[发明专利]设备的运行状态检测方法、装置、计算机设备和存储介质

权利要求书

1.一种设备的运行状态检测方法，其特征在于，包括步骤：

检测设备的运行状态测点的当前数据，将所述当前数据转化为第一趋势图；所述第一趋势图携带有所述运行状态测点在每个时刻监测到的所述当前数据的具体数值，其中，所述运行状态测点与相应的所述第一趋势图的数量均为多个；

将所述第一趋势图输入神经网络模型，获取所述神经网络模型对所述第一趋势图进行重建输出的第二趋势图；其中，所述神经网络模型为对所述运行状态测点的正常数据进行训练的模型；

将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量；计算所述第一向量和第二向量之间的相似度；根据所述相似度确定重建偏差；

将所述重建偏差与设定的偏差阈值进行比较；

若所述重建偏差大于所述偏差阈值，则判断所述设备处于异常状态；

若否，则判断所述设备处于正常状态。

2.根据权利要求1所述的设备的运行状态检测方法，其特征在于，在所述将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量的步骤之前，还包括：

分别对所述第一趋势图和所述第二趋势图进行二值化处理。

3.根据权利要求1所述的设备的运行状态检测方法，其特征在于，还包括步骤：

获取所述运行状态测点的历史数据；

将所述历史数据转化为第三趋势图；

剔除所述第三趋势图中的异常数据，得到第四趋势图；

基于Keras深度学习框架构建初始神经网络模型，利用所述第四趋势图对所述初始神经网络模型进行训练得到所述神经网络模型。

4.根据权利要求3所述的设备的运行状态检测方法，其特征在于，所述剔除所述第三趋势图中的异常数据，得到第四趋势图的步骤包括：

获取所述运行状态测点的标准数据；

根据所述标准数据在所述第三趋势图中识别携带异常数据的异常趋势图；

将所述异常趋势图从所述第三趋势图中剔除，得到第四趋势图。

5.一种设备的运行状态检测装置，其特征在于，包括：

转化模块，用于检测设备的运行状态测点的当前数据，将所述当前数据转化为第一趋势图；所述第一趋势图携带有所述运行状态测点在每个时刻监测到的所述当前数据的具体数值，其中，所述运行状态测点与相应的所述第一趋势图的数量均为多个；

重建模块，用于将所述第一趋势图输入神经网络模型，获取所述神经网络模型对所述第一趋势图进行重建输出的第二趋势图；其中，所述神经网络模型为对所述运行状态测点的正常数据进行训练的模型；

计算模块，用于将所述第一趋势图转化为携带该第一趋势图的像素信息的第一向量，将所述第二趋势图转化为携带该第二趋势图的像素信息的第二向量；计算所述第一向量和第二向量之间的相似度；根据所述相似度确定重建偏差；

获取模块，用于将所述重建偏差与设定的偏差阈值进行比较；若所述重建偏差大于所述偏差阈值，则判断所述设备处于异常状态；若否，则判断所述设备处于正常状态。

6.根据权利要求5所述的装置，其特征在于，还包括：

二值化单元，用于分别对所述第一趋势图和所述第二趋势图进行二值化处理。

7.根据权利要求5所述的装置，其特征在于，还可以包括：

历史数据获取单元，用于获取所述运行状态测点的历史数据；趋势图转化单元，用于将所述历史数据转化为第三趋势图；数据剔除单元，用于剔除所述第三趋势图中的异常数据，得到第四趋势图；模型训练单元，用于基于Keras深度学习框架构建初始神经网络模型，利用第四趋势图对初始神经网络模型进行训练得到神经网络模型。

8.根据权利要求7所述的装置，其特征在于，所述数据剔除单元可以进一步用于：

获取所述运行状态测点的标准数据；根据所述标准数据在所述第三趋势图中识别携带异常数据的异常趋势图；将所述异常趋势图从所述第三趋势图中剔除，得到第四趋势图。