设备异常检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及设备异常检测技术领域，特别是涉及一种设备异常检测方法、装置、计算机设备和存储介质。


背景技术：

2.随着工业技术的发展，工业设备在工业生产中愈发重要，工业设备的异常检测也成为工业生产中的焦点问题。
3.传统的异常检测过程中，需要先收集例如分子束外延设备的工业设备的状态数据后，将收集数据显示于人机交互界面后，由工作人员实时观测状态数据并判断是否有异常。
4.然而，通过该方式需要工作人员具有足够的经验，且随着工作人员工作时间的增长，工作人员错检和漏检的概率均会大幅上升。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够自动检测设备异常的设备异常检测方法、装置、计算机设备和存储介质。
6.一种设备异常检测方法，包括：
7.获取待检测设备的状态数据，其中，所述获取数据包括多次采集的状态参数；
8.对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
9.获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点；
10.根据判断结果判定所述待检测设备是否处于异常状态。
11.在其中一个实施例中，所述对获取数据进行预处理包括：
12.对获取数据进行归一化处理、降噪处理和时间校正处理；
13.以时间为分类标准对处理后的获取数据进行时序分类。
14.在其中一个实施例中，所述时间校正处理包括：
15.将同次采集的状态参数的记录采集时间以预设规则校正至相同值。
16.在其中一个实施例中，所述以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常包括：
17.根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标，其中，所述时序评价指标用于表征所述时序状态特征参数与预设的正常状态特征参数均值的差异度；
18.根据各时间节点的所述时序评价指标判断对应的时序状态特征参数是否异常。
19.在其中一个实施例中，所述根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标的公式为：
[0020][0021]
其中，e表示所述时序评价指标，y
j
表示所述时序状态特征参数，表示所述正常状态特征参数均值，j表示所述时序状态特征参数的维度。
[0022]
在其中一个实施例中，所述根据各时间节点的所述时序评价指标判断对应的时序状态特征参数是否异常包括：
[0023]
判断各时间节点的所述时序评价指标是否大于预设的异常阈值，若大于所述异常阈值，则判定所述时序评价指标对应的时序状态特征参数异常。
[0024]
在其中一个实施例中，所述根据判断结果判定所述待检测设备是否处于异常状态包括：
[0025]
获取所述时序状态特征参数异常的时间节点，记为异常时间节点；
[0026]
判断所述预定时间段内所述异常时间节点数与总时间节点数的比值是否大于预设阈值，若是，判定所述待检测设备处于异常状态。
[0027]
一种设备异常检测装置，包括：
[0028]
获取模块，用于获取待检测设备的状态数据，其中，所述获取数据包括多次采集的状态参数；
[0029]
处理模块，用于对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
[0030]
判断模块，用于获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点；
[0031]
判定模块，用于根据判断结果判定所述待检测设备是否处于异常状态。
[0032]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0033]
获取待检测设备的状态数据，其中，所述获取数据包括多次采集的状态参数；
[0034]
对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
[0035]
获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点；
[0036]
根据判断结果判定所述待检测设备是否处于异常状态。
[0037]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0038]
获取待检测设备的状态数据；
[0039]
对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
[0040]
获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各
时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点；
[0041]
根据判断结果判定所述待检测设备是否处于异常状态。
[0042]
上述设备异常检测方法、装置、计算机设备和存储介质，通过获取例如分子束外延设备的待检测设备的状态数据，并对获取数据进行预处理，可得到时序分类的时序状态参数，将所述时序状态参数作为输入数据，通过异常检测算法得到与时序状态参数时序对应的时序状态特征参数，时序状态特征参数用于反映待检测设备的运行状态特征，然后通过对预定时间段内各时间节点的所述时序状态特征参数进行异常分析，根据判断结果可确定各时间节点的待检测设备的状态是否异常，从而确定待检测设备是否处于异常状态，进而自动实现对待检测设备的异常检测；异常检测过程无需工作人员参与，避免了人工检测随检测时间增加而出现的错检概率和漏检概率上升的问题，稳定性和准确性较高，并降低了工作人员的工作量。
附图说明
[0043]
为了更清楚地说明本技术实施例或传统技术中的技术方案，下面将对实施例或传统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技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0044]
图1为一个实施例中设备异常检测方法的应用环境图；
[0045]
图2为一个实施例中分子束外延设备的状态参数的示意图；
[0046]
图3为一个实施例中设备异常检测方法的流程示意图；
[0047]
图4为另一个实施例中对获取数据进行预处理步骤的流程示意图；
[0048]
图5为一个实施例中时序状态特征参数异常判断步骤的流程示意图；
[0049]
图6为一个实施例中待检测设备异常判断步骤的流程示意图；
[0050]
图7为另一个实施例中设备异常检测方法的流程示意图；
[0051]
图8为一个实施例中设备异常检测装置的结构框图；
[0052]
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
[0053]
为了便于理解本技术，下面将参照相关附图对本技术进行更全面的描述。附图中给出了本技术的实施例。但是，本技术可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本技术的公开内容更加透彻全面。
[0054]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术。
[0055]
可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
[0056]
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特
征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
[0057]
本技术提供的设备异常检测方法，可以直接应用于待检测设备中。也可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端可以但不限于是待检测设备和待检测设备的上位机，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0058]
在一个实施例中，如图3所示，提供了一种设备异常检测方法，以该方法应用于分子束外延设备为例进行说明，包括：
[0059]
s302，获取待检测设备的状态数据，其中，所述获取数据包括多次采集的状态参数。
[0060]
应用中，数据采集装置每隔一定时间采集一次待检测设备的状态数据，数据采集装置可以为待检测设备的上位机，采集的数据存储于信息采集装置和/或服务器中。在进行设备异常检测时，设备异常检测装置获取存储的所有数据或获取一定时间范围内的存储数据。
[0061]
其中，示例性地，运行稳定的分子束外延生产流程包含设备的日常调试以及外延生产。典型的日常调试包含设备待机、烘烤除气。而进入到外延生产流程，则从时间顺序上包括：晶片装载、晶片除气、晶片转移、晶片预处理、根据生长配方外延生长、外延片卸载。状态数据包括如图2所示的状态参数的一种或多种。
[0062]
s304，对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点。
[0063]
其中，时序状态特征参数用于表示待检测设备的运行状态。时序状态特征参数与对应的时序状态参数对应同一时间节点，则时序状态特征参数可分为各时间节点的时序状态特征参数。
[0064]
具体地，由于数据采集装置每隔一定时间采集一次待检测设备的状态数据，则获取数据包括不同时间的状态参数，通过对获取数据进行预处理，得到以时间顺序分类的时序状态参数，然后根据时序状态参数及异常检测算法得到时序状态特征参数，从而确定相应时间的待检测设备的运行状态。
[0065]
可选地，所述根据时序状态参数及异常检测算法得到时序状态特征参数包括：
[0066]
将所述时序状态参数输入训练好的机器学习模型，得到对应时序的时序状态特征参数。
[0067]
其中，机器学习模型采用监督学习的方式进行训练，通过标注数据训练得到，训练算法包括并不限于支持向量机、adaboost等。
[0068]
s306，获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点。
[0069]
具体地，通过预设算法对获取的各时间节点的时序状态特征参数进行分析，可确定各时间节点的时序状态特征参数是否异常，从而确定相应时间的待检测设备的运行状态
是否异常。
[0070]
s308，根据判断结果判定所述待检测设备是否处于异常状态。
[0071]
上述设备异常检测方法，通过获取例如分子束外延设备的待检测设备的状态数据，并对获取数据进行预处理，可得到时序分类的时序状态参数，将所述时序状态参数作为输入数据，通过异常检测算法得到与时序状态参数时序对应的时序状态特征参数，时序状态特征参数用于反映待检测设备的运行状态特征，然后通过对预定时间段内各时间节点的所述时序状态特征参数进行异常分析，根据判断结果可确定各时间节点的待检测设备的状态是否异常，从而确定待检测设备是否处于异常状态，进而自动实现对待检测设备的异常检测；且异常检测过程无需工作人员参与，避免了人工检测随检测时间增加而出现的错检概率和漏检概率上升的问题，稳定性和准确性较高，并降低了工作人员的工作量。
[0072]
在一个实施例中，如图4所示，所述对获取数据进行预处理包括：
[0073]
s402，对获取数据进行归一化处理、降噪处理和时间校正处理。
[0074]
具体的，通过归一化处理将获取的状态数据限制一定范围内，以便于后续进行数据处理。通过降噪处理去除干扰数据，以提高获取数据的准确性。应用中，可能存在状态参数对应的记录采集时间存在记录偏差，则需要对相应状态参数对应的记录采集时间进行时间校正。
[0075]
s404，以时间为分类标准对处理后的获取数据进行时序分类。
[0076]
具体地，获取的设备的状态数据包括不同时间的多种状态参数，以时间为分类标准将处理后的获取数据进行时序分类，从而使同次采集的状态参数分于同一类中，并使得得同类中参数的记录采集时间相同。
[0077]
在一个实施例中，所述时间校正处理包括：
[0078]
将同次采集的状态参数的记录采集时间以预设规则校正至相同值。
[0079]
可选地，时间节点为瞬时值，时间节点可预先确定，第一个时间节点为初次采集状态参数的时间，相邻时间节点的时间间隔与采集状态数据的时间间隔相同，以使每一时间节点可对应同次采集的一组状态参数。示例性地，若预定时间段为一个小时，以1分钟为采集状态数据的时间间隔，则相邻时间节点的间隔时间也为1分钟，以预定时间段的初始时间点为第一个时间节点和初次采集状态参数的时间，则预定时间段内存在60个时间节点和60组状态参数，每一时间节点对应一组状态参数。在此情况下，第n次采集的状态参数的记录采集时间应均对应第n个时间节点，但应用中，可能存在第n次采集的状态参数的记录采集时间存在偏差，因此，将所有第n次采集的状态参数的记录采集时间校正至第n个时间节点，以使第n次采集的状态参数的记录采集时间相同。
[0080]
可选地，获取同次采集的状态参数的记录采集时间，计算获取的记录采集时间的均值，然后将该次采集的状态参数对应的记录采集时间校正至该均值，并将该均值记为时间节点，则每一时间节点也对应一组状态参数。
[0081]
在一个实施例中，如图5所述，所述以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常包括：
[0082]
s502，根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标，其中，所述时序评价指标用于表征所述时序状态特征参数与预设的正常状态特征参数均值的差异度。
[0083]
具体地，在设备处于正常状态时，选定某一时间段，获取设备在选定时间段的状态数据，然后对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法可得到正常的时序状态特征参数，获取选取时间段的各时间节点的时序状态特征参数，根据获取的各时间节点的时序状态特征参数得到正常状态特征参数均值。遍历计算各时间节点的时序状态特征参数与该正常状态特征参数均值的差异度，可得到各时间节点的时序评价指标。
[0084]
s504，根据各时间节点的所述时序评价指标判断对应的时序状态特征参数是否异常。
[0085]
具体地，由于时序评价指标用于表征时序状态特征参数与预设的正常状态特征参数均值的差异度。当某一时间节点的时序评价指标较大时，则该时间节点时序状态特征参数与正常状态特征参数均值的差异度较大，显然该时间节点时序状态特征参数异常。反之，当某一时间节点的时序评价指标较小时，则该时间节点时序状态特征参数与正常状态特征参数均值的差异度较小，则该时间节点时序状态特征参数大概率正常。
[0086]
在一个实施例中，所述根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标的公式为：
[0087][0088]
其中，e表示所述时序评价指标，y
j
表示所述时序状态特征参数，表示所述正常状态特征参数均值，j表示所述时序状态特征参数的维度，即j表示时序状态特征参数中参数的种类数。
[0089]
在一个实施例中，所述根据各时间节点的所述时序评价指标判断对应的时序状态特征参数是否异常包括：
[0090]
判断各时间节点的所述时序评价指标是否大于预设的异常阈值，若大于所述异常阈值，则判定所述时序评价指标对应的时序状态特征参数异常。
[0091]
其中，异常阈值为多次试验得出的试验值，异常阈值与待检测设备有关，在此不做具体限定。
[0092]
具体地，当某一时间节点的时序评价指标大于预设的异常阈值时，则该时间节点时序状态特征参数与正常状态特征参数均值的差异度超过允许范围，该时间节点时序状态特征参数异常。当某一时间节点的时序评价指标小于或等于预设的异常阈值时，则该时间节点时序状态特征参数与正常状态特征参数均值的差异度在允许范围内，判定该时间节点时序状态特征参数正常。通过上述方式遍历判断各时间节点的时序状态特征参数是否异常，进而确定异常的时序状态特征参数和对应的时间节点。
[0093]
在一个实施例中，如图6所示，所述根据判断结果判定所述待检测设备是否处于异常状态包括：
[0094]
s602，获取所述时序状态特征参数异常的时间节点，记为异常时间节点。
[0095]
s604，判断所述预定时间段内所述异常时间节点数与总时间节点数的比值是否大于预设阈值，若是，判定所述设备处于异常状态。
[0096]
具体地，某一时间节点的时序状态特征参数异常，表示该时间节点的设备的运行
状态异常。通过比较预定时间段内异常时间节点数与总时间节点数的比值，来确定预定时间段设备异常时间的比例，当该比值大于预设阈值时，则预定时间段内设备异常时间的比例超出了正常值，从而可以判定待检测设备处于异常状态。当该比值小于或等于预设阈值时，则预定时间段内设备异常时间的比例未超出了正常值，从而可以判定待检测设备处于正常状态。
[0097]
在一个实施例中，提供一种设备异常检测方法，在上述实施例的基础上，如图7所示，上述方法包括：
[0098]
s702，获取待检测设备的状态数据，其中，所述获取数据包括多次采集的状态参数；
[0099]
s704，对获取数据进行归一化处理和降噪处理，并将同次采集的状态参数的记录采集时间以预设规则校正至相同值；
[0100]
s706，以时间为分类标准对处理后的获取数据进行时序分类，得到时序分类的时序状态参数；
[0101]
s708，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
[0102]
s710，获取预定时间段的各时间节点的所述时序状态特征参数，其中，所述预定时间段以当前时间点为结束节点；
[0103]
s712，根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标，其中，所述时序评价指标用于表征所述时序状态特征参数与预设的正常状态特征参数均值的差异度；
[0104]
s714，判断各时间节点的所述时序评价指标是否大于预设的异常阈值，若大于所述异常阈值，则判定所述时序评价指标对应的时序状态特征参数异常；
[0105]
s716，获取所述时序状态特征参数异常的时间节点，记为异常时间节点；
[0106]
s718，判断所述预定时间段内所述异常时间节点数与所述预定时间段的总时间节点数的比值是否大于预设阈值，若是，判定所述待检测设备处于异常状态。
[0107]
应该理解的是，虽然图1
‑
图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1
‑
图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0108]
在一个实施例中，如图8所示，提供了一种设备异常检测装置800，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备或待检测设备的一部分，该装置具体，包括：获取模块801、处理模块802、判断模块803和判定模块804，其中：
[0109]
获取模块801，用于获取待检测设备的状态数据；
[0110]
处理模块802，用于对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
[0111]
判断模块803，用于获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点；
[0112]
判定模块804，用于根据判断结果判定所述待检测设备是否处于异常状态。
[0113]
在一个实施例中，所述处理模块802包括处理单元和分类单元，所述处理单元，用于对获取数据进行归一化处理、降噪处理和时间校正处理；所述分类单元，用于以时间为分类标准对处理后的获取数据进行时序分类。
[0114]
在一个实施例中，所述处理单元包括校正子单元，所述校正子单元，用于将同次采集的状态参数的记录采集时间以预设规则校正至相同值。
[0115]
在一个实施例中，所述判断模块803包括评价单元和第一判断单元，所述评价单元，用于根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标，其中，所述时序评价指标用于表征所述时序状态特征参数与预设的正常状态特征参数均值的差异度；所述第一判断单元，用于根据各时间节点的所述时序评价指标判断对应的时序状态特征参数是否异常。
[0116]
在一个实施例中，所述第一判断单元包括判断子单元，所述判断子单元，用于判断各时间节点的所述时序评价指标是否大于预设的异常阈值，在大于所述异常阈值，则判定所述时序评价指标对应的时序状态特征参数异常。
[0117]
在一个实施例中，所述判定模块804包括获取单元和第二判断单元，所述获取单元，用于获取所述时序状态特征参数异常的时间节点，记为异常时间节点；所述第二判断单元，用于判断所述预定时间段内所述异常时间节点数与总时间节点数的比值是否大于预设阈值，若是，判定所述待检测设备处于异常状态。
[0118]
关于设备异常检测装置的具体限定可以参见上文中对于设备异常检测方法的限定，在此不再赘述。上述设备异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本技术实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0119]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车内温度调节方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0120]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备
可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0121]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0122]
获取待检测设备的状态数据，其中，所述获取数据包括多次采集的状态参数；
[0123]
对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
[0124]
获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点；
[0125]
根据判断结果判定所述待检测设备是否处于异常状态。
[0126]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0127]
对获取数据进行归一化处理、降噪处理和时间校正处理；以时间为分类标准对处理后的获取数据进行时序分类。
[0128]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0129]
将同次采集的状态参数的记录采集时间以预设规则校正至相同值。
[0130]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0131]
根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标，其中，所述时序评价指标用于表征所述时序状态特征参数与预设的正常状态特征参数均值的差异度；根据各时间节点的所述时序评价指标判断对应的时序状态特征参数是否异常。
[0132]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0133]
判断各时间节点的所述时序评价指标是否大于预设的异常阈值，若大于所述异常阈值，则判定所述时序评价指标对应的时序状态特征参数异常。
[0134]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0135]
获取所述时序状态特征参数异常的时间节点，记为异常时间节点；判断所述预定时间段内所述异常时间节点数与总时间节点数的比值是否大于预设阈值，若是，判定所述待检测设备处于异常状态。
[0136]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0137]
获取待检测设备的状态数据，其中，所述获取数据包括多次采集的状态参数；
[0138]
对获取数据进行预处理，得到时序分类的时序状态参数，根据时序状态参数及异常检测算法得到时序状态特征参数，其中，同类的所述时序状态参数对应同一时间节点；
[0139]
获取预定时间段的各时间节点的所述时序状态特征参数，以预设算法对获取的各时间节点的所述时序状态特征参数进行分析，判断各时间节点的所述时序状态特征参数是否异常，其中，所述预定时间段以当前时间点为结束节点；
[0140]
根据判断结果判定所述待检测设备是否处于异常状态。
[0141]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0142]
对获取数据进行归一化处理、降噪处理和时间校正处理；以时间为分类标准对处理后的获取数据进行时序分类。
[0143]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0144]
将同次采集的状态参数的记录采集时间以预设规则校正至相同值。
[0145]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0146]
根据各时间节点的所述时序状态特征参数得到对应时间节点的时序评价指标，其中，所述时序评价指标用于表征所述时序状态特征参数与预设的正常状态特征参数均值的差异度；根据各时间节点的所述时序评价指标判断对应的时序状态特征参数是否异常。
[0147]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0148]
判断各时间节点的所述时序评价指标是否大于预设的异常阈值，若大于所述异常阈值，则判定所述时序评价指标对应的时序状态特征参数异常。
[0149]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0150]
获取所述时序状态特征参数异常的时间节点，记为异常时间节点；判断所述预定时间段内所述异常时间节点数与总时间节点数的比值是否大于预设阈值，若是，判定所述待检测设备处于异常状态。
[0151]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read
‑
only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0152]
在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。
[0153]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0154]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。