一种基于机器学习的工业设备运行状态分析方法及系统与流程

本发明属于设备检测，特别是涉及一种基于机器学习的工业设备运行状态分析方法及系统。

背景技术：

1、随着工业自动化和智能化的快速发展，工业设备的运行管理变得尤为重要。设备运行状态的监测和分析对于确保生产效率和降低维护成本具有重大意义。传统的设备运行监测方法主要依靠定期的物理检查和预定的维护程序，这些方法往往耗时耗力，且无法实时反映设备的即时状态，这限制了故障预防和快速响应的能力。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的工业设备运行状态分析方法及系统，通过对设备检测项目和异常行为进行建模分析，提高了设备异常行为分析的速度。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明提供一种基于机器学习的工业设备运行状态分析方法，其特征在于，包括，

4、获取包含工作状态下设备在多个采集时刻的多个种类的检测项目的检测参数的历史检测记录；

5、获取包含工作状态下设备在多个采集时刻的多个种类的异常行为的状态参数的历史异常记录；

6、对多个种类的所述检测项目和所述异常行为分别进行组合，并分别将所述历史检测记录和所述历史异常记录中对应的数据输入不同的深度网络进行训练，筛选出每个所述异常行为敏感的若干个所述检测项目；

7、获取目标待监测的异常行为的种类；

8、获取目标待监测的检测项目的参数；

9、根据目标待监测的异常行为的种类以及每个所述异常行为敏感的若干个所述检测项目，对目标待监测的检测项目的参数识别分析得到设备的目标待监测的异常行为的状态参数。

10、本发明还公开了一种基于机器学习的工业设备运行状态分析方法，包括，

11、输入目标待监测的异常行为的种类；

12、发送目标待监测的异常行为的种类；

13、接收并显示设备的目标待监测的异常行为的状态参数。

14、本发明还公开了一种基于机器学习的工业设备运行状态分析系统，包括，

15、存储器，用于存储历史检测记录和历史异常记录；

16、多个种类的传感器，分别用于采集多个种类的检测项目的检测参数；

17、分析单元，用于获取包含工作状态下设备在多个采集时刻的多个种类的检测项目的检测参数的历史检测记录；

18、获取包含工作状态下设备在多个采集时刻的多个种类的异常行为的状态参数的历史异常记录；

19、对多个种类的所述检测项目和所述异常行为分别进行组合，并分别将所述历史检测记录和所述历史异常记录中对应的数据输入不同的深度网络进行训练，筛选出每个所述异常行为敏感的若干个所述检测项目；

20、获取目标待监测的异常行为的种类；

21、获取目标待监测的检测项目的参数；

22、根据目标待监测的异常行为的种类以及每个所述异常行为敏感的若干个所述检测项目，对目标待监测的检测项目的参数识别分析得到设备的目标待监测的异常行为的状态参数；以及，

23、用户终端，用于输入目标待监测的异常行为的种类；

24、发送目标待监测的异常行为的种类；

25、接收并显示设备的目标待监测的异常行为的状态参数。

26、本发明通过分析单元对不同种类的检测项目的检测参数和异常行为的状态参数进行分析，从而筛选出每个异常行为敏感的检测项目，降低了设备运行状态分析的数据维度，能够通过对部分检测项目的检测参数的采集，快速分析出包括设备故障在内的各种异常行为。

27、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

技术特征：

1.一种基于机器学习的工业设备运行状态分析方法，其特征在于，包括，

2.根据权利要求1所述的方法，其特征在于，所述对多个种类的所述检测项目和所述异常行为分别进行组合，并分别将所述历史检测记录和所述历史异常记录中对应的数据输入不同的深度网络进行训练，筛选出每个所述异常行为敏感的若干个所述检测项目的步骤，包括，

3.根据权利要求2所述的方法，其特征在于，所述对多个种类的所述检测项目进行组合后分别与每个所述异常行为建立得到每组所述检测项目的组合与每个所述异常行为的输入输出关系的步骤，包括，

4.根据权利要求3所述的方法，其特征在于，所述根据所述历史检测记录和所述历史异常记录筛除部分所述输入输出关系的步骤，包括，

5.根据权利要求2所述的方法，其特征在于，所述持续获取每个所述深度网络训练过程中的损失函数值，并计算得到所述深度网络的输入层和输出层的关联程度的步骤，包括，

6.根据权利要求2所述的方法，其特征在于，所述根据每个所述深度网络的输入层和输出层的关联程度得到对每个所述异常行为敏感的若干个所述检测项目的步骤，包括，

7.根据权利要求1至6任一项所述的方法，其特征在于，所述根据目标待监测的异常行为的种类以及每个所述异常行为敏感的若干个所述检测项目，对目标待监测的检测项目的参数识别分析得到设备的目标待监测的异常行为的状态参数的步骤，包括，

8.根据权利要求1所述的方法，其特征在于，所述根据目标待监测的异常行为的种类以及每个所述异常行为敏感的若干个所述检测项目，对目标待监测的检测项目的参数识别分析得到设备的目标待监测的异常行为的状态参数的步骤，还包括，

9.一种基于机器学习的工业设备运行状态分析方法，其特征在于，包括，

10.一种基于机器学习的工业设备运行状态分析系统，其特征在于，包括，

技术总结
本发明公开一种基于机器学习的工业设备运行状态分析方法及系统，涉及设备检测技术领域。本发明包括，获取对多个种类的检测项目和异常行为分别进行组合，并分别将历史检测记录和历史异常记录中对应的数据输入不同的深度网络进行训练，筛选出每个异常行为敏感的若干个检测项目；获取目标待监测的异常行为的种类；获取目标待监测的检测项目的参数；根据目标待监测的异常行为的种类以及每个异常行为敏感的若干个检测项目，对目标待监测的检测项目的参数识别分析得到设备的目标待监测的异常行为的状态参数。本发明通过降低分析过程中检测项目的数据维度，提高了设备异常行为分析的速度。

技术研发人员：刘国兴,李卫荣,杨泽祥,李志远,张宇松,李龙,敦士旋,靳飞,齐兵,韩强,高伟强,王伯韬,卢晋
受保护的技术使用者：河北为信电子科技股份有限公司
技术研发日：
技术公布日：2024/12/19