一种设备故障处理方法、装置、计算机设备及存储介质与流程

1.本技术属于人工智能技术领域，具体涉及一种设备故障处理方法、装置、计算机设备及存储介质。


背景技术：

2.当前制造业工厂中，大部分的机械设备故障处理的操作都是靠人为控制或者简单编程机械化执行，即在出现设备重大异常而无法正常运行时，由机械厂家的专业人员进行现场故障排查，通过调整设备参数达到恢复生产的目的，但这种人为处理的方式，需要专业人员及时去到现场进行处理，占用大量人力成本，时效性较低，而通过简单编程机械化执行只能针对一些简单的机械设备故障，对于较为复杂的机械设备故障则无法完成故障排除。


技术实现要素：

3.本技术实施例的目的在于提出一种设备故障处理方法、装置、计算机设备及存储介质，以解决现有机械设备故障处理存在的占用大量人力成本，时效性较低以及无法完成复杂故障排除的技术问题。
4.为了解决上述技术问题，本技术实施例提供一种设备故障处理方法，采用了如下所述的技术方案：
5.一种设备故障处理方法，包括：
6.从预设的数据库获取历史设备数据，其中，历史设备数据包括设备的正常运行状态数据、非正常运行状态数据和第一历史故障类型数据；
7.基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据；
8.基于历史设备故障数据和第一历史故障类型数据构建训练数据集；
9.通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型；
10.接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据；
11.基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。
12.进一步地，自然语言预训练模型基于transformer网络架构搭建，自然语言预训练模型包括编码层和解码层，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，具体包括：
13.对训练数据集中的历史设备故障数据进行特征提取和特征向量转化，得到历史特征向量；
14.通过自然语言预训练模型的编码层对历史特征向量进行编码，得到历史编码向量；
15.对历史编码向量进行空间映射，获取第一空间映射结果；
16.通过自然语言预训练模型的解码层对第一空间映射结果进行解码，得到历史设备
故障数据对应的第二历史故障类型数据；
17.基于第一历史故障类型数据和第二历史故障类型数据对自然语言预训练模型进行迭代，直至模型拟合，得到故障预测模型。
18.进一步地，基于第一历史故障类型数据和第二历史故障类型数据对自然语言预训练模型进行迭代，直至模型拟合，得到故障预测模型，具体包括：
19.获取自然语言预训练模型的损失函数；
20.基于损失函数计算第一历史故障类型数据和第二历史故障类型数据之间的相对误差，得到预测误差；
21.在自然语言预训练模型中传递预测误差，并将预测误差与预设误差阈值比对；
22.若预测误差大于预设误差阈值，则对自然语言预训练模型进行迭代更新，直至模型拟合，得到故障预测模型。
23.进一步地，自然语言预训练模型还包括自注意力层，在对训练数据集中的历史设备故障数据进行特征提取和特征向量转化，得到历史特征向量之后，还包括：
24.获取自注意力层的第一权值和第二权值，其中，第一权值为查询权值，第二权值为键权值；
25.利用第一权值对历史特征向量进行赋权，得到第一历史特征向量；
26.利用第二权值对历史特征向量进行赋权，得到第二历史特征向量；
27.对第一历史特征和第二历史特征进行点积运算，得到历史点积特征向量；
28.将历史点积特征向量导入自然语言预训练模型的编码层。
29.进一步地，在对第一历史特征和第二历史特征进行点积运算，得到历史点积特征向量之后，还包括：
30.获取预设的点积特征向量尺度指标；
31.通过点积特征向量尺度指标对历史点积特征向量进行调整。
32.进一步地，通过自然语言预训练模型的解码层对第一空间映射结果进行解码，得到历史设备故障数据对应的第二历史故障类型数据，具体包括：
33.通过自然语言预训练模型的softmax函数对解码结果进行归一化，获得历史故障类型的概率分布；
34.获取自注意力层的第三权值，其中，第三权值为值权值；
35.利用第三权值对历史特征向量进行赋权，得到第三历史特征向量；
36.将第三历史特征向量与历史故障类型的概率分布进行点积运算，并将点积运算结果的最大值对应的故障类型数据作为第二历史故障类型数据。
37.进一步地，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据，具体包括：
38.接收故障处理指令，并获取当前设备故障数据；
39.对当前设备故障数据进行特征提取和特征向量转化，得到当前特征向量；
40.通过故障预测模型的编码层对当前特征向量进行编码，得到当前编码向量；
41.对当前编码向量进行空间映射，获取第二空间映射结果；
42.通过故障预测模型的解码层对二空间映射结果进行解码，得到当前设备故障类型数据。
43.为了解决上述技术问题，本技术实施例还提供一种设备故障处理装置，采用了如下所述的技术方案：
44.一种设备故障处理装置，包括：
45.数据获取模块，用于从预设的数据库获取历史设备数据，其中，历史设备数据包括设备的正常运行状态数据、非正常运行状态数据和第一历史故障类型数据；
46.故障数据模块，用于基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据；
47.数据构建模块，用于基于历史设备故障数据和第一历史故障类型数据构建训练数据集；
48.模型训练模块，用于通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型；
49.故障识别模块，用于接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据；
50.故障处理模块，用于基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。
51.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
52.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上述任一项所述的设备故障处理方法的步骤。
53.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
54.一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计算机可读指令，所述计算机可读指令被处理器执行时实现如上述中任一项所述的设备故障处理方法的步骤。
55.与现有技术相比，本技术实施例主要有以下有益效果：
56.本技术公开了一种设备故障处理方法、装置、计算机设备及存储介质，属于人工智能技术领域。本技术基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据，基于历史设备故障数据和第一历史故障类型数据构建训练数据集，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据，基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。本技术通过训练故障预测模型来对识别设备故障类型，并通过设备故障类型来确定故障处理程序，由服务器自动执行故障处理程序来排出设备故障，提高了设备故障处理准确性和时效性，同时能够实现设备复杂故障的排除。
附图说明
57.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
58.图1示出了本技术可以应用于其中的示例性系统架构图；
59.图2示出了根据本技术的设备故障处理方法的一个实施例的流程图；
60.图3示出了根据本技术的设备故障处理装置的一个实施例的结构示意图；
61.图4示出了根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
62.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
63.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技术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。
64.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
65.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
66.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
67.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture expertsgroup audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving pictureexperts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
68.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
69.需要说明的是，本技术实施例所提供的设备故障处理方法一般由服务器执行，相应地，设备故障处理装置一般设置于服务器中。
70.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
71.继续参考图2，示出了根据本技术的设备故障处理方法的一个实施例的流程图。本
申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
72.人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。所述的设备故障处理方法，包括以下步骤：
73.s201，从预设的数据库获取历史设备数据，其中，历史设备数据包括设备的正常运行状态数据、非正常运行状态数据和第一历史故障类型数据。
74.具体的，预设的数据库预先存储有收集到的历史设备数据，其中，历史设备数据包括设备的正常运行状态数据、非正常运行状态数据和第一历史故障类型数据，历史设备数据用于构建故障预测模型模型的训练数据集和验证数据集。服务器在从预设的数据库获取历史设备数据，以便于构建故障预测模型模型的训练数据集和验证数据集。
75.s202，基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据。
76.具体的，服务器通过比对正常运行状态数据和非正常运行状态数据，以确定非正常运行状态数据中的历史设备故障数据。例如，在激光切割设备中，当激光切割设备故障时，服务器可以实时获取激光切割设备参数，即非正常运行状态数据，通过将非正常运行状态数据与激光切割设备在正常运行状态下的正常运行状态数据进行一一比对，以便找出非正常运行状态数据中的设备故障数据，如在一次激光切割中，激光切割设备频率为26.48w，而激光切割要求功率为15w～25w，则判定激光切割设备频率为激光切割设备的设备故障数据。
77.s203，基于历史设备故障数据和第一历史故障类型数据构建训练数据集。
78.具体的，服务器基于历史设备故障数据和第一历史故障类型数据构建训练数据集，训练数据集用于故障预测模型的训练。此外，服务器也会基于历史设备故障数据和第一历史故障类型数据构建验证数据集，验证数据集用于故障预测模型的效果验证，其中，训练数据集和验证数据集的数据比例为9:1。
79.s204，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型。
80.其中，自然语言预训练模型基于transformer网络架构搭建，transformer是一种基于encoder-decoder结构的模型，其编码器和解码器均是由注意力模块和前项神经网络构成，是第一个用纯attention搭建的模型，不仅计算速度更快，在翻译任务上获得了更好的结果。transformer最初是作为机器翻译的序列到序列模型提出的，而后来的研究表明，基于transformer的预训练模型(ptm)在各项任务中都有最优的表现。因此，transformer已成为nlp领域的首选架构，尤其是ptm。除了语言相关的应用，transformer还被用于cv、音频处理，甚至是化学和生命科学。
81.具体的，服务器基于transformer网络架构搭建自然语言预训练模型，并通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，故障预测模型可以直接应用于设备故障预测，提高了设备故障处理准确性和时效性。
82.s205，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据。
83.具体的，服务器在接收故障处理指令，并获取当前设备故障数据，并当前设备故障数据输入到故障预测模型中进行特征提取、编码、特征映射、解码等处理，以预测当前设备的故障类型，得到当前设备故障类型数据，并输出当前设备故障类型数据。
84.在本实施例中，设备故障处理方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收故障处理指令。需要指出的是，上述无线连接方式可以包括但不限于3g/4g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
85.s206，基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。
86.具体的，预设处理程序库中预设有若干个故障处理程序，故障处理程序被服务器执行后排出设备故障，每一种设备故障类型数据对应一个或多个故障处理程序，服务器基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，完成设备故障排出，输出故障处理结果，供用户查看。
87.在上述实施例中，本技术通过训练故障预测模型来对识别设备故障类型，并通过设备故障类型来确定故障处理程序，由服务器自动执行故障处理程序来排出设备故障，提高了设备故障处理准确性和时效性，同时能够实现设备复杂故障的排除。
88.进一步地，自然语言预训练模型包括编码层和解码层，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，具体包括：
89.对训练数据集中的历史设备故障数据进行特征提取和特征向量转化，得到历史特征向量；
90.通过自然语言预训练模型的编码层对历史特征向量进行编码，得到历史编码向量；
91.对历史编码向量进行空间映射，获取第一空间映射结果；
92.通过自然语言预训练模型的解码层对第一空间映射结果进行解码，得到历史设备故障数据对应的第二历史故障类型数据；
93.基于第一历史故障类型数据和第二历史故障类型数据对自然语言预训练模型进行迭代，直至模型拟合，得到故障预测模型。
94.具体的，服务器对训练数据集中的历史设备故障数据进行特征提取和特征向量转化，得到历史特征向量，通过自然语言预训练模型的编码层对历史特征向量进行编码，得到历史编码向量；通过对历史编码向量进行空间映射，使得所有特征落入同一空间平面内，然后获取第一空间映射结果，通过自然语言预训练模型的解码层对第一空间映射结果进行解码，得到历史设备故障数据对应的故障类型概率分布，从故障类型概率分布中获取历史设备故障数据对应的第二历史故障类型数据，最后基于第一历史故障类型数据和第二历史故障类型数据对自然语言预训练模型进行迭代，直至模型拟合，得到故障预测模型。
95.在本实施例中，本技术通过自然语言预训练模型对输入的训练数据集进行特征提取、编码、特征映射、解码等处理，并通过基于设备实际的故障类型数据和预测得到的设备的故障类型数据来对自然语言预训练模型进行迭代，得到故障预测模型。
96.进一步地，基于第一历史故障类型数据和第二历史故障类型数据对自然语言预训练模型进行迭代，直至模型拟合，得到故障预测模型，具体包括：
97.获取自然语言预训练模型的损失函数；
98.基于损失函数计算第一历史故障类型数据和第二历史故障类型数据之间的相对误差，得到预测误差；
99.在自然语言预训练模型中传递预测误差，并将预测误差与预设误差阈值比对；
100.若预测误差大于预设误差阈值，则对自然语言预训练模型进行迭代更新，直至模型拟合，得到故障预测模型。
101.具体的，服务器获取自然语言预训练模型的损失函数，基于损失函数来计算第一历史故障类型数据和第二历史故障类型数据之间的相对误差，得到预测误差，并在自然语言预训练模型的网络层中传递预测误差，将预测误差与预设误差阈值比对，若预测误差大于预设误差阈值，则对自然语言预训练模型进行迭代更新，直至模型拟合，即直到预测误差小于或等于预设误差阈值为止，得到故障预测模型。
102.此外，本技术在训练得到故障预测模型后，还通过验证数据集对故障预测模型进行测试，以验证故障预测模型的预测效果。
103.在本实施例中，本技术通过损失函数计算模型预测误差，通过预测误差对自然语言预训练模型进行迭代更新，得到故障预测模型，同时通过验证数据集对故障预测模型进行测试，以验证故障预测模型的预测效果。
104.进一步地，自然语言预训练模型还包括自注意力层，在对训练数据集中的历史设备故障数据进行特征提取和特征向量转化，得到历史特征向量之后，还包括：
105.获取自注意力层的第一权值和第二权值，其中，第一权值为查询权值，第二权值为键权值；
106.利用第一权值对历史特征向量进行赋权，得到第一历史特征向量；
107.利用第二权值对历史特征向量进行赋权，得到第二历史特征向量；
108.对第一历史特征和第二历史特征进行点积运算，得到历史点积特征向量；
109.将历史点积特征向量导入自然语言预训练模型的编码层。
110.其中，自然语言预训练模型还包括自注意力层self-attention，自注意力层self-attention集中特征，以便降低计算复杂度，在标准的self-attention机制中，每个token都需要attend所有其他的token。然而据观察，对于经过训练的transformer，学习到的attention矩阵a在大多数数据点上通常非常稀疏。因此，可以通过结合结构偏差来限制每个查询attend的查询键对的数量来降低计算复杂度。
111.具体的，服务器获取自注意力层的第一权值和第二权值，其中，第一权值为查询权值q(查询，query)，第二权值为键权值k(键，key)，利用第一权值对历史特征向量进行赋权，即第一权值q与历史特征向量相乘，得到第一历史特征向量，利用第二权值k对历史特征向量进行赋权，即第二权值与历史特征向量相乘，得到第二历史特征向量，对第一历史特征和第二历史特征进行点积运算，得到历史点积特征向量，将历史点积特征向量导入自然语言预训练模型的编码层。
112.进一步地，在对第一历史特征和第二历史特征进行点积运算，得到历史点积特征向量之后，还包括：
113.获取预设的点积特征向量尺度指标；
114.通过点积特征向量尺度指标对历史点积特征向量进行调整。
115.具体的，服务器通过获取预设的点积特征向量尺度指标e(一般为query或者key的维度平方根)，通过点积特征向量尺度指标e对历史点积特征向量进行调整，将调整后的历史点积特征向量导入自然语言预训练模型的编码层。
116.在本实施例中，本技术通过自然语言预训练模型的自注意力层self-attention实现特征筛选，识别重要特征，提高预测准确度，同时降低计算复杂度。
117.进一步地，通过自然语言预训练模型的解码层对第一空间映射结果进行解码，得到历史设备故障数据对应的第二历史故障类型数据，具体包括：
118.通过自然语言预训练模型的softmax函数对解码结果进行归一化，获得历史故障类型的概率分布；
119.获取自注意力层的第三权值，其中，第三权值为值权值；
120.利用第三权值对历史特征向量进行赋权，得到第三历史特征向量；
121.将第三历史特征向量与历史故障类型的概率分布进行点积运算，并将点积运算结果的最大值对应的故障类型数据作为第二历史故障类型数据。
122.其中，softmax是一种激活函数，它可以将一个数值向量归一化为一个概率分布向量，且各个概率之和为1。softmax函数可以用来作为神经网络的最后一层，用于多分类问题的输出，softmax层常常和交叉熵损失函数一起结合使用。
123.具体的，服务器通过自然语言预训练模型的softmax函数对解码结果进行归一化，获得历史故障类型的概率分布，获取自注意力层self-attention的第三权值，其中，第三权值为值权值v(值，value)，利用第三权值v对历史特征向量进行赋权，得到第三历史特征向量，将第三历史特征向量与历史故障类型的概率分布进行点积运算，并将点积运算结果的最大值对应的故障类型数据作为第二历史故障类型数据。
124.在本实施例中，本技术通过softmax函数对对解码结果进行归一化，生成历史故障类型的概率分布，并通过自注意力层self-attention的第三权值对历史故障类型的概率分布进行点积运算，并将点积运算结果的最大值对应的故障类型数据作为第二历史故障类型数据。
125.进一步地，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据，具体包括：
126.接收故障处理指令，并获取当前设备故障数据；
127.对当前设备故障数据进行特征提取和特征向量转化，得到当前特征向量；
128.通过故障预测模型的编码层对当前特征向量进行编码，得到当前编码向量；
129.对当前编码向量进行空间映射，获取第二空间映射结果；
130.通过故障预测模型的解码层对二空间映射结果进行解码，得到当前设备故障类型数据。
131.具体的，服务器接收故障处理指令，并获取当前设备故障数据，对当前设备故障数据进行特征提取和特征向量转化，得到当前特征向量，通过故障预测模型的编码层对当前特征向量进行编码，得到当前编码向量，对当前编码向量进行空间映射，使得所有特征落入同一空间平面内，获取第二空间映射结果，通过故障预测模型的解码层对二空间映射结果
进行解码，得到当前设备故障类型数据。
132.在本实施例中，本技术通过故障预测模型对当前设备故障的类型进行预测，得到当前设备故障类型数据，通过当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，完成设备故障排出，输出故障处理结果，供用户查看。
133.在上述实施例中，本技术公开了一种设备故障处理方法，属于人工智能技术领域。本技术基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据，基于历史设备故障数据和第一历史故障类型数据构建训练数据集，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据，基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。本技术通过训练故障预测模型来对识别设备故障类型，并通过设备故障类型来确定故障处理程序，由服务器自动执行故障处理程序来排出设备故障，提高了设备故障处理准确性和时效性，同时能够实现设备复杂故障的排除。
134.需要强调的是，为进一步保证上述当前设备故障数据的私密和安全性，上述当前设备故障数据还可以存储于一区块链的节点中。
135.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
136.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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
137.应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
138.进一步参考图3，作为对上述图2所示方法的实现，本技术提供了一种设备故障处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
139.如图3所示，本实施例所述的设备故障处理装置300包括：
140.数据获取模块301，用于从预设的数据库获取历史设备数据，其中，历史设备数据包括设备的正常运行状态数据、非正常运行状态数据和第一历史故障类型数据；
141.故障数据模块302，用于基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据；
142.数据构建模块303，用于基于历史设备故障数据和第一历史故障类型数据构建训练数据集；
143.模型训练模块304，用于通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型；
144.故障识别模块305，用于接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据；
145.故障处理模块306，用于基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。
146.进一步地，自然语言预训练模型基于transformer网络架构搭建，自然语言预训练模型包括编码层和解码层，模型训练模块304具体包括：
147.第一特征提取单元，用于对训练数据集中的历史设备故障数据进行特征提取和特征向量转化，得到历史特征向量；
148.第一编码单元，用于通过自然语言预训练模型的编码层对历史特征向量进行编码，得到历史编码向量；
149.第一空间映射单元，用于对历史编码向量进行空间映射，获取第一空间映射结果；
150.第一解码单元，用于通过自然语言预训练模型的解码层对第一空间映射结果进行解码，得到历史设备故障数据对应的第二历史故障类型数据；
151.模型迭代单元，用于基于第一历史故障类型数据和第二历史故障类型数据对自然语言预训练模型进行迭代，直至模型拟合，得到故障预测模型。
152.进一步地，模型迭代单元具体包括：
153.损失函数获取子单元，用于获取自然语言预训练模型的损失函数；
154.预测误差计算子单元，用于基于损失函数计算第一历史故障类型数据和第二历史故障类型数据之间的相对误差，得到预测误差；
155.预测误差传递子单元，用于在自然语言预训练模型中传递预测误差，并将预测误差与预设误差阈值比对；
156.模型迭代子单元，用于当预测误差大于预设误差阈值时，对自然语言预训练模型进行迭代更新，直至模型拟合，得到故障预测模型。
157.进一步地，自然语言预训练模型还包括自注意力层，模型训练模块304还包括：
158.第一权值获取单元，用于获取自注意力层的第一权值和第二权值，其中，第一权值为查询权值，第二权值为键权值；
159.第一赋权单元，用于利用第一权值对历史特征向量进行赋权，得到第一历史特征向量；
160.第二赋权单元，用于利用第二权值对历史特征向量进行赋权，得到第二历史特征向量；
161.第一点积运算单元，用于对第一历史特征和第二历史特征进行点积运算，得到历史点积特征向量；
162.向量导入单元，用于将历史点积特征向量导入自然语言预训练模型的编码层。
163.进一步地，模型训练模块304还包括：
164.尺度指标获取单元，用于获取预设的点积特征向量尺度指标；
165.特征向量调整单元，用于通过点积特征向量尺度指标对历史点积特征向量进行调整。
166.进一步地，模型训练模块304具体包括：
167.归一化单元，用于通过自然语言预训练模型的softmax函数对解码结果进行归一化，获得历史故障类型的概率分布；
168.第二权值获取单元，用于获取自注意力层的第三权值，其中，第三权值为值权值；
169.第三赋权单元，用于利用第三权值对历史特征向量进行赋权，得到第三历史特征向量；
170.第二点积运算单元，用于将第三历史特征向量与历史故障类型的概率分布进行点积运算，并将点积运算结果的最大值对应的故障类型数据作为第二历史故障类型数据。
171.进一步地，故障识别模块305具体包括：
172.指令接收单元，用于接收故障处理指令，并获取当前设备故障数据；
173.第二特征提取单元，用于对当前设备故障数据进行特征提取和特征向量转化，得到当前特征向量；
174.第二编码单元，用于通过故障预测模型的编码层对当前特征向量进行编码，得到当前编码向量；
175.第二空间映射单元，用于对当前编码向量进行空间映射，获取第二空间映射结果；
176.第二解码单元，用于通过故障预测模型的解码层对二空间映射结果进行解码，得到当前设备故障类型数据。
177.在上述实施例中，本技术公开了一种设备故障处理装置，属于人工智能技术领域。本技术基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据，基于历史设备故障数据和第一历史故障类型数据构建训练数据集，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据，基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。本技术通过训练故障预测模型来对识别设备故障类型，并通过设备故障类型来确定故障处理程序，由服务器自动执行故障处理程序来排出设备故障，提高了设备故障处理准确性和时效性，同时能够实现设备复杂故障的排除。
178.为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
179.所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，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。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
180.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人
机交互。
181.所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4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。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如设备故障处理方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
182.所述处理器42在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述设备故障处理方法的计算机可读指令。
183.所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
184.本技术公开了一种计算机设备，属于人工智能技术领域。本技术基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据，基于历史设备故障数据和第一历史故障类型数据构建训练数据集，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据，基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。本技术通过训练故障预测模型来对识别设备故障类型，并通过设备故障类型来确定故障处理程序，由服务器自动执行故障处理程序来排出设备故障，提高了设备故障处理准确性和时效性，同时能够实现设备复杂故障的排除。
185.本技术还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的设备故障处理方法的步骤。
186.本技术公开了一种存储介质，属于人工智能技术领域。本技术基于正常运行状态数据和非正常运行状态数据确定历史设备故障数据，基于历史设备故障数据和第一历史故障类型数据构建训练数据集，通过训练数据集对预设的自然语言预训练模型进行训练，得到故障预测模型，接收故障处理指令，并获取当前设备故障数据，将当前设备故障数据输入到故障预测模型，输出当前设备故障类型数据，基于当前设备故障类型数据在预设处理程序库中查找匹配的故障处理程序，并执行故障处理程序，输出故障处理结果。本技术通过训练故障预测模型来对识别设备故障类型，并通过设备故障类型来确定故障处理程序，由服务器自动执行故障处理程序来排出设备故障，提高了设备故障处理准确性和时效性，同时能够实现设备复杂故障的排除。
187.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
188.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
189.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。