【技术实现步骤摘要】
本申请属于深度学习，具体涉及一种故障预测模型获取方法和故障预测方法、装置和设备。
技术介绍
1、当前，随着工业互联网的快速发展，设备维护已成为工业运营的重要组成部分。如果不对设备进行及时有效的维护，可能会导致设备严重损坏，造成生产线停滞等严重后果。
2、相关技术中，可以对设备进行定期检修，也可以在设备故障后及时修理，以使生产线尽快恢复运行。
3、但是这种方法的即时性很差，可能导致生产线的频繁停机，影响生产效率。
技术实现思路
1、本申请实施例的目的是提供一种故障预测模型获取方法和故障预测方法、装置、电子设备及存储介质，能够解决相关技术中故障检测即时性较差的问题。
2、第一方面，本申请实施例提供了一种故障预测模型获取方法，所述方法包括：
3、一种故障预测模型获取方法，其特征在于，所述方法包括：
4、对样本运行状态信息进行分段，得到多个时间步长分别对应的第一样本信息；
5、将所述第一样本信息输入循环神经网络的隐藏层并对所述隐藏层进行解析，得到所述第一样本信息的各个时间步分别对应的所述循环神经网络的隐状态；
6、将所述隐状态进行拼接，得到所述循环神经网络的多尺度特征向量；
7、基于所述多尺度特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标；
8、基于所述第一故障指标与所述样本运行状态信息的样本故障指标之间的损失值，对所述循环神经网络中的
9、可选地，所述将样本设备运行状态信息进行分段，得到多个不同时间步长的第一样本信息，包括：
10、获取所述样本设备运行状态信息的运行时间戳序列；
11、基于所述运行时间戳序列对所述样本设备运行状态信息进行多次分段，得到多个时间步长的所述第一样本信息。
12、可选地，所述基于所述多尺度特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标，包括；
13、确定所述隐状态分别对应的注意力分数；
14、将所述注意力分数进行归一化，得到所述隐状态分别对应的第一权重值；
15、将所述第一权重值对应的隐状态与所述第一权重值分别相乘，得到各个隐状态分别对应的第一状态值；
16、将所述第一状态值相加，得到所述循环神经网络的上下文向量；
17、对所述上下文向量和所述多尺度特征向量进行融合，得到所述循环神经网络的融合特征向量；
18、基于所述融合特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标。
19、可选地，所述基于所述融合特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标，包括：
20、将所述隐藏层的输出数据分别与所述融合特征向量相乘，得到所述输出数据对应的第一特征向量；
21、将所述第一特征向量输入所述任务层，得到所述任务层输出的所述第一故障指标。
22、第二方面，本申请实施例提供一种故障预测方法，所述方法包括：
23、获取硬件设备的设备运行状态信息；
24、将所述设备运行状态信息输入故障预测模型，得到所述故障预测模型输出的故障指标；其中，所述故障预测模型基于如上任一所述的故障预测模型获取方法得到；
25、基于所述故障指标确定所述硬件设备的故障状态。
26、可选地，所述将所述设备运行状态信息输入故障预测模型，得到所述故障预测模型输出的故障指标，包括：
27、建立故障预测模型和云计算服务器之间的连接线路；
28、将所述设备运行状态信息输入所述故障预测模型，以使所述故障预测模型基于所述连接线路调用所述云计算服务器的计算资源，并基于所述设备运行状态信息输出所述故障指标。
29、可选地，所述故障预测模型被安装于基于区块链的多个边缘网关中；所述多个边缘网关与所述云端服务器处于连接状态，用于对所述设备运行状态信息和所述故障指标进行分布式存储和去中心化验证，以保护所述设备运行状态信息和所述故障指标的数据安全。
30、第三方面，本申请实施例提供一种故障预测模型获取装置，所述装置包括：
31、分段模块，用于对样本运行状态信息进行分段，得到多个时间步长分别对应的第一样本信息；
32、解析模块，用于将所述第一样本信息输入循环神经网络的隐藏层并对所述隐藏层进行解析，得到所述第一样本信息的各个时间步分别对应的所述循环神经网络的隐状态；
33、拼接模块，用于将所述隐状态进行拼接，得到所述循环神经网络的多尺度特征向量；
34、输出模块，用于基于所述多尺度特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标；
35、调整模块，用于基于所述第一故障指标与所述样本运行状态信息的样本故障指标之间的损失值，对所述循环神经网络中的超参数进行调整，得到故障预测模型；其中，所述故障预测模型用于基于硬件设备的运行状态信息预测所述硬件设备的故障指标。
36、可选地，所述分段模块，包括：
37、获取子模块，用于获取所述样本设备运行状态信息的运行时间戳序列；
38、分段子模块，用于基于所述运行时间戳序列对所述样本设备运行状态信息进行多次分段，得到多个时间步长的所述第一样本信息。
39、可选地，所述输出模块，包括；
40、确定子模块，用于确定所述隐状态分别对应的注意力分数；
41、归一化子模块，用于将所述注意力分数进行归一化，得到所述隐状态分别对应的第一权重值；
42、计算子模块，用于将所述第一权重值对应的隐状态与所述第一权重值分别相乘，得到各个隐状态分别对应的第一状态值；
43、拼接子模块，用于将所述第一状态值相加，得到所述循环神经网络的上下文向量；
44、融合子模块，用于对所述上下文向量和所述多尺度特征向量进行融合，得到所述循环神经网络的融合特征向量；
45、输出子模块，用于基于所述融合特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标。
46、可选地，所述输出子模块，包括：
47、计算单元，用于将所述隐藏层的输出数据分别与所述融合特征向量相乘，得到所述输出数据对应的第一特征向量；
48、输出单元，用于将所述第一特征向量输入所述任务层，得到所述任务层输出的所述第一故障指标。
49、第四方面，本申请实施例提供一种故障预测装置，所述装置包括：
50、获取模块，用于本文档来自技高网...
【技术保护点】
1.一种故障预测模型获取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将样本设备运行状态信息进行分段，得到多个不同时间步长的第一样本信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述多尺度特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标，包括；
4.根据权利要求3所述的方法，其特征在于，所述基于所述融合特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标，包括：
5.一种故障预测方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述设备运行状态信息输入故障预测模型，得到所述故障预测模型输出的故障指标，包括：
7.根据权利要求5所述的方法，其特征在于，所述故障预测模型被安装于基于区块链的多个边缘网关中；所述多个边缘网关与所述云端服务器处于连接状态，用于对所述设备运行状态信息和所述故障指标进行分布式存储和去中心化验证，以保护所述设备运行状态信息
8.一种故障预测模型获取装置，其特征在于，所述装置包括：
9.一种故障预测装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现权利要求1至4中任一项所述的故障预测模型获取方法，或，权利要求5至7任一项所述的故障预测方法。
11.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现权利要求1至4中任一项所述的故障预测模型获取方法，或，权利要求5至7任一项所述的故障预测方法。
...【技术特征摘要】
1.一种故障预测模型获取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将样本设备运行状态信息进行分段，得到多个不同时间步长的第一样本信息，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述多尺度特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标，包括；
4.根据权利要求3所述的方法，其特征在于，所述基于所述融合特征向量，将所述隐藏层的输出数据输入所述循环神经网络的任务层，得到所述任务层输出的第一故障指标，包括：
5.一种故障预测方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述设备运行状态信息输入故障预测模型，得到所述故障预测模型输出的故障指标，包括：
7.根据权利要求5所述的方法，其特征在于，所述故障预...
【专利技术属性】
技术研发人员：高明亮，付长昭，孙波，吴建国，
申请(专利权)人：苏州元脑智能科技有限公司，
类型：发明
国别省市：
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。