用于工业设备的故障预测方法、装置、设备及存储介质制造方法及图纸

本申请涉及工业设备故障检测技术领域，公开一种用于工业设备的故障预测方法，应用于工业设备，包括获取所述工业设备的当前模型参数并发送至所述工业设备相关联的服务器，所述当前模型参数由所述工业设备通过第一模型对运行数据进行模型训练获得；获取所述服务器发送的目标模型参数，所述目标模型参数由所述服务器通过第二模型对所述当前模型参数进行模型训练获得并发送至所述工业设备；根据所述目标模型参数，获得预测特征数据；根据所述预测特征数据与所述工业设备的故障特征数据，确定所述工业设备的使用寿命。该方法能够提升工业设备故障预测的精准度。本申请还公开一种用于工业设备的故障预测装置、设备及存储介质。设备及存储介质。设备及存储介质。

【技术实现步骤摘要】
用于工业设备的故障预测方法、装置、设备及存储介质


[0001]本申请涉及工业设备故障检测
，例如涉及一种用于工业设备的故障预测方法、装置、设备及存储介质。

技术介绍

[0002]目前，工业设备造价成本高昂且需要长时间高负荷运作，工业设备间断性出现故障宕机的情况，这使工厂端产生巨额维护费用以及生产损失。为此，需要对工业设备的故障情况进行预测，以在故障发生前对可能出现的故障进行预警。
[0003]传统的工业设备的故障预测方式为采用长短时记忆网络对工业设备的故障进行预测，然而，工业设备通常批量运作，前述的长短时记忆网络通常只对工业设备本地的运行数据进行模型训练，并无法兼顾与该工业设备同类型的其他设备的运行数据，使得模型运行更新所得的数据准确性不够，从而影响工业设备故障预测的精准度。
[0004]在实现本公开实施例的过程中，发现相关技术中至少存在如下问题：
[0005]现有的工业设备采用本地模型训练的方式，影响工业设备故障预测的精准度。

技术实现思路

[0006]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0007]本公开实施例提供了一种用于工业设备的故障预测方法、装置、设备和存储介质，以提升工业设备故障预测的精准度。
[0008]在一些实施例中，所述方法，应用于工业设备，包括获取所述工业设备的当前模型参数并发送至所述工业设备相关联的服务器，所述当前模型参数由所述工业设备通过第一模型对运行数据进行模型训练获得；获取所述服务器发送的目标模型参数，所述目标模型参数由所述服务器通过第二模型对所述当前模型参数进行模型训练获得并发送至所述工业设备；根据所述目标模型参数，获得预测特征数据；根据所述预测特征数据与所述工业设备的故障特征数据，确定所述工业设备的使用寿命。
[0009]在一些实施例中，所述方法，应用于服务器，包括通过第二模型对当前模型参数进行模型训练，获得目标模型参数，所述当前模型参数由所述服务器相关联的工业设备通过第一模型对该工业设备的运行数据模型训练获得并发送至所述服务器；将所述目标模型参数发送至所述工业设备，以使所述工业设备根据所述目标模型参数生成预测特征数据，并根据所述预测特征数据与故障特征数据确定所述工业设备的使用寿命。
[0010]在一些实施例中，所述装置包括：处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在运行所述程序指令时，执行如前述的用于工业设备的故障预测方法。
[0011]在一些实施例中，所述工业设备，包括如前述的用于工业设备的故障预测装置。
[0012]在一些实施例中，所述存储介质，存储有程序指令，所述程序指令在运行时，执行如前述的用于工业设备的故障预测方法。
[0013]本公开实施例提供的用于工业设备的故障预测方法、装置、设备和存储介质，可以实现以下技术效果：
[0014]采用本公开实施例提供的用于工业设备的故障预测方法，工业设备将其当前模型参数发送至与其相关联的服务器，使服务器通过第二模型对该当前模型参数进行模型训练并获得目标模型参数，使得服务器对获取到的工业设备的当前模型参数进行综合模型训练处理，从而获得更为准确的目标模型参数，工业设备进而可获得较为准确的预测特征数据。该方法提升了工业设备故障预测的精准度。
[0015]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0016]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0017]图1是工业设备故障预测系统环境示意图；
[0018]图2是本公开实施例提供的一个用于工业设备的故障预测方法的示意图；
[0019]图3是本公开实施例提供的一个用于工业设备的故障预测方法的示意图；
[0020]图4是本公开实施例提供的另一个用于工业设备的故障预测方法的示意图；
[0021]图5是本公开实施例提供的另一个用于工业设备的故障预测方法的示意图；
[0022]图6是本公开实施例提供的另一个用于工业设备的故障预测方法的示意图；
[0023]图7是本公开实施例提供的另一个用于工业设备的故障预测方法的示意图；
[0024]图8是本公开实施例提供的另一个用于工业设备的故障预测方法的示意图；
[0025]图9是本公开实施例提供的另一个用于工业设备的故障预测装置的示意图。
具体实施方式
[0026]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0027]本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
[0028]除非另有说明，术语“多个”表示两个或两个以上。
[0029]本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。
[0030]术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。
[0031]术语“对应”可以指的是一种关联关系或绑定关系，A与B相对应指的是A与B之间是一种关联关系或绑定关系。
[0032]本公开实施例中，智能家电设备是指将微处理器、传感器技术、网络通信技术引入家电设备后形成的家电产品，具有智能控制、智能感知及智能应用的特征，智能家电设备的运作过程往往依赖于物联网、互联网以及电子芯片等现代技术的应用和处理，例如智能家电设备可以通过连接电子设备，实现用户对智能家电设备的远程控制和管理。
[0033]公开实施例中，终端设备是指具有无线连接功能的电子设备，终端设备可以通过连接互联网，与如上的智能家电设备进行通信连接，也可以直接通过蓝牙、wifi等方式与如上的智能家电设备进行通信连接。在一些实施例中，终端设备例如为移动设备、电脑、或悬浮车中内置的车载设备等，或其任意组合。移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等，或其任意组合，其中，可穿戴设备例如包括：智能手表、智能手环、计步器等。
[0034]结合图1所示，本公开实施例提供一种工业设备故障预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于工业设备的故障预测方法，其特征在于，应用于工业设备，包括：获取所述工业设备的当前模型参数并发送至所述工业设备相关联的服务器，所述当前模型参数由所述工业设备通过第一模型对运行数据进行模型训练获得；获取所述服务器发送的目标模型参数，所述目标模型参数由所述服务器通过第二模型对所述当前模型参数进行模型训练获得并发送至所述工业设备；根据所述目标模型参数，获得预测特征数据；根据所述预测特征数据与所述工业设备的故障特征数据，确定所述工业设备的使用寿命。2.根据权利要求1所述的方法，其特征在于，所述工业设备有多个且多个工业设备的运行数据的类型相同，所述获取所述服务器发送的目标模型参数之前，还包括：所述多个工业设备获取所述服务器发送的建模请求；所述多个工业设备根据所述建模请求，构建建模协议；根据所述服务器发送的初始参数，对所述运行数据进行模型训练，所述初始参数由所述服务器在所述建模协议建立后生成并发送至所述多个工业设备。3.根据权利要求1所述的方法，其特征在于，所述根据所述预测特征数据与所述故障特征数据，确定所述工业设备的使用寿命，包括：提取所述故障特征数据的第一波形特征并提取所述预测数据的第二波形特征；在所述第二波形特征与所述第一波形特征相匹配的情况下，获取携带有所述第二波形特征的目标时刻；将所述目标时刻以及所述第一波形特征对应的时刻的时间差值作为所述工业设备的使用寿命。4.根据权利要求1至3任一项所述的方法，其特征在于，所述第一模型和/或所述第二模型为GRU模型。5.一种用于工业设备的故障预测方法，其特征在于，应用于服务器，包括：通过第二模型对当前模型参数进行模型训练，获得目标模型参数，所述当前模型参数由所述服务器相关联...

【专利技术属性】
技术研发人员：周正，
申请(专利权)人：海尔智家股份有限公司，
类型：发明
国别省市：