故障预测方法、装置、存储介质和电子设备与流程

本公开涉及故障检测技术领域，具体地，涉及一种故障预测方法、装置、存储介质和电子设备。

背景技术：

随着工业领域的快速发展，机械设备日益复杂化、精密化，相应的故障也不断增多，故障可能导致机械设备不能按照预期运行，甚至停运，造成安全问题和经济损失。通常情况下，需要投入大量的人力对机械设备进行管理，在发生故障时进行维修或者更换零部件。如果能够预测机械设备未来是否发生故障，可以提前对机械设备进行维护和保养，从而减少机械设备在发生故障时，造成的经济损失。

在机械设备的运行过程中会产生相应的运行数据，能够反映机械设备的运行状态，然而运行数据的数据量很大，并且包含的信息复杂，因此根据这些运行数据预测设备发生故障的时间准确度较低。

技术实现要素：

为了解决上述问题，本公开的目的是提供一种故障预测方法、装置、存储介质和电子设备。

为了实现上述目的，根据本公开实施例的第一方面，提供一种故障预测方法，所述方法包括：

获取样本运行数据的特征信息，所述样本运行数据包括目标设备发生故障时的运行数据，所述特征信息包括与预先设置的多个故障特征类别对应的特征信息；

根据预设分类器和所述特征信息，从多个所述故障特征类别中确定目标特征类别；

获取所述目标设备的待处理运行数据，并获取所述待处理运行数据的目标特征信息，所述目标特征信息包括与所述目标特征类别对应的特征信息；

根据所述目标特征信息，通过预设的预测算法预测所述目标特征类别在预测时间段的预测特征信息；

根据所述预测特征信息，确定所述目标设备在所述预测时间段内是否发生故障。

可选地，所述获取目标设备的样本运行数据的特征信息，包括：

从所述样本运行数据中获取多个时间窗口内的样本数据；

根据每个所述时间窗口内的样本数据确定所述特征信息。

可选地，所述根据预设分类器和所述特征信息，从多个所述故障特征类别中得到目标特征类别包括：

根据所述特征信息得到多个故障特征集合，每个所述故障特征集合包括同一故障特征类别对应的特征信息；

将多个所述故障特征集合作为所述预设分类器的输入，得到每个故障特征类别对应的预测权重；

根据所述预测权重从多个所述故障特征类别中确定目标特征类别。

可选地，所述根据所述预测权重从多个所述故障特征类别中确定目标特征类别包括：

将所述预测权重最大的预设数量的故障特征类别，确定为所述目标特征类别；或者，

将所述预测权重大于或等于预设权重阈值的故障特征类别，确定为所述目标特征类别。

可选地，在所述根据所述预测特征信息，确定所述目标设备在所述预测时间段内是否发生故障前，所述方法还包括：

确定所述目标设备发生故障时，每个所述故障特征类别对应的故障特征信息；

将所述故障特征信息作为对应的故障特征类别的故障特征阈值；

所述根据所述预测特征信息，确定所述目标设备在所述预测时间段内是否发生故障包括：

根据所述预测特征信息、所述目标特征类别对应的预测权重以及所述目标特征类别对应的故障特征阈值确定所述目标设备在所述预测时间段内是否发生故障。

可选地，所述根据所述预测特征信息、所述目标特征类别对应的预测权重以及所述目标特征类别对应的故障特征阈值确定所述目标设备在所述预测时间段内是否发生故障包括：

根据所述预测特征信息、所述预测权重以及所述故障特征阈值计算故障预测值；

若所述故障预测值小于或者等于预设故障阈值，确定所述目标设备在所述预测时间段内会发生故障。

可选地，若所述目标特征类别包括多个所述目标特征类别，所述根据所述预测特征信息、所述预测权重以及所述故障特征阈值计算故障预测值包括：

通过以下预测值计算方式计算得到每个目标特征类别对应的预测值，并将多个所述目标特征类别对应的预测值相加，得到所述故障预测值；

所述预测值计算方式包括：

计算待预测特征类别对应的预测特征信息和所述待预测特征类别对应的故障特征阈值之间的特征距离；所述待预测特征类别为多个所述目标特征类别中的任一个；

计算所述待预测特征类别对应的特征距离与所述待预测特征类别对应的预测权重的乘积，得到所述待预测特征类别对应的预测值。

根据本公开实施例的第二方面，提供一种故障预测装置，所述装置包括：

第一获取模块，用于获取样本运行数据的特征信息，所述样本运行数据包括目标设备发生故障时的运行数据，所述特征信息包括与预先设置的多个故障特征类别对应的特征信息；

分类模块，用于根据预设分类器和所述特征信息，从多个所述故障特征类别中确定目标特征类别；

第二获取模块，用于获取所述目标设备的待处理运行数据，并获取所述待处理运行数据的目标特征信息，所述目标特征信息包括与所述目标特征类别对应的特征信息；

预测模块，用于根据所述目标特征信息，通过预设的预测算法预测所述目标特征类别在预测时间段的预测特征信息；

第一确定模块，用于根据所述预测特征信息，确定所述目标设备在所述预测时间段内是否发生故障。

可选地，所述第一获取模块包括：

第一获取子模块，用于从所述样本运行数据中获取多个时间窗口内的样本数据；

第二获取子模块，用于根据每个所述时间窗口内的样本数据确定所述特征信息。

可选地，所述分类模块包括：

集合获取子模块，用于根据所述特征信息得到多个故障特征集合，每个所述故障特征集合包括同一故障特征类别对应的特征信息；

分类子模块，用于将多个所述故障特征集合作为所述预设分类器的输入，得到每个故障特征类别对应的预测权重；

确定子模块，用于根据所述预测权重从多个所述故障特征类别中确定目标特征类别。

可选地，所述确定子模块用于：

将所述预测权重最大的预设数量的故障特征类别，确定为所述目标特征类别；或者，

将所述预测权重大于或等于预设权重阈值的故障特征类别，确定为所述目标特征类别。

可选地，所述装置还包括：

第二确定模块，用于在所述根据所述预测特征信息，确定所述目标设备在所述预测时间段内是否发生故障前，确定所述目标设备发生故障时，每个所述故障特征类别对应的故障特征信息；

所述第二确定模块，还用于将所述故障特征信息作为对应的故障特征类别的故障特征阈值；

所述第一确定模块用于：

根据所述预测特征信息、所述目标特征类别对应的预测权重以及所述目标特征类别对应的故障特征阈值确定所述目标设备在所述预测时间段内是否发生故障。

可选地，所述第一确定模块包括：

预测值确定子模块，用于根据所述预测特征信息、所述预测权重以及所述故障特征阈值计算故障预测值；

故障确定子模块，用于若所述故障预测值小于或者等于预设故障阈值，确定所述目标设备在所述预测时间段内会发生故障。

可选地，所述预测值确定子模块用于：

若所述目标特征类别包括多个所述目标特征类别，通过以下预测值计算方式计算得到每个目标特征类别对应的预测值，并将多个所述目标特征类别对应的预测值相加，得到所述故障预测值；

所述预测值计算方式包括：

计算待预测特征类别对应的预测特征信息和所述待预测特征类别对应的故障特征阈值之间的特征距离；所述待预测特征类别为多个所述目标特征类别中的任一个；

计算所述待预测特征类别对应的特征距离与所述待预测特征类别对应的预测权重的乘积，得到所述待预测特征类别对应的预测值。

根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面提供的故障预测方法的步骤。

根据本公开实施例的第四方面，提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面提供的故障预测方法的步骤。

通过上述技术方案，本公开首先获取包括了目标设备发生故障时运行数据的样本运行数据中包含的特征信息，其中，特征信息包括了与预先设置的多个故障特征类别对应的特征信息，之后根据预设分类器将特征信息进行分类，以确定多个故障特征类别中的目标特征类别。再获取目标设备的待处理运行数据和对应的目标特征信息，其中，目标特征信息包括与目标特征类别对应的特征信息，然后根据目标特征信息通过预设的预测算法预测目标特征类别在预测时间段的预测特征信息，最后根据预测特征信息确定目标设备在预测时间段内是否发生故障。能够在多个故障特征类别中选取出对故障敏感的目标特征，并根据设备的运行数据中包含的目标特征对应的特征信息，准确预测故障发生的时间，提高生产效率，降低维护成本。

本公开的其他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

附图是用来提供对本公开的进一步理解，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公开，但并不构成对本公开的限制。在附图中：

图1是根据一示例性实施例示出的一种故障预测方法的流程图；

图2是根据一示例性实施例示出的另一种故障预测方法的流程图；

图3是根据一示例性实施例示出的另一种故障预测方法的流程图；

图4是根据一示例性实施例示出的另一种故障预测方法的流程图；

图5a是根据一示例性实施例示出的另一种故障预测方法的流程图；

图5b是图5a所示实施例示出的预测特征信息与故障特征阈值的关系示意图；

图6是根据一示例性实施例示出的一种故障预测装置的框图；

图7是根据一示例性实施例示出的另一种故障预测装置的框图；

图8是根据一示例性实施例示出的另一种故障预测装置的框图；

图9是根据一示例性实施例示出的另一种故障预测装置的框图；

图10是根据一示例性实施例示出的另一种故障预测装置的框图；

图11是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在介绍本公开提供的故障预测方法、装置、存储介质和电子设备之前，首先对本公开各个实施例所涉及应用场景进行介绍。该应用场景中的目标设备可以是任一种机械设备，目标设备上可以设置有数据采集装置(例如各种传感器、测量装置等)，用以采集目标设备在运行过程中产生的运行数据。其中，数据采集装置可以包括：震动传感器、温度传感器、电压表、电流表等，相应的运行数据可以包括目标设备的震动幅度、温度值、电压值、电流值等。

图1是根据一示例性实施例示出的一种故障预测方法的流程图，如图1所示，该方法包括：

步骤101，获取样本运行数据的特征信息，该样本运行数据包括目标设备发生故障时的运行数据，该特征信息包括与预先设置的多个故障特征类别对应的特征信息。

举例来说，可以预先采集目标设备在运行过程中产生的样本运行数据，例如，目标设备上设置的数据采集装置可以按照预设的采集频率(例如：5khz)采集预设时间段(例如：1个月)内，产生的运行数据(共1.296*10¹⁰个运行数据)，作为样本运行数据，其中，预设时间段中包括了目标设备发生故障的时刻，那么样本运行数据中将会包括目标设备发生故障时的运行数据。

由于样本运行数据的数据量很大，很难直接进行分析，因此可以对样本运行数据进行处理，以得到样本运行数据的特征信息，其中，该特征信息可以包括样本运行数据在预设时间窗口内，与预先设置的多个故障特征类别对应的特征信息，故障特征类别例如可以是：平均值、均方值、有效值、峰值、极差、离散系数、裕度、歪度、峭度。例如，可以计算1.296*10¹⁰个运行数据中，每4小时对应的平均值、均方值和离散系数，那么可以得到3组特征信息，分别对应平均值、均方值和离散系数，每组特征信息中包括：1.296*10¹⁰/(4*60*60)＝9*10⁵个特征信息。由于特征信息能够反映样本运行数据在时间窗口内的特征，因此能够有效提取出样本运行数据中包含的信息，并且能够通过预设时间窗口提取数据，有效减少数据量，提高了故障预测的效率。

步骤102，根据预设分类器和特征信息，从多个故障特征类别中确定目标特征类别。

示例的，利用预设分类器对特征信息进行分类，以区分目标设备正常运行和发生故障时对应的特征信息，从而确定多个故障特征类别中每个故障特征类别区分故障的能力(即为后续提出的实施例中所述的预测权重)，并将区分故障的能力较好的故障特征类别作为目标特征类别，其中，目标特征类别可以是一种或多种。

步骤103，获取目标设备的待处理运行数据，并获取待处理运行数据的目标特征信息，目标特征信息包括与目标特征类别对应的特征信息。

步骤104，根据目标特征信息，通过预设的预测算法预测目标特征类别在预测时间段的预测特征信息。

进一步的，要预测目标设备在预测时间段是否发生故障，可以先获取目标设备在运行过程中产生的待处理运行数据，例如，数据采集装置可以按照预设的采集频率(例如：5khz)采集在当前时刻之前的预设时间段(例如：10天)内，目标设备运行过程中产生的运行数据(共4.32*10⁹个运行数据)，作为待处理运行数据。同样的，也可以预先设置多个时间窗口，从待处理运行数据中获取多个时间窗口内的运行数据，之后获取每个时间窗口内的运行数据的目标特征信息，目标特征信息包括了与目标特征类别对应的特征信息。之后将目标特征信息作为预设的预测算法的输入，以预测在预测时间段内(例如未来时间段)，目标特征类别的预测特征信息。

以目标特征信息为平均值，预设的预测算法为prophet算法来举例，获取4.32*10⁹个运行数据中每2小时对应的平均值，作为目标特征信息，包括了4.32*10⁹/(2*60*60)＝6*10⁵个平均值。将6*10⁵个平均值作为prophet算法的输入，拟合6*10⁵个平均值中包括的非周期性的变化、周期性的变化和其他因素造成的变化，将三种变化进行叠加，以预测未来7天(即未来时间段)目标设备在运行过程中的平均值，作为预测特征信息。

步骤105，根据预测特征信息，确定目标设备在预测时间段内是否发生故障。

示例的，可以将预测特征信息与预设的故障特征阈值进行比较，若预测特征信息中某一时刻对应的特征信息与故障特征阈值之间的差值小于预设的故障阈值(可以理解为特征信息接近故障特征阈值)，那么预测目标设备在该时刻会发生故障。其中，故障特征阈值可以是根据历史数据和经验进行选择的，也可以将目标设备发生故障时，每个故障特征类别对应的故障特征信息作为对应的故障特征类别的故障特征阈值。进一步的，由于目标特征类别可以是一种或多种，当目标特征类别为多种时，还可以将每种目标特征类别对应的每组预测特征信息，分别与每种目标特征类别对应的故障特征阈值进行比较，并将多种目标特征类别的比较结果进行加权求和，再与故障阈值进行比较，从而预测目标设备是否会发生故障。当确定目标设备在预测时间段内会发生故障时，可以提前通知维护人员，对目标设备进行维护和保养，从而减少故障造成的安全问题和经济损失。

综上所述，本公开首先获取包括了目标设备发生故障时运行数据的样本运行数据中包含的特征信息，其中，特征信息包括了与预先设置的多个故障特征类别对应的特征信息，之后根据预设分类器将特征信息进行分类，以确定多个故障特征类别中的目标特征类别。再获取目标设备的待处理运行数据和对应的目标特征信息，其中，目标特征信息包括与目标特征类别对应的特征信息，然后根据目标特征信息通过预设的预测算法预测目标特征类别在预测时间段的预测特征信息，最后根据预测特征信息确定目标设备在预测时间段内是否发生故障。能够在多个故障特征类别中选取出对故障敏感的目标特征，并根据设备的运行数据中包含的目标特征对应的特征信息，准确预测故障发生的时间，提高生产效率，降低维护成本。

图2是根据一示例性实施例示出的另一种故障预测方法的流程图，如图2所示，步骤101可以通过以下步骤来实现：

步骤1011，从样本运行数据中获取多个时间窗口内的样本数据。

步骤1012，根据每个时间窗口内的样本数据确定特征信息。

举例来说，可以预先设置n个时间窗口，从样本运行数据中提取n个时间窗口内每个时间窗口包含的多个样本数据，确定该时间窗口内多个样本数据对应的特征信息，从而减少数据量。以样本运行数据包括1.296*10¹⁰个运行数据(采集频率为5khz，预设时间段为1个月)，多个故障特征类别为平均值、均方值为例，某时间窗口为1小时，那么1小时内包括：1.8*10⁷个样本数据，相应的，该时间窗口内的特征信息为：1.8*10⁷个样本数据在1小时内的平均值，和1.8*10⁷个样本数据在1小时内的均方值。

需要说明的是，多个时间窗口可以为滑动时间窗口，也可以是按照一定时间间隔选取的时间窗口，每个时间窗口的长度可以相等或不相等，每个时间窗口之间的时间间隔可以相等或不相等。

图3是根据一示例性实施例示出的另一种故障预测方法的流程图，如图3所示，步骤102包括：

步骤1021，根据特征信息得到多个故障特征集合，每个故障特征集合包括同一故障特征类别对应的特征信息。

步骤1022，将多个故障特征集合作为预设分类器的输入，得到每个故障特征类别对应的预测权重。

步骤1023，根据预测权重从多个故障特征类别中确定目标特征类别。

示例的，预设分类器可以为svm(英文：supportvectormachine，中文：支持向量机)。首先可以将特征信息按照故障特征类别分为m个故障特征集合(即对应m个故障特征类别)，其中，每个故障特征集合中包含了n个时间窗口内同一故障特征类别对应的特征信息。之后将m个故障特征集合作为预设分类器的输入，对svm进行训练，使svm能够区分正常运行和发生故障时对应的特征信息，并对m个故障特征集合进行评价，以得到每个故障特征类别对应的预测权重。最后根据预测权重筛选出目标特征类别。其中，预测权重表示故障特征类别区分故障的能力，即对目标设备运行状态的变化是否敏感。

其中，步骤1023中确定目标特征类别的规则可以包括：

1)将预测权重最大的预设数量的故障特征类别，确定为目标特征类别。或者，2)将预测权重大于或等于预设权重阈值的故障特征类别，确定为目标特征类别。

例如，多个故障特征类别包括平均值、均方值、有效值、峰值、极差、离散系数、裕度、歪度、峭度，那么根据特征信息得到9个故障特征集合，将9个故障特征集合作为svm的输入，得到9个故障特征类别的预测权重：0.18、0.09、0.06、0.14、0.1、0.08、0.11、0.03、0.21，可以选择预测权重最大的3个故障特征类别作为目标特征类别，即：平均值(0.18)、峰值(0.14)、峭度(0.21)，还可以将预设权重阈值设置为0.15，将预测权重大于或等于0.15的故障特征类别作为目标特征类别，即：平均值(0.18)和峭度(0.21)。

图4是根据一示例性实施例示出的另一种故障预测方法的流程图，如图4所示，在步骤105之前，该方法还包括：

步骤106，确定目标设备发生故障时，每个故障特征类别对应的故障特征信息。

步骤107，将故障特征信息作为对应的故障特征类别的故障特征阈值。

举例来说，在预测目标设备是否发生故障之前，可以先确定故障特征阈值。由于样本运行数据中包括了目标设备发生故障时的运行数据，因此可以将目标设备发生故障时，多种故障特征类别对应的故障特征信息作为每个故障特征类别对应的故障特征信息，可以理解为将故障发生时刻对应的故障特征信息作为判断目标设备是否发生故障的标准。例如，在样本运行数据中包含了故障发生前15天和后15天的运行数据(即包含了发生故障的临界状态的运行数据)，获取对应的特征信息，若故障特征类别包含：裕度和峭度，那么将发生故障时的裕度作为裕度对应的故障特征阈值，将发生故障时的峭度作为峭度对应的故障特征阈值。

对应的，步骤105可以通过以下方式来实现：

根据预测特征信息、目标特征类别对应的预测权重以及目标特征类别对应的故障特征阈值确定目标设备在预测时间段内是否发生故障。

图5a是根据一示例性实施例示出的另一种故障预测方法的流程图，如图5a所示，步骤105包括：

步骤1051，根据预测特征信息、预测权重以及故障特征阈值计算故障预测值。

步骤1052，若故障预测值小于或者等于预设故障阈值，确定目标设备在预测时间段内会发生故障。

举例来说，可以先将步骤1022中确定的预测权重进行归一化处理，再按照归一化后的预测权重作为权值，对预测特征信息与步骤107中确定的故障特征阈值的差进行加权求和，以获取故障预测值。并将故障预测值与预设故障阈值进行比较，若故障预测值小于或者等于预设故障阈值，确定目标设备在预测时间段内会发生故障，若故障预测值大于预设故障阈值，确定目标设备在预测时间段内不会发生故障。如图5b所示，当前时刻之前的特征信息为目标特征信息，当前时刻之后的特征信息为预测特征信息，可以根据预测特征信息与故障特征阈值之间的距离来确定故障预测值。

需要说明的是，故障预测值包括了预测时间段内多个时刻对应的故障预测值，因此在将故障预测值与预设故障阈值进行比较时，可以依次比较预测时间段内每个时刻的故障预测值与预设故障阈值。若某一时刻故障预测值小于或者等于预设故障阈值，预测目标设备在该时刻会发生故障。

具体的，根据目标特征类别的数量，确定故障预测值可以分为两种方式，若目标特征类别只有一个，那么可以直接将预测特征信息与故障特征阈值的差作为故障预测值，可以理解为预测权重为1。

在另一种实现场景中，若目标特征类别为多个，那么步骤1051确定故障预测值的方式可以为：

通过以下预测值计算方式计算得到每个目标特征类别对应的预测值，并将多个目标特征类别对应的预测值相加，得到故障预测值。

其中，预测值计算方式可以包括以下步骤：

步骤a)计算待预测特征类别对应的预测特征信息和待预测特征类别对应的故障特征阈值之间的特征距离。

其中，待预测特征类别为多个目标特征类别中的任一个。

步骤b)计算待预测特征类别对应的特征距离与待预测特征类别对应的预测权重的乘积，得到待预测特征类别对应的预测值。

以目标特征类别包括：平均值、峰值和峭度为例，先对平均值对应的预测特征信息，和平均值对应的故障特征阈值求差，作为平均值对应的特征距离，再将特征距离乘以平均值对应的预测权重，以得到平均值对应的预测值。再以同样的方式依次确定峰值和峭度对应的预测值。最后将平均值、峰值和峭度分别对应的预测值求和，得到故障预测值。

例如故障预测值可以通过以下公式来确定：

其中，k表示故障预测值，ai表示n个目标特征类别中第i个目标特征类别对应的预测权重，di表示预测特征信息中第i个目标特征类别对应的特征信息，li表示第i个目标特征类别对应的故障特征阈值，0≤i≤n。

以目标特征类别包括：平均值、峰值和峭度，对应的预测权重为0.25、0.35、0.40为例，那么k＝0.25*(d1-l1)+0.35*(d2-l2)+0.4*(d3-l3)，可以将k与预设故障阈值t进行比较，若k≤t，则确定在预测时间段存在故障，且k≤t在预测时间段内对应的时刻，即为目标设备在预测时间段内可能发生故障的时刻。

综上所述，本公开首先获取包括了目标设备发生故障时运行数据的样本运行数据中包含的特征信息，其中，特征信息包括了与预先设置的多个故障特征类别对应的特征信息，之后根据预设分类器将特征信息进行分类，以确定多个故障特征类别中的目标特征类别。再获取目标设备的待处理运行数据和对应的目标特征信息，其中，目标特征信息包括与目标特征类别对应的特征信息，然后根据目标特征信息通过预设的预测算法预测目标特征类别在预测时间段的预测特征信息，最后根据预测特征信息确定目标设备在预测时间段内是否发生故障。能够在多个故障特征类别中选取出对故障敏感的目标特征，并根据设备的运行数据中包含的目标特征对应的特征信息，准确预测故障发生的时间，提高生产效率，降低维护成本。

图6是根据一示例性实施例示出的一种故障预测装置的框图，如图6所示，该装置200包括：

第一获取模块201，用于获取样本运行数据的特征信息，样本运行数据包括目标设备发生故障时的运行数据，特征信息包括与预先设置的多个故障特征类别对应的特征信息。

分类模块202，用于根据预设分类器和特征信息，从多个故障特征类别中确定目标特征类别。

第二获取模块203，用于获取目标设备的待处理运行数据，并获取待处理运行数据的目标特征信息，目标特征信息包括与目标特征类别对应的特征信息。

预测模块204，用于根据目标特征信息，通过预设的预测算法预测目标特征类别在预测时间段的预测特征信息。

第一确定模块205，用于根据预测特征信息，确定目标设备在预测时间段内是否发生故障。

图7是根据一示例性实施例示出的另一种故障预测装置的框图，如图7所示，第一获取模块201包括：

第一获取子模块2011，用于从样本运行数据中获取多个时间窗口内的样本数据。

第二获取子模块2012，用于根据每个时间窗口内的样本数据确定特征信息。

图8是根据一示例性实施例示出的另一种故障预测装置的框图，如图8所示，分类模块202包括：

集合获取子模块2021，用于根据特征信息得到多个故障特征集合，每个故障特征集合包括同一故障特征类别对应的特征信息。

分类子模块2022，用于将多个故障特征集合作为预设分类器的输入，得到每个故障特征类别对应的预测权重。

确定子模块2023，用于根据预测权重从多个故障特征类别中确定目标特征类别。

其中，确定子模块2023用于执行以下步骤：

1)将预测权重最大的预设数量的故障特征类别，确定为目标特征类别。或者，

2)将预测权重大于或等于预设权重阈值的故障特征类别，确定为目标特征类别。

图9是根据一示例性实施例示出的另一种故障预测装置的框图，如图9所示，该装置200还包括：

第二确定模块206，用于在根据预测特征信息，确定目标设备在预测时间段内是否发生故障前，确定目标设备发生故障时，每个故障特征类别对应的故障特征信息。

第二确定模块206，还用于将故障特征信息作为对应的故障特征类别的故障特征阈值。

第一确定模块205用于执行以下步骤：

根据预测特征信息、目标特征类别对应的预测权重以及目标特征类别对应的故障特征阈值确定目标设备在预测时间段内是否发生故障。

图10是根据一示例性实施例示出的另一种故障预测装置的框图，如图10所示，第一确定模块205包括：

预测值确定子模块2051，用于根据预测特征信息、预测权重以及故障特征阈值计算故障预测值。

故障确定子模块2052，用于若故障预测值小于或者等于预设故障阈值，确定目标设备在预测时间段内会发生故障。

其中，预测值确定子模块2051用于：

若目标特征类别包括多个目标特征类别，通过以下预测值计算方式计算得到每个目标特征类别对应的预测值，并将多个目标特征类别对应的预测值相加，得到故障预测值。

预测值计算方式包括：

计算待预测特征类别对应的预测特征信息和待预测特征类别对应的故障特征阈值之间的特征距离。待预测特征类别为多个目标特征类别中的任一个。

计算待预测特征类别对应的特征距离与待预测特征类别对应的预测权重的乘积，得到待预测特征类别对应的预测值。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

综上所述，本公开首先获取包括了目标设备发生故障时运行数据的样本运行数据中包含的特征信息，其中，特征信息包括了与预先设置的多个故障特征类别对应的特征信息，之后根据预设分类器将特征信息进行分类，以确定多个故障特征类别中的目标特征类别。再获取目标设备的待处理运行数据和对应的目标特征信息，其中，目标特征信息包括与目标特征类别对应的特征信息，然后根据目标特征信息通过预设的预测算法预测目标特征类别在预测时间段的预测特征信息，最后根据预测特征信息确定目标设备在预测时间段内是否发生故障。能够在多个故障特征类别中选取出对故障敏感的目标特征，并根据设备的运行数据中包含的目标特征对应的特征信息，准确预测故障发生的时间，提高生产效率，降低维护成本。

图11是根据一示例性实施例示出的一种电子设备300的框图。如图11所示，该电子设备300可以包括：处理器301，存储器302。该电子设备300还可以包括多媒体组件303，输入/输出(i/o)接口304，以及通信组件305中的一者或多者。

其中，处理器301用于控制该电子设备300的整体操作，以完成上述的故障预测方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口304为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件305可以包括：wi-fi模块，蓝牙模块，nfc模块。

在一示例性实施例中，电子设备300可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的故障预测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的故障预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器302，上述程序指令可由电子设备300的处理器301执行以完成上述的故障预测方法。

综上所述，本公开首先获取包括了目标设备发生故障时运行数据的样本运行数据中包含的特征信息，其中，特征信息包括了与预先设置的多个故障特征类别对应的特征信息，之后根据预设分类器将特征信息进行分类，以确定多个故障特征类别中的目标特征类别。再获取目标设备的待处理运行数据和对应的目标特征信息，其中，目标特征信息包括与目标特征类别对应的特征信息，然后根据目标特征信息通过预设的预测算法预测目标特征类别在预测时间段的预测特征信息，最后根据预测特征信息确定目标设备在预测时间段内是否发生故障。能够在多个故障特征类别中选取出对故障敏感的目标特征，并根据设备的运行数据中包含的目标特征对应的特征信息，准确预测故障发生的时间，提高生产效率，降低维护成本。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。