一种故障预测方法及其相关设备技术

本申请公开了一种故障预测方法及其相关设备，在针对设备进行故障预测的过程中，所考虑的因素较为全面，这样最终得到的设备的故障预测结果可具备较高的准确度。本申请的方法包括：获取目标设备的历史故障信息，历史故障信息用于指示目标设备在第1个时刻至第T

【技术实现步骤摘要】
一种故障预测方法及其相关设备


[0001]本申请实施例涉及人工智能(artificial intelligence，AI)
，尤其涉及一种故障预测方法及其相关设备。

技术介绍

[0002]设备故障预测，指设备的故障尚未发生，通过AI技术中的神经网络模型，基于设备的某些信息来预测设备是否可能发生某种或某些故障，以向设备工程师告知故障预测结果，从而使得设备工程师基于故障预测结果可及时维修设备。
[0003]相关技术中，可先获取设备的历史故障信息，历史故障信息用于指示设备在过去曾经发生过的多个故障，并把历史故障信息输入至神经网络模型中。接着，神经网络模型可对历史故障信息进行一系列的处理，从而得到设备在未来发生这多个故障的概率，也就是设备的故障预测结果。至此，则完成了针对设备的故障预测。
[0004]上述过程中，神经网络模型在针对设备进行故障预测的过程中，也就是对设备的历史故障信息进行处理的过程中，通常只考虑设备在过去曾经发生过的多个故障在故障预测过程中所付出的贡献度，所考虑的因素较为单一，这样会导致最终得到的设备的故障预测结果不够准确。

技术实现思路

[0005]本申请实施例提供了一种故障预测方法及其相关设备，在针对设备进行故障预测的过程中，所考虑的因素较为全面，这样最终得到的设备的故障预测结果可具备较高的准确度。
[0006]本申请实施例提供了一种故障预测方法，该方法通过目标模型实现，该方法包括：
[0007]当需要针对目标设备进行故障预测时，可先获取目标设备的历史故障信息并将目标设备的历史故障信息输入至目标模型中，其中，目标设备的历史故障信息用于指示目标设备在第1个时刻至第T
‑
1个时刻中发生过的N个故障，T≥2，N≥2。
[0008]得到目标设备的历史故障信息后，可将目标设备的历史故障信息输入至目标模型，目标模型可对目标设备的历史故障信息进行处理，从而得到目标设备在第1个时刻至第T
‑
1个时刻中所发生过的N个故障之间的因果关系以及N个故障的权重。其中，N个故障的权重用于指示在对目标设备进行故障预测的过程中N个故障所发挥的作用，也就是N个故障的重要程度。
[0009]得到N个故障之间的因果关系以及N个故障的权重后，目标模型可对目标设备的历史故障信息、N个故障之间的因果关系以及N个故障的权重进行处理，从而得到目标设备在第T个时刻中发生N个故障的概率，也就是目标设备的故障预测结果。至此，则完成了针对目标设备的故障预测。
[0010]从上述方法可以看出：当需要针对目标设备进行故障预测时，可先获取目标设备的历史故障信息并将目标设备的历史故障信息输入至目标模型中，目标设备的历史故障信
息用于指示目标设备在第1个时刻至第T
‑
1个时刻中发生过的N个故障。然后，目标模型可对目标设备的历史故障信息进行处理，从而得到N个故障之间的因果关系以及N个故障的权重。最后，目标模型可对目标设备的历史故障信息、N个故障之间的因果关系以及N个故障的权重进行处理，从而得到目标设备在第T个时刻中发生N个故障的概率。前述过程中，目标模型在针对目标设备进行故障预测的过程中，不仅考虑目标设备在第1个时刻至第T
‑
1个时刻中发生过的N个故障之间的因果关系，还考虑了N个故障的权重(也就是N个故障在针对目标设备的故障预测过程中的重要程度)，所考虑的因素较为全面，这样最终得到的目标设备的故障预测结果(即目标设备在第T个时刻中发生N个故障的概率)可具备较高的准确度。
[0011]在一种可能实现的方式中，基于历史故障信息，获取N个故障之间的因果关系以及N个故障的权重包括：对历史故障信息进行第一特征提取，得到N个故障之间的因果关系；从历史故障信息中提取子历史故障信息，子历史故障信息用于指示目标设备在第T
‑
w个时刻至第T
‑
1个时刻中发生过的P个故障，N个故障包含P个故障，N≥P≥1，T＞w≥1；对N个故障之间的因果关系以及子历史故障信息进行第二特征提取，得到N个故障的权重。前述实现方式中，在接收到目标设备的历史故障信息后，目标模型可对目标设备的历史故障信息进行第一特征提取，从而得到目标设备在第1个时刻至第T
‑
1个时刻中所发生过的N个故障之间的因果关系。得到N个故障之间的因果关系后，目标模型可从目标设备的历史故障信息中提取出目标设备的子历史故障信息，目标设备的子历史故障信息用于指示目标设备在第T
‑
w个时刻至第T
‑
1个时刻中发生过的P个故障。得到N个故障之间的因果关系以及目标设备的子历史故障信息后，目标模型可对N个故障之间的因果关系以及子历史故障信息进行第二特征提取，从而准确得到N个故障的权重。
[0012]在一种可能实现的方式中，基于历史故障信息、N个故障之间的因果关系以及N个故障的权重，获取目标设备在第T个时刻中发生N个故障的概率包括：基于N个故障之间的因果关系以及N个故障的权重，获取N个故障中的M个故障之间的因果关系，N≥M≥1；基于历史故障信息以及M个故障之间的因果关系，获取目标设备在第T个时刻中发生N个故障的概率。前述实现方式中，目标模型可先对N个故障之间的因果关系以及N个故障的权重进行处理，从而得到N个故障中的M个故障之间的因果关系，M个故障之间的因果关系也可称为目标设备的故障证据链，用于为目标设备的故障预测结果提供解释说明。得到M个故障之间的因果关系后，目标模型还可对目标设备的历史故障信息以及M个故障之间的因果关系进行处理，从而得到目标设备在第T个时刻中发生N个故障的概率，也就是目标设备的故障预测结果。那么，目标设备的故障证据链和目标设备的故障预测结果可作为目标模型的两个输出，从而为用户提供针对目标设备的故障预测服务以及针对目标设备的故障预测的可视化说明。
[0013]在一种可能实现的方式中，基于N个故障之间的因果关系以及N个故障的权重，获取N个故障中的M个故障之间的因果关系包括：在N个故障之间的因果关系中，将权重小于第一权重阈值的N
‑
M个故障剔除，得到N个故障中的M个故障之间的因果关系。前述实现方式中，在得到目标设备的子历史故障信息、N个故障的权重以及N个故障之间的因果关系后，目标模型可在N个故障之间的因果关系中，将权重小于第一权重阈值的N
‑
M个故障剔除，从而得到N个故障中的M个故障之间的因果关系，值得注意的是，此时，这M个故障之间的因果关系上附带有这M个故障的权重，也就是说，目标设备的故障证据链不仅包含了这M个故障之间的因果关系，还包含这M个故障的权重，这样可以为用户提供更具细节的故障预测的解释
说明。
[0014]在一种可能实现的方式中，基于历史故障信息以及M个故障之间的因果关系，获取目标设备在第T个时刻中发生N个故障的概率包括：对M个故障之间的因果关系以及子历史故障信息进行第三特征提取，得到目标设备在第T个时刻中发生N个故障的概率。前述实现方式中，在得到M个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障预测方法，其特征在于，所述方法通过目标模型实现，所述方法包括：获取目标设备的历史故障信息，所述历史故障信息用于指示所述目标设备在第1个时刻至第T
‑
1个时刻中发生过的N个故障，T≥2，N≥2；基于所述历史故障信息，获取所述N个故障之间的因果关系以及所述N个故障的权重，所述N个故障的权重用于指示所述N个故障的重要程度；基于所述历史故障信息、所述N个故障之间的因果关系以及所述N个故障的权重，获取所述目标设备在第T个时刻中发生所述N个故障的概率。2.根据权利要求1所述的方法，其特征在于，所述基于所述历史故障信息，获取所述N个故障之间的因果关系以及所述N个故障的权重包括：对所述历史故障信息进行第一特征提取，得到所述N个故障之间的因果关系；从所述历史故障信息中提取子历史故障信息，所述子历史故障信息用于指示目标设备在第T
‑
w个时刻至第T
‑
1个时刻中发生过的P个故障，所述N个故障包含所述P个故障，N≥P≥1，T＞w≥1；对所述N个故障之间的因果关系以及所述子历史故障信息进行第二特征提取，得到所述N个故障的权重。3.根据权利要求1或2所述的方法，其特征在于，所述基于所述历史故障信息、所述N个故障之间的因果关系以及所述N个故障的权重，获取所述目标设备在第T个时刻中发生所述N个故障的概率包括：基于所述N个故障之间的因果关系以及所述N个故障的权重，获取所述N个故障中的M个故障之间的因果关系，N≥M≥1；基于所述历史故障信息以及所述M个故障之间的因果关系，获取所述目标设备在第T个时刻中发生所述N个故障的概率。4.根据权利要求3所述的方法，其特征在于，所述基于所述N个故障之间的因果关系以及所述N个故障的权重，获取所述N个故障中的M个故障之间的因果关系包括：在所述N个故障之间的因果关系中，将权重小于第一权重阈值的N
‑
M个故障剔除，得到所述N个故障中的M个故障之间的因果关系。5.根据权利要求4所述的方法，其特征在于，所述基于所述历史故障信息以及所述M个故障之间的因果关系，获取所述目标设备在第T个时刻中发生所述N个故障的概率包括：对所述M个故障之间的因果关系以及所述子历史故障信息进行第三特征提取，得到所述目标设备在第T个时刻中发生所述N个故障的概率。6.根据权利要求2所述的方法，其特征在于，所述第一特征提取或所述第二特征提取包含以下至少一种：基于循环神经网络的特征提取以及基于卷积神经网络的特征提取。7.根据权利要求5所述的方法，其特征在于，所述第三特征提取包含以下至少一种：基于循环神经网络的特征提取、基于时间卷积网络的特征提取以及基于多层感知机的特征提取。8.一种模型训练方法，其特征在于，所述方法包括：获取目标设备的历史故障信息，所述历史故障信息用于指示所述目标设备在第1个时刻至第T
‑
1个时刻中发生过的N个故障，T≥2，N≥2；将所述历史故障信息输入至待训练模型，得到所述目标设备在第T个时刻中发生所述N
个故障的概率，所述待训练模型用于：基于所述历史故障信息，获取所述N个故障之间的因果关系以及所述N个故障的权重，所述N个故障的权重用于指示所述N个故障的重要程度；基于所述历史故障信息、所述N个故障之间的因果关系以及所述N个故障的权重，获取所述目标设备在第T个时刻中发生所述N个故障的概率；基于所述概率对所述待训练模型进行训练，从而得到目标模型。9.根据权利要求8所述的方法，其特征在于，所述待训练模型，用于：对所述历史故障信息进行第一特征提取，得到所述N个故障之间的因果关系；从所述历史故障信息中提取子历史故障信息，所述子历史故障信息用于指示目标设备在第T
‑
w个时刻至第T
‑
1个时刻中发生过的P个故障，所述N个故障包含所述P个故障，N≥P≥1，T＞w≥1；对所述N个故障之间的因果关系...

【专利技术属性】
技术研发人员：郑嘉乐，李唤，饶仲文，张可力，刘跃群，王赟章，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：