1.工业互联网数据实时预测系统，其特征在于，包括：信息收集模块，获取对应工业设备运行时的参数，且参数包括运行温度、压力值、实际功率值、环境指数；

运行状态评测模块，依据经过预处理的参数，搭建数据分析模型，生成运行状态评估值Ose，基于各个时刻下的运行状态评估值Ose，采用深度学习算法进行建模，得到故障预测模型，基于该故障预测模型将预测的运行状态评估值Ose以曲线图的形式进行展示；

状态判定模块，依据预测的运行状态评估值Ose的曲线图，将对应工业设备未来的运行状态评估值Ose与预设的标准阈值组进行对比，在未来的运行状态评估值Ose处于标准阈值组的范围外时，触发二次判定的操作指令；

若是未来的运行状态评估值Ose处于标准阈值组的范围内，则根据当前运行状态评估值Ose来制定检修策略，设的标准阈值组分别为第一标准阈值oml1和第二标准阈值oml2，且oml1＜oml2；

根据当前运行状态评估值Ose来制定检修策略的过程如下：

S201、获取T时间内不同时刻下的运行状态评估值Oset，t表示T时间内不同时刻下运行状态评估值的编号，t＝1、2、3、4、……、n，n为正整数；

S202、根据T时间内不同时刻下运行状态评估值的平均值 以及运行状态评估值Oset，计算运行状态波动系数Osfc，计算公式如下：S203、依据运行状态波动系数Osfc来计算获取检修频次，计算公式如下：式中，Jp表示检修频次，St表示对应工业设备的使用时长，b1、b2分别为对应工业设备的使用时长和运行状态波动系数的预设比例系数，且b2＞b1＞0，C为常数修正系数，int为取整函数；

检修计划调整模块，执行二次判定的操作，判断是否为人为调控；

在确定是人为调控的条件下，在预定时间H内观察工业设备的运行情况，若在经过预定时间H后，运行状态评估值Ose处于标准阈值组的范围内，则继续执行初始检修策略，反之，则在初始检修策略的基础上继续调整检修频次；

在初始检修策略的基础上继续调整检修频次的过程如下：

S301、在预设时间周期S内提取运行状态评估值Ose超过标准阈值组的最大差值；

S302、依据最大差值和初始检修策略下得到的检修频次，二次搭建数据分析模型，生成检修调整频次，所依据的公式如下：2

Jtp＝int(c1*Jp+ln(c2*Csmax+1))

式中，Jtp表示检修调整频次，Csmax表示最大差值，c1、c2分别检修调整频次和最大差值的影响因子，c2＞c1＞0，1＞c1＞0，int为取整函数。

2.根据权利要求1所述的工业互联网数据实时预测系统，其特征在于：运行温度是通过在对应工业设备表面处于运行区域的位置处均匀设置若干温度传感器，得到同一时刻下各个温度值的平均值，即为所需的运行温度。

3.根据权利要求2所述的工业互联网数据实时预测系统，其特征在于：环境指数表示对应工业设备所处厂房内环境的数据，且环境指数的计算方式如下：式中，Hz表示环境指数，Tw表示对应工业设备所处厂房内的环境温度值，Ts表示对应工业设备所处厂房内的环境湿度值，α、β分别为环境温度值和环境湿度值的预设比例系数，且α＞β＞0。

4.根据权利要求3所述的工业互联网数据实时预测系统，其特征在于：对参数的预处理过程为：将参数中的各个数据进行数据清洗，而后对各个参数进行无量纲化处理。

5.根据权利要求4所述的工业互联网数据实时预测系统，其特征在于：生成运行状态评估值Ose所依据的公式如下：式中，Wd表示运行温度，Yl表示压力值，U表示实际输出压力，I表示实际输出电流，(UI)表示实际功率值，Hz表示环境指数，G为常数修正系数，e是自然对数函数的底数，a1、a2、a3、a4分别为运行温度、压力值、实际功率值以及环境指数的影响因子，a3＞a1＞a2＞a4＞0。

6.根据权利要求5所述的工业互联网数据实时预测系统，其特征在于：采用深度学习算法进行建模，得到故障预测模型的过程如下：S101、收集包含工业设备运行参数和相应运行状态评估值Ose的历史数据集，并对收集到的数据进行特征提取，将时序数据转换为适合RNN输入的格式；

S102、基于历史数据集，构建RNN模型，选定LSTM结构后将历史数据集划分为训练集和验证集，期间使用交叉验证的方法，将训练集输入到RNN模型中进行训练，调整模型参数以最小化损失函数；

S103、将验证集输入到训练好的模型中进行验证，根据验证结果对模型进行调优后保存训练好的模型；

S104、将实时计算获取的运行状态评估值Ose输入到模型中进行预测计算，得到未来时刻的工业设备对应运行状态评估值Ose的预测值，并将预测的运行状态评估值Ose以曲线图的形式展示。

7.工业互联网数据实时预测方法，使用权利要求1至6中的任一种所述系统，其特征在于：包括如下步骤：S1、获取对应工业设备运行时的参数，且参数包括运行温度、压力值、实际功率值、环境指数；

S2、依据经过预处理的参数，搭建数据分析模型，生成运行状态评估值Ose，基于各个时刻下的运行状态评估值Ose，采用深度学习算法进行建模，得到故障预测模型，基于该故障预测模型将预测的运行状态评估值Ose以曲线图的形式进行展示；

S3、依据预测的运行状态评估值Ose的曲线图，将对应工业设备未来的运行状态评估值Ose与预设的标准阈值组进行对比，若是未来的运行状态评估值Ose处于标准阈值组的范围内，则根据当前运行状态评估值Ose来制定检修策略，设的标准阈值组分别为第一标准阈值oml1和第二标准阈值oml2，且oml1＜oml2；若是未来的运行状态评估值Ose处于标准阈值组的范围外时，触发二次判定的操作指令；

根据当前运行状态评估值Ose来制定检修策略的过程如下：

S201、获取T时间内不同时刻下的运行状态评估值Oset，t表示T时间内不同时刻下运行状态评估值的编号，t＝1、2、3、4、……、n，n为正整数；

S202、根据T时间内不同时刻下运行状态评估值的平均值 以及运行状态评估值Oset，计算运行状态波动系数Osfc，计算公式如下：S203、依据运行状态波动系数Osfc来计算获取检修频次，计算公式如下：式中，Jp表示检修频次，St表示对应工业设备的使用时长，b1、b2分别为对应工业设备的使用时长和运行状态波动系数的预设比例系数，且b2＞b1＞0，C为常数修正系数，int为取整函数；

S4、执行二次判定的操作，判断是否为人为调控，若是，则在预定时间H内观察工业设备的运行情况，在确定是人为调控的条件下，在预定时间H内观察工业设备的运行情况，若在经过预定时间H后，运行状态评估值Ose处于标准阈值组的范围内，则继续执行初始检修策略，反之，则在初始检修策略的基础上继续调整检修频次；

在初始检修策略的基础上继续调整检修频次的过程如下：

S301、在预设时间周期S内提取运行状态评估值Ose超过标准阈值组的最大差值；

S302、依据最大差值和初始检修策略下得到的检修频次，二次搭建数据分析模型，生成检修调整频次，所依据的公式如下：2

Jtp＝int(c1*Jp+ln(c2*Csmax+1))

式中，Jtp表示检修调整频次，Csmax表示最大差值，c1、c2分别检修调整频次和最大差值的影响因子，c2＞c1＞0，1＞c1＞0，int为取整函数。