[发明专利]工业设备运行状态的识别方法及服务器

权利要求书

1.一种工业设备运行状态的识别方法，其特征在于，包括：

服务器获取第一训练集，所述第一训练集为所述服务器对获取的工业设备的第一状态监控数据按照机器学习的数据处理标准化方法处理得到；

若所述服务器将所述第一训练集输入选定的第一目标模型，所述服务器使用第一目标算法训练所述第一目标模型，得到第二目标模型；

若所述服务器确定所述第二目标模型的准确率未达到预设的准确率阈值，所述服务器按照预置的规则调整所述第二目标模型的超参数,所述第二目标模型的准确率为所述服务器根据第一测试集得到，所述第一测试集为所述服务器对所述第一状态监控数据按照所述机器学习的数据处理标准化方法处理得到；

若所述服务器将所述第一训练集输入调整超参数后的第二目标模型，所述服务器使用所述第一目标算法训练所述调整参数后的第二目标模型，得到第三目标模型；

所述服务器判断所述第三目标模型的准确率是否达到所述准确率阈值，所述第三目标模型的准确率为所述服务器根据所述第一测试集得到；

若达到，所述服务器使用所述第三目标模型预测所述工业设备的运行状态。

2.根据权利要求1所述的方法，其特征在于，所述第一目标模型包括广义线性模型；

所述服务器按照预置的规则调整所述第二目标模型的超参数包括：

所述服务器使用预置的工具包中的第二目标算法和所述第一训练集训练所述第二目标模型，得到第一超参数；

所述服务器使用所述工具包中的目标函数和所述第一测试集判断所述第一超参数是否达到预置的比分阈值；

若所述服务器确定所述第一超参数达到预置的比分阈值，所述服务器确定所述第一超参数为所述第二目标模型调整后的超参数；

所述第一超参数包括学习速率或者支持向量个数；

所述第二目标模型的超参数包括学习速率或者支持向量个数。

3.根据权利2所述的方法，其特征在于，所述工具包包括XGBoost；

所述第二目标算法包括决策树算法；

所述目标函数包括CV函数。

4.根据权利要求1或3中任一项所述的方法，其特征在于，所述服务器判断所述第三目标模型的准确率是否达到所述准确率阈值之后，所述方法还包括：

若所述服务器确定所述第三目标模型的准确率达到所述准确率阈值，所述服务器获取第二训练集，所述第二训练集为所述服务器对获取的所述工业设备的第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到，所述第二状态监控数据与所述第一状态监控数据不同；

若所述服务器将所述第二训练集输入所述第三目标模型，所述服务器使用所述第一目标算法训练所述第三目标模型，得到第四目标模型；

所述服务器判断所述第四目标模型的准确率是否高于所述第三目标模型的准确率，所述第四目标模型的准确率为所述服务器根据第二测试集得到，所述第二测试集为所述服务器对所述第二状态监控数据按照所述机器学习的数据处理标准化方法处理得到；

若高于，所述服务器使用所述第四目标模型预测所述工业设备的运行状态；

若不高于，所述服务器使用所述第三目标模型预测所述工业设备的运行状态。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若所述服务器确定所述第四目标模型的准确率高于所述第三目标模型的准确率，所述服务器获取第三训练集，所述第三训练集为所述服务器对获取的所述工业设备的第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到，所述第三状态监控数据与所述第二状态监控数据和/或第一状态监控数据不同；

若所述服务器将所述第三训练集输入所述第四目标模型，所述服务器使用所述第一目标算法训练所述第四目标模型，得到第五目标模型；

所述服务器判断所述第五目标模型的准确率是否高于所述第四目标模型的准确率，所述第五目标模型的准确率为所述服务器根据第三测试集得到，所述第三测试集为所述服务器对所述第三状态监控数据按照所述机器学习的数据处理标准化方法处理得到；

若所述第五目标模型的准确率不高于所述第四目标模型的准确率，所述服务器使用所述第四目标模型预测所述工业设备的运行状态。