机械部件故障预测方法、装置、电子设备及存储介质与流程

1.本技术涉及故障预测相关技术领域，具体涉及一种机械部件故障预测方法、装置、电子设备及存储介质。


背景技术：

2.随着科技的进步，越来越多的机械进入人们的生产生活。在这些机械的使用中，这些机械的一些机械部件可能会发生故障。当这些机械部件突然发生故障时，会极大的影响人们对于这些机械的使用。例如：若起重机的机械部件突然发生故障，会导致起重机无法正常使用，影响与其相关的一系列的生产计划。
3.但是，目前尚无切实可行的手段预测这些机械部件是否会发生故障。因此现在急需一种可以预测机械部件是否将会发生故障的手段。


技术实现要素：

4.有鉴于此，本技术的实施例致力于提供一种机械部件故障预测方法、装置、电子设备及存储介质，以预测未来一段时间之内机械部件是否会发生故障。
5.根据本技术实施例的第一方面，提供了一种机械部件故障预测方法，包括：
6.获取历史工况信息，所述历史工况信息包括：自所述机械部件被开始使用直至当前时刻的工况信息；
7.基于所述历史工况信息，提取机械部件的使用特征；所述使用特征用于表征所述机械部件的使用情况；
8.基于所述使用特征和故障预测模型，得到预测结果；
9.其中，所述故障预测模型是对预先搭建的机器学习模型进行训练得到的，用于根据机械部件的使用特征，预测自当前时刻开始的预设时间段内所述机械部件是否会发生故障的模型。
10.在一个实施例中，所述故障预测模型的训练过程，包括：
11.获取第一预设数量的样本使用特征和与每一样本使用特征对应的样本标识作为训练样本；
12.其中，所述样本标识用于表征所述样本使用特征对应的机械部件，在目标时间段内，是否发生故障；所述目标时间段指的是提取所述样本使用特征的样本历史工况信息对应的时间之后的预设时间段；
13.基于所述训练样本，对预先搭建的机器学习模型进行训练，得到故障预测模型。
14.在一个实施例中，所获取第一预设数量的样本使用特征和与每一样本使用特征对应的样本标识作为训练样本，包括：
15.获取多组样本历史工况信息和每一组所述样本历史工况信息对应的机械部件是否发生故障的信息；
16.其中，每一组所述样本历史工况信息包括一个机械部件的使用过程中，产生的用
于表征工况信息的数据；
17.确定所述样本历史工况信息中与所述机械部件是否故障相关的数据为目标数据；
18.针对每一组所述历史工况信息，基于所述目标数据，提取样本使用特征；
19.针对每一个样本使用特征，确定所述样本使用特征对应的样本标识。
20.在一个实施例中，所述确定所述样本历史工况信息中与所述机械部件是否故障相关的数据为目标数据，包括：
21.获取样本历史工况信息的相关度信息，基于所述相关度信息，确定所述样本历史工况信息中与所述机械部件是否故障相关的数据为目标数据，其中，所述相关度信息包括用于指示相关人员输入的所述样本历史工况信息中与所述机械部件是否故障相关的数据的信息；或，
22.计算所述样本历史工况信息中的数据与所述机械部件是否故障的相关系数，基于所述相关系数，确定所述样本历史工况信息中与所述机械部件是否故障相关的数据为目标数据。
23.在一个实施例中，所述基于所述目标数据，提取样本使用特征，包括：
24.针对每一个基础时间段，汇总基础时间段对应的目标数据，得到基础时间段对应的工况信息；所述基础时间段是将所述机械部件的使用时间段分割为首尾相连的预设时间长度的段落得到的；
25.针对每一个基础时间段，确定以所述机械部件开始使用的时刻为开始，以该基础时间段的结束时刻为结束的特征提取时间段；
26.针对每一个特征提取时间段，确定所述特征提取时间段包含的基础时间段为目标基础时间段，对目标基础时间段的对应的工况信息进行特征提取和汇总，得到样本使用特征。
27.在一个实施例中，还包括：对故障预测模型进行评估，得到评估指数；
28.判断所述评估指数是否达到预设指标；
29.若所述评估指数未达到预设指标，则重新训练所述故障预测模型。
30.在一个实施例中，所述基于所述历史工况信息，提取机械部件的使用特征，包括：
31.针对每一基础时间段，汇总基础时间段内的历史工况信息，得到基础时间段对应的工况信息；所述基础时间段是将所述机械部件的使用时间段分割为首尾相连的预设时间长度的段落得到的；
32.汇总各个基础时间段的对应的工况信息，并进行特征提取，得到使用特征。
33.根据本技术实施例的第二方面，提供了一种机械部件故障预测装置，包括：
34.获取模块，用于获取历史工况信息，所述历史工况信息包括：自所述机械部件被开始使用直至当前时刻的工况信息；
35.提取模块，用于基于所述历史工况信息，提取机械部件的使用特征；所述使用特征用于表征所述机械部件的使用情况；
36.输入模块，用于基于所述使用特征和故障预测模型，得到预测结果；
37.其中，所述故障预测模型是对预先搭建的机器学习模型进行训练得到的，用于根据机械部件的使用特征，预测自当前时刻开始的预设时间段内所述机械部件是否会发生故障的模型。
38.在一个实施例中，机械部件故障预测装置还包括：用于训练所述故障预测模型的训练模块；
39.所述训练模块具体用于：获取第一预设数量的样本使用特征和与每一样本使用特征对应的样本标识作为训练样本；其中，所述样本标识用于表征所述样本使用特征对应的机械部件，在目标时间段内，是否发生故障；所述目标时间段指的是提取所述样本使用特征的样本历史工况信息对应的时间之后的预设时间段；基于所述训练样本，对所述机器学习模型进行训练，得到所述故障预测模型。
40.根据本技术实施例的第三方面，提供了一种电子设备，包括：
41.处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一项实施例所述的方法。
42.根据本技术实施例的第四方面，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上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上述任一项实施例所述的方法。
43.本技术的实施例所提供的一种机械部件故障预测方法中，首先获取历史工况信息，历史工况信息包括：自机械部件被开始使用直至当前时刻的工况信息，其中，历史工况信息可以反映出机械部件的累积使用情况，之后基于历史工况信息，提取机械部件的使用特征，并将使用特征输入预先训练的故障预测模型，得到预测结果；其中，预测结果用于指示自当前时刻开始的预设时间段内机械部件是否会发生故障。如此设置，可以基于机械部件的全部实际历史使用情况，借助故障预测模型，对机械部件在未来一段时间之内是否会发生故障进行预测。
附图说明
44.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
45.图1所示为本技术一个实施例提供的机械部件故障预测方法的流程示意图。
46.图2所示为本技术一个实施例提供的机械部件故障预测方法的流程示意图。
47.图3所示为本技术一个实施例提供的机械部件故障预测方法的部分流程示意图。
48.图4所示为本技术一个实施例提供的机械部件故障预测方法中的时间划分示意图。
49.图5所示为本技术一个实施例提供的机械部件故障预测方法的部分流程示意图。
50.图6所示为本技术一个实施例提供的机械部件故障预测装置的框图。
51.图7所示为本技术一个实施例提供的电子设备的结构框图。
具体实施方式
52.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。
53.申请概述
54.随着科技的进步，越来越多的机械进入人们的生产生活。在这些机械的使用中，这些机械的一些机械部件可能会发生故障。当这些机械部件突然发生故障时，会极大的影响人们对于这些机械的使用。例如：若起重机的机械部件突然发生故障，会导致起重机无法正常使用，影响与其相关的一系列的生产计划。其中，起重机的机械部件可以但不限于为取力传动轴。但是，目前尚无切实可行的手段，以预测这些机械部件是否会发生故障。因此现在急需一种可以预测机械部件是否将会发生故障的手段。
55.为了解决上述问题，本技术实施例，基于设备的机械部件是否发生故障与设备的具体使用情况具有强相关的特征，采集大量的设备使用中的历史工况数据，以基于设备的历史工况数据表征设备的机械部件的具体累积使用情况，基于设备的累积使用情况，利用预先训练的模型，预测机械部件在未来的一段时间之内是否会发生故障。
56.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
57.示例性方法
58.图1所示为本技术一个实施例提供的机械部件故障预测方法的流程示意图，如图1所示，该方法包括如下内容。
59.s110，获取历史工况信息，历史工况信息包括：自机械部件被开始使用直至当前时刻的工况信息。
60.需要说明的是，工况信息指的是与机械相关的可以被获取并确定的全部信。对于一个设备而言，设备的工况信息包括：设备采集的各种信息和设备的各种指令。机械的使用情况指的是在机械的使用中寿命造成影响的各种情况。对于一个机械部件而言，其被使用时，一般是被安装在设备上的，这种情况下设备的历史工况信息就可以看作机械部件的历史工况信息。例如：取力传动轴作为一个机械部件，一般被安装在起重机上。在起重机的使用中，取力传动轴起到了对力的传动的作用。起重机的历史工况信息便可以看作该取力传动轴的历史工况信息。进一步的，设备一般具有采集自己的历史工况信息的功能，因此可以直接获取设备自己采集的历史工况信息。依然以被安装在起重机上的取力传动轴为例进行说明，自机械部件被开始使用直至当前时刻的工况信息，包括：自取力传动轴被安装在起重机上开始至当前时刻，起重机的随车传感器t-box采集的与该取力传动轴相关的ecu数据。
61.s120，基于历史工况信息，提取机械部件的使用特征；使用特征用于表征机械部件的使用情况；
62.需要说明的是，在获取的历史工况信息中存在大量的无用信息，和离散的信息。因此直接使用历史工况信息进行预测，不仅仅会导致数据量过大，还会因为数据比较离散导致机器学习模型不易从中提取出与机械部件是否故障相关的知识，导致预测效率低，预测结果准确率低等问题，因此通过步骤120，基于历史工况信息，提取机械部件的使用特征，通过使用特征表征机械部件的使用情况，输入模型进行预测，可以减少模型的负担，提高预测的效率和准确率。
63.s130，将使用特征输入故障预测模型，得到预测结果。
64.其中，故障预测模型是对预先搭建的机器学习模型进行训练得到的，用于根据机
械部件的使用特征，预测自当前时刻开始的预设时间段内机械部件是否会发生故障的模型。
65.通过上述步骤，可以基于机械部件的全部实际历史使用情况，借助故障预测模型，对机械部件在未来一段时间之内是否会发生故障进行预测，进而为设备的使用规划带来便利。
66.需要说明的是，在本技术提供的方案中，需要借助预先训练得到的故障预测模型，进行预测。故障预测模型的训练效果，决定了进行预测时，预测结果的正确率。参照图2，故障预测模型的训练过程可以包括：
67.s210，获取第一预设数量的样本使用特征和与每一样本使用特征对应的样本标识作为训练样本。
68.其中，样本标识用于表征样本使用特征对应的机械部件，在目标时间段内，是否发生故障；目标时间段指的是提取样本使用特征的样本历史工况信息对应的时间之后的预设时间段。
69.例如：在一个起重机的使用过程中，取力传动轴可能会坏掉，此时可以选取该取力传动轴在被安装在该起重机上并使用开始，至该取力传动轴故障的时间段内的起重机的工况信息，以基于这些信息反映该取力传动轴的使用情况。需要说明的是，基于机械部件对应的设备不同，提取的工况信息不同，在此仍以安装于起重机的取力传动轴为例进行说明：历史工况信息包括起重机随车传感器采集的大量ecu数据。具体的，历史工况信息包括：上车工作时间、发动机转速、发动机输出扭矩、上车取力信号等数据。需要说明的是，也可以采集在取力传动轴未发生故障的起重机的使用过程产生的历史工况数据，以生成对应的使用特征。
70.s220，基于训练样本，对预先搭建的机器学习模型进行训练，得到故障预测模型。
71.需要说明的是，预先搭建的机器学习模型可以为lightgbm模型。当然，机器学习模型也可以是其他机器学习模型。本技术实施例中的机器学习模型的核心是接受训练，之后完成预测。因此，预先搭建的机器学习模型可以是基于其它机器学习算法或者多个算法模型的组合搭建的。
72.进一步的，为了使得训练得到的故障预测模型有较高的预测准确率，可以对故障预测模型进行评估，若故障预测模型的预测效果较差，则可以对故障预测模型进行重新训练。具体的，参照图2，评估的相关过程如下：
73.s230，对故障预测模型进行评估，得到评估指数。
74.需要说明的是，在对故障预测模型进行评估时，模拟通过故障预测模型进行预测。构建与实际应用中分布类似的使用特征集合数据，这一部分使用特征集合数据具有对应的预测结果标识，之后将这一部分特征集合数据输入故障预测模型得到预测结果，将预测结果和预测结果标识进行比对，并汇总比对结果得到用于表征预设是否准确的评估指数。
75.s240，判断评估指数是否达到预设指标。
76.s250，若评估指数未达到预设指标，则重新训练故障预测模型。
77.若评估指数未达到预设指标，则说明当前的故障预测模型并不能达到预期的预测效果，需要对故障预测模型重新训练，直至训练后的故障预测模型具有较高的预测准确率。
78.基于上述步骤可以完成对于故障预测模型的训练，并对训练后的故障预测模型进
行评估，若故障预测模型的训练效果不理想，则对故障预测模型进行重新训练，以保证在进行实际的预测时，故障预测模型可以具有较高的预测准确率。
79.具体的，由于机械部件的历史工况信息一般比较复杂，因此“获取第一预设数量的样本使用特征和与每一样本使用特征对应的样本标识作为训练样本”是一个复杂的过程。具体的，参照图3，步骤s210可以包括：
80.s211，获取多组样本历史工况信息和每一组样本历史工况信息对应的机械部件是否发生故障的信息。
81.具体的，获取机械部件的历史工况信息作为样本历史工况信息。一个机械部件对应的历史工况信息为一组样本历史工况信息：以起重机的取力传动轴为例进行说明：首先依据用户售后故障信息提取由于高负荷及未及时保养导致的取力传动轴断裂故障的故障设备清单，并从对应的起重机随车传感器采集的大量ecu数据(如上车工作时间、发动机转速、发动机输出扭矩、上车取力信号等数据)，截取故障设备从出厂时间或者上一次更换时间到故障发生时间的历史ecu数据作为样本历史工况信息。由于故障发生时的设备状态为故障状态，若定义可预测周期为一个月，则再从历史ecu数据中截取出厂时间或者上一次维保时间到故障发生前一个月的ecu数据作为预测未来一个月设备是否发生故障的数据依据。通过从截止故障发生前一个月的ecu数据中提取的上车作业工况的历史统计特征来表征设备截至当前的使用状态。
82.s212，确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据；
83.在实际应用中，由于样本历史工况信息包含大量的各个种类的数据，其中，一部分数据与机械部件是否发生故障不相关，或者基本不相关，对于这一部分的数据可以进行剔除，仅仅利用与机械部件是否发生故障相关的数据作为目标数据，参与之后的流程。
84.以取力传动轴为例：按照发动机转速和发动机输出扭矩进行工况区间的分区统计，起重机上车作业根据转速、扭矩范围可分为常用工况区间(转速为600至900rpm，且扭矩为0-800n.m)以及大转速和高扭矩工况区间(转速大于900rpm或扭矩大于800n.m)。根据取力传动轴故障车的历史转速扭矩热力汇总结果显示，故障车更倾向在大转速和高扭矩区间上具有较大的工作时长占比，上述汇总结果说明转速、扭矩范围是与机械部件是否发生故障相关的数据。因此，在确定目标数据时，可以将按照转速扭矩的分区间统计数据作为目标数据的一部分数据。
85.具体的，“确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据”的具体方式可以包括如下两种：
86.其中一种方式为：获取样本历史工况信息的相关度信息，基于相关度信息，确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据，其中，相关度信息包括用于指示相关人员输入的样本历史工况信息中与机械部件是否故障相关的数据的信息。上述方式，需要相关工作人员的参与，由相关工作人员确定数据是否与机械部件故障相关，确定数据是否应该被用于进行机械部件的预测。这种方式下，借助相关工作人员的经验，可以快速的完成目标数据的确定。
87.以取力传动轴为例，根据取力传动轴疲劳故障机理分析可得，在油泵取力、试压块工况，起钩、落钩以及油门瞬间加大、减小时产生的瞬时冲击负荷及持续高载荷下，取力传动轴易出现早期疲劳及扭曲变形，以及十字节温度升高，从而加剧取力传动轴十字节的磨
损断裂。因此，瞬时冲击工况的频次、发动机高转速大转速工况区间下的上车取力工作时长以及该区间扭矩的统计均值、上车工作时发动机功率的均值、中位数和累计值等这些数据均与取力传动轴是否故障有关，基于此，相关工作人员可以通过输入相关度信息的方式，指示与是否故障相关的数据，以便于通过上述不同维度的工况对目标基础时间段的对应的工况信息进行特征提取统计特征来描述取力传动轴的负荷状态。
88.另一种方式为：计算样本历史工况信息中的数据与机械部件是否故障的相关系数，基于相关系数，确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据。上述方式是，通过计算相关系数的方式反映数据是否与机械部件的故障相关。这种方式下，可以避免确定目标数据时，人为因素对于确定结果的影响，通过现有的计算相关系数的策略去确定目标数据，使得确定的目标数据更加的客观准确。
89.s213，针对每一组历史工况信息，基于目标数据，提取样本使用特征；
90.需要说明的是，针对每一组历史工况信息，基于目标数据，可以提取多组样本使用特征；
91.在具体的应用中，“基于目标数据，提取样本使用特征”可以包括：
92.首先，针对每一个基础时间段，汇总基础时间段对应的目标数据，得到基础时间段对应的工况信息；基础时间段是将机械部件的使用时间段分割为首尾相连的预设时间长度的段落得到的；需要说明的是，在目标数据中，一部分的数据十分的离散，为了汇总这一部分离散的数据，可以优先将机械部件的使用时间段分割为首尾相连的预设时间长度的段落，得到多个基础时间段。之后对每个基础时间段组内的离散数据进行汇总，之后对基于各个基础时间段进行数据的汇总，以便于汇总这些离散的数据。
93.以起重机的取力传动轴为例：由于起重机具有非规律性、非连续性等作业特点，对于目标数据的统计的时间尺度不宜太小，同理预测预设时间段的时间尺度不宜太小。对于目标数据的统计的时间尺度即基础时间段的长度可以为10天、15天、20天或30天。预设时间段的长度可以为20天或30天。需要说明的是，预设时间段的时间长度需要大于或等于基础时间段的长度。
94.具体的，对于时间的划分可以参照图4，目标数据对应的总时间为“机械部件开始被使用的时刻”至“故障时刻”的时间，这一部分时间被划分为7个基础时间段和部分剩余时间(为了便于理解，图4中将这一部分剩余时间补足为基础时间段8)。
95.之后，针对每一个基础时间段，确定以机械部件开始使用的时刻为开始，以该基础时间段的结束时刻为结束的特征提取时间段；
96.以图4中的例子进行说明：特征提取时间段包括：由“基础时间段1”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段2末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段3末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段4末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段5末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段6末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段7末端时刻”构成的特征提取时间段。如此设置可以基于同一组历史工况数据，确定出多个特征提取时间段，之后基于每一个特征提取时间段提取一个样本使用特征。需要说明的是，为了减少训练数据，可以仅仅放弃部分特征提取时间段例如：由“基础时间段1”构成的特征提
取时间段；由“基础时间段1开始时刻”至“基础时间段2末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段3末端时刻”构成的特征提取时间段。这一部分特征提取时间段较短，提取的使用特征，对于预测机械部件是否故障并没有太大的指导作用，因此可以放弃。
97.之后，针对每一个特征提取时间段，确定特征提取时间段包含的基础时间段为目标基础时间段，对目标基础时间段对应的工况信息进行特征提取和汇总，得到样本使用特征。
98.以图4中的例子进行说明：由“基础时间段1开始时刻”至“基础时间段6末端时刻”构成的特征提取时间段包括的目标基础时间段为：基础时间段1、基础时间段2、基础时间段3、基础时间段4、基础时间段5和基础时间段6。
99.以起重机的取力传动轴为例进行说明，分别计算每辆车每个基础时间段在各区间的作业时长占比、发动机输出扭矩平均值以及标准差、转速平均值以及标准差。同时，计算每辆车每个基础时间段的功率总和、功率均值和功率标准差。然后，对每辆车分基础时间段计算的特征进行合并：构造整个生命周期上的累计特征：瞬时冲击工况的频次的累计值，累计上车工作时间，功率总和。同时，计算瞬时冲击工况的频次的累计值，功率总和与累计上车工作时间的比值得到累计特征。
100.s214，针对每一个样本使用特征，确定样本使用特征对应的样本标识。
101.下面仍以图4为例进行说明，基于图4中，预设时间段的指示范围可以确定，由“基础时间段1开始时刻”至“基础时间段2末端时刻”构成的特征提取时间段之后预设时间段内未发生故障，因此该特征提取时间段提取的使用特征对应的样本标识用于表示未来预设时间段内未发生故障；由“基础时间段1开始时刻”至“基础时间段3末端时刻”构成的特征提取时间段之后预设时间段内未发生故障，因此该特征提取时间段提取的使用特征对应的样本标识用于表示未来预设时间段内未发生故障；由“基础时间段1开始时刻”至“基础时间段4末端时刻”构成的特征提取时间段之后预设时间段内未发生故障，因此该特征提取时间段提取的使用特征对应的样本标识用于表示未来预设时间段内未发生故障；由“基础时间段1开始时刻”至“基础时间段5末端时刻”构成的特征提取时间段之后预设时间段内未发生故障，因此该特征提取时间段提取的使用特征对应的样本标识用于表示未来预设时间段内未发生故障；由“基础时间段1开始时刻”至“基础时间段6末端时刻”构成的特征提取时间段之后预设时间段内发生故障，因此该特征提取时间段提取的使用特征对应的样本标识用于表示未来预设时间段内发生故障；由“基础时间段1开始时刻”至“基础时间段7末端时刻”构成的特征提取时间段之后预设时间段内发生故障，因此该特征提取时间段提取的使用特征对应的样本标识用于表示未来预设时间段内发生故障。
102.需要说明的是，还可以基于始终未发生故障的机械部件提取使用特征。具体的，参考图4，若图4中的故障时刻指示的时刻为当前时刻而非故障时刻：可以选取由“基础时间段1”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段2末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段3末端时刻”构成的特征提取时间段；由“基础时间段1开始时刻”至“基础时间段4末端时刻”构成的特征提取时间段；和，由“基础时间段1开始时刻”至“基础时间段5末端时刻”构成的特征提取时间段进行使用特征的提取，提取出的使用特征对应的样本标识用于表示未来预设时间段内未发生故障。
103.对同一型号设备均提取上述的统计特征，基于对应标识为未来预设时间段内发生故障的使用特征形成故障特征矩阵其中，m为特征参数数量，n为故障设备的样本数量。同理，基于对应标识为未来预设时间段内未发生故障的使用特征形成正常特征矩阵其中，m为特征参数数量，k为非故障设备的样本数量。
104.在实际执行模型的训练时，可以将特征矩阵x和x0与对应预测标签(故障或非故障)输入lightgbm模型中进行训练，该决策树模型会依据特征矩阵以及对应的预测标签，筛选出最能区分不同预测标签的样本特征并计算得到相应特征的分类阈值，最终基于当前训练样本数据生成可以分类不同预测标签的样本的决策树，该决策树就能作为预测设备取力传动轴未来一段时间内是否发生故障的预测规则。具体的，模型会针对故障标签输出预测概率，因此可以设置概率阈值，当故障发生概率大于判别阈值时，预判测试样本为故障车，反之为非故障车。为了使得最终的预测效果能达到最优，需要通过寻优算法对概率阈值进行寻优，得到最佳概率阈值。
105.参照图5，结合起重机的取力传动轴对本技术提供的机械部件故障预测方法进行进一步的说明。需要说明的是，图5所示的方案主要分为两个大部分，一个是故障预测模型的训练和确定(详见图5中的步骤s501至s506)，一个是利用确定的故障预测模型对机械部件(取力传动轴)进行预测，预测自当前时刻开始的预设时间段内机械部件是否会发生故障(详见图5中的步骤s501至s508)。具体的，机械部件故障预测方法可以包括：
106.s501，获取样本历史工况数据。
107.具体的，批量获取取力传动轴的历史工况数据。
108.s502，对历史工况数据进行数据清洗。
109.需要说明的是，数据清洗的过程包括：去除历史工况数据中的明显不合理的数据，对数据进行归一化处理，确定目标数据等操作，以便于下面的步骤中对于历史工况数据的调用。
110.s503，基于历史工况数据提取使用特征和与使用特征对应的样本标识作为训练数据。
111.需要说明的是，“基于历史工况数据提取使用特征和与使用特征对应的样本标识”的具体过程可以参照前文中相关表述。
112.s504，基于训练数据对预先构建的机器学习模型进行训练，得到故障预测模型。
113.需要说明的是，“基于训练数据对预先构建的机器学习模型进行训练，得到故障预测模型”的具体过程可以参照前文中相关表述。
114.s505，计算得到故障预测模型的评估指数。
115.具体的，计算过程包括：通过混淆矩阵，确定准确率、召回率和综合评价指标；其中，准确率precision＝tp/(tp+fp)，召回率recall＝tp/(tp+fn)，以及综合评价指标fβ＝(1+β2)*precision*recall/(β2*precision)+recall(β取1-5，其中，tp：真正例；fp：假正例；
fn：假反例；tn真反例)来对模型结果进行评估。综合评价指标fβ是准确率与召回率的加权调和平均值，能够综合权衡准确率与召回率对模型结果进行全面的评价。因此，综合评价指标可以作为评估指数；由于故障预测算法需要在保证一定准确率下，预测出尽可能多的故障车，因此需要模型具有较高的召回率，通过调节权重β值，使得召回率对fβ指标的影响权重更高。
116.其中，混淆矩阵如下表所示：
[0117][0118]
s506，判断评估指数是否满足要求。
[0119]
即：通过综合评价指标是否满足要求，来确定预测结果是否可以使用，当预测结果不可用时，重新执行步骤s502至步骤s506，直至综合评价指标满足要求，说明此时故障预测模型的预测结果比较贴合实际情况，对车辆在预设时间之内是否会发生故障的预测结果具有较高的可信度。
[0120]
进一步的，在重新执行步骤s502至步骤s506的过程中，可以修改对于历史工况数据数据清洗的流程，还可以修改确定相关数据的策略，以使得得到的故障预测模型的预测结果更加的准确。
[0121]
s507，获取待预测目标的工况数据。
[0122]
需要说明的是，此处获取待预测目标的工况数据时采取的策略，应该与进行模型的训练时采用的策略相对应。
[0123]
s508，基于工况数据，提取机械部件的使用特征。
[0124]
需要说明的是，此处获取待预测目标的工况数据时采取的策略，应该与进行模型的训练时采用的策略相对应。
[0125]
具体的，针对每一基础时间段，汇总基础时间段内的历史工况信息，得到基础时间段对应的工况信息；基础时间段是将机械部件的使用时间段分割为首尾相连的预设时间长度的段落得到的；汇总各个基础时间段的对应的工况信息，并进行特征提取，得到使用特征。如此，采用与训练模型时对应的策略进行使用特征的提取，可以得到与训练时对应的使用特征，使得用于预测的使用特征与故障预测模型相匹配。
[0126]
s509，将使用特征输入故障预测模型得到预测结果；
[0127]
基于上述方案，可以得到机械部件在未来一段时间是否会发生故障的预测结果，以便于基于预测结果安排设备的工作，使得当设备的机械部件突发故障时，可以及时的处理，不影响整体的效率。以起重机的取力传动轴为例，如果预测到部分的起动机在下一个月份，会发生故障，那么可以提前调配其他的起重机在该起重机故障时，替换该起重机工作，或提前准备取力传动轴，以便于对该起重机进行及时维修。
[0128]
示例性装置
[0129]
本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0130]
图6所示为本技术一个实施例提供的机械部件故障预测装置的框图。如图6所示，
该装置包括：
[0131]
获取模块601，用于获取历史工况信息，历史工况信息包括：自机械部件被开始使用直至当前时刻的工况信息；
[0132]
提取模块602，用于基于历史工况信息，提取机械部件的使用特征；使用特征用于表征机械部件的使用情况；
[0133]
输入模块603，用于将使用特征输入故障预测模型，得到预测结果；
[0134]
其中，故障预测模型是对预先搭建的机器学习模型进行训练得到的，用于根据机械部件的使用特征，预测自当前时刻开始的预设时间段内机械部件是否会发生故障的模型。
[0135]
在一个实施例中，还包括训练模块，用于完成故障预测模型的训练；训练模块具体用于：
[0136]
获取第一预设数量的样本使用特征和与每一样本使用特征对应的样本标识作为训练样本；
[0137]
其中，样本标识用于表征样本使用特征对应的机械部件，在目标时间段内，是否发生故障；目标时间段指的是提取样本使用特征的样本历史工况信息对应的时间之后的预设时间段；
[0138]
基于训练样本，对预先搭建的机器学习模型进行训练，得到故障预测模型。
[0139]
在一个实施例中，训练模块具体执行“所获取第一预设数量的样本使用特征和与每一样本使用特征对应的样本标识作为训练样本”时具体用于：
[0140]
获取多组样本历史工况信息和每一组样本历史工况信息对应的机械部件是否发生故障的信息；
[0141]
其中，每一组样本历史工况信息包括一个机械部件的使用过程中，产生的用于表征工况信息的数据；
[0142]
确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据；
[0143]
针对每一组历史工况信息，基于目标数据，提取样本使用特征；
[0144]
针对每一个样本使用特征，确定样本使用特征对应的样本标识。
[0145]
训练模块执行“确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据”时具体用于：
[0146]
获取样本历史工况信息的相关度信息，基于相关度信息，确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据，其中，相关度信息包括用于指示相关人员输入的样本历史工况信息中与机械部件是否故障相关的数据的信息；或，
[0147]
计算样本历史工况信息中的数据与机械部件是否故障的相关系数，基于相关系数，确定样本历史工况信息中与机械部件是否故障相关的数据为目标数据。
[0148]
在一个实施例中，训练模块执行“基于目标数据，提取样本使用特征”时，具体用于：
[0149]
针对每一个基础时间段，汇总基础时间段对应的目标数据，得到基础时间段对应的工况信息；基础时间段是将机械部件的使用时间段分割为首尾相连的预设时间长度的段落得到的；
[0150]
针对每一个基础时间段，确定以机械部件开始使用的时刻为开始，以该基础时间
段的结束时刻为结束的特征提取时间段；
[0151]
针对每一个特征提取时间段，确定特征提取时间段包含的基础时间段为目标基础时间段，对目标基础时间段的对应的工况信息进行特征提取和汇总，得到样本使用特征。
[0152]
在一个实施例中，还包括评估模块，用于对故障预测模型进行评估，得到评估指数，判断评估指数是否达到预设指标，若评估指数未达到预设指标，则重新训练故障预测模型。
[0153]
在一个实施例中，提取模块具体用于：
[0154]
针对每一基础时间段，汇总基础时间段内的历史工况信息，得到基础时间段对应的工况信息；基础时间段是将机械部件的使用时间段分割为首尾相连的预设时间长度的段落得到的；
[0155]
汇总各个基础时间段的对应的工况信息，并进行特征提取，得到使用特征。
[0156]
示例性电子设备
[0157]
参见图7，图7为本发明实施例提供的电子设备的结构框图，参见图7所示，可以包括：至少一个处理器710，至少一个通信接口720，至少一个存储器730和至少一个通信总线740。
[0158]
在本发明实施例中，处理器710、通信接口720、存储器730、通信总线740的数量为至少一个，且处理器710、通信接口720、存储器730通过通信总线740完成相互间的通信；显然，图7所示的处理器710、通信接口720、存储器730和通信总线740所示的通信连接示意仅是可选的。
[0159]
处理器710可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术提供的机械部件故障预测方法的一个或多个集成电路。
[0160]
存储器730，存储有应用程序，可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0161]
其中，处理器710具体用于执行存储器内的应用程序，以实现上述机械部件故障预测方法的任一实施例。
[0162]
示例性计算机程序产品和计算机可读存储介质
[0163]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的机械部件故障预测方法中的步骤。
[0164]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0165]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的机械部件故障预测方法中的步骤。
[0166]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
[0167]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。