[发明专利]一种设备故障预测方法、装置、可读存储介质和计算设备

权利要求书

1.一种设备故障预测方法，其特征在于，包括：

根据目标设备属性，获取用于对目标设备建立预测模型的训练数据集，其中所述数据集中的样本数据为共享数据；

计算所述训练数据集中每条样本数据的权重；

利用所述权重训练得到目标设备的故障预测局部模型；

基于所述故障预测局部模型与联合学习算法，建立联合模型；

根据所述联合模型对所述目标设备进行故障预测。

2.根据权利要求1所述设备故障预测方法，其特征在于，所述训练数据集中的所述样本数据包含目标设备的特征数据和样本设备的特征数据、样本设备的故障数据；所述样本设备为与所述目标设备相关或相似的设备。

3.根据权利要求2所述设备故障预测方法，其特征在于，所述计算所述训练数据集中每条样本数据的权重，包括针对每台所述样本设备：

将所述样本设备的特征数据与所述目标设备的特征数据进行区分；

根据区分后的特征数据，训练分类模型；

根据训练后的分类模型，计算所述样本设备每条特征数据的权重。

4.根据权利要求3所述设备故障预测方法，其特征在于，所述计算所述训练数据集中每条样本数据的权重，包括针对每台所述样本设备：

将所述样本设备的特征数据标记为第一数据，将所述目标设备的特征数据标记为第二数据；

根据所述第一数据和所述第二数据，训练分类模型，所述分类模型为基于联合学习的分类模型；

根据训练后的分类模型，计算所述样本设备每条特征数据的权重，所述权重的计算公式为：

其中，ω_i为所述第一数据中第i条数据的权重，P_1i为所述第i条数据属于所述样本设备的概率，P_2i为所述第i条数据属于所述目标设备的概率。

5.根据权利要求2所述设备故障预测方法，其特征在于，所述利用所述权重训练得到目标设备的故障预测局部模型，包括：

根据每台所述样本设备的特征数据、所述样本设备每条特征数据的权重和每台所述样本设备的故障数据，使用神经网络分别在所述样本设备有权重的所述训练数据集上训练得到所述目标设备的故障预测局部模型。

6.根据权利要求5所述设备故障预测方法，其特征在于，所述基于所述故障预测局部模型与联合学习算法，建立联合模型，包括：

根据所述故障预测局部模型，使用联合学习算法反复迭代，获得所述样本设备在所述训练数据集上关于所述目标设备的联合模型。

7.根据权利要求2所述设备故障预测方法，其特征在于，所述目标设备和各个所述样本设备均为物联网中的边缘节点，所述目标设备的特征数据不对其他所述样本设备暴露，每个所述样本设备的特征数据和故障数据不对其他所述样本设备和所述目标设备暴露。

8.一种设备故障预测装置，其特征在于，该设备故障预测装置包括：数据获取模块、权重计算模块、局部模型训练模块、联合模型建立模块和故障预测模块，其中，

所述数据获取模块，用于根据目标设备属性，获取用于对目标设备建立预测模型的训练数据集，其中所述数据集中的样本数据为共享数据；

所述权重计算模块，用于计算所述训练数据集中每条样本数据的权重；

所述局部模型训练模块，用于利用所述权重训练得到目标设备的故障预测局部模型；

所述联合模型建立模块，用于基于所述故障预测局部模型与联合学习算法，建立联合模型；

所述故障预测模块，用于根据所述联合模型对所述目标设备进行故障预测。

9.一种可读存储介质，其特征在于，其上具有可执行指令，当可执行指令被执行时，使得计算机执行如权利要求1-7中的任一项所包括的操作。

10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器，以及一个或多个程序，其中，所述一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行如权利要求1-7中的任一项所包括的操作。