本申请涉及数据分析技术领域,特别涉及一种工业设备检测方法、装置、设备及可读存储介质。
背景技术:
在现有技术中,为了检测工业设备的运行状态,需要对工业设备的状态参数进行分析和检测。通常情况下,由经验丰富的设备运维人员对这些状态参数逐一进行检测和计算,从而确定工业设备的运行状态。
但是,由于物联网中的工业设备众多,且不同工业设备的状态参数各种各样,因此人工检测计算难免效率低下。同时,由于人工只能逐一检测状态参数,无法对一个工业设备的所有状态参数进行全局考量,因此现有的检测方法具有明显的片面性。人工检测难免会出现疏漏,因此现有检测方法也无法保障检测结果的准确性和精度。
因此,如何提高工业设备的检测效率和检测结果的准确率,是本领域技术人员需要解决的问题。
技术实现要素:
有鉴于此,本申请的目的在于提供一种工业设备检测方法、装置、设备及可读存储介质,以提高工业设备的检测效率和检测结果的准确率。其具体方案如下:
第一方面,本申请提供了一种工业设备检测方法,包括:
获取用户基于人机交互界面选择的目标机器学习算法和模型参数,模型参数为利用目标机器学习算法训练模型时涉及的参数;
利用目标机器学习算法和模型参数训练获得用于分析工业设备的状态参数的目标模型;
将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果。
优选地,利用目标机器学习算法和模型参数训练获得用于分析工业设备的状态参数的目标模型,包括:
获取用于训练目标模型的训练状态参数;
根据用户基于人机交互界面选择的预处理方法对训练状态参数进行预处理;
利用目标机器学习算法和模型参数对预处理后的训练状态参数进行处理,直至获得符合预设要求的模型;
将符合预设要求的模型确定为目标模型。
优选地,还包括:
在目标模型的训练过程中,获取用户基于人机交互界面选择的模型参数的更新值,利用更新值和目标机器学习算法训练目标模型。
优选地,将符合预设要求的模型确定为目标模型之后,还包括:
按照预设的评估指标对目标模型的训练过程进行评估,获得评估结果,并将评估结果进行可视化展示。
优选地,将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果之前,还包括:
获取用户基于人机交互界面选择的目标工业设备的状态参数。
优选地,还包括:
若用户基于人机交互界面选择多个目标机器学习算法,以及每个目标机器学习算法对应的模型参数,则分别训练获得每个目标机器学习算法对应的目标模型;
将测试状态参数分别输入每个目标模型,输出与每个目标模型对应的测试结果;
在所有测试结果中确定精确度最高的测试结果;
将目标工业设备的状态参数输入精确度最高的测试结果对应的目标模型,输出目标工业设备的检测结果。
优选地,输出目标工业设备的检测结果之后,还包括:
将检测结果进行可视化展示。
第二方面,本申请提供了一种工业设备检测装置,包括:
获取模块,用于获取用户基于人机交互界面选择的目标机器学习算法和模型参数,模型参数为利用目标机器学习算法训练模型时涉及的参数;
训练模块,用于利用目标机器学习算法和模型参数训练获得用于分析工业设备的状态参数的目标模型;
检测模块,用于将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果。
第三方面,本申请提供了一种工业设备检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的工业设备检测方法。
第四方面,本申请提供了一种可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述公开的工业设备检测方法。
通过以上方案可知,本申请提供了一种工业设备检测方法,包括:获取用户基于人机交互界面选择的目标机器学习算法和模型参数,模型参数为利用目标机器学习算法训练模型时涉及的参数;利用目标机器学习算法和模型参数训练获得用于分析工业设备的状态参数的目标模型;将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果。
在本申请中,当需要检测工业设备的运行状态时,将工业设备的状态参数输入训练获得的目标模型中,即可输出工业设备的检测结果。其中,利用机器学习算法训练获得的模型分析工业设备的状态参数,能够对工业设备的所有状态参数进行分析,从而提高分析效率和分析结果的准确率和全面性,也就提高了工业设备的检测效率,以及检测结果的准确率和全面性。同时,用户可自由选择训练模型的机器学习算法和模型参数,从而提高了模型训练的灵活性,降低了训练模型的技术要求,也增加了模型训练和用户的交互过程,从而使得训练得到的模型更接近用户的意愿,具有个性化特征。
相应地,本申请提供的一种工业设备检测装置、设备及可读存储介质,也同样具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请公开的第一种工业设备检测方法流程图;
图2为图1中s102的细化流程图;
图3为本申请公开的一种评估指标示意图;
图4为本申请公开的一种预估指标示意图;
图5为本申请公开的第二种工业设备检测方法流程图;
图6为本申请公开的一种工业设备检测装置示意图;
图7为本申请公开的一种工业设备检测设备示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,由于物联网中的工业设备众多,且不同工业设备的状态参数各种各样,因此人工检测计算难免效率低下。同时,由于人工只能逐一检测状态参数,无法对一个工业设备的所有状态参数进行全局考量,因此现有的检测方法具有片面性。人工检测难免会出现疏漏,因此现有检测方法也无法保障检测结果的准确性和精度。为此,本申请提供了一种工业设备检测方案,能够提高工业设备的检测效率,以及检测结果的准确率和全面性。
参见图1所示,本申请实施例公开了第一种工业设备检测方法,包括:
s101、获取用户基于人机交互界面选择的目标机器学习算法和模型参数,模型参数为利用目标机器学习算法训练模型时涉及的参数;
具体的,目标机器学习算法包括:岭回归算法、对数几率回归算法、支持向量机算法,随机森林算法,长短期记忆算法以及神经网络算法等。
s102、利用目标机器学习算法和模型参数训练获得用于分析工业设备的状态参数的目标模型;
s103、将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果。
在本实施例中,将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果之前,还包括:获取用户基于人机交互界面选择的目标工业设备的状态参数。也就是用户可基于人机交互界面自由选择需要分析和检测的工业设备的状态参数,待分析的状态参数可为一个或多个。
当工业设备为压缩机时,其状态参数可以包括:运行温度、气体压力、电流、电压和运行频率等。那么当用户选择状态参数时,可以仅选择运行温度,也可以同时选择运行温度、气体压力、电流、电压和运行频率等多个状态参数。
在本实施例中,输出目标工业设备的检测结果之后,还包括:将检测结果进行可视化展示。可视化展示的检测结果可使用户及时知悉工业设备的运行状态。当然,还可以将检测结果按照预设的邮箱地址发送至运维技术人员的邮箱,以供运维技术人员查看。
请参见图2,图2为图1中s102的细化流程图,图1中s102的细化步骤包括:
s201、获取用于训练目标模型的训练状态参数;
s202、根据用户基于人机交互界面选择的预处理方法对训练状态参数进行预处理;
具体的,对训练状态参数进行预处理的方法至少包括:马赛克处理、数据聚合、缺失值处理、box-cox变换。其中,由于工业设备的状态参数一般是片段化的,因此需要通过“马赛克处理”进行合并;同时状态参数的采集时间不确定,数据聚合可使状态参数按照时间进行聚合;缺失值处理即利用平均值、中值、分位数、众数、随机数等补全缺失的状态参数;box-cox变换可使状态参数的分布比较集中,避免其偏度较大。预处理的方法还包括:归一化处理和冗余参数的删除等。
其中,采集工业设备状态参数的设备可以为工业领域内的适配器。
s203、利用目标机器学习算法和模型参数对预处理后的训练状态参数进行处理,直至获得符合预设要求的模型;
s204、将符合预设要求的模型确定为目标模型。
在目标模型的训练过程中,用户可以灵活调整模型参数的取值。即:在目标模型的训练过程中,可以获取用户基于人机交互界面选择的模型参数的更新值,从而利用更新值和目标机器学习算法训练目标模型。
在本实施例中,将符合预设要求的模型确定为目标模型之后,还包括:按照预设的评估指标对目标模型的训练过程进行评估,获得评估结果,并将评估结果进行可视化展示。预设的评估指标可以参见图3。
在图3中,评估指标包括:算法功能实现的正确性、代码实现的正确性、目标函数的影响、训练数据集的影响、软硬件平台依赖的影响以及环境数据的影响。各个评估指标下又具体包括更细致的指标,具体请参见图3,在此不再赘述。同时,图3还可以看作评估结果,通过各个评估指标的评估,可看出当前模型的实际运行情况,具体请参见图3中的实现阶段和运行阶段。
需要说明的是,在训练模型之前,还可以基于图3中的评估指标对模型进行预估,具体请参见图4。图4中的需求阶段和设计阶段即为对模型的预估。其中,图3中关于“●”、“○”和“--”的解释在图4中仍然适用。
在模型的训练过程中,还可以利用图3中的评估指标评估模型的效果。具体的,将预设的测试状态参数输入当前模型中,获得当前模型的评估结果,进而根据评估结果修正模型结构,并继续模型的训练过程,直至获得符合预设要求的模型。
在本实施例中,当需要检测工业设备的运行状态时,将工业设备的状态参数输入训练获得的目标模型中,即可输出工业设备的检测结果。其中,利用机器学习算法训练获得的模型分析工业设备的状态参数,能够对工业设备的所有状态参数进行分析,从而提高分析效率和分析结果的准确率和全面性,也就提高了工业设备的检测效率,以及检测结果的准确率和全面性。同时,用户可自由选择训练模型的机器学习算法和模型参数,从而提高了模型训练的灵活性,降低了训练模型的技术要求,也增加了模型训练和用户的交互过程,从而使得训练得到的模型更接近用户的意愿,具有个性化特征。
参见图5所示,本申请实施例公开了第二种工业设备检测方法,包括:
s501、获取用户基于人机交互界面选择的多个目标机器学习算法,以及每个目标机器学习算法对应的模型参数;
s502、分别训练获得每个目标机器学习算法对应的目标模型;
s505、将测试状态参数分别输入每个目标模型,输出与每个目标模型对应的测试结果;
s504、在所有测试结果中确定精确度最高的测试结果;
s505、将目标工业设备的状态参数输入精确度最高的测试结果对应的目标模型,输出目标工业设备的检测结果。
本实施例可基于云平台或服务器实现。在本实施例中,用户可自由选择多个机器学习算法,以及每个目标机器学习算法对应的模型参数,从而可获得多个目标模型;然后在多个目标模型中确定为精确度最高的目标模型来分析目标工业设备的状态参数,从而可进一步提高目标工业设备的检测结果。
按照本实施例提供的方法可实现交互式分析系统,用户可基于该系统的人机交互界面参与模型的训练过程。
需要说明的是,本实施例中的其他实现步骤与上述实施例相同或类似,故本实施例在此不再赘述。
在本实施例中,当需要检测工业设备的运行状态时,将工业设备的状态参数输入训练获得的目标模型中,即可输出工业设备的检测结果。其中,利用机器学习算法训练获得的模型分析工业设备的状态参数,能够对工业设备的所有状态参数进行分析,从而提高分析效率和分析结果的准确率和全面性,也就提高了工业设备的检测效率,以及检测结果的准确率和全面性。同时,用户可自由选择训练模型的机器学习算法和模型参数,从而提高了模型训练的灵活性,降低了训练模型的技术要求,也增加了模型训练和用户的交互过程,从而使得训练得到的模型更接近用户的意愿,具有个性化特征。
下面对本申请实施例提供的一种工业设备检测装置进行介绍,下文描述的一种工业设备检测装置与上文描述的一种工业设备检测方法可以相互参照。
参见图6所示,本申请实施例公开了一种工业设备检测装置,包括:
获取模块601,用于获取用户基于人机交互界面选择的目标机器学习算法和模型参数,模型参数为利用目标机器学习算法训练模型时涉及的参数;
训练模块602,用于利用目标机器学习算法和模型参数训练获得用于分析工业设备的状态参数的目标模型;
检测模块603,用于将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果。
在一种具体实施方式中,训练模块包括:
获取单元,用于获取用于训练目标模型的训练状态参数;
预处理单元,用于根据用户基于人机交互界面选择的预处理方法对训练状态参数进行预处理;
训练单元,用于利用目标机器学习算法和模型参数对预处理后的训练状态参数进行处理,直至获得符合预设要求的模型;
确定单元,用于将符合预设要求的模型确定为目标模型。
在一种具体实施方式中,还包括:
更新值获取模块,用于在目标模型的训练过程中,获取用户基于人机交互界面选择的模型参数的更新值,利用更新值和目标机器学习算法训练目标模型。
在一种具体实施方式中,还包括:
评估模块,用于按照预设的评估指标对目标模型的训练过程进行评估,获得评估结果,并将评估结果进行可视化展示。
在一种具体实施方式中,还包括:
状态参数获取模块,用于获取用户基于人机交互界面选择的目标工业设备的状态参数。
在一种具体实施方式中,还包括:
并行训练模块,用于若用户基于人机交互界面选择多个目标机器学习算法,以及每个目标机器学习算法对应的模型参数,则分别训练获得每个目标机器学习算法对应的目标模型;
测试模块,用于将测试状态参数分别输入每个目标模型,输出与每个目标模型对应的测试结果;
确定模块,用于在所有测试结果中确定精确度最高的测试结果;
高精度检测模块,用于将目标工业设备的状态参数输入精确度最高的测试结果对应的目标模型,输出目标工业设备的检测结果。
在一种具体实施方式中,还包括:
展示模块,用于将检测结果进行可视化展示。
其中,关于本实施例中各个模块、单元更加具体的工作过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本实施例提供了一种工业设备检测装置,包括:获取模块、训练模块以及检测模块。首先由获取模块获取用户基于人机交互界面选择的目标机器学习算法和模型参数,模型参数为利用目标机器学习算法训练模型时涉及的参数;然后训练模块利用目标机器学习算法和模型参数训练获得用于分析工业设备的状态参数的目标模型;最后检测模块将目标工业设备的状态参数输入目标模型,输出目标工业设备的检测结果。如此各个模块之间分工合作,各司其职,从而提高了工业设备的检测效率,以及检测结果的准确率和全面性。
下面对本申请实施例提供的一种工业设备检测设备进行介绍,下文描述的一种工业设备检测设备与上文描述的一种工业设备检测方法及装置可以相互参照。
参见图7所示,本申请实施例公开了一种工业设备检测设备,包括:
存储器701,用于保存计算机程序;
处理器702,用于执行所述计算机程序,以实现上述任意实施例公开的方法。
下面对本申请实施例提供的一种可读存储介质进行介绍,下文描述的一种可读存储介质与上文描述的一种工业设备检测方法、装置及设备可以相互参照。
一种可读存储介质,用于保存计算机程序,其中,所述计算机程序被处理器执行时实现前述实施例公开的工业设备检测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本申请涉及的“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法或设备固有的其它步骤或单元。
需要说明的是,在本申请中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的可读存储介质中。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。