CN112418065B 设备运行状态识别方法、装置、设备及存储介质 （上海至数企业发展有限公司）

定的阈值进行设备运行状态识别的方法可靠性低且误识率高的问题，通过创建基于K-means聚2对业务状态数据进行聚类标注，将聚类状态与设备的业务状态进行匹基于设备的运行数据及运行原理，结合有限状态自动机，对设备获取待识别状态设备的运行数据，将运行数据输入设备运行状所述创建基于K-means聚类算法的无监督学习模型所述对业务状态数据进行聚类标注，将聚类状态与设备的业务状将理论状态下的聚类数据簇与设备的真实业务状态所述基于设备的运行数据及运行原理，结合有限状态自动机，对设备将不同种类设备的业务状态数据统一数据格按预设规则抽样选取若干个时间点对设备运行状态识别模型进行验证3聚类标注模块，用于对业务状态数据进行聚类标注，将状态迁移标注模块，用于基于设备的运行数据及运行原理状态识别模块，用于获取待识别状态设备的运行数据，将运行数所述创建基于K-means聚类算法的无监督学习模型所述对业务状态数据进行聚类标注，将聚类状态与设备的业务状将理论状态下的聚类数据簇与设备的真实业务状态所述基于设备的运行数据及运行原理，结合有限状态自动机，对设备模型验证模块，用于对同类型的不同设备进行状态数据采集，存储器和至少一个处理器，所述存储器中存储有指令，所述存所述至少一个处理器调用所述存储器中的所述指令，以使得所述设47.一种计算机可读存储介质，所述计算机在于，所述计算机程序被处理器执行时实现如权利要求1-3中任意一项所述的设备运行状5[0011]根据本发明一实施例，所述创建基于K-means聚类算法的无监督学习模型进一步67计算机程序被处理器执行时实现本发明一实施例中[0042]本发明由于采用以上技术方案，使其与现有技术相比具有以下的优点和积极效行设备运行状态识别的方法可靠性低且误识率高的问题，通过创建基于K-means聚类算法[0053]以下结合附图和具体实施例对本发明提出的一种设备运行状态识别方法、装置、8[0064]无监督学习：根据类别未知(没有被标记)的训练样本解决模式识别中的各种问[0066]半监督学习(Sem9分为多种不同的工作状态。例如，某医院妇产科H0品牌下HH0型号序列号为HHH的妇科彩色超声影像诊断设备，阅读设备HHH的产品说明，预期其设备状态大致可以分为5类，分别为 建模并计算不同k值下的平均轮廓系数，即所有的样本点xi与同簇的其他样本点之间的平往显著匹配不上的数据均可溯源(如图5中的标记a所示，在某一时段可能出现采集员不在的曲线为设备数据，曲线下方的条形图为各运行状态的聚类标注，由于对图5作了灰度处[0083]对业务状态数据进行聚类标注之后，步骤S1中的基于K-means聚类算法的无监督[0088]在完成设备运行状态识别模型的准确性验证后，就可对待测设备进行状态识别，[0099]上述实施例二从模块化功能实体的角度对本发明设备运行状态识别装置进行详一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质模块可以包括对设备运行状态识别设备500中的一[0103]本领域技术人员可以理解，图9示出的设备运行状态识别设备结构并不构成对设[0105]实施例二中的模块如果以软件功能模块的形式实现并作为独立的产品销售或使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的形式体存取存储器(Randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介