本发明涉及故障诊断，尤其涉及一种基于多模态异构数据的设备异常状态评估方法和装置。
背景技术：
1、煤磨作为水泥厂生产线重要的机器设备，是运行人员巡检的重点。当前对水泥厂巡检监控诊断的研究主要停留在设备的机械结构设计、生产工艺优化等方面，针对水泥生产线中煤磨设备运行状态监控和异常问题诊断的研究几乎很少。
2、传统的设备异常问题诊断主要依靠有经验的现场工作人员，依靠设备运行时发出的声音来判断机器运行是否健康，但是这种方法会更多的受到人为因素的影响，不同人有着不一样的评判标准，而且人无法24小时对设备的状态进行实时监控。现有技术中对磨机的基于振动信号和振动特征库异常问题诊断的研究比较普遍，但是此类方法必须针对各监测点位安装多个振动传感器，并且监测位置受限。
3、如何实现设备异常状态的监测和诊断，降低人为因素及实施等其他因素对设备运行情况的影响，是目前亟需解决的技术问题。
技术实现思路
1、本发明提供一种基于多模态异构数据的设备异常状态评估方法和装置，用以解决现有技术中存在的缺陷。
2、本发明提供一种基于多模态异构数据的设备异常状态评估方法，包括如下步骤：
3、获取目标设备的多模态异构数据，并将所述多模态异构数据输入至预训练的设备异常等级模型中，得到所述目标设备的异常状态等级；其中，所述设备异常等级模型是基于设备的历史多模态异构数据对神经网络进行训练得到；
4、在所述目标设备的异常状态等级大于或等于预设等级的情况下，基于所述目标设备的多模态异构数据确定所述目标设备的故障信息；
5、基于所述目标设备的故障信息确定对应的运维信息。
6、根据本发明提供的一种基于多模态异构数据的设备异常状态评估方法，所述设备异常等级模型的训练过程，包括：
7、获取设备的历史多模态异构数据，并进行特征提取融合处理，得到多模态异构数据集；其中，所述历史多模态异构数据是基于专家经验确定选取的工艺数据、声音、振动和电气监测数据得到；
8、对所述多模态异构数据集进行预处理，并将所述多模态异构数据集划分为训练集和测试集；基于所述训练集和所述测试集对神经网络进行训练，确定模型参数，并基于所述模型参数得到所述设备异常等级模型。
9、根据本发明提供的一种基于多模态异构数据的设备异常状态评估方法，在将所述多模态异构数据输入至预训练的设备异常等级模型中，得到所述目标设备的异常状态等级之后，所述方法还包括：
10、在所述目标设备的异常状态等级小于所述预设等级的情况下，确定所述目标设备状态正常。
11、根据本发明提供的一种基于多模态异构数据的设备异常状态评估方法，所述在所述目标设备的异常状态等级大于或等于预设等级的情况下，基于所述目标设备的多模态异构数据确定所述目标设备的故障信息，包括：
12、在所述目标设备的异常状态等级大于或等于预设等级的情况下，按照故障表现类型将所述目标设备的多模态异构数据划分为预设组数，并分别对每组数据进行模式匹配；其中，所述故障表现类型包括工艺、振动、声音和电气；所述预设等级为：基于设备异常等级模型训练数据的结果数据统计分布的分位数确定的；
13、基于每组数据的模式匹配结果进行故障可信度计算，得到最终故障结果数据，并基于所述最终故障结果数据确定所述目标设备的故障信息；其中，所述故障信息包括故障表现以及对应的异常原因。
14、根据本发明提供的一种基于多模态异构数据的设备异常状态评估方法，通过设备故障库预先存储多种故障表现以及每种故障表现对应的至少一个异常原因；
15、所述基于计算结果确定所述目标设备的故障信息，包括：
16、基于所述计算结果在所述设备故障库中查询，确定所述目标设备的故障表现以及对应的异常原因。
17、根据本发明提供的一种基于多模态异构数据的设备异常状态评估方法，通过运维知识库预先存储多种故障类型以及每种故障类型对应的至少一个维修建议；
18、所述基于所述目标设备的故障信息确定对应的运维信息，包括：
19、基于所述目标设备的故障信息确定所述目标设备的故障类型；
20、基于所述故障类型在所述运维知识库中查询，确定所述目标设备的故障类型对应的至少一个维修建议。
21、本发明还提供一种基于多模态异构数据的设备异常状态评估装置，包括如下模块：异常等级确定模块，用于获取目标设备的多模态异构数据，并将所述多模态异构数据输入至预训练的设备异常等级模型中，得到所述目标设备的异常状态等级；其中，所述设备异常等级模型是基于设备的历史多模态异构数据对神经网络进行训练得到；
22、故障信息确定模块，用于在所述目标设备的异常状态等级大于或等于预设等级的情况下，基于所述目标设备的多模态异构数据确定所述目标设备的故障信息；
23、运维信息确定模块，用于基于所述目标设备的故障信息确定对应的运维信息。
24、根据本发明提供的一种基于多模态异构数据的设备异常状态评估装置，所述装置还包括训练模块，具体用于：
25、获取设备的历史多模态异构数据，并进行特征提取融合处理，得到多模态异构数据集；其中，所述历史多模态异构数据是基于专家经验确定选取的工艺数据、声音、振动和电气监测数据得到；
26、对所述多模态异构数据集进行预处理，并将所述多模态异构数据集划分为训练集和测试集；基于所述训练集和所述测试集对神经网络进行训练，确定模型参数，并基于所述模型参数得到所述设备异常等级模型。
27、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多模态异构数据的设备异常状态评估方法。
28、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多模态异构数据的设备异常状态评估方法。
29、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于多模态异构数据的设备异常状态评估方法。
30、本发明提供的基于多模态异构数据的设备异常状态评估方法，通过获取目标设备的多模态异构数据，并将多模态异构数据输入至预训练的设备异常等级模型中，得到目标设备的异常状态等级；其中，设备异常等级模型是基于设备的历史多模态异构数据对神经网络进行训练得到；在目标设备的异常状态等级大于或等于预设等级的情况下，基于目标设备的多模态异构数据确定目标设备的故障信息；基于目标设备的故障信息确定对应的运维信息。由此可知，本发明基于多模态异构数据对设备进行异常状态的初判断以及故障信息的再判断，确保评估的准确性，可以降低人为因素对设备运行情况判断的影响，并且在设备有异常的早期及时监测到问题源，通过及时通知维修或更换零件，维持设备正常的运行。
1.一种基于多模态异构数据的设备异常状态评估方法，其特征在于，包括：
2.根据权利要求1所述的基于多模态异构数据的设备异常状态评估方法，其特征在于，所述设备异常等级模型的训练过程，包括：
3.根据权利要求1所述的基于多模态异构数据的设备异常状态评估方法，其特征在于，在将所述多模态异构数据输入至预训练的设备异常等级模型中，得到所述目标设备的异常状态等级之后，所述方法还包括：
4.根据权利要求1所述的基于多模态异构数据的设备异常状态评估方法，其特征在于，所述在所述目标设备的异常状态等级大于或等于预设等级的情况下，基于所述目标设备的多模态异构数据确定所述目标设备的故障信息，包括：
5.根据权利要求4所述的基于多模态异构数据的设备异常状态评估方法，其特征在于，通过设备故障库预先存储多种故障表现以及每种故障表现对应的至少一个异常原因；
6.根据权利要求1所述的基于多模态异构数据的设备异常状态评估方法，其特征在于，通过运维知识库预先存储多种故障类型以及每种故障类型对应的至少一个维修建议；
7.一种基于多模态异构数据的设备异常状态评估装置，其特征在于，包括：
8.根据权利要求7所述的基于多模态异构数据的设备异常状态评估装置，其特征在于，所述装置还包括训练模块，具体用于：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于多模态异构数据的设备异常状态评估方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于多模态异构数据的设备异常状态评估方法。
