[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

说明书

本发明涉及一种设备的运行状态检测方法和装置，该方法包括步骤：检测设备的运行状态测点的当前数据，将当前数据转化为第一趋势图；将第一趋势图输入神经网络模型，获取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；计算第二趋势图与第一趋势图之间的重建偏差；根据重建偏差获取设备的运行状态，由于该神经网络模型是基于设备的正常数据进行机器学习训练得到的，能够学习到正常数据的趋势分布等特征，使得当前数据输入的第一趋势图以及神经网络模型重建的第二趋势图之间的重建偏差能够准确反映设备是否处于异常的运行状态，提高对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

技术领域

本发明涉及设备检测技术领域，特别是涉及一种设备的运行状态检测方法、设备的运行状态检测装置、计算机设备和计算机可读存储介质。

背景技术

在设备检测技术领域中，主要由各种工业过程控制系统基于测量值超限对设备的运行状态进行异常报警提示，而一般情况下，当某个设备的物理测量值达到报警值时，设备缺陷已对设备产生一定危害，需要在设备的健康状态发生质变之前出现检测出异常征兆。

传统技术通常采用如下两种方法对设备的运行状态进行检测：

①使用定值报警，即通过设定一个告警阈值，当设备运行的测量数据超过该告警阈值，就认为设备的运行状态处于异常状态，然而这种方法简单粗糙，无法在设备的健康状态发生质变之前检测出异常征兆。

②使用一定的逻辑程序筛选出异常状态，例如当设备运行的测量数据在一设定时间段内超过某个阈值，则认为该设备处于异常状态，但设备的异常情况具有多样性，难以穷举，导致该方法很难全面检测出设备的运行状态是否正常，降低检测的准确性。

发明内容

基于此，有必要针对传统技术对设备的异常状态的检测准确性低的技术问题，提供一种设备的运行状态检测方法、设备的运行状态检测装置、计算机设备和计算机可读存储介质。

一种设备的运行状态检测方法，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；

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；

计算所述第二趋势图与第一趋势图之间的重建偏差；

根据所述重建偏差获取所述设备的运行状态。

上述设备的运行状态检测方法，通过将检测得到的设备的运行状态测点的当前数据转化为第一趋势图，并将该第一趋势图输入到训练好的神经网络模型当中，获取该神经网络模型重建输出的第二趋势图，接着计算第二趋势图与第一趋势图之间的重建偏差，再根据该重建偏差获取该设备的运行状态，由于该神经网络模型是基于设备的正常数据进行机器学习训练得到的，该神经网络模型能够学习到正常数据的趋势分布等特征，使得当前数据输入的第一趋势图以及神经网络模型重建的第二趋势图之间的重建偏差能够准确反映出设备是否处于异常的运行状态，提高了对设备的运行状态进行检测的准确性以及全面性，有利于在早期发现设备的缺陷。

在一个实施例中，所述计算所述第二趋势图与第一趋势图之间的重建偏差的步骤包括：

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所述重建偏差。

在一个实施例中，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。