本申请提供一种设备异常预测方法、装置和计算机存储介质。设备异常预测方法包括：获取目标参数的预测时间序列；通过时间序列预测模型对预测时间序列进行预测，得到预测对象的目标预测结果，时间序列预测模型基于预测对象的样本时间序列和样本时间序列的参数标签训练得到；当目标预测结果中相应参数超过预设阈值范围时，输出异常警报信号。本申请利用训练好的时间序列预测模型，对预测时间序列的预测对象进行参数值预测，即预测下次生产时的机台数据，并在预测对象超过预设阈值范围时提前触发警报，从而可以提前预测异常结果并通知生产相关人员，以避免原料的损耗，并且展开预防性保养，减少设备异常风险。减少设备异常风险。减少设备异常风险。
【技术实现步骤摘要】
设备异常预测方法、装置和计算机存储介质
[0001]本申请涉及设备异常管理的
，特别涉及一种设备异常预测方法、装置和计算机存储介质。
技术介绍
[0002]工业技艺日新月异，随着工业技术的发展，工业制造流程和设备越来越复杂，为了确保产品在线生产的稳定性，需要使用越来越多的传感器对各式设备进行监测。
[0003]目前，传感器参数异常的侦测诊断通常会使用设备监控系统(Equipment Monitoring System,EMS)及统计制程管制系统(Statistical Process Control,SPC)。设备监控系统和统计制程管制系统可以对传感器检测得到的参数进行异常管控，在参数发生异常时，及时针对该参数所对应的设备进行修复。
[0004]但是，上述方法为产生损失后进行止损，无法对异常参数进行预测，本身存在滞后性，导致生产损耗较大。
技术实现思路
[0005]鉴于以上内容，有必要提供一种设备异常预测方法、装置和计算机存储介质。
[0006]第一方面，本申请的实施例提供一种设备异常预测方法。
[0007]一种设备异常预测方法，所述方法包括：获取目标参数的预测时间序列；通过时间序列预测模型对所述预测时间序列进行预测，得到所述预测对象的目标预测结果，其中，所述时间序列预测模型基于所述预测对象的样本时间序列和所述样本时间序列的参数标签训练得到，所述参数标签为所述预测对象于所述样本时间序列中时间点时的参数值；当所述目标预测结果中相应参数超过预设阈值范围时，输出异常警报信号。
[0008]可选地，所述对所述样本数据集进行不平衡处理，得到不平衡数据集，包括：对所述样本数据集进行随机欠采样不平衡处理，得到第一不平衡数据集；和/或，对所述样本数据集进行随机过采样不平衡处理，得到第二不平衡数据集；和/或，对所述样本数据集进行合成少数过采样不平衡处理，得到第三不平衡数据集；和/或，对所述样本数据集进行自适应合成采样不平衡处理，得到第四不平衡数据集；所述通过所述训练数据集对第一预测模型进行训练，训练完成后得到所述时间序列预测模型，包括：通过所有所述训练数据集分别对所述第一预测模型进行训练，训练完成后得到一一对应于所述训练数据集的第二预测模型；分析所有所述训练数据集所对应的所述第二预测模型的损失值；将所述损失值最小的所述第二预测模型作为所述时间序列预测模型。
[0009]可选地，所述通过所有所述训练数据集分别对所述第一预测模型进行训练，训练完成后得到一一对应于所述训练数据集的第二预测模型，包括：将所有所述训练数据集通过多线程技术同时导入所述第一预测模型进行训练，训练完成后得到一一对应于所述训练数据集的所述第二预测模型。
[0010]可选地，在所述通过所有所述训练数据集分别对所述第一预测模型进行训练，训
练完成后得到一一对应于所述训练数据集的第二预测模型之前，所述方法还包括：对所述训练数据集进行数据划分，得到一一对应所述训练数据集的训练集和测试集；所述通过所有所述训练数据集分别对所述第一预测模型进行训练，包括：通过所有所述训练数据集的所述训练集分别对所述第一预测模型进行训练；所述分析所有所述训练数据集所对应的所述第二预测模型的损失值，包括：将所有所述测试集的所述样本时间序列分别导入对应的所述第二预测模型，得到所述测试集的预测标签；根据所述训练数据集中所述测试集的所述参数标签和所述预测标签，得到所述训练数据集所对应的所述第二预测模型的所述损失值。
[0011]可选地，所述通过所述训练数据集对第一预测模型进行训练，包括：将所述训练数据集导入第一预测模型，并通过粒子群优化算法对所述第一预测模型进行超参数调优，以对所述第一预测模型进行训练。
[0012]可选地，所述获取样本数据集，包括：获取多个初始数据集，所述初始数据集包括初始对象的初始时间序列和所述初始时间序列的初始标签；对所述初始数据集进行相关性分析，得到所述初始数据集的相关值；根据所述相关值超过预设阈值范围的所述初始数据集，得到所述样本数据集。
[0013]可选地，所述根据所述不平衡数据集，得到训练数据集，包括：根据所述不平衡数据集和未经过所述不平衡处理的平衡数据集，得到所述训练数据集。
[0014]第二方面，本申请的实施例提供一种设备异常预测装置。
[0015]一种设备异常预测装置，所述装置包括：对象获取模块，用于获取预测对象的预测时间序列；参数预测模块，用于通过时间序列预测模型对所述预测时间序列进行预测，得到所述预测对象的目标预测结果，其中，所述时间序列预测模型基于所述预测对象的样本时间序列和所述样本时间序列的参数标签训练得到，所述参数标签为所述预测对象于所述样本时间序列中时间点时的参数值；异常警报模块，用于当所述目标预测结果中相应参数超过预设阈值范围时，输出异常警报信号。
[0016]第三方面，本申请的实施例提供一种计算机存储介质。
[0017]一种计算机存储介质，所述计算机存储介质用于存储设备执行的程序代码，所述程序代码包括用于执行如上述任一技术方案中所述的方法。
[0018]本申请提供的一种设备异常预测方法、装置和计算机存储介质，利用训练好的时间序列预测模型，对预测时间序列的预测对象进行参数值预测，即预测下次生产时的机台数据，并在预测对象超过预设阈值范围时提前触发警报，从而可以提前预测异常结果并通知生产相关人员，以避免原料的损耗，并且展开预防性保养，减少设备异常风险。
附图说明
[0019]图1是本申请实施例的设备异常预测方法的流程示意图。
[0020]图2是本申请实施例的时间序列预测模型的训练方法的第一流程示意图。
[0021]图3是本申请实施例的时间序列预测模型的训练方法的第二流程示意图。
[0022]图4是本申请实施例的时间序列预测模型的训练方法的原理图。
[0023]图5是本申请实施例的时间序列预测模型的训练方法中步骤S201的子流程示意图。
[0024]图6是本申请实施例的时间序列预测模型的训练方法的第三流程示意图。
[0025]图7是压力参数在多个时间点的参数值的曲线图。
[0026]图8是本申请实施例的设备异常预测装置的模块示意图。
[0027]主要组件符号说明
[0028]对象获取模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ1[0029]参数预测模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ2[0030]异常警报模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ3[0031]如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
[0032]本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种设备异常预测方法，其特征在于，所述方法包括：获取目标参数的预测时间序列；通过时间序列预测模型对所述预测时间序列进行预测，得到所述预测对象的目标预测结果，其中，所述时间序列预测模型基于所述预测对象的样本时间序列和所述样本时间序列的参数标签训练得到，所述参数标签为所述预测对象于所述样本时间序列中时间点时的参数值；当所述目标预测结果中相应参数超过预设阈值范围时，输出异常警报信号。2.根据权利要求1所述的设备异常预测方法，其特征在于，所述时间序列模型的训练方法包括：获取样本数据集，所述样本数据集包括所述样本对象的所述样本时间序列和所述样本时间序列的所述参数标签；对所述样本数据集进行不平衡处理，得到不平衡数据集；根据所述不平衡数据集，得到训练数据集；通过所述训练数据集对第一预测模型进行训练，训练完成后得到所述时间序列预测模型。3.根据权利要求2所述的设备异常预测方法，其特征在于，所述对所述样本数据集进行不平衡处理，得到不平衡数据集，包括：对所述样本数据集进行随机欠采样不平衡处理，得到第一不平衡数据集；和/或，对所述样本数据集进行随机过采样不平衡处理，得到第二不平衡数据集；和/或，对所述样本数据集进行合成少数过采样不平衡处理，得到第三不平衡数据集；和/或，对所述样本数据集进行自适应合成采样不平衡处理，得到第四不平衡数据集；所述通过所述训练数据集对第一预测模型进行训练，训练完成后得到所述时间序列预测模型，包括：通过所有所述训练数据集分别对所述第一预测模型进行训练，训练完成后得到一一对应于所述训练数据集的第二预测模型；分析所有所述训练数据集所对应的所述第二预测模型的损失值；将所述损失值最小的所述第二预测模型作为所述时间序列预测模型。4.根据权利要求3所述的设备异常预测方法，其特征在于，所述通过所有所述训练数据集分别对所述第一预测模型进行训练，训练完成后得到一一对应于所述训练数据集的第二预测模型，包括：将所有所述训练数据集通过多线程技术同时导入所述第一预测模型进行训练，训练完成后得到一一对应于所述训练数据集的所述第二预测模型。5.根据权利要求3所述的设备异常预测方法，其特征在于，在所述通过所有所述训练数据集分别对所述第一预测模型进行训练，训练完成后得到...
【专利技术属性】
技术研发人员：李政，
申请(专利权)人：业成光电深圳有限公司英特盛科技股份有限公司，
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。