一种基于工业人工智能的设备预警方法和电子设备与流程

本发明实施例涉及人工智能，尤其一种基于工业人工智能的设备预警方法和电子设备。

背景技术：

1、随着工业智能化、自动化水平持续提升，各类工业设备广泛应用于生产制造、能源化工、冶金重工等领域，是保障工业连续稳定生产的核心基础。工业设备长期在高负荷、变工况、多外部干扰的复杂环境下运转，易出现部件磨损、性能衰减、运行参数偏移等隐性劣化问题。若无法提前识别设备潜在隐患、预判异常演化趋势并及时处置，极易造成非计划停机、产线中断，严重时将引发安全生产事故，带来巨额经济损失。因此，具备高精度与前瞻预判能力的设备预警技术，是保障工业稳定生产、降低运维成本、规避安全风险的核心关键。

2、为突破传统阈值报警和简单统计分析的局限，人工智能（artificialintelligence，ai）技术已成为提升预警精度的重要支撑。随着通用人工智能技术与工业运行机理深度融合，工业ai技术领域应运而生，其旨在利用ai技术实现工业设备状态感知、趋势预测与智能决策，尽管该领域发展迅速，但现阶段主流的设备预警方法大多仅依赖工况数据进行时序分析，难以完整还原设备内部的物理运行机理，导致预警结论往往较为片面，精度不足，难以满足复杂工业场景下对精细化、差异化预警的迫切需求。

3、因此，亟需提出一种新的方法来解决上述问题。

技术实现思路

1、本发明提供一种基于工业人工智能的设备预警方法和电子设备，能够将工况数据与外生数据进行深度融合，从而有效提升预警的准确性和可靠性，以满足复杂工业场景的精细化预警需求。

2、第一方面，本发明实施例提供了一种基于工业人工智能的设备预警方法，该方法包括：

3、将当前周期内的工业设备的工况数据序列和外生数据序列输入到预先训练好的时序因果预测模型中，所述时序因果预测模型包括融合模块、因果时延表征模块和预测模块；

4、利用所述融合模块对所述工况数据序列和所述外生数据序列进行融合，得到工况外生联合矩阵；

5、利用所述因果时延表征模块对所述工况外生联合矩阵进行因果权重与时延概率耦合处理，得到因果时延掩码矩阵；

6、利用所述预测模块对所述工况外生联合矩阵和所述因果时延掩码矩阵进行特征联合解码回归处理，得到目标参数的预测序列；

7、根据目标参数的预测序列确定所述工业设备的预警策略，基于所述预警策略控制所述工业设备。

8、本发明实施例的技术方案，先将当前周期内的工业设备的工况数据序列和外生数据序列输入到预先训练好的时序因果预测模型中，为确定目标参数的预测序列提供了数据基础。接着，利用融合模块对工况数据序列和外生数据序列进行融合，得到工况外生联合矩阵，一方面能够简化下游数据处理流程、降低系统整体复杂度，另一方面，可以使模型同步感知设备工况与外部环境变化，从而更完整地还原设备运行机理，有效适配复杂工业场景下的精细化预警需求，提升预测精度。之后，利用因果时延表征模块对工况外生联合矩阵进行因果权重与时延概率耦合处理，得到因果时延掩码矩阵，可以基于因果强度与时滞双重规律剔除虚假关联与无效特征，筛除弱因果变量以减少运算量、降低系统算力开销，同时提升时序因果表征的可信度，进而改善目标参数的预测精度。然后，利用预测模块对工况外生联合矩阵和因果时延掩码矩阵进行特征联合解码回归处理，得到目标参数的预测序列，可以生成高精度、高效率、强泛化且具备因果可解释性的目标参数预测序列，为后续确定预警策略提供精准定量依据，进而提升设备异常预警判定的及时性与可靠程度。最后，根据目标参数的预测序列确定工业设备的预警策略，基于预警策略控制工业设备，能够提前识别设备的异常隐患，并配合预警策略实现差异化的自动调控，从而在规避设备严重故障的同时保障连续生产的稳定性。整套流程形成了“预测→预警→调控”的一体化自动化管控闭环，显著提升了工业设备的运行稳定性与智能化运维管控水平。因此，本发明的技术方案可以解决现有技术中预警精准度不足、以及难以适配复杂工业场景下精细化预警需求的问题。

9、第二方面，本发明实施例还提供了一种基于工业人工智能的设备预警装置，该装置包括：

10、输入模块，用于将当前周期内的工业设备的工况数据序列和外生数据序列输入到预先训练好的时序因果预测模型中，所述时序因果预测模型包括融合模块、因果时延表征模块和预测模块；

11、多源融合模块，用于利用所述融合模块对所述工况数据序列和所述外生数据序列进行融合，得到工况外生联合矩阵；

12、编码模块，用于利用所述因果时延表征模块对所述工况外生联合矩阵进行因果权重与时延概率耦合处理，得到因果时延掩码矩阵；

13、解码模块，用于利用所述预测模块对所述工况外生联合矩阵和所述因果时延掩码矩阵进行特征联合解码回归处理，得到目标参数的预测序列；

14、预警模块，用于根据目标参数的预测序列确定所述工业设备的预警策略，基于所述预警策略控制所述工业设备。

15、第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

16、至少一个处理器；以及与所述至少一个处理器通信连接的存储器；

17、其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于工业人工智能的设备预警方法。

18、第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时实现本发明任一实施例所述的基于工业人工智能的设备预警方法。

19、需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与基于工业人工智能的设备预警装置的处理器封装在一起的，也可以与基于工业人工智能的设备预警装置的处理器单独封装，本申请对此不做限定。

20、本申请中第二方面、第三方面以及第四方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面以及第四方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。

21、在本申请中，上述基于工业人工智能的设备预警装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。

22、本申请的这些方面或其他方面在以下的描述中会更加简明易懂。

1.一种基于工业人工智能的设备预警方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，利用所述融合模块对所述工况数据序列和所述外生数据序列进行融合，得到工况外生联合矩阵，包括：

3.根据权利要求1所述的方法，其特征在于，所述因果时延表征模块包括因果特征提取单元、时延特征提取单元和掩码融合单元，利用所述因果时延表征模块对所述工况外生联合矩阵进行因果权重与时延概率耦合处理，得到因果时延掩码矩阵，包括：

4.根据权利要求3所述的方法，其特征在于，利用所述因果特征提取单元对所述工况外生联合矩阵进行稀疏因果求解处理，得到因果关联矩阵，包括：

5.根据权利要求3所述的方法，其特征在于，利用所述时延特征提取单元对所述工况外生联合矩阵进行多尺度时延建模处理，得到时延分布矩阵，包括：

6.根据权利要求3所述的方法，其特征在于，利用所述掩码融合单元对所述因果关联矩阵和所述时延分布矩阵进行掩码融合映射处理，得到所述因果时延掩码矩阵，包括：

7.根据权利要求1所述的方法，其特征在于，利用所述预测模块对所述工况外生联合矩阵和所述因果时延掩码矩阵进行特征联合解码回归处理，得到目标参数的预测序列，包括：

8.根据权利要求1所述的方法，其特征在于，所述时序因果预测模型的训练过程包括第一阶段训练、第二阶段训练和第三阶段训练，所述第一阶段训练的损失函数由因果时延损失函数构成；所述第二阶段训练和所述第三阶段训练的损失函数均由物理损失函数、域适应损失函数和数据损失函数的误差构成。

9.根据权利要求1所述的方法，其特征在于，根据目标参数的预测序列确定所述工业设备的预警策略，包括：

10.一种电子设备，其特征在于，所述电子设备包括：