[发明专利]一种依据能量图谱识别生产设备的启停状态的方法

说明书

本发明公开了一种依据能量图谱识别生产设备的启停状态的方法，包括以下步骤：步骤1：对能量图谱进行预处理；步骤2：构建BiCoNet模型；步骤3：将能量图谱输入到BiCoNet模型中，训练该模型；步骤4：从BiCoNet模型中的五个深度网络中的池化层提取特征；步骤5：从BiCoNet模型中的五个深度网络中的全连接层提取特征；步骤6：将集成特征与全连接层提取的特征相结合；步骤7：对结合后的特征进行特征选择；步骤8：通过步骤7产生的特征进行分类。本发明通过深度学习完成生产设备状态识别，采用五个深度学习网络构成BiCoNet算法，更加高效准确地识别生产设备的启停状态，具有重要的现实意义和理论价值。

技术领域

本发明属于生产设备启停识别技术领域，具体涉及一种依据能量图谱识别生产设备的启停状态的方法。

背景技术

随着计算机技术及通信技术的发展，各类自动化装置不断被安装到用电设备中，它们收集了大量的有用数据，如能量图谱。目前，依据这些图谱同时识别多个用电设备的启停状态，基于这些识别结果可以大大提高设备管理工作的科学性和效率。

近年来，数据的合理应用在各行各业产生了巨大效益，数据挖掘技术应用于各个领域成为当前发展的趋势。在工业领域，数据挖掘技术应用于生产设备的状态识别可以促进生产设备的智能化管理。随着工业设备管理的智能化，如何准确识别生产设备的启停状态成为研究的热点问题之一。基于单个生产设备的生产数据识别设备的启停状态已经形成了较为完善的解决方案，依据多个生产设备的总能量图谱完成工业设备的启停状态识别尚处于起步阶段。准确的工业设备启停状态识别有利于生产设备的管理。

目前生产设备的状态识别大多基于具体某个设备的监测数据，不便于管理。生产设备的管理工作急需相对高效的设备启停状态识别方法，以便于对能量图谱进行利用，统一管理生产设备。深度学习类算法在移动机器人、人脸识别、物体检测、自动驾驶、智能家居等领域已有成功应用，但将深度学习应用于能量图谱的分析，提取能量图谱的重要特征进行设备状态识别仍是一个全新的尝试，该方法具有重要的现实意义和理论价值。

能量图谱从时间的维度记录了所有生产设备的用电量，依据用电量的变化曲线识别所有生产设备的启停状态。从数据样本的角度分析，每一张能量图谱对应多个设备的两种状态，一种状态为生产设备处于开启状态，另一个状态为生产设备处于暂停状态，该问题属于多标签分类问题。

发明内容

本发明的目的在于提供一种依据能量图谱识别生产设备的启停状态的方法，以解决上述背景技术提出的目前生产设备的状态识别大多基于具体某个设备的监测数据，不便于管理的问题。

本发明提供了一种依据能量图谱识别生产设备的启停状态的方法，其包括以下步骤：

步骤1：对能量图谱进行预处理，以符合五个深度学习网络的输入尺寸；

步骤2：构建BiCoNet模型，即构建ResNet-50、Inception V3、Inception-ResNet、Xception、DenseNet-201五个深度学习网络；

步骤3：将能量图谱输入到BiCoNet模型中，训练该模型；

步骤4：从BiCoNet模型中的五个深度网络中的池化层提取特征；

步骤5：从BiCoNet模型中的五个深度网络中的全连接层提取特征；

步骤6：将集成特征与全连接层提取的特征相结合；

步骤7：对结合后的特征进行特征选择；

步骤8：通过步骤7产生的特征进行分类。

优选的，所述步骤1包括以下步骤：