[0028] A4、若迭代次數(shù)大于預(yù)設(shè)的迭代次數(shù)閾值，則終止優(yōu)化，以得到最優(yōu)的懲罰參數(shù)和核函數(shù)參數(shù)的組合，否則，則重復(fù)執(zhí)行步驟A2?A3。 [0029] 優(yōu)選的，將所述振動數(shù)據(jù)序列進行粗?；幚?，以得到不同尺度下的振動數(shù)據(jù)序列，并計算所述不同尺度下的振動數(shù)據(jù)序列的樣本熵值，包括以下步驟： [0030] B1、通過粗粒化公式對所述振動數(shù)據(jù)序列進行粗?；幚?，以得到不同尺度下的振動數(shù)據(jù)序列，所述粗?；饺缦拢? [0031] ； [0032] 其中， 表示尺度i下的振動數(shù)據(jù)序列，表示尺度因子， 表示原始振動數(shù)據(jù)序列，即粗?；幚砬暗乃稣駝訑?shù)據(jù)序列； [0033] B2、基于所述不同尺度下的振動數(shù)據(jù)序列構(gòu)建序列向量，并基于所述序列向量與其他序列向量之間的距離，所述序列向量如下： [0034] ； [0035] 其中， 表示尺度i下的序列向量， 表示嵌入維數(shù)； [0036] 所述距離公式如下： [0037] ； [0038] 其中， 表示尺度i下的序列向量 與其他任一尺度j下的序列向量 之間的距離， 表示 尺度下的振動數(shù)據(jù)序列， 表示 尺度下的振動 數(shù)據(jù)序列； [0039] B3、計算所述序列向量與其他序列向量之間的距離小于預(yù)設(shè)距離閾值與向量個數(shù)的比值，所述比值公式如下： [0040] ； [0041] 其中， 表示比值，表示預(yù)設(shè)距離閾值， 表示不同尺度下的振動數(shù)據(jù)序列中數(shù)據(jù)個數(shù)，count()表示一個計數(shù)函數(shù)，用于計算滿足條件 的序列向量個 數(shù)； [0042] B4、計算所述序列向量與其他序列向量之間的距離小于預(yù)設(shè)距離閾值與向量個數(shù)的比值的平均值，所述平均值公式如下： [0043] ； [0044] 其中， 表示第m次迭代的平均值； [0045] B5、基于所述序列向量與其他序列向量之間的距離小于預(yù)設(shè)距離閾值與向量個數(shù)的比值的平均值，計算不同尺度下的振動數(shù)據(jù)序列的樣本熵值，所述樣本熵值公式如下： [0046] ； [0047] 其中， 表示樣本熵值， 表示第m+1次迭代的平均值，ln()表示自 然對數(shù)函數(shù)。 [0048] 與現(xiàn)有技術(shù)相比，本發(fā)明的上述技術(shù)方案具有如下有益的技術(shù)效果： [0049] 1、?本發(fā)明通過場景建模單元能夠?qū)δ繕藦S區(qū)內(nèi)的多個新能源原動設(shè)備進行精確的3D建模，并整合成整體的目標廠區(qū)場景模型，這使得整個目標廠區(qū)的設(shè)備布局和位置關(guān)系更加直觀、清晰，有助于設(shè)備的管理和監(jiān)控，通過網(wǎng)格劃分單元對目標廠區(qū)場景模型進行網(wǎng)格劃分并與實際廠區(qū)進行等比關(guān)聯(lián)，生成位置關(guān)系映射表，這有助于準確定位設(shè)備及其異常位置，提高故障檢測和處理的效率，通過數(shù)據(jù)監(jiān)控單元采集設(shè)備運行狀態(tài)、環(huán)境數(shù)據(jù)、能耗數(shù)據(jù)、運行參數(shù)和振動數(shù)據(jù)序列，通過特征提取單元進行時域和頻域特征分析、多尺度加權(quán)排列特征提取，能夠全面反映設(shè)備的運行狀態(tài)及其變化趨勢，通過模型訓(xùn)練單元利用支持向量機算法構(gòu)建狀態(tài)分類模型，并通過灰狼優(yōu)化算法進行參數(shù)優(yōu)化，從而得到最優(yōu)的懲罰參數(shù)和核函數(shù)參數(shù)組合，這確保了狀態(tài)分類模型的準確性和魯棒性，提高了故障識別和預(yù)測的準確率，通過監(jiān)控界面單元將目標廠區(qū)動態(tài)場景模型與監(jiān)控數(shù)據(jù)整合在監(jiān)控智能終端的界面上，使用戶可以通過點擊設(shè)備3D模型以彈窗形式查看詳細監(jiān)控數(shù)據(jù)，這種人性化設(shè)計極大地提升了用戶體驗和操作便捷性。 [0050] 2、?本發(fā)明通過態(tài)勢要素預(yù)測單元采用門控循環(huán)單元構(gòu)建態(tài)勢預(yù)測模型，對振動數(shù)據(jù)序列進行預(yù)測，通過狀態(tài)分類單元則結(jié)合預(yù)測值和實時值，分別提取各項特征并輸入狀態(tài)分類模型，從而獲取設(shè)備的未來狀態(tài)和實時狀態(tài)，這種雙重狀態(tài)監(jiān)控方式增強了系統(tǒng)的預(yù)警能力和實時響應(yīng)能力，通過模型更新單元定期對目標廠區(qū)動態(tài)場景模型進行動態(tài)更新，并結(jié)合多組攝像頭獲取的實景影像，通過異常驗證單元對異常信息進行驗證，這提高了故障信息的真實性和確認速度，通過異常排序單元基于異常信息構(gòu)建關(guān)聯(lián)知識圖譜，分析異常信息的順序、并發(fā)和沖突關(guān)系，計算相似度并提升處理等級，這種智能排序和關(guān)聯(lián)分析方式可以更好地管理多重故障，提高處理效率和準確性，通過應(yīng)急處理單元生成故障排查清單并根據(jù)此清單進行排查，有助于快速響應(yīng)和處理故障，降低設(shè)備停機時間，保障生產(chǎn)的連續(xù)性和安全性。 附圖說明 [0051] 圖1為本發(fā)明提出的一種實施例中整體系統(tǒng)的流程示意圖； [0052] 圖2為本發(fā)明提出的一種實施例中參數(shù)優(yōu)化的流程示意圖； [0053] 圖3為本發(fā)明提出的一種實施例中樣本熵值計算的流程示意圖。 [0054] 附圖標記：1、場景建模單元；2、網(wǎng)格劃分單元；3、模型更新單元；4、異常驗證單元； 5、數(shù)據(jù)監(jiān)控單元；6、監(jiān)控界面單元；7、特征提取單元；8、模型訓(xùn)練單元；9、狀態(tài)分類單元； 10、態(tài)勢要素預(yù)測單元；11、實景影像獲取單元；12、應(yīng)急處理單元；13、異常排序單元。 具體實施方式

A1、隨機初始化灰狼種群個體，所述灰狼種群個體的位置表示所述狀態(tài)分類模型的懲罰參數(shù)和核函數(shù)參數(shù)的參數(shù)組合； A2、對所述灰狼種群個體的位置進行更新，以得到所述灰狼種群個體的新位置，所述新位置更新公式如下： ； 其中， 表示第t+1次迭代時的位置， 表示獵物位置， 表示第一隨機參數(shù)， 且 ，表示非線性收斂因子，r1表示[0,1]區(qū)間的第一隨機數(shù)，D表示獵物與狼群之間的距離， ， 表示第t次迭代時的位置，C表示第二隨機參數(shù)，且 ，r2表示[0,1]區(qū)間的第二隨機數(shù)； A3、計算新位置的所述灰狼種群個體的新適應(yīng)度，并與上一迭代最優(yōu)適應(yīng)度相對比，若所述新適應(yīng)度大于所述最優(yōu)適應(yīng)度，則將所述新適應(yīng)度替換為所述最優(yōu)適應(yīng)度，并保留所述灰狼種群個體的新位置，所述適應(yīng)度計算公式如下： ； 其中， 表示K折交叉驗證的平均準確度， 表示第k折計算出的準確度； A4、若迭代次數(shù)大于預(yù)設(shè)的迭代次數(shù)閾值，則終止優(yōu)化，以得到最優(yōu)的懲罰參數(shù)和核函數(shù)參數(shù)的組合，否則，則重復(fù)執(zhí)行步驟A2?A3； 所述態(tài)勢要素預(yù)測單元（10）對數(shù)據(jù)監(jiān)控單元（5）傳輸?shù)乃稣駝訑?shù)據(jù)序列進行接收，并通過滑動窗口將所述振動數(shù)據(jù)序列構(gòu)建為時序數(shù)據(jù)，并將所述時序數(shù)據(jù)輸入至訓(xùn)練好的態(tài)勢預(yù)測模型中，所述態(tài)勢預(yù)測模型采用門控循環(huán)單元，通過所述練好的態(tài)勢預(yù)測模型輸出所述振動數(shù)據(jù)序列所對應(yīng)的下一預(yù)設(shè)時刻的振動數(shù)據(jù)序列預(yù)測值，并將所述振動數(shù)據(jù)序列預(yù)測值傳輸至狀態(tài)分類單元（9）； 所述狀態(tài)分類單元（9）對模型訓(xùn)練單元（8）傳輸?shù)乃鲇?xùn)練好的狀態(tài)分類模型和態(tài)勢要素預(yù)測單元（10）傳輸?shù)乃稣駝訑?shù)據(jù)序列預(yù)測值進行接收，并提取所述振動數(shù)據(jù)序列預(yù)測值的所述時域特征、所述頻域特征、所述樣本熵特征和所述多尺度加權(quán)排列熵特征，并將所述振動數(shù)據(jù)序列預(yù)測值的所述時域特征、所述頻域特征、所述樣本熵特征和所述多尺度加權(quán)排列熵特征輸入至所述訓(xùn)練好的狀態(tài)分類模型中，以得到所述新能源原動設(shè)備所對應(yīng)的未來設(shè)備狀態(tài)，并提取振動數(shù)據(jù)序列實時值的所述時域特征、所述頻域特征、所述樣本熵特征和所述多尺度加權(quán)排列熵特征，將振動數(shù)據(jù)序列實時值的所述時域特征、所述頻域特征、所述樣本熵特征和所述多尺度加權(quán)排列熵特征輸入至所述訓(xùn)練好的狀態(tài)分類模型中，以得到所述新能源原動設(shè)備所對應(yīng)的實時設(shè)備狀態(tài)，并將所述新能源原動設(shè)備所對應(yīng)的未來設(shè)備狀態(tài)和實時設(shè)備狀態(tài)傳輸至模型更新單元（3）；