[发明专利]设备故障类型的分析方法、装置、储存介质和电子设备

说明书

本公开涉及一种设备故障类型的分析方法、装置、储存介质和电子设备，该方法包括：确定与当前数据点相匹配的目标数据簇，该目标数据簇为所有数据簇中与该当前数据点具有最大匹配概率的数据簇；确定该目标数据簇中与该目标数据簇具有最小匹配概率的第一数据点；根据该目标数据簇的故障状态，该第一数据点与该目标数据簇的匹配概率以及该当前数据点与该目标数据簇的匹配概率的对比结果，确定该当前数据点的故障类型。能够通过设备历史数据的故障状态以及与当前设备数据匹配程度，预测当前设备数据的故障状态和倾向的故障类型，以提醒设备管理者针对该故障倾向进行干预，增加设备异常预测的针对性，提高设备运维的效率。

技术领域

本公开涉及设备异常检测领域，具体地，涉及一种设备故障类型的分析方法、装置、储存介质和电子设备。

背景技术

随着信息技术的广泛使用，对设备的异常检测也逐步向信息化的方向发展。在对设备进行异常检测的过程中，一般会设置不同的传感器对设备中的各项指标进行检测，获取检测数据。再通过上述监测数据中与正常或者预期数据不符的数据，预测设备即将发生故障的可能性，进而提前进行人为干预，降低设备使用过程中的人身和财产损失。

相关技术中，常用的设备异常的分析方法包括基于无监督学习模型的分析方法以及基于神经网络的分析方法。其中，在基于无监督学习模型，例如k-means以及高斯混合模型(Gaussian Mixture Model，简称GMM)，的分析方法中，通过无监督学习模型对已被判定为正常的检测数据进行聚类。如果新获取到的数据能够被归类到现有的正常数据簇中，则判定该数据为正常数据；反之，该数据被判定为异常数据。该基于无监督学习模型的分析方法通过常规的无监督学习模型对正常数据进行聚类，在实际操作中难以准确预测当前数据的异常情况的故障倾向。另一方面，基于神经网络的分析方法针对设备故障的单一指标对数据进行单一维度的异常分析，难以针对数据全部特征综合分析数据的异常情况。此外，上述两种设备异常的分析方法对数据点的故障特征要求较高，需要尽可能多的特征以完成异常分析。然而，在实际操作中，高维的特征会造成维度灾难，影响异常分析模型的执行效率。

发明内容

为克服相关技术中存在的问题，本公开提供一种设备故障类型的分析方法、装置、存储介质和电子设备。

根据本公开实施例的第一方面，提供一种设备故障类型的分析方法，包括：

确定与当前数据点相匹配的目标数据簇，所述当前数据点为当前时刻目标设备中指定传感器采集的传感器数据的集合，所述目标数据簇为所有数据簇中与所述当前数据点具有最大匹配概率的数据簇，所述所有数据簇为根据所述当前时刻之前采集的数据点进行聚类得到的数据簇，每个所述数据簇为具有相同故障类型的多个数据点的集合；

确定所述目标数据簇中与所述目标数据簇具有最小匹配概率的第一数据点；

根据所述目标数据簇的故障状态，第一匹配概率以及第二匹配概率的对比结果，确定所述当前数据点的故障类型，所述第一匹配概率为所述第一数据点与所述目标数据簇的匹配概率，所述第二匹配概率为所述当前数据点与所述目标数据簇的匹配概率。

可选的，在所述确定与当前数据点相匹配的目标数据簇之前，所述方法还包括：

通过主成分分析PCA方法对所述传感器数据的集合进行降维处理得到第一数据点集合，所述第一数据点集合包含多个故障标注数据点与多个无标注数据点；

通过高斯混合模型将所述多个无标注数据点进行聚类得到多个数据簇，所述多个数据簇中的每个所述数据簇中包含的无标注数据点均对应相同的故障类型；

通过训练好的异常点分类模型在所述多个数据簇中标注出故障倾向数据点，以确定所述多个数据簇的故障状态，所述故障状态用于表示数据簇是故障数据簇以及倾向的故障类型，或用于表示数据簇是非故障数据簇。