[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

说明书

本发明公开了一种设备故障预测方法、装置、可读存储介质及计算设备，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。本发明采用基于联合学习方式的样本迁移方法，用于设备预测性维护，可以将在多台设备上采集到的数据联合学习，并迁移到目标设备上，用来训练针对目标设备的预测性维护模型，实现多方联合学习，保证各方数据不出本地，避免了直接共享数据带来的数据安全问题。

技术领域

本发明涉及物联网技术领域，特别涉及一种设备故障预测方法、装置、可读存储介质及计算设备。

背景技术

设备预测性维护是根据设备运行状态的特征信息预测设备失效的概率或设备的剩余使用寿命等。其中基于数据驱动的方法是使用设备历史运行数据，包括设备各个传感器的量测，通过机器学习方法建立这些量测与设备发生故障概率之间的映射关系。为了学习到有效的模型，通常需要高质量的标注数据，也就是需要大量的故障标签数据；单台设备的故障数据有限，需要联合多台同类型的设备获得足够的数据。

已有的技术方案能够解决设备自身故障预测的问题，但是对不同设备之间数据共享，目前已经有的技术方案，是通过直接共享物联网中各个设备的数据，并未考虑物联网中各设备之间保护数据隐私的需求。

发明内容

本发明旨在至少在一定程度上解决上述技术问题中的至少一个。

为此，本发明的第一个目的在于提出一种设备故障预测方法，基于联合学习方式的样本迁移，用于设备预测性维护，可以将在多台设备上采集到的数据联合学习，并迁移到目标设备上，用来训练针对目标设备的预测性维护模型，同时保证各方数据不出本地，以保证各方数据的私密性。

本发明的第二个目的在于提出一种设备故障预测装置，基于联合学习方式的样本迁移，用于设备预测性维护，可以将在多台设备上采集到的数据联合学习，并迁移到目标设备上，用来训练针对目标设备的预测性维护模型，同时保证各方数据不出本地，以保证各方数据的私密性。

本发明的第三个目的在于提出一种可读存储介质。

本发明的第四个目的在于提出一种计算设备。

第一方面，本发明实施例提供了一种设备故障预测方法，该设备故障预测方法包括：

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。

可选地，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。

可选地，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。

可选地，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；