设备运行状态识别方法、装置、设备及存储介质

摘要

本发明公开了一种设备运行状态识别方法、装置、设备及存储介质，针对现有的依靠人工设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聚类算法与现场业务状态标注的半监督学习模型，将设备状态的历史数据进行分簇，得到多个聚类状态，将设备的聚类状态与业务状态进行匹配，确定聚类中心和距离算法，基于设备的现场状态切换与设备的原理，来限制状态切换时的识别范围，并根据历史的状态切换数据对切换后的状态进行有限概率集下的预测，从而实现状态识别准确率的提升。

说明书

技术领域

本发明属于设备监控的技术领域，尤其涉及一种设备运行状态识别方法、装置、设备及存储介质。

背景技术

随着医疗行业的迅速发展，出现了各种各样的医疗设备，通常一家医院就拥有成千上万台医疗设备。当前的大型有源设备(如超声机)的状态识别主要依靠人工设定的阈值进行，当设备的状态进行频繁的切换或进行快速切换时，就会对人工设定的阈值造成冲击，从而出现状态的漏识或误识。因此，依靠人工设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。

发明内容

本发明的目的是提供一种设备运行状态识别方法、装置、设备及存储介质，通过基于K-means聚类算法，结合自动机理论中的有限状态自动机，创建设备运行状态识别模型，提高设备运行状态识别的准确率及可靠性。

为解决上述问题，本发明的技术方案为：

一种设备运行状态识别方法，包括：

创建基于K-means聚类算法的无监督学习模型，将设备状态的历史数据进行分簇，得到多个聚类状态；

采集设备的业务状态数据，对业务状态进行定义及分类；

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配，确定聚类中心及距离算法，得到基于K-means聚类算法与业务状态标注的半监督学习模型；

基于设备的运行数据及运行原理，结合有限状态自动机，对设备的业务状态的迁移进行标注，限定设备的状态迁移规则，得到设备运行状态识别模型；

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态识别模型，输出设备的运行状态。

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包括：

a.获取n个设备状态的历史数据，构成样本集{x

b.计算所有样本点与各个簇中心之间的距离，将样本点划入距离最近的簇中；

c.根据簇中已有的样本点，重新计算簇中心

d.重复步骤b和c，直到簇的中心不再发生迁移。

根据本发明一实施例，所述采集设备的业务状态数据，对业务状态进行定义及分类进一步包括：

采集不同种类设备的业务状态数据，对业务状态进行定义及分类；

记录不同业务状态下的工作时段；

将不同种类设备的业务状态数据统一数据格式并存储。

根据本发明一实施例，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态进行匹配进一步包括：

基于低密度分离假设，对业务状态数据进行聚类标注；

将理论状态下的聚类数据簇与设备的真实业务状态进行对应匹配。

根据本发明一实施例，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，对设备的业务状态的迁移进行标注，限定设备的状态迁移规则进一步包括：

将设备的业务状态分为待机状态、开机状态、多种工作状态及关机状态；

当设备从关机状态切换到开机状态时，需先从关机状态切换到待机状态，再从待机状态切换到开机状态；

当设备从一种工作状态切换到另一种工作状态时，需先切换为待机状态，再从待机状态切换到另一种工作状态。

根据本发明一实施例，所述将运行数据输入设备运行状态识别模型，输出设备的运行状态之后还包括：

对同类型的不同设备进行状态数据采集，将所述状态数据作为预测数据；

随机选取若干个时间点对设备运行状态识别模型进行验证，将模型输出的运行状态与预测数据进行比较，若比较结果的准确度达不到预设标准，则将所述预测数据并入模型的训练数据中继续训练，直到预测准确度达到预设标准。

一种设备运行状态识别装置，包括：

初始模型创建模块，用于创建基于K-means聚类算法的无监督学习模型，将设备状态的历史数据进行分簇，得到多个聚类状态；

数据采集模块，用于采集设备的业务状态数据，对业务状态进行定义及分类；

聚类标注模块，用于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配，确定聚类中心及距离算法，得到基于K-means聚类算法与业务状态标注的半监督学习模型；

状态迁移标注模块，用于基于设备的运行数据及运行原理，对设备的业务状态的迁移进行标注，限定设备的状态迁移规则，得到设备运行状态识别模型；

状态识别模块，用于获取待识别状态设备的运行数据，将运行数据输入设备运行状态识别模型，输出设备的运行状态。

根据本发明一实施例，设备运行状态识别装置还包括：

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，将所述状态数据作为预测数据；随机选取若干个时间点对设备运行状态识别模型进行验证。

一种设备运行状态识别设备，包括：

存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述设备运行状态识别设备执行本发明一实施例中的设备运行状态识别方法。

一种计算机可读存储介质，所述计算机可读存储介质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本发明一实施例中的设备运行状态识别方法。

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果：

本发明一实施例中的设备运行状态识别方法，针对现有的依靠人工设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聚类算法与业务状态标注的半监督学习模型，将设备状态的历史数据进行分簇，得到多个聚类状态，将设备的聚类状态与业务状态进行匹配，确定聚类中心和距离算法，基于设备的现场状态切换与设备的原理，来限制状态切换时的识别范围，并根据历史的状态切换数据对切换后的状态进行有限概率集下的预测，从而实现状态识别准确率的提升。

附图说明

图1为本发明一实施例中的设备运行状态识别方法流图；

图2为本发明一实施例中的K-means聚类算法的效果示意图；

图3为本发明一实施例中的平均轮廓系数分布图；

图4为本发明一实施例中的设备状态数据曲线图；

图5为本发明一实施例中的聚类标记图；

图6为本发明一实施例中的状态迁移标记示意图；

图7为本发明一实施例中的模型验证流程图；

图8为本发明一实施例中的设备运行状态识别装置框图；

图9为本发明一实施例中的设备运行状态识别设备示意图。

具体实施方式

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、设备及存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。

实施例一

如图1所示，本发明提供了一种设备运行状态识别方法，包括：

S1：创建基于K-means聚类算法的无监督学习模型，将设备状态的历史数据进行分簇，得到多个聚类状态；

S2：采集设备的业务状态数据，对业务状态进行定义及分类；

S3：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配，确定聚类中心及距离算法，得到基于K-means聚类算法与业务状态标注的半监督学习模型；

S4：基于设备的运行数据及运行原理，结合有限状态自动机，对设备的业务状态的迁移进行标注，限定设备的状态迁移规则，得到设备运行状态识别模型；

S5：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态识别模型，输出设备的运行状态。

具体的，在步骤S1中，创建基于K-means聚类算法的无监督学习模型，将设备状态的历史数据进行分簇，得到多个聚类状态。其中，无监督学习模型是一种机器学习模块。

对于分类问题的机器学习，可以分为监督学习、无监督学习与半监督学习。

监督学习：指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。监督学习是从带标记的训练数据来推断一个功能的机器学习任务。监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。

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题，称之为无监督学习。目前深度学习中的无监督学习主要分为两类，一类是确定型的自编码方法及其改进算法，其目标主要是能够从抽象后的数据中尽量无损地恢复原有数据，一类是概率型的受限波尔兹曼机及其改进算法，其目标主要是使受限玻尔兹曼机达到稳定状态时原数据出现的概率最大。

而聚类是无监督学习里典型例子。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。

半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性，因此，半监督学习正越来越受到人们的重视。

本发明主要的算法策略正是基于聚类假设的半监督学习思想，即当两个样例位于同一聚类簇时，它们在很大的概率下有相同的类标签。这个假设的等价定义为低密度分离假设(LowDensity Separation Assumption)，即分类决策边界应该穿过稀疏数据区域，而避免将稠密数据区域的样例分到决策边界两侧。

其中，具体采用的分类聚类算法为K-means聚类算法。该K-means聚类算法中的k代表类簇的个数，means代表类簇内数据对象的均值(这种均值是一种对类簇中心的描述)，因此，K-means算法又称K-均值算法。K-means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。K-means算法通常采用欧式距离来计算数据对象间的距离。K-means算法的具体步骤如下所示：

a.获取n个设备状态的历史数据，构成样本集{x

b.计算所有样本点与各个簇中心之间的距离，将样本点划入距离最近的簇中；

c.根据簇中已有的样本点，重新计算簇中心

d.重复步骤b和c，直到簇的中心不再发生迁移。

最终形成的K-means聚类算法的效果图，如图2所示。具体到本发明，就是通过对设备历史数据的学习和训练，将设备的状态从数据分布的角度进行分堆(分簇)。根据设备的实际运行状态，一般可认为关机状态、待机状态、开机状态及工作状态，其中工作状态又可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{关机，待机，工作—功能A，工作—功能B，工作—功能C}；对设备HHH的历史时间流的电流、电压、功率数据进行选取并导出；对数据进行处理及特征转化，生成“单位时间最大电流”、“单位时间内功率差”等二次特征数据。基于以上数据，进行K-means算法建模。

首先按照上述步骤a～d进行初步建模，再选取其他的k值，如2～8中的数值，重新建模并计算不同k值下的平均轮廓系数，即所有的样本点x

经过上述计算，得到平均轮廓系数的分布图，如图3所示。图中，理论的k值最佳取值为2，但是对于设备HHH，其实际识别状态要求多于5个状态，因此，这里k值取7，也就是说有7个类簇，对应7种聚类状态。

在步骤S2中，采集设备的业务状态数据，对业务状态进行定义及分类。可以采集不同种类设备的业务状态数据，对业务状态进行定义及分类；记录不同业务状态下的工作时段；将不同种类设备的业务状态数据统一数据格式并存储。

在本实施例中，采集一天设备HHH的运行数据，如下表所示。

表中，列出了一部分采集数据。将这些采集数据以设备状态为特征绘制曲线，如图4所示。

在步骤S3中，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配，确定聚类中心及距离算法，得到基于K-means聚类算法与业务状态标注的半监督学习模型。

在经历了设备数据的采集工作后，将设备数据与聚类数据进行匹配。将理论状态下的聚类数据簇一一对应到现场的真实设备状态；匹配的精确度要求达到90％以上，但往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现场而导致某一状态漏采集的情况，而采用本实施例中的聚类标注，理论的设备运行状态不会误匹配到实际采集的“待机状态”)，因此匹配的精确度往往可以达到95％以上。图5中的曲线为设备数据，曲线下方的条形图为各运行状态的聚类标注，由于对图5作了灰度处理，各运行状态的标注不好区分，但在实际应用中，图5是彩色图像，不同的运行状态采用不同的颜色表示。

对业务状态数据进行聚类标注之后，步骤S1中的基于K-means聚类算法的无监督学习模型就转变为半监督学习模型。

在步骤S4中，基于设备的运行数据及运行原理，结合有限状态自动机，对设备的业务状态的迁移进行标注，限定设备的状态迁移规则，得到设备运行状态识别模型。

在限定设备的状态迁移规则方面，具体是指：当设备从关机状态切换到开机状态时，需先从关机状态切换到待机状态，再从待机状态切换到开机状态；当设备从一种工作状态切换到另一种工作状态时，需先切换为待机状态，再从待机状态切换到另一种工作状态。

具体到本实施例，在完成聚类标注后，进行设备HHH的状态迁移标注，对于设备HHH的实际运行状态，进行状态切换的限制，如图6所示(C5-1与C10-3V等为超声探头)。通过有限状态自动机对该台设备的状态切换路径进行限制，防止出现结果识别出C10-3V直接切换到eL18-4状态这样类似的错误，从而提高匹配的精确度。

在完成状态迁移标注之后，设备运行状态识别模型就完成了。为了说明该设备运行状态识别模型的准确性，需要对该设备运行状态识别模型进行准确性验证。验证的流程如图7所示，配合半监督的学习模型进行参数训练，得到模型A0，此时再对同类型的不同设备进行一次或多次新的数据采集工作，得到第2～n份新的设备数据，然后将这部分数据作为预测数据，随机选取若干个时间点进行验证，将模型输出的运行状态与预测数据进行比较，若预测准确度达预期则模型进行应用落地，若达不到预期，则将新的预测数据与先前的训练数据合并为新的训练数据继续训练模型的参数，得到A1,…Ax，重复之前过程直到预测准确度达预期。

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，实时监测待测设备的运行状态，就如步骤S5所述的，输入待测设备的运行数据，包括电流、电压、功率等，通过模型识别，输出设备的实际运行状态。

实施例二

本实施例提供了一种设备运行状态识别装置，如图8所示，该设备运行状态识别装置包括：

初始模型创建模块1，用于创建基于K-means聚类算法的无监督学习模型，将设备状态的历史数据进行分簇，得到多个聚类状态；

数据采集模块2，用于采集设备的业务状态数据，对业务状态进行定义及分类；

聚类标注模块3，用于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配，确定聚类中心及距离算法，得到基于K-means聚类算法与业务状态标注的半监督学习模型；

状态迁移标注模块4，用于基于设备的运行数据及运行原理，对设备的业务状态的迁移进行标注，限定设备的状态迁移规则，得到设备运行状态识别模型；

模型验证模块5，用于对同类型的不同设备进行状态数据采集，将所述状态数据作为预测数据；随机选取若干个时间点对设备运行状态识别模型进行准确性验证；

状态识别模块6，用于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态识别模型模型，输出设备的运行状态。

上述设备运行状态识别装置中的各个模块的的具体内容及实现方法，均如实施例一中所述，在此也不再赘述。

实施例三

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细描述，下面从硬件处理的角度对本发明设备运行状态识别设备进行详细描述。

请参看图9，该设备运行状态识别设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)510(例如，一个或一个以上处理器)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530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对设备运行状态识别设备500中的一系列指令操作。

进一步地，处理器510可以设置为与存储介质530通信，在设备运行状态识别设备500上执行存储介质530中的一系列指令操作。

设备运行状态识别设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve、Vista等等。

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备运行状态识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质。该计算机可读存储介质中存储有指令，当该指令在计算机上运行时，使得计算机执行实施例一中的设备运行状态识别方法的步骤。

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，本发明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的形式体现出来，该计算机软件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)执行本发明各个实施例所述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。

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，上述描述的装置及设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式。即使对本发明作出各种变化，倘若这些变化属于本发明权利要求及其等同技术的范围之内，则仍落入在本发明的保护范围之中。