CN108199795B - 一种设备状态的监测方法和装置 - Google Patents

Abstract

本发明公开了一种设备状态的监测方法和装置，该方法包括：获取对设备进行监测得到的监测数据；根据预先确定的状态监测模型，确定监测数据对应的异常值，状态监测模型根据设备的历史监测数据确定得到，异常值用于表征设备是否处于异常状态；根据异常值，对设备的状态进行监测。本发明实施例预先确定用于对设备的状态进行监测的状态监测模型，在对该设备的状态进行监测时，可以根据实时获取的该设备的监测数据，确定得到用于表征该设备状态的异常值，根据该异常值对设备的状态进行监测。这样，可以实现对设备状态的模型分析和智能监测，进而提高对设备状态进行监测的准确度和精确度，以及提高故障应对能力和智能化水平。

Description

一种设备状态的监测方法和装置

技术领域

本发明涉及设备状态监测领域，尤其涉及一种设备状态的监测方法和装置。

背景技术

无线电广播发射机(以下简称发射机)是一种可以将调频广播电台的语音和音乐节目以无线方式发射出去的设备。通常，在发射机使用过程中，会对发射机的状态进行实时监测，从而根据监测结果实时地确定发射机的状态是否正常，以降低生产风险和维护成本。

在对发射机进行监测时，通常，可以自动化采集发射机的自动化表盘的参数，确定多个自动化表盘参数是否超出预设的正常数据范围，若是，则可以确定发射机的状态异常，若否，则可以确定发射机的状态正常。当发射机的状态异常时，可以发出告警信号，以便于工作人员可以对发射机进行维护，防止广播故障的发生。

然而，在实际使用发射机的过程中，由于发射机倒频次数的增加，发射机内部结构比较复杂等原因，造成发射机故障的因素也错综复杂(往往是多因素的耦合)。这样，在对发射机的状态进行监测时，很难根据单个自动化表盘的数据对发射机的状态进行判断，导致设备故障不能得到紧急处理，影响广播发射系统的安全稳定运行。

发明内容

本发明实施例提供一种设备状态的监测方法和装置，用于解决现有的对无线电广播发射极的故障监测方法准确度较低的问题。

第一方面，提供了一种设备状态的监测方法，包括：

获取对设备进行监测得到的监测数据；

根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述状态监测模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；

根据所述异常值，对所述设备的状态进行监测。

第二方面，提供了一种设备状态的监测装置，包括：

获取模块，获取对设备进行监测得到的监测数据；

确定模块，根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述状态监测模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；

监测模块，根据所述异常值，对所述设备的状态进行监测。

第三方面，提供一种电子设备，包括：处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：

获取对设备进行监测得到的监测数据；

根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述状态监测模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；

根据所述异常值，对所述设备的状态进行监测。

第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

获取对设备进行监测得到的监测数据；

根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述状态监测模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；

根据所述异常值，对所述设备的状态进行监测。

本发明实施例采用的上述至少一个技术方案能够达到以下有益效果：

本发明实施例提供的技术方案，预先确定用于对设备的状态进行监测的状态监测模型，在对该设备的状态进行监测时，可以根据实时获取的该设备的监测数据，确定得到用于表征该设备状态的异常值，根据该异常值对设备的状态进行监测。这样，通过预先确定的状态监测模型，可以实现对设备状态的模型分析和智能监测，进而提高对设备状态进行监测的准确度和精确度，以及提高故障应对能力和智能化水平。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明的一个实施例设备状态的监测方法的流程示意图；

图2是本发明的一个实施例设备状态的监测结果的示意图；

图3是本发明的一个实施例设备状态的监测结果的示意图；

图4是本发明的一个实施例设备状态的监测结果的示意图；

图5是本发明的一个实施例设备状态的监测结果的示意图；

图6是本发明的一个实施例设备状态的监测结果的示意图；

图7是本发明的一个实施例设备状态的监测方法的流程示意图；

图8是本发明的一个实施例设备状态的监测装置的结构示意图。

具体实施方式

现有的对发射机的状态进行监测的方法主要是采用对多个自动化表盘的数据进行超限报警的方法。具体地，当自动化表盘的某项参数超出预定的正常数值范围时，自动发出告警信号。然而，由于发射机倒频次数的增加，发射机内部结构比较复杂等原因，造成发射机故障的因素也错综复杂，导致现有的对无线电广播发射极的故障监测方法的准确度较低。

具体地，针对短波发射机而言，短波发射机是国家广电总局无线局的主力机型，现有的短波发射机已经全部实现自动化，但是，由于短波发射机的数量多、任务重、倒频次数不断增加，导致短波发射机的故障因素越来越多，故障率不断增加，例如，在短波发射机运行中经常出现掉高压故障，高未帘栅过荷等。

针对大功率的中短波发射机而言，其内部结构比较复杂(可以包含众多的构成组件和元件)，导致造成故障的原因也错综复杂，并且，往往是多因素耦合导致发射机故障。这样，在对发射机的状态进行监测时，很难从单个自动化表盘的参数对发射机的状态进行判断，特别是对于一些比较复杂或者非常见的异态问题，如果设备维护人员不具备极强的专业技能和维护经验就很难及时发现和干预。例如，偶然出现的自动化表盘的表值瞬间异常很有可能是正常情况，但周期性出现的瞬间异常就很有可能是真正的异常状态。但是这种周期性瞬间异态依靠人工观察很难及时捕捉到。

此外，每个发射机的表盘参数含义不同，发射机整体状况的表达也会不同。假设维护人员对每个参数和发射机整体运行状态有四种判断，分别是“没问题”、“有一点问题”、“不太好”、“很糟糕”，按照15个表盘参数分别有四种状态，那么，一共有10亿个状态组合方式。当发射机的参数大于15个时，状态组合方式将会更多。因此，仅仅基于多个运行参数，不同的维护人员对发射机状态的判断也不尽相同。由于业务水平和熟练度的差异，发射机操作人员时常会出现对发射机整机运行状态的判断失误，使得设备故障不能得到紧急处理，影响发射系统的安全稳定运行。

有鉴于此，本发明实施例提供一种设备状态的监测方法和装置，用于解决上述对发射机的状态监测的准确度较低的问题。该监测方法包括：获取对设备进行监测得到的监测数据；根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述数学模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；根据所述异常值，对所述设备的状态进行监测。这样，通过预先确定的状态监测模型，可以实现对设备状态的模型分析和智能监测，进而提高对设备状态进行监测的准确度和精确度，以及提高故障应对能力和智能化水平。

故障监测与健康管理的话题很早就开始讨论，从20世纪70年代起，故障诊断、故障监测、健康管理等系统逐渐在工程中应用。最开始应用于飞机、轮船等大型设备上，70年代中期的A-7E飞机的发动机监控系统(EMS)成为PHM早期的典型案例。在30年的发展过程中，电子产品机上测试(BIT)、发动机健康监控(EHM)、结构件健康监控(SHM)、齿轮箱、液压系统健康监控等具体领域问题的PHM技术得到了发展，出现了健康与使用监控系统(HUMS)、集成状态评估系统(ICAS)、装备诊断与预计工具(ADAPT)等集成应用平台，故障诊断、使用监测、与维修保障系统交联是这些平台具有的典型特征，但故障监测能力和系统集成应用能力很弱或没有。

本发明实施例主要将故障监测与健康管理与设备的状态监测相结合，实现了发射机等设备的模型分析以及智能化的故障监测。

下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

故障监测与健康管理(英文简称：PHM，英文全称：Prognostic and HealthManagement)广泛应用于各个领域。其中，在电子系统中，PHM的主要意义在于，提前预知将要发生故障的时间和位置，监测整个系统的RUL(Remain Useful Life，剩余使用寿命)，提高系统的运行可靠性，减少系统的维修费用和提高维修准确性，实现电子系统的CBM(Condition Based Maintainence，基于状态的维修)。同时，PHM系统记录分析电子系统的健康数据，像管理人体健康一样，对整个系统进行健康管理。

本发明实施例主要介绍PHM在无线广播发射机等设备上的应用。具体地，本发明实施例通过收集广播发射机等设备各个部分和元器件的历史状态数据和健康数据，可以建立数学模型，然后通过对发射机等设备进行实时监测得到的状态数据，根据已建立的数学模型进行故障监测，提前发现故障隐患，做到保障广播正常运行，防止广播故障的发生。

本发明实施例中，所述设备可以是无线广播发射机，也可以是其他可以用于故障监测的设备，这里不做具体限定。所述无线广播发射极可以是短波发射极，也可以是中短波发射极，这里也不做具体限定。

以下结合附图，详细说明本发明各实施例提供的技术方案。

图1是本发明的一个实施例设备状态的监测方法的流程示意图。所述方法如下所述。

步骤102：获取对设备进行监测得到的监测数据。

在步骤102中，在需要对设备的状态进行监测时，可以获取对所述设备进行监测得到监测数据。所述监测数据包括但不限于：所述设备的任务类型、所述设备的工作时长、所述设备的功率、所述设备的运行参数等。

本发明实施例中，对所述设备进行监测得到的所述监测数据可以是对所述设备进行实时监测得到的监测数据。

在获取到对所述设备进行监测得到的所述监测数据后，可以执行步骤104。

步骤104：根据预先确定的状态监测模型，确定所述监测数据对应的异常值。

在步骤104中，在获取到所述设备的所述监测数据后，可以根据预先确定的状态监测模型，以所述监测数据作为输入，确定得到所述监测数据对应的异常值。所述异常值可以用于表征所述设备是否处于异常状态。

本发明实施例中，所述状态监测模型可以根据所述设备的历史监测数据确定得到，并用于对所述设备的状态进行监测。所述设备的状态包括所述设备处于异常状态，所述设备处于正常状态。

在预先根据所述设备的历史监测数据确定得到所述状态监测模型时，具体可以通过以下方式确定得到，包括：

对所述设备的历史监测数据进行预处理；

对预处理后的所述历史监测数据进行等距抽样，得到样本数据；

对所述样本数据分别进行离散化和归一化处理，得到离散化数据和归一化数据；

根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型。

首先，可以获取对所述设备进行监测得到的历史监测数据，所述历史监测数据包括所述设备的任务类型、所述设备的工作时长、所述设备的功率、所述设备的运行参数等。在获取到所述历史监测数据后，可以对所述历史监测数据进行预处理。本发明实施例中，对所述历史监测数据的预处理可以是过滤掉所述历史监测数据中不符合要求的数据。

例如，所述历史监测数据中缺少某一时间段对所述设备的监测数据，假如在该时间段内所述设备出现异常，那么，由于所述历史监测数据中缺少所述设备异常的数据，导致基于所述历史监测数据得到的所述状态监测模式失真。因此，为了避免得到的所述状态监测模型失真，在获取到所述历史监测数据后，可以以所述设备的正常运行周期为准，将缺少监测数据的时间段大于设定时间(例如5分钟)的运行周期对应的数据删除。

为了保证数据的可靠性，还可以将对应的运行时间小于设定时间(例如2分钟)的历史监测数据删除。此外，为了提高数据处理效率，还可以将所述历史监测数据中具有相同运行状态的数据只保留一条。

其次，在得到预处理后的所述历史监测数据后，可以对预处理后的所述历史监测数据进行等距抽样，得到待处理的样本数据。

需要说明的是，在得到所述样本数据后，还可以判断所述样本数据的数量，如果所述样本数据中的重要字段不为空并且其余非重要关键字的空值数量低于重要关键字总数的设定比值(例如1/5)时，则可以认为所述样本数据是有效的，并根据已有的数据集拟合出缺省值，补全所述样本数据。

再次，在得到所述样本数据后，可以对所述样本数据分别进行离散化处理和归一化处理，并分别得到离散化数据以及归一化数据。

本发明实施例对所述样本数据进行离散化处理以及归一化处理的目的是为了便于后续使用相应的数学模型对所述样本数据进行处理。

最后，在得到所述离散化数据以及所述归一化数据后，可以根据所述离散化数据以及所述归一化数据，使用预设的数学模型，确定得到所述状态监测模型。

本发明实施例中，所述预设的数学模型可以包括第一模型、第二模型以及第三模型。其中，所述第一模型可以用于对所述归一化数据进行处理，所述第二模型以及所述第三模型可以用于对所述离散化数据进行处理。优选地，所述第一模型可以是超球模型，所述第二模型可以是XGBoost(英文全称：eXtreme Gradient Boosting，中文名称：极端梯度增加)模型，所述第三模型可以是iForest(英文全称：Isolation Forest，中文名称：孤立森林)模型。

根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型，包括：

根据所述第一模型以及所述归一化数据，确定所述归一化数据与正常数据之间的相似度；

根据所述第二模型以及所述离散化数据，确定所述离散化数据与异常数据之间的第一关联概率；

根据所述第三模型以及所述离散化数据，确定所述离散化数据与异常数据之间的第二关联概率；

根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型。

首先，可以根据所述第一模型以及所述归一化数据，确定得到所述归一化数据与正常数据之间的相似度，即输入的特征与正常状态之间的相似度。其中，正常数据可以根据所述设备处于正常状态时确定得到。

以所述超球模型为例：

可以假设所述设备在某一段时间内具有m个状态点，每个状态点可以由n个测点组成，定义某一状态点t_j(j＝1，……，m)的观测向量为X(t_j)＝[x₁(t_j)，x₂(t_j)，……，x_n(t_j)]，其中x_i(t_j)是第i个测点在状态点t_j的测量值，可以代表t_j时刻下所述设备的运行状态。

那么，所述超球模型的表达式可以表示为：

在确定所述超球模型的表达式后，可以从所有的相关联的状态点中筛选出相互之间差值大于某一个相似性指标的关联参照点，从而得到一个划分足够精确而细致的超球模型。之后，根据所述归一化数据就可以基于距离来度量新数据(即对所述设备的监测数据)与正常数据的相似程度。其中，可以采用欧几里得距离计算方式确定所述距离，所述距离计算公式为：

通过实时数据的超球模型计算，首先判断不同监测数据对应的状态点在超球模型中的位置，然后根据所有历史状态和该状态点的相似性关系，利用相似性算法得到不同的监测数据与正常数据之间的相似度，其中，所述相似度的计算公式为：

其中，D为超球矩阵，X_obs为监测数据对应的状态向量，X_est为X_obs对应的相似度值。根据所述超球模型的预估计算可以得到不同的监测数据对应的状态点与历史正常数据对应的状态点之间的相似度，所述相似度可以反映所述设备的异常状态，具体地，所述相似度越小，所述设备处于异常状态的可能性越大，所述相似度越大，所述设备处于异常状态的可能性越小。

其次，可以根据所述第二模型以及所述离散化数据，确定得到不同监测数据与异常数据之间的第一关联概率。其中，所述异常数据可以根据所述设备处于异常状态时确定得到。

以所述XGBoost模型为例：

XGBoost模型的计算过程可以是：XGBoost算法显式地把树模型复杂度作为正则项加到优化目标中，正则项包含了树的叶子节点的个数、每个叶子节点上输出的分数的L2的平方和，使训练出的模型更简单，防止过拟合。其中，根据所述XGBoost模型得到的所述第一关联概率的表达式为：

该公式使用L2正则计算迭代最小化损失函数，表示计算目标集合和样本集合的损失函数，y_i表示样本集合，表示目标集合。XGBoost计算迭代最小化样本集合和目标集合的损失函数值。后面的部分是L2正则项，γ表示树模型的叶子树，ω表示树的叶子节点代表的分数值，K为树中的叶子节点格式，λ为超参数，调参适配模型时使用。

本发明实施例中，XGBoost模型的学习速率快，在完成一次迭代之后，会将叶子节点的权重乘上该系数，可以削弱每棵树的影响，让后面的学习训练空间更大，在训练过程中应该把eta设置小一点，迭代次数相对多一点，而且可以更快的在训练集上收敛。在训练模型过程中，先将数据离散化，本次利用xgboost建立不同表值状态的组合与设备状态之间的关联概率，利用模拟量表值，建立XGBoost模型，对设备的状态计算出异常得分，然后根据得分阈值，判断出所述设备是否处于异常状态。

再次，可以根据所述第三模型以及所述离散化模型，确定得到所述第三监测模型。具体地，以所述iForest模型为例：

iForest模型的计算方法可以是：iForest模型由大量的iTree构成，iTree是一种随即二叉树，构造过程从数据集的N条数据均匀抽样(无放回抽样)出n个样本，随机选择一个特征的值，根据这条特征分类，将特征值中小于选定值的记录放在左节点，大于该值放在右节点，直到终止条件。因此可以用叶子节点到根节点的路径h(x)长度判断一条记录x是否是异常值，计算可得异常指数S(x，n)。计算得到异常指数S(x，n)可以视为所述第二关联概率，具体公式如下：

其中，H(k)＝lnk+ζ，ζ为欧拉常数，h(x)表示叶子节点到根节点的长度；E(h(x))表示求均值。

S(x，n)取值范围为[0，1]，越接近1异常点的概率越大，反之，正常点的概率越大。由于是随机选属性，仅仅使用一棵树不足以表述结果，使用多棵iTree构成森林就足以表述这个特性，构造森林时当采样大小为N时，每棵iTree设置最大高度H满足如下特性：

H＝ceiling(log₂N)。

最后，在确定所述相似度、所述第一关联概率以及所述第二关联概率后，可以根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型。

具体地，根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型，包括：

确定所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度；

根据所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度，确定所述相似度、所述第一关联概率以及所述第二关联概率各自的权重；

根据所述相似度、所述第一关联概率、所述第二关联概率以及各自的权重，确定得到所述状态监测模型。

也就是说，本发明实施例可以通过所述相似度、所述第一关联概率、所述第二关联概率以及各自的权重拟合得到用于对所述设备的状态进行监测的所述状态监测模型。具体地：

首先，在确定所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度时，以确定所述相似度的准确度为例，可以根据所述相似度在理论上确定所述设备是否处于异常状态，同时，根据实际情况确定所述设备在所述相似度下是否处于异常状态，即将所述相似度确定的所述设备是否处于异常状态与根据实际情况确定的所述设备是否处于异常状态进行对比，确定根据所述相似度确定所述设备是否处于正常状态的准确度。

同理，可以按照上述记载的确定所述相似度的准确度的方法确定得打所述第一关联概率的准确度以及所述第二关联概率的准确度。

其次，根据所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度，为所述相似度、所述第一关联概率以及所述第二关联概率分配拟合的权重。

例如，若基于某次的训练数据，根据所述超球模型得到的所述相似度的准确度为0.75，根据所述xgboost模型得到的所述第一关联概率的准确度为0.91，根据所述IForest模型得到的所述第二关联概率的准确度为0.48，则按照准确度分配权重后，可以确定所述相似度的权重为0.35，所述第一关联概率的权重为0.425，所述第二关联概率的权重为0.225。

在确定所述相似度、所述第一关联概率以及所述第二关联概率各自的权重后，可以通过以下公式拟合得到所述状态监测模型：

Y_M(x)可以视为所述状态监测模型确定得到的用于表征所述设备是否处于正常状态的指标。

在基于上述记载的方法确定得到所述状态监测模型后，可以根据所述状态监测模型以及所述监测数据确定得到所述异常值。

根据预先确定的状态监测模型，确定所述监测数据对应的异常值，包括：

根据所述监测数据以及所述状态监测模型，分别确定所述监测数据对应的所述相似度，所述监测数据对应的所述第一关联概率，所述监测数据对应的所述第二关联概率；

根据所述监测数据对应的所述相似度、所述监测数据对应的所述第一关联概率、所述监测数据对应的所述第二关联概率以及所述相似度、所述第一关联概率、所述第二关联概率各自的权重，确定所述监测数据对应的异常值。

具体地，首先可以将所述监测数据转化为与所述状态监测模型的输入数据格式一致的数据，然后可以按照上述记载的方法，以所述监测数据作为输入，分别根据所述第一模型、所述第二模型以及所述第三模型，确定所述监测数据对应的所述相似度(即所述监测数据与正常数据之间的相似度)，对应的所述第一关联概率(即所述监测数据与异常数据之间的第一关联概率)以及对应的所述第二关联概率(即所述监测数据与异常数据之间的第二关联概率)，最后，将确定得到的所述监测数据对应的所述相似度、所述第一关联概率以及所述第二关联概率按照预先确定的所述各自的权重进行拟合，最终得到所述监测数据对应的异常值。

如表1所示，以全量特征的计算方法为例，输入数据经过向量化和离散化，处理为不同的维度特征的编码(one-hot编码)形式，经过xgboost的模型计算(包括交叉验证训练等手段)，调参结果后得到每个维度会有相应的权重值，这些各维度的权重值共同构成了xgboost模型的训练结果；在进行xgboost模型进行预测的时候只需将模型和向量化的数据相乘求和得到一个预测值，如果在设定的阈值之下，模型计算的结果就是这条数据表示的发射机状态良好；反之，则表示这条数据表示的发射机状态不佳。超球模型和IForest模型同理；在做模型融合判断的时候依据以前的数据分配权重，将三个模型得到的得分与权重值相乘，得到模型融合的得分，即为所述异常值。

表1

在确定所述监测数据对应的异常值后，可以执行步骤106。

步骤106：根据所述异常值，对所述设备的状态进行监测。

在步骤106中，在确定得到所述异常值之后，可以根据所述异常值对所述设备的状态进行监测。

具体地，根据所述异常值，对所述设备的状态进行监测，包括：

确定所述异常值是否在预设范围内；

若所述异常值在所述预设范围内，则确定所述设备的状态正常；

若所述异常值不在所述预设范围内，则确定所述设备的状态异常。

本发明实施例中，可以预先确定用于表征所述设备处于正常状态时，所述异常值满足的预设范围，这样，在确定得到所述异常值后，可以将所述异常值与所述预设范围进行比较，根据比较结果确定所述设备的状态。其中，所述预设范围可以根据实际情况确定，本发明实施例不做具体限定。

在根据所述比较结果确定所述设备的状态时，若所述异常值在所述预设范围内，则可以说明所述设备处于正常状态，若所述异常值不在所述预设范围内，则可以说明所述设备处于异常状态。

本发明实施例中，在确定所述设备的状态异常后，所述方法还包括：

发出对所述设备的异常警报。

警报的方式可以是语音警报，可以是短消息提示方式，本发明不做具体限定。

本发明实施例在发出对所述设备的异常警报时，还可以根据所述异常值的大小，确定所述设备异常状态的程度，以便于确定发出的警报级别。例如，可以将所述设备异常状态的程度分为三个等级：低级、中级和高级，在确定所述设备属于低级异常状态时，可以发出黄色警报，在确定所述设备属于中级异常状态时，可以发出橙色警报，在确定所述设备属于高级异常状态时，可以发出红色警报。

在发出警报之后，所述设备的运维人员可以根据所述监测数据和/或所述异常值对所述设备的异常状态进行分析，确定导致所述设备异常的原因属于器件老化、环境原因、自动化系统原因，还是人为原因，以便于对所述设备进行管理和维护。

此外，在对所述设备的状态进行监测后，所述方法还包括：

将所述设备的监测结果进行展示。

在对所述设备的状态进行监测后，不论所述设备是否处于异常状态，都可以将所述设备的监测结果进行展示。

图2至图6为本发明实施例对发射机的状态进行监测后得到的监测结果的示意图。

图2中，被监测状态的所述设备为D02发射机，该发射机的黄色报警次数为1。点击图2所示的“查看详情”选项后，可以得到图3。

图3中，纵坐标可以是所述发射机的异常值，在所述异常值大于40时，可以确定所述发射机的状态为正常，在所述异常值小于40且大于20时，所述发射机为低级异常状态，需要发出黄色警报，在所述异常值小于20且大于0时，所述发射机为中级异常状态，需要发出橙色警报，在所述异常值为0时，所述发射机为高级异常状态，需要发出红色警报。

在实际应用中，还可以将多个发射机的监测结果显示在同一显示屏中，如图4所示。

此外，还可以对所述发射机的所述异常值的预设范围进行设置，如图5所示，可以分别设置黄色预警、橙色预警、红色预警各自对应的预警线、累计次数以及相隔时长。

图6为对所述发射机运行时的各项参数进行实时监控的监控结果。其中，发射机的健康度可以是所述发射机的异常值。所述发射机的各项参数包括外电Vab、外电Vac、外电Vbc、高前阴流、高末栅流、高末帘栅流、高末屏流。其中，还可以对各个参数的上下限进行设置。

本发明实施例提供的技术方案，预先确定用于对设备的状态进行监测的状态监测模型，在对该设备的状态进行监测时，可以根据实时获取的该设备的监测数据，确定得到用于表征该设备状态的异常值，根据该异常值对设备的状态进行监测。这样，通过预先确定的状态监测模型，可以实现对设备状态的模型分析和智能监测，进而提高对设备状态进行监测的准确度和精确度，以及提高故障应对能力和智能化水平。

图7为本发明的一个实施例设备状态的监测方法的流程示意图。本发明实施例以所述设备为发射机进行说明。

图7中，使用了实时大数据处理框架Lambda架构，Lambda架构同时支持离线模型和在线模型。其中，离线模型可以根据发射机的历史监测数据进行建模，在线模型可以对实时上传的发射机秒数据(即发射机实时的监测数据)进行在线计算。

在Lambda架构下，本发明实施例对积累的大量历史秒数据(即所述发射机的历史监测数据)进行挖掘，确定故障形成的前因后果；从秒数据中实时计算出发射机的状态，从海量的秒数据信息中挖掘故障模式、出错模式，对故障进行预判并提供相应的解决方案，利用了先进的大数据的框架和组件，支撑发射机秒数据级的海量数据处理；采用了实时计算和离线计算相结合的主流的大数据计算框架。

在图7中，发射机的监测数据会存储到文件系统中，并固定一段时间内对批量的监测数据进行模型训练和计算，并得到三个模型，三个模型分别代表不同的监测数据与正常数据之间的相似度、不同的监测数据与异常数据之间的第一关联概率、不同的监测数据与异常数据之间的第二关联概率，依据这三个模型的准确率等因素将三个模型融合Bagging成一个模型，得到最终的异常得分模型(即所述状态监测模型)，如图7所示的模型转换器。

当实时的监测数据接入计算时，可以先将实时的监测数据向量化为one-hot编码，并分别根据上述三个模型计算对应的结果，使用异常得分模型计算最终的得分(即所述异常值)，将计算结果存储到分布式文件数据库中共前端web实时使用。

需要说明的是，本发明实施例中，针对离线模式而言，所述历史监测数据来自于发射台站的发射机业务数据交换中心。该数据经由分布式消息队列写入到分布式文件系统存储。由分布式计算框架完成数据运算处理等工作。经过规范化的数据进入建模分析平台。建模分析平台采用多元状态分析算法，模型分析结果输出到模型文本文件。文本文件经过模型转换器转换后，输入到实时计算平台中。随着所述历史监测数据的不断积累，模型定期更新模型分析结果。由模型转换器定期将更新后的结果输入实时计算引擎中。

针对在线模型而言，所述发射机的监测数据经由分布式消息队列到达分布式实时流计算平台后，消息会完成流式的处理，实时完成响应处理或计算。实时计算引擎上的分析、统计任务按照模型分析的结果进行具体计算处理，计算结果输出到分布式文档数据库中。分布式文档数据库将作为实时计算的输出数据库，实时计算引擎从分布式消息队列读取实时采集的数据，完成计算后，将计算结果输出到分布式文档数据库存储。使用方通过读取分布式文档数据库结果即可获取实时计算报表。

分布式文档数据库中的实时计算结果，由运维中心的实时报表页面读取，并展示到Web界面上。Web界面主要提供三个功能：发射机运行状态的可视化展示、经验规则设定、历史运行状态查询等。在Web页面可以实时观察发射机的整体健康度曲线，当发射机异常时，可以根据异常的不同等级，分别产生三级报警：健康度中度告警(黄色)、健康度重度告警(橙色)、发射机故障预警(红色)。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

图8是本发明的一个实施例设备状态的监测装置的结构示意图。所述监测装置包括：获取模块81、确定模块82以及监测模块83，其中：

获取模块81，获取对设备进行监测得到的监测数据；

确定模块82，根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述状态监测模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；

监测模块83，根据所述异常值，对所述设备的状态进行监测。

可选地，所述确定模块82通过以下方式确定得到所述状态监测模型，包括：

对所述设备的历史监测数据进行预处理；

对预处理后的所述历史监测数据进行等距抽样，得到样本数据；

对所述样本数据分别进行离散化和归一化处理，得到离散化数据和归一化数据；

根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型。

可选地，所述预设的数学模型包括：第一模型、第二模型以及第三模型；

所述确定模块82根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型，包括：

根据所述第一模型以及所述归一化数据，确定不同监测数据与正常数据之间的相似度；

根据所述第二模型以及所述离散化数据，确定不同监测数据与异常数据之间的第一关联概率；

根据所述第三模型以及所述离散化数据，确定不同监测数据与异常数据之间的第二关联概率；

根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型。

可选地，所述确定模块82根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型，包括：

确定所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度；

根据所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度，确定所述相似度、所述第一关联概率以及所述第二关联概率各自的权重；

根据所述相似度、所述第一关联概率、所述第二关联概率以及各自的权重，确定得到所述状态监测模型。

可选地，所述确定模块82根据预先确定的状态监测模型，确定所述监测数据对应的异常值，包括：

根据所述监测数据以及所述状态监测模型，分别确定所述监测数据对应的所述相似度，所述监测数据对应的所述第一关联概率，所述监测数据对应的所述第二关联概率；

根据所述监测数据对应的所述相似度、所述监测数据对应的所述第一关联概率、所述监测数据对应的所述第二关联概率以及所述相似度、所述第一关联概率、所述第二关联概率各自的权重，确定所述监测数据对应的异常值。

可选地，所述监测模块83根据所述异常值，对所述设备的状态进行监测，包括：

确定所述异常值是否在预设范围内；

若所述异常值在所述预设范围内，则确定所述设备的状态正常；

若所述异常值不在所述预设范围内，则确定所述设备的状态异常。

可选地，所述监测装置还包括：报警模块84，其中，所述报警模块84在所述监测模块83确定所述设备的状态异常后，发出对所述设备的异常警报。

可选地，所述监测装置还包括：展示模块85，其中，所述展示模块85在所述监测模块83对所述设备的状态进行监测后，将所述设备的监测结果进行展示。

本发明实施例提供的移动终端能够实现图1和图7的方法实施例中移动终端实现的各个过程，为避免重复，这里不再赘述。本发明实施例中，预先确定用于对设备的状态进行监测的状态监测模型，在对该设备的状态进行监测时，可以根据实时获取的该设备的监测数据，确定得到用于表征该设备状态的异常值，根据该异常值对设备的状态进行监测。这样，通过预先确定的状态监测模型，可以实现对设备状态的模型分析和智能监测，进而提高对设备状态进行监测的准确度和精确度，以及提高故障应对能力和智能化水平。

本发明实施例提供一种电子设备，包括：处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述记载的设备状态的监测方法实施例的各个步骤。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述设备状态的监测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (7)

1.一种设备状态的监测方法，其特征在于，包括：

获取对设备进行监测得到的监测数据；

根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述状态监测模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；

根据所述异常值，对所述设备的状态进行监测；

其中，

通过以下方式确定得到所述状态监测模型，包括：

对所述设备的历史监测数据进行预处理；

对预处理后的所述历史监测数据进行等距抽样，得到样本数据；

对所述样本数据分别进行离散化和归一化处理，得到离散化数据和归一化数据；

根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型；

所述预设的数学模型包括：第一模型、第二模型以及第三模型；

根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型，包括：

根据所述第一模型以及所述归一化数据，确定不同监测数据与正常数据之间的相似度；

根据所述第二模型以及所述离散化数据，确定不同监测数据与异常数据之间的第一关联概率；

根据所述第三模型以及所述离散化数据，确定不同监测数据与异常数据之间的第二关联概率；

根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型。

2.如权利要求1所述的监测方法，其特征在于，根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型，包括：

确定所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度；

根据所述相似度、所述第一关联概率以及所述第二关联概率各自的准确度，确定所述相似度、所述第一关联概率以及所述第二关联概率各自的权重；

根据所述相似度、所述第一关联概率、所述第二关联概率以及各自的权重，确定得到所述状态监测模型。

3.如权利要求2所述的监测方法，其特征在于，根据预先确定的状态监测模型，确定所述监测数据对应的异常值，包括：

根据所述监测数据以及所述状态监测模型，分别确定所述监测数据对应的所述相似度，所述监测数据对应的所述第一关联概率，所述监测数据对应的所述第二关联概率；

根据所述监测数据对应的所述相似度、所述监测数据对应的所述第一关联概率、所述监测数据对应的所述第二关联概率以及所述相似度、所述第一关联概率、所述第二关联概率各自的权重，确定所述监测数据对应的异常值。

4.如权利要求1所述的监测方法，其特征在于，根据所述异常值，对所述设备的状态进行监测，包括：

确定所述异常值是否在预设范围内；

若所述异常值在所述预设范围内，则确定所述设备的状态正常；

若所述异常值不在所述预设范围内，则确定所述设备的状态异常。

5.如权利要求4所述的监测方法，其特征在于，在确定所述设备的状态异常后，所述方法还包括：

发出对所述设备的异常警报。

6.如权利要求4所述的监测方法，其特征在于，在对所述设备的状态进行监测后，所述方法还包括：

将所述设备的监测结果进行展示。

7.一种设备状态的监测装置，其特征在于，包括：

获取模块，获取对设备进行监测得到的监测数据；

确定模块，根据预先确定的状态监测模型，确定所述监测数据对应的异常值，所述状态监测模型根据所述设备的历史监测数据确定得到，所述异常值用于表征所述设备是否处于异常状态；

监测模块，根据所述异常值，对所述设备的状态进行监测；

其中，

所述确定模块通过以下方式确定得到所述状态监测模型，包括：

对所述设备的历史监测数据进行预处理；

对预处理后的所述历史监测数据进行等距抽样，得到样本数据；

对所述样本数据分别进行离散化和归一化处理，得到离散化数据和归一化数据；

根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型；

所述预设的数学模型包括：第一模型、第二模型以及第三模型；

根据所述离散化数据、所述归一化数据以及预设的数学模型，确定得到所述状态监测模型，包括：

根据所述第一模型以及所述归一化数据，确定不同监测数据与正常数据之间的相似度；

根据所述第二模型以及所述离散化数据，确定不同监测数据与异常数据之间的第一关联概率；

根据所述第三模型以及所述离散化数据，确定不同监测数据与异常数据之间的第二关联概率；

根据所述相似度、所述第一关联概率以及所述第二关联概率，确定得到所述状态监测模型。