CN107992888A - 工业设备运行状态的识别方法及服务器 - Google Patents

工业设备运行状态的识别方法及服务器 Download PDF

Info

Publication number
CN107992888A
CN107992888A CN201711226391.9A CN201711226391A CN107992888A CN 107992888 A CN107992888 A CN 107992888A CN 201711226391 A CN201711226391 A CN 201711226391A CN 107992888 A CN107992888 A CN 107992888A
Authority
CN
China
Prior art keywords
server
object module
data
accuracy rate
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711226391.9A
Other languages
English (en)
Inventor
宋松海
国承斌
吴刚
毛雨平
张文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mixlinker Network Co Ltd
Original Assignee
Shenzhen Mixlinker Network Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Mixlinker Network Co Ltd filed Critical Shenzhen Mixlinker Network Co Ltd
Priority to CN201711226391.9A priority Critical patent/CN107992888A/zh
Publication of CN107992888A publication Critical patent/CN107992888A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/02Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/12Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例公开了一种工业设备运行状态的识别方法及服务器,服务器获取第一训练集,若服务器将第一训练集输入选定的第一目标模型,服务器使用第一目标算法训练第一目标模型,得到第二目标模型,若服务器确定第二目标模型的准确率未达到预设的准确率阈值,服务器按照预置的规则调整第二目标模型的超参数,若服务器将第一训练集输入调整超参数后的第二目标模型,服务器使用第一目标算法训练调整参数后的第二目标模型,得到第三目标模型,服务器判断第三目标模型的准确率是否达到准确率阈值,第三目标模型的准确率为服务器根据第一测试集得到,若达到,服务器使用第三目标模型预测工业设备的运行状态。

Description

工业设备运行状态的识别方法及服务器
技术领域
本申请实施例涉及信息技术领域,尤其涉及工业设备运行状态的识别方法及服务器。
背景技术
现代工业设备日益大型化、精密化和复杂化,这对工业设备的稳定性和可靠性提出了更高的要求。但是,由于工业设备运行环境复杂、零部件性能随时间会逐渐衰退等因素,使得设备故障的发生具有了必然性和随机性。对工业设备有效的故障预测,可以预测设备可能出现的问题,提前通知工作人员进行维修处理,避免小故障演变为严重故障;还可以避免不必要的按照维护周期的维护工作,减少维护支出。
随着物联网的普及,智能感知、识别技术与普适计算等通信感知技术广泛应用,工业物联网日益发展,工业设备控制器/数据采集模块、工业设备物联网网关应运而生,与各种工业设备对接并控制工业设备,可用于采集工业设备的数据,并将采集到的工业设备的数据上传到数据云平台中,可供其他服务器、终端等获取数据。
在现有的工业设备故障预测方法中,服务器获取数据云平台上的采集到的发生过故障的工业设备的状态监控数据(包括工业设备的运行数据和工业设备的状态)并对状态监控数据进行处理(包括异常数据修正、噪声数据滤波、缺失数据填充和错误数据清除等),将处理后的数据划分为训练集和测试集,开发人员选择一种数学模型,服务器按照这个数学模型建立一个待训练的工业设备故障预测模型,然后输入训练集到待训练模型中,使用最小二乘法或牛顿迭代法训练待训练模型,使用测试集对训练后得到的模型进行测试,若准确率不能达到预设的准确率阈值,则开发人员人为调整训练后模型的参数或者重新选择另一种数学模型重新建立一个待训练的模型,服务器将上述训练集再输入到调整了参数的模型或者重新建立的待训练模型,使用上述测试集对重新再次训练后得到的模型进行测试,若准确率不能达到预设的准确率阈值,则重复上述过程,直到准确率达到预设的准确率阈值,则得到了达标的工业设备故障预测模型。服务器使用得到的工业设备故障预测模型,输入工业设备未来一段时长的预测运行参数,对工业设备的未来时长运行状态进行预测,以预防工业设备故障。
在现有的工业设备故障预测方法中,训练后的模型的准确率若达不到预设的准确率,则需要开发人员手动调整训练后模型的参数或者重新选择另一种数学模型重新建立一个待训练的模型,操作过程较为繁琐。
发明内容
本申请实施例提供了工业设备运行状态的识别方法及服务器,对于未达到预设的准确率阈值的第二目标模型,服务器按照预置的规则调整第二目标模型的超参数,相比现有技术需要人为调整,简化了操作过程。
本申请实施例提供了一种工业设备运行状态的识别方法,包括:
服务器获取第一训练集,所述第一训练集为所述服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到;
若所述服务器将所述第一训练集输入选定的第一目标模型,所述服务器使用第一目标算法训练所述第一目标模型,得到第二目标模型;
若所述服务器确定所述第二目标模型的准确率未达到预设的准确率阈值,所述服务器按照预置的规则调整所述第二目标模型的超参数,所述第二目标模型的准确率为所述服务器根据第一测试集得到,所述第一测试集为所述服务器对所述第一状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
若所述服务器将所述第一训练集输入调整超参数后的第二目标模型,所述服务器使用所述第一目标算法训练所述调整参数后的第二目标模型,得到第三目标模型;
所述服务器判断所述第三目标模型的准确率是否达到所述准确率阈值,所述第三目标模型的准确率为所述服务器根据所述第一测试集得到;
若达到,所述服务器使用所述第三目标模型预测所述工业设备的运行状态。
可选的,所述第一目标模型包括广义线性模型;
可选的,所述服务器按照预置的规则调整所述第二目标模型的超参数包括:
所述服务器使用预置的工具包中的第二目标算法和所述第一训练集训练所述第二目标模型,得到第一超参数;
所述服务器使用所述工具包中的目标函数和所述第一测试集确定判断所述第一超参数是否达到预置的比分阈值;
若所述服务器确定所述第一超参数达到预置的比分阈值,所述服务器确定所述第一超参数为所述第二目标模型调整后的超参数;
所述第一超参数包括学习速率或者支持向量个数;
所述第二目标模型的超参数包括学习速率或者支持向量个数。
可选的,所述工具包包括XGBoost;
可选的,所述第二目标算法包括决策树算法;
可选的,所述目标函数包括CV函数。
可选的,所述服务器判断所述第三目标模型的准确率是否达到所述准确率阈值之后,所述方法还包括:
若所述服务器确定所述第三目标模型的准确率达到所述准确率阈值,所述服务器获取第二训练集,所述第二训练集为所述服务器对获取的所述工业设备的第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第二状态监控数据与所述第一状态监控数据不同;
若所述服务器将所述第二训练集输入所述第三目标模型,所述服务器使用所述第一目标算法训练所述第三目标模型,得到第四目标模型;
所述服务器判断所述第四目标模型的准确率是否高于所述第三目标模型的准确率,所述第四目标模型的准确率为所述服务器根据第二测试集得到,所述第二测试集为所述服务器对所述第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
若高于,所述服务器使用所述第四目标模型预测所述工业设备的运行状态;
若不高于,所述服务器使用所述第三目标模型预测所述工业设备的运行状态。
可选的,所述方法还包括:
若所述服务器确定所述第四目标模型的准确率高于所述第三目标模型的准确率,所述服务器获取第三训练集,所述第三训练集为所述服务器对获取的所述工业设备的第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第三状态监控数据与所述第二状态监控数据和/或第一状态监控数据不同;
若所述服务器将所述第三训练集输入所述第四目标模型,所述服务器使用所述第一目标算法训练所述第四目标模型,得到第五目标模型;
所述服务器判断所述第五目标模型的准确率是否高于所述第四目标模型的准确率,所述第五目标模型的准确率为所述服务器根据第三测试集得到,所述第三测试集为所述服务器对所述第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
若所述第五目标模型的准确率不高于所述第四目标模型的准确率,所述服务器使用所述第四目标模型预测所述工业设备的运行状态。
可选的,所述服务器获取第一训练集之前,所述方法还包括:
所述服务器获取所述用户的第一数据请求;
所述服务器根据所述第一数据请求获取所述第一状态监控数据;
所述服务器按照所述机器学习的数据处理标准化方法处理所述第一状态监控数据。
可选的,所述第一数据请求包括所述工业设备的标识、第一开始时刻和第一结束时刻;
可选的,所述第一状态监控数据包括所述工业设备的第一使用时长和从第一开始时刻到第一结束时刻的运行数据和运行状态。
可选的,所述服务器按照所述机器学习的数据处理标准化方法处理所述第一状态监控数据包括:
所述服务器给所述第一状态监控数据分配权重;
所述服务器对分配权重后的第一状态监控数据进行数据预处理;
所述服务器对数据预处理后的数据进行特征选择;
所述服务器对特征选择后的数据进行数据集划分。
可选的,所述服务器对特征选择后的数据进行数据集划分之后,所述服务器获取第一目标训练集之前,所述方法还包括:
所述服务器对数据集划分后的数据进行矩阵转化;
所述目标算法包括反向传播算法。
本申请实施例提供了一种服务器,包括:
第一获取单元,用于获取第一训练集,所述第一训练集为所述服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到;
第一训练单元,若所述服务器将所述第一训练集输入选定的第一目标模型,用于使用第一目标算法训练所述第一目标模型,得到第二目标模型;
调整单元,用于若所述服务器确定所述第二目标模型的准确率未达到预设的准确率阈值,按照预置的规则调整所述第二目标模型的超参数,所述第二目标模型的准确率为所述服务器根据第一测试集得到,所述第一测试集为所述服务器对所述第一状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
第二训练单元,用于若所述服务器将所述第一训练集输入调整超参数后的第二目标模型,使用所述第一目标算法训练所述调整参数后的第二目标模型,得到第三目标模型;
第一判断单元,用于判断所述第三目标模型的准确率是否达到所述准确率阈值,所述第三目标模型的准确率为所述服务器根据所述第一测试集得到;
第一预测单元,用于当所述第一判断单元确定所述第三目标模型的准确率达到所述准确率阈值时,使用所述第三目标模型预测所述工业设备的运行状态。
可选的,所述调整单元包括:
训练模块,用于使用预置的工具包中的第二目标算法和所述第一训练集训练所述第二目标模型,得到第一超参数;
判断模块,用于使用所述工具包中的目标函数和所述第一测试集判断所述第一超参数是否达到预置的比分阈值;
确定模块,用于当所述判断模块确定所述第一超参数达到预置的比分阈值时,确定所述第一超参数为所述第二目标模型调整后的超参数。
可选的,所述服务器还包括:
第二获取单元,用于当所述判断单元确定所述第三目标模型的准确率达到所述准确率阈值时,获取第二训练集,所述第二训练集为所述服务器对获取的所述工业设备的第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第二状态监控数据与所述第一状态监控数据不同;
第三训练单元,用于若所述服务器将所述第二训练集输入所述第三目标模型,使用所述第一目标算法训练所述第三目标模型,得到第四目标模型;
第二判断单元,用于判断所述第四目标模型的准确率是否高于所述第三目标模型的准确率,所述第四目标模型的准确率为所述服务器根据第二测试集得到,所述第二测试集为所述服务器对所述第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
第二预测单元,用于当所述第二判断单元确定所述第四目标模型的准确率高于所述第三目标模型的准确率时,使用所述第四目标模型预测所述工业设备的运行状态;
第三预测单元,用于当所述第二判断单元确定所述第四目标模型的准确率不高于所述第三目标模型的准确率时,使用所述第三目标模型预测所述工业设备的运行状态。
可选的,所述服务器还包括:
第三获取单元,用于当所述第二判断单元确定所述第四目标模型的准确率高于所述第三目标模型的准确率时,获取第三训练集,所述第三训练集为所述服务器对获取的所述工业设备的第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第三状态监控数据与所述第二状态监控数据和/或第一状态监控数据不同;
第四训练单元,用于若所述服务器将所述第三训练集输入所述第四目标模型,使用所述第一目标算法训练所述第四目标模型,得到第五目标模型;
第三判断单元,用于判断所述第五目标模型的准确率是否高于所述第四目标模型的准确率,所述第五目标模型的准确率为所述服务器根据第三测试集得到,所述第三测试集为所述服务器对所述第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
第四预测单元,用于若所述第五目标模型的准确率不高于所述第四目标模型的准确率,使用所述第四目标模型预测所述工业设备的运行状态。
可选的,所述服务器还包括:
第四获取单元,用于获取所述用户的第一数据请求;
第五获取单元,用于根据所述第一数据请求获取所述第一状态监控数据;
处理单元,用于按照所述机器学习的数据处理标准化方法处理所述第一状态监控数据。
可选的,所述处理单元包括:
分配模块,用于给所述第一状态监控数据分配权重;
数据预处理模块,用于对分配权重后的第一状态监控数据进行数据预处理;
特征选择模块,用于对数据预处理后的数据进行特征选择;
数据集划分模块,用于对特征选择后的数据进行数据集划分。
可选的,所述服务器还包括:
矩阵转化模块,用于对数据集划分后的数据进行矩阵转化。
本申请实施例提供了一种服务器,包括:
处理器、存储器、输入输出设备以及总线;
所述处理器、存储器、输入输出设备分别与所述总线相连;
所述输入输出设备用于获取第一训练集,所述第一训练集为所述服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到;
所述处理器用于若所述服务器将所述第一训练集输入选定的第一目标模型,使用第一目标算法训练所述第一目标模型,得到第二目标模;用于若所述服务器确定所述第二目标模型的准确率未达到预设的准确率阈值,按照预置的规则调整所述第二目标模型的超参数,所述第二目标模型的准确率为所述服务器根据第一测试集得到,所述第一测试集为所述服务器对所述第一状态监控数据按照所述机器学习的数据处理标准化方法处理得到;用于若所述服务器将所述第一训练集输入调整超参数后的第二目标模型,使用所述第一目标算法训练所述调整参数后的第二目标模型,得到第三目标模型;用于判断所述第三目标模型的准确率是否达到所述准确率阈值,所述第三目标模型的准确率为所述服务器根据所述第一测试集得到;用于若所述第三目标模型的准确率达到所述准确率阈值,使用所述第三目标模型预测所述工业设备的运行状态。
可选的,所述处理器具体用于使用预置的工具包中的第二目标算法和所述第一训练集训练所述第二目标模型,得到第一超参数;使用所述工具包中的目标函数和所述第一测试集判断所述第一超参数是否达到预置的比分阈值;若所述服务器确定所述第一超参数达到预置的比分阈值,确定所述第一超参数为所述第二目标模型调整后的超参数。
可选的,所述处理器还用于若所述服务器确定所述第三目标模型的准确率达到所述准确率阈值,获取第二训练集,所述第二训练集为所述服务器对获取的所述工业设备的第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第二状态监控数据与所述第一状态监控数据不同;若所述服务器将所述第二训练集输入所述第三目标模型,使用所述第一目标算法训练所述第三目标模型,得到第四目标模型;判断所述第四目标模型的准确率是否高于所述第三目标模型的准确率,所述第四目标模型的准确率为所述服务器根据第二测试集得到,所述第二测试集为所述服务器对所述第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到;若确定所述第四目标模型的准确率高于所述第三目标模型的准确率,使用所述第四目标模型预测所述工业设备的运行状态;若确定所述第四目标模型的准确率不高于所述第三目标模型的准确率,使用所述第三目标模型预测所述工业设备的运行状态。
可选的,所述处理器还用于若确定所述第四目标模型的准确率高于所述第三目标模型的准确率,获取第三训练集,所述第三训练集为所述服务器对获取的所述工业设备的第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第三状态监控数据与所述第二状态监控数据和/或第一状态监控数据不同;若所述服务器将所述第三训练集输入所述第四目标模型,使用所述第一目标算法训练所述第四目标模型,得到第五目标模型;判断所述第五目标模型的准确率是否高于所述第四目标模型的准确率,所述第五目标模型的准确率为所述服务器根据第三测试集得到,所述第三测试集为所述服务器对所述第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到;若所述第五目标模型的准确率不高于所述第四目标模型的准确率,使用所述第四目标模型预测所述工业设备的运行状态。
可选的,所述处理器还用于获取所述用户的第一数据请求;根据所述第一数据请求获取所述第一状态监控数据;按照所述机器学习的数据处理标准化方法处理所述第一状态监控数据。
可选的,所述处理器具体用于给所述第一状态监控数据分配权重;对分配权重后的第一状态监控数据进行数据预处理;对数据预处理后的数据进行特征选择;对特征选择后的数据进行数据集划分。
可选的,所述处理器还用于对数据集划分后的数据进行矩阵转化。
本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,该计算机程序产品包括计算机软件指令,该计算机软件指令可通过处理器进行加载来实现上述服务器的方法流程。
本申请实施例提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行上述服务器的方法流程。
从以上技术方案可以看出,本申请实施例具有以下优点:
服务器获取第一训练集,所述第一训练集为所述服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到,若所述服务器将所述第一训练集输入选定的第一目标模型,所述服务器使用第一目标算法训练所述第一目标模型,得到第二目标模型,所述第一目标模型由用户选定,若所述服务器确定所述第二目标模型的准确率未达到预设的准确率阈值,所述服务器按照预置的规则调整所述第二目标模型的超参数,所述第二目标模型的准确率为所述服务器根据第一测试集得到,所述第一测试集为所述服务器对所述第一状态监控数据按照所述机器学习的数据处理标准化方法处理得到,若所述服务器将所述第一训练集输入调整超参数后的第二目标模型,所述服务器使用所述第一目标算法训练所述调整参数后的第二目标模型,得到第三目标模型,所述服务器判断所述第三目标模型的准确率是否达到所述准确率阈值,所述第三目标模型的准确率为所述服务器根据所述第一测试集得到,若达到,所述服务器使用所述第三目标模型预测所述工业设备的运行状态,对于未达到预设的准确率阈值的所述第二目标模型,服务器按照预置的规则调整所述第二目标模型的超参数,相比现有技术需要人为调整,简化了操作过程。
附图说明
图1为本申请实施例中一种工业设备运行状态的识别系统架构示意图;
图2为本申请实施例中工业设备运行状态的识别方法的一个实施例示意图;
图3为本申请实施例中工业设备运行状态的识别方法的另一个实施例示意图;
图4为本申请实施例中服务器的一个实施例示意图;
图5为本申请实施例中服务器的另一个实施例示意图。
具体实施方式
本申请实施例提供了一种工业设备运行状态的识别方法及服务器,对于未达到预设的准确率阈值的第二目标模型,服务器按照预置的规则调整第二目标模型的参数,相比现有技术需要人为调整,简化了操作过程。
请参阅图1,工业设备运行状态的识别系统架构中包括工业设备101、工业设备控制器/数据采集模块102、工业设备物联网网关103、云平台104和服务器105。工业设备控制器作为控制器,可包括传感器等单元,具有数据传输控制等功能,数据采集模块可包括传感器、控制器等其它单元,是基于远程数据采集模块平台的通信模块,可以将通信芯片、存储芯片等集成在一块电路板上,具有发送通过远程数据采集模块平台收发短消息、语音通话、数据传输等功能。工业设备101种类繁多,不同种类的用途、工作环境、复杂度和精度要求也各不相同,工业设备控制器/数据采集模块102用于获取工业设备101的数据并将获取到的数据发送给工业设备物联网网关103、发送给服务器105或上传至云平台104。工业设备控制器/数据采集模块102可以包括传感器,传感器用于采集工业设备101的数据,也可以不包括传感器,与传感器连接,具体此处不做限定。工业设备控制器/数据采集模块102可以与工业设备101连接,可以与单台工业设备101连接,也可以与多台工业设备101或工业设备101群连接,具体此处不做限定;工业设备控制器/数据采集模块102还可以内置于工业设备101中,具体此处不做限定。
工业设备物联网网关103用于与工业设备101或工业设备控制器/数据采集模块102对话,将工业设备101的数据发送给服务器105或上传至云平台104;工业设备物联网网关103还可以发送控制指令给工业设备101或工业设备控制器/数据采集模块102。工业设备物联网网关103可交由用户编程,供用户根据自己所需要适配的设备的具体特性和数据读写规则,编写网关逻辑。工业设备物联网网关103是针对于工业物联网的智能网关,包括数据采集模块、通讯模块、定位模块、数据处理芯片模块等,可同时对接多个工业设备101或传感器,支持以太网口(Ethernet)、RS485串口、RS232串口、无线传输等上行方式,或者GPRS,433MHZ,2.4GHZ,WI-FI等无线传输方式,支持不同的通信协议和多台服务器交换数据,集数据采集、数据分类、数据传输、通讯管理、数据接收、协议转换、数据处理转发等功能。工业设备物联网网关103可以与工业设备控制器/数据采集模块102相连,也可以直接与工业设备101相连,并连接采集工业设备101的数据的传感器,具体此处不做限定。工业设备物联网网关103可将从工业设备控制器/数据采集模块102处接收的工业设备101的数据发送给服务器105或上传至云平台104,工业设备控制器/数据采集模块102也可以直接将获取的工业设备101的数据发送给服务器105或上传至云平台104,而不需要工业设备物联网网关103的参与,具体此处不做限定。
云平台104包括云平台服务器,云平台104用于对数据进行存储和处理,并可供服务器、终端、应用程序等从云平台104获取或访问数据。工业设备控制器/数据采集模块102或工业设备物联网网关103可以通过2G\3G\4G网络或者有线\无线网络,向云平台104发送工业设备101的数据,工业设备控制器/数据采集模块102或工业设备物联网网关103也可以直接发送工业设备101的数据给服务器105,具体此处不做限定。云平台104可以与多个工业设备控制器/数据采集模块102或工业设备物联网网关103连接,具体此处不做限定。
服务器105可以从云平台104读取工业设备101的数据,也可以直接接收工业设备控制器/数据采集模块102或工业设备物联网网关103发送的工业设备101的数据,具体此处不做限定。服务器105可以与多个工业设备控制器/数据采集模块102或工业设备物联网网关103连接,具体此处不做限定。服务器105包括目标机器学习系统,目标机器学习系统供被授权访问该目标机器学习系统的用户选择目标模型,对输入该目标机器学习系统的数据执行相应操作,得到工业设备故障预测模型,以实现对工业设备运行状态的预测性识别。
请参阅图2,本申请实施例中工业设备运行状态的识别方法一个实施例包括:
201、服务器获取第一训练集;
本实施例中,服务器可以对获取到的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理,得到第一训练集。
工业设备的状态监控数据可以由工业设备控制器/数据采集模块获取,也可以由工业设备物联网网关获取,还可以由工业设备控制器/数据采集模块采集发送给工业设备物联网网关,具体此处不做限定,在本实施例和后续实施例中,仅以工业设备控制器/数据采集模块采集工业设备的状态监控数据发送给工业设备物联网网关作为例子进行说明;工业设备控制器/数据采集模块可以接收到指令后采集工业设备的状态监控数据,工业设备控制器/数据采集模块也可以与工业设备相连后即采集工业设备的状态监控数据,具体此处不做限定,在本实施例和后续实施例中,仅以工业设备控制器/数据采集模块与工业设备相连后即采集工业设备的状态监控数据作为例子进行说明;工业设备物联网网关可以直接将工业设备的状态监控数据直接发送给服务器,工业设备物联网网关也可以将工业设备的状态监控数据上传至云平台,再由服务器从云平台获取工业设备的状态监控数据,具体此处不做限定,在本实施例和后续实施例中,仅以服务器从云平台获取工业设备的状态监控数据作为例子说明;工业设备物联网网关可以在接收到终端或云平台的指令后将工业设备的状态监控数据上传至云平台,工业设备物联网网关也可以按照预定的上报周期将工业设备的状态监控数据上传至云平台,具体此处不做限定,在本实施例和后续的实施例中,仅以工业设备物联网网关按照预定的上报周期将工业设备的状态监控数据上传至云平台作为例子进行说明,预定的上报周期可以是5s或10s或15s,具体此处不做限定。
工业设备控制器/数据采集模块可以是Cassia、GP490或APICO,在本实施例和后续实施例中,仅以APICO作为工业设备控制器/数据采集模块的例子进行说明;工业设备物联网网关可以是APRUS或GP490,具体此处不做限定,在本实施例和后续实施例中,仅以APRUS作为工业设备物联网网关的例子进行说明;云平台可以是阿里云、腾讯云或GARDS云平台,具体此处不做限定,在本实施例和后续实施例中,仅以GARDS云平台作为云平台的例子进行说明。
本发明实施例中的物联网网关,是针对于工业物联网的智能网关,包括数据采集模块、通讯模块、定位模块、数据处理芯片模块等,可同时对接多个工业设备或传感器,支持以太网口(Ethernet)、RS485串口、RS232串口、无线传输等上行方式,或者GPRS,433MHZ,2.4GHZ,WI-FI等无线传输方式。支持不同的通信协议和多台服务器交换数据。集数据采集、数据分类、数据传输、通讯管理、数据接收、协议转换、数据处理转发等功能。
可以理解的是,本实施例中仅以上述内容说明了获取对应的工业设备的设备数据的具体方式,在实际应用中,还可以采用其它方式,只要能够获取对应的工业设备的设备数据即可,此处不做具体限定。
本实施例中,工业设备可以包括但不限于压缩机、发电机组、柴油机、工业锅炉、汽轮机、水处理装置及包装设备,此处不做具体限定。
本实施例中,云平台可以对物联网网关上传的设备数据进行一系列处理,包括:接收、存储、管理、组织、关联、对比以及触发。
具体地,本发明实施例中的云平台是由多个服务器群组成的数据处理中枢,每个集群都由多台物理服务器构成,它的总体能力是所有单台物理服务器上能承载并发处理能力的总和,它确保在多个地方能建立冗灾备份中心,数据服务在任何情况下都不中断。并且拥有强大的数据并发处理能力,具备亿级的高并发处理能力和毫秒级个性化事件触发能力,因此能很好的支持百万级的物联网网关连接,高效收发数据。
云平台的具体作用还体现在可以接收物联网网关发送的相应数据,并保存这些数据;维护一系列的逻辑规则,比如:关联关系、预警模型、阈值控制、边界条件设置等等;把数据进行整理、组织、关联、分析;根据逻辑规则,形成一系列的触发机制;给物联网网关下发信息(数据);把从物联网网关接收的相应数据,提供给其他的平台等。
202、服务器将第一训练集输入选定的第一目标模型;
服务器可以按照标准的方法将第一训练集输入选定的第一目标模型,具体此处不再赘述,第一目标模型可以由用户选定,也可以由按照某种算法随机选定,具体此处不做限定,在本实施例和后续实施例中,仅以用户选定第一目标模型作为例子进行说明;用户可以从广义线性模型中选择一个模型为第一目标模型,可以是线性回归模型,也可以是支持向量机模型,用户也可以选择深度神经网络模型为第一目标模型,具体此处不做限定,在本实施例和后续实施例中,仅以从广义线性模型中的一个模型为第一目标模型作为例子进行说明。用户是被授权访问服务器的用户,可以是开发人员,也可以是具有特殊权限的用户,具体此处不做限定,在本实施例和后续实施例中,仅以开发人员作为用户的例子进行说明。
203、服务器使用第一目标算法训练第一目标模型,得到第二目标模型;
服务器可以按照标准的方法使用第一目标算法训练第一目标模型,得到第二目标模型,第一目标算法可以是卷积神经网络,还可以是反向传播算法,具体此处不做限定,在后续实施例中,仅以反向传播算法作为第一目标算法的例子进行说明。
204、服务器判断第二目标模型的准确率是否达到预设的准确率阈值,若服务器确定第二目标模型的准确率达到预设的准确率阈值,则执行步骤209,若服务器确定第二目标模型的准确率未达到预设的准确率阈值,则执行步骤205;
本实施例中,服务器可以对获取的第一工业设备的状态监控数据按照机器学习的数据处理标准化方法处理,得到第一测试集,服务器可以根据第一测试集确定第二目标模型的准确率,服务器判断第二目标模型的准确率是否达到预设的准确率阈值,若服务器确定第二目标模型的准确率未达到准确率阈值,则执行步骤205;若服务器确定第二目标模型的准确率达到准确率阈值,则执行步骤209,也可以执行其他操作,具体此处不做限定。
205、服务器按照预设的规则调整第二目标模型的超参数;
本实施例中,若服务器确定第二目标模型的准确率未达到准确率阈值,服务器可以按照预设的规则调整第二目标模型的超参数,第二目标模型的超参数为第二目标模型的外部的配置变量,当第一目标模型为线性回归模型时,第二目标模型的超参数可以是学习速率,当第一目标模型为支持向量机模型时,第二目标模型的超参数可以是支持向量的个数,第二目标模型的超参数具体此此处不做限定。
206、服务器将第一训练集输入调整超参数后的第二目标模型;
本步骤与上述步骤202类似,具体此处不再赘述。
207、服务器使用第一目标算法训练调整超参数后的第二目标模型,得到第三目标模型;
本步骤与上述步骤203类似,具体此处不再赘述。
208、服务器判断第三目标模型的准确率是否达到准确率阈值,若服务器确定第三目标模型的准确率达到准确率阈值,则执行步骤209,若服务器确定第三目标模型的准确率未达到预设的准确率阈值,则执行步骤210;
本实施例中,服务器可以根据第一测试集确定第三目标模型的准确率,服务器判断第三目标模型的准确率是否达到预设的准确率阈值,若服务器确定第三目标模型的准确率达到准确率阈值,则执行步骤209;若服务器确定第三目标模型的准确率未达到准确率阈值,则执行步骤210。
209、服务器使用第三目标模型预测工业设备的运行状态;
本实施例中,服务器得到准确率达到预设的准确率阈值的第三目标模型后,服务器可以使用第三目标模型预测工业设备的运行状态。
210、服务器执行其他操作。
本实施例中,若服务器确定第三目标模型的准确率未达到预设的准确率阈值,服务器可以执行其他操作,服务器可以获取新的工业设备的运行状态数据,服务器也可以更换工业设备的第一目标模型,具体此处不做限定。
本申请实施例中,服务器获取第一训练集,第一训练集为服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到,若服务器将第一训练集输入选定的第一目标模型,服务器使用第一目标算法训练第一目标模型,得到第二目标模型,第一目标模型由用户选定,若服务器确定第二目标模型的准确率未达到预设的准确率阈值,服务器按照预置的规则调整第二目标模型的超参数,第二目标模型的准确率为服务器根据第一测试集得到,第一测试集为服务器对第一状态监控数据按照机器学习的数据处理标准化方法处理得到,若服务器将第一训练集输入调整超参数后的第二目标模型,服务器使用第一目标算法训练调整参数后的第二目标模型,得到第三目标模型,服务器判断第三目标模型的准确率是否达到准确率阈值,第三目标模型的准确率为服务器根据第一测试集得到,若达到,服务器使用第三目标模型预测工业设备的运行状态,对于未达到预设的准确率阈值的第二目标模型,服务器按照预置的规则调整第二目标模型的超参数,相比现有技术需要人为调整,简化了操作过程。
请参阅图3,本申请实施例中工业设备运行状态的识别方法另一个实施例包括:
301、服务器获取开发人员的第一数据请求;
第一数据请求可以直接是工业设备的标识、第一开始时刻和第一结束时刻,第一数据请求也可以携带有工业设备的标识、第一开始时刻和第一结束时刻,具体此处不做限定;工业设备的标识可以是工业设备的型号或代码,具体此处不做限定。本实施例中,服务器可以接收开发人员以指令的形式给出的第一数据请求,服务器也可以提供界面供开发人员选择确定工业设备的标识和输入第一开始时刻和第一结束时刻,具体此处不做限定。
本实施例中,服务器也可以不获取开发人员的第一数据请求,服务器按照预置的标准或算法得到工业设备的标识、第一开始时刻和第一结束时刻,具体此处不做限定。
工业设备可以是单台工业设备,也可以是多台工业设备或设备群,当工业设备为单台工业设备时,则本实施例会得到这个单台设备的故障预测模型,当工业设备为多台工业设备或设备群时,则本实施例会得到针对这些多台工业设备或设备群的故障预测模型,具体此处不做限定。工业设备可以是发生过故障的工业设备,也可以是发生过故障的工业设备和未发生过故障的工业设备,具体此处不做限定。
302、服务器获取工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态;
工业设备的状态监控数据可以是工业设备的使用时长、运行数据和运行状态,工业设备的使用时长为工业设备上电开机的时刻到采集工业设备的状态监控数据的时刻之间的时长,工业设备的运行数据可以包括温度、电压、电流、湿度、天气和环境数据,工业设备的运行数据还可以包括振动数据和声学数据,具体此处不做限定,工业设备的运行状态可以包括正常和故障,还可以包括停机,具体此处不做限定;工业设备的状态监控数据还可以是工业设备的使用时长、运行数据、运行状态和历史维修信息,具体此处不做限定,在本实施例中,仅以工业设备的使用时长、运行数据和运行状态作为工业设备的状态监控数据的例子进行说明。
本实施例中,服务器获取上述步骤301描述的第一数据请求后,服务器可以向GARDS云平台请求,工业设备的标识所指示的工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态,工业设备的第一使用时长为工业设备上电开机的时刻到第一结束时刻的时长。
303、服务器给工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态分配权重;
机器学习的数据处理标准化方法可以包括分配权重、数据预处理、特征选择和数据集划分,还可以包括交叉验证,当第一目标算法为如反向传播算法时,机器学习的数据处理标准化方法还可以包括矩阵转化,具体此处不做限定,在本实施例中,仅以分配权重、数据预处理、特征选择、数据集划分和矩阵转化作为机器学习的数据处理标准化方法的例子进行说明。
服务器从GARDS云平台获取到工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态后,服务器可以按照标准的方法给工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态分配权重。本实施例中,服务器可以给电压、电流、温度和湿度分配更高的权重,服务器也可以给第一使用时长、天气和环境数据分配更高的权重,具体此处不做限定。服务器给对运行状态影响较大的运行数据分配更高的权重,将更有利于提高后续训练后模型的准确率。
本实施例中,服务器给工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态分配权重后,可以将分配权重后的工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态发送给GARDS云平台,GARDS云平台保存后可供其他服务器或终端访问,具体此处不做限定。
304、服务器对分配权重后的工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态进行数据预处理;
服务器可以按照标准的方法对分配权重后的工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态进行缺失数据填充、异常数据清除和错误数据清除,还可以对分配权重后的工业设备的第一使用时长和第一开始时刻到第一结束时刻的运行数据和运行状态进行异常数据修正和噪声数据滤波,具体此处不做限定。
305、服务器对数据预处理后的数据进行特征选择;
服务器执行上述步骤304描述的数据预处理后,可以对预处理后的数据进行特征选择,服务器按照标准的机器学习的特征选择进行处理,具体此处不做赘述。
306、服务器对特征选择后的数据进行数据集划分;
服务器可以对特征选择后的数据进行数据集划分,数据集划分可以依照互斥法,也可以依照自助法,具体此处不做限定。本实施例中,服务器对电压和电流等数据进行数据集划分时可以随机分布,对时序数据进行数据集划分时可以随机采样,对不同数据进行数据集划分时方法不同,具体此处不做限定。
307、服务器对数据集划分后的数据进行矩阵转化,得到第一训练集和第一测试集;
反向传播算法对训练集是要求以矩阵形式的,本实施例中,服务器可以对数据集划分后的数据进行矩阵转化,得到矩阵形式的第一训练集和矩阵形式的第一测试集。
308、服务器接收开发人员的模型选择请求;
本实施例中,服务器可以接收开发人员以指令的形式给出的模型选择请求,服务器也可以提供界面供开发人员选择确定模型,此时模型选择请求可以是开发人员的点击或输入操作,具体此处不做限定。
本实施例中,服务器也可以不接收开发人员的模型选择请求模型选择也可以由按照某种算法随机选定,具体此处不做限定,在本实施例中,仅以服务器接收开发人员的模型选择请求作为例子进行说明。
本实施例中,步骤301至步骤307服务器获取第一训练集和第一测试集的过程,开发人员可以根据第一训练集和第一测试集从广义线性模型中选择一个模型作为第一目标模型,模型选择请求用于指示开发人员选择的第一目标模型,开发人员也可以不根据第一训练集和第一测试集,在服务器得到第一训练集和第一测试集之前就从广义线性模型中选择一个模型作为第一目标模型,具体此处不做限定,在本实施例中,仅以开发人员根据第一训练集和第一测试集从广义线性模型中选择一个模型作为第一目标模型作为例子进行说明。
开发人员可以选择逻辑回归模型作为第一目标模型,也可以选择支持向量机模型作为第一目标模型,具体此处不做限定。
309、服务器根据开发人员的模型选择请求确定目标机器学习系统中的模型为第一目标模型;
目标机器学习系统可以是开发人员自行开发的目标机器学习系统,也可以是开源的机器学习系统,具体此处不做限定;开源的机器学习系统可以是DistBelief、TensorFlow、Caffe或Scikit-Learn,具体此处不做限定,在本实施例中,仅以TensorFlow作为目标机器学习系统的例子进行说明。
本实施例中,服务器接收到上述步骤308描述的开发人员的模型选择请求后,服务器中的TensorFlow可以确定第一目标模型作为待训练模型。
310、服务器将第一训练集输入第一目标模型;
服务器可以按照标准的方法将第一训练集输入TensorFlow中选定的第一目标模型,具体此处不再赘述。
311、服务器使用反向传播算法训练第一目标模型,得到第二目标模型;
服务器中的TensorFlow可以按照标准的方法使用反向传播算法训练第一目标模型,得到第二目标模型,具体此处不做赘述。
312、服务器使用第一测试集测试第二目标模型,得到第二目标模型的准确率;
服务器可以按照标准的方法使用第一测试集测试第二目标模型,统计得到第二目标模型的准确率,具体此处不做赘述。
313、服务器判断第二目标模型的准确率是否达到预设的准确率阈值,若是,则执行步骤319,若否,则执行步骤314;
本实施例中,预设的准确率阈值可以由人为设定,也可以由标准或经验规定,具体此处不做限定;准确率阈值可以是96%或95%或97%,具体此处不做限定。服务器判断统计得到的第二目标模型的准确率是否达到该预设的准确率阈值,若达到,则执行步骤319;若未达到,则执行步骤314。
314、服务器使用XGBoost中的决策树算法和第一训练集训练第二目标模型,得到第一超参数;
若服务器确定第二目标模型的准确率未达到预设的准确率阈值,则服务器可以使用TensorFlow调用预置的工具包,将第一训练集、第一测试集、第二目标模型输入预置的工具包中,服务器使用该预置的工具包中的第二目标算法和第一训练集训练第二目标模型,得到第一超参数,预置的工具包可以是GBDT,也可以是XGBoost,具体此处不做限定,在本实施例中,仅以XGBoost作为预置的工具包的例子进行说明;预置的工具包为GBDT时,第二目标算法可以是梯度提升树算法,预置的工具包为XGBoost时,第二目标算法也可以是决策树算法,具体此处不做限定,在本实施例中,仅以决策树算法作为第二目标算法的例子进行说明。
本实施例中,服务器可以将第一训练集输入第二目标模型,使用XGBoost中的决策树算法训练第二目标模型,得到第一超参数。
315、服务器使用CV函数和第一测试集判断第一超参数是否达到预置的比分阈值,若达到预置的比分阈值,则执行步骤317,若未达到预置的比分阈值,则执行步骤316;
服务器得到前述步骤314中的描述的第一超参数后,服务器可以使用目标函数和第一测试集判断第一超参数是否达到预置的比分阈值,预置的工具包为GBDT时,目标函数可以是指数误差函数,预置的工具包为XGBoost时,目标函数可以是CV函数,具体此处不做限定,在本实施例中,仅以CV函数作为目标函数的例子进行说明。
本实施例中,服务器可以按照标准的方法使用XGBoost中的CV函数和第一测试集计算第一超参数的比分,若第一超参数的比分达到预置的比分阈值,则执行步骤317,若未达到预置的比分阈值,则执行步骤316。
316、服务器调整超参数;
若CV函数和第一测试集计算出来的第一超参数的比分未达到预置的比分阈值,则服务器可以按照预置的算法或标准调整超参数,服务器可以对调整后的超参数继续使用CV函数和第一测试集计算比分,直到比分达到预置的比分阈值,则XGBoost输出比分达到预置的比分阈值的超参数。
317、服务器确定第一超参数为第二目标模型调整后的超参数,将第一训练集输入调整参数后的第二目标模型;
若CV函数和第一测试集计算出来的第一超参数的比分达到预置的比分阈值,则服务器获取XGBoost输出的第一超参数,服务器可以将第一超参数作为第二目标模型调整后的超参数并将第一训练集输入该调整参数后的第二目标模型。
318、服务器判断第三目标模型的准确率是否达到预设的准确率阈值,若是,则执行步骤319,若否,则执行步骤301;
服务器判可以使用第一测试集测试统计得到第三目标模型的准确率并判断第三目标模型的准确率是否达到上述步骤313中描述的预设的准确率阈值,若达到,则执行步骤319;若未达到,则服务器可以执行步骤301,服务器可以重新获取新的使用时长和新的开始时刻到新的结束时刻的运行数据和运行状态,并继续执行步骤302至步骤318,服务器也可以不执行步骤301至307,而执行步骤308至步骤318,重新选定第一目标模型,具体此处不做限定。
319、服务器确定达标的工业设备故障预测模型,使用达标的工业设备故障预测模型预测工业设备的运行状态;
若服务器确定某个目标模型(前述步骤中描述的第二目标模型或第三目标模型)的准确率达到预设的准确率阈值,则服务器可以确定该目标模型为达标的工业设备故障预测模型,服务器可以使用该达标的工业设备故障预测模型去预测工业设备的运行状态。
320、服务器获取开发人员的第二数据请求;
服务器确定达标的工业设备故障预测模型后,开发人员还可以为进一步提高工业设备故障预测模型的准确率发出第二数据请求,本步骤与上述步骤301类似,具体此处不做赘述。
本实施例中,第二开始时刻与第一开始时刻可以相同,也可以不同,第二结束时刻与第一结束时刻可以相同,也可以不同,当第二开始时刻与第一开始时刻相同时,第二结束时刻与第一结束时刻不同,当第二结束时刻与第一结束时刻相同时,第二开始时刻与第一开始时刻不同,具体此处不做限定。
本实施例中,第二开始时刻可以早于第一开始时刻,第二开始时刻也可以晚于第一开始时刻,具体此处不做限定,本实施例中仅以第二开始时刻晚于第一开始时刻作为例子进行说明。当第二开始时刻晚于第一开始时刻时,用于后续继续训练达标的工业设备故障预测模型的训练集的会越来越新,更有利于提高模型的准确率。
321、服务器获取工业设备的第二使用时长和第二开始时刻到第二结束时刻的运行数据和运行状态;
322、服务器给工业设备的第二使用时长和第二开始时刻到第二结束时刻的运行数据和运行状态分配权重;
323、服务器对分配权重后的工业设备的第二使用时长和第二开始时刻到第二结束时刻的运行数据和运行状态进行数据预处理;
324、服务器对数据预处理后的数据进行特征选择;
325、服务器对特征选择后的数据进行数据集划分;
326、服务器对数据集划分后的数据进行矩阵转化,得到第二训练集和第二测试集;
本实施例中,步骤321至步骤326与上述步骤302至步骤307类似,具体此处不做赘述。
327、服务器将第二训练集输入当前目标模型;
服务器可以按照标准的方法将第二训练集输入TensorFlow中达标的当前目标模型(前述步骤中描述的第二目标模型或第三目标模型),具体此处不再赘述。
328、服务器使用反向传播算法训练当前目标模型,得到第四目标模型;
本步骤与上述步骤311类似,具体此处不做赘述。
329、服务器使用第二测试集测试第四目标模型,得到第四目标模型的准确率;
本步骤与上述步骤312类似,具体此处不做赘述。
330、服务器判断第四目标模型的准确率是否高于第三目标模型的准确率,若否,则执行步骤331,若是,则执行步骤320;
服务器判断第四目标模型的准确率是否高于第四目标模型前一个目标模型(如前述步骤中描述的第二目标模型或第三目标模型)的准确率,本实施例中假设第四目标模型的前一个目标模型是第三目标模型,若服务器确定第四目标模型的准确率不高于第三目标模型的准确率,则执行步骤331;若服务器确定第四目标模型的准确率高于第三目标模型的准确率,则执行步骤320,当第四目标模型的准确率高于第三目标模型的准确率时,则循环执行步骤320至330,服务器获取开发人员的第三数据请求,服务器得到第三训练集和第三测试集后,服务器将第三训练集输入第四目标模型,使用反向传播算法训练第四目标模型,得到第五目标模型,服务器判断第五目标模型的准确率是否低于第四目标模型的准确率,直到准确率不再提高的情况,这时服务器执行步骤331。
本实施例中,当服务器确定第四目标模型的准确率高于第三目标模型的准确率时,也可以不循环执行步骤320至330,服务器只执行一次或两次步骤320至330,得到提高了准确率的第五目标模型或第六目标模型后即使用第五目标模型或第六目标模型用于预测工业设备的运行状态,具体此处不做限定。
331、服务器确定达到最高准确率的工业设备故障预测模型并用于预测工业设备的运行状态。
当服务器确定目标模型的准确率出现不再增加趋于稳定的情况,则服务器确定出最高准确率的工业设备故障预测模型,服务器使用该最高准确率的工业设备故障预测模型预测工业设备的运行状态。
本实施例中,步骤320至步骤331,是服务器确定最高准确率的工业设备故障预测模型的过程,服务器也可以不执行此过程,使用步骤319中描述的达标的工业设备故障预测模型预测工业设备的运行状态,具体此处不做限定。
本实施例中,服务器获取第一训练集,第一训练集为服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到,若服务器将第一训练集输入选定的第一目标模型,服务器使用第一目标算法训练第一目标模型,得到第二目标模型,第一目标模型由用户选定,若服务器确定第二目标模型的准确率未达到预设的准确率阈值,服务器按照预置的规则调整第二目标模型的超参数,第二目标模型的准确率为服务器根据第一测试集得到,第一测试集为服务器对第一状态监控数据按照机器学习的数据处理标准化方法处理得到,若服务器将第一训练集输入调整超参数后的第二目标模型,服务器使用第一目标算法训练调整参数后的第二目标模型,得到第三目标模型,服务器判断第三目标模型的准确率是否达到准确率阈值,第三目标模型的准确率为服务器根据第一测试集得到,若达到,服务器使用第三目标模型预测工业设备的运行状态,对于未达到预设的准确率阈值的第二目标模型,服务器按照预置的规则调整第二目标模型的超参数,相比现有技术需要人为调整,简化了操作过程。
上面对本申请实施例中的工业设备运行状态的识别方法进行了描述,下面对本申请实施例中的服务器进行描述,请参阅图4,本申请实施例中服务器一个实施例包括:
第一获取单元401,用于获取第一训练集,第一训练集为服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到;
第一训练单元402,若服务器将第一训练集输入选定的第一目标模型,用于使用第一目标算法训练第一目标模型,得到第二目标模型;
调整单元403,用于若服务器确定第二目标模型的准确率未达到预设的准确率阈值,按照预置的规则调整第二目标模型的超参数,第二目标模型的准确率为服务器根据第一测试集得到,第一测试集为服务器对第一状态监控数据按照机器学习的数据处理标准化方法处理得到;
第二训练单元404,用于若服务器将第一训练集输入调整超参数后的第二目标模型,使用第一目标算法训练调整参数后的第二目标模型,得到第三目标模型;
第一判断单元405,用于判断第三目标模型的准确率是否达到准确率阈值,第三目标模型的准确率为服务器根据第一测试集得到;
第一预测单元406,用于当第一判断单元确定第三目标模型的准确率达到准确率阈值时,使用第三目标模型预测工业设备的运行状态。
本实施例中,调整单元403具体用于使用预置的工具包中的第二目标算法和第一训练集训练第二目标模型,得到第一超参数;使用工具包中的目标函数和第一测试集判断第一超参数是否达到预置的比分阈值;当确定第一超参数达到预置的比分阈值时,确定第一超参数为第二目标模型调整后的超参数。
本实施例中,第一获取单元401获取第一训练集,第一训练集为服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到,若服务器将第一训练集输入选定的第一目标模型,第一训练单元402使用第一目标算法训练第一目标模型,得到第二目标模型,第一目标模型由用户选定,若服务器确定第二目标模型的准确率未达到预设的准确率阈值,调整单元403按照预置的规则调整第二目标模型的超参数,第二目标模型的准确率为服务器根据第一测试集得到,第一测试集为服务器对第一状态监控数据按照机器学习的数据处理标准化方法处理得到,若服务器将第一训练集输入调整超参数后的第二目标模型,第二训练单元404使用第一目标算法训练调整参数后的第二目标模型,得到第三目标模型,第一判断单元405判断第三目标模型的准确率是否达到准确率阈值,第三目标模型的准确率为服务器根据第一测试集得到,若第一判断单元405确定第三目标模型的准确率达到准确率阈值,第一预测单元406使用第三目标模型预测工业设备的运行状态,对于未达到预设的准确率阈值的第二目标模型,第一预测单元406按照预置的规则调整第二目标模型的超参数,相比现有技术需要人为调整,简化了操作过程。
本实施例中,该服务器还包括:
第二获取单元407,用于当判断单元确定第三目标模型的准确率达到准确率阈值时,获取第二训练集,第二训练集为服务器对获取的工业设备的第二状态监控数据按照机器学习的数据处理标准化方法处理得到,第二状态监控数据与状态监控数据不同;
第三训练单元408,用于若服务器将第二训练集输入第三目标模型,使用第一目标算法训练第三目标模型,得到第四目标模型;
第二判断单元409,用于判断第四目标模型的准确率是否高于第三目标模型的准确率,第四目标模型的准确率为服务器根据第二测试集得到,第二测试集为服务器对第二状态监控数据按照机器学习的数据处理标准化方法处理得到;
第二预测单元410,用于当第二判断单元确定第四目标模型的准确率高于第三目标模型的准确率时,使用第四目标模型预测工业设备的运行状态;
第三预测单元411,用于当第二判断单元确定第四目标模型的准确率不高于第三目标模型的准确率时,使用第三目标模型预测工业设备的运行状态。
本实施例中,该服务器还包括:
第三获取单元412,用于当第二判断单元确定第四目标模型的准确率高于第三目标模型的准确率时,获取第三训练集,第三训练集为服务器对获取的工业设备的第三状态监控数据按照机器学习的数据处理标准化方法处理得到,第三状态监控数据与第二状态监控数据和/或第一状态监控数据不同;
第四训练单元413,用于若服务器将第三训练集输入第四目标模型,使用第一目标算法训练第四目标模型,得到第五目标模型;
第三判断单元414,用于判断第五目标模型的准确率是否高于第四目标模型的准确率,第五目标模型的准确率为服务器根据第三测试集得到,第三测试集为服务器对第三状态监控数据按照机器学习的数据处理标准化方法处理得到;
第四预测单元415,用于若第五目标模型的准确率不高于第四目标模型的准确率,使用第四目标模型预测工业设备的运行状态。
本实施例中,该服务器还包括:
第四获取单元416,用于获取用户的第一数据请求;
第五获取单元417,用于根据第一数据请求获取第一状态监控数据;
处理单元418,用于按照机器学习的数据处理标准化方法处理第一状态监控数据。
本实施例中,处理单元418具体用于给第一状态监控数据分配权重;对分配权重后的第一状态监控数据进行数据预处理;对数据预处理后的数据进行特征选择;对特征选择后的数据进行数据集划分;对数据集划分后的数据进行矩阵转化。
请参阅图5,本申请实施例中服务器另一个实施例包括:
该服务器500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)501(例如,一个或一个以上处理器)和存储器505,该存储器505中存储有一个或一个以上的应用程序或数据。
其中,存储器505可以是易失性存储或持久存储。存储在存储器505的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器501可以设置为与存储器505通信,在服务器500上执行存储器505中的一系列指令操作。
服务器500还可以包括一个或一个以上电源502,一个或一个以上有线或无线网络接口503,一个或一个以上输入输出接口504,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本实施例中服务器500中的中央处理器501所执行的流程与前述图2和图3所示的实施例中描述的方法流程类似,此处不再赘述。
本申请实施例还提供一种计算机存储介质,该计算机存储介质用于储存为前述服务器所用的计算机软件指令,其包括用于执行为服务器所设计的程序。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机软件指令,该计算机软件指令可通过处理器进行加载来实现前述图2和图3所示的实施例中的方法流程。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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,本申请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全部或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,包括若干指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)执行本申请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-OnlyMemory)、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。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。

Claims (16)

1.一种工业设备运行状态的识别方法,其特征在于,包括:
服务器获取第一训练集,所述第一训练集为所述服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到;
若所述服务器将所述第一训练集输入选定的第一目标模型,所述服务器使用第一目标算法训练所述第一目标模型,得到第二目标模型;
若所述服务器确定所述第二目标模型的准确率未达到预设的准确率阈值,所述服务器按照预置的规则调整所述第二目标模型的超参数,所述第二目标模型的准确率为所述服务器根据第一测试集得到,所述第一测试集为所述服务器对所述第一状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
若所述服务器将所述第一训练集输入调整超参数后的第二目标模型,所述服务器使用所述第一目标算法训练所述调整参数后的第二目标模型,得到第三目标模型;
所述服务器判断所述第三目标模型的准确率是否达到所述准确率阈值,所述第三目标模型的准确率为所述服务器根据所述第一测试集得到;
若达到,所述服务器使用所述第三目标模型预测所述工业设备的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述第一目标模型包括广义线性模型;
所述服务器按照预置的规则调整所述第二目标模型的超参数包括:
所述服务器使用预置的工具包中的第二目标算法和所述第一训练集训练所述第二目标模型,得到第一超参数;
所述服务器使用所述工具包中的目标函数和所述第一测试集判断所述第一超参数是否达到预置的比分阈值;
若所述服务器确定所述第一超参数达到预置的比分阈值,所述服务器确定所述第一超参数为所述第二目标模型调整后的超参数;
所述第一超参数包括学习速率或者支持向量个数;
所述第二目标模型的超参数包括学习速率或者支持向量个数。
3.根据权利2所述的方法,其特征在于,所述工具包包括XGBoost;
所述第二目标算法包括决策树算法;
所述目标函数包括CV函数。
4.根据权利要求1或3中任一项所述的方法,其特征在于,所述服务器判断所述第三目标模型的准确率是否达到所述准确率阈值之后,所述方法还包括:
若所述服务器确定所述第三目标模型的准确率达到所述准确率阈值,所述服务器获取第二训练集,所述第二训练集为所述服务器对获取的所述工业设备的第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第二状态监控数据与所述第一状态监控数据不同;
若所述服务器将所述第二训练集输入所述第三目标模型,所述服务器使用所述第一目标算法训练所述第三目标模型,得到第四目标模型;
所述服务器判断所述第四目标模型的准确率是否高于所述第三目标模型的准确率,所述第四目标模型的准确率为所述服务器根据第二测试集得到,所述第二测试集为所述服务器对所述第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
若高于,所述服务器使用所述第四目标模型预测所述工业设备的运行状态;
若不高于,所述服务器使用所述第三目标模型预测所述工业设备的运行状态。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述服务器确定所述第四目标模型的准确率高于所述第三目标模型的准确率,所述服务器获取第三训练集,所述第三训练集为所述服务器对获取的所述工业设备的第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第三状态监控数据与所述第二状态监控数据和/或第一状态监控数据不同;
若所述服务器将所述第三训练集输入所述第四目标模型,所述服务器使用所述第一目标算法训练所述第四目标模型,得到第五目标模型;
所述服务器判断所述第五目标模型的准确率是否高于所述第四目标模型的准确率,所述第五目标模型的准确率为所述服务器根据第三测试集得到,所述第三测试集为所述服务器对所述第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
若所述第五目标模型的准确率不高于所述第四目标模型的准确率,所述服务器使用所述第四目标模型预测所述工业设备的运行状态。
6.根据权利要求1至3中任一项所述的方法,其特征在于,所述服务器获取第一训练集之前,所述方法还包括:
所述服务器获取所述用户的第一数据请求;
所述服务器根据所述第一数据请求获取所述第一状态监控数据;
所述服务器按照所述机器学习的数据处理标准化方法处理所述第一状态监控数据。
7.根据权利要求6所述的方法,其特征在于,所述第一数据请求包括所述工业设备的标识、第一开始时刻和第一结束时刻;
所述第一状态监控数据包括所述工业设备的第一使用时长和从第一开始时刻到第一结束时刻的运行数据和运行状态。
8.根据权利要求6所述的方法,其特征在于,所述服务器按照所述机器学习的数据处理标准化方法处理所述第一状态监控数据包括:
所述服务器给所述第一状态监控数据分配权重;
所述服务器对分配权重后的第一状态监控数据进行数据预处理;
所述服务器对数据预处理后的数据进行特征选择;
所述服务器对特征选择后的数据进行数据集划分。
9.根据权利要求8所述的方法,其特征在于,所述服务器对特征选择后的数据进行数据集划分之后,所述服务器获取第一目标训练集之前,所述方法还包括:
所述服务器对数据集划分后的数据进行矩阵转化;
所述目标算法包括反向传播算法。
10.一种服务器,其特征在于,包括:
第一获取单元,用于获取第一训练集,所述第一训练集为所述服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到;
第一训练单元,若所述服务器将所述第一训练集输入选定的第一目标模型,用于使用第一目标算法训练所述第一目标模型,得到第二目标模型;
调整单元,用于若所述服务器确定所述第二目标模型的准确率未达到预设的准确率阈值,按照预置的规则调整所述第二目标模型的超参数,所述第二目标模型的准确率为所述服务器根据第一测试集得到,所述第一测试集为所述服务器对所述第一状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
第二训练单元,用于若所述服务器将所述第一训练集输入调整超参数后的第二目标模型,使用所述第一目标算法训练所述调整参数后的第二目标模型,得到第三目标模型;
第一判断单元,用于判断所述第三目标模型的准确率是否达到所述准确率阈值,所述第三目标模型的准确率为所述服务器根据所述第一测试集得到;
第一预测单元,用于当所述第一判断单元确定所述第三目标模型的准确率达到所述准确率阈值时,使用所述第三目标模型预测所述工业设备的运行状态。
11.根据权利要求10所述的服务器,其特征在于,所述调整单元包括:
训练模块,用于使用预置的工具包中的第二目标算法和所述第一训练集训练所述第二目标模型,得到第一超参数;
判断模块,用于使用所述工具包中的目标函数和所述第一测试集判断所述第一超参数是否达到预置的比分阈值;
确定模块,用于当所述判断模块确定所述第一超参数达到预置的比分阈值时,确定所述第一超参数为所述第二目标模型调整后的超参数。
12.根据权利要求10或11所述的服务器,其特征在于,所述服务器还包括:
第二获取单元,用于当所述判断单元确定所述第三目标模型的准确率达到所述准确率阈值时,获取第二训练集,所述第二训练集为所述服务器对获取的所述工业设备的第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第二状态监控数据与所述第一状态监控数据不同;
第三训练单元,用于若所述服务器将所述第二训练集输入所述第三目标模型,使用所述第一目标算法训练所述第三目标模型,得到第四目标模型;
第二判断单元,用于判断所述第四目标模型的准确率是否高于所述第三目标模型的准确率,所述第四目标模型的准确率为所述服务器根据第二测试集得到,所述第二测试集为所述服务器对所述第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
第二预测单元,用于当所述第二判断单元确定所述第四目标模型的准确率高于所述第三目标模型的准确率时,使用所述第四目标模型预测所述工业设备的运行状态;
第三预测单元,用于当所述第二判断单元确定所述第四目标模型的准确率不高于所述第三目标模型的准确率时,使用所述第三目标模型预测所述工业设备的运行状态。
13.根据权利要求12所述的服务器,其特征在于,所述服务器还包括:
第三获取单元,用于当所述第二判断单元确定所述第四目标模型的准确率高于所述第三目标模型的准确率时,获取第三训练集,所述第三训练集为所述服务器对获取的所述工业设备的第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到,所述第三状态监控数据与所述第二状态监控数据和/或第一状态监控数据不同;
第四训练单元,用于若所述服务器将所述第三训练集输入所述第四目标模型,使用所述第一目标算法训练所述第四目标模型,得到第五目标模型;
第三判断单元,用于判断所述第五目标模型的准确率是否高于所述第四目标模型的准确率,所述第五目标模型的准确率为所述服务器根据第三测试集得到,所述第三测试集为所述服务器对所述第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到;
第四预测单元,用于若所述第五目标模型的准确率不高于所述第四目标模型的准确率,使用所述第四目标模型预测所述工业设备的运行状态。
14.根据权利要求10或11所述的服务器,其特征在于,所述服务器还包括:
第四获取单元,用于获取所述用户的第一数据请求;
第五获取单元,用于根据所述第一数据请求获取所述第一状态监控数据;
处理单元,用于按照所述机器学习的数据处理标准化方法处理所述第一状态监控数据。
15.根据权利要求14所述的服务器,其特征在于,所述处理单元包括:
分配模块,用于给所述第一状态监控数据分配权重;
数据预处理模块,用于对分配权重后的第一状态监控数据进行数据预处理;
特征选择模块,用于对数据预处理后的数据进行特征选择;
数据集划分模块,用于对特征选择后的数据进行数据集划分。
16.根据权利要求15所述的服务器,其特征在于,所述服务器还包括:
矩阵转化模块,用于对数据集划分后的数据进行矩阵转化。
CN201711226391.9A 2017-11-29 2017-11-29 工业设备运行状态的识别方法及服务器 Pending CN107992888A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711226391.9A CN107992888A (zh) 2017-11-29 2017-11-29 工业设备运行状态的识别方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711226391.9A CN107992888A (zh) 2017-11-29 2017-11-29 工业设备运行状态的识别方法及服务器

Publications (1)

Publication Number Publication Date
CN107992888A true CN107992888A (zh) 2018-05-04

Family

ID=62034434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711226391.9A Pending CN107992888A (zh) 2017-11-29 2017-11-29 工业设备运行状态的识别方法及服务器

Country Status (1)

Country Link
CN (1) CN107992888A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109047698A (zh) * 2018-09-03 2018-12-21 中冶连铸技术工程有限责任公司 一种连铸坯定重定尺在线预测方法
CN109656529A (zh) * 2018-10-31 2019-04-19 北京大学 一种针对客户端深度学习的在线定制化方法及系统
CN109754014A (zh) * 2018-12-29 2019-05-14 北京航天数据股份有限公司 工业模型训练方法、装置、设备及介质
CN109817342A (zh) * 2019-01-04 2019-05-28 平安科技(深圳)有限公司 流行季预测模型的参数调整方法、装置、设备及存储介质
CN109917758A (zh) * 2019-01-25 2019-06-21 北京交通大学 一种工业设备数据的处理方法及系统
CN110188780A (zh) * 2019-06-03 2019-08-30 电子科技大学中山学院 用于定位多目标特征点的深度学习模型的构建方法及装置
CN110263618A (zh) * 2019-04-30 2019-09-20 阿里巴巴集团控股有限公司 一种核身模型的迭代方法和装置
CN110334816A (zh) * 2019-07-12 2019-10-15 深圳市智物联网络有限公司 一种工业设备检测方法、装置、设备及可读存储介质
CN110728041A (zh) * 2019-09-27 2020-01-24 联想(北京)有限公司 信息处理方法及电子设备
CN110794700A (zh) * 2019-11-26 2020-02-14 国网电子商务有限公司 一种家庭能效优化系统、方法及装置
CN110889450A (zh) * 2019-11-27 2020-03-17 腾讯科技(深圳)有限公司 超参数调优、模型构建方法和装置
CN110929918A (zh) * 2019-10-29 2020-03-27 国网重庆市电力公司南岸供电分公司 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111639779A (zh) * 2019-03-01 2020-09-08 北京国双科技有限公司 一种信息处理方法及相关设备
CN111856362A (zh) * 2019-04-24 2020-10-30 深圳先进技术研究院 磁共振成像方法、装置、系统及存储介质
CN112598018A (zh) * 2019-10-02 2021-04-02 Abb瑞士股份有限公司 用于估计预测的方法、设备、系统以及可读存储介质
CN112733892A (zh) * 2020-12-28 2021-04-30 北京聚云科技有限公司 一种用于模型训练的数据交互方法及装置
CN112862301A (zh) * 2021-02-02 2021-05-28 陕西煤业新型能源科技股份有限公司 一种面向工业企业的智能管控系统
CN113128692A (zh) * 2019-12-31 2021-07-16 北京超星未来科技有限公司 无线分布式机器学习中数据获取处理的方法、装置及系统
CN113555008A (zh) * 2020-04-17 2021-10-26 阿里巴巴集团控股有限公司 一种针对模型的调参方法及装置
CN114338752A (zh) * 2022-02-28 2022-04-12 湖南云畅网络科技有限公司 一种第三方物联网平台设备智能化对接系统及方法
US20220352997A1 (en) * 2019-09-18 2022-11-03 Zte Corporation Interference simulation system, method and apparatus, interference test system, method and apparatus, and computer readable storage medium
CN116500439A (zh) * 2023-06-29 2023-07-28 天津海森诺海洋科技有限公司 一种基于机器学习技术的电机在线故障监测方法和装置
CN117540827A (zh) * 2024-01-08 2024-02-09 杭州吉利汽车数字科技有限公司 模型热更新方法、装置、设备及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161988A1 (en) * 2013-12-06 2015-06-11 International Business Machines Corporation Systems and methods for combining stochastic average gradient and hessian-free optimization for sequence training of deep neural networks
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN106776641A (zh) * 2015-11-24 2017-05-31 华为技术有限公司 一种数据处理方法及装置
CN107392241A (zh) * 2017-07-17 2017-11-24 北京邮电大学 一种基于加权列抽样XGBoost的图像目标分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161988A1 (en) * 2013-12-06 2015-06-11 International Business Machines Corporation Systems and methods for combining stochastic average gradient and hessian-free optimization for sequence training of deep neural networks
CN106776641A (zh) * 2015-11-24 2017-05-31 华为技术有限公司 一种数据处理方法及装置
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN107392241A (zh) * 2017-07-17 2017-11-24 北京邮电大学 一种基于加权列抽样XGBoost的图像目标分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张钰 等: "《Xgboost在滚动轴承故障诊断中的应用》", 《噪声与振动控制》 *

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109047698A (zh) * 2018-09-03 2018-12-21 中冶连铸技术工程有限责任公司 一种连铸坯定重定尺在线预测方法
CN109656529A (zh) * 2018-10-31 2019-04-19 北京大学 一种针对客户端深度学习的在线定制化方法及系统
CN109656529B (zh) * 2018-10-31 2021-05-25 北京大学 一种针对客户端深度学习的在线定制化方法及系统
CN109754014B (zh) * 2018-12-29 2021-04-27 北京航天数据股份有限公司 工业模型训练方法、装置、设备及介质
CN109754014A (zh) * 2018-12-29 2019-05-14 北京航天数据股份有限公司 工业模型训练方法、装置、设备及介质
CN109817342A (zh) * 2019-01-04 2019-05-28 平安科技(深圳)有限公司 流行季预测模型的参数调整方法、装置、设备及存储介质
CN109917758A (zh) * 2019-01-25 2019-06-21 北京交通大学 一种工业设备数据的处理方法及系统
CN111639779A (zh) * 2019-03-01 2020-09-08 北京国双科技有限公司 一种信息处理方法及相关设备
CN111639779B (zh) * 2019-03-01 2023-08-29 北京国双科技有限公司 一种信息处理方法及相关设备
CN111856362A (zh) * 2019-04-24 2020-10-30 深圳先进技术研究院 磁共振成像方法、装置、系统及存储介质
CN110263618B (zh) * 2019-04-30 2023-10-20 创新先进技术有限公司 一种核身模型的迭代方法和装置
CN110263618A (zh) * 2019-04-30 2019-09-20 阿里巴巴集团控股有限公司 一种核身模型的迭代方法和装置
CN110188780B (zh) * 2019-06-03 2021-10-08 电子科技大学中山学院 用于定位多目标特征点的深度学习模型的构建方法及装置
CN110188780A (zh) * 2019-06-03 2019-08-30 电子科技大学中山学院 用于定位多目标特征点的深度学习模型的构建方法及装置
CN110334816B (zh) * 2019-07-12 2023-06-16 深圳市智物联网络有限公司 一种工业设备检测方法、装置、设备及可读存储介质
CN110334816A (zh) * 2019-07-12 2019-10-15 深圳市智物联网络有限公司 一种工业设备检测方法、装置、设备及可读存储介质
US20220352997A1 (en) * 2019-09-18 2022-11-03 Zte Corporation Interference simulation system, method and apparatus, interference test system, method and apparatus, and computer readable storage medium
CN110728041A (zh) * 2019-09-27 2020-01-24 联想(北京)有限公司 信息处理方法及电子设备
CN112598018A (zh) * 2019-10-02 2021-04-02 Abb瑞士股份有限公司 用于估计预测的方法、设备、系统以及可读存储介质
CN110929918B (zh) * 2019-10-29 2023-05-02 国网重庆市电力公司南岸供电分公司 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN110929918A (zh) * 2019-10-29 2020-03-27 国网重庆市电力公司南岸供电分公司 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN110794700A (zh) * 2019-11-26 2020-02-14 国网电子商务有限公司 一种家庭能效优化系统、方法及装置
CN110889450B (zh) * 2019-11-27 2023-08-11 腾讯科技(深圳)有限公司 超参数调优、模型构建方法和装置
CN110889450A (zh) * 2019-11-27 2020-03-17 腾讯科技(深圳)有限公司 超参数调优、模型构建方法和装置
CN113128692B (zh) * 2019-12-31 2024-04-09 北京超星未来科技有限公司 无线分布式机器学习中数据获取处理的方法、装置及系统
CN113128692A (zh) * 2019-12-31 2021-07-16 北京超星未来科技有限公司 无线分布式机器学习中数据获取处理的方法、装置及系统
CN113555008A (zh) * 2020-04-17 2021-10-26 阿里巴巴集团控股有限公司 一种针对模型的调参方法及装置
CN112733892A (zh) * 2020-12-28 2021-04-30 北京聚云科技有限公司 一种用于模型训练的数据交互方法及装置
CN112862301A (zh) * 2021-02-02 2021-05-28 陕西煤业新型能源科技股份有限公司 一种面向工业企业的智能管控系统
CN112862301B (zh) * 2021-02-02 2023-07-04 陕西煤业新型能源科技股份有限公司 一种面向工业企业的智能管控系统
CN114338752A (zh) * 2022-02-28 2022-04-12 湖南云畅网络科技有限公司 一种第三方物联网平台设备智能化对接系统及方法
CN116500439A (zh) * 2023-06-29 2023-07-28 天津海森诺海洋科技有限公司 一种基于机器学习技术的电机在线故障监测方法和装置
CN117540827A (zh) * 2024-01-08 2024-02-09 杭州吉利汽车数字科技有限公司 模型热更新方法、装置、设备及计算机可读存储介质
CN117540827B (zh) * 2024-01-08 2024-04-09 杭州吉利汽车数字科技有限公司 模型热更新方法、装置、设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN107992888A (zh) 工业设备运行状态的识别方法及服务器
CN107862468A (zh) 设备风险识别模型建立的方法及装置
CN1991652B (zh) 可编程逻辑控制器和中央单元之间通信的通信方法及自动远程监控和诊断系统
CN106204330A (zh) 一种配电网智能诊断系统
CN107231436A (zh) 一种进行业务调度的方法和装置
CN107402921A (zh) 识别用户行为的事件时序数据处理方法、装置及系统
CN105425768B (zh) 一种电力二次设备监测装置及方法
CN107169610A (zh) 水产养殖溶解氧预测方法及装置
CN105467971B (zh) 一种电力二次设备监测系统及方法
CN102509178A (zh) 配网设备状态评估系统
CN109885021A (zh) 一种基于实时采集数据对采集设备进行监测的方法及系统
CN109873425B (zh) 基于深度学习和用户行为的电力系统调整潮流方法及系统
CN104635669B (zh) 一种仪控系统验证方法
CN113516244B (zh) 一种智能运维方法、装置、电子设备及存储介质
CN110119787A (zh) 一种旋转型机械设备工况检测方法及设备
CN105967063A (zh) 维保平台故障分析处理系统及方法
CN111860971B (zh) 道岔转辙机剩余寿命预测方法及装置
CN113743674A (zh) 基于深度学习的储能出力预测方法、系统、设备及介质
CN110361609A (zh) 特高压设备监测系统及方法
CN106503794A (zh) 一种风机齿轮箱剩余寿命预测方法
CN117074822A (zh) 充电桩故障诊断方法、计算机设备及存储介质
CN108023740A (zh) 监控中异常信息的风险提示方法和装置
CN113807462A (zh) 一种基于ai的网络设备故障原因定位方法及其系统
CN114091750A (zh) 电网负荷异常预测方法、系统和存储介质
CN114511179A (zh) 一种处理配电柜异常的智能规划方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180504