一种故障预测诊断方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及轨道交通技术领域，尤其涉及一种故障预测诊断方法、装置、电子设备及存储介质。

背景技术

随着城市轨道交通的发展，城市轨道交通线路四通八达，给人们的出行带来极大的便利。

随着城市的轨道交通不断地发展，城市轨道交通的监控系统业务成为维持轨道交通的正常运行的重要业务。在轨道交通的监控系统业务中，每天都会采集到大量的设备状态信息，根据采集到的设备状态信息进行分析处理得到对应的设备故障信息。

通常需要运维人员凭借人力去分析和定位设备故障原因，故障预测的工作效率相对较低。

发明内容

本申请实施例提供一种故障预测诊断方法、装置、电子设备及存储介质，能够解决故障预测工作效率低的问题，提升故障预测的工作效率，提高故障诊断的准确性。

在第一方面，本申请实施例提供了一种故障预测诊断方法，包括：

将从时序数据库中获取的时序数据进行预处理，得到待预测数据；

将所述待预测数据输入预设第一模型进行数据处理，输出对应的设备故障预测概率，所述预设第一模型包括第二模型和第三模型，所述预设第一模型通过所述第二模型对所述第三模型的网络参数进行调整更新；

若所述设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。

进一步的，所述将从时序数据库中获取的时序数据进行预处理，得到待预测数据之前，包括：

获取各设备的点位状态数据，得到点位状态值和点位状态信息；

将所述点位状态值与预设点位阈值比较，若所述点位状态值大于所述预设点位阈值，则将对应的点位状态信息附上故障标签，得到第一点位状态数据；

根据所述点位状态值小于或等于所述预设点位阈值的点位状态数据和所述第一点位状态数据，形成第一时序数据；

将所述第一时序数据保存至第一时序数据库。

进一步的，所述第一时序数据包括数据点和数据项，其中数据点包括设备的内存使用率、磁盘使用率、网络状态和CPU使用率，数据项包括数据点ID、数据质量和数据点状态值；

所述将从时序数据库中获取的时序数据进行预处理，得到待预测数据，包括：

定时对所述第一时序数据的数据点进行聚合处理，得到聚合数据；

根据所述聚合数据和对应的数据项得到第二时序数据；

将所述第二时序数据保存至第二时序数据库。

进一步的，所述预设第一模型通过所述第二模型对所述第三模型的网络参数进行调整更新，包括：

从所述第二时序数据库获取第一训练集，所述第一训练集为附有故障标签的时序数据；

将所述第一训练集输入所述第三模型中进行强化学习处理，输出第一设备故障预测概率；

从所述第二时序数据中获取设备状态信息和设备故障信息，将所述第一设备故障预测概率和对应的设备状态信息以及设备故障信息存放至经验回放池，得到第二训练集；

当所述第二训练集的数据量达到阈值时，则通过所述第二模型基于经验回放机制调整第三模型中的网络参数。

进一步的，所述第三模型包括第一网络和线性回归网络；

所述将所述第一训练集输入所述第三模型中进行强化学习处理，输出第一设备故障预测概率，包括：

将所述第一训练集输入所述第一网络进行训练处理，得到当前时刻的所述第一网络的输入门、遗忘门、输出门和隐藏层的输出值；

根据所述第一网络的输入门和遗忘门的输出值进行计算处理，得到当前时刻的元胞值；

根据所述当前时刻的元胞值进行计算处理，得到当前时刻的所述第一网络的网络输出值；

通过所述线性回归网络对所述第一网络的网络输出值进行线性回归处理，得到所述第一设备故障预测概率。

进一步的，所述将所述第一训练集输入所述第一网络进行训练处理，得到当前时刻的所述第一网络的输入门、遗忘门、输出门和隐藏层的输出值，包括：

通过公式I

其中，H

所述根据所述第一网络的输入门和遗忘门的输出值进行计算处理，得到当前时刻的元胞值，包括：

通过公式C

所述根据所述当前时刻的元胞值进行计算处理，得到当前时刻的所述第一网络的网络输出值，包括：

通过公式H

进一步的，所述第二模型包括第二网络，所述当所述第二训练集的数据量达到阈值，则通过第二模型基于经验回放机制调整第三模型中的网络参数，包括：

当所述第二训练集的数据量达到阈值，将所述第二训练数据中的设备状态信息和对应的所述第一设备故障预测概率输入所述第二网络中进行学习动作价值评判处理，输出损失函数；

根据所述损失函数修正所述第一网络的网络参数。

在第二方面，本申请实施例提供了一种故障预测诊断装置，包括：

数据预处理单元，用于将从时序数据库中获取的时序数据进行预处理，得到待预测数据；

预测单元，用于将所述待预测数据输入预设第一模型进行数据处理，输出对应的设备故障预测概率，所述预设第一模型包括第二模型和第三模型，所述预设第一模型通过所述第二模型对所述第三模型的网络参数进行调整更新；

诊断单元，用于若所述设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。

进一步的，所述数据预处理单元，还用于获取各设备的点位状态数据，得到点位状态值和点位状态信息；

将所述点位状态值与预设点位阈值比较，若所述点位状态值大于所述预设点位阈值，则将对应的点位状态信息附上故障标签，得到第一点位状态数据；

根据所述点位状态值小于或等于所述预设点位阈值的点位状态数据和所述第一点位状态数据，形成第一时序数据；

将所述第一时序数据保存至第一时序数据库。

进一步的，所述第一时序数据包括数据点和数据项，其中数据点包括设备的内存使用率、磁盘使用率、网络状态和CPU使用率，数据项包括数据点ID、数据质量和数据点状态值；

所述数据预处理单元，还用于定时对从所述第一时序数据的数据点进行聚合处理，得到聚合数据；

根据所述聚合数据和对应的数据项得到第二时序数据；

将所述第二时序数据保存至第二时序数据库。

进一步的，所述预测单元，还用于从所述第二时序数据库获取第一训练集，所述第一训练集为附有故障标签的时序数据；

将所述第一训练集输入所述第三模型中进行强化学习处理，输出第一设备故障预测概率；

从所述第二时序数据中获取设备状态信息和设备故障信息，将所述第一设备故障预测概率和对应的设备状态信息以及设备故障信息存放至经验回放池，得到第二训练集；

当所述第二训练集的数据量达到阈值时，则通过所述第二模型基于经验回放机制调整第三模型中的网络参数。

进一步的，所述第三模型包括第一网络和线性回归网络；

所述预测单元，还用于将所述第一训练集输入所述第一网络进行训练处理，得到当前时刻的所述第一网络的输入门、遗忘门、输出门和隐藏层的输出值；

根据所述第一网络的输入门和遗忘门的输出值进行计算处理，得到当前时刻的元胞值；

根据所述当前时刻的元胞值进行计算处理，得到当前时刻的所述第一网络的网络输出值；

通过所述线性回归网络对所述第一网络的网络输出值进行线性回归处理，得到所述第一设备故障预测概率。

进一步的，所述预测单元，还用于通过公式I

其中，H

所述根据所述第一网络的输入门和遗忘门的输出值进行计算处理，得到当前时刻的元胞值，包括：

通过公式C

所述根据所述当前时刻的元胞值进行计算处理，得到当前时刻的所述第一网络的网络输出值，包括：

通过公式H

进一步的，所述第二模型包括第二网络；

所述预测单元，还用于当所述第二训练集的数据量达到阈值，将所述第二训练数据中的设备状态信息和对应的所述第一设备故障预测概率输入所述第二网络中进行学习动作价值评判处理，输出损失函数；

根据所述损失函数修正所述第一网络的网络参数。

在第三方面，本申请实施例提供了一种故障预测诊断设备，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的故障预测诊断方法。

在第四方面，本申请实施例提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的故障预测诊断方法。

本申请实施例通过将时序数据库中获取的时序数据进行预处理后得到的待处理数据输入预设第一模型中进行数据处理，输出对应的设备故障预测概率，若设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。采用上述技术手段，可以通过预设第一模型进行设备故障概率的预测，以此可避免故障预测工作效率低的问题，提升故障预测的工作效率。此外，在设备故障预测概率值超过预警值时，通过故障特征关系图谱分析故障诊断结果，提高故障诊断的准确性。

附图说明

图1是本申请实施例提供的一种故障预测诊断方法的流程图；

图2是本申请实施例提供的第三模型的示意图；

图3是本申请实施例提供的预设第一模型的示意图；

图4是本申请实施例提供的第二模型的示意图；

图5是本申请实施例提供的一种故障预测诊断装置的结构示意图；

图6是本申请实施例提供的一种故障预测诊断设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

目前在轨道交通监控系统业务场景中，通过对应的数据采集设备都能采集到大量的设备状态信息，数据采集设备包括综合监控交换机、综合监控服务器、综合监控调度工作站、火灾报警设备等。设备状态信息包括AI类型或DI类型的数据，例如设备CPU使用率、内存使用率、网络状态等信息。

轨道交通监控系统对采集到的设备状态信息进行处理，如果设备数据点状态值超过预设的阈值，系统会产生设备故障信息并通知运维人员进行处理。在轨道交通日常运营中，运维人员根据综合监控系统列出的设备故障信息排查对应的设备，确定设备故障原因。由于轨道交通监控系统业务涉及的设备数量极多，运维人员单凭人力去分析和定位设备故障原因，存在效率不高的问题。

本申请提供的故障预测诊断方法、装置、电子设备及存储介质，旨在故障预测诊断时，通过预设第一模型进行设备故障概率的预测，以此提升故障预测的工作效率。并且，在设备故障预测概率值超过预警值时，通过故障特征关系图谱分析故障诊断结果，以提高故障诊断的准确性。相对于传统的故障预测诊断方式，其通常需要运维人员凭借人力去分析原因和定位发生故障的设备，基于人力去分析原因具有主观性，得到的分析预测和分析结果准确度较低。并且需要大量的人力资源去进行分析处理和定位发生故障的设备，工作效率相对也较低。基于此，提供本申请实施例的故障预测诊断方法，以解决现有故障预测诊断工作效率低的问题。

图1给出了本申请实施例提供的一种故障预测诊断方法的流程图，本实施例中提供的故障预测诊断方法可以由故障预测诊断设备执行，该故障预测诊断设备可以通过软件和/或硬件的方式实现，该故障预测诊断设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该故障预测诊断设备可以是终端设备，如计算机设备等。

下述以计算机设备为执行故障预测诊断方法的主体为例，进行描述。参照图1，该故障预测诊断方法具体包括：

S101、将从时序数据库中获取的时序数据进行预处理，得到待预测数据。

时序数据可以理解为时间序列数据，是指同一指标按时间顺序记录的数据列。轨道交通中的综合监控系统通过数据采集设备定时采集重要设备的点位数据，通过获取各设备的点位状态数据，得到点位状态值和点位状态信息。将所述点位状态值与预设点位阈值比较，若所述点位状态值大于所述预设点位阈值，则将对应的点位状态信息附上故障标签，得到第一点位状态数据。根据点位状态值小于或等于预设点位阈值的点位状态数据和所述第一点位状态数据，形成第一时序数据。将第一时序数据保存至第一时序数据库。

需要说明的是，无论点位状态信息是否附上故障标签，只要点位状态值发生变化，则都会将对应的点位状态数据更新到第一时序数据库中。

第一时序数据包括数据点和数据项，其中数据点包括设备的内存使用率、磁盘使用率、网络状态和CPU使用率，数据项包括数据点ID、数据质量和数据点状态值。基于轨道交通中的综合监控系统日常监控的设备数量多，采集到的设备状态信息量也大，相近时间内的设备状态存在一定的相似性。如果综合监控系统直接对原始数据(第一时序数据)进行处理，会耗费较多的系统资源。因而需要对第一时序数据进行对应的聚合处理降低数据量后再进行后续的模型算法处理。

将第一时序数据保存至第一时序数据库之后，定时对第一时序数据的数据点进行聚合处理，得到聚合数据。通过聚合处理，根据数据点ID和采集时间，将预设时间窗口内的设备点位数据进行计算，得到对应设备点位的在该预设时间窗口内的最大值、最小值、平均值、方差、偏差和标准差等信息，这些信息为聚合数据。根据聚合数据和对应的数据项得到第二时序数据，将第二时序数据添加上对应的故障标签之后，保存至第二时序数据库。通过将第一时序数据进行聚合处理后，使得原先时序数据(第一时序数据)的规模得到大幅度压缩，节省了数据占用空间。此外，得到的第二时序数据是经过聚类处理的，从而使得数据特征更加明显，有效提高数据中的特征信息，进而提高后续深度学习的效率和准确度。

需要说明的是，第二时序数据为预处理后得到的待预测数据。

示例性的，假设在第一时序数据库中存在一个点位10分钟内有10条第一时序数据的记录。预设时间窗口为10分钟，对这10分钟内的第一时序数据进行聚合处理，计算出这10分钟内的10条第一时序数据最大值、最小值、平均值、方差、偏差和标准差等信息，将这些信息结合该点位的数据项(数据点ID、数据质量和数据点状态值)形成1条第二时序数据的记录，并保存至第二时序数据库中。通过聚合处理，能够将第一时序数据的规模进行大幅度的压缩，节省数据占用空间。此外，通过计算出的最大值、最小值、平均值、方差、偏差和标准差等信息使得数据特征更加明显，有助于提高后续的深度学习训练的工作效率和准确度。

根据上述得到的第二时序数据，使用Grafana展示设备点位状态值，将海量设备点位数据以可视化图形界面展示出来。基于时序数据库的存储和数据指标聚合，对采集到的海量设备监控点数据进行实时处理，时序数据库具有高吞吐量写入能力和高效聚合能力等特点，使得系统具有较高的吞吐量和较低的时延，既满足了简单的点位查询要求，也能满足海量数据复杂分析要求，且能将重要设备的连续点位值保存起来，以可视化的图形界面显示设备点位变化趋势。设备发生故障前后，数据点位的状态值发生较大变化，运维人员可根据可视界面中变化较大的点位值，快速定位到设备的故障原因。

S102、将所述待预测数据输入预设第一模型进行数据处理，输出对应的设备故障预测概率，所述预设第一模型包括第二模型和第三模型，所述预设第一模型通过所述第二模型对所述第三模型的网络参数进行调整更新。

预设第一模型可以理解为深度学习模型，预设第一模型包括第二模型和第三模型。在运用预设第一模型之前需要进行模型训练，以确定最优的网络参数(模型参数)。在训练时，可以运用上述第二时序数据库中的数据进行训练。从第二时序数据库中获取附有故障标签的时序数据作为第一训练集。将第一训练集的时序数据输入第三模型中进行强化学习训练，输出第一设备故障预测概率。之后，从第二时序数据中获取设备状态信息和设备故障信息，将第一设备故障预测概率和对应的设备状态信息以及设备故障信息存放至经验回放池，得到第二训练集。当第二训练集的数据量，即经验存放池的数据量达到阈值时，则通过第二模型基于经验回放机制调整第三模型的网络参数。

其中，第三模型包括第一网络和线性回归网络，在进行强化学习处理时，将第一训练集输入第一网络中进行训练处理，得到当前时刻的第一网络的输入门、遗忘门、输出门和隐藏层的输出值。根据第一网络得到的输入门和遗忘门的输出值进行计算处理，得到当前时刻的元胞值，根据当前时刻的元胞值进行计算处理，得到当前时刻的第一网络的网络输出值，通过线性回归网络对第一网络的网络输出值进行线性回归处理，得到第一设备故障预测概率。

图2是本申请实施例提供的第三模型的示意图，参照图2，第一网络为LSTM网络，LSTM网络是一种改进的循环神经网络，通过增加输入门、遗忘门、和输出门并设计各个连接间的权重参数值，使得网络能追踪更长的时间内的设备流量信息，所以LSTM网络对数据具有长期记忆性。采用LSTM网络可以有效处理轨道交通设备和子系统状态数据的连续状态信息，得到设备或子系统的长期趋势。

参照图2，从第二时序数据库中获取附有故障标签的时序数据，作为LSTM网络的第一训练集，第一训练集中每条记录中均含有对应的故障标签。设置LSTM网络的初始网络参数，其中输入门的权重矩阵和偏置、隐藏层的权重矩阵和偏置、输出门的权重矩阵和偏置以及遗忘门的权重矩阵和偏置设置为不大于1的随机数，设置LSTM网络的输出和元胞状态为0。设置LSTM网络输入层、隐藏层、输入门、遗忘门、输出门神经元个数为i。采用平均绝对误差评估训练效果。将第一训练集输入LSTM网络中，通过下述公式得到t时刻输入门的输出值I

I

F

O

其中，H

LSTM网络的输入门、遗忘门和输出门可以控制信息的流动。隐藏层输出包括隐藏状态和记忆细胞，只有隐藏状态会传递给输出层。长短记忆可以应对循环神经网络中的梯度衰减问题，并更好地捕捉时间序列中时间步距离较大的依赖关系。

根据LSTM网络的输入门的输出值I

在得到了LSTM的网络输出值H

图3是本申请实施例提供的预设第一模型示意图，参照图3，预设第一模型包括第二模型和第三模型，其中第二模型包括第二网络，其中第二网络为Critic网络，第三模型包括LSTM网络和线性回归网络，LSTM网络和线性回归网络组成为Actor网络。

预设第一模型包括两个Critic网络和两个Actor网络，一个Actor网络和一个Critic网络构成主网络，另外一个Target Actor网络和Target Critic网络构成目标网络。其中，Actor网络由LSTM网络和线性回归网络组成。

需要说明的是，Actor网络和Target Actor网络的区别是，Actor网络每步都会在经验池中更新，而Target Actor网络间隔一段时间才会将Target Actor的网络参数拷贝到Target Actor网络中，实现Target Actor网络的更新，保证了Target Actor网络的稳定性。Crtic和Target Critic网络的区别是Crtic网络每步都会在经验池中更新，而TargetCritic网络间隔一段时间才会将Target Critic的网络参数拷贝到Target Critic网络中，实现Target Critic网络的更新，保证了Target Critic网络的稳定性。

参照图3，在通过第二模型对第三模型的网络参数进行调整更新时，通过从第二时序数据库中获取第二时序数据，得到设备状态S

在一实施例中，参照图3，通过将第二训练数据中的设备状态信息和对应的所述第一设备故障预测概率输入所述第二网络中进行学习动作价值评判处理，输出损失函数。根据损失函数修正第一网络的网络参数。具体的，将经验池中的设备状态S

在一实施例中，Critic网络的损失函数去修正Actor网络中的LSTM网络参数，实现了通过LSTM网络对采集到的时序数据高效处理的基础上，结合Actor网络和Critic网络，能够对LSTM网络的网络参数进行迭代更新，使得预设第一模型的故障预测更加精准。随着预设第一模型的运行时长增加，更多的日常设备数据被用于网络模型自动训练，网络模型的故障预测能力不断得到提升。

图4是本申请实施例提供的第二模型的示意图，参照图4，Critic网络的输出值Q(s

需要说明的是，每隔预设时间间隔通过上述方式，通过第二模型对第三模型的网络参数进行调整更新，以更新预设第一模型。

通过上述方式，通过第二模型对第三模型的网络参数进行调整更新后，确定预设第一模型的网络参数后，将待预测数据输入预设第一模型中进行数据处理，输出对应的设备故障预测概率。示例性的，通过Critic网络调整Actor网络中的LSTM网络参数后，确定预设第一模型的网络参数，将待预测数据输入预设的第一模型中进行数据处理，输出对应的设备故障预测概率。上述，通过预设第一模型根据采集到的设备时序数据预测设备发生故障的概率，以提醒运维人员按照故障概率的高低决定故障排查的缓急顺序，提高了故障排查的工作效率。LSTM网络适用于处理具有时序特征的设备时序数据，Critic网络可自动调节LSTM网络的网络参数，因此，系统能通过海量的设备时序数据不断提高预设第一模型的故障预测能力，为运维人员提供设备故障概率的预测，提高轨道交通监控系统的可靠性。

S103、若所述设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。

由预设第一模型对设备时序数据进行故障预测处理，得到设备故障预测概率值，当预测得到的设备故障预测概率值大于预警值时，证明设备较大概率存在故障情况，为了进一步的确定故障情况，再通过故障特征关系图谱进行分析处理，输出对应的故障诊断结果。示例性的，从时序数据库中获取设备故障信息，使用基于数据驱动的故障关系图谱构建方法和基于轨道交通的故障特点，实现轨道交通设备故障的特征关系知识图谱构建和动态更新。结合特征关系图谱和设备故障信息中的特征信息，生成故障诊断模型，通过故障诊断模型对设备的故障信息对应的时序数据进行分析处理，输出对应故障诊断结果。将故障诊断结果推送至订阅信息的工作站，以供运维人员查看故障诊断结果。

在一实施例中，针对存在故障标签的时序数据进行状态分割、匹配和融合处理，输出多维数据的连续性特征和离散特征，基于连续特征、离散特征、已构建的系统知识图谱和故障知识图谱，对待预测数据进行故障分析，输出故障诊断结果。

在一实施例中，基于第一时序数据库和/或第二时序数据库获取第一图谱数据，第一图谱数据包括连续特征、离散特征、故障规则逻辑和部件关系，部件关系从系统知识图谱中获取，故障规则逻辑从故障逻辑数据库中获取。故障规则逻辑可以包括领域专家定义的简单规则、决策树以及人工生成的故障逻辑等。基于第一图谱数据进行归纳学习故障知识，基于故障知识构建故障知识图谱，从而实现故障知识图谱的构建与自动完善。

在基于第一图谱数据进行归纳学习故障知识时，基于部件关系对连续特征和离散特征进行过滤，得到过滤后的特征。基于过滤后的特征，调用训练好的知识分类器进行知识分类，得到故障知识，从而实现故障知识的自动归纳。其中，故障知识包括故障部件和每个故障部件的故障属性，故障属性包括故障症状、故障成因以及故障发生时间和位置等。

上述，通过对设备故障预测概率值超过预警值的对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果，能够自动生成故障诊断结果，分析故障原因等，有助于运维人员快速进行故障排查，提高故障排查的工作效率。

上述，通过将时序数据库中获取的时序数据进行预处理后得到的待处理数据输入预设第一模型中进行数据处理，输出对应的设备故障预测概率，若设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。采用上述技术手段，可以通过预设第一模型进行设备故障概率的预测，以此可避免故障预测工作效率低的问题，提升故障预测的工作效率。此外，在设备故障预测概率值超过预警值时，通过故障特征关系图谱分析故障诊断结果，提高故障诊断的准确性。

在上述实施例的基础上，图5为本申请实施例提供的一种故障预测诊断装置的结构示意图。参考图5，本实施例提供的故障预测诊断装置具体包括：数据预处理单元21、预测单元22和诊断单元23。

其中，数据预处理单元21，用于将从时序数据库中获取的时序数据进行预处理，得到待预测数据；

预测单元22，用于将所述待预测数据输入预设第一模型进行数据处理，输出对应的设备故障预测概率，所述预设第一模型包括第二模型和第三模型，所述预设第一模型通过所述第二模型对所述第三模型的网络参数进行调整更新；

诊断单元23，用于若所述设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。

进一步的，所述数据预处理单元21，还用于获取各设备的点位状态数据，得到点位状态值和点位状态信息；

将所述点位状态值与预设点位阈值比较，若所述点位状态值大于所述预设点位阈值，则将对应的点位状态信息附上故障标签，得到第一点位状态数据；

根据所述点位状态值小于或等于所述预设点位阈值的点位状态数据和所述第一点位状态数据，形成第一时序数据；

将所述第一时序数据保存至第一时序数据库。

进一步的，所述第一时序数据包括数据点和数据项，其中数据点包括设备的内存使用率、磁盘使用率、网络状态和CPU使用率，数据项包括数据点ID、数据质量和数据点状态值；

所述数据预处理单元21，还用于定时对所述第一时序数据的数据点进行聚合处理，得到聚合数据；

根据所述聚合数据和对应的数据项得到第二时序数据；

将所述第二时序数据保存至第二时序数据库。

进一步的，所述预测单元22，还用于从所述第二时序数据库获取第一训练集，所述第一训练集为附有故障标签的时序数据；

将所述第一训练集输入所述第三模型中进行强化学习处理，输出第一设备故障预测概率；

从所述第二时序数据中获取设备状态信息和设备故障信息，将所述第一设备故障预测概率和对应的设备状态信息以及设备故障信息存放至经验回放池，得到第二训练集；

当所述第二训练集的数据量达到阈值时，则通过所述第二模型基于经验回放机制调整第三模型中的网络参数。

进一步的，所述第三模型包括第一网络和线性回归网络；

所述预测单元22，还用于将所述第一训练集输入所述第一网络进行训练处理，得到当前时刻的所述第一网络的输入门、遗忘门、输出门和隐藏层的输出值；

根据所述第一网络的输入门和遗忘门的输出值进行计算处理，得到当前时刻的元胞值；

根据所述当前时刻的元胞值进行计算处理，得到当前时刻的所述第一网络的网络输出值；

通过所述线性回归网络对所述第一网络的网络输出值进行线性回归处理，得到所述第一设备故障预测概率。

进一步的，所述预测单元22，还用于通过公式I

其中，H

所述根据所述第一网络的输入门和遗忘门的输出值进行计算处理，得到当前时刻的元胞值，包括：

通过公式C

所述根据所述当前时刻的元胞值进行计算处理，得到当前时刻的所述第一网络的网络输出值，包括：

通过公式H

进一步的，所述第二模型包括第二网络；

所述预测单元22，还用于当所述第二训练集的数据量达到阈值，将所述第二训练数据中的设备状态信息和对应的所述第一设备故障预测概率输入所述第二网络中进行学习动作价值评判处理，输出损失函数；

根据所述损失函数修正所述第一网络的网络参数。

上述，通过将时序数据库中获取的时序数据进行预处理后得到的待处理数据输入预设第一模型中进行数据处理，输出对应的设备故障预测概率，若设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。采用上述技术手段，可以通过预设第一模型进行设备故障概率的预测，以此可避免故障预测工作效率低的问题，提升故障预测的工作效率。此外，在设备预测故障概率值超过预警值时，通过故障特征关系图谱分析故障诊断结果，提高故障诊断的准确性。

本申请实施例提供的故障预测诊断装置可以用于执行上述实施例提供的故障预测诊断方法，具备相应的功能和有益效果。

本申请实施例提供了一种故障预测诊断设备，参照图6，该故障预测诊断设备包括：处理器31、存储器32、通信模块33、输入装置34及输出装置35。该故障预测诊断设备中处理器的数量可以是一个或者多个，该故障预测诊断设备中的存储器的数量可以是一个或者多个。该故障预测诊断设备的处理器、存储器、通信模块、输入装置及输出装置可以通过总线或者其他方式连接。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的故障预测诊断方法对应的程序指令/模块(例如，故障预测诊断装置中的数据预处理单元、预测单元和诊断单元)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块33用于进行数据传输。

处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的故障预测诊断方法。

输入装置34可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置35可包括显示屏等显示设备。

上述提供的故障预测诊断设备可用于执行上述实施例提供的故障预测诊断方法，具备相应的功能和有益效果。

本申请实施例还提供一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种故障预测诊断方法，该故障预测诊断方法包括：将从时序数据库中获取的时序数据进行预处理，得到待预测数据；将所述待预测数据输入预设第一模型进行数据处理，输出对应的设备故障预测概率，所述预设第一模型包括第二模型和第三模型，所述预设第一模型通过所述第二模型对所述第三模型的网络参数进行调整更新；若所述设备故障预测概率值超过预警值，则将对应设备的时序数据进行故障特征关系图谱分析，输出故障诊断结果。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种存储计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的故障预测诊断方法，还可以执行本申请任意实施例所提供的故障预测诊断方法中的相关操作。

上述实施例中提供的故障预测诊断装置、存储介质及故障预测诊断设备可执行本申请任意实施例所提供的故障预测诊断方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的故障预测诊断方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。