设备报警预测方法、装置、终端以及介质制造方法及图纸

本发明专利技术公开了一种设备报警预测方法、装置、终端以及介质，通过获取待训练时间序列，将所述待训练时间序列进行分段得到趋势段，其中，所述待训练时间序列为用于输入LSTM模型进行训练的设备运行数据；根据所述趋势段针对所述LSTM模型进行训练，以得到实际用于报警预测的目标模型；基于所述目标模型进行报警预测。本发明专利技术设备报警预测方法，基于趋势段针对LSTM模型进行训练时，LSTM模型不需要学习和处理大量的设备运行数据，只需要学习和处理保留了待训练时间序列的特征的趋势段，大大减少了LSTM模型需要学习和处理的内容，提高了用于报警预测的目标模型的训练速度，从而改善目标模型，提高报警预测的准确性。提高报警预测的准确性。提高报警预测的准确性。

【技术实现步骤摘要】
设备报警预测方法、装置、终端以及介质


[0001]本专利技术涉及工业生产
，尤其涉及一种设备报警预测方法、装置、终端以及计算机存储介质。

技术介绍

[0002]在工业生产中，由于设备在发生异常时，该设备的运行数据也会发生突变，因此，通过监测设备的运行数据，可以针对设备出现异常状态的情况进行有效识别。由于设备异常通常具有突发性强和对于生产的破坏性大等特点，因此当设备突发异常时，调试人员难以及时作出调整，从而造成经济损失甚至是人身伤害的情况发生。因此，如何准确预测设备在某时段内发生故障的可能性具有十分重要的意义。
[0003]目前，针对上述情况，人们通常采用RNN(循环神经网络Recurrent Neural Networks)模型作为自动化工业报警的预测模型。RNN模型是深度学习模型的一个类型，在RNN模型下，当前时刻的输出不仅取决于当前时刻的输入，还取决于前一段时间的输入。然而，由于RNN模型对于历史数据的特征保留存在缺陷，因此人们在RNN模型基础上增添了遗忘因子，从而得到了LSTM(长短期记忆模型longr/>‑
s本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备报警预测方法，其特征在于，所述设备报警预测方法包括以下步骤：获取待训练时间序列，将所述待训练时间序列进行分段得到趋势段，其中，所述待训练时间序列为用于输入LSTM模型进行训练的设备运行数据；根据所述趋势段针对所述LSTM模型进行训练，以得到实际用于报警预测的目标模型；基于所述目标模型进行报警预测。2.如权利要求1所述的设备报警预测方法，其特征在于，将所述待训练时间序列进行分段得到趋势段的步骤，可以包括：针对所述待训练时间序列中的预设单位节点进行连接，形成多个基本数据段；确定所述基本数据段的拟合误差，所述拟合误差用于表征所述基本数据段与所述待训练时间序列的相近程度；根据所述拟合误差将多个所述基本数据段分别合并为多个所述趋势段，其中，所述趋势段保留了所述基本数据段的特征，以作为所述LSTM模型的训练基础。3.如权利要求1所述的设备报警预测方法，其特征在于，在将所述待训练时间序列进行分段得到趋势段的步骤之前，还包括：确定所述待训练时间序列的最佳分段数，所述最佳分段数用于使所述趋势段在所述拟合误差达到预设标准时泛化所述待训练时间序列；将所述待训练时间序列进行分段得到趋势段的步骤，包括：根据所述最佳分段数将所述待训练时间序列进行分段，以得到与所述最佳分段数对应的所述趋势段。4.如权利要求3所述的设备报警预测方法，其特征在于，确定所述待训练时间序列的最佳分段数的步骤，包括：基于所述待训练时间序列确定拟合曲线；根据所述拟合曲线的拐点确定所述最佳分段数。5.如权利...

【专利技术属性】
技术研发人员：崔世君，
申请(专利权)人：歌尔科技有限公司，
类型：发明
国别省市：