一种工业系统运行异常分析方法、装置、设备及存储介质与流程
本技术涉及人工智能与工业自动化,尤其涉及一种工业系统运行异常分析方法、装置、设备及存储介质。
背景技术:
1、在炼钢、炼铁、有色金属冶炼等工业生产领域中,除尘系统、通风系统等工业环保设备在运行过程中会不断产生各类异常信息,例如产尘浓度超标报警、阀门开度异常、风机转速偏差等,这些异常信息需要及时分析以确定产生原因并采取相应措施。目前,对异常信息的分析主要依赖运维人员根据自身经验逐一排查,分析过程包括查阅设备台账、比对设备参数的历史数据与实时数据、判断设备之间的关联关系等,但由于工业系统中设备数量众多、参数类型繁杂,且同类异常可能反复出现,运维人员需要频繁执行重复性的分析工作,分析效率较低,且分析质量受个人经验影响较大,难以保证一致性。
2、近年来,大语言模型在自然语言理解和问答任务中展现出较强的能力,已在多个领域的信息检索与辅助决策中得到应用,大语言模型能够理解自然语言描述的问题,并基于其训练知识生成回答。在工业场景中,已有尝试将大语言模型用于辅助分析异常信息,即由运维人员将异常描述输入大语言模型,由模型输出分析结论。然而,大语言模型的知识来源于通用训练数据,其并不具备特定工业系统中设备的实际运行状态信息,当大语言模型对工业系统异常进行分析时,模型无法获取设备的实时参数、历史运行数据以及设备之间的拓扑关联等真实数据,只能依赖训练时学到的通用知识进行推断,导致输出的分析结论缺乏真实数据支撑,容易出现与实际工况不符的情况。
技术实现思路
1、本技术实施例的目的在于提供一种工业系统运行异常分析方法、装置、设备及存储介质,以解决上述技术问题。
2、本技术提供了一种工业系统运行异常分析方法,包括:获取工业系统的运行异常信息,对所述运行异常信息进行多源特征提取与融合,生成异常全局表示向量;根据所述异常全局表示向量匹配对应的目标分析流程;基于所述目标分析流程调度外部查询工具,从多源异构数据库中确定与所述运行异常信息对应的设备运行数据;将所述设备运行数据反馈至预设的大语言模型,以使所述大语言模型结合所述目标分析流程输出异常原因分析结果。
3、于本技术一实施例中,对所述运行异常信息进行多源特征提取与融合,生成异常全局表示向量,包括:提取所述运行异常信息的上下文语义特征和形态特征,并基于预设的领域术语知识库对所述运行异常信息中的专业术语进行增强编码,得到专业名词增强特征;对所述上下文语义特征、所述形态特征和所述专业名词增强特征进行特征拼接,并通过注意力机制进行特征融合,生成所述异常全局表示向量。
4、于本技术一实施例中,提取所述运行异常信息的上下文语义特征和形态特征,并基于预设的领域术语知识库对所述运行异常信息中的专业术语进行增强编码,得到专业名词增强特征,包括:通过预训练语言模型对所述运行异常信息的分词序列进行编码,得到所述上下文语义特征;通过一维卷积神经网络对所述运行异常信息的字符序列进行局部特征提取与池化处理,得到所述形态特征;基于所述领域术语知识库判断所述分词序列中的关键词是否属于专业术语;其中,若属于,则将所述关键词的术语类型标签转换为类型标识向量,并与所述关键词的术语描述语义向量进行拼接,得到所述专业名词增强特征。
5、于本技术一实施例中,所述多源异构数据库包括存储设备固有属性的关系型数据库、存储设备实时状态的缓存数据库和存储设备历史数据的时序数据库,基于所述目标分析流程调度外部查询工具,从多源异构数据库中确定与所述运行异常信息对应的设备运行数据,包括:根据所述目标分析流程中各分析步骤所需查询的数据,生成结构化查询指令;通过所述外部查询工具将所述结构化查询指令分发至对应的所述关系型数据库、所述缓存数据库或所述时序数据库,获取初始查询数据;对所述初始查询数据中的时序数据进行聚合处理,得到所述设备运行数据。
6、于本技术一实施例中,对所述时序数据进行聚合处理,得到所述设备运行数据,包括:将相邻时间段的所述时序数据中最早的时间戳和最晚的时间戳分别作为所述聚合时间段的起始时间戳和结束时间戳;对相邻时间段的所述时序数据计算平均值,得到时序数据平均值,并将所述时序数据平均值作为所述聚合时间段的聚合数据值;将所述聚合时间段的所述起始时间戳、所述结束时间戳与所述聚合数据值以键值对形式进行存储,得到所述设备运行数据。
7、于本技术一实施例中,所述方法还包括:获取所述外部查询工具的可用工具接口信息,并根据所述运行异常信息构建问题背景信息;将所述问题背景信息、所述目标分析流程、所述可用工具接口信息基于预设提示指令串联为执行链;所述大语言模型根据所述执行链,在不同的流程节点进行任务分配,并在需要查询数据时生成函数调用请求以调用所述外部查询工具执行数据查询;响应于接收到所述外部查询工具返回的标准化数据,所述大语言模型继续执行所述执行链中的后续分析节点。
8、于本技术一实施例中,所述外部查询工具与所述多源异构数据库之间的交互过程包括:与客户端握手完成后,采用单向事件流方式向客户端推送查询结果数据;其中,在查询过程中,对所述多源异构数据库配置有只读查询权限。
9、本技术实施例还提供了一种工业系统运行异常分析装置,包括:特征提取与流程匹配模块,用于获取工业系统的运行异常信息,对所述运行异常信息进行多源特征提取与融合,生成异常全局表示向量,并基于所述异常全局表示向量匹配对应的目标分析流程;数据查询与聚合模块,用于基于所述目标分析流程调度外部查询工具,从多源异构数据库中确定与所述运行异常信息对应的设备运行数据;异常原因分析模块,用于将所述设备运行数据反馈至预设的大语言模型,以使所述大语言模型结合所述目标分析流程输出异常原因分析结果。
10、本技术实施例还提供了一种电子设备,包括处理器、存储器和通信总线;所述通信总线用于将所述处理器和存储器连接;所述处理器用于执行所述存储器中存储的计算机程序,以实现如上述实施例中任一项所述的工业系统运行异常分析方法。
11、本技术实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述实施例中任一项所述的工业系统运行异常分析方法。
12、本技术的有益效果:本技术通过对运行异常信息进行上下文语义、字符形态及专业术语增强三维特征的提取与融合,克服了通用分词工具对工业专业术语切分错误导致的语义失真问题,使异常信息能够被精准表征;在此基础上,通过异常全局表示向量与预设分析流程的相似度匹配,将非结构化异常信息映射至标准化的目标分析流程,实现了分析逻辑的可复用与严格可控,避免了大语言模型自由生成带来的逻辑混乱。进一步地,通过外部查询工具从关系型、缓存及时序三类异构数据库中定向获取设备运行数据,并对高频采样的时序数据进行聚合压缩处理,既保证了输入大语言模型的数据来源于真实工业系统、杜绝了数据幻觉,又有效适配了模型的上下文长度限制,使通用大语言模型无需重度微调即可在工业专业领域完成高准确率的异常原因分析。最终,通过预设提示指令将问题背景、分析流程与工具接口串联为执行链,并以单向事件流方式安全推送只读查询结果,形成了从异常感知到原因输出的闭环智能分析机制,提升了工业系统运维的效率与可靠性。
13、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本技术。
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