设备故障监测方法、装置、计算机设备和存储介质与流程

技术特征：
1.一种设备故障监测方法，其特征在于，所述方法包括：将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数据的均值；对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；基于所述相似度值判定所述待监测设备是否发生故障。2.根据权利要求1所述的方法，其特征在于，所述特征提取网络通过以下方法获取：获取所述待监测设备在预设时间段内正常运行时的运行数据，作为样本运行数据；对所述样本运行数据进行特征提取，获取所述样本运行数据对应的高维特征向量；以所述样本运行数据和所述样本运行数据对应的高维特征向量作为训练集，训练循环神经网络模型，获取特征提取网络。3.根据权利要求2所述的方法，其特征在于，所述根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量包括：获取所述实时运行数据的高维特征向量的中位数或平均值，作为所述待监测设备的原型特征向量。4.根据权利要求1所述的方法，其特征在于，所述对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值包括：计算所述原型特征向量和实时运行数据的高维特征向量之间的欧氏距离，作为所述原型特征向量和实时运行数据的高维特征向量之间的相似度值。5.根据权利要求1所述的方法，其特征在于，所述基于所述相似度值判定所述待监测设备是否发生故障包括：将所述相似度值与预设的故障阈值进行对比；若所述相似度值超过所述故障阈值，判定所述待监测设备处于正常运行状态。6.根据权利要求5所述的方法，其特征在于，所述基于所述相似度值判定所述待监测设备是否发生故障还包括：若所述相似度值未超过所述故障阈值，判定所述待监测设备处于异常运行状态。7.根据权利要求6所述的方法，其特征在于，所述判定所述待监测设备处于异常运行状态，之后还包括：将待监测设备的异常信息发送至运维人员，同时发出异常警报。8.一种设备故障监测装置，其特征在于，所述装置包括：第一获取模块，用于将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；所述特征提取网络是基于样本运行数据和所述样本运行数据对应的高维特征向量训练获取的；第二获取模块，用于根据所述实时运行数据的高维特征向量获取所述待监测设备的原型特征向量；所述原型特征向量是用高维向量的形式表示的所述待监测设备的正常运行数
据的均值；第三获取模块，用于对所述原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取所述原型特征向量和实时运行数据的高维特征向量之间的相似度值；故障监测模块，用于基于所述相似度值判定所述待监测设备是否发生故障。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种设备故障监测方法、装置、计算机设备和存储介质。所述方法包括：将待监测设备的实时运行数据输入至预设的特征提取网络中，获取实时运行数据的高维特征向量；根据实时运行数据的高维特征向量获取待监测设备的原型特征向量；原型特征向量是用高维向量的形式表示的待监测设备的正常运行数据的均值；对原型特征向量和实时运行数据的高维特征向量进行相似度计算，获取原型特征向量和实时运行数据的高维特征向量之间的相似度值；基于相似度值判定待监测设备是否发生故障。采用本方法能够提高对待监测设备进行故障预测的准确率。确率。确率。


技术研发人员：向真 吕启深 党晓婧 赵欢 阳浩
受保护的技术使用者：深圳供电局有限公司
技术研发日：2021.06.25
技术公布日：2021/10/28