(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211205710.9 (22)申请日 2022.09.30 (71)申请人 黄军 地址 404500 重庆市 云阳县青龙街道马沱 村1组14号 (72)发明人 黄军　 (74)专利代理 机构 重庆乐泰知识产权代理事务 所(普通合伙) 50221 专利代理师 雷钞 (51)Int.Cl. G06Q 10/06(2012.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 21/02(2006.01) (54)发明名称 工业设备的监控 管理方法、 装置和计算机设 备 (57)摘要 本发明涉及工业设备技术领域， 公开了一种 工业设备的监控管理方法， 包括： 获取工业设备 当日的检测数据； 输入预设网络模 型得到工业设 备的异常分数， 并判断是否出现了异常值； 当出 现了异常值时， 判断工业设备的操作员是否具有 违规操作； 若否， 则不记录工业设备当日的异常 值； 若是， 则记录工业设备当日的异常值以及违 规操作； 将异常值、 违规操作与时间标签进行关 联并存储； 提取第二设定时间段内工业设备违规 操作的具体操作和次数； 对工业 设备违规操作的 具体操作进行排序。 本发明提供的方法， 便于后 续对操作人员的操作进行规范， 提高工业设备的 工作效率， 避免因操作人员的操作使得工业设备 发生损坏而导致安全事故发生， 保证操作人员的 生命安全。 权利要求书4页 说明书12页 附图3页 CN 115496384 A 2022.12.20 CN 115496384 A 1.一种工业设备的监控管理方法， 其特 征在于， 包括： 获取工业设备当日的检测数据； 其中， 所述检测数据包括传感器收集的温度、 风速、 频 率、 转速数据； 将所述检测数据输入预设网络模型得到所述工业设备的异常分数， 并根据所述异常分 数判断所述检测数据中是否出现了异常值； 当所述检测数据中出现了异常值 时， 判断所述工业设备的操作员在第 一设定时间段内 是否具有违规操作； 其中， 所述第一设定时间段为当日所述工业设备的运行时间段； 若所述工业设备的操作员在第 一设定时间段内不具有违规操作， 则不记录所述工业设 备当日的异常值； 若所述工业设备的操作员在第 一设定时间段内具有违规操作， 则记录所述工业设备当 日的异常值的具体数值和次数， 以及记录所述操作员的违规操作的具体操作和次数； 将所述异常值的具体数值和次数、 违规操作的具体操作和次数与时间标签进行关联， 并存储在异常数据库中； 从所述异常数据库中提取第二设定时间段内所述工业设备违规操作的具体操作和次 数； 根据所述具体操作的次数对所述工业设备违规操作的具体操作进行排序， 得到所述工 业设备的异常操作排序表， 并将所述异常操作排序表展示给监控管理人员。 2.根据权利要求1所述的工业设备的监控管理方法， 其特征在于， 所述将所述检测数据 输入预设网络模型得到所述工业设备的异常分数， 并根据所述异常分数判断所述检测数据 中是否出现了异常值的步骤， 包括： 设所述检测数据的时间序列为X＝(x1,x2,x3,…,xT)∈Rn×T； 其中， n＝10表示数据的维 度大小， T表示时间序列数据的长度； 将所述时间序列进行归一化处理， 并将归一化处理后的时间序列利用滑动窗口生成所 述预设网络模型的输入值； 将所述时间序列输入训练完成的预设网络模型， 得到所述预设网络模型的输出值； 其 中， 所述输出值为预测值， 所述预设的网络模型包括编码层、 注意力层和解码层， 所述编码 层为BiGRU网络； 将所述预设网络模型的输出值与实际值进行均 方误差计算得到异常分数， 并判断所述 异常分数是否大于阈值； 若所述异常 分数大于阈值， 则所述异常 分数为异常值； 若所述异常 分数小于等于阈值， 则所述异常 分数为正常值。 3.根据权利要求1所述的工业设备的监控管理方法， 其特征在于， 所述将所述 时间序列 输入训练完成的预设网络模型， 得到所述预设网络模型 的输出值的步骤中， 训练预设网络 模型， 包括： 获取所述预设网络模型的训练数据集； 其中， 所述训练数据集包括训练集和 测试集； 将时间序列输入BiGRU网络中的正向GRU层， 得到隐藏状态 以及将所述时间序列输入 BiGRU网络中的反向GRU层， 得到隐藏状态 将所述隐藏状态 与所述隐藏状态 进行拼接生成BiGRU网络的隐藏层的输出向量H权　利　要　求　书 1/4 页 2 CN 115496384 A 2(H1,H2,H3,…,HT)； 将所述输出向量H输入注意力层计算特征权值 其中， 表示在t时刻第i个变量的注 意力权重； 将所述BiGRU网络的隐藏层的输出向量H与所述注意力层的特征权值 加权求和得到状 态向量c＝(c1,c2,c3,…,cT)； 将所述状态向量c＝(c1,c2,c3,…,cT)通过模型解码器D＝(D1,D2,D3,…,DT)得到所述预 设网络模型的输出值 采用均方根误差函数和/或平均绝对百分比误差函数作为所述预设网络模型的损失函 数， 得到训练完成的预设网络模型。 4.根据权利要求3所述的工业设备的监控管理方法， 其特征在于， 所述将所述隐藏状态 与所述隐藏状态 进行拼接生成BiGRU网络的隐藏层的输出向量H(H1,H2,H3,…,HT)的步骤 中， 计算公式为： 其中， Ht表示经过前向传输隐藏层 和后向传输隐藏层 得到的t时刻的隐藏状态； 所述将所述输出向量H 输入注意力层计算特 征权值 的步骤中， 计算方式为： 将输入变量表示为h(h1,h2,h3,…,hn)， 通过tanh激活函数将隐藏状态之间进行比较， 计 算每个变量的注意力得分 s： si＝tanh(W[hi； hn])+b 将所述注意力得分s通过softmax函数做归一化处理， 生成每个变量对应的注意力权值 a： 其中， 生成每 个变量对应的注意力权值 为a(a1,a2,a3,…,an)。 5.根据权利要求3所述的工业设备的监控管理方法， 其特征在于， 所述将时间序列输入 BiGRU网络中的正向GRU层， 得到隐藏状态 以及将所述时间序列输入BiGRU网络中的反向 GRU层， 得到隐藏状态 的步骤之前， 还 包括： 选择第一层BiGRU神经元数量、 第二层BiGRU神经元数量、 学习率、 批处理大小作为寻优 的参数， 并确定每 个参数寻优的大小范围； 随机生成一个四维的种群离子(g1,g2,l,b)， 并完成粒子位置和速度初始化； 其中， g1 为BiGRU的第一个隐含层神经元数量， g2为BiGRU的第二个隐含层神经元数量， l为学习率， b 为批量处 理大小； 根据适应度函数计算粒子的适应度； 比较粒子的适应度值， 并更新粒子的个 体最优位置Pbest和全局最优位置gbest； 判断是否满足最大迭代次数； 若满足最大迭代次数， 则生成的最优粒子即最优参数组合； 若不满足最大迭代次数， 则返回根据适应度函数计算粒子的适应度的步骤。权　利　要　求　书 2/4 页 3 CN 115496384 A 3