一种系统状态监测方法、装置、电子设备及可读存储介质与流程

1.本技术涉及工业系统技术领域，特别涉及一种系统状态监测方法，还涉及一种系统状态监测装置、电子设备以及计算机可读存储介质。


背景技术：

2.工业系统状态监测是工业系统正常运行的重要保证，即通过对工业系统进行状态监测来确定其是否处于正常运行状态。目前，对工业系统进行状态监测多采用人工判断或设置告警监测点的实现方式，但该种实现方式存在监测不准确、不全面的问题；相关技术中也提出了多元状态评估法，但由于需要建立系统模型，仍然存在建模难度大、模型维护成本高的问题。
3.因此，如何实现更为简洁且准确的系统状态监测，保证系统的正常运行是本领域技术人员亟待解决的问题。


技术实现要素：

4.本技术的目的是提供一种系统状态监测方法，该系统状态监测方法可以实现更为简洁且准确的系统状态监测，保证系统的正常运行；本技术的另一目的是提供一种系统状态监测装置、电子设备及计算机可读存储介质，均具有上述有益效果。
5.第一方面，本技术提供了一种系统状态监测方法，包括：
6.对目标系统进行数据采集，获得系统数据；
7.按照数据类型对所述系统数据进行划分，获得各系统数据组；
8.对于每一所述系统数据组，利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态；
9.利用各所述组状态生成系统状态；
10.利用系统状态库对所述系统状态进行识别，确定系统状态监测结果。
11.可选地，所述利用所述数据类型对应的分类器对所述系统数据组进行识别，获得所述系统数据组的组状态，包括：
12.利用所述数据类型对应的分类器对所述系统数据组进行处理，获得所述系统数据组的初始识别结果，所述初始识别结果包括所述系统数据组命中各类目标组状态的概率值；
13.对所有所述概率值进行筛选，保留取值最大的预设数量个概率值；
14.按照预设识别规则对各保留概率值进行对比分析，确定所述系统数据组的组状态。
15.可选地，当所述预设数量取值为2时，所述按照预设识别规则对各保留概率值进行对比分析，确定所述系统数据组的组状态，包括：
16.当最大保留概率值不低于第一阈值，且所述最大保留概率值与第二保留概率值之间的差值低于第二阈值时，将所述最大保留概率值对应的目标组状态和所述第二保留概率
值对应的目标组状态作为所述系统数据组的组状态；
17.当最大保留概率值不低于第一阈值，且所述最大保留概率值与第二保留概率值之间的差值不低于第二阈值时，将所述最大保留概率值对应的目标组状态作为所述系统数据组的组状态；
18.当最大保留概率值低于第一阈值时，确定所述初始识别结果为异常识别结果。
19.可选地，当确定所述初始识别结果为所述异常识别结果时，还包括：
20.获取所述系统数据组的人工标定结果；
21.利用所述人工标定结果对所述系统数据组对应的分类器进行优化训练，获得优化分类器；
22.基于所述优化分类器，返回所述利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态的步骤。
23.可选地，所述系统状态库包括异常系统状态库和非异常系统状态库；所述利用系统状态库对所述系统状态进行识别，确定系统状态监测结果，包括：
24.确定所述系统状态在所述非异常系统状态库中命中的最匹配非异常状态，并确定所述系统状态与所述最匹配非异常状态中相同组状态的第一数量；
25.确定所述系统状态在所述异常系统状态库中命中的最匹配异常状态，并确定所述系统状态与所述最匹配异常状态中相同组状态的第二数量；
26.当所述第一数量超出所述第二数量，且所述第一数量不低于第三阈值时，确定所述系统状态监测结果为系统状态正常；
27.当所述第一数量未超出所述第二数量，且所述第二数量不低于所述第三阈值时，确定所述系统状态监测结果为系统状态异常；
28.当所述第一数量和所述第二数量均低于所述第三阈值时，确定所述系统状态监测结果为系统状态待确认。
29.可选地，所述系统状态监测方法还包括：
30.当确定所述系统状态监测结果为所述系统状态待确认时，输出人工确认提示；
31.当确定所述系统状态监测结果为所述系统状态异常时，输出告警提示。
32.可选地，所述系统状态监测方法还包括：
33.根据所述系统状态监测结果对所述系统状态库进行更新处理。
34.第二方面，本技术还公开了一种系统状态监测装置，包括：
35.采集模块，用于对目标系统进行数据采集，获得系统数据；
36.划分模块，用于按照数据类型对所述系统数据进行划分，获得各系统数据组；
37.第一识别模块，用于对于每一所述系统数据组，利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态；
38.生成模块，用于利用各所述组状态生成系统状态；
39.第二识别模块，用于利用系统状态库对所述系统状态进行识别，确定系统状态监测结果。
40.第三方面，本技术还公开了一种电子设备，包括：
41.存储器，用于存储计算机程序；
42.处理器，用于执行所述计算机程序时实现如上所述的任一种系统状态监测方法的
步骤。
43.第四方面，本技术还公开了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如上所述的任一种系统状态监测方法的步骤。
44.本技术提供了一种系统状态监测方法，包括：对目标系统进行数据采集，获得系统数据；按照数据类型对所述系统数据进行划分，获得各系统数据组；对于每一所述系统数据组，利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态；利用各所述组状态生成系统状态；利用系统状态库对所述系统状态进行识别，确定系统状态监测结果。
45.应用本技术所提供的技术方案，对于采集到的关于目标系统的系统数据，首先按照数据类型进行数据分类，保证相同类型的系统数据被划分为同一数据组内，并且，针对不同的数据类型预先训练对应的分类器，由此，即可利用同类别的分类器对相应的系统数据组进行识别，得到每一个系统数据组的组状态，进一步，将所有的组状态组合为系统状态，再利用预先创建的系统状态库对系统状态进行识别，即可得到关于目标系统的系统状态监测结果。由此可见，先按照数据类型对系统数据进行划分后再进行处理，可以有效保证各数据组内系统数据的关联性，进而保证系统监测结果的准确性，然后通过对数据分类结果的组合来反应系统状态情况，无需额外进行系统模型的构建与维护，实现流程更为简单便捷，可见，该技术方案实现了更为简洁且准确的系统状态监测，有效地保证了系统的正常运行。
46.本技术所提供的系统状态监测装置、电子设备以及计算机可读存储介质，同样具有上述技术效果，本技术在此不再赘述。
附图说明
47.为了更清楚地说明现有技术和本技术实施例中的技术方案，下面将对现有技术和本技术实施例描述中需要使用的附图作简要的介绍。当然，下面有关本技术实施例的附图描述的仅仅是本技术中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本技术的保护范围。
48.图1为本技术所提供的一种系统状态监测方法的流程示意图；
49.图2为本技术所提供的另一种系统状态监测方法的流程示意图；
50.图3为本技术所提供的一种系统状态库的原理图；
51.图4为本技术所提供的一种训练数据格式展示图；
52.图5为本技术所提供的一种系统状态监测装置的结构示意图；
53.图6为本技术所提供的一种电子设备的结构示意图。
具体实施方式
54.本技术的核心是提供一种系统状态监测方法，该系统状态监测方法可以实现更为简洁且准确的系统状态监测，保证系统的正常运行；本技术的另一核心是提供一种系统状态监测装置、电子设备及计算机可读存储介质，均具有上述有益效果。
55.为了对本技术实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申
请实施例中的附图，对本技术实施例中的技术方案进行介绍。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
56.本技术实施例提供了一种系统状态监测方法。
57.请参考图1，图1为本技术所提供的一种系统状态监测方法的流程示意图，该系统状态监测方法可以包括如下s101至s105。
58.s101：对目标系统进行数据采集，获得系统数据。
59.本步骤旨在实现数据采集功能，即对目标系统进行数据采集，得到其在运行过程中所产生的数据信息，即上述系统数据。其中，目标系统即为需要进行系统状态监测的系统，其系统类型并不影响本技术方案的实施，可适用于多类电子系统、工业系统等；系统数据集目标系统在运行过程中所产生的各类数据信息，其数据类型并不唯一，由技术人员根据实际需求进行设定即可，例如，可以包括但不限于电压、电流、温度、压强、流量、振动等数据。
60.可以理解的是，数据采集操作的执行可以响应于系统状态监测指令(可由技术人员通过前端发起，或自动响应于某触发信号)，即在接收到系统状态监测指令时执行s101中的数据采集操作。
61.s102：按照数据类型对系统数据进行划分，获得各系统数据组。
62.本步骤旨在实现数据划分功能，即按照数据类型对系统数据进行划分，得到多个系统数据组。如上所述，在数据采集过程中所采集到的系统数据的数据类型并不唯一，可能包含有多种类型的系统数据，此时，则可以按照不同的数据类型将系统数据划分为多个系统数据组，例如，将所有电流数据划分为同一个系统数据组，将所有电压数据划分为同一个系统数据组，将所有温度数据划分为同一个系统数据组等。
63.更进一步地，还可以分析各种数据类型之间的关联关系，将关联关系较为紧密的组合为同一个系统数据组，例如，在目标系统中电压和电流关系更为紧密，那么，可以将电流数据组和电压数据组组合为同一个系统数据组。此外，对于某种数据类型存在组内数据强相关、组外数据弱相关的情况，还可以对该数据类型的系统数据组进行进一步划分，例如，可以将温度数据组进一步划分为温度数据组一、温度数据组二等，以有效保证组内数据的相关联性，进而保证系统监测结果的准确性。
64.s103：对于每一系统数据组，利用数据类型对应的分类器对系统数据组进行识别，确定系统数据组的组状态。
65.本步骤旨在实现组状态识别功能。具体而言，针对不同的数据类型，可以预先训练相应的数据分类器，用于对该种数据类型的系统数据进行状态识别，因此，对于每一个系统数据组，均可以调取其对应的分类器对其进行识别处理，从而确定该系统数据组的组状态。例如，可以调取电流数据组对应的电流分类器对电流数据组进行识别，确定电流数据组的组状态，可以调取温度数据组对应的温度分类器对温度数据组进行识别，确定温度数据组的组状态。其中，组状态即对应数据类型的系统数据组的真实工作状态，以温度数据组为例，其对应的组状态可能为高温状态、低温状态、加热状态、降温状态等。
66.其中，分类器是预先利用相应数据类型的样本数据进行训练得到的，在使用时可直接调用。并且，分类器的具体类型并不影响本技术方案的实施，可实现数据分类功能即
可，在一种可能的实现方式中，分类器具体可以采用xgboost梯度提升树(一种基于boosting实现的算法，是一种常见的分类器)，其具有效果优异、使用简单、速度快等优势。
67.s104：利用各组状态生成系统状态。
68.本步骤旨在实现系统状态的生成功能，即将所有系统数据组的组状态组合为目标系统的系统状态，例如，目标系统的系统状态＝(电流数据组状态，电压数据组状态，温度数据组状态，压强数据组状态)。
69.s105：利用系统状态库对系统状态进行识别，确定系统状态监测结果。
70.本步骤旨在实现系统状态识别功能。具体而言，可以预先创建系统状态库，其中保存有各类正常系统状态和/或非正常系统状态，由此，即可通过数据库匹配的方式对系统状态进行识别，从而确定目标系统的系统状态监测结果，当然，该系统状态监测结果包括正常系统状态和非正常系统状态(或者异常系统状态和非异常系统状态)。
71.可见，本技术实施例所提供的系统状态监测方法，对于采集到的关于目标系统的系统数据，首先按照数据类型进行数据分类，保证相同类型的系统数据被划分为同一数据组内，并且，针对不同的数据类型预先训练对应的分类器，由此，即可利用同类别的分类器对相应的系统数据组进行识别，得到每一个系统数据组的组状态，进一步，将所有的组状态组合为系统状态，再利用预先创建的系统状态库对系统状态进行识别，即可得到关于目标系统的系统状态监测结果。由此可见，先按照数据类型对系统数据进行划分后再进行处理，可以有效保证各数据组内系统数据的关联性，进而保证系统监测结果的准确性，然后通过对数据分类结果的组合来反应系统状态情况，无需额外进行系统模型的构建与维护，实现流程更为简单便捷，可见，该技术方案实现了更为简洁且准确的系统状态监测，有效地保证了系统的正常运行。
72.在上述实施例的基础上：
73.在本技术的一个实施例中，上述利用数据类型对应的分类器对系统数据组进行识别，获得系统数据组的组状态，可以包括：
74.利用数据类型对应的分类器对系统数据组进行处理，获得系统数据组的初始识别结果，初始识别结果包括系统数据组命中各类目标组状态的概率值；
75.对所有概率值进行筛选，保留取值最大的预设数量个概率值；
76.按照预设识别规则对各保留概率值进行对比分析，确定系统数据组的组状态。
77.本技术实施例提供了一种基于分类器对系统数据组进行组状态识别的实现方法。如上所述，分类器用于对相应数据类型的系统数据组进行状态识别，对于每一个系统数据组，可将其输入至相应数据类型的分类器，该分类器的输出为初始识别结果，其中主要内容包括系统数据组命中各类目标组状态的概率值，例如，当数据类型为温度时，其所存在的所有目标组状态可以包括：升温状态、降温状态、高温状态、低温状态，那么，基于温度分类器对温度数据组进行处理的输出为：该温度数据组分别为升温状态的概率值、降温状态的概率值、高温状态的概率值、低温状态的概率值。进一步地，对所有概率值进行筛选，仅保留取值最大的预设数量个概率值，同样基于上述举例，假设关于温度数据组的初始识别结果为：升温状态的概率值＞高温状态概率值＞低温状态概率值＞降温状态概率值，则可以只保留前两个(此处指预设数量取值为2)概率值，即升温状态的概率值和高温状态概率值；当然，预设数量的具体取值由技术人员根据实际情况进行设定即可，本技术对此不做限定，需要
说明的是，预设数量＜目标组状态的总数量。最后，按照预设识别规则对各个保留概率值进行对比分析，即可确定当前系统数据组的组状态。
78.在本技术的一个实施例中，当预设数量取值为2时，上述按照预设识别规则对各保留概率值进行对比分析，确定系统数据组的组状态，可以包括：
79.当最大保留概率值不低于第一阈值，且最大保留概率值与第二保留概率值之间的差值低于第二阈值时，将最大保留概率值对应的目标组状态和第二保留概率值对应的目标组状态作为系统数据组的组状态；
80.当最大保留概率值不低于第一阈值，且最大保留概率值与第二保留概率值之间的差值不低于第二阈值时，将最大保留概率值对应的目标组状态作为系统数据组的组状态；
81.当最大保留概率值低于第一阈值时，确定初始识别结果为异常识别结果。
82.本技术实施例提供了一种具体形式的预设识别规则。在本技术实施例中，以预设数量取值为2为例，对预设识别规则进行展开介绍。首先，当预设数量取值为2时，两个保留概率值即最大保留概率值和第二保留概率值；然后，对这两个概率值与预先设定的评估阈值(第一阈值和第二阈值)进行比对分析，即可根据分析结果确定当前系统数据组的组状态是否可信，以及在确定可信时当前系统数据组的组状态。
83.当然，上述评估阈值(第一阈值和第二阈值)的取值均是由技术人员根据实际情况/结合历史经验所设定的评估值，本技术对其具体取值不做限定。
84.在本技术的一个实施例中，当确定初始识别结果为异常识别结果时，该系统状态监测方法还可以包括：
85.获取系统数据组的人工标定结果；
86.利用人工标定结果对系统数据组对应的分类器进行优化训练，获得优化分类器；
87.基于优化分类器，返回利用数据类型对应的分类器对系统数据组进行识别，确定系统数据组的组状态的步骤。
88.本技术实施例所提供的系统状态监测方法还可以进一步实现分类器优化功能。具体而言，当确定初始识别结果为异常识别结果时，说明该初始识别结果是不可信的，也说明当前出现了该类型数据的新状态，即当前的分类器无法识别的、与已有目标组状态完全不同的组状态，此时，则需要对分类器进行优化处理，获得一个优化分类器，以应用新的组状态的识别。在实现过程中，可以先由技术人员对系统数据组进行人工标定得到相应的人工标定结果，然后将该人工标定结果作为新的训练数据对相应的分类器进行优化训练，即可得到优化分类器，由此，即可返回s102利用该优化分类器重新进行组状态识别。
89.在本技术的一个实施例中，系统状态库可以包括异常系统状态库和非异常系统状态库；上述利用系统状态库对系统状态进行识别，确定系统状态监测结果，可以包括：
90.确定系统状态在非异常系统状态库中命中的最匹配非异常状态，并确定系统状态与最匹配非异常状态中相同组状态的第一数量；
91.确定系统状态在异常系统状态库中命中的最匹配异常状态，并确定系统状态与最匹配异常状态中相同组状态的第二数量；
92.当第一数量超出第二数量，且第一数量不低于第三阈值时，确定系统状态监测结果为系统状态正常；
93.当第一数量未超出第二数量，且第二数量不低于第三阈值时，确定系统状态监测
结果为系统状态异常；
94.当第一数量和第二数量均低于第三阈值时，确定系统状态监测结果为系统状态待确认。
95.本技术实施例提供一种基于系统状态库进行系统状态识别的实现方法。具体而言，系统状态库可以包括异常系统状态库和非异常系统状态库，其中，异常系统状态库中包含有多种被判定为目标系统异常的系统状态，非异常系统状态库中包含有多种被判定为目标系统正常的系统状态，由此，即可利用异常系统状态库和非异常系统状态库对当前需要识别的系统状态进行处理。在实现过程中，分别在异常系统状态库和非异常系统状态库中查询到与当前系统状态最匹配的目标系统状态，即非异常系统状态库中的最匹配非异常状态和异常系统状态库中的最匹配异常状态；然后，分别确定当前系统状态与两种最匹配状态中具有相同组状态的数量，得到第一数量和第二数量，由此，即可通过数值比较实现系统状态监测结果的确定。
96.例如，假设目标系统的系统数据分为5种数据类型，那么，系统状态由5个组状态组成，相对应的，目标系统对应的异常系统状态库中所记录的各个系统状态同样由5个组状态组成，非异常系统状态库中所记录的各个系统状态同样由5个组状态组成，在此基础上，在查询库中的最匹配状态时，可以依次匹配系统状态中的各个组状态，当5个组状态中相同的组状态的数量最多时(例如，有其中3个组状态相同)，即可将该系统状态作为最匹配状态，得到最匹配非异常状态和最匹配异常状态；相应的，相同的组状态的数量即为上述第一数量/第二数量。
97.在本技术的一个实施例中，该系统状态监测方法还可以包括：
98.当确定系统状态监测结果为系统状态待确认时，输出人工确认提示；
99.当确定系统状态监测结果为系统状态异常时，输出告警提示。
100.本技术实施例所提供的系统状态检测方法还可以进一步实现结果输出功能。具体而言，当确定系统状态监测结果为系统状态待确认时，即可输出人工确认提示，用于告知技术人员当前识别结果不准确，需要人工进行再次审核确认；当确定系统状态监测结果为系统状态异常时，则可以输出告警提示，用于告知技术人员目标系统当前存在异常，需要及时进行维护处理。当然，当确定系统状态监测结果为系统状态正常时，同样可以输出监测通过提示，用于告知技术人员当前目标系统处于正常运行状态。
101.在本技术的一个实施例中，该系统状态监测方法还可以包括：根据系统状态监测结果对系统状态库进行更新处理。
102.本技术实施例所提供的系统状态检测方法还可以进一步实现数据库更新功能，也就是根据系统状态监测结果对系统状态库进行更新，以进一步完善、全面系统状态库，为后续新一轮的系统状态监测提供帮助。具体而言，当系统状态库包括异常系统状态库和非异常系统状态库时，如若系统状态监测结果为系统状态正常，则可以将该系统状态监测添加至非异常系统状态库，并对该非异常系统状态库中的内容进行去重和修正处理；如若系统状态监测结果为系统状态正异常，则可以将该系统状态监测添加至异常系统状态库，并对该异常系统状态库中的内容进行去重和修正处理。
103.在上述实施例的基础上，本技术实施例提供了另一种系统状态监测方法。
104.请参考图2，图2为本技术所提供的另一种系统状态监测方法的流程示意图，该系
统状态监测方法的实现流程如下：
105.1、数据分组
106.在被监测系统中，将系统测点按照不同的物理意义(数据类型)划分为多组，如电流、电压、温度、振动、流量、压力等。其中，若在该系统中电流与电压存在紧密关联关系，则可以将电流和电压划分为一类，其它物理量类似；若该系统中温度明显存在几组组内强相关、组间弱相关的现象，则可以将温度划分为温度一、温度二
……
，其它物理量类似。
107.2、分类器训练与应用
108.分类器训练：将尽可能多的设有系统状态标签v和各组状态标签s的历史数据(也即训练数据)来训练不同物理意义的分类器，分类器可以采用xgboost梯度提升树实现。
109.分类器应用(组状态识别)：以某一系统数据组(设为s1组)为例，当该系统数据组通过s1分类器输出结果为：状态一s1a和概率值r1a，状态二s1b和概率值r1b，
……
，(按照概率值降序排列)。那么：
110.(1)当r1a小于阈值n1(第一阈值)时，则认为s1分类器得到的结果不可信，出现了新状态，需要人工介入标定该系统数据组的标签，并重新训练优化s1分类器；-111.(2)当r1a大于等于阈值n1，r1
a-r1b小于阈值n2(第二阈值)时，则认为s1分类器的结果为s1a和s1b(当然，也可以以类似思路建立r1a和r1b、r1c之间的关系，使s1分类器的结果为s1a、s1b和s1c)；
112.(3)当r1a大于等于阈值n1，r1
a-r1b大于阈值n2时，则认为s1分类器的结果为s1a。
113.其中，若s1分类器的结果存在非正常状态标签的，则认为s1分类器的结果为非正常状态标签，舍弃正常状态标签(本操作的目的在于宁可通过该方法判定为误报，也不漏报)。
114.3、系统状态生成与识别
115.首先，将各组状态按一定顺序组合，形成系统状态。如有电流组状态a、电压组状态b、温度组状态c、振动组状态d、液位组状态e、压力组状态f、流量组状态g，可以组合形成系统状态abcdefg，其中a1b1c1d1e1f1g1是一种系统状态。需要注意的是，上述2中提到组状态的结果可能存在两个及以上，故代表一条组状态的组合可以形成两条系统状态，例如，某条组状态电流的状态为a1和a2，则形成的系统状态为a1b1c1d1e1f1g1和a2b1c1d1e1f1g1。
116.进一步，将系统状态分为正常系统状态、非正常系统状态、待确认三类。将训练数据的所有系统状态按正常和非正常进行分类，并分别存放在正常系统状态库和非正常系统状态库这两类中，如图3所示，图3为本技术所提供的一种系统状态库的原理图，主要包括正常系统状态库和非正常系统状态库。系统状态库中的系统状态的增加方式可以包括但不限于：
117.(1)同训练数据的获取方式，即制定一种系统状态为正常系统状态或非正常系统状态。
118.(2)假如某一(某些)物理量组的结果与正常系统状态或非正常系统状态没有必然的联系，则这些组的组状态可以用下划线代替，表示这些组的组状态任意，且需要将训练数据获得的正常系统状态和非正常系统状态进行修正。例如，根据工程师经验，电压组状态、温度组状态和正常(或非正常)系统状态没有必然联系，则系统状态a1b1c1d1e1f1g1被修正为a1__d1e1f1g1。
119.(3)假如某一(某些)物理量组的结果恒为正常系统状态或非正常系统状态时，则除这些组之外的其它组用下划线代替，表示当这些组的组状态确定时，其它组状态可以为任意，且需要将训练数据获得的正常系统状态和非正常系统状态中的重复项去除。例如，非正常系统状态中存在a3b1c1d2e1f1g2，现根据工程师经验认为当电流组状态为a3、振动组状态为d2、流量组状态为g2时，系统状态恒为非正常系统状态，则去除非正常系统状态a3b1c1d2e1f1g2，保留非正常系统状态a3__1d2__g2。
120.4、监测结果确定与系统状态自维护
121.设置系统状态判断阈值n(第三阈值)≤系统分组数(基于上述举例，系统分组数为7)，各系统数据组通过相应分类器的结果组合成的系统状态为v
实
，记当前系统状态v
实
与(正常系统状态库中的)正常系统状态中最多的相同位数为t，记当前系统状态v
实
与(非正常系统状态库中的)非正常系统状态中最多的相同位数为f。值得注意的是，正常系统状态和非正常系统状态中组状态为下划线的为填入该组的任意一种状态都算相同，即a1b2c1d1e2f3g1与a1__d1e1f1g1的相同位数为5。则有：
122.(1)当t＞f，且t≥n时，则认为被监测系统为正常系统状态；
123.(2)当t≤f，且f≥n时，则认为被监测系统为非正常系统状态；
124.(3)当t＜n且f＜n时，则认为被监测系统为待确认。
125.最后，当被监测系统的系统状态被判定为正常系统状态时，若t小于系统分组数，则将该系统状态录入正常系统状态库中，并修正和去除正常系统状态库中重复的内容；当被监测系统的系统状态判定为非正常系统状态时，触发系统状态报警，提醒工程师存在异常需处理，且若t小于系统分组数，则将该系统状态录入非正常系统状态库中，并修正和去除非正常系统状态库中重复的内容；当被监测系统的系统状态判定为待确认时，将该系统状态记录到系统状态库的待确认类中，当然，若该系统状态已经存在于待确认类中，则不重复记录，待确认类中的系统状态后续需要工程师人工判定其为正常系统状态或非正常系统状态，然后放入相应的库中，并进行库状态修正和去除工作。
126.下述提供了一种实际的应用场景：
127.以电厂主给水系统为例，该系统共有3台主给水泵、2台启动给水泵等一系列设备构成，共记109个测点，可分为主给水泵电流组9个测点a1、启动给水泵电流组6个测点a2、流量组2个测点b、主给水泵电机线圈温度+泵轴承温度组51个测点c1、主给水泵电机端振动+泵端振动组24个测点d、主给水泵出入口温度组6个测点c2、启动给水泵出入口温度组4个测点c3、压差组3个测点e、环境组(环境变量，如发电机功率、厂房温度、设冷水温度等)4个测点f。训练数据格式如图4所示，图4为本技术所提供的一种训练数据格式展示图，数据取5分钟一组。
128.在完成训练数据采集后，利用每组训练数据和标签训练xgboost多分类器，并制定各组状态的判定结果。案例中各组多分类器的输出结果只保留前三大类，当r1a≥40％且r1
a-r1b≥5％时，该组状态结果为s1a；当r1a≥40％且r1
a-r1b＜5％时，该组状态结果为s1a和s1b。
129.进一步，将组状态结果按顺序组合成系统状态a1 a2 b c1 d c2 c3 e f，并根据系统状态标签以及工程师经验对系统状态区分为正常系统状态和非正常系统状态(环境组为非必然关系组，置为下划线)。此时系统分组数为9组，设定n为6或7(当系统状态标签种类
较少时设置n为6，否则n为7)。
130.此后，即可通过本技术所提供的系统状态监测方法预测被监测系统在某时刻的系统状态属于正常系统状态还是异常系统状态，当出现异常系统状态时及时报警告知工程师分析该系统状况。此外，在实际使用过程中，系统也可以通过不断的自动化维护系统状态分类，来提升系统状态判断的准确度。
131.可见，本技术实施例所提供的系统状态监测方法，对于采集到的关于目标系统的系统数据，首先按照数据类型进行数据分类，保证相同类型的系统数据被划分为同一数据组内，并且，针对不同的数据类型预先训练对应的分类器，由此，即可利用同类别的分类器对相应的系统数据组进行识别，得到每一个系统数据组的组状态，进一步，将所有的组状态组合为系统状态，再利用预先创建的系统状态库对系统状态进行识别，即可得到关于目标系统的系统状态监测结果。由此可见，先按照数据类型对系统数据进行划分后再进行处理，可以有效保证各数据组内系统数据的关联性，进而保证系统监测结果的准确性，然后通过对数据分类结果的组合来反应系统状态情况，无需额外进行系统模型的构建与维护，实现流程更为简单便捷，可见，该技术方案实现了更为简洁且准确的系统状态监测，有效地保证了系统的正常运行。
132.本技术实施例提供了一种系统状态监测装置。
133.请参考图5，图5为本技术所提供的一种系统状态监测装置的结构示意图，该系统状态监测装置可以包括：
134.采集模块1，用于对目标系统进行数据采集，获得系统数据；
135.划分模块2，用于按照数据类型对系统数据进行划分，获得各系统数据组；
136.第一识别模块3，用于对于每一系统数据组，利用数据类型对应的分类器对系统数据组进行识别，确定系统数据组的组状态；
137.生成模块4，用于利用各组状态生成系统状态；
138.第二识别模块5，用于利用系统状态库对系统状态进行识别，确定系统状态监测结果。
139.可见，本技术实施例所提供的系统状态监测装置，对于采集到的关于目标系统的系统数据，首先按照数据类型进行数据分类，保证相同类型的系统数据被划分为同一数据组内，并且，针对不同的数据类型预先训练对应的分类器，由此，即可利用同类别的分类器对相应的系统数据组进行识别，得到每一个系统数据组的组状态，进一步，将所有的组状态组合为系统状态，再利用预先创建的系统状态库对系统状态进行识别，即可得到关于目标系统的系统状态监测结果。由此可见，先按照数据类型对系统数据进行划分后再进行处理，可以有效保证各数据组内系统数据的关联性，进而保证系统监测结果的准确性，然后通过对数据分类结果的组合来反应系统状态情况，无需额外进行系统模型的构建与维护，实现流程更为简单便捷，可见，该技术方案实现了更为简洁且准确的系统状态监测，有效地保证了系统的正常运行。
140.在本技术的一个实施例中，上述第一识别模块3可包括：
141.处理单元，用于利用数据类型对应的分类器对系统数据组进行处理，获得系统数据组的初始识别结果，初始识别结果包括系统数据组命中各类目标组状态的概率值；
142.筛选单元，用于对所有概率值进行筛选，保留取值最大的预设数量个概率值；
143.分析单元，用于按照预设识别规则对各保留概率值进行对比分析，确定系统数据组的组状态。
144.在本技术的一个实施例中，当预设数量取值为2时，上述分析单元可具体用于当最大保留概率值不低于第一阈值，且最大保留概率值与第二保留概率值之间的差值低于第二阈值时，将最大保留概率值对应的目标组状态和第二保留概率值对应的目标组状态作为系统数据组的组状态；当最大保留概率值不低于第一阈值，且最大保留概率值与第二保留概率值之间的差值不低于第二阈值时，将最大保留概率值对应的目标组状态作为系统数据组的组状态；当最大保留概率值低于第一阈值时，确定初始识别结果为异常识别结果。
145.在本技术的一个实施例中，当确定初始识别结果为异常识别结果时，该系统状态监测装置还可以包括优化模块，用于获取系统数据组的人工标定结果；利用人工标定结果对系统数据组对应的分类器进行优化训练，获得优化分类器；基于优化分类器，返回利用数据类型对应的分类器对系统数据组进行识别，确定系统数据组的组状态的步骤。
146.在本技术的一个实施例中，系统状态库可以包括异常系统状态库和非异常系统状态库；上述第二识别模块5可具体用于确定系统状态在非异常系统状态库中命中的最匹配非异常状态，并确定系统状态与最匹配非异常状态中相同组状态的第一数量；确定系统状态在异常系统状态库中命中的最匹配异常状态，并确定系统状态与最匹配异常状态中相同组状态的第二数量；当第一数量超出第二数量，且第一数量不低于第三阈值时，确定系统状态监测结果为系统状态正常；当第一数量未超出第二数量，且第二数量不低于第三阈值时，确定系统状态监测结果为系统状态异常；当第一数量和第二数量均低于第三阈值时，确定系统状态监测结果为系统状态待确认。
147.在本技术的一个实施例中，该系统状态监测装置还可以包括输出模块，用于当确定系统状态监测结果为系统状态待确认时，输出人工确认提示；当确定系统状态监测结果为系统状态异常时，输出告警提示。
148.在本技术的一个实施例中，该系统状态监测装置还可以包括更新模块，用于根据系统状态监测结果对系统状态库进行更新处理。
149.对于本技术实施例提供的装置的介绍请参照上述方法实施例，本技术在此不做赘述。
150.本技术实施例提供了一种电子设备。
151.请参考图6，图6为本技术所提供的一种电子设备的结构示意图，该电子设备可包括：
152.存储器，用于存储计算机程序；
153.处理器，用于执行计算机程序时可实现如上述任意一种系统状态监测方法的步骤。
154.如图6所示，为电子设备的组成结构示意图，电子设备可以包括：处理器10、存储器11、通信接口12和通信总线13。处理器10、存储器11、通信接口12均通过通信总线13完成相互间的通信。
155.在本技术实施例中，处理器10可以为中央处理器(central processing unit，cpu)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。
156.处理器10可以调用存储器11中存储的程序，具体的，处理器10可以执行系统状态监测方法的实施例中的操作。
157.存储器11中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本技术实施例中，存储器11中至少存储有用于实现以下功能的程序：
158.对目标系统进行数据采集，获得系统数据；
159.按照数据类型对系统数据进行划分，获得各系统数据组；
160.对于每一系统数据组，利用数据类型对应的分类器对系统数据组进行识别，确定系统数据组的组状态；
161.利用各组状态生成系统状态；
162.利用系统状态库对系统状态进行识别，确定系统状态监测结果。
163.在一种可能的实现方式中，存储器11可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。
164.此外，存储器11可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
165.通信接口12可以为通信模块的接口，用于与其他设备或者系统连接。
166.当然，需要说明的是，图6所示的结构并不构成对本技术实施例中电子设备的限定，在实际应用中电子设备可以包括比图6所示的更多或更少的部件，或者组合某些部件。
167.本技术实施例提供了一种计算机可读存储介质。
168.本技术实施例所提供的计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如上述任意一种系统状态监测方法的步骤。
169.该计算机可读存储介质可以包括：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。
170.对于本技术实施例提供的计算机可读存储介质的介绍请参照上述方法实施例，本技术在此不做赘述。
171.说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
172.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
173.结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存
储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom或技术领域内所公知的任意其它形式的存储介质中。
174.以上对本技术所提供的技术方案进行了详细介绍。本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以对本技术进行若干改进和修饰，这些改进和修饰也落入本技术的保护范围内。

技术特征：
1.一种系统状态监测方法，其特征在于，包括：对目标系统进行数据采集，获得系统数据；按照数据类型对所述系统数据进行划分，获得各系统数据组；对于每一所述系统数据组，利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态；利用各所述组状态生成系统状态；利用系统状态库对所述系统状态进行识别，确定系统状态监测结果。2.根据权利要求1所述的系统状态监测方法，其特征在于，所述利用所述数据类型对应的分类器对所述系统数据组进行识别，获得所述系统数据组的组状态，包括：利用所述数据类型对应的分类器对所述系统数据组进行处理，获得所述系统数据组的初始识别结果，所述初始识别结果包括所述系统数据组命中各类目标组状态的概率值；对所有所述概率值进行筛选，保留取值最大的预设数量个概率值；按照预设识别规则对各保留概率值进行对比分析，确定所述系统数据组的组状态。3.根据权利要求2所述的系统状态监测方法，其特征在于，当所述预设数量取值为2时，所述按照预设识别规则对各保留概率值进行对比分析，确定所述系统数据组的组状态，包括：当最大保留概率值不低于第一阈值，且所述最大保留概率值与第二保留概率值之间的差值低于第二阈值时，将所述最大保留概率值对应的目标组状态和所述第二保留概率值对应的目标组状态作为所述系统数据组的组状态；当最大保留概率值不低于第一阈值，且所述最大保留概率值与第二保留概率值之间的差值不低于第二阈值时，将所述最大保留概率值对应的目标组状态作为所述系统数据组的组状态；当最大保留概率值低于第一阈值时，确定所述初始识别结果为异常识别结果。4.根据权利要求3所述的系统状态监测方法，其特征在于，当确定所述初始识别结果为所述异常识别结果时，还包括：获取所述系统数据组的人工标定结果；利用所述人工标定结果对所述系统数据组对应的分类器进行优化训练，获得优化分类器；基于所述优化分类器，返回所述利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态的步骤。5.根据权利要求2所述的系统状态监测方法，其特征在于，所述系统状态库包括异常系统状态库和非异常系统状态库；所述利用系统状态库对所述系统状态进行识别，确定系统状态监测结果，包括：确定所述系统状态在所述非异常系统状态库中命中的最匹配非异常状态，并确定所述系统状态与所述最匹配非异常状态中相同组状态的第一数量；确定所述系统状态在所述异常系统状态库中命中的最匹配异常状态，并确定所述系统状态与所述最匹配异常状态中相同组状态的第二数量；当所述第一数量超出所述第二数量，且所述第一数量不低于第三阈值时，确定所述系统状态监测结果为系统状态正常；
当所述第一数量未超出所述第二数量，且所述第二数量不低于所述第三阈值时，确定所述系统状态监测结果为系统状态异常；当所述第一数量和所述第二数量均低于所述第三阈值时，确定所述系统状态监测结果为系统状态待确认。6.根据权利要求5所述的系统状态监测方法，其特征在于，还包括：当确定所述系统状态监测结果为所述系统状态待确认时，输出人工确认提示；当确定所述系统状态监测结果为所述系统状态异常时，输出告警提示。7.根据权利要求1所述的系统状态监测方法，其特征在于，还包括：根据所述系统状态监测结果对所述系统状态库进行更新处理。8.一种系统状态监测装置，其特征在于，包括：采集模块，用于对目标系统进行数据采集，获得系统数据；划分模块，用于按照数据类型对所述系统数据进行划分，获得各系统数据组；第一识别模块，用于对于每一所述系统数据组，利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态；生成模块，用于利用各所述组状态生成系统状态；第二识别模块，用于利用系统状态库对所述系统状态进行识别，确定系统状态监测结果。9.一种电子设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的系统状态监测方法的步骤。10.一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如权利要求1至7任一项所述的系统状态监测方法的步骤。

技术总结
本申请公开了一种系统状态监测方法，包括：对目标系统进行数据采集，获得系统数据；按照数据类型对所述系统数据进行划分，获得各系统数据组；对于每一所述系统数据组，利用所述数据类型对应的分类器对所述系统数据组进行识别，确定所述系统数据组的组状态；利用各所述组状态生成系统状态；利用系统状态库对所述系统状态进行识别，确定系统状态监测结果。应用本申请所提供的技术方案，可以实现更为简洁且准确的系统状态监测，保证系统的正常运行。本申请还公开了一种系统状态监测装置、电子设备以及计算机可读存储介质，同样具有上述技术效果。效果。效果。


技术研发人员：俞文翰 何家俊 潘凡 闫国杨 楼阳冰 倪军
受保护的技术使用者：杭州安脉盛智能技术有限公司
技术研发日：2023.07.18
技术公布日：2023/10/20