CN113537519B - 一种识别异常设备的方法和装置 - Google Patents
一种识别异常设备的方法和装置 Download PDFInfo
- Publication number
- CN113537519B CN113537519B CN202010279539.0A CN202010279539A CN113537519B CN 113537519 B CN113537519 B CN 113537519B CN 202010279539 A CN202010279539 A CN 202010279539A CN 113537519 B CN113537519 B CN 113537519B
- Authority
- CN
- China
- Prior art keywords
- fault
- maintenance
- abnormal
- dimension characteristics
- equipment
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012423 maintenance Methods 0.000 claims abstract description 90
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims description 51
- 238000012706 support-vector machine Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 230000008439 repair process Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种识别异常设备的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:根据各设备的历史故障原始数据,提取所述各设备的维修维度特征、故障维度特征;根据所述各设备的维修维度特征、故障维度特征以及所述各设备的异常状态标签,生成训练数据集;通过所述训练数据集训练监控模型,并利用训练后的监控模型实时监控所述各设备的状态特征,以识别出异常设备,所述设备的状态特征包括所述维修维度特征和所述故障维度特征。该实施方式能够自动且准确地识别异常设备,及时推送给设备维修人员,使其更有针对性地开展检修工作,提高工作效率。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种识别异常设备的方法和装置。
背景技术
为了保证无人仓的长期平稳运行,需要对无人仓内设备的故障情况定期进行统计,以便找出异常的设备,及时对其进行检修。当前对异常设备的识别只是简单统计在一段时间内,设备发生故障的严重等级和数量,人为选取发生故障等级高和数量多的设备作为异常设备,并手动推送给仓库设备维护人员。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
人为识别设备故障较为片面,不能有针对性地、及时地对设备进行抢修,影响工作效率。
发明内容
有鉴于此,本发明实施例提供一种识别异常设备的方法和装置,能够自动且准确地识别异常设备,及时推送给设备维修人员,使其更有针对性地开展检修工作,提高工作效率。
为实现上述目的,根据本发明实施例的一个方面,提供了识别异常设备的方法。
一种识别异常设备的方法,包括:根据各设备的历史故障原始数据,提取所述各设备的维修维度特征、故障维度特征;根据所述各设备的维修维度特征、故障维度特征以及所述各设备的异常状态标签,生成训练数据集;通过所述训练数据集训练监控模型,并利用训练后的监控模型实时监控所述各设备的状态特征,以识别出异常设备,所述设备的状态特征包括所述维修维度特征和所述故障维度特征。
可选地,根据所述各设备的历史故障原始数据,统计每一设备的历史维修次数和平均维修间隔时间,以得到所述各设备的维修维度特征。
可选地,根据所述各设备的历史故障原始数据,统计每一设备在维修之前多个统计周期内的故障数量和平均故障间隔,并基于预设的故障等级,统计所述故障数量中的各等级故障数量,以及所述平均故障间隔中的各等级平均故障间隔,以根据所述每一设备的各等级故障数量和各等级平均故障间隔,得到所述各设备的故障维度特征。
可选地,所述监控模型基于支持向量机、随机森林、神经网络中的一种实现。
可选地,在训练所述监控模型时,采用十折交叉验证的方法选择模型,以选取出预测误差最小的监控模型作为所述训练后的监控模型。
可选地,所述通过所述训练数据集训练监控模型,包括:对于所述训练数据集,选定径向基核函数,并基于选定的径向基核函数、所述各设备的异常状态标签构造支持向量机的目标函数,在预设约束条件下对所述目标函数求解,以得到最优解;基于所述最优解、所述各设备的异常状态标签、所述选定的径向基核函数计算所述支持向量机的分类平面的截距;基于所述最优解、所述截距、所述各设备的异常状态标签以及所述选定的径向基核函数得到所述支持向量机的决策函数,所述决策函数用于所述支持向量机识别所述异常设备。
根据本发明实施例的另一方面,提供了一种识别异常设备的装置。
一种识别异常设备的装置,包括:特征提取模块,用于根据各设备的历史故障原始数据,提取所述各设备的维修维度特征、故障维度特征;训练数据生成模块,用于根据所述各设备的维修维度特征、故障维度特征以及所述各设备的异常状态标签,生成训练数据集;异常设备识别模块,用于通过所述训练数据集训练监控模型,并利用训练后的监控模型实时监控所述各设备的状态特征,以识别出异常设备,所述设备的状态特征包括所述维修维度特征和所述故障维度特征。
可选地,所述特征提取模块还用于:根据所述各设备的历史故障原始数据,统计每一设备的历史维修次数和平均维修间隔时间,以得到所述各设备的维修维度特征。
可选地,所述特征提取模块还用于:根据所述各设备的历史故障原始数据,统计每一设备在维修之前多个统计周期内的故障数量和平均故障间隔,并基于预设的故障等级,统计所述故障数量中的各等级故障数量,以及所述平均故障间隔中的各等级平均故障间隔,以根据所述每一设备的各等级故障数量和各等级平均故障间隔,得到所述各设备的故障维度特征。
可选地,所述监控模型基于支持向量机、随机森林、神经网络中的一种实现。
可选地,所述异常设备识别模块还用于:在训练所述监控模型时,采用十折交叉验证的方法选择模型,以选取出预测误差最小的监控模型作为所述训练后的监控模型。
可选地,所述异常设备识别模块还用于:对于所述训练数据集,选定径向基核函数,并基于选定的径向基核函数、所述各设备的异常状态标签构造支持向量机的目标函数,在预设约束条件下对所述目标函数求解,以得到最优解;基于所述最优解、所述各设备的异常状态标签、所述选定的径向基核函数计算所述支持向量机的分类平面的截距;基于所述最优解、所述截距、所述各设备的异常状态标签以及所述选定的径向基核函数得到所述支持向量机的决策函数,所述决策函数用于所述支持向量机识别所述异常设备。
根据本发明实施例的又一方面,提供了一种电子设备。
一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现本发明实施例所提供的识别异常设备的方法。
根据本发明实施例的又一方面,提供了一种计算机可读介质。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例所提供的识别异常设备的方法。
上述发明中的一个实施例具有如下优点或有益效果:根据各设备的历史故障原始数据,提取各设备的维修维度特征、故障维度特征;根据各设备的维修维度特征、故障维度特征以及各设备的异常状态标签,生成训练数据集;通过训练数据集训练监控模型,并利用训练后的监控模型实时监控各设备的状态特征,以识别出异常设备。能够自动且准确地识别异常设备,及时推送给设备维修人员,使其更有针对性地开展检修工作,提高工作效率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明一个实施例的识别异常设备的方法的主要步骤示意图;
图2是根据本发明一个实施例的识别异常设备的流程示意图;
图3是根据本发明一个实施例的维修维度特征和故障维度特征的示意图;
图4是根据本发明一个实施例的识别异常设备的装置的主要模块示意图;
图5是本发明实施例可以应用于其中的示例性***架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机***的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明一个实施例的识别异常设备的方法的主要步骤示意图。
如图1所示,本发明一个实施例的识别异常设备的方法主要包括如下的步骤S101至步骤S103。
步骤S101:根据各设备的历史故障原始数据,提取各设备的维修维度特征、故障维度特征。
步骤S102:根据各设备的维修维度特征、故障维度特征以及各设备的异常状态标签,生成训练数据集。
步骤S103:通过训练数据集训练监控模型,并利用训练后的监控模型实时监控各设备的状态特征,以识别出异常设备,设备的状态特征包括维修维度特征和故障维度特征。
在一个实施例中,根据各设备的历史故障原始数据,统计每一设备的历史维修次数和平均维修间隔时间,以得到各设备的维修维度特征。
各设备的历史故障原始数据可以依据仓库历史维修记录得到,具体地,针对每条记录对应的设备和维修时间,提取该设备维修前一定时间段的故障原始数据,包括故障编码、故障严重等级、故障发生时间等。
在一个实施例中,根据各设备的历史故障原始数据,统计每一设备在维修之前多个统计周期内的故障数量和平均故障间隔,并基于预设的故障等级,统计故障数量中的各等级故障数量,以及平均故障间隔中的各等级平均故障间隔,以根据每一设备的各等级故障数量和各等级平均故障间隔,得到各设备的故障维度特征。
设备的异常状态标签指示了设备的类别,类别包括异常和正常,例如异常状态标签=1表示异常,异常状态标签=-1表示正常。
在一个实施例中,监控模型基于支持向量机、随机森林、神经网络中的一种实现。
在一个实施例中,在训练监控模型时,采用十折交叉验证的方法选择模型,以选取出预测误差最小的监控模型作为训练后的监控模型。具体地,可以将训练数据集划分为多个子集,根据该多个子集生成多个训练集和测试集的组合,例如子集数量为10,那么每个组合以其中一个子集作为测试集、其他子集作为训练集,这样可以得到10个组合。利用每个组合的训练集训练监控模型,对于每一训练的监控模型利用相应的测试集进行验证,以计算监控模型的预测误差,选取其中预测误差最小的监控模型作为上述的训练后的监控模型。
在一个实施例中,通过训练数据集训练监控模型,包括:对于上述的训练数据集,选定径向基核函数,并基于选定的径向基核函数、各设备的异常状态标签构造支持向量机的目标函数,在预设约束条件下对目标函数求解,以得到最优解,预设约束条件即求解最优解时目标函数的约束条件;基于最优解、各设备的异常状态标签、选定的径向基核函数计算支持向量机的分类平面的截距;基于上述的最优解、截距、各设备的异常状态标签以及选定的径向基核函数得到支持向量机的决策函数,决策函数表示支持向量机的最优超平面(分类平面),其用于支持向量机识别异常设备。具体在下文还将详细介绍。
在一个实施例中,识别出异常设备之后,还包括将设备异常信息推送至指定客户端。指定客户端可以是维修等相关人员的客户端。
由于现有技术仅考虑当前统计周期内的设备故障情况,没有考虑往期的设备故障情况,且通过人为识别,准确率低。而本发明实施例基于多个统计周期判断设备是否异常,提高识别的准确率。
此外,现有技术仅考虑故障严重等级和数量来识别异常设备,不能全面反映设备的异常情况。而本发明实施例在故障数据的基础上,利用次数信息和历史故障信息,训练模型,全面反映设备的异常情况,并实现自动且准确地识别异常设备,克服现有的人为选取异常设备而缺少统一和固定的标准的缺陷。
本发明实施例的识别异常设备的方法可以用于对各种设备集合中的异常设备的识别。下面以无人仓中的各设备构成的设备集合为例,详细介绍本发明实施例的识别异常设备的方法。
本发明的一个实施例利用历史故障原始数据,对无人仓中异常设备识别建立有监督学习的监控模型,识别异常设备的流程示意图如图2所示,包括:获取历史故障原始数据;构建训练数据集;训练监控模型;进行监控模型评估和上线;实时监控设备状态,并推送设备异常信息。
具体地,依据仓库历史维修记录,针对每条记录对应的设备和维修时间,提取该设备维修前一定时间段的故障原始数据,该时间段包括多个统计周期,以一个统计周期为1个月为例,本发明实施例的上述时间段取为3个月,统计周期的长度和统计周期的数量可以根据实际业务进行调整。故障原始数据包括故障编码、故障严重等级、故障发生时间等。
根据设备的故障原始数据,从维修和故障两个维度构建描述设备状态的特征。
维修维度特征包括历史维修次数和平均维修间隔时间两个指标,这两个指标基本上可以反映设备的历史维修情况。其中,设备的历史维修次数是设备投入使用之后维修的总次数。设备的平均维修间隔时间是设备的维修间隔时间的均值,维修间隔时间是指相邻两次维修间隔的时间,将所有维修间隔时间取均值,得到设备的平均维修间隔时间。
故障维度特征包括故障数量和故障间隔两个指标,这个指标统计的是设备维修之前3个月时间内的故障维度数据。需要说明的是,当设备有多次维修记录时,则上述故障维度特征中的故障数量是每次维修之前3个月的故障数量的均值,其中,如果两次维修间隔小于3个月,那么将实际故障数量按时间比例折算成3个月的数量作为故障数量,例如,某设备有三次维修记录,维修时间分别为4月1日、8月1日、9月1日,那么计算4月1日之前三个月的故障数量,记作a1;8月1日之前三个月的故障数量,记作a2;8月1日至9月1日的故障数量,记作a3,并将8月1日至9月1日的故障数量a3折算成三个月的故障数量,记作a3',即a3'=3×y÷x,其中x为两次维修间隔时间,本例y=1,即间隔一个月,y是两次维修间隔的故障数量,本例y=a3,那么a3'=3×a3。
上述故障维度特征中包括的故障间隔具体是每两次维修之间的故障间隔平均值,也可以称为平均故障间隔。
在上述故障数量和平均故障间隔的基础上,根据预设的故障等级,分别统计不同等级故障维修前3个月的故障数量和故障间隔,得到各等级故障数量和各等级平均故障间隔。
假设有n个故障等级,则每条记录包含2+2×n个特征。以故障等级分为一般故障、严重故障、致命故障三个等级为例,本发明一个实施例的维修维度特征和故障维度特征的示意图如图3所示,各等级故障数量包括一般故障数量、严重故障数量、致命故障数量;各等级平均故障间隔包括一般故障平均间隔、严重故障平均间隔、致命故障平均间隔。
定义历史维修次数>=1的设备为异常设备,则可以得到用于模型输入的训练数据集D,D的形式如表1所示。
表1训练数据集
将获取的训练数据集作为支持向量机的输入数据,进行模型训练,并采用十折交叉验证的方法进行模型选择,选取预测误差最小的模型作为最终的模型。
本发明实施例通过故障和维修记录判断设备是否异常,通过上述训练数据集训练支持向量机模型,将训练后的支持向量机模型用于识别异常设备。假设一共有N个设备,每个设备视为一个样本点,那么N个样本点的数据构成训练数据集D={(x1,y1),(x2,y2),…,(xN,yN)},其中,xi∈X=Rn,yi∈Y={-1,1},i=1,2,3,…,N,以(xi,yi)为例,表示第i个设备的特征X,即该设备的维修维度特征、故障维度特征组成的集合,yi表示第i个设备的类别,即异常状态标签,具体为异常或正常,其中yi=1表示异常,yi=-1表示正常。
对于上述训练数据集,选定径向基核函数,构造并求解如下最优化问题:
求得最优解其中,αi为拉格朗日乘子,
分别为样本点(x1,y1),(x2,y2),…,(xN,yN)对应的最优拉格朗日乘子;C为惩罚参数。/>为支持向量机的目标函数,为约束条件。
选择α*的一个正分量计算分类平面的截距b*为:
构造决策函数:
K(x,xi)为径向基核函数。
将最终的模型部署到线上,用于实时监控设备状态,动态精确地识别异常设备,并及时推送相关人员,以进行异常设备的检修,从而有效减少设备故障,保障仓库高效稳定地运行。
本发明实施例的模型不限于支持向量机,还可以选择其他机器学习的分类模型(如随机森林,神经网络等)。
图4是根据本发明一个实施例的识别异常设备的装置的主要模块示意图。
如图4所示,本发明一个实施例的识别异常设备的装置400主要包括:特征提取模块401、训练数据生成模块402、异常设备识别模块403。
特征提取模块401,用于根据各设备的历史故障原始数据,提取各设备的维修维度特征、故障维度特征。
训练数据生成模块402,用于根据各设备的维修维度特征、故障维度特征以及各设备的异常状态标签,生成训练数据集。
异常设备识别模块403,用于通过训练数据集训练监控模型,并利用训练后的监控模型实时监控各设备的状态特征,以识别出异常设备,设备的状态特征包括维修维度特征和故障维度特征。
在一个实施例中,特征提取模块401具体用于:根据各设备的历史故障原始数据,统计每一设备的历史维修次数和平均维修间隔时间,以得到各设备的维修维度特征。
特征提取模块401具体还用于:根据各设备的历史故障原始数据,统计每一设备在维修之前多个统计周期内的故障数量和平均故障间隔,并基于预设的故障等级,统计故障数量中的各等级故障数量,以及平均故障间隔中的各等级平均故障间隔,以根据每一设备的各等级故障数量和各等级平均故障间隔,得到各设备的故障维度特征。
本发明实施例的监控模型基于支持向量机、随机森林、神经网络中的一种实现。
在一个实施例中,异常设备识别模块403还可以用于:在训练监控模型时,采用十折交叉验证的方法选择模型,以选取出预测误差最小的监控模型作为上述的训练后的监控模型。
在一个实施例中,异常设备识别模块403还可以用于:对于训练数据集,选定径向基核函数,并基于选定的径向基核函数、各设备的异常状态标签构造支持向量机的目标函数,在预设约束条件下对目标函数求解,以得到最优解;基于最优解、各设备的异常状态标签、选定的径向基核函数计算支持向量机的分类平面的截距;基于上述的最优解、截距、各设备的异常状态标签以及选定的径向基核函数得到支持向量机的决策函数,决策函数用于支持向量机识别异常设备。
本发明实施例综合考虑一段时期内设备维修、故障种类和数量因素,并建立自动识别异常设备的监控模型,动态精确地识别异常设备,使得工作人员直接获得该异常设备信息后即可直接更换和修补,有效提高无人仓运行效率。
另外,在本发明实施例中所述识别异常设备的装置的具体实施内容,在上面所述识别异常设备的方法中已经详细说明了,故在此重复内容不再说明。
图5示出了可以应用本发明实施例的识别异常设备的方法或识别异常设备的装置的示例性***架构500。
如图5所示,***架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的信息查询请求等数据进行分析等处理,并将处理结果(例如设备信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的识别异常设备的方法一般由服务器505执行,相应地,识别异常设备的装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本申请实施例的终端设备或服务器的计算机***600的结构示意图。图6示出的终端设备或服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机***600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的***中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括特征提取模块、训练数据生成模块、异常设备识别模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,特征提取模块还可以被描述为“用于根据各设备的历史故障原始数据,提取各设备的维修维度特征、故障维度特征的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:根据各设备的历史故障原始数据,提取所述各设备的维修维度特征、故障维度特征;根据所述各设备的维修维度特征、故障维度特征以及所述各设备的异常状态标签,生成训练数据集;通过所述训练数据集训练监控模型,并利用训练后的监控模型实时监控所述各设备的状态特征,以识别出异常设备,所述设备的状态特征包括所述维修维度特征和所述故障维度特征。
根据本发明实施例的技术方案,根据各设备的历史故障原始数据,提取各设备的维修维度特征、故障维度特征;根据各设备的维修维度特征、故障维度特征以及各设备的异常状态标签,生成训练数据集;通过训练数据集训练监控模型,并利用训练后的监控模型实时监控各设备的状态特征,以识别出异常设备。能够自动且准确地识别异常设备,及时推送给设备维修人员,使其更有针对性地开展检修工作,提高工作效率。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种识别异常设备的方法,其特征在于,包括:
根据各设备的历史故障原始数据,提取所述各设备的维修维度特征、故障维度特征;其中,所述历史故障原始数据至少包括故障编码、故障严重等级、故障发生时间、故障数量;
根据所述各设备的维修维度特征、故障维度特征以及所述各设备的异常状态标签,生成训练数据集;
通过所述训练数据集训练监控模型,并利用训练后的监控模型实时监控所述各设备的状态特征,以识别出异常设备,所述设备的状态特征包括所述维修维度特征和所述故障维度特征。
2.根据权利要求1所述的方法,其特征在于,根据所述各设备的历史故障原始数据,统计每一设备的历史维修次数和平均维修间隔时间,以得到所述各设备的维修维度特征。
3.根据权利要求1所述的方法,其特征在于,根据所述各设备的历史故障原始数据,统计每一设备在维修之前多个统计周期内的故障数量和平均故障间隔,并基于预设的故障等级,统计所述故障数量中的各等级故障数量,以及所述平均故障间隔中的各等级平均故障间隔,以根据所述每一设备的各等级故障数量和各等级平均故障间隔,得到所述各设备的故障维度特征。
4.根据权利要求1所述的方法,其特征在于,所述监控模型基于支持向量机、随机森林、神经网络中的一种实现。
5.根据权利要求1所述的方法,其特征在于,在训练所述监控模型时,采用十折交叉验证的方法选择模型,以选取出预测误差最小的监控模型作为所述训练后的监控模型。
6.根据权利要求1所述的方法,其特征在于,所述通过所述训练数据集训练监控模型,包括:
对于所述训练数据集,选定径向基核函数,并基于选定的径向基核函数、所述各设备的异常状态标签构造支持向量机的目标函数,在预设约束条件下对所述目标函数求解,以得到最优解;
基于所述最优解、所述各设备的异常状态标签、所述选定的径向基核函数计算所述支持向量机的分类平面的截距;
基于所述最优解、所述截距、所述各设备的异常状态标签以及所述选定的径向基核函数得到所述支持向量机的决策函数,所述决策函数用于所述支持向量机识别所述异常设备。
7.一种识别异常设备的装置,其特征在于,包括:
特征提取模块,用于根据各设备的历史故障原始数据,提取所述各设备的维修维度特征、故障维度特征;其中,所述历史故障原始数据至少包括故障编码、故障严重等级、故障发生时间、故障数量;
训练数据生成模块,用于根据所述各设备的维修维度特征、故障维度特征以及所述各设备的异常状态标签,生成训练数据集;
异常设备识别模块,用于通过所述训练数据集训练监控模型,并利用训练后的监控模型实时监控所述各设备的状态特征,以识别出异常设备,所述设备的状态特征包括所述维修维度特征和所述故障维度特征。
8.根据权利要求7所述的装置,其特征在于,所述特征提取模块还用于:根据所述各设备的历史故障原始数据,统计每一设备的历史维修次数和平均维修间隔时间,以得到所述各设备的维修维度特征。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279539.0A CN113537519B (zh) | 2020-04-10 | 2020-04-10 | 一种识别异常设备的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279539.0A CN113537519B (zh) | 2020-04-10 | 2020-04-10 | 一种识别异常设备的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537519A CN113537519A (zh) | 2021-10-22 |
CN113537519B true CN113537519B (zh) | 2024-05-24 |
Family
ID=78087743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010279539.0A Active CN113537519B (zh) | 2020-04-10 | 2020-04-10 | 一种识别异常设备的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537519B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681427B (zh) * | 2023-08-03 | 2024-01-05 | 深圳市新启发汽车用品有限公司 | 一种基于智能算法的汽车配件自助选购方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN108108765A (zh) * | 2017-12-28 | 2018-06-01 | 北京理工大学 | 一种基于概率密度比的数据融合的设备故障诊断方法 |
CN108344812A (zh) * | 2017-11-24 | 2018-07-31 | 北京国网富达科技发展有限责任公司 | 一种变压器故障诊断方法、装置及存储介质 |
CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及*** |
CN109204389A (zh) * | 2018-09-12 | 2019-01-15 | 济南轨道交通集团有限公司 | 一种地铁设备故障诊断和自愈方法、*** |
CN109254577A (zh) * | 2018-08-08 | 2019-01-22 | 佛山科学技术学院 | 一种基于深度学习的智能制造过程故障分类方法及装置 |
CN109657709A (zh) * | 2018-12-06 | 2019-04-19 | 湖北博华自动化***工程有限公司 | 一种基于粒子群优化支持向量回归的设备故障预测方法 |
CN110879971A (zh) * | 2019-10-23 | 2020-03-13 | 上海宝信软件股份有限公司 | 工业生产设备运行异常情况预测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7086803B2 (ja) * | 2018-09-27 | 2022-06-20 | 株式会社東芝 | 異常検知装置、異常検知方法及びプログラム |
-
2020
- 2020-04-10 CN CN202010279539.0A patent/CN113537519B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN107590506A (zh) * | 2017-08-17 | 2018-01-16 | 北京航空航天大学 | 一种基于特征处理的复杂设备故障诊断方法 |
CN108344812A (zh) * | 2017-11-24 | 2018-07-31 | 北京国网富达科技发展有限责任公司 | 一种变压器故障诊断方法、装置及存储介质 |
CN108108765A (zh) * | 2017-12-28 | 2018-06-01 | 北京理工大学 | 一种基于概率密度比的数据融合的设备故障诊断方法 |
CN108491580A (zh) * | 2018-02-26 | 2018-09-04 | 上海理工大学 | 一种设备故障诊断装置及*** |
CN109254577A (zh) * | 2018-08-08 | 2019-01-22 | 佛山科学技术学院 | 一种基于深度学习的智能制造过程故障分类方法及装置 |
CN109204389A (zh) * | 2018-09-12 | 2019-01-15 | 济南轨道交通集团有限公司 | 一种地铁设备故障诊断和自愈方法、*** |
CN109657709A (zh) * | 2018-12-06 | 2019-04-19 | 湖北博华自动化***工程有限公司 | 一种基于粒子群优化支持向量回归的设备故障预测方法 |
CN110879971A (zh) * | 2019-10-23 | 2020-03-13 | 上海宝信软件股份有限公司 | 工业生产设备运行异常情况预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113537519A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107809331B (zh) | 识别异常流量的方法和装置 | |
US11144582B2 (en) | Method and system for parsing and aggregating unstructured data objects | |
CN106716454B (zh) | 利用机器学习来识别非技术性损失 | |
US20230129123A1 (en) | Monitoring and Management System for Automatically Generating an Issue Prediction for a Trouble Ticket | |
CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
CN112016793B (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
CN112348321A (zh) | 风险用户的识别方法、装置及电子设备 | |
CN113780329A (zh) | 用于识别数据异常的方法、装置、服务器和介质 | |
CN113379391A (zh) | 工单处理方法、装置、电子设备及计算机可读存储介质 | |
CN113537519B (zh) | 一种识别异常设备的方法和装置 | |
CN112163154A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN117132315A (zh) | 活跃用户预测方法、装置、设备及存储介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN112734352A (zh) | 一种基于数据维度的单据审核方法和装置 | |
CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN115718806A (zh) | ***投产问题管理方法、装置、设备、介质和程序产品 | |
US11869060B2 (en) | Automated and customized entitlement recommendation | |
CN112508631A (zh) | 用户策略分配方法、装置及电子设备 | |
CN113743435A (zh) | 业务数据分类模型的训练、业务数据的分类方法和装置 | |
Chu et al. | Enhancing the customer service experience in call centers using preemptive solutions and queuing theory | |
US20240242159A1 (en) | Automated enterprise information technology alerting system | |
CN117371856A (zh) | 数据质量的监控方法、装置、存储介质及计算机设备 | |
Goyal et al. | Data-driven risk analysis for poles in the electric grid | |
CN116956086A (zh) | 数据监控预警方法、装置、电子设备及存储介质 | |
CN118037414A (zh) | 一种项目风险管理方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |