本发明专利技术提供了一种工业设备动态阈值设定方法、装置、电子设备以及存储介质，其包括：获取目标设备影响因素数据集；建立初始BP神经网络模型；利用目标设备影响因素数据集对初始BP神经网络模型进行训练和测试，得到目标BP神经网络；将目标设备影响因素实时数据输入至目标BP神经网络，以确定目标设备影响因素数据与目标设备属性阈值的关联关系；基于关联关系对目标设备属性阈值进行设定。本发明专利技术使用BP神经网络，将动态阈值概念成功的应用于数据关系复杂的工业生产环境中，解决了现有工业阈值技术难以同时降低异常误报率和漏报率的问题，同时也帮助工业企业弥补了智能制造背景下数据积累技术的缺口。技术的缺口。技术的缺口。
【技术实现步骤摘要】
工业设备动态阈值设定方法、装置、电子设备及存储介质
[0001]本专利技术涉及工业设备动态阈值设定
，具体涉及一种工业设备动态阈值设定方法、装置、电子设备及存储介质。
技术介绍
[0002]为了提高企业效率、抗风险能力和综合国际化水平，满足企业节能、增效、环保的 目标，国内工业产业开始对大数据分析、数据孪生、机器学习进行转型。
[0003]数据是智能制造的核心，也是算法分析、智能建模的基础。在传统工业领域中，数据积累技术并不陌生，但是在大数据和人工智能分析的前提下，传统行业中往往存在大量的“无效数据积累”。即便是行业头部企业，也仍处在逐步落实设备监控、设备互联和设备数据流通的全面工厂数字化进程中。尤其是支撑机器学习算法的设备异常数据和故障数据缺失，导致了真正能够实现全面设备预测性维护的企业少之又少。
[0004]造成以上技术困境的一个重要原因是，在现有的设备健康管理中，工程师会根据设备出厂文档和自身经验为不同的传感器检测点手动的设置静态阈值。但由于静态阈值不会随着设备的老化、工业环境的变化、关联设备的实时工艺状况等影响因素改变，其自身存在着设置过严格异常误报率高，设置过松异常漏报率高的矛盾。实际应用中，这样的技术缺陷导致工程师只能将阈值设置的较为宽松，减少误报率。但同时也使系统忽略了大量有价值的异常数据。进一步导致无法降低漏报率和机器学习缺乏有效数据的问题。、现有动态阈值技术已在计算机领域有所应用，如CN106557401A《一种it设备监控指标的动态阈值设定方法及系统》，CN106209432A《基于动态阈值的网络设备亚健康预警方法及装置》，但是该理论在工业领域中仍少有应用。又由于工业领域中设备间存在这复杂的关联关系，已有的动态阈值技术无法实现复杂设备属性间的关系分析。
[0005]
技术实现思路
[0006]有鉴于此，有必要提供一种工业设备动态阈值设定方法、装置、电子设备及存储介质，用以解决现有技术中工业设备健康监控阈值无法根据实际工况自动调整的技术问题。
[0007]为了解决上述技术问题，本专利技术提供了一种工业设备动态阈值设定方法，包括：获取目标设备影响因素数据集；建立初始BP神经网络模型；利用所述目标设备影响因素数据集中对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；基于所述关联关系对所述目标设备属性阈值进行设定。
[0008]优选的，所述影响因素包括经验因素和相关因素，所述相关因素为皮尔逊相关系
数大于第一设定值的影响因素。
[0009]优选的，所述利用所述目标设备影响因素数据集中的相关因素对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络，包括：将所述目标设备影响因素数据集中的相关因素数据集按预设比例划分为数据训练集、数据验证集以及数据测试集；利用所述数据训练集对所述初始BP神经网络模型进行训练，获得过渡BP神经网络模型；利用所述数据验证集对所述过渡BP神经网络模型性能进行验证，若验证不通过，则再次对所述过渡BP神经网络模型进行训练；若验证通过，则所述过渡BP神经网络模型为所述目标BP神经网络模型。
[0010]优选的，所述初始BP神经网络模型为四层网络结构，第一层为输入层、中间两层为全连接层、最后一层为输出层。
[0011]优选的，所述全连接层和输出层采用整流线性单位函数作为激活函数： ；所述初始BP神经网络模型使用均方差作为损失函数：其中，为损失函数，为模型期望输出，为模型输出层输出，n为模型训练集样本数量；所述全连接层中任一节点 j的输出为：其中，m为节点j的输入层节点个数，为输入神经元和节点j的连接权重；为输入特征；为偏移神经元和节点j的连接权重；所述输出层节点k的输出为： 其中，为最后一层全连层，为最后一层全连层的节点个数，k为模型输出节点，为全连层节点j到输出层节点k之间的连接权重，为偏移神经元和节点k之间的连接权重。
[0012]优选的，使用随机梯度下降算法作为优化函数对所述初始BP神经网络模型进行优化，所述优化函数为：其中，α为学习速率。
[0013]优选的，基于所述关联关系对所述目标设备属性阈值进行设定，包括：基于正态分布模型设定所述目标设备属性阈值的上下限；
阈值上限 = 正μ + K
ꢀ×ꢀ
正σ阈值下限 = 负μ + K
ꢀ×ꢀ
负σ其中，μ为平均数，σ为标准差，K为可调参数。
[0014]本专利技术还提供一种工业设备动态阈值设定装置，所述工业设备动态阈值设定装置包括：数据集获取单元，用于获取目标设备影响因素数据集，所述影响因素包括相关因素；初始模型构建单元，用于建立初始BP神经网络模型；训练单元，用于利用所述目标设备影响因素数据集中的相关因素对所述初始BP神经网络模型进行训练和测试，得到目标BP神经网络；关联关系确定单元，用于将所述目标设备影响因素实时数据输入至所述目标BP神经网络，以确定所述目标设备影响因素数据与目标设备属性阈值的关联关系；阈值设定单元，基于所述关联关系对所述目标设备属性阈值进行设定。
[0015]本专利技术还提供了一种电子设备，包括存储器和处理器，其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任一种实现方式中的所述工业设备动态阈值设定方法中的步骤。
[0016]本专利技术还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述任一种实现方式中的所述工业设备动态阈值设定方法中的步骤。
[0017]采用上述实施例的有益效果是：本专利技术提供的工业设备动态阈值设定方法，通过使用BP神经网络，将动态阈值概念成功的应用于数据关系复杂的工业生产环境中，解决了现有工业阈值技术难以同时降低异常误报率和漏报率的问题。同时也帮助工业企业弥补了智能制造背景下数据积累技术的缺口。
附图说明
[0018]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术提供的工业设备动态阈值设定方法的一个实施例流程示意图；图2为图1中S103的一个实施例流程示意图；图3为本专利技术实施例提供的工业设备动态阈值设定装置的一个实施例结构示意图；图4为本专利技术实施例提供的电子设备的一个实施例结构示意图。
具体实施方式
[0020]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，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，都属于本专利技术保护的范围。
...
【技术保护点】
【技术特征摘要】
其中，为最后一层全连层，为最后一层全连层的节点个数，k为模型输出节点，为全连层节点j到输出层节点k之间的连接权重，为偏移神经元和节点k之间的连接权重。6.根据权利要求1所述的工业设备动态阈值设定方法，其特征在于，还包括：使用随机梯度下降算法作为优化函数对所述初始BP神经网络模型进行优化，所述优化函数为： 其中，α为学习速率。7.根据权利要求1所述的工业设备动态阈值设定方法，其特征在于，基于所述关联关系对所述目标设备属性阈值进行设定，包括：基于正态分布模型设定所述目标设备属性阈值的上下限；阈值上限 = 正μ + K
ꢀ×ꢀ
正σ阈值下限 = 负μ + K
ꢀ×ꢀ
负σ其中，μ为平均数，σ为标准差，K为可调参数。8.一种工业设备动态阈值设定装置，其特征在于，包括：数据集获取单元，用于获取目标设备影响因素数据集；初...
【专利技术属性】
技术研发人员：曹阔韩，俊毅，袁景昊，
申请(专利权)人：重庆英科铸数网络科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。