技术领域
[0001] 本
发明设计计算机信息读取、存储于处理技术领域，具体涉及一种快充桩设备风险评估方法及系统。
背景技术
[0002] 设备在运行过程中，必然会出现故障，从而带来风险，减少或预见故障，降低或规避风险是人们一直以来的追求，其根本则是对于风险的评估。在对风险进行评估时，需要研究求解相应的数学模型，其中故障率相关模型尤为重要，而基于健康指数与基于运行时间的故障率模型则是研究重点，其展示了设备健康状况、设备劣化程度及设备故障概率；此外，还需对故障风险进行计算，其求解了量化的设备故障风险；同时，随着数据量日趋增大，大量数据的处理已经成为计算机科学相关领域焦点，在设备风险评估中也是如此，常规的数据读取、存储等均需要使用
大数据对应的读取、存储方式，在基于健康指数与基于运行时间的故障率模型求解中，因为数据量巨大，其使用的常规曲线拟合方法，包括最小二乘法拟合均不再适用，需要使用相应的大数据量情况下的曲线拟合方法，在故障风险计算中，常规的故障风险计算
算法也无法准确地根据大量数据求解准确的量化设备故障风险；而在最终的评估中，大量且多种类型的设备故障风险数据需要统一的比较与评估基准，需要针对于大数据的智能化的评估算法，随着信息化时代对于信息传递效率的要求提高，需要更优化的信息展现方式。
发明内容
[0003] 为了解决
现有技术中所存在的技术问题，本发明提供一种快充桩设备风险评估方法，本发明提供的技术方案是：
[0004] 针对被评估设备和故障概率与健康指数关系计算所述设备健康状况和所述设备劣化程度；
[0005] 计算所述设备发生故障的风险；
[0006] 基于所述设备健康状况、发生故障的风险，采用数据
货币化算法进行趋势评估；
[0007] 优选的，所述针对被评估快充桩设备和故障概率与健康指数关系计算所述设备健康状况和所述设备劣化程度，包括：
[0008] 获取设备读取分类模
块计算得到所述设备发生故障的数目与所述设备总数目；
[0009] 采用大数据拟合算法，针对故障设备数、总设备数进行细粒度的拟合得到故障率与健康指数关系；
[0010] 基于所述得到故障率与健康指数关系得到故障率与运行时间关系；
[0011] 基于所述故障率与运行时间关系得到设备基于故障率的运行年限、健康状况和设备劣化程度。
[0012] 优选的，所述采用大数据拟合算法，针对多维数据进行细粒度的拟合得到故障率与健康指数关系，包括：
[0013] 采用大数据拟合算法，根据故障设备数、总设备数进行曲线拟合；
[0014] 根据所述拟合结果求解出故障发生的比例系数与
曲率系数；
[0015] 基于所述故障发生的比例系数与曲率系数结合历史数据和实际风险预测的准确度进行加权，得到故障率与健康指数关系。
[0016] 优选的，所述故障率与运行时间关系的计算式如下：
[0017]
[0018] 式中，λ为设备运行单位时间内的平均故障概率；Pi为设备运行单位时间内设备i的故障风险系数；Ni为设备i运行单位时间；I为设备总数；K为统计周期内设备健康指数低于设定
阈值的设备台数；C为设备故障后经济损失；Hi为设备i的历史数据权值。
[0019] 优选的，所述设定阈值为0.5。
[0020] 优选的，所述计算所述设备发生故障的风险，包括：
[0021] 获取所述设备历史大数据计算得到所述设备发生故障的概率和对应的经济损失；
[0022] 对所述设备发生故障的概率和对应的经济损失进行量化，得到所述设备量化的故障风险系数。
[0023] 优选的，所述故障风险系数的计算式如下：
[0024] P＝K×e-C×H
[0025] 式中，C为设备故障后经济损失，K为统计周期内设备健康指数低于设定阈值的设备台数，H为历史数据权值，P为设备运行单位时间内的故障风险系数。
[0026] 优选的，设定阈值为0.5。
[0027] 优选的，所述基于所述设备健康状况、发生故障的风险，采用预先设定的大数据
货币化算法进行趋势评估，包括：
[0028] 基于所述设备的运行年限、基于故障率的运行年限和设备故障率采用最小二乘及拟合算法得到故障率与设备运行时间关系；其中，所述拟合优度为0.85＜R2＜0.9；
[0029] 基于所述设备健康状况、所述设备劣化程度、发生故障的风险以及故障率与设备运行时间关系，使用
机器学习进行趋势评估。
[0030] 优选的，所述基于所述设备的运行年限、发生故障时的平均运行年限和设备故障率采用最小二乘及拟合算法得到故障率与设备运行时间关系，包括：
[0031] 根据设备运行年限、发生故障时的平均运行年限和设备故障率采用最小二乘法曲线拟合；
[0032] 根据所述拟合结果求解出故障率与运行时间关系参数值；
[0033] 基于所述故障率与运行时间关系参数值结合历史数据和实际风险预测的准确度进行加权，得到故障率与运行时间对应关系。
[0034] 优选的，所述基于设备健康状况、所述设备劣化程度、发生故障的风险以及故障率与设备运行时间关系，使用机器学习进行趋势评估，包括：
[0035] 将所述设备健康状况、所述设备劣化程度、发生故障的风险以及故障率与设备运行时间关系建立预测
决策树；
[0036] 求解所述预测决策树，得到设备
缺陷、故障及风险趋势；
[0037] 将所述趋势评估以设备缺陷、故障及风险趋势图与设备货币
化成本分析预测图展示。
[0038] 基于同一种发明构思，本发明还提供一种快充桩设备风险评估系统，包括：基于健康指数的故障率计算大数据算法控
制模块、故障风险计算大数据算法
控制模块和基于运行时间的故障率计算大数据算法控制模块；
[0039] 所述基于健康指数的故障率计算大数据算法控制模块用于：针对被评估快充桩设备和故障概率与健康指数关系计算所述设备健康状况和所述设备劣化程度；
[0040] 所述故障风险计算大数据算法控制模块用于：计算所述设备发生故障的风险；
[0041] 所述基于运行时间的故障率计算大数据算法控制模块用于：基于所述设备健康状况、发生故障的风险，采用数据货币化算法进行趋势评估。
[0042] 优选的，所述基于健康指数的故障率计算大数据算法控制模块，包括：
[0043] 大数据拟合算法子模块，用于：使用了不同于常规的多项式曲线拟合算法，针对多维数据进行细粒度的拟合，得到故障率与健康指数关系；
[0044] 第一设备大数据读取分类子模块，用于：获取所述设备历史大数据计算得到所述设备发生故障的数目与所述设备总数目；
[0045] 故障概率与健康指数关系子模块，用于：基于所述故障率与运行时间关系得到设备基于故障率的运行年限、健康状况和设备劣化程度。
[0046] 优选的，所述故障风险计算大数据算法控制模块，包括：
[0047] 第二设备大数据读取分类子模块，用于：基于运行时间的故障率计算大数据算法控制模块的控制下将读取的设备大数据进行分类得到设备运行年限与设备故障率；
[0048] 量化的设备故障风险子模块，用于：对所述设备发生故障的概率和对应的经济损失进行量化，得到所述设备量化的故障风险系数。
[0049] 优选的，所述基于运行时间的故障率计算大数据算法控制模块，包括：
[0050] 大数据最小二乘法拟合算法子模块，用于：基于所述设备的运行年限、基于故障率的运行年限和设备故障率采用最小二乘及拟合算法得到故障率与设备运行时间关系；其中，所述拟合优度为0.85＜R2＜0.9；
[0051] 故障风险大数据计算算法子模块，用于：基于所述设备健康状况、发生故障的风险和运行时间，进行计算，得到故障率与运行时间关系参数值；
[0052] 趋势评估算法子模块，用于：基于所述故障率与运行时间关系参数值结合历史数据和实际风险预测的准确度进行加权，得到故障率与运行时间对应关系，并采用数据货币化算法进行趋势评估。
[0053] 与现有技术相比，本发明的有益效果为：
[0054] 1.本发明采用针对被评估快充桩设备和故障概率与健康指数关系计算所述设备健康状况和所述设备劣化程度；计算所述设备发生故障的风险；基于所述设备健康状况、发生故障的风险，采用数据货币化算法进行趋势评估，使用了两种故障率统计，并结合故障风险计算，使得整体趋势评估数据来源更全面；将数据进行货币化，使得数据比较与处理时有统一基准。
[0055] 2.本发明使用大数据专用的分布式缓存技术、存储方式，使得数据读取速度更快、存储空间利用更优化；使用基于
深度学习的多项式曲线拟合算法，提升了曲线拟合与模型求解结果的准确性；针对大数据量，使用智能化的大数据机器学习算法进行趋势评估与分析预测，使得评估结果更加可信。
[0056] 3.使用大数据量下的特有模型求解、计算、评估方式，并使用货币化方法，大大提升了数据利用率，模型求解与计算结果准确性，使评估基准唯一，评估结果精准，并将结果图形化，使得系统结果展示更加直观。
附图说明
[0057] 图1为本发明的大数据风险评估系统；
具体实施方式
[0059] 为了更好地理解本发明，下面结合
说明书附图和实例对本发明的内容做进一步的说明。
[0060]
实施例1：如图2所示，一种快充桩设备风险评估方法，包括：
[0061] S1：针对被评估快充桩设备和故障概率与健康指数关系计算所述设备健康状况和所述设备劣化程度；
[0062] S2：计算所述设备发生故障的风险；
[0063] S3：基于所述设备健康状况、发生故障的风险，采用数据货币化算法进行趋势评估；
[0064] 其中，S1针对被评估快充桩设备和故障概率与健康指数关系计算所述设备健康状况和所述设备劣化程度，包括：
[0065] 获取设备读取分类模块计算得到所述设备发生故障的数目与所述设备总数目；
[0066] 采用大数据拟合算法，使用不同于常规的多项式曲线拟合算法，针对多维数据进行细粒度的拟合得到故障率与健康指数关系；
[0067] 基于所述得到故障率与健康指数关系得到故障率与运行时间关系；
[0068]
[0069] 式中，λ为设备运行单位时间内的平均故障概率；Pi为设备运行单位时间内设备i的故障风险系数；Ni为设备i运行单位时间；I为设备总数，本实施例中，设备总数为10；K为统计周期内设备健康指数低于0.5的设备台数，C为设备故障后经济损失；Hi为设备i的历史数据权值。
[0070] 基于所述故障率与运行时间关系得到设备基于故障率的运行年限、健康状况和设备劣化程度。
[0071] 所述采用大数据拟合算法，针对多维数据进行细粒度的拟合得到故障率与健康指数关系，包括：
[0072] 采用大数据拟合算法，根据故障设备数、总设备数进行曲线拟合；
[0073] 根据所述拟合结果求解出故障发生的比例系数与曲率系数；
[0074] 基于所述故障发生的比例系数与曲率系数结合历史数据和实际风险预测的准确度进行加权，得到故障率与健康指数关系。
[0075] S2：计算所述设备发生故障的风险，包括：
[0076] 获取所述设备历史大数据计算得到所述设备发生故障的概率和对应的经济损失；
[0077] 对所述设备发生故障的概率和对应的经济损失进行量化，得到所述设备量化的故障风险系数。
[0078] 所述故障风险系数的计算式如下：
[0079] P＝K×e-C×H
[0080] 式中，C为设备故障后经济损失，K为统计周期内设备健康指数低于0.5的设备台数，H为历史数据权值，P为设备运行单位时间内的故障风险系数。
[0081] S3：基于所述设备健康状况、发生故障的风险，采用预先设定的大数据货币化算法进行趋势评估，包括：
[0082] 基于所述设备的运行年限、基于故障率的运行年限和设备故障率采用最小二乘及拟合算法得到故障率与设备运行时间关系；其中，所述拟合优度为0.85＜R2＜0.9：
[0083] 基于所述设备健康状况、所述设备劣化程度、发生故障的风险以及故障率与设备运行时间关系，使用机器学习进行趋势评估。
[0084] 所述基于所述设备的运行年限、发生故障时的平均运行年限和设备故障率采用最小二乘及拟合算法得到故障率与设备运行时间关系，包括：
[0085] 根据设备运行年限、发生故障时的平均运行年限和设备故障率采用最小二乘法曲线拟合；
[0086] 根据所述拟合结果求解出故障率与运行时间关系参数值；
[0087] 基于所述故障率与运行时间关系参数值结合历史数据和实际风险预测的准确度进行加权，得到故障率与运行时间对应关系。
[0088] 所述基于设备健康状况、所述设备劣化程度、发生故障的风险以及故障率与设备运行时间关系，使用机器学习进行趋势评估，包括：
[0089] 将所述设备健康状况、所述设备劣化程度、发生故障的风险以及故障率与设备运行时间关系建立预测决策树；
[0090] 求解所述预测决策树，得到设备缺陷、故障及风险趋势；
[0091] 将所述趋势评估以设备缺陷、故障及风险趋势图与设备货币化成本分析预测图展示。
[0092] 实施例2，基于同一种发明构思，本发明还提供一种快充桩设备风险评估系统，如图1所示，包括：控制算法模块、数据读取模块、数据读取分类模块、分级算法模块、拟合算法模块、计算算法模块、数据货币化算法模块、机器学习算法模块及多个参数传输
节点。
[0093] 所述控制算法模块，用于控制后续系统中的数据读取、调用、处理、存储，以及各类相关算法模块，从而实现各部分封闭式工作。其中大数据拟合算法模块使用了不同于常规的多项式曲线拟合算法，针对多维数据进行细粒度的拟合；大数据最小二乘法拟合算法模块应用于当多项式曲线拟合算法成本过高，而当下业务需求对
精度要求不是特别高时(拟合优度0.85＜R2＜0.95)，为提高效率使用；故障风险大数据计算算法模块基于设备健康指数和运行时间，在综合前两项算法的结果后得出一个量化指标，当这个指标低于一个阈值则发出报警
信号，以达到控制设备运行的目的。
[0094] 所述大数据读取分类模块，用于系统读取
数据库中的大量数据并按要求分类。为提高系统的健壮性和模块的可复用性，该模块根据特定参数输入实现不同的分类：基于健康指数对故障设备数和总设备进行预测性分类，基于运行时间对设备运行年限和设备故障率进行预测性分类。
[0095] 所述大数据读取模块，用于读取数据库中的大量数据(主要是关于风险与故障信息的数据)并存储。本发明使用了面向切片的设计思想，通用的读取模块起到过滤膜的左右，所有数据传入其他功能模块时都应先经过本模块进行过滤。另外本模块带有缓冲池，可以提高下游模块的读写效率，减少堵塞。
[0096] 所述分级算法模块，用于将读取的故障大数据进行分级并存储。分级算法实现为：结合当前系统风控等级(绝对风险禁止、部分风险禁止、允许低风险)得到一个递减的分级系数，参与输入的故障触发率和经济损失的计算，最终生成供后续两个模块使用的经过调节后的故障触发率和经济损失。
[0097] 所述拟合算法模块，用于对不同模型下的数据进行拟合，求出拟合曲线与模型参数。
[0098] 所述计算算法模块，用于对大量数据按系统要求(即高容错率、高准确性、可分布计算)，根据贝叶斯公式进行计算求解结果并存储。
[0099] 所述机器学习算法模块，用于对货币化的设备故障风险大数据使用机器学习进行趋势评估，并将其以设备缺陷、故障及风险趋势图与设备货币化成本分析预测图展示。
[0100] 所述传输节点，用于实现数据在各部分算法之间的流动。
[0101] 特别地：
[0102] 所述算法控制模块，包括两个算法控制模块：基于健康指数的故障率计算大数据算法控制模块、基于运行时间的故障率计算大数据算法控制模块。用于分别控制系统中基于健康指数的故障率模型求解与基于运行时间的故障模型求解相关算法。
[0103] 特别地：
[0104] 所述基于健康指数的故障率计算大数据算法控制模块，用于控制设备大数据读取、大数据拟合算法模块、故障率与健康指数关系模型求解与曲线展示。
[0105] 特别地：
[0106] 所述基于运行时间的故障率计算大数据算法控制模块，用于控制设备大数据读取、大数据最小二乘法拟合算法模块、故障率与运行时间关系模型求解与曲线展示。
[0107] 特别地：
[0108] 所述大数据读取分类算法模块，包括两个大数据读取分类算法模块：用于读取大量设备数据，并在基于健康指数的故障率计算大数据算法控制模块下的控制下将读取的设备大数据使用上述提到的大数据读取分类算法模块进行分类得到故障设备数与总设备数，在基于运行时间的故障率计算大数据算法控制模块的控制下将读取的设备大数据进行分类得到设备运行年限与设备故障率。
[0109] 特别地：
[0110] 所述分级算法模块，用于将读取的故障大数据根据设备故障等级进行分级，将其分为：一般性故障、严重性故障、灾难性故障并与相应的风险大数据对应存储。
[0111] 特别地：
[0112] 所述拟合算法模块，包括两个拟合算法模块：大数据拟合算法模块、大数据最小二乘法拟合算法模块，用于对大量数据进行曲线拟合，并求解相关参数。
[0113] 特别地：
[0114] 所述大数据拟合算法模块，用于根据故障设备数、总设备数以及故障率与健康指数模型进行大数据量下的曲线拟合(多项式曲线拟合)，并根据拟合结果求解出比例系数与曲率系数，结合历史数据和实际风险预测的准确度进行加权，从而求解出故障率与健康指数模型。
[0115] 特别地：
[0116] 所述大数据最小二乘法拟合算法模块，用于根据设备运行年限、设备故障率以及故障率与运行时间模型进行大数据量下的最小二乘法曲线拟合，并根据拟合结果求解出故障率与运行时间关系模型参数值，结合历史数据和实际风险预测的准确度进行加权，从而求解出故障率与运行时间模型。
[0117] 特别地：
[0118] 所述计算算法模块，包括两个计算算法模块：基于故障率的运行年限计算算法模块、故障风险大数据计算算法模块，用于分别对运行年限与故障风险进行计算。
[0119] 特别地：
[0120] 所述基于故障率的运行年限计算算法模块，用于根据故障率与健康指数关系模型中得到的故障率与运行时间关系模型中的公式，计算运行年限。
[0121] 公式如下：
[0122]
[0123] 式中，λ为设备运行单位时间内的平均故障概率；Pi为设备运行单位时间内设备i的故障风险系数；Ni为设备i运行单位时间；I为设备总数；K为统计周期内设备健康指数低于0.5的设备台数；C为设备故障后经济损失；Hi为设备i的历史数据权值。
[0124] 所述故障风险大数据计算算法模块，用于根据故障发生概率、设备故障后经济损失以及量化故障风险计算公式，计算故障风险。
[0125] 公式如下：
[0126] P＝K×e-C×H
[0127] 式中，C为设备故障后经济损失，K为统计周期内设备健康指数低于0.5的设备台数，H为历史数据权值，P为设备运行单位时间内的故障风险系数
[0128] 所述大数据货币化算法模块，用于将设备健康状况、设备劣化程度、故障率与运行时间关系、量化的设备故障风险进行同一基准的货币化，并以数据形式存储作为历史数据参与后续评估和模型调优。
[0129] 所述机器学习算法模块，用于将货币化后的设备健康状况、设备劣化程度、故障率与运行时间关系、量化的设备故障风险进行综合，用大数据机器学习方法进行趋势评估，通过分析历史数据(设备健康状况、设备劣化程度、故障率、运行时间和故障造成的经济损失)建立预测决策树，并使用实际结果用于反馈调优，求解设备缺陷、故障及风险趋势，并对货币化成本进行分析预测，最终用图形展示趋势评估与成本预测结果。
[0130] 显然，所描述的实施例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它实施例，都属于本发明保护的范围。
[0131] 本领域内的技术人员应明白，本
申请的实施例可提供为方法、系统、或
计算机程序产品。因此，本申请可采用完全
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，本申请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。
[0132] 本申请是参照根据本申请实施例的方法、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、嵌入式处理机或其他可编程
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。
[0133] 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。
[0134] 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。
[0135] 以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何
修改、等同替换、改进等，均包含在申请待批的本发明的
权利要求范围之内。
