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

技术特征：
1.一种设备故障处理方法，其特征在于，包括：从预设的数据库获取历史设备数据，其中，所述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；基于所述正常运行状态数据和所述非正常运行状态数据确定历史设备故障数据；基于所述历史设备故障数据和所述第一历史故障类型数据构建训练数据集；通过所述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，将所述当前设备故障数据输入到所述故障预测模型，输出当前设备故障类型数据；基于所述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，并执行所述故障处理程序，输出故障处理结果。2.如权利要求1所述的设备故障处理方法，其特征在于，所述自然语言预训练模型基于transformer网络架构搭建，所述自然语言预训练模型包括编码层和解码层，所述通过所述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：对所述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；通过所述自然语言预训练模型的编码层对所述历史特征向量进行编码，得到历史编码向量；对所述历史编码向量进行空间映射，获取第一空间映射结果；通过所述自然语言预训练模型的解码层对所述第一空间映射结果进行解码，得到所述历史设备故障数据对应的第二历史故障类型数据；基于所述第一历史故障类型数据和所述第二历史故障类型数据对所述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。3.如权利要求2所述的设备故障处理方法，其特征在于，所述基于所述第一历史故障类型数据和所述第二历史故障类型数据对所述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：获取所述自然语言预训练模型的损失函数；基于所述损失函数计算所述第一历史故障类型数据和所述第二历史故障类型数据之间的相对误差，得到预测误差；在所述自然语言预训练模型中传递所述预测误差，并将所述预测误差与预设误差阈值比对；若所述预测误差大于预设误差阈值，则对所述自然语言预训练模型进行迭代更新，直至模型拟合，得到所述故障预测模型。4.如权利要求2所述的设备故障处理方法，其特征在于，所述自然语言预训练模型还包括自注意力层，在所述对所述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：获取所述自注意力层的第一权值和第二权值，其中，所述第一权值为查询权值，所述第二权值为键权值；利用所述第一权值对所述历史特征向量进行赋权，得到第一历史特征向量；利用所述第二权值对所述历史特征向量进行赋权，得到第二历史特征向量；
对所述第一历史特征和所述第二历史特征进行点积运算，得到历史点积特征向量；将所述历史点积特征向量导入所述自然语言预训练模型的编码层。5.如权利要求4所述的设备故障处理方法，其特征在于，在对所述第一历史特征和所述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：获取预设的点积特征向量尺度指标；通过所述点积特征向量尺度指标对所述历史点积特征向量进行调整。6.如权利要求4所述的设备故障处理方法，其特征在于，通过所述自然语言预训练模型的解码层对所述第一空间映射结果进行解码，得到所述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：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；获取所述自注意力层的第三权值，其中，所述第三权值为值权值；利用所述第三权值对所述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所述第二历史故障类型数据。7.如权利要求1至6任意一项所述的设备故障处理方法，其特征在于，接收故障处理指令，并获取当前设备故障数据，将所述当前设备故障数据输入到所述故障预测模型，输出当前设备故障类型数据，具体包括：接收故障处理指令，并获取当前设备故障数据；对所述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；通过所述故障预测模型的编码层对所述当前特征向量进行编码，得到当前编码向量；对所述当前编码向量进行空间映射，获取第二空间映射结果；通过所述故障预测模型的解码层对所述二空间映射结果进行解码，得到所述当前设备故障类型数据。8.一种设备故障处理装置，其特征在于，包括：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，所述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；故障数据模块，用于基于所述正常运行状态数据和所述非正常运行状态数据确定历史设备故障数据；数据构建模块，用于基于所述历史设备故障数据和所述第一历史故障类型数据构建训练数据集；模型训练模块，用于通过所述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，将所述当前设备故障数据输入到所述故障预测模型，输出当前设备故障类型数据；故障处理模块，用于基于所述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，并执行所述故障处理程序，输出故障处理结果。9.一种计算机设备，其特征在于，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权利要求1至7中任一项所述的设备
故障处理方法的步骤。10.一种计算机可读存储介质，其特征在于，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权利要求1至7中任一项所述的设备故障处理方法的步骤。

技术总结
本申请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。本申请通过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，通过训练数据集训练故障预测模型，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。此外，本申请还涉及区块链技术，当前设备故障数据可存储于区块链中。本申请通过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。设备复杂故障的排除。设备复杂故障的排除。


技术研发人员：向旗 李晓菲 张敏
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2022.08.17
技术公布日：2022/11/11