CN113837596B - 一种故障确定方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种故障确定方法、装置、电子设备及存储介质，包括：通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据所述分析结果和目标设备的属性信息，确定目标设备的故障预测评分；通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分；通过预设聚类算法对所述目标设备的历史运维数据进行分析，确定所述目标设备的三相不平衡度预测评分；根据所述故障预测评分、所述负荷预测评分和所述三相不平衡度预测评分，确定所述目标设备发生故障的概率。本申请可以避免对设备的过度检修，降低设备维修成本。

Description

一种故障确定方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及设备故障检测技术领域，尤其涉及一种故障确定方法、装置、电子设备及存储介质。

背景技术

在企业中，设备是为满足某种生产对象的工艺要求或完成工程项目的预计功能而配备的，是在生产活动中的价值体现和对生产的重要保证，然而设备故障的频繁和对设备故障的维修，不仅影响企业产品的数据和质量还会增加设备维修成本。

现有技术中，面对人力和财力等资源有限的情况下，对设备检修任务量和难度的增加，会导致盲目、重复和过度的维修。因此，需要设计一种设备故障确定的方法，可以避免对设备的过度检修，降低设备维修成本。

发明内容

本申请实施例提供了一种故障确定方法、装置、电子设备及存储介质，可以避免对设备的过度检修，降低设备维修成本。

第一方面，本申请实施例提供了一种故障确定方法，该方法包括：

通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据所述分析结果和目标设备的属性信息，确定目标设备的故障预测评分；

通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分；

通过预设聚类算法对所述目标设备的历史运维数据进行分析，确定所述目标设备的三相不平衡度预测评分；

根据所述故障预测评分、所述负荷预测评分和所述三相不平衡度预测评分，确定所述目标设备发生故障的概率。

第二方面，本申请实施例提供了一种故障确定装置，该装置包括：

故障评分预测模块，用于通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据所述分析结果和目标设备的属性信息，确定目标设备的故障预测评分；

负荷评分预测模块，用于通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分；

不平衡度评分预测模块，用于通过预设聚类算法对所述目标设备的历史运维数据进行分析，确定所述目标设备的三相不平衡度预测评分；

故障概率确定模块，用于根据所述故障预测评分、所述负荷预测评分和所述三相不平衡度预测评分，确定所述目标设备发生故障的概率。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

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本申请任意实施例所述的故障确定方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现本申请任意实施例所述的故障确定方法。

本申请实施例提供了一种故障确定方法、装置、电子设备及存储介质，通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据所述分析结果和目标设备的属性信息，确定目标设备的故障预测评分；通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分；通过预设聚类算法对所述目标设备的历史运维数据进行分析，确定所述目标设备的三相不平衡度预测评分；根据所述故障预测评分、所述负荷预测评分和所述三相不平衡度预测评分，确定所述目标设备发生故障的概率。本申请的技术方案可以避免对设备的过度检修，降低设备维修成本。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例提供的一种故障确定方法的第一流程示意图；

图2为本申请实施例提供的一种故障确定方法的第二流程示意图；

图3为本申请实施例提供的一种故障确定装置的结构示意图；

图4是用来实现本申请实施例的一种故障确定方法的电子设备的框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

实施例一

图1为本申请实施例提供的一种故障确定方法的第一流程示意图，本实施例可适用于评估设备发生故障概率的情况。本实施例提供的一种故障确定方法可以由本申请实施例提供的故障确定装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。

参见图1，本实施例的方法包括但不限于如下步骤：

S110、通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据分析结果和目标设备的属性信息，确定目标设备的故障预测评分。

其中，历史故障数据可以包括设备的属性信息和故障数据；属性信息至少包括制造厂家信息和首次投运时间；故障数据至少包括设备故障发生时间；至少一个历史故障设备和目标设备的产品种类相同；至少一个历史故障设备来自至少两个厂家的设备。例如，历史故障设备和目标设备可以是变压器。

在本申请实施例中，电子设备获取到至少一个历史故障设备的制造厂家信息、首次投运时间和设备故障发生时间之后，对其进行分析，得到设备故障的分析结果，并根据该分析结果分析目标设备发生故障的概率。具体的，首先，根据至少一个历史故障设备的首次投运时间和设备故障发生时间，计算设备投运时间。然后，根据预设聚类算法分析设备投运时间和制造厂家之间的关系，得到各个制造厂家所制造设备的平均投运时间。最后，根据目标设备的制造厂家信息和首次投运时间，判断目标设备可能出现故障的时间点，进而评估目标设备的故障预测评分。

需要说明的是，可以获取大量的某年某地市不同厂家不同投运时间的历史故障设备的历史故障数据，可以确保分析得到的历史故障设备的分析结果更加精确，进而目标设备的故障预测评分也更加准确。

S120、通过对至少一个历史故障设备的历史故障数据和目标设备的历史运维数据进行分析，确定目标设备的负荷预测评分。

其中，历史故障数据还可以包括负荷数据和故障次数；历史运维数据至少包括负荷数据。

在本申请实施例中，由于用户没有根据设备负荷的自然增长，及时更换设备配件，造成设备过负荷运行，设备温度持续上升，最终导致设备故障或烧坏。因而，设备重过载是导致设备故障的一个重大原因。可选的，本步骤可以根据至少一个历史故障设备的负荷数据和故障次数，采用线性回归方法分析设备重过载与设备故障之间的相关性。再结合目标设备的负荷数据，确定目标设备的负荷预测评分。

S130、通过预设聚类算法对目标设备的历史运维数据进行分析，确定目标设备的三相不平衡度预测评分。

其中，若目标设备是变压器，则历史运维数据还可以包括电压数据和电流数据。

在本申请实施例中，三相电流电压数据更新频率是每15分钟上传一次电流数据和电压数据，确定目标设备所上传的电压数据和电流数据的电压不平衡度和电流不平衡度。然后通过预设聚类算法分析该目标设备在预设时间段内(如一个月内)电压不平衡度和电流不平衡度的特征，进而确定目标设备的三相不平衡度预测评分。

S140、根据故障预测评分、负荷预测评分和三相不平衡度预测评分，确定目标设备发生故障的概率。

在本申请实施例中，经上述步骤，确定了目标设备的三项评分指标的分数：故障预测评分、负荷预测评分和三相不平衡度预测评分。根据专家经验为故障预测评分、负荷预测评分和三相不平衡度预测评分这三项评分指标设置权重，将各个评分指标与其对应的权重相乘之后再累加，得到目标设备发生故障的概率。可选的，评分指标的权重还可以通过现有技术中确定权重的方法来确定，例如因子分析法、熵值法等。

本实施例提供的技术方案，通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据分析结果和目标设备的属性信息，确定目标设备的故障预测评分；通过对至少一个历史故障设备的历史故障数据和目标设备的历史运维数据进行分析，确定目标设备的负荷预测评分；通过预设聚类算法对目标设备的历史运维数据进行分析，确定目标设备的三相不平衡度预测评分；根据故障预测评分、负荷预测评分和三相不平衡度预测评分，确定目标设备发生故障的概率。本申请通过为目标设备设置三项评分指标，并对至少一个历史故障设备的历史故障数据和目标设备的历史运维数据进行分析，确定该三相评分指标的分数，最终确定目标设备发生故障的概率。本申请的技术方案可以避免对设备的过度检修，降低设备维修成本。

实施例二

图2为本申请实施例提供的一种故障确定方法的第二流程示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：增加了对故障预测评分、负荷预测评分和三相不平衡度预测评分的确定过程进行详细的解释说明。

参见图2，本实施例的方法包括但不限于如下步骤：

S210、根据至少一个历史故障设备的历史故障数据，确定至少一个历史故障设备的投运时长；并根据至少一个历史故障设备的制造厂家信息，确定各个厂家的设备故障数。

在本申请实施例中，电子设备获取到至少一个历史故障设备的制造厂家信息、首次投运时间和设备故障发生时间之后，根据首次投运时间和设备故障发生时间，确定至少一个历史故障设备的投运时长；根据至少一个历史故障设备的制造厂家信息，确定各个厂家的设备故障数。

S220、根据各个历史故障设备的投运时长和各个厂家的设备故障数，分别采用K-Means聚类算法和具有噪声的基于密度的聚类算法(Density-Based Spatial Clusteringof Applications with Noise，DBSCAN)进行数据迭代，分别得到至少一个历史故障设备在投运时长维度上和设备故障数维度上的分析结果。

在本申请实施例中，经上述步骤S210确定出各个历史故障设备的投运时长和各个厂家的设备故障数之后，先统计出某一厂家在某一投运时长上发生故障的设备故障数，再以投运时长为横坐标，设备故障数为纵坐标，将各个历史故障设备的数据绘制在二维坐标系上，得到不同厂家不同投运时长的设备发生故障数量的散点图。例如：A(4，2)表示为A厂家投运四年的设备中共计两台发生故障。

在本申请实施例中，采用K-Means聚类算法从在投运时长维度上对散点图进行数据迭代，得到至少一个历史故障设备在不同投运时长的发生故障的情况；采用DBSCAN聚类算法在设备故障数维度上对散点图进行数据迭代，得到至少一个历史故障设备所对应的故障率较高和故障率较低的厂家。

S230、根据分析结果和目标设备的属性信息，确定目标设备的故障预测评分。

S240、通过预先训练的负荷评估模型对目标设备的历史运维数据中的负荷数据进行分析，得到负荷预测评分。

其中，负荷评估模型是通过至少一个历史故障设备的历史故障数据和历史运维数据进行训练的；负荷数据至少包括重载信息和过载信息。

在本申请实施例中，获取目标设备在预设时间段内(如最近三个月内)的历史运维数据中的负荷数据，将该负荷数据输入至预先训练的负荷评估模型，得到目标设备的负荷预测评分。

可选的，负荷评估模型的模型训练过程包括：获取至少一个历史故障设备的接近故障的预设时间内(如接近故障的三个月内)负荷数据；对至少一个历史故障设备的负荷数据采用逻辑回归算法，确定初始负荷评估模型；对初始负荷评估模型进行训练，得到训练之后的负荷评估模型。

示例性的，首先采用逻辑回归算法，确定出初始负荷评估模型；获取至少一个历史故障设备的在接近故障的三个月内重载信息和过载信息，并作为样本数据。再将这些样本数据按8:2的比例划分为训练集与测试集，缺失值用均值补充。最后采用训练集与测试集对初始负荷评估模型进行训练，得到训练之后的负荷评估模型。

S250、根据目标设备的历史运维数据中的电压数据和电流数据，分别计算电压三相不平衡度和电流三相不平衡度；并根据电压三相不平衡度和电流三相不平衡度确定预设时间内的三相不平衡度的均值、测试异常率和异常发生天数。

在本申请实施例中，三相电流电压数据更新频率是每15分钟上传一次电流数据和电压数据，电子设备获取到目标设备在预设时间段内(如一个月内)的多条电压数据和多条电流数据之后，再通过电压/电流三相不平衡度计算公式，计算出各条电压数据和各条电流数据的不平衡度，进而计算出在预设时间对内的电压/电流三相不平衡度的均值、测试异常率和异常发生天数。然后，将均值作为x轴，测试异常率作为y轴，异常发生天数作为z轴，分别绘制电压三相不平衡度的散点图和电流三相不平衡度的散点图。

S260、采用K-Means聚类算法，对三相不平衡度的均值、测试异常率和异常发生天数进行数据迭代，得到目标设备的三相不平衡度预测评分。

在本申请实施例中，经上述步骤S250得到电压三相不平衡度的散点图和电流三相不平衡度的散点图之后，采用K-Means聚类算法分别对电压三相不平衡度的散点图和电流三相不平衡度的散点图中的数据点进行数据迭代，分别得到目标设备的电压三相不平衡度预测评分和电流三相不平衡度预测评分，再根据电压三相不平衡度预测评分和电流三相不平衡度预测评分各自所占的权重值，得到三相不平衡度预测评分。

S270、根据故障预测评分、负荷预测评分和三相不平衡度预测评分，确定目标设备发生故障的概率。

本实施例提供的技术方案，分别采用K-Means聚类算法和DBSCAN聚类算法对所确定的各个历史故障设备的投运时长和各个厂家的设备故障数进行数据迭代，分别得到至少一个历史故障设备在投运时长维度上和设备故障数维度上的分析结果，进而确定目标设备的故障预测评分；通过负荷评估模型对目标设备的历史运维数据中的负荷数据进行分析，得到负荷预测评分；根据预先确定的电压三相不平衡度和电流三相不平衡度，确定预设时间内的三相不平衡度的均值、测试异常率和异常发生天数，再采用K-Means聚类算法对其进行数据迭代，得到目标设备的三相不平衡度预测评分；根据故障预测评分、负荷预测评分和三相不平衡度预测评分，确定目标设备发生故障的概率。本申请通过为目标设备设置三项评分指标，并对至少一个历史故障设备的历史故障数据和目标设备的历史运维数据进行分析，确定该三相评分指标的分数，最终确定目标设备发生故障的概率。本申请的技术方案可以避免对设备的过度检修，降低设备维修成本。

实施例三

图3为本申请实施例提供的一种故障确定装置的结构示意图，如图3所示，该装置300可以包括：

故障评分预测模块310，用于通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据所述分析结果和目标设备的属性信息，确定目标设备的故障预测评分。

负荷评分预测模块320，用于通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分。

不平衡度评分预测模块330，用于通过预设聚类算法对所述目标设备的历史运维数据进行分析，确定所述目标设备的三相不平衡度预测评分。

故障概率确定模块340，用于根据所述故障预测评分、所述负荷预测评分和所述三相不平衡度预测评分，确定所述目标设备发生故障的概率。

进一步的，上述故障评分预测模块310，具体用于：根据所述至少一个历史故障设备的历史故障数据，确定所述至少一个历史故障设备的投运时长；并根据所述至少一个历史故障设备的制造厂家信息，确定各个厂家的设备故障数；根据所述各个历史故障设备的投运时长和所述各个厂家的设备故障数，分别采用K-Means聚类算法和DBSCAN聚类算法进行数据迭代，分别得到所述至少一个历史故障设备在投运时长维度上和设备故障数维度上的分析结果。

进一步的，上述不平衡度评分预测模块330，具体用于：根据所述目标设备的历史运维数据中的电压数据和电流数据，分别计算电压三相不平衡度和电流三相不平衡度；根据所述电压三相不平衡度和所述电流三相不平衡度确定预设时间内的三相不平衡度的均值、测试异常率和异常发生天数；采用K-Means聚类算法，对所述三相不平衡度的均值、所述测试异常率和所述异常发生天数进行数据迭代，得到所述目标设备的三相不平衡度预测评分。

进一步的，上述负荷评分预测模块320，具体用于：通过预先训练的负荷评估模型对所述目标设备的历史运维数据中的负荷数据进行分析，得到负荷预测评分；其中，所述负荷评估模型是通过至少一个历史故障设备的历史故障数据和历史运维数据进行训练的。

可选的，所述负荷评估模型的模型训练过程包括：获取所述至少一个历史故障设备的接近故障的预设时间内负荷数据；对所述至少一个历史故障设备的负荷数据采用逻辑回归算法，确定初始负荷评估模型；对所述初始负荷评估模型进行训练，得到训练之后的负荷评估模型。

可选的，所述至少一个历史故障设备和所述目标设备的产品种类相同。

本实施例提供的故障确定装置可适用于上述任意实施例提供的故障确定方法，具备相应的功能和有益效果。

实施例四

图4是用来实现本申请实施例的一种故障确定方法的电子设备的框图，图4示出了适于用来实现本申请实施例实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。该电子设备典型可以是智能手机、平板电脑、笔记本电脑、车载终端以及可穿戴设备等。

如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元416，存储器428，连接不同系统组件(包括存储器428和处理单元416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。电子设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请实施例各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本申请实施例所描述的实施例中的功能和/或方法。

电子设备400也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备400还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器420通过总线418与电子设备400的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元416通过运行存储在存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本申请任一实施例所提供的故障确定方法。

实施例五

本申请实施例五还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时可以用于执行本申请上述任一实施例所提供的故障确定方法。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请实施例进行了较为详细的说明，但是本申请实施例不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (7)

1.一种故障确定方法，其特征在于，所述方法包括：

通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果，包括：根据所述至少一个历史故障设备的历史故障数据，确定所述至少一个历史故障设备的投运时长；并根据所述至少一个历史故障设备的制造厂家信息，确定各个厂家的设备故障数；根据所述至少一个历史故障设备的投运时长和所述各个厂家的设备故障数，分别采用K-Means聚类算法和具有噪声的基于密度的聚类算法DBSCAN进行数据迭代，分别得到所述至少一个历史故障设备在投运时长维度上和设备故障数维度上的分析结果；

根据所述分析结果和目标设备的属性信息，确定目标设备的故障预测评分；

通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分；

通过预设聚类算法对所述目标设备的历史运维数据进行分析，确定所述目标设备的三相不平衡度预测评分，包括：根据所述目标设备的历史运维数据中的电压数据和电流数据，分别计算电压三相不平衡度和电流三相不平衡度；根据所述电压三相不平衡度和所述电流三相不平衡度确定预设时间内的三相不平衡度的均值、测试异常率和异常发生天数；采用K-Means聚类算法，对所述三相不平衡度的均值、所述测试异常率和所述异常发生天数进行数据迭代，得到所述目标设备的三相不平衡度预测评分；

根据所述故障预测评分、所述负荷预测评分和所述三相不平衡度预测评分，确定所述目标设备发生故障的概率。

2.根据权利要求1所述的方法，其特征在于，所述通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分，包括：

通过预先训练的负荷评估模型对所述目标设备的历史运维数据中的负荷数据进行分析，得到负荷预测评分；其中，所述负荷评估模型是通过至少一个历史故障设备的历史故障数据和历史运维数据进行训练的。

3.根据权利要求2所述的方法，其特征在于，所述负荷评估模型的模型训练过程包括：

获取所述至少一个历史故障设备的接近故障的预设时间内负荷数据；

对所述至少一个历史故障设备的负荷数据采用逻辑回归算法，确定初始负荷评估模型；

对所述初始负荷评估模型进行训练，得到训练之后的负荷评估模型。

4.根据权利要求1所述的方法，其特征在于，所述至少一个历史故障设备和所述目标设备的产品种类相同。

5.一种故障确定装置，其特征在于，所述装置包括：

故障评分预测模块，用于通过预设聚类算法对至少一个历史故障设备的历史故障数据进行分析，得到历史故障设备的分析结果；并根据所述分析结果和目标设备的属性信息，确定目标设备的故障预测评分；

负荷评分预测模块，用于通过对所述至少一个历史故障设备的历史故障数据和所述目标设备的历史运维数据进行分析，确定所述目标设备的负荷预测评分；

不平衡度评分预测模块，用于通过预设聚类算法对所述目标设备的历史运维数据进行分析，确定所述目标设备的三相不平衡度预测评分；

故障概率确定模块，用于根据所述故障预测评分、所述负荷预测评分和所述三相不平衡度预测评分，确定所述目标设备发生故障的概率；

所述故障评分预测模块，具体用于根据所述至少一个历史故障设备的历史故障数据，确定所述至少一个历史故障设备的投运时长；并根据所述至少一个历史故障设备的制造厂家信息，确定各个厂家的设备故障数；根据所述至少一个历史故障设备的投运时长和所述各个厂家的设备故障数，分别采用K-Means聚类算法和DBSCAN聚类算法进行数据迭代，分别得到所述至少一个历史故障设备在投运时长维度上和设备故障数维度上的分析结果；

所述不平衡度评分预测模块，具体用于根据所述目标设备的历史运维数据中的电压数据和电流数据，分别计算电压三相不平衡度和电流三相不平衡度；根据所述电压三相不平衡度和所述电流三相不平衡度确定预设时间内的三相不平衡度的均值、测试异常率和异常发生天数；采用K-Means聚类算法，对所述三相不平衡度的均值、所述测试异常率和所述异常发生天数进行数据迭代，得到所述目标设备的三相不平衡度预测评分。

6.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

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1-4中任一项所述的故障确定方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的故障确定方法。