[发明专利]故障预测方法、装置、终端及存储介质

权利要求书

1.一种故障预测方法，其特征在于，所述方法包括如下步骤：

获取关键部件的多个故障因子及关键部件的多个历史故障时间点；

根据所述关键部件的多个故障因子及关键部件的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间；

计算所述关键部件的当前时间与所述预计故障时间的差值，预测所述关键部件的故障可能性；

其中，所述所述关键部件的当前时间与所述预计故障时间的差值越小，关键部件的故障可能性就越低。

2.如权利要求1所述的故障预测方法，其特征在于，所述方法用于对目标对象进行故障预测，所述目标对象安装有至少两个所述关键部件，所述方法还包括：

获取并比较各个所述关键部件的当前时间与所述计故障时间的差值，确定所述目标对象损坏的关键部件。

3.如权利要求1所述的故障预测方法，其特征在于，所述应用神经网络进行训练，获取关键部件的预计故障时间的步骤，具体包括：

根据所述目标对象的工况，确定神经网络的隐藏层的层数；

应用MLP神经网络进行模型训练，建立所述关键部件的状态评估模型；

应用所述关键部件的状态评估模型，计算出所述关键部件的预计故障时间。

4.如权利要求3所述的故障预测方法，其特征在于，所述应用MLP神经网络进行模型训练，建立所述关键部件的状态评估模型的步骤，包括：

对所述故障因子的历史参数进行分割，生成训练集数据、验证集数据和测试集数据；

对所述训练集数据进行神经网络训练，建立所述关键部件的状态评估模型；

应用所述验证集数据，调整所述关键部件的状态评估模型；

按照所述测试集数据，验证所述关键部件的状态评估模型。

5.如权利要求1所述的故障预测方法，其特征在于，获取关键部件的多个故障因子及关键部件的多个历史故障时间点的步骤包括：

在历史时间段内，实时采集所述关键部件在多个目标对象上的运行数据、维护数据及故障记录；

按照所述目标对象的类型，对所述运行数据、维护数据及故障记录进行分类整理，生成所述关键部件特征的历史故障信息；

从所述关键部件特征的历史故障信息，选取所述关键部件的多个故障因子及关键部件的多个历史故障时间点；

其中，所述运行数据，包括，用户的使用习惯信息、运行模式信息、负载调节信息。

6.如权利要求5所述的故障预测方法，其特征在于，所述从所述关键部件特征的历史故障信息，选取所述关键部件的多个故障因子的步骤，包括：

应用主成分分析法，对所述关键部件特征的历史故障信息进行降维处理，生成所述关键部件的多个故障因子。

7.如权利要求5所述的故障预测方法，其特征在于，所述按照所述目标对象的类型，对所述运行数据、维护数据及故障记录进行分类整理的步骤中，包括：

按照所述目标对象的类型，对所述运行数据、维护数据及故障记录的格式进行统一；

获取格式统一的所述运行数据、维护数据及故障记录的阈值范围，以剔除数据异常点；

分别对剔除异常点的运行数据、维护数据及故障记录进行平滑处理，获得目标对象的数据变化趋势。

8.一种故障预测装置，其特征在于，包括：

提取模块，用于获取关键部件的多个故障因子及故障因子的多个历史故障时间点；

训练模块，用于根据所述关键部件的多个故障因子及故障因子的多个历史故障时间点，应用神经网络进行训练，获取关键部件的预计故障时间；

预测模块，用于计算所述关键部件的当前时间与所述预计故障时间的差值，预测所述关键部件的故障可能性。

9.一种终端，其特征在于，其包括处理器、存储器和显示器，所述处理器耦接所述存储器、所述显示器，所述存储器上存储有可在所述处理器上执行的计算机程序；所述处理器执行所述计算机程序，实现权利要求1-7之一所述的方法。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-7之一所述的方法中的步骤。