CN117542169B - 基于大数据分析的自动化设备温度异常预警方法 - Google Patents

Abstract

本发明涉及一种基于大数据分析的自动化设备温度异常预警方法，涉及大数据技术领域，通过在电机上安装温度传感器，对自动化设备进行温度数据采集，将采集到的数据进行归一化处理，并存储到数据库中，通过深度学习神经网络，建立温度预测模型，利用历史温度数据进行训练，将训练好的模型应用于实时数据中，进行异常检测,通过对自动化设备电机温度的历史数据进行分析，设定温度阈值，利用建立的温度预测模型，输入实时温度数据，并获取未来一段时间内的温度预测值，将预测值与预警阈值进行比较，当预测值超过设定的温度阈值，提前进行预警，利用物联网技术将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置。

Description

基于大数据分析的自动化设备温度异常预警方法

技术领域

本发明涉及大数据技术领域，更具体地说，本发明涉及基于大数据分析的自动化设备温度异常预警方法。

背景技术

随着现代工业自动化的迅速发展，机器状态监测与预警技术的重要性日益凸显。自动化为现代工业的重要技术之一，其效率和精度对整个生产线的稳定性和效益有着不可忽视的影响。然而，由于机器设备在长时间运行中容易产生故障，为了提高机器的可靠性和稳定性，必须对机器状态进行实时监测和预警。

通过对机器设备状态的实时监测和预警，可以提高机器运行的稳定性和可靠性，提高生产效率和产品质量。然而，实时监测和预警技术在应用过程中仍面临着一些挑战，需要不断完善和创新。随着技术的不断发展，基于大数据分析的自动化设备温度异常预警技术将会在自动化机械加工领域发挥更大的作用，并为工业生产带来更多的便利和效益。

发明内容

本发明针对现有技术中存在的技术问题，提供基于大数据分析的自动化设备温度异常预警方法，基于大数据分析并利用物联网技术将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置。

本发明解决上述技术问题的技术方案如下：

一种基于大数据分析的自动化设备温度异常预警方法，具体包括以下步骤：

步骤101、通过在电机上安装温度传感器进行温度数据采集，并将采集的温度数据存储到云平台中；

步骤102、根据历史温度数据，将建立的温度预测模型进行训练；

步骤103、通过对自动化设备电机温度的历史数据进行分析，设定温度阈值；

步骤104、利用历史数据进行温度趋势分析和预测，根据设备温度变化的规律和趋势，提前进行预警；

步骤105、利用物联网技术将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置。

在一个优选地实施方式中，步骤101中，通过在电机上安装温度传感器，对自动化设备进行温度数据采集，将采集到的温度数据进行归一化处理，并将温度数据存储到数据库中，具体步骤如下：

步骤1、规划监测点：根据设备的特点和需求，在设备中确定监测点来安装传感器，通过在电机上安装温度传感器，对自动化设备进行数据采集；

步骤2、建立温度监测集：对采集到的数据进行计算和分析，得到目标监测集，使用热敏电阻监测自动化设备电机的温度情况，根据热敏电阻的电阻值与温度呈线性关系，进行温度转换，计算公式如下：

其中，T表示温度，R_t是测量得到的电阻值，R₀是标称电阻值，α表示温度系数；

步骤3、归一化处理：将采集到的温度数据归一化处理，使用最小-最大规范化方法，以消除测量设备、环境温度的量纲因素影响，使得不同温度数据之间具有可比性，提高模型的训练效果和预测准确性，具体计算公式如下：

其中，Z表示归一化的温度值，T_min表示数据集中的最小温度值，T_max表示数据集中的最大温度值，T_原表示待归一化的原始温度值，归一化值的取值范围在[0,1]之间。

在一个优选地实施方式中，步骤102中，通过深度学习神经网络，建立温度预测模型，利用历史温度数据进行训练；设置历史温度数据包含n个时间步的观测值，用X表示输入特征向量，使用具有多层隐藏层的神经网络模型进行训练和预测，其中每个隐藏层都包含多个神经元，利用梯度下降法的最小化损失函数来调整神经网络模型的权重和偏置参数，具体包括以下步骤：

步骤1、输入层：将历史温度数据作为输入特征向量，如下式：

X＝[x₁,x₂,...,x_n]

其中，X表示输入特征向量，x₁,x₂,...,x_n表示历史温度数据；

步骤2、隐藏层：设置多个隐藏层，并选择sigmoid激活函数，具体计算公式如下：

第一隐藏层：h₁＝f(W₁×X+b₁)

第二隐藏层：h₂＝f(W₂×h₁+b₂)

...

第k隐藏层：h_k＝f(W_k×h_k-1+b_k)

其中，f()表示激活函数，W_k和b_k表示第k隐藏层的权重和偏置参数，h_k-1表示第k-1隐藏层的输出；

步骤3、输出层：输出温度预测值，具体计算公式如下：

其中，表示温度预测值，g()表示输出层的激活函数，W_k+1和b_k+1表示第(k+1)隐藏层的权重和偏置参数，h_k表示第k隐藏层的输出；

步骤4、模型训练：使用标记时间的历史温度数据进行模型训练，历史温度数据表示过去一段时间内的温度数值记录，利用梯度下降法的最小化损失函数来调整神经网络模型的权重和偏置参数，具体步骤如下：

步骤A1、定义损失函数：

其中，L(W,b)表示均方误差损失函数，W和b分别是模型的权重和偏置项，m表示样本数量，y表示实际温度值，表示温度预测值；

步骤A2、计算梯度，具体计算公式如下：

其中，和分别表示损失函数对隐藏层的权重矩阵和偏置向量的梯度，m表示样本数量，y表示实际温度值，表示温度预测值，x表示温度数据；

步骤A3、更新模型参数，权重和偏置更新公式如下：

其中，W'和b'分别表示权重更新和偏置更新，W和b分别是模型的权重和偏置项，和分别表示损失函数对隐藏层的权重矩阵和偏置向量的梯度，α为学习率，控制每次更新的步长；

步骤A4、迭代重复以上步骤，直到损失函数最小化。

在一个优选地实施方式中，所述步骤103中，将包含时间和对应的温度数值的历史数据进行分析，绘制历史温度数据的折线图，通过观察折线图，判断温度是否存在明显的波动，根据历史数据计算出均值和标准差，设定温度阈值，具体步骤如下：

步骤1、数据可视化：将收集包含时间和对应的温度数值的历史温度数据，绘制历史温度数据的折线图，在横轴上使用时间信息，纵轴上使用温度数值，将数据点连接起来形成折线，通过观察折线图，判断温度是否存在明显的波动，以及温度变化的速度和幅度，具体计算公式如下：

其中，t₁和t₂为两个时间点，x_t1和x_t2为两个时间点相应的温度值，rate表示温度变化率；

步骤2、设定温度阈值：对自动化设备电机温度的历史数据进行分析，计算出均值和标准差，根据温度变化的趋势，设定温度阈值，具体步骤如下：

步骤B1、根据历史数据计算出均值和标准差，具体计算公式如下：

其中，μ表示平均温度，σ表示标准差，(x₁,x₂,...x_n)表示历史温度数据的每个样本值，n表示历史数据的数量；

步骤B2、温度阈值公式如下：

T_上＝μ+3×σ

T_下＝μ-3×σ

其中，μ表示平均温度，σ表示标准差，T_上表示温度上限阈值，T_下表示温度下限阈值。

在一个优选地实施方式中，步骤104中，通过时间序列分析技术，对历史温度数据进行趋势分析，使用支持向量机算法构建自动化设备温度预测模型，在温度预警值前采取降温措施，避免设备故障和生产中断，具体步骤如下：

步骤1、温度变化趋势分析：通过时间序列分析技术，对历史温度数据进行趋势分析，采用移动平均法拟合和确定温度的上升、下降以及保持稳定的长期趋势，在移动平均法中，指定一个固定大小的窗口，将窗口内的温度数据进行平均，作为该时间点的移动平均值，具体的计算公式如下：

其中，t为当前时间点，m为移动窗口的大小，x(t-m+1)到x(t)为该窗口内的所有温度值，y(t)为该时间点的移动平均值；

步骤2、温度预测：基于大数据分析，进行温度预警，利用决策函数来进行分类预测，通过支持向量机算法构建自动化设备温度预测模型，在温度预警值前采取降温措施，避免设备故障和生产中断，具体包括以下步骤：

步骤C1、数据表示：采用时间顺序将数据集划分为训练集和测试集，用n维特征向量表示每个样本，记为x_i，i表示样本的索引，标签y_i表示预测温度类别，y_i∈{-1,1}；

步骤C2、目标函数：通过求解目标函数，将不同类别的样本分开，使正类和负类样本之间的间隔最大化，得到最优的超平面参数w和λ，具体公式如下：

最大几何间隔：

其中，w表示决策边界的法向量，λ表示截距，n表示样本数量，C表示惩罚参数，控制错误分类的惩罚程度；

步骤C3、决策函数：通过决策函数来进行温度分类预测，决策函数的结果表示样本点x到超平面的有符号距离，根据其符号来判断样本点所属的类别，具体公式如下：

f(x)＝sign(w·x+λ)

其中，x表示输入样本特征向量，sign()表示取符号函数，f(x)表示预测类别；

当f(x)＞0，表示样本点x位于超平面的正类一侧，预测样本点x属于高温类别；

当f(x)＝0，表示样本点x处于超平面上，预测样本点x属于中温类别；

当f(x)＜0，表示样本点x位于超平面的负类一侧，预测样本点x属于低温类别。

在一个优选地实施方式中，步骤105中，利用物联网技术将采集到的高温点温度数据传输给物联网设备，通过滤波方法对温度数据进行平滑处理，避免瞬时噪声导致错误的预警触发，根据设定的温度预警阈值进行数据分析，判断是否达到高温预警条件，并将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置，具体步骤如下：

步骤1、平滑处理：物联网设备接收并处理传感器传输的数据，通过滤波方法对温度数据进行平滑处理，避免瞬时噪声导致错误的预警触发，设置传感器传输的温度数据为T，滑动窗口大小为N，对前N个数据点进行平均处理，具体步骤如下：

步骤D1、初始数据如下：

T＝[T₁,T₂,...,T_n]

其中，T表示温度数据集；

步骤D2、定义平均温度T_avg：

其中，T_avg表示平均温度，N表示滑动窗口大小，[T₁,T₂,...,T_n]表示表示温度数据集；

步骤D3、对于新数据T_n+1，更新平均温度：

其中，T_avg'表示增加新数据T_n+1后的平均温度，T_n+1表示新的温度数据，T₁表示初始温度数据；

步骤2、触发高温预警：根据设定的温度预警阈值进行数据分析，基于温度预测值和实际温度值的差异，计算异常分数来判断当前数据是否异常，当异常分数score不在温度阈值范围内，判定当前温度数据异常，物联网设备将触发预警信号，具体计算公式如下：

其中，score表示异常分数，σ表示历史温度数据的标准差，y表示实际温度值，表示温度预测值；

步骤3、声光报警联动：物联网设备将预警信号发送到声光报警系统中，激活报警装置，产生响亮的声音和闪烁的光源，提醒相关人员注意高温点的异常情况，并联动控制设备，自动关闭、调整高温设备的功率，避免进一步危害和损失。

本发明的有益效果是：通过在电机上安装温度传感器，对自动化设备进行温度数据采集，将采集到的数据进行归一化处理，并存储到数据库中，通过深度学习神经网络，建立温度预测模型，利用历史温度数据进行训练，将训练好的模型应用于实时数据中，进行异常检测,通过对自动化设备电机温度的历史数据进行分析，设定温度阈值，利用建立的温度预测模型，输入实时温度数据，并获取未来一段时间内的温度预测值，将预测值与预警阈值进行比较，当预测值超过设定的温度阈值，提前进行预警，利用物联网技术将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置，避免温度异常导致的设备故障，减少设备维护成本。

附图说明

图1为本发明的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

实施例1

本实施例提供了如图1所示基于大数据分析的自动化设备温度异常预警方法，具体包括以下步骤：

步骤101、通过在电机上安装温度传感器进行数据采集，并将这些数据存储到云平台中；

进一步的，通过在电机上安装温度传感器，对自动化设备进行温度数据采集，将采集到的数据进行归一化处理，并将这些数据存储到数据库中，具体步骤如下：

步骤1、规划监测点：根据设备的特点和需求，在设备中确定监测点来安装传感器，通过在电机上安装温度传感器，对自动化设备进行数据采集；

步骤2、建立温度监测集：对采集到的数据信息进行计算和分析，得到目标监测集，使用热敏电阻监测自动化设备电机的温度情况，根据热敏电阻的电阻值与温度呈线性关系，进行温度转换，具体计算公式如下：

其中，T表示温度，R_t是测量得到的电阻值，R₀是标称电阻值，α表示温度系数；

步骤3、归一化处理：将采集到的温度数据通过归一化处理，使用最小-最大规范化方法，消除测量设备、环境温度的量纲因素影响，使得不同温度数据之间具有可比性，提高模型的训练效果和预测准确性，具体计算公式如下：

其中，Z表示归一化的温度值，T_min表示数据集中的最小温度值，T_max表示数据集中的最大温度值，T_原表示待归一化的原始温度值，归一化值的取值范围在[0,1]之间。

步骤102、根据历史温度数据，将建立的温度预测模型进行训练；

通过深度学习神经网络，建立温度预测模型，利用历史温度数据进行训练，设置历史温度数据包含n个时间步的观测值，用X表示输入特征向量，使用一个具有多层隐藏层的神经网络模型进行训练和预测，其中每个隐藏层都包含多个神经元，利用梯度下降法的最小化损失函数来调整神经网络模型的权重和偏置参数，具体包括以下步骤：

步骤1、输入层：将历史温度数据作为输入特征向量，计算公式如下：

X＝[x₁,x₂,...,x_n]

其中，X表示输入特征向量，x₁,x₂,...,x_n表示历史温度数据；

步骤2、隐藏层：根据需求设计多个隐藏层，并选择sigmoid激活函数，具体计算公式如下：

第一隐藏层：h₁＝f(W₁×X+b₁)

第二隐藏层：h₂＝f(W₂×h₁+b₂)

...

第k隐藏层：h_k＝f(W_k×h_k-1+b_k)

其中，f()表示激活函数，W_k和b_k表示第k隐藏层的权重和偏置，h_k表示第k隐藏层的输出；

步骤3、输出层：输出温度预测值，具体计算公式如下：

其中，表示温度预测值，g()表示输出层的激活函数，W_k+1和b_k+1表示第(k+1)隐藏层的权重和偏置，h_k表示第k隐藏层的输出；

步骤4、模型训练：使用标记时间的历史温度数据进行模型训练，历史温度数据表示过去一段时间内的温度数值记录，利用梯度下降法的最小化损失函数来调整神经网络模型的权重和偏置参数，具体步骤如下：

步骤A1、定义损失函数：

其中，L(ω,b)表示均方误差损失函数，ω和b分别是模型的权重和偏置项，m表示样本数量，y表示实际温度值，表示温度预测值；

步骤A2、计算梯度，具体计算公式如下：

其中，和分别表示损失函数对隐藏层的权重矩阵和偏置向量的梯度，m表示样本数量，y表示实际温度值，表示温度预测值，x表示温度数据；

步骤A3、更新模型参数，权重和偏置更新公式如下：

其中，W'和b'分别表示权重更新和偏置更新，W和b分别是模型的权重和偏置项，和分别表示损失函数对隐藏层的权重矩阵和偏置向量的梯度，α为学习率，控制每次更新的步长；

步骤A4、迭代重复以上步骤，直到损失函数最小化。

步骤103、通过对自动化设备电机温度的历史数据进行分析，设定温度阈值:

将包含时间和对应的温度数值的历史数据进行分析，绘制历史温度数据的折线图，通过观察折线图，判断温度是否存在明显的波动，根据历史数据计算出均值和标准差，设定温度阈值，具体步骤如下：

步骤1、数据可视化：将收集包含时间和对应的温度数值的历史温度数据，绘制历史温度数据的折线图，在横轴上使用时间信息，纵轴上使用温度数值，将数据点连接起来形成折线，通过观察折线图，判断温度是否存在明显的波动，以及温度变化的速度和幅度，具体计算公式如下：

其中，t₁和t₂为两个时间点，x_t1和x_t2为相应的温度值，rate表示温度变化率；

步骤2、设定温度阈值：对自动化设备电机温度的历史数据进行分析，计算出均值和标准差，根据温度变化的趋势，设定温度阈值，具体步骤如下：

步骤B1、根据历史数据计算出均值和标准差，具体计算公式如下：

其中，μ表示平均温度，σ表示标准差，(x₁,x₂,...x_n)表示历史温度数据的每个样本值，n表示历史数据的数量；

步骤B2、温度阈值公式如下：

T_上＝μ+3×σ

T_下＝μ-3×σ

其中，μ表示平均温度，σ表示标准差，T_上表示温度上限阈值，T_下表示温度下限阈值。

步骤104、利用历史数据进行温度趋势分析和预测，根据设备温度变化的规律和趋势，提前进行预警；

通过时间序列分析技术，对历史温度数据进行趋势分析，使用支持向量机算法构建自动化设备温度预测模型，在温度预警值前采取降温措施，避免设备故障和生产中断，具体步骤如下：

步骤1、温度变化趋势分析：通过时间序列分析技术，对历史温度数据进行趋势分析，采用移动平均法拟合和确定温度的上升、下降以及保持稳定的长期趋势，在移动平均法中，指定一个固定大小的窗口，将窗口内的温度数据进行平均，作为该时间点的移动平均值，具体的计算公式如下：

其中，t为当前时间点，m为移动窗口的大小，x(t-m+1)到x(t)为该窗口内的所有温度值，y(t)为该时间点的移动平均值；

步骤2、温度预测：基于大数据分析，进行温度预警，利用决策函数来进行分类预测，通过支持向量机算法构建自动化设备温度预测模型，在温度预警值前采取降温措施，避免设备故障和生产中断，具体包括以下步骤：

步骤C1、数据表示：采用时间顺序将数据集划分为训练集和测试集，用n维特征向量表示每个样本，记为x_i，i表示样本的索引，标签表示预测温度类别y_i，y_i∈{-1,1}；

步骤C2、目标函数：通过求解目标函数，将不同类别的样本分开，使正类和负类样本之间的间隔最大化，得到最优的超平面参数w和λ，具体公式如下：

最大几何间隔：

其中，w表示决策边界的法向量，λ表示截距，n表示样本数量，C表示惩罚参数，控制错误分类的惩罚程度，y_i表示标签；

步骤C3、决策函数：通过决策函数来进行温度分类预测，决策函数的结果表示样本点x到超平面的有符号距离，根据其符号来判断样本点所属的类别，具体公式如下：

f(x)＝sign(w·x+λ)

其中，x表示输入样本特征向量，sign()表示取符号函数，w表示决策边界的法向量，λ表示截距，f(x)表示预测类别；

当f(x)＞0，表示样本点x位于超平面的正类一侧，预测样本点x属于高温类别；

当f(x)＝0，表示样本点x处于超平面上，预测样本点x属于中温类别；

当f(x)＜0，表示样本点x位于超平面的负类一侧，预测样本点x属于低温类别。

步骤105、利用物联网技术将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置；

将温度传感器部署在监测的高温点附近，确保传感器能够准确感知到温度变化情况，利用物联网技术将采集到的温度数据传输给物联网设备，通过滤波方法对温度数据进行平滑处理，避免瞬时噪声导致错误的预警触发，根据设定的温度预警阈值进行数据分析，判断是否达到高温预警条件，并将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置，具体步骤如下：

步骤1、平滑处理：物联网设备接收并处理传感器传输的数据，通过滤波方法对温度数据进行平滑处理，避免瞬时噪声导致错误的预警触发，设置传感器传输的温度数据为T，滑动窗口大小为N，表示前N个数据点进行平均处理，具体步骤如下：

步骤D1、对于初始数据：

T＝[T₁,T₂,...,T_n]

其中，T₁表示初始温度数据，T表示温度数据集；

步骤D2、定义平均温度T_avg：

其中，T_avg表示平均温度，N表示滑动窗口大小，[T₁,T₂,...,T_n]表示表示温度数据集；

步骤D3、对于新数据T_n+1，更新平均温度：

其中，T_avg'表示增加新数据T_n+1后的平均温度，N表示滑动窗口大小，T_n+1表示新的温度数据，T₁表示初始温度数据；

步骤2、触发高温预警：根据设定的温度预警阈值进行数据分析，基于温度预测值和实际温度值的差异，计算异常分数来判断当前数据是否异常，当异常分数score不在温度阈值范围内，判定当前温度数据异常，物联网设备将触发预警信号，具体计算公式如下：

其中，score表示异常分数，σ表示历史温度数据的标准差，y表示实际温度值，表示温度预测值；

步骤3、声光报警联动：物联网设备将预警信号发送到声光报警系统中，激活报警装置，产生响亮的声音和闪烁的光源，提醒相关人员注意高温点的异常情况，并联动控制设备，自动关闭、调整高温设备的功率，避免进一步危害和损失。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (2)

1.基于大数据分析的自动化设备温度异常预警方法，其特征在于，具体包括以下步骤：

步骤101、通过在电机上安装温度传感器进行数据采集，并将这些数据存储到云平台中；

所述步骤101中，通过在电机上安装温度传感器，对自动化设备进行温度数据采集，将采集到的温度数据进行归一化处理，并将温度数据存储到数据库中，具体步骤如下：

步骤1、规划监测点：根据设备的特点和需求，在设备中确定监测点来安装传感器，通过在电机上安装温度传感器，对自动化设备进行数据采集；

步骤2、建立温度监测集：对采集到的数据进行计算和分析，得到目标监测集，使用热敏电阻监测自动化设备电机的温度情况，根据热敏电阻的电阻值与温度呈线性关系，进行温度转换，计算公式如下：

其中，T表示温度，R_t是测量得到的电阻值，R₀是标称电阻值，α表示温度系数；

步骤3、归一化处理：将采集到的温度数据归一化处理，使用最小-最大规范化方法，以消除测量设备、环境温度的量纲因素影响，使得不同温度数据之间具有可比性，提高模型的训练效果和预测准确性，具体计算公式如下：

其中，Z表示归一化的温度值，T_min表示数据集中的最小温度值，T_max表示数据集中的最大温度值，T_原表示待归一化的原始温度值，归一化值的取值范围在[0,1]之间；

步骤102、根据历史温度数据，将建立的温度预测模型进行训练；

所述步骤102中，通过深度学习神经网络，建立温度预测模型，设置历史温度数据包含n个时间步的观测值，用X表示输入特征向量，y表示对应的温度预测值，具体包括以下步骤：

步骤1、输入层：将历史温度数据作为输入特征向量，计算公式如下：

X＝[x₁,x₂,...,x_n]

其中，X表示输入特征向量，x₁,x₂,...,x_n表示历史温度数据；

步骤2、隐藏层：根据需求设计多个隐藏层，并选择sigmoid激活函数，具体计算公式如下：

第k隐藏层：h_k＝f(W_k×h_k-1+b_k)

其中，f()表示激活函数，W_k和b_k表示第k隐藏层的权重和偏置参数，h_k-1表示第k-1隐藏层的输出；

步骤3、输出层：输出温度预测值，具体计算公式如下：

其中，表示温度预测值，g()表示输出层的激活函数，W_k+1和b_k+1表示第(k+1)隐藏层的权重和偏置参数，h_k表示第k隐藏层的输出；

步骤4、模型训练：使用标记时间的历史温度数据进行模型训练，历史温度数据表示过去一段时间内的温度数值记录，利用梯度下降法的最小化损失函数来调整神经网络模型的权重和偏置参数，具体步骤如下：

步骤A1、定义损失函数：

其中，L(W,b)表示均方误差损失函数，W和b分别是模型的权重和偏置项，m表示样本数量，y表示实际温度值，表示温度预测值；

步骤A2、计算梯度，具体计算公式如下：

其中，和分别表示损失函数对隐藏层的权重矩阵和偏置向量的梯度，m表示样本数量，y表示实际温度值，表示温度预测值，x表示温度数据；

步骤A3、更新模型参数，权重和偏置更新公式如下：

其中，W'和b'分别表示权重更新和偏置更新，W和b分别是模型的权重和偏置项，和分别表示损失函数对隐藏层的权重矩阵和偏置向量的梯度，α为学习率，控制每次更新的步长；

步骤A4、迭代重复以上步骤，直到损失函数最小化；

步骤103、通过对自动化设备电机温度的历史数据进行分析，设定温度阈值；

所述步骤103中，将包含时间和对应的温度数值的历史数据进行分析，绘制历史温度数据的折线图，通过观察折线图，判断温度是否存在明显的波动，根据历史数据计算出均值和标准差，设定温度阈值，具体步骤如下：

步骤1、数据可视化：将收集包含时间和对应的温度数值的历史温度数据，绘制历史温度数据的折线图，在横轴上使用时间信息，纵轴上使用温度数值，将数据点连接起来形成折线，通过观察折线图，判断温度是否存在明显的波动，以及温度变化的速度和幅度，具体计算公式如下：

其中，t₁和t₂为两个时间点，x_t1和x_t2为两个时间点相应的温度值，rate表示温度变化率；

步骤2、设定温度阈值：对自动化设备电机温度的历史数据进行分析，计算出均值和标准差，根据温度变化的趋势，设定温度阈值，具体步骤如下：

步骤B1、根据历史数据计算出均值和标准差，具体计算公式如下：

其中，μ表示平均温度，σ表示标准差，(x₁,x₂,...x_n)表示历史温度数据的每个样本值，n表示历史数据的数量；

步骤B2、温度阈值公式如下：

T_上＝μ+3×σ

T_下＝μ-3×σ

其中，μ表示平均温度，σ表示标准差，T_上表示温度上限阈值，T_下表示温度下限阈值；

步骤104、利用历史数据进行温度趋势分析和预测，根据设备温度变化的规律和趋势，提前进行预警；

所述步骤104中，通过时间序列分析技术，对历史温度数据进行趋势分析，使用支持向量机算法构建自动化设备温度预测模型，基于大数据分析，进行温度预测预警，在温度预警值前采取降温措施，避免设备故障和生产中断，具体步骤如下：

步骤1、温度变化趋势分析：通过时间序列分析技术，对历史温度数据进行趋势分析，采用移动平均法拟合和确定温度的上升、下降以及保持稳定的长期趋势，在移动平均法中，指定一个固定大小的窗口，将窗口内的温度数据进行平均，作为该时间点的移动平均值，具体的计算公式如下：

其中，t为当前时间点，m为移动窗口的大小，x(t-m+1)到x(t)为该窗口内的所有温度值，y(t)为该时间点的移动平均值；

步骤2、温度预测：基于大数据分析，进行温度预警，利用决策函数来进行分类预测，通过支持向量机算法构建自动化设备温度预测模型，在温度预警值前采取降温措施，避免设备故障和生产中断，具体包括以下步骤：

步骤C1、数据表示：采用时间顺序将数据集划分为训练集和测试集，用n维特征向量表示每个样本，记为x_i，i表示样本的索引，标签y_i表示预测温度类别，y_i∈{-1,1}；

步骤C2、目标函数：通过求解目标函数，将不同类别的样本分开，使正类和负类样本之间的间隔最大化，得到最优的超平面参数w和λ，具体公式如下：

最大几何间隔：

其中，w表示决策边界的法向量，λ表示截距，n表示样本数量，C表示惩罚参数，控制错误分类的惩罚程度；

步骤C3、决策函数：通过决策函数来进行温度分类预测，决策函数的结果表示样本点x到超平面的有符号距离，根据其符号来判断样本点所属的类别，具体公式如下：

f(x)＝sign(w·x+λ)

其中，x表示输入样本特征向量，sign()表示取符号函数，f(x)表示预测类别；

当f(x)＞0，表示样本点x位于超平面的正类一侧，预测样本点x属于高温类别；

当f(x)＝0，表示样本点x处于超平面上，预测样本点x属于中温类别；

当f(x)＜0，表示样本点x位于超平面的负类一侧，预测样本点x属于低温类别；

步骤105、利用物联网技术将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置。

2.根据权利要求1所述的基于大数据分析的自动化设备温度异常预警方法，其特征在于，所述步骤105中，利用物联网技术将采集到的高温点温度数据传输给物联网设备，通过滤波方法对温度数据进行平滑处理，避免瞬时噪声导致错误的预警触发，根据设定的温度预警阈值进行数据分析，判断是否达到高温预警条件，并将温度传感器与声光报警系统进行联动，实现对高温点的及时预警和联动处置，具体步骤如下：

步骤1、平滑处理：物联网设备接收并处理传感器传输的数据，通过滤波方法对温度数据进行平滑处理，避免瞬时噪声导致错误的预警触发，设置传感器传输的温度数据为T，滑动窗口大小为N，表示前N个数据点进行平均处理，具体步骤如下：

步骤D1、对于初始数据：

T＝[T₁,T₂,...,T_n]

其中，T₁表示初始温度数据，T表示温度数据集；

步骤D2、定义平均温度T_avg：

其中，T_avg表示平均温度，N表示滑动窗口大小，[T₁,T₂,...,T_n]表示表示温度数据集；

步骤D3、对于新数据T_n+1，更新平均温度：

其中，T_avg'表示增加新数据T_n+1后的平均温度，N表示滑动窗口大小，T_n+1表示新的温度数据，T₁表示初始温度数据；

步骤2、触发高温预警：根据设定的温度预警阈值进行数据分析，基于温度预测值和实际温度值的差异，计算异常分数来判断当前数据是否异常，当异常分数score不在温度阈值范围内，判定当前温度数据异常，物联网设备将触发预警信号，具体计算公式如下：

其中，score表示异常分数，σ表示历史温度数据的标准差，y表示实际温度值，表示温度预测值；

步骤3、声光报警联动：物联网设备将预警信号发送到声光报警系统中，激活报警装置，产生响亮的声音和闪烁的光源，提醒相关人员注意高温点的异常情况，并联动控制设备，自动关闭、调整高温设备的功率，避免进一步危害和损失。