样本库更新方法、装置、电子设备及存储介质与流程

1.本发明涉及故障诊断技术领域，尤其涉及一种样本库更新方法、装置、电子设备及存储介质。


背景技术：

2.设备故障诊断技术经过长期的发展，已经取得了重要的进步。目前已经从传统的基于信号处理的诊断技术逐步发展到以工业互联网、大数据、人工智能等技术为核心的智能化故障诊断。随着设备复杂化和运行工况复杂度的提高，传统的故障诊断技术日益无法满足需求，融合了工业互联网产生的海量数据、人工智能技术与设备故障机理的智能化故障诊断，成为极具前景的故障诊断技术。
3.智能故障诊断技术可以对工业设备的健康状态进行实时监控，并且可以提前诊断出设备故障，保障设备平稳运行，同时节省设备维护成本和减少事故发生。
4.智能故障诊断技术的重要基础是样本库，样本库的质量决定了智能化故障诊断算法性能的上限。面对不断产生的海量数据、以及不断变化的设备状态与复杂工况，如何提高样本库的有效性和实时性成为了业界亟待解决的技术问题。


技术实现要素：

5.本发明提供一种样本库更新方法、装置、电子设备及存储介质，用于解决现有技术中如何提高样本库的有效性和实时性的技术问题。
6.本发明提供一种样本库更新方法，包括：
7.获取目标关联案例；所述目标关联案例包括算法推送订单和真实维修订单；所述算法推送订单包含目标设备的故障预测结果；所述故障预测结果是基于所述目标设备的运行数据和样本库确定的；
8.基于预设匹配条件，对所述算法推送订单和所述真实维修订单之间的转化关系进行判断，确定所述真实维修订单是否为所述算法推送订单的转化结果；
9.若是，则将所述算法推送订单中的故障预测结果、以及所述目标设备的运行数据作为一组故障案例，对所述样本库进行更新。
10.根据本发明提供的样本库更新方法，所述确定所述真实维修订单是否为所述算法推送订单的转化结果步骤之后，还包括：
11.若否，则将所述算法推送订单中的故障预测结果修正为无故障，并将修正后的故障预测结果、以及所述目标设备的运行数据作为一组正常案例，对所述样本库进行更新。
12.根据本发明提供的样本库更新方法，所述预设匹配条件包括：所述算法推送订单中的目标设备的设备编号与所述真实维修订单中的设备编号相同、所述算法推送订单的生成时间早于所述真实维修订单的生成时间、所述算法推送订单中的故障预测结果与所述真实维修订单中的故障实测结果相同、以及所述真实维修订单中的故障处理结果为故障已处理。
13.根据本发明提供的样本库更新方法，所述获取目标关联案例步骤之前，还包括：
14.获取多组算法推送订单以及多组真实维修订单；
15.若任一算法推送订单中的关键字段与任一真实维修订单中的关键字段相匹配，则将所述算法推送订单与所述真实维修订单作为一组关联案例；
16.其中，所述关键字段包括设备编号、故障类型、故障部位以及故障时间中的至少一个。
17.本发明提供一种样本库更新装置，包括：
18.获取单元，用于获取目标关联案例；所述目标关联案例包括算法推送订单和真实维修订单；所述算法推送订单包含目标设备的故障预测结果；所述故障预测结果是基于所述目标设备的运行数据和样本库确定的；
19.判断单元，用于基于预设匹配条件，对所述算法推送订单和所述真实维修订单之间的转化关系进行判断，确定所述真实维修订单是否为所述算法推送订单的转化结果；
20.更新单元，用于在判断结果为是时将所述算法推送订单中的故障预测结果、以及所述目标设备的运行数据作为一组故障案例，对所述样本库进行更新。
21.根据本发明提供的样本库更新装置，所述更新单元还用于：
22.在判断结果为否时将所述算法推送订单中的故障预测结果修正为无故障，并将修正后的故障预测结果、以及所述目标设备的运行数据作为一组正常案例，对所述样本库进行更新。
23.根据本发明提供的样本库更新装置，还包括：
24.关联单元，用于获取多组算法推送订单以及多组真实维修订单；以及在任一算法推送订单中的关键字段与任一真实维修订单中的关键字段相匹配时，将所述算法推送订单与所述真实维修订单作为一组关联案例；
25.其中，所述关键字段包括设备编号、故障类型、故障部位以及故障时间中的至少一个。
26.本发明提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述样本库更新方法的步骤。
27.本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述样本库更新方法的步骤。
28.本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现所述样本库更新方法的步骤。
29.本发明提供的样本库更新方法、装置、电子设备及存储介质，通过获取目标关联案例，根据预设匹配条件，对目标关联案例中的算法推送订单和真实维修订单之间的转化关系进行判断，如果真实维修订单是算法推送订单的转化结果，则将算法推送订单中的故障预测结果，以及目标设备的运行数据作为一组故障案例，对故障诊断算法的样本库进行实时更新，算法推送订单和真实维修订单是设备的真实运营数据，容易获取，根据两种订单实时生成新的训练样本，充分利用了真实的故障案例，提高了对设备的真实运营数据的利用率，自动地实现了故障诊断算法样本库的更新，使得样本库保持了有效性和实时性，能够不断地对故障诊断算法进行迭代和优化，提高了故障诊断算法的准确率。
附图说明
30.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本发明提供的样本库更新方法的流程示意图；
32.图2为本发明提供的样本库更新方法的详细示意图；
33.图3为本发明提供的案例自动标注系统的工作示意图；
34.图4为本发明提供的样本库更新装置的结构示意图；
35.图5为本发明提供的电子设备的结构示意图。
具体实施方式
36.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，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作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。
37.图1为本发明提供的样本库更新方法的流程示意图，如图1所示，该方法包括：
38.步骤110，获取目标关联案例；目标关联案例包括算法推送订单和真实维修订单；算法推送订单包含目标设备的故障预测结果；故障预测结果是基于目标设备的运行数据和样本库确定的。
39.具体地，本发明提供的样本库更新方法应用于服务器或者云平台。该服务器或者云平台可配置为目标设备的远程诊断系统。其中运行有故障诊断算法。目标设备为需要进行故障诊断的设备。目标设备可以为硬件设备，例如作业机械、数据服务器、机床等；也可以为软件设备，例如仪表监视系统、运行控制系统等。其中，作业机械包括挖掘机、桩机、装载机、高空作业车、起重机、泵送设备等。
40.故障诊断算法可以以卷积神经网络、全卷积神经网络和循环神经网络等为初始模型，采用样本库中的样本进行训练，本发明实施例对于故障诊断算法中初始模型的选择不作具体限定。
41.目标设备的控制系统将该设备的运行数据发送至服务器或者云平台，由服务器或者云平台中运行的故障诊断算法对运行数据进行分析处理，得到目标设备的故障预测结果。基于该故障预测结果生成算法推送订单。
42.算法推送订单为服务器或者云平台向目标设备的客户端推送的故障预警订单。该订单中包括目标设备的设备编号、设备的健康指标、故障预测结果等信息，其中，故障预测结果包括故障类型、故障发生概率、故障发生部位、以及故障发生时间等，用于向客户提示目标设备可能出现的故障，以及出现故障的时间和部位等信息。
43.真实维修订单为目标设备的检修人员对目标设备进行现场检测后，对目标设备发生的真实故障进行处理，并对故障发生的时间、类型、部位、处理方法和处理结果等进行记录后生成的订单。
44.算法推送订单是服务器或者云平台中的故障诊断算法根据目标设备的运行数据
进行分析处理后生成的，其中包含的故障预测结果可能与目标设备真实发生的故障相一致，也可能与目标设备真实发生的故障不一致，例如目标设备并未发生故障，仅仅是因为工况变化导致运行数据出现了变化，被故障诊断算法错误地判断为出现故障。
45.算法推送订单通常是服务器或者云平台中的远程诊断系统对目标设备的运行数据进行实时监控后生成的；真实维修订单是客户通过客户关系管理系统发出的，请求服务工程师到设备使用现场对设备进行维修而生成的。两种类型的订单来自不同的系统。可以对算法推送订单和真实维修订单进行关联后，生成关联案例。关联的方法包括通过两种订单中的关键字段进行匹配。关键字段可以包括设备编号、健康指标、故障类型、故障时间和故障部位等。健康指标是指用于判断设备是否运行于正常状态的参数。
46.例如，可以以设备编号为关键字段，在多个算法推送订单和多个真实维修订单中进行关键字段匹配。若任一算法推送订单和任一真实维修订单中的设备编号相同，则可以认为这两个订单与同一设备有关，故障信息可能存在关联。可以将该算法推送订单与该真实维修订单作为一组目标关联案例。
47.步骤120，基于预设匹配条件，对算法推送订单和真实维修订单之间的转化关系进行判断，确定真实维修订单是否为算法推送订单的转化结果。
48.具体地，当目标关联案例中的算法推送订单和真实维修订单中的故障类型等信息相匹配时，可以认为该算法推送订单与该真实维修订单之间存在转化关系，即目标设备的用户在客户端接收到算法推送订单后，确认目标设备可能存在故障，并通过客户关系管理系统发出维修请求，由服务工程师现场处理故障而生成的真实维修订单。也就是说，该真实维修订单为算法推送订单的转化结果。
49.预设匹配条件可以根据需要进行设置，例如可以根据两种订单中的设备编号、故障时间和故障类型确定不同的匹配条件。
50.步骤130，若真实维修订单是算法推送订单的转化结果，则将算法推送订单中的故障预测结果、以及目标设备的运行数据作为一组故障案例，对样本库进行更新。
51.具体地，如果真实维修订单是算法推送订单的转化结果，则可以认为故障诊断算法通过对目标设备的运行数据进行分析，得到的故障预测结果是准确的。则可以将该算法推送订单中的故障预测结果、以及目标设备的运行数据作为一组案例，可以标注为故障案例，将该故障案例用于对故障诊断算法的样本库进行更新。
52.例如，可以对通过特征工程对目标设备的运行数据进行特征提取，所提取的特征可以反映目标设备的参数或者指标在故障状态下的变化特征，可以将提取的特征作为一个训练样本，将故障预测结果作为该训练样本的标签，加入到故障诊断算法的样本库中。
53.以上算法推送订单和真实维修订单都是可以实时获取的，所得到的故障样本也是实时生成的，实现了样本库的实时更新，提高了故障诊断算法的准确率。
54.本发明实施例提供的样本库更新方法，通过获取目标关联案例，根据预设匹配条件，对目标关联案例中的算法推送订单和真实维修订单之间的转化关系进行判断；如果真实维修订单是算法推送订单的转化结果，则将算法推送订单中的故障预测结果、以及目标设备的运行数据作为一组故障案例，对故障诊断算法的样本库进行实时更新；算法推送订单和真实维修订单是设备的真实运营数据，容易获取，根据两种订单实时生成新的训练样本，充分利用了真实的故障案例，提高了对设备的真实运营数据的利用率，自动地实现了故
障诊断算法样本库的更新，使得样本库保持了有效性和实时性，能够不断地对故障诊断算法进行迭代和优化，提高了故障诊断算法的准确率。
55.基于上述实施例，步骤120之后包括：
56.若真实维修订单不是算法推送订单的转化结果，则将算法推送订单中的故障预测结果修正为无故障，并将修正后的故障预测结果、以及目标设备的运行数据作为一组正常案例，对样本库进行更新。
57.具体地，如果真实维修订单不是算法推送订单的转化结果，则可以认为故障诊断算法通过对目标设备的运行数据进行分析，得到的故障预测结果是不准确的。此时，目标设备运行于正常状态。
58.可以将故障预测结果修正为无故障。将修正后的故障预测结果、以及目标设备的运行数据作为一组案例，可以标注为正常案例，将该正常案例用于对故障诊断算法的样本库进行更新。
59.通过上述方法，使得故障诊断算法的样本库既包括了故障样本，也包括了正常样本，并且故障样本和正常样本均是通过设备真实的运行数据生成的。当采用该样本库对故障诊断算法进行训练时，能够同时增强算法对故障状态和正常状态的识别，提高了算法的分析预测能力。
60.基于上述任一实施例，预设匹配条件包括算法推送订单中的设备编号与真实维修订单中的设备编号相同、算法推送订单的生成时间早于真实维修订单的生成时间、算法推送订单中的故障预测结果与真实维修订单中的故障实测结果相同，以及真实维修订单中的故障处理结果为故障已处理。
61.具体地，算法推送订单中的设备编号与真实维修订单中的设备编号相同，表明该算法推送订单与真实维修订单属于同一设备。
62.算法推送订单的生成时间早于真实维修订单的生成时间，表明真实维修订单是在算法推送订单之后生成的。根据设备预测和维修的先后顺序，若真实维修订单早于算法推送订单，则该真实维修订单必然不可能是该算法推送订单转化而来的；若真实维修订单晚于算法推送订单，则该真实维修订单可能是该算法推送订单转化而来的。
63.算法推送订单中的故障预测结果与真实维修订单中的故障实测结果相同，表明算法推送订单中的故障预测结果可能是准确的，即目标设备实际发生的故障类型、故障部位等与故障预测结果一致。
64.真实维修订单中的故障处理结果为故障已处理，表明经过维修人员处理后，目标设备实际发生的故障类型得到了解除，进一步地表明了算法推送订单中的故障预测结果可能是准确的。
65.通过上述4个预设匹配条件，可以有效且准确地判断真实维修订单是否为算法推送订单的转化结果。
66.基于上述任一实施例，步骤110之前包括：
67.获取多组算法推送订单以及多组真实维修订单；
68.若任一算法推送订单中的关键字段与任一真实维修订单中的关键字段相匹配，则将该算法推送订单与该真实维修订单作为一组关联案例；
69.其中，关键字段包括设备编号、健康指标、故障类型、故障时间和故障部位等。
70.具体地，算法推送订单可以通过远程诊断系统获取，真实维修订单可以通过客户关系管理系统获取，两种类型的订单来自不同的系统。在真实的运营过程中，两个系统所生成的订单并不是直接关联或者对应的，且实际生成订单的数据量较大。
71.可以通过关键字段匹配的方法，将算法推送订单与真实维修订单进行关联，将关联后的两个订单作为一组关联案例。根据得到的多组关联案例，生成基础案例库，用于进一步匹配和筛选，得到样本库。
72.例如，可以将设备编号和故障部位作为关键字段，在多个算法推送订单和多个真实维修订单中进行关键字段匹配。如果任一算法推送订单和任一真实维修订单中的设备编号和故障部位均相同，则可以认为这两个订单与同一设备发生同一故障类型有关，故障信息可能存在关联。从而，可以将该算法推送订单与该真实维修订单作为一组关联案例。基于上述任一实施例，算法推送订单是基于如下步骤确定的：
73.接收目标设备的控制系统发送的运行数据；
74.基于运行数据和故障诊断算法，确定目标设备的故障预测结果；
75.生成包含故障预测结果的算法推送订单。
76.具体地，目标设备的控制系统可以通过通信模块与运行有远程诊断系统的服务器或者云平台进行通信，发送目标设备的运行数据至远程诊断系统。
77.远程诊断系统获取运行数据后，将其输入至故障诊断算法，对目标设备的运行状态进行预测，得到故障预测结果。远程诊断系统根据故障预测结果生成算法推送订单，通过通信模块，发送至目标设备的控制系统或者目标设备的客户端。
78.基于上述任一实施例，故障诊断算法与目标设备的类型相对应。
79.具体地，同一类型的设备发生设备故障的概率或者故障类型等具有相似性。收集同一类型的设备的故障记录或者运行数据，训练得到的故障诊断算法对于该类型的所有设备的故障预警和故障诊断具有很高的参考意义。
80.因此，可以将故障诊断算法与设备的类型对应起来，使用与目标设备相同类型的样本数据对故障诊断算法进行训练，能够提高故障诊断算法的准确度。
81.基于上述任一实施例，本发明提供一种基于大数据系统和现实运营数据驱动的故障诊断样本库更新方法，该方法结合大数据系统提供的故障诊断算法诊断结果和现实运营情况两方面数据，通过基于运营跟踪的案例评价系统实现了对算法应用情况进行监控以及案例的评价，从而自动获取了大量已标注的真实的案例，从而进一步通过自动标注系统持续不断的更新故样本库。
82.图2为本发明提供的样本库更新方法的详细示意图，如图2所示，该方法包括：
83.步骤一、基于企业大数据基础设施构建数据接口，可以从用户终端获取故障诊断算法产生的算法推送订单；并从企业客户关系管理系统接口获取真实故障维修记录，即真实维修订单；基于订单中的关键字段的匹配关系实现算法推送订单与真实维修订单之间的关联，将关联好的关联案例作为基础案例进行编码后存入数据库作为基础案例库。
84.步骤二、构建了算法推送订单与真实故障的映射关系，基于映射关系构建判断规则，从下面四个方面对基础案例库中案例进行判断：a、设备编号是否匹配；b、算法推送订单生成时间是否早于真实维修订单的生成时间；c、算法推送订单中的故障预测结果与真实维修订单中的故障实测结果一致；d、真实维修订单处理后设备的健康指标是否恢复抑或真实
维修订单中的故障处理结果是否为故障已处理；基于判断结果来推断算法推送订单是否成功转化为真实维修订单。
85.从基础案例库中获取设备编号，根据设备编号从大数据平台获取所有设备的时间序列数据[x]，设备编号为no._s，时间为t，每台设备的时间序列数据为[x]no._s，其中包含n种不同传感设备监测数据及控制系统控制信号分别记为x1,x2,x2,x3,
……
,xn，通过大数据故障诊断算法output＝m(input)获得每台设备的健康指标：index_h＝m(x)
no._s,t
。
[0086]
针对index_h设置适当的阈值当健康指标低于阈值时，认为设备发生故障，当健康指标等于或高于阈值认为设备恢复健康。
[0087]
获取企业客户关系管理系统的数据，记为[crm]，其中包括了故障设备编号、故障时间、故障部位、故障类型等信息，记录为[no._s,fault_time,fault_location,fault_type，
…
]。
[0088]
构建健康指标与故障类型之间的映射关系，并基于映射关系构造映射函数:fault_type＝type[index_h]。
[0089]
根据算法推送订单是否成功转化为真实维修订单的标准，设定判断条件：
[0090]
判断条件a:算法推送订单中的设备编号与真实维修订单中的设备编号相同。
[0091]
no._s
[index_h]
＝no._s
[crm]
[0092]
判断条件b：算法推送订单的生成时间，即健康指标小于阈值时间，在真实维修订单生成时间之前。
[0093][0094]
判断条件c:算法推送订单预报的故障类型与真实维修订单指示的故障类型相符。
[0095]
type(index_h)＝[fault_type]
[crm]
[0096]
判断条件d:真实维修订单发出后设备恢复健康状态，即设备健康指标等于或高于阈值。
[0097][0098]
步骤三、构建了基于运营数据跟踪的案例自动标注系统，根据上述设定的判断条件，将案例分为成功转化的故障案例和无真实故障的正常案例，实现对案例的自动标注。图3为本发明提供的案例自动标注系统的工作示意图，如图3所示，根据上述4个判断条件，判断算法预测订单是否成功转化为真实维修订单，自动对关联案例进行标注。
[0099]
构建判断函数j，最终判断结果可以表示为r＝j(a,b,c,d)。r值计算为1则判定结果为真，即案例为成功转化的故障案例；否则判定结果为假，即案例为非故障的正常案例。
[0100]
步骤四、构建了样本自动获取系统，对已标注的案例进行特征提取，并通过入库规则对提取后的样本进行入库审核，审核通过的样本自动加入样本库中，实现了样本库的实时更新。
[0101]
通过构建完整的系统，将各个功能模块有机融合，持续地自动实现上述过程，实现样本库不断地更新与迭代。
[0102]
基于上述任一实施例，图4为本发明提供的样本库更新装置的结构示意图，如图4所示，该装置包括：
[0103]
获取单元410，用于获取目标关联案例；目标关联案例包括算法推送订单和真实维
修订单；算法推送订单包含目标设备的故障预测结果；故障预测结果是基于目标设备的运行数据和样本库确定的；
[0104]
判断单元420，用于基于预设匹配条件，对算法推送订单和真实维修订单之间的转化关系进行判断，确定真实维修订单是否为算法推送订单的转化结果；
[0105]
更新单元430，用于在判断结果为是时将算法推送订单中的故障预测结果，以及目标设备的运行数据作为一组故障案例，对样本库进行更新。
[0106]
本发明实施例提供的样本库更新装置，通过获取目标关联案例，根据预设匹配条件，对目标关联案例中的算法推送订单和真实维修订单之间的转化关系进行判断，如果真实维修订单是算法推送订单的转化结果，则将算法推送订单中的故障预测结果，以及目标设备的运行数据作为一组故障案例，对故障诊断算法的样本库进行实时更新，算法推送订单和真实维修订单是设备的真实运营数据，容易获取，根据两种订单实时生成新的训练样本，充分利用了真实的故障案例，提高了对设备的真实运营数据的利用率，自动地实现了故障诊断算法样本库的更新，使得样本库保持了有效性和实时性，能够不断地对故障诊断算法进行迭代和优化，提高了故障诊断算法的准确率。
[0107]
基于上述任一实施例，更新单元还用于：
[0108]
在判断结果为否时将算法推送订单中的故障预测结果修正为无故障，并将修正后的故障预测结果，以及目标设备的运行数据作为一组正常案例，对样本库进行更新。
[0109]
基于上述任一实施例，预设匹配条件包括算法推送订单中的设备编号与真实维修订单中的设备编号相同、算法推送订单的生成时间早于真实维修订单的生成时间、算法推送订单中的故障预测结果与真实维修订单中的故障实测结果相同，以及真实维修订单中的故障处理结果为故障已处理。
[0110]
基于上述任一实施例，该装置还包括：
[0111]
关联单元，用于获取多组算法推送订单以及多组真实维修订单；以及在任一算法推送订单中的关键字段与任一真实维修订单中的关键字段相匹配时，将该算法推送订单与该真实维修订单作为一组关联案例；
[0112]
其中，关键字段包括设备编号、故障类型、故障部位以及故障时间中的至少一个。
[0113]
基于上述任一实施例，算法推送订单是基于如下步骤确定的：
[0114]
接收目标设备的控制系统发送的运行数据；
[0115]
基于运行数据和故障诊断算法，确定目标设备的故障预测结果；
[0116]
生成包含故障预测结果的算法推送订单。
[0117]
基于上述任一实施例，故障诊断算法与目标设备的类型相对应。
[0118]
基于上述任一实施例，图5为本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communications interface)520、存储器(memory)530和通信总线(communications bus)540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑命令，以执行如下方法：
[0119]
获取目标关联案例；目标关联案例包括算法推送订单和真实维修订单；算法推送订单包含目标设备的故障预测结果；故障预测结果是基于目标设备的运行数据和样本库确定的；基于预设匹配条件，对算法推送订单和真实维修订单之间的转化关系进行判断，确定
真实维修订单是否为算法推送订单的转化结果；若是，则将算法推送订单中的故障预测结果、以及目标设备的运行数据作为一组故障案例，对样本库进行更新。
[0120]
此外，上述的存储器530中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0121]
本发明实施例提供的电子设备中的处理器可以调用存储器中的逻辑指令，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
[0122]
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
[0123]
获取目标关联案例；目标关联案例包括算法推送订单和真实维修订单；算法推送订单包含目标设备的故障预测结果；故障预测结果是基于目标设备的运行数据和样本库确定的；基于预设匹配条件，对算法推送订单和真实维修订单之间的转化关系进行判断，确定真实维修订单是否为算法推送订单的转化结果；若是，则将算法推送订单中的故障预测结果、以及目标设备的运行数据作为一组故障案例，对样本库进行更新。
[0124]
本发明实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
[0125]
本发明实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如上述方法的步骤。
[0126]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。