[发明专利]一种基于设备工艺数据的智能异常识别与报警算法

权利要求书

1.一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，包括以下步骤：

S1、建立数据采集模型，通过离线、节点预设和智能分配的采集方式获取工业设备的运行状态数据；

S2、将运行状态数据上传至分析单元中，通过与数据库中的标准数据对比，识别数据是否异常，将识别异常的结果保存至存储单元，并发送给终端；

S3、将识别正常的结果导入预测模型，通过预测分析数据是否需要预警，将预测结果保存至存储单元，并发送给终端；

S4、对异常结果进行标红警示，将需要预警结果进行标黄警示。

2.根据权利要求1所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述步骤S1中通过数据采集卡采集数据，且采集的运行状态数据包括设备的用电数据、温度数据和湿度数据。

3.根据权利要求2所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述采集模型包括离线数据采集模型、节点预设采集模型和智能分配采集模型，其中离线采集模型用于采集离线设备的数据、节点预设采集模型用于采集预设的节点的数据，智能分配采集模型用于设置不同设备的采集频率。

4.根据权利要求3所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述智能分配采集模型分配采集频率的方法为：

S101、获取各个设备的工作时长，并将工作的时长由大到小依次排列到缓存器中；

S102、将采集频率按照由高到低依次排列，并与缓存器中的工作时长相对应；

S103、按照缓存器中的分配原则依次执行数据采集。

5.根据权利要求1所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述步骤S2识别异常数据的方法是通过将获取的运行状态数据与标准数据对比，对超出标准数据阈值范围的数据标记为异常数据。

6.根据权利要求1所述的一种基于设备工艺数据的智能异常识别与报警算法，其特征在于，所述步骤S3的预测模型预测预警数据的方法为：

S301、建立预测模型的训练学习模型，将运行状态数据根据时间先后排列，导入到训练学习模型中；

S302、等待下一个阶段的数据采集，将下一个阶段采集的数据作为输出结果对预测模型进行训练；

S303、新的正常数据输入到预测模型后，输出预测结果。