工业系统的状态表征方法、装置及电子设备与流程

1.本技术涉及通信技术领域，尤其涉及一种工业系统的状态表征方法、装置及电子设备。


背景技术：

2.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。
3.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。


技术实现要素：

4.为了解决上述技术问题，本技术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。
5.第一方面，本技术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。
6.第二方面，本技术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。
7.第三方面，本技术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。
8.第四方面，本技术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。
9.上述本技术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
10.为了更清楚地说明本技术的技术方案，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技术的某些实施例，因此不应被看作是对本技术保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
11.图1示出了本技术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示出了本技术实施例提供的误差数据的一直方图；图3示出了本技术实施例提供的指标分数分布图；图4示出了本技术实施例提供的指标序列对比示意图；图5示出了本技术实施例提供的训练数据及测试数据迭代示意图；图6示出了本技术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
12.下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。
13.通常在此处附图中描述和示出的本技术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技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，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，都属于本技术保护的范围。
14.在下文中，可在本技术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。
15.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。
16.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)具有与本技术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技术领域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，除非在本技术的各种实施例中被清楚地限定。
17.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。
18.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。
19.具体的，参见图1，工业系统的状态表征方法包括：步骤s101，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。
20.在本实施例中，所述训练数据包括工业系统的多个初始指标序列。需要说明的是，初始指标序列可以为用于表征工业系统的各种指标序列，具体来说，指标可以为油品指标，油品指标包括运动粘度、动力粘度、温度、密度及介电常数等。
21.在本实施例中，无监督神经网络模型可以为长短期记忆人工神经网络模型（long-short term memory，lstm）。具体来说，步骤s101包括以下步骤：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。
22.举例来说，初始指标序列s0包括第一指标x1、第二指标x2、......、第n指标xn，初始指标序列s0的序列长度为n，n为大于1的正整数。长短期记忆人工神经网络模型包括编码层（encoder）、隐藏层（learned representation）及解码层（decoder）。将初始指标序列s0输入长短期记忆人工神经网络模型，长短期记忆人工神经网络模型的编码层对初始指标序列s0进行编码，得到第一压缩指标序列s1，第一压缩指标序列s1包括第一数据y1、第二数据y2、.....、第m数据ym，第一压缩指标序列s1的序列长度为m，m为小于n的正整数。第一压缩指标序列s1输入隐藏层，隐藏层对第一压缩指标序列s1进行解码，得到第一重建指标序列
s2，第一重建指标序列s2的序列长度为n，第一重建指标序列s2包括指标、指标、......、指标。在本实施例中，长短期记忆人工神经网络模型是一种非监督学习的神经网络模型，初始指标序列s0中各指标与第一重建指标序列s2中对应的指标之间的误差尽量小。
23.步骤s102，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。
24.在本实施例中，预设损失函数包括以下公式1：公式1：；其中，mae表示一列指标序列的误差数据，n表示初始指标序列的长度，表示初始指标序列中的第j个初始指标，表示第一重建指标序列的第j个指标。
25.根据公式1确定第一误差数据的过程包括：将初始指标序列及第一重建指标序列代入公式1的右边，计算得到的结果作为mae的值。
26.在本实施例中，步骤s102中的根据多个所述第一误差数据确定预警阈值，包括以下步骤：获取多个所述第一误差数据的均值和标准差确定预设倍数；计算所述标准差与所述预设倍数的乘积值，将所述乘积值与所述均值的和值作为所述预警阈值。
27.在本实施例中，一个初始指标序列对应有一个第一重建指标序列，各个初始指标序列与对应的一个第一重建指标序列通过预设损失函数可以确定对应的一个第一误差数据，对于多个初始指标序列而言，可以相应的确定多个第一误差数据。在本实施例中，由大数定理可知，由预设损失函数计算的误差数据基本服从正态分布，对应到工业系统的工作状态来说，需要关注的事件为小概率事件，由经验数据可以将预警阈值设置为多倍标准差之外的数据。举例来说，可以选取3倍标准差之外的数据作为预警阈值。
28.此外，还可以通过统计多个第一误差数据的各个数值出现的频数，则可以绘制对应的直方图，根据绘制的直方图可以确定第一误差数据的均值和标准差，结合均值和标准差确定预警阈值。
29.请参阅图2，图2所示为误差数据的直方图示意图，横坐标表示根据损失函数计算的误差数据的数值，纵坐标表示各误差数据的数值出现的频数。若根据图2所示的直方图确定误差数据的均值为a、标准差为b，则可以根据公式2确定预警阈值，其中，公式2：j=a b
×
3，j表示预警阈值，a表示均值，b表示标准差。若根据公式2计算得到j为0.99，则可以将预警阈值设置为0.99。在图2中，直线l1表示预警阈值所处的位置，在直线l1的左边的误差数据为大概出现数据，在直线l1的右边的误差数据为小概出现数据，可以看做异常数据。
30.在本实施例中，为提高数据的表征效果，还可以对预设损失函数计算得到的误差
数据进行归一化处理，将误差数据映射为0至1中对应的数据。例如，对图2所示的直方图中的误差数据进行归一化处理，得到图3所示的指标分数分布图。图3中横坐标为误差数据归一化后对应的指标分数，图3中纵坐标表示指标分数出现的频数。直线l2的左侧的指标分数为大概率出现数据，直线l2的右侧的指标分数为小概率出现数据，为需要关注的异常事件。
31.在本实施例中，步骤s102中的根据多个所述第一误差数据确定预警阈值，包括以下步骤：根据多个所述第一误差数据生成直方图，确定所述直方图中出现概率小于预设阈值的目标误差数据，根据所述目标误差数据确定所述预警阈值。
32.在本实施例中，由大数定理可知，由预设损失函数计算的误差数据基本服从正态分布，对应到工业系统的工作状态来说，需要关注的事件为小概率事件。请再次参阅图2，在图2中，可以根据直方图的分布趋势，选择误差数据的数值出现频数较小的作为预警阈值。
33.步骤s103，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。
34.在本实施例中，所述测试数据包括工业系统的多个待表征指标序列。
35.在本实施例中，步骤s103包括以下步骤：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。
36.步骤s104，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。
37.在本实施例中，预设损失函数包括上述的公式1，不同之处在于，公式1中的n表示待表征指标序列的长度，yj表示待表征指标序列中的第j个初始指标，表示第二重建指标序列的第j个指标。
38.步骤s105，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。
39.在本实施例中，可以通过电子设备的显示屏将状态表征数据进行显示，方便用户及时查看，显示形式可以是曲线形式、直方图形式，在此不做限制。
40.在本实施例中，步骤s105包括：按照时间顺序将所述合成指标数据绘制成对应的合成指标曲线；根据所述预警阈值对所述合成指标曲线进行标记，得到所述状态表征数据。
41.请参阅图4，图4中显示的时间序列数据分别为传感器采集到的某工业原料的密度序列c1、介电常数序列c2、温度序列c3、40度运动粘度序列c4、动力粘度序列c5、实时运动粘度序列c6、状态表征数据序列c7。各序列中的散点部分为用户需要关注的工业系统时间，从图4中的纵向虚线框可以看到，每当工业系统的状态表征数据升高是，总会对应着至少一个系统指标出现异常，可以看出，通过本实施例提供的状态表征数据可以很好的表征系统的状态。
42.在本实施例中，为提高训练数据及测试数据随着时间变化而进行适应性调整，会随时间更新训练数据及测试数据。
43.具体来说，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。
44.在本实施例中，无监督神经网络模型持续迭代，根据训练数据及测试数据的不断迭代更新一适应不同的工况变化，同样，也可以及时捕捉工业系统中出现的新工况。请参阅图5，模型迭代的具体方式为：每次采集数据的窗口滑动整个预设窗口长度，预设窗口长度包括1个预设训练时间窗口及3个预设测试时间窗口，如图4中箭头标注方向所示，按照时间先后顺序，每次以当前箭头时间点左边的数据为训练数据，右边的一个集合作为测试数据。即在第一竖直箭头对应的时间点时，以训练集作为训练数据，以测试集1作为测试数据，在第二竖直箭头对应的时间点时，以训练集加上测试集1作为训练数据，以测试集2作为测试数据，在第三竖直箭头对应的时间点时，以训练集加上测试集1、加上测试集2作为训练数据，以测试集3作为测试数据。这样，可以实时迭代确定训练数据及测试数据，可以确保合成指标的准确度。
45.本实施例中，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。由于无需依靠人工经验，不会出现各环节之间的经验值相互矛盾的情况，由于输入无监督神经网络模型的指标数据跌代更新，具有更好的数据实时性，能够准确地捕捉到指标数据的变化，更好地获取比较准确的合成指标。此外，对于人工经验值来说，经验值在需要进行调节时，往往需要联动多个环节进行长时间的调试，调试过程效率低，调节后的系统所以来的测试数据极少，往往存在诸多隐患，而本实施例无需依靠人工经验，提高处理效率及准确度。
46.本实施例提供的工业系统的状态表征方法，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。
47.实施例2此外，本公开实施例提供了一种工业系统的状态表征装置。
48.具体的，如图6所示，工业系统的状态表征装置600包括：第一重建模块601，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602，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603，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604，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605，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。
49.在本实施例中，工业系统的状态表征装置600还包括：获取模块：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。
50.在本实施例中，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，第一重建模块601，还用于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。
51.在本实施例中，第二重建模块603，还用于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。
52.在本实施例中，生成模块605，还用于按照时间顺序将所述合成指标数据绘制成对应的合成指标曲线；根据所述预警阈值对所述合成指标曲线进行标记，得到所述状态表征数据。
53.在本实施例中，第一确定模块602，还用于获取多个所述第一误差数据的均值和标准差确定预设倍数；计算所述标准差与所述预设倍数的乘积值，将所述乘积值与所述均值的和值作为所述预警阈值。
54.在本实施例中，第一确定模块602，还用于根据多个所述第一误差数据生成直方图，确定所述直方图中出现概率小于预设阈值的目标误差数据，根据所述目标误差数据确定所述预警阈值。
55.本发明实施例提供的工业系统的状态表征装置600，可以执行上实施例1中的工业系统的状态表征方法的步骤，为避免重复，不再赘述。
56.本实施例提供的工业系统的状态表征装置，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。
57.实施例3此外，本公开实施例提供了一种电子设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行上述方法实施例所提供的工业系统的状态表征方法。
58.本发明实施例提供的电子设备，可以执行上实施例1中的工业系统的状态表征方法的步骤，为避免重复，不再赘述。
59.实施例4本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现实施例1中提供的工业系统的状态表征方法。
60.在本实施例中，计算机可读存储介质可以为只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
61.本实施例提计算机可读存储介质可以实施例1所提供的工业系统的状态表征方法，为避免重复，在此不再赘述。
62.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
63.另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
64.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以
存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是智能手机、个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
65.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。