方法可以用于对物联网设备中的设备进行故障预测。现阶段，工业物联网设备故障预测尚处于起步阶段，比如电梯检修，需要依靠手持式振动故障检测设备进行预测，给企业带来极大不便。并且，由于没有通过物联网(IOT，Internet ofthings)与大数据(big data)技术，使得手持式振动故障检测设备所采集的运行数据并不具备很强的泛化能力，不能进行大力推广，并且手持式振动检测设备，需要投入大量人力维护，设备故障预测效率低。而采用本申请的设备故障预测方法，通过获取该设备对应的当前运行数据集合，对故障进行预测。可以实现对物联网中设备的自动故障预测，从而提高了物联网中设备故障预测的效率。

其中，物联网，即“万物相连的互联网”，是互联网基础上的延伸和扩展的网络，是将各种信息传感设备与互联网结合起来而形成的一个巨大网络，实现在任何时间和任何地点，人、机及物的互联互通。大数据是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在一些实施例中，如图3所示，步骤S204即根据当前运行数据集合进行特征提取，得到目标电梯对应的目标特征集合，包括：

S302，按照对应的运行时间对当前运行数据集合中的当前运行数据进行排序，得到当前运行数据序列。

具体的，当前运行数据集合可以是无序的，服务器可以根据运行时间对当前运行数据集合中的当前运行数据进行排序。

在一些实施例中，传感器向服务器发送运行数据时，将运行数据对应的运行时间一同发送，例如可以是某年某月某日某时某分某秒对应的电梯振动的位移数据。当然，当服务器接收到传感器发送的运行数据时，可以将当前时间作为运行数据对应的运行时间。

S304，从当前运行数据序列中筛选得到第一运行数据以及第二运行数据，其中，第一运行数据的前一当前运行数据以及后一当前运行数据小于第一运行数据，第二运行数据的前一当前运行数据以及后一当前运行数据大于第二运行数据。

S306，计算第一运行数据的数量，得到第一数量，计算第二运行数据的数量，得到第二数量。

S308，根据第一数量以及第二数量得到目标特征。

具体的，第一运行数据可以为局部最大值，第一运行数据的数量可以是一个或多个；第二运行数据可以为局部最小值，第二运行数据的数量可以是一个或多个。第一数量可以为当前运行数据序列的局部最大值的数量，第二数量可以为当前运行数据序列的局部最小值的数量。

在一些实施例中，可以根据第一数量以及第二数量进行比较得到目标特征。例如，可以将第一数量以及第二数量中较大的一个作为目标特征，或者将第一数量以及第二数量中较小的一个作为目标特征。当然，也可以将第一数量作为目标特征，将第二数量也作为目标特征。

在一些实施例中，可以根据第一数量以及第二数量进行数学计算得到目标特征，例如，将第一数量与第二数量相加后的值作为目标特征，或者将第一数量与第二数量相除后的值作为目标特征。当然，也可以是将采用其他的计算方法得到的数据作为目标特征。

在一些实施例中，可以确定数量对应的数值范围，将该数值范围对应的特征作为目标特征，以减少模型对应的特征的个数。例如，假设数量的取值范围为1～60，则模型训练时，需要获取60个数量特征进行模型训练，导致训练效果差。而如果将取值范围划分为多个子范围：例如1～20、21～40以及41到60。当获取到数量15后，确定该数量对应的具体范围为1～20，从而将该1～20范围对应的特征作为数量15的特征，因此模型训练时，获取的数量特征为3个，从而大大减少了特征的数量。

上述本申请实施例中，按照对应的运行时间对当前运行数据集合中的当前运行数据进行排序，得到当前运行数据序列，并从当前运行数据序列中筛选得到第一运行数据以及第二运行数据，由于第一运行数据的前一当前运行数据以及后一当前运行数据小于第一运行数据，第二运行数据的前一当前运行数据以及后一当前运行数据大于第二运行数据，因此第一运行数据可以反映当前运行数据序列的局部最大值，第二运行数据可以反映当前运行数据序列的局部最小值，从而根据第一运行数据的数量以及第二运行数据的数量得到的目标特征可以很好的体现出当前运行数据集合中数据的特征。

在一些实施例中，目标电梯故障预测模型为多个，如图4所示，步骤S208即将目标特征值集合输入到目标电梯故障预测模型中，得到目标电梯对应的故障预测结果，包括：

S402，将目标特征值集合输入到各个目标电梯故障预测模型中，输出对应的故障发生概率。

具体的，目标电梯故障预测模型可以为多个，目标电梯故障预测模型可以是根据不同的机器学习模型训练得到的多个模型。目标电梯故障预测模型的输出结果可以是故障发生概率。服务器可以将目标特征值集合分别输入到各个目标电梯故障预测模型中，并得到目标电梯故障预测模型输出的故障发生概率。

S404，获取故障发生概率最大对应的目标电梯故障预测模型，作为最终电梯故障预测模型。

具体的，服务器可以对各个目标电梯故障预测模型得到的故障发生概率进行对比，获取故障发生概率最大对应的目标电梯故障预测模型，作为最终电梯故障预测模型。例如，若目标电梯故障预测模型一共包括目标电梯故障预测模型1以及目标电梯故障预测模型2这两个模型，目标电梯故障预测模型1得到的故障发生概率为p1，目标电梯故障预测模型2得到的故障发生概率为p2，且p1大于p2，则将目标电梯故障预测模型1作为最终电梯故障预测模型。

S406，将最终故障预测模型对应的故障类型作为目标设备对应的预测故障类型。

具体的，不同的目标电梯故障预测模型可用于检测不同的故障类型，例如，目标电梯故障预测模型1可用于检测故障类型E1，目标电梯故障预测模型2可用于检测故障类型E2。服务器可以获取最终故障预测模型对应的故障类型，将该故障类型作为目标设备对应的预测故障类型。

上述本申请实施例中，将目标特征值集合输入到不同的目标电梯故障预测模型中，得到对应的故障发生概率，由于不同的目标电梯故障预测模型的准确度可能不同，因此得到的故障发生概率也可能不同，因此，将获取故障发生概率最大对应的目标电梯故障预测模型对应的故障类型作为目标设备对应的预测故障类型，使得目标电梯对应的故障预测结果的准确度高。

在一些实施例中，如图5所示，目标电梯故障预测模型的得到步骤包括：

S502，获取初始电梯故障预测模型对应的第一参数的各个第一取值，获取初始电梯故障预测模型对应的第二参数对应的各个第二取值。

具体的，初始电梯故障预测模型为训练前的电梯故障预测模型，初始电梯故障预测模型可以对应有第一参数和第二参数。第一参数可以对应有多个取值，第二参数也可以对应有多个取值。

在一些实施例中，可以根据第一参数的取值范围得到第一参数的各个第一取值。具体的，可以按照固定间隔从第一参数的取值范围中获取多个值分别作为第一取值。例如，若第一参数的取值范围为[0,1]，则可以按照间隔0.1从[0,1]中获取0.1、0.2以及0.3等数据分别作为第一取值。其中，第一参数的取值范围可以根据经验进行设置。

在一些实施例中，可以根据第二参数的取值范围得到第二参数的各个第二取值。具体的，可以按照固定间隔从第二参数的取值范围中获取多个值分别作为第二取值。例如，若第二参数的取值范围为[0,10]，则可以按照间隔1从[0,10]中获取1、2以及3等数据分别作为第二取值。其中，第二参数的取值范围可以根据经验进行设置。

S504，对第一取值以及第二取值进行组合，得到多个训练参数取值集合，训练参数取值集合中的元素包括第一取值和第二取值。

具体的，可以获取从第一参数的各个第一取值中获取第一取值，从第二参数的各个第二取值中获取第二取值，将获取到的第一取值以及获取到的第二取值组成一个集合，作为训练参数取值集合。从而，可以根据各个第一取值以及各个第二取值，得到多个训练参数取值集合。

S506，根据各个训练参数取值集合分别对初始电梯故障预测模型进行训练，得到各个训练参数集合分别对应的训练后的候选电梯故障预测模型。

具体的，可以将训练参数取值集合中的第一取值作为初始电梯故障预测模型对应的第一参数，将训练参数取值集合中的第二取值作为初始电梯故障预测模型对应的第二参数，可以获取训练样本，根据训练样本对确定第一参数以及第二参数的初始电梯故障预测模型进行训练，得到训练参数集合对应的训练后的候选电梯故障预测模型。

S508，对各个候选电梯故障预测模型进行准确度测试，得到各个候选电梯故障预测模型的故障预测准确度。

具体的，可以获取测试样本，将各个测试样本输入到候选电梯故障预测模型中，得到各个预测结果，根据各个预测结果以及实际结果得到候选电梯故障预测模型的故障预测准确度。其中，实际结果为测试样本的正确结果。

S510，根据候选电梯故障预测模型的故障预测准确度筛选得到目标电梯故障预测模型。

具体的，当获取到各个候选电梯故障预测模型的故障预测准确度时，可以将故障预测准确度最高的候选电梯故障预测模型，作为目标电梯故障预测模型。

上述本申请实施例中，对初始电梯故障预测模型对应的第一参数的各个第一取值，以及对应的第二参数的各个第二取值进行组合，得到多个训练参数取值集合，不同的训练参数取值集合确定不同的初始电梯故障预测模型，分别对由不同的训练参数取值集合确定的初始电梯故障预测模型进行训练，得到训练后的候选电梯故障预测模型，由于训练参数取值集合不同，得到的候选电梯故障预测模型的准确度也不同，因此根据故障预测准确度，得到准确度高的目标电梯故障预测模型。

在一些实施例中，第一参数为误差容忍度参数，如图6所示，步骤S506即根据各个训练参数取值集合分别对初始电梯故障预测模型进行训练，得到训练参数取值集合分别对应的训练后的候选电梯故障预测模型，包括：

S602，获取训练样本，将训练样本输入至初始电梯故障预测模型中，得到预测输出数据，其中，训练参数取值集合中的第二参数作为初始电梯故障预测模型对应的核函数参数。

具体的，训练样本为用于对初始电梯故障预测模型进行训练的数据，预测输出数据为初始电梯故障预测模型输出的结果。

在一些实施例中，初始电梯故障预测模型对应的第一参数可以是误差容忍度参数，对应的第二参数可以是核函数参数。例如，当初始电梯故障预测模型为SVM模型时，初始电梯故障预测模型可以对应有误差容忍度参数C和核函数参数gamma。其中，C又称作惩罚系数，即对误差的宽容度。C越高，说明SVM模型越不能容忍出现误差，容易过拟合。gamma是当选择RBF函数作为SVM模型对应的核(kernel)函数后，RBF函数自带的一个参数。gamma隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多。支持向量的个数影响训练与预测的速度。

在一些实施例中，服务器可以获取电梯正常对应的正常运行数据，根据正常运行数据得到正常运行数据集合，服务器可以获取电梯故障对应的故障运行数据，根据故障运行数据得到故障运行数据集合。服务器可以将正常运行数据集合以及故障运行数据集合作为训练样本，训练样本中的正常运行数据集合可以称作正常运行数据样本，训练样本中的故障运行数据集合可以称作故障运行数据样本。

在一些实施例中，训练样本中的正常运行数据样本与故障运行数据样本分布不均衡，需要对样本进行处理。其中，样本分布不均衡指的是正常运行数据样本的数量与故障运行数据样本的数量相差较大。例如，假设一共10000个运行数据样本，其中正常运行数据样本的数量为9800，故障运行数据样本的数量为200，则样本分布不均衡，此时，若不对样本分布不均衡进行处理，而直接采用10000个运行数据样本训练模型，则会导致训练得到的模型将待测样本判断为正常运行数据样本预测概率大大提升，对于待测样本，预测为正常运行数据样本的概率为98％，预测为故障运行数据样本的概率为2％，显然，这种结果不准确。因此，需要对样本分布不均衡进行处理，使得正常运行数据样本的数量与故障运行数据样本的数量相差较小，以保证训练得到的模型的准确度。

S604，根据预测输出数据与训练样本对应的目标输出数据计算得到输出数据误差，根据误差容忍度参数以及输出数据误差得到模型损失值。

具体的，模型损失值是根据预测输出数据与目标输出数据的差异得到的，可以是将预测输出数据与目标输出数据相减，得到差值，将差值作为模型损失值，或者将差值的平方和作为模型损失值。

S606，根据模型损失值对初始电梯故障预测模型的参数进行调整，得到训练参数取值集合对应的候选电梯预测故障模型。

具体的，可以利用梯度下降方法朝着模型损失值的方向调整初始电梯故障预测模型的参数，得到使得模型损失值最小的初始电梯故障预测模型的参数，可以将该参数对应的初始电梯故障预测模型作为候选电梯预测故障模型。

在一些实施例中，根据模型损失值对初始电梯故障预测模型的参数进行调整，得到训练参数取值集合对应的候选电梯预测故障模型，包括：根据模型损失值，采用梯度下降法调整初始电梯故障预测模型的向量参数和截距参数，得到训练参数取值集合对应的候选电梯故障预测模型。

具体的，初始电梯故障预测模型可以包括向量参数和截距参数，在根据模型损失值对初始电梯故障预测模型的参数进行调整时，可以采用梯度下降法调整初始电梯故障预测模型的向量参数和截距参数，得到训练参数取值集合对应的候选电梯故障预测模型。

在一些实施例中，本申请设备故障预测方法对应的流程图如图7所述。图7中的流程是通过大数据平台完成的。图7中的数据(data)可以为振动传感器发送的电梯设备的振动数据，振动数据与时间相关，振动数据例如可以是某个时间的位移数据、某个时间的速度数据或者某个时间的加速度数据等，大数据平台可以将多个振动数据按照时间进行排序得到当前运行数据序列。其中，振动传感器可以通过LoRa协议向大数据平台发送数据。当然，振动传感器也可以通过WiFi(Wireless Fidelity，无线保真)技术向大数据平台发送数据。

图7可以包括第一阶段和第二阶段。第一阶段为通过SVM算法，建立电梯故障预测模型。第二阶段为根据电梯故障预测模型对电梯的故障进行实时预测的阶段。其中，第一阶段可以包括：

步骤1，数据接收与存储。

具体的，振动传感器采集电梯设备的振动数据，通过LoRa协议将振动数据发送给大数据平台。大数据分析平台通过kafka组件接收振动数据，并通过kafka组件将振动数据保存在本地数据仓库，其中，kafka组件为一种高吞吐量的分布式发布订阅消息***，本地数据仓库可以为大数据存储层，可以包括hdfs(Hadoop Distributed File System，分布式文件***)、hbase以及hive。其中，hbase是一个分布式的、面向列的开源数据库，hive是一个数据仓库工具，用来进行数据提取、转化以及加载。

步骤2，振动数据预处理。

具体的，对振动数据进行ETL(Extract-Transform-Load，抽取-转换-加载)。其中，ETL用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。大数据平台可以通过Spark SQL组件将振动数据进行抽取以及清洗转换之后加载到数据仓库，主要包括对数据缺失的填充，异常值的剔除和修正。其中，Spark SQL组件为Spark离线处理组件。

步骤3：SVM模型训练。

具体的，可以在离线状态下，将数据仓库中的振动数据标注为正常数据和故障数据，并针对数据不平衡进行处理，通过Spark SQL对数据格式进行处理，提取相应的特征，以供模型训练使用。将数据顺序打乱和分割为训练数据和测试数据。利用训练数据对SVM模型进行训练，然后测试数据对模型进行测试验证。其中，通过Spark SQL对数据格式进行处理包括：可以通过Spark SQL相应的sql语句，将存储在hdfs上的模型不可识别的数据，转换为模型可以识别的数据，如DateFrame(矩阵数据表)。

步骤4：SVM模型预测。

具体的，将清洗完的数据加载进入SVM训练好的模型中，得到预测结果。

步骤5：优化SVM模型，得到电梯故障预测模型。

具体的，经过不断的离线训练后，会得到最优的SVM模型，作为电梯故障预测模型，并将其部署到应用层。可以利用网格搜索方法，对C与gamma进行最优参数搜索，最终确定相应的最优参数，确定最优SVM模型。

第二阶段可以包括：

步骤1，通过Spark streaming(大数据Spark框架实时处理组件)不断的接收和处理Kafka中的数据，得到待测振动数据集合；

步骤2，将待测振动数据集合加载到电梯故障预测模型的模型中，对待测振动数据集合进行预测。

上述本申请实施例，采用振动传感器采集物联网设备的振动数据，并通过LoRa协议传输数据到大数据分析平台，通过大数据分析平台分析接收得到振动数据组成的集合，通过SVM模型，建立故障预测模型，从而精准预测电梯设备故障的发生。从而，提出了一种基于物联网采集数据，通过大数据分析能力，分析大量时间序列，建立基于振动信号的机器学习模型，预测电梯故障情况，并极大的提高模型泛化能力。

应该理解的是，虽然上述各实施例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，上述各实施例的流程图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。

在一些实施例中，如图8所示，提供了一种设备故障预测装置，包括：当前运行数据集合获取模块802、目标特征集合得到模块804、目标电梯故障预测模型获取模块806和故障预测结果得到模块808，其中：

当前运行数据集合获取模块802，用于获取目标电梯对应的当前运行数据集合，当前运行数据集合包括目标电梯在当前时间段中多个时刻分别对应的当前运行数据，当前运行数据是通过目标电梯对应的传感器检测得到的。

目标特征集合得到模块804，用于根据当前运行数据集合进行特征提取，得到当前运行数据集合对应的目标特征集合，目标特征集合包括多个目标特征。

目标电梯故障预测模型获取模块806，用于获取已训练得到的目标电梯故障预测模型。

故障预测结果得到模块808，用于将目标特征值集合输入到目标电梯故障预测模型中，得到目标电梯对应的故障预测结果。

在一些实施例中，目标特征集合得到模块804包括：

当前运行数据序列得到单元，用于按照对应的运行时间对当前运行数据集合中的当前运行数据进行排序，得到当前运行数据序列。

运行数据得到单元，用于从当前运行数据序列中筛选得到第一运行数据以及第二运行数据，其中，第一运行数据的前一当前运行数据以及后一当前运行数据小于第一运行数据，第二运行数据的前一当前运行数据以及后一当前运行数据大于第二运行数据。

数量得到单元，用于计算第一运行数据的数量，得到第一数量，计算第二运行数据的数量，得到第二数量。

目标特征得到单元，用于根据第一数量以及第二数量得到目标特征。

在一些实施例中，目标电梯故障预测模型为多个，故障预测结果得到模块808包括：

故障发生概率输出单元，用于将目标特征值集合输入到各个目标电梯故障预测模型中，输出对应的故障发生概率。

最终电梯故障预测模型得到单元，用于获取故障发生概率最大对应的目标电梯故障预测模型，作为最终电梯故障预测模型。

预测故障类型得到单元，用于将最终故障预测模型对应的故障类型作为目标设备对应的预测故障类型。

在一些实施例中，设备故障预测装置还包括目标电梯故障预测模型的得到模块，目标电梯故障预测模型的得到步骤包括：

取值获取单元，用于获取初始电梯故障预测模型对应的第一参数的各个第一取值，获取初始电梯故障预测模型对应的第二参数对应的各个第二取值。

训练参数取值集合得到单元，用于对第一取值以及第二取值进行组合，得到多个训练参数取值集合，训练参数取值集合中的元素包括第一取值和第二取值。

候选电梯故障预测模型得到单元，用于根据各个训练参数取值集合分别对初始电梯故障预测模型进行训练，得到各个训练参数集合分别对应的训练后的候选电梯故障预测模型。

故障预测准确度得到单元，用于对各个候选电梯故障预测模型进行准确度测试，得到各个候选电梯故障预测模型的故障预测准确度。

目标电梯故障预测模型得到单元，用于根据候选电梯故障预测模型的故障预测准确度筛选得到目标电梯故障预测模型。

在一些实施例中，第一参数为误差容忍度参数，候选电梯故障预测模型得到单元，还用于获取训练样本，将训练样本输入至初始电梯故障预测模型中，得到预测输出数据，其中，训练参数取值集合中的第二参数作为初始电梯故障预测模型对应的核函数参数；根据预测输出数据与训练样本对应的目标输出数据计算得到输出数据误差，根据误差容忍度参数以及输出数据误差得到模型损失值；根据模型损失值对初始电梯故障预测模型的参数进行调整，得到训练参数取值集合对应的候选电梯预测故障模型。

在一些实施例中，候选电梯故障预测模型得到单元，还用于根据模型损失值，采用梯度下降法调整初始电梯故障预测模型的向量参数和截距参数，得到训练参数取值集合对应的候选电梯故障预测模型。

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。

在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。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***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电梯设备的运行数据。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。

本领域技术人员可以理解，图9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。

在一些实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述设备故障预测方法的步骤。

在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述设备故障预测方法的步骤。

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，所述方法包括：

获取目标电梯对应的当前运行数据集合，所述当前运行数据集合包括所述目标电梯在当前时间段中多个时刻分别对应的当前运行数据，所述当前运行数据是通过所述目标电梯对应的传感器检测得到的；

根据所述当前运行数据集合进行特征提取，得到所述当前运行数据集合对应的目标特征集合，所述目标特征集合包括多个目标特征；

获取已训练得到的目标电梯故障预测模型；

将所述目标特征值集合输入到所述目标电梯故障预测模型中，得到所述目标电梯对应的故障预测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述当前运行数据集合进行特征提取，得到所述目标电梯对应的目标特征集合，包括：

按照对应的运行时间对所述当前运行数据集合中的当前运行数据进行排序，得到当前运行数据序列；

从所述当前运行数据序列中筛选得到第一运行数据以及第二运行数据，其中，所述第一运行数据的前一当前运行数据以及后一当前运行数据小于所述第一运行数据，所述第二运行数据的前一当前运行数据以及后一当前运行数据大于所述第二运行数据；

计算所述第一运行数据的数量，得到第一数量，计算所述第二运行数据的数量，得到第二数量；

根据所述第一数量以及所述第二数量得到目标特征。

3.根据权利要求1所述的方法，其特征在于，所述目标电梯故障预测模型为多个，所述将所述目标特征值集合输入到所述目标电梯故障预测模型中，得到所述目标电梯对应的故障预测结果，包括：

将所述目标特征值集合输入到各个所述目标电梯故障预测模型中，输出对应的故障发生概率；

获取故障发生概率最大对应的所述目标电梯故障预测模型，作为最终电梯故障预测模型；

将所述最终故障预测模型对应的故障类型作为所述目标设备对应的预测故障类型。

4.根据权利要求1所述的方法，其特征在于，所述目标电梯故障预测模型的得到步骤包括：

获取初始电梯故障预测模型对应的第一参数的各个第一取值，获取所述初始电梯故障预测模型对应的第二参数对应的各个第二取值；

对所述第一取值以及所述第二取值进行组合，得到多个训练参数取值集合，所述训练参数取值集合中的元素包括所述第一取值和所述第二取值；

根据各个所述训练参数取值集合分别对所述初始电梯故障预测模型进行训练，得到各个所述训练参数集合分别对应的训练后的候选电梯故障预测模型；

对各个所述候选电梯故障预测模型进行准确度测试，得到各个所述候选电梯故障预测模型的故障预测准确度；

根据所述候选电梯故障预测模型的故障预测准确度筛选得到目标电梯故障预测模型。

5.根据权利要求4所述的方法，其特征在于，所述第一参数为误差容忍度参数，所述根据各个所述训练参数取值集合分别对初始电梯故障预测模型进行训练，得到所述训练参数取值集合分别对应的训练后的候选电梯故障预测模型，包括：

获取训练样本，将所述训练样本输入至初始电梯故障预测模型中，得到预测输出数据，其中，训练参数取值集合中的第二参数作为所述初始电梯故障预测模型对应的核函数参数；

根据所述预测输出数据与所述训练样本对应的目标输出数据计算得到输出数据误差，根据所述误差容忍度参数以及所述输出数据误差得到模型损失值；

根据所述模型损失值对初始电梯故障预测模型的参数进行调整，得到所述训练参数取值集合对应的候选电梯预测故障模型。

6.根据权利要求5所述的方法，其特征在于，所述根据所述模型损失值对初始电梯故障预测模型的参数进行调整，得到所述训练参数取值集合对应的候选电梯预测故障模型，包括：

根据所述模型损失值，采用梯度下降法调整初始电梯故障预测模型的向量参数和截距参数，得到所述训练参数取值集合对应的候选电梯故障预测模型。

7.一种设备故障预测装置，其特征在于，所述装置包括：

当前运行数据集合获取模块，用于获取目标电梯对应的当前运行数据集合，所述当前运行数据集合包括所述目标电梯在当前时间段中多个时刻分别对应的当前运行数据，所述当前运行数据是通过所述目标电梯对应的传感器检测得到的；

目标特征集合得到模块，用于根据所述当前运行数据集合进行特征提取，得到所述当前运行数据集合对应的目标特征集合，所述目标特征集合包括多个目标特征；

目标电梯故障预测模型获取模块，用于获取已训练得到的目标电梯故障预测模型；

故障预测结果得到模块，用于将所述目标特征值集合输入到所述目标电梯故障预测模型中，得到所述目标电梯对应的故障预测结果。

8.根据权利要求7所述的装置，其特征在于，所述目标特征集合得到模块，包括：

当前运行数据序列得到单元，用于按照对应的运行时间对所述当前运行数据集合中的当前运行数据进行排序，得到当前运行数据序列；

运行数据得到单元，用于从所述当前运行数据序列中筛选得到第一运行数据以及第二运行数据，其中，所述第一运行数据的前一当前运行数据以及后一当前运行数据小于所述第一运行数据，所述第二运行数据的前一当前运行数据以及后一当前运行数据大于所述第二运行数据；

数量得到单元，用于计算所述第一运行数据的数量，得到第一数量，计算所述第二运行数据的数量，得到第二数量；

目标特征得到单元，用于根据所述第一数量以及所述第二数量得到目标特征。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述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权利要求1至6中任一项所述设备故障预测方法的步骤。

Images