【技术实现步骤摘要】
本专利技术涉及计算机，特别涉及工况判定方法、装置、设备及介质。
技术介绍
1、工况判别通常是指在不同的环境或操作条件下，识别设备的运行状态。工况判别通常基于一组特定的传感器输入数据，例如设备机器的流量、速度、温度、振动等等。这些数据然后被分析以识别设备的多种状态。在工业设备状态监测
，设备工况变化是经常发生的事，当设备经过维护修理工作后，其工况状态也会发生变化；当设备的操作参数发生改变时，也会导致工况产生变化。当设备处于不同的工况下，可以发现其传感器传入的监测数据也会发生变化。并且，在不同的工况下，对设备的监测策略也会有所不同，所以工况判别是一项有价值的技术。
2、随着机器学习、人工智能和传感器技术的进步，工况判别技术已经取得了显著的发展。其中，机器学习和人工智能这些技术在工况判别领域的应用已经成为主流。例如，可以使用监督学习中决策树、支持向量机(support vector machine，即svm)、随机森林、神经网络等算法，在模型训练阶段，根据历史数据学习工况和特征之间的映射关系。在模型验证阶段，可以根据训练好的模型预测设备的当前工况。在一些情况下，可能没有足够的标注数据来进行监督学习。此时，可以使用无监督学习算法来挖掘数据中的模式。但是目前进行工况识别时，都需要大量的数据进行处理，所需计算资源较大。
3、综上可见，如何降低工况识别所需的计算资源是本领域有待解决的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种工况判定方法、装置、
2、第一方面，本申请公开了一种工况判定方法，包括：
3、将接收的目标设备的历史监测数据划分为若干个初始趋势序列段，并对各个所述初始趋势序列段进行趋势分析，以构建趋势树；
4、基于所述趋势树中目标层的趋势向量获取相似度矩阵和度矩阵，并利用所述相似度矩阵和所述度矩阵构建拉普拉斯矩阵；
5、利用所述拉普拉斯矩阵获取在不同聚类数目下的各个夹角矩阵以及各个所述夹角矩阵的目标元素数目，并基于预设条件和所述目标元素数目从不同所述聚类数目中筛选出目标聚类数目；
6、对根据所述目标聚类数目和所述拉普拉斯矩阵获取的标准化特征矩阵进行聚类，以确定所述目标层的趋势向量的簇类别；
7、根据所述趋势树将所述目标层的趋势向量的簇类别进行递推，以确定所述历史监测数据的簇类别，并利用所述历史监测数据的簇类别判定所述目标设备的所属工况。
8、可选的，所述对各个所述初始趋势序列段进行趋势分析，以构建趋势树，包括：
9、对各个所述初始趋势序列段进行趋势分析，以得到初始层的趋势向量，并将所述初始层的趋势向量更新为当前层的趋势向量，然后判断所述当前层的趋势向量的长度是否大于预设趋势向量长度阈值；
10、若否，则对所述当前层的趋势向量进行趋势分析，以得到下一层的趋势向量，并将所述下一层的趋势向量更新为当前层的趋势向量，然后重新跳转至所述判断所述当前层的趋势向量的长度是否大于预设趋势向量长度阈值的步骤；
11、若是，则判定所述当前层的趋势向量为目标层的趋势向量，以构建趋势树。
12、可选的，所述对所述当前层的趋势向量进行趋势分析，以得到下一层的趋势向量，包括：
13、确定所述当前层的趋势向量的趋势判别特征值；其中，所述趋势判别特征值包括所述当前层的趋势向量的最大值、最小值、起始点值、中间点值、终止点值；
14、利用所述趋势判别特征值和预设趋势判别公式确定所述当前层所包括的各个当前趋势类型，并基于预设趋势值与预设趋势类型的映射关系确定各个所述当前趋势类型对应的当前趋势值，以得到下一层的趋势向量。
15、可选的，所述根据所述趋势树将所述目标层的趋势向量的簇类别进行递推，以确定所述历史监测数据的簇类别，包括：
16、根据所述趋势树将所述目标层的趋势向量的簇类别进行递推，以得到所述初始层的趋势向量的簇类别，并基于所述初始层的趋势向量的簇类别确定所述历史监测数据的簇类别。
17、可选的，所述基于所述趋势树中目标层的趋势向量获取相似度矩阵和度矩阵，包括：
18、基于所述趋势树中目标层的趋势向量建立包含各个所述目标层的趋势向量的趋势矩阵，并确定所述趋势矩阵中各个所述目标层的趋势向量之间的相似度，以得到相似度矩阵；
19、利用所述相似度矩阵中各个相似度向量得到度矩阵。
20、可选的，所述利用所述拉普拉斯矩阵获取在不同聚类数目下的各个夹角矩阵以及各个所述夹角矩阵的目标元素数目，包括：
21、利用所述拉普拉斯矩阵获取在当前聚类数目下的夹角矩阵以及该夹角矩阵的目标元素数目，并判断所述当前聚类数目是否大于预设聚类数目；
22、若否，则利用所述拉普拉斯矩阵获取在下一聚类数目下的夹角矩阵以及该夹角矩阵的目标元素数目，并将所述下一聚类数目更新为当前聚类数目，然后重新跳转至所述判断所述当前聚类数目是否大于预设聚类数目的步骤，直至所述当前聚类数目大于所述预设聚类数目；
23、相应的，所述利用所述拉普拉斯矩阵获取在当前聚类数目下的夹角矩阵以及该夹角矩阵的目标元素数目，包括：
24、利用所述拉普拉斯矩阵获取在当前聚类数目下的第一特征矩阵，并计算所述第一特征矩阵中各个行向量之间的夹角，以得到夹角矩阵，并基于预设角度范围统计该夹角矩阵的目标元素数目。
25、可选的，所述对根据所述目标聚类数目和所述拉普拉斯矩阵获取的标准化特征矩阵进行聚类，以确定所述目标层的趋势向量的簇类别，包括：
26、根据所述目标聚类数目和所述拉普拉斯矩阵获取第二特征矩阵，并对所述第二特征矩阵进行标准化处理，以得到标准化特征矩阵；
27、利用k均值聚类算法对所述标准化特征矩阵进行聚类，以确定所述目标层的趋势向量的簇类别。
28、第二方面，本申请公开了一种工况判定装置，包括：
29、趋势分析模块，用于将接收的目标设备的历史监测数据划分为若干个初始趋势序列段，并对各个所述初始趋势序列段进行趋势分析，以构建趋势树；
30、矩阵构建模块，用于基于所述趋势树中目标层的趋势向量获取相似度矩阵和度矩阵，并利用所述相似度矩阵和所述度矩阵构建拉普拉斯矩阵；
31、数目筛选模块，用于利用所述拉普拉斯矩阵获取在不同聚类数目下的各个夹角矩阵以及各个所述夹角矩阵的目标元素数目，并基于预设条件和所述目标元素数目从不同所述聚类数目中筛选出目标聚类数目；
32、类别确定模块，用于对根据所述目标聚类数目和所述拉普拉斯矩阵获取的标准化特征矩阵进行聚类，以确定所述目标层的趋势向量的簇类别；
33、工况判定模块，用于根据所述趋势树将所述目标层的趋势向量的簇类别进行递推，以确定所述历史监测数据的簇类别，并利用所述历史监测数据的簇类别判定所述目标设备的所属工况。...
【技术保护点】
1.一种工况判定方法，其特征在于，包括：
2.根据权利要求1所述的工况判定方法，其特征在于，所述对各个所述初始趋势序列段进行趋势分析，以构建趋势树，包括：
3.根据权利要求2所述的工况判定方法，其特征在于，所述对所述当前层的趋势向量进行趋势分析，以得到下一层的趋势向量，包括：
4.根据权利要求2所述的工况判定方法，其特征在于，所述根据所述趋势树将所述目标层的趋势向量的簇类别进行递推，以确定所述历史监测数据的簇类别，包括：
5.根据权利要求1所述的工况判定方法，其特征在于，所述基于所述趋势树中目标层的趋势向量获取相似度矩阵和度矩阵，包括：
6.根据权利要求1至5任一项所述的工况判定方法，其特征在于，所述利用所述拉普拉斯矩阵获取在不同聚类数目下的各个夹角矩阵以及各个所述夹角矩阵的目标元素数目，包括：
7.根据权利要求1所述的工况判定方法，其特征在于，所述对根据所述目标聚类数目和所述拉普拉斯矩阵获取的标准化特征矩阵进行聚类，以确定所述目标层的趋势向量的簇类别，包括：
8.一种工况判定装置，其特征在于，包
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的工况判定方法的步骤。
...【技术特征摘要】
1.一种工况判定方法，其特征在于，包括：
2.根据权利要求1所述的工况判定方法，其特征在于，所述对各个所述初始趋势序列段进行趋势分析，以构建趋势树，包括：
3.根据权利要求2所述的工况判定方法，其特征在于，所述对所述当前层的趋势向量进行趋势分析，以得到下一层的趋势向量，包括：
4.根据权利要求2所述的工况判定方法，其特征在于，所述根据所述趋势树将所述目标层的趋势向量的簇类别进行递推，以确定所述历史监测数据的簇类别，包括：
5.根据权利要求1所述的工况判定方法，其特征在于，所述基于所述趋势树中目标层的趋势向量获取相似度矩阵和度矩阵，包括：
6...
【专利技术属性】
技术研发人员：何家俊，俞文翰，徐楠，孙丰诚，蔡一彪，尹旭晔，倪军，
申请(专利权)人：杭州安脉盛智能技术有限公司，
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。