基于大数据的设备故障识别方法、设备及存储介质与流程

1.本技术涉及大数据技术领域，尤其涉及一种基于大数据的设备故障识别方法、设备及存储介质。


背景技术：

2.随着安全意识和隐私意识的提升，越来越多的家庭和企业开始使用监控设备来监控周边的环境，但人们在依赖监控设备带来安全可靠高质量的便利生活的同时，却忽视了监控设备自身会出现问题，目前的监控设备虽然能对自身产生的故障进行提醒，但对故障的识别效果差。


技术实现要素：

3.本技术的主要目的在于提供一种基于大数据的设备故障识别方法、设备及存储介质，旨在解决现有技术中设备故障识别效果差的技术问题。
4.为实现上述目的，本技术提供一种基于大数据的设备故障识别方法，所述基于大数据的设备故障识别方法包括：
5.采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息；
6.根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果。
7.可选地，所述根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果的步骤包括：
8.将所述设备运行状态数据划分为用户报警数据及用户下线数据；
9.依据所述权重值信息、所述用户报警数据及所述用户下线数据进行设备故障识别，得到故障识别结果。
10.可选地，所述依据所述权重值信息、所述用户报警数据及所述用户下线数据进行设备故障识别，得到故障识别结果的步骤包括：
11.依据所述权重值信息、所述用户报警数据及所述用户下线数据，确定故障判别值，其中，所述故障判别值用于表征设备发生故障可能性的程度；
12.若所述故障判别值大于预设设备故障阈值，检测设备在预设时间范围内是否正常上线；
13.若所述设备在所述预设时间范围内正常上线，则所述故障识别结果为设备未发生故障；
14.若所述设备在所述预设时间范围内未正常上线，则所述故障识别结果为设备发生故障；
15.若所述故障判别值不大于所述预设设备故障阈值，则所述故障识别结果为设备未发生故障。
16.可选地，所述依据所述权重值信息、所述用户报警数据及所述用户下线数据，确定故障判别值的步骤包括：
17.依据所述用户报警数据确定第一判断值，根据所述第一判断值与预设报警基数确定第一行为值；
18.依据所述用户下线数据确定第二判断值，根据所述第二判断值与所述权重值信息确定第二行为值；
19.根据所述第一行为值及所述第二行为值，生成所述故障判别值。
20.可选地，在所述采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息的步骤之前，所述基于大数据的设备故障识别方法还包括：
21.采集所述待检测设备对应的所有同类设备共同对应的历史设备运行状态数据；
22.依据设备识别码、同类设备对应的地理位置以及历史设备运行状态数据对应的数据采集时间，对所述历史设备运行状态数据进行数据分类，得到数据分类结果；
23.依据所述数据分类结果确定所述权重值信息。
24.可选地，所述数据分类结果包括第一数据分类结果和第二数据分类结果，
25.所述依据设备识别码、同类设备对应的地理位置以及历史设备运行状态数据对应的数据采集时间，对所述历史设备运行状态数据进行数据分类，得到数据分类结果的步骤包括：
26.将所述历史设备运行状态数据依据所述同类设备对应的地理位置以及所述历史设备运行状态数据对应的数据采集时间进行分类，得到第一数据分类结果；
27.将所述历史设备运行状态数据依据所述设备识别码以及所述历史设备运行状态数据对应的数据采集时间进行分类，得到第二数据分类结果。
28.可选地，所述权重值信息包括第一权重值和第二权重值，
29.所述依据所述数据分类结果确定所述权重值信息的步骤包括：
30.依据所述第一数据分类结果中目标时间段内的数据量占比确定第一权重值；
31.依据所述第二数据分类结果中目标时间段内的数据量占比确定第二权重值。
32.为实现上述目的，本技术还提供一种基于大数据的设备故障识别装置，所述基于大数据的设备故障识别装置包括：
33.数据采集模块，用于采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息；
34.故障识别模块，用于根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果。
35.可选地，所述故障识别模块还用于：
36.将所述设备运行状态数据划分为用户报警数据及用户下线数据；
37.依据所述权重值信息、所述用户报警数据及所述用户下线数据进行设备故障识别，得到故障识别结果。
38.可选地，所述故障识别模块还用于：
39.依据所述权重值信息、所述用户报警数据及所述用户下线数据，确定故障判别值，其中，所述故障判别值用于表征设备发生故障可能性的程度；
40.若所述故障判别值大于预设设备故障阈值，检测设备在预设时间范围内是否正常
上线；
41.若所述设备在所述预设时间范围内正常上线，则所述故障识别结果为设备未发生故障；
42.若所述设备在所述预设时间范围内未正常上线，则所述故障识别结果为设备发生故障；
43.若所述故障判别值不大于所述预设设备故障阈值，则所述故障识别结果为设备未发生故障。
44.可选地，所述故障识别模块还用于：
45.依据所述用户报警数据确定第一判断值，根据所述第一判断值与预设报警基数确定第一行为值；
46.依据所述用户下线数据确定第二判断值，根据所述第二判断值与所述权重值信息确定第二行为值；
47.根据所述第一行为值及所述第二行为值，生成所述故障判别值。
48.可选地，所述基于大数据的设备故障识别装置还用于：
49.采集所述待检测设备对应的所有同类设备共同对应的历史设备运行状态数据；
50.依据设备识别码、同类设备对应的地理位置以及历史设备运行状态数据对应的数据采集时间，对所述历史设备运行状态数据进行数据分类，得到数据分类结果；
51.依据所述数据分类结果确定所述权重值信息。
52.可选地，所述基于大数据的设备故障识别装置还用于：
53.将所述历史设备运行状态数据依据所述同类设备对应的地理位置以及所述历史设备运行状态数据对应的数据采集时间进行分类，得到第一数据分类结果；
54.将所述历史设备运行状态数据依据所述设备识别码以及所述历史设备运行状态数据对应的数据采集时间进行分类，得到第二数据分类结果。
55.可选地，所述基于大数据的设备故障识别装置还用于：
56.依据所述第一数据分类结果中目标时间段内的数据量占比确定第一权重值；
57.依据所述第二数据分类结果中目标时间段内的数据量占比确定第二权重值。
58.本技术还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于大数据的设备故障识别方法的程序，所述基于大数据的设备故障识别方法的程序被处理器执行时可实现如上述的基于大数据的设备故障识别方法的步骤。
59.本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现基于大数据的设备故障识别方法的程序，所述基于大数据的设备故障识别方法的程序被处理器执行时实现如上述的基于大数据的设备故障识别方法的步骤。
60.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于大数据的设备故障识别方法的步骤。
61.本技术提供了一种基于大数据的设备故障识别方法、设备及存储介质，本技术采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息；根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果。也即，本技术通过采集设备运行状态数据，并获取历史设备运行状态数据的权重值信
息，依据预设计算方式得到判断用户设备是否发生故障的故障判别值，从而过滤正常设备的错误提醒找到异常设备，能准确定位到问题设备，提高了设备故障识别的效果。
附图说明
62.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
63.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
64.图1为本技术基于大数据的设备故障识别方法第一实施例的流程示意图；
65.图2为本技术基于大数据的设备故障识别方法第二实施例的流程示意图；
66.图3为本技术实施例中基于大数据的设备故障识别方法涉及的硬件运行环境的设备结构示意图。
67.本技术目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
68.为使本发明的上述目的、特征和优点能够更加明显易懂，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，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本发明保护的范围。
69.实施例一
70.本技术实施例提供一种基于大数据的设备故障识别方法，在本技术基于大数据的设备故障识别方法的第一实施例中，参照图1，所述基于大数据的设备故障识别方法包括：
71.步骤s10，采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息；
72.步骤s20，根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果。
73.在本实施例中，需要说明的是，所述待检测设备对应的设备运行状态数据至少包括当前一段预设固定时间段内用户设备的报警数据及下线数据，若用户设备报警一次，则所述报警数据增加一条，若用户设备下线一次，则所述下线数据增加一条，所述采集过程可以通过kafka实现；所述历史设备运行状态数据确定的权重值信息至少包括第一权重值和第二权重值，所述第一权重值可以为第一数据分类结果中目标时间段内的数据量占比，第二权重值可以为第二数据分类结果中目标时间段内的数据量占比，其中，可以为所述比值预设最小值与最大值；当识别到设备发生故障时，会对所述设备进行通知及报警，当所述设备存在异常但识别到所述用户设备没有发生故障时，会储存所述异常以供后续核查，本技术中的分类与计算过程可以通过spark来实现。
74.作为一种示例，步骤s10至步骤s20包括：
75.采集预设固定时间段内待检测设备对应的设备运行状态数据，获取历史设备运行
状态数据的权重值信息；依据所述设备运行状态数据，分类得到所述设备的报警数据和所述设备的下线数据，将所述权重值信息、所述报警数据和所述下线数据通过预设计算方式，计算得到故障判别值，若所述故障判别值大于预设设备故障阈值，且后续固定时间段内所述设备一直处于离线状态，则识别所述设备发生故障，可以进行通知并报警，若所述故障判别值大于预设设备故障阈值但在后续固定时间内所述设备上线，则识别所述设备没有发生故障，但会存储异常结果以供后续进行异常核查，若所述故障判别值不大于所述预设设备故障阈值，则识别所述用户设备没有发生故障。
76.其中，所述根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果的步骤包括：
77.步骤s21，将所述设备运行状态数据划分为用户报警数据及用户下线数据；
78.步骤s22，依据所述权重值信息、所述用户报警数据及所述用户下线数据进行设备故障识别，得到故障识别结果。
79.在本实施例中，需要注意的是，所述设备运行状态数据为待检测设备预设一段时间里收集到的数据，例如，所述设备运行状态数据可以为当前时间点前一小时里采集到的数据，所述设备运行状态数据至少可以分为用户报警数据及用户下线数据两种数据。
80.作为一种示例，步骤s21至步骤s22包括：
81.在所述设备运行状态数据中获取用户报警数据及用户下线数据，若不存在这两种数据，表示用户设备没有发生报警和下线动作；将所述权重值信息、所述用户报警数据及所述用户下线数据通过预设计算方法，经过计算得到故障判别值，若所述故障判别值大于预设设备故障阈值，且后续固定时间段内所述设备一直处于离线状态，则识别所述设备发生故障，可以进行通知并报警，若所述故障判别值大于所述预设设备故障阈值但在后续固定时间内所述设备上线，则识别所述设备没有发生故障，但会存储异常结果以供后续进行异常核查，若所述故障判别值不大于所述设备故障阈值，则识别所述设备没有发生故障。
82.其中，所述依据所述权重值信息、所述用户报警数据及所述用户下线数据进行设备故障识别，得到故障识别结果的步骤包括：
83.步骤s221，依据所述权重值信息、所述用户报警数据及所述用户下线数据，确定故障判别值，其中，所述故障判别值用于表征设备发生故障可能性的程度；
84.步骤s222，若所述故障判别值大于预设设备故障阈值，检测设备在预设时间范围内是否正常上线；
85.步骤s223，若所述设备在所述预设时间范围内正常上线，则所述故障识别结果为设备未发生故障；
86.步骤s224，若所述设备在所述预设时间范围内未正常上线，则所述故障识别结果为设备发生故障；
87.步骤s225，若所述故障判别值不大于所述预设设备故障阈值，则所述故障识别结果为设备未发生故障。
88.在本实施例中，需要说明的是，所述故障判别值为所述设备发生故障可能性的程度数值，所述故障判别值越大，所述设备发生故障的可能性越高。
89.作为一种示例，步骤s221至步骤s225包括：
90.将所述权重值信息、所述用户报警数据及所述用户下线数据通过所述预设计算方
式，得到故障判别值；若所述故障判别值大于预设设备故障阈值且后续预设时间范围内所述设备一直处于离线状态，则识别所述设备发生故障；若所述故障判别值大于预设设备故障阈值但在后续预设时间范围内上线且无其他报警数据，则识别所述设备没有发生故障，但会存储所述异常结果以供后续进行核查，若所述故障判别值小于等于预设设备故障阈值，则识别设备没有发生故障。
91.其中，所述依据所述权重值信息、所述用户报警数据及所述用户下线数据，确定故障判别值的步骤包括：
92.步骤s2211，依据所述用户报警数据确定第一判断值，根据所述第一判断值与预设报警基数确定第一行为值；
93.步骤s2212，依据所述用户下线数据确定第二判断值，根据所述第二判断值与所述权重值信息确定第二行为值；
94.步骤s2213，根据所述第一行为值及所述第二行为值，生成所述故障判别值。
95.在本实施例中，需要说明的是，所述第一判断值和所述第二判断值为判断所述用户报警数据与所述用户下线数据中是否存在数据的值，若所述用户报警数据存在，则第一判断值为1，若所述用户报警数据不存在，则第一判断值为0，若所述用户下线数据存在，则第二判断值为1，若所述用户下线数据不存在，则第二判断值为0，所述预设报警基数为所述预设计算方式里的一个基数，所述预设报警基数的初始值为2，可以根据需求自行调整；所述权重值信息中至少包括第一权重值和第二权重值。
96.作为一种示例，步骤s2211至步骤s2213包括：
97.依据所述第一判断值与所述预设报警基数计算得到第一行为值；依据所述第二判断值与所述权重值信息计算得到第二行为值；计算所述第一行为值与第二行为值的和，得到故障判别值。
98.作为一种实施例，所述故障判别值的预设计算方式可以为：
99.，
100.所述权重值信息中至少包括第一权重值和第二权重值，在预设计算方式中将第一权重值记为m1，将第二权重值记为m2，将第一判断值记为n1，将第二判断值记为n2，将预设第一权重基数记为a1，将预设第二权重基数记为a2，将预设报警基数记为b，若将数据分类结果中目标时间段内的数据量占比设置为c，那么所述第一权重值以及第二权重的计算方式通常为1/c，所述第一判断值和第二判断值为判断所述用户报警数据与所述用户下线数据中是否存在数据的值，若数据存在，则数值为1，若数据不存在，则数值为0，所述第一权重基数的初始数值为1.56，所述第二权重基数的初始数值为0.44，所述预设报警基数的初始数值为2，所述第一权重基数、所述第二权重基数及所述预设报警基数都可以根据需求自行设置。
101.故障判别值为所述设备发生故障可能性的程度数值，所述预设设备故障阈值的初始数值为3.4，所述预设时间范围的初始范围为3小时，预设设备故障阈值以及预设时间范围可以根据需求自行调整；若所述故障判别值大于预设设备故障阈值且后续预设时间范围内所述设备一直处于离线状态，则识别所述设备发生故障；若所述故障判别值大于预设设
备故障阈值但在后续预设时间范围内上线且无其他报警数据，则识别所述设备没有发生故障，但会存储所述异常结果以供后续进行核查，若所述故障判别值小于等于预设设备故障阈值，则识别设备没有发生故障。依据预设计算方式可以过滤大部分正常设备的错误提醒，使本技术能更准确地定位到问题设备，并提高预警效果。
102.本技术提供了一种基于大数据的设备故障识别方法、设备及存储介质，本技术采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息；根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果。也即，本技术通过采集设备运行状态数据，并获取历史设备运行状态数据的权重值信息，依据预设计算方式得到判断用户设备是否发生故障的故障判别值，从而过滤正常设备的错误提醒找到异常设备，能准确定位到问题设备，提高了设备故障识别的效果。
103.实施例二
104.进一步地，参照图2，基于本技术第一实施例，在本技术另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，在所述采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息的步骤之前，所述基于大数据的设备故障识别方法还包括：
105.步骤a10，采集所述待检测设备对应的所有同类设备共同对应的历史设备运行状态数据；
106.步骤a20，依据设备识别码、同类设备对应的地理位置以及历史设备运行状态数据对应的数据采集时间，对所述历史设备运行状态数据进行数据分类，得到数据分类结果；
107.步骤a30，依据所述数据分类结果确定所述权重值信息。
108.在本实施例中，需要说明的是，所述待检测设备对应的所有同类设备共同对应的历史设备运行状态数据为持续接收的一段时间内所有设备的报警数据及下线数据，所述时间通常为一年，所述数据分类结果包括第一数据分类结果和第二数据分类结果，所述第一数据分类结果可以是依据所述同类设备对应的地理位置以及所述历史设备运行状态数据对应的数据采集时间分类的数据结果，第二数据分类结果可以是依据所述设备识别码以及所述历史设备运行状态数据对应的数据采集时间分类的数据结果。
109.作为一种示例，步骤a10至步骤a30包括：
110.持续采集一段时间内的历史设备运行状态数据；对所述历史设备运行状态数据进行数据分类，根据所述同类设备对应的地理位置将历史设备运行状态数据进行分类，再按照历史设备运行状态数据对应的数据采集时间分类，得到第一数据分类结果，将所述历史设备运行状态数据按照设备识别码进行分类，再按照历史设备运行状态数据对应的数据采集时间得到第二数据分类结果；依据所述数据分类结果确定所述权重值信息。
111.其中，所述数据分类结果包括第一数据分类结果和第二数据分类结果，
112.所述依据设备识别码、同类设备对应的地理位置以及历史设备运行状态数据对应的数据采集时间，对所述历史设备运行状态数据进行数据分类，得到数据分类结果的步骤包括：
113.步骤a21，将所述历史设备运行状态数据依据所述同类设备对应的地理位置以及所述历史设备运行状态数据对应的数据采集时间进行分类，得到第一数据分类结果；
114.步骤a22，将所述历史设备运行状态数据依据所述设备识别码以及所述历史设备
运行状态数据对应的数据采集时间进行分类，得到第二数据分类结果。
115.在本实施例中，需要说明的是，所述同类设备对应的地理位置可以为城市，所述历史设备运行状态数据对应的数据采集时间可以为具体时间段，所述数据采集时间可以是具有季节性的二十四节气；所述设备识别码为识别具体设备的标识码，设备的设备标识码唯一。
116.作为一种示例，步骤a21至步骤a22包括：
117.将所述历史设备运行状态数据进行数据分类，根据所述设备所在城市进行分类，再将分类后的数据按照时间序列排列，依据一年中不同时间段分类，可以按照二十四节气分类，得到第一数据分类结果；将所述历史设备运行状态数据进行数据分类，根据设备识别号进行分类，可以得到单个用户的历史运行数据，再根据工作日或假期分类，从而得到第二数据分类结果。
118.需要说明的是，由于不同城市之间作息有所不同，所以先将所述历史设备运行状态数据依据城市进行分类，得到不同城市的城市历史运行数据，例如北京、杭州、长沙等；将所述城市历史运行数据依据日期分类，例如以二十四节气为节点，将一年分为多段，立春至立夏为一段，立夏至立秋为一段，立秋至立冬为一段，立冬至立春为一段，从而得到依据不同城市、不同日期分类的第一数据分类结果，所述历史设备分类状态数据可以为北京立春至立夏的数据，也可以为上海立秋至立冬的数据，同样的，所述第二数据分类结果中的数据可以是某用户设备工作日的数据，也可以是另一用户设备假期的数据。
119.其中，所述权重值信息包括第一权重值和第二权重值，
120.所述依据所述数据分类结果确定所述权重值信息的步骤包括：
121.步骤a31，依据所述第一数据分类结果中目标时间段内的数据量占比确定第一权重值；
122.步骤a32，依据所述第二数据分类结果中目标时间段内的数据量占比确定第二权重值。
123.作为一种示例，步骤a31至步骤a32包括：
124.第一权重值的计算方法例如，在北京立春至立夏0点至1点的数据量占北京立春至立夏总数据量的0.2，那么计算所述第一权重值为1/0.2＝5，需要注意的是，最小权重值默认为1，最大权重值默认为8，若计算得到的第一权重值在最小权重值至最大权重值的范围之外，则取最大权重值或最小权重值作为第一权重值，第二权重值的计算方法与第一权重值的计算方法一致，例如，在某用户设备工作日下午3点的数据量占某用户设备工作日总数据量的0.5，那么计算所述第二权重值为1/0.5＝2。
125.在本实施例中，提供了一种用来确定权重值信息的方法，可以减少设备故障识别算法的误判。
126.实施例三
127.本技术实施例还提供一种基于大数据的设备故障识别装置，所述种基于大数据的设备故障识别装置包括：
128.数据采集模块，用于采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息；
129.故障识别模块，用于根据所述设备运行状态数据及所述权重值信息进行设备故障
识别，得到设备故障识别结果。
130.可选地，所述故障识别模块还用于：
131.将所述设备运行状态数据划分为用户报警数据及用户下线数据；
132.依据所述权重值信息、所述用户报警数据及所述用户下线数据进行设备故障识别，得到故障识别结果。
133.可选地，所述故障识别模块还用于：
134.依据所述权重值信息、所述用户报警数据及所述用户下线数据，确定故障判别值，其中，所述故障判别值用于表征设备发生故障可能性的程度；
135.若所述故障判别值大于预设设备故障阈值，检测设备在预设时间范围内是否正常上线；
136.若所述设备在所述预设时间范围内正常上线，则所述故障识别结果为设备未发生故障；
137.若所述设备在所述预设时间范围内未正常上线，则所述故障识别结果为设备发生故障；
138.若所述故障判别值不大于所述预设设备故障阈值，则所述故障识别结果为设备未发生故障。
139.可选地，所述故障识别模块还用于：
140.依据所述用户报警数据确定第一判断值，根据所述第一判断值与预设报警基数确定第一行为值；
141.依据所述用户下线数据确定第二判断值，根据所述第二判断值与所述权重值信息确定第二行为值；
142.根据所述第一行为值及所述第二行为值，生成所述故障判别值。
143.可选地，所述基于大数据的设备故障识别装置还用于：
144.采集所述待检测设备对应的所有同类设备共同对应的历史设备运行状态数据；
145.依据设备识别码、同类设备对应的地理位置以及历史设备运行状态数据对应的数据采集时间，对所述历史设备运行状态数据进行数据分类，得到数据分类结果；
146.依据所述数据分类结果确定所述权重值信息。
147.可选地，所述基于大数据的设备故障识别装置还用于：
148.将所述历史设备运行状态数据依据所述同类设备对应的地理位置以及所述历史设备运行状态数据对应的数据采集时间进行分类，得到第一数据分类结果；
149.将所述历史设备运行状态数据依据所述设备识别码以及所述历史设备运行状态数据对应的数据采集时间进行分类，得到第二数据分类结果。
150.可选地，所述基于大数据的设备故障识别装置还用于：
151.依据所述第一数据分类结果中目标时间段内的数据量占比确定第一权重值；
152.依据所述第二数据分类结果中目标时间段内的数据量占比确定第二权重值。
153.本发明提供的基于大数据的设备故障识别装置，采用上述实施例中的基于大数据的设备故障识别方法，解决了设备故障识别效果差的技术问题。与现有技术相比，本发明实施例提供的基于大数据的设备故障识别装置的有益效果与上述实施例提供的基于大数据的设备故障识别方法的有益效果相同，且该基于大数据的设备故障识别装置中的其他技术
特征与上述实施例方法公开的特征相同，在此不做赘述。
154.实施例四
155.本发明实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的基于大数据的设备故障识别方法。
156.下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字tv、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
157.如图3所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(rom)中的程序或者从存储装置加载到随机访问存储器(ram)中的程序而执行各种适当的动作和处理。在ram中，还存储有电子设备操作所需的各种程序和数据。处理装置、rom以及ram通过总线彼此相连。输入/输出(i/o)接口也连接至总线。
158.通常，以下系统可以连接至i/o接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
159.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从rom被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
160.本发明提供的电子设备，采用上述实施例中的基于大数据的设备故障识别方法，解决了设备故障识别效果差的技术问题。与现有技术相比，本发明实施例提供的电子设备的有益效果与上述实施例提供的基于大数据的设备故障识别方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
161.应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
162.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
163.实施例五
164.本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指
令，计算机可读程序指令用于执行上述实施例一中的基于大数据的设备故障识别的方法。
165.本发明实施例提供的计算机可读存储介质例如可以是u盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
166.上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
167.上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：采集待检测设备对应的设备运行状态数据，获取历史设备运行状态数据确定的权重值信息；根据所述设备运行状态数据及所述权重值信息进行设备故障识别，得到设备故障识别结果。
168.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
169.附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
170.描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
171.本发明提供的计算机可读存储介质，存储有用于执行上述基于大数据的设备故障识别方法的计算机可读程序指令，解决了设备故障识别效果差的技术问题。与现有技术相比，本发明实施例提供的计算机可读存储介质的有益效果与上述实施例提供的基于大数据的设备故障识别方法的有益效果相同，在此不做赘述。
172.实施例六
173.本技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于大数据的设备故障识别方法的步骤。
174.本技术提供的计算机程序产品解决了设备故障识别效果差的技术问题。与现有技术相比，本发明实施例提供的计算机程序产品的有益效果与上述实施例提供的基于大数据的设备故障识别方法的有益效果相同，在此不做赘述。
175.以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利处理范围内。