[发明专利]工业设备监控方法、系统、电子设备及存储介质

说明书

本发明属于人工智能物联网技术领域，公开了一种工业设备监控方法、系统、电子设备及存储介质。所述方法包括：获取工业设备的第一运行模拟数据；获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。本发明通过采集多种信息，建立工业设备对应的监控模型，并通过不断学习，能够满足不同工况、不同使用习惯下的工业设备监控和状态预警，具有智能化、个性化的特点。

技术领域

本发明涉及人工智能物联网技术领域，尤其涉及一种工业设备监控方法、系统、电子设备及存储介质。

背景技术

工业设备多采用电机驱动方式进行工作，因此，电机的安装情况、运行环境、用电情况、保养情况等因素都会影响工业设备的运行状态。现有的设备监控系统多采用震动传感、用电情况检测等方式对工业设备进行监控。但工业设备多种多样，且工业设备运行的环境也并不相同，工业设备监控系统难以兼顾不同的工业设备。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种工业设备监控方法、系统、电子设备及存储介质，旨在解决现有技术的工业设备监控方法缺乏个性化难以兼顾不同的工业设备的技术问题。

为实现上述目的，本发明提供了一种工业设备监控方法，所述方法包括以下步骤:

获取工业设备的第一运行模拟数据；

获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型；

获取工业设备的当前运行信息，并根据所述目标多模态模型对所述当前运行信息进行监控。

优选地，所述获取工业设备的第一运行模拟数据的步骤，具体包括：

对工业设备的预设位置进行运行信息采集，以获取待处理运行数据；

对所述待处理运行数据进行标注处理，以生成第一运行模拟数据。

优选地，所述获取预设时间序列递归神经网络模型，并根据所述第一运行模拟数据对所述预设时间序列递归神经网络模型进行训练，以获取目标多模态模型的步骤，具体包括：

获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理；

将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型进行训练，以获取目标多模态模型。

优选地，所述获取预设时间序列递归神经网络模型，并对所述预设时间序列递归神经网络模型进行参数初始化处理的步骤，具体包括：

获取预设时间序列递归神经网络模型，对所述预设时间序列递归神经网络模型的各特征向量的参数权重进行正态化与初始化处理。

优选地，所述将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型进行训练，以获取目标多模态模型的步骤，具体包括：

将所述第一运行模拟数据输入处理后的预设时间序列递归神经网络模型并根据预设阀门开关条件进行训练，以获取目标多模态模型；

所述预设阀门开关条件为：

在所述预设时间序列递归神经网络模型已经进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺相同时，开启所述预设时间序列递归神经网络模型的阀门；

在所述预设时间序列递归神经网络模型未进行过对应于所述工业设备的训练，且所述工业设备所进行的生产工艺变化时，关闭所述预设时间序列递归神经网络模型的阀门。