用于确定故障的解决方案的方法、处理器及装置与流程

1.本技术涉及工程机械领域，具体地，涉及一种用于确定故障的解决方案的方法、处理器、装置及存储介质。


背景技术：

2.工程机械行业产品的使用人员通常是工程机械的操作机手。当产品故障时，需要机手们自行对报修的故障进行描述。但根据机手们针对故障的描述很难诊断出发生故障的原因，也很难确定针对该故障的解决方案。因此，现有技术中基本上不会进行故障预诊断，而是在报修热线接到报修电话(故障报修单)后，由接线员录入故障信息并派下服务单、维修单，由维修人员上门诊断、维修。这种方式导致维修人员需要上门对故障原因进行诊断后再进行维修，难以一次性解决工程机械的故障，使得维修人员的“首次故障解决率”较低，极大的影响客户工期，带来额外经济损失。


技术实现要素：

3.本技术的目的是提供一种通过对语音进行识别、关联工程机械工况数据，从而对工程机械的故障原因进行判断并给出推荐的解决方案的一种用于确定故障的推荐解决方案的方法、处理器、装置及存储介质。
4.为了实现上述目的，本技术提供一种用于确定故障的解决方案的方法，应用于工程机械，方法包括：
5.获取待识别的语音数据以及工程机械在与语音数据对应的预设时间段内的工况数据，语音数据是在工程机械发生故障的情况下产生的；
6.对语音数据进行语音识别以确定对应的文本内容，根据文本内容生成报修数据集；
7.对报修数据集进行分词操作以获取报修数据集中的故障词汇，并使用词向量表征故障词汇，以确定报修数据集的故障类型；
8.将故障类型与工况数据输入至故障预诊断模型，通过故障预诊断模型确定工程机械的故障原因；
9.根据故障原因确定针对工程机械的推荐解决方案。
10.在本技术的实施例中，获取工程机械的多个历史故障数据，多个历史故障数据包括多种历史故障类型、与每种历史故障类型对应的历史工况数据和历史故障原因以及工程机械的主机信息；对多个历史故障数据进行预处理以确定样本数据；针对样本数据使用预设算法分别确定与每个主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。
11.在本技术的实施例中，对多个历史故障数据进行预处理以确定样本数据包括：对历史故障数据进行检测；通过离点群判断方法剔除历史故障数据中的异常值；将历史故障数据中的缺失数据进行删除和/或插补；将完成数据删除和/或插补的历史故障数据划分为样本训练数据集与样本测试数据集，以对每个主机信息对应的诊断模型进行训练以及测
试。
12.在本技术的实施例中，针对样本数据使用预设算法分别确定与每个主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数包括：确定与每个主机信息对应的多个待训练的诊断模型，其中，待训练的诊断模型包括随机森林模型、gbdt模型、adaboost模型、xgboost模型中至少一者；将样本训练数据集中的与每个主机信息对应的历史故障类型以及与历史故障类型对应的历史工况数据作为输入信息输入多个待训练的诊断模型；将每个待训练的诊断模型输出的预测故障原因与历史故障原因进行比对；根据比对结果对每个待训练的诊断模型的模型参数进行调整，以对每个待训练的诊断模型进行训练，并确定每个训练完成的诊断模型的准确率；将全部准确率中数值最大的准确率所对应的诊断模型以及模型参数确定为与主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。
13.在本技术的实施例中，对报修数据集进行分词操作以获取报修数据集中的故障词汇包括：对报修数据集进行筛选和清洗以确定报修数据集中的故障词汇，其中故障词包括故障现象及故障部件；对报修数据集进行分词操作以将报修数据集中的故障词汇进行切分，以获取报修数据集中的故障词汇。
14.在本技术的实施例中，根据故障原因确定针对工程机械的推荐解决方案包括：将故障原因输入故障知识库；根据故障知识库确定与故障原因对应的多种维修方案；获取每种维修方案的故障解决率，将故障解决率最高的维修方案确定为针对工程机械的推荐解决方案。
15.在本技术的实施例中，方法还包括：获取实际解决方案；确定实际解决方案与推荐解决方案的相似度；在相似度大于或等于第一数值的情况下，将相似度的数值作为推荐解决方案的评分输入故障知识库；在相似度小于第二数值的情况下，将实际解决方案输入故障知识库，以对故障知识库进行更新。
16.本技术第二方面提供了一种处理器，被配置成执行上述中任意一项的用于确定故障的解决方案的方法。
17.本技术第三方面提供了一种用于确定故障的解决方案的装置，装置包括：
18.语音识别模块，被配置为对语音数据进行语音识别；
19.向量化模块，被配置为使用词向量表征故障词汇；
20.故障分类模块，被配置为确定报修数据集的故障类型；
21.维修方式匹配模块，被配置为确定故障原因对应的推荐解决方案。
22.在本技术的实施例中，装置还包括：数据清洗模块，被配置为对报修数据集进行筛选和清洗；维修反馈模块，被配置为根据实际解决方案对数据知识库进行更新；数据存储模块，被配置为存储数据、故障预诊断模型以及数据知识库。
23.本技术第四方面提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器执行上述任意一项的用于确定故障的解决方案的方法。
24.通过上述技术方案，可以通过对语音数据进行识别，结合工程机械工况数据，从而对故障现象进行初步处理，并给出推荐的解决方案，使得维修人员可以根据推荐的解决方案进行维修前准备，提升了故障一次性解决率，降低了故障的处理时长。
25.本技术的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
26.附图是用来提供对本技术的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术，但并不构成对本技术的限制。在附图中：
27.图1示意性示出了根据本技术实施例的用于确定故障的推荐解决方案的装置的结构框图；
28.图2示意性示出了根据本技术实施例的用于确定故障的推荐解决方案的方法的流程示意图；
29.图3是示意性示出了根据本技术实施例的计算机设备的内部结构图。
具体实施方式
30.以下结合附图对本技术的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术，并不用于限制本技术。
31.需要说明，若本技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
32.另外，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
33.在一个实施例中，如图1所示，示意性示出了根据本技术实施例的用于确定故障的推荐解决方案的装置100的结构框图，用于确定故障的推荐解决方案的装置100包括：
34.语音识别模块101，被配置为对语音数据进行语音识别；
35.向量化模块102，被配置为对故障词汇进行分词和词向量表征；
36.故障分类模块103，被配置为确定报修数据集的故障类型；
37.维修方式匹配模块104，被配置为确定故障原因对应的推荐解决方案。
38.在一个实施例中，如图1所示，用于确定故障的推荐解决方案的装置100还包括：
39.数据清洗模块105，被配置为对报修数据集进行筛选和清洗；
40.维修反馈模块106，被配置为根据实际解决方案对数据知识库进行更新；
41.数据存储模块107，被配置为存储数据、故障预诊断模型以及数据知识库。
42.如图2所示，示意性示出了根据本技术实施例的用于确定故障的推荐解决方案的方法的流程示意图。如图2所示，在本技术一实施例中，提供了用于确定故障的推荐解决方案的方法，包括以下步骤：
43.步骤201，获取待识别的语音数据以及工程机械在与语音数据对应的预设时间段内的工况数据，语音数据是在工程机械发生故障的情况下产生的；
44.步骤202，对语音数据进行语音识别以确定对应的文本内容，根据文本内容生成报修数据集；
45.步骤203，对报修数据集进行分词操作以获取报修数据集中的故障词汇，并使用词
向量表征故障词汇，以确定报修数据集的故障类型；
46.步骤204，将故障类型与工况数据输入至故障预诊断模型，通过故障预诊断模型确定工程机械的故障原因；
47.步骤205，根据故障原因确定针对工程机械的推荐解决方案。
48.处理器可以获取待识别的语音数据。语音数据可以是在工程机械发生故障的情况下产生的，语音数据可以是针对工程机械的报修语音，例如，客户所拨打的报修电话的语音数据。处理器在获得待识别的语音数据后，可以获取工程机械在语音数据对应的预设时间段内的工况数据。处理器可以先获取语音数据产生的时间，根据语音数据产生的时间确定语音数据对应的预设时间段。处理器可以将预设时间段设置为与语音数据产生的时间对应的当天的工程机械进行工作的时间段。例如，假设处理器获取到一条待识别的语音数据，该条语音数据为客户所拨打的报修电话的语音数据，该条语音数据的产生时间为三月一日的下午三点，处理器可以获取三月一日工程机械工作的时间段。在处理器获取到三月一日工程机械工作的时间段后，可以获取工程机械在工作时间段内产生的全部工况数据。
49.处理器在获取到待识别的语音数据后，可以对语音数据进行识别以确定与语音数据对应的文本内容。例如，处理器可以对语音数据进行语音转文字操作以得到对应的文本内容。处理器可以将文本内容生成报修数据集，并将报修数据集存储进数据库。处理器可以对报修数据集进行分词操作以获取报修数据集中的故障词汇。
50.在一个实施例中，对报修数据集进行分词操作以获取报修数据集中的故障词汇包括：对报修数据集进行筛选和清洗以确定报修数据集中的故障词汇，其中故障词汇用于描述故障现象及故障部件；对报修数据集进行分词操作以将报修数据集中的故障词汇进行切分，以获取报修数据集中的故障词汇。
51.处理器获取到报修数据集后，可以对报修数据进行筛选和清洗以确定报修数据集中的故障词汇，其中故障词包括故障现象及故障部件。确定了报修数据中的故障词汇后，可以对报修数据集进行分词操作以将报修数据集中的故障词汇进行切分，从而获取报修数据集中的故障词汇。
52.在得到故障词汇后，处理器可以通过词向量对故障词汇进行表征，从而根据故障词汇确定报修数据的故障类型，也就是说确定该条语音数据的故障类型。
53.处理器可以将故障类型以及工况数据输入至故障预诊断模型，通过故障预诊断模型输出工程机械的故障原因，在处理器通过故障预诊断模型确定了工程机械的故障原因后，可以根据故障原因确定解决该工程机械的故障的推荐解决方案。
54.在一个实施例中，获取工程机械的多个历史故障数据，多个历史故障数据包括多种历史故障类型、与每种历史故障类型对应的历史工况数据和历史故障原因以及工程机械的主机信息；对多个历史故障数据进行预处理以确定样本数据；针对样本数据使用预设算法分别确定与每个主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。
55.处理器可以获取工程机械的多个历史故障数据，多个历史故障数据包括多种历史故障类型、与每种历史故障类型对应的工程机械的历史工况数据、确定的历史故障原因以及工程机械的主机信息。处理器在获得多个历史故障数据后可以对历史故障数据进行预处理以确定样本数据。处理器可以将得到的样本数据通过预设算法分别确定与每个主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。其中，预设算法可以设置为贝叶
斯优化算法、网格搜索、随机搜索(hyperband)中的任意一种。例如，假设处理器获取的工程机械的多个历史故障数据中包括：起重机的历史故障数据，泵车的历史故障数据、挖掘机的历史故障数据等等。将每个主机对应的历史故障数据进行处理得到样本数据后，通过贝叶斯优化算法分别确定与起重机对应的故障预诊断模型以及模型参数、与泵车对应的故障预诊断模型以及模型参数、与挖掘机对应的故障与诊断模型以及模型参数。
56.在一个实施例中，历史故障数据进行预处理以确定样本数据包括：对历史故障数据进行检测；通过离点群判断方法剔除历史故障数据中的异常值；将历史故障数据中的缺失数据进行删除和/或插补；将完成数据删除和/或插补的历史故障数据划分为样本训练数据集与样本测试数据集，以对每个主机信息对应的诊断模型进行训练以及测试。
57.处理器在获得多个历史故障数据后，可以先对历史数据进行预处理，处理器可以对历史故障数据进行检测，通过离点群判断方法将历史故障数据中的异常值进行筛选并剔除。处理器还可以将历史故障数据中缺失的数据进行删除和/或插补，将整合或的历史故障数据确定为样本数据，并将样本数据划分为训练数据集和测试数据集，以对每个主机信息对应的诊断模型进行训练以及测试。
58.在一个实施例中，针对样本数据使用预设算法分别确定与每个主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数包括：确定与每个主机信息对应的多个待训练的诊断模型，其中，待训练的诊断模型包括随机森林模型、gbdt模型、adaboost模型、xgboost模型中至少一者；将样本训练数据集中的与每个主机信息对应的历史故障类以及与历史故障类型对应的历史工况数据作为输入信息输入多个待训练的诊断模型；将每个待训练模型输出的预测故障原因与历史故障原因进行比对；根据比对结果对每个待训练的诊断模型的模型参数进行调整，以对每个待训练的诊断模型进行训练，并确定每个训练完成的诊断模型的准确率；将全部准确率中数值最大的准确率所对应的诊断模型以及模型参数确定为与主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。
59.处理器可以确定每个主机信息对应的多个待训练的诊断模型，其中待训练的诊断模型可以包括随机森林模型、gbdt模型、adaboost模型、xgboost模型。处理器可以将样本训练数据集中与每个主机信息对应的历史故障类型、与历史故障类型对应的历史工况数据作为输入信息输入与主机信息对应的多个待训练的诊断模型中。
60.处理器可以获得每个待训练的诊断模型输出的预测故障原因，将获得的预测故障原因与历史故障原因进行对比，根据比对结果对每个待训练的诊断模型的模型参数进行调整，从而对每个待训练的诊断模型进行训练。对每个待训练的诊断模型训练完成后，处理器可以确定每个训练完成的诊断模型的准确率。
61.在获得每个训练完成的诊断模型的准确率后，处理器可以对每个训练完成的诊断模型的准确率进行对比，将准确率最高的诊断模型以及模型参数确定为与主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数，例如，针对主机信息对起重机的工程机械，可以确定针对起重机的多个待训练的诊断模型，例如随机森林模型、gbdt模型、adaboost模型、xgboost模型。处理器可以通过样本训练数据集与起重机对应的历史故障数据对随机森林模型、gbdt模型、adaboost模型、xgboost模型进行训练。处理器可以获得每个模型的准确率，假设随机森林模型的准确率是所有进行训练的模型中准确率最高的模型，处理器可以将完成训练的随机森林模型作为起重机对应的故障预诊断模型。通过预设算
法，例如贝叶斯优化算法可以确定最适合每个工程机械的故障预诊断模型。当处理器获取到报修数据集内的主机信息后，可以通过将与其他数据输入与主机信息对应的故障预诊断模型，从而可以最快速最精准的根据故障类型与工况数据确定对应的故障原因。
62.在一个实施例中，根据故障原因确定针对工程机械的推荐解决方案包括：将故障原因输入故障知识库；根据故障知识库确定与故障原因对应的多种维修方案；获取每种维修方案的故障解决率，将故障解决率最高的维修方案确定为针对工程机械的推荐解决方案。
63.通过故障预诊断模型确定工程机械的故障原因后，处理器可以根据故障原因确定针对工程机械的推荐解决方案。处理器可以将故障原因输入故障知识库，通过将故障原因与故障知识库中存储的数据进行匹配，确定与故障原因对应的多种维修方案。并获取每种维修方案针对该故障原因的故障解决率，将故障解决率最高的维修方案确定为针对工程机械的故障的推荐解决方案。
64.在一个实施例中，获取实际解决方案；确定实际解决方案与推荐解决方案的相似度；在相似度大于或等于第一数值的情况下，将相似度的数值作为推荐解决方案的评分输入故障知识库；在相似度小于第二数值的情况下，将实际解决方案输入故障知识库，以对故障知识库进行更新。
65.处理器还可以获取实际解决方案，并将实际解决方案与推荐解决方案进行对比，确定实际解决方案与推荐解决方案的相似度。处理器还可以通过获取维修工人在根据推荐解决方案进行实际维修后，输入的实际解决方案与推荐解决方案的相似度，确定实际解决方案与推荐解决方案的相似度。在相似度大于或等于第一数值的情况下吗，处理器可以将相似度的数值作为推荐解决方案的评分输入故障知识库。例如，假设维修人员在根据推荐解决方案进行实际维修后，认为推荐维修方案与实际维修方案的相似度达到了95％，假设处理器将第一数值设置为90％，此时处理器获取到的实际解决方案与推荐解决方案的相似度大于第一数值。处理器可以将相似度的数值作为推荐方案的评分输入故障知识库。而当处理器确定推荐解决方案与实际解决方案相似度小于第二数值的情况下，处理器可以将实际解决方案输入故障知识库，从而对故障知识库进行更新。通过对故障知识库内的数据进行更新或替换，可以使故障知识库更加完善。
66.在一个实施例中，提供了一种处理器，被配置成执行上述任意一项的用于确定故障的推荐解决方案的方法。
67.处理器可以获取历史故障数据，通过历史故障数据确定与工程机械对应的故障预诊断模型。处理器可以获取工程机械的多个历史故障数据，多个历史故障数据包括多种历史故障类型、与每种历史故障类型对应的工程机械的历史工况数据、确定的历史故障原因以及工程机械的主机信息。处理器可以对历史故障数据进行检测，通过离点群判断方法将历史故障数据中的异常值进行筛选并剔除，并对历史故障数据中缺失的数据进行删除和/或插补，从而对故障数据进行预处理，将完成预处理后的历史故障数据确定为样本数据，并将样本数据划分为训练数据集和测试数据集。
68.处理器可以确定每个主机信息对应的多个待训练的诊断模型，其中待训练的诊断模型可以包括随机森林模型、gbdt模型、adaboost模型、xgboost模型。处理器可以将样本训练数据集中与每个主机信息对应的历史故障类型、与历史故障类型对应的历史工况数据作
为输入信息输入与主机信息对应的多个待训练的诊断模型中。并获得每个待训练的诊断模型输出的预测故障原因，将获得的预测故障原因与历史故障原因进行对比，根据比对结果对每个待训练的诊断模型的模型进行训练。对每个待训练的诊断模型训练完成后，处理器可以确定每个训练完成的诊断模型的准确率。处理器可以将准确率最高的诊断模型以及模型参数确定为与主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。例如，假设处理器获取的工程机械的多个历史故障数据中包括：起重机的历史故障数据，泵车的历史故障数据、挖掘机的历史故障数据等等。处理器可以将每个主机对应的历史故障数据进行处理以得到样本数据。针对每个主机信息，处理器可以设置与每个主机信息对应的多个待训练的诊断模型，例如，假设针对的工程机械为起重机，处理器可以确定针对起重机的多个待训练的诊断模型：随机森林模型、gbdt模型、adaboost模型、xgboost模型。处理器可以通过样本训练数据集与起重机对应的历史故障数据对随机森林模型、gbdt模型、adaboost模型、xgboost模型进行训练。处理器可以获得每个模型的准确率，假设随机森林模型的准确率是所有进行训练的模型中准确率最高的模型，处理器可以将完成训练的随机森林模型作为起重机对应的故障预诊断模型。处理器可以通过数据存储模块将与每个主机对应的故障预诊断模型存储进数据库。
69.处理器可以获取工程机械发生故障的情况下产生的语音数据，例如，用户所拨打的报修电话的语音数据。处理器在获取到与工程机械故障相关的语音数据后，可以获取工程机械在语音数据对应的预设时间段内的工况数据。例如，假设处理器获取到一条待识别的语音数据，该条语音数据为客户所拨打的报修电话的语音数据，该条语音数据的产生时间为三月一日的下午三点，处理器可以获取三月一日工程机械工作的时间段。在处理器获取到三月一日工程机械工作的时间段后，可以获取工程机械在工作时间段内产生的全部工况数据。
70.处理器可以通过语音识别模块对获得的语音数据进行语音识别以确定与语音数据对应的文本内容。例如，通过语音识别模块将语音数据进行语音转文字从而获得与语音数据对应的文本内容。处理器可以将文本内容生成报修数据集，并通过数据存储模块将报修数据集进行存储。处理器获取到报修数据集后，可以通过数据清洗模块对报修数据进行筛选和清洗以确定报修数据集中的故障词汇，其中故障词汇用于描述故障现象及故障部件。例如，故障词汇可以包括故障现象、故障部件、产品组、产品型号以及主机信息中的至少一者，通过故障词汇可以确定故障现象以及发生故障的部件。确定了报修数据中的故障词汇后，可以对报修数据集进行分词操作以将报修数据集中的故障词汇进行切分，从而获取报修数据集中的故障词汇。在得到故障词汇后，向量化模块可以通过词向量对故障词汇进行表征，从而通过故障分类模块根据故障词汇确定报修数据的故障类型，也就是说确定该条语音数据的故障类型。
71.处理器可以将故障类型以及工况数据输入至与发生故障的主机对应的故障预诊断模型中，通过故障预诊断模型输出工程机械的故障原因，并通过维修方式匹配模块根据故障原因确定解决该工程机械的故障的推荐解决方案。维修方式匹配模块可以将故障原因输入数据存储模块中的故障知识库，通过将故障原因与故障知识库中存储的数据进行匹配，确定与故障原因对应的多种维修方案。并获取每种维修方案针对该故障原因的故障解决率，将故障解决率最高的维修方案确定为针对工程机械的的故障的推荐解决方案。
72.维修人员根据处理器确定的推荐解决方案进行维修准备工作，并进行维修，在维修完成后，可以将实际解决方案输入至维修反馈模块。维修反馈模块在获取到实际解决方案后，可以将实际解决方案与推荐解决方案进行对比，确定实际解决方案与推荐解决方案的相似度。维修人员也可以在将实际解决方案输入维修反馈模块时，将认为的实际解决方案预推荐解决方案的相似度输入至维修反馈模块。在相似度大于或等于第一数值的情况下吗，维修反馈模块可以将相似度的数值作为推荐解决方案的评分输入故障知识库。例如，假设维修人员在根据推荐解决方案进行实际维修后，认为推荐维修方案与实际维修方案的相似度达到了95％，假设处理器将第一数值设置为90％，此时维修反馈模块获取到的实际解决方案与推荐解决方案的相似度大于第一数值。维修反馈模块可以将相似度的数值作为推荐方案的评分输入故障知识库。而当维修反馈模块确定推荐解决方案与实际解决方案相似度小于第二数值的情况下，维修反馈模块可以将实际解决方案输入故障知识库，从而对故障知识库进行更新。
73.通过上述技术方案，可以通过对语音数据进行识别，从而对故障故障原因进行确定，对确定的故障原因进行处理，通过将故障原因与故障知识库进行匹配给出推荐的解决方案，使得维修人员可以根据推荐的解决方案进行维修前准备，提升了故障一次性解决率，降低了故障的处理时长。并根据实际维修方案对故障知识库进行更新，使其完善。
74.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
75.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器a01、网络接口a02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器a01用于提供计算和控制能力。该计算机设备的存储器包括内存储器a03和非易失性存储介质a04。该非易失性存储介质a04存储有操作系统b01、计算机程序b02和数据库(图中未示出)。该内存储器a03为非易失性存储介质a04中的操作系统b01和计算机程序b02的运行提供环境。该计算机设备的数据库用于存储工程机械的相关数据，以及操作人员输入的相关数据。该计算机设备的网络接口a02用于与外部的终端通过网络连接通信。该计算机程序b02被处理器a01执行时以实现一种用于确定故障的推荐解决方案的方法。
76.图2为一个实施例中用于确定故障的推荐解决方案的方法的流程示意图。应该理解的是，虽然图2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，这些步骤可以以其它的顺序执行。而且，图2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，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它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。
77.本技术实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取待识别的语音数据以及工程机械在与语音数据对应的预设时间段内的工况数据，语音数据是在工程机械发生故障的情况下产生的；对语音数据进行语音识别以确定对应的文本内容，根据文本内容生成报修
数据集；对报修数据集进行分词操作以获取报修数据集中的故障词汇，并使用词向量表征故障词汇，以确定报修数据集的故障类型；将故障类型与工况数据输入至故障预诊断模型，通过故障预诊断模型确定工程机械的故障原因；根据故障原因确定针对工程机械的推荐解决方案。
78.在一个实施例中，获取工程机械的多个历史故障数据，多个历史故障数据包括多种历史故障类型、与每种历史故障类型对应的历史工况数据和历史故障原因以及工程机械的主机信息；对多个历史故障数据进行预处理以确定样本数据；针对样本数据使用预设算法分别确定与每个主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。
79.在一个实施例中，对多个历史故障数据进行预处理以确定样本数据包括：对历史故障数据进行检测；通过离点群判断方法剔除历史故障数据中的异常值；将历史故障数据中的缺失数据进行删除和/或插补；将完成数据删除和/或插补的历史故障数据划分为样本训练数据集与样本测试数据集，以对每个主机信息对应的诊断模型进行训练以及测试。
80.在一个实施例中，针对样本数据使用预设算法分别确定与每个主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数包括：确定与每个主机信息对应的多个待训练的诊断模型，其中，待训练的诊断模型包括随机森林模型、gbdt模型、adaboost模型、xgboost模型中至少一者；将样本训练数据集中的与每个主机信息对应的历史故障类型以及与历史故障类型对应的历史工况数据作为输入信息输入多个待训练的诊断模型；将每个待训练的诊断模型输出的预测故障原因与历史故障原因进行比对；根据比对结果对每个待训练的诊断模型的模型参数进行调整，以对每个待训练的诊断模型进行训练，并确定每个训练完成的诊断模型的准确率；将全部准确率中数值最大的准确率所对应的诊断模型以及模型参数确定为与主机信息对应的故障预诊断模型以及故障预诊断模型的模型参数。
81.在一个实施例中，对报修数据集进行分词操作以获取报修数据集中的故障词汇包括：对报修数据集进行筛选和清洗以确定报修数据集中的故障词汇，其中故障词汇用于描述故障现象及故障部件；对报修数据集进行分词操作以将报修数据集中的故障词汇进行切分，以获取报修数据集中的故障词汇。
82.在一个实施例中，根据故障原因确定针对工程机械的推荐解决方案包括：将故障原因输入故障知识库；根据故障知识库确定与故障原因对应的多种维修方案；获取每种维修方案的故障解决率，将故障解决率最高的维修方案确定为针对工程机械的推荐解决方案。
83.在一个实施例中，方法还包括：获取实际解决方案；确定实际解决方案与推荐解决方案的相似度；在相似度大于或等于第一数值的情况下，将相似度的数值作为推荐解决方案的评分输入故障知识库；在相似度小于第二数值的情况下，将实际解决方案输入故障知识库，以对故障知识库进行更新。
84.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
85.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理器或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
86.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
87.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
88.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
89.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
90.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
91.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
92.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。