[发明专利]模型训练方法、设备异常诊断方法、电子设备及介质

说明书

本发明提供一种模型训练方法、设备异常诊断方法、电子设备及介质；其中，所述模型训练方法用于对设备异常诊断模型进行训练，包括：获取待诊断设备的获取待诊断设备的时序样本数据息；基于待诊断设备的关联图谱信息，提取与状态样本时序对应的关联状态样本时序；拼接待诊断设备的所述状态样本时序和所述关联状态样本时序，以获得拼接后的状态样本时序，利用所述拼接后的状态样本时序训练所述设备异常诊断模型，以提高了设备异常诊断模型的准确性。

技术领域

本发明属于设备异常诊断技术领域，涉及一种模型训练方法、设备异常诊断方法、电子设备及介质。

背景技术

在工业生产中，设备稳定运行对于保证生产安全、提高生产能力和确保产品质量有着重要意义，设备异常的发生往往会造成企业不可预估的损失。因此，设备状态的异常诊断即对设备的当前状态是否存在异常进行高置信度的预测，对于工业生产有着巨大的意义。

目前常用的设备异常诊断方法为采用深度学习中的模型预测方法，即对利用设备运行数据对设备异常诊断模型进行训练，基于训练后的模型对设备状态是否异常进行预测，以获得设备的异常诊断结果。然而，设备异常发生的原因错综复，不仅受自身当前运行状态的影响，还与设备的历史运行状态相关，并且还会受与设备关联的其他设备运行状态的影响；而目前常用的设备异常诊断模型，往往会忽略设备状态的历史信息对当前状态的影响，或缺乏考虑设备之间的复杂关联而忽略其他设备对当前设备的影响，从而导致基于设备异常诊断方法所获得的设备状态异常诊断结果的精度不足，对设备异常的诊断准确率降低，以及对设备正常状态的误判率升高等问题。

发明内容

鉴于以上现有技术中存在的缺点，本发明的目的在于提供一种模型训练方法、设备异常诊断方法、电子设备及介质，用于解决采用现有的设备异常诊断模型和设备异常诊断方法中缺乏考虑设备状态的历史信息和设备之间的关联性，进而导致异常诊断结果不准确等问题。

为实现上述目的及其他相关目的，本发明首先提供一种模型训练方法，用于对一设备异常进行训练，所述模型训练方法包括：获取待诊断设备的时序样本数据，包括待诊断设备的状态样本时序，和与所述状态样本时序对应的状态标签时序；获取待诊断设备的一关联图谱信息；基于该关联图谱信息，根据所述状态样本时序，提取与该状态样本时序对应的关联状态样本时序；其中，所述关联状态样本时序包含待诊断设备的所述状态样本时序信息，和与该待诊断设备关联的其他设备的状态时序信息；拼接待诊断设备的所述状态样本时序和所述关联状态样本时序，获得拼接后的状态样本时序；利用所述拼接后的状态样本时序，和待诊断设备的所述状态标签时序，对设备异常诊断模型进行训练。

于本发明一实施例中，所述基于该关联图谱信息，根据所述状态样本时序，提取与该状态样本时序对应的关联状态样本时序，包括：基于所述关联图谱信息，通过一图卷积网络提取与待诊断设备所述状态样本时序对应的所述关联状态样本时序；所述图卷积网络包括：

其中，H为所述图卷积网络的隐藏输出层，O为所述图卷积网络的总输出层，σ为所述图卷积网络的激活函数，I为待诊断设备的所述状态样本时序，和分别为正则化后的所述关联图谱信息的邻接矩阵，和正则化后的所述关联图谱信息的度矩阵，W⁽¹⁾、W⁽²⁾为所述图卷积网络的参数。

于本发明一实施例中，拼接待诊断设备的所述状态样本时序和所述关联状态样本时序，包括：将所述状态样本时序与对应的所述关联状态样本时序于特征维度进行张量拼接。