导航：X技术最新专利计算;推算;计数设备的制造及其应用技术
2.预测性维护是指根据当前运行的设备的历史运行数据，预测设备未来的运行状态，并基于所预测的运行状态制定相应的维护计划。因此，预测性维护是智能制造领域中的核心应用之一，是数字化制造过程中必要的设备健康管理手段。
3.目前，现有的预测性维护方法，通常依靠经验丰富的工程师根据历史经验对当前运行设备的运行数据进行预测判断，然而采用人工预测判断的方式主观性较强，从而导致得到的预测性维护的结果准确率较低。
4.本发明提供了预测性维护方法和装置，能够提高预测性维护结果的可靠性。
7.将所述运行信息输入到预先构建的知识图谱，以由所述知识图谱输出第一特征向量；
8.将所述运行信息输入到预先构建的机器学习模型，以由所述机器学习模型输出第二特征向量；
10.将所述融合特征输入到预先构建的预测模型，以由所述预测模型输出预测性维护信息。
12.在所述获取需要进行预测性维护的目标设备的运行信息之后，和在所述将所述运行信息输入到预先构建的知识图谱，以由所述知识图谱输出第一特征向量之前，进一步包括：
14.根据若干个预设的特征维度对所述降噪后的模拟信号进行特征提取，得到特征信息，其中，所述特征维度包括：时域、频域和时频域中的至少一个；
15.所述将所述运行信息输入到预先构建的知识图谱，以由所述知识图谱输出第一特征向量，包括：
16.将所述特征信息作为所述运行信息输入到所述知识图谱，以由所述知识图谱输出第一特征向量。
17.在一种可能的设计中，当所述特征维度包括所述时域时，所述特征信息中包括：均值、方差、标准差、均方根、峰值因子和波形因子中的至少一个；
18.当所述特征维度包括所述频域时，所述特征信息中包括：均方根频率、平均频率、
19.当所述特征维度包括所述时频域时，所述特征信息中包括：小波能量特征。
20.在一种可能的设计中，所述对所述第一特征向量和所述第二特征向量进行融合处理，得到融合特征，包括：
21.获取所述第一特征向量和所述第二特征向量中每一个分向量对应的预设权重值；
22.根据每一个所述预设权重值和下述第一式子，计算得到每一个所述分向量对应的权重值；
用于表征第i个特征向量中的第j个分向量的预设权重值，m表征第i个特征向量中分向量的个数；
25.利用每一个所述分向量的权重值，分别对所述第一特征向量和所述第二特征向量进行计算；
26.对计算后的所述第一特征向量和所述第二特征向量进行归一化处理，分别得到新的第一特征向量和新的第二特征向量；
27.对所述新的第一特征向量和所述新的第二特征向量进行融合处理，得到所述融合特征。
28.在一种可能的设计中，所述对所述新的第一特征向量和所述新的第二特征向量进行融合处理，得到所述融合特征，包括：
29.根据下述第二式子，计算所述新的第一特征向量和所述新的第二特征向量之间的相似度；
的相似度，i用于表征每一个特征向量中的第i个分向量，q用于表征每一个特征向量中分向量的个数；
32.从预设的映射关系中，获取与所述相似度相匹配的融合方法，其中，所述映射关系用于表征不同的相似度和不同的融合方法之间的关系；
33.根据所述融合方法对所述新的第一特征向量和所述新的第二特征向量进行融合处理，得到所述融合特征。
34.在一种可能的设计中，所述预测性维护信息包括以下信息中的至少一个：运行状态健康值、维护必要程度值、剩余使用寿命值、以及至少一个维护时间和每一个维护时间对应的维护参数；
35.在一种可能的设计中，所述知识图谱通过神经网络和专业经验实现，其中，所述专业经验是通过若干个设备的运行信息和所述若干个设备的运行信息对应的预测性维护结果获得。
36.第二方面，本发明实施例还提供了预测性维护装置，包括：获取模块、第一输入模
38.所述第一输入模块，用于将所述获取模块获取到的所述运行信息输入到预先构建的知识图谱，以由所述知识图谱输出第一特征向量；以及
39.用于将所述获取模块获取到的所述运行信息输入到预先构建的机器学习模型，以由所述机器学习模型输出第二特征向量；
40.所述融合模块，用于对所述第一特征向量和所述第二特征向量进行融合处理，得到融合特征；
41.所述第二输入模块，用于将所述融合模块得到的所述融合特征输入到预先构建的预测模型，以由所述预测模型输出预测性维护信息。
43.获取所述第一特征向量和所述第二特征向量中每一个分向量对应的预设权重值；
44.根据每一个所述预设权重值和下述第一式子，计算得到每一个所述分向量对应的权重值；
用于表征第i个特征向量中的第j个分向量的预设权重值，m表征第i个特征向量中分向量的个数；
47.利用每一个所述分向量的权重值，分别对所述第一特征向量和所述第二特征向量进行计算；
48.对计算后的所述第一特征向量和所述第二特征向量进行归一化处理，分别得到新的第一特征向量和新的第二特征向量；
49.对所述新的第一特征向量和所述新的第二特征向量进行融合处理，得到所述融合特征。
50.第三方面，本发明还提供了一种智能设备，包括：至少一个存储器和至少一个处理器；
52.所述至少一个处理器，用于调用所述机器可读程序，执行第一方面以及第二方面中任一所述的预测性维护方法。
54.所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面以及第二方面中任一所述的预测性维护方法。
55.由上述技术方案可知，在获取到需要进行预测性维护的目标设备的运行信息后，利用预先构建的知识图谱输出第一特征向量，并利用预先构建的机器学习模型输出第二特征向量，然后对第一特征向量和第二特征向量进行融合处理得到融合特征，最后基于预先构建的预测模型，得到该运行信息对应的预测性维护信息。由此可知，基于目标设备的运行信息确定预测性维护信息的过程中，不需要依赖经验丰富的工程师进行预测判断，并且知识图谱和机器学习模型的有机结合可以避免人工预测性维护的主观性导致的预测结果准
56.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
58.图2是本发明一个实施例提供的一种预测性维护装置所在设备的示意图；
60.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
61.如图1所示，本发明实施例提供了预测性维护方法，该方法可以包括如下步骤：
63.状态数据是利用传感器实时采集到的振动、温度、压力、电流电压等物理状态数据
64.在本步骤中，在本发明一实施例中，目标设备的运行信息是利用传感器采集到的振动、温度、压力、电流以及电压等物理状态数据。具体地，需要进行预测性维护的设备安装有若干个传感器，各个传感器可以采集设备的运行信息和实时状态信息。因此所获取到的运行信息例如可以是来自传感器采集到的信息，即模拟信号。具体地，当步骤101中获取到的运行信息包括模拟信号时，在步骤101之后，还可以对获取到的模拟信号进行处理，具体可以包括如下步骤：
66.步骤s2：根据若干个预设的特征维度对降噪后的模拟信号进行特征提取，得到特征信息，其中，特征维度包括：时域、频域和时频域中的至少一个。
67.在本步骤中，由于模拟信号中通常包含有许多环境噪声信号等干扰信号，因此需要对获取到的模拟信号进行降噪处理，然后基于预设的特征维度对降噪后的模拟信号进行特征提取，得到特征信息。由此可知，降噪处理可以除去模拟信号中的干扰信号，即滤除模拟信号中的干扰信号，如此，减少干扰信号对特征提取带来的负面影响，使得对该模拟信号进行特征提取更容易，一方面可以提高特征提取的准确性，另一方面还可以提高特征提取的效率，因此在提高预测性维护信息的准确性的同时，还可以提高预测性维护的效率。
68.需要说明的是，在本发明实施例中，对降噪后的模拟信号进行特征提取，是指从该模拟信号中抽取出有用信息的过程，即获取特征信息。
69.可以理解的是，在本步骤中，对降噪后的模拟信号进行特征提取得到的特征信息越充分，则利用获取到的特征信息得到的特征向量越准确、越全面。
70.基于此，为了尽可能多的获取降噪后的模拟信息的特征信息，来充分表达设备的
物理特征，可以预先设定不同的特征维度，通过不同的特征维度进行特征提取。在本发明一实施例中，
71.当特征维度包括时域时，特征信息中包括：均值、方差、标准差、均方根、峰值因子和波形因子中的至少一个；
72.当特征维度包括频域时，特征信息中包括：均方根频率、平均频率、重心频率和频率标准差中的至少一个；
74.应该理解的是，针对同一个模拟信号，采用不同的特征维度进行特征提取，获取到的特征信息不同。因此，利用多种不同的特征维度对模拟信号进行特征提取可以在不同的参考系下获取相应的特征信息，从而可以提取到更多的特征信息，进而充分地表达设备的物理特征，因此有利于后续的处理分析。
75.步骤102：将运行信息输入到预先构建的知识图谱，以由知识图谱输出第一特征向量。
76.在本步骤中，在本发明一实施例中，知识图谱的构建过程具体为：首先在行业专家的指导下构建知识图谱的主体结构，通过若干数据源获取知识并存储在数据库中；然后，将获取到的知识进行标注、抽取，得到大量的三元组，并对三元组进行融合构建数据之间的关联，包括：实体对齐、属性对齐、冲突消解、规范化等；最后构建知识图谱，并对知识图谱进行验证，包括：补全、纠错、外链以及更新等。
77.在本发明一实施例中，知识图谱的构建可以基于神经网络和专业经验实现，其中，专业经验是通过若干个设备的运行信息和若干个设备的运行信息对应的预测性维护结果获得。即，通过神经网络构建知识图谱，并且利用专业经验对知识图谱进行验证，包括：补全、纠错、外链以及更新等。由于神经网络是一种利用算法特点来模拟人脑思维的第二种方式，可以通过多个神经元的协同效应快速对数据进行处理，从而可以提高知识图谱的构建效率。同时，知识图谱的构建离不开专业经验，利用专业经验可以很好地对知识图谱进行验证，从而使得知识图谱输出的特征向量准确性较高，进而有助于提高预测性维护信息的准确性进而可靠性。
78.步骤103：将运行信息输入到预先构建的机器学习模型，以由机器学习模型输出第二特征向量。
79.在本步骤中，机器学习模型还可以直接对运行信息中的上述模拟信号进行处理并输出相应的特征向量，在本发明一实施例中，对模拟信号的处理过程可以参照上述步骤s1
80.当然，机器学习模型构建可以是通过机器学习的方式对收集到的若干历史数据进行处理得到机器学习模型，其中，历史数据包括每一个设备的维修维修维护记录、专家经验和现场操作工的记录等。
81.步骤104：对第一特征向量和第二特征向量进行融合处理，得到融合特征。
82.在本步骤中，考虑到知识图谱输出的第一特征向量和机器学习模型输出的第二特征向量的之间的异同，对第一特征向量和第二特征性向量进行融合处理，如此，可以得到更趋向于兼顾各个特征向量之间的互补性和差异性的融合特征，从而使得通过融合特征得到的预测性维护信息的准确性更高。
83.应理解，每一个特征向量是由一个或者多个用于表征设备的物理性能的分向量构成的，也就是说，不同的分向量可以组成不同的特征向量。
84.可以理解的是，由于不同的设备间存在差异，因此不同设备的同一特征向量中的每一个分向量对设备的影响程度不同。举例来说，运行温度对设备a的影响程度较大，而对设备b的影响程度较低。基于上述问题，在本发明一实施例中，步骤104具体可以包括如下步骤：
85.步骤1041：获取第一特征向量和第二特征向量中每一个分向量对应的预设权重值；
86.步骤1042：根据每一个预设权重值和下述第一式子，计算得到每一个分向量对应的权重值；
用于表征第i个特征向量中的第j个分向量的预设权重值，m表征第i个特征向量中分向量的个数；
89.步骤1043：利用每一个分向量的权重值，分别对第一特征向量和第二特征向量进行计算；
90.步骤1044：对计算后的第一特征向量和第二特征向量进行归一化处理，分别得到新的第一特征向量和新的第二特征向量；
91.步骤1045：对新的第一特征向量和新的第二特征向量进行融合处理，得到融合特征。
92.在本步骤中，每一个特征向量中的每一个分向量对应有预设权重值，通过上述第一式子可以得到每一个分向量在该特征向量中的权重值，即，每一个特征向量中权重值最大的分向量在该特征向量中的影响程度越大，同理，分向量的权重值越小，表明该分向量在该特征向量中的影响程度越小。利用每一个分向量的权重值分别对第一特征向量和第二特征向量进行计算，如此，计算后的第一特征向量和计算后的第二特征向量具有针对性，也就是说，基于权重值计算得到的特征向量可以有效解决不同分向量着重点差异化问题，从而使得后续归一化处理和融合处理后得到的融合特征准确程度更高，进而有助于预测性维护信息的可靠性的提高。
93.在本发明实施例中，以第一特征向量为例，第一特征向量为α＝(α1,α2,λα
94.应理解，上述计算后的第一特征向量和计算后的第二特征向量中的若干个分向量之间由于属性不同，导致量纲差别比较大，因此在进行融合处理之前，对计算后的第一特征向量和计算后的第二特征向量分别进行归一化处理，得到新的第一特征向量和新的第二特征向量，如此，可以使每一个特征向量处于同一量刚下，在提高特征向量的稳定性和代表性的同时，保证了后续融合处理的处理量不会过大，即保证了后续融合处理的效率。
95.进一步地，针对新的第一特征向量和新的第二特征向量，采用不同的融合方法进行融合处理时得到的融合特征会有差异。基于此，在本发明一实施例中，在步骤1044之后和
96.根据下述第二式子，计算新的第一特征向量和新的第二特征向量之间的相似度；
的相似度，i用于表征每一个特征向量中的第i个分向量，q用于表征每一个特征向量中分向量的个数；
99.从预设的映射关系中，获取与相似度相匹配的融合方法，其中，映射关系用于表征不同的相似度和不同的融合方法之间的关系；
100.根据融合方法对新的第一特征向量和新的第二特征向量进行融合处理，得到融合特征。
101.在本发明实施例中，预先设定用于表征相似度和融合方法之间的映射关系，根据上述第二式子计算得到新的第一特征向量和新的第二特征向量之间的相似度，从映射关系中确定与该相似度相匹配的融合方法，进而利用该融合方法进行融合处理，得到特征向量。由上述可知，针对特征向量之间的相似度均可以采用与该相似度相匹配的融合方法进行容和处理，如此，使得得到的融合特征更加准确，进而可以提高预测性维护信息的可靠性。
102.应理解，上述融合方法例如可以是融合函数，还可以是融合算法，本发明实施例对融合方法不做具体限定。
103.具体地，新的第一特征向量和新的第二特征向量之间的相似度用于衡量两个特征向量之间的差异性，若s(μ
104.步骤105：将融合特征输入到预先构建的预测模型，以由预测模型输出预测性维护信息。
105.在本步骤中，预测性维护信息包括以下信息中的至少一个：运行状态健康值、维护必要程度值、剩余使用寿命值、以及至少一个维护时间和每一个维护时间对应的维护参数。
106.可以理解的是，在本步骤中，根据融合特征和预测模型可以得到相应的预测性维护信息，并且可以将该预测性维护信息进行存储并展示，以使相关人员可以根据所展示的内容了解目标设备的预测性维护信息，从而按需制定维护计划。
107.应理解，在本发明实施例中，可以按照预设的周期获取目标设备的运行信息来进行预测性维护，当前还可以对目标设备的当前状态实时地进行持续性的监测，从而可以根据预测性维护信息实时地了解设备的状态，从而可以最大限度的延长设备的维护周期，减少设备的全寿命维护成本。
108.在本发明实施例中，上述预测性维护方法通过在获取到需要进行预测性维护的目标设备的运行信息后，利用预先构建的知识图谱输出第一特征向量，并利用预先构建的机器学习模型输出第二特征向量，然后对第一特征向量和第二特征向量进行融合处理得到融合特征，最后基于预先构建的预测模型，得到该运行信息对应的预测性维护信息。由此可知，基于目标设备的运行信息确定预测性维护信息的过程中，不需要依赖经验丰富的工程师进行预测判断，并且知识图谱和机器学习模型的有机结合可以避免人工预测性维护的主
观性导致的预测结果准确率较低的情况，因此，提高了预测性维护信息的可靠性。
109.如图2、图3所示，本发明实施例提供了一种预测性维护装置。预测性维护装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言，如图2所示，为本发明实施例提供的预测性维护装置所在设备的一种硬件结构图，除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的设备通常还可以包括其他硬件，如负责处理报文的转发芯片等等。以软件实现为例，如图3所示，作为一个逻辑意义上的装置，是通过其所在设备的cpu将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。
110.如图3所示，本实施例提供的预测性维护装置，包括：获取模块301、第一输入模块302、融合模块303和第二输入模块304；
111.获取模块301，用于获取需要进行预测性维护的目标设备的运行信息；
112.第一输入模块302，用于将获取模块301获取到的运行信息输入到预先构建的知识图谱，以由知识图谱输出第一特征向量；以及
113.用于将获取模块301获取到的运行信息输入到预先构建的机器学习模型，以由机器学习模型输出第二特征向量；
114.融合模块303，用于对第一特征向量和第二特征向量进行融合处理，得到融合特征；
115.第二输入模块304，用于将融合模块303得到的融合特征输入到预先构建的预测模型，以由预测模型输出预测性维护信息。
116.在本发明一实施例中，基于图3所示的预测性维护装置，该预测性维护装置进一步包括：特征提取模块；
117.特征提取模块，用于对获取模块301获取到的运行信息中的模拟信号执行如下处理：
119.根据若干个预设的特征维度对降噪后的模拟信号进行特征提取，得到特征信息，其中，特征维度包括：时域、频域和时频域中的至少一个；
120.第一输入模块302，进一步用于将特征提取模块得到的特征信息作为运行信息输入到知识图谱，以由知识图谱输出第一特征向量。
122.当特征维度包括时域时，特征信息中包括：均值、方差、标准差、均方根、峰值因子和波形因子中的至少一个；
123.当特征维度包括频域时，特征信息中包括：均方根频率、平均频率、重心频率和频率标准差中的至少一个；
127.获取第一特征向量和第二特征向量中每一个分向量对应的预设权重值；
128.根据每一个预设权重值和下述第一式子，计算得到每一个分向量对应的权重值；
用于表征第i个特征向量中的第j个分向量的预设权重值，m表征第i个特征向量中分向量的个数；
131.利用每一个分向量的权重值，分别对第一特征向量和第二特征向量进行计算；
132.对计算后的第一特征向量和第二特征向量进行归一化处理，分别得到新的第一特征向量和新的第二特征向量；
133.对新的第一特征向量和新的第二特征向量进行融合处理，得到融合特征。
136.根据下述第二式子，计算新的第一特征向量和新的第二特征向量之间的相似度；
的相似度，i用于表征每一个特征向量中的第i个分向量，q用于表征每一个特征向量中分向量的个数；
139.从预设的映射关系中，获取与相似度相匹配的融合方法，其中，映射关系用于表征不同的相似度和不同的融合方法之间的关系；
140.根据融合方法对新的第一特征向量和新的第二特征向量进行融合处理，得到融合特征。
142.预测性维护信息包括以下信息中的至少一个：运行状态健康值、维护必要程度值、剩余使用寿命值、以及至少一个维护时间和每一个维护时间对应的维护参数；
144.知识图谱通过神经网络和专业经验实现，其中，专业经验是通过若干个设备的运行信息和若干个设备的运行信息对应的预测性维护结果获得。
145.需要说明的是，本发明实施例示意的结构并不构成对预测性维护装置的具体限定。在本发明的另一些实施例中，该预测性维护装置可以包括比图示更多或者更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
146.上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
147.本发明实施例还提供了一种智能设备，包括：至少一个存储器和至少一个处理器；
149.所述至少一个处理器，用于调用所述机器可读程序，执行本发明任一实施例中的预测性维护方法。
150.本发明实施例还提供了一种计算机可读介质，存储用于使一计算机执行如本文所
述的预测性维护方法的指令。具体地，可以提供配有存储介质的方法或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该方法或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
151.在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
152.用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd
rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
153.此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
154.此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的cpu等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
155.需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
156.以上各实施例中，硬件模块可以通过机械方式或电气方式实现。例如，一个硬件模块可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件模块还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
157.上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。