[發明專利]基于深度學習的設備狀態檢測方法、裝置、設備和介質

在審

• 申請號: 202110565749.0
• 申請日: 2021-05-24
• 公開（公告）號: CN113283501A
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 張景逸
• 申請（專利權）人: 平安國際融資租賃有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 姜曉云

1.一種基于深度學習的設備狀態檢測方法，其特征在于，所述方法包括：

獲取待判斷設備的待處理電流，并獲取所述待處理電流對應的歷史電流以得到待處理電流序列；

獲取根據歷史數據預先生成的標準特征，并讀取與所述標準特征對應的標準化參數；

計算所述待處理電流序列對應的統計特征；

根據所述標準化參數、所述待處理電流序列、所述待處理電流序列對應的統計特征以及所述標準特征生成特征向量；

將所述特征向量輸入至深度學習模型中進行處理得到所述待判斷設備的設備狀態，其中所述深度學習模型包括用于提取時序信息的模塊。

2.根據權利要求1所述的方法，其特征在于，所述標準特征的生成方式包括：

從數據庫中讀取初始歷史數據；

對所述初始歷史數據進行狀態閾值判斷，得到與所述狀態閾值的距離在預設范圍內的目標歷史數據；

根據所述目標歷史數據計算得到標準化參數，并通過所述標準化參數對所述歷史數據進行處理得到標準特征。

3.根據權利要求2所述的方法，其特征在于，所述根據所述目標歷史數據計算得到標準化參數，包括：

獲取所述目標歷史數據的分位值為下界值；

根據所述狀態閾值和所述下界值計算得到上界值；

將所述下界值和所述上界值作為標準化參數。

4.根據權利要求2所述的方法，其特征在于，所述通過所述標準化參數對所述歷史數據進行處理得到標準特征之后，還包括：

確定已經進行狀態分類的歷史數據的數量；

根據已經進行狀態分類的歷史數據的數量確定標準特征的更新頻率；其中，已經進行狀態分類的歷史數據的數量越大，所述標準特征的更新頻率越慢。

5.根據權利要求2所述的方法，其特征在于，所述通過所述標準化參數對所述歷史數據進行處理得到標準特征之后，還包括：

獲取根據已經進行狀態分類的歷史數據的標準特征；

將所述標準特征與歷史生成的標準特征進行比較以得到標準特征的變化率；

根據所述標準特征的變化率調整所述標準特征的更新頻率；其中，所述標準特征的變化率越大，所述標準特征的更新頻率越快。

6.根據權利要求1所述的方法，其特征在于，所述將所述特征向量輸入至深度學習模型中進行處理得到所述待判斷設備的設備狀態，包括：

通過所述深度學習模型提取所述待處理電流序列的時序信息、上界值、下界值以及歷史數據的變化量信息；

根據所述時序信息、上界值、下界值以及歷史數據的變化量信息判斷所述待處理電流序列所對應的待判斷設備的狀態。

7.一種基于深度學習的設備狀態檢測裝置，其特征在于，所述裝置包括：

電流序列獲取模塊，用于獲取待判斷設備的待處理電流，并獲取所述待處理電流對應的歷史電流以得到待處理電流序列；

標準特征獲取模塊，用于獲取根據歷史數據預先生成的標準特征，并讀取與所述標準特征對應的標準化參數；

統計特征計算模塊，用于計算所述待處理電流序列對應的統計特征；

特征向量生成模塊，用于根據所述標準化參數、所述待處理電流序列、所述待處理電流序列對應的統計特征以及所述標準特征生成特征向量；

模型處理模塊，用于將所述特征向量輸入至深度學習模型中進行處理得到所述待判斷設備的設備狀態，其中所述深度學習模型包括用于提取時序信息的模塊。

8.根據權利要求7所述的裝置，其特征在于，所述裝置還包括：

數據讀取模塊，用于從數據庫中讀取初始歷史數據；

目標歷史數據獲取模塊，用于對所述初始歷史數據進行狀態閾值判斷，得到與所述狀態閾值的距離在預設范圍內的目標歷史數據；

標準特征計算模塊，用于根據所述目標歷史數據計算得到標準化參數，并通過所述標準化參數對所述歷史數據進行處理得到標準特征。