CN112101666A - 一种故障预测方法、装置、可读存储介质和计算机设备 - Google Patents
一种故障预测方法、装置、可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN112101666A CN112101666A CN202010977152.2A CN202010977152A CN112101666A CN 112101666 A CN112101666 A CN 112101666A CN 202010977152 A CN202010977152 A CN 202010977152A CN 112101666 A CN112101666 A CN 112101666A
- Authority
- CN
- China
- Prior art keywords
- attribute information
- fault
- user
- knowledge graph
- similarity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000005406 washing Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及故障预测技术领域,特别地涉及一种故障预测方法、装置、可读存储介质和计算机设备,方法包括:构建知识图谱,其中,所述知识图谱包括主节点及与主节点连接的从节点,所述主节点为用户,从节点包括对象,所述对象包括用户对应的电器和电器对应的元器件;在当前用户的第一对象发生故障时,获取所述第一对象的故障属性信息;计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度;确定所述第一相似度大于第一对象相似度阈值的待预测用户的第一对象可能发生故障。
Description
技术领域
本发明涉及故障预测技术领域,特别地涉及一种故障预测方法、装置、可读存储介质和计算机设备。
背景技术
在空调等家用电器的故障中,故障预测是一个很重要的方面。故障预测是指,在某个部位或者某个零件产生故障之前,就可以预测出来这个部位在未来可能会出现故障,从而可以及时提醒消费者或者提醒后台客服人员与故障维修人员,这样可以在事前就为客户提供技术保障。
空调等家用电器由多个元器件组成,因此,为了保证空调等家用电器的运行正常,需要对空调及其元器件进行一定的监控以及判断,便于排查空调运行中可能出现的故障。
在一些技术方案中,通过获取预定时间内冰箱的工作参数的变化趋势;根据故障时间预测模型,确定所述工作参数的变化趋势对应的故障发生时间,其中,故障时间预测模型为使用多组训练数据,通过机器学习训练得出的,多组训练数据中的每组数据均包括:工作参数的变化趋势和与该工作参数的变化趋势对应的故障发生时间。
在一些技术方案中,通过获取空调的待预测故障的元器件的预测损耗曲线;获取所述元器件的损耗变化数据,并根据所述损耗变化数据,对所述预测损耗曲线进行校正,得到校正损耗曲线;根据所述校正损耗曲线预测所述元器件故障。
在一些技术方案中,包括基础数据模块、大数据技术平台层模块、故障分析模型层模块和信息实时反映应用层模块。以知识图谱技术为基础,整合并利用了大数据技术对电力设备故障进行诊断,通过采用开放先进的互联网、大数据技术、物联网技术,构建大数据电网图书情报管理应用***,为故障诊断带来专业、智能、直观的数据分析和挖掘,进而定位故障位置、判断故障原因、智能生成解决方案,可以实现电网实时监测、预测预警分析,缩短故障排查时间,极大地提高排除电力设备故障的效率,保证电力快速恢复正常运营。
然而,基于机器学习的技术方案需要大量的计算和标定,因此该类方案的成本较高;计算元器件的预测损耗曲线的方法实质是在计算运行时长,该方案时和预测元器件老化问题,但是,元器件老化仅仅是元器件故障的一种类型,即,该方案并不能预测其他类型的元器件故障。
基于上述讨论可见,本领域亟需一种能够对空调等电器及其元器件故障进行预测的简便的技术方案。
发明内容
本发明提供一种故障预测方法、装置、可读存储介质和计算机设备,以解决现有技术中成本较高以及不能预测多种原因的故障的技术问题。
第一方面,本发明提供了一种故障预测方法,包括:
构建知识图谱,其中,所述知识图谱包括主节点及与主节点连接的从节点,所述主节点为用户,从节点包括对象,所述对象包括用户对应的电器和电器对应的元器件;
在当前用户的第一对象发生故障时,获取所述第一对象的故障属性信息;
计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度;
确定所述第一相似度大于第一对象相似度阈值的待预测用户的第一对象可能发生故障。
在一些实施例中,所述知识图谱中包括多个主节点,对应多个用户,多个主节点之间互相连接;
每个主节点连接有一个或多个与电器对应的从节点;
每个与电器对应的从节点连接有一个或多个与元器件对应的从节点;
每个与对象对应的从节点连接有与对象的属性信息对应的从节点。
在一些实施例中,所述电器包括空调、洗衣机和电冰箱;所述元器件包括电阻、电感、电容、电机和电路板。
在一些实施例中,所述属性信息包括电压、电流、温度以及开关机次数中的一种或多种。
在一些实施例中,所述方法还包括:
生成故障提醒信息,所述故障提醒信息发送至可能发生故障的第一对象对应的用户。
在一些实施例中,所述计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度,包括:
对所述知识图谱中待预测用户的第一对象的每个属性信息与所述第一对象的每个故障属性信息进行比较,判断所述每个属性信息与所述每个故障属性信息是否相同;
计算与故障属性信息相同的属性信息的个数在属性信息总数中的占比,将所述占比作为所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度。
在一些实施例中,所述方法还包括:确定第一对象相似度阈值;所述第一对象相似度阈值的确定方式如下:
统计所述知识图谱中第一对象的历史故障属性信息;
计算所述知识图谱中每两个第一对象的历史故障属性信息之间的第二相似度,求取所有第二相似度的平均值作为第一对象的相似度阈值。
第二方面,本发明还提供一种故障预测装置,包括:
知识图谱构建模块,其用于构建知识图谱,其中,所述知识图谱包括主节点及与主节点连接的从节点,所述主节点为用户,从节点包括对象,所述对象包括用户对应的电器和电器对应的元器件;
故障预测模块,其用于在当前用户的第一对象发生故障时,获取所述第一对象的故障属性信息;计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度;确定所述第一相似度大于第一对象相似度阈值的待预测用户的第一对象可能发生故障。
第三方面,本发明还提供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第一方面所述的方法。
第四方面,本发明还提供一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的方法。
本发明提供的一种故障预测方法、装置、可读存储介质和计算机设备,通过构建故障知识图谱,并基于该故障知识图谱,进行故障预测,从而能够在故障发生之前就提前知道故障的部位和故障原因。即,通过构建以用户为中心的故障知识图谱,并对该知识图谱中每个用户家庭电器关系的相似度进行比较,解决了用户家庭中电器故障预测的问题,达到了如下有益效果:使客服人员或者用户在电器发生故障之前提前预知可能会发生故障的电器或元器件。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述:
图1为本发明实施例提供的一种故障预测方法的流程示意图;
图2为本发明实施例提供的一种知识图谱示意图;
图3为本发明实施例提供的一种故障预测装置的结构框图;
图4为本发明实施例提供的一种计算机设备的结构框图。
在附图中,相同的部件使用相同的附图标记,附图并未按照实际的比例绘制。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,并对本发明如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施,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的实施例,而不是全部的实施例。本发明实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本发明的保护范围之内。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种故障预测方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
本实施例提供一种故障预测方法,图1为本发明实施例提供的一种故障预测方法的流程示意图。如图1所示,一种故障预测方法,包括:
步骤S100,构建知识图谱,其中,所述知识图谱包括主节点及与主节点连接的从节点,所述主节点为用户,从节点包括对象,所述对象包括用户对应的电器和电器对应的元器件;
步骤S200,在当前用户的第一对象发生故障时,获取所述当前用户的第一对象的故障属性信息;可以理解的是,第一对象是当前用户对应的任一电器。
步骤S300,计算所述知识图谱中待预测用户的第一对象的属性信息与所述当前用户的第一对象的故障属性信息之间的第一相似度;其中,待预测用户为知识图谱中当前用户以外的任一用户,通过对待预测用户的相同对象的属性信息与故障属性进行比对,能够确定知识图谱中相同对象发生故障的可能性。
步骤S400,确定所述第一相似度大于第一对象相似度阈值的待预测用户的第一对象可能发生故障。
本实施例通过构建以用户为主节点,以用户的电器和电器的元器件为从节点的知识图谱,并基于所述知识图谱进行故障预测,从而解决了用户家庭中电器故障预测的问题,使客服人员或者用户在电器发生故障之前提前预知可能会发生故障的电器或元器件。
具体地,当知识图谱中的某一个或某几个待预测用户的第一对象的属性信息与当前用户的第一对象发生故障时对应的故障属性信息的相似度达到一定程度时,说明该属性信息符合故障信息的特征,该属性信息对应的第一对象也存在发生故障的风险,预测该第一对象可能会发生故障。
具体而言,在当前用户的第一对象,例如空调,发生故障时,获取空调的属性信息,并将该空调的属性信息更新至知识图谱中。在此基础上,对其他用户的空调进行预测,即,计算所述知识图谱中待预测用户的空调的属性信息与所述故障空调的故障属性信息之间的相似度作为第一相似度,确定所述第一相似度大于第一对象相似度阈值的空调即将发生故障。
实施例二
图2为本发明实施例提供的一种知识图谱示意图。如图2所示,所述知识图谱中包括多个主节点,对应多个用户,多个主节点之间互相连接;
每个主节点连接有一个或多个与电器对应的从节点;
每个与电器对应的从节点连接有一个或多个与元器件对应的从节点;
每个与对象对应的从节点连接有与对象的属性信息对应的从节点。
所述电器包括空调、洗衣机和电冰箱;所述元器件包括电阻、电感、电容、电机和电路板。所述属性信息包括电压、电流、温度以及开关机次数中的一种或多种。
所述知识图谱是以用户为核心的知识图谱,也就是说,每多一个用户,就要多一个用户节点作为主节点,而且该用户家中的电器也要作为这个节点的从节点。用户和用户之间可以连接(例如用户1、用户2、用户3之间连接),用户对应的电器和该电器对应的元器件可以连接,不同用户的电器之间、同一用户的不同电器之间、以及同一电器的不同元器件之间不需要连接。电器和元器件的属性信息分别连接于电器和元器件上。
本实施例通过为每一个用户设置一个主节点而构建出知识图谱的骨架,基于用户与其家用电器的所属关系而在作为骨架的主节点上连接一个或多个电器,在电器上连接一个或多个元器件,在电器或元器件上连接一个或多个属性作为从节点。
在本实施例中,知识图谱的构建过程如下:
首先,每一个用户都要作为一个主节点而被包含进知识图谱中,然后该用户家里的所有电器也要作为从节点而被包含进知识图谱中,所述电器可以包括但不限于空调、洗衣机和电冰箱;所述元器件可以包括但不限于电阻、电感、电容、电机和电路板。所述属性信息可以包括但不限于电压、电流、温度以及开关机次数中的一种或多种。图2中仅以电器为空调举例,在实际应用中,电器还可以是洗衣机或者电冰箱等家用电器,与基于空调构建知识图谱类似,在构建知识图谱时将“空调”换成“洗衣机”等家用电器即可。
然后,将与空调对应的电流、电压作为空调的属性信息而写入知识图谱中作为从节点,例如,与空调对应的电流、电压以范围表示,电流范围为10A~12A,电压范围为220V~230V。空调里面每个元器件(例如,元器件1、元器件2)为与空调对应的从节点,元器件对应的电流、电压作为元器件的属性信息也写入知识图谱中作为从节点。在此基础上,“损坏时间”这一属性信息可以由电工或者售后服务人员来记录,电器或与电器对应的元器件每损坏一次,则在“损坏时间”这一属性信息中记录一次,例如:“2020-1-1损坏”。可以理解的是,“损坏时间”这一属性信息也可以由电器本身进行记录。
通过本实施例中构建的知识图谱,可以在知识图谱中的任一用户的对象(电器或元器件)故障时,将知识图谱中的相同对象的属性信息与故障对象的属性信息进行比对,将知识图谱中可能发生故障的相同对象确定出来,进而根据知识图谱所确定的用户与对象的对应关系,确定可能发生故障的对象所对应的用户。
实施例三
在上述实施例的基础上,所述方法还包括:
步骤S500,生成故障提醒信息,所述故障提醒信息发送至可能发生故障的第一对象对应的用户。其中,故障提醒信息可以是文字形式也可以是语音播报形式,本实施例不做限定。
以第一对象是空调为例,在当前用户的空调发生故障时,获取空调的属性信息,并将该空调的属性信息更新至知识图谱中。在此基础上,对其他用户的空调进行故障预测,即,计算所述知识图谱中待预测用户的空调的属性信息与所述故障空调的故障属性信息之间的相似度作为第一相似度,确定所述第一相似度大于第一对象相似度阈值的空调可能发生故障,此时,生成故障提醒信息,所述故障提醒信息发送至可能发生故障的空调对应的用户的终端设备,从而使客服人员或者用户在电器或元器件发生故障之前提前预知可能会发生故障的电器或元器件,
实施例四
在上述实施例的基础上,所述计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度的步骤S300,可以进一步包括如下子步骤:
步骤S301,对所述知识图谱中待预测用户的第一对象的每个属性信息与所述第一对象的每个故障属性信息进行比较,判断所述每个属性信息与所述每个故障属性信息是否相同;
步骤S302,计算与故障属性信息相同的属性信息的个数在属性信息总数中的占比,将所述占比作为所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度。
例如,假设第一用户的空调的第一元器件损坏,维修人员对第一用户的空调的第一元器件进行维修并且记录此次故障属性信息,此时,后台服务器获取第一用户的空调的第一元器件在损坏时的属性信息,包括:电流范围是15A~17A,电压范围是180V~190V,温度是30度~40度,一天中的开关机次数为38次,基于本发明的方案在知识图谱中寻找,分析各待预测用户的空调的第一元器件和第一用户的空调的第一元器件属性的相似度,若相似度超过该元器件相似度阈值,则预测该待预测用户的空调的第一元器件可能会损坏,提醒对应的用户,并可以安排相关维护人员上门复检。
对于如何定量来衡量两个用户的空调的第一元器件的属性信息的相似程度,本实施例基于上述例子进行如下说明。
假设两个用户的空调的第一元器件的相同的属性分别为:属性A、属性B、属性C和属性D,不同的属性分别为:属性E和属性F,那么这两个用户的空调的第一元器件的第一相似度就是(1+1+1+1)/(1+1+1+1+1+1)=4/6,在这种情况下,通过为第一元器件设定一个阈值可以衡量两个用户的空调的第一元器件的属性的相似程度。如果两个第一元器件的相似度大于该阈值,则说明两个用户的空调的第一元器件的属性相似程度高,也就是说,如果一个用户的空调的第一元器件损坏,另一个用户的空调的第一元器件也可能很快就损坏。
对于如何判断两个属性相同,本实施例基于上述例子进行如下说明。
由于空调等电器具有多个属性,此处以电压为例进行说明。在判定各个属性信息是否分别相同时,本实施例可以采用如下方法:
方法1,记录空调的电压值,并对所述电压值划分其所属的范围,若两个空调的电压值落入同一范围,则认为两个空调的电压值相同。例如,所述范围可以以220V为中心而向两侧以5V为步进单位进行划分,即210V至215V为一个电压范围,215V至220V为一个电压范围,220V至225V为一个电压范围,225V至230V为一个电压范围。若空调A的电压值为221V而空调B的电压值为224V,则认为两个空调的电压值相同;若空调A的电压值为224V而空调B的电压值为226V,则认为两个空调的电压值不同。此方法中,通过判断对象(电器或元器件)的属性值是否处于根据故障属性信息确定的数值范围内,来判断属性信息是否相同,既考虑了属性信息存在数值波动或误差情况,又能准确判断两个对象之间的属性信息是否相同。
方法2,以两个属性信息的差值的绝对值与两个属性信息中的较小值的比值是否小于一个阈值,例如0.01,来判断两个属性信息是否相同。若该比值小于该阈值,则判断两个属性信息相同,若该比值不小于该阈值,则判断两个属性信息不同。例如,若空调A的电压值为221V而空调B的电压值为224V,由于(224-221)/221=0.013,该数值大于阈值0.01,因此认为两个空调的电压值不同,即判断两个空调的电压属性信息不同;若空调A的电压值为224V而空调B的电压值为226V,由于(226-224)/224=0.009,该数值小于阈值0.01,因此则认为两个空调的电压值相同,即判断两个空调的电压属性信息相同。在此方法中,通过判断两个空调的电压属性值的差值的绝对值与两个电压属性值中较小值的比值是否小于一个阈值,例如0.01,来判断两个空调的电压属性是否相同,从而避免数值接近的电压属性值被判定为不同而数值不接近的电压属性值却被判定为相同的技术问题,达到了提升判断准确度的技术效果。
此外,本发明也可以采取直接对属性信息的数值取整并进行比较的方法,由此能够避免在计算机中计算和存储浮点数,从而节省计算资源和存储资源。
实施例五
在上述实施例的基础上,确定第一对象相似度阈值;所述第一对象相似度阈值的确定方式如下:
统计所述知识图谱中第一对象的历史故障属性信息;
计算所述知识图谱中每两个第一对象的历史故障属性信息之间的第二相似度,求取所有第二相似度的平均值作为第一对象的相似度阈值。
具体而言,以第一对象是空调为例,统计知识图谱中各用户的发生过故障的空调的属性信息,也就是将知识图谱中发生过故障的空调的历史故障属性信息统计出来,计算每两个发生过故障的空调的属性信息之间的第一相似度作为第二相似度,并将所有第二相似度的平均值作为空调的相似度阈值。即,计算整个知识图谱中所有用户的空调损坏的时候的属性(也就是历史故障属性信息),假设一共有10个用户的空调损坏,那么计算10个空调的属性信息两两之间的相似度,然后把这些相似度求平均,该平均相似度就是空调的相似度阈值,知识图谱中的其他对象的相似度阈值可参照此方式确定。
此外,若知识图谱中的故障空调数量较多,例如多于100,则选取100个故障空调的属性信息来求取空调的相似度阈值,从而达到节约计算资源的技术效果。
实施例六
本实施例提供一种故障预测装置,图3为本发明实施例提供的一种故障预测装置的结构框图。
如图3所示,一种故障预测装置,包括:
知识图谱构建模块,其用于构建知识图谱,其中,所述知识图谱包括主节点及与主节点连接的从节点,所述主节点为用户,从节点包括对象,所述对象包括用户对应的电器和电器对应的元器件;
故障预测模块,其用于在当前用户的第一对象发生故障时,获取所述第一对象的故障属性信息;计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度;确定所述第一相似度大于第一对象相似度阈值的待预测用户的第一对象可能发生故障。
本发明通过知识图谱构建模块来构建以用户为主节点,以用户的电器和电器的元器件为从节点的知识图谱,然后,使用故障预测模块基于所述知识图谱进行故障预测,从而解决了用户家庭中电器故障预测的问题,使客服人员或者用户在电器发生故障之前提前预知可能会发生故障的电器或元器件。
具体而言,在当前用户的第一对象,例如空调,发生故障时,获取空调的属性信息,并将该空调的属性信息更新至知识图谱中。在此基础上,对其他用户的空调进行预测,即,计算所述知识图谱中待预测用户的空调的属性信息与所述故障空调的故障属性信息之间的相似度作为第一相似度,确定所述第一相似度大于第一对象相似度阈值的空调可能发生故障。
实施例七
本实施例提供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实施例所述的方法。
上述存储介质可以是闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等。
实施例八
本实施例提供一种计算机设备,图4为本发明实施例提供的一种计算机设备的结构框图。
如图4所示,本实施例提供一种计算机设备,所述计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述实施例所述的方法。
处理器可以是专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable LogicDevice,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述实施例一中的电水壶水位检测方法。
存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是,在本发明中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本发明所揭露的实施方式如上,但上述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种故障预测方法,其特征在于,包括:
构建知识图谱,其中,所述知识图谱包括主节点及与主节点连接的从节点,所述主节点为用户,从节点包括对象,所述对象包括用户对应的电器和电器对应的元器件;
在当前用户的第一对象发生故障时,获取所述第一对象的故障属性信息;
计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度;
确定所述第一相似度大于第一对象相似度阈值的待预测用户的第一对象可能发生故障。
2.根据权利要求1所述的方法,其特征在于,所述知识图谱中包括多个主节点,对应多个用户,多个主节点之间互相连接;
每个主节点连接有一个或多个与电器对应的从节点;
每个与电器对应的从节点连接有一个或多个与元器件对应的从节点;
每个与对象对应的从节点连接有与对象的属性信息对应的从节点。
3.根据权利要求1所述的方法,其特征在于,所述电器包括空调、洗衣机和电冰箱;所述元器件包括电阻、电感、电容、电机和电路板。
4.根据权利要求1所述的方法,其特征在于,所述属性信息包括电压、电流、温度以及开关机次数中的一种或多种。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
生成故障提醒信息,所述故障提醒信息发送至可能发生故障的第一对象对应的用户。
6.根据权利要求1所述的方法,其特征在于,所述计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度,包括:
对所述知识图谱中待预测用户的第一对象的每个属性信息与所述第一对象的每个故障属性信息进行比较,判断所述每个属性信息与所述每个故障属性信息是否相同;
计算与故障属性信息相同的属性信息的个数在属性信息总数中的占比,将所述占比作为所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:确定第一对象相似度阈值;所述第一对象相似度阈值的确定方式如下:
统计所述知识图谱中第一对象的历史故障属性信息;
计算所述知识图谱中每两个第一对象的历史故障属性信息之间的第二相似度,求取所有第二相似度的平均值作为第一对象的相似度阈值。
8.一种故障预测装置,其特征在于,包括:
知识图谱构建模块,其用于构建知识图谱,其中,所述知识图谱包括主节点及与主节点连接的从节点,所述主节点为用户,从节点包括对象,所述对象包括用户对应的电器和电器对应的元器件;
故障预测模块,其用于在当前用户的第一对象发生故障时,获取所述第一对象的故障属性信息;计算所述知识图谱中待预测用户的第一对象的属性信息与所述第一对象的故障属性信息之间的第一相似度;确定所述第一相似度大于第一对象相似度阈值的待预测用户的第一对象可能发生故障。
9.一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7中任一项所述的方法。
10.一种计算机设备,包括处理器和存储器,其特征在于,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977152.2A CN112101666A (zh) | 2020-09-16 | 2020-09-16 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010977152.2A CN112101666A (zh) | 2020-09-16 | 2020-09-16 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101666A true CN112101666A (zh) | 2020-12-18 |
Family
ID=73758676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010977152.2A Pending CN112101666A (zh) | 2020-09-16 | 2020-09-16 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101666A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884199A (zh) * | 2021-01-15 | 2021-06-01 | 华自科技股份有限公司 | 水电站设备故障预测方法、装置、计算机设备和存储介质 |
CN113093702A (zh) * | 2021-03-31 | 2021-07-09 | 上海明略人工智能(集团)有限公司 | 故障数据的预测方法和装置、电子设备和存储介质 |
CN113361859A (zh) * | 2021-05-10 | 2021-09-07 | 国网上海市电力公司 | 一种基于知识图谱的电网故障分析决策*** |
CN113359664A (zh) * | 2021-05-31 | 2021-09-07 | 海南文鳐科技有限公司 | 故障诊断与维护***、方法、设备及存储介质 |
CN114697188A (zh) * | 2022-03-28 | 2022-07-01 | 天津大学 | 一种基于网络态势感知的物联网设备风险预测分析方法 |
CN115018220A (zh) * | 2022-08-10 | 2022-09-06 | 哈尔滨工业大学(威海) | 一种基于知识图谱的家电故障预测方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019057139A (ja) * | 2017-09-21 | 2019-04-11 | 日本電気株式会社 | 運用管理システム、監視サーバ、方法およびプログラム |
US20190197442A1 (en) * | 2017-12-27 | 2019-06-27 | Accenture Global Solutions Limited | Artificial intelligence based risk and knowledge management |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
US20200004616A1 (en) * | 2018-07-02 | 2020-01-02 | Nec Laboratories America, Inc. | Failure prediction |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
CN111563606A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 一种设备预测性维护方法及装置 |
-
2020
- 2020-09-16 CN CN202010977152.2A patent/CN112101666A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019057139A (ja) * | 2017-09-21 | 2019-04-11 | 日本電気株式会社 | 運用管理システム、監視サーバ、方法およびプログラム |
US20190197442A1 (en) * | 2017-12-27 | 2019-06-27 | Accenture Global Solutions Limited | Artificial intelligence based risk and knowledge management |
US20200004616A1 (en) * | 2018-07-02 | 2020-01-02 | Nec Laboratories America, Inc. | Failure prediction |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN111126632A (zh) * | 2019-11-25 | 2020-05-08 | 合肥美的电冰箱有限公司 | 一种家电故障预测方法、预测装置、冰箱及存储介质 |
CN111563606A (zh) * | 2020-04-30 | 2020-08-21 | 新智数字科技有限公司 | 一种设备预测性维护方法及装置 |
Non-Patent Citations (1)
Title |
---|
梅子行等: "《智能风控原理、算法与工程实践 INTELLIGENT RISK CONTROL PRINCIPLES, ALGORITHMS AND PRACTICE》", 31 May 2020, 机械工业出版社, pages: 184 - 193 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884199A (zh) * | 2021-01-15 | 2021-06-01 | 华自科技股份有限公司 | 水电站设备故障预测方法、装置、计算机设备和存储介质 |
CN113093702A (zh) * | 2021-03-31 | 2021-07-09 | 上海明略人工智能(集团)有限公司 | 故障数据的预测方法和装置、电子设备和存储介质 |
CN113093702B (zh) * | 2021-03-31 | 2023-02-17 | 上海明略人工智能(集团)有限公司 | 故障数据的预测方法和装置、电子设备和存储介质 |
CN113361859A (zh) * | 2021-05-10 | 2021-09-07 | 国网上海市电力公司 | 一种基于知识图谱的电网故障分析决策*** |
CN113359664A (zh) * | 2021-05-31 | 2021-09-07 | 海南文鳐科技有限公司 | 故障诊断与维护***、方法、设备及存储介质 |
CN114697188A (zh) * | 2022-03-28 | 2022-07-01 | 天津大学 | 一种基于网络态势感知的物联网设备风险预测分析方法 |
CN114697188B (zh) * | 2022-03-28 | 2023-03-03 | 天津大学 | 一种基于网络态势感知的物联网设备风险预测分析方法 |
CN115018220A (zh) * | 2022-08-10 | 2022-09-06 | 哈尔滨工业大学(威海) | 一种基于知识图谱的家电故障预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101666A (zh) | 一种故障预测方法、装置、可读存储介质和计算机设备 | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN108268689B (zh) | 加热元件的状态诊断与评估方法及其应用 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN111353911A (zh) | 电力设备运维方法、***、设备和存储介质 | |
CN109733238B (zh) | 故障检测方法、装置、存储介质及处理器 | |
CN115936448A (zh) | 一种基于大数据的城市配电网电力评估***及方法 | |
EP3972084A2 (en) | Systems and methods for monitoring energy-related data in an electrical system | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN112101665A (zh) | 故障检测预警方法、装置、存储介质及电子设备 | |
US20210190837A1 (en) | Fault detection for appliances based on energy consumption data | |
CN116256661B (zh) | 电池故障检测方法、装置、电子设备和存储介质 | |
CN115128513A (zh) | 一种基于热量的电容器异常检测方法及相关装置 | |
CN115422759A (zh) | 一种设备故障诊断模型构建及设备故障诊断方法、装置 | |
CN109116243A (zh) | 一种动力电池的异常检测方法和装置 | |
CN109884533A (zh) | 电池故障的诊断方法及装置、设备及存储介质 | |
CN110674124B (zh) | 一种异常数据检测方法、***及智能路由器 | |
CN107250931B (zh) | 能源服务推荐引擎 | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及*** | |
CN111475323B (zh) | 电量消耗故障诊断的方法、装置、设备及计算机可读介质 | |
CN114358655A (zh) | 一种生成推荐方案的方法和装置 | |
CN110579695B (zh) | 电弧检测模型的检测方法、检测装置、存储介质和处理器 | |
CN110146317B (zh) | 一种建筑物机电设备健康状态的诊断方法和装置 | |
CN111721542B (zh) | 用于检测故障或模型失配的***和方法 | |
CN116660641A (zh) | 用于检测故障的方法及装置、电子设备、存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |