【技术实现步骤摘要】
本专利技术涉及运维故障预测，特别是涉及一种基于协同过滤算法结合设备故障预警优化的方法。
技术介绍
1、故障预测是一项关键的技术，旨在根据系统当前和历史性能状态，预测性地诊断部件或系统的未来健康状态，包括确定其剩余使用寿命(remaining useful life,rul)或正常工作的时间长度。这方面的技术具有显著的应用领域，特别是在健康管理系统中，其重要性不言而喻。
2、目前，现有的健康管理系统的主要特点之一就是其强大的故障预测能力。这种预测能力直接影响系统的性能和装备的作战使用效率。为了实现有效的故障预测，需要综合利用多种数据信息，包括系统/装备的状态监测参数、使用情况、工作状况以及历史数据等。同时，还需要借助数学建模、人工智能等推理技术来对系统和部件的剩余使用寿命进行评估，从而提前采取维护措施或规划装备的替换。但是，目前的健康管理系统，由于其预测模型需要大量的数据用于训练和开发，导致了健康管理系统的针对性较强，难以适用于各种不同类型的系统或装备。进而造成了其健康管理系统通用性和适应性较差。
3、鉴于此，急需专利技术一种通用性和适应性较强的设备故障预测方法，用于解决现有的健康关系系统技术中，因针对性较强，难以适用于各种不同类型的系统或装备进行使用，进而导致健康管理系统通用性和适应性较差的问题。
技术实现思路
1、本专利技术的目的是：提供一种基于协同过滤算法结合设备故障预警优化的方法，旨用于如何解决现有的健康关系系统技术中，因针对性较强，难以适用于各种不同
2、一方面，本专利技术实施例中提供了一种基于协同过滤算法结合设备故障预警优化的方法，包括：
3、获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建；
4、获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果；
5、获取所述设备的运行的联通关系，并根据所述设备的运行的联通关系建立该所述设备的运行网络；
6、获取所述设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各所述网络节点所映射的设备的故障数据中的共同特征数据；
7、根据获取到的各所述网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果。
8、进一步的，获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建时，包括：
9、获取待预警的所述设备的历史故障数据，并去除所述设备的历史故障数据中的重复数据和异常故障数据，建立历史故障数据集；
10、获取待预警的所述设备的出厂时标注的标准故障数据集；
11、根据所述历史故障数据集和标准故障数据集进行预测模型构建，并获取构建后的该所述设备的预测模型。
12、进一步的，获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果时，包括：
13、获取待预警的所述设备的当前使用状态；
14、获取待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据；
15、根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度；
16、获取该所述设备的预测模型中的故障数据；
17、根据待预警的所述设备的当前使用状态以及所述设备的健康程度与该所述设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该所述设备的一次故障预测结果。
18、进一步的，获取待预警的所述设备的当前使用状态时，包括：
19、获取所述设备的当前使用年限以及所述设备的保质期年限中的阶段年限；
20、根据所述设备的当前使用年限与所述设备的保质期年限中的阶段年限之间的关系确定所述设备的使用状态，其中；
21、当所述设备的当前使用年限处于所述设备的保质期年限中的第一阶段年限时，则判断所述设备处于早期使用状态；
22、当所述设备的当前使用年限处于所述设备的保质期年限中的第一阶段年限与第二阶段年限之间时，则判断所述设备处于中期使用状态；
23、当所述设备的当前使用年限处于所述设备的保质期年限中的第二阶段使用年限与第三阶段年限之间时，则判断所述设备处于晚期使用状态；
24、当所述设备的当前使用年限超出所述设备的保质期年限中的第三阶段年限时，则判断所述设备处于非保质期状态。
25、进一步的，根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度时，包括：
26、获取待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据，并根据待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内的故障数据确定所述设备的健康程度，其中，
27、若待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内未出现故障，则判断所述设备的健康程度优良；
28、若待预警的所述设备的部件和/或模块，和/或关键元器件中预设时段内出现故障，则判断所述设备的健康程度差，并获取待预警的所述设备的部件和/或模块，和/或关键元器件在预设时段内出现的故障频率和故障参数。
29、进一步的，获取该所述设备的预测模型中的故障数据时，包括：
30、获取所述预测模型中的历史故障数据集和标准故障数据集；
31、并去除所述历史故障数据集和标准故障数据集之间的重复故障数据；
32、将去除重复故障数据的历史故障数据集和标准故障数据集进行高故障率设备数据集合和低故障率设备数据集合区分。
33、进一步的，根据待预警的所述设备的当前使用状态以及所述设备的健康程度与该所述设备的预测模型中的故障数据进行匹配，并根据匹配后的结果确定该所述设备的一次故障预测结果时，包括：
34、获取该所述设备的预测模型中的高故障率设备数据集合和低故障率设备数据集合；
35、提取所述预测模型中的高故障率设备数据集合的高故障率故障特征参数和预测模型中的低故障率设备数据集合的低故障率故障特征参数；
36、基于聚类分析指标获取所述高故障率故障特征参数与所述低故障率故障特征参数之间的共同故障行为特征参数集；
37、根据待预警的所述设备的当前使用状态以及所述设备的健康程度与所述共同故障行为特征参数集之间进行匹配，并根据匹配结果确定该所述设备的一次故障预测结果。
38、进一步的，所述聚类分析指标包括：
39、获取所述预测模型中的各高故障率故障特征参数和各低故障率故障特征参数聚合时同本文档来自技高网...
【技术保护点】
1.一种基于协同过滤算法结合设备故障预警优化的方法，其特征在于，包括：
2.如权利要求1所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建时，包括：
3.如权利要求2所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果时，包括：
4.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取待预警的所述设备的当前使用状态时，包括：
5.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度时，包括：
6.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取该所述设备的预测模型中的故障数据时，包括：
7.如权利要求6所述的基于协同过滤
8.如权利要求7所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，所述聚类分析指标包括：
9.如权利要求1所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取所述设备的运行网络中各网络节点所映射的设备的故障数据，并根据协同过滤算法获取各所述网络节点所映射的设备的故障数据中的共同特征数据时，包括：
10.如权利要求9所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，根据获取到的各所述网络节点所映射的设备的故障数据中的共同特征数据基于量子贝叶斯算法后对所述设备的一次故障预测结果进行修正，并确定修正后的故障预测结果为所述设备的二次故障预测结果时，包括：
...【技术特征摘要】
1.一种基于协同过滤算法结合设备故障预警优化的方法，其特征在于，包括：
2.如权利要求1所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取待预警的设备的故障数据，并根据待预警的所述设备的故障数据进行该所述设备的预测模型构建时，包括：
3.如权利要求2所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取所述设备的运行数据，并根据所述设备的运行数据代入构建后的所述设备的预测模型进行预测运行，得到所述设备的一次故障预测结果时，包括：
4.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取待预警的所述设备的当前使用状态时，包括：
5.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，根据待预警的所述设备的部件和/或模块，和/或关键元器件的运行数据获取所述设备的健康程度时，包括：
6.如权利要求3所述的基于协同过滤算法结合设备故障预警优化的方法，其特征在于，获取该所述设备...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。