设备状态评价方法及相关设备与流程

1.本发明涉及设备评价领域，尤其涉及一种设备状态评价方法及相关设备。


背景技术：

2.在流程工业领域，为了保证生产线的稳定运行和生产效率，需要对生产设备的状态进行监测和分析。传统的设备状态分析方法多采用基于阈值的异常检测方法，即根据设备的固有阈值来判断设备是否处于异常状态，这样的方法存在准确率低、误报率高等问题。而在流程制造型企业，生产过程中产生的各类设备、工艺、质量数据维度众多，在时间和空间上有着复杂的自相关性和互相关性，涉及专业众多，目前只能在特定问题采用特定方法和思路对特定维度开展分析，然而数据分析过程对业务技能依赖性极强，如果每一个特定问题开发一套针对性的模型，需要较高的时间和人力成本，目前仍缺少一种更通用的评价方法。


技术实现要素：

3.鉴于上述问题，本发明提供一种设备状态评价方法及相关设备，主要目的在于解决目前的针对不同设备的状态评价方法过于个体化，缺少一种更通用的评价方法的问题。
4.为解决上述至少一种技术问题，第一方面，本发明提供了一种设备状态评价方法，该方法包括：
5.基于业务需求和业务逻辑确定最优目标值和特征值；
6.基于上述最优目标值和特征值的历史数据确定异常特征；
7.基于上述异常特征对上述设备状态进行评价。
8.可选的，上述基于业务需求和业务逻辑确定最优目标值和特征值，包括：
9.基于上述业务需求确定目标值，其中，上述业务需求是基于设备状态确定的，上述目标值至少为一个；
10.基于上述目标值和业务逻辑确定相应的特征值，其中，上述业务需求是基于设备状态确定的，上述特征值至少为两个。
11.可选的，上述基于业务需求和业务逻辑确定最优目标值和特征值，包括：
12.在目标值的数量大于一的情况下，将每个目标值分别与上述特征值建立预测模型；
13.将评分最高的预测模型对应的目标值确定为最优目标值；
14.在目标值的数量等于一的情况下，将上述目标值确定为最优目标值。
15.可选的，上述方法还包括：
16.基于上述最优目标值和特征值的历史数据确定初始数据集；
17.将上述初始数据集基于上述最优目标值划分为正常数据集和异常数据集。
18.可选的，上述方法还包括：
19.确定上述正常数据集中所有特征值的中位数；
20.确定上述正常数据集中的每个特征值与中位数的偏差；
21.基于上述正常数据集中的每个特征值与中位数的偏差确定正常特征值中位数偏差数据集；
22.基于上述特征值中位数偏差数据集确定每个特征值与中位数的偏差的正常区间；
23.确定上述异常数据集中的每个特征值与中位数的偏差；
24.基于上述异常数据集中的每个特征值与中位数的偏差确定异常特征值中位数偏差数据集。
25.可选的，上述基于上述最优目标值和特征值的历史数据确定异常特征，包括：
26.确定上述异常特征值中位数偏差数据集中的数据不符合上述正常区间的个数，其中，每个特征值分别对应一个不符合上述正常区间的个数；
27.基于上述个数对所有特征值进行排序，将不符合上述正常区间的个数大于预设值的特征值确定为异常特征。
28.可选的，上述方法还包括：
29.基于上述目标值和上述正常特征值中位数偏差数据集建立目标值分类状态预测模型，其中，上述目标值分类状态预测模型用于辅助上述基于上述异常特征对上述业务需求进行评价的步骤。
30.第二方面，本发明实施例还提供了一种设备状态评价装置，包括：
31.第一确定单元，用于基于业务需求和业务逻辑确定最优目标值和特征值；
32.第二确定单元，用于基于上述最优目标值和特征值的历史数据确定异常特征；
33.评价单元，用于基于上述异常特征对上述设备状态进行评价。
34.为了实现上述目的，根据本发明的第三方面，提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序被处理器执行时实现上述的设备状态评价方法的步骤。
35.为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行上述的设备状态评价方法的步骤。
36.借由上述技术方案，本发明提供的设备状态评价方法及相关设备，对于目前的针对不同设备的状态评价方法过于个体化，缺少一种更通用的评价方法的问题，本发明通过基于业务需求和业务逻辑确定最优目标值和特征值；基于上述最优目标值和特征值的历史数据确定异常特征；基于上述异常特征对上述设备状态进行评价。在上述方案中，可以针对流程工业领域的设备状态分析问题，通过一种通用的设备状态分析模型构建方法，可以根据不同设备的特点和不同业务需求，灵活地选取目标值和特征值，并且通过计算出目标值和特征值的正常基准值，从而快速准确地识别设备的异常状态，提高生产效率和设备运行的可靠性。
37.相应地，本发明实施例提供的设备状态评价装置、设备和计算机可读存储介质，也同样具有上述技术效果。
38.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
39.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
40.图1示出了本发明实施例提供的一种设备状态评价方法的流程示意图；
41.图2示出了本发明实施例提供的一种设备状态评价装置的组成示意框图；
42.图3示出了本发明实施例提供的一种设备状态评价电子设备的组成示意框图。
具体实施方式
43.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
44.为了解决目前的针对不同设备的状态评价方法过于个体化，缺少一种更通用的评价方法的问题，本发明实施例提供了一种设备状态评价方法，如图1所示，该方法包括：
45.s101、基于业务需求和业务逻辑确定最优目标值和特征值；
46.所述s101的步骤还包括：s1011和s1012：
47.s1011、在一种实施例中，上述基于业务需求和业务逻辑确定最优目标值和特征值，包括：
48.基于上述业务需求确定目标值，其中，上述业务需求是基于设备状态确定的，上述目标值至少为一个；
49.基于上述目标值和业务逻辑确定相应的特征值，其中，上述业务需求是基于设备状态确定的，上述特征值至少为两个。
50.示例性的，本发明实施例首先根据业务需求初选目标值，并选择对应的特征值，通过流程工业数据组织特点，实现根据业务理解和需求，任意选取目标值和特征值。
51.示例性的，本发明实施例根据实际的业务需求选择待分析的目标值和特征值，根据分析的目的不同有两种方式选择，一是为了改善某个目标，先选定其做为目标值，然后找到产品规格、前工序参数和设备状态参数作为特征值；二是为了监测或改善某个设备状态，先选定该状态参数、产品规格等作为特征值，然后找到后工序受该设备状态影响的参数作为目标值。
52.可以理解的是，上述“影响”表示当某设备状态参数异常到一定程度时会对目标值产生影响，并非相关性。
53.例如，当分析粗轧出口板形时，选择全长横振值、镰刀弯、本体横振值、宽度精度等作为目标值，可以选择加热炉的在炉时间、出炉温度、粗轧机的导板位置偏差、导板压力、轧制力、电机功率、两侧压力偏差、两侧辊缝偏差等工艺过程数据作为特征值；当分析精轧机动态精度时，选择某台轧机的刚度偏差、轴向力、水平调整量、位置偏差等作为目标值，可以选择改轧机的工作辊辊径、支撑辊箱号、阶梯垫位置、窜辊位置、轧制力、两侧压力偏差等，以及钢板材质、温度、宽度、厚度等规格参数作为特征值。
54.s1012、在一种实施例中，上述基于业务需求和业务逻辑确定最优目标值和特征
值，包括：
55.在目标值的数量大于一的情况下，将每个目标值分别与上述特征值建立预测模型；
56.将评分最高的预测模型对应的目标值确定为最优目标值；
57.在目标值的数量等于一的情况下，将上述目标值确定为最优目标值。
58.示例性的，本发明实施例对选定的每一个目标值的和所有特征值分别建立预测模型，根据目标值的特点，采用通用的分类或回归算法，通过模型结果对比，选取模型得分最高的目标值和特征值
59.可以理解的是，上述预测模型可以是机器学习模型、神经网络模型或统计模型等任何适合的预测模型，在此不做过多限定。
60.s102、基于上述最优目标值和特征值的历史数据确定异常特征；
61.所述s102的步骤还包括：s1021、s1022和s1023：
62.s1021、在一种实施例中，上述方法还包括：
63.基于上述最优目标值和特征值的历史数据确定初始数据集；
64.将上述初始数据集基于上述最优目标值划分为正常数据集和异常数据集。
65.示例性的，选取模型得分最高的目标值和特征值后获取其历史数据作为初始数据集，将初始数据集的目标值分为正常状态和异常状态。
66.例如水平调整量，取小于等于2mm为正常，大于2mm为异常；轴向力，取小于等于3％为正常，大于3％为异常；刚度偏差，取小于等于10％为正常，大于10％为异常等。
67.示例性的，通过上述确定的目标值的正常状态和异常状态，将历史数据集划分为正常数据集和异常数据集。
68.s1022、在一种实施例中，上述方法还包括：
69.确定上述正常数据集中所有特征值的中位数；
70.确定上述正常数据集中的每个特征值与中位数的偏差；
71.基于上述正常数据集中的每个特征值与中位数的偏差确定正常特征值中位数偏差数据集；
72.基于上述特征值中位数偏差数据集确定每个特征值与中位数的偏差的正常区间；
73.确定上述异常数据集中的每个特征值与中位数的偏差；
74.基于上述异常数据集中的每个特征值与中位数的偏差确定异常特征值中位数偏差数据集。
75.示例性的，通过上述确定的目标值的正常状态和异常状态，将历史数据集划分为正常数据集和异常数据集后，计算出正常数据集中的最优目标值和所有特征值的中位数，并计算出所有特征值与自身中位数的偏差，建立偏差值与最优目标值的新数据集(即正常特征值中位数偏差数据集)，通过建立异常数据集，通过相似性查找可快速定位到历史上相似情况，提高问题分析和处理效率。
76.例如，特征值1有5个数据[3,5,6,10,19]，中位数为6，该特征值的原数据减去中位数后，得到偏差值为[-3,-1,0,4,13]。
[0077]
示例性的，本发明实施例采用四分位数定义异常值的方法：如果一个数值特别小，比低四分位减去1.5倍四分距还要小，可以算作异常值；对应的，如果一个数值特别大，比高
四分位加上1.5倍四分距还要大，也可以算作异常值。按此方法计算出正常数据集中特征值与中位数的偏差的正常区间，此区间可作为特征值的评价模型。
[0078]
可以理解的是，上述四分位统计法可以是分位数统计法、箱型图分析法等任何适合的统计方法，上述异常数据集可以是基于历史数据构建的相似情况数据集、特定异常情况数据集等任何适合的异常数据集，在此不作过多限定。
[0079]
示例性的，本发明实施例通过获取选定的最优目标值和所有特征值的历史数据，将历史数据根据目标值分为正常状态和异常状态，通过正常状态计算出目标值和所有特征值的分布区间和中位数，然后将中位数作为基准，计算所有特征值的偏差，一方面可以通过偏差值建立目标值状态分类预测模型，另一方面可以建立分析模型，实时统计分析后续数据与中位数偏差的变化情况，当目标值偏差出现持续劣化或超过允许区间时，通过特征值的变化情况分析出特征值中的异常点。
[0080]
综上，本发明实施例，通过历史数据计算正常区间，使模型更贴合现场，同时利用正常区间的偏差建模能有效提升模型的鲁棒性。
[0081]
s1023、在一种实施例中，上述基于上述最优目标值和特征值的历史数据确定异常特征，包括：
[0082]
确定上述异常特征值中位数偏差数据集中的数据不符合上述正常区间的个数，其中，每个特征值分别对应一个不符合上述正常区间的个数；
[0083]
基于上述个数对所有特征值进行排序，将不符合上述正常区间的个数大于预设值的特征值确定为异常特征。
[0084]
示例性的，本发明实施例对划分的异常数据集中所有特征值进行统计分析，通过偏差值是否落在正常区间进行特征值的状态判定，未落在正常区间范围的为异常，通过统计异常数据集中每个特征值未落在正常区间范围的次数，并对其进行排序，对排序前1％的特征定义为异常特征。如在板型精度分析过程中，取了10个特征值，发现异常数据集中f2轧机入口侧导板位置偏差的超限次数最多，就将该特征定位为异常特征。
[0085]
示例性的，本发明实施例将所有目标值异常的历史数据按照先前建立的模型进行分析，一方面和实际情况进行印证，另一方面作为重要数据资产进行留存；同时对后续出现的异常状态数据进行更新。
[0086]
可以理解的是，本发明实施例通过上述建立的正常数据集和异常数据集，由机器学习算法生成特征重要性排序，作为异常问题分析的辅助参考。上述对所有特征值进行排序可以基于特征权重、信息增益、相关系数等任何适合的特征选择方法，在此不作过多限定。
[0087]
进一步的，本发明实施例建立特征值偏差值与目标值的预测模型，并生成特征重要性排序，作为异常问题分析的辅助参考，又通过对模型参数和算法进行调整和优化，不断提高模型的精度和泛化能力，从而实现对设备状态与工艺质量等参数相关性评价的精确预测。
[0088]
进一步的，本发明实施例通过划分的异常数据集作为基础，新的异常数据通过采用k近邻等距离算法快速查找定位到历史上相似情况，提高问题分析和处理效率，同时新的异常数据进入到异常数据集中，不断更新。
[0089]
s103、基于上述异常特征对上述设备状态进行评价。
[0090]
综上，本发明实施例首先通过业务需求对目标值进行初选，并通过业务逻辑选择对应的特征值，然后根据选择的目标值分别与特征值建立预测模型，按照模型评分挑选出最优目标值进行后续建模，然后获取选定的最优目标值和特征值的历史数据，将历史数据根据目标值分为正常状态的正常数据集和异常状态的异常数据集，通过正常状态计算出历史数据中最优目标值和所有特征值的中位数，然后将该中位数作为基准，计算所有特征值的偏差，获取特征值偏差值与目标值的新数据集(即正常特征值中位数偏差数据集)，并基于正常特征值中位数偏差数据集通过将正常状态数据按四分位统计法计算出特征值的正常区间，当目标值偏差出现持续劣化或超过正常区间时，统计分析所有特征值偏差值超出正常区间边界的情况，从而定位异常特征看，完成对任意一种设备状态的评价。
[0091]
在一种实施例中，上述方法还包括：
[0092]
基于上述目标值和上述正常特征值中位数偏差数据集建立目标值分类状态预测模型，其中，上述目标值分类状态预测模型用于辅助上述基于上述异常特征对上述业务需求进行评价的步骤。
[0093]
示例性的，建立好目标值分类状态预测模型后，可以基于目标值进行特征值重要性排序，排序靠前的可以作为异常特征值评价的辅助参考，设备状态一般只有在劣化到一定程度时，才对后工序产生较明显的影响，本方案更关注的是因果，模型关注的是相关性，可用于辅助。
[0094]
进一步的，本方案实现的完整步骤为：
[0095]
1)基于业务需求确定目标值；
[0096]
2)基于上述目标值和业务逻辑确定相应的特征值，其中，上述业务需求是基于设备状态确定的，上述目标值至少为一个，上述特征值至少为两个；
[0097]
3)在目标值的数量大于一的情况下，将每个目标值分别与上述特征值建立预测模型；
[0098]
4)将评分最高的预测模型对应的目标值确定为最优目标值；
[0099]
5)在目标值的数量等于一的情况下，将上述目标值确定为最优目标值；
[0100]
6)基于上述最优目标值和特征值的历史数据确定初始数据集；
[0101]
7)将上述初始数据集基于上述最优目标值划分为正常数据集和异常数据集；
[0102]
8)确定上述正常数据集中所有特征值的中位数；
[0103]
9)确定上述正常数据集中的每个特征值与中位数的偏差；
[0104]
10)基于上述正常数据集中的每个特征值与中位数的偏差确定正常特征值中位数偏差数据集；
[0105]
11)基于上述特征值中位数偏差数据集确定每个特征值与中位数的偏差的正常区间；
[0106]
12)确定上述异常数据集中的每个特征值与中位数的偏差；
[0107]
13)基于上述异常数据集中的每个特征值与中位数的偏差确定异常特征值中位数偏差数据集；
[0108]
14)确定上述异常特征值中位数偏差数据集中的数据不符合上述正常区间的个数，其中，每个特征值分别对应一个不符合上述正常区间的个数；
[0109]
15)基于上述个数对所有特征值进行排序，将不符合上述正常区间的个数大于预
设值的特征值确定为异常特征；
[0110]
16)基于上述异常特征对上述设备状态进行评价。
[0111]
17)基于上述目标值和上述正常特征值中位数偏差数据集建立目标值分类状态预测模型，其中，上述目标值分类状态预测模型用于辅助上述基于上述异常特征对上述业务需求进行评价的步骤。
[0112]
借由上述技术方案，本发明提供的设备状态评价方法，对于目前的针对不同设备的状态评价方法过于个体化，缺少一种更通用的评价方法的问题，本发明通过基于业务需求和业务逻辑确定最优目标值和特征值；基于上述最优目标值和特征值的历史数据确定异常特征；基于上述异常特征对上述设备状态进行评价。在上述方案中，可以针对流程工业领域的设备状态分析问题，通过一种通用的设备状态分析模型构建方法，可以根据不同设备的特点和不同业务需求，灵活地选取目标值和特征值，并且通过计算出目标值和特征值的正常基准值，从而快速准确地识别设备的异常状态，提高生产效率和设备运行的可靠性。
[0113]
综上，本发明实施例通过设计一种通用设备状态分析模型的构建方法，针对流程生产线特点，提供了一种设备状态分析的新思路，按照最优的目标值的正常状态建立基准值，通过特征值偏差进行状态分析，同时为最优目标值的异常状态建立异常特征库，可以通过相似性原理快速定位异常特征，为实际决策提供有效支撑，在具备类似产线特点的领域均具有较强的借鉴意义和推广价值。
[0114]
进一步的，作为对上述图1所示方法的实现，本发明实施例还提供了一种设备状态评价装置，用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图2所示，该装置包括：第一确定单元21、第二确定单元22和评价单元23，其中
[0115]
第一确定单元21，用于基于业务需求和业务逻辑确定最优目标值和特征值；
[0116]
第二确定单元22，用于基于上述最优目标值和特征值的历史数据确定异常特征；
[0117]
评价单元23，用于基于上述异常特征对上述设备状态进行评价。
[0118]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现一种设备状态评价方法，能够解决目前的针对不同设备的状态评价方法过于个体化，缺少一种更通用的评价方法的问题。
[0119]
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，该程序被处理器执行时实现上述设备状态评价方法。
[0120]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述设备状态评价方法。
[0121]
本发明实施例提供了一种电子设备，上述电子设备包括至少一个处理器、以及与上述处理器连接的至少一个存储器；其中，上述处理器用于调用上述存储器中的程序指令，执行如上述的设备状态评价方法
[0122]
本发明实施例提供了一种电子设备30，如图3所示，电子设备包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303；其中，处理器301、存储器302通过总线303完成相互间的通信；处理器301用于调用存储器中的程序指令，以执行上述的设备状态评价方法。
[0123]
本文中的智能电子设备可以是pc、pad、手机等。
[0124]
本技术还提供了一种计算机程序产品，当在流程管理电子设备上执行时，适于执行初始化有上述设备状态评价方法步骤的程序。
[0125]
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
[0126]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0127]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0128]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0129]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0130]
本技术实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行如图1对应实施例中的存储器的控制的流程。
[0131]
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0132]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0133]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0134]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0135]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0136]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
以上，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围。

技术特征：
1.一种设备状态评价方法，其特征在于，包括：基于业务需求和业务逻辑确定最优目标值和特征值；基于所述最优目标值和特征值的历史数据确定异常特征；基于所述异常特征对所述设备状态进行评价。2.根据权利要求1所述的方法，其特征在于，所述基于业务需求和业务逻辑确定最优目标值和特征值，包括：基于所述业务需求确定目标值，其中，所述业务需求是基于设备状态确定的，所述目标值至少为一个；基于所述目标值和业务逻辑确定相应的特征值，其中，所述业务需求是基于设备状态确定的，所述特征值至少为两个。3.根据权利要求2所述的方法，其特征在于，所述基于业务需求和业务逻辑确定最优目标值和特征值，包括：在目标值的数量大于一的情况下，将每个目标值分别与所述特征值建立预测模型；将评分最高的预测模型对应的目标值确定为最优目标值；在目标值的数量等于一的情况下，将所述目标值确定为最优目标值。4.根据权利要求1所述的方法，其特征在于，还包括：基于所述最优目标值和特征值的历史数据确定初始数据集；将所述初始数据集基于所述最优目标值划分为正常数据集和异常数据集。5.根据权利要求4所述的方法，其特征在于，还包括：确定所述正常数据集中所有特征值的中位数；确定所述正常数据集中的每个特征值与中位数的偏差；基于所述正常数据集中的每个特征值与中位数的偏差确定正常特征值中位数偏差数据集；基于所述特征值中位数偏差数据集确定每个特征值与中位数的偏差的正常区间；确定所述异常数据集中的每个特征值与中位数的偏差；基于所述异常数据集中的每个特征值与中位数的偏差确定异常特征值中位数偏差数据集。6.根据权利要求5所述的方法，其特征在于，所述基于所述最优目标值和特征值的历史数据确定异常特征，包括：确定所述异常特征值中位数偏差数据集中的数据不符合所述正常区间的个数，其中，每个特征值分别对应一个不符合所述正常区间的个数；基于所述个数对所有特征值进行排序，将不符合所述正常区间的个数大于预设值的特征值确定为异常特征。7.根据权利要求1所述的方法，其特征在于，还包括：基于所述目标值和所述正常特征值中位数偏差数据集建立目标值分类状态预测模型，其中，所述目标值分类状态预测模型用于辅助所述基于所述异常特征对所述业务需求进行评价的步骤。8.一种设备状态评价装置，其特征在于，包括：第一确定单元，用于基于业务需求和业务逻辑确定最优目标值和特征值；
第二确定单元，用于基于所述最优目标值和特征值的历史数据确定异常特征；评价单元，用于基于所述异常特征对所述设备状态进行评价。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序被处理器执行时实现如权利要求1至权利要求7中任一项所述的设备状态评价方法。10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器；其中，所述处理器用于调用所述存储器中的程序指令，执行如权利要求1至权利要求7中任一项所述的设备状态评价方法。

技术总结
本发明公开了一种设备状态评价方法及相关设备，涉及设备评价领域，主要为解决目前的针对不同设备的状态评价方法过于个体化，缺少一种更通用的评价方法的问题。该方法包括：基于业务需求和业务逻辑确定最优目标值和特征值；基于所述最优目标值和特征值的历史数据确定异常特征；基于所述异常特征对所述设备状态进行评价。本发明用于设备状态评价过程。本发明用于设备状态评价过程。本发明用于设备状态评价过程。


技术研发人员：余丹峰 布昭元 陈维栋 丁茹
受保护的技术使用者：武汉钢铁有限公司
技术研发日：2023.05.30
技术公布日：2023/9/14