[发明专利]工业设备运行状态的识别方法及服务器

说明书

技术领域

本申请实施例涉及信息技术领域，尤其涉及工业设备运行状态的识别方法及服务器。

背景技术

现代工业设备日益大型化、精密化和复杂化，这对工业设备的稳定性和可靠性提出了更高的要求。但是，由于工业设备运行环境复杂、零部件性能随时间会逐渐衰退等因素，使得设备故障的发生具有了必然性和随机性。对工业设备有效的故障预测，可以预测设备可能出现的问题，提前通知工作人员进行维修处理，避免小故障演变为严重故障；还可以避免不必要的按照维护周期的维护工作，减少维护支出。

随着物联网的普及，智能感知、识别技术与普适计算等通信感知技术广泛应用，工业物联网日益发展，工业设备控制器/数据采集模块、工业设备物联网网关应运而生，与各种工业设备对接并控制工业设备，可用于采集工业设备的数据，并将采集到的工业设备的数据上传到数据云平台中，可供其他服务器、终端等获取数据。

在现有的工业设备故障预测方法中，服务器获取数据云平台上的采集到的发生过故障的工业设备的状态监控数据(包括工业设备的运行数据和工业设备的状态)并对状态监控数据进行处理(包括异常数据修正、噪声数据滤波、缺失数据填充和错误数据清除等)，将处理后的数据划分为训练集和测试集，开发人员选择一种数学模型，服务器按照这个数学模型建立一个待训练的工业设备故障预测模型，然后输入训练集到待训练模型中，使用最小二乘法或牛顿迭代法训练待训练模型，使用测试集对训练后得到的模型进行测试，若准确率不能达到预设的准确率阈值，则开发人员人为调整训练后模型的参数或者重新选择另一种数学模型重新建立一个待训练的模型，服务器将上述训练集再输入到调整了参数的模型或者重新建立的待训练模型，使用上述测试集对重新再次训练后得到的模型进行测试，若准确率不能达到预设的准确率阈值，则重复上述过程，直到准确率达到预设的准确率阈值，则得到了达标的工业设备故障预测模型。服务器使用得到的工业设备故障预测模型，输入工业设备未来一段时长的预测运行参数，对工业设备的未来时长运行状态进行预测，以预防工业设备故障。

在现有的工业设备故障预测方法中，训练后的模型的准确率若达不到预设的准确率，则需要开发人员手动调整训练后模型的参数或者重新选择另一种数学模型重新建立一个待训练的模型，操作过程较为繁琐。

发明内容

本申请实施例提供了工业设备运行状态的识别方法及服务器，对于未达到预设的准确率阈值的第二目标模型，服务器按照预置的规则调整第二目标模型的超参数，相比现有技术需要人为调整，简化了操作过程。

本申请实施例提供了一种工业设备运行状态的识别方法，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。

可选的，所述第一目标模型包括广义线性模型；

可选的，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确定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。

可选的，所述工具包包括XGBoost；

可选的，所述第二目标算法包括决策树算法；