本申请实施例提供了一种工业系统的状态表征方法、装置及电子设备，其中方法包括：通过无监督神经网络模型对训练数据进行重建，输出多个第一重建指标序列；确定各初始指标序列及对应的第一重建指标序列之间的第一误差数据，根据多个第一误差数据确定预警阈值；通过无监督神经网络模型对测试数据进行重建，输出多个第二重建指标序列；确定各待表征指标序列及对应的第二重建指标序列之间的第二误差数据，将多个第二误差数据进行归一化处理，得到合成指标数据；根据预警阈值及合成指标数据生成工业系统的状态表征数据。这样，将基于无监督神经网络模型得到的合成指标作为工业系统的状态表征，通过合成指标更精准的指示工业系统的实时状态。时状态。时状态。
【技术实现步骤摘要】
工业系统的状态表征方法、装置及电子设备
[0001]本申请涉及通信
，尤其涉及一种工业系统的状态表征方法、装置及电子设备。
技术介绍
[0002]现有的工业生产中，工业生产系统往往存在多个指标，比如盾构机在工作时，往往需要关注油品的多个指标，例如油品的运动粘度、动力粘度、温度、密度、介电常数等指标，这些指标可以确定盾构机的工作状态，这些指标往往是各自独立的指标，监测人员需要单独关注每项指标的实时变化数据，这给工业生产带来了一定的风险。
[0003]为了避免风险，现有技术中提供根据人工经验将每个独立的指标采用分段打分并加权求和得到的合成数据来表示工业生产系统的状态。此种方式往往需要大量的人工经验值，这些人工经验值不仅很难解释，而且无法量化计算，导致合成数据的精确度比较低。
技术实现思路
[0004]为了解决上述技术问题，本申请实施例提供了一种工业系统的状态表征方法、装置及电子设备。
[0005]第一方面，本申请实施例提供了一种工业系统的状态表征方法，所述方法包括：通过无监督神经网络模型对训练数据进行重建，对应输出多个第一重建指标序列，所述训练数据包括工业系统的多个初始指标序列；通过预设损失函数确定各所述初始指标序列及对应的第一重建指标序列之间的第一误差数据，根据多个所述第一误差数据确定预警阈值；通过所述无监督神经网络模型对测试数据进行重建，对应输出多个第二重建指标序列，所述测试数据包括工业系统的多个待表征指标序列；通过所述预设损失函数确定各所述待表征指标序列及对应的第二重建指标序列之间的第二误差数据，将多个所述第二误差数据进行归一化处理，得到合成指标数据；根据所述预警阈值及所述合成指标数据生成工业系统的状态表征数据。
[0006]第二方面，本申请实施例提供了一种工业系统的状态表征装置，所述装置包括：第一重建模块，用于通过无监督神经网络模型对训练数据进行重建，对应输出多个第一重建指标序列，所述训练数据包括工业系统的多个初始指标序列；第一确定模块，用于通过预设损失函数确定各所述初始指标序列及对应的第一重建指标序列之间的第一误差数据，根据多个所述第一误差数据确定预警阈值；第二重建模块，用于通过所述无监督神经网络模型对测试数据进行重建，对应输出多个第二重建指标序列，所述测试数据包括工业系统的多个待表征指标序列；第二确定模块，用于通过所述预设损失函数确定各所述待表征指标序列及对应的第二重建指标序列之间的第二误差数据，将多个所述第二误差数据进行归一化处理，得到合成指标数据；
生成模块，用于根据所述预警阈值及所述合成指标数据生成工业系统的状态表征数据。
[0007]第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的工业系统的状态表征方法。
[0008]第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的工业系统的状态表征方法。
[0009]上述本申请提供的工业系统的状态表征方法、装置及电子设备，通过无监督神经网络模型对训练数据进行重建，对应输出多个第一重建指标序列，所述训练数据包括工业系统的多个初始指标序列；通过预设损失函数确定各所述初始指标序列及对应的第一重建指标序列之间的第一误差数据，根据多个所述第一误差数据确定预警阈值；通过所述无监督神经网络模型对测试数据进行重建，对应输出多个第二重建指标序列，所述测试数据包括工业系统的多个待表征指标序列；通过所述预设损失函数确定各所述待表征指标序列及对应的第二重建指标序列之间的第二误差数据，将多个所述第二误差数据进行归一化处理，得到合成指标数据；根据所述预警阈值及所述合成指标数据生成工业系统的状态表征数据。这样，无需依靠人工经验，通过无监督神经网络模型对工业系统的多个数据指标压缩为一个合成指标，用合成指标作为工业系统的状态表征，可以提高合成指标的精确度，通过合成指标更精准的指示工业系统的实时状态。
附图说明
[0010]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0011]图1示出了本申请实施例提供的工业系统的状态表征方法的一流程示意图；图2示出了本申请实施例提供的误差数据的一直方图；图3示出了本申请实施例提供的指标分数分布图；图4示出了本申请实施例提供的指标序列对比示意图；图5示出了本申请实施例提供的训练数据及测试数据迭代示意图；图6示出了本申请实施例提供的工业系统状态表征装置的一结构示意图。
具体实施方式
[0012]下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
[0013]通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0014]在下文中，可在本申请的各种实施例中使用的术语“包括”、“具有”及其同源词仅
意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
[0015]此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0016]除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关
中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。
[0017]现有技术中提供根据人工经验将每个独立的指标采用分段打分并加权求和得到的合成数据来表示工业生产系统的状态。此种方式，除了人工经验值难以解释，无法量化之外，由于工业生产往往涉及非常多的环节，而每个有经验的操作员仅熟悉各自的环节，这就使得整个系统的经验值很难做到高效的衔接，可能会造成环节之间的经验值相互矛盾。工业生产系统往往受到季节、气候等自然条件的影响，人工经验往往具有一定的滞后性，很难及时的捕捉到因为自然条件变化而引起的经验值变化。综合而言，现有技术中工业生产系统的综合状态表征的效果比较差。
[0018]实施例1本公开实施例提供了一种工业系统的状态表征方法。
[0019]具体的，参见图1本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种工业系统的状态表征方法，其特征在于，所述方法包括：通过无监督神经网络模型对训练数据进行重建，对应输出多个第一重建指标序列，所述训练数据包括工业系统的多个初始指标序列；通过预设损失函数确定各所述初始指标序列及对应的第一重建指标序列之间的第一误差数据，根据多个所述第一误差数据确定预警阈值；通过所述无监督神经网络模型对测试数据进行重建，对应输出多个第二重建指标序列，所述测试数据包括工业系统的多个待表征指标序列；通过所述预设损失函数确定各所述待表征指标序列及对应的第二重建指标序列之间的第二误差数据，将多个所述第二误差数据进行归一化处理，得到合成指标数据；根据所述预警阈值及所述合成指标数据生成工业系统的状态表征数据。2.根据权利要求1所述的方法，其特征在于，所述训练数据及所述测试数据的获取，包括：按照预设训练时间窗口及多个预设测试时间窗口分别从数据集中确定对应时间段内的子数据集作为训练集及多个测试集；按照时间顺序从所述预设训练时间窗口和各所述预设测试时间窗口的结束时间点确定当前训练时间点；将所述训练集及多个所述测试集中采集时间处于所述当前训练时间点之前的数据作为所述训练数据，将所述训练集及多个所述测试集中采集时间处于所述当前训练时间点之后的数据作为所述测试数据。3.根据权利要求1所述的方法，其特征在于，所述无监督神经网络模型为长短期记忆人工神经网络模型，所述通过无监督神经网络模型对训练数据进行重建，包括：通过所述长短期记忆人工神经网络模型的编码层对各所述初始指标序列进行编码，得到第一压缩指标序列；向所述长短期记忆人工神经网络模型的隐藏层输入所述第一压缩指标序列，通过所述隐藏层对所述压缩指标序列进行解压，得到对应的第一重建指标序列。4.根据权利要求3所述的方法，其特征在于，所述通过所述无监督神经网络模型对测试数据进行重建，包括：通过所述编码层对各所述待表征指标序列进行编码，得到第二压缩指标序列；向所述隐藏层输入所述第二压缩指标序列，通过所述隐藏层对所述第二压缩指标序列进行解压，得到对应的第二重建指标序列。...
【专利技术属性】
技术研发人员：沈鹏，王俞，陈垚亮，
申请(专利权)人：树根互联股份有限公司，
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。