一种设备处理决策生成方法、装置、设备及介质与流程

摘要: 本发明涉及数据处理,具体涉及一种设备处理决策生成方法、装置、设备及介质。背景技术:1、在工业设备故障诊断、资产价值评估和报废判定等应用场景中,设备状态与价值的综...
一种设备处理决策生成方法、装置、设备及介质与流程

本发明涉及数据处理,具体涉及一种设备处理决策生成方法、装置、设备及介质。

背景技术:

1、在工业设备故障诊断、资产价值评估和报废判定等应用场景中,设备状态与价值的综合决策需覆盖经济指标、运行工况、物理形态等多个维度,单一人工智能模型受限于输入数据模态与分析维度,难以独立输出全面、可靠的决策结果。利用多个人工智能模型分别处理不同类型的数据源并开展联合决策,能够整合多源分析结果以提升处理决策的准确性与全面性,已成为设备智能运维与全生命周期资产管理领域的重要技术发展方向。

2、当前,利用多个人工智能模型对设备的处理进行联合决策的技术方案主要包括两类实现路径:其一为数值融合类方案,该类方案将各模型输出的数值评分或分类标签视为相互独立的同质信息,通过投票机制、加权平均、逻辑回归或证据理论等算法进行数值层面的叠加计算,直接输出最终处理决策结果;其二为因果推理类方案,该类方案预先构建领域因果事件图谱数据库,通过智能体在动态假设空间中迭代检索因果子图作为证据,持续更新故障假设的可信度评分,待满足终止条件后输出附带可信度的处理决策结论。

3、然而,上述两类实现路径未挖掘不同模态数据之间内在的语义逻辑关联,无法构建形成具有明确逻辑指向性的结构化证据链条,进而导致处理决策过程的逻辑路径不透明、决策依据难以追溯,决策结果的可解释性不足,同时也无法依据证据的完备程度对决策置信度进行合理分级,难以适配高可靠性要求下的设备处理决策场景。

4、因此,如何提升设备处理决策的可解释性与决策逻辑的可追溯性,是目前亟需解决的技术问题。

技术实现思路

1、本发明所要解决的技术问题是如何提升设备处理决策的可解释性与决策逻辑的可追溯性。

2、本发明解决上述技术问题的技术方案如下:

3、本技术实施例提供一种设备处理决策生成方法,包括:

4、获取目标设备的多源决策输入数据,其中,所述多源决策输入数据包括用于指示所述目标设备的剩余价值状态的第一类数据、用于指示所述目标设备的运行故障文本描述状态的第二类数据、用于指示所述目标设备的物理外观图像状态的第三类数据;

5、对所述第一类数据中的设备剩余价值指数进行异常检测,得到异常检测结果,并在所述异常检测结果为所述设备剩余价值指数低于预设的指数阈值时,基于预先存储的领域知识规则库,构建证据链,其中,所述领域知识规则库包括价值指标节点、故障模式节点、物理缺陷节点以及各节点之间的逻辑关联关系;

6、基于所述领域知识规则库,查询与所述价值指标节点关联的目标故障模式节点,对所述第二类数据进行语义匹配处理,得到语义匹配结果,并在所述语义匹配结果满足预设的第一条件时,建立所述第二类数据与所述目标故障模式节点之间的解释边,所述解释边用于指示所述第二类数据解释所述第一类数据中设备剩余价值的异常状态;

7、基于所述领域知识规则库,查询与所述目标故障模式节点对应的目标物理缺陷节点,对所述第三类数据进行特征匹配,得到特征匹配结果,并在所述特征匹配结果满足预设的第二条件时,建立所述第三类数据与所述目标物理缺陷节点之间的证实边,所述证实边用于指示所述第三类数据证实所述第二类数据描述的故障状态;

8、根据所述解释边与所述证实边的存在状态,确定所述证据链的完整程度,并基于所述完整程度,生成设备处理决策。

9、本发明的有益效果是:通过获取目标设备的多源决策输入数据,将设备的剩余价值状态(第一类数据)、运行故障文本描述状态(第二类数据)和物理外观图像状态(第三类数据)三类不同模态的数据纳入统一的决策分析框架,为构建多维度的证据支撑体系奠定了数据基础;通过对第一类数据中的设备剩余价值指数进行异常检测,当检测到设备剩余价值指数低于预设的指数阈值时,基于预先存储的包括价值指标节点、故障模式节点、物理缺陷节点以及各节点之间逻辑关联关系的领域知识规则库来构建证据链,使得决策的触发条件具有明确的量化依据和知识驱动的逻辑起点;通过查询与价值指标节点关联的目标故障模式节点,对第二类数据进行语义匹配处理,并在语义匹配结果满足第一条件时建立解释边,该解释边用于指示第二类数据解释第一类数据中设备剩余价值的异常状态,从而在数值异常指标与文本故障描述之间建立起具有明确语义指向的逻辑关联,使得"设备剩余价值为何异常"这一问题能够通过解释边被清晰地追溯和解释;通过查询与目标故障模式节点对应的目标物理缺陷节点,对第三类数据进行特征匹配,并在特征匹配结果满足第二条件时建立证实边,该证实边用于指示第三类数据证实第二类数据描述的故障状态,从而在文本故障描述与物理外观图像之间建立起具有物理实证意义的验证关联,使得"文本描述的故障是否真实存在"这一问题能够通过证实边被客观地验证和追溯;根据解释边与证实边的存在状态来确定证据链的完整程度,并基于完整程度生成设备处理决策,决策的每一步推理都有对应的节点和边关系作为支撑,决策结果不再是黑箱式的输出,而是可以通过证据链中各节点之间的逻辑关联关系进行逐层回溯和可视化呈现,从而提升了设备处理决策的可解释性与决策逻辑的可追溯性。

10、在上述技术方案的基础上,本发明还可以做如下改进。

11、进一步,所述对所述第一类数据中的设备剩余价值指数进行异常检测之前,还包括:

12、对领域知识中的价值指标、故障模式、物理缺陷进行节点化封装处理,得到所述价值指标节点、所述故障模式节点、所述物理缺陷节点,并为各节点配置对应的描述属性信息;

13、基于所述价值指标节点、所述故障模式节点、所述物理缺陷节点的逻辑关联信息,进行边关系定义,得到包括导致关系、表现为关系、可解释关系、可证实关系的边关系,并为所述边关系配置对应的权重属性信息,得到配置后边关系,其中,所述边关系用于连接对应类型的节点;

14、对各节点的描述属性信息进行特征预提取,得到各节点对应的语义特征向量与视觉特征向量,并将所述语义特征向量、所述视觉特征向量关联存储至节点的属性中,形成带特征属性的节点集合;

15、将所述节点集合与所述配置后边关系进行图结构组装,得到所述领域知识规则库。

16、采用上述进一步方案的有益效果是:基于逻辑关联信息进行包括导致、表现为、可解释和可证实关系的边关系定义并配置权重属性信息,精确刻画了设备价值、故障模式与物理缺陷之间的复杂因果与验证机制;对各节点的描述属性进行特征预提取,并将语义特征向量与视觉特征向量关联存储至节点属性中,将符号化的领域知识与深度学习的高维特征表示深度融合,避免了在线推理时的重复计算开销;通过图结构组装将节点集合与配置后边关系实例化为领域知识规则库,为证据链构建提供了一个既包括严密逻辑拓扑结构又内嵌丰富多模态特征向量的高效检索与推理底座,从而保障了设备处理决策生成过程中语义匹配与特征验证的准确性、实时性与逻辑严密性。

17、进一步,所述基于预先存储的领域知识规则库,构建证据链,包括:

18、从所述领域知识规则库中调取与所述价值指标节点存在因果关联的故障模式节点集合,得到语义解释候选节点集合;

19、将所述第二类数据与所述语义解释候选节点集合中的各故障模式节点进行语义相似度匹配,将语义相似度匹配成功的故障模式节点作为所述目标故障模式节点,并建立所述第二类数据与所述目标故障模式节点之间的解释边,以完成语义层证据链路的拼接;

20、从所述领域知识规则库中调取与所述目标故障模式节点存在表现关联的物理缺陷节点集合,得到物理证实候选节点集合;

21、将所述第三类数据与所述物理证实候选节点集合中的各物理缺陷节点进行特征匹配度验证,将特征匹配度验证成功的物理缺陷节点作为所述目标物理缺陷节点,并建立所述第三类数据与所述目标物理缺陷节点之间的证实边,完成物理层证据链路的拼接;

22、结合所述语义层证据链路、所述物理层证据链路,得到所述证据链。

23、采用上述进一步方案的有益效果是:从领域知识规则库中调取与价值指标节点存在因果关联的故障模式节点集合得到语义解释候选节点集合,有效缩小了文本语义匹配的搜索空间,避免了在全图范围内进行高耗时的盲目计算,提升了语义推理的效率与针对性;通过将第二类数据与候选节点进行语义相似度匹配并建立解释边以完成语义层证据链路的拼接,在自然语言语义层面精准锚定了导致设备价值异常的具体故障模式;调取与目标故障模式节点存在表现关联的物理缺陷节点集合得到物理证实候选节点集合,有效收敛了图像特征匹配的候选范围;将第三类数据与候选节点进行特征匹配度验证并建立证实边以完成物理层证据链路的拼接,在计算机视觉物理实证层面客观验证了文本描述故障的真实性。

24、进一步,所述基于所述领域知识规则库,查询与所述价值指标节点关联的目标故障模式节点,对所述第二类数据进行语义匹配处理,得到语义匹配结果,并在所述语义匹配结果满足预设的第一条件时,建立所述第二类数据与所述目标故障模式节点之间的解释边,包括:

25、从所述领域知识规则库中检索与所述价值指标节点存在关联的故障模式节点,得到所述目标故障模式节点,并读取所述目标故障模式节点预存的目标语义特征向量;

26、采用预先训练的语义编码模型,对所述第二类数据中的运行故障文本描述进行特征编码,得到待匹配文本特征向量;

27、对所述待匹配文本特征向量与所述目标语义特征向量进行相似度计算,得到所述语义匹配结果,所述语义匹配结果包括语义相似度;

28、在所述语义相似度满足所述第一条件时,建立所述第二类数据与所述目标故障模式节点之间的所述解释边。

29、采用上述进一步方案的有益效果是:从领域知识规则库中检索目标故障模式节点并直接读取其预存的目标语义特征向量,将高耗时的文本编码计算前置到离线构建阶段,降低了在线推理时的计算延迟,提升了系统的实时响应能力;对第二类数据中的运行故障文本描述进行深度特征编码得到待匹配文本特征向量,能够充分捕捉实际故障描述中的复杂上下文语义信息,克服了传统基于关键词匹配方法无法处理同义词和语义泛化的缺陷;对待匹配文本特征向量与目标语义特征向量进行余弦相似度计算得到语义相似度,将抽象的文本语义匹配转化为精确的数学向量空间距离度量,保证了匹配结果的客观性与准确性;在语义相似度满足第一条件时动态建立解释边,使得实际运行故障文本与标准故障模式之间的逻辑解释关系得以在图结构中被显式实例化,从而为构建完整的证据链奠定了坚实、精准且高效的语义层逻辑基础,显著提升了设备处理决策在语义解释环节的可靠性与计算效率。

30、进一步,所述基于所述领域知识规则库,查询与所述目标故障模式节点对应的目标物理缺陷节点,对所述第三类数据进行特征匹配,得到特征匹配结果,并在所述特征匹配结果满足预设的第二条件时,建立所述第三类数据与所述目标物理缺陷节点之间的证实边,包括:

31、从所述领域知识规则库中检索与所述目标故障模式节点存在关联的物理缺陷节点,得到所述目标物理缺陷节点,并读取所述目标物理缺陷节点预存的目标视觉特征向量;

32、采用预先训练的卷积神经网络模型,对所述第三类数据中的物理外观图像进行特征提取,得到待匹配视觉特征向量;

33、对所述待匹配视觉特征向量与所述目标视觉特征向量进行余弦相似度计算,得到所述特征匹配结果;

34、在所述特征匹配结果满足所述第二条件时,建立所述第三类数据与所述目标物理缺陷节点之间的证实边。

35、采用上述进一步方案的有益效果是:从领域知识规则库中检索目标物理缺陷节点并直接读取其预存的目标视觉特征向量,将高耗时的图像特征提取计算前置到离线构建阶段,极大地降低了在线推理时的计算延迟,提升了系统的实时响应能力;对第三类数据中的物理外观图像进行深度特征提取得到待匹配视觉特征向量,能够充分捕捉实际图像中复杂的纹理、形状和边缘等深层视觉信息,克服了传统基于人工设计特征或简单像素比对方法无法应对光照变化和视角差异的缺陷;对待匹配视觉特征向量与目标视觉特征向量进行余弦相似度计算得到特征匹配度,将抽象的图像视觉匹配转化为精确的数学向量空间距离度量,保证了匹配结果的客观性与准确性;在特征匹配结果满足第二条件时动态建立证实边,使得实际物理外观图像与标准物理缺陷之间的逻辑证实关系得以在图结构中被显式实例化,从而为证据链提供了坚实、客观且不可篡改的物理实证支撑,显著提升了设备处理决策在物理验证环节的可靠性与抗干扰能力。

36、进一步,所述根据所述解释边与所述证实边的存在状态,确定所述证据链的完整程度,并基于所述完整程度,生成设备处理决策,包括:

37、对所述解释边与所述证实边的存在状态进行遍历检测,得到所述证据链的节点连接状态信息;

38、根据所述节点连接状态信息,对所述证据链的完整程度进行分析,得到所述完整程度,并同步定位所述证据链的断裂环节、所述断裂环节对应的断裂原因;

39、当根据所述完整程度确定所述证据链完整时,生成第一设备处理决策,并生成包括完整的证据链路径的可视化解释报告;

40、当根据所述完整程度确定所述证据链断裂时,生成第二设备处理决策,并生成对所述断裂环节、所述断裂原因进行标注的人工复核建议报告,其中,所述第二设备处理决策的置信度等级低于所述第一设备处理决策的置信度等级。

41、采用上述进一步方案的有益效果是:对解释边与证实边的存在状态进行图遍历检测得到节点连接状态信息,实现了对多模态证据链逻辑拓扑结构的自动化、全局性校验;根据节点连接状态信息分析完整程度并同步定位断裂环节与断裂原因,不仅能够量化评估推理路径的闭合状态,还能精准诊断出导致推理失败的具体数据或技术根源,提升了自我诊断与纠错能力;在证据链完整时生成第一设备处理决策及包括完整路径的可视化解释报告,为高置信度的自动化决策提供了直观、透明且不可辩驳的逻辑推理过程展示,增强了用户对决策的信任度与可解释性;在证据链断裂时生成置信度等级较低的第二设备处理决策及精准标注断裂环节与原因的人工复核建议报告,有效避免了在证据不充分或数据质量不佳时做出错误的自动化处置,通过引入人工介入机制形成了严密的安全兜底策略,从而在保障设备处理决策整体安全性、可靠性与容错性的同时,显著提升了复杂工业场景下智能决策系统的工程实用价值与落地可行性。

42、进一步,所述生成设备处理决策之后,还包括:

43、根据所述人工复核建议报告,对目标边关系对应的权重参数进行调整,得到更新后的边关系权重参数;

44、将所述更新后的边关系权重参数,同步写入所述领域知识规则库中对应边关系的属性字段中,得到更新后的领域知识规则库;

45、基于所述更新后的领域知识规则库,对所述设备处理决策进行更新,以得到新的设备处理决策。

46、采用上述进一步方案的有益效果是:根据人工复核建议报告对目标边关系对应的权重参数进行调整得到更新后的边关系权重参数,将人类专家的现场排查经验与补充检测数据转化为可计算的数学参数,实现了隐性知识向显性模型参数的有效转化;将更新后的边关系权重参数同步写入领域知识规则库中对应边关系的属性字段中得到更新后的领域知识规则库,利用图数据库的持久化机制实现了设备领域知识的动态迭代与自我进化,使得知识库能够不断适应复杂多变的实际工业工况,克服了静态知识库随时间推移准确性下降的缺陷;基于更新后的领域知识规则库对设备处理决策进行更新以得到新的设备处理决策,不仅显著提升了当前设备处理决策的准确性与可靠性,更为未来同类设备的智能决策奠定了更加坚实、精准的知识基础,增强了整个决策系统的自适应能力与长期工程应用价值。

47、本技术实施例还提供一种设备处理决策生成装置,所述装置包括:

48、获取模块,用于获取目标设备的多源决策输入数据,其中,所述多源决策输入数据包括用于指示所述目标设备的剩余价值状态的第一类数据、用于指示所述目标设备的运行故障文本描述状态的第二类数据、用于指示所述目标设备的物理外观图像状态的第三类数据;

49、证据链构建模块,用于对所述第一类数据中的设备剩余价值指数进行异常检测,得到异常检测结果,并在所述异常检测结果为所述设备剩余价值指数低于预设的指数阈值时,基于预先存储的领域知识规则库,构建证据链,其中,所述领域知识规则库包括价值指标节点、故障模式节点、物理缺陷节点以及各节点之间的逻辑关联关系;

50、解释边建立模块,用于基于所述领域知识规则库,查询与所述价值指标节点关联的目标故障模式节点,对所述第二类数据进行语义匹配处理,得到语义匹配结果,并在所述语义匹配结果满足预设的第一条件时,建立所述第二类数据与所述目标故障模式节点之间的解释边,所述解释边用于指示所述第二类数据解释所述第一类数据中设备剩余价值的异常状态;

51、证实边建立模块,用于基于所述领域知识规则库,查询与所述目标故障模式节点对应的目标物理缺陷节点,对所述第三类数据进行特征匹配,得到特征匹配结果,并在所述特征匹配结果满足预设的第二条件时,建立所述第三类数据与所述目标物理缺陷节点之间的证实边,所述证实边用于指示所述第三类数据证实所述第二类数据描述的故障状态;

52、决策生成模块,用于根据所述解释边与所述证实边的存在状态,确定所述证据链的完整程度,并基于所述完整程度,生成设备处理决策。

53、本技术实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行本技术实施例所提供的任一种设备处理决策生成方法中的步骤。

54、本技术实施例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存储有多条指令,所述指令适于处理器进行加载,以执行本技术实施例所提供的任一种设备处理决策生成方法中的步骤。