【技術實現(xiàn)步驟摘要】
本專利技術涉及人工智能算法和機器學習領域，特別是涉及一種智能化自動評估智慧園區(qū)各類設備健康狀態(tài)綜合評估的方法、電子設備及介質，該方法通過使用人工智能算法和機器學習模型，旨在提高智慧園區(qū)設備狀態(tài)評估的效率、時效性和適應性。
技術介紹
1、隨著智慧園區(qū)的逐步開放和綜合化程度的提高，當前的智慧園區(qū)環(huán)境中，園區(qū)各類軟硬件設備區(qū)域復雜化、多樣化、綜合化，針對智慧園區(qū)設備整體健康狀態(tài)評估變得愈發(fā)復雜。傳統(tǒng)的設備健康狀態(tài)評估通常依賴于設備定時巡檢、定期維護和異常監(jiān)測，依賴于人工操作，存在效率低下、異常處理不及時和難以適應快速多變的設備實時運行環(huán)境等問題。現(xiàn)有技術方案中，已有通過神經(jīng)網(wǎng)絡模型對設備運行時數(shù)據(jù)和專家知識進行分析，從而預測設備健康狀態(tài)的方法，但缺乏考慮影響設備運行多方面因素、設備運行時信息實時反饋、全面專家知識庫的充分利用，導致園區(qū)設備整體評估效率低下，準確性和適應性不足。
2、為了解決上述問題，提出一種基于多模態(tài)的智慧園區(qū)設備健康狀態(tài)智能評估方法、電子設備及介質，結合多模態(tài)預測模型和決策模型，整合設備運行時數(shù)據(jù)、專家經(jīng)驗和設備歷史維修記錄，自動預估設備健康狀態(tài)，并自動生成設備巡檢、維修工作計劃和工作任務單，自動適應設備運行時環(huán)境變化，提高智慧園區(qū)設備狀態(tài)評估的效率、靈活性和適應性。
技術實現(xiàn)思路
1、本專利技術提出一種基于多模態(tài)的智慧園區(qū)設備健康狀態(tài)智能評估方法、電子設備及介質。該方法通過從設備運行時多源數(shù)據(jù)中學習生成健康評估結果，并結合專家知識庫和設備歷史維修記錄，利用
2、一種基于多模態(tài)的智慧園區(qū)設備健康狀態(tài)智能評估方法，包括以下步驟：
3、數(shù)據(jù)采集：從設備實時監(jiān)測平臺中獲取多源數(shù)據(jù)，所述多源數(shù)據(jù)包括設備電氣特征數(shù)據(jù)、運行時設備狀態(tài)數(shù)據(jù)、環(huán)境數(shù)據(jù)以及外部因素；所述環(huán)境數(shù)據(jù)包括空氣溫濕度，所述外部因素包括設備歷史維修記錄、專家經(jīng)驗知識和行業(yè)技術標準；
4、數(shù)據(jù)預處理：對采集的多源數(shù)據(jù)進行預處理，所述預處理包括分類和清洗、缺失值處理、異常值處理、數(shù)據(jù)平滑處理、標準化和歸一化處理，基于數(shù)據(jù)分類和相關性分析，從多源數(shù)據(jù)中篩選出對設備運行狀態(tài)有顯著影響的特征，削減冗余特征；
5、多模態(tài)預測模型訓練與數(shù)據(jù)加權融合：使用預處理后的數(shù)據(jù)，采用多模態(tài)預測模型針對多源數(shù)據(jù)進行設備綜合運行狀態(tài)評估的訓練，多模態(tài)預測模型內(nèi)部各預測模型與多源數(shù)據(jù)為一對一映射關系，各模態(tài)模型根據(jù)對應數(shù)據(jù)源生成該數(shù)據(jù)源的健康狀態(tài)預測結果和權重，后基于模型特征加權策略融合多模態(tài)預測模型多個模態(tài)的輸出結果從而生成初步設備狀態(tài)評估結果；
6、決策分析：將多模態(tài)預測模型生成的初步設備狀態(tài)評估結果與專家級決策知識庫中的專家知識和經(jīng)過數(shù)據(jù)預處理之后的設備歷史維修記錄以多源數(shù)據(jù)權重配比的方式結合，作為決策模型的輸入特征集，生成最終的設備健康狀態(tài)評估結果；決策模型訓練時，權重加和過程根據(jù)輸入多源數(shù)據(jù)特性，利用自適應遺傳算法動態(tài)調(diào)整和優(yōu)化歷史維修記錄、專家知識和初步設備狀態(tài)評估結果的相對權重，生成最終的設備健康診斷結果以增強系統(tǒng)應對復雜場景的能力；
7、設備檢修任務計劃生成：將生成的設備健康診斷結果導入設備實時監(jiān)控系統(tǒng)，并基于設備健康診斷結果自主生成設備檢修、巡檢工作計劃，配置工作任務單，實時監(jiān)測任務單及工作計劃狀態(tài)；
8、設備實時監(jiān)控與信息反饋：通過實時監(jiān)控設備和傳感器監(jiān)測設備運行數(shù)據(jù)動態(tài)變化，將巡檢、檢修反饋數(shù)據(jù)抽取整合為專家知識經(jīng)驗輸入專家級決策知識庫，同時將巡檢、檢修反饋數(shù)據(jù)經(jīng)過數(shù)據(jù)預處理之后再次輸入多模態(tài)預測模型與決策模型進行模型訓練，優(yōu)化模型參數(shù)。
9、進一步的，所述決策模型包括隨機森林模型或決策樹模型，支持多源數(shù)據(jù)融合決策設計，數(shù)據(jù)結合過程采用自適應遺傳算法調(diào)整模型多源數(shù)據(jù)權重、模型參數(shù)和決策樹參數(shù)，最終決策結果基于多源數(shù)據(jù)自適應加權融合，以精確決策結果。
10、進一步的，所述專家級決策知識庫包括設備的專家歷史技術經(jīng)驗、歷史違規(guī)事件、正常操作規(guī)范、技術設備知識和異常事件處理經(jīng)驗，并能夠動態(tài)更新和擴展。
11、進一步的，所述設備檢修任務計劃生成，基于短時定時任務、心跳機制或消息隊列等能夠動態(tài)自主監(jiān)測并獲取決策模型最終決策結果的功能，并將決策結果自主配置成檢修、巡檢任務計劃和任務單。
12、進一步的，所述設備實時監(jiān)控與信息反饋還包括從設備實時監(jiān)測平臺實時獲取設備運行數(shù)據(jù)，并基于設備運行數(shù)據(jù)調(diào)整多模態(tài)預測模型和決策模型中的權重分配策略，以快速響應設備運行時參數(shù)變化。
13、進一步的，所述多模態(tài)預測模型訓練，具體包括：
14、3.1模型構建和參數(shù)初始化：使用pytorch和mmseg相關庫構建初始多模態(tài)預測模型，定義分類交叉熵損失cce、均方誤差損失mse、組合損失，cl及初始化模型參數(shù)，其中學習率lr為0.1、權重衰減l為0.002，迭代次數(shù)epoch為50，其他參數(shù)均采用隨機化值；
15、3.2模型訓練：將預處理后的訓練集數(shù)據(jù)輸入多模態(tài)預測模型，通過梯度下降sgd算法優(yōu)化損失，訓練過程中，多模態(tài)預測模型自主處理各類別特征、計算特征權重，并基于特征加權融合得到初步設備狀態(tài)評估結果；
16、3.3模型調(diào)優(yōu)：使用adam優(yōu)化器、交叉驗證和網(wǎng)格搜索來優(yōu)化訓練過程，調(diào)整模型的超參數(shù)，所述超參數(shù)包括學習率、衰減參數(shù)、動量；訓練過程中使用matlib實時繪制cce、cmse，cl損失函數(shù)變化曲線，以備后續(xù)優(yōu)化模型訓練策略；
17、3.4模型性能驗證：在驗證集上評估模型性能，記錄預測誤差和重要特征，并根據(jù)需要進行模型再訓練或微調(diào)，減小參數(shù)隨機化影響；
18、3.5泛化性能驗證：使用測試集評估模型性能，記錄每個迭代分類交叉熵、均方誤差損失、組合損失并繪制曲線圖，同訓練集對應指標數(shù)據(jù)曲線對比。
19、進一步的，其中，多源數(shù)據(jù)權重集合更新表示為：
20、
21、其中，k表示多源數(shù)據(jù)類別數(shù)，zi表示多源數(shù)據(jù)輸入特征，ωz,i和ωz+1,i分別表示zi當前迭代權重和下一次迭代權重，lrepoch表示當前迭代學習率，lrepoch更新策略定義為：
22、lrepoch+1＝lrepoch-l·epoch
23、分類交叉熵損失函數(shù)cce定義如下：
24、
25、其中，yi為真實標簽，即設備真實狀態(tài)，yi`為模型預測的概率分布，c任務類別數(shù)；
26、均方誤差損失函數(shù)mse定義如下：
27、
28、其中，n為類別樣本數(shù)，yi為真實標簽(實際狀態(tài))，yi`為預測值；
29、組合損失函數(shù)cl定義如下：
30、cl＝αmse+(1-α)cce
31、其中α為一個權重超參數(shù)，用于調(diào)節(jié)預測任務與分類任務權重比本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于多模態(tài)的智慧園區(qū)設備健康狀態(tài)智能評估方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的方法，其特征在于，所述決策模型包括隨機森林模型或決策樹模型，支持多源數(shù)據(jù)融合決策設計，數(shù)據(jù)結合過程采用自適應遺傳算法調(diào)整模型多源數(shù)據(jù)權重、模型參數(shù)和決策樹參數(shù)，最終決策結果基于多源數(shù)據(jù)自適應加權融合，以精確決策結果。
3.根據(jù)權利要求1所述的方法，其特征在于，所述專家級決策知識庫包括設備的專家歷史技術經(jīng)驗、歷史違規(guī)事件、正常操作規(guī)范、技術設備知識和異常事件處理經(jīng)驗，并能夠動態(tài)更新和擴展。
4.根據(jù)權利要求1所述的方法，其特征在于，所述設備檢修任務計劃生成，基于短時定時任務、心跳機制或消息隊列等能夠動態(tài)自主監(jiān)測并獲取決策模型最終決策結果的功能，并將決策結果自主配置成檢修、巡檢任務計劃和任務單。
5.根據(jù)權利要求1所述的方法，其特征在于，所述設備實時監(jiān)控與信息反饋還包括從設備實時監(jiān)測平臺實時獲取設備運行數(shù)據(jù)，并基于設備運行數(shù)據(jù)調(diào)整多模態(tài)預測模型和決策模型中的權重分配策略，以快速響應設備運行時參數(shù)變化。
6.如權利要求1所
7.如權利要求6所述的方法，其特征在于，
8.如權利要求7所述的方法，其特征在于，所述決策分析，具體包括：
9.一種電子設備，其特征在于，包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序；當一個或多個程序被所述一個或多個處理器執(zhí)行，使得所述一個或多個處理器實現(xiàn)權利要求1-8中任一項所述的方法。
10.一種計算機可讀介質，其上存儲有計算機程序，其特征在于，所述程序被處理器執(zhí)行時實現(xiàn)權利要求1-8中任一項所述的方法。
...【技術特征摘要】
1.一種基于多模態(tài)的智慧園區(qū)設備健康狀態(tài)智能評估方法，其特征在于，包括以下步驟：
2.根據(jù)權利要求1所述的方法，其特征在于，所述決策模型包括隨機森林模型或決策樹模型，支持多源數(shù)據(jù)融合決策設計，數(shù)據(jù)結合過程采用自適應遺傳算法調(diào)整模型多源數(shù)據(jù)權重、模型參數(shù)和決策樹參數(shù)，最終決策結果基于多源數(shù)據(jù)自適應加權融合，以精確決策結果。
3.根據(jù)權利要求1所述的方法，其特征在于，所述專家級決策知識庫包括設備的專家歷史技術經(jīng)驗、歷史違規(guī)事件、正常操作規(guī)范、技術設備知識和異常事件處理經(jīng)驗，并能夠動態(tài)更新和擴展。
4.根據(jù)權利要求1所述的方法，其特征在于，所述設備檢修任務計劃生成，基于短時定時任務、心跳機制或消息隊列等能夠動態(tài)自主監(jiān)測并獲取決策模型最終決策結果的功能，并將決策結果自主配置成檢修、巡檢任務計劃和任務單。
5.根據(jù)...
【專利技術屬性】
技術研發(fā)人員：程明，陳飛飛，徐文淵，陶元，邱思齊，鄒晶，鄭維，
申請(專利權)人：湖北華中電力科技開發(fā)有限責任公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。