一种基于AI大模型的设备健康度分析方法与流程

本发明涉及设备健康度分析的，尤其涉及一种基于ai大模型的设备健康度分析方法。

背景技术：

1、随着工业智能化的发展，设备健康度分析对于保障设备正常运行、提高生产效率和降低维护成本变得越来越重要。传统的设备健康度分析方法往往基于人工经验，但随着人工智能技术的快速发展，利用人工智能技术对设备运行状态进行量化分析能够极大提升设备健康程度识别效率和精确度。鉴于此，本专利提出一种基于ai大模型的设备健康度分析方法，通过大型预训练模型对海量状态数据进行预训练，学习数据中的潜在模式和规律，提高设备健康度分析的准确性和识别效率。

技术实现思路

1、有鉴于此，本发明提供一种基于ai大模型的设备健康度分析方法，目的在于：1)对不同运行时刻、不同运行维度的运行状态数据所构成的设备运行数据序列进行结合时序维度以及运行维度的二维变换，提取不同维度的频域信息，并将频域信息与时域信息进行融合，得到二维变换矩阵，通过提取二维变换矩阵中的实部信息，过滤虚部信息，从而实现信息增强，并基于不同维度的频率信息计算得到视角权重，实现不同运行维度的设备运行数据融合，得到设备运行融合数据序列；2)基于融合数据序列中的极值点，构建得到表征极值点位置、极值点数据值以及极值点标签的设备运行极值矩阵，并提取矩阵中每个运行时刻的设备运行左斜率变化特征、设备运行右斜率变化特征、运行极值位置特征以及设备运行融合数据，构成设备运行特征矩阵，将不同特征之间的差值作为设备运行特征矩阵与正常工况下的设备标准运行特征矩阵之间的特征距离，采用二维迭代的方式计算得到设备运行特征矩阵与正常工况下的设备标准运行特征矩阵之间的差异度，基于ai大模型所训练得到的卷积权重参数将差异度进行多尺度转换为设备健康度对设备进行评估，实现基于设备运行状态变化方向以及运行数据的多尺度信息的设备健康度分析。

2、实现上述目的，本发明提供的一种基于ai大模型的设备健康度分析方法，包括以下步骤：

3、s1：根据预置窗口长度采集设备运行数据，得到设备运行数据序列，对采集的设备运行数据序列进行多视角数据融合，得到设备运行融合数据序列，其中频域融合数据增强为所述多视角数据融合的主要实施方法；

4、s2：对设备运行融合数据序列进行极值点提取，得到设备运行极值矩阵，其中时序局部极值提取方法为所述极值点提取的主要实施方法；

5、s3：对设备运行极值矩阵进行特征提取，得到设备运行特征矩阵；

6、s4：计算设备运行特征矩阵与正常工况下的设备标准运行特征矩阵的差异度，将差异度转换为设备健康度对设备进行评估。

7、作为本发明的进一步改进方法：

8、可选地，所述s1步骤中根据预置窗口长度采集设备运行数据，得到设备运行数据序列，包括：

9、根据预置窗口长度采集设备运行数据，得到设备在不同运行时刻、不同运行维度的运行状态数据，并将所采集设备运行数据构成设备运行数据序列：

10、l＝(l1,l2,...,ln,...,ln)

11、ln＝(ln(1),ln(2),...,ln(m),...,ln(m))

12、其中：

13、l表示设备运行数据序列，ln表示设备在第n个运行时刻的设备运行数据，n表示预置窗口长度，n∈[1,n]；

14、ln(1),ln(2),...,ln(m),...,ln(m)表示设备运行数据ln中m个运行维度的运行状态数据，其中ln(m)表示设备运行数据ln中第m个运行维度的运行状态数据，m表示运行维度的数目，m∈[1,m]；在本发明实施例中，运行维度包括设备的电流、电压、负荷、温度、剩余存储空间以及环境温度、环境湿度；

15、对采集的设备运行数据序列进行多视角数据融合，得到设备运行融合数据序列。

16、可选地，所述对采集的设备运行数据序列进行多视角数据融合，包括：

17、对采集的设备运行数据序列l进行多视角数据融合，其中频域融合数据增强为所述多视角数据融合的主要实施方法，多视角数据融合流程为：

18、s11：对设备运行数据序列l进行结合时序维度以及运行维度的二维变换：

19、

20、其中：

21、f表示设备运行数据序列l的二维变换矩阵，f(n,m)表示二维变换矩阵f中频率为(n,m)位置处的变换值；

22、j表示虚数单位，j2＝―1；

23、exp(·)表示以自然常数为底的指数函数；

24、s12：将二维变换矩阵f转换为二维变换实部矩阵：

25、

26、其中：

27、f1表示二维变换实部矩阵；

28、f1(n,m)表示二维变换实部矩阵f1中频率为(n,m)位置处的变换实部值；

29、s13：计算得到不同运行维度的视角权重，其中第m种运行维度的视角权重为wm；

30、s14：基于多种运行维度的视角权重对二维变换实部矩阵进行加权，构成设备运行融合数据序列：

31、x＝(x1,x2,...,xn,...,xn)

32、

33、其中：

34、x表示设备运行融合数据序列；

35、xn表示设备在第n个运行时刻的设备运行融合数据。

36、可选地，所述s13步骤中第m种运行维度的视角权重计算公式为：

37、

38、

39、其中：

40、wm表示第m种运行维度的视角权重；

41、dm表示第m种运行维度的视角信息。

42、可选地，所述s2步骤中对设备运行融合数据序列进行极值点提取，包括：

43、对设备运行融合数据序列x进行极值点提取，构成设备运行极值矩阵，其中设备运行极值矩阵的构建流程为：

44、s21：提取设备运行融合数据序列x中所有设备运行融合数据以及数据位置；

45、s22：计算得到非起止设备运行融合数据的极值点类型，其中x1、xn为设备运行融合数据序列x中的起止设备运行融合数据，设备运行融合数据xn的极值点类型yn的计算公式为：

46、

47、其中：

48、yn表示设备运行融合数据xn的极值点类型，yn＝1表示设备运行融合数据xn为局部极小值，yn＝―1表示设备运行融合数据xn为局部极大值，yn＝0表示设备运行融合数据xn不为局部极值；

49、s23：构成设备运行极值矩阵：

50、

51、其中：

52、c表示设备运行极值矩阵，c1(n)表示设备运行融合数据xn，c2(n)表示设备运行融合数据xn的数据位置，c3(n)表示设备运行融合数据xn的极值点类型，其中c1(n)＝xn，c2(n)＝n，c3(n)＝yn。

53、可选地，所述s3步骤中对设备运行极值矩阵进行特征提取，包括：

54、对设备运行极值矩阵c进行特征提取，得到设备运行特征矩阵，其中设备运行极值矩阵c的特征提取流程为：

55、基于设备运行极值矩阵c计算得到设备在不同运行时刻的设备运行特征，其中设备在第n个运行时刻的设备运行特征为：

56、

57、其中：

58、fn表示设备在第n个运行时刻的设备运行特征；

59、t表示转置；

60、表示设备在第n个运行时刻的设备运行左斜率变化特征；

61、表示设备在第n个运行时刻的设备运行右斜率变化特征；

62、表示设备在第n个运行时刻的运行极值位置特征；

63、构成设备的设备运行特征矩阵：

64、f＝[f1,f2,...,fn,...,fn]

65、其中：

66、f表示设备运行特征矩阵。

67、可选地，所述s4步骤中计算设备运行特征矩阵与正常工况下的设备标准运行特征矩阵的差异度，包括：

68、获取设备在正常工况下的设备标准运行特征矩阵r：

69、r＝[r1,r2,...,rn,...,rn]

70、

71、其中：

72、rn表示正常工况下的设备在第n个运行时刻的设备标准运行特征；在本发明实施例中，通过采集设备在正常工况下的设备运行数据，并按照步骤s1-s3对所采集设备运行数据进行处理，得到设备在正常工况下的设备标准运行特征矩阵；

73、表示设备标准运行特征rn中的设备运行左斜率变化特征；

74、表示设备标准运行特征rn中的设备运行右斜率变化特征；

75、表示设备标准运行特征rn中的运行极值位置特征；

76、r1(n)表示设备标准运行特征rn中的设备运行融合数据；

77、计算设备运行特征矩阵f与正常工况下的设备标准运行特征矩阵r的差异度diff(q,r)，其中差异度计算流程为：

78、s41：初始化s1＝1，s2＝1；

79、s42：计算得到设备运行特征矩阵f中第s1个运行时刻的设备运行特征与设备标准运行特征矩阵r中第s2个运行时刻的设备标准运行特征之间的距离：

80、

81、其中：

82、表示设备运行特征与设备标准运行特征之间的距离；

83、s43：更新得到累积差异值：

84、

85、其中：

86、sum(s1,s2)表示更新得到的设备运行特征与设备标准运行特征之间的累积差异；

87、s44：令s2＝s2+1，返回步骤s42，直到s2＝n；

88、s45：令s1＝s1+1，返回步骤s42，直到s1＝n；

89、s46：获取累积差异值sum(n,n)，并令差异度diff(q,r)＝sum(n,n)；

90、基于ai大模型将差异度diff(q,r)转换为设备健康度，若设备健康度低于预设阈值，则设备需要进行更换处理。

91、可选地，所述基于ai大模型将差异度转换为设备健康度，包括：

92、基于ai大模型将差异度diff(q,r)转换为设备健康度，其中差异度diff(q,r)的转换公式为：

93、

94、其中：

95、p(q,r)表示差异度diff(q,r)对应的设备健康度；

96、w表示ai大模型中卷积核内的卷积权重矩阵；

97、*表示卷积处理；

98、max表示预设的最大差异度，min表示预设的最小差异度。

99、为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：

100、存储器，存储至少一个指令；

101、通信接口，实现电子设备通信；及

102、处理器，执行所述存储器中存储的指令以实现上述所述的基于ai大模型的设备健康度分析方法。

103、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于ai大模型的设备健康度分析方法。

104、相对于现有技术，本发明提出一种基于ai大模型的设备健康度分析方法，该技术具有以下优势：

105、首先，本方案提出一种多视角数据融合方法，对采集的设备运行数据序列l进行多视角数据融合，其中多视角数据融合流程为：对设备运行数据序列l进行结合时序维度以及运行维度的二维变换：

106、

107、其中：f表示设备运行数据序列l的二维变换矩阵，f(n,m)表示二维变换矩阵f中频率为(n,m)位置处的变换值；j表示虚数单位，j2＝―1；exp(·)表示以自然常数为底的指数函数；将二维变换矩阵f转换为二维变换实部矩阵：

108、

109、其中：f1表示二维变换实部矩阵；f1(n,m)表示二维变换实部矩阵f1中频率为(n,m)位置处的变换实部值；计算得到不同运行维度的视角权重，其中第m种运行维度的视角权重为wm：

110、

111、其中：wm表示第m种运行维度的视角权重；dm表示第m种运行维度的视角信息；基于多种运行维度的视角权重对二维变换实部矩阵进行加权，构成设备运行融合数据序列：

112、x＝(x1,x2,...,xn,...,xn)

113、

114、其中：x表示设备运行融合数据序列；xn表示设备在第n个运行时刻的设备运行融合数据。本方案对不同运行时刻、不同运行维度的运行状态数据所构成的设备运行数据序列进行结合时序维度以及运行维度的二维变换，提取不同维度的频域信息，并将频域信息与时域信息进行融合，得到二维变换矩阵，通过提取二维变换矩阵中的实部信息，过滤虚部信息，从而实现信息增强，并基于不同维度的频率信息计算得到视角权重，实现不同运行维度的设备运行数据融合，得到设备运行融合数据序列。

115、同时，本方案提出一种设备运行特征提取以及健康度分析方式，对设备运行极值矩阵c进行特征提取，得到设备运行特征矩阵，其中设备运行极值矩阵c的特征提取流程为：基于设备运行极值矩阵c计算得到设备在不同运行时刻的设备运行特征，其中设备在第n个运行时刻的设备运行特征为：

116、

117、其中：fn表示设备在第n个运行时刻的设备运行特征；t表示转置；表示设备在第n个运行时刻的设备运行左斜率变化特征；表示设备在第n个运行时刻的设备运行右斜率变化特征；表示设备在第n个运行时刻的运行极值位置特征；构成设备的设备运行特征矩阵：

118、f＝[f1,f2,...,fn,...,fn]

119、其中：f表示设备运行特征矩阵。获取设备在正常工况下的设备标准运行特征矩阵r：

120、r＝[r1,r2,...,rn,...,rn]

121、其中：rn表示正常工况下的设备在第n个运行时刻的设备标准运行特征；计算设备运行特征矩阵f与正常工况下的设备标准运行特征矩阵r的差异度diff(q,r)，其中差异度计算流程为：初始化s1＝1，s2＝1；计算得到设备运行特征矩阵f中第s1个运行时刻的设备运行特征与设备标准运行特征矩阵r中第s2个运行时刻的设备标准运行特征之间的距离：

122、

123、其中：表示设备运行特征与设备标准运行特征之间的距离；更新得到累积差异值：

124、

125、其中：sum(s1,s2)表示更新得到的设备运行特征fs1与设备标准运行特征之间的累积差异；令s2＝s2+1，直到s2＝n；令s1＝s1+1，直到s1＝n；获取累积差异值sum(n,n)，并令差异度diff(q,r)＝sum(n,n)；基于ai大模型将差异度diff(q,r)转换为设备健康度，若设备健康度低于预设阈值，则设备需要进行更换处理。本方案基于融合数据序列中的极值点，构建得到表征极值点位置、极值点数据值以及极值点标签的设备运行极值矩阵，并提取矩阵中每个运行时刻的设备运行左斜率变化特征、设备运行右斜率变化特征、运行极值位置特征以及设备运行融合数据，构成设备运行特征矩阵，将不同特征之间的差值作为设备运行特征矩阵与正常工况下的设备标准运行特征矩阵之间的特征距离，采用二维迭代的方式计算得到设备运行特征矩阵与正常工况下的设备标准运行特征矩阵之间的差异度，基于ai大模型所训练得到的卷积权重参数将差异度进行多尺度转换为设备健康度对设备进行评估，实现基于设备运行状态变化方向以及运行数据的多尺度信息的设备健康度分析。