【技术实现步骤摘要】
本专利技术涉及数据处理，特别是指一种工业设备的数据处理方法、装置及设备。
技术介绍
1、目前，现有技术都是通过传统的方法进行设备故障诊断和故障预测，比如经验法和专家系统，通过专业工程师或领域专家的经验来诊断和预测设备故障。还有通过均值、方差、回归等统计方法进行诊断和预测，这些传统方法在很多情况下是有效的，特别是在设备运行过程相对简单、规律性强的情况下。然而，它们可能在处理复杂的、非线性的系统和大规模数据时存在一些局限性。
技术实现思路
1、本专利技术要解决的技术问题是提供一种工业设备的数据处理方法、装置及设备，以提高工业设备故障诊断的准确性及效率。
2、为解决上述技术问题，本专利技术的技术方案如下：
3、一种工业设备的数据处理方法，包括：
4、获取工业设备在预设运行时段内的时序数据；
5、对所述时序数据进行特征分类处理，确定所述工业设备在所述预设运行时段内的目标工况对应的时序数据；
6、将所述目标工况对应的时序数据输入训练好的状态检测模型，确定所述工业设备在所述预设运行时段内的至少一种运行状态；
7、将至少一种所述运行状态对应的目标时序数据输入训练好的诊断预警模型中进行处理，确定所述工业设备的诊断预警结果。
8、可选的，对所述时序数据进行特征分类处理，确定所述工业设备在所述预设运行时段内的目标工况对应的时序数据，包括：
9、对所述时序数据进行预处理，获得预处理后的时序数据；
11、根据所述预处理后的时序数据及其对应的所述预测值之间的相关系数，确定所述工业设备在所述预设运行时段内的目标工况对应的时序数据。
12、可选的，将所述目标工况对应的时序数据输入训练好的状态检测模型，确定所述工业设备在所述预设运行时段内的至少一种运行状态，包括：
13、获取所述目标工况对应的时序数据的特征数据；
14、将所述特征数据输入到所述状态检测模型的至少一个弱学习器进行处理，得到至少一个残差；
15、将所述至少一个弱学习器的残差的总和，迭代输入所述状态检测模型的强学习器进行处理，得到所述强学习器的输出结果；
16、将所述强学习器的输出结果进行分类预测处理，确定所述工业设备在所述预设运行时段内的至少一种运行状态。
17、可选的，获取所述目标工况对应的时序数据的特征数据，包括：
18、对所述目标工况对应的时序数据进行聚类处理，获得所述目标工况对应的时序数据的至少一个聚类簇；
19、根据至少一个所述聚类簇中的目标工况对应的时序数据，得到所述目标工况对应的时序数据的特征数据。
20、可选的，将至少一种所述运行状态对应的目标时序数据输入训练好的诊断预警模型中进行处理，确定所述工业设备的诊断预警结果，包括：
21、将至少一种所述运行状态中的衰退状态对应的第一目标时序数据输入训练好的寿命预测模型中进行处理，确定所述工业设备对应的剩余寿命预测值；
22、将至少一种所述运行状态中的故障状态对应的第二目标时序数据输入训练好的故障分类模型中进行处理，确定所述工业设备当前的故障类型。
23、可选的，所述寿命预测模型是基于工业设备的预设寿命值及历史衰退状态对应的时序数据对预设神经网络模型进行训练得到的；
24、将至少一种所述运行状态中的衰退状态对应的第一目标时序数据输入训练好的寿命预测模型中进行处理，确定所述工业设备对应的剩余寿命预测值，包括：
25、对所述第一目标时序数据进行序列化处理，获得目标格式的时序数据：
26、将所述目标格式的时序数据输入训练好的所述寿命预测模型的输入层中进行处理，得到所述目标格式的时序数据对应的更新值和重置值；
27、将所述更新值与所述重置值输入训练好的所述寿命预测模型的隐藏层中进行处理，得到所述目标格式的时序数据对应的隐藏状态值；
28、将所述隐藏状态值输入训练好的所述寿命预测模型的输出层中进行处理，得到当前所述工业设备对应的剩余寿命预测值。
29、可选的，所述故障分类模型是根据历史故障状态对应的时序数据构建的故障诊断知识图谱进行映射得到的；
30、将至少一种所述运行状态中的故障状态对应的第二目标时序数据输入训练好的故障分类模型中进行处理，确定所述工业设备当前的故障类型，包括：
31、将所述第二目标时序数据输入所述故障分类模型中，并在所述故障分类模型的有向无环结构中进行遍历，确定与所述第二目标时序数据对应的至少一个目标子节点；
32、根据所述第二目标时序数据，确定至少一个所述目标子节点对应的后验概率；
33、根据至少一个所述目标子节点对应的条件概率以及对应的所述后验概率，确定当前第二目标时序数据对应的故障类型的概率值。
34、本专利技术的实施例还提供一种工业设备的数据处理装置，包括：
35、获取模块，用于获取工业设备在预设运行时段内的时序数据；
36、处理模块，用于对所述时序数据进行特征分类处理，确定所述工业设备在所述预设运行时段内的目标工况对应的时序数据；将所述目标工况对应的时序数据输入训练好的状态检测模型，确定所述工业设备在所述预设运行时段内的至少一种运行状态；将至少一种所述运行状态对应的目标时序数据输入训练好的诊断预警模型中进行处理，确定所述工业设备的诊断预警结果。
37、本专利技术的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上述所述的方法。
38、本专利技术的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上述所述的方法。
39、本专利技术的上述方案至少包括以下有益效果：
40、本专利技术的上述方案，通过获取工业设备在预设运行时段内的时序数据；对所述时序数据进行特征分类处理，确定所述工业设备在所述预设运行时段内的目标工况对应的时序数据；将所述目标工况对应的时序数据输入训练好的状态检测模型，确定所述工业设备在所述预设运行时段内的至少一种运行状态；将至少一种所述运行状态对应的目标时序数据输入训练好的诊断预警模型中进行处理，确定所述工业设备的诊断预警结果；基于机器学习对工业设备大规模和复杂数据进行分析处理，提高了工业设备故障诊断及预警的准确性，以适应复杂的数据环境，具有更强的适应性和泛化能力。
本文档来自技高网...【技术保护点】
1.一种工业设备的数据处理方法，其特征在于，包括：
2.根据权利要求1所述的工业设备的数据处理方法，其特征在于，对所述时序数据进行特征分类处理，确定所述工业设备在所述预设运行时段内的目标工况对应的时序数据，包括：
3.根据权利要求1所述的工业设备的数据处理方法，其特征在于，将所述目标工况对应的时序数据输入训练好的状态检测模型，确定所述工业设备在所述预设运行时段内的至少一种运行状态，包括：
4.根据权利要求3所述的工业设备的数据处理方法，其特征在于，获取所述目标工况对应的时序数据的特征数据，包括：
5.根据权利要求1所述的工业设备的数据处理方法，其特征在于，将至少一种所述运行状态对应的目标时序数据输入训练好的诊断预警模型中进行处理，确定所述工业设备的诊断预警结果，包括：
6.根据权利要求5所述的工业设备的数据处理方法，其特征在于，所述寿命预测模型是基于工业设备的预设寿命值及历史衰退状态对应的时序数据对预设神经网络模型进行训练得到的；
7.根据权利要求5所述的工业设备的数据处理方法，其特征在于，所述故障分类模型是
8.一种工业设备的数据处理装置，其特征在于，包括：
9.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，存储指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种工业设备的数据处理方法，其特征在于，包括：
2.根据权利要求1所述的工业设备的数据处理方法，其特征在于，对所述时序数据进行特征分类处理，确定所述工业设备在所述预设运行时段内的目标工况对应的时序数据，包括：
3.根据权利要求1所述的工业设备的数据处理方法，其特征在于，将所述目标工况对应的时序数据输入训练好的状态检测模型，确定所述工业设备在所述预设运行时段内的至少一种运行状态，包括：
4.根据权利要求3所述的工业设备的数据处理方法，其特征在于，获取所述目标工况对应的时序数据的特征数据，包括：
5.根据权利要求1所述的工业设备的数据处理方法，其特征在于，将至少一种所述运行状态对应的目标时序数据输入训练好的诊断预警模型中进行处理，确定所述工业设备的诊断预...
【专利技术属性】
技术研发人员：张志，李建华，王红梅，潘智超，
申请(专利权)人：北京易智时代数字科技有限公司，
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。