CN115526503A - 设备巡检数据处理方法、装置、设备及可读存储介质 - Google Patents
设备巡检数据处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115526503A CN115526503A CN202211210623.2A CN202211210623A CN115526503A CN 115526503 A CN115526503 A CN 115526503A CN 202211210623 A CN202211210623 A CN 202211210623A CN 115526503 A CN115526503 A CN 115526503A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- equipment
- inspection
- health
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 151
- 238000003672 processing method Methods 0.000 title claims description 15
- 230000036541 health Effects 0.000 claims abstract description 193
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000003862 health status Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 19
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000005195 poor health Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种设备巡检数据处理方法、装置、设备及可读存储介质。该方法包括：获取目标时间段内巡检目标设备得到的目标设备的N个特征参数的数据集；对各特征参数的数据集中的数据进行预处理，得到各特征参数预处理后的数据集；采用各特征参数预处理后的数据集，获取目标设备在目标时间段的健康指数观测序列；根据健康指数观测序列，预测目标设备的健康状态。本申请的方法，可以根据设备的巡检数据，准确的预测设备的健康状态，以为后续设备的巡检和运行维护提供数据支撑。
Description
技术领域
本申请涉及数据处理领域，尤其涉及一种设备巡检数据处理方法、装置、设备及可读存储介质。
背景技术
近年来，随着云计算、大数据等新兴技术的蓬勃发展，数据中心机房得以大规模的兴建与运营，机房设备数量随之提高，导致与之配套的运维业务量巨增，为保障数据中心机房的正常运转，需要对数据中心机房中的设备进行日常巡检。
目前，数据中心机房的巡检，缺少针对巡检得到的设备的巡检数据的处理分析，无法预知设备的健康状态。故，如何基于设备的巡检数据预知设备的健康状态是一个亟待解决的问题。
发明内容
本申请提供一种设备巡检数据处理方法、装置、设备及可读存储介质，用以解决基于设备的巡检数据无法预知设备的健康状态问题。
第一方面，本申请提供一种设备巡检数据处理方法，所述方法包括：
获取目标时间段内巡检目标设备得到的所述目标设备的N个特征参数的数据集，所述特征参数的数据集包括在所述目标时间段内M次巡检得到的该特征参数的M个数据；所述N为大于或等于1的整数，所述M为大于或等于2的整数；
对各所述特征参数的数据集中的数据进行预处理，得到各所述特征参数预处理后的数据集；
采用各所述特征参数预处理后的数据集，获取所述目标设备在所述目标时间段的健康指数观测序列，所述健康指数观测序列包括M个元素，每个元素对应一次巡检，用于表征基于该次巡检得到的N个特征参数的数据获取的所述目标设备的健康指数；
根据所述健康指数观测序列，预测所述目标设备的健康状态。
可选地，所述采用各所述特征参数预处理后的数据集，获取所述目标设备在所述目标时间段的健康指数观测序列，包括：
获取各所述特征参数的权重；
将各所述特征参数预处理后的数据集中同一次巡检得到的各特征参数的数据与权重的乘积相加，得到该次巡检对应的所述目标设备的健康指数；
利用各次巡检对应的所述目标设备的健康指数，生成所述目标设备在所述目标时间段的健康指数观测序列。
可选地，所述获取各所述特征参数的权重，包括：
根据所有所述特征参数的数据集，生成包括所有所述特征参数的数据的数据矩阵；
利用主成分分析法对所述数据矩阵进行处理，获取各所述特征参数的权重。
可选地，所述根据所述健康指数观测序列，预测所述目标设备的健康状态，包括：
采用维特比算法，利用所述健康指数观测序列，以及，用于预测健康状态的分级模型，预测所述目标设备的健康状态；所述分级模型采用初始健康状态向量、健康状态转移概率矩阵和观测概率矩阵进行表示。
可选地，所述分级模型为根据预设的设备健康状态，构建并采用样本健康指数观测序列训练得到的基于期望最大化算法的隐马尔可夫HMM。
可选地，所述根据所述健康指数观测序列，预测所述目标设备的健康状态之后，所述方法还包括：
在所述目标设备的设备信息中更新所述目标设备的健康状态的标签。
可选地，所述根据所述健康指数观测序列，预测所述目标设备的健康状态之后，所述方法还包括：
若所述目标设备的健康状态不符合预设健康状态，则输出所述目标设备的健康状态的提示信息，以触发对所述目标设备再次巡检的巡检任务。
第二方面，本申请提供一种设备巡检数据处理装置，所述装置包括：
第一获取模块，用于获取目标时间段内巡检目标设备得到的所述目标设备的N个特征参数的数据集，所述特征参数的数据集包括在所述目标时间段内M次巡检得到的该特征参数的M个数据；所述N为大于或等于1的整数，所述M为大于或等于2的整数；
预处理模块，用于对各所述特征参数的数据集中的数据进行预处理，得到各所述特征参数预处理后的数据集；
第二获取模块，用于基于各所述特征参数预处理后的数据集，获取所述目标设备在所述目标时间段的健康指数观测序列，所述健康指数观测序列包括M个元素，每个元素对应一次巡检，用于表征基于该次巡检得到的N个特征参数的数据获取的所述目标设备的健康指数；
预测模块，用于根据所述健康指数观测序列，预测所述目标设备的健康状态。
第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的方法。
第五方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面任一项所述的方法。
第六方面，本申请提供一种芯片，所述芯片上存储有计算机程序，所述计算机程序被所述芯片执行时，实现如第一方面任一项所述的方法。
本申请提供的设备巡检数据处理方法、装置、设备及可读存储介质，通过在基于目标时间段内巡检获得的随目标设备健康状态变化的多维度的设备的特征参数数据，生成了该目标设备的健康指数，能够反映该目标设备当前的健康状态。而进一步生成的该目标设备的健康指数观测序列，可以反映出目标时间段内该目标设备的健康状态的变化趋势，因此，基于该变化趋势可以准确的预测设备的健康状态，以为后续设备的巡检和运行维护提供数据支撑。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种设备巡检数据处理方法的流程示意图；
图2为本申请实施例提供的另一种设备巡检数据处理方法的流程示意图；
图3为本申请实施例提供的一种设备巡检系统架构示意图；
图4为本申请实施例提供的另一种设备巡检系统架构示意图；
图5为本申请实施例提供的一种设备巡检数据处理装置的结构示意图；
图6为本申请提供的一种电子设备600结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
目前，数据中心机房的巡检，缺少针对巡检得到的设备的巡检数据的处理分析，无法预知设备的健康状态。有鉴于此，本申请提出了一种设备巡检数据的处理方法，能够基于设备在一段时间内的巡检数据预测该设备的健康状态，从而能够为后续设备的巡检和运行维护提供数据支撑。例如，对健康状态较差的设备进行重点巡检，以避免设备发生故障，提高设备利用率。
本申请的执行主体例如可以是巡检系统，或者说，巡检系统中的巡检数据分析装置。该巡检数据分析装置例如可以是终端、服务器、计算设备等具有处理能力的电子设备。
下面以执行主体为巡检数据分析装置为例，结合具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请实施例提供的一种设备巡检数据处理方法的流程示意图。如图1所示，该方法可以包括如下步骤：
S101、获取目标时间段内巡检目标设备得到的该目标设备的N个特征参数的数据集。其中，上述特征参数的数据集包括在上述目标时间段内M次巡检得到的该特征参数的M个数据；上述N为大于或等于1的整数，上述M为大于或等于2的整数。
上述目标设备的特征参数是指目标设备中能够反映其健康状态的运行参数，或者说，当目标设备的健康状态发生变化时，这些运行参数也会相应变化。例如设备的温度、功率、噪音等中一项或多项，具体与巡检数据的采集项，以及，设备的实际分析需求有关。
示例性的，目标设备的N个特征参数的数据集例如可以如下述表1所示：
表1
| 数据集 | 目标时间段 |
| 特征参数1数据集 | 特征参数11、特征参数12、...、特征参数1M |
| 特征参数2数据集 | 特征参数21、特征参数22、...、特征参数2M |
| ... | ... |
| 特征参数N数据集 | 特征参数31、特征参数32、...、特征参数3M |
上述特征数据集的获取方式，例如，可以通过调用巡检系统的数据库中目标时间段的巡检记录得到，或者是，用户输入至该巡检数据分析装置的，本申请对此不做限定。
S102、对各特征参数的数据集中的数据进行预处理，得到各特征参数预处理后的数据集。
此处所说的预处理是指对各上述特征参数的数据集中的数据进行一定的处理，例如可以包括：数据清理、数据变换、数据归约等一种或多种处理，以提高数据质量，使后续的数据处理效率更高、得到的结果的准确性更高。
S103、采用各特征参数预处理后的数据集，获取目标设备在目标时间段的健康指数观测序列。
上述健康指数观测序列是指用来表征目标时间段内巡检目标设备后得到的健康指数的元素的集合，包括M个元素，每个元素对应一次巡检，用于表征基于该次巡检得到的N个特征参数的数据获取的上述目标设备的健康指数。
上述健康指数观测序列例如可以表示为：O＝{O1，O2，...，OM}。其中，针对M次巡检中的任一次巡检m，对应第m次巡检的Om可以采用如下方式获取：
例如，可以将第m次巡检得到的N个特征参数的数据相加得到的和作为Om，或者，将相加之后的和进行适当的变形(例如，归一化处理、和/或、乘以预设系数，和/或，除以预设系数等)后得到的值作为Om，或者，将第m次巡检得到的每个特征参数与对应的权重相乘之后的和作为Om。
S104、根据上述健康指数观测序列，预测上述目标设备的健康状态。
设备的健康状态与该设备后续的运行维护方式和巡检方式有关，或者说，不同健康状态的设备，采用的运行维护和巡检方式不同。例如，设备的健康状态与运行维护和巡检方式具有如下述表2所示的映射关系：
表2
| 设备健康状态 | 设备运行维护建议 | 巡检方式 |
| 极佳 | 正常运行维护 | 正常巡检 |
| 佳 | 正常运行维护 | 正常巡检 |
| 良好 | 可继续运行，加强监管 | 正常巡检 |
| 较差 | 监视运行，采取调整措施 | 重点巡检 |
| 极差 | 立即停机检修 | 重点巡检 |
上述所说的重点巡检相较于正常巡检，可以是巡检次数的增加，也可以是巡检项目的增加，也可以是巡检次数和巡检项目的增加等。
应理解，上述表2所示的设备健康状态仅是一种示例，本申请对健康状态的划分不做具体限制。另外，一个健康状态可以对应一个设备运行维护建议，也可以一个健康状态对应多个设备运行维护建议。
一种可能的实现方式，可以采用维特比算法，利用上述健康指数观测序列，以及，用于预测健康状态的分级模型，预测上述目标设备的健康状态；其中，上述分级模型采用初始健康状态向量、健康状态转移概率矩阵和观测概率矩阵进行表示。
另一种可能的实现方式，可以将上述健康指数观测序列输入至预先训练好的预测模型，预测上述目标设备的健康状态。该预测模型例如可以为预先使用样本设备的健康指数观测序列，以及，样本设备的健康状态标签训练得到的。
再一种可能的实现方式，预先设置有健康指数观测序列与健康状态的映射关系，因此，通过该映射关系，以及，目标设备的健康指数观测序列，可以得到目标设备的健康状态。
通过基于上述方式获取目标设备的健康状态，能够为后续设备的巡检和运行维护提供数据支撑。例如，对健康状态较差的设备进行重点巡检，以避免设备发生故障，提高设备利用率。
可选地，在根据健康指数观测序列，预测目标设备的健康状态之后，还可以在目标设备的设备信息中更新目标设备的健康状态的标签。
上述目标设备的设备信息是指巡检系统的数据库中存储的该目标设备的基本信息，包括但不限于有设备名称、设备ID、归属机房、设备IP、设备位置等标签，以及，设备健康状态标签。在预测目标设备的健康状态之后，在目标设备的设备信息中更新目标设备的健康状态的标签。这样，后续巡检人员通过终端设备从巡检系统的数据库中获取该目标设备的设备信息时，可以查看到设备健康状态，从而可以实现设备健康状态的可视化，也便于后续巡检人员巡检时可以重点关注该设备。
若上述目标设备的设备信息中之前存在目标设备的健康状态的标签，则可以将此次预测得到的目标设备的健康状态的标签替换原有的健康状态的标签，或者，在目标设备的设备信息中，按照时间序列的方式，将此次预测得到的目标设备的健康状态的标签存储在上一次得到的目标设备的健康状态的标签后面。以替换为例，当本次预测的健康状态与原目标设备的健康状态的标签不一致时，则替换目标设备的健康状态的标签；当本次预测的健康状态与原目标设备的健康状态的标签一致时，则保持不变。
若上述目标设备的设备信息中之前不存在目标设备的健康状态的标签，则可以将此次预测得到的目标设备的健康状态的标签作为新增内容添加至目标设备的设备信息中。
可选地，在根据健康指数观测序列，预测目标设备的健康状态之后，若目标设备的健康状态低于预设健康状态，还可以输出目标设备的健康状态的提示信息，以触发对目标设备再次巡检的巡检任务。
例如，可以向该目标设备的负责人的终端设备输出设备健康状态提示信息，该目标设备的负责人安排对该目标设备的再次巡检的巡检任务，以达到重点巡检的目的。
本申请提供的设备巡检数据处理方法，基于目标时间段内巡检获得的随目标设备健康状态变化的多维度的设备的特征参数数据，生成了该目标设备的健康指数，能够反映该目标设备当前的健康状态。而进一步生成的该目标设备的健康指数观测序列，可以反映出目标时间段内该目标设备的健康状态的变化趋势，因此，基于该变化趋势可以准确的预测设备的健康状态，以为后续设备的巡检和运行维护提供数据支撑。
图2为本申请实施例提供的另一种设备巡检数据处理方法的流程示意图。如图2所示，该方法可以包括：
S201、获取目标时间段内巡检目标设备得到的上述目标设备的N个特征参数的数据集。
示例性地，从数据库中调取该目标设备最近一个月内的巡检记录，从中分别获取N个特征参数的M次巡检数据，组成N个特征参数的数据集Cn，分别包括该目标设备最近一个月内的m次巡检数据cnm。其中，m取值为1，2，...，M，表示第m次巡检；n取值为1，2，...，N，对应上述N个特征参数，与特征参数形成以一一映射关系，例如温度对应n＝1，功率对应n＝2，噪音对应n＝3。
例如，上述目标设备的N个特征参数的数据集如下述表3所示：
表3
| 数据集C<sub>n</sub> | 目标时间段 |
| C<sub>1</sub> | 特征参数c<sub>11</sub>、特征参数c<sub>12</sub>、...、特征参数c<sub>1M</sub> |
| C<sub>2</sub> | 特征参数c<sub>21</sub>、特征参数c<sub>22</sub>、...、特征参数c<sub>2M</sub> |
| ... | ... |
| C<sub>N</sub> | 特征参数c<sub>N1</sub>、特征参数c<sub>N2</sub>、...、特征参数c<sub>NM</sub> |
S202、对各上述特征参数的数据集中的数据进行归一化处理，得到各上述特征参数预处理后的数据集。
例如，采用下述公式(1)，对上述特征参数的数据集中的数据进行归一化处理：
其中，
为第m次巡检得到的各上述特征参数的数据预处理后对应的数据，最近一个月内的M次巡检得到的各上述特征参数的数据预处理后获得的该数据，组成了各上述特征参数预处理后的数据集
cnmmax与cnmmin分别是各上述特征参数的数据集中的数据的最大值与最小值。以n为1为例，cnmmax是C1中的数据的最大值，cnmmin是C1中的数据的最小值。
S203、获取各上述特征参数的权重。
一种可能的实现方式，上述各特征参数的权重例如可以是预设值。所有特征参数的权重之和例如可以为1。
另一种可能的实现方式，利用主成分分析法确定N个特征参数的权重。具体步骤如下：
(1)根据所有所述特征参数的数据集，生成包括所有所述特征参数的数据的数据矩阵。
即，将由N个特征参数的M次巡检数据组成M×N维的数据矩阵。
(2)利用主成分分析法对所述数据矩阵进行处理，获取各所述特征参数的权重。具体步骤如下：
1)、将M×N维的数据矩阵数据标准化，得到标准化后的数据矩阵D＝(D1，D2，...，DN)。其中，D1，D2，...，DN即为主成分分析法的N个变量指标。
进一步地，假设一组新变量指标Z1，Z2，...，Zp，其中p的取值为1至N，使其满足Zt＝σ1tD1+σ2tD2+...+σNtDN。其中t的取值为1至p，系数矩阵σ＝(σN1，σN2，...，σNp)是N×p维的矩阵。
那么新变量指标Z1，Z2，...，Zp分别称为原变量指标D1，D2，...，DN的第一，第二，...，第p个主成分。
2)、计算标准化后的数据矩阵D的协方差矩阵E。该协方差矩阵E为N×N维的矩阵。
3)、获取协方差矩阵E的N个特征值αn及每个特征值对应的特征向量βn。
其中，αn可以表示为α1，α2，...，αN，与之一一对应的特征向量βn可以表示为β1，β2，...，βN。需说明，特征值α1﹥α2﹥...﹥αN﹥0，其对应的特征向量依次为β1＝[β11，β21，...，βN1]T,β2＝[β12，β22，...，βN2]T，...，βN＝[β1N，β2N，...，βNN]T。
4)、确定主成分个数p的取值。
预设一个贡献率阈值，例如0.8，采用下述公式(2)获取p的取值。
5)、根据p的取值，获取前p个主成分。
由公式(2)确定有前p个主成分后，该前p个主成分依次对应前p个特征值，以及，每个特征值对应的特征向量。例如，第一个主成分对应特征值α1和特征向量β1。
那么，第t个主成分可以表示为：Zt＝β1tD1+β2tD2+...+βNtDN。
6)、确定每个主成分中对应变量指标(即D1，D2，...，DN)的系数矩阵σ，例如下述公式(3)所示：
7)、采用下述公式(4)确定每个特征值的方差贡献率
8)、采用如下述公式(5)确定综合得分模型系数γn。
基于公式(3)，前p个主成分中的每个主成分都可以用Zt＝σ1tD1+σ2tD2+...+σNtDN表示。例如，第一个主成分Z1＝σ11D1+σ21D2+...+σN1DN。
综合前p个主成分即可得到综合得分模型Y＝γ1D1+γ2D2+...+γNDN。其中，综合得分模型是指设备的健康状态模型，即用N个变量指标去描述设备的健康状态。γn为综合得分模型系数，与系数σ矩阵有关，可采用下述公式(5)计算。
9)、根据综合得分模型系数，采用如下述公式(6)计算指标权重归一化得到各指标对应的权重：
其中，ρn为各上述特征参数的权重。
S204、将各上述特征参数预处理后的数据集中同一次巡检得到的各特征参数的数据与权重的乘积相加，得到每次巡检对应的上述目标设备的健康指数。即，采用下述公式(7)：
S205、利用各次巡检对应的上述目标设备的健康指数，生成上述目标设备在最近一个月内的健康指数观测序列O＝{O1，O2，...，OM}。
S206、采用维特比算法，利用上述健康指数观测序列，以及，用于预测健康状态的分级模型，预测上述目标设备的健康状态。
其中，上述分级模型采用初始健康状态向量、健康状态转移概率矩阵和观测概率矩阵进行表示。
例如，上述分级模型为根据预设的设备健康状态，构建采用样本健康指数观测序列训练得到的模型，例如，基于期望最大化算法的隐马尔可夫模型(Hidden Markov Model，HMM)。
下面基于期望最大化算法的HMM为例，采用维特比算法预测上述目标设备的健康状态的步骤进行说明。
应理解，在利用上述健康指数观测序列进行该目标设备的健康状态的预测时，应提前基于样本健康指数观测序列训练得到上述基于期望最大化算法的HMM。下面先对构建采用样本健康指数观测序列训练得到的基于期望最大化算法的HMM的步骤进行说明，包括如下步骤：
预设的，将设备划分为L个健康状态，上述L个健康状态与隐藏状态集合R＝{1，2，...，L}形成一一映射关系。取至少一个样本设备在样本时长内H次巡检对应的健康指数观测序列F＝{F1，F2，...，FH}作为样本健康指数观测序列，该样本健康指数观测序列对应的隐藏状态为I＝{I1，I2，...，IH}，I从隐藏状态集合R中取值。其中，H表示巡检次数。
(1)定义HMM
将HMM表示为λ＝(A，B，π)，基于设备的样本健康指数观测序列得到设备初始状态概率分布π、设备状态转移概率矩阵A和设备观测状态概率矩阵B。
上述设备初始状态概率分布π可以表示为π＝{πi}，用来表示前两个月内第一次巡检，即h＝1时，样本健康指数观测序列中F1对应的隐藏状态I1＝i的概率，其中，h表示H次巡检中的某次巡检，i从R中取值。
上述设备状态转移概率矩阵A可以表示为A＝[aij]L×L，表示在巡检次数为h时，隐藏状态Ih取值为i，且在h+1次巡检时隐藏状态Ih+1取值为j的概率值，i和j均从R中取值。
上述设备观测状态概率矩阵B可以表示为B＝[bj(k)]L×H，表示若在巡检次数为h时的隐藏状态是Ih＝j，对应的观测序列是Fh＝νk，那么bj(k)表示在第h次巡检时观测序列νk在隐藏状态是Ih＝j下生成的概率。
(2)训练获取HMM参数
对λ＝(A，B，π)进行初始化得到初始化后的HMM参数λ0＝(A0，B0，π0)。初始化的方式可以是随机带入一个样本健康指数观测序列进行，也可以是对每个参数值带入各自的均一值，比如πi＝1/L，即目标时间段内第一次巡检时每个健康状态出现的概率相等。初始化应满足以下条件：
πi≥0，aij≥0，Σiπi＝1,Σjaij＝1。
利用样本健康指数观测序列，对初始化后的HMM进行学习训练，得到HMM参数λ＝(A，B，π)。
下面以采用基于期望最大化(EM)算法的鲍姆-韦尔奇(Baum-Welch)算法为例，描述如何获得HMM参数A、B、π。具体过程如下：
1)、确定观测序列F在HMM参数λ下出现的条件概率P(F∣λ)。
在已知观测序列F＝{F1，F2，...，FH}和初始的HMM参数λ0＝(A0，B0，π0)的条件下，基于前向-后向算法，计算观测序列F在HMM参数λ下出现的条件概率P(F∣λ)。具体步骤如下：
1a)、根据前向算法，定义巡检次数为h时隐藏状态为Ih＝i，观测状态的序列为F1，F2，...，Fh的概率为前向概率。该前向概率可以表示为：αh(i)＝P(F1，F2，...，Fh，Ih＝i|λ)，根据h的取值递推得到，示例性地：
当h＝1时，α1(i)＝πibi(F1)；
当h＝2，3，...，H时，
最终得到
1b)、根据后向算法，定义巡检次数为h时隐藏状态为Ih＝i，从巡检次数为h时到最后一次巡检H时的观测状态的序列为Fh+1，Fh+2，...，FH的概率为后向概率，该后向概率可以表示为：
βh(i)＝P(Fh+1，Fh+2，...，FH，|Ih＝i，λ)，
根据h的取值递推得到，示例性地：
初始化最后一次巡检次数为H时的各个隐藏状态后向概率：βH(i)＝1；
递推巡检次数h＝H-1，H-2，...，1时的后向概率：
最终得到
2)、确定两组概率变量εh(i，j)和γh(i)。
上述εh(i，j)表示巡检次数为h时处于隐藏状态Ih＝i且巡检次数为h+1时处于隐藏状态Ih+1＝j的概率，可采用下述公式(8)计算。
上述γh(i)表示巡检次数为h时处于状态Ih＝i的概率，可采用下述公式(9)计算。
3)、确定状态期望值。
将基于每次巡检的εh(i，j)和γh(i)求和，可以得到：
在观测序列F下状态i出现的期望值：
在观测序列F下由状态i转移的期望值：
在观测序列F下由状态i转移到状态j的期望值：
4)、根据上述计算结果，得到模型参数重估公式，如下述公式(10)-公式(15)所述：
πi′＝γ1(i) 公式(10)
π′＝{πi′} 公式(11)
A′＝[aij′]L×L 公式(13)
B′＝[bj′(k)]L×H 公式(15)
5)、根据上述重估公式更新HMM参数λ′＝(A′，B′，π′)，并进行更新迭代直到P(F∣λ)不再明显增大，得到最优模型λ＝(A，B，π)终止迭代；否则重复前述训练步骤。
经过以上步骤便可以训练得到基于样本健康指数观测序列的HMM参数λ＝(A，B，π)。
将该目标设备的目标健康指数观测序列O带入训练好的HMM参数λ＝(A，B，π)，利用维特比算法，对该目标设备的健康状态进行预测，包括如下步骤：
(1)输入：HMM参数λ＝(A，B，π)，目标健康指数观测序列O＝{O1，O2，...，OM}。
(2)定义在巡检次数为m时，并且观测序列为Om、隐藏状态为Im＝i时，所有状态转移路径中联合概率最大值为δm(i)，在m＝1时，δ1(i)＝πibi(O1)，i从R中取值；递推得到当m＝2，3，...，M时，δm(i)＝max1≤j≤M[δm-1(j)aji]bi(Om)；计算巡检次数为M时的δM(i)，从而进一步计算第M次巡检之后时刻的所有状态转移路径中概率最大值。此时求得的概率最大值所对应的状态转移路径即为第M次巡检时的隐藏状态转移到第M次巡检之后时刻的隐藏状态，该第M次巡检之后时刻的隐藏状态，即，预测的目标设备的健康状态。
基于以上步骤，利用目标设备的特征参数得到的健康指数观测序列，即可预测目标设备的健康状态，为后续设备的巡检和运行维护提供数据支撑。
示例性地，若预测该目标设备的健康状态为较差，则输出该目标设备的健康状态的提示信息，以触发对该目标设备重点巡检，以避免设备发生故障，提高设备利用率。
本申请实施例提供的设备巡检数据处理方法，基于目标时间段内巡检获得的多维度的设备的特征参数数据，利用主成分分析法等方式获取了各特征参数的权重，实现了特征参数的多维度降维，进而得到多维度融合的该目标设备的健康指数，提高了健康指数反映该目标设备健康状态的准确性，进一步获得了准确度更高的该目标设备的健康指数观测序列。采用由历史的设备的特征参数数据生成的样本健康指数观测序列训练的得到的基于期望最大化算法的HMM和维特比算法，基于历史的各健康状态间的转移概率动态规划该目标设备可能的健康状态转移路径，进而预测了该目标设备的健康状态，以提高预测的准确度。
以上描述的是如何利用设备的巡检数据预测设备的健康状态，对于如何对设备进行巡检以获取巡检数据不做限定。
示例性的，例如可以采用如下设备巡检方法对设备进行巡检。
图3为本申请实施例提供的一种设备巡检系统架构示意图。如图3所示，该巡检系统从功能上划分，例如可以包括信息录入装置、二维码生成装置、移动智能终端、小程序端、数据存储装置、消息推送装置、巡检数据分析装置。
上述信息录入装置，用于录入设备的基本信息。
上述二维码生成装置，用于生成具有唯一标识并与设备ID有一一映射关系的二维码。
上述移动智能终端，用于为巡检人员现场巡检设备时查看设备信息、填写和提交巡检数据。例如，可以是手机、平板电脑、具有扫描和通信功能的手持设备、可穿戴设备(手表、运动手环、运动脚环等)等，本申请在此不做限定。
上述小程序端是指巡检小程序，用于实现查看设备信息、填写和提交巡检数据等功能。
上述数据存储装置，用于存储设备的与巡检相关的数据，例如可以是设备基本信息、设备巡检记录等。
上述消息推送装置，用于向相关人员的终端设备推送消息。其中，该相关人员，例如，设备的负责人；上述消息，例如可以是设备健康状态较差的消息，也可以是巡检结果异常的消息；消息推送的方式可以是通过微信公众号、小程序等，也可以是短信等方式，本申请在此不做限定。
上述巡检数据分析装置，用于通过前述实施例提供的方法，预测设备的健康状态。
需说明，上述图3所示的设备巡检系统的各装置的划分仅是一种示意，本申请对各装置的划分，以及，各装置的命名并不进行限定。上述各装置可以是相互独立的实体，也可以是部分装置集成在同一实体上等。
下面，通过一个具体的硬件架构来对巡检系统进行示例说明。
图4为本申请实施例提供的另一种设备巡检系统架构示意图。如图4所示，该巡检系统包括数据库、手持端、服务端、数据采集服务端、个人计算机(Personal computer，PC)端。
图中示出的设备例如可以是巡检对象，例如交换机、服务器等。
上述数据库即数据存储装置。上述手持端例如可以是前述所说的移动智能终端。
上述服务端，与设备、数据库、手持端、数据采集服务端、PC端通信连接，用于实现各方之间的数据交互。
上述数据采集服务端，例如可以集成有消息推送装置、巡检数据分析装置等。
上述PC端，例如可以集成有信息录入装置、二维码生成装置。利用PC端可以实现设备二维码的生成、历史数据的查询、系统管理、模型展示等操作。
需说明，各装置和/或设备之间可参考现有技术的通信方式，本申请在此不做限定。
下面以图4所示巡检系统的架构示意图为例，对该设备巡检方法进行说明，该方法可以包括如下步骤：
S501、巡检人员利用移动智能终端扫描机房目标设备的二维码，以触发向数据采集服务端发送进入小程序中该目标设备的巡检页面的登录请求，该登录请求携带有移动智能终端的位置信息。该巡检页面例如可以填写该目标设备的巡检表单、查看目标设备的信息等。
S502、数据采集服务端根据获取的移动智能终端的位置信息，判断移动智能终端是否位于该目标设备处。若在该目标设备处，则向移动智能终端返回用于显示该巡检页面的数据，即执行步骤S503；若不在该目标设备处，则向移动智能终端输出提示前往该目标设备处的提示信息，以使巡检人员在移动至该目标设备处后，重新触发前述登录请求。
上述判断获取的移动智能终端的位置信息是否位于该目标设备处的方式，示例性地，可以是判断获取的移动智能终端的位置信息是否小于预设有效巡检距离，该预设有效巡检距离例如可以是该目标设备周围半径100米。具体地，数据采集服务端获取移动智能终端的位置信息是距离该目标设备50米，小于预设的有效巡检距离，则继续执行步骤S503。
S503、巡检人员在小程序中该目标设备的巡检页面填写该目标设备的巡检表单，并向数据采集服务端发送该巡检表单。
应理解，在上述小程序中可执行一系列关于该目标设备的操作，包括但不限于查看该目标设备的基本信息、填写该目标设备的巡检表单或者处理日志、拍摄现场照片、授权定位、提交巡检表单。
上述巡检表单中包括但不限于有该目标设备的特征参数，如温度、功率和噪音等，以及设备的运行状态标签。该设备的运行状态标签是指对该目标设备的该次巡检结束后，巡检人员判断的该目标设备的运行状态，例如正常或异常。
应理解，该目标设备的基本信息是通过PC端提前录入并存储在数据库中的。
S504、数据采集服务端依据获取的该目标设备的该次巡检表单归档形成该目标设备的巡检记录，并将该巡检记录发送至数据库存储。另外，数据采集服务端可以基于此次的巡检表单中的内容，判断该次巡检结果是否异常，若有巡检异常情况，则利用消息推送装置将巡检异常消息发送至该目标设备的负责人的移动智能终端设备。
上述判断巡检结果是否异常例如可以从下述两个方面进行判断。一是判断提交的巡检表单中该目标设备的特征参数数值是否处于预设的正常范围，二是判断该目标设备的巡检表单中设备的运行标签是否是“正常”，二者均不满足得出巡检结果异常结论。
S505、上述目标设备的负责人的移动智能终端设备接收到巡检异常消息后，该目标设备的负责人安排维护人员对该目标设备进行维护处理。
S506、维护人员到达该目标设备进行维护处理，恢复该目标设备正常状态后，可以利用维护人员的移动智能终端扫描该目标设备二维码进入小程序，填写该目标设备的处理日志，并向数据采集服务端发送该处理日志。
上述处理日志的内容包括但不限于有故障原因标签、处理后该目标设备的特征参数，例如处理后设备的温度、功率和噪音等。
S507、数据采集服务端依据获取的该目标设备的上述处理日志归档形成该目标设备的巡检记录，并将该巡检记录发送至数据库存储。
S508、数据采集服务端获取数据库中的该目标设备的巡检记录，对该目标设备的巡检数据分析处理，预测该目标设备的健康状态。
数据采集服务端获取数据库中该目标设备目标时间段内的巡检记录中的N个特征参数信息，使用本申请提供的设备巡检数据处理方法，预测该目标设备的健康状态。
预测到该目标设备的健康状态后，数据采集服务端向通过服务端向数据库发送该目标设备的健康状态，用于更新该目标设备的健康状态标签。
预测到该目标设备的健康状态后，若预测的该目标设备的健康状态低于预设的健康状态，则数据采集服务端利用消息推送装置向该目标设备的负责人的移动终端设备发送该目标设备的健康状态的提示消息。该目标设备的负责人接收该提示消息后，安排对该目标设备再次巡检。
应理解，上述步骤S508可以与前述步骤S501-S507采用异步执行的方式进行。
本申请实施例提供的设备巡检方法，通过扫描目标设备二维码的方式进行巡检，设置位置判断和异常消息推送，并通过对获得的巡检数据的分析预测目标设备的健康状态，并将预测的该目标设备的健康状态可视化显示。若预测的该目标设备的健康状态低于预设健康状态时，对该目标设备进行再次巡检，避免出现设备故障，提高设备利用率，进而提升数据中心机房的运转可靠性。
图5为本申请实施例提供的一种设备巡检数据处理装置的结构示意图。如图5所示，该装置包括：第一获取模块11，预处理模块12，第二获取模块13，预测模块14。可选地，该装置还可以包括：更新模块15和/或输出模块16。
第一获取模块11，用于获取目标时间段内巡检目标设备得到的该目标设备的N个特征参数的数据集，该特征参数的数据集包括在上述目标时间段内M次巡检得到的该特征参数的M个数据；上述N为大于或等于1的整数，上述M为大于或等于2的整数；
预处理模块12，用于对各特征参数的数据集中的数据进行预处理，得到各上述特征参数预处理后的数据集；
第二获取模块13，用于基于各特征参数预处理后的数据集，获取该目标设备在上述目标时间段的健康指数观测序列，该健康指数观测序列包括M个元素，每个元素对应一次巡检，用于表征基于该次巡检得到的N个特征参数的数据获取的该目标设备的健康指数；
预测模块14，用于根据上述健康指数观测序列，预测该目标设备的健康状态。
一种可能的实现方式，第二获取模块13，具体用于获取各所述特征参数的权重；将各所述特征参数预处理后的数据集中同一次巡检得到的各特征参数的数据与权重的乘积相加，得到该次巡检对应的所述目标设备的健康指数；利用各次巡检对应的所述目标设备的健康指数，生成所述目标设备在所述目标时间段的健康指数观测序列。
例如，第二获取模块13，具体用于根据所有所述特征参数的数据集，生成包括所有所述特征参数的数据的数据矩阵；利用主成分分析法对所述数据矩阵进行处理，获取各所述特征参数的权重。
一种可能的实现方式，预测模块14，具体用于采用维特比算法，利用所述健康指数观测序列，以及，用于预测健康状态的分级模型，预测所述目标设备的健康状态；所述分级模型采用初始健康状态向量、健康状态转移概率矩阵和观测概率矩阵进行表示。示例性的，所述分级模型为根据预设的设备健康状态，构建并采用样本健康指数观测序列训练得到的基于期望最大化算法的隐马尔可夫HMM。
一种可能的实现方式，更新模块15，用于在预测模块14根据上述健康指数观测序列，预测该目标设备的健康状态之后，在该目标设备的设备信息中更新该目标设备的健康状态的标签。
一种可能的实现方式，输出模块16，用于在预测模块14根据上述健康指数观测序列，预测该目标设备的健康状态之后，若该目标设备的健康状态低于预设健康状态，则输出该目标设备的健康状态的提示信息，以触发对该目标设备再次巡检的巡检任务。
本申请提供的设备巡检数据处理装置，可以执行上述方法实施例中的设备巡检数据处理方法，其实现原理和技术效果类似，在此不再赘述。
图6为本申请提供的一种电子设备600结构示意图。如图6所示，该电子设备600可以包括：至少一个处理器601、存储器602。该电子设备可以是终端、服务器、计算机设备等具有处理能力的设备，也可以是具有处理能力的芯片、芯片模组等。
存储器602，用于存储程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
存储器602可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器601用于执行存储器602存储的计算机执行指令，以实现前述方法实施例所描述的设备巡检数据处理方法。其中，处理器601可能是一个中央处理器(CentralProcessing Unit，简称为CPU)，或者是特定集成电路(Application Specific IntegratedCircuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
该电子设备600还可以包括通信接口603，以通过通信接口603可以与外部设备进行通信交互。外部设备例如可以手机、平板等。
在具体实现上，如果通信接口603、存储器602和处理601独立实现，则通信接口603、存储器602和处理601可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果通信接口603、存储器602和处理601集成在一块芯片上实现，则通信接口603、存储器602和处理601可以通过内部接口完成通信。
本申请还提供了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：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或者光盘等各种可以存储程序代码的介质，具体的，该计算机可读存储介质中存储有程序指令，程序指令用于上述实施例中的方法。
本申请还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。电子设备600的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得电子设备600实施上述的各种实施方式提供的设备巡检数据处理方法。
本申请还提供一种芯片，所述芯片上存储有计算机程序，所述计算机程序被所述芯片执行时，实现各种实施方式提供的设备巡检数据处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种设备巡检数据处理方法，其特征在于，所述方法包括：
获取目标时间段内巡检目标设备得到的所述目标设备的N个特征参数的数据集，所述特征参数的数据集包括在所述目标时间段内M次巡检得到的该特征参数的M个数据；所述N为大于或等于1的整数，所述M为大于或等于2的整数；
对各所述特征参数的数据集中的数据进行预处理，得到各所述特征参数预处理后的数据集；
采用各所述特征参数预处理后的数据集，获取所述目标设备在所述目标时间段的健康指数观测序列，所述健康指数观测序列包括M个元素，每个元素对应一次巡检，用于表征基于该次巡检得到的N个特征参数的数据获取的所述目标设备的健康指数；
根据所述健康指数观测序列，预测所述目标设备的健康状态。
2.根据权利要求1所述的方法，其特征在于，所述采用各所述特征参数预处理后的数据集，获取所述目标设备在所述目标时间段的健康指数观测序列，包括：
获取各所述特征参数的权重；
将各所述特征参数预处理后的数据集中同一次巡检得到的各特征参数的数据与权重的乘积相加，得到该次巡检对应的所述目标设备的健康指数；
利用各次巡检对应的所述目标设备的健康指数，生成所述目标设备在所述目标时间段的健康指数观测序列。
3.根据权利要求2所述的方法，其特征在于，所述获取各所述特征参数的权重，包括：
根据所有所述特征参数的数据集，生成包括所有所述特征参数的数据的数据矩阵；
利用主成分分析法对所述数据矩阵进行处理，获取各所述特征参数的权重。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述健康指数观测序列，预测所述目标设备的健康状态，包括：
采用维特比算法，利用所述健康指数观测序列，以及，用于预测健康状态的分级模型，预测所述目标设备的健康状态；所述分级模型采用初始健康状态向量、健康状态转移概率矩阵和观测概率矩阵进行表示。
5.根据权利要求4所述的方法，其特征在于，所述分级模型为根据预设的设备健康状态，构建并采用样本健康指数观测序列训练得到的基于期望最大化算法的隐马尔可夫HMM。
6.根据权利要求4所述的方法，其特征在于，所述根据所述健康指数观测序列，预测所述目标设备的健康状态之后，所述方法还包括：
在所述目标设备的设备信息中更新所述目标设备的健康状态的标签。
7.根据权利要求4所述的方法，其特征在于，所述根据所述健康指数观测序列，预测所述目标设备的健康状态之后，所述方法还包括：
若所述目标设备的健康状态低于预设健康状态，则输出所述目标设备的健康状态的提示信息，以触发对所述目标设备再次巡检的巡检任务。
8.一种设备巡检数据处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标时间段内巡检目标设备得到的所述目标设备的N个特征参数的数据集，所述特征参数的数据集包括在所述目标时间段内M次巡检得到的该特征参数的M个数据；所述N为大于或等于1的整数，所述M为大于或等于2的整数；
预处理模块，用于对各所述特征参数的数据集中的数据进行预处理，得到各所述特征参数预处理后的数据集；
第二获取模块，用于基于各所述特征参数预处理后的数据集，获取所述目标设备在所述目标时间段的健康指数观测序列，所述健康指数观测序列包括M个元素，每个元素对应一次巡检，用于表征基于该次巡检得到的N个特征参数的数据获取的所述目标设备的健康指数；
预测模块，用于根据所述健康指数观测序列，预测所述目标设备的健康状态。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的设备巡检数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211210623.2A CN115526503A (zh) | 2022-09-30 | 2022-09-30 | 设备巡检数据处理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211210623.2A CN115526503A (zh) | 2022-09-30 | 2022-09-30 | 设备巡检数据处理方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115526503A true CN115526503A (zh) | 2022-12-27 |
Family
ID=84702244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211210623.2A Pending CN115526503A (zh) | 2022-09-30 | 2022-09-30 | 设备巡检数据处理方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115526503A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720854A (zh) * | 2023-08-11 | 2023-09-08 | 成都煦联得节能科技有限公司 | 基于智慧巡检的设备协调控制方法及系统 |
| CN118199955A (zh) * | 2024-03-14 | 2024-06-14 | 山东云天安全技术有限公司 | 异常通讯设备确定方法、装置、介质和设备 |
-
2022
- 2022-09-30 CN CN202211210623.2A patent/CN115526503A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116720854A (zh) * | 2023-08-11 | 2023-09-08 | 成都煦联得节能科技有限公司 | 基于智慧巡检的设备协调控制方法及系统 |
| CN116720854B (zh) * | 2023-08-11 | 2023-11-03 | 成都煦联得节能科技有限公司 | 基于智慧巡检的设备协调控制方法及系统 |
| CN118199955A (zh) * | 2024-03-14 | 2024-06-14 | 山东云天安全技术有限公司 | 异常通讯设备确定方法、装置、介质和设备 |
| CN118199955B (zh) * | 2024-03-14 | 2024-11-08 | 山东云天安全技术有限公司 | 异常通讯设备确定方法、装置、介质和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| Temniranrat et al. | A system for automatic rice disease detection from rice paddy images serviced via a Chatbot | |
| Dejaeger et al. | Data mining techniques for software effort estimation: a comparative study | |
| Prangle et al. | Diagnostic tools for approximate Bayesian computation using the coverage property | |
| CA3137079A1 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
| CN115526503A (zh) | 设备巡检数据处理方法、装置、设备及可读存储介质 | |
| CN106095942A (zh) | 强变量提取方法及装置 | |
| JP7294369B2 (ja) | 情報処理に用いられる方法、装置、電子機器及びプログラム | |
| CN111046979A (zh) | 一种基于小样本学习的badcase发现方法及系统 | |
| US20200334557A1 (en) | Chained influence scores for improving synthetic data generation | |
| Lataniotis | Data-driven uncertainty quantification for high-dimensional engineering problems | |
| CN116340796A (zh) | 时序数据分析方法、装置、设备及存储介质 | |
| Shu et al. | Perf-al: Performance prediction for configurable software through adversarial learning | |
| Pedroni | Computational methods for the robust optimization of the design of a dynamic aerospace system in the presence of aleatory and epistemic uncertainties | |
| CN110704668B (zh) | 基于网格的协同注意力vqa方法和装置 | |
| Li et al. | Research on a small sample fault diagnosis method for a high-pressure common rail system | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| Polo et al. | Efficient multi-prompt evaluation of LLMs | |
| EP4449441A1 (en) | A computer implemented method and a system | |
| CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
| JP2019101681A (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
| Zhu | Real-time prognostics of engineered systems under time varying external conditions based on the cox phm and varx hybrid approach | |
| CN110955755A (zh) | 一种确定目标标准信息的方法和系统 | |
| CN117670366A (zh) | 风险预测方法、装置、设备、介质和程序产品 | |
| CA3130687C (en) | System and method for performing operations on multi-dimensional functions |
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 |