本发明涉及数据处理技术领域，特别涉及一种基于大数据的设备预测性维护方法。
随着对大数据处理技术的不断发展和完善，且基于对大数据的分析，能够越来越多地为人们提供更加客观和全面的参考依据，因此，基于大数据，为设备的预测性维护也提供了一种很好的思路。
目前的现有技术中，在对设备进行维护时，通常是日常的监控、检修、以及按照一定的周期对设备进行校准等维护性操作，无法根据设备目前的工作情况和具体的运行状态对设备的后续工作情况和运行状态进行客观地预测，通常是在设备超负荷运转一定时长且出现故障的时候，才能监控到该设备已经故障。因此，如何利用大数据对设备进行预测性维护，是目前亟待解决的问题之一。
本发明提供一种基于大数据的设备预测性维护方法，旨在通过对设备相关的大数据进行分析，客观智能地对设备进行预测性维护。
获取待维护设备在历史时长内对应的历史工作状态信息；其中，所述历史工作状态信息包括：所述设备在所述历史时长内运行的历史运行总时长，以及所述设备在所述历史时长内每一天分别对应的历史当天完成任务量；
根据获取的所述历史工作状态信息，进行大数据分析，计算得到所述设备对应的日常故障损耗值；
根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测；其中，所述设备的后续工作状态包括：截至目前所述设备的当前运行总时长以及所述设备对应的当前每天完成任务量。
进一步地，所述根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测，之后还包括步骤：
根据预测结果，判断所述设备的后续工作状态是否会超过所述设备的自身负荷，并根据判断结果，维护所述设备。
根据所述待维护设备的设备id，获取所述设备自身记录的和/或系统监控记录的包含所述设备每一天的运行时长以及每一天分别对应的当天完成任务量的历史工作状态信息。
进一步地，所述根据获取的所述历史工作状态信息，进行大数据分析，计算得到所述设备对应的日常故障损耗值，包括：
根据获取的所述历史工作状态信息，通过数学表达式(1)，利用大数据分析所述设备对应的所述历史工作状态信息，计算得到所述设备对应的日常故障损耗值x，则有：
所述数学表达式(1)中，x表示所述设备对应的日常故障损耗值，ti表示所述设备对应的所述历史工作状态信息中第i天对应的运行总时长；gi表示所述设备对应的所述历史工作状态信息中第i天当天完成的任务量；n表示所述设备对应的所述历史工作状态信息中所述历史时长包含的总天数。
进一步地，所述根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测，包括：
获取所述设备对应的包含当天运行总时长和当天完成任务量的当天运行工作状态；
根据计算得到的所述日常故障损耗值，结合获取的所述当天运行工作状态，计算所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量。
进一步地，所述根据计算得到的所述日常故障损耗值，结合获取的所述当天运行工作状态，计算所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，包括：
根据利用数学表达式(1)计算得到的所述日常故障损耗值x，结合所述当前运行工作状态，利用数学表达式(2)计算所述设备后续工作状态对应的第二天可运行总时长，则有：
所述数学表达式(2)中，t表示对所述设备进行预测时对应的所述设备第二天可运行总时长；tt表示在预测当天所述设备对应的所述当天运行工作状态中的当天运行总时长；x表示所述设备对应的所述日常故障损耗值；
同时，利用数学表达式(3)，计算所述设备后续工作状态对应的第二天可完成任务量，则有：
所述数学表达式(3)中，g表示对所述设备进行预测时对应的所述设备第二天可完成任务量；gt表示在预测当天所述设备对应的所述当天运行工作状态中的当天完成任务量；x表示所述设备对应的所述日常故障损耗值。
进一步地，所述根据预测结果，判断所述设备的后续工作状态是否会超过所述设备的自身负荷，包括：
根据利用数学表达式(2)以及数学表达式(3)预测得到的所述设备对应的所述第二天可运行总时长和所述第二天可完成任务量，利用数学表达式(4)，计算所述设备的后续工作状态对应的超负荷预警值p，则有：
所述数学表达式(4)中，p表示所述设备对应的超负荷预警值；t0表示与所述设备完全一样的全新设备在对所述设备进行预测的当天可以运行的总时长；g0表示所述全新设备当天可完成的任务量；u()表示阶跃函数，即当括号内的值大于或者等于0时，u()函数值为1，当括号内的值小于0时，u()函数值为0；x表示所述设备对应的所述日常故障损耗值；
根据所述超负荷预警值p的取值，判断所述设备的后续工作状态是否会超过所述设备的自身负荷。
进一步地，所述根据所述超负荷预警值p的取值，判断所述设备的后续工作状态是否会超过所述设备的自身负荷，包括：
若所述超负荷预警值p≤0，判断所述设备的后续工作状态没有超过所述设备的自身负荷；
若所述超负荷预警值p＞0，判断所述设备的后续工作状态超过了所述设备的自身负荷。
若判断结果是：所述设备的后续工作状态超过了所述设备的自身负荷，则根据所述超负荷预警值p以及所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，计算所述设备后续工作状态对应的减少量；
根据计算得到的所述减少量，对所述设备减少相应的工作量，以供所述设备基于所述减少量后的任务执行相应的工作。
进一步地，所述根据所述超负荷预警值p以及所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，计算所述设备后续工作状态对应的减少量，包括：
根据所述超负荷预警值p以及所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，利用数学表达式(5)，计算得到所述设备后续工作状态对应的所述第二天可运行总时长的时长减少量δt，则有：
所述数学表达式(5)中，δt表示所述设备后续工作状态对应的所述第二天可运行时长的时长减少量；δ()表示单位冲击函数，即当括号内的值为0时，δ()函数值为1，当括号内的值不为0时，δ()函数值为0；t表示所述设备后续工作状态对应的所述第二天可运行时长；p表示所述设备对应的超负荷预警值；u()表示阶跃函数，即当括号内的值大于或者等于0时，u()函数值为1，当括号内的值小于0时，u()函数值为0；
同时利用数学表达式(6)，计算得到所述设备后续工作状态对应的所述第二天可完成任务量的任务减少量δg，则有：
所述数学表达式(6)中，δg表示所述设备后续工作状态对应的所述第二天可完成任务量的任务减少量；u()表示阶跃函数，即当括号内的值大于或者等于0时，u()函数值为1，当括号内的值小于0时，u()函数值为0；p表示所述设备对应的超负荷预警值；δ()表示单位冲击函数，即当括号内的值为0时，δ()函数值为1，当括号内的值不为0时，δ()函数值为0；g表示所述设备后续工作状态对应的所述第二天可完成任务量。
本发明基于大数据的设备预测性维护方法，通过获取待维护设备在历史时长内对应的历史工作状态信息；根据获取的所述历史工作状态信息，进行大数据分析，计算得到所述设备对应的日常故障损耗值；根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测；实现了通过对设备相关的大数据进行分析达到了对设备进行预测性维护的目的，提高了设备维护的智能性；进一步地，也在一定程度上提高了设备的运行寿命和设备的运行效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图2是本发明基于大数据的设备预测性维护方法中，图1所述实施例中的步骤s30的一种实施方式的流程示意图。
图3是本发明基于大数据的设备预测性维护方法的另一种实施方式的流程示意图。
图4是本发明基于大数据的设备预测性维护方法中，图3所述实施例的步骤s40中根据超负荷判断结果维护所述设备的一种实施方式的流程示意图。
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供了一种基于大数据的设备预测性维护方法，通过对设备相关的大数据进行分析，客观智能地对设备的后续工作状态进行预测，并基于预测信息，对设备进行预测性维护。
如图1所示，图1是本发明基于大数据的设备预测性维护方法的一种实施方式的流程示意图；本发明一种基于大数据的设备预测性维护方法可以实施为如下描述的步骤s10-s30。
本发明实施例中，针对待维护的设备，系统获取该设备在历史时长内对应的历史工作状态信息；其中，所述历史工作状态信息可以由所述设备根据自身的运行状态自行记录；也可以由系统根据对所述设备的运行状态的监控，由系统记录并存储。
所述系统获取该设备在历史时长内对应的所述历史工作状态信息包括但不限于：所述设备在所述历史时长内运行的历史运行总时长，以及所述设备在所述历史时长内每一天分别对应的历史当天完成任务量。针对所述历史当前完成任务量，由于不同类型的设备，该设备所需执行的工作任务不同，因此，该设备的所述完成任务量也对应了不同的计算和获取方式；本发明实施例中，系统可以根据不同类型的设备、以及相同类型的设备所需执行的不同任务等具体的应用场景，来计算并获取该设备在一天当中对应的当天完成任务量，本发明实施例对计算所述当前完成任务量的具体计算方式和获取手段，不进行具体限定。
进一步地，在一个实施例中，所述获取待维护设备在历史时长内对应的历史工作状态信息时，也可以通过如下技术手段实施：
获取所述待维护设备的设备id，根据所述待维护设备的设备id，获取所述设备自身记录的和/或系统监控记录的包含所述设备每一天的运行时长以及每一天分别对应的当天完成任务量的历史工作状态信息。
步骤s20、根据获取的所述历史工作状态信息，进行大数据分析，计算得到所述设备对应的日常故障损耗值。
根据获取的所述设备的历史工作状态信息，利用大数据分析方式，对所述设备对应的日常故障损耗值进行计算。
本发明实施例中，可以根据所述设备的历史工作状态信息中的历史运行总时长，以及所述设备在所述历史时长内每一天分别对应的历史当天完成任务量，来计算该设备对应的日常故障损耗值。比如，针对所述设备，将所述设备对应的所述历史运行总时长以及所述历史当前完成任务量作为计算参数，并针对上述计算参数，分别设置所述计算参数对应的损耗权重，进而根据所述计算参数及其各计算参数分别对应的损耗权重，计算得到所述设备的日常故障损耗值。
步骤s30、根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测。
根据计算得到的所述日常故障损耗值，预测所述设备在后续工作时可能的工作状态信息。比如，在一个实施例中，预测所述设备在当前预测这一天对应的第二天，所述设备在第二天可能工作时长以及第二天可能完成任务量，通过所述第二天可能工作时长以及第二天可能完成任务量，综合判断是否超出了该设备的正常负载等。
其中，本发明实施例中，所述设备的后续工作状态包括但不限于：截至目前所述设备的当前运行总时长以及所述设备对应的当前每天完成任务量。
本发明基于大数据的设备预测性维护方法，通过获取待维护设备在历史时长内对应的历史工作状态信息；根据获取的所述历史工作状态信息，进行大数据分析，计算得到所述设备对应的日常故障损耗值；根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测；实现了通过对设备相关的大数据进行分析达到了对设备进行预测性维护的目的，提高了设备维护的智能性；进一步地，也在一定程度上提高了设备的运行寿命和设备的运行效率。
进一步地，在一个实施例中，针对图1所述实施例中的“步骤s20、根据获取的所述历史工作状态信息，进行大数据分析，计算得到所述设备对应的日常故障损耗值”，也可以按照如下技术手段实施：
根据获取的所述历史工作状态信息，通过数学表达式(1)，利用大数据分析所述设备对应的所述历史工作状态信息，计算得到所述设备对应的日常故障损耗值x，则有：
所述数学表达式(1)中，x表示所述设备对应的日常故障损耗值，ti表示所述设备对应的所述历史工作状态信息中第i天对应的运行总时长；gi表示所述设备对应的所述历史工作状态信息中第i天当天完成的任务量；n表示所述设备对应的所述历史工作状态信息中所述历史时长包含的总天数。
利用数学模型计算得到所述设备对应的日常故障损耗值，提高了对设备日常故障损耗的评估准确性。
进一步地，在一个实施例中，如图2所示，图2是本发明基于大数据的设备预测性维护方法中，图1所述实施例中的步骤s30的一种实施方式的流程示意图。在图2所述实施例中，图1实施例中的“步骤s30、根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测”可以实施为如下描述的步骤s31-s32。
步骤s31、获取所述设备对应的包含当天运行总时长和当天完成任务量的当天运行工作状态。
本发明实施例中，在对所述设备进行预测性维护时，需要同时参考所述设备在最近一次运行过程中对应的工作状态信息，比如，系统参考所述设备在预测当天对应的当前工作状态信息。在一个实施例中，系统获取所述设备对应的包含当天运行总时长和当天完成任务量的当前运行工作状态。
步骤s32、根据计算得到的所述日常故障损耗值，结合获取的所述当天运行工作状态，计算所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量。
系统按照上述实施例中的计算方式，计算得到所述设备的日常故障损耗值，同时，参照获取的所述设备对应的包含当天运行总时长和当天完成任务量的当前运行工作状态，计算所述设备在与所述当天邻近的接下来的第二天对应的后续工作状态，并以所述后续工作状态作为对所述设备进行预测的预测依据和参考。其中，所述第二天对应的后续工作状态包括但不限于：所述设备在与所述当天邻近的第二天中，对应的第二天可运行总时长以及第二天可完成任务量。
进一步地，在一个实施例中，图2实施例中的“步骤s32、根据计算得到的所述日常故障损耗值，结合获取的所述当天运行工作状态，计算所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量”，可以按照如下技术手段实施：
根据利用数学表达式(1)计算得到的所述日常故障损耗值x，结合所述当前运行工作状态，比如当天运行总时长和当天完成任务量，利用数学表达式(2)计算所述设备后续工作状态对应的第二天可运行总时长，则有：
所述数学表达式(2)中，t表示对所述设备进行预测时对应的所述设备第二天可运行总时长；tt表示在预测当天所述设备对应的所述当天运行工作状态中的当天运行总时长；x表示所述设备对应的所述日常故障损耗值；
同时，利用数学表达式(3)，计算所述设备后续工作状态对应的第二天可完成任务量，则有：
所述数学表达式(3)中，g表示对所述设备进行预测时对应的所述设备第二天可完成任务量；gt表示在预测当天所述设备对应的所述当天运行工作状态中的当天完成任务量；x表示所述设备对应的所述日常故障损耗值。
本发明实施例中，根据计算得到的所述日常故障损耗值，结合获取的所述当天运行工作状态，计算所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，提高了对所述设备的后续工作状态进行预测的准确性；进一步地，为维护所述设备提供了重要依据。
进一步地，在一个实施例中，如图3所示，图3是本发明基于大数据的设备预测性维护方法的另一种实施方式的流程示意图。图3所述实施例中，在图1实施例的“步骤s30、根据计算得到的所述日常故障损耗值，对所述设备的后续工作状态进行预测”之后，还包括步骤s40。
步骤s40、根据预测结果，判断所述设备的后续工作状态是否会超过所述设备的自身负荷，并根据判断结果，维护所述设备。
本发明实施例中，在对设备的后续工作状态进行预测之后，根据预测结果，比如上述实施例中，计算得到的所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，基于所述计算得到的量化的预测结果，根据所述设备的后续工作状态，即可判断所述设备在所述后续工作状态下是否会超过所述设备的自身负荷。若超过自身负荷，则需要对该设备的工作时长和/或完成任务量进行适当地减少，以免所述设备因超负荷工作而损耗过度，进而可能造成该设备的损坏。
进一步地，在一个实施例中，所述步骤s40中，根据预测结果，判断所述设备的后续工作状态是否会超过所述设备的自身负荷，可以按照如下技术手段实施：
根据利用数学表达式(2)以及数学表达式(3)预测得到的所述设备对应的所述第二天可运行总时长和所述第二天可完成任务量，利用数学表达式(4)，计算所述设备的后续工作状态对应的超负荷预警值p，则有：
所述数学表达式(4)中，p表示所述设备对应的超负荷预警值；t0表示与所述设备完全一样的全新设备在对所述设备进行预测的当天可以运行的总时长；g0表示所述全新设备当天可完成的任务量；u()表示阶跃函数，即当括号内的值大于或者等于0时，u()函数值为1，当括号内的值小于0时，u()函数值为0；x表示所述设备对应的所述日常故障损耗值；
根据所述超负荷预警值p的取值，判断所述设备的后续工作状态是否会超过所述设备的自身负荷。
进一步地，在一个实施例中，所述根据所述超负荷预警值p的取值，判断所述设备的后续工作状态是否会超过所述设备的自身负荷，可以具体实施为：
若所述超负荷预警值p≤0，判断所述设备的后续工作状态没有超过所述设备的自身负荷；若所述超负荷预警值p＞0，判断所述设备的后续工作状态超过了所述设备的自身负荷。
在本发明实施例中，针对一个具体的应用场景，当所述超负荷预警值p＞0时，具体地，当所述超负荷预警值p的值为1时，判断出所述设备对应的所述第二天可运行总时长和所述第二天可完成任务量中只有一个参数超出所述设备的负荷；当所述超负荷预警值p的值为2时，判断出所述设备对应的所述第二天可运行总时长和所述第二天可完成任务量这两个参数均超出所述设备的负荷。
进一步地，基于以上实施例的描述，在一个实施例中，如图4所示，图4是本发明基于大数据的设备预测性维护方法中，图4是本发明基于大数据的设备预测性维护方法中，图3所述实施例的步骤s40中根据超负荷判断结果维护所述设备的一种实施方式的流程示意图。如图4所示，系统根据超负荷判断结果对所述设备进行维护，可以实施为如下描述的步骤s41-s42。
步骤s41、根据所述超负荷预警值p以及所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，计算所述设备后续工作状态对应的减少量。
步骤s42、根据计算得到的所述减少量，对所述设备减少相应的工作量，以供所述设备基于所述减少量后的任务执行相应的工作。
本发明实施例中，若系统对所述设备的判断结果是：所述设备的后续工作状态超过了所述设备的自身负荷，则系统计算所述设备后续工作状态对应的具体的减少量，并按照计算得到的所述减少量，对所述设备进行任务安排，从而实现对所述设备的维护，使得该设备基于所述减少量后的任务执行对应的工作。本发明实施例中的所述减少量，可以根据具体的所述超负荷预警值p的取值，判断出所述设备对应的所述第二天可运行总时长和所述第二天可完成任务量，具体哪一个参数是超负荷的，进而根据判断结果，利用所述减少量，对所述第二天可运行总时长和/或第二天可完成任务量进行减少，从而达到维护所述设备的目的。
进一步地，在一个实施例中，图4所述实施例中的“步骤s41、根据所述超负荷预警值p以及所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，计算所述设备后续工作状态对应的减少量”，可以按照如下技术手段实施：
根据所述超负荷预警值p以及所述设备后续工作状态对应的第二天可运行总时长和第二天可完成任务量，利用数学表达式(5)，计算得到所述设备后续工作状态对应的所述第二天可运行总时长的时长减少量δt，则有：
所述数学表达式(5)中，δt表示所述设备后续工作状态对应的所述第二天可运行时长的时长减少量；δ()表示单位冲击函数，即当括号内的值为0时，δ()函数值为1，当括号内的值不为0时，δ()函数值为0；t表示所述设备后续工作状态对应的所述第二天可运行时长；p表示所述设备对应的超负荷预警值；u()表示阶跃函数，即当括号内的值大于或者等于0时，u()函数值为1，当括号内的值小于0时，u()函数值为0；
同时利用数学表达式(6)，计算得到所述设备后续工作状态对应的所述第二天可完成任务量的任务减少量δg，则有：
所述数学表达式(6)中，δg表示所述设备后续工作状态对应的所述第二天可完成任务量的任务减少量；u()表示阶跃函数，即当括号内的值大于或者等于0时，u()函数值为1，当括号内的值小于0时，u()函数值为0；p表示所述设备对应的超负荷预警值；δ()表示单位冲击函数，即当括号内的值为0时，δ()函数值为1，当括号内的值不为0时，δ()函数值为0；g表示所述设备后续工作状态对应的所述第二天可完成任务量。
根据上述实施方式计算得到的所述减少量，所述系统对所述设备进行预测性维护，提高了设备维护的精确性和智能性，也提高了设备维护的灵活性，同时也在一定程度上提高了设备的使用寿命。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。