一种面向复杂工业场景的多参量联合智能决策方法与流程

本发明涉及工业场景要素管理，特别是涉及一种面向复杂工业场景的多参量联合智能决策方法。

背景技术：

1、工业场景在生产过程中会产生海量的知识和数据，这些知识和数据中蕴含着丰富的价值，其能够指导工业场景中设备的故障诊断、健康评估、健康预测，辅助维修人员进行维修决策。但是工业场景中的生产要素与生产环境复杂，关联关系多样，且以不同的形式存储在不同的介质中，这些知识和数据碎片化严重，规范程度低，造成了很大的资源浪费，不利于进行要素管理，因此，需要全面实现对复杂工业场景的多参量进行有效利用。

技术实现思路

1、本发明所要解决的技术问题是提供一种面向复杂工业场景的多参量联合智能决策方法，能够实现复杂工业场景的多要素管理。

2、本发明解决其技术问题所采用的技术方案是：提供一种面向复杂工业场景的多参量联合智能决策方法，包括以下步骤：

3、根据工业场景的实际情况搜集知识图谱构建信息、历史异常和故障信息、传感器历史数据；

4、利用知识图谱构建信息构建知识图谱，并基于知识图谱和历史异常和故障信息、传感器历史数据训练智能决策模型；

5、将传感器获取的异常情况输入至智能决策模型中，确定最有可能出现的故障。

6、所述知识图谱构建信息包括现场的基本信息、组成部分、故障类型和异常情况，其中，现场的基本信息和组成部分来源于现场的施工图纸和说明、现场的设备的使用手册和说明书；故障类型和异常情况来源于历史的维护手册、检修记录以及专家知识库。

7、所述利用知识图谱构建信息构建知识图谱，具体为：利用关键词提取技术将知识图谱构建信息转化成spo三元组，将spo三元组用知识图谱进行表示，建立复杂工业场景中各个要素之间的关联关系。

8、所述基于知识图谱和历史异常和故障信息、传感器历史数据训练智能决策模型，具体包括：

9、采用深度学习框架deepke进行所述知识图谱的关系抽取任务，完成关系抽取模型的训练；

10、利用历史异常和故障信息构成的实体对策略网络进行训练；

11、利用传感器历史数据对informer模型进行训练。

12、所述利用历史异常和故障信息构成的实体对策略网络进行训练的过程中，首先定义状态空间和动作空间，其中，状态空间中的状态为当前所在的实体以及当前已选择的路径，动作空间中的动作为下一步能够选择的实体；然后定义策略网络，接收状态作为输入，输出为当前状态下的选择每一个动作的概率，再定义奖励函数，所述奖励函数包括路径的有效性和路径的长度，最后利用梯度下降的策略更新策略网络参数。

13、所述利用传感器历史数据对informer模型进行训练的过程中，首先将传感器的历史数据转换成二维数组，每一行表示一个时间步，每一列表示一个特征，并进行归一化操作；然后构建由编码器、卷积层和解码器构成的informer模型，确定informer模型的超参数，选择优化算法，并设置学习率，将转换为二维数组的传感器历史数据划分为训练集和测试集进行训练，并在训练过程中监测informer模型的性能。

14、所述将传感器获取的异常情况输入至智能决策模型中，确定最有可能出现的故障，具体包括：

15、根据传感器监测到的异常情况，在知识图谱中利用深度强化学习算法搜索异常和故障之间的关系，根据搜索到的故障以及对应的奖励值确定可能发生的故障；

16、搜索与所述可能发生的故障关联的异常；

17、根据可能发生的故障关联的异常预测未来可能会出现的异常参量；

18、根据未来可能会出现的异常参量确定最有可能出现的故障。

19、所述搜索与所述可能发生的故障关联的异常，具体为：利用深度强化学习，以可能发生的故障为起点，在路径长度限制情况下，搜索与所述可能发生的故障关联的异常。

20、所述根据可能发生的故障关联的异常预测未来可能会出现的异常参量，具体为：根据可能发生的故障关联的异常确定相关传感器，根据相关传感器采集的历史数据，利用informer模型进行多维参量长时间序列的未来变化趋势异常预测，根据预测结果确定未来可能会出现的异常参量。

21、所述根据未来可能会出现的异常参量确定最有可能出现的故障，具体为：根据未来可能会出现的异常参量，在知识图谱中搜索与之关联的故障，并根据搜索到故障的奖励值之和，确定最有可能出现的故障。

22、有益效果

23、由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明将设备使用说明、文档、专家知识库等半结构化、非结构化数据利用关键词提取技术转化成spo(subject，predicate，object)三元组，将spo三元组信息用知识图谱进行表示，以建立复杂工业场景中各个要素之间的关联关系，并在构建的知识图谱中利用reinforce算法进行异常和故障之间的关联关系的搜索，同时利用传感器历史感知数据来进行未来发展趋势预测，为故障诊断与风险评估提供判断信息和依据，从而实现了复杂工业场景的多要素管理。

技术特征：

1.一种面向复杂工业场景的多参量联合智能决策方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述知识图谱构建信息包括现场的基本信息、组成部分、故障类型和异常情况，其中，现场的基本信息和组成部分来源于现场的施工图纸和说明、现场的设备的使用手册和说明书；故障类型和异常情况来源于历史的维护手册、检修记录以及专家知识库。

3.根据权利要求1所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述利用知识图谱构建信息构建知识图谱，具体为：利用关键词提取技术将知识图谱构建信息转化成spo三元组，将spo三元组用知识图谱进行表示，建立复杂工业场景中各个要素之间的关联关系。

4.根据权利要求1所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述基于知识图谱和历史异常和故障信息、传感器历史数据训练智能决策模型，具体包括：

5.根据权利要求4所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述利用历史异常和故障信息构成的实体对策略网络进行训练的过程中，首先定义状态空间和动作空间，其中，状态空间中的状态为当前所在的实体以及当前已选择的路径，动作空间中的动作为下一步能够选择的实体；然后定义策略网络，接收状态作为输入，输出为当前状态下的选择每一个动作的概率，再定义奖励函数，所述奖励函数包括路径的有效性和路径的长度，最后利用梯度下降的策略更新策略网络参数。

6.根据权利要求4所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述利用传感器历史数据对informer模型进行训练的过程中，首先将传感器的历史数据转换成二维数组，每一行表示一个时间步，每一列表示一个特征，并进行归一化操作；然后构建由编码器、卷积层和解码器构成的informer模型，确定informer模型的超参数，选择优化算法，并设置学习率，将转换为二维数组的传感器历史数据划分为训练集和测试集进行训练，并在训练过程中监测informer模型的性能。

7.根据权利要求1所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述将传感器获取的异常情况输入至智能决策模型中，确定最有可能出现的故障，具体包括：

8.根据权利要求7所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述搜索与所述可能发生的故障关联的异常，具体为：利用深度强化学习，以可能发生的故障为起点，在路径长度限制情况下，搜索与所述可能发生的故障关联的异常。

9.根据权利要求7所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述根据可能发生的故障关联的异常预测未来可能会出现的异常参量，具体为：根据可能发生的故障关联的异常确定相关传感器，根据相关传感器采集的历史数据，利用informer模型进行多维参量长时间序列的未来变化趋势异常预测，根据预测结果确定未来可能会出现的异常参量。

10.根据权利要求7所述的面向复杂工业场景的多参量联合智能决策方法，其特征在于，所述根据未来可能会出现的异常参量确定最有可能出现的故障，具体为：根据未来可能会出现的异常参量，在知识图谱中搜索与之关联的故障，并根据搜索到故障的奖励值之和，确定最有可能出现的故障。

技术总结本发明涉及一种面向复杂工业场景的多参量联合智能决策方法，包括：根据工业场景的实际情况搜集知识图谱构建信息、历史异常和故障信息、传感器历史数据；利用知识图谱构建信息构建知识图谱，并基于知识图谱和历史异常和故障信息、传感器历史数据训练智能决策模型；将传感器获取的异常情况输入至智能决策模型中，确定最有可能出现的故障。本发明能够实现复杂工业场景的多要素管理。技术研发人员：郑敏受保护的技术使用者：上海遨有信息技术有限公司技术研发日：技术公布日：2024/9/29