一种设备维修信息推送方法与流程

1.本发明涉及到云平台与人工智能领域，尤其是涉及到一种设备维修信息推送方法。


背景技术：

2.随着云平台的不断发展，其强大的在线资源与算力为许多领域都提供了新的解决方案。当今许多服务器的机房或者具有大量集中设备工作的场地采用了人工巡检的方式进行维护。此种方式不仅非常低效并且容易出现事故，增加了许多维护与运营成本。而借助云平台与人工智能的方法能够很好的解决此类问题。
3.即可以通过一种一种设备维修信息推送方法，基于知识图谱与机器学习对设备进行实时监控并利用云平台的硬件资源与强大的算力进行实时分析，不仅大大提高了设备日常维护的效率也能够在设备出现故障时缩短恢复时间。


技术实现要素：

4.因此，针对现有解决方案中存在的问题，本发明提出了一种设备维修信息推送方法，以解决传统方案存在的效率过低，恢复时长较长，风险较大等缺点，并且可以较好的提升设备的稳定性。同时由于云平台在线资源丰富的优点，使得实际使用的客户并不需要实地搭建一个服务器平台，大大提高了使用效率并且缩减了平台建设的成本。
5.为达到上述目的，本发明的技术方案是这样实现的。
6.一种设备维修信息推送方法,包括以下步骤：
7.s1：利用设备信息收集模块，收集设备的历史信息和现有属性发送至云平台，利用知识图谱建立有关设备的数据集。利用人员信息收集模块，收集设人员的历史维修信息发送至云平台，利用知识图谱建立有关人员的数据集。
8.s2：云平台通过设备的数据集与人员的数据集，需要注意的是需要重点采集设备曾经出现过的历史问题与最终的解决情况。建立基于设备-人员的知识图谱。并使用ripple net模型的思想将设备-人员知识图谱的嵌入式进行更加丰富的表示。其基础嵌入式方法transe如下
9.f(h,r,t)＝||h r-t||
ꢀꢀ
1)
10.水波模型每一节点k的表示如下：
[0011][0012]
最终维修人员和设备节点的表示如下：
[0013][0014]
s3：定时的将实时的设备与人员信息通过各自的信息收集模块发送至云平台，云平台对各自的状态进行实时更新。并利用步骤s2中的ripple net相关公式对设备与人员的嵌入式表示进行更新。
[0015]
s4：设备分析模块利用聚类算法对历史数据进行训练，云平台并根据返回的实时
信息对当前设备是否处于故障状态进行判断。若判定设备处于或将要处于故障状态则发送检修信息至维修人员信息分析模块，此处发送的信息包括分析模块预测最有可能出现何种类型的故障信息，以方便后续安排最合适的人员。
[0016]
s5：维修人员信息分析模块通过步骤s3更新后的设备与人员的嵌入式表示使用如下公式进行打分：
[0017]
θ
uv
＝σ(u
t
v)
ꢀꢀ
4)
[0018]
挑选得分最高的n名维修人员进行通知。
[0019]
s6:人员分配模块在收到消息后，会对当前维修人员的实时状态进行分析，对当前维修人员的权重进行判断，随机的将维修消息派发给当前权重最高的前m位维修人员。
[0020]
s7:通过消息推送模块将维修消息发送给最终的权重最高的m名的维修人员，维修人员对对应问题进行检修后，更新设备状态与对应的维修人员状态。
[0021]
进一步的步骤s2中所使用的知识图谱的嵌入式算法为水波算法，此算法可以充分利用知识图谱的语义信息，对设备属性以及自身信息进行更加丰富的描述。
[0022]
进一步的步骤s5中使用聚类算法训练好模型后，针对实时的设备状态，模型输出的是此时模型属于哪种状态。
[0023]
进一步的步骤s7中各个维修人员的权重使用了mixup算法。即给定所有维修人员一个初始权重k,在后续完成了某次维修任务后针对该维修人员所处理的问题的一个平均水平以及该维修人员的实际处理情况相对比给出一个更新权重ku。然后对初始权重k进行更新，即
[0024]
相对于现有技术，本发明所述的一种设备维修信息推送方法
[0025]
具有以下优点：
[0026]
本发明所述的一种设备维修信息推送方法，通过云平台的丰富的硬件资源和相对经济的算力支撑，使得企业可以通过一种相对经济的方式搭建起一套实时的，精准的设备监控平台。相对于之前的人工巡检，提升了效率也让各个维修人员能够优先处理自身更熟悉的故障场景。使得整个设备维护更加安全高效。
附图说明
[0027]
图1是本发明实施例所述的一种设备维修信息推送方法的功能逻辑图
具体实施方式
[0028]
为了使相关从业人员能够更好的理解本发明的核心思想，我们参考附图进行详细说明本发明：
[0029]
如图1所示，一种设备维修信息推送方法具有如下步骤：
[0030]
s1：利用设备信息收集模块，收集设备的历史信息和现有属性发送至云平台，利用知识图谱建立有关设备的数据集。利用人员信息收集模块，收集设人员的历史维修信息发送至云平台，利用知识图谱建立有关人员的数据集。
[0031]
s2：云平台通过设备的数据集与人员的数据集，需要注意的是需要重点采集设备曾经出现过的历史问题与最终的解决情况。建立基于设备-人员的知识图谱。并使用ripple net模型的思想将设备-人员知识图谱的嵌入式进行更加丰富的表示。其基础嵌入式方法
transe如下
[0032]
f(h,r,t)＝||h r-t||
ꢀꢀ
1)
[0033]
水波模型每一节点k的表示如下：
[0034][0035]
最终维修人员和设备节点的表示如下：
[0036][0037]
s3:设备分析模块利用聚类算法对历史数据进行训练，云平台并根据返回的实时信息对当前设备是否处于故障状态进行判断。定时的将实时的设备与人员信息通过各自的信息收集模块发送至云平台，云平台对各自的状态进行实时更新。若判定设备处于或将要处于故障状态则发送检修信息至维修人员信息分析模块。
[0038]
s4：维修人员信息分析模块通过步骤s3更新后的设备与人员的嵌入式表示使用如下公式进行打分：
[0039]
θ
uv
＝σ(u
t
v)
ꢀꢀ
4)
[0040]
挑选得分最高的n名维修人员进行通知。
[0041]
s5:人员分配模块在收到消息后，会对当前维修人员的实时状态进行分析，对当前维修人员的权重进行判断，随机的将维修消息派发给当前权重最高的前m位维修人员。
[0042]
s6:通过消息推送模块将维修消息发送给对应的维修人员，维修人员对对应问题进行检修后，更新设备状态与对应的维修人员状态。
[0043]
步骤s1中采集的数据包括设备的自身属性如功耗，使用年限，设计年限，平均故障率，常见故障，已出现过等故障，更换过的零件等等。针对维修人员则需要采集处理的历史故障信息，入职年限，年龄，平均处理时长，针对不同类型故障的业务处理能力等等。
[0044]
步骤s2中知识图谱的嵌入式的算法使用的是水波模型，此种模型兼并了基于路径和基于项目的优点，能够是设备和维修人员的语义信息更加丰富准确。
[0045]
步骤s3中所使用的聚类算法使用的是步骤s2中嵌入式后输出的设备信息，使用历史数据训练后，可以根据实时的状态预测当前最可能的状态，若判定故障也会同时预测最有可能的故障类型，从而更好的分配对应的维修人员。
[0046]
步骤s3中所有设备和维修人员的历史信息都会存储在云平台中，同时会在每一天的结束后将前一天的信息输入到信息采集模块，更新历史信息。
[0047]
步骤s5中所采取的分配算法是采用的基于权重的随机分配算法，此种算法避免了某个高权重的维修人员收到过多维修通知，而其他相对权重低一些的维修人员得不到维修消息的缺点，更加公平。
[0048]
以上说明仅为本发明的一个实施示例，对本发明进行了一个较为清晰的阐述。在本领域的技术，实施人员在进行具体的方案设计与实施时，均有可能进行改变。综上所述，本说明内容不是对本发明的限制。