[发明专利]一种故障预测方法、装置、设备及机器可读介质

权利要求书

1.一种故障预测方法，其特征在于，包括：

获取监测对象的监测数据，所述监测数据包括累积类监测特征数据、实时状态类监测特征数据；

根据所述累积类监测特征数据、实时状态类监测特征数据，分别获取所述监测对象的预设时间窗口的相对变化量、当前异常情况；

基于所述预设时间窗口的相对变化量和当前异常情况,生成所述监测对象的故障预测结果。

2.根据权利要求1所述的故障预测方法，其特征在于，

所述根据所述累积类监测特征数据获取所述监测对象的在预设时间窗口的相对变化量包括：对累积类监测特征数据进行差分处理以获取差分结果，对预设时间窗口内的所述差分结果进行指数加权滑动平均处理以获取预设时间窗口的指数加权滑动平均值；

所述根据所述实时状态类监测特征数据获取所述监测对象的当前异常情况包括：根据当前实时状态类监测特征数据和第一预设模型确定当前异常得分；

根据所述指数加权滑动平均值、所述当前异常得分，生成所述监测对象的故障预测结果。

3.根据权利要求2所述的故障预测方法，其特征在于，所述当前实时状态类监测特征数据包括在预设获取时刻所获取的各实时状态类监测特征数据。

4.根据权利要求2所述的故障预测方法，其特征在于，所述根据当前实时状态类监测特征数据和第一预设模型确定所述当前异常得分包括：

获取若干个监测对象的监测数据；

基于若干个监测对象的监测数据确定训练样本，并对所述训练样本进行二叉划分以构建孤立树，由所述孤立树构成孤立森林模型，所述第一预设模型包括孤立森林模型；

根据所述当前实时状态类监测特征数据和所述孤立森林模型计算所述当前异常得分。

5.根据权利要求4所述的故障预测方法，其特征在于，所述若干个监测对象的监测数据包括所述监测对象在多个维度上的特征，所述对所述训练样本进行二叉划分以构建孤立树包括：

对所述训练样本进行抽样，获取至少一个样本集合；

选取所述多个维度中的任一维度；

根据所述训练样本集合确定所述维度对应的第一特征阈值，所述第一特征阈值包括所述维度在所述样本集合的取值区间内确定的分界值；

基于所述维度和所述第一特征阈值，将所述样本集合划分为两个子样本集合；

若所述子样本集合能够继续划分，将所述子样本集合作为新的样本集合，重新确定所述维度对应的第二特征阈值，所述第二特征阈值包括所述维度在所述新的样本集合的取值区间确定的新的分界值，基于所述维度和所述第二特征阈值，将所述新的样本集合划分为两个新的子样本集合；

若所述子样本集合或所述新的子样本集合不能继续划分，停止所述维度的二叉划分；

若完成所有选定的维度的二叉划分，所述孤立树构建完成。

6.根据权利要求2所述的故障预测方法，其特征在于，所述根据所述指数加权滑动平均值、所述当前异常得分，生成所述监测对象的故障预测结果包括：

根据有监督集成学习方法使用lightgbm构建第二预设模型，所述第二预设模型包括二分类模型；

根据所述指数加权滑动平均值、所述当前异常得分和所述第二预设模型，生成所述监测对象的故障预测结果。

7.根据权利要求6所述的故障预测方法，其特征在于，所述第二预设模型中的损失函数包括调节因子γ。

8.根据权利要求7所述的故障预测方法，其特征在于，所述损失函数包括focalloss函数，所述focalloss函数为：

其中，y为真实的样本标签，y′为经过sigmoid激活函数的预测输出值，α为平衡因子，γ为调节因子。

9.根据权利要求1-8任一项所述的故障预测方法，其特征在于，所述故障预测结果包括故障概率值。

10.根据权利要求9所述的故障预测方法，其特征在于，若预设时间段内所述故障概率值大于故障概率阈值的次数大于预设次数，所述监测对象处于故障状态。