随着企业规模的增长,自动化程度的提升,管理者的管理范围越来越大,决策越来越复杂,需要快速掌握车间现场的设备状态和操作行为,管理者亲临现场了解情况的传统方法效率低下、行为和状态不可追溯。随着工业互联网的发展,设备运行数据得以实时感知,为管理人员自动获取设备状态和操作行为提供了基础。本文的目的就是要基于实时感知的设备运行数据进行分析处理,识别出潜藏在数据后面的设备状态和操作行为,自动反馈给管理者作为决策参考,促进生产的透明化管控。本文的主要工作内容有:(1)对获得的设备运行数据进行异常值处理,采用基本统计指标分析、具有自适应噪声的完全集合经验模态分解与重构、和隐马尔可夫链的最大似然概率对数值的方法进行特征提取。从提取到的特征中选择出最优特征,分别采用独立各个最优特征和组合各个最优特征两种方法来评估隐马尔可夫链设备行为识别模型的效果,选择最优模型结果作为最终的设备行为。并通过与K-means、agglomerative clustering、DBSCAN以及GMM这4种常用的无监督学习模型,进行运行时间、设备行为识别的准确率和召回率对比,突出隐马尔可夫链设备行为识别模型的优越性。(2)对设备行为识别的建模流程方法,以及隐马尔可夫链本身进行Map Reduce处理,并通过加速比和可扩展性这两个性能指标来评估效果。实验验证,经过Map Reduce处理后的设备行为识别建模流程方法和隐马尔可夫链可以有效地提高海量历史设备运行数据持续学习的效率和减少相应的处理时间。(3)在已有能源管理系统的基础上,增加隐马尔可夫链设备行为识别模型和隐马尔可夫链设备行为识别的Map Reduce并行模型这两个子模块,并完成相应设备行为识别的界面。