[发明专利]一种基于联合学习的设备预测性维护方法及装置

说明书

本发明公开了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，该方法包括：确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。本发明提供的技术方案通过联合学习可以准确的确定出目标设备的故障预测结果。

技术领域

本发明涉及能源领域，尤其涉及一种基于联合学习的设备预测性维护方法及装置。

背景技术

综合能源系统中存在着大量的设备，各个设备通常都不是独立存在的，任何一个设备出现问题，都可能导致多个设备无法正常工作，因此设备的正常运行是综合能源系统高效运行的前提条件。为了保证设备的正常运行，通常需要对设备进行预测性维护，即在设备还未出现故障前，通过对设备的运行状态进行判断，预测出设备可能出现的故障，目前对在设备进行预测性维护时，常常需要获取大量的样本数据，构建物理模型，然而利用物理模型进行预测时，计算复杂且耗时较长，对于复杂的设备，可能无法获取到设备的物理模型，因此确定一种新的基于联合学习的设备预测性维护方法是至关重要的。

发明内容

本发明提供了一种基于联合学习的设备预测性维护方法、装置、可读介质及电子设备，通过联合学习确定出集成密度模型和集成故障树模型，利用集成密度模型、集成故障树模型以及集成密度模型和集成故障树模型分别对应的比例系数可以更为准确的确定出目标设备的故障预测结果。

第一方面，本发明提供了一种基于联合学习的设备预测性维护方法，包括：

确定至少两个目标用户发送的目标设备的故障预测模型的模型种类；

基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型；

确定所述集成密度模型和所述集成故障树模型分别对应的比例系数；

将所述集成密度模型、所述集成故障树模型和所述比例系数下发给各个所述目标用户，以使得各个所述目标用户基于所述集成密度模型、所述集成故障树模型和所述比例系数，确定目标设备的故障预测结果。

优选地，

所述方法还包括：

接收各个所述目标用户发送的反馈信息，所述反馈信息中包含预测结果和真实结果；

基于所述反馈信息，更新所述集成密度模型、所述集成故障树模型以及所述集成密度模型和所述集成故障树模型分别对应的比例系数。

优选地，

所述确定至少两个目标用户发送的目标设备的故障预测模型的模型种类，包括：

接收至少两个目标用户分别发送的目标设备的故障预测模型；

提取各个所述故障预测模型对应的模型编码；

基于所述模型编码，确定所述至少两个目标用户发送的目标设备的故障预测模型的模型种类。

优选地，

所述基于各个所述故障预测模型分别对应的模型种类，确定出集成密度模型和集成故障树模型，包括：

对所述模型种类对应密度函数的故障预测模型进行集成，确定集成密度模型；

对所述模型种类对应故障树的故障预测模型进行集成，确定集成故障树模型。

优选地，

所述模型种类对应密度函数的故障预测模型为目标用户通过以下步骤获取：