[发明专利]设备状态检测方法及相关装置

说明书

本申请提供的设备状态检测方法及相关装置中，数据处理设备将自编码器与多个循环神经网络相结合，通过自编码器将待检测设备的多个状态特征集分别进行重构，并依据多个状态特征集与各自重构特征集之间的差异，确定待检测设备的健康状态；由于该自编码器的待重构特征由多个循环神经网络对不同特征尺度的多个编码序列分别进行特征发掘获得，因此，能够充分发掘设备状态序列中蕴藏的与设备健康状态相关的信息，以达到提高检测精度的目的。

技术领域

本申请涉及机器学习领域，具体而言，涉及一种设备状态检测方法及相关装置。

背景技术

由于工业设备的健康状态对于企业的安全生产与经济效益有着重要意义，因此，提出了基于数据驱动的工业设备健康状态监测方法。该方法中，利用传感器处采集工业设备的设备状态序列，基于深度神经网络进行黑盒的建模，并进行端到端的训练，从空间维度以及时间维度挖掘出海量数据中蕴藏的工业设备健康状态信息。

然而，发明人研究发现，相关技术未充分利用待分析数据的局部感受视野范围内的特征。

发明内容

为了克服现有技术中的至少一个不足，本申请实施例提供一种设备状态检测方法及相关装置，包括：

第一方面，本申请实施提供一种设备状态检测方法，应用于数据处理设备，所述数据处理设备配置有第一检测模型，所述第一检测模型包括第一编码器、第一解码器以及多个循环神经网络，所述方法包括：

获取待检测设备的多个状态特征集，所述多个状态特征集具有预设顺序，每个所述状态特征集具有所述待检测设备多个部件各自的状态信息；

通过所述第一编码器从空间维度对所述多个状态特征集分别进行特征提取，获得具有不同特征尺度的多个编码序列，其中，所述多个编码序列分别对应不同的循环神经网络，每个所述编码序列包括具有所述预设顺序的多个编码特征，所述多个编码特征分别对应不同的所述状态特征集；

针对每个所述编码序列，通过对应的所述循环神经网络从时间维度对所述编码序列进行特征提取，获得待重构序列，其中，所述待重构序列包括多个待重构特征，所述多个待重构特征分别对应不同的所述状态特征集；

针对每个所述状态特征集，将所述状态特征集全部的待重构特征输入到所述第一解码器进行重构，获得所述状态特征集的重构特征集；

根据所述多个状态特征集与各自重构特征集之间的差异，确定所述待检测设备的健康状态。

第二方面，本申请实施例提供一种设备状态检测装置，应用于数据处理设备，所述数据处理设备配置有第一检测模型，所述第一检测模型包括第一编码器、第一解码器以及多个循环神经网络，所述设备状态检测装置包括：

特征获取模块，用于获取待检测设备的多个状态特征集，所述多个状态特征集具有预设顺序，每个所述状态特征集具有所述待检测设备多个部件各自的状态信息；

特征提取模块，用于通过所述第一编码器从空间维度对所述多个状态特征集分别进行特征提取，获得具有不同特征尺度的多个编码序列，其中，所述多个编码序列分别对应不同的循环神经网络，每个所述编码序列包括具有所述预设顺序的多个编码特征，所述多个编码特征分别对应不同的所述状态特征集；

所述特征提取模块，还用于针对每个所述编码序列，通过对应的所述循环神经网络从时间维度对所述编码序列进行特征提取，获得待重构序列，其中，所述待重构序列包括多个待重构特征，所述多个待重构特征分别对应不同的所述状态特征集；

特征重构模块，用于针对每个所述状态特征集，将所述状态特征集全部的待重构特征输入到所述第一解码器进行重构，获得所述状态特征集的重构特征集；

状态检测模块，用于根据所述多个状态特征集与各自重构特征集之间的差异，确定所述待检测设备的健康状态。