[發明專利]一種基于聯合學習的設備預測性維護方法及裝置

在審

• 申請號: 202110044745.8
• 申請日: 2021-01-13
• 公開（公告）號: CN112733453A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 張燧;徐少龍;金成浩
• 申請（專利權）人: 新智數字科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N20/00;G06Q10/00;G06Q50/06
• 代理公司: 北京嘉科知識產權代理事務所(特殊普通合伙) 11687
• 代理人: 楊波

本發明公開了一種基于聯合學習的設備預測性維護方法、裝置、可讀介質及電子設備，該方法包括：確定至少兩個目標用戶發送的目標設備的故障預測模型的模型種類；基于各個所述故障預測模型分別對應的模型種類，確定出集成密度模型和集成故障樹模型；確定所述集成密度模型和所述集成故障樹模型分別對應的比例系數；將所述集成密度模型、所述集成故障樹模型和所述比例系數下發給各個所述目標用戶，以使得各個所述目標用戶基于所述集成密度模型、所述集成故障樹模型和所述比例系數，確定目標設備的故障預測結果。本發明提供的技術方案通過聯合學習可以準確的確定出目標設備的故障預測結果。

技術領域

本發明涉及能源領域，尤其涉及一種基于聯合學習的設備預測性維護方法及裝置。

背景技術

綜合能源系統中存在著大量的設備，各個設備通常都不是獨立存在的，任何一個設備出現問題，都可能導致多個設備無法正常工作，因此設備的正常運行是綜合能源系統高效運行的前提條件。為了保證設備的正常運行，通常需要對設備進行預測性維護，即在設備還未出現故障前，通過對設備的運行狀態進行判斷，預測出設備可能出現的故障，目前對在設備進行預測性維護時，常常需要獲取大量的樣本數據，構建物理模型，然而利用物理模型進行預測時，計算復雜且耗時較長，對于復雜的設備，可能無法獲取到設備的物理模型，因此確定一種新的基于聯合學習的設備預測性維護方法是至關重要的。

發明內容

本發明提供了一種基于聯合學習的設備預測性維護方法、裝置、可讀介質及電子設備，通過聯合學習確定出集成密度模型和集成故障樹模型，利用集成密度模型、集成故障樹模型以及集成密度模型和集成故障樹模型分別對應的比例系數可以更為準確的確定出目標設備的故障預測結果。

第一方面，本發明提供了一種基于聯合學習的設備預測性維護方法，包括：

確定至少兩個目標用戶發送的目標設備的故障預測模型的模型種類；

基于各個所述故障預測模型分別對應的模型種類，確定出集成密度模型和集成故障樹模型；

確定所述集成密度模型和所述集成故障樹模型分別對應的比例系數；

將所述集成密度模型、所述集成故障樹模型和所述比例系數下發給各個所述目標用戶，以使得各個所述目標用戶基于所述集成密度模型、所述集成故障樹模型和所述比例系數，確定目標設備的故障預測結果。

優選地，

所述方法還包括：

接收各個所述目標用戶發送的反饋信息，所述反饋信息中包含預測結果和真實結果；

基于所述反饋信息，更新所述集成密度模型、所述集成故障樹模型以及所述集成密度模型和所述集成故障樹模型分別對應的比例系數。

優選地，

所述確定至少兩個目標用戶發送的目標設備的故障預測模型的模型種類，包括：

接收至少兩個目標用戶分別發送的目標設備的故障預測模型；

提取各個所述故障預測模型對應的模型編碼；

基于所述模型編碼，確定所述至少兩個目標用戶發送的目標設備的故障預測模型的模型種類。

優選地，

所述基于各個所述故障預測模型分別對應的模型種類，確定出集成密度模型和集成故障樹模型，包括：

對所述模型種類對應密度函數的故障預測模型進行集成，確定集成密度模型；

對所述模型種類對應故障樹的故障預測模型進行集成，確定集成故障樹模型。

優選地，

所述模型種類對應密度函數的故障預測模型為目標用戶通過以下步驟獲取：