CN114579824B - 应用于工业互联网的设备状态识别方法及识别终端 - Google Patents

Abstract

本说明书实施例公开了一种应用于工业互联网的设备状态识别方法，方法包括：根据识别终端获取所述多个智能设备中的原始状态数据，并按照智能设备的状态标识位对原始状态数据进行过滤，获得待处理数据；对待处理数据进行分组获得多个第一状态数据；对第一状态数据进行解析，获得当前预设时间段的参量变化轨迹并与上一预设时间段的参量变化轨迹进行对比计算，获得第一状态数据的参量偏移量；基于第一状态数据的参量偏移量，确定第一状态数据对应的智能设备的所属状态类别；基于第一状态数据的数据格式与所属状态类别，确定与第一状态数据相对应的第二状态数据；根据第一状态数据与第二状态数据，确定智能设备在当前预设时间段内的状态。

Description

应用于工业互联网的设备状态识别方法及识别终端

技术领域

本说明书涉及工业互联网技术领域，尤其涉及一种应用于工业互联网的设备状态识别方法及识别终端。

背景技术

在以物联网、人工智能、云计算、区块链、5G等为代表的新一代信息技术引领下，与工业领域深度融合而形成的工业互联网是支撑企业数字化，网络化、智能化转型发展的关键基础设施。工业物联网是全球工业系统与高级计算、分析、感应技术以及互联网连接融合的一种结果，其本质是通过开放的、全球化的工业级网络平台把设备、生产线、工厂、供应商、产品和客户紧密地连接和融合起来，高效共享工业经济中的各种要素资源，从而通过自动化、智能化的生产方式降低成本、增加效率，帮助制造业延长产业链，推动制造业转型发展。

目前，随着工业互联网的不断发展，智能化的工业设备越来越多，导致基于工业互联网构成的智能设备系统中，出现海量的状态数据需要进行实时处理。此外，由于各场景下不同的生产需求，多种不同类别与不同型号的设备需要基于工业互联网，进行交互和协作工作。在海量的以及多种类、多型号的物联网设备中某个设备的状态出现异常时，会影响工业物联网系统的某些功能的正常使用，有的甚至会导致整个设备系统的崩溃。因此，对工业设备的状态进行识别是非常重要的。传统技术中，对设备状态的状态数据进行识别需要逐个处理海量的状态数据，且没有针对互联网中不同智能设备的统一的状态识别方式，容易造成智能设备的识别花费时间过长、实时性差，且识别结果不精确的问题。

因此，现需要一种可以对工业互联网中的海量数据进行快速分析以准确识别设备状态的方法。

发明内容

本说明书一个或多个实施例提供了一种应用于工业互联网的设备状态识别方法及识别终端，用于解决如下技术问题：如何提供一种可以快速对工业互联网中的海量数据进行分析准确识别设备状态的方法。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供一种应用于工业互联网的设备状态识别方法，应用于多个智能设备相互之间通信的识别终端，所述识别终端和所述多个智能设备组成设备状态识别系统，所述方法包括：

根据所述识别终端获取所述多个智能设备中的原始状态数据，并按照所述智能设备的状态标识位对所述原始状态数据进行过滤，以获得待处理数据；其中，所述状态标识位用于标识已识别的停机设备与已识别的异常设备；

对所述待处理数据进行分组获得多个第一状态数据；其中，所述第一状态数据为所述待处理数据在各预设时间段的智能设备状态数据；

对所述第一状态数据进行解析，获得当前预设时间段的参量变化轨迹；

将所述当前预设时间段的参量变化轨迹与上一预设时间段的参量变化轨迹进行对比计算，获得所述第一状态数据的参量偏移量；

基于所述第一状态数据的参量偏移量，确定所述第一状态数据对应的智能设备的所属状态类别；

基于所述第一状态数据的数据格式与所述所属状态类别，确定与所述第一状态数据相对应的第二状态数据；其中所述第二状态数据为与所述第一状态数据相对应的历史状态数据；

根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态。

可选地，本说明书一个或多个实施例中，所述对所述第一状态数据进行解析，获得当前预设时间段的参量变化轨迹，具体包括：

根据所述第一状态数据识别所述智能设备当前运行状态所属空间；

基于所述智能设备当前运行状态所属空间与所述第一状态数据，获得参量预测值；

基于所述第一状态数据中的重要参量在所述参量预测值中提取对应的参量预测值；并基于所述参量预测值确定相应的预测运行事件清单；

确定所述第一状态数据中的重要参量，基于所述重要参量获取与所述重要参量相对应的实际运行事件清单；

将所述预测运行事件清单与所述实际运行时间清单进行事件匹配，获得所述参量变化轨迹。

可选地，本说明书一个或多个实施例中，所述基于所述第一状态数据中的重要参量在所述参量预测值中提取对应的参量预测值之前，所述方法还包括：

将所述第一状态数据以时间序列进行划分，获得基于所述第一状态数据的多个参量序列；

基于预设关联规则计算获取所述多个参量序列之间的相关系数，以获得所述多个参量序列的相关向量；并分别将所述多个参量序列组成与所述第一状态数据相对应的参量的关系矩阵，以确定各参量的关联性分布；

基于所述参量的关联性分布对所述第一状态数据进行数据拆分，获得多个状态数据子集，根据每个状态数据子集与其他状态数据子集之间的关联系数获得所述第一状态数据中各个状态数据子集的关联性权重；

确定所述关联性权重值大于预设阈值的状态数据子集，并将所述状态数据子集中的参量数据作为所述第一状态数据中的重要参量，以便根据所述重要参量对所述参量变化轨迹进行分析。

可选地，本说明书一个或多个实施例中，所述根根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态，具体包括：

根据所述第一状态数据确定预设时间段内所述智能设备的第一交互数据；其中，所述第一交互数据是所述智能设备基于所述识别终端，发送给另一个智能设备的数据；

将产生所述第一状态数据的所述智能设备作为第一智能设备，获取所述第一智能设备在当前预设时间段内的第一交互列表；

获取接收所述第一交互数据的第二智能设备中的，第二交互列表与第三状态数据；其中，所述第二交互列表与第三状态数据，与当前预设时间段内的第一交互列表及第一状态数据相对应；

根据所述第二状态数据，确定历史时间段内所述第一智能设备的第二交互数据；其中，所述历史时间段与所述当前预设时间段相对应；

获取发送所述第二交互数据的第一智能设备，在当前预设时间段内的第三交互列表，并获取接收所述第二交互数据的第二智能设备中第四交互列表与第四状态数据；

根据所述第一状态数据确定所述第一智能设备的第一判定值，根据所述第一交互列表确定所述第一智能设备的第二判定值，根据所述第三交互列表确定所述第一智能设备的第三判定值；基于所述第一状态判定值、所述第二状态判定值与所述第三状态判定值，确定所述第一智能设备的第一全局判定值；

根据所述第一交互数据与所述第二交互数据，确定所述第一智能设备与所述第二智能设备之间的数据转换信息；

根据所述数据转换信息与所述第二交互列表，确定所述第二智能设备的第四状态判定值；根据所述第三状态数据与所述第四状态数据确定所述第二智能设备的第五状态判定值；并根据所述第四状态判定值与所述第五状态判定值确定所述第二智能设备的第二全局判定值；

根据所述第一交互数据与所述第二交互数据，确定所述第一智能设备与所述第二智能设备之间的转换缺补数据；

根据所述转换缺补数据、所述第一全局判定值与所述第二全局判定值，确定所述第一智能设备与所述第二智能设备在所述当前预设时间段内的状态。

可选地，本说明书一个或多个实施例中，所述根据所述第一交互数据与所述第二交互数据，确定所述第一智能设备与所述第二智能设备之间的转换缺补数据，具体包括：

基于所述第一交互数据确定所述第一智能设备与所述第二智能设备之间的第一数据转换关系；并基于所述第二交互数据确定所述第一智能设备与所述第二智能设备之间的第二数据转换关系；

根据所述第一数据转换关系与所述第二数据转换关系确定所述第一智能设备与所述第二智能设备之间的数据交互逻辑；

基于所述数据交互逻辑确定所述第一智能设备中所述第一状态数据的第一标准交互数据；并基于所述数据交互逻辑确定所述第一智能设备中所述第二状态数据的第二标准数据；

根据所述第一标准数据确定所述第一交互数据中的第一缺补数据，根据所述第二标准数据确定所述第二交互数据终端的第二缺补数据；

过滤所述第一缺补数据与所述第二缺补数据的重合数据，获得所述第一智能设备与所述第二智能设备之间的转换缺补数据。

可选地，本说明书一个或多个实施例中，所述根据所述转换缺补数据、所述第一全局判定值与所述第二全局判定值，确定所述第一智能设备与所述第二智能设备在所述当前预设时间段内的状态，具体包括：

基于预设相关性算法，确定所述转换缺补数据中各参量的相关性；

根据所述相关性确定所述转换缺补数据的权重值；其中，所述相关性越高则所述转换缺补数据的权重值越高；

根据所述第一缺补数据中各参量的权重值对所述第一全局判定值进行处理，获得第三全局判断值；

根据所述第二缺补数据中各参量的权重值对所述第二全局判定值进行处理，获得第四全局判定值；

对所述第三全局判定值与所述第四全局判定值进行均值处理，获得符合要求的全局判定值；

将所述第一状态数据与所述第二状态数据输入预先训练的状态区间确定模型，以输出所述第一智能设备的第一状态区间与所述第二智能设备的第二状态区间；

基于所述第一状态区间与所述符合要求的全局判断值确定所述第一智能设备的设备状态，并基于所述第二状态区间与所述符合要求的全局判断值确定所述第二智能设备的设备状态。

可选地，本说明书一个或多个实施例中，所述根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态之后，若确定所述智能设备在所述预设时间段内处于异常状态，则所述方法还包括：

根据每个智能设备的各异常状态，确定所述智能设备中各异常状态所属的异常类别；其中，所述异常类别包括：动态运行异常与静态信息异常；

基于预设动态异常检修表获取各个动态运行异常对应的检修信息序列，将所述各个动态运行异常所对应的检修信息序列，构成第一检修信息序列；并基于预设静态异常检修表获取各个静态信息异常对应的检修信息序列，将所述各个静态信息异常对应的检修信息序列，组成第二检修信息序列；

过滤所述第一检修信息序列与所述第二检修信息序列中的冗余检修信息，获得融合后的异常检修信息序列；

根据所述各异常状态所属异常类别的分布，获得所述智能设备的维修时间序列；

通过预设检修逻辑将所述确定所述智能设备在所述预设时间段内的状态的时刻作为所述异常检修信息序列的起始时刻；

基于互联网获取与所述异常检修信息序列相对应的检修关联数据集，在所述检修关联数据中根据时序选取当前检修关联数据集；并基于所述起始时刻确定位于所述当前检修关联数据集之前的历史检修关联数据集；

获取所述历史检修关联数据集中的检修流程，以根据所述检修流程确定所述当前检修关联数据集的第一检修路径；

将所述第一检修路径与所述当前检修关联数据集输入所述预设检修路径模型中，输出所述当前检修关联数据集的当前误差值；并根据所述当前误差值对所述第一检修路径进行调整获得所述当前检修关联数据集的第二检修路径；

根据所述智能设备中各异常状态的异常等级，确定所述第二检修路径中各检修节点的权重值，并根据所述权重值为所述第二检修路径中各检修节点分配对应的检修时间，确定所述智能设备的维修策略。

可选地，本说明书一个或多个实施例中，所述根据所述当前误差值对所述第一检修路径进行调整获得所述当前检修关联数据集的第二检修路径，具体包括：

基于所述第一检修路径获取所述当前维修关联数据集的第一可维修节点；

并根据所述当前误差值确定所述当前维修关联数据集的第二可维修节点；

获取所述第二可维修节点的第二动态运行异常与第二静态信息异常，若所述第二动态运行异常或第二静态与信息异常超过预设阈值，则将所述第二可维修节点与所述第一可维修节点，构成所述当前维修关联数据集的可维修节点；

基于遗传算法对所述可维修节点进行路径规划，获得所述当前维修关联数据集的第二检修路径。

可选地，本说明书一个或多个实施例中，所述确定所述智能设备的维修策略之后，所述方法还包括：

获取所述第二检修路径中各可维修节点的设备ID，以基于所述设备ID获取所述可维修节点对应的所述智能设备的地理位置；

基于所述第二检修路径中所述智能设备的所述地理位置，确定与所述智能设备相对应的维修人员；并基于预先存储的通信表单获取所述对应维修人员的通信方式；

基于所述对应的维修人员的通信方式，将所述智能设备的维修策略发送给所述对应的维修人员，以实现对所述智能设备的维修。

本说明书一个或多个实施例提供一种应用于工业互联网的设备状态识别终端，包括：

处理器，以及

与所述处理器连接的内存和网络接口；

所述网络接口与识别终端中的非易失性存储器连接；

所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序执行：

根据所述识别终端获取所述多个智能设备中的原始状态数据，并按照所述智能设备的状态标识位对所述原始状态数据进行过滤，以获得待处理数据；其中，所述状态标识位用于标识已识别的停机设备与已识别的异常设备；

对所述待处理数据进行分组获得多个第一状态数据；其中，所述第一状态数据为所述待处理数据在各预设时间段的智能设备状态数据；

对所述第一状态数据进行解析，获得当前预设时间段的参量变化轨迹；

将所述当前预设时间段的参量变化轨迹与上一预设时间段的参量变化轨迹进行对比计算，获得所述第一状态数据的参量偏移量；

基于所述第一状态数据的参量偏移量，确定所述第一状态数据对应的智能设备的所属状态类别；

基于所述第一状态数据的数据格式与所述所属状态类别，确定与所述第一状态数据相对应的第二状态数据；其中所述第二状态数据为与所述第一状态数据相对应的历史状态数据；

根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态。

本说明书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：

基于智能设备的标识为对多个智能设备中的原始状态数据进行过滤，筛除了已经识别出的停机设备和已识别的异常设备。在筛除已识别的异常设备之后，再进行当前智能设备状态识别，避免了对互联网中智能设备的重复识别检测，提升了识别的速度和精准性。对于智能设备的待处理数据进行分组，从而基于分组数据对当前预设时间段的第一状态数据进行识别，使得识别可以基于时间序列分组进行提高了识别的灵活性，且细化了识别过程提高了精确性。基于当前预设时间的第一状态数据对参量变化轨迹进行对比，确定出智能设备所属的状态类别，从而根据状态类别和第一状态数据的数据格式获取到数据格式一致且状态类别一致的第二状态数据，即历史状态数据进行融合判断，使得智能设备的状态识别过程可以基于相匹配的数据进行可靠识别，提高了识别状态识别的可靠性。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书实施例提供的一种应用于工业互联网的设备状态识别方法的流程示意图；

图2为本说明书实施例提供的一种应用于工业互联网的设备状态识别终端的内部结构示意图。

具体实施方式

本说明书实施例提供一种应用于工业互联网的设备状态识别方法和识别终端。

工业互联网是全球工业系统与高级计算、分析、感应技术以及互联网连接融合的一种结果，其本质是通过开放的、全球化的工业级网络平台把设备、生产线、工厂、供应商、产品和客户紧密地连接和融合起来，高效共享工业经济中的各种要素资源，从而通过自动化、智能化的生产方式降低成本、增加效率，帮助制造业延长产业链，推动制造业转型发展。工业互联网的发展能够使得制造业更加的智能化和数字化，这样就能够极大地提高生产效率，且还能够减少人工的劳动力。

随着工业互联网的不断发展，智能化的工业设备也越来越多。因此，各个智能化的工业设备也就需要基于多个智能化的工业设备进行交互协作实现工业生产。例如，在智能设备构成的电网系统中，当某区域的智能设备负载过高时，需要调整电网中关联设备的参数来避免危险的出现。因为工业互联网中的设备需要交互协作，所以当其中的一个智能设备出现问题时，那么其他的设备也会受到其影响，严重时还可能会导致整个基于工业互联网的工业系统的崩溃。因此，为了确保工业系统的稳定运行，就需要对工业互联网的设备状态进行有效地识别。目前对设备状态的识别多数通过传感器识别或对智能设备的运行参数和交互数据进行特征分析和处理来实现状态识别，需要对大量的数据进行分析，需要付出较多的时间成本且识别精度较低，有针对互联网中不同设备的统一的状态识别方式，使得系统的整体识别过程繁琐。并且在识别出设备状态后，无法获得符合当前工况的维修策略。

为了解决上述问题，本说明书实施例提供了一种应用于互联网的设备状态识别方法。通过对智能设备的待处理数据进行分组，从而基于分组数对当前预设时间段的第一状态数据进行识别，使得识别可以基于时间序列分组进行提高了识别的灵活性，且细化了识别过程提高了精确性。分组后可以灵活采用多线程处理使得智能设备的识别时间缩短，避免了海量数据处理过程中的时间成本过高的问题。基于前预设时间的第一状态数据对参量变化轨迹进行对比，确定出智能设备所属的状态类别，从而根据状态类别和第一状态数据的数据格式获取到数据格式一致且状态类别一致的第二状态数据，即历史状态数据进行融合判断，使得智能设备的状态识别过程可以基于相匹配的数据进行可靠识别，提高了识别状态识别的可靠性。此外，基于数据格式的判定可以解决不同型号不同种类的智能设备之间的状态数据需要分别处理的问题，为工业互联网下智能设备的识别提供统一的识别方式，提高了识别的速度。同时，结合交互数据和第二交互数据确定出的第一智能设备与第二智能设备的相关数据对状态进行识别，弥补了数据的缺失对识别准确性造成的影响，提高了设备识别的精确度。此外，基于误差值的各异常状态的检修路径进行调整获得最优的检修路径，使得设备识别后的检修过程实现策略与经济成本的最优。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

如图1所示，本说明书一个或多个实施例中提供了一种应用于工业互联网的设备状态识别方法的流程示意图。

由图1可知，方法包括以下步骤：

S101：根据所述识别终端获取所述多个智能设备中的原始状态数据，并按照所述智能设备的状态标识位对所述原始状态数据进行过滤，以获得待处理数据；其中，所述状态标识位用于标识已识别的停机设备与已识别的异常设备。

由于工业互联网的发展，智能设备的涉及的生产流程越发复杂，在工业互联网中运行的智能设备，由于处理对应的业务和生产任务将产生海量的原始状态数据。对海量原始状态数据进行依次判断处理会导致工作量的大幅提升，且海量原始数据中的部分数据为已处理过的异常数据，则会导致重复工作，为了避免识别工作量的增加。在对智能设备的状态进行识别之前，根据识别终端获取工业互联网中多个智能设备中的原始状态数据，按照智能设备中的状态标识位对原始状态数据中的已识别的停机设备、已识别的异常设备等，进行初步过滤获得待处理数据。

S102：对所述待处理数据进行分组获得多个第一状态数据；其中，所述第一状态数据为所述待处理数据在各预设时间段的智能设备状态数据。

由于不同企业的不同处理需求，待处理数据的时间跨度可能大小不等，为了可以对待处理数据进行快速分析识别。通过基于时间对待处理数据进行分组，获得待处理数据在各预设时间段内的智能设备的第一状态数据。通过对待处理数据进行分组可以基于并行线程对多个第一状态数据进行后续识别处理，从而缩短状态识别的时间，解决工业互联网的智能设备过多时，海量状态数据处理花费过多时间，造成智能设备识别实时性差的问题使得设备状态识别方式可以适用于实时性强的应用场景中。例如：基于工业互联网的电网智能设备，需要较强的实时性对工业互联网下的电网智能设备状态进行实时识别，避免单个智能设备所造成的电网系统的崩溃。基于时间对电网系统中的待处理数据进行分组，获得待处理数据在各预设时间段内的智能设备的第一状态数据，使得处理速度加快，为电网安全隐患的排除提供了有利的基础，相较与传统识别方式更适应当前的应用场景。

S103：对所述第一状态数据进行解析，获得当前预设时间段的参量变化轨迹。

基于上述步骤S102获得智能设备的多个第一状态数据之后，需要确定出影响智能设备状态的重要参量的变化轨迹，判断该第一状态数据是否为稳态数据，以此确定是否需要继续进行后续状态识别过程。其中，对第一状态数据进行解析，获得当前预设时间段的参量变化轨迹。然而第一状态数据中包含大量数据，如果对第一状态数据中的数据全部都进行轨迹分析，则会造成大量的计算冗余，拖慢设备识别的进程。因此，在对获取当前预设时间段的参量变化轨迹之前，需要确定出影响设备状态的重要参数，并基于这些重要参数进行后续的轨迹分析。例如在分析电力网络中的脆弱环节时，研究人员会研究等值两级系统之间各点的电压变化轨迹、不同部位相位差的分布变化特点以及暂态是能分布规律，因此对重要参数的筛选过程是节省识别时间的重要过程，也是进一步缩小处理数据的重要过程之一。本说明书一个或多个实施例中，首先将第一状态数据基于时间序列进行划分得到基于第一状态数据的多个参量序列，根据预先设置的关联规则例如随机森林算法获得多个参量序列之间的相关系数，从而获得多个参量序列的相关参量。分别把多个参量序列组成和第一状态数据相对应的关系矩阵，根据关系矩阵确定出各个参量的关联性分布。根据参量间的关联性分布对第一状态数据进行数据拆分，得到多个状态数据子集，再根据每个状态数据子集和其他状态数据子集之间的关联系数获得第一状态数据中各个状态数据子集的关联性权重。

根据获得的第一状态数据中各个状态数据子集的关联性权重，确定出关联性权重值大于预设阈值的状态数据子集。其中，可以理解的是，大于预设阈值的状态数据子集中是对第一状态数据贡献大的数据子集，其中的数据对当前预设时间段的影响较大本身与第一状态数据中的其他数据具有较强的关联性，即是可以影响设备状态的重要参量。所以将状态数据子集中的参量作为第一状态数据中的重要参量，以便根据重要参量对参量变化轨迹进行分析。而在本说明书一个或多个实施例中，对第一状态数据进行解析，获得当前预设时间段的参量变化轨迹具体包括以下步骤：

在确定出第一状态数据中的重要参量之后，首先根据第一状态数据中的标识识别出智能设备当前运行状态所属空间。其中，可以理解的是当前运行状态数据所属空间可以是产生该运行数据的智能设备的所处位置、所处部件等。根据智能设备当前运行状态所属空间和第一状态数据，获取参量预测值，其中该参量预测值可以是基于预先训练的预测模型或者基于专家经验对所属空间和第一状态数据进行分析后获得，此处不做具体限定。根据上述步骤获得的第一状态数据中的重要参量，在参量预测值中提取与重要参量相对应的参量预测值，然后根据提取的相对应的参量预测值确定出预测运行事件清单。根据重要参量获得和重要参量相对应的实际运行事件清单，把预测运行事件清单与实际运行事件清单进行事件匹配，得到参量的变化轨迹。

S104：将所述当前预设时间段的参量变化轨迹与上一预设时间段的参量变化轨迹进行对比计算，获得所述第一状态数据的参量偏移量。

在根据步骤S103中获得的当前预设时间段的参量变化轨迹之后，为了确定出第一状态数据所属的状态类别需要获取当前的参量偏移量，以对参量偏移进行分析是否某个参数偏移量超过某状态类别的预设阈值从而，获得设备当前的状态类别。例如：对电压的偏移量超过预设的第一阈值或第二阈值，则可以进一步对过压和欠压状态进行精确判断，以便获得当前设备的状态类别是过压还是欠压。本说明书一个或多个实施例中，通过将当前预设时间段的参量变化轨迹与上一预设时间段的参量变化轨迹进行对比计算，即可获得连续时间内第一状态数据的参量偏移量。

S105：基于所述第一状态数据的参量偏移量，确定所述第一状态数据对应的智能设备的所属状态类别。

在步骤S104中确定出第一状态数据的参数偏移量后，为了可以缩小对智能设备的状态识别范围，可以先基于参量偏移量确定出第一状态数据所属的状态类别，以便在该所属状态类别的基础上进行后续的设备状态的识别判断。

S106：基于所述第一状态数据的数据格式与所述所属状态类别，确定与所述第一状态数据相对应的第二状态数据；其中，所述第二状态数据为与所述第一状态数据相对应的历史状态数据。

为了可以获得与第一状态数据相对应的历史数据，以辅助识别智能设备状态，提高识别精确度，根据第一状态数据的数据格式以及步骤S105中获得的所属状态类别，确定出与第一状态数据的数据格式以及所属状态类别一致的历史状态数据作为第二状态运行数据。以某智能设备的开机状态数据作为第一状态数据进行说明，即在海量数据中选取和该开机状态数据的数据格式一致的，且同样属于判断是否开机这一状态类别的该智能设备的历史数据，作为第二状态运行数据。

根据数据格式进行数据匹配及获取，可以避免工业互联网中不同型号与不同类型的智能设备进行识别时，出现无法完全识别各类设备的情况。例如：在基于工业互联网组成的激光切割系统中，包括激光切割设备，传输设备、分拣设备等，由于设备的种类不同，产生的状态数据的格式也存在不同，基于数据格式的匹配，可以缩小识别过程中的误差，为不同的智能设备识别提供统一的匹配方式，避免匹配数据错误获取的问题。

S107：根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态。

在本说明书一个或多个实施例中，根据第一状态数据和第二状态数据，确定出智能设备在当前预设时间段内的状态数据，可以提高设备状态识别的精确性，避免单一性判断因素造成的识别精确度低的问题，具体包括以下步骤：首先，因为基于工业互联网的智能设备之间会产生交互数据以解决对应的业务或生产需求。所以根据所述第一状态数据，先确定出预设时间段内所述智能设备的第一交互数据。此时，可以理解的是交互数据是所述智能设备基于所述识别终端，发送给工业互联网中另一个智能设备的数据。

在本说明书一个或多个实施例中，将产生第一状态数据的智能设备作为第一智能设备，将该第一智能设备在当前预设时间段内与其他设备进行交互的事件，构成该第一智能设备在当前预设时间段内的第一交互列表。并获取接收第一交互数据的第二智能设备中的第二交互列表和第三状态数据，其中可以理解的是，第二交互列表和第三状态数据与当前预设时间段内的第一交互列表以及第一状态数据相对应。由于第二状态数据是第一状态数据的历史数据，二者都是同一智能设备上的状态数据，故根据第二状态数据确定出历史时间段内第一智能设备的第二交互数据。为了可以基于历史数据对当前预设时间段的状态进行识别修正，提高识别的精确度。所以，获取发送第二交互数据的第一智能设备，在当前预设时间段内的第三交互列表，并且获得接收第二交互数据的第二智能设备中的第四交互列表和第四状态数据；其中相对应与上面的第二交互列表和第三状态数据与当前预设时间段内的第一交互列表以及第一状态数据相对应，此时的第四交互列表和第四状态数据与第三交互列表以及第二状态数据相对应。而作为历史数据的第四交互列表和第四状态数据同时也与当前预设时间段内的第二交互列表和第三状态数据相对应。

在获取到上述交互列表与状态数据之后，首先根据第一状态数据确定出第一智能设备的第一状态判定值，再根据所述第一交互列表确定出第一智能设备的第二状态判定值，根据第三交互列表确定出第一智能设备的第三状态判定值。将获得的第一状态判定值、第二状态判定值与第三状态判定值相互结合，确定出结合当前数据与历史数据的第一智能设备的第一全局判定值。其中，需要说明的是，第一状态判定值、第二状态判定值与第三状态判定值可以是基于预先设定的状态识别表单获取的对应的数值。

然后，为了可以基于第二状态数据，对第一状态数据所在的智能设备的识别做出修正，提高精确度。首先，根据所述第一交互数据与所述第二交互数据，确定所述第一智能设备与所述第二智能设备之间的数据转换信息。即确定出第一智能设备与第二智能设备之间进行数据交互时，需要经过怎样的转换以及交互过程需要的数据。再根据数据转换信息与第二交互列表，确定出第二智能设备的第四状态判定值，根据第三状态数据和第四状态数据相结合，确定出第二智能设备的第五状态判定值。并且，根据第四状态判定值和第五状态判定值确定第二智能设备的第二全局判定值。

为了可以对第一全局判定值和第二全局判定值的识别做出调整，使得最终的识别结果更加精确，根据第一交互数据和第二交互数据，确定出第一智能设备和第二智能设备之间的转换缺补数据，从而结合转换缺补数据调整第一全局判定值和第二全局判定值。具体地，根据第一交互数据和第二交互数据确定出第一智能设备与第二设备之间的转换缺补数据，包括：

根据第一交互数据确定出第一智能设备和第二智能设备之间的第一数据转换关系，即确定出当前预设时间段内第一智能设备与第二智能设备之间的第一数据转换关系。同时，根据第二交互数据确定第一智能设备和第二智能设备之间的第二数据转换关系，也就是对应的历史时间段内第一智能设备与第二智能设备之间的数据转换关系。根据获得的第一数据转换关系与第二数据转换关系，确定出第一智能设备和第二智能设备之间的数据交互逻辑。

根据确定出的第一智能设备和第二智能设备之间的数据交互逻辑，对第一状态数据进行分析时，可以确定出第一智能设备中第一状态数据应该对应的第一标准交互数据，同样的可以确定出第一智能设备中第二状态数据应该对应的第二标准交互数据。其中可以理解的是，第一交互数据与第二交互数据是实际产生的数据，而第一标准交互数据和第二标准交互数据则是基于数据分析后，获得的理想数据。所以根据第一标准交互数据可以确定第一交互数据中的第一缺补数据，根据第二标准交互数据可以确定出第二交互数据中的第二缺补数据。对第一缺补数据与第二缺补数据进行去重处理，过滤掉第一且不数据与第二缺补数据中的重合数据，就可以得到第一智能设备和第二智能设备之间的转换缺补数据。

在获得转换缺补数据后，就可以基于转换缺补数据对第一全局判定值以及第二全据判定值进行补充修正，即根据转换缺补数据、第一全局判定值以及第二全局判定值就可以确定第一智能设备和第二智能设备在当前预设时间段内的状态，具体地确定状态的过程为：

首先根据预先设置的相关性算法例如：随机森林算法，确定出转换缺补数据中各个参量的相关性。再根据各个参量的相关性确定出缺补数据的权重值。其中，可以理解的是相关性越高则转换缺补数据对应的权重值就越高。根据第一缺补数据里面各个参量的权重值对第一全局判定值进行处理，获得第三全局判断值；同时根据第二缺补数据里面各个参量的权重值对第二全局判定值进行处理，从而获得修正后的第四全局判定值。为了可以进一步缩小误差，对第三全局判定值与第四全局判定值进行均值处理，从而获得符合要求的全局判定值。

然后，把第一状态数据和第二状态数据，输入到预先训练的状态区间确定模型，从而根据状态区间确定模型来输出第一智能设备的第一状态区间，和第二智能设备的第二状态区间。再根据第一状态区间和符合要求的全局判断值，使得全局判断值在第一状态区间中，确定出第一智能设备的设备状态。同样的，根据第二状态区间和符合要求的全局判断值，在第二状态区间中确定出第二智能设备的设备状态。

在本说明书一个或多个实施例中，根据第一状态数据与第二状态数据，确定智能设备在当前预设时间段内的状态之后，如果确定智能设备在当前预设时间段内处于异常，那么还需要对异常的智能设备进行维修，其中确定维修过程的方法包括：根据每个智能设备的各个异常状态，确定出智能设备中各个异常状态所属的异常类别。其中，需要说明的是，异常类别包括：动态运行异常例如：电压异常、电流异常等，与静态信息异常例如：温度异常、湿度异常等。获取各个异常状态所属的异常类别之后，根据预先设置的动态异常检修表，获取各个动态运行异常所对应的检修信息序列。把各个动态运行异常所对应的检修信息序列，进行组合构成第一检修信息序列。同时根据预先设置的静态异常检修表，获取各个静态信息异常所对应的检修信息序列，然后同样把各个静态信息异常对应的检修信息序列，排列组成第二检修信息序列。

获得第一检修信息序列与第二检修信息序列后，因为存在可能是同一种因素造成的不同的动态异常和静态异常，所以第一检修信息序列和第二检修信息序列中可能存在有重复数据，所以需要过滤第一检修信息序列与第二检修信息序列中的冗余检修信息，获得融合后的异常检修信息序列。然后，因为不同类别的异常以及异常的次数会导致维修时间的不同，需要根据各异常状态所属异常类别的分布，获得智能设备的维修时间序列。也就是，根据各个异常类别的密集程度，确定出智能设备的维修时间的长短。之后，通过预先设置的检修逻辑，将确定出智能设备在所述预设时间段内的状态的时刻，作为该异常检修信息序列的起始时刻。

进一步的，为了实现对设备的快速维修，还需要确定出最优的路径使得维修成本降低。那么就需要基于互联网获取与上述获得的异常检修信息序列相对应的检修关联数据集，在该检修关联数据中根据时序选取当前检修关联数据集；并根据确定的起始时刻，确定出位于当前检修关联数据集之前的历史检修关联数据集。然后获取到历史检修关联数据集中的检修流程，以便根据检修流程确定出当前检修关联数据集的第一检修路径。可以理解的是第一检修路径是基于历史检修经验确定出的路径。为了使得检修路径可以更加适应当前预设时间段内的检修状态，需要再将第一检修路径和当前检修关联数据集输入到预先设置的检修路径模型中，以输出当前检修关联数据集的当前误差值。在得到误差置之后需要对第一检修路径进行调整，即基于第一检修路径获取当前维修关联数据集的第一可维修节点。也就是根据历史数据获得第一检修路径确定出当前维修关联数据在第一检修路径中需要进行维修的节点作为第一可维修节点。然后根据当前误差值确定出当前维修关联数据集的第二可维修节点。获取第一可维修节点和第二可维修节点后，获取第二可维修节点的第二动态运行异常与第二静态信息异常，如果所述第二动态运行异常或第二静态与信息异常超过预设阈值。也就是说第一检修路径无法满足，对当前预设时间段内产生的异常进行有效的检修时，需要将第二可维修节点与第一可维修节点，构成当前维修关联数据集的可维修节点。根据遗传算法对构成当前维修关联数据集的可维修节点进行路径规划，获得当前维修关联数据集的第二检修路径。

为了更加合理的分配维修花费的时间，在本说明书一个或多个实施例中，根据智能设备中各异常状态的异常等级，确定出第二检修路径中各检修节点的权重值。也就是异常等级越高说明异常对设备造成的影响越大，那么相应的维修节点的权重值也越高，需要优先考虑对该维修节点的维修时间。即根据权重值为第二检修路径中各检修节点分配对应的检修时间，确定出智能设备的维修策略。

在本说明书一个或多个实施例中，确定所述智能设备的维修策略之后，所述方法还包括：在后的第二检修路径之后，获取路径里面各个可维修节点对应的需要维修的设备ID，然后根据获得的设备ID确定出可维修节点所对应的智能设备的地理位置。再根据第二检修路径中智能设备的地理位置，确定出和该地理位置的智能设备相对应的维修人员。根据预先存储的通信表单，获取到对应的维修人员的通信方式。再根据该通信方式把上述方法确定的设备的状态以及智能设备的维修策略，发送给对应的维修人员，实现对所述智能设备的维修。

如图2所示，本说明书一个或多个实施例中提供了一种应用于工业互联网的设备状态识别终端的内部结构示意图。

由图2可知，识别终端包括：

处理器201，以及

与所述处理器201连接的内存202和网络接口203；

所述网络接口203与识别终端中的非易失性存储器204连接；

所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行以上步骤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

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。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种应用于工业互联网的设备状态识别方法，其特征在于，应用于多个智能设备互相之间通信的识别终端，所述识别终端和所述多个智能设备组成设备状态识别系统，所述方法包括：

根据所述识别终端获取所述多个智能设备中的原始状态数据，并按照所述智能设备的状态标识位对所述原始状态数据进行过滤，以获得待处理数据；其中，所述状态标识位用于标识已识别的停机设备与已识别的异常设备；

对所述待处理数据进行分组获得多个第一状态数据；其中，所述第一状态数据为所述待处理数据在各预设时间段的智能设备状态数据；

对所述第一状态数据进行解析，获得当前预设时间段的参量变化轨迹；

将所述当前预设时间段的参量变化轨迹与上一预设时间段的参量变化轨迹进行对比计算，获得所述第一状态数据的参量偏移量；

基于所述第一状态数据的参量偏移量，确定所述第一状态数据对应的智能设备的所属状态类别；

基于所述第一状态数据的数据格式与所述所属状态类别，确定与所述第一状态数据相对应的第二状态数据；其中，所述第二状态数据为与所述第一状态数据相对应的历史状态数据；

根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态。

2.根据权利要求1所述的一种应用于工业互联网的设备状态识别方法，其特征在于，对所述第一状态数据进行解析，获得当前预设时间段的参量变化轨迹，具体包括：

根据所述第一状态数据识别所述智能设备当前运行状态所属空间；

基于所述智能设备当前运行状态所属空间与所述第一状态数据，获得参量预测值；

基于所述第一状态数据中的重要参量在所述参量预测值中提取对应的参量预测值；并基于所述参量预测值确定相应的预测运行事件清单；

确定所述第一状态数据中的重要参量，基于所述重要参量获取与所述重要参量相对应的实际运行事件清单；

将所述预测运行事件清单与所述实际运行事件清单进行事件匹配，获得所述参量变化轨迹。

3.根据权利要求2所述的一种应用于工业互联网的设备状态识别方法，其特征在于，所述基于所述第一状态数据中的重要参量在所述参量预测值中提取对应的参量预测值之前，所述方法还包括：

将所述第一状态数据以时间序列进行划分，获得基于所述第一状态数据的多个参量序列；

基于预设关联规则计算获取所述多个参量序列之间的相关系数，以获得所述多个参量序列的相关向量；并分别将所述多个参量序列组成与所述第一状态数据相对应的参量的关系矩阵，以确定各参量的关联性分布；

基于所述参量的关联性分布对所述第一状态数据进行数据拆分，获得多个状态数据子集，根据每个状态数据子集与其他状态数据子集之间的关联系数获得所述第一状态数据中各个状态数据子集的关联性权重；

确定所述关联性权重值大于预设阈值的状态数据子集，并将所述状态数据子集中的参量数据作为所述第一状态数据中的重要参量，以便根据所述重要参量对所述参量变化轨迹进行分析。

4.根据权利要求1所述的一种应用于工业互联网的设备状态识别方法，所述根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态，具体包括：

根据所述第一状态数据确定预设时间段内所述智能设备的第一交互数据；其中，交互数据是所述智能设备基于所述识别终端，发送给另一个智能设备的数据；

将产生所述第一状态数据的所述智能设备作为第一智能设备，获取所述第一智能设备在当前预设时间段内的第一交互列表；

获取接收所述第一交互数据的第二智能设备中的，第二交互列表与第三状态数据；其中，所述第二交互列表与第三状态数据，与当前预设时间段内的第一交互列表及第一状态数据相对应；

根据所述第二状态数据，确定历史时间段内所述第一智能设备的第二交互数据；其中，所述历史时间段与所述当前预设时间段相对应；

获取发送所述第二交互数据的第一智能设备，在当前预设时间段内的第三交互列表，并获取接收所述第二交互数据的第二智能设备中第四交互列表与第四状态数据；

根据所述第一状态数据确定所述第一智能设备的第一状态判定值，根据所述第一交互列表确定所述第一智能设备的第二状态判定值，根据所述第三交互列表确定所述第一智能设备的第三状态判定值；基于所述第一状态判定值、所述第二状态判定值与所述第三状态判定值，确定所述第一智能设备的第一全局判定值；

根据所述第一交互数据与所述第二交互数据，确定所述第一智能设备与所述第二智能设备之间的数据转换信息；

根据所述数据转换信息与所述第二交互列表，确定所述第二智能设备的第四状态判定值；根据所述第三状态数据与所述第四状态数据确定所述第二智能设备的第五状态判定值；并根据所述第四状态判定值与所述第五状态判定值确定所述第二智能设备的第二全局判定值；

根据所述第一交互数据与所述第二交互数据，确定所述第一智能设备与所述第二智能设备之间的转换缺补数据；

根据所述转换缺补数据、所述第一全局判定值与所述第二全局判定值，确定所述第一智能设备与所述第二智能设备在所述当前预设时间段内的状态。

5.根据权利要求4所述的一种应用于工业互联网的设备状态识别方法，所述根据所述第一交互数据与所述第二交互数据，确定所述第一智能设备与所述第二智能设备之间的转换缺补数据，具体包括：

基于所述第一交互数据确定所述第一智能设备与所述第二智能设备之间的第一数据转换关系；并基于所述第二交互数据确定所述第一智能设备与所述第二智能设备之间的第二数据转换关系；

根据所述第一数据转换关系与所述第二数据转换关系，确定所述第一智能设备与所述第二智能设备之间的数据交互逻辑；

基于所述数据交互逻辑确定所述第一智能设备中所述第一状态数据的第一标准数据；并基于所述数据交互逻辑确定所述第一智能设备中所述第二状态数据的第二标准数据；

根据所述第一标准数据确定所述第一交互数据中的第一缺补数据，根据所述第二标准数据确定所述第二交互数据终端的第二缺补数据；

过滤所述第一缺补数据与所述第二缺补数据的重合数据，获得所述第一智能设备与所述第二智能设备之间的转换缺补数据。

6.根据权利要求5所述的一种应用于工业互联网的设备状态识别方法，所述根据所述转换缺补数据、所述第一全局判定值与所述第二全局判定值，确定所述第一智能设备与所述第二智能设备在所述当前预设时间段内的状态，具体包括：

基于预设相关性算法，确定所述转换缺补数据中各参量的相关性；

根据所述相关性确定所述转换缺补数据的权重值；其中，所述相关性越高则所述转换缺补数据的权重值越高；

根据所述第一缺补数据中各参量的权重值对所述第一全局判定值进行处理，获得第三全局判定值；

根据所述第二缺补数据中各参量的权重值对所述第二全局判定值进行处理，获得第四全局判定值；

对所述第三全局判定值与所述第四全局判定值进行均值处理，获得符合要求的全局判定值；

将所述第一状态数据与所述第二状态数据输入预先训练的状态区间确定模型，以输出所述第一智能设备的第一状态区间与所述第二智能设备的第二状态区间；

基于所述第一状态区间与所述符合要求的全局判定值确定所述第一智能设备的设备状态，并基于所述第二状态区间与所述符合要求的全局判定值确定所述第二智能设备的设备状态。

7.根据权利要求1所述的一种应用于工业互联网的设备状态识别方法，所述根据所述第一状态数据与所述第二状态数据，确定所述智能设备在所述当前预设时间段内的状态之后，若确定所述智能设备在所述当前预设时间段内处于异常状态，则所述方法还包括：

根据每个智能设备的各异常状态，确定所述智能设备中各异常状态所属的异常类别；其中，所述异常类别包括：动态运行异常与静态信息异常；

基于预设动态异常检修表获取各个动态运行异常对应的检修信息序列，将所述各个动态运行异常所对应的检修信息序列，构成第一检修信息序列；并基于预设静态异常检修表获取各个静态信息异常对应的检修信息序列，将所述各个静态信息异常对应的检修信息序列，组成第二检修信息序列；

过滤所述第一检修信息序列与所述第二检修信息序列中的冗余检修信息，获得融合后的异常检修信息序列；

根据所述各异常状态所属异常类别的分布，获得所述智能设备的维修时间序列；

通过预设检修逻辑将所述确定所述智能设备在所述预设时间段内的状态的时刻作为所述异常检修信息序列的起始时刻；

基于互联网获取与所述异常检修信息序列相对应的检修关联数据集，在所述检修关联数据中根据时序选取当前检修关联数据集；并基于所述起始时刻确定位于所述当前检修关联数据集之前的历史检修关联数据集；

获取所述历史检修关联数据集中的检修流程，以根据所述检修流程确定所述当前检修关联数据集的第一检修路径；

将所述第一检修路径与所述当前检修关联数据集输入预设检修路径模型中，输出所述当前检修关联数据集的当前误差值；并根据所述当前误差值对所述第一检修路径进行调整获得所述当前检修关联数据集的第二检修路径；

根据所述智能设备中各异常状态的异常等级，确定所述第二检修路径中各维修节点的权重值，并根据所述权重值为所述第二检修路径中各维修节点分配对应的检修时间，确定所述智能设备的维修策略。

8.根据权利要求7所述的一种应用于工业互联网的设备状态识别方法，其特征在于，所述根据所述当前误差值对所述第一检修路径进行调整获得所述当前检修关联数据集的第二检修路径，具体包括：

基于所述第一检修路径获取所述当前检修关联数据集的第一可维修节点；并根据所述当前误差值确定所述当前检修关联数据集的第二可维修节点；

获取所述第二可维修节点的第二动态运行异常与第二静态信息异常，若所述第二动态运行异常或第二静态与信息异常超过预设阈值，则将所述第二可维修节点与所述第一可维修节点，构成所述当前检修关联数据集的可维修节点；

基于遗传算法对所述可维修节点进行路径规划，获得所述当前检修关联数据集的第二检修路径。

9.根据权利要求7所述的一种应用于工业互联网的设备状态识别方法，所述确定所述智能设备的维修策略之后，所述方法还包括：

获取所述第二检修路径中各可维修节点的设备ID，以基于所述设备ID获取所述可维修节点对应的所述智能设备的地理位置；

基于所述第二检修路径中所述智能设备的所述地理位置，确定与所述智能设备相对应的维修人员；并基于预先存储的通信表单获取所述对应维修人员的通信方式；

基于所述对应的维修人员的通信方式，将所述智能设备的维修策略发送给所述对应的维修人员，以实现对所述智能设备的维修。

10.一种应用于工业互联网的设备状态识别终端，其特征在于，包括：

处理器，以及

与所述处理器连接的内存和网络接口；

所述网络接口与识别终端中的非易失性存储器连接；

所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行以上权利要求1-9任一项所述的方法。

Images