一种监测目标设备运行状态的预警系统的制作方法

1.本技术属于工业数据采集及设备故障诊断预警技术领域，具体涉及一种监测目标设备运行状态的预警系统。


背景技术：

2.从德国政府提出“工业4.0”之后，出现了一大批智能化的工厂，极大的提高了工厂生产的地位。信息交换沟通的领域迅速地覆盖了现场设备、控制、管理的各个层次，覆盖了各个车间、工厂，形成了以信息为基础的、以网络集成为支撑的强大信息系统，带来了生产自动化水平、工作效率的大幅度提高。由于工业生产过程复杂，设备繁多，作为生产过程中重要因素的设备自然就成为企业信息化改造的重要研究对象。由于工业设备采集与处理的数据尤为庞大，简单的数据统计分析已无法从这些数据中获得有效的信息，从而无法深度挖掘出这些数据蕴藏的珍贵知识。如何及时、快速、高效地了解设备运行及报警状态就成为工程技术人员需要解决的首要问题。
3.因此，需要提供一种针对上述现有技术不足的改进技术方案。


技术实现要素：

4.本技术的目的在于提供一种监测目标设备运行状态的预警系统，以解决或缓解上述现有技术中存在的问题。
5.为了实现上述目的，本技术提供如下技术方案：
6.一种监测目标设备运行状态的预警系统，所述预警系统包括智能感知及控制子系统和数据可视化管理平台，所述智能感知及控制子系统包括柜体、数据处理及控制单元、plc和工业交换机，所述数据处理及控制单元、所述 plc和所述工业交换机均设于所述柜体内；其中，
7.所述数据处理及控制单元与所述数据可视化管理平台通讯连接；
8.所述plc通过所述工业交换机与所述数据处理及控制单元以opc ua协议通讯连接；
9.所述plc与多个目标设备通过不同工业数据传输协议通讯连接；
10.所述plc采集每一个所述目标设备的监测指标数据，并将采集的所述监测指标数据上传至所述数据处理及控制单元，以由所述数据处理及控制单元根据接收的所述监测指标数据确定是否生成预警信息，并于生成所述预警信息后向所述数据可视化管理平台发出所述预警信息。
11.如上所述的监测目标设备运行状态的预警系统，可选地，所述柜体内设置有隔板，所述隔板沿所述柜体的前后方向延伸设置，并将所述柜体分为上部柜体和下部柜体，所述数据处理及控制单元、所述plc和所述工业交换机均设于所述上部柜体内。
12.如上所述的监测目标设备运行状态的预警系统，可选地，所述智能感知及控制子系统还包括不间断电源和直流电源，所述不间断电源设于所述下部柜体内，所述不间断电
源外接220v交流电源，并与所述直流电源连接；
13.所述直流电源与所述数据处理及控制单元、所述plc和所述工业交换机连接，为所述数据处理及控制单元、所述plc和所述工业交换机提供直流 24v电源。
14.如上所述的监测目标设备运行状态的预警系统，可选地，所述plc挂载有plc通讯模块，所述plc通讯模块通过所述不同工业数据传输协议接入多个所述目标设备的监测指标数据；所述智能感知及控制子系统还包括接线端子，所述接线端子设于所述上部柜体内，所述目标设备的信号通过所述接线端子接入所述plc通讯模块。
15.如上所述的监测目标设备运行状态的预警系统，可选地，所述智能感知及控制子系统还包括工业触屏，所述工业触屏通过所述工业交换机与所述数据处理及控制单元通讯连接，并通过以太网协议与所述plc通讯连接，用于展示目标设备的监测变量或操控所述plc中的控制变量；所述柜体还设置有转动门，所述柜体具有一侧开口，所述转动门可转动地连接于所述柜体的开口侧，并可盖合或打开所述开口，所述转动门背向所述开口的表面设置有安装槽，所述工业触屏嵌设于所述安装槽内。
16.如上所述的监测目标设备运行状态的预警系统，可选地，所述转动门具有相对的连接侧和自由侧，所述连接侧转动连接于所述柜体的一开口侧，所述自由侧在所述转动门盖合时抵触于所述柜体的另一开口侧；所述转动门背向所述开口的表面还设有门锁，所述门锁位于所述工业触屏的下部，并靠近所述转动门的自由侧设置。
17.如上所述的监测目标设备运行状态的预警系统，可选地，所述柜体为长方体状，所述柜体的底部四角处各安装有一个支撑脚，每一个所述支撑脚均包括万向轮、限位件和调整件，所述限位件用于限位固定所述万向轮，所述调整件用于调整所述柜体的高度。
18.如上所述的监测目标设备运行状态的预警系统，可选地，所述数据处理及控制单元包括通讯连接的微控制器、通信模块和存储模块，所述通信模块与所述数据可视化管理平台进行信息交互，并可向所述数据可视化管理平台发出预警信息。
19.如上所述的监测目标设备运行状态的预警系统，可选地，所述通信模块包括4g模块、wifi模块和以太网口，所述数据处理及控制单元可通过所述 4g模块发出预警信息；所述工业交换机接入所述以太网口，以实现所述数据处理及控制单元与所述plc之间的信息交互。
20.如上所述的监测目标设备运行状态的预警系统，可选地，所述智能感知及控制子系统还包括天线，所述天线从所述柜体的顶端伸出外部，所述4g 模块和wifi模块均通过信号线与所述天线连接。
21.与最接近的现有技术相比，本技术实施例的技术方案具有如下有益效果：
22.本技术的预警系统包括智能感知及控制子系统和数据可视化管理平台，智能感知及控制子系统包括柜体、数据处理及控制单元、plc和工业交换机，其中，数据处理及控制单元与数据可视化管理平台通讯连接；plc通过工业交换机与数据处理及控制单元连接；plc与多个目标设备通过不同工业数据传输协议通讯连接。在采用本技术的预警系统用于目标设备的运行状态时， plc采集每一个目标设备的监测指标数据，并将采集的监测指标数据以opcua协议上传至数据处理及控制单元，数据处理及控制单元对接收的监测指标数据进行分析，以确定是否生成预警信息，并于生成预警信息后向所述数据可视化管理平台发出预警信息。如此可以实现对目标设备的故障情况进行主动预测，及时避免设备故障发生，使
用户能够及时准确的掌握目标设备的工作状态，以便对目标设备进行不同调整，保证目标设备的高效、安全工作。
附图说明
23.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。其中：
24.图1为根据本技术的一些实施例提供的监测目标设备运行状态的预警系统的信号框架图；
25.图2为根据本技术的一些实施例提供的智能感知及控制子系统的结构示意图；
26.图3为根据本技术的一些实施例提供的智能感知及控制子系统柜体正面结构示意图；
27.图4为根据本技术的一些实施例提供的柜体内部布局示意图；
28.图5为根据本技术的一些实施例提供的数据处理及控制单元的结构示意图；
29.图6为根据本技术的一些实施例提供的一种监测目标设备运行状态的预警方法的流程示意图；
30.图7为根据本技术的一些实施例提供的监测目标设备运行状态的预警方法中步骤s10的细化流程示意图；
31.图8为根据本技术的另一些实施例提供的监测目标设备运行状态的预警方法中步骤s30的细化流程示意图。
32.附图标记说明：
33.100-智能感知及控制子系统，101-柜体，102-直流电源，103-数据处理及控制单元，104-工业交换机，105-工业触屏，106-plc，107-plc通讯模块，108-端子，109-不间断电源，110-天线；
34.1011-隔板；1012-背板；1013-走线槽；
35.1031-存储模块，1032-微控制器，1033-通信模块，1034-4g模块， 1035-wifi模块，1036-以太网口；
36.200-服务器，300-数据可视化管路平台，400-目标设备；
37.501-评估单元，502-预警单元。
具体实施方式
38.下面将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的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本技术保护的范围。
39.下面将结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
40.图1为根据本身请的一些实施例提供的监测目标设备运行状态的预警系统的信号框架图；图2为根据本技术的一些实施例提供的智能感知及控制子系统的结构示意图；图3为根据本技术的一些实施例提供的智能感知及控制子系统柜体正面结构示意图；图4为根据本技术的一些实施例提供的柜体内部布局示意图；图5为根据本技术的一些实施例提供
的数据处理及控制单元的结构示意图；如图1-图5所示，本技术的监测目标设备运行状态的预警系统包括智能感知及控制子系统100和数据可视化管理平台300，本技术设备运行状态的预警系统有多个，分别部署于厂区的各个厂房或者有设备需要监测的区域内，部署环境可以是室外或室内，可以实现对目标设备400的各项监测指标进行实时采集及对设备运行状态进行预测。
41.由于不同目标设备的数据传输协议不同，因而，无法直接将不同目标设备的监测指标数据上传，本技术中采用plc作为中继，将plc与多个不同的目标设备以不同的工业数据传输协议通信连接，然后，由plc再将接收到的不同目标设备的监测指标数据以opc(ole(objectlinkingandembedding)forprocesscontrol)ua(unifiedarchitecture)统一协议上传至数据处理及控制单元，实现对多个不同目标设备的同时监测。
42.如图1-图4所示，智能感知及控制子系统100包括柜体101、数据处理及控制单元103、plc106、和工业交换机104，数据处理及控制单元103、plc106和工业交换机104均设于柜体内。
43.其中，数据处理及控制单元103与数据可视化管理平台300通讯连接；plc106通过工业交换机104与数据处理及控制单元103通讯连接；plc106与多个目标设备400通过不同工业数据传输协议通讯连接；plc106采集每一个目标设备400的监测指标数据，并将采集的监测指标数据上传至数据处理及控制单元103，数据处理及控制单元103根据接收的监测指标数据确定是否生成预警信息，并于生成预警信息后向数据可视化管理平台300发出预警信息。
44.本技术的预警系统可以实现对目标设备的故障情况进行主动预测，及时避免设备故障发生，使用户能够及时准确的掌握目标设备的工作状态，以便对目标设备进行不同调整，保证目标设备400的高效、安全工作。
45.需要说明的，plc106将采集的监测指标数据统一以opcua统一协议上传至数据处理及控制单元103，数据处理及控制单元103也可以opcua协议将控制命令下传至所述plc106，在由plc106下达至现场目标设备400。
46.其中，数据处理及控制单元103通过预设的预警技术预测目标设备400是否需要预警，然后通过消息队列遥测传输(messagequeuingtelemetrytransport，简称mqtt)标准数据格式，以无线或有线网络上传至部署在服务器200上的数据可视化管理平台300，当监测值超过预设安全阈值值时，通过e9510的4g模块1034以短信通知相关负责人实现设备故障智能预警。预设的预警技术可以是现有技术中的阈值法。在其他的实施中，数据处理及控制单元103还可以通过预设的参数动态优化bp(backpropagation，误差反向)神经网络的设备运行状态预警模型，预测目标设备400在将来发生故障的概率，并将预测概率数据和设备参数监测数据以实时数据和预警信息两个不同的主体，通过消息队列遥测传输标准数据格式，以无线或有线网络上传至部署在服务器200上的数据可视化管理平台300，当设备故障预测概率值超过预设值(比如0.5)时，通过e9510的4g模块1034以短信通知相关负责人实现设备故障智能预警。
47.数据可视化管理平台300，既可以部署在厂区局域网服务器200中，也可部署在公网云服务器200上，所述数据可视化管理平台300采用b/s架构，主要功能如下：(1)实时监控；(2)报表查询；(3)多用户管理；(4)用户管理&权限管理；(5)设备故障警告管理。
48.如图4所示，本技术的可选实施例中，柜体101内设置有隔板1011，隔板1011沿柜体101的前后方向延伸设置，并将柜体101分为上部柜体和下部柜体，数据处理及控制单元103、plc106和工业交换机104均设于上部柜体内。
49.需要说明的是，柜体101表面采用酸洗、磷化、喷塑、高温烘烤关键处理工艺保证箱体不会生锈，底部安装支撑脚，移动方便，安置稳固。
50.本技术的可选实施例中，智能感知及控制子系统100还包括不间断电源 (uninterruptible power supply简称ups)109和直流电源102，ups109设于下部柜体101内，ups109外接220v交流电源，并与直流电源102连接；直流电源102与数据处理及控制单元103、plc106和工业交换机104连接，为数据处理及控制单元103、plc106和工业交换机104提供直流24v电源。本实施例中，ups109起到转换交流和直流的作用，可以将220v交流电源转换为直流24v电源。
51.本技术的可选实施例中，plc106挂载有plc通讯模块107，用于接入不同通信协议的目标设备400的监测指标数据；
52.本技术的可选实施例中，智能感知及控制子系统100还包括接线端子 108，接线端子108设于上部柜体内，目标设备400的信号通过接线端子108 接入plc通讯模块107。
53.如图4所示，本技术的可选实施例中，上部柜体内壁面固定有背板1012， plc106、工业交换机104、直流电源102和接线端子108均固定于背板1012 背向上部柜体内壁面的表面，背板1012背向上部柜体内壁面的表面还开设供通讯及电源线走线的走线槽1013，数据处理及控制单元103设置于隔板1011 上。其中，直流电源102、工业交换机104、plc106和接线端子108均挂装于背板1012上；直流电源102的两侧分别设置工业交换机104和plc106，在直流电源102、工业交换机104、plc106的正下方设置接线端子108；在直流电源102、工业交换机104、plc106和接线端子108之间及周边布设走线槽1013。数据处理及控制单元103平置于隔板1011的上表面，且位于背板1012的正下方。如此，不但使上部柜体内各零部件布局合理，充分的利用内部空间；同时，将强电部分与弱电部分进行隔离控制，有效提高了设备的安全性能。
54.本技术的可选实施例中，智能感知及控制子系统100还包括工业触屏 105，工业触屏105通过工业交换机104与数据处理及控制单元103通讯连接，并通过以太网协议与plc106通讯连接，用于展示目标设备400的监测变量或操控plc106中的控制变量。具体地，可将目标设备400的监测变量实时展现在所述工业触屏105组态画面中，也通过点击工业触屏105组态画面中的启停按钮操控plc106中的控制变量，实现目标设备400在现场侧的启动与停止。
55.本技术的可选实施例中，柜体101为长方体，柜体101具有一侧开口(即为正面开口)，正面开口处装配转动门，即转动门可转动地连接于柜体101 的开口侧，并可盖合或打开开口，转动门背向开口的表面设置有安装槽，安装槽的尺寸与工业触屏105的尺寸相适配，工业触屏105嵌设于安装槽内，如此便可实现工业触屏105的安装操作。
56.本技术具体实施例中，转动门具有相对的连接侧和自由侧，连接侧转动连接于柜体的一开口侧，自由侧与转动门盖合时抵触于柜体的另一开口侧；转动门背向所述开口的表面还设有门锁，门锁位于工业触屏的下部，并靠近转动门的自由侧设置。需要说明的是，转动门的连接侧与柜体之间的转动连接方式可以为合页连接、轴孔连接或其他合理且有效
的连接方式。此外，门锁可以为机械锁，也可以为电子锁，在此不做限制，均在本发明的保护范围之内。
57.本技术的可选实施例中，柜体101为长方体状，柜体101的底部设有多个支撑脚，多个支撑脚在柜体101的底部沿周向均布。具体的，支撑脚有4 个，4个支撑脚分别对应安装于柜体的四角，每一个支撑脚的底部均包括万向轮、限位件和调整件，调整件通过螺旋转动的方式调节每个支撑脚的高度，使多个支撑脚处于同一水平位置，进而，壁面柜体101倾斜，提高柜体101 稳定性。限位件用于在柜体101处于水平位置后，通过卡接等方式限制万向轮的转动，以将柜101固定，避免柜体101的继续移动。需要说明的是，这里限位件可采用常规的限位件，调整件可以采用常规的调整件，在此不做限定，均在本技术的保护范围之内。
58.本技术的可选实施例中，数据处理及控制单元103包括通讯连接的微控制器1032、通信模块1033和存储模块1031，通信模块1033与数据可视化管理平台300进行信息交互，并可向数据可视化管理平台300发出预警信息。
59.其中，微控制器1032采用基于intel haswell微架构的处理器，设计功耗仅有15瓦，达到了性能、功耗和体积的极佳平衡。微控制器1032无风扇被动散热，可宽温运行，工作温度为-20℃～70℃，机械振动适用频率为10hz 至150hz。
60.本技术的可选实施例中，通信模块1033包括4g模块1034、wifi模块 1035和以太网口1036，数据处理及控制单元103可通过4g模块1034发出预警信息；工业交换机104接入以太网口1036，以实现数据处理及控制单元 103与plc106之间的信息交互。其中，4g模块1034的型号为e9510，
61.进一步，智能感知及控制子系统100还包括天线110，天线110从柜体 101的顶端伸出外部，4g模块1034和wifi模块1035均通过信号线与天线 110连接，进行信息的传输。
62.籍此，进一步提高采集数据和预警信息的实时性，使用户能够及时准确的掌握各个目标设备400的工作状态，以便对不同的目标设备400进行不同调整，保证各目标设备400的高效、安全工作。
63.目前，复杂铝、镁、钛轻合金铸件的应用主要集中在汽车、轨道交通及医疗器械等领域。铸造车间的工作环境比较复杂，对于监测目标设备运行状态的预测是一种具有多故障因素和复杂的非线性映射关系的预测。为此，本技术还提出了一种设监测复杂备运行状态的预警方法，下面以表干炉设备为例，对本技术提出的监测目标设备运行状态的预警方法进行详细说明。
64.图6为根据本技术的一些实施例提供的监测目标设备运行状态的预警方法的流程示意图；如图6所示，本技术实施例中，预警方法包括以下步骤：
65.步骤s10，将目标设备当前时刻的各项监测指标作为输入，计算得到动态优化bp神经网络的影响因子
66.步骤s20，采用影响因子对bp神经网络的隐含层的每个神经元的权重进行动态优化，得到参数动态优化bp神经网络的设备运行状态预警模型；
67.步骤s30，基于所述设备运行状态预警模型，根据获取的目标设备400 的输入数据集，对目标设备下一时刻的运行状态进行预警；
68.其中，所述输入数据集包括当前时刻及以前若干个时刻的各项监测指标，每一个所述监测指标包括目标设备400的监测指标数列值。
69.具体地，plc106预先采集目标设备400当前时刻及以前若干个时刻的各项监测指标，得到目标设备400的监测指标数列值，当前时刻的监测指标数列值对应的运行状态评估预测值由训练完成的设备运行状态预警模型进行预测得到，在对目标设备400下一时刻的运行状态评估值进行预测时，当前时刻对应的运行状态评估预测值即为当前时刻的运行状态评估值。
70.plc106将通过不同工业数据传输协议采集到的数据统一以opcua协议上传至数据处理及控制单元103，数据处理及控制单元103通过预设的参数动态优化bp神经网络的设备运行状态预警模型，预测目标设备400在将来发生故障的概率，并将预测概率数据和设备参数监测数据以实时数据和预警信息两个不同的主题，通过消息队列遥测传输(message queuing telemetrytransport，简称mqtt)标准数据格式，以无线或有线网络上传至部署在服务器200上的数据可视化管理平台300，当设备故障预测概率值超过预设值 (比如0.5)时，通过e9510的4g模块1034以短信通知相关负责人实现设备故障智能预警。
71.图7为根据本技术的一些实施例提供的监测目标设备运行状态的预警方法中步骤s10的流程示意图；如图7所示，步骤s10包括：
72.步骤s11：将目标设备当前时刻的各项监测指标作为所述设备运行状态预警模型的输入变量，对输入变量进行归一化处理，得到输入向量，计算输入向量中各分量所对应的隶属度函数值。
73.具体地，输入变量为目标设备k时刻的各项监测指标，输入变量为x(k) ＝[x(k)1，x(k)2，
……
，x(k)n]，n表示输入变量的数量，在表干炉设备运行健康程度实施例中，选取输入变量的数量n为4，如表1所示。
[0074]
表1表干炉设备运行健康程度实施例的输入变量
[0075][0076]
将输入变量进行归一化处理，将所有输入变量输入映射到[-1，1]的区间内，按照公式(1)对输入变量进行归一化处理，得到归一化处理后的输入向量；公式(1)如下：
[0077][0078]
归一化处理后的输入向量为：这里n＝4；
[0079]
公式(1)中，i＝(1，2，
…
n)，x
imax
为第i项监测指标量程的最大值，x
imin
为第i项监测指标量程的最小值。
[0080]
按照公式(2)计算输入向量中各分量所对应的隶属度函数值；公式(2)如下：
[0081][0082]
式中，分别表示第k时刻、第k-1时刻，第i个所述输入向量的分量与其对应的第j个所述隶属度函数值；j＝(1，2，
…
m)，j表示根据数据训练样本不同的特点划分的m个数据数据子类中的第j个数据子类，这里将输入数据集设定为4个数据子类，m＝4，v、c、b均为隶属度函数模型的参数，在模型训练前，c的初始值为经过聚类后m个数据子类聚类中心的值，v、b初始值为取值为符合标准差为0.1的截断正态分布的随机值。
[0083]
步骤s12，根据隶属度函数值计算输入向量与m个数据子类的相似度，并做归一化处理，得到影响因子。
[0084]
具体地，按照公式(3)：
[0085][0086]
得到输入向量与每个数据子类(1，2，
…
，m个数据子类)的相似度；按照公式(4)：
[0087][0088]
将对每个数据子类的相似度做归一化处理，得到影响因子公式(4)中，m为设备运行状态预警模型的输入数据集中数据子类的数量， aj(k)表示k时刻输入向量与m个数据子类中第i个数据子类的相似度，表示k时刻输入向量与m个数据子类的相似度之和，i、j∈[1， m]，m为大于1的正整数。需要说明的是，表示k时刻m个数据子类中第j个数据子类的影响因子，可以理解的，这里影响因子表征的是由输入向量与第j个数据子类的相似度而导致的对隐含层神经元的影响。
[0089]
本技术具体实施例中，步骤s20中，bp神经网络的隐含层神经元个数为3m个，在本实施例中m＝4，则隐含层中神经元个数为12个，m个数据子类中每个数据子类有3个属于本类的隐含层神经元，这3个神经元的权重将受到属于本类的的影响，使这3个神经元在参与计算过程中，受到抑制的程度动态变化。权重动态优化前馈神经网络的输出结果计算过程如下：
[0090]
按照公式(5)：
[0091][0092]
得到输入向量在参数动态优化bp神经网络的隐含层每个神经元输入的计算结果；公式(5)中，w
jr
表示由输入(in)到隐含层(hide)属于第j个数据子类的第r个神经元的
连接权重；表示bp神经网络隐含层属于第j个数据子类的第r个神经元的偏置值，r表示隐含层中属于每个数据子类的神经元数量，r＝(1，2，3)；为影响因子，p表示k时刻目标设备的监测指标数量。
[0093]
图8为根据本技术的另一些实施例提供的设备运行状态的预警方法中步骤s30的细化流程示意图，如图8所示，步骤s30包括：
[0094]
步骤s31，基于所述设备运行状态预警模型，根据获取的目标设备的输入数据集，得到目标设备400在下一时刻的运行状态评估预测值；运行状态评估预测值用于表征所述目标设备400的下一时刻的运行状态；
[0095]
步骤s32，将所述运行状态评估预测值和预设运行状态阈值进行比对，响应于所述运行状态评估预测值大于所述预设运行状态阈值，对目标设备下一时刻的运行状态进行预警。
[0096]
其中，步骤s31中，按照公式(6)：
[0097][0098]
得到参数动态优化bp神经网络隐含层的输出；
[0099]
公式(6)中，f(*)是sigmoid函数。
[0100]
按照公式(7)和公式(8)：
[0101][0102]
yo(k)＝f(yi(k))(8)
[0103]
得到目标设备在下一时刻的运行状态评估值，式中，yi(k)表示bp神经网络输出层的输入，b0表示bp神经网络输出层偏置值。
[0104]
本技术具体实施中，设备运行状态表如表2所示。
[0105]
表2设备运行状态表
[0106][0107]
由表2可知，当yo(k)＞0.5时，智能感知及控制子系统向数据可视化管理平台发出设备将要发生故障的预警信息。
[0108]
可以理解的，本技术将目标设备当前时刻的各项监测指标作为输入，计算得到影响因子，并采用影响因子对bp神经网络的隐含层的每个神经元的权重进行动态优化，构建得到参数动态优化bp神经网络的设备运行状态预警模型，然后基于构建的参数动态优化bp神经网络的设备运行状态预警模型，根据预先采集的目标设备的各项监测指标，对目标设备下一时刻的运行状态进行预测，获取目标设备下一时刻的运行状态评估预测值；之后，通过将所述运行状态评估预测值和预设运行状态阈值进行比对，实现对目标设备下一时刻的运行状态进行预警；在运行状态评估预测值大于预设运行状态阈值，对目标设备下一时刻的运行状态进行预警。如此的技术方案，可以实现对设备故障情况进行主动预测，及时避免设备故障发生，同时可以指导现场设备运行和维护操作，为设备状态检修提供了科学依据。由于本技术在bp 神经网络的隐含层引入影响因子，则在计算过程中动态抑制了部分神经元参与运算，从而在计算过程动态减少了网络参数，提高了网络泛化性，在实际应用中达到准确提前预测大型目标设备运行趋势效果，避免因设备故障导致对生产的影响以及带来的对人力、物力及财力的浪费。
[0109]
本技术具体实施例中，步骤s20中，采用所述影响因子对bp神经网络的隐含层的每个神经元的权重进行动态优化之前，还包括，根据预先获取的训练集，基于adam优化算法，对参数动态优化bp神经网络的设备运行状态预警模型进行训练，得到所述设备运行状态预警模型，具体为：
[0110]
(1)基于k-means方法，获取所述训练集的聚类中心，以将所述训练集划分为多个数据子类。
[0111]
具体地，首先，筛选一批采集的目标设备监测参数历史记录及设备运行记录形成
训练集，x
l
表示某一时刻目标设备的各项监测指标，是由设备运行记录和相关专家判定的目标设备将进入的运行状态；表示设备出现异常，表示设备工作正常。
[0112]
然后，从训练集d中随机选取m个目标设备的检测指标数据作为训练集d 的初始聚类中心；其中，训练集d包括多个时序样本数据，每个所述时序样本数据包括目标设备的时序样本数列值和时序样本数列值对应的样本状态评估值，样本状态评估值由人工标注得到。
[0113]
之后，根据训练集d中每个样本数据集中每个样本数据分别到m个初始聚类中心的距离，将样本数据集划分为m类，并按照公式(9)
[0114][0115]
计算每一数据子类的聚类中心；式中，c
t
表示第t类的聚类中心，t∈[1，m]， m为大于1的正整数，x表示时序样本数据中的一组输入向量；
[0116]
根据所述训练集中每一个时序样本数据到聚类中心c
t
的距离，将训练集重新划分为m类；
[0117]
对所述训练集的划分进行循环迭代，直至所述聚类中心c
t
不再变化，得到m个数据子类。
[0118]
(2)基于adam优化算法，根据所述训练集的聚类中心，对所述设备运行状态预警模型的参数进行优化，得到所述设备运行状态预警模型。
[0119]
具体地，基于adamoptimizer优化器，根据数据训练集，按照预设的损失函数对所述设备运行状态模型的参数进行迭代优化训练，得到设备运行状态模型；
[0120]
其中，预设的损失函数为：
[0121][0122]
式中，l为所述训练集的样本数量，i表示所述训练集中的第i个样本，为目标设备将进入的运行状态，表示目标设备出现异常，表示目标设备工作正常，p为样本类别的预测概率，θ泛指需要训练的参数。
[0123]
其中，以聚类中心c
t
作为隶属度函数模型：
[0124]
μ(k)＝exp[-(x v
×
μ(k-1)-c)2/2b2]
[0125]
中c的初始值，其他bp神经网络初始值b0取值为符合标准差为0.1的截断正态分布的随机值，截断正态分布是在标准正态分布(高斯分布)的基础上加以限制，以得到生成的数据在一定范围内，比如，标准正态分布生成的数据范围为负无穷到正无穷，而截断式正态分布生成的数据在(均值-2倍的标准差，均值 2倍的标准差)这个范围内。一般情况下，w
jr
， b0的初始取值为在[-0.2，0.2]之间的符合正态分布的随机数。
[0126]
进一步地，选用adamoptimizer作为参数优化器，训练权重为0.00005；设定最大迭代次数为1000次，达到j(θ)最小化(趋近于0)的目的，进而可以得到隶属度函数模型中参数
v、b、c的优化值，并在实际应用中使用。
[0127]
以上所述仅为本技术的优选实施例，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。