CN117010601B - 数据处理方法、装置、计算机设备及计算机可读存储介质 - Google Patents
数据处理方法、装置、计算机设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117010601B CN117010601B CN202311268915.6A CN202311268915A CN117010601B CN 117010601 B CN117010601 B CN 117010601B CN 202311268915 A CN202311268915 A CN 202311268915A CN 117010601 B CN117010601 B CN 117010601B
- Authority
- CN
- China
- Prior art keywords
- inspection
- equipment
- data
- inspected
- derivative
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000007689 inspection Methods 0.000 claims abstract description 317
- 238000012423 maintenance Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000032683 aging Effects 0.000 claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 43
- 238000001514 detection method Methods 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000005057 refrigeration 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/10—Office automation; Time management
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种数据处理方法、装置、计算机设备及计算机可读存储介质,该方法通过获取巡检指令,并基于巡检指令获取待巡检设备的设备信息,设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对设备信息进行数据分析,确定各待巡检设备的第一衍生特征,第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据,提高了自动巡检地准确率和效率。
Description
技术领域
本申请涉及计算机数据处理技术领域,具体涉及一种数据处理方法、装置、计算机设备及计算机可读存储介质。
背景技术
在生产过程中,设备、工具等资产一旦运行中出现异常或故障,轻则造成高昂的维修成本、影响企业生产,重则造成人身伤害、引发社会危机。为保障设备正常运行,将隐患处理在萌芽状态,很多企业安排专业人员对设备进行巡检、为每一台设备建立维修保养计划,这都是维护设备正常运行的重要举措。
然而,现有资产巡检主要是通过人工方式对资产逐个进行巡检,在资产数量庞大或巡检属性一致的情况下会浪费大量的时间,因此其巡检效率低下,且准确率低。
因此,如何提高资产巡检效率和准确率,是当前计算机数据处理技术领域亟需解决的技术问题。
发明内容
本申请提供一种数据处理方法、装置、计算机设备及计算机可读存储介质,旨在解决如何提高资产巡检效率和准确率的技术问题。
一方面,本申请提供一种数据处理方法,所述方法包括:
获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;
对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;
基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;
基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
可选地,所述基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略,包括:
基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次;
获取各待巡检设备由人工预先添加的第二巡检指标项以及第二巡检指标项的巡检频次;
基于所述第一巡检指标项以及第一巡检指标项的巡检频次和所述第二巡检指标项以及第二巡检指标项的巡检频次,确定用于对各待巡检设备进行巡检的第一巡检策略。
可选地,所述基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次,包括:
基于所述第一衍生特征和预置的衍生特征和巡检关系映射表,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次。
可选地,所述设备信息包括文字类型数据、图像类型数据或语音类型数据中的至少一种,所述对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,包括:
将所述设备信息中的各类数据进行特征提取,得到相应的初始数据特征;
将所有初始数据特征进行融合处理,得到各待巡检设备的第一衍生特征。
可选地,在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,所述方法还包括:
基于所述目标巡检数据,确定各待巡检设备的第二衍生特征;
将所述第二衍生特征输入预先训练的异常检测模型,得到各待巡检设备的异常检测数据;
将所述第二衍生特征输入预先训练的故障概率预测模型中,得到各待巡检设备的故障概率预测数据;
将所述第二衍生特征输入预先训练的耗损程度预测模型中,得到各待巡检设备的耗损程度数据;
基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略。
可选地,所述基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略,包括:
基于所述异常检测数据和预置的异常阈值,确定各待巡检设备的异常特征;
基于所述故障概率预测数据和预置的故障阈值,确定各待巡检设备的故障概率预测特征;
基于所述耗损程度数据和阈值的耗损程度阈值,确定各待巡检设备的耗损程度特征;
对所述异常特征、所述故障概率预测特征以及耗损程度特征进行加权拟合,得到拟合结果;
基于所述拟合结果,调整所述第一巡检策略。
可选地,基于所述拟合结果,调整所述第一巡检策略,包括:
若所述拟合结果大于或小于预置的拟合阈值,则基于预置的调整策略调整所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次;
若所述拟合结果等于预置的拟合阈值,则保持所述第一巡检策略不变。
另一方面,本申请提供一种数据处理装置,所述装置包括:
第一获取单元和第二获取单元,分别用于获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;
第一确定单元,用于对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;
第二确定单元,用于基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;
第一巡检单元,用于基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
可选地,所述第二确定单元,具体包括:
第三确定单元,用于基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次;
第三获取单元,用于获取各待巡检设备由人工预先添加的第二巡检指标项以及第二巡检指标项的巡检频次;
第四确定单元,用于基于所述第一巡检指标项以及第一巡检指标项的巡检频次和所述第二巡检指标项以及第二巡检指标项的巡检频次,确定用于对各待巡检设备进行巡检的第一巡检策略。
可选地,所述第三确定单元,具体用于:
基于所述第一衍生特征和预置的衍生特征和巡检关系映射表,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次。
可选地,所述设备信息包括文字类型数据、图像类型数据或语音类型数据中的至少一种,所述第一确定单元,具体用于:
将所述设备信息中的各类数据进行特征提取,得到相应的初始数据特征;
将所有初始数据特征进行融合处理,得到各待巡检设备的第一衍生特征。
可选地,在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,所述装置还包括:
第五确定单元,用于基于所述目标巡检数据,确定各待巡检设备的第二衍生特征;
第一输入单元,用于将所述第二衍生特征输入预先训练的异常检测模型,得到各待巡检设备的异常检测数据;
第二输入单元,用于将所述第二衍生特征输入预先训练的故障概率预测模型中,得到各待巡检设备的故障概率预测数据;
第三输入单元,用于将所述第二衍生特征输入预先训练的耗损程度预测模型中,得到各待巡检设备的耗损程度数据;
第一调整单元,用于基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略。
可选地,所述第一调整单元,具体包括:
第六确定单元,用于基于所述异常检测数据和预置的异常阈值,确定各待巡检设备的异常特征;
第七确定单元,用于基于所述故障概率预测数据和预置的故障阈值,确定各待巡检设备的故障概率预测特征;
第八确定单元,用于基于所述耗损程度数据和阈值的耗损程度阈值,确定各待巡检设备的耗损程度特征;
加权拟合单元,用于对所述异常特征、所述故障概率预测特征以及耗损程度特征进行加权拟合,得到拟合结果;
第二调整单元,用于基于所述拟合结果,调整所述第一巡检策略。
可选地,基于所述拟合结果,调整所述第一巡检策略,具体用于:
若所述拟合结果大于或小于预置的拟合阈值,则基于预置的调整策略调整所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次;
若所述拟合结果等于预置的拟合阈值,则保持所述第一巡检策略不变。
另一方面,本申请还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的数据处理方法。
另一方面,本申请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进行加载,以执行所述的数据处理方法中的步骤。
本申请提供的数据处理方法,具体包括获取巡检指令,并基于巡检指令获取待巡检设备的设备信息,设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对设备信息进行数据分析,确定各待巡检设备的第一衍生特征,第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据,具体的,本申请实施例通过对设备信息进行特征工程处理,将其转换为衍生特征数据,并充分地考虑了待巡检设备的多个巡检维度,如设备类型特征、使用率特征、老化程度特征以及故障频率特征,结合其衍生特征数据确定出用于对各待巡检设备进行自动巡检的第一巡检策略,实现了对各待巡检设备地智能巡检方案,由于考虑到各待巡检设备的独特性,并针对不同待巡检设备的独特性采取不同的巡检策略,从而提高了自动巡检地准确率和效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的一些实施例,对于本领域技术人员来讲,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是本申请实施例提供的数据处理***的场景示意图;
图2是本申请实施例中提供的数据处理方法的一个实施例流程示意图;
图3是本申请实施例中提供的数据处理装置的一个实施例结构示意图;
图4是本申请实施例中提供的计算机设备的一个实施例结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本申请,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种数据处理方法、装置、计算机设备及计算机可读存储介质,以下分别进行详细说明。
如图1所示,图1是本申请实施例提供的数据处理***的场景示意图,该数据处理***可以包括计算机设备100,计算机设备100中集成有数据处理装置,如图1中的计算机设备100。
本申请实施例中计算机设备100主要用于获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
本申请实施例中,该计算机设备100可以为终端或者服务器,当计算机设备100为服务器时,可以是独立的服务器,也可以是服务器组成的服务器网络或服务器集群,例如,本申请实施例中所描述的计算机设备100,其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器以构建的云服务器。其中,云服务器由基于云计算(Cloud Computing)的大量计算机或网络服务器以构建。
可以理解的是,本申请实施例中计算机设备100为终端时,所使用的终端可以是既包括接收和发射硬件的设备,即具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的计算机设备100具体可以是台式终端或移动终端,计算机设备100具体还可以是手机、平板电脑、笔记本电脑、医疗辅助仪器等中的一种。
本领域技术人员可以理解,图1中示出的应用环境,仅仅是与本申请方案一种应用场景,并不以构建对本申请方案应用场景的限定,其他的应用环境还可以包括比图1中所示更多或更少的计算机设备,例如图1中仅示出1个计算机设备,可以理解的,该数据处理***还可以包括一个或多个其他计算机设备,具体此处不作限定。
另外,如图1所示,该数据处理***还可以包括存储器200,用于存储数据,如存储待巡检设备的设备信息和数据处理数据,例如数据处理***运行时的数据处理数据。
需要说明的是,图1所示的数据处理***的场景示意图仅仅是一个示例,本申请实施例描述的数据处理***以及场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着数据处理***的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
接下来,介绍本申请实施例提供的数据处理方法。
本申实施例数据处理方法的实施例中以数据处理装置作为执行主体,为了简化与便于描述,后续方法实施例中将省略该执行主体,该数据处理装置应用于计算机设备,该方法包括:获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
请参阅图2至图4,图2为本申请实施例中提供的数据处理方法的一个实施例流程示意图,该数据处理方法包括:
201、获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息。
其中,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;
设备基础信息可以包括如下内容:设备名称:设备的通用名称或型号。 设备制造商:制造设备的公司或组织。设备序列号:设备的唯一标识符,用于追踪和识别设备。设备型号:设备的具体型号或规格。设备描述:设备的特点、功能和规格的简要描述。设备分类:设备所属的类别或类型,如电子设备、机械设备等。设备状态:设备的当前状态,如正常、维修中、停用等。设备位置:设备所在的位置或地点。设备安装日期:设备安装或投入使用的日期。
由数据采集设备采集的设备运行数据可以包括如下内容:温度:设备的温度数据,可以用来监测设备是否过热或过冷。压力:设备的压力数据,可以用来监测设备是否正常工作。湿度:设备周围环境的湿度数据,可以用来判断设备是否处于适宜的工作环境。电流:设备的电流数据,可以用来监测设备的电力消耗情况。电压:设备的电压数据,可以用来监测设备的电力供应情况。震动:设备的震动数据,可以用来检测设备是否发生异常振动。声音:设备周围的声音数据,可以用来检测设备是否发出异常。
历史维护数据可以包括如下内容:维护日期:进行维护的日期和时间。维护类型:维护的具体类型,如预防性维护、故障维修、定期保养等。维护人员:执行维护工作的人员或团队。维护描述:对维护工作的简要描述,包括维护的具体内容和操作步骤。维护耗时:维护工作所需的时间。维护材料:用于维护的材料、工具或零部件的清单。维护费用:维护工作所产生的费用,包括人工费、材料费等。维护结果:维护工作的结果,如修复了故障。
历史巡检数据可以包括如下内容:巡检日期:进行巡检的日期和时间。巡检地点:进行巡检的具***置或设备编号。巡检内容:巡检的具体项目或检查点,如设备状态、连接情况、传感器读数等。巡检结果:对每个巡检项目的结果进行记录,如正常、异常、需要维修等。异常描述:如果发现异常情况,对异常的具体描述和问题的性质进行记录。处理措施:针对异常情况采取的处理措施,如维修、更换部件等。巡检备注:对巡检过程中的其他重要信息或备注进行记录,如特殊情况、建议等。巡检图片。
本申请实施例中,待巡检设备包括但不限于为企业提供服务的设备、机器、工具。这些待巡检设备通过直接和间接的方式与数据处理装置相连接,例如一些联网的计算机设备、打印设备,是直接与该数据处理装置通信连接,而对于一些未联网的工具设备,如制冷或制热设备,可以通过在设备相应位置设置传感设备,通过传感设备与数据处理装置实现间接连接。
在本申请的一些实施例中,当接数据处理装置接收到巡检指令后,***将会开始执行巡检操作,具体的,获取待巡检设备的设备信息,可以通过读取、调用的方式获取,具体获取方式取决于待巡检设备与数据处理装置的连接关系。
202、对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征。
其中,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;
可选地,所述设备信息包括文字类型数据、图像类型数据或语音类型数据中的至少一种,例如,设备信息中的历史维护数据中包括有对被维护设备的故障部位进行维护前的图像和维护后的图像,又或者设备信息中的设备运行数据包括有对风扇设备的噪音监控数据,具体的,所述对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,包括:将所述设备信息中的各类数据进行特征提取,得到相应的初始数据特征;将所有初始数据特征进行融合处理,得到各待巡检设备的第一衍生特征。
在本申请的一些实施例中,可以采用预置的特征提取模型,将所述设备信息中的各类数据进行特征提取,得到相应的初始数据特征,例如,文本数据可以通过词嵌入的方式转换为特征向量,视频和音频数据可以通过卷积神经网络和循环神经网络提取特征。可以理解的是,上述模型的架构包含了三种数据类型的输入(图像、文本、语音),并且根据不同的数据类型拆分成不同的模型进行学习。为了能够将这些数据输入到深度学习模型中进行学习,需要先将它们转换成数字类型的向量。这个过程称为特征工程,其目的是将原始数据转换成能够被深度学习模型所理解的特征向量。具体来说,对于图像数据,可以使用卷积神经网络(CNN)来提取特征;对于文本数据,可以使用词嵌入(Word Embedding)等技术将单词转换成向量表示;对于语音数据,可以使用声学特征提取技术,如Mel频率倒谱系数(MFCC)等来提取特征。经过特征工程处理后,这些数据就可以被送入相应的模型进行学习。
在本申请的一些实施例中,在模型的输出层,需要将三种模型所学***均(Weighted Average)等方式进行。具体的合并方法可以根据实际情况进行选择,以获得最佳的性能。
203、基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;
可选地,所述基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略,包括:基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次;获取各待巡检设备由人工预先添加的第二巡检指标项以及第二巡检指标项的巡检频次;基于所述第一巡检指标项以及第一巡检指标项的巡检频次和所述第二巡检指标项以及第二巡检指标项的巡检频次,确定用于对各待巡检设备进行巡检的第一巡检策略。
可选地,所述基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次,包括:基于所述第一衍生特征和预置的衍生特征和巡检关系映射表,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次。
其中,衍生特征和巡检关系映射表为一个映射表格形式,其中设置有多个衍生特征,每个衍生特征可以有多个等级,例如老化程度特征包括老化程度低、老化程度中低、老化程度中、老化程度中高以及老化程度高这五个等级,且每个衍生特征都对应设置有相应至少一个巡检指标项以及对应的巡检频次,例如当老化程度特征为老化程度高时,其对应的是巡检指标项至少包括温度、湿度、电压、散热器、电池状态等巡检条件的巡检指标项,且每个巡检指标项对应的巡检频次为最高频次,如3次/每小时。
可选地,获取各待巡检设备由人工预先添加的第二巡检指标项以及第二巡检指标项的巡检频次,具体的,对于包含自定义巡检属性,需要手动记录的巡检项,用户可以通过预置的微信小程序扫码填写巡检信息,记录巡检结果,并将其作为第二巡检指标项。
204、基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
本申请提供的数据处理方法,具体包括获取巡检指令,并基于巡检指令获取待巡检设备的设备信息,设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对设备信息进行数据分析,确定各待巡检设备的第一衍生特征,第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据,具体的,本申请实施例通过对设备信息进行特征工程处理,将其转换为衍生特征数据,并充分地考虑了待巡检设备的多个巡检维度,如设备类型特征、使用率特征、老化程度特征以及故障频率特征,结合其衍生特征数据确定出用于对各待巡检设备进行自动巡检的第一巡检策略,实现了对各待巡检设备地智能巡检方案,由于考虑到各待巡检设备的独特性,并针对不同待巡检设备的独特性采取不同的巡检策略,从而提高了自动巡检地准确率和效率。
在本申请的其他实施例中,在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,所述方法还包括:基于所述目标巡检数据,确定各待巡检设备的第二衍生特征;将所述第二衍生特征输入预先训练的异常检测模型,得到各待巡检设备的异常检测数据;将所述第二衍生特征输入预先训练的故障概率预测模型中,得到各待巡检设备的故障概率预测数据;将所述第二衍生特征输入预先训练的耗损程度预测模型中,得到各待巡检设备的耗损程度数据;基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略。
在本申请的一些实施例中,上述预先训练的异常检测模型的训练:可以使用机器学习算法训练异常检测模型。其异常检测算法包括但不限于基于统计的方法(如箱线图、Z-score等)、基于聚类的方法(如K-means、DBSCAN等)、基于分类的方法(如支持向量机、随机森林等);上述预先训练的故障概率预测模型的训练:可以使用机器学习算法训练故障概率预测模型。具体可以使用监督学习算法,将已知的故障样本和正常样本进行训练,例如使用逻辑回归、决策树、神经网络等;同理,上述预先训练的耗损程度预测模型的训练也可使用机器学习算法训练耗损程度预测模型,其算法包括但不限于基于统计的方法(如箱线图、Z-score等)、基于聚类的方法(如K-means、DBSCAN等)、基于分类的方法(如支持向量机、随机森林等)。
在本申请的一些实施例中,在训练上述模型过程中,还可对模型进行评估和调优:具体的,使用评估指标(如准确率、召回率、F1值等)对训练好的模型进行评估,并进行调优。可以使用交叉验证、网格搜索等技术来选择最佳的模型参数。
可选地,可以采用同步骤202中对数据处理方式,基于所述目标巡检数据,确定各待巡检设备的第二衍生特征,具体可参阅上述实施例,在此不做赘述。
在本申请的一些实施例中,可对上述模型进行部署和监控,具体的,将训练好的模型部署到实际环境中,并进行实时监控。根据实际情况,定期更新模型,并根据新的数据进行重新训练和调优。
可选地,所述基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略,包括:基于所述异常检测数据和预置的异常阈值,确定各待巡检设备的异常特征;基于所述故障概率预测数据和预置的故障阈值,确定各待巡检设备的故障概率预测特征;基于所述耗损程度数据和阈值的耗损程度阈值,确定各待巡检设备的耗损程度特征;对所述异常特征、所述故障概率预测特征以及耗损程度特征进行加权拟合,得到拟合结果,基于所述拟合结果,调整所述第一巡检策略。
其中,上述异常阈值、故障阈值以及耗损程度阈值是通过预先计算好的,具体可根据实际需求进行调整。
可选地,上述基于所述异常检测数据和预置的异常阈值,确定各待巡检设备的异常特征,包括:将异常检测数据与预置的异常阈值进行比较,然后将比较的结果映射至异常特征,例如,当比较的结果为异常检测数据大于预置的异常阈值,则确定该待巡检设备的异常特征为异常,反之为正常。
同理,上述基于所述故障概率预测数据和预置的故障阈值,确定各待巡检设备的故障概率预测特征;基于所述耗损程度数据和阈值的耗损程度阈值,确定各待巡检设备的耗损程度特征;这两个具体实施方式的原理同上述确定各待巡检设备的异常特征,在此不做赘述。
可选地,基于所述拟合结果,调整所述第一巡检策略,包括:若所述拟合结果大于或小于预置的拟合阈值,则基于预置的调整策略调整所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次;若所述拟合结果等于预置的拟合阈值,则保持所述第一巡检策略不变。
具体地,预置的调整策略为,当所述拟合结果大于预置的拟合阈值时,则可增加所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次;当所述拟合结果小于预置的拟合阈值时,则可缩减所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次。
本申请实施例中,通过对异常检测数据、所述故障概率预测数据以及耗损程度数据进行综合分析,从多个维度得出各待巡检设备的实际运行情况以及预测情况,从而可以精确地优化后续巡检策略,提高巡检准确度和效率。
在本申请的一些实施例中,在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,所述方法还可包括:对所述目标巡检数据进行风险评估,具体可以通过对巡检结果中的安全和合规数据进行分析,可以评估资产的风险水平。
本申请实施例通过对所述目标巡检数据进行风险评估,有助于及时发现潜在的安全隐患和合规问题,并采取相应的措施进行风险管理。
在本申请的一些具体实施例中,该***可运行在Linux服务器上,java版本为jdk8,后端使用的是SpringBoot2.2.1,前端使用的是VUE2.0;数据库用到了MySQL和Redis,用户端的功能主要包括资产管理、巡检管理、用户管理、报表管理四大模块;客户端分为PC端和微信小程序。
为了更好实施本申请实施例中数据处理方法,在数据处理方法基础之上,本申请实施例中还提供一种数据处理装置,如图3所示,所述数据处理装置300包括:
第一获取单元301和第二获取单元302,分别用于获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;
第一确定单元303,用于对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;
第二确定单元304,用于基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;
第一巡检单元305,用于基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
可选地,所述第二确定单元304,具体包括:
第三确定单元,用于基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次;
第三获取单元,用于获取各待巡检设备由人工预先添加的第二巡检指标项以及第二巡检指标项的巡检频次;
第四确定单元,用于基于所述第一巡检指标项以及第一巡检指标项的巡检频次和所述第二巡检指标项以及第二巡检指标项的巡检频次,确定用于对各待巡检设备进行巡检的第一巡检策略。
可选地,所述第三确定单元,具体用于:
基于所述第一衍生特征和预置的衍生特征和巡检关系映射表,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次。
可选地,所述设备信息包括文字类型数据、图像类型数据或语音类型数据中的至少一种,所述第一确定单元303,具体用于:
将所述设备信息中的各类数据进行特征提取,得到相应的初始数据特征;
将所有初始数据特征进行融合处理,得到各待巡检设备的第一衍生特征。
可选地,在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,所述装置还包括:
第五确定单元,用于基于所述目标巡检数据,确定各待巡检设备的第二衍生特征;
第一输入单元,用于将所述第二衍生特征输入预先训练的异常检测模型,得到各待巡检设备的异常检测数据;
第二输入单元,用于将所述第二衍生特征输入预先训练的故障概率预测模型中,得到各待巡检设备的故障概率预测数据;
第三输入单元,用于将所述第二衍生特征输入预先训练的耗损程度预测模型中,得到各待巡检设备的耗损程度数据;
第一调整单元,用于基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略。
可选地,所述第一调整单元,具体包括:
第六确定单元,用于基于所述异常检测数据和预置的异常阈值,确定各待巡检设备的异常特征;
第七确定单元,用于基于所述故障概率预测数据和预置的故障阈值,确定各待巡检设备的故障概率预测特征;
第八确定单元,用于基于所述耗损程度数据和阈值的耗损程度阈值,确定各待巡检设备的耗损程度特征;
加权拟合单元,用于对所述异常特征、所述故障概率预测特征以及耗损程度特征进行加权拟合,得到拟合结果;
第二调整单元,用于基于所述拟合结果,调整所述第一巡检策略。
可选地,基于所述拟合结果,调整所述第一巡检策略,具体用于:
若所述拟合结果大于或小于预置的拟合阈值,则基于预置的调整策略调整所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次;
若所述拟合结果等于预置的拟合阈值,则保持所述第一巡检策略不变。
本申请提供的数据处理装置,包括第一获取单元301和第二获取单元302,分别用于获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;第一确定单元303,用于对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;第二确定单元304,用于基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;第一巡检单元305,用于基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据,具体的,本申请实施例通过对设备信息进行特征工程处理,将其转换为衍生特征数据,并充分地考虑了待巡检设备的多个巡检维度,如设备类型特征、使用率特征、老化程度特征以及故障频率特征,结合其衍生特征数据确定出用于对各待巡检设备进行自动巡检的第一巡检策略,实现了对各待巡检设备地智能巡检方案,由于考虑到各待巡检设备的独特性,并针对不同待巡检设备的独特性采取不同的巡检策略,从而提高了自动巡检地准确率和效率。
除了上述介绍用于数据处理方法与装置之外,本申请实施例还提供一种计算机设备,其集成了本申请实施例所提供的任一种数据处理装置,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行上述数据处理方法实施例中任一实施例中所述的任一方法的操作。
本申请实施例还提供一种计算机设备,其集成了本申请实施例所提供的任一种数据处理装置。如图4所示,其示出了本申请实施例所涉及的计算机设备的结构示意图,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储单元402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的计算机设备结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储单元402内的软件程序和/或模块,以及调用存储在存储单元402的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储单元402可用于存储软件程序以及模块,处理器401通过运行存储在存储单元402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储单元402可主要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***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储单元402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储单元402还可以包括存储器控制器,以提供处理器401对存储单元402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理***与处理器401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本申请实施例中,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储单元402中,并由处理器401来运行存储在存储单元402中的应用程序,从而实现各种功能,如下:
获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
本申请提供的数据处理方法,具体包括获取巡检指令,并基于巡检指令获取待巡检设备的设备信息,设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对设备信息进行数据分析,确定各待巡检设备的第一衍生特征,第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据,具体的,本申请实施例通过对设备信息进行特征工程处理,将其转换为衍生特征数据,并充分地考虑了待巡检设备的多个巡检维度,如设备类型特征、使用率特征、老化程度特征以及故障频率特征,结合其衍生特征数据确定出用于对各待巡检设备进行自动巡检的第一巡检策略,实现了对各待巡检设备地智能巡检方案,由于考虑到各待巡检设备的独特性,并针对不同待巡检设备的独特性采取不同的巡检策略,从而提高了自动巡检地准确率和效率。
为此,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。该计算机可读存储介质中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种数据处理方法中的步骤。例如,该指令可以执行如下步骤:
获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据;对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种数据处理方法、装置、计算机设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (5)
1.一种数据处理方法,其特征在于,所述方法包括:
获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据,所述待巡检设备包括为企业提供服务的设备、机器、工具,所述设备运行数据包括设备的温度、压力、湿度、电流、电压、震动以及声音;
对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;
基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;
基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据;
所述设备信息包括文字类型数据、图像类型数据或语音类型数据中的至少一种,所述对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,包括:
将所述设备信息中的各类数据进行特征提取,得到相应的初始数据特征;
将所有初始数据特征进行融合处理,得到各待巡检设备的第一衍生特征;
其中,所述基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略,包括:
基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次;
获取各待巡检设备由人工预先添加的第二巡检指标项以及第二巡检指标项的巡检频次;
基于所述第一巡检指标项以及第一巡检指标项的巡检频次和所述第二巡检指标项以及第二巡检指标项的巡检频次,确定用于对各待巡检设备进行巡检的第一巡检策略;
在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,所述方法还包括:
基于所述目标巡检数据,确定各待巡检设备的第二衍生特征;
将所述第二衍生特征输入预先训练的异常检测模型,得到各待巡检设备的异常检测数据;
将所述第二衍生特征输入预先训练的故障概率预测模型中,得到各待巡检设备的故障概率预测数据;
将所述第二衍生特征输入预先训练的耗损程度预测模型中,得到各待巡检设备的耗损程度数据;
基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略;
所述基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略,包括:
基于所述异常检测数据和预置的异常阈值,确定各待巡检设备的异常特征;
基于所述故障概率预测数据和预置的故障阈值,确定各待巡检设备的故障概率预测特征;
基于所述耗损程度数据和预置的耗损程度阈值,确定各待巡检设备的耗损程度特征;
对所述异常特征、所述故障概率预测特征以及耗损程度特征进行加权拟合,得到拟合结果;
基于所述拟合结果,调整所述第一巡检策略;
在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,所述方法还包括:
对所述目标巡检数据进行风险评估;
所述基于所述拟合结果,调整所述第一巡检策略,包括:
若所述拟合结果大于或小于预置的拟合阈值,则基于预置的调整策略调整所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次;
若所述拟合结果等于预置的拟合阈值,则保持所述第一巡检策略不变。
2.根据权利要求1所述的数据处理方法,其特征在于,所述基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次,包括:
基于所述第一衍生特征和预置的衍生特征和巡检关系映射表,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次。
3.一种数据处理装置,其特征在于,所述装置包括:
第一获取单元和第二获取单元,分别用于获取巡检指令,并基于所述巡检指令获取待巡检设备的设备信息,所述设备信息包括设备基础数据、由数据采集设备采集的设备运行数据、历史维护数据以及历史巡检数据,所述待巡检设备包括为企业提供服务的设备、机器、工具,所述设备运行数据包括设备的温度、压力、湿度、电流、电压、震动以及声音;
第一确定单元,用于对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,所述第一衍生特征包括各待巡检设备的设备类型特征、使用率特征、老化程度特征以及故障频率特征;
第二确定单元,用于基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略;
第一巡检单元,用于基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据;
所述设备信息包括文字类型数据、图像类型数据或语音类型数据中的至少一种,所述对所述设备信息进行数据分析,确定各待巡检设备的第一衍生特征,包括:
将所述设备信息中的各类数据进行特征提取,得到相应的初始数据特征;
将所有初始数据特征进行融合处理,得到各待巡检设备的第一衍生特征;
其中,所述基于所述第一衍生特征,确定用于对各待巡检设备进行巡检的第一巡检策略,包括:
基于所述第一衍生特征,从预置的第一数据库中确定各待巡检设备的第一巡检指标项以及第一巡检指标项的巡检频次;
获取各待巡检设备由人工预先添加的第二巡检指标项以及第二巡检指标项的巡检频次;
基于所述第一巡检指标项以及第一巡检指标项的巡检频次和所述第二巡检指标项以及第二巡检指标项的巡检频次,确定用于对各待巡检设备进行巡检的第一巡检策略;
在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,还包括:
基于所述目标巡检数据,确定各待巡检设备的第二衍生特征;
将所述第二衍生特征输入预先训练的异常检测模型,得到各待巡检设备的异常检测数据;
将所述第二衍生特征输入预先训练的故障概率预测模型中,得到各待巡检设备的故障概率预测数据;
将所述第二衍生特征输入预先训练的耗损程度预测模型中,得到各待巡检设备的耗损程度数据;
基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略;
所述基于所述异常检测数据、所述故障概率预测数据以及耗损程度数据,调整所述第一巡检策略,包括:
基于所述异常检测数据和预置的异常阈值,确定各待巡检设备的异常特征;
基于所述故障概率预测数据和预置的故障阈值,确定各待巡检设备的故障概率预测特征;
基于所述耗损程度数据和预置的耗损程度阈值,确定各待巡检设备的耗损程度特征;
对所述异常特征、所述故障概率预测特征以及耗损程度特征进行加权拟合,得到拟合结果;
基于所述拟合结果,调整所述第一巡检策略;
在基于所述第一巡检策略,对各待巡检设备进行巡检,得到各待巡检设备的目标巡检数据之后,还包括:
对所述目标巡检数据进行风险评估;
所述基于所述拟合结果,调整所述第一巡检策略,包括:
若所述拟合结果大于或小于预置的拟合阈值,则基于预置的调整策略调整所述第一巡检策略中的巡检项的数量和各巡检项的巡检频次;
若所述拟合结果等于预置的拟合阈值,则保持所述第一巡检策略不变。
4.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至2中任一项所述的数据处理方法。
5.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至2任一项所述的数据处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311268915.6A CN117010601B (zh) | 2023-09-28 | 2023-09-28 | 数据处理方法、装置、计算机设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311268915.6A CN117010601B (zh) | 2023-09-28 | 2023-09-28 | 数据处理方法、装置、计算机设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117010601A CN117010601A (zh) | 2023-11-07 |
CN117010601B true CN117010601B (zh) | 2024-01-19 |
Family
ID=88574729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311268915.6A Active CN117010601B (zh) | 2023-09-28 | 2023-09-28 | 数据处理方法、装置、计算机设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010601B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745037A (zh) * | 2024-02-18 | 2024-03-22 | 成都颐讯科技有限公司 | 一种针对巡检内容的自定义配置方法及其*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003228618A (ja) * | 2002-02-06 | 2003-08-15 | Toppan Printing Co Ltd | 非接触icタグを用いた定期巡回業務管理方法 |
CN110908370A (zh) * | 2019-10-31 | 2020-03-24 | 华能国际电力股份有限公司海门电厂 | 一种火电厂无人巡检任务规划方法及其*** |
CN112990870A (zh) * | 2021-03-16 | 2021-06-18 | 广东核电合营有限公司 | 基于核电设备的巡检文件生成方法、装置和计算机设备 |
CN113537415A (zh) * | 2021-09-17 | 2021-10-22 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多信息融合的换流站巡检方法、装置和计算机设备 |
CN113761234A (zh) * | 2021-07-29 | 2021-12-07 | 湖南五凌电力科技有限公司 | 水电厂设备的巡检方法、装置、电子设备及存储介质 |
WO2022095616A1 (zh) * | 2020-11-03 | 2022-05-12 | 国网智能科技股份有限公司 | 一种变电站在线智能巡视***及方法 |
CN114647551A (zh) * | 2022-03-11 | 2022-06-21 | 成都飞机工业(集团)有限责任公司 | 一种数据库自动化巡检方法、装置、设备及介质 |
CN114662953A (zh) * | 2022-03-30 | 2022-06-24 | 北京软通智慧科技有限公司 | 物联网设备运维方法、装置、设备及介质 |
CN115018513A (zh) * | 2022-05-27 | 2022-09-06 | 平安银行股份有限公司 | 数据巡检方法、装置、设备及存储介质 |
CN115222278A (zh) * | 2022-07-29 | 2022-10-21 | 福建省海峡智汇科技有限公司 | 一种机器人智慧巡检的方法和*** |
WO2023087599A1 (zh) * | 2021-11-18 | 2023-05-25 | 维谛技术有限公司 | 一种数据中心自动巡检方法、装置、设备及介质 |
CN116645082A (zh) * | 2023-05-26 | 2023-08-25 | 太平金融科技服务(上海)有限公司深圳分公司 | 一种***巡检方法、装置、设备以及存储介质 |
CN116778836A (zh) * | 2023-06-06 | 2023-09-19 | 西安诺瓦星云科技股份有限公司 | 显示***的信息监控方法、***、装置和存储介质 |
CN116805212A (zh) * | 2023-08-24 | 2023-09-26 | 北京智盟信通科技有限公司 | 适用于电网主设备的风险数据处理方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8028204B2 (en) * | 2009-03-20 | 2011-09-27 | Xerox Corporation | Method and system for maintenance of a data-processing apparatus |
US20220027762A1 (en) * | 2020-07-22 | 2022-01-27 | The Boeing Company | Predictive maintenance model design system |
-
2023
- 2023-09-28 CN CN202311268915.6A patent/CN117010601B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003228618A (ja) * | 2002-02-06 | 2003-08-15 | Toppan Printing Co Ltd | 非接触icタグを用いた定期巡回業務管理方法 |
CN110908370A (zh) * | 2019-10-31 | 2020-03-24 | 华能国际电力股份有限公司海门电厂 | 一种火电厂无人巡检任务规划方法及其*** |
WO2022095616A1 (zh) * | 2020-11-03 | 2022-05-12 | 国网智能科技股份有限公司 | 一种变电站在线智能巡视***及方法 |
CN112990870A (zh) * | 2021-03-16 | 2021-06-18 | 广东核电合营有限公司 | 基于核电设备的巡检文件生成方法、装置和计算机设备 |
CN113761234A (zh) * | 2021-07-29 | 2021-12-07 | 湖南五凌电力科技有限公司 | 水电厂设备的巡检方法、装置、电子设备及存储介质 |
CN113537415A (zh) * | 2021-09-17 | 2021-10-22 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多信息融合的换流站巡检方法、装置和计算机设备 |
WO2023087599A1 (zh) * | 2021-11-18 | 2023-05-25 | 维谛技术有限公司 | 一种数据中心自动巡检方法、装置、设备及介质 |
CN114647551A (zh) * | 2022-03-11 | 2022-06-21 | 成都飞机工业(集团)有限责任公司 | 一种数据库自动化巡检方法、装置、设备及介质 |
CN114662953A (zh) * | 2022-03-30 | 2022-06-24 | 北京软通智慧科技有限公司 | 物联网设备运维方法、装置、设备及介质 |
CN115018513A (zh) * | 2022-05-27 | 2022-09-06 | 平安银行股份有限公司 | 数据巡检方法、装置、设备及存储介质 |
CN115222278A (zh) * | 2022-07-29 | 2022-10-21 | 福建省海峡智汇科技有限公司 | 一种机器人智慧巡检的方法和*** |
CN116645082A (zh) * | 2023-05-26 | 2023-08-25 | 太平金融科技服务(上海)有限公司深圳分公司 | 一种***巡检方法、装置、设备以及存储介质 |
CN116778836A (zh) * | 2023-06-06 | 2023-09-19 | 西安诺瓦星云科技股份有限公司 | 显示***的信息监控方法、***、装置和存储介质 |
CN116805212A (zh) * | 2023-08-24 | 2023-09-26 | 北京智盟信通科技有限公司 | 适用于电网主设备的风险数据处理方法及*** |
Non-Patent Citations (2)
Title |
---|
中国水力发电工程学会梯级调度控制专业委员会.2008年学术交流论文集.长江出版社,2009,第426页. * |
王淑萍.建筑消防安全管理.华中科技大学出版社,2015,第154页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117010601A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573845B (zh) | 信息***设备状态检修辅助决策方法 | |
CN117010601B (zh) | 数据处理方法、装置、计算机设备及计算机可读存储介质 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
US20100152878A1 (en) | System for maintaining and analyzing manufacturing equipment and method thereof | |
CN101999101B (zh) | ***运行预测的确定方法 | |
WO2014078829A1 (en) | Assessment of power system equipment for equipment maintenance and/or risk mitigation | |
CN114254879B (zh) | 多传感器信息融合的电力设备安全诊断方法和装置 | |
CN111949646B (zh) | 基于大数据的设备运行状况分析方法、装置、设备及介质 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN114002332A (zh) | 一种结构损伤监测预警方法及结构完整性数字孪生*** | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及*** | |
US7412430B1 (en) | Determining the quality of computer software | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
CN116578041B (zh) | 一种用于cnc控制器的数据处理方法 | |
CN116993326A (zh) | 一种智能化设备全生命周期监控方法及*** | |
CN114837902B (zh) | 一种风电机组健康度评估方法、***、设备和介质 | |
RU2719467C1 (ru) | Способ комплексного контроля состояния многопараметрического объекта по разнородной информации | |
CN117112336A (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN110852621A (zh) | 电力客户负荷特性分析及分类方法、装置及可读存储介质 | |
CN116227676A (zh) | 生产设备能耗分析方法、装置、电子设备及存储介质 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Nemani et al. | Health index construction with feature fusion optimization for predictive maintenance of physical systems | |
CN112256830B (zh) | 一种设备排查信息获取方法、装置和设备故障排查*** | |
Nguyen | Feature Engineering and Health Indicator Construction for Fault Detection and Diagnostic |
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 |