[发明专利]一种基于协同过滤对故障巡检的推荐方法及系统

说明书

本发明属于设备智能巡检技术领域，具体是一种基于协同过滤对故障巡检的推荐方法及系统，在本发明提供的推荐方法中，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；采用LDA主题模型处理维修记录和故障标签数据得到维修‑标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果；因此，本发明在综合评分相似度过程中不仅仅考虑巡检评分相似度，还将巡检偏好相似度加入计算，既减小了巡检评分相似度计算出现误差对综合评分相似度的影响，有效保证了推荐系统的推荐质量。

技术领域

本发明属于设备智能巡检技术领域，尤其涉及一种基于协同过滤对故障巡检的推荐方法及系统。

背景技术

随着工业互联网迅速发展，特别是物联感知数据快速增长，数据管理者造成信息过载问题，同时数据的应用也有了新的挑战。在设备故障的巡检场景中，比如光伏场站设备复杂，感知数据零散且量大等问题，很难去定位设备故障故障节点。因此通过机器人巡检并基于维修记录标签信息和机器人巡检的时序数据辅助对设备故障进行推荐来提高巡检效率成为设备故障巡检的主要方法之一。

推荐算法就是根据一定的规则，得到根据用户喜欢程度或者是对某事某物的关注程度进行排列的推荐列表。协同过滤是最常用和经典的推荐算法，基本原理就是根据用户的历史偏好或者是根据设备历史故障标签和机器人巡检记录，发现用户、物品或者设备的相关性，进行推荐。协同过滤可细分为基于用户、基于物品或者是基于设备的推荐算法。

目前，协同过滤算法是各个行业中使用最广泛的推荐算法之一。然而随着物联感知数据和其他信息资源的不断骤增，数据不可靠、稀疏性以及及时性等问题严重影响着推荐算法的精度。

发明内容

本发明的目的在于提供一种基于协同过滤对故障巡检的推荐方法及系统，该方法及系统基于现有协同过滤技术在时间和空间的维度上对传统算法进行了改进，在空间上构造一个感知的分矩阵并结合评分矩阵以缓解巡检机器人感知标签不稳定的问题；在时间上引入时间权重因子模拟巡检机器人的巡检偏好迁移以缓解数据稀疏性和及时性问题。

为实现上述目的，本发明提供了如下的技术方案。

第一方面，在本发明提供的一个实施例中，一种基于协同过滤对故障巡检的推荐方法，所述的推荐方法包括以下步骤：

对根据巡检设备的历史数据获取维修记录和故障标签数据进行情感分析得到偏好评分，根据偏好评分对设备端巡检评分进行修正，得到巡检评分相似度；

采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布，从中引入艾宾浩斯记忆曲线对巡检偏好分布进行改进，得到巡检偏好相似度；

从巡检偏好相似度与巡检评分相似度两个维度综合计算综合评分相似度，基于综合评分相似度确定预测评分，并输出推荐结果。

在本发明提供的一个实施例中，在所述采用LDA主题模型处理维修记录和故障标签数据得到维修-标签分布的步骤中，将每条标签信息当作独立的标签文本数据，使用LDA主题模型分析标签文本数据得到维修-标签分布。

在本发明提供的一个实施例中，所述维修-标签分布中各个分量表示该分量对应的主题出现的概率分布，也就是体现了该主题在标签文本数据中出现的频度和在该条标签的重要程度。

在本发明提供的一个实施例中，在所述计算综合评分相似度中，采用皮尔逊相关系数，将用户平均评分删掉，选用两个维修标签或者目标检测标签相同的项目集合进行评分相似度计算。

在本发明提供的一个实施例中，所述巡检偏好分布为一个K维的特征向量，选用余弦相似度来计算巡检偏好相似度。

在本发明提供的一个实施例中，所述综合评分相似度是由巡检评分相似度和巡检偏好相似度两者线性结合而得。