物联网设备诊断方法、装置、计算机设备、存储介质与流程

1.本技术涉及物联网通信技术领域，特别是涉及一种物联网设备诊断方法、装置、计算机设备、存储介质。


背景技术：

2.随着智慧城市的兴起，越来越多的物联网设备投入到智慧城市的使用当中。众所周知，电子设备的使用寿命是有限的，因其广泛分布和内部结构复杂，往往需要耗费大量的时间和人力进行维护。并且由于普通人无法感知到设备内部的状态，导致往往设备发生故障之后才能发现，可能会导致很多隐患同时诞生。所以其带来便利的同时，也伴随着高成本运维、故障难以定位等智慧城市物联网设备运维的诸多痛点问题。
3.目前的物联网设备管理存在设备故障诊断不准确的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高物联网设备故障诊断精确度的物联网设备诊断方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种物联网设备诊断方法。所述方法包括：
6.获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
7.获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
8.在其中一个实施例中，获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果，包括：
9.根据待诊断物联网设备的工作数据获取待诊断物联网设备的参数变量的异常值；
10.将待诊断物联网设备的参数变量的异常值输入贝叶斯网络模型，得到最大概率的故障信息，作为待诊断物联网设备的诊断结果。
11.在其中一个实施例中，与待诊断物联网设备对应的贝叶斯网络模型的构建方法，包括：
12.获取待诊断物联网设备的历史工作数据，历史工作数据包括多个参数变量的历史值、与参数变量的历史值对应的多种故障信息以及每种故障信息的引发概率；
13.根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型。
14.在其中一个实施例中，根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型，包括：
15.根据待诊断物联网设备的历史工作数据获取每种故障信息的引发顺序；
16.将每种故障信息作为一个节点，根据每种故障信息的引发顺序构建有向无环图；
17.将多个参数变量的历史值填入每个节点中；
18.根据每种故障信息的引发概率构建条件概率表；
19.根据有向无环图和条件概率表构建与待诊断物联网设备对应的贝叶斯网络模型。
20.在其中一个实施例中，获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果之后，还包括：
21.根据待诊断物联网设备的工作数据和历史工作数据得到更新后的历史工作数据；
22.根据更新后的历史工作数据，更新贝叶斯网络模型。
23.在其中一个实施例中，根据更新后的历史工作数据，更新贝叶斯网络模型，包括：
24.根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障信息的引发概率；
25.根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序；
26.根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整有向无环图，得到更新后的有向无环图；
27.根据更新后的每种故障信息的引发概率构建更新后的条件概率表；
28.根据更新后的有向无环图和更新后的条件概率表更新贝叶斯网络模型。
29.第二方面，本技术还提供了一种物联网设备诊断装置。所述装置包括：
30.模型获取模块，用于获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
31.设备诊断模块，用于获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
32.第三方面，本技术还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现以下步骤：
33.获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
34.获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
35.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
36.获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
37.获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
38.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
39.获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
40.获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
41.上述物联网设备诊断方法、装置、计算机设备、存储介质和计算机程序产品，通过获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。通过将待诊断物联网设备的工作数据输入模型进行自动诊断，能够提高物联网设备的故障诊断效率，且利用模型进行故障检测，能够提高检测的精确度。
附图说明
42.图1为一个实施例中物联网设备诊断方法的流程示意图；
43.图2为一个实施例中物联网设备诊断步骤的流程示意图；
44.图3为一个实施例中物联网设备诊断云平台的结构示意图；
45.图4为一个实施例中路灯对应的贝叶斯网络模型的有向无环图；
46.图5为一个实施例中物联网设备诊断装置的结构框图；
47.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.在一个实施例中，如图1所示，提供了一种物联网设备诊断方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
50.步骤102，获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型。
51.其中，贝叶斯网络模型是指贝叶斯网络(bayesian network)，又称信念网络(belief network)或是有向无环图模型(directed acyclic graphical model)，是一种概率图型模型。
52.具体的，预先根据不同类型的物联网设备构建多个贝叶斯网络模型，当待诊断物联网设备需要进行诊断时，根据待诊断物联网设备的设备类型，从预先构建的多个模型中选择与设备类型对应的贝叶斯网络模型。一个贝叶斯网络模型对应一种类型的物联网设备，例如，对应路灯的贝叶斯网络模型只能诊断路灯，不能诊断医疗设备、传感器或其他类型设备。
53.步骤104，获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
54.具体的，从待诊断物联网设备的工作数据中，获取待诊断物联网设备的参数变量的异常值，然后将待诊断物联网设备的参数变量的异常值输入与待诊断物联网设备对应的贝叶斯网络模型中，得到最大概率的故障信息，作为待诊断物联网设备的诊断结果。
55.上述物联网设备诊断方法中，通过获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。通过将待诊断物联网设备的工作数据输入模型进行自动诊断，能够提高物联网设备的故障诊断效率，且利用模型进行故障检测，能够提高检测的精确度。
56.在一个实施例中，如图2所示，获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果，包括：
57.步骤202，根据待诊断物联网设备的工作数据获取待诊断物联网设备的参数变量的异常值。
58.其中，参数变量是指物联网设备工作过程中涉及的运行参数，例如，路灯的参数变量包括电压、电流、温度等。
59.具体的，在待诊断物联网设备的工作数据中，获取存在至少一个参数变量的数值发生异常的时刻，获取该时刻下所有参数变量的数值，作为待诊断物联网设备的参数变量的异常值。
60.步骤204，将待诊断物联网设备的参数变量的异常值输入贝叶斯网络模型，得到最大概率的故障信息，作为待诊断物联网设备的诊断结果。
61.具体的，将待诊断物联网设备的参数变量的异常值输入与待诊断物联网设备对应的贝叶斯网络模型中，贝叶斯网络模型会输出在该异常值下，可能发生的一种或多种故障信息，以及每种故障信息的引发概率，将引发概率最高的一种故障信息作为待诊断物联网设备的诊断结果。
62.在一个实施例中，与待诊断物联网设备对应的贝叶斯网络模型的构建方法，包括：获取待诊断物联网设备的历史工作数据，历史工作数据包括多个参数变量的历史值、与参数变量的历史值对应的多种故障信息以及每种故障信息的引发概率；根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型。
63.具体的，每种物联网设备对应的贝叶斯网络模型都需要预先进行构建，通过获取一种物联网设备的历史工作数据，根据历史工作数据中的多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建该种物联网设备对应的贝叶斯网络模型。
64.在一个实施例中，根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型，包括：根据待诊断物联网设备的历史工作数据获取每种故障信息的引发顺序；将每种故障信息作为一个节点，根据每种故障信息的引发顺序构建有向无环图；将多个参数变量的历史值填入每个节点中；根据每种故障信息的引发概率构建条件概率表；根据有向无环图和条件概率表构建与待诊断物联网设备对应的贝叶斯网络模型。
65.具体的，根据待诊断物联网设备的历史工作数据确定每种故障信息的引发顺序，然后将每种故障信息作为一个节点，根据每种故障信息的引发顺序构建有向无环图的空图，随后将多个参数变量的历史值填入每个节点中，每个节点中的参数变量填入顺序和数量保持一致；接着根据每种故障信息的引发概率构建条件概率表，以表征有向无环图中的每个节点的条件概率分布；最后结合有向无环图和条件概率表构建与待诊断物联网设备对应的贝叶斯网络模型。
66.在一个实施例中，获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果之后，还包括：根据待诊断物联网设备的工作数据和历史工作数据得到更新后的历史工作数据；根据更新后的历史工作数据，更新贝叶斯网络模型。
67.具体的，在贝叶斯网络模型完成对待诊断物联网设备的诊断后，将本次诊断过程中采集的待诊断物联网设备的工作数据整合进贝叶斯网络模型对应的历史工作数据中，得到更新后的历史工作数据，然后采用更新后的历史工作数据更新贝叶斯网络模型的有向无环图和条件概率表。
68.本实施例中，通过根据待诊断物联网设备的工作数据和历史工作数据得到更新后的历史工作数据；根据更新后的历史工作数据，更新贝叶斯网络模型。能够根据实际数据不断优化贝叶斯网络模型，从而提高贝叶斯网络模型的诊断精确度。
69.在一个实施例中，根据更新后的历史工作数据，更新贝叶斯网络模型，包括：根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障信息的引发概率；根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序；根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整有向无环图，得到更新后的有向无环图；根据更新后的每种故障信息的引发概率构建更新后的条件概率表；根据更新后的有向无环图和更新后的条件概率表更新贝叶斯网络模型。
70.具体的，根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障信息的引发概率，根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序，可以根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整原先的有向无环图，也可以直接构建新的有向无环图以取代原先的有向无环图；可以根据更新后的每种故障信息的引发概率调整原先的条件概率表，也可以直接构建新的条件概率表以取代原先的条件概率表，最后根据更新后的有向无环图和更新后的条件概率表得到更新后的贝叶斯网络模型。
71.本实施例中，通过根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障信息的引发概率；根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序；根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整有向无环图，得到更新后的有向无环图；根据更新后的每种故障信息的引发概率构建更新后的条件概率表；根据更新后的有向无环图和更新后的条件概率表更新贝叶斯网络模型。能够根据实际数据不断优化贝叶斯网络模型，从而提高贝叶斯网络模型的诊断精确度。
72.在一个实施例中，一种物联网设备诊断方法，如图3所示，以应用于一种物联网设备诊断云平台为例，具体包括：
73.物联网设备诊断云平台收集多种物联网设备的原始数据，预先构建与多种物联网设备对应的贝叶斯网络模型，例如，与路灯对应的贝叶斯网络模型、与网络监测器对应的贝叶斯网络模型、与医疗设备对应的贝叶斯网络模型等。当物联网设备诊断云平台用户需要对智慧路灯进行诊断时，通过物联网设备诊断云平台选定与路灯对应的贝叶斯网络模型，与路灯对应的贝叶斯网络模型包括如图4所示的有向无环图和条件概率表。物联网设备诊断云平台获取智慧路灯的日常交互数据，输入到选定的贝叶斯网络模型中，选定的贝叶斯网络模型输出每种故障信息的引发概率，智慧路灯负责人员根据引发概率最高的故障信息就可以提前发现故障隐患，并大致确定可能发生的故障类型，随后通知设备重启或进行关机操作等。本次诊断结束后，物联网设备诊断云平台会采用本次诊断获取的日常交互数据对选定的贝叶斯网络模型进行更新，进一步完善该选定的贝叶斯网络模型。通过设备与平台的交换数据，构建贝叶斯网络模型，提前发现设备故障，延长设备寿命，精准定位故障问题，方便运维人员排查，降低维护成本。相比于传统的物联网设备运维方式，本实施例借助了iot平台去构建可信的贝叶斯网络，利用贝叶斯网络去分析各种故障类型的概率，达到及时发现并定位故障，降低维护成本，延长设备寿命的目的。
74.应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头
的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
75.基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的物联网设备诊断方法的物联网设备诊断装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个物联网设备诊断装置实施例中的具体限定可以参见上文中对于物联网设备诊断方法的限定，在此不再赘述。
76.在一个实施例中，如图5所示，提供了一种物联网设备诊断装置500，包括：模型获取模块502和设备诊断模块503，其中：
77.模型获取模块502，用于获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
78.设备诊断模块503，用于获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
79.在一个实施例中，设备诊断模块503还用于根据待诊断物联网设备的工作数据获取待诊断物联网设备的参数变量的异常值；将待诊断物联网设备的参数变量的异常值输入贝叶斯网络模型，得到最大概率的故障信息，作为待诊断物联网设备的诊断结果。
80.在一个实施例中，装置还包括模型构建模块501，用于获取待诊断物联网设备的历史工作数据，历史工作数据包括多个参数变量的历史值、与参数变量的历史值对应的多种故障信息以及每种故障信息的引发概率；根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型。
81.在一个实施例中，模型构建模块501还用于根据待诊断物联网设备的历史工作数据获取每种故障信息的引发顺序；将每种故障信息作为一个节点，根据每种故障信息的引发顺序构建有向无环图；将多个参数变量的历史值填入每个节点中；根据每种故障信息的引发概率构建条件概率表；根据有向无环图和条件概率表构建与待诊断物联网设备对应的贝叶斯网络模型。
82.在一个实施例中，装置还包括模型更新模块504，用于根据待诊断物联网设备的工作数据和历史工作数据得到更新后的历史工作数据；根据更新后的历史工作数据，更新贝叶斯网络模型。
83.在一个实施例中，模型更新模块504还用于根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障信息的引发概率；根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序；根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整有向无环图，得到更新后的有向无环图；根据更新后的每种故障信息的引发概率构建更新后的条件概率表；根据更新后的有向无环图和更新后的条件概率表更新贝叶斯网络模型。
84.上述物联网设备诊断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件
形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
85.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种物联网设备诊断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
86.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
87.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
88.获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
89.获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
90.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
91.根据待诊断物联网设备的工作数据获取待诊断物联网设备的参数变量的异常值；
92.将待诊断物联网设备的参数变量的异常值输入贝叶斯网络模型，得到最大概率的故障信息，作为待诊断物联网设备的诊断结果。
93.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
94.获取待诊断物联网设备的历史工作数据，历史工作数据包括多个参数变量的历史值、与参数变量的历史值对应的多种故障信息以及每种故障信息的引发概率；
95.根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型。
96.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
97.根据待诊断物联网设备的历史工作数据获取每种故障信息的引发顺序；
98.将每种故障信息作为一个节点，根据每种故障信息的引发顺序构建有向无环图；
99.将多个参数变量的历史值填入每个节点中；
100.根据每种故障信息的引发概率构建条件概率表；
101.根据有向无环图和条件概率表构建与待诊断物联网设备对应的贝叶斯网络模型。
102.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
103.根据待诊断物联网设备的工作数据和历史工作数据得到更新后的历史工作数据；
104.根据更新后的历史工作数据，更新贝叶斯网络模型。
105.在一个实施例中，处理器执行计算机程序时还实现以下步骤：
106.根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障
信息的引发概率；
107.根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序；
108.根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整有向无环图，得到更新后的有向无环图；
109.根据更新后的每种故障信息的引发概率构建更新后的条件概率表；
110.根据更新后的有向无环图和更新后的条件概率表更新贝叶斯网络模型。
111.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
112.获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
113.获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
114.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
115.根据待诊断物联网设备的工作数据获取待诊断物联网设备的参数变量的异常值；
116.将待诊断物联网设备的参数变量的异常值输入贝叶斯网络模型，得到最大概率的故障信息，作为待诊断物联网设备的诊断结果。
117.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
118.获取待诊断物联网设备的历史工作数据，历史工作数据包括多个参数变量的历史值、与参数变量的历史值对应的多种故障信息以及每种故障信息的引发概率；
119.根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型。
120.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
121.根据待诊断物联网设备的历史工作数据获取每种故障信息的引发顺序；
122.将每种故障信息作为一个节点，根据每种故障信息的引发顺序构建有向无环图；
123.将多个参数变量的历史值填入每个节点中；
124.根据每种故障信息的引发概率构建条件概率表；
125.根据有向无环图和条件概率表构建与待诊断物联网设备对应的贝叶斯网络模型。
126.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
127.根据待诊断物联网设备的工作数据和历史工作数据得到更新后的历史工作数据；
128.根据更新后的历史工作数据，更新贝叶斯网络模型。
129.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
130.根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障信息的引发概率；
131.根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序；
132.根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整有向无环图，得到更新后的有向无环图；
133.根据更新后的每种故障信息的引发概率构建更新后的条件概率表；
134.根据更新后的有向无环图和更新后的条件概率表更新贝叶斯网络模型。
135.在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
136.获取与待诊断物联网设备对应的预先构建的贝叶斯网络模型；
137.获取待诊断物联网设备的工作数据，并将待诊断物联网设备的工作数据输入贝叶斯网络模型中，得到待诊断物联网设备的诊断结果。
138.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
139.根据待诊断物联网设备的工作数据获取待诊断物联网设备的参数变量的异常值；
140.将待诊断物联网设备的参数变量的异常值输入贝叶斯网络模型，得到最大概率的故障信息，作为待诊断物联网设备的诊断结果。
141.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
142.获取待诊断物联网设备的历史工作数据，历史工作数据包括多个参数变量的历史值、与参数变量的历史值对应的多种故障信息以及每种故障信息的引发概率；
143.根据多个参数变量的历史值、多种故障信息和每种故障信息的引发概率构建与待诊断物联网设备对应的贝叶斯网络模型。
144.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
145.根据待诊断物联网设备的历史工作数据获取每种故障信息的引发顺序；
146.将每种故障信息作为一个节点，根据每种故障信息的引发顺序构建有向无环图；
147.将多个参数变量的历史值填入每个节点中；
148.根据每种故障信息的引发概率构建条件概率表；
149.根据有向无环图和条件概率表构建与待诊断物联网设备对应的贝叶斯网络模型。
150.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
151.根据待诊断物联网设备的工作数据和历史工作数据得到更新后的历史工作数据；
152.根据更新后的历史工作数据，更新贝叶斯网络模型。
153.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
154.根据更新后的历史工作数据获取更新后的多种故障信息以及更新后的每种故障信息的引发概率；
155.根据更新后的历史工作数据获取更新后的每种故障信息的引发顺序；
156.根据更新后的多种故障信息和更新后的每种故障信息的引发顺序调整有向无环图，得到更新后的有向无环图；
157.根据更新后的每种故障信息的引发概率构建更新后的条件概率表；
158.根据更新后的有向无环图和更新后的条件概率表更新贝叶斯网络模型。
159.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
160.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器
(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
161.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
162.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。