一种基于节点嵌入的设备健康度评估方法技术

本发明专利技术公开了一种基于节点嵌入的设备健康度评估方法，涉及设备健康度评估方法。目前设备健康度评估不能保证准确性的同时，降低对人员的技术要求；本发明专利技术包括步骤：构建设备关联图模型，并通过特征抽取定义设备关联图中的节点特征；基于设备关联图进行设备健康度评估；本技术方案采用设备关联图，表征设备之间的复杂关联，有效地捕捉到了设备间的全部关联，能更为准确地体现设备健康度影响因素的影响效果，获得更准确的健康度数值。通过设备最直观的基本信息与运行信息定义设备特征，摆脱现有方法对专家知识的依赖；面向不同类型的设备，在没有专家知识定义的专属特征的前提下，也能够正常运行，准确地实现设备健康度评估，降低了对人员的要求。降低了对人员的要求。降低了对人员的要求。

【技术实现步骤摘要】
一种基于节点嵌入的设备健康度评估方法


[0001]本专利技术涉及设备健康度评估方法，尤其涉及一种基于节点嵌入的设备健康度评估方法。

技术介绍

[0002]随着信息设备自动化、集成化水平的提高，经典设备资产管理方法已无法满足当前设备管理需求。大量的路由器、交换机与专业生产设备的基本信息与运行状态数据超出了传统专家经验的分析能力，亟需智能化分析方法迁移应用。
[0003]现有的设备健康度评估方法大多基于可靠性为中心(RCM)的维修理念，通过定量建模描述历史故障数据，结合专家评估以确定设备的寿命与可靠性，进行预防维护决策，减少潜在的停产损失。
[0004]其中，传统方法多基于统计量定义、回归分析技术，典型的有相对健康度模型及其面向和领域的改进模型。基于专家知识定义应用场景下的统计量，例如设备运行指标、设备温度、相关产品技术指标等，再通过多元回归、熵值修正等技术实现统计量权重的计算，最终使用获得的相对健康度模型预测未来设备的健康度。
[0005]机器学习技术的发展为设备健康度评估引入了新的思路。现有的基于机器学习的方法同样基于专家知识定义设备关键特征，如设备基本信息、运行指标等，随后使用XGBoost、聚类等机器学习算法进行特征建模，通过大量数据的训练以获取良好的分类或预测模型。
[0006]深度学习技术同样有所应用，但受限于深度学习模型所需的数据量与标签数量，相关技术迁移尚处于初步阶段，有研究者使用序列模型预测单一设备未来健康度，但相关准确率有待提升。特别是基于图节点嵌入的方法尚未迁移应用至设备健康度评估领域。
[0007]缺陷与不足：
[0008]基于不同技术的设备健康度预测方法存在不同的缺陷，包括：
[0009]1.基于统计的经典方法无法有效提取数据中的高层特征，其分类或预测的能力不足，导致健康度评估准确率不高，对生产环境中设备的维护指导意义有限。
[0010]2.基于机器学习的方法在一定程度上提高了评估准确率，但同样依赖于专家知识的引入，针对不同应用场景、不同设备状态的迁移能力不足。
[0011]3.基于深度学习方法在设备健康度评估领域中的应用方式还需要进一步研究，序列预测等方法只适用于单一设备，且消耗大量的计算资源，难以在拥有大量设备的真实场景中落地应用。

技术实现思路

[0012]本专利技术要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于节点嵌入的设备健康度评估方法，以达到在保证评估准确率的同时，降低对人员的技术要求目的。为此，本专利技术采取以下技术方案。
[0013]一种基于节点嵌入的设备健康度评估方法，包括以下步骤：
[0014]1)构建设备关联图模型，并通过特征抽取定义设备关联图中的节点特征；
[0015]11)获取设备信息；
[0016]设备信息包括设备基本信息、设备使用信息以面向具体设备类型的信息；设备基本信息包括生产厂商、出厂时间、设备类型；设备使用信息包括设备物理位置、日均工作时间、日均故障次数、日均温度；面向具体设备类型的信息包括基于设备类型的工作信息；
[0017]12)确定设备关联关系；
[0018]设备关联为设备信息之间的关联，若两台设备的某项信息相同，则视为两台设备间存在关联；
[0019]13)根据设备关联关系构建设备关联图；
[0020]首先对原始数据进行处理，针对每台设备，生成其设备信息向量作为设备特征；随后为每台设备构建节点，添加设备特征向量作为属性，若健康度已知，则添加作为标签；随后两两计算节点间的权重，并生成对应权重大于0的边；
[0021]2)基于设备关联图进行设备健康度评估；
[0022]基于设备关联图的边权重，捕捉设备间的全部关联，预测所有未知设备的健康度。
[0023]作为优选技术手段：在步骤13)中，设备关联图为一类图结构，包括节点和边；
[0024]节点：
[0025]其中每个节点表征一台设备，节点的属性即为该设备的信息构成的特征向量，其中连续值由下式归一化至[0,1]区间，离散值处理为独热码；
[0026]标准化处理公式如下：
[0027][0028]其中y
i
指字段i的标准化结果，x
i
指本设备在字段i的值，max(x)与min(x)指所有设备在字段i上的最大值与最小值；
[0029]节点的标签为设备的健康度，其数值作为标签赋予对应的节点；
[0030]边：
[0031]设备关联图中的每条边都链接两个节点，边没有方向，但拥有权重；边的构建遵循如下流程：
[0032]a)记任意两节点之间的边的权重为0；
[0033]b)对任意两个节点，考察其对应的设备的信息；在设备信息中每存在一个相同的字段，这两个节点之间的边的权重增加1；
[0034]c)在节点之间生成所有权重大于0的边。
[0035]作为优选技术手段：步骤13)中，构建设备关联图包括以下步骤：
[0036]131)获取设备信息，生成设备特征；
[0037]132)根据设备特征生成节点；
[0038]133)判断是否所有设备都生成了节点，若否，返回步骤131)，若是，进入下一步；
[0039]134)节点间权重计算；两两计算节点间的权重；
[0040]135)生成对应权重大于0的边。
[0041]作为优选技术手段：步骤2)包括以下步骤：
[0042]21)基于设备关联图，在图上进行随机游走获得节点序列；
[0043]22)随后基于节点序列利用Woed2Vec算法计算节点嵌入向量；
[0044]23)基于三层感知机，将节点嵌入向量与已知标签作为输入至感知机模型，感知机模型预测所有标签位置的节点标签，对设备健康度进行评估。
[0045]作为优选技术手段：步骤21)中，由于设备关联图是一类静态的同构图，故需要对随机游走的转移概率进行调整：将当前处于节点v，下一步将转移到节点t的概率调整为：
[0046][0047][0048]其中weight(t,v)代表了节点v与节点t之间的边的权重，N
w
(v)代表了节点v与所有邻居节点之间的边的权重和；t
i
指每一个与v相邻的节点，即为将每一个与v相邻的节点和v之间的连边权重求和。
[0049]作为优选技术手段：选定游走获得的路径中节点数目为10。Otherwise指“其他”，在公式中，当(t,v)∈E时有其他情况下时有P(t|v)＝0
[0050]作为优选技术手段：步骤22)中，Word2vec为一种图节点嵌入算法，将节点嵌入成向量，并使得属性相似的节点所获得的嵌入向量尽可能接近；
[0051]对于步骤21)中随机游走获得的路径中的任意一条n
v
‑
c
,
…
,n
v+c
中的节点v，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于节点嵌入的设备健康度评估方法，其特征在于包括以下步骤：1)构建设备关联图模型，并通过特征抽取定义设备关联图中的节点特征；11)获取设备信息；设备信息包括设备基本信息、设备使用信息以面向具体设备类型的信息；设备基本信息包括生产厂商、出厂时间、设备类型；设备使用信息包括设备物理位置、日均工作时间、日均故障次数、日均温度；面向具体设备类型的信息包括基于设备类型的工作信息；12)确定设备关联关系；设备关联为设备信息之间的关联，若两台设备的某项信息相同，则视为两台设备间存在关联；13)根据设备关联关系构建设备关联图；首先对原始数据进行处理，针对每台设备，生成其设备信息向量作为设备特征；随后为每台设备构建节点，添加设备特征向量作为属性，若健康度已知，则添加作为标签；随后两两计算节点间的权重，并生成对应权重大于0的边；2)基于设备关联图进行设备健康度评估；基于设备关联图的边权重，捕捉设备间的全部关联，预测所有未知设备的健康度。2.根据权利要求1所述的一种基于节点嵌入的设备健康度评估方法，其特征在于：在步骤13)中，设备关联图为一类图结构，包括节点和边；节点：其中每个节点表征一台设备，节点的属性即为该设备的信息构成的特征向量，其中连续值由下式归一化至[0,1]区间，离散值处理为独热码；标准化处理公式如下：其中y
i
指字段i的标准化结果，x
i
指本设备在字段i的值，max(x)与min(x)指所有设备在字段i上的最大值与最小值；节点的标签为设备的健康度，其数值作为标签赋予对应的节点；边：设备关联图中的每条边都链接两个节点，边没有方向，但拥有权重；边的构建遵循如下流程：a)记任意两节点之间的边的权重为0；b)对任意两个节点，考察其对应的设备的信息；在设备信息中每存在一个相同的字段，这两个节点之间的边的权重增加1；c)在节点之间生成所有权重大于0的边。3.根据权利要求2所述的一种基于节点嵌入的设备健康度评估方法，其特征在于：步骤13)中，构建设备关联图包括以下步骤：131)获取设备信息，生成设备特征；132)根据设备特征生成节点；133)判断是否所有设备都生成了节点，若否，返回步骤131)，若是，进入下一步；
134)节点间权重计算；两两计算节点间的权重；135)生成对应权重大于0的边。4.根据权利要求3所述的一种基于节点嵌入的设备健康度评估方法，其特征在于：步骤2)包括以下步骤：21)基于设备关联图，在图上进行随机游走获得节点序列；22)随后基于节点序列利用Woed2Vec算法计算节点嵌入向量；23)...

【专利技术属性】
技术研发人员：陈宵，陈勇，李剑，王豪磊，甘纯，吴昊，张引贤，张静，许敏，由甲川，胡松苗，沈远飞，张超，蔡铁林，许震，
申请(专利权)人：国网浙江省电力有限公司信息通信分公司，
类型：发明
国别省市：