工业设备动态阈值设定方法、装置、电子设备及存储介质制造方法及图纸

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本文档来自技高网...

【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：