一种基于物联网设备大数据智能化诊断系统优化方法与流程

本发明涉及大数据，尤其涉及一种基于物联网设备大数据智能化诊断系统优化方法。

背景技术：

1、随着大数据和人工智能技术的快速发展，它们在多个行业中得到了广泛应用，使得海量数据资源得以有效利用。这些技术能够挖掘数据中的价值信息，驱动业务流程，优化设备端的系统流程，实现设备的智能化、高效运行和节能升级，加速了物联网设备的智能化进程。

2、然而，在物联网设备生成的大量数据中，存在不同程度的非正常数据，这些数据严重影响了数据的有效利用、算法模型的建立和算法结果的评价。因此，需要对物联网设备的时间序列数据进行异常数据的准确高效清洗。为了在清洗异常数据的同时不影响正常有效数据的利用，必须建立高效精准的智能诊断算法。

3、物联网数据的异常种类因设备而异，即使是同一类设备，异常类别也不尽相同。需要分析这些异常数据的规律，选用智能诊断算法，推理预测异常发生的时间段。但随着异常类别的增加，所需的诊断算法模型数量也会相应增加。这些模型在具有共性的同时，也存在差异性，并且往往局限于特定的应用场景和固定单一的数据源。此外，现有算法中大量的参数和方法较为固化，缺乏对多种数据类型的有效整合与挖掘分析能力。

4、现有的智能诊断算法往往缺乏从数据端到算法模型输出端的全流程架构体系。随着数据量的增加和智能诊断算法结果应用逻辑的不断深入优化调整，有必要将多个智能诊断算法高效地集成到一个系统中。

5、随着数据量的不断增加，数据特征和类型的多样性也日益显著，对算法的实时性、多样性、灵活性和创新性提出了更高的要求。现有的基于单一故障的智能诊断逻辑已无法满足需求，需要集成算法，提高算法的智能化能力、动态调整能力、快速高效推理结果的能力以及低成本灵活维护的能力，从而最终提升智能诊断的能力。

6、现有的技术发明主要针对冰箱等具体设备的故障诊断，缺乏综合多类故障诊断方法的灵活组合和集成，以提高诊断的正确性、高效性和及时性。因此，开发一个能够综合考虑多种故障诊断方法、具备高度灵活性和创新性的智能诊断系统，对于提高物联网设备的智能化水平和运行效率具有重要意义。

技术实现思路

1、本发明的目的就在于为了解决上述问题而提供一种基于物联网设备大数据智能化诊断系统优化方法，本发明在数据层面能够精确识别智能设备(如冰箱)在特定系统区域内的异常状态，为智能设备异常诊断领域带来了重要的技术突破和应用前景。本发明还公开了智能化的异常诊断决策机制，该机制即使在复杂多变的环境和数据条件下，也能实现异常的精确定位和诊断。本发明结合了机器学习和数据挖掘技术，不断优化算法模型，以适应智能设备市场的需求变化和用户的多样化使用场景。

2、本发明通过以下技术方案来实现上述目的：

3、一种基于物联网设备大数据智能化诊断系统优化方法，包括以下步骤：

4、s1、针对单个智能诊断算法集成进行优化；

5、s2、针对多个智能诊断算法分别集成优化，当物联网设备存在多个部件异常，选用多个诊断异常的算法模型时，通过高效整合多个智能诊断算法模型，实现在用户端的诊断精准度和响应速度的提升，并在设备数据后台降低算法的维护和迭代成本，增强算法的可读性和可解释性，依次转到s3和s4；

6、s3、集成整合各个智能诊断算法架构；

7、s4、集成各个智能诊断算法，提高诊断算法的泛化与适用性；

8、s5、重复上述步骤，应用在冰箱诊断过程中。

9、进一步方案为，所述s1中，具体优化方法如下：

10、s11、历史生命周期数据分析：首先，对设备的历史生命周期数据进行深入分析，识别核心关键影响因子；对正常与异常状态下的特定差值，建立阈值获取模型，并通过不断训练历史数据，实现迭代更新和阈值刷新，从而动态优化智能诊断算法中的参数，提高诊断正确率；

11、s12、大数据动态参数调整优化模型：创建基于设备工况实时数据的动态参数调整优化模型，通过行业专家的初步诊断，筛选正常与异常数据，进行数据清洗和核心特征分析；利用大数据分析技术，计算核心特征值的变化率、核密度值、均值等，建立统计分析算法模型，推理新工况下的核心特征是否满足正常或异常工况下的参数阈值，并据此推断异常发生概率；

12、s13、机器学习与深度学习建模优化：随着诊断次数的增加，基于已积累的相对准确的标签数据集，创建分类或回归模型；

13、s14、集成大数据与机器学习模型：在智能诊断领域，集成多类算法模型提高诊断正确率；集成了大数据动态参数自动更新数学模型和基于历史标签集的随机森林模型，选用了以智能诊断正确率最高为目标的优化算法。

14、进一步方案为，所述s13中，提出基于历史标签数据集的随机森林分类推理算法，通过不断迭代优化，提高准确率；优化周期根据设备工况周期确定，包括每日、每周或在工况环境发生明显变化时进行。

15、进一步方案为，所述s14中，根据物联网设备应用场景的不同关注点，调整模型侧重点，在冰箱智能诊断中提高召回率的权重，通过输出模型性能大小，选择性能高的模型进行应用。

16、进一步方案为，所述s3中，具体优化方法如下：

17、s31、数据入口标准化：针对物联网设备中的智能诊断算法，考虑到不同算法可能采用多种数据入口方式，选用标准化的数据接入逻辑，将异构数据源统一转换为算法所需的数据格式，无论其原始地址和数据类型如何；

18、s32、统一数据处理机制：对物联网设备智能诊断算法的数据处理需求进行深入分析，选用标准化且可配置的数据处理模式，以适应不同算法的特定需求；

19、s33、公共算法提取：识别并提取不同诊断算法模型中共有的子算法方法，将其作为多个算法的共享组件，从而降低维护成本并简化单个算法的复杂性。

20、s34、公共参数统一配置：智能诊断算法中存在一系列公共的、可自动配置的参数，选用统一的标准化配置方法，允许这些参数通过自动化或外部输入进行设置；

21、s35、统一输出接口：为了实现算法输出的一致性，选用一个集中的输出接口，统一了所有算法的输出方式，确保了从输入到输出的全流程管理。

22、进一步方案为，所述s4中，具体优化方法如下：

23、s41、多类别诊断算法的集成与优化：在物联网设备智能诊断领域，存在多种诊断算法，包括冰箱的风门、加热器、冷冻风机故障诊断，选用实际工况需求的多类别诊断算法集成方法，通过统一收集故障算法标签数据集，利用随机森林多类别预测推理模型进行训练和迭代优化；随着设备运行时间的增加，历史标签数据也随之增长，设置周期性的模型重新训练迭代，以适应新工况数据的诊断需求；

24、s42、诊断算法判定次序的调整：在统一算法框架基础上，优化了不同类别诊断算法的判定次序，在冰箱故障诊断中，当检测到间室温度异常时，跳过其他故障的判断；

25、s43、故障诊断算法的融合与性能评估：选用故障诊断算法的融合方法，通过收集每次开机时的诊断结果，构建样本数据集；利用无监督学习算法k-means对样本进行分类，并在每个类别内选用性能计算公式；通过加权和的方法，结合历史正确率作为权重，计算样本的智能诊断结果，从而评估冰箱在不同时间段的总体性能。

26、本发明另一方面还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。

27、本发明另一方面还提供了一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。

28、本发明另一方面还提供了一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。

29、本发明的有益效果在于：

30、本发明的一种基于物联网设备大数据智能化诊断系统优化方法，通过优化单个诊断算法来提高诊断的准确率，通过集成各类智能诊断算法，形成了一个统一且标准化的算法框架，在这个框架下，各个智能诊断算法能够根据业务需求灵活配置，以不同的次序运行，输出多样化的故障诊断结果。