工程机械的数据样本库的构建、故障预测方法及工程机械与流程

1.本发明涉及故障诊断技术领域，具体涉及工程机械的数据样本库的构建、故障预测方法及工程机械。


背景技术：

2.在异常检测领域，基于各类机器学习模型的方法是一个重要的技术路线，这类方法需要从大量的历史数据中学习故障规律，并不断进行算法迭代和参数修正，从而构建精确的故障诊断模型。其中，高质量的样本库是所有模型的基础，尤其是对于有监督的机器学习方法，往往需要构建不同类别样本库，这些样本库样本容量与质量都会是影响最终算法实现效果的重要因素。
3.工程机械设备的异常检测作为一个子领域，其本身存在的客观局限性使得通用的样本库构建技术往往无法满足机器学习算法的要求，具体的问题如下：
4.1)工程机械设备在故障状态下的运行时间往往只占其全生命周期的很少一部分，从客观上导致故障样本量远小于健康样本量，因此产生样本不平衡问题，不利于智能算法的训练；
5.2)在通用样本库构建时，无论是人工标注还是半自动化生成标签，往往对于各类样本有一套明确可执行的方法，而工程机械设备数量多、分布广、工时长，监测所有设备进行并收集故障样本往往是不现实的，对于不同的运行状态的甄别工作只能对有限的设备在有限的时间里开展，这就进一步局限了可获取的故障样本数量。
6.由于可获取的样本数量有限，常见的样本均衡办法如降采样直接将样本容量限制在一个较低的水平，不利于后续基于样本库的高级算法开发，如故障预测故障识别等。


技术实现要素：

7.有鉴于此，本发明实施例提供了一种工程机械的数据样本库的构建、故障预测方法及工程机械，以解决工程机械的样本数量有限的问题。
8.根据第一方面，本发明实施例提供了一种工程机械的数据样本库的构建方法，包括：
9.获取目标工程机械对应的初始样本库，所述初始样本库包括正常设备库以及故障库，所述初始样本库中各个原始数据均有对应的时序特征；
10.获取所述目标工程机械的监测数据；
11.基于预设时间单元对所述监测数据进行划分，得到监测时间序列；
12.对各个所述监测时间序列进行特征提取，得到所述监测数据对应的监测特征；
13.基于所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度，确定所述监测数据所属的初始样本库，以对所述初始样本库进行更新确定目标样本库。
14.本发明实施例提供的工程机械的数据样本库的构建方法，基于目标工程机械少量的原始数据构建初始样本库，采用时序特征提取处理原始数据，再以推理方法基于真实数
据扩充初始样本库，解决工程机械难以跟踪导致的故障样本不足的问题。
15.结合第一方面，在第一方面第一实施方式中，所述基于所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度，确定所述监测数据所属的初始样本库，以对所述初始样本库进行更新确定目标样本库，包括：
16.计算所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度；
17.基于各个所述初始样本库中所有相似度的均值，确定所述监测特征与各个所述初始样本库的相似度；
18.将与各个所述初始样本库的相似度中最大相似度对应的初始样本库确定为所述监测数据所属的初始样本库；
19.将所述监测数据及其监测特征加入所述所属的初始样本库，以对所述初始样本库进行更新确定目标样本库。
20.本发明实施例提供的工程机械的数据样本库的构建方法，由于在各个初始样本库中均对应有多个原始数据均有至少一个时序特征，基于此，通过计算同一初始样本库中所有相似度的均值，即可确定出监测特征与各个初始样本库的相似度，进而确定出其所属的初始样本库，以扩充所属的初始样本库，可以保证所确定出的所属的初始样本库的准确性。
21.结合第一方面第一实施方式，在第一方面第二实施方式中，所述将所述监测数据及其监测特征加入所述所属的初始样本库，以对所述初始样本库进行更新确定目标样本库，还包括：
22.对更新后的初始样本库进行降采样，得到各个目标样本库，所述各个目标样本库中的样本数量相同。
23.本发明实施例提供的工程机械的数据样本库的构建方法，由于各个初始样本库中的原始数据可能存在不均衡的问题，因此通过对其进行降采样，保证所得到的各个目标样本库中的样本数量相同。
24.结合第一方面，在第一方面第三实施方式中，所述获取目标工程机械对应的初始样本库，包括：
25.获取所述目标工程机械的原始数据，以确定所述正常设备库以及所述故障库，所述原始数据包括正常运行数据以及带故障类型标注的故障运行数据；
26.基于预设时间单元分别对所述正常设备库以及所述故障库中的各个原始数据进行划分，得到原始时间序列；
27.对所述原始时间序列进行特征提取，确定各个原始数据对应的时序特征；
28.基于所述原始数据及其对应的时序特征确定所述初始样本库。
29.本发明实施例提供的工程机械的数据样本库的构建方法，利用带标签的原始数据构建各个数据库，再进行时间划分得到原始时间序列，再进行特征提取，得到各个原始数据对应的时序特征，通过少量的原始数据对各个原始时间序列再进行特征提取，可以得到丰富的时序特征。
30.结合第一方面第三实施方式，在第一方面第四实施方式中，所述对所述原始时间序列进行特征提取，确定各个原始数据对应的时序特征，包括：
31.对各个所述原始时间序列进行至少一种类型的特征提取，得到所述各个原始数据对应的时序特征。
32.本发明实施例提供的工程机械的数据样本库的构建方法，针对各个原始时间序列均提取至少一种类型的特征，得到丰富的时序特征，保证了后续进行初始样本库匹配的可靠性。
33.根据第二方面，本发明实施例还提供了一种故障预测方法，包括：
34.获取目标工程机械的实时运行数据；
35.将所述实时运行数据输入目标故障预测模型中，确定目标故障类型，所述目标故障预测模型是基于本发明第一方面，或第一方面任一实施方式中所述的工程机械的数据样本库的构建方法构建的目标样本库训练得到的。
36.本发明实施例提供的故障预测方法，由于目标故障预测模型是基于上述得到的目标样本库训练得到的，由于目标样本库的丰富性，训练得到的目标故障预测模型的预测准确性较高，进而可以保证所确定出的目标故障类型的可靠性。
37.结合第二方面，在第二方面第一实施方式中，所述目标故障预测模型的训练过程包括：
38.获取所述目标样本库；
39.将所述目标样本库中的各个数据输入初始故障预测模型中，得到预测故障类型；
40.基于所述预测故障类型与所述各个数据对应的故障类型进行损失计算，更新所述初始故障预测模型的参数，以确定所述目标故障预测模型。
41.根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的工程机械的数据样本库的构建方法，或执行本发明第二方面或者第二方面任一实施方式中所述的故障预测方法。
42.根据第四方面，本发明实施例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存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的工程机械的数据样本库的构建方法，或执行本发明第二方面或者第二方面任一实施方式中所述的故障预测方法。
43.根据第五方面，本发明实施例还提供了一种工程机械，包括：
44.本体；
45.本发明第三方面所述的电子设备，所述电子设备设置在所述本体内，用于预测所述工程机械的故障类型。
46.需要说明的是，本发明实施例中所述的电子设备、计算机可读存储介质以及工程机械的相应有益效果，请参见上文工程机械的数据样本库的构建方法或故障预测方法的对应有益效果的描述，在此不再赘述。
附图说明
47.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，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。
48.图1是根据本发明实施例的工程机械的数据样本库的构建方法的流程图；
49.图2是根据本发明实施例的工程机械的数据样本库的构建方法的流程图；
50.图3是根据本发明实施例的初始样本库中原始数据的示意图；
51.图4是根据本发明实施例的故障预测方法的流程图；
52.图5是根据本发明实施例的工程机械的数据样本库的构建装置的结构框图；
53.图6是根据本发明实施例的故障预测装置的结构框图；
54.图7是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚，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。
56.本发明实施例提供的工程机械的数据样本的构建方法，通过先验知识获得初始样本库，再对目标工程机械的无标注的真实数据进行推理，确定该真实数据对应的初始样本库。其中，推理所采用的方式是特征相似度的方式，将获取到的无标注的真实数据进行时间段的划分，再提取相应的特征，将提取出的特征与各个初始样本库中的对应特征进行相似度计算，从而计算出无标注的真实数据对应的初始样本库，从而丰富各个初始样本库中的样本数据，且样本数据均是来自于目标工程机械的真实运行数据，具有较高的可靠性。
57.本发明实施例还提供了一种故障预测方法，该故障预测方法是基于工程机械的数据样本库的构建方法构建出的目标样本库训练得到目标故障预测模型。在获取到目标工程机械的实时运行数据之后，利用该目标故障预测模型即可预测其故障类型。
58.进一步地，预测出故障类型之后，还可以将该实时运行数据加入对应的目标样本库中，对目标样本库进行更新，以便进一步更新该目标故障预测模型的参数，对目标故障预测模型的参数进行调优，提高该故障预测模型的准确性。
59.作为本实施例的一个具体应用场景，在电子设备中部署有该目标故障预测模型，用于预测实时运行数据的故障类型。其中，该电子设备可以设置在服务器中，目标工程机械在运行过程中，将其实时运行数据上传至服务器，服务器对其进行故障类型的预测，并将预测结果反馈给目标工程机械，以便目标工程机械做出相应的处理措施，或者，提醒目标工程机械的操作人员。需要说明的是，服务器可以同时对一个或多个目标工程机械的故障类型进行预测，在此对其并不做任何限定。
60.作为本实施例的另一个具体应用场景，电子设备中部署有目标故障预测模型，且该电子设备设置在目标工程机械中。其中，目标工程机械在运行过程中，将其实时运行数据传输给电子设备，该电子设备对其进行故障类型的预测，并将预测结果反馈给目标工程机械，以便目标工程机械做出相应的处理措施，或者，提醒目标工程机械的操作人员。
61.基于此，本发明实施例还提供了一种工程机械，包括本体以及设置在本体内的电子设备。其中，工程机械可以是挖掘机、叉车等等，在此对其具体类型并不做任何限定。关于电子设备的具体结构类型将在下文中进行详细描述。
62.根据本发明实施例，提供了一种工程机械的数据样本库的构建方法以及故障预测
方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
63.在本实施例中提供了一种工程机械的数据样本库的构建方法，可用于上述的电子设备，如终端、服务器等，图1是根据本发明实施例的工程机械的数据样本库的构建方法的流程图，如图1所示，该流程包括如下步骤：
64.s11，获取目标工程机械对应的初始样本库。
65.其中，所述初始样本库包括正常设备库以及故障库，所述初始样本库中各个原始数据均有对应的时序特征。
66.正常设备库包括多个原始数据，该原始数据为目标工程机械的正常工作数据。其中，初始样本库中的故障库包括至少一种类型，其具体类型是根据实际需求进行设置的，可以是3种，4种等等，在此对其具体类型的数量并不做任何限定。例如，初始样本库包括正常设备库以及3种类型的故障库，分别为故障类型a的故障库、故障类型为b的故障库以及故障类型为c的故障库。
67.各个初始样本库中均包括有多个原始数据，每个原始数据均有对应的时序特征。其中，对于原始数据1而言，对应有时序特征a1。具体地，对原始数据1进行时间段划分，将其划分为n个时间段，得到时间序列。对于每个时间序列分别进行特征提取，得到m个特征。因此，对于原始数据1而言，就可以得到n*m的时序特征矩阵。
68.关于时序特征对应的时间段以及特征的数量，是根据实际需求进行具体设置的，在此对其并不做任何限定。
69.关于该步骤具体将在下文中进行详细描述。
70.s12，获取目标工程机械的监测数据。
71.目标工程机械的监测数据为目标工程机械在运行过程中，通过相应的数据采集设备采集到的数据。例如，在目标工程机械中设置有n个传感器，每次采集时长为t的监测数据，那么就可以得到n个时长为t的监测数据。
72.其中，监测数据可以是指标数据(包括但不限于振动、声音、温度、压力等)及设备的控制信号，在此对其并不做任何限定。
73.s13，基于预设时间单元对监测数据进行划分，得到监测时间序列。
74.如上文所述，电子设备所获得的监测数据是一段时长的数据。电子设备基于预设时间单元对监测数据进行划分，得到监测时间序列。其中，监测时间序列中包括多个监测子数据。
75.例如，监测数据的时长为1小时，预设时间单元为20分钟。因此，电子设备通过对监测数据进行划分，即可得到3段监测子数据，从而形成监测时间序列。
76.关于预设时间单元的具体长度可以根据实际需求进行设置，在此对其并不做任何限定。
77.s14，对各个监测时间序列进行特征提取，得到监测数据对应的监测特征。
78.电子设备在得到监测时间序列之后，对其中的各个监测子数据进行特征提取，得到该监测数据对应的监测特征。例如，监测数据1的时长为1小时，划分得到3段监测子数据，对于每个监测子数据分别进行特征a、特征b以及特征c的提取。因此，对于每个监测子数据
即得到3个特征向量，相应地，对于监测数据即得到3*3的监测特征矩阵。
79.s15，基于监测特征与各个初始样本库中各个原始数据的时序特征的相似度，确定监测数据所属的初始样本库，以对初始样本库进行更新确定目标样本库。
80.需要说明的是，初始样本库中各个原始数据的时序特征的向量维数与监测特征的向量维数相同。具体地，在各个初始样本库中包括多个原始数据，相应地，包括多个时序特征。电子设备依次计算监测特征与同一初始样本库中各个时序特征的相似度，可以计算所有相似度的均值作为该监测特征与该初始样本库的相似度；也可以计算各个相似度的加权均值，将其作为监测特征与该初始样本库的相似度。
81.电子设备在计算得到监测特征与各个初始样本库的相似度之后，确定相似度最高的初始样本库为该监测数据所属的初始样本库，进而将监测数据加入到该初始样本库中，以对初始样本库进行更新确定目标样本库。
82.关于该步骤具体将在下文中进行详细描述。
83.本实施例提供的工程机械的数据样本库的构建方法，基于目标工程机械少量的原始数据构建初始样本库，采用时序特征提取处理原始数据，再以推理方法基于真实数据扩充初始样本库，解决工程机械难以跟踪导致的故障样本不足的问题。
84.在本实施例中提供了一种工程机械的数据样本库的构建方法，可用于上述的电子设备，如终端、服务器等，图2是根据本发明实施例的工程机械的数据样本库的构建方法的流程图，如图2所示，该流程包括如下步骤：
85.s21，获取目标工程机械对应的初始样本库。
86.其中，所述初始样本库包括正常设备库以及故障库，所述初始样本库中各个原始数据均有对应的时序特征。
87.具体地，上述s21包括：
88.s211，获取目标工程机械的原始数据，以确定正常设备库以及故障库。
89.其中，所述原始数据包括正常运行数据以及带故障类型标注的故障运行数据。
90.对于目标工程机械而言，将全部设备历史运行过程中的离线数据作为原始数据x，其中包含n种不同传感设备监测数据及控制系统控制信号(xaxbxc……
)。选取一批设备，由专业人员在设备运营时间段t内对设备的工作状态进行监测形成记录，记录内容主要包括设备正常运营时间段t0，若设备发生故障则记录对应故障类型(记为a类，b类，c类
……
)及发生故障时间段(tatbtc)，结合选定批次设备的监测记录和原始数据，形成正常设备库m0及各类故障库mambmc。
91.正常设备库m0及各类故障库mambmc的集合记为m，其中包括正常设备库m0、a类故障库ma、b类故障库mb、c类故障库mc等，各个知识库中包含每台设备工时段及对应的监测数据。如图3所示，为知识库中案例构建实例展示：在该案例中，设备编号为0000001的机器传感器监测数据如三条曲线所示，维修记录显示，在工时段t_0，该设备正常工作，在工时段t_a，该设备存在a类故障，故该案例t_0时段被归入知识库中的正常设备库中，t_a段被归入知识库中的a类故障库。
92.s212，基于预设时间单元分别对正常设备库以及故障库中的各个原始数据进行划分，得到原始时间序列。
93.由于原始数据x无法直接用于区分样本，取适当的预设时间单元t将原始数据划分
为最小单元的原始时间序列。
94.s213，对原始时间序列进行特征提取，确定各个原始数据对应的时序特征。
95.电子设备对这些原始时间序列进行适当的特征提取，在本实例中采用的特征如下：其中，特征的具体选择以最终故障区分能力为标准，不限定具体形式，在其他实施案例中，针对数据的不同表现形式可以适当调整，采用不同的特征提取方式。
96.在本实施例的一些可选实施方式中，上述s213可以包括：对各个原始时间序列进行至少一种类型的特征提取，得到各个原始数据对应的时序特征。
97.例如，一台目标工程机械k有a、b、c三个传感器，其工作时间有2000个小时，则记录中就有xa，xb，xc三个长度为2000小时的时间序列。处理时首先以50小时将长时间序列切分(最小单元时间序列)，后续特征提取，故障判别都是以此为单位进行。时序特征则是泛指，此处用公式形式举例三种，最终每个50小时的序列都会对应n个特征值，如设备k第i个子序列特征就是一个n维向量[r
(1)
,
(2)
,
(3)
……
，r
(n)
。
[0098]
针对各个原始时间序列均提取至少一种类型的特征，得到丰富的时序特征，保证了后续进行初始样本库匹配的可靠性。
[0099]
s214，基于原始数据及其对应的时序特征确定初始样本库。
[0100]
在确定出特征提取方案并进行特征提取之后，对于知识库中每一个原始数据都有对应的时序特征。即，将原始数据与对应的时序特征形成对应的初始样本库。
[0101]
s22，获取目标工程机械的监测数据。
[0102]
详细请参见图1所示实施例的s12，在此不再赘述。
[0103]
s23，基于预设时间单元对监测数据进行划分，得到监测时间序列。
[0104]
例如，对任意无监测记录的目标工程机械将工时按照窗口t划分可以得到若干个时间段t
k1
,t
k2
,t
k3
……
[0105]
其余详细请参见图1所示实施例的s13，在此不再赘述。
[0106]
s24，对各个监测时间序列进行特征提取，得到监测数据对应的监测特征。
[0107]
如上文的示例，对应于各个时间段的监测特征即为：r
k1rk2rk3
……
[0108]
详细请参见图1所示实施例的s14，在此不再赘述。
[0109]
s25，基于监测特征与各个初始样本库中各个原始数据的时序特征的相似度，确定监测数据所属的初始样本库，以对初始样本库进行更新确定目标样本库。
[0110]
具体地，上述s25包括：
[0111]
s251，计算监测特征与各个初始样本库中各个原始数据的时序特征的相似度。
[0112]
对于相似度的计算，可以采用协方差的方式、余弦相似度、欧氏距离、曼哈顿距离以及皮尔逊相关系数等等，在此对其所采用的具体方式并不做任何限定，可以根据实际需求进行设置即可。
[0113]
例如，定义监测数据ki与知识库中原始数据mj的相似度其中s为协方差矩阵。
[0114]
s252，基于各个初始样本库中所有相似度的均值，确定监测特征与各个初始样本库的相似度。
[0115]
其中，目标工程机械k的任意监测数据ki与a类故障知识库的相似度可记为其他类别样本库相似度同理。
[0116]
s253，将与各个初始样本库的相似度中最大相似度对应的初始样本库确定为监测数据所属的初始样本库。
[0117]
电子设备取相似度最高的初始样本库作为该监测数据对应的标签。
[0118]
s254，将监测数据及其监测特征加入所属的初始样本库，以对初始样本库进行更新确定目标样本库。
[0119]
相应地，将监测数据及检测特征加入到所属的初始样本库中，对初始样本库进行更新，得到样本集合g
′0,
′a,
′b……
。其中，g
′0为更新后的正常设备库，g
′a为更新后的a类故障库，g
′b为更新后的b类故障库。
[0120]
在本实施例的一些可选实施方式中，上述s254还可以包括：对更新后的初始样本库进行降采样，得到各个目标样本库。其中，各个目标样本库中的样本数量相同。
[0121]
具体地，由于目标工程机械的原始数据中，目标工程机械在正常状态下运行的时间占比远高于发生故障的时间，采用适当的降采样方法处理各类样本集合，使各集合中样本数量保持一致，得到最终样本均衡的样本库g0,ga,gb……
[0122]
由于各个初始样本库中的原始数据可能存在不均衡的问题，因此通过对其进行降采样，保证所得到的各个目标样本库中的样本数量相同。
[0123]
本实施例提供的工程机械的数据样本库的构建方法，利用带标签的原始数据构建各个数据库，再进行时间划分得到原始时间序列，再进行特征提取，得到各个原始数据对应的时序特征，通过少量的原始数据对各个原始时间序列再进行特征提取，可以得到丰富的时序特征。由于在各个初始样本库中均对应有多个原始数据均有至少一个时序特征，基于此，通过计算同一初始样本库中所有相似度的均值，即可确定出监测特征与各个初始样本库的相似度，进而确定出其所属的初始样本库，以扩充所属的初始样本库，可以保证所确定出的所属的初始样本库的准确性。
[0124]
在本实施例中提供了一种故障预测方法，可用于上述的电子设备，如终端、服务器等，图4是根据本发明实施例的故障预测方法的流程图，如图4所示，该流程包括如下步骤：
[0125]
s31，获取目标工程机械的实时运行数据。
[0126]
目标工程机械的实时运行数据，是通过设置在目标工程机械中的数据采集设备采集到的。其中，实时运行数据包括但不限于实时振动、温度等指标数据，还可以包括控制信号等等。
[0127]
s32，将实时运行数据输入目标故障预测模型中，确定目标故障类型。
[0128]
其中，所述目标故障预测模型是基于上述工程机械的数据样本库的构建方法构建的目标样本库训练得到的。
[0129]
该目标故障预测模型是基于目标样本库训练得到的，关于目标样本库的构建方法请参见上文所述的工程机械的数据样本库的构建方法，在此不再赘述。电子设备利用该目标故障预测模型对实时运行数据进行目标故障类型的预测，其中，目标故障类型包括正常运行、a类故障类型、b类故障类型，等等。
[0130]
本实施例提供的故障预测方法，由于目标故障预测模型是基于上述得到的目标样
本库训练得到的，由于目标样本库的丰富性，训练得到的目标故障预测模型的预测准确性较高，进而可以保证所确定出的目标故障类型的可靠性。
[0131]
作为本实施例的一种可选实施方式，上述目标故障预测模型的训练过程包括：
[0132]
(1)获取目标样本库。
[0133]
(2)将目标样本库中的各个数据输入初始故障预测模型中，得到预测故障类型。
[0134]
(3)基于预测故障类型与各个数据对应的故障类型进行损失计算，更新初始故障预测模型的参数，以确定目标故障预测模型。
[0135]
目标样本库中各个原始数据均有对应的故障类型，这些故障类型为其对应的标签。将原始数据中各个时序特征输入到初始故障预测模型中，得到预测故障类型。通过对预测故障类型与各个数据对应的故障类型进行损失计算，并基于损失计算结果更新初始故障预测模型的参数，进而确定出目标故障预测模型。
[0136]
本发明实施例提供的工程机械的数据样本库的构建方法，对工程机械故障的判断依赖于专业人员，完成一定数量设备的故障判断及分类是整体工作的基础。为了保证故障数据能够反应设备真实情况，同时保证样本库达到一定规模，对各个知识库的扩充需要从工程机械真实运行数据中提取。在目标工程机械布置有各类传感器，用于采集实时指标数据(包括但不限于振动、声音、温度、压力等)及目标工程机械的控制信号是识别故障的重要依据，对这些时序数据有效的处理是保证样本扩充方法有效实施的关键。
[0137]
在本实施例中还提供了一种工程机械的数据样本库的构建装置以及故障预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0138]
本实施例提供一种工程机械的数据样本库的构建装置，如图5所示，包括：
[0139]
第一获取模块41，用于获取目标工程机械对应的初始样本库，所述初始样本库包括正常设备库以及故障库，所述初始样本库中各个原始数据均有对应的时序特征；
[0140]
第二获取模块42，用于获取所述目标工程机械的监测数据；
[0141]
划分模块43，用于基于预设时间单元对所述监测数据进行划分，得到监测时间序列；
[0142]
特征提取模块44，用于对各个所述监测时间序列进行特征提取，得到所述监测数据对应的监测特征；
[0143]
确定模块45，用于基于所述监测特征与各个所述初始样本库中各个原始数据的时序特征的相似度，确定所述监测数据所属的初始样本库，以对所述初始样本库进行更新确定目标样本库。
[0144]
本实施例还提供了一种故障预测装置，如图6所示，包括：
[0145]
第三获取模块51，用于获取目标工程机械的实时运行数据；
[0146]
预测模块52，用于将所述实时运行数据输入目标故障预测模型中，确定目标故障类型，所述目标故障预测模型是基于本发明第一方面，或第一方面任一实施方式中所述的工程机械的数据样本库的构建方法构建的目标样本库训练得到的。
[0147]
本实施例中的工程机械的数据样本库的构建装置以及故障预测装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和
存储器，和/或其他可以提供上述功能的器件。
[0148]
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0149]
本发明实施例还提供一种电子设备，具有上述图5所示的工程机械的数据样本库的构建装置，或图6所示的故障预测装置。
[0150]
请参阅图7，图7是本发明可选实施例提供的一种电子设备的结构示意图，如图7所示，该电子设备可以包括：至少一个处理器601，例如cpu(central processing unit，中央处理器)，至少一个通信接口603，存储器604，至少一个通信总线602。其中，通信总线602用于实现这些组件之间的连接通信。其中，通信接口603可以包括显示屏(display)、键盘(keyboard)，可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速ram存储器(random access memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图5或图6所描述的装置，存储器604中存储应用程序，且处理器601调用存储器604中存储的程序代码，以用于执行上述任一方法步骤。
[0151]
其中，通信总线602可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0152]
其中，存储器604可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid-state drive，缩写：ssd)；存储器604还可以包括上述种类的存储器的组合。
[0153]
其中，处理器601可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
[0154]
其中，处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
[0155]
可选地，存储器604还用于存储程序指令。处理器601可以调用程序指令，实现如本技术任一实施例中所示的工程机械的数据样本库的构建方法，或故障预测方法。
[0156]
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的工程机械的数据样本库的构建方法或故障预测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；所述存储介质还可以包括上述种类的存储器的组合。
[0157]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。