一种故障风险预测分析方法、装置、电子设备及存储介质与流程

1.本发明涉及故障预测技术领域，具体涉及一种故障风险预测分析方法、装置、电子设备及存储介质。


背景技术：

2.伴随着复杂机电产品的发展，其维护和保障的成本越来越高。同时，由于组成环节和影响因素的增加，发生故障和功能失效的几率逐渐加大。因此，对复杂机电产品在运行过程中可能出现的问题状态进行预测显得极为重要，能提前判断可能存在的问题，把握未来的状态趋势，及早采取有效的防治措施或准备相关的故障问题预案，做到防范于未然和及时解决问题。
3.现有的故障预测方法是建立在观察并分析实时监测的各类信号数据的基础上的，即：现有故障预测方法都是针对已经在运行阶段的产品，而无法实现在产品设计阶段就预测故障从而对故障进行规避。并且，现有的故障预测方法仅考虑了故障发生的概率，而未考虑发生故障的零部件对整个产品的影响，导致待设计产品的可靠性和安全性不高。


技术实现要素：

4.有鉴于此，有必要提供一种故障风险预测分析方法、装置、电子设备及存储介质，用以解决现有技术中存在的无法在设计阶段对故障进行预测以及未考虑发生故障的零部件对待设计产品的影响，导致待设计产品的安全性和可靠性不高的技术问题。
5.为了解决上述技术问题，本发明提供了一种故障风险预测分析方法，用于对待设计产品的故障风险进行预测分析，所述待设计产品包括多个零部件，所述故障风险预测分析方法包括：
6.基于故障历史数据确定发生故障的故障零部件以及故障相关因素；
7.基于预设关联算法确定所述故障零部件的频繁项集；所述频繁项集包括多个频繁项，所述频繁项为同时出现的频次大于阈值频次的故障相关因素；
8.基于所述故障历史数据以及所述频繁项确定故障预测模型，并根据所述故障预测模型对所述零部件发生故障的概率进行预测，得到所述零部件发生故障的发生概率；
9.确定至少一种风险指标，并根据所述风险指标和所述发生概率确定所述多个零部件的风险顺序。
10.在一种可能的实现方式中，所述故障历史数据包括多条故障记录文本；所述基于故障历史数据确定发生故障的故障零部件以及故障相关因素包括：
11.根据所述故障记录文本确定发生故障的故障零部件以及所述故障零部件的人工记录名称；
12.计算所述人工记录名称与多个标准名称之间的相似度，并将相似度最大的标准名称作为所述故障零部件名称；
13.基于预设的分词工具将所述故障记录文本进行特征提取，获得所述故障相关因
素。
14.在一种可能的实现方式中，所述预设关联算法为fp
‑
growth算法；所述基于预设关联算法确定所述故障零部件的频繁项集包括：
15.基于所述故障历史数据构建目标fp
‑
tree；
16.对所述目标fp
‑
tree进行挖掘，确定所述故障零部件的频繁项集。
17.在一种可能的实现方式中，所述基于所述故障历史数据构建目标fp
‑
tree包括；
18.对所述故障历史数据进行第一次扫描，找出并统计故障历史数据中故障相关因素出现的频数，按照所述频数进行降序排列，并将频数小于最小支持度的故障相关因素剔除，得到频繁1
‑
项集列表；
19.创建初始fp
‑
tree，对所述故障历史数据进行第二次扫描，将扫描所得的每个故障相关因素按照频繁1
‑
项列表的排列顺序插入到初始fp
‑
tree的树节点，相同前缀的路径可以共用，得到所述目标fp
‑
tree。
20.在一种可能的实现方式中，所述对所述目标fp
‑
tree进行挖掘，确定所述故障零部件的频繁项集包括：
21.基于所述目标fp
‑
tree确定条件模式基；
22.利用所述条件模式基构建条件fp
‑
tree，基于所述条件fp
‑
tree确定所述故障零部件的频繁项集。
23.在一种可能的实现方式中，所述故障预测模型为：
[0024][0025][0026][0027]
j＝1，2...，n
[0028]
l＝1，2...，n
[0029]
式中，p(y＝c
k
|x＝x)为当故障相关因素为x时，零部件c
k
发生故障的概率；p(y＝c
k
)为零部件c
k
发生故障的概率；p(x
(j)
＝a
jl
|y＝c
k
)为零部件c
k
发生故障和故障相关因素a
jl
同时出现的概率；n为相关因素的个数；n为零部件发生故障的总次数；i(y
i
＝c
k
)为零部件c
k
发生故障的次数；为故障相关因素a
jl
和零部件c
k
发生故障同时出现的次数。
[0030]
在一种可能的实现方式中，所述风险指标包括严重度和维护成本；所述根据所述风险指标和所述发生概率确定所述多个零部件的风险顺序包括：
[0031]
获取所述严重度和所述维护成本的每一个专家评价；
[0032]
根据所述专家评价确定所述严重度和所述维护成本的模糊数；
[0033]
基于所述发生概率以及所述模糊数确定所述多个零部件的失效关联度；
[0034]
根据所述失效关联度确定所述多个零部件的风险顺序。
[0035]
本发明还提供了一种故障风险预测分析装置，用于对待设计产品的故障风险进行预测分析，所述待设计产品包括多个零部件，所述故障风险预测分析装置包括：
[0036]
数据处理单元，用于基于故障历史数据确定发生故障的故障零部件以及故障相关因素；
[0037]
频繁项集确定单元，用于基于预设关联算法确定所述故障零部件的频繁项集；所述频繁项集包括多个频繁项，所述频繁项为同时出现的频次大于阈值频次的故障相关因素；
[0038]
故障发生概率预测单元，用于基于所述故障历史数据以及所述频繁项确定故障预测模型，并根据所述故障预测模型对所述零部件发生故障的概率进行预测，得到所述零部件发生故障的发生概率；
[0039]
风险等级确定单元，用于确定至少一种风险指标，并根据所述风险指标和所述发生概率确定所述多个零部件的风险顺序。
[0040]
本发明还提供了一种电子设备，包括存储器和处理器，其中，
[0041]
所述存储器，用于存储程序；
[0042]
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任一种实现方式中的所述故障风险预测分析方法中的步骤。
[0043]
本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述任一种实现方式中的所述故障风险预测分析方法中的步骤。
[0044]
采用上述实施例的有益效果是：本发明提供的故障风险预测分析方法，通过基于故障历史数据确定故障零部件以及故障零部件相关因素，根据预设关联算法确定故障零部件的频繁项集，根据频繁项集和故障历史数据确定故障预测模型，实现在待设计产品的设计阶段，即可通过故障相关因素预测待测产品各个零部件发生故障的概率。进一步地，本发明提供的故障风险预测分析方法，还通过确定至少一种风险指标，并根据风险指标和发生概率确定多个零部件的风险顺序，实现多维度的风险分析，提高待设计产品的安全性和可靠性。
附图说明
[0045]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1为本发明实施例提供的故障风险预测分析方法的一个实施例流程示意图；
[0047]
图2为本发明实施例中s101的一个实施例流程示意图；
[0048]
图3为本发明实施例中s102的一个实施例流程示意图；
[0049]
图4为本发明实施例中s301的一个实施例流程示意图；
[0050]
图5为本发明实施例提供的故障记录文本分词后的一个实施例结构示意图；
[0051]
图6为本发明实施例提供的频繁1
‑
项集列表的一个实施例结构示意图；
[0052]
图7为本发明实施例提供的目标fp
‑
tree的一个实施例结构示意图；
[0053]
图8为本发明实施例中s302的一个实施例流程示意图；
[0054]
图9为本发明实施例提供的条件模式基的一个实施例结构示意图；
[0055]
图10为本发明实施例中s104的一个实施例流程示意图；
[0056]
图11为本发明实施例提供的故障风险预测分析装置的一个实施例结构示意图；
[0057]
图12为本发明实施例提供的电子设备的一个实施例结构示意图。
具体实施方式
[0058]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059]
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0060]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0061]
本发明提供了一种故障风险预测分析方法、装置、电子设备以及存储介质，以下分别进行说明。
[0062]
如图1所示，为本发明实施例提供的故障风险预测分析方法的一个实施例流程示意图，故障风险预测分析方法用于对待设计产品的故障风险进行预测分析，待设计产品包括多个零部件，其中，待设计产品可以为机床、发动机等。
[0063]
该故障风险预测分析方法包括：
[0064]
s101、基于故障历史数据确定发生故障的故障零部件以及故障相关因素；
[0065]
其中，故障历史数据是基于运维数据获取的。运维数据指的是产品在运行和维护中产生的数据。
[0066]
s102、基于预设关联算法确定故障零部件的频繁项集；频繁项集包括多个频繁项，频繁项为同时出现的频次大于阈值频次的故障相关因素；
[0067]
其中，阈值频次为1。
[0068]
s103、基于故障历史数据以及频繁项确定故障预测模型，并根据故障预测模型对零部件发生故障的概率进行预测，得到零部件发生故障的发生概率；
[0069]
s104、确定至少一种风险指标，并根据风险指标和发生概率确定多个零部件的风险顺序。
[0070]
与现有技术相比，本发明实施例提供的故障风险预测分析方法，通过基于故障历史数据确定故障零部件以及故障零部件相关因素，根据预设关联算法确定故障零部件的频繁项集，根据频繁项集和故障历史数据确定故障预测模型，实现在待设计产品的设计阶段，
即可通过故障相关因素预测待测产品各个零部件发生故障的概率。进一步地，本发明提供的故障风险预测分析方法，还通过确定至少一种风险指标，并根据风险指标和发生概率确定多个零部件的风险顺序，实现多维度的风险分析，提高待设计产品的安全性和可靠性。
[0071]
在本发明的一些实施例中，故障历史数据包括多条故障记录文本；其中，每条故障记录文本包括但不限于以下字段信息：故障发生时间、待设计产品工作地点、工作地点环境、发生故障零部件，故障问题描述，故障原因分析等。
[0072]
具体地，当待测产品为发动机时，故障记录文本可为：在2021年7月13日上午8点30分，位于武汉某厂房内的发动机中活塞上型号为m6
×
16的螺栓发生断裂，发生断裂时厂房内的温度为25摄氏度。
[0073]
由于故障记录文本是由人工记录的，人工记录的名称与标准的零部件名称存在一定偏差，因此对同一零部件可能会存在不同的人工标注名称，为了便于后续处理，如图2所示，s101包括：
[0074]
s201、根据故障记录文本确定发生故障的故障零部件以及故障零部件的人工记录名称；
[0075]
s202、计算人工记录名称与多个标准名称之间的相似度，并将相似度最大的标准名称作为故障零部件名称；
[0076]
s203、基于预设的分词工具将故障记录文本进行特征提取，获得故障相关因素。
[0077]
其中，预设的分词工具可以为百度的lac、郑午的foolnltk、thu的thulac或sun junyi的jieba等分词工具中的任意一种。
[0078]
具体地，考虑对故障描述的关注信息主要为故障发生的部位和发生的行为，因此本发明采用分词工具法对故障记录文本进行分词和词性标注，根据词性标注结果保留名词和动词，删去其它词性词语，来提取故障记录文本中的信息，获得故障相关因素。
[0079]
其中，故障相关因素包括但不限于：故障零部件的型号，运行地点，运行的工作环境和故障发生部位等。
[0080]
通过对故障记录文本中的故障零部件的名称进行统一，可使故障零部件名称标准化，便于后续处理。进一步地，通过基于预设的分词工具对故障记录文本进行特征提取，获得故障相关因素，可剔除不必要的修饰词，缩短语句的长度。
[0081]
具体地，在当故障记录文本为“在2021年7月13日上午8点30分，位于武汉某厂房内的发动机中活塞上型号为m6
×
16的螺栓发生断裂，发生断裂时厂房内的温度为25摄氏度”时，故障相关因素可包括但不限于：武汉某厂房，活塞，m6
×
16，螺栓，断裂和25摄氏度。
[0082]
在本发明的一些实施例中，人工记录名称与多个标准名称之间的相似度的计算公式为：
[0083][0084]
式中，a为人工记录名称；b为标准名称；a，b均为通过one
‑
hot编码方式后的字向量，其中，a＝[a
i
]，b＝[b
i
]，i＝1，2，3
…
。
[0085]
在本发明的一些实施例中，预设关联算法为fp
‑
growth算法；具体地，如图3所示，s102包括：
[0086]
s301、基于故障历史数据构建目标fp
‑
tree；
[0087]
s302、对目标fp
‑
tree进行挖掘，确定故障零部件的频繁项集。
[0088]
通过fp
‑
growth算法确定故障零部件的频繁项集，可提高频繁项集的获得速度，进而提高故障风险预测分析方法的预测分析效率。
[0089]
具体地，如图4所示，s301包括：
[0090]
s401、对故障历史数据进行第一次扫描，找出并统计故障历史数据中故障相关因素出现的频数，按照频数进行降序排列，并将频数小于最小支持度的故障相关因素剔除，得到频繁1
‑
项集列表；
[0091]
其中，在对故障历史数据进行第一次扫描后，还用于生成项头表，项头表用于表示故障相关因素和其出现的频数。
[0092]
s402、创建初始fp
‑
tree，对故障历史数据进行第二次扫描，将扫描所得的每个故障相关因素按照频繁1
‑
项列表的排列顺序插入到初始fp
‑
tree的树节点，相同前缀的路径可以共用，得到目标fp
‑
tree。
[0093]
具体地，故障历史数据包括12条故障记录文本，故障记录文本中的故障相关因素用字母a
‑
h表示，经过s101后，每条故障记录文本如图5所示。
[0094]
在本发明的一些实施例中，最小支持度为2，则经过s401后的频繁1
‑
项集列表如图6所示。
[0095]
其与图5中的区别在于：故障记录文本中的故障相关因素按照频次由高到低的顺序进行重新排列。例如：在第一条故障记录文本中，图5中的原始故障记录文本为{a,e,c}，由于e的频次小于c的频次，因此，经过s401后，故障记录文本为{a,c,e}。
[0096]
将频繁1
‑
项集列表中的故障记录文本依次按顺序插入到初始fp
‑
tree的树节点，得到的目标fp
‑
tree如图7所示。从图7中可以看出：项头表里的每个故障相关因素都是一个节点链表的头，它依次指向fp
‑
tree中该故障相关因素出现的位置。这样做主要是方便项头表和fp
‑
tree之间的联系查找和更新。
[0097]
具体地，如图8所示，s302包括：
[0098]
s801、基于目标fp
‑
tree确定条件模式基；
[0099]
其中，条件模式基是以所查找元素项为结尾的路径集合，表示的是所查找的元素项与树根节点之间的所有内容。每一条路径其实都是一条前缀路径(prefixpath)。简而言之，一条前缀路径是介于所查找元素项与树根节点之间的所有内容。
[0100]
s802、基于条件模式基确定故障零部件的频繁项集。
[0101]
其中，以e为例，e的条件模式基如图9所示，则故障零部件的频繁项集为：{a：2，e：2}，{c：2，e：2}，{a：2，c：2，e：2}。
[0102]
在本发明的一个实施例中，a代表m6
×
16螺栓，c代表断裂，e代表活塞。
[0103]
进一步地，在本发明的一些实施例中，故障预测模型为：
[0104]
[0105][0106][0107]
j＝1，2...，n
[0108]
l＝1，2...，n
[0109]
式中，p(y＝c
k
|x＝x)为当故障相关因素为x时，零部件c
k
发生故障的概率；p(y＝c
k
)为零部件c
k
发生故障的概率；p(x
(j)
＝a
jl
|y＝c
k
)为零部件c
k
发生故障和故障相关因素a
jl
同时出现的概率；n为相关因素的个数；n为零部件发生故障的总次数；i(y
i
＝c
k
)为零部件c
k
发生故障的次数；为故障相关因素a
jl
和零部件c
k
发生故障同时出现的次数。
[0110]
应当理解的是：p(x
(j)
＝a
jl
|y＝c
k
)和p(y＝c
k
)，可分别通过频繁项集和故障历史数据获得。
[0111]
进一步地，在本发明的一些实施例中，风险指标包括严重度和维护成本，其中，严重度指的是发生故障的零部件对待测产品的影响程度，维护成本指的是发生故障的零部件的维护成本。
[0112]
具体地，如图10所示，s104包括：
[0113]
s1001、获取严重度和维护成本的每一个专家评价；
[0114]
其中，在本发明的一些实施例中，包括5个专家评价。
[0115]
s1002、根据专家评价确定严重度和维护成本的模糊数；
[0116]
s1003、基于发生概率以及模糊数确定多个零部件的失效关联度；
[0117]
s1004、根据失效关联度确定多个零部件的风险顺序。
[0118]
通过综合考虑零部件发生故障的发生概率以及严重度和维护成本，可对零部件的风险顺序进行预测，例如：有的零部件故障的发生概率较大，但其严重度和维护成本均较低，此时，这个零部件的风险顺序较靠后，而有的零部件故障的发生概率较小，但一旦发生故障，严重度和维护成本均较高，此时，这个零部件的风险顺序靠前，通过风险顺序为每个零部件的风险预测进行排序，可在待设计产品的设计时，有所侧重，从而进一步提高待设计产品的安全性和可靠性。
[0119]
应当理解的是：风险指标包括但不限于上述实施例中的严重度和维护成本，可根据实际情况进行增加或替换，在此不做具体限定。
[0120]
具体地，s1001中的严重度和维护成本的专家评价分为5个等级，分别为“很低”、“低”、“中等”、“高”和“很高”。
[0121]
s1002具体为：通过查表法从预先构建的专家评价以及模糊数对应的表格中，根据专家评价确定专家评价对应的模糊数。具体地，专家评价以及模糊数对应的表格如表1所示：
[0122]
表1专家评价与模糊数的对应表格
[0123][0124]
s1003具体为：首先，根据模糊数计算专家评价的精确数值，具体地，精确数值为：
[0125][0126]
m＝b/c n＝b/a
[0127]
其中，a(x)为精确数值，a，b，c分别为专家评价的各等级中对应的三个模糊数。
[0128]
例如：当第一个专家的专家评价等级为“中等”时，a，b，c分别为3.8、5.8和7.8。
[0129]
计算获得专家评价的精确数值后，根据精确数值和发生概率确定多个零部件的失效关联度，其具体为：
[0130]
首先，建立比较矩阵，比较矩阵{x
i
(m)}为：
[0131][0132]
x1、x2…
x
n
分别表示待设计产品的第1、2
…
n种零部件的风险评价，其中，x
i
(m)表示对发生概率、严重度和维护成本的评价，x
i
(1)表示发生概率；x
i
(2)表示严重度；x
i
(3)表示维护成本。
[0133]
然后，建立参考矩阵，本发明实施例选择所有评价值均为最差的情况作为参考基准建立参考矩阵，参考矩阵{x0(m)}为：
[0134][0135]
然后，根据灰色关联理论，计算出发生概率、严重度和维护成本与参考基准的灰色关联系数，灰色关联系数ξ(x
o
(m)，x
i
(m))为：
[0136][0137]
式中，ζ为分辨系数。
[0138]
由于上述三种因素在风险排序时，对风险的影响程度不同，因此，基于灰色关联系数计算发生概率、严重度和维护成本与参考基准的失效关联度，失效关联度γ(x
o
，x
i
)为：
[0139][0140]
式中，λ
m
为发生概率、严重度和维护成本的权重。
[0141]
通过考虑不同因素的影响程度，引入权重，可进一步提高故障风险预测分析的可靠性。
[0142]
应当理解的是：风险顺序是按照失效关联度由大到小的顺序进行排序。即：排序越靠前的风险顺序所对应的零部件在设计阶段应重点关注。
[0143]
为了更好实施本发明实施例中的故障风险预测分析方法，在故障风险预测分析方法基础之上，对应的，如图11所示，本发明实施例还提供了一种故障风险预测分析装置1100，包括：
[0144]
数据处理单元1101，用于基于故障历史数据确定发生故障的故障零部件以及故障相关因素；
[0145]
频繁项集确定单元1102，用于基于预设关联算法确定故障零部件的频繁项集；频繁项集包括多个频繁项，频繁项为同时出现的频次大于阈值频次的故障相关因素；
[0146]
故障发生概率预测单元1103，用于基于故障历史数据以及频繁项确定故障预测模型，并根据故障预测模型对零部件发生故障的概率进行预测，得到零部件发生故障的发生概率；
[0147]
风险等级确定单元1104，用于确定至少一种风险指标，并根据风险指标和发生概率确定多个零部件的风险顺序。
[0148]
这里需要说明的是：上述实施例提供的故障风险预测分析装置1100可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
[0149]
如图12所示，基于上述故障风险预测分析方法，本发明还相应提供了一种电子设备1200。该电子设备1200包括处理器1201、存储器1202及显示器1203。图12示出了电子设备1200的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0150]
存储器1202在一些实施例中可以是电子设备1200的内部存储单元，例如电子设备1200的硬盘或内存。存储器1202在另一些实施例中也可以是电子设备1200的外部存储设备，例如电子设备1200上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0151]
进一步地，存储器1202还可既包括电子设备1200的内部储存单元也包括外部存储设备。存储器1202用于存储安装电子设备1200的应用软件及各类数据，
[0152]
处理器1201在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器1202中存储的程序代码或处理数据，例如本发明中的故障风险预测分析方法。
[0153]
显示器1203在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light
‑
emitting diode，有机发光二极管)触摸器等。显示器1203用于显示在电子设备1200的信息以及用于显示可视化的用户界面。电子设备1200的部件1201
‑
1203通过系统总线相互通信。
[0154]
在一实施例中，当处理器1201执行存储器1202中的故障风险预测分析程序1204时，可实现以下步骤：
[0155]
基于故障历史数据确定发生故障的故障零部件以及故障相关因素；
[0156]
基于预设关联算法确定故障零部件的频繁项集；频繁项集包括多个频繁项，频繁项为同时出现的频次大于阈值频次的故障相关因素；
[0157]
基于故障历史数据以及频繁项确定故障预测模型，并根据故障预测模型对零部件发生故障的概率进行预测，得到零部件发生故障的发生概率；
[0158]
确定至少一种风险指标，并根据风险指标和发生概率确定多个零部件的风险顺序。
[0159]
应当理解的是：处理器1201在执行存储器1202中的故障风险预测分析程序1204时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
[0160]
进一步地，本发明实施例对提及的电子设备1200的类型不做具体限定，电子设备1200可以为手机、平板电脑、个人数字助理(personal digital assistant，pda)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载ios、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备1200也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
[0161]
相应地，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的方法步骤或功能。
[0162]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0163]
以上对本发明所提供的故障风险预测分析方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。