CN109086876B

CN109086876B - 设备的运行状态检测方法、装置、计算机设备和存储介质

Info

Publication number: CN109086876B
Application number: CN201811108651.7A
Authority: CN
Inventors: 乐建兵
Original assignee: Guangzhou Development Group Inc
Current assignee: Guangzhou Development Group Inc
Priority date: 2018-09-21
Filing date: 2018-09-21
Publication date: 2022-07-22
Anticipated expiration: 2038-09-21
Also published as: CN109086876A

Abstract

本发明涉及一种设备的运行状态检测方法和装置，该方法包括步骤：检测设备的运行状态测点的当前数据，将当前数据转化为第一趋势图；将第一趋势图输入神经网络模型，获取神经网络模型对所述第一趋势图进行重建输出的第二趋势图；计算第二趋势图与第一趋势图之间的重建偏差；根据重建偏差获取设备的运行状态，由于该神经网络模型是基于设备的正常数据进行机器学习训练得到的，能够学习到正常数据的趋势分布等特征，使得当前数据输入的第一趋势图以及神经网络模型重建的第二趋势图之间的重建偏差能够准确反映设备是否处于异常的运行状态，提高对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

Description

设备的运行状态检测方法、装置、计算机设备和存储介质

技术领域

本发明涉及设备检测技术领域，特别是涉及一种设备的运行状态检测方法、设备的运行状态检测装置、计算机设备和计算机可读存储介质。

背景技术

在设备检测技术领域中，主要由各种工业过程控制系统基于测量值超限对设备的运行状态进行异常报警提示，而一般情况下，当某个设备的物理测量值达到报警值时，设备缺陷已对设备产生一定危害，需要在设备的健康状态发生质变之前出现检测出异常征兆。

传统技术通常采用如下两种方法对设备的运行状态进行检测：

①使用定值报警，即通过设定一个告警阈值，当设备运行的测量数据超过该告警阈值，就认为设备的运行状态处于异常状态，然而这种方法简单粗糙，无法在设备的健康状态发生质变之前检测出异常征兆。

②使用一定的逻辑程序筛选出异常状态，例如当设备运行的测量数据在一设定时间段内超过某个阈值，则认为该设备处于异常状态，但设备的异常情况具有多样性，难以穷举，导致该方法很难全面检测出设备的运行状态是否正常，降低检测的准确性。

发明内容

基于此，有必要针对传统技术对设备的异常状态的检测准确性低的技术问题，提供一种设备的运行状态检测方法、设备的运行状态检测装置、计算机设备和计算机可读存储介质。

一种设备的运行状态检测方法，包括步骤：

检测设备的运行状态测点的当前数据，将所述当前数据转化为第一趋势图；

将所述第一趋势图输入神经网络模型，获取所述神经网络模型对所述第一趋势图进行重建输出的第二趋势图；其中，所述神经网络模型为对所述运行状态测点的正常数据进行训练的模型；

计算所述第二趋势图与第一趋势图之间的重建偏差；

根据所述重建偏差获取所述设备的运行状态。

上述设备的运行状态检测方法，通过将检测得到的设备的运行状态测点的当前数据转化为第一趋势图，并将该第一趋势图输入到训练好的神经网络模型当中，获取该神经网络模型重建输出的第二趋势图，接着计算第二趋势图与第一趋势图之间的重建偏差，再根据该重建偏差获取该设备的运行状态，由于该神经网络模型是基于设备的正常数据进行机器学习训练得到的，该神经网络模型能够学习到正常数据的趋势分布等特征，使得当前数据输入的第一趋势图以及神经网络模型重建的第二趋势图之间的重建偏差能够准确反映出设备是否处于异常的运行状态，提高了对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

在一个实施例中，所述计算所述第二趋势图与第一趋势图之间的重建偏差的步骤包括：

将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量；计算所述第一向量和第二向量之间的相似度；根据所述相似度确定所述重建偏差。

在一个实施例中，在所述将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量的步骤之前，还包括：

分别对所述第一趋势图和所述第二趋势图进行二值化处理。

在一个实施例中，所述根据所述重建偏差获取所述设备的运行状态的步骤包括：

将所述重建偏差与设定的偏差阈值进行比较；若所述重建偏差大于所述偏差阈值，则判断所述设备处于异常状态；若否，则判断所述设备处于正常状态。

在一个实施例中，还包括步骤：

获取所述运行状态测点的历史数据；将所述历史数据转化为第三趋势图；剔除所述第三趋势图中的异常数据，得到第四趋势图；基于Keras深度学习框架构建初始神经网络模型，利用所述第四趋势图对所述初始神经网络模型进行训练得到所述神经网络模型。

在一个实施例中，所述剔除所述第三趋势图中的异常数据，得到第四趋势图的步骤包括：

获取所述运行状态测点的标准数据；根据所述标准数据在所述第三趋势图中识别携带异常数据的异常趋势图；将所述异常趋势图从所述第三趋势图中剔除，得到第四趋势图。

在一个实施例中，所述运行状态测点的数量为多个。

在一个实施例中，提供了一种设备的运行状态检测装置，包括：

转化模块，用于检测设备的运行状态测点的当前数据，将所述当前数据转化为第一趋势图；

重建模块，用于将所述第一趋势图输入神经网络模型，获取所述神经网络模型对所述第一趋势图进行重建输出的第二趋势图；其中，所述神经网络模型为对所述运行状态测点的正常数据进行训练的模型；

计算模块，用于计算所述第二趋势图与第一趋势图之间的重建偏差；

获取模块，用于根据所述重建偏差获取所述设备的运行状态。

上述设备的运行状态检测装置，由于神经网络模型是基于设备的正常数据进行机器学习训练得到的，该神经网络模型能够学习到正常数据的趋势分布等特征，使得当前数据输入的第一趋势图以及神经网络模型重建的第二趋势图之间的重建偏差能够准确反映出设备是否处于异常的运行状态，提高了对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

在一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一项实施例所述的设备的运行状态检测方法的步骤。

上述计算机设备，通过所述处理器上运行的计算机程序，提高了对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

在一个实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项实施例所述的设备的运行状态检测方法的步骤。

上述计算机可读存储介质，通过其存储的计算机程序，提高了对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

附图说明

图1为一个实施例中设备的运行状态检测方法的流程示意图；

图2为一个实施例中设备的运行状态检测装置的结构框图；

图3为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

在一个实施例中，提供了一种设备的运行状态检测方法，参考图1，图1为一个实施例中设备的运行状态检测方法的流程示意图，该方法可以通过计算机设备执行，该设备的运行状态检测方法可以包括以下步骤：

步骤S101，检测设备的运行状态测点的当前数据，将当前数据转化为第一趋势图。

其中，设备可以是电力设备，设备的运行状态测点是指某个能够用于表明设备运行状态的参数，比如电机设备的电流、温度、转速等参数，测点也可以称为监测点，测点的数据可以由工作人员通过对应的传感装置在设备的现场进行采集。

本步骤可以对设备的运行状态测点的当前数据进行实时检测，并将检测到的运行状态测点的当前数据转化为第一趋势图，趋势图是指该运行状态测点的数据随着时间变化的数据图，第一趋势图携带了设备的运行状态测点在每个时刻的具体数值。其中，运行状态测点的数量可以为多个，相应的第一趋势图的数量也可以是多个。

步骤S102，将第一趋势图输入神经网络模型，获取神经网络模型对第一趋势图进行重建输出的第二趋势图。

神经网络模型是指自编码神经网络模型，其对数据进行处理的流程主要是将输入的数据进行压缩，压缩后解压得到输出，从而实现了对数据的重建。其中，神经网络模型的训练是特定于数据的，这意味着它们只能压缩类似于他们所训练的数据，所以，对该神经网络模型经过大量正常数据的训练，训练好的神经网络模型将只会对正常的数据有较好的重建效果，因为这些正常数据所隐含的数据特征是一致的，大量的训练使得神经网络对应于这种正常数据的压缩解压算法进行了沉淀，而对于异常数据则显得不适用。

本步骤中，神经网络模型是对设备的运行状态测点的正常数据进行训练而成的神经网络模型，所以该神经网络模型能够对设备的运行状态测点的正常数据会有较好的重建效果。可选的，可以通过携带有设备的运行状态测点的正常数据的图片对神经网络模型进行训练，这是由于神经网络模型对图片进行学习的技术较为成熟，采用携带有正常数据的图片训练神经网络模型能够快速且准确地训练出可靠的神经网络模型，用于后续准确地对趋势图进行重建。另外，基于图形进行设备运行数据分析判别也符合人的工作习惯，模型在运行过程中产生的图形数据可以很方便输出到各类终端，结合人工进一步分析诊断。

本步骤将第一趋势图输入神经网络模型，该神经网络模型会对该第一趋势图进行重建，并输出重建的趋势图，从而能够获取神经网络模型对第一趋势图进行重建输出的第二趋势图。

步骤S103，计算第二趋势图与第一趋势图之间的重建偏差。

本步骤主要是计算第二趋势图与第一趋势图之间的重建偏差，该重建偏差可以反映出第二趋势图与第一趋势图之间的相似或差异程度。

步骤S104，根据重建偏差获取设备的运行状态。

其中，设备的运行状态是指设备处于正常运行状态或异常运行状态。本步骤可以根据步骤S103计算得到的重建偏差确定设备的运行状态，判断设备的运行状态测点的当前数据是否有异常。如果重建效果好，说明当前数据和训练时候的正常数据类似，也就说明了设备的运行状态是正常的，反之则判别为异常数据，从而实现了类似人类视觉判断设备的趋势图是否正常的效果，实现了对设备的运行异常值检测的自动化，辅助人工监视设备运行状态。

在一个实施例中，还可以包括如下步骤：

获取运行状态测点的历史数据；将历史数据转化为第三趋势图；剔除第三趋势图中的异常数据，得到第四趋势图；基于Keras深度学习框架构建初始神经网络模型，利用第四趋势图对初始神经网络模型进行训练得到神经网络模型。

本实施例主要是基于Keras深度学习框架对设备的历史数据进行机器学习从而训练出神经网络。其中，第三趋势图是指将历史数据按照时间段转化而成的趋势图样本或趋势图样本集，其数量可以是成千上万个，相应的，第四趋势图是指将异常数据从第三趋势图中进行剔除后得到的趋势图样本或趋势图样本集。本实施例可以采集设备运行状态测点的历史记录数据，以某一个时间段如30秒或1分钟为单位形成趋势图样本，然后可以通过人工筛选的方式将趋势图样本中明显含有不正常数据的趋势图进行剔除，接着基于Keras深度学习框架构建初始神经网络模型，该神经网络模型主要由编码器和解码器两部分构成，详细结构如表1所示，表1为神经网络模型的结构列表：

表1：神经网络模型的结构列表

基于上述神经网络模型的结构建立初始神经网络模型，并使用趋势图样本进行训练得到神经网络模型。

本实施例对运行状态测点的历史数据中的异常数据进行剔除，并利用剔除异常值后的数据对自编码神经网络模型进行训练，有效地训练出能够准确识别设备运行状态测点的非正常数据，有利于准确判断出设备的运行状态。

在一个实施例中，进一步的，上述实施例中的剔除第三趋势图中的异常数据，得到第四趋势图的步骤可以包括：

获取运行状态测点的标准数据；根据标准数据在第三趋势图中识别携带异常数据的异常趋势图；将异常趋势图从第三趋势图中剔除，得到第四趋势图。

其中，运行状态测点的标准数据是指设备的某个测点在正常运行中的经验数值，可以基于该经验数值对测点的异常数据进行剔除。例如，某个设备的电流值，在经验上来说一般都稳定在5安培，其偏差在0.5安培上下波动，如果趋势图中出现了8安培甚至更大的数值，则可以将其识别为异常数据，即设备在不健康状态下的数据，一般来说，通过人工的筛选方式基于标准数据在趋势图中识别出携带异常数据的异常趋势图的效率是比较高的，而且将异常趋势图从第三趋势图中进行剔除的时候，只需要把明显和健康状态下的样本差异较大的趋势图样本剔除即可，而即使有小部分异常数据没有被剔除，影响也不大。

本实施例主要是采用监督的机器学习方式，为神经网络模型的训练剔除非正常的样本，这样的方式能够使得神经网络模型的训练更加有效，训练完成以后的神经网络模型对输入数据的异常判断也会更加准确。

在一个实施例中，步骤S103中的计算第二趋势图与第一趋势图之间的重建偏差的步骤可以包括：

将第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将第二趋势图转化为携带该第二趋势图的像素信息的第二向量；计算第一向量和第二向量之间的相似度；根据相似度确定重建偏差。

本实施例主要是将输入到神经网络模型的趋势图和该神经网络模型重建输出的趋势图转化为相应的向量，根据该向量计算出相似度从而确定重建偏差。

本实施例中，将第一趋势图转化为第一向量，该第一向量携带了第一趋势图的像素信息，将第二趋势图转化为第二向量，而该第二向量携带了第二趋势图的像素信息。其中，第一趋势图和第二趋势图都是单通道的，或者说都是黑白的，在计算机当中，图片色彩里0表示黑色，255表示白色，而每一张图片都是由一排排的像素点组成的，每一个像素点不是0就是255，所以可以使用向量[0,0,0,0,0,0,255,255,0,0,0，……]来表示第一趋势图或第二趋势图所包含的像素信息，这个向量是将每一排像素点的值横向连接形成的。

基于第一向量和第二向量的具体数值，可以计算第一向量和第二向量之间的相似度，可以通过计算第一向量和第二向量之间的均方差作为相似度的评判标准。其中，向量的均方差可以用于衡量向量之间的相似度或者说向量之间的距离，表达向量之间的距离在数学上有很多种方法，如欧式距离、马氏距离等等，本实施例使用的均方差和欧式距离类似，假设向量A＝[x1,x2,x3]，向量B＝[y1,y2,y3]，那么向量A、B之间的均方差为(A-B)**2,这样会得到一个一维向量，然后再将此向量取平均即可得到第一向量和第二向量之间的均方差，并将该均方差作为第一趋势图和第二趋势图的重建偏差。

本实施例的技术方案根据输入的第一趋势图和重建输出的第二趋势图之间的重建偏差，具体是将趋势图转为相应的向量之后，将向量之间的均方差作为重建偏差的评价标准，能够将重建偏差进行有效量化，而且基于均方差能够更加简洁且准确地表达第一趋势图和第二趋势图之间的重建偏差，提高设备状态检测的准确性。

进一步的，可以在上述实施例中的将第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将第二趋势图转化为携带该第二趋势图的像素信息的第二向量的步骤之前，分别对第一趋势图和第二趋势图进行二值化处理。

分别对第一趋势图和第二趋势图进行二值化处理，即在趋势图中0还是用0表示，非零的则用1表示，这样处理的目的是因为在机器学习的框架下二值化处理后的数据对于神经网络模型训练效果更好。

在一个实施例中，步骤S104中的根据重建偏差获取设备的运行状态的步骤可以包括：

将重建偏差与设定的偏差阈值进行比较；若重建偏差大于偏差阈值，则判断设备处于异常状态；若否，则判断设备处于正常状态。

本实施例，在计算出输入到神经网络模型的第一趋势图和该神经网络模型重建输出的第二趋势图之间的重建偏差以后，可以设定一偏差阈值，然后将重建偏差于该设定的偏差阈值进行比较，当重建偏差大于偏差阈值时，判断设备处于异常状态，进而进行报警提示；当重建偏差小于或等于偏差阈值时，可以认为设备处于正常状态。

本实施例的技术方案通过设定偏差阈值，使得重建偏差大于偏差阈值时判断设备的运行状态测点处于异常状态，并进行报警提示，这种检测效果与人类的工作模式类似，相比于传统的定值报警更加灵活，更利于设备缺陷的早期发现，实现了设备运行异常值检测的自动化，辅助人工监视设备运行状态，能应用于生产实际。

在一个实施例中，提供了一种设备的运行状态检测装置，参考图2，图2为一个实施例中设备的运行状态检测装置的结构框图，该设备的运行状态检测装置可以包括：

转化模块101，用于检测设备的运行状态测点的当前数据，将所述当前数据转化为第一趋势图；

重建模块102，用于将所述第一趋势图输入神经网络模型，获取所述神经网络模型对所述第一趋势图进行重建输出的第二趋势图；其中，所述神经网络模型为对所述运行状态测点的正常数据进行训练的模型；

计算模块103，用于计算所述第二趋势图与第一趋势图之间的重建偏差；

获取模块104，用于根据所述重建偏差获取所述设备的运行状态。

在一个实施例中，计算模块103可以进一步用于：

在一个实施例中，还可以包括：

二值化单元，用于分别对第一趋势图和第二趋势图进行二值化处理。

在一个实施例中，获取模块104可以进一步用于：

在一个实施例中，还可以包括：

历史数据获取单元，用于获取运行状态测点的历史数据；趋势图转化单元，用于将历史数据转化为第三趋势图；数据剔除单元，用于剔除第三趋势图中的异常数据，得到第四趋势图；模型训练单元，用于基于Keras深度学习框架构建初始神经网络模型，利用第四趋势图对初始神经网络模型进行训练得到神经网络模型。

在一个实施例中，数据剔除单元可以进一步用于：

在一个实施例中，运行状态测点的数量可以为多个。

本发明的设备的运行状态检测装置与本发明的设备的运行状态检测方法一一对应，关于设备的运行状态检测装置的具体限定可以参见上文中对于设备的运行状态检测方法的限定，在上述设备的运行状态检测方法的实施例阐述的技术特征及其有益效果均适用于设备的运行状态检测装置的实施例中，在此不再赘述。上述设备的运行状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是如个人计算机等终端，其内部结构图可以如图3所示，图3为一个实施例中计算机设备的内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备的运行状态检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上任一项实施例所述的设备的运行状态检测方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

检测设备的运行状态测点的当前数据，将当前数据转化为第一趋势图；将第一趋势图输入神经网络模型，获取神经网络模型对第一趋势图进行重建输出的第二趋势图；计算第二趋势图与第一趋势图之间的重建偏差；根据重建偏差获取设备的运行状态。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

分别对第一趋势图和第二趋势图进行二值化处理。

上述任一项实施例所述的计算机设备，通过所述处理器上运行的计算机程序，提高了对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

本领域普通技术人员可以理解实现如上任一项实施例所述的设备的运行状态检测方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

据此，在一个实施例中还提供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如上任一项实施例所述的设备的运行状态检测方法。

据此，在一个实施例中提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

分别对第一趋势图和第二趋势图进行二值化处理。

上述任一项实施例所述的计算机可读存储介质，通过其存储的计算机程序，提高了对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种设备的运行状态检测方法，其特征在于，包括步骤：

检测设备的运行状态测点的当前数据，将所述当前数据转化为第一趋势图；所述第一趋势图携带有所述运行状态测点在每个时刻监测到的所述当前数据的具体数值，其中，所述运行状态测点与相应的所述第一趋势图的数量均为多个；

将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量；计算所述第一向量和第二向量之间的相似度；根据所述相似度确定重建偏差；

将所述重建偏差与设定的偏差阈值进行比较；

若所述重建偏差大于所述偏差阈值，则判断所述设备处于异常状态；

若否，则判断所述设备处于正常状态。

2.根据权利要求1所述的设备的运行状态检测方法，其特征在于，在所述将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量的步骤之前，还包括：

分别对所述第一趋势图和所述第二趋势图进行二值化处理。

3.根据权利要求1所述的设备的运行状态检测方法，其特征在于，还包括步骤：

获取所述运行状态测点的历史数据；

将所述历史数据转化为第三趋势图；

剔除所述第三趋势图中的异常数据，得到第四趋势图；

基于Keras深度学习框架构建初始神经网络模型，利用所述第四趋势图对所述初始神经网络模型进行训练得到所述神经网络模型。

4.根据权利要求3所述的设备的运行状态检测方法，其特征在于，所述剔除所述第三趋势图中的异常数据，得到第四趋势图的步骤包括：

获取所述运行状态测点的标准数据；

根据所述标准数据在所述第三趋势图中识别携带异常数据的异常趋势图；

将所述异常趋势图从所述第三趋势图中剔除，得到第四趋势图。

5.一种设备的运行状态检测装置，其特征在于，包括：

转化模块，用于检测设备的运行状态测点的当前数据，将所述当前数据转化为第一趋势图；所述第一趋势图携带有所述运行状态测点在每个时刻监测到的所述当前数据的具体数值，其中，所述运行状态测点与相应的所述第一趋势图的数量均为多个；

计算模块，用于将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量；计算所述第一向量和第二向量之间的相似度；根据所述相似度确定重建偏差；

获取模块，用于将所述重建偏差与设定的偏差阈值进行比较；若所述重建偏差大于所述偏差阈值，则判断所述设备处于异常状态；若否，则判断所述设备处于正常状态。

6.根据权利要求5所述的装置，其特征在于，还包括：

二值化单元，用于分别对所述第一趋势图和所述第二趋势图进行二值化处理。

7.根据权利要求5所述的装置，其特征在于，还可以包括：

历史数据获取单元，用于获取所述运行状态测点的历史数据；趋势图转化单元，用于将所述历史数据转化为第三趋势图；数据剔除单元，用于剔除所述第三趋势图中的异常数据，得到第四趋势图；模型训练单元，用于基于Keras深度学习框架构建初始神经网络模型，利用第四趋势图对初始神经网络模型进行训练得到神经网络模型。

8.根据权利要求7所述的装置，其特征在于，所述数据剔除单元可以进一步用于：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的设备的运行状态检测方法的步骤。

10.一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，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的设备的运行状态检测方法的步骤。