CN112393931A - 检测方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本申请实施例公开了检测方法、装置、电子设备和计算机可读介质。该方法的实施例包括：获取油田动设备在生产或自检时的待检测运行数据；将待检测运行数据输入预先构建的健康度检测模型，得到油田动设备的健康度检测结果，其中，健康度检测模型为将油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测油田动设备的健康度的健康度检测模型。该实施方式能够提高对油田动设备健康度检测的准确性，为预测性维护提供强有力的技术支撑。

Description

检测方法、装置、电子设备和计算机可读介质

技术领域

本申请实施例涉及数据处理领域，具体涉及检测方法、装置、电子设备和计算机可读介质。

背景技术

各油田在油井生产过程中，通常需要使用各种油田动设备。其中，油田动设备是指适用于油田的、由驱动机带动的转动设备(亦即有能源消耗的设备)，如泵、压缩机、风机等。其能源可以是电动力、气动力、蒸汽动力等。

目前对油田动设备的故障诊断，通常是通过传感器信号的波动情况人为来判断油田动设备的健康度，进而对油田动设备进行预测性维护。由于健康度依人的经验而定，且经验无法量化，因而，对油田动设备健康度检测的准确性较低，进而导致无法准确地对油田动设备进行预测性维护。

发明内容

本申请实施例提出了检测方法、装置、电子设备和计算机可读介质，以解决现有技术中对油田动设备的健康度检测的准确性较低的技术问题。

第一方面，本申请实施例提供了一种检测方法，该方法包括：获取油田动设备在生产或自检时的待检测运行数据；将待检测运行数据输入预先构建的健康度检测模型，得到油田动设备的健康度检测结果，其中，健康度检测模型为将油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测油田动设备的健康度的健康度检测模型。

第二方面，本申请实施例提供了一种检测装置，该装置包括：第一获取单元，被配置成获取油田动设备在生产或自检时的待检测运行数据；检测单元，被配置成将待检测运行数据输入预先构建的健康度检测模型，得到油田动设备的健康度检测结果，其中，健康度检测模型为将油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测油田动设备的健康度的健康度检测模型。

第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述第一方面中任一实施例的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面中任一实施例的方法。

本申请实施例提供的检测方法、装置、电子设备和计算机可读介质，通过获取油田动设备在生产或自检时的待检测运行数据，而后将待检测运行数据输入预先构建的健康度检测模型，从而得到油田动设备的健康度检测结果。其中，健康度检测模型为将油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测油田动设备的健康度的健康度检测模型。由此，通过该健康度检测模型进行油田动设备的健康度的检测，能够提高对油田动设备健康度检测的准确性，为预测性维护提供强有力的技术支撑。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是根据本申请的检测方法的一个实施例的流程图；

图2是根据本申请的检测方法的又一个实施例的流程图；

图3是根据本申请的检测装置的一个实施例的结构示意图；

图4是适于用来实现本申请实施例的设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

请参考图1，其示出了根据本申请的检测方法的一个实施例的流程100。该检测方法，包括以下步骤：

步骤101，获取油田动设备在生产或自检时的待检测运行数据。

在本实施例中，检测方法的执行主体(例如服务器、用于训练健康度检测模型的智能模型训练平台等)可以获取油田动设备在生产或自检时的待检测运行数据。其中，油田动设备是指适用于油田的、有驱动机带动的转动设备(亦即有能源消耗的设备)，如泵、压缩机、风机等。其能源可以是电动力、气动力、蒸汽动力等。

可选的，上述油田动设备安装有多个传感器。上述多个传感器可以包括但不限于：温度传感器、压力传感器、电流表、电压表、声音信号采集器等。执行主体可以通过上述多个传感器，周期性地或者实时地采集油田动设备在生产或自检时的待检测运行数据。

具体地，上述执行主体可以上述油田动设备中的各传感器可以通过RTU(RemoteTerminal Unit，远程终端控制系统)、DCS(Distributed Control System，分布式控制系统)、或者PLC(Programmable Logic Controller，可编程逻辑控制器)等与上述执行主体通信连接。此时，上述执行主体可以通过RTU、DCS、或PLC，获取各传感器所采集的待检测运行数据。

可选的，上述待检测运行数据可以包括但不限于以下至少一项：频谱、音频、电流、电压、流量、温度、图片。

可选的，上述执行主体还可以将所获取的待检测运行数据保存至数据库中，以便于为后续的故障分析提供数据支持。

步骤102，将待检测运行数据输入预先构建的健康度检测模型，得到油田动设备的健康度检测结果。

在本实施例中，上述待检测运行数据输入预先构建的健康度检测模型，得到上述油田动设备的健康度检测结果。其中，上述健康度检测模型为将上述油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测上述油田动设备的健康度的健康度检测模型。

此处，历史运行数据可以是上述油田动设备在历史运行或者自检过程中所产生的数据。上述历史运行数据与上述待检测运行数据的具体项目(如频谱、音频、电压、电流、温度等)可以是相同的，此处不再赘述。

此处，历史检测数据可以是在定期对设备巡检时和故障时生成的数据。该数据可以由检测人员人工记录。例如，历史检测数据可以包括用于指示油田动设备是否故障的故障标识、故障类型、报警量、油田动设备的使用年限或使用月数等。实践中，可以每隔固定时间(例如一天、一周等)，对油田动设备进行检测，以确定其是否故障，并针对每次检测记录检测数据。

此处，健康度检测结果可以包括健康度的取值。实践中，健康度可以是位于预设数值区间(例如[0,10])的数值。健康度的取值越大，则油田动设备的运行状况越好。

在本实施例中，上述健康度检测模型可以预先训练生成。在训练健康度检测模型前，可以首先利用所获取的历史检测数据，对历史运行数据进行标注。从而，可以将历史运行数据作为输入，将与所输入的历史运行数据作为输出，利用机器学习方法(如有监督学习方法)训练得到健康度检测模型。实践中，健康度检测模型可使用各种常用的处理大数据的模型进行训练。例如卷积神经网络(Convolutional Neural Networks，CNN)等模型。

需要说明的是，可以利用各种预设的标注规则，进行历史运行数据的标注。作为示例，在某个时间段对油田动设备进行检测后，若检测结果指示油田动设备发生了故障，则可以将该时间段所获取的历史运行数据标注为1；若检测结果指示油田动设备未发生故障，则可以将该时间段所获取的历史运行数据标注为0。

需要指出的是，在训练前，可以预先对所采集的运行数据进行数据处理(如数值转换、特征提取等操作)，以便于进行模型训练。在训练健康度检测模型的过程中，可以逐一输入各历史运行数据，也可以分批次地每次输入多个历史运行数据。模型训练完成后(例如，满足训练次数达到预设次数、模型预测的准确性达到预设值等预先设定的训练结束条件后)，即可将训练完成后的模型确定为健康度检测模型。由此，通过健康度检测模型，即可对油田动设备的健康度进行实时检测。

在本实施例的一些可选的实现方式中，在得到健康度检测结果后，上述执行主体还可以执行如下步骤：

首先，从预设的第一对应关系表中，查找与上述健康度检测结果所指示的当前健康度对应的目标健康等级。其中，上述第一对应关系表用于表征健康等级与健康度范围的对应关系。其中，不同的健康等级(例如A级、B级、C级)可以对应不同的健康度范围。例如，A级对应的健康度范围为(8，10]，B级对应的健康度范围为(6，8]，C级对应的健康度范围为[0，6]。

而后，从预设的第二对应关系表中，查找上述目标健康等级对应的目标维护方式。其中，上述第二对应关系表用于表征健康等级与维护方式的对应关系。例如，A级对应的维护方式为记录实时的运行数据，B级对应的维护方式为人工检查，C级对应的维护方式为暂停油田动设备的工作并进行人工检查。

最后，利用上述目标维护方式，对上述油田动设备进行维护。由此，在对上述油田动设备的健康度进行实时检测的过程中，上述执行主体可以基于所检测出的健康度对应的健康等级，选取维护方式。进而，利用所选取的维护方式，对上述油田动设备进行维护。由于维护方式根据健康度等级而选取，而非根据维护人员经验所决定，由此，可提高预测性维护的准确性。

本申请的上述实施例提供的方法，通过获取油田动设备在生产或自检时的待检测运行数据，而后将上述待检测运行数据输入预先构建的健康度检测模型，从而得到上述油田动设备的健康度检测结果。其中，健康度检测模型为将油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测上述油田动设备的健康度的健康度检测模型。由此，通过该健康度检测模型进行油田动设备的健康度的检测，能够提高对油田动设备健康度检测的准确性，为预测性维护提供强有力的技术支撑。

进一步参考图2，其示出了检测方法的又一个实施例的流程200。该检测方法的流程200，包括以下步骤：

步骤201，获取油田动设备在生产或自检时的待检测运行数据。

在本实施例中，上述油田动设备可以安装有多个传感器。上述执行主体可以通过上述多个传感器，周期性地或者实时地采集油田动设备在生产或自检时的待检测运行数据。其中，上述运行数据可以包括但不限于：频谱、音频、电流、电压、流量、温度、图片。

步骤202，将待检测运行数据输入预先构建的健康度检测模型，得到油田动设备的健康度检测结果。

在本实施例中，上述执行主体上述待检测运行数据输入预先构建的健康度检测模型，得到上述油田动设备的健康度检测结果。其中，上述健康度检测模型可以通过如下步骤训练得到：

第一步，获取上述油田动设备的历史运行数据和历史检测数据。

第二步，基于上述历史检测数据，设定上述油田动设备的历史健康度。此处，历史健康度可以是位于预设数值区间(例如[0,10])的数值。健康度的取值越大，则油田动设备的运行状况越好。

此处，可以利用各种预设的规则计算各历史检测数据对应的历史健康度。作为示例，可以结合历史检测数据中的故障标识、故障类型以及报警量确定历史健康度。具体可参见下表：

如上表所示，故障标识为1，则表示油田动设备发生故障；故障标识为0，则表示油田动设备未发生故障。以表中第二列为例，当油田动设备发生故障、故障类型为断裂性故障且报警量处于第三档位时，则历史健康度可以设置为0。

需要说明的是，设定各历史检测数据对应的历史健康度的规则可以根据需要而进行其他设定，此处不作限定。

第三步，建立各历史运行数据与历史健康度的对应关系。作为示例，每一个巡检周期(例如24小时)对设备进行一次巡检，则可以得到每次巡检后所记录的历史检测数据对应的历史健康度。进而，可以对每个巡检周期所采集的历史运行数据与该历史周期对应的历史健康度建立对应关系。

第四步，将各历史运行数据作为预先建立的初始模型的输入，将与所输入的历史运行数据对应的历史健康度作为上述初始模型的输出，利用机器学习方法训练，得到用于检测上述油田动设备的健康度的健康度检测模型。

步骤203，在油田动设备发生故障时，获取油田动设备在发生故障期间的运行数据，并获取油田动设备在发生故障后的检测数据。

在本实施例中，上述执行主体在上述油田动设备发生故障时，可以获取上述油田动设备在发生故障期间的运行数据，并获取上述油田动设备在发生故障后的检测数据。实践中，上述执行主体还可以将上述运行数据保存至数据库中，以便于为后续的故障分析提供数据支持。

步骤204，将运行数据与检测数据作为训练样本，利用机器学习方法对健康度检测模型进行训练，以更新健康度检测模型。

在本实施例中，上述执行主体可以将上述运行数据与上述检测数据作为训练样本，利用机器学习方法对上述健康度检测模型进行训练，以更新健康度检测模型。

在本实施例的一些可选的实现方式中，可以按照如下步骤更新模型：

首先，基于上述检测数据，设定上述油田动设备在上述故障期间内的目标健康度，并建立上述运行数据与上述目标健康度的对应关系。此处，目标健康度的设定方式可以参见步骤202中的历史健康度的设定方式，此处不再赘述。

而后，将上述运行数据作为上述健康度检测模型的输入，将上述目标健康度作为上述健康度检测模型的输出，利用机器学习方法对上述健康度检测模型进行训练，以更新上述健康度检测模型的参数。

从图2中可以看出，与图1对应的实施例相比，本实施例中的检测方法的流程200涉及了利用油田动设备发生故障时的运行数据对模型进行再次训练的步骤。由此，本实施例描述的方案可以对模型进行实时地优化，提高了模型的准确性。

进一步参考图3，作为对上述各图所示方法的实现，本申请提供了一种检测装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的检测装置300包括：第一获取单元301，被配置成获取油田动设备在生产或自检时的待检测运行数据；检测单元302，被配置成将上述待检测运行数据输入预先构建的健康度检测模型，得到上述油田动设备的健康度检测结果，其中，上述健康度检测模型为将上述油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测上述油田动设备的健康度的健康度检测模型。

在本实施例的一些可选的实现方式中，上述油田动设备安装有多个传感器；以及上述第一获取单元，进一步被配置成：通过上述多个传感器，周期性地或者实时地采集油田动设备在生产或自检时的待检测运行数据。

在本实施例的一些可选的实现方式中，上述健康度检测模型通过如下步骤训练得到，包括：获取上述油田动设备的历史运行数据和历史检测数据；基于上述历史检测数据，设定上述油田动设备的历史健康度；建立各历史运行数据与历史健康度的对应关系；将各历史运行数据作为预先建立的初始模型的输入，将与所输入的历史运行数据对应的历史健康度作为上述初始模型的输出，利用机器学习方法训练，得到用于检测上述油田动设备的健康度的健康度检测模型。

在本实施例的一些可选的实现方式中，上述装置还包括：第一获取单元，被配置成在上述油田动设备发生故障时，获取上述油田动设备在发生故障期间的运行数据，并获取上述油田动设备在发生故障后的检测数据；更新单元，被配置成将上述运行数据与上述检测数据作为训练样本，利用机器学习方法对上述健康度检测模型进行训练，以更新健康度检测模型。

在本实施例的一些可选的实现方式中，上述更新单元，进一步被配置成：基于上述检测数据，设定上述油田动设备在上述故障期间内的目标健康度，并建立上述运行数据与上述目标健康度的对应关系；将上述运行数据作为上述健康度检测模型的输入，将上述目标健康度作为上述健康度检测模型的输出，利用机器学习方法对上述健康度检测模型进行训练，以更新上述健康度检测模型的参数。

在本实施例的一些可选的实现方式中，上述装置还包括：第一查找单元，被配置成从预设的第一对应关系表中，查找与上述健康度检测结果所指示的当前健康度对应的目标健康等级，其中，上述第一对应关系表用于表征健康等级与健康度范围的对应关系；第二查找单元，被配置成从预设的第二对应关系表中，查找上述目标健康等级对应的目标维护方式，其中，上述第二对应关系表用于表征健康等级与维护方式的对应关系；维护单元，被配置成利用上述目标维护方式，对上述油田动设备进行维护。

在本实施例的一些可选的实现方式中，上述待检测运行数据包括以下至少一项：频谱、音频、电流、电压、流量、温度、图片。

上述检测装置包括处理器和存储器，上述第一获取单元、检测单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高对油田动设备健康度检测的准确性，为预测性维护提供强有力的技术支撑。

本发明实施例提供了一种计算机可读介质，其上存储有程序，该程序被处理器执行时实现所述检测方法。

本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述检测方法。

本发明实施例提供了一种设备，设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，处理器、存储器通过总线完成相互间的通信；处理器用于调用存储器中的程序指令，以执行上述的检测方法。本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取油田动设备在生产或自检时的待检测运行数据；将上述待检测运行数据输入预先构建的健康度检测模型，得到上述油田动设备的健康度检测结果，其中，上述健康度检测模型为将上述油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测上述油田动设备的健康度的健康度检测模型。

可选的，上述油田动设备安装有多个传感器；以及上述获取油田动设备在生产或自检时的待检测运行数据，包括：通过上述多个传感器，周期性地或者实时地采集油田动设备在生产或自检时的待检测运行数据。

可选的，上述健康度检测模型通过如下步骤训练得到，包括：获取上述油田动设备的历史运行数据和历史检测数据；基于上述历史检测数据，设定上述油田动设备的历史健康度；建立各历史运行数据与历史健康度的对应关系；将各历史运行数据作为预先建立的初始模型的输入，将与所输入的历史运行数据对应的历史健康度作为上述初始模型的输出，利用机器学习方法训练，得到用于检测上述油田动设备的健康度的健康度检测模型。

可选的，当在数据处理设备上执行时，还可适于进一步执行初始化有如下方法步骤的程序：在上述油田动设备发生故障时，获取上述油田动设备在发生故障期间的运行数据，并获取上述油田动设备在发生故障后的检测数据；将上述运行数据与上述检测数据作为训练样本，利用机器学习方法对上述健康度检测模型进行训练，以更新健康度检测模型。

可选的，上述将上述运行数据与上述检测数据作为训练样本，利用机器学习方法对上述健康度检测模型进行训练，以更新健康度检测模型，包括：基于上述检测数据，设定上述油田动设备在上述故障期间内的目标健康度，并建立上述运行数据与上述目标健康度的对应关系；将上述运行数据作为上述健康度检测模型的输入，将上述目标健康度作为上述健康度检测模型的输出，利用机器学习方法对上述健康度检测模型进行训练，以更新上述健康度检测模型的参数。

可选的，在上述得到上述油田动设备的健康度检测结果之后，还可适于进一步执行初始化有如下方法步骤的程序：从预设的第一对应关系表中，查找与上述健康度检测结果所指示的当前健康度对应的目标健康等级，其中，上述第一对应关系表用于表征健康等级与健康度范围的对应关系；从预设的第二对应关系表中，查找上述目标健康等级对应的目标维护方式，其中，上述第二对应关系表用于表征健康等级与维护方式的对应关系；利用上述目标维护方式，对上述油田动设备进行维护。

可选的，上述待检测运行数据包括以下至少一项：频谱、音频、电流、电压、流量、温度、图片。

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。

在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。

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(flashRAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。

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。

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。

本领域技术人员应明白，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。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种检测方法，其特征在于，所述方法包括：

获取油田动设备在生产或自检时的待检测运行数据；

将所述待检测运行数据输入预先构建的健康度检测模型，得到所述油田动设备的健康度检测结果，其中，所述健康度检测模型为将所述油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测所述油田动设备的健康度的健康度检测模型。

2.根据权利要求1所述的检测方法，其特征在于，所述油田动设备安装有多个传感器；以及

所述获取油田动设备在生产或自检时的待检测运行数据，包括：

通过所述多个传感器，周期性地或者实时地采集油田动设备在生产或自检时的待检测运行数据。

3.根据权利要求1所述的检测方法，其特征在于，所述健康度检测模型通过如下步骤训练得到，包括：

获取所述油田动设备的历史运行数据和历史检测数据；

基于所述历史检测数据，设定所述油田动设备的历史健康度；

建立各历史运行数据与历史健康度的对应关系；

将各历史运行数据作为预先建立的初始模型的输入，将与所输入的历史运行数据对应的历史健康度作为所述初始模型的输出，利用机器学习方法训练，得到用于检测所述油田动设备的健康度的健康度检测模型。

4.根据权利要求1所述的检测方法，其特征在于，所述方法还包括：

在所述油田动设备发生故障时，获取所述油田动设备在发生故障期间的运行数据，并获取所述油田动设备在发生故障后的检测数据；

将所述运行数据与所述检测数据作为训练样本，利用机器学习方法对所述健康度检测模型进行训练，以更新健康度检测模型。

5.根据权利要求4所述的检测方法，其特征在于，所述将所述运行数据与所述检测数据作为训练样本，利用机器学习方法对所述健康度检测模型进行训练，以更新健康度检测模型，包括：

基于所述检测数据，设定所述油田动设备在所述故障期间内的目标健康度，并建立所述运行数据与所述目标健康度的对应关系；

将所述运行数据作为所述健康度检测模型的输入，将所述目标健康度作为所述健康度检测模型的输出，利用机器学习方法对所述健康度检测模型进行训练，以更新所述健康度检测模型的参数。

6.根据权利要求1所述的检测方法，其特征在于，在所述得到所述油田动设备的健康度检测结果之后，所述方法还包括：

从预设的第一对应关系表中，查找与所述健康度检测结果所指示的当前健康度对应的目标健康等级，其中，所述第一对应关系表用于表征健康等级与健康度范围的对应关系；

从预设的第二对应关系表中，查找所述目标健康等级对应的目标维护方式，其中，所述第二对应关系表用于表征健康等级与维护方式的对应关系；

利用所述目标维护方式，对所述油田动设备进行维护。

7.根据权利要求1所述的检测方法，其特征在于，所述待检测运行数据包括以下至少一项：频谱、音频、电流、电压、流量、温度、图片。

8.一种检测装置，其特征在于，所述装置包括：

第一获取单元，被配置成获取油田动设备在生产或自检时的待检测运行数据；

检测单元，被配置成将所述待检测运行数据输入预先构建的健康度检测模型，得到所述油田动设备的健康度检测结果，其中，所述健康度检测模型为将所述油田动设备的历史运行数据和历史检测数据作为训练样本，利用机器学习方法训练得到的用于检测所述油田动设备的健康度的健康度检测模型。

9.一种设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images