[发明专利]设备数据分类方法、装置及电子设备

说明书

本发明提供了设备数据分类方法、装置及电子设备，包括：获取设备加工过程中产生的时序数据；将时序数据输入至预先训练好的LSTM模型，以使LSTM模型对时序数据进行特征提取，得到时序数据的特征向量；计算特征向量与预存的底库特征向量集中每个底库特征向量的相似度；其中，底库特征向量集包括多个数据类别对应的底库特征向量；将相似度最高的底库特征向量所属的数据类别确定为时序数据的类别，以缓解现有的方法分类效果不理想的问题，且，具有较佳的分类效果。

技术领域

本发明涉及数据分类技术领域，尤其是涉及一种设备数据分类方法、装置及电子设备。

背景技术

工厂加工设备在运行过程中会产生如电流、电压、扭矩等多个维度的数据，不同情境下这些数据具有不同的组合表现形式，通过对这些组合形式的分析能够得到其中所蕴含着的设备的运行状态、加工质量的好坏以及员工的操作水平等信息。因此，对设备生产过程中产生的一系列时序数据进行分析对设备运行、人员培训及加工件质量管理具有重要的意义。

目前，对时序数据的分类有很多方法，但是这些方法对于加工设备的新工艺产生的数据没有很好的泛化能力，分类效果不是很理想，且现有的分类方法具有较高的后续维护成本。

发明内容

有鉴于此，本发明的目的在于提供一种设备数据的分类方法、装置及电子设备，以缓解上述问题，且，具有较佳的分类效果。

第一方面，本发明实施例提供了一种设备数据分类方法，所述方法包括：

获取设备加工过程中产生的时序数据；

将所述时序数据输入至预先训练好的LSTM模型，以使所述LSTM模型对所述时序数据进行特征提取，得到所述时序数据的特征向量；

计算所述特征向量与预存的底库特征向量集中每个底库特征向量的相似度；其中，所述底库特征向量集包括多个数据类别对应的所述底库特征向量；

将相似度最高的所述底库特征向量所属的数据类别确定为所述时序数据的类别。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述LSTM模型为基于循环神经网络和全连接层进行训练得到的模型，所述方法还包括：

获取预先存储的时序数据训练集，其中，所述时序数据训练集包含有多个工序的标准时序数据；

将所述时序数据训练集输入至所述循环神经网络和所述全连接层进行训练，以得到所述LSTM模型。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述计算所述特征向量与预存的底库特征向量集中每个底库特征向量的相似度的步骤包括：

根据余弦相似度分别计算所述特征向量与预存的所述底库特征向量集中每个所述底库特征向量的相似度。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述时序数据包括设备加工过程中产生的电流、电压、扭矩中的一种或多种。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述方法还包括：

根据所述时序数据的类别将所述时序数据存储在相应的数据库中。

第二方面，本发明实施例还提供一种设备数据分类装置，所述装置包括：

获取模块，获取设备加工过程中产生的时序数据；

特征提取模块，用于将所述时序数据输入至预先训练好的LSTM模型，以使所述LSTM模型对所述时序数据进行特征提取，得到所述时序数据的特征向量；