[发明专利]一种设备故障预测方法、装置、可读介质及电子设备

权利要求书

1.一种设备故障预测方法，其特征在于，包括：

确定目标设备的特征信息和目标设备对应的检测点数据信息；

基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型；

根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重；

根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型；

根据所述联邦学习模型进行所述目标设备的设备故障预测。

2.根据权利要求1所述的方法，其特征在于，所述根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重，包括：

根据所述特征数据概率分布模型，确定所述非共享数据的目标设备分布概率；

根据所述检测点数据的概率分布模型，确定所述非共享数据的检测点分布概率；

将所述非共享数据的目标设备分布概率和所述非共享数据的检测点分布概率的比值，确定为所述非共享数据的权重。

3.根据权利要求1所述的方法，其特征在于，所述基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型，包括：

基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据和具有非共享数据的检测点数据；

根据特征数据参数模型计算所述特征数据的数据分布，并将确定好参数的特征数据参数模型确定为所述特征数据概率分布模型；

根据检测点数据参数模型计算所述检测点数据的数据分布，并将确定好参数的检测点数据参数模型确定为所述检测点数据的概率分布模型。

4.根据权利要求3所述的方法，其特征在于，所述特征数据参数模型和/或检测点数据参数模型包括混合高斯模型。

5.根据权利要求1所述的方法，其特征在于，所述根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型，包括：

根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，确定检测点局部模型；

根据至少两个所述检测点局部模型，建立联邦学习模型。

6.根据权利要求5所述的方法，其特征在于，所述根据至少两个所述检测点局部模型，建立联邦学习模型，包括：

基于联合学习算法，对至少两个所述检测点局部模型进行反复迭代，并基于至少两个迭代好的检测点局部模型，建立联邦学习模型。

7.根据权利要求5所述的方法，其特征在于，所述检测点局部模型包括神经网络模型或回归模型。

8.一种设备故障预测装置，其特征在于，包括：

信息确定模块，用于确定目标设备的特征信息和目标设备对应的检测点数据信息；

概率模型确定模块，用于基于所述目标设备的特征信息和目标设备对应的检测点数据信息，确定目标设备的特征数据概率分布模型和具有非共享数据的检测点数据的概率分布模型；

权重确定模块，用于根据所述特征数据概率分布模型和所述检测点数据的概率分布模型，确定所述非共享数据的权重；

模型建立模块，用于根据所述非共享数据、所述非共享数据的权重和所述非共享数据对应的设备故障标签，建立联邦学习模型；

预测模块，用于根据所述联邦学习模型进行所述目标设备的设备故障预测。

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7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7中任一所述的方法。