科研仪器是科研发展的重要支撑，国内科研仪器保有量持续增长。但仪器监测大多依靠人工统计，依靠台账记录反映设备工况，流程繁琐低效、数据可信度差，难以实现精细化、智能化管理，亟需监测手段数字化转型。本文设计基于深度学习的科研仪器在线监测平台，为仪器数字化管理提供数据支撑，已接入浙江省大仪设备管理协作平台，监测万余台设备。平台采用非侵入式检测仪采集仪器运行电流，集群化持久层完成数据存储；业务层采用微服务架构实现模块化；展示层依托Web网页与微信小程序对外提供监测服务，满足管理人员监测需求。状态识别算法是仪器监测的核心，包含运行状态识别与异常状态识别。针对设备数量多带来的模型训练成本高的问题，提出单类仪器训练模型的思路，以气相色谱仪为例提取时域特征，构建基于特征选择的仪器运行数据集。运行状态识别搭建LSTM模型，引入CNN与注意力机制优化特征提取；Transformer‑LSTM模型效果最优，准确率96.06%，宏F分数0.961，Kappa系数0.937。针对真实异常样本稀缺问题，提出PSO粒子群优化的单分类支持向量机OCSVM异常识别模型，与LSTM构成三级异常识别模型，准确率94.69%，宏F分数0.958，有效降低正常样本误报，实现已知异常分级处理。多角度测试与普适性分析验证，该数据集构建方式与模型训练思路在科研仪器状态识别中具备实用价值。
作者：麻志翔
指导老师：陈科明
企业导师：曾佳
发布时间：2023年5月