本發(fā)明屬于設備檢測，特別是涉及一種基于機器學習的工業(yè)設備運行狀態(tài)分析方法及系統(tǒng)。

背景技術：

1、隨著工業(yè)自動化和智能化的快速發(fā)展，工業(yè)設備的運行管理變得尤為重要。設備運行狀態(tài)的監(jiān)測和分析對于確保生產(chǎn)效率和降低維護成本具有重大意義。傳統(tǒng)的設備運行監(jiān)測方法主要依靠定期的物理檢查和預定的維護程序，這些方法往往耗時耗力，且無法實時反映設備的即時狀態(tài)，這限制了故障預防和快速響應的能力。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于機器學習的工業(yè)設備運行狀態(tài)分析方法及系統(tǒng)，通過對設備檢測項目和異常行為進行建模分析，提高了設備異常行為分析的速度。

2、為解決上述技術問題，本發(fā)明是通過以下技術方案實現(xiàn)的：

3、本發(fā)明提供一種基于機器學習的工業(yè)設備運行狀態(tài)分析方法，其特征在于，包括，

4、獲取包含工作狀態(tài)下設備在多個采集時刻的多個種類的檢測項目的檢測參數(shù)的歷史檢測記錄；

5、獲取包含工作狀態(tài)下設備在多個采集時刻的多個種類的異常行為的狀態(tài)參數(shù)的歷史異常記錄；

6、對多個種類的所述檢測項目和所述異常行為分別進行組合，并分別將所述歷史檢測記錄和所述歷史異常記錄中對應的數(shù)據(jù)輸入不同的深度網(wǎng)絡進行訓練，篩選出每個所述異常行為敏感的若干個所述檢測項目；

7、獲取目標待監(jiān)測的異常行為的種類；

8、獲取目標待監(jiān)測的檢測項目的參數(shù)；

9、根據(jù)目標待監(jiān)測的異常行為的種類以及每個所述異常行為敏感的若干個所述檢測項目，對目標待監(jiān)測的檢測項目的參數(shù)識別分析得到設備的目標待監(jiān)測的異常行為的狀態(tài)參數(shù)。

10、本發(fā)明還公開了一種基于機器學習的工業(yè)設備運行狀態(tài)分析方法，包括，

11、輸入目標待監(jiān)測的異常行為的種類；

12、發(fā)送目標待監(jiān)測的異常行為的種類；

13、接收并顯示設備的目標待監(jiān)測的異常行為的狀態(tài)參數(shù)。

14、本發(fā)明還公開了一種基于機器學習的工業(yè)設備運行狀態(tài)分析系統(tǒng)，包括，

15、存儲器，用于存儲歷史檢測記錄和歷史異常記錄；

16、多個種類的傳感器，分別用于采集多個種類的檢測項目的檢測參數(shù)；

17、分析單元，用于獲取包含工作狀態(tài)下設備在多個采集時刻的多個種類的檢測項目的檢測參數(shù)的歷史檢測記錄；

18、獲取包含工作狀態(tài)下設備在多個采集時刻的多個種類的異常行為的狀態(tài)參數(shù)的歷史異常記錄；

19、對多個種類的所述檢測項目和所述異常行為分別進行組合，并分別將所述歷史檢測記錄和所述歷史異常記錄中對應的數(shù)據(jù)輸入不同的深度網(wǎng)絡進行訓練，篩選出每個所述異常行為敏感的若干個所述檢測項目；

20、獲取目標待監(jiān)測的異常行為的種類；

21、獲取目標待監(jiān)測的檢測項目的參數(shù)；

22、根據(jù)目標待監(jiān)測的異常行為的種類以及每個所述異常行為敏感的若干個所述檢測項目，對目標待監(jiān)測的檢測項目的參數(shù)識別分析得到設備的目標待監(jiān)測的異常行為的狀態(tài)參數(shù)；以及，

23、用戶終端，用于輸入目標待監(jiān)測的異常行為的種類；

24、發(fā)送目標待監(jiān)測的異常行為的種類；

25、接收并顯示設備的目標待監(jiān)測的異常行為的狀態(tài)參數(shù)。

26、本發(fā)明通過分析單元對不同種類的檢測項目的檢測參數(shù)和異常行為的狀態(tài)參數(shù)進行分析，從而篩選出每個異常行為敏感的檢測項目，降低了設備運行狀態(tài)分析的數(shù)據(jù)維度，能夠通過對部分檢測項目的檢測參數(shù)的采集，快速分析出包括設備故障在內(nèi)的各種異常行為。

27、當然，實施本發(fā)明的任一產(chǎn)品并不一定需要同時達到以上所述的所有優(yōu)點。

技術特征：

1.一種基于機器學習的工業(yè)設備運行狀態(tài)分析方法，其特征在于，包括，

2.根據(jù)權利要求1所述的方法，其特征在于，所述對多個種類的所述檢測項目和所述異常行為分別進行組合，并分別將所述歷史檢測記錄和所述歷史異常記錄中對應的數(shù)據(jù)輸入不同的深度網(wǎng)絡進行訓練，篩選出每個所述異常行為敏感的若干個所述檢測項目的步驟，包括，

3.根據(jù)權利要求2所述的方法，其特征在于，所述對多個種類的所述檢測項目進行組合后分別與每個所述異常行為建立得到每組所述檢測項目的組合與每個所述異常行為的輸入輸出關系的步驟，包括，

4.根據(jù)權利要求3所述的方法，其特征在于，所述根據(jù)所述歷史檢測記錄和所述歷史異常記錄篩除部分所述輸入輸出關系的步驟，包括，

5.根據(jù)權利要求2所述的方法，其特征在于，所述持續(xù)獲取每個所述深度網(wǎng)絡訓練過程中的損失函數(shù)值，并計算得到所述深度網(wǎng)絡的輸入層和輸出層的關聯(lián)程度的步驟，包括，

6.根據(jù)權利要求2所述的方法，其特征在于，所述根據(jù)每個所述深度網(wǎng)絡的輸入層和輸出層的關聯(lián)程度得到對每個所述異常行為敏感的若干個所述檢測項目的步驟，包括，

7.根據(jù)權利要求1至6任一項所述的方法，其特征在于，所述根據(jù)目標待監(jiān)測的異常行為的種類以及每個所述異常行為敏感的若干個所述檢測項目，對目標待監(jiān)測的檢測項目的參數(shù)識別分析得到設備的目標待監(jiān)測的異常行為的狀態(tài)參數(shù)的步驟，包括，

8.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)目標待監(jiān)測的異常行為的種類以及每個所述異常行為敏感的若干個所述檢測項目，對目標待監(jiān)測的檢測項目的參數(shù)識別分析得到設備的目標待監(jiān)測的異常行為的狀態(tài)參數(shù)的步驟，還包括，

9.一種基于機器學習的工業(yè)設備運行狀態(tài)分析方法，其特征在于，包括，

10.一種基于機器學習的工業(yè)設備運行狀態(tài)分析系統(tǒng)，其特征在于，包括，

技術總結
本發(fā)明公開一種基于機器學習的工業(yè)設備運行狀態(tài)分析方法及系統(tǒng)，涉及設備檢測技術領域。本發(fā)明包括，獲取對多個種類的檢測項目和異常行為分別進行組合，并分別將歷史檢測記錄和歷史異常記錄中對應的數(shù)據(jù)輸入不同的深度網(wǎng)絡進行訓練，篩選出每個異常行為敏感的若干個檢測項目；獲取目標待監(jiān)測的異常行為的種類；獲取目標待監(jiān)測的檢測項目的參數(shù)；根據(jù)目標待監(jiān)測的異常行為的種類以及每個異常行為敏感的若干個檢測項目，對目標待監(jiān)測的檢測項目的參數(shù)識別分析得到設備的目標待監(jiān)測的異常行為的狀態(tài)參數(shù)。本發(fā)明通過降低分析過程中檢測項目的數(shù)據(jù)維度，提高了設備異常行為分析的速度。

技術研發(fā)人員：劉國興,李衛(wèi)榮,楊澤祥,李志遠,張宇松,李龍,敦士旋,靳飛,齊兵,韓強,高偉強,王伯韜,盧晉
受保護的技術使用者：河北為信電子科技股份有限公司
技術研發(fā)日：
技術公布日：2024/12/19