CN112733454A - 一种基于联合学习的设备预测性维护方法及装置 - Google Patents

一种基于联合学习的设备预测性维护方法及装置 Download PDF

Info

Publication number
CN112733454A
CN112733454A CN202110044755.1A CN202110044755A CN112733454A CN 112733454 A CN112733454 A CN 112733454A CN 202110044755 A CN202110044755 A CN 202110044755A CN 112733454 A CN112733454 A CN 112733454A
Authority
CN
China
Prior art keywords
prediction model
model
integrated
target
current
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.)
Granted
Application number
CN202110044755.1A
Other languages
English (en)
Other versions
CN112733454B (zh
Inventor
张燧
徐少龙
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.)
Xinao Xinzhi Technology Co ltd
Original Assignee
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202110044755.1A priority Critical patent/CN112733454B/zh
Publication of CN112733454A publication Critical patent/CN112733454A/zh
Application granted granted Critical
Publication of CN112733454B publication Critical patent/CN112733454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，该方法包括：在联合学习架构中，确定当前用户对应的准确度需求等级；基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。本发明提供的技术方案可以利用联合学习可以确定出准确性较高的集成物理预测模型和集成回归预测模型，从而可以满足当前用户对各种准确度等级的预测模型的需求。

Description

一种基于联合学习的设备预测性维护方法及装置
技术领域
本发明涉及能源领域，尤其涉及一种基于联合学习的设备预测性维护方法及装置。
背景技术
综合能源***中存在着大量的设备，各个设备通常都不是独立存在的，任何一个设备出现问题，都可能导致多个设备无法正常工作，因此设备的正常运行是综合能源***高效运行的前提条件。为了保证设备的正常运行，通常需要对设备进行预测性维护，即在设备还未出现故障前，通过对设备的运行状态进行判断，预测出设备可能出现的故障。目前对在设备进行预测性维护时，常常需要获取大量的样本数据，构建物理模型，然而并不是每一个能源用户均可以收集海量的样本数据，构建出准确的物理模型，当能源用户的没有样本数据或样本数据量较少时，难以获取到准确度较高的故障预测模型。
发明内容
本发明提供了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，通过联合学习中心，可以获取到准确度较高的集成物理预测模型和集成回归预测模型，利用集成物理预测模型和集成回归预测模型可以满足各种用户对各种准确度等级的预测模型的需求。
第一方面，本发明提供了一种基于联合学习的设备预测性维护方法，包括：
在联合学习架构中，确定当前用户对应的准确度需求等级；
基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；
将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。
优选地，
所述方法还包括：
接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；
基于所述反馈信息，更新所述目标集成预测模型。
优选地，
所述方法还包括：
确定目标用户发送的当前模型参数；
若所述当前模型参数对应为物理预测模型，则确定目标物理模型参数，基于所述目标物理模型参数和所述当前模型参数，确定集成物理预测模型；
若所述当前模型参数对应为回归预测模型，则确定目标回归模型参数，基于所述目标回归模型参数和所述当前模型参数，确定集成回归预测模型。
优选地，
若所述当前模型参数对应为物理预测模型，则所述当前模型参数为目标用户通过以下步骤获取：
获取本地设备的历史设备数据和历史天气数据；
基于所述历史设备数据和所述历史天气数据，确定设备故障点；
基于所述设备故障点和选取物理模型，确定对应为物理预测模型的当前模型参数。
优选地，
若所述当前模型参数对应为回归预测模型，则所述当前模型参数为目标用户通过以下步骤获取：
获取本地设备的历史设备数据和历史天气数据；
基于所述历史设备数据和历史天气数据，确定数据特性；
基于所述数据特性和选取回归模型，确定对应为回归预测模型的当前模型参数。
优选地，
所述方法还包括：
确定所述目标用户对应的准确度需求等级；
若所述目标用户对应的准确度需求等级符合预设条件，则将基于所述目标用户发送的当前模型参数确定的当前集成预测模型下发给所述目标用户；
若所述目标用户对应的准确度需求等级不符合所述预设条件，则将确定的集成物理预测模型和集成回归预测模型下发给所述目标用户。
第二方面，本发明提供了一种基于联合学习的设备预测性维护装置，包括：
需求等级确定模块，用于在联合学习架构中，确定当前用户对应的准确度需求等级；
目标模型确定模块，用于基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；
模型下发模块，用于将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。
优选地，
所述装置还包括：
反馈信息接收模块，用于接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；
更新处理模块，用于基于所述反馈信息，更新所述目标集成预测模型。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，该方法通过在联合学习架构中，先确定出当前用户对应的准确度需求级别，然后根据当前用户对应的准确度需求级别，为当前用户选取目标集成预测模型，目标集成预测模型可以是集成物理预测模型、集成回归预测模型、集成物理预测模型和集成回归预测模型的组合，然后将目标集成模型下发给当前用户，当前用户接收到该目标集成模型后，利用该目标集成模型对当前用户的本地设备进行预测性维护。本发明提供的技术方案通过联合学习中心，可以获取到准确度较高的集成物理预测模型和集成回归预测模型，利用集成物理预测模型和集成回归预测模型可以满足各种用户对各种准确度等级的预测模型的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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为本发明实施例中提供的第一种基于联合学习的设备预测性维护方法的流程示意图；
图2为本发明实施例中提供的第二种基于联合学习的设备预测性维护方法的流程示意图；
图3为本发明实施例中提供的第三种基于联合学习的设备预测性维护方法的流程示意图；
图4为本发明实施例中提供的第四种基于联合学习的设备预测性维护方法的流程示意图；
图5为本发明实施例中提供的一种基于联合学习的设备预测性维护装置的结构示意图；
图6为本发明实施例中提供的另一种基于联合学习的设备预测性维护装置的结构示意图；
图7为本发明实施例中提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本发明保护的范围。
如图1所示，本发明实施例提供一种基于联合学习的设备预测性维护方法，该方法包括：
步骤11，在联合学习架构中，确定当前用户对应的准确度需求等级；
步骤12，基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；
步骤13，将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。
在上述实施例中，通过在联合学习架构中，先确定当前用户对应的准确度需求级别，然后根据当前用户对应的准确度需求级别，为当前用户选取目标集成预测模型，其中，当前用户可以为在联合学习中心通过注册的能源用户，该能源用户可以没有样本数据、也可以拥有少量样本数据，当然也可以拥有足量的样本数据，只要当前用户向联合学习中心发送了模型构建请求，即可以根据该模型构建请求确定当前用户对应的准确度需求等级；目标集成预测模型可以是集成物理预测模型、集成回归预测模型、集成物理预测模型和集成回归预测模型的组合。进一步将目标集成模型下发给当前用户，当前用户接收到该目标集成模型后，利用该目标集成模型对当前用户的本地设备进行预测性维护。本实施例提供的技术方案通过联合学习中心，可以获取到准确度较高的集成物理预测模型和集成回归预测模型，利用集成物理预测模型和集成回归预测模型可以满足各种用户对各种准确度等级的预测模型的需求。
具体的，本地设备可以是燃气内燃机，余热锅炉，蒸汽锅炉，溴冷机，光伏设备，地源热泵，风能设备，储能设备等。在确定当前用户对应的准确度需求等级时，可以通过当前用户发送的模型构建请求进行确认，若当前用户需要进行模型构建，则当前用户向联合学习中心发送模型构建请求，在该模型构建请求中会携带有当前用户的准确度需求等级，因此可以通过提取模型构建请求中的信息，确定当前用户对应的准确度需求等级。将准确度需要等级划分为一级或二级，因同时利用集成物理预测模型和集成回归预测模型的准确度较单一使用集成物理预测模型或集成回归预测模型的准确度更高，因此将集成物理预测模型和集成回归预测模型作为目标集成预测模型的准确度需要等级确定为一级，将集成物理预测模型或集成回归预测模型的准确度需要等级确定为二级。若确定当前用户的准确度需求等级为一级时，确定目标集成预测模型为集成物理预测模型和集成回归预测模型的组合；若确定当前用户的准确度需求等级为二级时，确定目标集成预测模型为集成物理预测模型或集成回归预测模型中的任意一个。在一种可能的实现方式中，在当前用户发送模型构建请求时，令当前用户选择准确度需求等级，若当前用户选择准确度需求等级为二级时，可以令当前用户进一步进行选择，选择集成物理预测模型或集成回归预测模型，从而在当前用户对应的准确度需求等级为二级时，确定当前用户的选择结果，根据当前用户的选择结果确定目标集成模型为集成物理预测模型还是为集成回归预测模型。当然若当前用户在准确度需求等级为二级时没有进行进一步选择，则在联合学习中心模型库中的集成物理预测模型或集成回归预测模型中任选一个作为目标集成预测模型。
需要说明的是，当目标集成预测模型为集成物理预测模型和集成回归预测模型时，在将目标集成预测模型还包括集成物理预测模型和集成回归预测模型分别对应的比例系数。
在一种可能的实现方式中，数据用户拥有本地数据，则数据用户可以从联合学习中心下载原始模型，然后利用数据用户的本地数据对获取到的原始模型进行训练，确定模型梯度，然后将模型梯度加密上次至联合学习中心，以使得联合学习中心基于多个数据用户发送的模型梯度，更新该原始模型以获得集成预测模型，在获取到集成预测模型后联合学习中心可以将该集成预测模型返回给各个数据用户，以使得各个数据用户可以利用该集成预测模型对数据用户的本地设备进行预测性维护。当然联合学习中心可以存储该集成预测模型，在当前用户发送了模型构建请求后，可以从联合学习中心的模型库中存储的多个集成预测模型中为其选取目标集成预测模型。因在联合学习中心可能存在不同的模型，因此根据不同的数据用户可以获取到不同的集成预测模型，如集成物理预测模型和集成回归预测模型。
在一种可能的情况下，当前用户为数据用户，即当前用户拥有本地训练数据，则确定当前用户对应的准确度需求等级，根据该准确度需求等级，为当前用户选取出目标集成预测模型，因当前用户为数据用户，可以通过当前用户发送的准确度需要等级中携带有数据用户的信息，然后联合学习中心在模型库中选取出在最终训练后可以达到当前用户的准确度需求等级的原始模型最为目标集成预测模型，即在当前用户为数据用户时，可以为当前用户选取出仍需训练的原始模型作为目标集成预测模型。选取出的目标集成预测模型下发给当前用户，当然当前用户也可以从联合学习中心下载该目标集成预测模型，在获取到目标集成预测模型后，当前用户基于本地数据对该目标集成预测模型进行训练，确定目标集成预测模型的模型梯度，将该模型梯度加密上次给联合学习中心，联合学习中心聚合几个当前用户发送的模型梯度，更新目标集成预测模型，并将更新后的目标集成预测模型返回给各个当前用户，当前用户在获取到更新后的目标集成预测模型后，可以再次利用本地数据进行训练，直至确定出的更新的目标集成预测模型满足当前用户对应的准确度需求级别，以使得当前用户可以利用满足其准确度需求级别的目标集成预测模型对本地设备进行准确的预测性维护。
在另一种可能的情况中，当前用户没有本地训练数据，因此在确定了当前用户对应的准确度需要等级后，联邦学习中心基于该当前用户对应的准确度需求等级，在联合学习中心的模型库存储的已经训练好的集成预测模型中为当前用户选取出目标集成预测模型，并将该目标集成预测模型发送给当前用户，使得当前用户可以利用该目标集成预测模型对当前用户的本地设备进行预测性维护。
如图2所示，在本发明一个实施例中，所述方法还包括：
步骤14，接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；
步骤15，基于所述反馈信息，更新所述目标集成预测模型。
在上述实施例中，为了保证利用下发的目标集成预测模型可以更为准确的对当前用户的本地设备进行预测性维护，需要当前用户在利用接收到的目标集成预测模型确定了故障预测结果以后，将预测结果和真实结果如实的反馈给联合学习中心，以使得联合学习中心根据该预测结果和真实结果对目标集成预测模型进行更新，并将更新后的目标集成预测模型再次下发给当前用户，当前用户利用更新后的目标集成预测模型再次进行预测，并上传预测结果和真实结果，如此不断循环，使得当前用户利用更新后的目标预测集成模型对本地设备的故障预测的准确性不断提高，以达到当前用户的准确度需求等级。需要说明的是，即使当前用户为没有本地训练数据的用户，在获取到目标预测模型后，通过使用该目标预测模型，仍会产生预测结果和真实结果，从而也可以通过反馈信息的方式提高目标预测集成模型的准确度。
如图3所示，在本发明一实施例中，所述方法还包括：
步骤16，确定目标用户发送的当前模型参数；
步骤17，若所述当前模型参数对应为物理预测模型，则确定目标物理模型参数，基于所述目标物理模型参数和所述当前模型参数，确定集成物理预测模型；
步骤18，若所述当前模型参数对应为回归预测模型，则确定目标回归模型参数，基于所述目标回归模型参数和所述当前模型参数，确定集成回归预测模型。
在上述实施例中，将基于本地训练数据训练出模型参数的用户确定为目标用户，该目标用户希望用自己的当前模型参数与其他能源用户的模型参数进行联合训练，以确定出准确度更高的预测模型。其中，目标用户需要构建模型时，可以同样向联合学习中心发送模型构建请求，但是在目标用户发送的模型构建请求中会携带有目标用户的当前模型参数，因此可以利用模型构建请求对当前用户和目标用户进行区分，当前用户的模型构建请求中不存在当前模型参数，而目标用户的模型构建请求中存在当前模型参数，因此可以通过目标用户发送的模型构建请求，确定目标用户对应的当前模型参数。联合学习中心在接收到当前模型参数以后，对当前模型参数进行分类，若当前模型参数对应为物理预测模型，则确定目标物理模型参数，目标物理模型参数是由其他能源用户向联合学习中心发送的物理模型参数，联合学习中心基于目标物理模型参数和当前模型参数，确定出集成物理预测模型；若当前模型参数对应为回归预测模型，则确定目标回归模型参数，目标回归模型参数是由其他能源用户向联合学习中心发送的回归模型参数，联合学习中心基于目标回归模型参数和当前模型参数确定出集成回归预测模型。其中物理预测模型是指利用构建物理模型的方式获取到的预测模型，回归预测模型是指利用构建回归模型的方式获取到的预测模型，物理预测模型和回归预测模型均可以对设备的故障进行预测。联合学习中心将根据目标用户发送的当前模型参数确定的集成物理预测模型或确定的集成回归预测模型返回给目标用户，使得目标用户可以根据该集成物理预测模型和集成回归预测模型对目标用户的本地设备进行预测性维护。
具体地，若所述当前模型参数对应为物理预测模型，则所述当前模型参数为目标用户通过以下步骤获取：获取本地设备的历史设备数据和历史天气数据；基于所述历史设备数据和所述历史天气数据，确定设备故障点；基于所述设备故障点和选取物理模型，确定对应为物理预测模型的当前模型参数。其中历史设备数据和历史天气数据均为某一采样时间段的数据，可以从数据采集与监视控制***和天气环境数据库中获取历史设备数据和历史天气数据，历史设备数据可以包括设备的输入、输出和运行数据，历史天气数据包括环境温度、湿度和光强等数据。对历史设备数据和历史天气数据进行分析，确定出设备故障点，对设备故障点进行分类，选择适合的物理模型并建立微分方程，然后将历史设备数据和历史环境数据代入物理模型中求解出物理模型的相关参数，得到模型参数，因该模型参数是通过构建物理模型得到，因此将得到的模型参数分类为物理预测模型对应的模型参数。
具体地，若所述当前模型参数对应为回归预测模型，则所述当前模型参数为目标用户通过以下步骤获取：获取本地设备的历史设备数据和历史天气数据；基于所述历史设备数据和历史天气数据，确定数据特性；基于所述数据特性和选取回归模型，确定对应为回归预测模型的当前模型参数。在获取到历史设备数据和历史天气数据后，对数据进行测试，看数据是否具有周期性等数据特性，然后选取适合的回归模型，利用该回归模型拟合出符合数据特性的动态方程，即得到模型参数，因该模型参数是通过回归模型得到，因此将得到的模型参数分类为回归预测模型对应的模型参数。
如图4所示，在本发明一实施例中，所述方法还包括：
步骤19，确定所述目标用户对应的准确度需求等级；
步骤20，若所述目标用户对应的准确度需求等级符合预设条件，则将基于所述目标用户发送的当前模型参数确定的当前集成预测模型下发给所述目标用户；
步骤21，若所述目标用户对应的准确度需求等级不符合所述预设条件，则将确定的集成物理预测模型和集成回归预测模型下发给所述目标用户。
在上述实施例中，可以通过目标用户发送的模型构建请求确定目标用户对应的准确度需求级别，将预设条件确定为准确度需求等级为二级，因目标用户拥有自己的当前模型参数，因此在目标用户对应的准确度需求等级为二级时，将根据目标用户发送的当前模型参数确定的当前集成模型下发给目标用户，以使得目标用户根据该当前集成模型对目标用户本地设备进行预测性维护，若目标用户发送的当前模型参数对应物理预测模型，则根据当前模型参数确定的当前集成模型为集成物理预测模型；若目标用户发送的当前模型参数对应回归预测模型，则根据当前模型参数确定的当前集成模型为集成回归预测模型，即将根据目标用户的当前模型参数参与进行联合学习训练得到的当前集成模型下发给目标用户。若目标用户对应的准确度需求等级为一级，则需要向目标用户下发集成物理预测模型和集成回归预测模型，若当前模型参数对应为物理预测模型，则下发的集成物理预测模型为根据目标用户当前模型参数确定的预测模型；若当前模型参数对应为回归预测模型，则下发的集成回归预测模型为根据目标用户当前模型参数确定的预测模型，即若目标用户对应的准确度需求等级为一级时，需要向目标用户发送其参与联合学习训练得到的当前集成预测模型和另外一个由联合学习中心模型库存储的集成预测模型共同作为模型组合下发给目标用户，以满足目标用户的准确度需求等级。
基于与上述方法相同的发明构思，如图5所示，本发明实施例提供了一种基于联合学习的设备预测性维护装置，包括：
需求等级确定模块51，用于在联合学习架构中，确定当前用户对应的准确度需求等级；
目标模型确定模块52，用于基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；
模型下发模块53，用于将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。
如图6所示，在本发明一个实施例中，所述装置还包括：
反馈信息接收模块54，用于接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；
更新处理模块55，用于基于所述反馈信息，更新所述目标集成预测模型。
为了描述的方便，描述以上装置实施例时以功能分为各种单元或模块分别描述，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
图7是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器701以及存储有执行指令的存储器702，可选地还包括内部总线703及网络接口704。其中，存储器702可能包含内存7021，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器7022(non-volatile memory)，例如至少1个磁盘存储器等；处理器701、网络接口704和存储器702可以通过内部总线703相互连接，该内部总线703可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等；内部总线703可以分为地址总线、数据总线、控制总线等，为便于表示，图7中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器701执行存储器702存储的执行指令时，处理器701执行本发明任意一个实施例中的方法，并至少用于执行如图1至图4所示的方法。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种基于联合学习的设备预测性维护装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种基于联合学习的设备预测性维护方法。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图7所示的电子设备；执行指令是一种基于联合学习的设备预测性维护装置所对应计算机程序。
本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，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、商品或者锅炉不仅包括那些要素，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、商品或者锅炉所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者锅炉中还存在另外的相同要素。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。

Claims (10)

1.一种基于联合学习的设备预测性维护方法，其特征在于，包括：
在联合学习架构中，确定当前用户对应的准确度需求等级；
基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；
将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。
2.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述方法还包括：
接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；
基于所述反馈信息，更新所述目标集成预测模型。
3.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述方法还包括：
确定目标用户发送的当前模型参数；
若所述当前模型参数对应为物理预测模型，则确定目标物理模型参数，基于所述目标物理模型参数和所述当前模型参数，确定集成物理预测模型；
若所述当前模型参数对应为回归预测模型，则确定目标回归模型参数，基于所述目标回归模型参数和所述当前模型参数，确定集成回归预测模型。
4.根据权利要求3所述的基于联合学习的设备预测性维护方法，其特征在于，若所述当前模型参数对应为物理预测模型，则所述当前模型参数为目标用户通过以下步骤获取：
获取本地设备的历史设备数据和历史天气数据；
基于所述历史设备数据和所述历史天气数据，确定设备故障点；
基于所述设备故障点和选取物理模型，确定对应为物理预测模型的当前模型参数。
5.根据权利要求3所述的基于联合学习的设备预测性维护方法，其特征在于，若所述当前模型参数对应为回归预测模型，则所述当前模型参数为目标用户通过以下步骤获取：
获取本地设备的历史设备数据和历史天气数据；
基于所述历史设备数据和历史天气数据，确定数据特性；
基于所述数据特性和选取回归模型，确定对应为回归预测模型的当前模型参数。
6.根据权利要求3所述的基于联合学习的设备预测性维护方法，其特征在于，所述方法还包括：
确定所述目标用户对应的准确度需求等级；
若所述目标用户对应的准确度需求等级符合预设条件，则将基于所述目标用户发送的当前模型参数确定的当前集成预测模型下发给所述目标用户；
若所述目标用户对应的准确度需求等级不符合所述预设条件，则将确定的集成物理预测模型和集成回归预测模型下发给所述目标用户。
7.一种基于联合学习的设备预测性维护装置，其特征在于，包括：
需求等级确定模块，用于在联合学习架构中，确定当前用户对应的准确度需求等级；
目标模型确定模块，用于基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；
模型下发模块，用于将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。
8.根据权利要求7所述的基于联合学习的设备预测性维护装置，其特征在于，所述装置还包括：
反馈信息接收模块，用于接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；
更新处理模块，用于基于所述反馈信息，更新所述目标集成预测模型。
9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至6中任一所述的方法。
10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至6中任一所述的方法。
CN202110044755.1A 2021-01-13 2021-01-13 一种基于联合学习的设备预测性维护方法及装置 Active CN112733454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110044755.1A CN112733454B (zh) 2021-01-13 2021-01-13 一种基于联合学习的设备预测性维护方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110044755.1A CN112733454B (zh) 2021-01-13 2021-01-13 一种基于联合学习的设备预测性维护方法及装置

Publications (2)

Publication Number Publication Date
CN112733454A true CN112733454A (zh) 2021-04-30
CN112733454B CN112733454B (zh) 2024-04-30

Family

ID=75592114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110044755.1A Active CN112733454B (zh) 2021-01-13 2021-01-13 一种基于联合学习的设备预测性维护方法及装置

Country Status (1)

Country Link
CN (1) CN112733454B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592097A (zh) * 2021-07-23 2021-11-02 京东科技控股股份有限公司 联邦模型的训练方法、装置和电子设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595757A (zh) * 2018-03-21 2018-09-28 新智数字科技有限公司 能源设备建模、能源站调度方法、装置以及设备
KR101966557B1 (ko) * 2017-12-08 2019-04-05 세종대학교산학협력단 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법
CN109784574A (zh) * 2019-01-24 2019-05-21 新奥数能科技有限公司 设备状态的预测方法及装置、存储介质、电子装置
CN109919684A (zh) * 2019-03-18 2019-06-21 上海盛付通电子支付服务有限公司 用于生成信息预测模型的方法、电子设备和计算机可读存储介质
CN110210624A (zh) * 2018-07-05 2019-09-06 第四范式（北京）技术有限公司 执行机器学习过程的方法、装置、设备以及存储介质
CN110766164A (zh) * 2018-07-10 2020-02-07 第四范式（北京）技术有限公司 用于执行机器学习过程的方法和***
CN111401795A (zh) * 2020-04-26 2020-07-10 新智数字科技有限公司 设备健康状态的评估方法、装置、可读介质及电子设备
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
RU2735296C1 (ru) * 2019-08-16 2020-10-29 федеральное государственное бюджетное образовательное учреждение высшего образования "Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова" Способ многопараметрического контроля состояния сложных электротехнических объектов

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101966557B1 (ko) * 2017-12-08 2019-04-05 세종대학교산학협력단 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법
CN108595757A (zh) * 2018-03-21 2018-09-28 新智数字科技有限公司 能源设备建模、能源站调度方法、装置以及设备
CN110210624A (zh) * 2018-07-05 2019-09-06 第四范式（北京）技术有限公司 执行机器学习过程的方法、装置、设备以及存储介质
CN110766164A (zh) * 2018-07-10 2020-02-07 第四范式（北京）技术有限公司 用于执行机器学习过程的方法和***
CN109784574A (zh) * 2019-01-24 2019-05-21 新奥数能科技有限公司 设备状态的预测方法及装置、存储介质、电子装置
CN109919684A (zh) * 2019-03-18 2019-06-21 上海盛付通电子支付服务有限公司 用于生成信息预测模型的方法、电子设备和计算机可读存储介质
RU2735296C1 (ru) * 2019-08-16 2020-10-29 федеральное государственное бюджетное образовательное учреждение высшего образования "Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова" Способ многопараметрического контроля состояния сложных электротехнических объектов
CN111401795A (zh) * 2020-04-26 2020-07-10 新智数字科技有限公司 设备健康状态的评估方法、装置、可读介质及电子设备
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)

* Cited by examiner, † Cited by third party
Title
吴立金等: "基于深度学习的故障预测技术研究", 《计算机测量与控制》, pages 9 - 12 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592097A (zh) * 2021-07-23 2021-11-02 京东科技控股股份有限公司 联邦模型的训练方法、装置和电子设备
CN113592097B (zh) * 2021-07-23 2024-02-06 京东科技控股股份有限公司 联邦模型的训练方法、装置和电子设备

Also Published As

Publication number Publication date
CN112733454B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
US10817800B2 (en) Value addition dependent data mining techniques for assembly lines
CN115204536A (zh) 楼宇设备故障预测方法、装置、设备及存储介质
CN114881989A (zh) 基于小样本目标对象缺陷检测的方法、装置、电子设备
CN110930254A (zh) 基于区块链的数据处理方法、装置、终端及介质
CN111598139A (zh) 数据处理方法及***
CN111143404B (zh) 一种业务处理方法及装置
CN112733454B (zh) 一种基于联合学习的设备预测性维护方法及装置
CN110991762A (zh) 预测方法、装置、计算机可读存储介质及电子设备
CN112733453B (zh) 一种基于联合学习的设备预测性维护方法及装置
CN107679305B (zh) 路网模型创建方法及装置
CN111415050B (zh) 短期负荷预测方法、短期负荷预测模型训练方法及装置
CN113434746A (zh) 基于用户标签的数据处理方法、终端设备及存储介质
CN111046909A (zh) 一种负荷预测的方法及装置
CN116340883A (zh) 配电网数据资源融合方法、装置、设备及存储介质
CN116152011A (zh) 基于模糊神经网络的制造服务数据价值评估方法及装置
CN114155412A (zh) 深度学习模型迭代方法、装置、设备及存储介质
CN114706856A (zh) 故障处理方法及装置、电子设备和计算机可读存储介质
CN114429235A (zh) 一种设备故障预测方法、装置、可读介质及电子设备
US20200151614A1 (en) Using Template Exploration for Large-Scale Machine Learning
JP6793598B2 (ja) 点検支援装置、点検支援方法、および点検支援プログラム
CN112949882A (zh) 一种负荷预测的方法、装置及电子设备
CN110177006A (zh) 基于接口预测模型的节点测试方法及装置
JP6946530B2 (ja) 本番作業に基づいた検証用クラウドソーシング作業を提供する方法及び装置
CN118013948B (zh) 一种融合多模态交互的文本处理方法与***
KR20200021132A (ko) 인공지능을 이용한 예측 방법

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240305

Address after: 2101 Science and Technology Innovation Base, Hangyidao Free Trade Zone, Langfang Airport Economic Zone, Daxing District, Beijing, China (Hebei) Pilot Free Trade Zone, Daxing Airport Area

Applicant after: Xinao Xinzhi Technology Co.,Ltd.

Country or region after: China

Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing

Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd.

Country or region before: China

GR01 Patent grant
GR01 Patent grant