CN113552855A - 工业设备动态阈值设定方法、装置、电子设备及存储介质 - Google Patents

工业设备动态阈值设定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113552855A
CN113552855A CN202110836968.8A CN202110836968A CN113552855A CN 113552855 A CN113552855 A CN 113552855A CN 202110836968 A CN202110836968 A CN 202110836968A CN 113552855 A CN113552855 A CN 113552855A
Authority
CN
China
Prior art keywords
neural network
target
data
network model
initial
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.)
Granted
Application number
CN202110836968.8A
Other languages
English (en)
Other versions
CN113552855B (zh
Inventor
曹阔韩
俊毅
袁景昊
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.)
Chongqing Yingke Zhushu Network Technology Co ltd
Original Assignee
Chongqing Yingke Zhushu Network Technology 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 Chongqing Yingke Zhushu Network Technology Co ltd filed Critical Chongqing Yingke Zhushu Network Technology Co ltd
Priority to CN202110836968.8A priority Critical patent/CN113552855B/zh
Publication of CN113552855A publication Critical patent/CN113552855A/zh
Application granted granted Critical
Publication of CN113552855B publication Critical patent/CN113552855B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了一种工业设备动态阈值设定方法、装置、电子设备以及存储介质，其包括：获取目标设备影响因素数据集；建立初始BP神经网络模型；利用目标设备影响因素数据集对初始BP神经网络模型进行训练和测试，得到目标BP神经网络；将目标设备影响因素实时数据输入至目标BP神经网络，以确定目标设备影响因素数据与目标设备属性阈值的关联关系；基于关联关系对目标设备属性阈值进行设定。本发明使用BP神经网络，将动态阈值概念成功的应用于数据关系复杂的工业生产环境中，解决了现有工业阈值技术难以同时降低异常误报率和漏报率的问题，同时也帮助工业企业弥补了智能制造背景下数据积累技术的缺口。

Description

工业设备动态阈值设定方法、装置、电子设备及存储介质
技术领域
本发明涉及工业设备动态阈值设定技术领域，具体涉及一种工业设备动态阈值设定方法、装置、电子设备及存储介质。
背景技术
为了提高企业效率、抗风险能力和综合国际化水平，满足企业节能、增效、环保的目标，国内工业产业开始对大数据分析、数据孪生、机器学习进行转型。
数据是智能制造的核心，也是算法分析、智能建模的基础。在传统工业领域中，数据积累技术并不陌生，但是在大数据和人工智能分析的前提下，传统行业中往往存在大量的“无效数据积累”。即便是行业头部企业，也仍处在逐步落实设备监控、设备互联和设备数据流通的全面工厂数字化进程中。尤其是支撑机器学习算法的设备异常数据和故障数据缺失，导致了真正能够实现全面设备预测性维护的企业少之又少。
造成以上技术困境的一个重要原因是，在现有的设备健康管理中，工程师会根据设备出厂文档和自身经验为不同的传感器检测点手动的设置静态阈值。但由于静态阈值不会随着设备的老化、工业环境的变化、关联设备的实时工艺状况等影响因素改变，其自身存在着设置过严格异常误报率高，设置过松异常漏报率高的矛盾。实际应用中，这样的技术缺陷导致工程师只能将阈值设置的较为宽松，减少误报率。但同时也使系统忽略了大量有价值的异常数据。进一步导致无法降低漏报率和机器学习缺乏有效数据的问题。、
现有动态阈值技术已在计算机领域有所应用，如CN106557401A《一种it设备监控指标的动态阈值设定方法及系统》，CN106209432A《基于动态阈值的网络设备亚健康预警方法及装置》，但是该理论在工业领域中仍少有应用。又由于工业领域中设备间存在这复杂的关联关系，已有的动态阈值技术无法实现复杂设备属性间的关系分析。
发明内容
有鉴于此，有必要提供一种工业设备动态阈值设定方法、装置、电子设备及存储介质，用以解决现有技术中工业设备健康监控阈值无法根据实际工况自动调整的技术问题。
为了解决上述技术问题，本发明提供了一种工业设备动态阈值设定方法，包括：
获取目标设备影响因素数据集；
建立初始BP神经网络模型；
利用所述目标设备影响因素数据集中对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；
将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；
基于所述关联关系对所述目标设备属性阈值进行设定。
优选的，所述影响因素包括经验因素和相关因素，所述相关因素为皮尔逊相关系数大于第一设定值的影响因素。
优选的，所述利用所述目标设备影响因素数据集中的相关因素对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络，包括：
将所述目标设备影响因素数据集中的相关因素数据集按预设比例划分为数据训练集、数据验证集以及数据测试集；
利用所述数据训练集对所述初始BP神经网络模型进行训练，获得过渡BP神经网络模型；
利用所述数据验证集对所述过渡BP神经网络模型性能进行验证，若验证不通过，则再次对所述过渡BP神经网络模型进行训练；若验证通过，则所述过渡BP神经网络模型为所述目标BP神经网络模型。
优选的，所述初始BP神经网络模型为四层网络结构，第一层为输入层、中间两层为全连接层、最后一层为输出层。
优选的，所述全连接层和输出层采用整流线性单位函数作为激活函数：
Figure 744491DEST_PATH_IMAGE001
；
所述初始BP神经网络模型使用均方差作为损失函数：
Figure 138563DEST_PATH_IMAGE002
其中，
Figure 284243DEST_PATH_IMAGE003
为损失函数，
Figure 814581DEST_PATH_IMAGE004
为模型期望输出，
Figure DEST_PATH_IMAGE005
为模型输出层输出，n为模型训练集样本数量；
所述全连接层中任一节点 j的输出为：
Figure 551462DEST_PATH_IMAGE006
其中，m为节点j的输入层节点个数，
Figure DEST_PATH_IMAGE007
为输入神经元和节点j的连接权重；
Figure 104934DEST_PATH_IMAGE008
为输入特征；
Figure 853972DEST_PATH_IMAGE009
为偏移神经元和节点j的连接权重；
所述输出层节点k的输出为：
Figure 769975DEST_PATH_IMAGE011
其中，
Figure 428490DEST_PATH_IMAGE012
为最后一层全连层，
Figure DEST_PATH_IMAGE013
为最后一层全连层的节点个数，k为模型输出节点，
Figure 718525DEST_PATH_IMAGE014
为全连层节点j到输出层节点k之间的连接权重，
Figure 753478DEST_PATH_IMAGE015
为偏移神经元和节点k之间的连接权重。
优选的，使用随机梯度下降算法作为优化函数对所述初始BP神经网络模型进行优化，所述优化函数为：
Figure 789567DEST_PATH_IMAGE017
其中，α为学习速率。
优选的，基于所述关联关系对所述目标设备属性阈值进行设定，包括：
基于正态分布模型设定所述目标设备属性阈值的上下限；
阈值上限 = 正μ + K × 正σ
阈值下限 = 负μ + K × 负σ
其中，μ为平均数，σ为标准差，K为可调参数。
本发明还提供一种工业设备动态阈值设定装置，所述工业设备动态阈值设定装置包括：
数据集获取单元，用于获取目标设备影响因素数据集，所述影响因素包括相关因素；
初始模型构建单元，用于建立初始BP神经网络模型；
训练单元，用于利用所述目标设备影响因素数据集中的相关因素对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；
关联关系确定单元，用于将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；
阈值设定单元，基于所述关联关系对所述目标设备属性阈值进行设定。
本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任一种实现方式中的所述工业设备动态阈值设定方法中的步骤。
本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述任一种实现方式中的所述工业设备动态阈值设定方法中的步骤。
采用上述实施例的有益效果是：本发明提供的工业设备动态阈值设定方法，通过使用BP神经网络，将动态阈值概念成功的应用于数据关系复杂的工业生产环境中，解决了现有工业阈值技术难以同时降低异常误报率和漏报率的问题。同时也帮助工业企业弥补了智能制造背景下数据积累技术的缺口。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的工业设备动态阈值设定方法的一个实施例流程示意图；
图2为图1中S103的一个实施例流程示意图；
图3为本发明实施例提供的工业设备动态阈值设定装置的一个实施例结构示意图；
图4为本发明实施例提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。
以下，术语“第一”、 “第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、 “第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请实施例的描述中，除非另有说明， “多个”的含义是两个或两个以上。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种工业设备动态阈值设定方法、装置、电子设备以及存储介质，以下分别进行说明。
如图1所示，为本发明实施例提供的工业设备动态阈值设定方法的一个实施例流程示意图，该方法包括：
S101、获取目标设备影响因素数据集；
具体地，目标设备可以是工业设备，其应用于多种工业设备领域，如鼓风机、钢铁冷轧、风力发电场等多个工艺场景下。
在具体实施例中，以鼓风机作为目标设备为例，其影响因素可以包括经验因素、相关因素等。经验因素是指依据一定经验获取的可以作为影响鼓风机出风量因素的统称，如在行业专家的经验下，选取风机放风阀开度、风机高炉送风量和风机导叶开度作为影响风机入口流量的主要因素，即经验因素。相关因素一般是指利用相关度函数或者相关度算法亦或者利用相关性系数对影响因素与风机入口流量之间确定而来的关联因素，其主要是为了弥补因行业专家难免出现的误导和疏漏导致影响因素选择不全的弊端。
S102、建立初始BP神经网络模型；
具体的，通过使用BP(Back Propagation)神经网络，拟合相互关联设备之间的关系模型，并通过系模型动态的调整各设备的阈值，同样以鼓风机为例，通过BP神经网络的训练和拟合能够知晓风机入口流量与影响因素之间的关联关系。
S103、利用所述目标设备影响因素数据集中的相关因素对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；
具体的，经验因素已经依据行业专家的经验能够知晓，故并未将经验因素输入到BP神经网络中，而是选取相关因素作为输入值对初始的BP神经网络进行训练和测试。
S104、将目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系。
S105，基于所述关联关系对所述目标设备属性阈值进行设定。
可以理解的是，在具体的实施例中，所述目标设备属性阈值可以是鼓风机入口流量阈值，而影响因素数据可以是风机放风阀开度大小，而关联关系则是风机放风阀开度大小与鼓风机入口流量阈值的对应关系。
与现有技术相比，本发明实施例提供的工业设备动态阈值设定方法，通过使用BP神经网络，将动态阈值概念成功的应用于数据关系复杂的工业生产环境中，解决了现有工业阈值技术难以同时降低异常误报率和漏报率的问题，同时也帮助工业企业弥补了智能制造背景下数据积累技术的缺口。
本发明还提供一优选的实施例，所述影响因素包括经验因素和相关因素，其中，相关因素为皮尔逊相关系数大于第一设定值的影响因素。在具体的实施例中，所述第一设定值可以为0.6。
本发明还提供一优选的实施例，如图2所示，步骤S103包括：
S201、将所述目标设备影响因素数据集中的相关因素数据集按预设比例划分为数据训练集、数据验证集以及数据测试集；
其中，数据训练集、数据验证集以及数据测试集的比例为3:1:1。
具体的，数据训练集、数据验证集以及数据测试集所包含的样本具有相同的分布，且没有重合，以防止发生数据污染，进而保证目标BP神经网络模型识别性能的可靠性。
S202、利用所述数据训练集对所述初始BP神经网络模型进行训练，获得过渡BP神经网络模型；
S403、利用所述数据验证集对所述过渡BP神经网络模型性能进行验证，若验证不通过，则再次对所述过渡BP神经网络模型进行训练；若验证通过，则所述过渡BP神经网络模型为所述目标BP神经网络模型。
作为优选的实施例，所述初始BP神经网络模型为四层网络结构，第一层为输入层、中间两层为全连接层、最后一层为输出层。
具体的，所述全连接层和输出层采用整流线性单位函数作为激活函数：
Figure 868250DEST_PATH_IMAGE018
；
所述初始BP神经网络模型使用均方差作为损失函数：
Figure 396314DEST_PATH_IMAGE002
其中，
Figure 484225DEST_PATH_IMAGE003
为损失函数，
Figure 109241DEST_PATH_IMAGE004
为模型期望输出，
Figure 375138DEST_PATH_IMAGE005
为模型输出层输出，n为模型训练集样本数量；
所述全连接层中任一节点 j的输出为：
Figure 896556DEST_PATH_IMAGE006
其中，m为节点j的输入层节点个数，
Figure DEST_PATH_IMAGE019
为输入神经元和节点j的连接权重；
Figure 273311DEST_PATH_IMAGE020
为输入特征；
Figure 752834DEST_PATH_IMAGE021
为偏移神经元和节点j的连接权重。
所述输出层节点k的输出为：
Figure 642161DEST_PATH_IMAGE011
其中，
Figure 207135DEST_PATH_IMAGE012
为最后一层全连层，
Figure 653159DEST_PATH_IMAGE013
为最后一层全连层的节点个数，k为模型输出节点，
Figure 236456DEST_PATH_IMAGE014
为全连层节点j到输出层节点k之间的连接权重，
Figure 47418DEST_PATH_IMAGE015
为偏移神经元和节点k之间的连接权重。
优选的，使用随机梯度下降算法作为优化函数对所述初始BP神经网络模型进行优化，所述优化函数为：
Figure 99687DEST_PATH_IMAGE017
其中，α为学习速率。
在具体的实施例中，选择鼓风机作为例子，将鼓风机影响因素设置为自变量，自变量是神经网络训练中模型的输入，是影响目标设备属性的关键因素。结合行业专家经验，确认了风机放风阀开度、风机高炉送风量和风机导叶开度是影响风机入口流量的主要因素，因此我们将自变量集合X首先确认为X={风机放风阀开度,风机高炉送风量,风机导叶开度}，即此时的自变量结集合为经验因素集合。
为了进一步通过数据相关性寻找自变量，工业生产中，充分利用专家经验可以大大减少在海量工艺数据中寻找相关变量的时间。但是，经验有时也难免出现误导和疏漏。因此，通过引入大量的设备工艺数据，使用线性回归分析，寻找在专家经验中可能被忽略的自变量。我们建议将皮尔逊相关系数大于第一设定值（如0.6）的自变量都纳入模型训练的考量之中，至此，X = {风机放风阀开度, 风机高炉送风量, 风机导叶开度， Xr}，其中Xr为第二步中新加入的因变量集合，即相关因素。在鼓风机的案例中X_r={环境温度，环境湿度}。
在具体的实施例中，使用Keras深度学习库训练BP神经网络，寻找Xr与目标设备属性的关系模型。训练过程使用了标准的BP神经网络流程，包括传感器数据插值，数据归一化，并将归一化后的模型分为测试集和训练集，保证模型不会过度拟合。
作为优选的实施例，初始BP神经网络模型还可以包括依次设置的5个BP单元、注意力模块（Convolutional Block Attention Module，CBAM）、全局池化层、第一丢弃（dropout）层、第一全连接层、第二丢弃（dropout）层、第二全连接层以及分类（softmax）层。通过设置第一丢弃层和第二丢弃层，可随机丢弃节点来减少参数量，改善模型的过拟合。
具体地，BP单元包括依次设置的至少两层BP层、批量归一化层（Batch Normalize，BM）以及局部最大池化层。
通过设置BM层，可以将参数标准化，提高模型的收敛速度。
通过设置局部最大池化层和全局池化层，可实现特征降维，从而减小计算的参数量，有利于模型提取更大范围的特征。
其中，第一个BP单元和第二个BP单元包括两层BP层，第三个BP单元、第四个BP单元以及第五个BP单元包括三层BP层。
具体地，注意力模块是通过空间注意力机制和通道注意力机制串行组合而成，其中通道注意力机制是使用全局池化操作将特征图在空间维度上进行压缩，进行一系列操作后得到通道特征，使用乘法操作将通道特征添加到特征图上；空间注意力机制是在通道维度上使用全局池化操作对特征图进行压缩，然后将一系列操作后得到的空间特征用乘法操作添加到特征图上。
其中，初始BP神经网络模型各层的激活函数为ReLu函数，通过设置ReLu函数来进行非线性映射，增强了初始BP神经网络模型的表达能力。
具体地，在本发明的一些实施例中，初始BP神经网络模型的实现和运行基于TensorFlow2.0框架，使用的计算机配置为：CPU型号为Intel(R) Core(TM) i3-10100F，内存15 GB，GPU型号为NVIDIA GeForce RTX 2080 Ti (11 GB)。构建初始BP神经网络模型的具体步骤为：首先编写代码实现工业设备动态阈值设定数据集的加载，构建Dataset对象，并完成工业设备动态阈值设定数据集的随机打散、预处理和批量化操作；然后定义初始BP神经网络模型的结构函数，加载初始BP神经网络模型并使用Sequential容器封装初始BP神经网络模型；最后装配初始BP神经网络模型，设置初始学习率为0.0001，并定义总损失函数，准备开始初始BP神经网络模型的训练和测试。
在优选的实施例中，基于所述关联关系对所述目标设备属性阈值进行设定，包括：
基于正态分布模型设定所述目标设备属性阈值的上下限；
阈值上限 = 正μ + K × 正σ
阈值下限 = 负μ + K × 负σ
其中，μ为平均数，σ为标准差，K为可调参数。
具体的，通过BP神经网络训练出目标属性和Xr的关系模型。通过所述目标BP神经网络模型，当我们确认一组Xr的值后，可以得出一个具体的目标属性值。在我们的用例中，当我们确认了风机放风阀开度, 风机高炉送风量, 风机导叶开度，环境温度，环境湿度的值后，所述目标BP神经网络模型会计算出一个对应的风机入口流量。但是由于受到噪音、传感器精度、细微未知因素的影响，机器学习模型难以完美模拟现实工业设备。所以模型输出的风机入口流量会和真实入口流量存在一定偏差。本申请假设影响模型精度的噪音等因素是随机出现的。通过使用目标BP神经网络模型得到大量模型输出结果，并实时获取真实设备属性的真实读数，并记录两者差值的正态分布信息。将正太分布的期望记作μ，标准差记作σ。则本申请通过计算模型输出值与真实工况下工业设备读数偏差出现的概率作为设置动态阈值的标准。
其中，阈值上限使用的是模型输出大于实际设备属性值得数据分布信息。阈值下限使用的是模型输出小于实际设备属性值得数据分布信息。K为可调节参数。根据使用中对阈值精准度的要求和神经网络模型输出的准确度，通过调整K达到缩放阈值范围的效果。K约大，代表阈值范围越大，超过阈值的可能性越小。
为了更好实施本发明实施例中的工业设备动态阈值设定方法，在工业设备动态阈值设定方法基础之上，对应的，如图3所示，本发明实施例还提供了一种工业设备动态阈值设定装置300，包括：
数据集获取单元301，用于获取目标设备影响因素数据集；
初始模型构建单元302，用于建立初始BP神经网络模型；
训练单元303，用于利用所述目标设备影响因素数据集对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；
关联关系确定单元304，用于将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；
阈值设定单元305，基于所述关联关系对所述目标设备属性阈值进行设定。
这里需要说明的是：上述实施例提供的工业设备动态阈值设定装置300可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
如图4所示，基于上述工业设备动态阈值设定方法，本发明还相应提供了一种电子设备400。该电子设备400包括处理器401、存储器402及显示器403。图4仅示出了电子设备400的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器402在一些实施例中可以是所述电子设备400的内部存储单元，例如电子设备400的硬盘或内存。所述存储器402在另一些实施例中也可以是所述电子设备400的外部存储设备，例如所述电子设备400上配备的插接式硬盘，智能存储卡（Smart MediaCard，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，所述存储器402还可既包括电子设备400的内部储存单元也包括外部存储设备。所述存储器402用于存储安装所述电子设备400的应用软件及各类数据。
所述处理器401在一些实施例中可以是一中央处理器（Central ProcessingUnit，CPU），微处理器或其他数据处理芯片，用于运行所述存储器402中存储的程序代码或处理数据，例如本发明中的工业设备动态阈值设定方法。
所述显示器403在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器403用于显示在所述电子设备400的信息以及用于显示可视化的用户界面。所述电子设备400的部件401-403通过系统总线相互通信。
在一实施例中，当所述处理器401执行所述存储器402中的工业设备动态阈值设定程序404时，可实现以下步骤：
获取目标设备影响因素数据集；
建立初始BP神经网络模型；
利用所述目标设备影响因素数据集对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；
将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；
基于所述关联关系对所述目标设备属性阈值进行设定。
应当理解的是：处理器402在执行存储器401中的的工业设备动态阈值设定程序404时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备400的类型不做具体限定，电子设备400可以为手机、平板电脑、个人数字助理(personal digitalassistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载iOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备400也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请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用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述各方法实施例提供的方法步骤或功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的工业设备动态阈值设定方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种工业设备动态阈值设定方法，其特征在于，包括：
获取目标设备影响因素数据集；
建立初始BP神经网络模型；
利用所述目标设备影响因素数据集对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；
将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；
基于所述关联关系对所述目标设备属性阈值进行设定。
2.根据权利要求1所述的工业设备动态阈值设定方法，其特征在于，所述影响因素包括经验因素和相关因素，其中，相关因素为皮尔逊相关系数大于第一设定值的影响因素。
3.根据权利要求1所述的工业设备动态阈值设定方法，其特征在于，所述利用所述目标设备影响因素数据集中的相关因素对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络，包括：
将所述目标设备影响因素数据集中的相关因素数据集按预设比例划分为数据训练集、数据验证集以及数据测试集；
利用所述数据训练集对所述初始BP神经网络模型进行训练，获得过渡BP神经网络模型；
利用所述数据验证集对所述过渡BP神经网络模型性能进行验证，若验证不通过，则再次对所述过渡BP神经网络模型进行训练；若验证通过，则所述过渡BP神经网络模型为所述目标BP神经网络模型。
4.根据权利要求1所述的工业设备动态阈值设定方法，其特征在于，所述初始BP神经网络模型为四层网络结构，第一层为输入层、中间两层为全连接层、最后一层为输出层。
5.根据权利要求4所述的工业设备动态阈值设定方法，其特征在于，所述全连接层和输出层采用整流线性单位函数作为激活函数：
Figure 766282DEST_PATH_IMAGE001
；
所述初始BP神经网络模型使用均方差作为损失函数：
Figure 855461DEST_PATH_IMAGE002
其中，
Figure 260029DEST_PATH_IMAGE003
为损失函数，
Figure 751053DEST_PATH_IMAGE004
为模型期望输出，
Figure 933773DEST_PATH_IMAGE005
为模型输出层输出，n为模型训练集样本数量；
所述全连接层中任一节点 j的输出为：
Figure 28024DEST_PATH_IMAGE006
其中，m为节点j的输入层节点个数，
Figure 219971DEST_PATH_IMAGE007
为输入神经元和节点j的连接权重；
Figure 299922DEST_PATH_IMAGE008
为输入特征；
Figure 935434DEST_PATH_IMAGE009
为偏移神经元和节点j的连接权重；
所述输出层的输出为：
Figure DEST_PATH_IMAGE011
其中，
Figure 530364DEST_PATH_IMAGE012
为最后一层全连层，
Figure 260422DEST_PATH_IMAGE013
为最后一层全连层的节点个数，k为模型输出节点，
Figure 709727DEST_PATH_IMAGE014
为全连层节点j到输出层节点k之间的连接权重，
Figure 765408DEST_PATH_IMAGE015
为偏移神经元和节点k之间的连接权重。
6.根据权利要求1所述的工业设备动态阈值设定方法，其特征在于，还包括：使用随机梯度下降算法作为优化函数对所述初始BP神经网络模型进行优化，所述优化函数为：
Figure DEST_PATH_IMAGE017
其中，α为学习速率。
7.根据权利要求1所述的工业设备动态阈值设定方法，其特征在于，基于所述关联关系对所述目标设备属性阈值进行设定，包括：
基于正态分布模型设定所述目标设备属性阈值的上下限；
阈值上限 = 正μ + K × 正σ
阈值下限 = 负μ + K × 负σ
其中，μ为平均数，σ为标准差，K为可调参数。
8.一种工业设备动态阈值设定装置，其特征在于，包括：
数据集获取单元，用于获取目标设备影响因素数据集；
初始模型构建单元，用于建立初始BP神经网络模型；
训练单元，用于利用所述目标设备影响因素数据集对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；
关联关系确定单元，用于将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；
阈值设定单元，基于所述关联关系对所述目标设备属性阈值进行设定。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述工业设备动态阈值设定方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述工业设备动态阈值设定方法中的步骤。
CN202110836968.8A 2021-07-23 2021-07-23 工业设备动态阈值设定方法、装置、电子设备及存储介质 Active CN113552855B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110836968.8A CN113552855B (zh) 2021-07-23 2021-07-23 工业设备动态阈值设定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110836968.8A CN113552855B (zh) 2021-07-23 2021-07-23 工业设备动态阈值设定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113552855A true CN113552855A (zh) 2021-10-26
CN113552855B CN113552855B (zh) 2023-06-06

Family

ID=78132593

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110836968.8A Active CN113552855B (zh) 2021-07-23 2021-07-23 工业设备动态阈值设定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113552855B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114657741A (zh) * 2022-03-07 2022-06-24 Tcl家用电器（合肥）有限公司 洗涤设备控制方法、装置、洗涤设备和存储介质
CN117312296A (zh) * 2023-11-29 2023-12-29 山东街景智能制造科技股份有限公司 一种多平台协作的数据处理方法

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5392612A (en) * 1984-08-08 1995-02-28 Richard H. Alsenz Refrigeration system having a self adjusting control range
CN103543719A (zh) * 2013-10-17 2014-01-29 中国科学院软件研究所 一种基于工况的流程行业操作模式自适应调整方法
CN105119320A (zh) * 2015-09-15 2015-12-02 东北大学 一种分散式风电场风机优化布置系统及方法
CN105441609A (zh) * 2014-09-30 2016-03-30 上海梅山钢铁股份有限公司 一种鼓风机风量控制方法
CN105528650A (zh) * 2015-12-02 2016-04-27 江苏省电力公司信息通信分公司 基于主成分分析和bp神经网络的机房温湿度预测方法
CN205508076U (zh) * 2015-12-17 2016-08-24 国网浙江省电力公司信息通信分公司 一种电力设备温度预警系统
US20170357243A1 (en) * 2016-06-09 2017-12-14 Fanuc Corporation Machine learning device, numerical control device and machine learning method for learning threshold value of detecting abnormal load
CN107590565A (zh) * 2017-09-08 2018-01-16 北京首钢自动化信息技术有限公司 一种构建建筑能耗预测模型的方法及装置
CN107725283A (zh) * 2017-09-19 2018-02-23 江苏方天电力技术有限公司 一种基于深度信念网络模型的风机故障检测方法
US20180071471A1 (en) * 2016-09-14 2018-03-15 Resmed Limited Apparatus and method for adaptive ramped control of positive airway pressure (pap)
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN109443419A (zh) * 2018-08-31 2019-03-08 广州市世科高新技术有限公司 一种基于机器学习的整流器在线监测方法
CN110533294A (zh) * 2019-07-30 2019-12-03 中国核电工程有限公司 一种基于人工智能技术的核电厂运行故障报警方法
CN110929637A (zh) * 2019-11-20 2020-03-27 中国科学院上海微系统与信息技术研究所 一种图像识别方法、装置、电子设备及存储介质
CN111382020A (zh) * 2020-03-06 2020-07-07 中国工商银行股份有限公司 交易流量监控方法及系统
US20200241514A1 (en) * 2019-01-28 2020-07-30 Exxonmobil Research And Engineering Company Method and systems for fault detection and identification
CN111679952A (zh) * 2020-06-08 2020-09-18 中国银行股份有限公司 告警阈值生成方法及装置
CN112052145A (zh) * 2020-09-09 2020-12-08 中国工商银行股份有限公司 性能告警阈值的确定方法、装置、电子设备和介质
CN112256526A (zh) * 2020-10-14 2021-01-22 中国银联股份有限公司 基于机器学习的数据实时监控方法以及装置
CN112270814A (zh) * 2020-12-21 2021-01-26 长沙树根互联技术有限公司 动态告警方法、装置、电子设备和可读存储介质
CN112313666A (zh) * 2019-03-21 2021-02-02 因美纳有限公司 用于基于人工智能的测序的训练数据生成
CN112731309A (zh) * 2021-01-06 2021-04-30 哈尔滨工程大学 一种基于双线性高效神经网络的有源干扰识别方法
US20210203576A1 (en) * 2019-12-30 2021-07-01 Viavi Solutions Inc. Anomaly detection in a network
US20210201155A1 (en) * 2019-12-30 2021-07-01 Dalian University Of Technology Intelligent control method for dynamic neural network-based variable cycle engine

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5392612A (en) * 1984-08-08 1995-02-28 Richard H. Alsenz Refrigeration system having a self adjusting control range
CN103543719A (zh) * 2013-10-17 2014-01-29 中国科学院软件研究所 一种基于工况的流程行业操作模式自适应调整方法
CN105441609A (zh) * 2014-09-30 2016-03-30 上海梅山钢铁股份有限公司 一种鼓风机风量控制方法
CN105119320A (zh) * 2015-09-15 2015-12-02 东北大学 一种分散式风电场风机优化布置系统及方法
CN105528650A (zh) * 2015-12-02 2016-04-27 江苏省电力公司信息通信分公司 基于主成分分析和bp神经网络的机房温湿度预测方法
CN205508076U (zh) * 2015-12-17 2016-08-24 国网浙江省电力公司信息通信分公司 一种电力设备温度预警系统
US20170357243A1 (en) * 2016-06-09 2017-12-14 Fanuc Corporation Machine learning device, numerical control device and machine learning method for learning threshold value of detecting abnormal load
US20180071471A1 (en) * 2016-09-14 2018-03-15 Resmed Limited Apparatus and method for adaptive ramped control of positive airway pressure (pap)
CN107590565A (zh) * 2017-09-08 2018-01-16 北京首钢自动化信息技术有限公司 一种构建建筑能耗预测模型的方法及装置
CN107725283A (zh) * 2017-09-19 2018-02-23 江苏方天电力技术有限公司 一种基于深度信念网络模型的风机故障检测方法
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN109443419A (zh) * 2018-08-31 2019-03-08 广州市世科高新技术有限公司 一种基于机器学习的整流器在线监测方法
US20200241514A1 (en) * 2019-01-28 2020-07-30 Exxonmobil Research And Engineering Company Method and systems for fault detection and identification
CN112313666A (zh) * 2019-03-21 2021-02-02 因美纳有限公司 用于基于人工智能的测序的训练数据生成
CN110533294A (zh) * 2019-07-30 2019-12-03 中国核电工程有限公司 一种基于人工智能技术的核电厂运行故障报警方法
CN110929637A (zh) * 2019-11-20 2020-03-27 中国科学院上海微系统与信息技术研究所 一种图像识别方法、装置、电子设备及存储介质
US20210203576A1 (en) * 2019-12-30 2021-07-01 Viavi Solutions Inc. Anomaly detection in a network
US20210201155A1 (en) * 2019-12-30 2021-07-01 Dalian University Of Technology Intelligent control method for dynamic neural network-based variable cycle engine
CN111382020A (zh) * 2020-03-06 2020-07-07 中国工商银行股份有限公司 交易流量监控方法及系统
CN111679952A (zh) * 2020-06-08 2020-09-18 中国银行股份有限公司 告警阈值生成方法及装置
CN112052145A (zh) * 2020-09-09 2020-12-08 中国工商银行股份有限公司 性能告警阈值的确定方法、装置、电子设备和介质
CN112256526A (zh) * 2020-10-14 2021-01-22 中国银联股份有限公司 基于机器学习的数据实时监控方法以及装置
CN112270814A (zh) * 2020-12-21 2021-01-26 长沙树根互联技术有限公司 动态告警方法、装置、电子设备和可读存储介质
CN112731309A (zh) * 2021-01-06 2021-04-30 哈尔滨工程大学 一种基于双线性高效神经网络的有源干扰识别方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
SJBANJAN DAS，UMIT MERT CAKMAK: "《自动机器学习入门与实践 使用Python》", 31 December 2019 *
张祥东，王腾军，朱劭俊，杨耘: "基于扩张卷积注意力神经网络的高光谱图像分类", 《光学学报研》 *
朱晨光: "《机器阅读理解》", 31 March 2020 *
武装: "《京津冀地区PM2.5及其他空气污染物的时空分布特征研究》", 30 September 2018 *
王建华: "《高压开关电器发展前沿技术》", 31 October 2019 *
王震，刘瑞敏，黄琼桃: "用于人体行为识别的Inflated VGGNet-16 网络", 《北京化工大学学报》 *
胡炜: "面向数控刀架可靠性试验的CPS研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 *
金余丰，姚美常，刘晓锋，黄凤良: "残差网络和注意力机制相结合的", 《机械科学与技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114657741A (zh) * 2022-03-07 2022-06-24 Tcl家用电器（合肥）有限公司 洗涤设备控制方法、装置、洗涤设备和存储介质
CN114657741B (zh) * 2022-03-07 2024-02-06 Tcl家用电器（合肥）有限公司 洗涤设备控制方法、装置、洗涤设备和存储介质
CN117312296A (zh) * 2023-11-29 2023-12-29 山东街景智能制造科技股份有限公司 一种多平台协作的数据处理方法
CN117312296B (zh) * 2023-11-29 2024-02-20 山东街景智能制造科技股份有限公司 一种多平台协作的数据处理方法

Also Published As

Publication number Publication date
CN113552855B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN113552855B (zh) 工业设备动态阈值设定方法、装置、电子设备及存储介质
WO2021227468A1 (zh) 核电厂关键设备的状态预演方法、系统、设备及存储介质
CN114493049A (zh) 基于数字孪生的产线优化方法、装置、电子设备及介质
CN109242196A (zh) 火电厂用水量预测方法及装置
CN107992991A (zh) 基于外部环境因素和协整理论的年度售电量预测方法
CN112766596A (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
CN111428419A (zh) 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质
CN113051317A (zh) 一种数据探查方法和系统、数据挖掘模型更新方法和系统
CN115204491A (zh) 基于数字孪生与lstm的生产线工况预测方法及系统
CN114792169A (zh) 基于MIC-XGBoost算法的居民用水量预测方法
Li et al. A CM&CP framework with a GIACC method and an ensemble model for remaining useful life prediction
CN113659575A (zh) 一种电力系统暂态稳定性预测方法及装置
CN115660513A (zh) 一种基于水利工程渡槽变形的监测方法及系统
CN115330082A (zh) 一种基于注意力机制的lstm网络的pm2.5浓度预测方法
CN113792828A (zh) 基于深度学习的电网负荷预测方法、系统、设备及介质
CN114090540A (zh) 数据管理系统、数据管理方法以及记录了程序的记录介质
CN113779871A (zh) 一种电热耦合系统调度方法、装置、电子设备及其存储介质
CN101807225A (zh) 一种稠油油藏数值模拟方法及装置
CN111210147A (zh) 基于时序特征提取的烧结过程运行性能评价方法及系统
US11898212B1 (en) Method and device for monitoring blast furnace state based on multi-modes fusion
CN113944801B (zh) 基于数据分析的燃气调压器性能检测方法及装置
CN117556331B (zh) 基于ai增强的空压机维护决策方法及系统
Zhu et al. Trends in the natural gas pricing mechanism reform in China: a perspective of dependency between China and the US natural gas markets
CN114693469A (zh) 基于电能量数据的区域行业景气指数获取方法及装置
CN114548539A (zh) 循环水系统压缩机透平能耗预测方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information

Inventor after: Cao Kuo

Inventor after: Han Junyi

Inventor after: Yuan Jinghao

Inventor before: Cao Kuohan

Inventor before: Junyi

Inventor before: Yuan Jinghao

CB03 Change of inventor or designer information
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant