CN113269246B - 基于事务逻辑的设备状态检测方法、装置、设备和介质 - Google Patents

Abstract

本申请涉及一种基于事务逻辑的设备状态检测方法、装置、设备和介质。该方法包括：获取待判断设备的待处理电流，按照事务逻辑对其进行分类处理；对每一分类中的待处理电流进行离散化处理后，并进行编码处理，得到每一类中的待处理电流对应的表征电流分布的编码值；对离散化处理后的每一分类中的待处理电流进行统计量计算；根据编码值和计算得到的统计量生成特征向量；将特征向量输入至预先生成的深度学习模型中，得到每一分类中的待处理电流对应的精细设备状态，深度学习模型包括用于提取每一分类中的待处理电流的时序信息的模块。采用本方法能够提高精细设备状态判断准确性，此外，本发明还涉及区块链技术，深度学习模型可存储于区块链节点中。

Description

基于事务逻辑的设备状态检测方法、装置、设备和介质

技术领域

本申请涉及人工智能技术领域，特别是涉及一种基于事务逻辑的设备状态检测方法、装置、设备和介质。

背景技术

随着现代化工业要求的发展，对制造设备的加工要求越来越高。制造设备的运行是否正常直接影响着制造设备的加工效率以及加工速度，准确检测出制造设备在工作状态异常情况，可以即使对设备异常进行处理，以达到提升制造设备加工效率的目的。

在传统方式中，对于精细设备状态的监控，可以是监测一段时间内各个采样点的电流总和，然后结合时间变量，得到精细设备状态。

但是上述方法仅考虑到了电流总和和时间的关系，例如设备处理每一事件的状态等，导致设备的状态的判断较为粗狂，对于后续精细设备状态的判断不准确。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高精细设备状态的判断准确性的基于事务逻辑的设备状态检测方法、装置、设备和介质。

一种基于事务逻辑的设备状态检测方法，所述方法包括：

获取待判断设备的待处理电流，按照事务逻辑对所述待处理电流进行分类处理；

对每一分类中的所述待处理电流进行离散化处理；

对离散化处理后的每一分类中的所述待处理电流进行编码处理，得到每一类中的所述待处理电流对应的表征电流分布的编码值；

对离散化处理后的每一分类中的所述待处理电流进行统计量计算；

根据所述编码值和计算得到的统计量生成特征向量；

将所述特征向量输入至预先生成的深度学习模型中，以得到每一分类中的所述待处理电流对应的精细设备状态，其中所述深度学习模型包括用于提取每一分类中的所述待处理电流的时序信息的模块。

在其中一个实施例中，所述按照事务逻辑对所述待处理电流进行分类处理，包括：

获取事务逻辑，根据所述事务逻辑对应的电流值范围以及先后顺序对所述待处理电流进行分类处理。

在其中一个实施例中，所述对每一分类中的所述待处理电流进行离散化处理，包括：

获取精细设备状态对应的特征数据，根据所述特征数据对每一分类中的所述待处理电流进行离散化处理。

在其中一个实施例中，所述对每一分类中的所述待处理电流进行离散化处理包括以下至少一种：

根据数据精度对每一分类中的所述待处理电流进行去噪分箱处理；

根据精细设备状态对应的电流频率对每一分类中的所述待处理电流进行去噪分箱处理；

根据精细设备状态对应的真实场景特征对每一分类中的所述待处理电流进行去噪分箱处理。

在其中一个实施例中，所述将所述特征向量输入至预先生成的深度学习模型中之前，所述方法还包括：

获取历史数据，按照事务逻辑对所述历史数据进行分类处理；

对每一分类中的所述历史数据进行离散化处理；

对离散化处理后的每一分类中的所述历史数据进行编码处理，得到每一类中的所述历史数据对应的样本编码值；

对离散化处理后的每一分类中的所述历史数据进行统计量计算得到样本统计量；

根据所述样本编码值和所述样本统计量生成样本向量；

使用所述样本向量和所述历史数据对应的真实状态对深度学习原始模型进行训练，得到深度学习模型。

一种基于事务逻辑的设备状态检测装置，所述装置包括：

分类模块，用于获取待判断设备的待处理电流，按照事务逻辑对所述待处理电流进行分类处理；

离散化处理模块，用于对每一分类中的所述待处理电流进行离散化处理；

编码模块，用于对离散化处理后的每一分类中的所述待处理电流进行编码处理，得到每一类中的所述待处理电流对应的表征电流分布的编码值；

统计量计算模块，用于对离散化处理后的每一分类中的所述待处理电流进行统计量计算；

特征向量生成模块，用于根据所述编码值和计算得到的统计量生成特征向量；

模型处理模块，用于将所述特征向量输入至预先生成的深度学习模型中，以得到每一分类中的所述待处理电流对应的精细设备状态，其中所述深度学习模型包括用于提取每一分类中的所述待处理电流的时序信息的模块。

在其中一个实施例中，所述分类模块用于获取事务逻辑，根据所述事务逻辑对应的电流值范围以及先后顺序对所述待处理电流进行分类处理。

在其中一个实施例中，所述离散化处理模块用于获取精细设备状态对应的特征数据，根据所述特征数据对每一分类中的所述待处理电流进行离散化处理。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

一种计算机存储介质，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上述的方法的步骤。

上述基于事务逻辑的设备状态检测方法、装置、设备和介质，首先基于事务逻辑进行分类处理，完成数据清洗，可以去掉无关噪声，其次对每一类中的待处理电流进行编码可以从离散的电流分布中得到精细的状态的变化，以提高精细设备状态判断的准确性。且该方法的通用性强，只要电流能承载的设备工作状态信息，都可以被识别出来。此外该方法复合了编码器与时序深度模型，可以从电流的分布形状及其相关的历史数据中学到信息，模型精准度高，从而进一步提高精细设备状态判断的准确性。

附图说明

图1为一个实施例中基于事务逻辑的设备状态检测方法的应用场景图；

图2为一个实施例中基于事务逻辑的设备状态检测方法的流程示意图；

图3为一个实施例中深度学习模型的训练方式的流程示意图；

图4为一个实施例中基于事务逻辑的设备状态检测装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。

本申请提供的基于事务逻辑的设备状态检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与数据库104通过网络进行通信。其中终端102可以从数据库104获取待判断设备的待处理电流，或者终端102直接从待判断设备获取待处理电流，然后按照事务逻辑对待处理电流进行分类处理；对每一分类中的待处理电流进行离散化处理；对离散化处理后的每一分类中的待处理电流进行编码处理，得到每一类中的待处理电流对应的表征电流分布的编码值；从而终端102对离散化处理后的每一分类中的待处理电流进行统计量计算；根据编码值和计算得到的统计量生成特征向量；将特征向量输入至预先生成的深度学习模型中，以得到每一分类中的待处理电流对应的精细设备状态，其中深度学习模型包括用于提取每一分类中的待处理电流的时序信息的模块。这样首先基于事务逻辑进行分类处理，完成数据清洗，可以去掉无关噪声，其次对每一类中的待处理电流进行编码可以从离散的电流分布中得到精细的状态的变化，以提高精细设备状态判断的准确性。且该方法的通用性强，只要电流能承载的设备工作状态信息，都可以被识别出来。此外该方法复合了编码器与时序深度模型，可以从电流的分布形状及其相关的历史数据中学到信息，模型精准度高，从而进一步提高精细设备状态判断的准确性。

其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，数据库104可以用独立的数据库或者是多个数据库组成的数据库集群来实现。

在一个实施例中，如图2所示，提供了一种基于事务逻辑的设备状态检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

S202：获取待判断设备的待处理电流，按照事务逻辑对待处理电流进行分类处理。

具体地，待判断设备可以是制造设备等，包括半自动设备以及小功率设备等。待处理电流是指通过外接的采集设备对制造设备的运行电流进行采集所得到的数据，具体可以是以较低的频率采集到的数据，例如，1分钟采集一次所生成的数据。电流具体可以是指电流信号数据。

事务逻辑则是指制造设备工作时的逻辑，例如先处于待机状态，然后处于预设状态，最后处于开工状态，这样按照事务逻辑对待处理电流进行分类处理，提取出的每一类的待处理电流是平稳的随机信号，且通过事务逻辑进行处理，可以剔除与事件无关的噪音信号，实现了数据清洗。

其中事务逻辑还可以包括每个事务对应的电流的状态，这样根据电流的状态以及事务的先后顺序，可以对电流进行粗颗粒的分类，以得到每一类，也可称为每个事件块对应的电流值的集合。

S204：对每一分类中的待处理电流进行离散化处理。

具体地，离散化处理也称为分箱处理，即将待处理电流进行离散化，即将每一分类中的待处理电流按照需求进行离散化以删除不合格要求的待处理电流数据，使得每一分类中的待处理电流值进行编码后的编码值唯一。离散化处理另一目的是将连续的电流值进行离散化，从而编码更为方便。

S206：对离散化处理后的每一分类中的待处理电流进行编码处理，得到每一类中的待处理电流对应的表征电流分布的编码值。

具体地，编码处理可以是通过词向量或自编码器等深度学习技术进行编码，将离散的数据，编码成一段码值，而这些码值可以被用来做加减等数学运算。

在其中一个实施例中，可以通过设置每一电流值对应的编码值，然后通过将事件块对应的电流值的编码值进行连接的方式计算得到编码值，例如一个事件块，也即一个分类中的待处理电流包括有7个，其中3个为1安培，4个为1.5安培，则可以获取1安培对应的第一编码值，以及3对应的编码值，以及1.5安培对应的第二编码值，以及4对应的编码值，最后将该些编码值进行连接以得到表征该事件块的编码值。其中不同的电流所对应的数量可以视为电流分布。在其他的实施例中，可以根据事件块中的各个离散电流所形成的波形来进行编码，从而可以将波形的分布作为电流分布。

事件块编码是本方法的一个核心要素，词向量或自编码器等技术，能对事件块进行独一性的编码。是对事件精细化判断的关键要素。并且，这也符合人脑的思维习惯。当人类从离散的电流分布中观察精细的状态变化时，会尝试观察电流分布的形状，通过形状来猜测精细设备状态的变化。

S208：对离散化处理后的每一分类中的待处理电流进行统计量计算。

具体地，统计量包括分位数、均值、变异系数、众数等，在此不做具体的限定，其中统计值可以包括以上至少一个。

S210：根据编码值和计算得到的统计量生成特征向量。

具体地，终端将每个事件块的编码值及对应事件块的统计量(例如，分位数、均值和变异系数等)，整合成一个特征向量。编码器与时序模型的堆叠，可以使模型学到电流分布形状的同时，借助历史数据信息，综合判断设备工作状态。

S212：将特征向量输入至预先生成的深度学习模型中，以得到每一分类中的待处理电流对应的精细设备状态，其中深度学习模型包括用于提取每一分类中的待处理电流的时序信息的模块。

具体地，深度学习模型是包括用于提取时序信息的模块的，例如长短期记忆网络等，这样可以学习到时序信息、每个事件块中每个精细设备状态的特征，从而可以根据时序信息、每个事件块中每个精细设备状态的特征以及电流的分布，根据形状等从离散的电流分布中观察精细的状态变化。

具体地，精细设备状态是相较于设备状态更为精细的状态，设备状态可以简单地分为工作状态、待机状态以及关机状态等。精细设备状态则是对工作状态的更进一步的划分，具体为不同工件的处理状态或者是不同时间段的处理状态等。

上述实施例中，首先基于事务逻辑进行分类处理，完成数据清洗，可以去掉无关噪声，其次对每一类中的待处理电流进行编码可以从离散的电流分布中得到精细的状态的变化，以提高精细设备状态判断的准确性。且该方法的通用性强，只要电流能承载的设备工作状态信息，都可以被识别出来。此外该方法复合了编码器与时序深度模型，可以从电流的分布形状及其相关的历史数据中学到信息，模型精准度高，从而提高精细设备状态判断的准确性。

在其中一个实施例中，按照事务逻辑对待处理电流进行分类处理，包括：获取事务逻辑，根据事务逻辑对应的电流值范围以及先后顺序对待处理电流进行分类处理。

具体地，事务逻辑可以是预先人工设置的，其可以指制造设备工作时的逻辑，例如先处于待机状态，然后处于预设状态，最后处于开工状态，这样按照事务逻辑对待处理电流进行分类处理，提取出的每一类的待处理电流是平稳的随机信号，且通过事务逻辑进行处理，可以剔除与事件无关的噪音信号。其中事务逻辑还可以包括每个事务对应的电流的状态，这样根据电流的状态以及事务的先后顺序，可以对电流进行粗颗粒的分类，以得到每一类，也可称为每个事件块对应的电流值的集合。

这样终端根据事务逻辑对应的先后顺序对电流值的先后顺序进行判断，然后根据电流值范围提取到对应的事件块。

具体地，根据电流的事务逻辑，将电流根据事务进行提取，提取出来的电流会是平稳随机信号，是数据分析的前提条件。例如，某制造加工设备，每3秒加工一个配件，那么就将加工某配件时的3秒电流数据作为一个事件块。事件块的好处是剔除了与事件无关的噪音数据。

上述实施例中，通过事务逻辑对应的电流值范围以及先后顺序对待处理电流进行分类处理，剔除了与事件无关的噪音数据。

在其中一个实施例中，对每一分类中的待处理电流进行离散化处理，包括：获取精细设备状态对应的特征数据，根据特征数据对每一分类中的待处理电流进行离散化处理。

在其中一个实施例中，离散化处理包括以下至少一种：根据数据精度对每一分类中的待处理电流进行去噪分箱处理；根据精细设备状态对应的电流频率对每一分类中的待处理电流进行去噪分箱处理；根据精细设备状态对应的真实场景特征对每一分类中的待处理电流进行去噪分箱处理。

在其中一个实施例中，对每一分类中的所述待处理电流进行离散化处理，包括：获取精细设备状态对应的特征数据，根据所述特征数据对每一分类中的所述待处理电流进行离散化处理。

具体地，精细设备状态对应的特征数据可以是指精细设备状态对应的电流值的特征，例如精度特征、频率特征等，通过该特征对每一事件块中的待处理电流进行离散化处理可以剔除掉一些无关数据，有助于后续对事件块进行编码。

其中离散化处理可以是根据精度、电流频率以及真实场景中的特殊意义进行去噪分箱处理。

例如以精度为例，可以对电流的精度进行约束，例如仅提取事件块中的存在小数点后两位的电流值，这样可以删除掉一些精度不符合要求的电流值，从而实现离散处理。

以频率为例，由于不同的工序，或者是不同的精细设备状态制造设备对应的电流值的频率是不相同的，因此可以根据频率进行分箱，将某个频率段内的电流值分为一个箱，这样实现待处理电流数据的离散化。

以真实场景特征为例，由于不同的待处理电流所表征的含义不相同，例如某个制造设备的待处理电流小于1安培表示待机，大于1.5安培表示预热，则将不同区间内的值划分到不同的箱内。分箱是补充信息的重要环节，越多的真实世界的信息被补充，则模型就越精准。

上述实施例中，通过各种方式将数据进行离散化，以对事件块中的待处理电流进行离散处理，以使得后续模型可以学习到事件块中的待处理电流的分布信息。

在其中一个实施例中，参见图3所示，所述将所述特征向量输入至预先生成的深度学习模型中之前，所述方法还包括深度学习模型的训练方式，其主要包括：

S302：获取历史数据，按照事务逻辑对历史数据进行分类处理。

S304：对每一分类中的历史数据进行离散化处理。

S306：对离散化处理后的每一分类中的历史数据进行编码处理，得到每一类中的历史数据对应的样本编码值。

S308：对离散化处理后的每一分类中的历史数据进行统计量计算得到样本统计量。

S310：根据样本编码值和样本统计量生成样本向量。

S312：使用样本向量和历史数据对应的真实状态对深度学习原始模型进行训练，得到深度学习模型。

需要说明的是，深度学习模型的训练过程是在使用深度学习模型之前进行的，且并非在每次使用深度学习模型之前均需要重新训练，深度学习模型的训练可以是周期性地或者是根据用户需要进行训练。深度学习原始模型是指每次训练之前的模型，其中第一次训练之前，该深度学习原始模型是指仅有网络结构且参数为随机的模型，在后续重新训练的时候，该深度学习原始模型可以是指先前训练得到的模型，例如先前训练得到的最新的模型。

具体地，该实施例中是模型的训练过程，模型的训练过程可以是对历史数据的特征进行学习的过程。其中终端获取到历史数据，并按照事务逻辑对历史数据进行分类处理，其中分类的方法可以参见上文，在此不再赘述。例如按照电流值的大范围对历史数据进行分类，从而去掉无关的噪声电流。然后终端对每一分类中的历史数据进行离散化处理，其中离散化处理使得可以获取到历史数据中的电流分布，然后对其进行编码处理得到每一类中的历史数据对应的样本编码值，此外终端还对每一分类中的历史数据进行统计量计算得到样本统计量，其中样本统计量包括分位数、均值、变异系数、众数等，在此不做具体的限定，其中样本统计值可以包括以上至少一个。最后根据样本编码值和样本统计量生成样本向量，然后将样本向量和历史数据对应的真实状态输入至包括时序信息提取模块的深度学习模型中进行训练得到深度学习模型。

这样首先基于事务逻辑进行分类处理，完成数据清洗，可以去掉无关噪声，其次对每一类中的待处理电流进行编码可以从离散的电流分布中得到精细的状态的变化，以提高精细设备状态判断的准确性。且该方法的通用性强，只要电流能承载的设备工作状态信息，都可以被识别出来。此外该方法复合了编码器与时序深度模型，可以从电流的分布形状及其相关的历史数据中学到信息，模型精准度高，从而进一步提高精细设备状态判断的准确性。

需要强调的是，为进一步保证上述待处理电流、深度学习模型的私密和安全性，上述待处理电流、深度学习模型还可以存储于一区块链的节点中。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种基于事务逻辑的设备状态检测装置，包括：分类模块100、离散化处理模块200、编码模块300、统计量计算模块400、特征向量生成模块500和模型处理模块600，其中：

分类模块100，用于获取待判断设备的待处理电流，按照事务逻辑对待处理电流进行分类处理；

离散化处理模块200，用于对每一分类中的待处理电流进行离散化处理；

编码模块300，用于对离散化处理后的每一分类中的待处理电流进行编码处理，得到每一类中的待处理电流对应的表征电流分布的编码值；

统计量计算模块400，用于对离散化处理后的每一分类中的待处理电流进行统计量计算；

特征向量生成模块500，用于根据编码值和计算得到的统计量生成特征向量；

模型处理模块600，用于将特征向量输入至预先生成的深度学习模型中，以得到每一分类中的待处理电流对应的精细设备状态，其中深度学习模型包括用于提取每一分类中的待处理电流的时序信息的模块。

在其中一个实施例中，分类模块100用于获取事务逻辑，根据事务逻辑对应的电流值范围以及先后顺序对待处理电流进行分类处理。

在其中一个实施例中，离散化处理模块200用于获取精细设备状态对应的特征数据，根据特征数据对每一分类中的待处理电流进行离散化处理。

在其中一个实施例中，上述离散化处理模块200用于根据数据精度对每一分类中的待处理电流进行去噪分箱处理；或者根据精细设备状态对应的电流频率对每一分类中的待处理电流进行去噪分箱处理；或者根据精细设备状态对应的真实场景特征对每一分类中的待处理电流进行去噪分箱处理。

在其中一个实施例中，上述分类模块100用于获取历史数据，按照事务逻辑对历史数据进行分类处理；

上述离散化处理模块200用于对每一分类中的历史数据进行离散化处理；

上述编码模块300用于对离散化处理后的每一分类中的历史数据进行编码处理，得到每一类中的历史数据对应的样本编码值；

上述统计量计算模块400用于对离散化处理后的每一分类中的历史数据进行统计量计算得到样本统计量；

上述特征向量生成模块500用于根据样本编码值和样本统计量生成样本向量；

上述基于事务逻辑的设备状态检测装置还包括训练模块，用于使用样本向量和历史数据对应的真实状态对深度学习原始模型进行训练，得到深度学习模型。

关于基于事务逻辑的设备状态检测装置的具体限定可以参见上文中对于基于事务逻辑的设备状态检测方法的限定，在此不再赘述。上述基于事务逻辑的设备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终端，其内部结构图可以如图5所示。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基于事务逻辑的设备状态检测方法。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5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待判断设备的待处理电流，按照事务逻辑对待处理电流进行分类处理；对每一分类中的待处理电流进行离散化处理；对离散化处理后的每一分类中的待处理电流进行编码处理，得到每一类中的待处理电流对应的表征电流分布的编码值；对离散化处理后的每一分类中的待处理电流进行统计量计算；根据编码值和计算得到的统计量生成特征向量；将特征向量输入至预先生成的深度学习模型中，以得到每一分类中的待处理电流对应的精细设备状态，其中深度学习模型包括用于提取每一分类中的待处理电流的时序信息的模块。

在一个实施例中，处理器执行计算机程序时所实现的按照事务逻辑对待处理电流进行分类处理，包括：获取事务逻辑，根据事务逻辑对应的电流值范围以及先后顺序对待处理电流进行分类处理。

在一个实施例中，处理器执行计算机程序时所实现的对每一分类中的待处理电流进行离散化处理，包括：获取精细设备状态对应的特征数据，根据特征数据对每一分类中的待处理电流进行离散化处理。

在一个实施例中，处理器执行计算机程序时所实现的对每一分类中的所述待处理电流进行离散化处理包括以下至少一种：根据数据精度对每一分类中的待处理电流进行去噪分箱处理；根据精细设备状态对应的电流频率对每一分类中的待处理电流进行去噪分箱处理；根据精细设备状态对应的真实场景特征对每一分类中的待处理电流进行去噪分箱处理。

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：获取历史数据，按照事务逻辑对历史数据进行分类处理；对每一分类中的历史数据进行离散化处理；对离散化处理后的每一分类中的历史数据进行编码处理，得到每一类中的历史数据对应的样本编码值；对离散化处理后的每一分类中的历史数据进行统计量计算得到样本统计量；根据样本编码值和样本统计量生成样本向量；使用样本向量和历史数据对应的真实状态对深度学习原始模型进行训练，得到深度学习模型。

在一个实施例中，提供了一种计算机存储介质，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：获取待判断设备的待处理电流，按照事务逻辑对待处理电流进行分类处理；对每一分类中的待处理电流进行离散化处理；对离散化处理后的每一分类中的待处理电流进行编码处理，得到每一类中的待处理电流对应的表征电流分布的编码值；对离散化处理后的每一分类中的待处理电流进行统计量计算；根据编码值和计算得到的统计量生成特征向量；将特征向量输入至预先生成的深度学习模型中，以得到每一分类中的待处理电流对应的精细设备状态，其中深度学习模型包括用于提取每一分类中的待处理电流的时序信息的模块。

在一个实施例中，计算机程序被处理器执行时所实现的按照事务逻辑对待处理电流进行分类处理，包括：获取事务逻辑，根据事务逻辑对应的电流值范围以及先后顺序对待处理电流进行分类处理。

在一个实施例中，计算机程序被处理器执行时所实现的对每一分类中的待处理电流进行离散化处理，包括：获取精细设备状态对应的特征数据，根据特征数据对每一分类中的待处理电流进行离散化处理。

在一个实施例中，计算机程序被处理器执行时所实现的对每一分类中的所述待处理电流进行离散化处理包括以下至少一种：根据数据精度对每一分类中的待处理电流进行去噪分箱处理；根据精细设备状态对应的电流频率对每一分类中的待处理电流进行去噪分箱处理；根据精细设备状态对应的真实场景特征对每一分类中的待处理电流进行去噪分箱处理。

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：获取历史数据，按照事务逻辑对历史数据进行分类处理；对每一分类中的历史数据进行离散化处理；对离散化处理后的每一分类中的历史数据进行编码处理，得到每一类中的历史数据对应的样本编码值；对离散化处理后的每一分类中的历史数据进行统计量计算得到样本统计量；根据样本编码值和样本统计量生成样本向量；使用样本向量和历史数据对应的真实状态对深度学习原始模型进行训练，得到深度学习模型。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本领域普通技术人员可以理解实现上述实施例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，本申请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。

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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于事务逻辑的设备状态检测方法，其特征在于，所述方法包括：

获取待判断设备的待处理电流，按照事务逻辑对所述待处理电流进行分类处理，其中每一分类对应一设备状态；

对每一分类中的所述待处理电流进行离散化处理；

对离散化处理后的每一分类中的所述待处理电流进行编码处理，得到每一类中的所述待处理电流对应的表征电流分布的编码值；

对离散化处理后的每一分类中的所述待处理电流进行统计量计算；

根据所述编码值和计算得到的统计量生成特征向量；

将所述特征向量输入至预先生成的深度学习模型中，以得到每一分类中的所述待处理电流对应的精细设备状态，其中所述深度学习模型包括用于提取每一分类中的所述待处理电流的时序信息的模块。

2.根据权利要求1所述的方法，其特征在于，所述按照事务逻辑对所述待处理电流进行分类处理，包括：

获取事务逻辑，根据所述事务逻辑对应的电流值范围以及先后顺序对所述待处理电流进行分类处理。

3.根据权利要求1所述的方法，其特征在于，所述对每一分类中的所述待处理电流进行离散化处理，包括：

获取精细设备状态对应的特征数据，根据所述特征数据对每一分类中的所述待处理电流进行离散化处理。

4.根据权利要求3所述的方法，其特征在于，所述对每一分类中的所述待处理电流进行离散化处理包括以下至少一种：

根据数据精度对每一分类中的所述待处理电流进行去噪分箱处理；

根据精细设备状态对应的电流频率对每一分类中的所述待处理电流进行去噪分箱处理；

根据精细设备状态对应的真实场景特征对每一分类中的所述待处理电流进行去噪分箱处理。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述将所述特征向量输入至预先生成的深度学习模型中之前，所述方法还包括：

获取历史数据，按照事务逻辑对所述历史数据进行分类处理；

对每一分类中的所述历史数据进行离散化处理；

对离散化处理后的每一分类中的所述历史数据进行编码处理，得到每一类中的所述历史数据对应的样本编码值；

对离散化处理后的每一分类中的所述历史数据进行统计量计算得到样本统计量；

根据所述样本编码值和所述样本统计量生成样本向量；

使用所述样本向量和所述历史数据对应的真实状态对深度学习原始模型进行训练，得到深度学习模型。

6.一种基于事务逻辑的设备状态检测装置，其特征在于，所述装置包括：

分类模块，用于获取待判断设备的待处理电流，按照事务逻辑对所述待处理电流进行分类处理，其中每一分类对应一设备状态；

离散化处理模块，用于对每一分类中的所述待处理电流进行离散化处理；

编码模块，用于对离散化处理后的每一分类中的所述待处理电流进行编码处理，得到每一类中的所述待处理电流对应的表征电流分布的编码值；

统计量计算模块，用于对离散化处理后的每一分类中的所述待处理电流进行统计量计算；

特征向量生成模块，用于根据所述编码值和计算得到的统计量生成特征向量；

模型处理模块，用于将所述特征向量输入至预先生成的深度学习模型中，以得到每一分类中的所述待处理电流对应的精细设备状态，其中所述深度学习模型包括用于提取每一分类中的所述待处理电流的时序信息的模块。

7.根据权利要求6所述的装置，其特征在于，所述分类模块用于获取事务逻辑，根据所述事务逻辑对应的电流值范围以及先后顺序对所述待处理电流进行分类处理。

8.根据权利要求6所述的装置，其特征在于，所述离散化处理模块用于获取精细设备状态对应的特征数据，根据所述特征数据对每一分类中的所述待处理电流进行离散化处理。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，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5中任一项所述方法的步骤。

10.一种计算机存储介质，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5中任一项所述的方法的步骤。

Images