[發明專利]基于自販機的檢修時間預測方法、裝置、設備及存儲介質

在審

• 申請號: 201811545218.X
• 申請日: 2018-12-17
• 公開（公告）號: CN109635962A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 董云龍;段南;劉葉
• 申請（專利權）人: 廣州甘來信息科技有限公司
• 主分類號: G06Q10/00
• 分類號: G06Q10/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 黃華蓮;郝傳鑫

1.一種基于自販機的檢修時間預測方法，其特征在于，包括以下步驟：

獲取當前自販機中各部件的預設檢修時間間隔；

獲取當前自販機中各部件的工作時長與歷史故障時間；

根據各部件的預設檢修時間間隔與歷史故障時間，計算各部件的故障頻率；

根據各部件的故障頻率以及工作時長，通過預設部件檢修時間模型，獲取各部件的檢修周期；

根據預先獲取的各部件的上一檢修時間以及各部件對應的檢修周期，計算各部件的下一檢修時間。

2.根據權利要求1所述的基于自販機的檢修時間預測方法，其特征在于，所述根據各部件的故障頻率以及工作時長，通過預設部件檢修時間模型，獲取各部件的檢修周期，具體包括：

對各部件的故障頻率以及工作時長進行數據抽取，獲得故障特征集；

采用所述故障特征集對預設部件檢修時間模型進行迭代訓練，獲取各部件的檢修周期。

3.根據權利要求2所述的基于自販機的檢修時間預測方法，其特征在于，所述對各部件的故障頻率以及工作時長進行數據抽取，獲得故障特征集，具體包括：

通過Sqoop工具將獲取的各部件的故障頻率以及工作時長進行數據抽取與清洗，獲得故障特征集；

根據預設的數據倉庫模型，將所述故障特征集加載到數據倉庫。

4.根據權利要求3所述的基于自販機的檢修時間預測方法，其特征在于，所述方法還包括以下部件檢修時間模型建立步驟：

在Spark框架下采用邏輯回歸算法對所述數據倉庫中存儲的故障特征集進行機器學習訓練，建立部件檢修時間模型。

5.根據權利要求1所述的基于自販機的檢修時間預測方法，其特征在于，所述方法還包括：

根據任意一部件的下一檢修時間及當前自販機的場所屬性，生成部件檢修通知信息，并在設定通知時間將部件檢修通知信息發送至智能終端，以使得所述智能終端將所述部件檢修通知信息推送給運維人員。

6.一種基于自販機的檢修時間預測裝置，其特征在于，包括：

第一時間獲取模塊，用于獲取當前自販機中各部件的預設檢修時間間隔；

第二時間獲取模塊，用于獲取當前自販機中各部件的工作時長與歷史故障時間；

故障頻率計算模塊，用于根據各部件的預設檢修時間間隔與歷史故障時間，計算各部件的故障頻率；

檢修周期獲取模塊，用于根據各部件的故障頻率以及工作時長，通過預設部件檢修時間模型，獲取各部件的檢修周期；

檢修時間計算模塊，用于根據預先獲取的各部件的上一檢修時間以及各部件對應的檢修周期，計算各部件的下一檢修時間。

7.根據權利要求6所述的基于自販機的檢修時間預測裝置，其特征在于，所述檢修周期獲取模塊包括：

數據抽取單元，用于對各部件的故障頻率以及工作時長進行數據抽取，獲得故障特征集；

模型訓練單元，用于采用所述故障特征集對預設部件檢修時間模型進行迭代訓練，獲取各部件的檢修周期。

8.根據權利要求7所述的基于自販機的檢修時間預測裝置，其特征在于，所述數據抽取單元包括：

數據清洗單元，用于通過Sqoop工具將獲取的各部件的故障頻率以及工作時長進行數據抽取與清洗，獲得故障特征集；

數據加載單元，用于根據預設的數據倉庫模型，將所述故障特征集加載到數據倉庫。

9.一種基于自販機的檢修時間預測設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至5中任意一項所述的基于自販機的檢修時間預測方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行如權利要求1至5中任意一項所述的基于自販機的檢修時間預測方法。