基于工业大数据平台的数据治理方法与流程

本技术涉及智能化监测领域，具体涉及一种基于工业大数据平台的数据治理方法。

背景技术：

1、在当今的工业领域，随着科技的不断进步和生产的自动化程度日益提高，企业面临着前所未有的数据量增长，工业大数据时代已经到来。

2、工业生产数据涵盖了从生产设备的运行参数到供应链管理、生产计划执行、以及客户关系管理等多个方面。其中，设备的稳定运行对于保障生产安全、提高产品质量和延长设备寿命具有重要意义。因此，对生产设备的运行参数进行实时监控和数据分析治理，以预测设备故障、优化生产过程和提升能效，已经成为化工企业提升核心竞争力的关键环节。

3、然而，传统的化工生产设备监测和数据分析方法主要依赖于人工经验，不仅效率低下且准确性有限，难以及时发现和响应设备异常。随着科技的发展，基于人工智能的数据治理方法在化工领域的应用逐渐显现其优势。因此，期待一种基于工业大数据平台的数据治理方法。

技术实现思路

1、考虑到以上问题而做出了本技术。本技术的一个目的是提供一种基于工业大数据平台的数据治理方法。

2、本技术的实施例提供了一种基于工业大数据平台的数据治理方法，其包括：

3、获取由传感器采集的化工生产设备的生产状态参数的时间序列，其中，生产状态参数包括温度值、压力值和流量值；

4、将生产状态参数的时间序列传输至工业大数据平台；

5、在工业大数据平台，对生产状态参数的时间序列进行参数级时序特征提取以得到温度值时序关联特征向量、压力值时序关联特征向量和流量值时序关联特征向量；

6、在工业大数据平台，提取温度值时序关联特征向量和压力值时序关联特征向量之间的时序交互关联特征以得到设备温度-设备压力时序交互关联特征向量；

7、在工业大数据平台，基于设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量的自适应融合特征，确定化工生产设备的工作状态是否存在异常。

8、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，对生产状态参数的时间序列进行参数级时序特征提取以得到温度值时序关联特征向量、压力值时序关联特征向量和流量值时序关联特征向量，包括：

9、将生产状态参数的时间序列按照参数样本维度进行数据规整以得到温度值的时间序列、压力值的时间序列和流量值的时间序列；

10、将温度值的时间序列、压力值的时间序列和流量值的时间序列输入包含卷积神经网络和双向门控循环单元的双分支序列编码结构以得到温度值时序关联特征向量、压力值时序关联特征向量和流量值时序关联特征向量。

11、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，提取温度值时序关联特征向量和压力值时序关联特征向量之间的时序交互关联特征以得到设备温度-设备压力时序交互关联特征向量，包括：

12、将温度值时序关联特征向量和压力值时序关联特征向量输入基于先验分布的特征动态交互模块以得到设备温度-设备压力时序交互关联特征向量。

13、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，将温度值时序关联特征向量和压力值时序关联特征向量输入基于先验分布的特征动态交互模块以得到设备温度-设备压力时序交互关联特征向量，包括：

14、计算温度值时序关联特征向量和压力值时序关联特征向量之间的逐位置相除以得到温度-压力时序响应特征向量；

15、使用高斯分布随机数函数生成第一高斯分布函数系数和第二高斯分布函数系数；

16、基于第一高斯分布函数系数和第二高斯分布函数系数，对温度-压力时序响应特征向量进行先验分布约束以得到设备温度-设备压力时序交互关联特征向量。

17、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，基于第一高斯分布函数系数和第二高斯分布函数系数，对温度-压力时序响应特征向量进行先验分布约束以得到设备温度-设备压力时序交互关联特征向量，包括：

18、确定温度-压力时序响应特征向量的第一权重系数和第二权重系数，并使用第一权重系数和第二权重系数分别对温度-压力时序响应特征向量进行加权处理以得到第一线性变换温度-压力时序响应特征向量和第二线性变换温度-压力时序响应特征向量；

19、分别计算第一线性变换温度-压力时序响应特征向量和第二线性变换温度-压力时序响应特征向量的各个特征值的以自然常数为底的指数函数值以得到指数化第一线性变换温度-压力时序响应特征向量和指数化第二线性变换温度-压力时序响应特征向量；

20、将第一高斯分布函数系数乘以指数化第一线性变换温度-压力时序响应特征向量的乘积结果与第二高斯分布函数系数乘以指数化第二线性变换温度-压力时序响应特征向量的乘积结果进行对应元素相加求和以得到设备温度-设备压力时序交互关联特征向量。

21、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，基于设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量的自适应融合特征，确定化工生产设备的工作状态是否存在异常，包括：

22、将设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量输入均衡门限特征向量自适应融合模块以得到化工生产设备状态参数多模态时序融合特征向量；

23、将化工生产设备状态参数多模态时序融合特征向量输入基于分类器的设备状态监测器以得到监测结果，监测结果用于表示化工生产设备的工作状态是否存在异常。

24、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，将设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量输入均衡门限特征向量自适应融合模块以得到化工生产设备状态参数多模态时序融合特征向量，包括：

25、将设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量通过多维度融合模块以得到第一多模态设备状态参数时序融合特征向量、第二多模态设备状态参数时序融合特征向量和第三多模态设备状态参数时序融合特征向量；

26、分别计算第一多模态设备状态参数时序融合特征向量、第二多模态设备状态参数时序融合特征向量和第三多模态设备状态参数时序融合特征向量的均衡门限值以得到第一均衡门限值、第二均衡门限值和第三均衡门限值；

27、基于第一均衡门限值、第二均衡门限值和第三均衡门限值，对设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量进行均衡化融合以得到化工生产设备状态参数多模态时序融合特征向量。

28、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，将设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量通过多维度融合模块以得到第一多模态设备状态参数时序融合特征向量、第二多模态设备状态参数时序融合特征向量和第三多模态设备状态参数时序融合特征向量，包括：

29、将设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量进行级联以得到第一多模态设备状态参数时序融合特征向量；

30、将设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量进行按位置相加以得到第二多模态设备状态参数时序融合特征向量；

31、将设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量进行按位置点乘以得到第三多模态设备状态参数时序融合特征向量。

32、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，分别计算第一多模态设备状态参数时序融合特征向量、第二多模态设备状态参数时序融合特征向量和第三多模态设备状态参数时序融合特征向量的均衡门限值以得到第一均衡门限值、第二均衡门限值和第三均衡门限值，包括：

33、使用第一预定变换向量乘以第一多模态设备状态参数时序融合特征向量以得到第一门限打分系数；

34、将第一门限打分系数和第一偏置参数相加后通过sigmoid激活函数以得到第一均衡门限值。

35、例如，根据本技术的实施例的基于工业大数据平台的数据治理方法，其中，基于第一均衡门限值、第二均衡门限值和第三均衡门限值，对设备温度-设备压力时序交互关联特征向量和流量值时序关联特征向量进行均衡化融合以得到化工生产设备状态参数多模态时序融合特征向量，包括：

36、基于第一均衡门限值、第二均衡门限值和第三均衡门限值确定第一权重参数和第二权重参数，其中，第一权重参数为第一均衡门限值、第二均衡门限值和第三均衡门限值的均值，第二权重参数为一与第一权重参数的差值；

37、以第一权重参数对设备温度-设备压力时序交互关联特征向量进行逐位置加权以得到加权设备温度-设备压力时序交互关联特征向量，以第二权重参数对流量值时序关联特征向量进行逐位置加权以得到加权流量值时序关联特征向量；

38、将加权设备温度-设备压力时序交互关联特征向量和加权流量值时序关联特征向量进行对应元素相加以得到化工生产设备状态参数多模态时序融合特征向量。

39、根据本技术的实施例的基于工业大数据平台的数据治理方法，其采用基于深度学习的人工智能技术对化工生产设备的生产状态进行实时监测和参数分析，分别提取出化工生产设备在生产过程中的温度、压力和流量的时序变化特征表示，挖掘出设备的温度和压力之间的时序关联特征模式，并结合流量特征综合表征设备的生产状态，从而智能判断设备的工作状态是否存在异常。这样，可以预防关键设备故障，并提前警示潜在的安全风险。