基于大模型上下文优化的设备运维方法、系统及存储介质与流程
本发明涉及工业自动化控制与设备智能运维,具体地涉及一种基于长周期大语言模型上下文优化的高速公路机电设备智能运维方法、系统及存储介质。
背景技术:
1、在智慧高速公路的日常运行中,沿线部署了数以万计的机电设备,例如可变情报板vms、etc门架系统、路侧边缘计算节点rsu、隧道通风与照明控制柜。当发生区域性通信光缆故障或电力波动时,高速公路机电管控系统的大语言模型智能体需要自动调取底层硬件的运行日志,以生成自愈控制指令。
2、当发生大范围故障时,底层硬件设备会瞬时上报海量的snmp告警报文、tcp端口闪断日志及硬件运行核心转储文件。如果直接将这些海量硬件报文输入给智能体,将瞬间击穿大语言模型128k token的上下文物理上限,导致进程内存溢出崩溃,从而失去对高速机电设备的自动化控制能力,引发长达数小时的交通盲区。
3、现有技术中,处理上下文窗口溢出问题的主要方案有直接删除最早的对话历史,仅保留最近的若干条消息。该方案实现简单,但智能体会丢失任务的初始目标设定和系统身份认知,导致后续推理偏离正确方向。同时,也有通过保留对话开头和结尾,删除中间的历史记录来解决处理上下文窗口溢出问题。该方案虽然保留了初始目标,但在未经语义解析的情况下暴力删减中间内容,可能破坏工具调用与工具响应之间严格的配对结构关系。在基于函数调用的大模型接口中,每个ai消息中的工具调用必须有对应的工具响应消息,若删除操作破坏了这一配对关系,将导致大模型api调用失败。此外,也有方案是构建基于token计数的滑动窗口,通过计算token数量来决定保留哪些消息。该方案虽然避免了超限,但缺乏语义层面的理解,无法区分关键信息和冗余信息,可能删除包含重要发现的工具输出而保留无关紧要的信息。
4、综上所述,现有技术存在多个问题。首先,现有技术均在平坦的消息列表层面进行截断或删除操作,无法识别消息链内部的层次结构,特别是无法识别工具调用请求与工具响应之间的严格配对关系。若破坏该配对关系将直接导致大模型api调用报错。同时,现有技术无法区分不同消息的重要程度,对系统初始设定、当前正在执行的操作上下文、以及中间过程日志等内容一视同仁,从而导致关键信息丢失。此外,现有技术压缩精度不可控,缺乏精细化的分级压缩策略。无法实现差异化处理。最后,在长周期高速公路机电设备智能运维任务中,现有技术由于上下文管理不当导致智能体遗忘任务目标或历史关键发现,进而产生推理幻觉或进入死循环,严重影响高速公路机电设备智能运维决策的成功率。
5、因此,亟需一种基于长周期大语言模型上下文优化的高速公路机电设备智能运维方法及系统,在保证任务开端核心设定不变、保持最近期行动决策依据完整的前提下,通过对中间历史进行结构感知的智能压缩,实现对话链总体积的有效降低,从而支持大语言模型驱动的高速公路机电设备智能运维延续,有效避免了机电管控系统的内存崩溃,使得智能体能够顺畅地依据摘要推演出最终的物理自愈指令,保障了高速公路机电网络的物理连通性。
技术实现思路
1、本发明实施例的目的是提供一基于长周期大语言模型上下文优化的高速公路机电设备智能运维方法、系统及存储介质,以解决现有技术无法识别工具调用请求与工具响应之间的严格配对关系、关键信息丢失、缺乏精细化的分级压缩策略的问题。
2、为了实现上述目的,本发明实施例提供一种基于长周期大语言模型上下文优化的机电设备智能运维方法,包括:
3、采集机电设备的实时运行数据、历史故障数据和设备参数数据,构建结构化上下文信息链;
4、采用大语言模型对所述结构化上下文信息链进行上下文优化,生成优化后的标准信息链;
5、基于所述标准信息链,采用大语言模型生成机电设备的物理自愈指令。
6、可选地,采用大语言模型对所述结构化上下文信息链进行上下文优化,生成优化后的标准信息链包括:
7、解析所述结构化上下文信息链,构建三级树状结构;
8、基于运维业务特性对所述三级树状结构节点进行分区,并计算节点的综合重要性评分;
9、基于所述综合重要性评分,采用差异化压缩策略进行分区压缩;
10、采用前序遍历算法对完成分区压缩后的三级树状结构进行三级树状结构还原操作,获取标准消息链;
11、对所述标准信息链进行校验;
12、在校验通过的情况下,下发所述标准消息链。
13、可选地,解析所述结构化上下文信息链,构建三级树状结构包括:
14、采用状态机遍历所述结构化上下文信息链,将用户消息作为切分边界;
15、基于所述切分边界划分所述结构化上下文信息链,获取独立对话片段;
16、基于所述独立对话片段,构建请求响应对;
17、基于所述独立对话片段和所述请求响应对,构建三级树状结构。
18、可选地,基于所述独立对话片段,构建请求响应对包括:
19、基于所述独立对话片段,采用状态机向下扫描人工智能消息;
20、在人工智能消息为普通文本的情况下,对所述人工智能消息进行封装以获取补全节点;
21、在人工智能消息为工具调用请求的情况下,获取大模型反馈的工具执行结果,基于所述工具调用请求和所述工具执行结果进行配对以构建请求响应对;
22、在所述工具调用请求缺失返回结果的情况下,构建虚拟响应节点;
23、在所述工具执行结果缺失工具调用请求的情况下,构建虚拟工具调用请求,建立映射关系。
24、可选地,基于运维业务特性对所述三级树状结构的节点进行分区,并计算节点的综合重要性评分包括:
25、将所述三级树状结构分为头部刚性锁止区、尾部即时工作区和中部可压缩区;
26、计算所述中部可压缩区每个节点的综合重要性评分。
27、可选地,计算所述中部可压缩区每个节点的综合重要性评分包括:
28、根据公式(1)计算所有节点的综合重要性评分,
29、,
30、其中,为综合重要性评分,为时间衰减项,为基于大模型返回文本的相对信息熵近似值,为任务动作特征分,为系统调节权重。
31、可选地,基于所述综合重要性评分,采用差异化压缩策略进行分区压缩包括:
32、进行普通节点压缩,包括:选取中部可压缩区中得分最低的连续多个段落合并为一个待压缩超大段落,并提取核心运维信息生成摘要替换原段落;
33、在单节点字节尺寸大于预设字节尺寸阈值的情况下,进行超大节点压缩,包括:保留日志前n行和后n行,提取核心故障特征,生成摘要替换原节点;
34、在段落总数大于预设段落数量阈值的情况下,进行段落聚合压缩,包括:合并综合重要性得分中低评分的零散段落,提取统一运维上下文生成摘要替换原节点。
35、可选地,对所述标准信息链进行校验包括:
36、对所述标准消息链进行尺寸校验,包括:要求总token数低于安全窗口;
37、对所述标准消息链进行逻辑完整性校验,包括:判断关键运维实体是否丢失,若丢失则进行回滚压缩操作,降低该节点衰减权重并重新进行压缩。
38、另一方面,本发明提供一种基于长周期大语言模型上下文优化的机电设备智能运维系统,所述系统包括:
39、数据采集与构建模块,用于采集机电设备的实时运行数据、历史故障数据和设备参数数据,构建结构化上下文信息链;
40、上下文优化编码模块,用于采用大语言模型对所述结构化上下文信息链进行上下文优化,生成优化后的标准信息链;
41、物理自愈指令生成模块,用于基于所述标准信息链,采用大语言模型生成机电设备的物理自愈指令;
42、处理器,与所述数据采集与构建模块、所述上下文优化编码模块和所述物理自愈指令生成模块连接,所述处理器被配置成执行如上述任一所述的方法。
43、再一方面,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上存储有指令,当所述指令被处理器执行时,实现如上述任一所述的方法。
44、本发明的有益效果:
45、本发明实施方式通过采集机电设备的实时运行数据、历史故障数据和设备参数数据,构建结构化上下文信息链,将分散的设备信息整合为逻辑完整、时序清晰的故障上下文表征,为后续分析提供了高质量的数据基础。随后,采用大语言模型对该信息链进行上下文优化,利用模型的语言理解与信息提炼能力,自动识别关键故障特征、剔除冗余重复信息,生成优化后的标准信息链,从而有效降低数据噪声,突破大模型输入窗口的物理限制,确保核心故障因果逻辑完整保留。进一步地,采用大语言模型生成机电设备的物理自愈指令,使模型能够依据完整且精炼的故障上下文,准确输出可执行的自愈策略,实现故障的自动闭环处置,显著提升运维效率与系统可用性,降低人工介入成本。
46、本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com