[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

权利要求书

1.一种基于联合学习的设备预测性维护方法，其特征在于，包括：

在联合学习架构中，确定当前用户对应的准确度需求等级；

基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；

将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。

2.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述方法还包括：

接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；

基于所述反馈信息，更新所述目标集成预测模型。

3.根据权利要求1所述的基于联合学习的设备预测性维护方法，其特征在于，所述方法还包括：

确定目标用户发送的当前模型参数；

若所述当前模型参数对应为物理预测模型，则确定目标物理模型参数，基于所述目标物理模型参数和所述当前模型参数，确定集成物理预测模型；

若所述当前模型参数对应为回归预测模型，则确定目标回归模型参数，基于所述目标回归模型参数和所述当前模型参数，确定集成回归预测模型。

4.根据权利要求3所述的基于联合学习的设备预测性维护方法，其特征在于，若所述当前模型参数对应为物理预测模型，则所述当前模型参数为目标用户通过以下步骤获取：

获取本地设备的历史设备数据和历史天气数据；

基于所述历史设备数据和所述历史天气数据，确定设备故障点；

基于所述设备故障点和选取物理模型，确定对应为物理预测模型的当前模型参数。

5.根据权利要求3所述的基于联合学习的设备预测性维护方法，其特征在于，若所述当前模型参数对应为回归预测模型，则所述当前模型参数为目标用户通过以下步骤获取：

获取本地设备的历史设备数据和历史天气数据；

基于所述历史设备数据和历史天气数据，确定数据特性；

基于所述数据特性和选取回归模型，确定对应为回归预测模型的当前模型参数。

6.根据权利要求3所述的基于联合学习的设备预测性维护方法，其特征在于，所述方法还包括：

确定所述目标用户对应的准确度需求等级；

若所述目标用户对应的准确度需求等级符合预设条件，则将基于所述目标用户发送的当前模型参数确定的当前集成预测模型下发给所述目标用户；

若所述目标用户对应的准确度需求等级不符合所述预设条件，则将确定的集成物理预测模型和集成回归预测模型下发给所述目标用户。

7.一种基于联合学习的设备预测性维护装置，其特征在于，包括：

需求等级确定模块，用于在联合学习架构中，确定当前用户对应的准确度需求等级；

目标模型确定模块，用于基于所述当前用户对应的准确度需求等级，为所述当前用户选取目标集成预测模型，所述目标集成预测模型包括集成物理预测模型和/或集成回归预测模型；

模型下发模块，用于将所述目标集成预测模型下发给所述当前用户，以使得所述当前用户利用所述目标集成预测模型对当前用户的本地设备进行预测性维护。

8.根据权利要求7所述的基于联合学习的设备预测性维护装置，其特征在于，所述装置还包括：

反馈信息接收模块，用于接收所述当前用户发送的反馈信息，所述反馈信息中包括预测结果和真实结果；

更新处理模块，用于基于所述反馈信息，更新所述目标集成预测模型。

9.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至6中任一所述的方法。

10.一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至6中任一所述的方法。