设备故障知识推荐方法和系统

技术领域

本公开涉及故障维修领域，尤其涉及一种设备故障知识推荐方法和系统。

背景技术

复杂高端装备具有系统复杂性高、维修操作复杂的特点。在装备实际使用运维过程中，通过已有的故障知识可以实现其实时故障的诊断，进而参考数据库中的维修记录，可以为复杂高端装备的维修提供指导。

相关技术中，通过对历史维修记录进行检索和评分，将相似度高的维修方案推荐给维修人员，进而对熟悉的故障展开快速的维修决策。或者，在创建知识的基础上，通过分析故障相关信息并在系统中检索关键词，进而实现故障相关知识的推荐服务。这两种方式提供的故障识别和维修方案准确性不高，从而使得装备的维护效率和质量较低。

发明内容

本公开要解决的一个技术问题是，提供一种设备故障知识推荐方法和系统，能够提高故障识别和知识推荐的准确性，进而增加了设备的实时维护能力。

根据本公开一方面，提出一种设备故障知识推荐方法，包括：建立包含具有多个层级的产品网络；基于数字孪生算法和人工智能算法对每种设备的运行数据进行分析，获取每种设备的故障知识；根据产品网络，对每种设备的故障知识进行集成和融合，得到不同层级的故障知识，并将不同层级的故障知识存在对应层级的数据库；以及基于数字孪生模型，识别待处理设备实时运行参数对应的故障状态，并推荐在数据库中查询得到的待处理设备的不同层级的故障知识。

在一些实施例中，建立包含具有多个层级的产品网络包括：为每种设备建立产品节点，并获取每种设备的运行数据；建立能够存储每个产品节点的数据和故障知识的产品级数据库；对多种设备进行聚类分析，得到多个产品族；为每个产品族建立产品族节点，并建立每个产品节点与其所属的产品族节点的连接关系；根据每个产品节点与其所属的产品族节点的连接关系，建立能够存储每个产品族节点的数据和产品级故障知识的产品族级数据库；建立产品系统节点，并建立产品系统节点与各个产品族节点的连接关系；根据产品系统节点与各个产品族节点的连接关系，建立能够存储产品系统级故障知识的产品系统级数据库。

在一些实施例中，基于数字孪生算法和人工智能算法对每种设备的运行数据进行分析，获取每种设备的故障知识包括：基于人工智能算法对每种设备的运行数据进行分析，得到每种设备的故障知识；基于每种设备的运行数据，利用数字孪生模型对每种设备的运行状态进行仿真，得到每种设备的故障状态；基于每种设备的故障状态，对每种设备的故障知识进行验证。

在一些实施例中，根据每种设备的运行数据，得到影响设备运行的第一关键性能指标；将预处理后的每种设备的运行数据输入至数字孪生模型，对每种设备的运行过程进行模拟仿真，得到仿真的第二关键性能指标；根据第一关键性能指标和第二关键性能指标的比对结果，对数字孪生模型进行训练和优化。

在一些实施例中，基于数字孪生模型，识别待处理设备实时运行参数对应的故障，并推荐在数据库中查询得到的待处理设备的不同层级的故障知识包括：在待处理设备的实时运行参数超出参数阈值范围时，确定待处理设备处于参数异常状态；将待处理设备的关键运行参数输入至数字孪生模型，对待处理设备的运行状态进行仿真；若根据仿真结果确定待处理设备产生故障，则根据待处理设备的故障状态信息和参数异常状态信息，生成故障知识查询请求，以便根据故障知识查询请求，查询待处理设备的不同层级的故障知识。

在一些实施例中，查询待处理设备的不同层级的故障知识包括：查询产品级数据库中是否包含待处理设备对应的故障知识；若产品级数据库中包含待处理设备对应的故障知识，则推送待处理设备对应的故障知识，否则，查询产品族级数据库中是否包含待处理设备对应的产品族级故障知识；若产品族级数据库中包含待处理设备对应的产品族级故障知识，则推送待处理设备对应的产品族级故障知识，否则，查询产品系统级数据库中是否包含待处理设备对应的系统级故障知识；若产品系统级数据库中包含待处理设备对应的系统级故障知识，则推送待处理设备对应的系统级故障知识，否则，将待处理设备的故障状态信息和参数异常状态信息发送至维修人员。

在一些实施例中，通过增强现实AR或虚拟现实VR的方式推送设备的不同层级的故障知识。

在一些实施例中，故障知识包括故障信息和对应的故障维修信息。

根据本公开的另一方面，还提出一种设备故障知识推荐系统，包括：产品网络建立单元，被配置为建立包含具有多个层级的产品网络；故障知识获取单元，被配置为基于数字孪生算法和人工智能算法对每种设备的运行数据进行分析，获取每种设备的故障知识，根据产品网络，对每种设备的故障知识进行集成和融合，得到不同层级的故障知识，并将不同层级的故障知识存在对应层级的数据库；以及故障知识推荐单元，被配置为基于数字孪生模型，识别待处理设备实时运行参数对应的故障状态，并推荐在数据库中查询得到的待处理设备的不同层级的故障知识。

根据本公开的另一方面，还提一种设备故障知识推荐系统，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的设备故障知识推荐方法。

根据本公开的另一方面，还提一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的设备故障知识推荐方法。

本公开实施例中，建立多层级产品网络，能够实现设备数据、信息的实时共享，并且基于数字孪生技术与和智能算法挖掘出不同级别的设备故障知识，基于数字孪生模型实时识别故障并推送相关故障解决方案，能够提高故障识别和知识推荐的准确性，进而增加了设备的实时维护能力。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1为本公开的设备故障知识推荐方法的一些实施例的流程示意图。

图2为本公开的产品网络的一些实施例的结构示意图。

图3为本公开的建立产品网络的一些实施例的流程示意图。

图4为本公开的各层级故障知识的获取过程的一些实施例的流程示意图。

图5为本公开的推荐故障知识的一些实施例的流程示意图。

图6为本公开的推荐故障知识的另一些实施例的流程示意图。

图7为本公开的设备故障知识推荐系统的一些实施例的结构示意图。

图8为本公开的设备故障知识推荐系统的另一些实施例的结构示意图。

图9为本公开的设备故障知识推荐系统的另一些实施例的结构示意图。

具体实施方式

现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

图1为本公开的设备故障知识推荐方法的一些实施例的流程示意图。

在步骤110，建立包含具有多个层级的产品网络。

在一些实施例中，如图2所示，建立包含产品级、产品族级和产品系统级在内的三层产品分层网络，每个层级具有对应的数据库，实现信息、数据、知识的实时共享。

在步骤120，基于数字孪生算法和人工智能算法对每种设备的运行数据进行分析，获取每种设备的故障知识。

在一些实施例中，基于人工智能算法对每种设备的运行数据进行分析，得到每种设备的故障知识，基于每种设备的运行数据，利用数字孪生模型对每种设备的运行状态进行仿真，得到每种设备的故障状态，基于每种设备的故障状态，对每种设备的故障知识进行验证。

在一些实施例中，设备例如为复杂高端装备。故障知识包括故障信息和对应的故障维修信息。

在步骤130，根据产品网络，对每种设备的故障知识进行集成和融合，得到不同层级的故障知识，并将不同层级的故障知识存在对应层级的数据库。

通过上述步骤120和步骤130，在层级式企业产品网络获取的多源异构实时数据的基础上，融合数字孪生技术和人工智能算法，获取设备的故障知识，并将故障知识进行集成与融合，能够提高故障知识的质量和有效性。

在步骤140，基于数字孪生模型，识别待处理设备实时运行参数对应的故障状态，并推荐在数据库中查询得到的待处理设备的不同层级的故障知识。

在一些实施例中，在待处理设备的实时运行参数超出参数阈值范围时，确定待处理设备处于参数异常状态；将待处理设备的关键运行参数输入至数字孪生模型，对待处理设备的运行状态进行仿真；若根据仿真结果确定待处理设备产生故障，则根据待处理设备的故障状态信息和参数异常状态信息，生成故障知识查询请求，以便根据故障知识查询请求，查询待处理设备的不同层级的故障知识。

由于数字孪生是一个集成的多物理、多粒度和概率仿真，充分利用产品物理模型、传感器更新的数据、历史记录等，来映射产品的生命周期活动。在该步骤中，在识别设备实时状态的基础上，利用数字孪生模型能够模拟仿真设备的性能，进而集成仿真结果与实际数据，匹配查询不同层级的产品故障解决方案。

在上述实施例中，建立多层级产品网络，能够实现设备数据、信息的实时共享，并且基于数字孪生技术与和智能算法挖掘出不同级别的设备故障知识，基于数字孪生模型实时识别故障并推送相关故障解决方案，能够提高故障识别和知识推荐的准确性，进而增加了设备的实时维护能力。

图3为本公开的建立产品网络的一些实施例的流程示意图。

在步骤310，为每种设备建立产品节点，并获取每种设备的运行数据。

在一些实施例中，为每个复杂高端装备在产品网络中建立产品节点，通过网络节点与智能化的复杂高端装备通信，并获取配置在复杂高端装备上的传感器的实时数据。

在步骤320，建立能够存储每个产品节点的数据和故障知识的产品级数据库。

在步骤330，对多种设备进行聚类分析，得到多个产品族，为每个产品族建立产品族节点，并建立每个产品节点与其所属的产品族节点的连接关系。

在一些实施例中，根据复杂高端装备可完成的功能、任务，将复杂高端装备聚类成不同的产品族，并建立相应的产品族节点，每个产品族节点与旗下的产品节点建立连接。

在步骤340，根据每个产品节点与其所属的产品族节点的连接关系，建立能够存储每个产品族节点的数据和产品级故障知识的产品族级数据库。

在一些实施例中，产品级故障知识为通用的产品族故障知识。

在步骤350，建立产品系统节点，并建立产品系统节点与各个产品族节点的连接关系。

在步骤360，根据产品系统节点与各个产品族节点的连接关系，建立能够存储产品系统级故障知识的产品系统级数据库。

在一些实施例中，产品系统级故障知识包括系统级别的通用知识和指导产品运维的经验性知识。

在后续操作中，基于不同产品网络节点，通过对多层级数据库的分级、分类查询与搜索，能够实现信息、数据、知识在整个产品系统中的实时共享。产品级的故障知识能够直接适用于产品的维修。产品族级的故障知识推送给维修人员后，维修人员可以结合实际的故障特征选择较为可行的方案进行维修。产品系统级的故障知识可以为维修人员提供该类故障维修的方法和策略指导。

上述的实施例中，在建立层级式企业产品网络的基础上，构建不同层级的产品数据库，实现不同类型故障知识在整个企业产品系统中的高效共享，能够提高故障知识的利用率。

图4为本公开的各层级故障知识的获取过程的一些实施例的流程示意图。

在步骤410，对每种设备的运行数据进行清洗、压缩和数据转换处理。

在一些实施例中，清洗操作包括检测数据中的重复项以及缺失项，将重复容易和不完整的数据从数据集中剔除。

在一些实施例中，压缩操作包括采用数据立方体、数据向量等数据格式，将同类数据中重复的参数进行压缩，以提高数据存储的质量和逻辑性。

在一些实施例中，数据转换操作包括采用向量变换、数据提取、归一化方法等，将源数据转换为符合数字孪生模型仿真分析、人工智能算法模型的输入需求格式的数据，提高数据的可分析性。

在该步骤中，通过对运行数据预处理，能够提高多源异构实时数据在数据分析与知识挖掘过程中有效性。

在步骤420，根据每种设备的运行数据，得到影响设备运行的第一关键性能指标。

在一些实施例中，基于设备的实际运行状态和数据，通过设备的性能计算公式以及自身可输出参数，得到影响设备正常运行的第一关键性能指标。关键性能指标是指能够影响设备运行状态的参数，例如为转速、能耗等，其中，转速可以直接采集得到，而能耗参数需要通过计算得到。

在一些实施例中，第一关键性能指标的公式为：KeyPerfIn＝{kpi

在步骤430，将预处理后的每种设备的运行数据输入至数字孪生模型，对每种设备的运行过程进行模拟仿真，得到仿真的第二关键性能指标。

在一些实施例中，第二关键性能指标的公式为：SimuPerfIn＝{vpi

在步骤440，根据第一关键性能指标和第二关键性能指标的比对结果，对数字孪生模型进行训练和优化。

在一些实施例中，将第一关键性能指标和第二关键性能指标进行比对，当两者的差值超过可接受阈值δ时，表明数字孪生模型与物理实体的真实运行状态偏差较大，需要对数字孪生模型进行重新训练和迭代优化，该过程可以表示为：

if(|kpi

then(update virtual models)

δ＝{δ

其中，δ

通过步骤420-步骤440，将设备的实际运行的真实状态与仿真模拟结果进行比较，不断更新数字孪生模型，使得数字孪生模型能够对设备的运行状态进行真实、准确映射。

在步骤450，基于人工智能算法对每种设备的运行数据进行分析，得到每种设备的故障知识，基于每种设备的运行数据，利用数字孪生模型对每种设备的运行状态进行仿真，得到每种设备的故障状态，基于每种设备的故障状态，对每种设备的故障知识进行验证。

在一些实施例中，采用深度神经网络、关联规则挖掘、决策树模型等一系列智能算法，分析设备的实时运行故障数据，获取设备故障知识，其中，故障知识包括故障类型、故障原因、故障解决方案等。然后采用数字孪生模型对实时运行得到的故障知识进行验证。经过数字分析和仿真验证，综合评估产品故障相关信息，经过整合得到设备的产品级故障知识，保存在产品级数据库中。该故障知识可直接用于设备的实时维护。

在一些实施例中，产品级故障知识表示为：

if(Tpye

then(method

其中，Tpye

在步骤460，根据产品网络，对每种设备的故障知识进行集成和融合，得到不同层级的故障知识，并将不同层级的故障知识存在对应层级的数据库。

在一些实施例中，采用实体对齐、冲突消解等数据融合与集成方法，分析处理整个产品族中存在的故障知识，并将其集成为产品族级故障知识。该故障知识包含产品族通用性的产品故障解决方案，为设备的实时维护提供多种通用性的产品维护方案，维修人员可以根据故障特征选择相近的故障解决方案，进而提高维修效率。

在一些实施例中，产品族级故障知识表示为：

if(FmailyID

then(method

method

feature

其中，FmailyID

在一些实施例中，在获取产品族级故障知识的基础上，抽取和泛化其中的维修指导性信息，得到产品系统层级的产品故障建议性知识。

在一些实施例中，产品系统级故障知识表示为：

if(Fault

then(Guideline

其中，Fault

在上述实施例中，通过融合数字孪生和人工智能算法，挖掘设备运行数据，获取产品故障知识，并将知识融进行集成与融合，得到不同级别的产品故障解决方案，提高了产品数据的利用率和产品故障知识的有效性和可用性。

图5为本公开的推荐故障知识的一些实施例的流程示意图。

在步骤510，在待处理设备的实时运行参数超出参数阈值范围时，确定该待处理设备处于参数异常状态。

在一些实施例中，通过配置在设备物理实体上的嵌入式和外挂式的传感器，实时获取其运行参数，并将运行参数与参数阈值进行比较，当运行参数超出参数阈值时，说明设备产生了异常信号。

在一些实施例中，异常信号的判断表示为：

para

其中，para

在步骤520，将待处理设备的关键运行参数输入至数字孪生模型，对该待处理设备的运行状态进行仿真。

在一些实施例中，将设备的关键运行参数输入到对应数字孪生仿真模型中，模拟设备的实际运行过程，判断设备是否有故障产生以及产生何种故障。

在一些实施例中，数字孪生仿真模拟的结果表示为：

SimuRes＝DTmodel(para

其中，DTmodel表示设备的数字孪生模型。

在步骤530，若根据仿真结果确定待处理设备产生故障，则根据待处理设备的故障状态信息和参数异常状态信息，生成故障知识查询请求，以便根据故障知识查询请求，查询待处理设备的不同层级的故障知识。

在一些实施例中，结合数字孪生模型仿真的故障状态信息和参数异常状态信息，获取用于查询维护解决方案的查询请求信息，表示为：

Request＝{ProductID，SimuRes，abPara}

abPara＝{para

ProductID＝{TypeID，FmailyID}

其中，ProductID表示产品的ID信息，包含产品型号信息TypeID和产品族信息FmailyID，abpara表示出现异常的关键运行参数集合。

在一些实施例中，将查询请求信息发送至数据云端，执行不同层级的产品解决方案。

在该实施例中，能够实现设备交付使用过程的主动诊断和维护服务，提高设备的维护效率和质量。

图6为本公开的推荐故障知识的另一些实施例的流程示意图。

在步骤610，查询产品级数据库中是否包含待处理设备对应的故障知识，若是，则执行步骤620，否则，执行步骤630。

在一些实施例中，查询该产品个体以及相同产品型号的产品级数据库，搜索得到的结果可直接用于产品维护的方案知识。

在一些实施例中，查询匹配过程表示为：

在步骤620，推送待处理设备对应的故障知识。

在步骤630，查询产品族级数据库中是否包含待处理设备对应的产品族级故障知识，若是，则执行步骤640，否则，执行步骤650。

在该步骤中，通过产品族级数据库查找该产品族的通用性知识，该故障知识包括多种相关故障或异常的解决方案，维修人员结合实际的故障特征选择较为可行的方案进行维修，提高产品维护效率。

在一些实施例中，查询匹配过程表示为：

在步骤640，推送待处理设备对应的产品族级故障知识。

在步骤650，查询产品系统级数据库中是否包含待处理设备对应的系统级故障知识，若是，则执行步骤660，否则，执行步骤670。

在步骤660，推送待处理设备对应的系统级故障知识。

在该步骤中，通过产品系统级数据库查找指导该故障的维保建议，在该产品出现新故障或异常时，快速为维修人员提供智能维护建议。

在一些实施例中，查询匹配过程表示为：

(SimuRes＝Fault

在步骤670，将待处理设备的故障状态信息和参数异常状态信息发送至维修人员。

在该步骤中，由于在数据库中查询不到解决方案，因此，将故障或异常信息发送至维修人员，进行人工诊断并制定维修措施，并记录其维护过程，生成相关故障解决方案。

在一些实施例中，基于数字孪生模型对该故障知识进行仿真验证，以确保故障知识的鲁棒性和有效性，将验证通过的故障知识更新至数据库中。

在上述实施例中，在实时数据采集与评估、数字孪生模型仿真分析的基础上，建立分层级的产品知识推荐系统，进而为设备的运维过程提供实时准确的故障识别、不同级别的故障维修方案推荐，从而提高设备的维修效率和质量。

在本公开的另一些实施例中，通过AR(Augmented Reality，增强现实)或VR(Virtual Reality，虚拟现实)的方式推送设备的不同层级的故障知识。推送的故障知识包括产品故障解决方案、相关故障的产品维修指导视频、基于数字孪生的虚拟修护过程信息等。

在该实施例中，将产品故障解决方案及相关的指导信息通过AR和VR手段实时推送给现场的产品维修人员，从而实现虚实交互式的沉浸式运维指导。

图7为本公开的设备故障知识推荐系统的一些实施例的结构示意图。该系统包括：产品网络建立单元710、故障知识获取单元720和故障知识推荐单元730。

产品网络建立单元710被配置为建立包含具有多个层级的产品网络。

在一些实施例中，建立包含产品级、产品族级和产品系统级在内的三层产品分层网络，每个层级具有对应的数据库，实现信息、数据、知识的实时共享。

在一些实施例中，产品网络建立单元710为每种设备建立产品节点，并获取每种设备的运行数据；建立能够存储每个产品节点的数据和故障知识的产品级数据库；对多种设备进行聚类分析，得到多个产品族；为每个产品族建立产品族节点，并建立每个产品节点与其所属的产品族节点的连接关系；根据每个产品节点与其所属的产品族节点的连接关系，建立能够存储每个产品族节点的数据和产品级故障知识的产品族级数据库；建立产品系统节点，并建立产品系统节点与各个产品族节点的连接关系；根据产品系统节点与各个产品族节点的连接关系，建立能够存储产品系统级故障知识的产品系统级数据库。

该实施例中，在建立层级式企业产品网络的基础上，构建不同层级的产品数据库，实现不同类型故障知识在整个企业产品系统中的高效共享，能够提高故障知识的利用率。

故障知识获取单元720被配置为基于数字孪生算法和人工智能算法对每种设备的运行数据进行分析，获取每种设备的故障知识，根据产品网络，对每种设备的故障知识进行集成和融合，得到不同层级的故障知识，并将不同层级的故障知识存在对应层级的数据库。

在一些实施例中，故障知识获取单元720被配置为基于人工智能算法对每种设备的运行数据进行分析，得到每种设备的故障知识；基于每种设备的运行数据，利用数字孪生模型对每种设备的运行状态进行仿真，得到每种设备的故障状态；基于每种设备的故障状态，对每种设备的故障知识进行验证。

通过融合数字孪生和人工智能算法，挖掘设备运行数据，获取产品故障知识，并将知识融进行集成与融合，得到不同级别的产品故障解决方案，提高了产品数据的利用率和产品故障知识的有效性和可用性。

在一些实施例中，故障知识获取单元720还被配置为对每种设备的运行数据进行清洗、压缩和数据转换处理。

通过对运行数据预处理，能够提高多源异构实时数据在数据分析与知识挖掘过程中有效性。

故障知识推荐单元730被配置为基于数字孪生模型，识别待处理设备实时运行参数对应的故障状态，并推荐在数据库中查询得到的待处理设备的不同层级的故障知识。

在一些实施例中，在待处理设备的实时运行参数超出参数阈值范围时，确定待处理设备处于参数异常状态；将待处理设备的关键运行参数输入至数字孪生模型，对待处理设备的运行状态进行仿真；若根据仿真结果确定待处理设备产生故障，则根据待处理设备的故障状态信息和参数异常状态信息，生成故障知识查询请求，以便根据故障知识查询请求，查询待处理设备的不同层级的故障知识。

在一些实施例中，查询产品级数据库中是否包含待处理设备对应的故障知识；若产品级数据库中包含待处理设备对应的故障知识，则推送待处理设备对应的故障知识，否则，查询产品族级数据库中是否包含待处理设备对应的产品族级故障知识；若产品族级数据库中包含待处理设备对应的产品族级故障知识，则推送待处理设备对应的产品族级故障知识，否则，查询产品系统级数据库中是否包含待处理设备对应的系统级故障知识；若产品系统级数据库中包含待处理设备对应的系统级故障知识，则推送待处理设备对应的系统级故障知识，否则，将待处理设备的故障状态信息和参数异常状态信息发送至维修人员。

在实时数据采集与评估、数字孪生模型仿真分析的基础上，建立分层级的产品知识推荐系统，进而为设备的运维过程提供实时准确的故障识别、不同级别的故障维修方案推荐，从而提高设备的维修效率和质量。

在上述实施例中，建立多层级产品网络，能够实现设备数据、信息的实时共享，并且基于数字孪生技术与和智能算法挖掘出不同级别的设备故障知识，基于数字孪生模型实时识别故障并推送相关故障解决方案，能够提高故障识别和知识推荐的准确性，进而增加了设备的实时维护能力。

在一些实施例中，故障知识推荐单元730还被配置为通过AR或VR的方式推送设备的不同层级的故障知识。

在该实施例中，将产品故障解决方案及相关的指导信息通过AR和VR手段实时推送给现场的产品维修人员，从而实现虚实交互式的沉浸式运维指导。

在本公开的另一些实施例中，如图8所示，该系统还包括数字孪生模型训练单元810，被配置为根据每种设备的运行数据，得到影响设备运行的第一关键性能指标；将预处理后的每种设备的运行数据输入至数字孪生模型，对每种设备的运行过程进行模拟仿真，得到仿真的第二关键性能指标；根据第一关键性能指标和第二关键性能指标的比对结果，对数字孪生模型进行训练和优化。

在该实施例中，将设备的实际运行的真实状态与仿真模拟结果进行比较，不断更新数字孪生模型，使得数字孪生模型能够对设备的运行状态进行真实、准确映射。

图9为本公开的设备故障知识推荐系统的另一些实施例的结构示意图。该系统包括存储器910和处理器920。其中：存储器910可以是磁盘、闪存或其它任何非易失性存储介质。存储器910用于存储图1-9所对应实施例中的指令。处理器920耦接至存储器910，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器920用于执行存储器中存储的指令。

在本公开的另一些实施例中，处理器920通过BUS总线930耦合至存储器910。该装置900还可以通过存储接口940连接至外部存储装置950以便调用外部数据，还可以通过网络接口960连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。

该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够提高故障识别和知识推荐的准确性。

在另一些实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1-6所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开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。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、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。

至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。