CN113705896A - 目标设备的确定方法、装置及电子设备 - Google Patents
目标设备的确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113705896A CN113705896A CN202111004041.4A CN202111004041A CN113705896A CN 113705896 A CN113705896 A CN 113705896A CN 202111004041 A CN202111004041 A CN 202111004041A CN 113705896 A CN113705896 A CN 113705896A
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- value
- trigger threshold
- target
- 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 63
- 238000012423 maintenance Methods 0.000 claims abstract description 166
- 230000006870 function Effects 0.000 claims description 71
- 230000015654 memory Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 230000008531 maintenance mechanism Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000008263 repair mechanism Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000005406 washing Methods 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
- 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
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F19/00—Complete banking systems; Coded card-freed arrangements adapted for dispensing or receiving monies or the like and posting such transactions to existing accounts, e.g. automatic teller machines
- G07F19/20—Automatic teller machines [ATMs]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了目标设备的确定方法、装置及电子设备，其中方法包括：获取多个设备的特征数据；根据所述多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率；根据所述多个设备中各个设备出现故障的预测概率、各个设备故障情况下的维修成本、各个设备的保养成本，建立以保养触发阈值为变量的总成本目标函数；求解所述总成本目标函数，将所述总成本目标函数取值最小时的保养触发阈值为目标触发阈值；将出现故障的预测概率大于等于所述目标触发阈值的设备，作为需进行保养的目标设备。本方案能够使得所有设备的保养总成本最低、减少设备的故障率和故障时不可以使用的时间、减少了保养的工作量。
Description
技术领域
本申请涉及人工智能技术领域，特别涉及目标设备的确定方法、装置及电子设备。
背景技术
目前很多设备的保养是定期执行的，例如每年固定保养四次。设备出现故障后的维修成本加固定保养成本的总成本较高。
当设备在固定保养时间外出现故障需要维修时，往往需要联系维修单位，维修单位下派维修人员，维修人员根据自身工作量情况及距离远近安排维修时间。因此，自故障产生到故障排除往往需要较长时间，尤其是在故障维修需要逐级反馈的企业。例如，银行的ATM机定期保养和临时故障维修的机制均为逐级反馈方式，需要网点、上级网点、维修商共同参与。当ATM机出现故障后，由网点逐级上报至维修商，维修商再派遣维修人员进行维修，存在故障机器较长时间无法使用的情况。
在当前不同企业间及同一企业内部域竞争激烈、客户要求高的背景下，对设备的可用性有较高的要求。目前的设备维修和保养机制已无法满足这一要求。
发明内容
本申请实施方式的目的是提供目标设备的确定方法、装置及电子设备，以解决现有设备维修和保养机制的保养成本高、故障设备时间较长无法使用的问题。
为解决上述技术问题，本说明书第一方面提供一种目标设备的确定方法，包括：获取多个设备的特征数据；根据所述多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率；根据所述多个设备中各个设备出现故障的预测概率、各个设备故障情况下的维修成本、各个设备的保养成本，建立以保养触发阈值为变量的总成本目标函数；求解所述总成本目标函数，将所述总成本目标函数取值最小时的保养触发阈值为目标触发阈值；将出现故障的预测概率大于等于所述目标触发阈值的设备，作为需进行保养的目标设备。
在一些实施例中，所述以保养触发阈值为变量的总成本目标函数，包括以下一者：
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本；
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本，n为非零的预测概率所对应的出现故障最大次数；
其中，0＜pk＜1并且pk≥λ，λ为保养触发阈值；α为预定系数，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本；
其中，0＜pk＜1并且pk≥λ，λ为保养触发阈值；α为预定系数，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本，n为非零的预测概率所对应的出现故障最大次数。
在一些实施例中，所述求解所述总成本目标函数，将所述总成本目标函数取值最小时的保养触发阈值为目标触发阈值，包括：以0至1作为目标区间，在所述目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入所述总成本目标函数，并求得总成本目标函数值；选择最小的总成本目标函数值对应的保养触发阈值，作为参考值；循环执行如下步骤直至确定的当前参考值与上一循环确定的当前参考值相等：以当前参考值为中心的预定长度的区间作为当前目标区间，在当前目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入所述总成本目标函数，并求得总成本目标函数值，选择最小的总成本目标函数值对应的保养触发阈值，作为当前参考值；将确定的当前参考值作为所述目标触发阈值。
在一些实施例中，所述根据所述多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率，包括：将所述多个设备的特征数据输入预先建立的预测模型；将预测模型的输出作为每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率。
在一些实施例中，所述预测模型按照如下方式训练得到：获取多个设备的样本对，所述样本对包括特征数据和标记值，所述标记值用于标记在所述特征数据采集时刻起的预定时间段内设备是否出现故障；基于所述多个设备的样本对，对所述预测模型进行训练。
在一些实施例中，在所述预测模型为lightGBM模型的情况下，选取所述lightGBM模型中待分割的叶子节点上的数据集合包括：计算每个叶子节点上的数据集合中所有数据之间的相互距离之和；将所述数据之间的相互距离最大的数据集合作为待分割的叶子节点上的数据集合。
在一些实施例中，在所述预测模型为lightGBM模型的情况下，按照以下方法对叶子节点上的第一数据集合进行分割得到叶子节点上的第二数据集合：计算第一数据集合中每个数据与其余各数据之间的距离之和；将与其余各数据之间的距离之和最大的数据作为第二数据集合中的数据；重复执行如下步骤，直至差值为负值：计算第一数据集合中的每个数据点与所述第一数据集合中其余各数据之间的距离的均值作为第一数据，并计算第一数据集合中的每个数据点到所述第二数据集合中所有数据点的距离的均值作为第二数据，计算第一数据减去第二数据的差值；将差值最大的数据点划分至第二数据集合。
在一些实施例中，在基于所述多个设备的样本对，对lightGBM模型进行训练之前，还包括：将所述样本对输入lightGBM模型；确定每个类型的特征数据作为叶子节点***的次数；根据所述***的次数筛选出多个类型的特征数据；相应地，对lightGBM模型进行训练时，采用筛选出的多个类型的特征数据与标记值组成的样本对对lightGBM模型进行训练。
本说明书第二方面提供一种目标设备的确定装置，包括：获取模块，包括获取多个设备的特征数据；预测模块，包括根据所述多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率；建立模块，用于根据所述多个设备中各个设备出现故障的预测概率、各个设备故障情况下的维修成本、各个设备的保养成本，建立以保养触发阈值为变量的总成本目标函数；求解模块，用于求解所述总成本目标函数，将所述总成本目标函数取值最小时的保养触发阈值为目标触发阈值；第一确定模块，用于将出现故障的预测概率大于等于所述目标触发阈值的设备，作为需进行保养的目标设备。
在一些实施例中，所述以保养触发阈值为变量的总成本目标函数，包括以下一者：
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本；
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本，n为非零的预测概率所对应的出现故障最大次数；
其中，0＜pk＜1并且pk≥λ，λ为保养触发阈值；α为预定系数，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本；
其中，0＜pk＜1并且pk≥λ，λ为保养触发阈值；α为预定系数，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本，n为非零的预测概率所对应的出现故障最大次数。
在一些实施例中，所述求解模块包括：求取子模块，用于以0至1作为目标区间，在所述目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入所述总成本目标函数，并求得总成本目标函数值；第一确定子模块，用于选择最小的总成本目标函数值对应的保养触发阈值，作为参考值；所述求取子模块和所述第一确定子模块，还用于循环执行如下步骤直至确定的当前参考值与上一循环确定的当前参考值相等：以当前参考值为中心的预定长度的区间作为当前目标区间，在当前目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入所述总成本目标函数，并求得总成本目标函数值，选择最小的总成本目标函数值对应的保养触发阈值，作为当前参考值；第二确定子模块，用于将确定的当前参考值作为所述目标触发阈值。
在一些实施例中，所述预测模块包括：输入子模块，用于将所述多个设备的特征数据输入预先建立的预测模型；第三确定子模块，用于将预测模型的输出作为每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率。
在一些实施例中，还包括训练模块，用于训练所述预测模型；所述训练模块包括：获取子模块，用于获取多个设备的样本对，所述样本对包括特征数据和标记值，所述标记值用于标记在所述特征数据采集时刻起的预定时间段内设备是否出现故障；训练子模块，用于基于所述多个设备的样本对，对所述预测模型进行训练。
在一些实施例中，在所述预测模型为lightGBM模型的情况下，所述训练模块还包括选取子模块，用于选取所述lightGBM模型中待分割的叶子节点上的数据集合；所述选取子模块包括：第一计算子模块，用于计算每个叶子节点上的数据集合中所有数据之间的相互距离之和；第四确定子模块，用于将所述数据之间的相互距离最大的数据集合作为待分割的叶子节点上的数据集合。
在一些实施例中，在所述预测模型为lightGBM模型的情况下，所述训练模块还包括分割子模块，用于按照以下方法对叶子节点上的第一数据集合进行分割得到叶子节点上的第二数据集合；所述分割子模块包括：第二计算子模块，用于计算第一数据集合中每个数据与其余各数据之间的距离之和；第五确定子模块，用于将与其余各数据之间的距离之和最大的数据作为第二数据集合中的数据；所述第二计算子模块和所述第五确定子模块，还用于重复执行如下步骤，直至差值为负值：计算第一数据集合中的每个数据点与所述第一数据集合中其余各数据之间的距离的均值作为第一数据，并计算第一数据集合中的每个数据点到所述第二数据集合中所有数据点的距离的均值作为第二数据，计算第一数据减去第二数据的差值；将差值最大的数据点划分至第二数据集合。
在一些实施例中，在所述预测模型为lightGBM模型的情况下，还包括：输入模块，用于将所述样本对输入lightGBM模型；第二确定模块，用于确定每个类型的特征数据作为叶子节点***的次数；筛选模块，用于根据所述***的次数筛选出多个类型的特征数据；相应地，对lightGBM模型进行训练时，采用筛选出的多个类型的特征数据与标记值组成的样本对对lightGBM模型进行训练。
本说明书第三方面提供一种电子设备，包括：存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现第一方面或者其任意实施方式所述方法的步骤。
本说明书第四方面提供一种计算机存储介质，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现第一方面或者其任意实施方式所所述方法的步骤。
本说明书实施例所提供的目标设备的确定方法、装置及电子设备，根据多个设备的特征数据预测每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率，将预测概率大于或等于目标保养触发阈值的设备作为目标设备，由于目标保养触发阈值对应于总成本目标函数取值最小的情形，因此根据目标保养触发阈值得到的目标设备提前进行保养能够使得所有设备的保养总成本最低；还能够减少设备的故障率和故障时不可以使用的时间；每次保养时，只需要保养目标设备即可，无需对每个设备进行逐个检查，减少了保养的工作量。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案，下面将对实施方式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申请中记载的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本说明书实施例的一种目标设备的确定方法的流程图；
图2示出了确定目标保养触发阈值的一种实施例的方法流程图；
图3示出了得到预测概率的方法流程图；
图4示出了预测模型的训练方法流程图；
图5示出选取待分割的叶子节点上的数据集合的方法流程图；
图6示出了对叶子节点上的第一数据集合进行分割得到叶子节点上的第二数据集合的方法流程图；
图7示出了筛选特征数据类型的方法流程图；
图8示出了根据本说明书实施例的一种目标设备的确定装置的原理框图；
图9示出了根据本发明实施例的一种电子设备的原理框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都应当属于本申请保护的范围。
本说明书提出一种新的设备保养机制，即在设备快发生故障之前，提前对其进行保养，从而减少设备的故障率以及维修费用，即将定期保养更改为时间灵活的保养。
为此，本说明还提供了一种目标设备的确定方法，用于确定在未来一段时间内哪些设备需要提前进行保养。如图1所示，该目标设备的确定方法包括如下步骤。
S110：获取多个设备的特征数据。
本说明书实施例中所述的设备可以是自助柜员机(例如银行的ATM机)、交通工具(例如出租车、工具车、火车、地铁、飞机等)、家用电器(例如电视、冰箱、洗衣机、空调等)、电子设备(例如电脑、手机、耳机等)，当然还可以是其他设备。
在一些实施例中，本说明书中的“设备”还可以是大型设备中包含的各个模块或部件，“设备”具体涵盖多大的范围是可以根据实际情形改变的。
“设备”的具体含义可以根据实际情形来确定。或者设备中的部件或模块。本说明书不再一一列举。
各种设备的关键使用部件或模块不同，故障的类型也不同，有些类型的故障可预测，而有些故障的类型不具有预测可行性。本说明书实施例提供的目标设备的确定方法仅关注设备的可预测故障类型。例如，银行的ATM机有线路故障、钞盒故障、凭条故障、读卡机故障等，一些线路故障认为不具预测可行性，本方法可以关注出钞和入钞模块的故障。
一个设备的特征数据可以包括多种类型。
在一些实施例中，特征数据可以包括数据的采集时刻距离设备生产日期的时长、数据的采集时刻距离设备初始使用日期的时长等时长信息。
在一些实施例中，特征数据可以包括设备的使用频率信息。该信息可以通过为数据采集时刻之前的预定时长内每个时间单位的使用频率的平均值、最大值和总和。例如，数据采集时刻之前的6个月内每个月的使用频率平均值、最大值和6各月内使用频率的总和。
在一些实施例中，特征数据还可以包括设备的品牌信息。
在一些实施例中，使用频率还包括设备使用的环境信息。例如可以为数据采集时刻之前的预定时长内每个时间单位的平均值、最大值等，如室外无人值守的传感器设备所处环境在采集时刻前6各月内每天的平均温度、最大温度、平均湿度、最大湿度等。
这些特征数据的采集时刻之间的差值应当在预定时间差范围内。例如，任意两个特征数据的采集时刻之间的差值在1个小时、或者10分钟之内。相应地，可以将各个特征数据采集时刻的平均值或者以其中任意一个特征数据采集时刻作为这些特征数据的采集时刻。
S120：根据多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率。
在一些实施例中，“多个设备”可以是相同类型的，例如设备均为银行的ATM机。
在一些实施例中，“多个设备”也可以是不同类型的，例如设备可以包括银行的ATM机和自助缴费机，其中自助缴费机可以采用银行卡缴纳水费、电费、燃气费等费用。
该“预定时间段”可以是一周，即预测每个设备在特征数据采集时刻起的一周内出现故障的预测概率。相应地，可以每周执行一次图1所示的目标设备的预测方法。
在一些实施例中，模型所得到的预测概率可以是一个概率值，该概率值表示是否出现故障。
在一些实施例中，模型所得到的预测概率还可以是两个或两个以上非零的概率值，每个概率值可以与次数对应，表示设备出现对应次数故障的概率。不同设备所对应的非零概率值的数量可以不同。例如，设备A对应的非零概率值为：出现1次故障的概率为0.6，出现2次故障的概率为0.1；设备B对应的非零概率值为：出现1次故障的概率为0.4。
S130：根据多个设备中各个设备出现故障的预测概率、各个设备故障情况下的维修成本、各个设备的保养成本，建立以保养触发阈值为变量的总成本目标函数。
保养触发阈值，即预测概率大于或等于保养触发阈值时，表示预测概率对应的设备应当进行保养。
在一些实施例中，可以将设备出故障情况下的维修总成本计入总成本目标函数。其中，设备在特征数据采集时刻起的预定时间段内是否会出现故障，通过设备的预测概率是否大于或等于保养触发阈值来确定。
例如，以保养触发阈值为变量的总成本目标函数，可以为
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本。
又例如，以保养触发阈值为变量的总成本目标函数，可以为
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本，n为非零的预测概率所对应的出现故障最大次数。
在一些实施例中，还可以将多个设备作为一个整体，将出故障的设备所对应的预测概率求和得到P，以P的取值表示多个设备的整体性能。具体地，P的取值越小表示需保养的程度越低，多个设备的整体性能越好，保养的花费较少；反之，P的取值越大表示需保养的程度越高，多个设备的整体性能越差，保养的花费较多。在这种情况下，可以将表示性能、保养花费的P转换为成本计入总成本目标函数中。其中，设备在特征数据采集时刻起的预定时间段内是否会出现故障，通过设备的预测概率是否大于或等于保养触发阈值来确定。
例如，以保养触发阈值为变量的总成本目标函数，可以为
又例如，以保养触发阈值为变量的总成本目标函数，可以为
S140：求解总成本目标函数，将总成本目标函数取值最小时的保养触发阈值为目标触发阈值。
在上述总成本目标函数中，保养触发阈值为变量，则可以在0至1的范围内调整保养触发阈值的取值从而得到总成本目标函数的不同取值，进而可以确定总成本目标函数取值最小时对应的目标保养触发阈值。
S150：将出现故障的预测概率大于等于目标触发阈值的设备，作为需进行保养的目标设备。
目标设备即为在特征数据采集时刻起需进行保养的设备，较优的情况是在特征数据采集时刻起的预定时间段内便完成保养工作。
上述目标设备的确定方法，根据多个设备的特征数据预测每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率，将预测概率大于或等于目标保养触发阈值的设备作为目标设备，由于目标保养触发阈值对应于总成本目标函数取值最小的情形，因此根据目标保养触发阈值得到的目标设备提前进行保养能够使得所有设备的保养总成本最低；还能够减少设备的故障率和故障时不可以使用的时间；每次保养时，只需要保养目标设备即可，无需对每个设备进行逐个检查，减少了保养的工作量。
在一些实施例中，如图2所示，步骤S140可以包括如下步骤。
S141：以0至1作为目标区间，在目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入总成本目标函数，并求得总成本标函数值。
S142：选择最小的总成本目标函数值对应的保养触发阈值，作为参考值。
S143：以当前参考值为中心的预定长度的区间作为当前目标区间，在当前目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入总成本目标函数，并求得总成本目标函数值，选择最小的总成本目标函数值对应的保养触发阈值，作为当前参考值。
每执行一次步骤S143，其预定间隔都是不同的。通常，预定间隔小于当前目标区间的一半。
S144：判断当前参考值是否与上一循环确定的当前参考值相等。在相等的情况下，执行步骤S145；否则，继续执行步骤S143。
在初次执行步骤S144的判断时，可以将步骤S142确定的参考值作为上一循环确定的当前参考值。
S145：将确定的当前参考值作为目标触发阈值。
在一些实施例中，如图3所示，步骤S120可以通过如下步骤得到预测概率。
S310：将多个设备的特征数据输入预先建立的预测模型。
S320：将预测模型的输出作为每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率。
在一些实施例中，如图4所示，步骤S310中的预测模型可以按照以下方法训练得到。
S410：获取多个设备的样本对，样本对包括特征数据和标记值，标记值用于标记在特征数据采集时刻起的预定时间段内设备是否出现故障。
特征数据的描述，请参阅S110。
在一些实施例中，预测模型还可以预测出每个设备在特征数据采集时刻起的预定时间段内出现故障的次数及对应的预测概率，相应地，在对预测模型进行训练时，样本对还可以包括在特征数据采集时刻起的预定时间段内设备出现故障的次数。
S420：基于多个设备的样本对，对预测模型进行训练。
预测模型可以为任意一种机器学习模型，例如RNN模型、决策树模型等。决策树模型例如可以为lightGBM模型。
在采用lightGBM模型的情况下，可以采用直方图算法选取待分割的叶子节点上的数据集合，并对叶子节点上的数据集合进行分割。
本说明书实施例提供一种聚类的方法选取待分割的叶子节点上的数据集合，如图5所示，该方法包括如下步骤。
S510：计算每个叶子节点上的数据集合中所有数据之间的相互距离之和。
即计算集合中每两个数据之间的距离，并将所有距离相加求和。
例如，有两个叶子节点上的数据集合U1：(1、5、7、4)和U2：(1、8、4、20)。
计算U1对应的距离之和d1：1与其余各数据的距离之和为4+6+3＝13，5与其余各数据的距离之和为4+2+1＝7，7与其余各数据的距离之和为6+2+3＝11，4与其余各数据的距离之和为3+1+3＝7，U1对应的距离之和d1＝13+7+11+7＝38。
计算U2对应的距离之和d2：1与其余各数据的距离之和为7+3+19＝29，8与其余各数据的距离之和为7+4+12＝23，4与其余各数据的距离之和为3+4+16＝23，20与其余各数据的距离之和为19+12+16＝47，U2对应的距离之和d2＝29+23+23+47＝122。
S520：将数据之间的相互距离最大的数据集合作为待分割的叶子节点上的数据集合。
沿用上例，由于d2>d1，因此选取U2作为待分割的叶子节点。
本说明书实施例提供一种基于聚类的方法对叶子节点上的第一数据集合进行分割得到叶子节点上的第二数据集合，如图6所示，该方法包括如下步骤。
S610：计算第一数据集合中每个数据与其余各数据之间的距离之和。
S620：将与其余各数据之间的距离之和最大的数据作为第二数据集合中的数据。
S630：计算第一数据集合中的每个数据点与第一数据集合中其余各数据之间的距离的均值作为第一数据，并第一数据集合中的每个数据点到第二数据集合中所有数据点的距离的均值作为第二数据，计算第一数据减去第二数据的差值。
S640：将差值最大的数据点划分至第二数据集合。
S650：判断差值是否为负值。在是的情况下，结束分割；在否的情况下，继续执行步骤S630。
沿用上例，对第一数据集U2：(1、8、4、20)按照以下方法进行分割：
计算得到：1与其余各数据的距离之和为7+3+19＝29，8与其余各数据的距离之和为7+4+12＝23，4与其余各数据的距离之和为3+4+16＝23，20与其余各数据的距离之和为19+12+16＝47；距离之和中47最大，因此将47对应的数据20作为分割出的新数据集，也即第二数据集U3中的数据。本次分割后，第一数据集U2：(1、8、4)，第二数据集U3(20)。
计算第一数据集U2中：1与其余各数据之间的距离为7+3＝10；8与其余各数据之间的距离为7+4＝11，4与其余各数据之间的距离为3+4＝7；距离的均值为(10+11+7)÷3＝9.333。计算第一数据集合U2中：1与第二数据集合U3中20的距离为19，8与第二数据集合U3中20的距离为12，4与第二数据集合U3中20的距离为16；距离的均值为(19+12+16)÷3＝15.666。
由于9.333-15.666<0，因此结束分割，最终分割后得到第一数据集U2：(1、8、4)，第二数据集U3(20)。
在一些实施例中，在基于多个设备的样本对，对lightGBM模型进行训练之前，还需要对特征数据进行筛选，以筛选出对预测概率的取值影响较大的特征数据类型，舍弃对预测概率的取值影响较小的特征数据类型，从而可以减少模型的计算量。可以采用人工经验筛选的方法，或者，本说明书实施例提供了一种特征数据类型的筛选方法，如图7所示，该筛选方法包括如下步骤：
S710：将样本对输入lightGBM模型。
该步骤中的lightGBM模型采用初始参数值。
在筛选出特征数据后，对模型进行训练的过程，便是调整模型中参数值的过程。
S720：确定每个类型的特征数据作为叶子节点***的次数。
S730：根据***的次数筛选出多个类型的特征数据。
上述特征数据的筛选方法，以每个类型的特征数据作为叶子节点***的次数作为该类型特征数据的重要性，可以将重要性从大到小排列，筛选出前列预定数量个(例如前10个)特征数据；也可以将重要性从大到小排列，从前列筛选的特征数据数量占所有特征数据数量的比值为预定比值，例如筛选出重要性前50％的特征数据。
对应于上述步骤S710至S730，对lightGBM模型进行训练时，采用筛选出的多个类型的特征数据与标记值组成的样本对对lightGBM模型进行训练。
本说明书实施方式提供了一种目标设备的确定装置，可以用于实现图1所述的目标设备的确定方法。如图8所示，该装置包括获取模块10、预测模块20、建立模块30、求解模块40和第一确定模块50。
获取模块10包括获取多个设备的特征数据。
预测模块20包括根据多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率。
建立模块30用于根据多个设备中各个设备出现故障的预测概率、各个设备故障情况下的维修成本、各个设备的保养成本，建立以保养触发阈值为变量的总成本目标函数。
求解模块40用于求解总成本目标函数，将总成本目标函数取值最小时的保养触发阈值为目标触发阈值。
第一确定模块50用于将出现故障的预测概率大于等于目标触发阈值的设备，作为需进行保养的目标设备。
在一些实施例中，以保养触发阈值为变量的总成本目标函数，包括以下一者：
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本；
其中，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本，n为非零的预测概率所对应的出现故障最大次数；
其中，0＜pk＜1并且pk≥λ，λ为保养触发阈值；α为预定系数，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本；
其中，0＜pk＜1并且pk≥λ，λ为保养触发阈值；α为预定系数，K为预测概率大于或等于保养触发阈值的设备的数量，payk为设备出现故障情况下的维修成本，n为非零的预测概率所对应的出现故障最大次数。
在一些实施例中，求解模块40包括求取子模块41、第一确定子模块42和第二确定子模块43。
求取子模块41用于以0至1作为目标区间，在目标区间内每隔预定间隔选取一个数值作为保养触发阈值代入总成本目标函数，并求得总成本目标函数值。
第一确定子模块42用于选择最小的总成本目标函数值对应的保养触发阈值，作为参考值。
求取子模块41和第一确定子模块42还用于循环执行如下步骤直至确定的当前参考值与上一循环确定的当前参考值相等：以当前参考值为中心的预定长度的区间作为当前目标区间，在当前目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入总成本目标函数，并求得总成本目标函数值，选择最小的总成本目标函数值对应的保养触发阈值，作为当前参考值。
第二确定子模块43用于将确定的当前参考值作为目标触发阈值。
在一些实施例中，预测模块20包括输入子模块21和第三确定子模块22。
输入子模块21用于将多个设备的特征数据输入预先建立的预测模型。第三确定子模块22用于将预测模型的输出作为每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率。
在一些实施例中，该装置还包括训练模块60，用于训练预测模型。训练模块60可以包括获取子模块61和训练子模块62。
获取子模块61用于获取多个设备的样本对，样本对包括特征数据和标记值，标记值用于标记在特征数据采集时刻起的预定时间段内设备是否出现故障。训练子模块62用于基于多个设备的样本对，对预测模型进行训练。
在一些实施例中，在预测模型为lightGBM模型的情况下，训练模块60还包括选取子模块63，用于选取lightGBM模型中待分割的叶子节点上的数据集合。
选取子模块63可以包括第一计算子模块631和第四确定子模块632。
第一计算子模块631用于计算每个叶子节点上的数据集合中所有数据之间的相互距离之和。第四确定子模块632用于将数据之间的相互距离最大的数据集合作为待分割的叶子节点上的数据集合。
在一些实施例中，在预测模型为lightGBM模型的情况下，训练模块60还包括分割子模块64，用于按照以下方法对叶子节点上的第一数据集合进行分割得到叶子节点上的第二数据集合。
分割子模块64可以包括第二计算子模块641和第五确定子模块642。
第二计算子模块641用于计算第一数据集合中每个数据与其余各数据之间的距离之和。
第五确定子模块642用于将与其余各数据之间的距离之和最大的数据作为第二数据集合中的数据。
第二计算子模块641和第五确定子模块642，还用于重复执行如下步骤，直至差值为负值：计算第一数据集合中的每个数据点与第一数据集合中其余各数据之间的距离的均值作为第一数据，并计算第一数据集合中的每个数据点到第二数据集合中所有数据点的距离的均值作为第二数据，计算第一数据减去第二数据的差值；将差值最大的数据点划分至第二数据集合。
在一些实施例中，在预测模型为lightGBM模型的情况下，该装置还包括输入模块70、第二确定模块80和筛选模块90。
输入模块70用于将样本对输入lightGBM模型。
第二确定模块80用于确定每个类型的特征数据作为叶子节点***的次数。
筛选模块90用于根据***的次数筛选出多个类型的特征数据。
相应地，对lightGBM模型进行训练时，采用筛选出的多个类型的特征数据与标记值组成的样本对对lightGBM模型进行训练。
上述装置具体细节可以对应参阅图1至图7的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本发明实施例还提供了一种电子设备，如图9所示，该电子设备可以包括处理器91和存储器92，其中处理器91和存储器92可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器91可以为中央处理器(Central Processing Unit，CPU)。处理器91还可以为其他通用处理器、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、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器92作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的目标设备的确定方法对应的程序指令/模块(例如，图8所示的获取模块10、预测模块20、建立模块30、求解模块40和第一确定模块50)。处理器91通过运行存储在存储器92中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据分类，即实现上述方法实施例中的目标设备的确定方法。
存储器92可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器91所创建的数据等。此外，存储器92可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器92可选包括相对于处理器91远程设置的存储器，这些远程存储器可以通过网络连接至处理器91。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器92中，当被所述处理器91执行时，执行如图1至图3所示实施例中的目标设备的确定方法。
上述电子设备具体细节可以对应参阅图1至图7的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片2。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。
上述实施方式阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施方式的某些部分的方法。
本申请可用于众多通用或专用的计算机***环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施方式描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (11)
1.一种目标设备的确定方法，其特征在于，包括：
获取多个设备的特征数据；
根据所述多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率；
根据所述多个设备中各个设备出现故障的预测概率、各个设备故障情况下的维修成本、各个设备的保养成本，建立以保养触发阈值为变量的总成本目标函数；
求解所述总成本目标函数，将所述总成本目标函数取值最小时的保养触发阈值为目标触发阈值；
将出现故障的预测概率大于等于所述目标触发阈值的设备，作为需进行保养的目标设备。
2.根据权利要求1所述的方法，其特征在于，所述以保养触发阈值为变量的总成本目标函数，包括：
3.根据权利要求1所述的方法，其特征在于，所述求解所述总成本目标函数，将所述总成本目标函数取值最小时的保养触发阈值为目标触发阈值，包括：
以0至1作为目标区间，在所述目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入所述总成本目标函数，并求得总成本目标函数值；
选择最小的总成本目标函数值对应的保养触发阈值，作为参考值；
循环执行如下步骤直至确定的当前参考值与上一循环确定的当前参考值相等：以当前参考值为中心的预定长度的区间作为当前目标区间，在当前目标区间内每隔预定间隔选取一个数值作为保养触发阈值，代入所述总成本目标函数，并求得总成本目标函数值，选择最小的总成本目标函数值对应的保养触发阈值，作为当前参考值；
将确定的当前参考值作为所述目标触发阈值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率，包括：
将所述多个设备的特征数据输入预先建立的预测模型；
将预测模型的输出作为每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率。
5.根据权利要求4所述的方法，其特征在于，所述预测模型按照如下方式训练得到：
获取多个设备的样本对，所述样本对包括特征数据和标记值，所述标记值用于标记在所述特征数据采集时刻起的预定时间段内设备是否出现故障；
基于所述多个设备的样本对，对所述预测模型进行训练。
6.根据权利要求4所述的方法，其特征在于，在所述预测模型为lightGBM模型的情况下，选取所述lightGBM模型中待分割的叶子节点上的数据集合包括：
计算每个叶子节点上的数据集合中所有数据之间的相互距离之和；
将所述数据之间的相互距离最大的数据集合作为待分割的叶子节点上的数据集合。
7.根据权利要求5所述的方法，其特征在于，在所述预测模型为lightGBM模型的情况下，按照以下方法对叶子节点上的第一数据集合进行分割得到叶子节点上的第二数据集合：
计算第一数据集合中每个数据与其余各数据之间的距离之和；
将与其余各数据之间的距离之和最大的数据作为第二数据集合中的数据；
重复执行如下步骤，直至差值为负值：
计算第一数据集合中的每个数据点与所述第一数据集合中其余各数据之间的距离的均值作为第一数据，并计算第一数据集合中的每个数据点到所述第二数据集合中所有数据点的距离的均值作为第二数据，计算第一数据减去第二数据的差值；
将差值最大的数据点划分至第二数据集合。
8.根据权利要求5所述的方法，其特征在于，在基于所述多个设备的样本对，对lightGBM模型进行训练之前，还包括：
将所述样本对输入lightGBM模型；
确定每个类型的特征数据作为叶子节点***的次数；
根据所述***的次数筛选出多个类型的特征数据；
相应地，对lightGBM模型进行训练时，采用筛选出的多个类型的特征数据与标记值组成的样本对对lightGBM模型进行训练。
9.一种目标设备的确定装置，其特征在于，包括：
获取模块，包括获取多个设备的特征数据；
预测模块，包括根据所述多个设备的特征数据，得到每个设备在特征数据采集时刻起的预定时间段内出现故障的预测概率；
建立模块，用于根据所述多个设备中各个设备出现故障的预测概率、各个设备故障情况下的维修成本、各个设备的保养成本，建立以保养触发阈值为变量的总成本目标函数；
求解模块，用于求解所述总成本目标函数，将所述总成本目标函数取值最小时的保养触发阈值为目标触发阈值；
第一确定模块，用于将出现故障的预测概率大于等于所述目标触发阈值的设备，作为需进行保养的目标设备。
10.一种电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而实现权利要求1至8任一项所述方法的步骤。
11.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序指令，所述计算机程序指令被执行时实现权利要求1至8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004041.4A CN113705896A (zh) | 2021-08-30 | 2021-08-30 | 目标设备的确定方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004041.4A CN113705896A (zh) | 2021-08-30 | 2021-08-30 | 目标设备的确定方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705896A true CN113705896A (zh) | 2021-11-26 |
Family
ID=78656802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111004041.4A Pending CN113705896A (zh) | 2021-08-30 | 2021-08-30 | 目标设备的确定方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705896A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114185375A (zh) * | 2021-12-06 | 2022-03-15 | 安徽新科水处理设备有限公司 | 一种用于饮水台的水温监测控制*** |
| CN117409495A (zh) * | 2023-12-11 | 2024-01-16 | 北汽利戴工业技术服务(北京)有限公司 | 一种基于设备维修数据的最佳保养时间获取方法及*** |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
| CN108693868A (zh) * | 2018-05-25 | 2018-10-23 | 深圳市轱辘车联数据技术有限公司 | 故障预测模型训练的方法、车辆故障预测的方法及装置 |
| 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 |
| CN110765486A (zh) * | 2019-10-23 | 2020-02-07 | 南方电网科学研究院有限责任公司 | 一种资产故障识别方法 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN110929918A (zh) * | 2019-10-29 | 2020-03-27 | 国网重庆市电力公司南岸供电分公司 | 一种基于CNN和LightGBM的10kV馈线故障预测方法 |
| CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
| CN111489539A (zh) * | 2019-01-29 | 2020-08-04 | 珠海格力电器股份有限公司 | 家电***故障的预警方法、***及装置 |
| 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 |
| CN111898833A (zh) * | 2020-08-07 | 2020-11-06 | 中国人民解放军空军工程大学 | 多备件预防性更换策略方法、***、介质、计算机设备 |
| CN112348205A (zh) * | 2019-08-09 | 2021-02-09 | 比亚迪股份有限公司 | 轨道交通运维方法、装置、***、设备及介质 |
| CN112396250A (zh) * | 2020-11-30 | 2021-02-23 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
| CN112507516A (zh) * | 2020-11-02 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于可靠性的电气设备预防性维修优化方法及装置 |
| CN112606779A (zh) * | 2020-12-24 | 2021-04-06 | 东风汽车有限公司 | 一种汽车故障预警方法及电子设备 |
| CN112819182A (zh) * | 2021-01-22 | 2021-05-18 | 中国工商银行股份有限公司 | 一种钞盒状态预测模型的训练方法、装置及设备 |
| CN113256904A (zh) * | 2020-06-08 | 2021-08-13 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
-
2021
- 2021-08-30 CN CN202111004041.4A patent/CN113705896A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009692A (zh) * | 2017-12-26 | 2018-05-08 | 东软集团股份有限公司 | 设备维修信息处理方法、装置、计算机设备和存储介质 |
| CN108693868A (zh) * | 2018-05-25 | 2018-10-23 | 深圳市轱辘车联数据技术有限公司 | 故障预测模型训练的方法、车辆故障预测的方法及装置 |
| CN111489539A (zh) * | 2019-01-29 | 2020-08-04 | 珠海格力电器股份有限公司 | 家电***故障的预警方法、***及装置 |
| 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 |
| CN112348205A (zh) * | 2019-08-09 | 2021-02-09 | 比亚迪股份有限公司 | 轨道交通运维方法、装置、***、设备及介质 |
| CN110765486A (zh) * | 2019-10-23 | 2020-02-07 | 南方电网科学研究院有限责任公司 | 一种资产故障识别方法 |
| CN110929918A (zh) * | 2019-10-29 | 2020-03-27 | 国网重庆市电力公司南岸供电分公司 | 一种基于CNN和LightGBM的10kV馈线故障预测方法 |
| CN110851342A (zh) * | 2019-11-08 | 2020-02-28 | 中国工商银行股份有限公司 | 故障预测方法、装置、计算设备以及计算机可读存储介质 |
| CN110929934A (zh) * | 2019-11-22 | 2020-03-27 | 深圳市通用互联科技有限责任公司 | 设备故障预测方法、装置、计算机设备和存储介质 |
| 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 |
| CN113256904A (zh) * | 2020-06-08 | 2021-08-13 | 深圳怡化电脑股份有限公司 | 自助金融终端控制方法、装置、终端及可读介质 |
| CN111898833A (zh) * | 2020-08-07 | 2020-11-06 | 中国人民解放军空军工程大学 | 多备件预防性更换策略方法、***、介质、计算机设备 |
| CN112507516A (zh) * | 2020-11-02 | 2021-03-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于可靠性的电气设备预防性维修优化方法及装置 |
| CN112396250A (zh) * | 2020-11-30 | 2021-02-23 | 中船动力研究院有限公司 | 一种柴油机故障预测方法、装置、设备及存储介质 |
| CN112606779A (zh) * | 2020-12-24 | 2021-04-06 | 东风汽车有限公司 | 一种汽车故障预警方法及电子设备 |
| CN112819182A (zh) * | 2021-01-22 | 2021-05-18 | 中国工商银行股份有限公司 | 一种钞盒状态预测模型的训练方法、装置及设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114185375A (zh) * | 2021-12-06 | 2022-03-15 | 安徽新科水处理设备有限公司 | 一种用于饮水台的水温监测控制*** |
| CN117409495A (zh) * | 2023-12-11 | 2024-01-16 | 北汽利戴工业技术服务(北京)有限公司 | 一种基于设备维修数据的最佳保养时间获取方法及*** |
| CN117409495B (zh) * | 2023-12-11 | 2024-02-20 | 北汽利戴工业技术服务(北京)有限公司 | 一种基于设备维修数据的最佳保养时间获取方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200218973A1 (en) | Deep convolutional neural network based anomaly detection for transactive energy systems | |
| US20100318846A1 (en) | System and method for incident management enhanced with problem classification for technical support services | |
| CN103116531A (zh) | 存储***故障预测方法和装置 | |
| US20160055044A1 (en) | Fault analysis method, fault analysis system, and storage medium | |
| US11307916B2 (en) | Method and device for determining an estimated time before a technical incident in a computing infrastructure from values of performance indicators | |
| CN108334997B (zh) | 基于支撑故障事件约束机组组合的备用优化方法和装置 | |
| US11860721B2 (en) | Utilizing automatic labelling, prioritizing, and root cause analysis machine learning models and dependency graphs to determine recommendations for software products | |
| CN104021264A (zh) | 一种缺陷预测方法及装置 | |
| CN113705896A (zh) | 目标设备的确定方法、装置及电子设备 | |
| CN105488539A (zh) | 分类模型的生成方法及装置、***容量的预估方法及装置 | |
| CN114580263A (zh) | 基于知识图谱的信息***故障预测方法及相关设备 | |
| US11736363B2 (en) | Techniques for analyzing a network and increasing network availability | |
| JP2019049802A (ja) | 障害解析支援装置、インシデント管理システム、障害解析支援方法及びプログラム | |
| CN111027591B (zh) | 一种面向大规模集群***的节点故障预测方法 | |
| CN115373879A (zh) | 一种面向大规模云数据中心智能运维的磁盘故障预测方法 | |
| US11651271B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using likelihood ratios | |
| CN101495978B (zh) | 减少总线连接的消费者和产生者之间的消息流 | |
| Wladdimiro et al. | Disaster management platform to support real-time analytics | |
| CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
| CN113569955A (zh) | 一种模型训练方法、用户画像生成方法、装置及设备 | |
| CN113487103A (zh) | 模型更新方法、装置、设备及存储介质 | |
| CN113535522A (zh) | 一种异常情况的检测方法、装置和设备 | |
| US11636377B1 (en) | Artificial intelligence system incorporating automatic model updates based on change point detection using time series decomposing and clustering | |
| Zhang et al. | Building marginal pattern library with unbiased training dataset for enhancing model-free load-ED mapping | |
| CN111783487A (zh) | 一种读卡器设备的故障预警方法及装置 |
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 |