[发明专利]一种生产设备数据标定方法

权利要求书

1.一种生产设备数据标定方法，其特征在于，包括以下步骤，

数据采集步骤，用以采集多台生产设备运行中的多组设备数据，每一组设备数据包括同一时段内被采集到的一组生产数据及一组外部参数； 每一组生产数据为已标定生产数据或未标定生产数据；当一组生产数据为已标定生产数据时，该组生产数据中的至少一个基本数据被标定有相应的数据含义标识；

数据库生成步骤，用以生成一数据库，包括至少两组已标定生产数据及其同一时段的外部参数；

数据模型建立步骤，用以根据所述数据库建立标定数据模型；

数据标定步骤，用以根据所述标定数据模型获取至少一组未标定生产数据中至少一个基本数据的数据含义标识；其中，所述数据模型建立步骤包括

数据分组步骤，用以将多组已标定生产数据随机分成两个样本组，分别为训练样本组和测试样本组，每一训练样本或测试样本中包括至少一组已标定生产数据及其外部参数；

模型建立步骤，用以根据所述训练样本组中多个训练样本中的生产数据、外部参数及数据含义标识建立标定数据模型；以及

交叉验证步骤，用以根据所述测试样本组中多个测试样本的已标定生产数据及所述标定数据模型获取与每一测试样本对应的测试数据含义标识，将所述测试数据含义标识与已知的测试样本的数据含义标识进行交叉对比，计算所述标定数据模型的准确度；当所述准确度小于或等于90%时，返回所述数据分组步骤。

2.根据权利要求1所述的生产设备数据标定方法，其特征在于，

所述数据模型建立步骤中，

在所述数据分组步骤与所述模型建立步骤之间，还包括

扩增特征计算步骤，根据所述至少一组已标定生产数据及其同一时段的外部参数计算扩增特征；

附加数据含义标识步骤，为所述扩增特征标定数据含义标识，每一所述扩增特征的数据含义标识为与该扩增特征关联的所有生产数据和外部参数的数据含义标识；以及

训练样本修正步骤，将所述得到的扩增特征分别加入训练样本组中，使每一训练样本组中均包含由其中生产数据和外部参数计算所得的扩增特征。

3.根据权利要求2所述的生产设备数据标定方法，其特征在于，所述扩增特征包括生产数据的平均值、标准差、最大值、最小值、生产数据与其他生产数据计算产生的数值计算值及生产数据与外部参数之间的数值计算值。

4.根据权利要求1所述的生产设备数据标定方法，其特征在于，

所述模型建立步骤包括

模型基础结构确定步骤，采用深度学习模型作为标定数据模型的基础结构，所述深度学习模型包括全连接网络模型、卷积神经网络模型、循环神经网络模型；

参数设定步骤，设定所述模型基础结构的结构参数，所述结构参数包括模型层数、每层包含的神经元个数及需要设定的参数；以及

代码逻辑运算步骤，用以运行根据结构参数进行逻辑运算生成所述标定数据模型。

5.根据权利要求1所述的生产设备数据标定方法，其特征在于，还包括

数据积累步骤，当一标定数据模型的准确度精确度达到预设值，将能够从标定数据模型中得到数据含义标识的未标定生产数据作为新的已标定生产数据，并同步获得新的已标定生产数据对应的外部参数；

数据库更新步骤，将新的已标定生产数据及其外部参数写入所述数据库中。

6.根据权利要求5所述的生产设备数据标定方法，其特征在于，还包括标定数据模型长期优化步骤，用以根据更新后所述数据库建立新的标定数据模型。

7.根据权利要求1所述的生产设备数据标定方法，其特征在于，

在所述数据采集步骤中，

数据采集的时间为0.1-1000000小时，

数据采集频率为每分钟10个-10000个。

8.根据权利要求1所述的生产设备数据标定方法，其特征在于，

所述生产数据为所述生产设备在运行状态下可采集的实时数据，包括设备设定参数和实时状态参数；和/或，

所述外部参数包括所述生产设备外部的参数；和/或，

所述数据含义标识用以标识一数据的特征和/或含义。

9.根据权利要求1或8所述的生产设备数据标定方法，其特征在于，

所述已标定生产数据的数据采集时间为0.1小时-1000000小时，数据采集频率为每分钟10个-10000个。