基于大模型多源数据融合的储罐泄漏预判方法

本发明涉及储罐数据分析，尤其涉及基于大模型多源数据融合的储罐泄漏预判方法。

背景技术：

1、随着石油化工、液化天然气储存及危化品仓储行业的快速发展，大型储罐的安全运行监测已成为工业安全领域的核心关注点之一，为保障储罐结构完整性并预防泄漏事故，现有技术通常采用多类型传感监测系统，在储罐壁体及关键部位部署压力传感器、声发射传感器、温度传感器及液位传感器等多种监测设备，通过采集多源异构传感信号实现对储罐运行状态的综合评估。近年来，随着大模型技术在工业数据分析领域的渗透应用，部分先进监测系统开始尝试将多源传感数据上传至云端，依托大模型的跨域特征提取与非线性拟合能力进行泄漏风险的综合判别，以期提升预判的准确性与鲁棒性。

2、然而，在信号采集原理、模数转换精度及采样频率等方面，各类传感器差异悬殊，导致各类传感信号在边缘端完成模数转换并生成可传输数据的时间戳天然错位，导致实际工程部署中存在应用缺陷。

3、例如，公开号为cn119984694a的中国发明专利公开了一种高压储罐氢气泄漏扩散分析方法，包括通过构建物理模型，能够准确捕捉氢气的物理特性及其与环境的相互作用，模拟不同泄漏场景下的扩散过程；通过部署传感器实时监测关键指标参数，确保了数据的实时性和可靠性，能够迅速响应潜在的泄漏事件，减少事故发生的可能性和后果；通过建立实时监测数据与物理模型参数之间的映射关系，能够根据实时数据动态调整模型参数，优化输出结果；通过定量评估和风险级别分类，生成对应的风险预警信号。

4、现有技术未考虑多源传感信号因信号转换链路差异导致的时效失准，不能对不同转换链路的信号进行边缘侧分流与优先级调度，也不能通过跨时段交叉运算量化时间错位对融合评估结果的影响，致使泄漏预判的时效性与准确性难以兼顾。

技术实现思路

1、为此，本发明提供基于大模型多源数据融合的储罐泄漏预判方法，用以克服现有技术未考虑多源传感信号因信号转换链路差异导致的时效失准，不能对不同转换链路的信号进行边缘侧分流与优先级调度，也不能通过跨时段交叉运算量化时间错位对融合评估结果的影响，致使泄漏预判的时效性与准确性难以兼顾的问题。

2、为实现上述目的，本发明提供基于大模型多源数据融合的储罐泄漏预判方法，包括：

3、边缘端预先采集储罐多类监测传感器的数据传输链路参数，统计每类传感信号的信号转换次数，并记录各次信号转换的完成时间戳；

4、边缘端依据各类传感信号的信号转换次数进行排序，按排序顺序对各类传感信号执行边缘侧解耦分流，包括根据完成时间戳将单类传感信号划分为若干不同时间区段，基于各时间区段内传感信号对应的监测传感器的空间分布状态筛选全域代表时间区段；

5、边缘端将全域代表时间区段的数据优先上传至云端参与运算，响应于云端对储罐状态初步评估无异常的判定结果，边缘端对每类传感信号筛选首尾两组时间区段内的数据上传存储至云端；

6、云端依次调取各类传感信号的尾端时间区段的数据与其余类别传感信号的首端区段数据进行交叉融合运算，获得多组运算结果，并对所述多组运算结果进行一致性比对，根据比对结果判定储罐状态是否存在异常。

7、进一步地，边缘端预先采集储罐多类监测传感器的数据传输链路参数，并统计每类传感信号的信号转换次数的过程包括：

8、获取各类监测传感器的信号采集链路拓扑，识别所述信号采集链路拓扑中模拟信号与数字信号转换的节点数量，将所述节点数量记录为信号转换次数。

9、进一步地，所述监测传感器包括压力传感器、声发射传感器、温度传感器及液位传感器；所述信号转换次数覆盖对应监测指标下全部的信号转换环节。

10、进一步地，边缘端依据各类传感信号的信号转换次数进行排序的过程包括：

11、按照信号转换次数由高至低的顺序对全部类别的传感信号进行初步排序；

12、若存在信号转换次数相等的多类传感信号，则根据对应传感信号的历史平均传输延迟时间由长至短进行二次排序，生成排序顺序。

13、进一步地，边缘端根据完成时间戳将单类信号划分为若干不同时间区段的过程包括：

14、以所述完成时间戳为分割边界，按照时间先后次序将单类传感信号等时间间隔地划分为不同时间区段；

15、其中，排序顺序越靠前，划分得的时间区段数量越多。

16、进一步地，边缘端确定各时间区段内传感信号对应的监测传感器的空间分布状态的过程包括：

17、将储罐整体空间划分为若干网格单元，统计各网格单元内落入的传感器数量；

18、计算全部网格单元内传感器数量的数量均值与数量标准差，将所述数量标准差与所述数量均值的比值确定为空间分布状态值。

19、进一步地，边缘端筛选全域代表时间区段的过程包括：

20、分别获取各时间区段内监测传感器的空间分布状态值；

21、将空间分布状态值最小的时间区段筛选为全域代表时间区段。

22、进一步地，边缘端对每类传感信号筛选首尾两组时间区段内的数据上传存储至云端的过程包括：

23、从每类传感信号的若干时间区段中，选取时间戳最早的时间区段作为首端时间区段，选取时间戳最晚的时间区段作为尾端时间区段；

24、对所述首端时间区段和所述尾端时间区段内的数据生成首端数据包和尾端数据包；

25、将所述首端数据包和所述尾端数据包关联对应传感信号的类别标识及时间戳索引后，上传至云端存储。

26、进一步地，云端依次调取各类信号的尾端时间区段的数据与其余类别信号的首端时间区段的数据分别进行运算的过程包括：

27、根据云端存储的传感信号的类别标识及时间戳索引；

28、在第i轮运算中，调取第i类传感信号的尾端时间区段的数据，以及其余n-1类传感信号的首端时间区段的数据，共同组成第i组异构数据集合，i=1，2，…，n；

29、对所述第i组异构数据集合进行交叉融合运算，获得第i组运算结果，遍历i=1至n，获得n组运算结果，形成评估集合。

30、进一步地，根据若干次运算结果的比对情况判定储罐状态是否存在异常的过程包括：

31、计算所述评估集合中n组运算结果的离散程度指标，所述离散程度指标包括极差值与运算结果标准差；将所述极差值与预设的极差参考值进行比对，并将所述运算结果标准差与预设的标准差参考值进行比对；

32、若所述极差值大于所述极差参考值，或所述运算结果标准差大于所述标准差参考值，则云端判定储罐状态存在异常，并触发预警信号；

33、若所述极差值小于或等于所述极差参考值，且所述运算结果标准差小于或等于所述标准差参考值，则云端判定储罐状态无异常。

34、本技术所示的技术方案带来的有益效果包括：通过预先统计各类传感信号的信号转换次数并依据转换复杂度进行排序，实现了边缘侧对不同链路传感信号的差异化解耦分流，使转换环节多、延迟大的信号获得更细粒度的时间区段划分，从而在保障数据代表性的前提下优先上传关键区段数据，有效缓解了多源异构数据因模数转换链路差异导致的云端时间异步问题；通过筛选传感器空间分布最均匀的全域代表时间区段参与首轮运算，确保了上传数据对储罐整体状态的空间覆盖性与指标代表性，避免了局部传感器数据偏差对融合评估的干扰；在初步判定无异常后，通过首尾时间区段的交叉运算与风险评分比对，将不同类别信号之间的时间错位量化为可度量的评估偏差，使大模型能够辨识由时间异步引发的异常前兆，从而在提升预判时效性的同时显著增强了多源数据融合的准确性与鲁棒性。

35、进一步地，本发明通过对各类监测传感器的信号采集链路拓扑进行预先采集，并识别其中模拟信号与数字信号转换的节点数量作为信号转换次数，系统能够对不同类别传感器因硬件架构差异导致的时间成本进行量化。

36、进一步地，本发明根据完成时间戳将单类传感信号等时间间隔地划分为若干时间区段，并使排序顺序越靠前，划分得的时间区段数量越多，实现了对高延迟信号数据流的时间切分。通过将高延迟信号切分为更细粒度的时间区段，系统能够在数据尚未全部就绪时，先行对已完成转换的区段进行筛选和上传，以边缘端的增量计算换取云端融合运算的时效性提升，进而，实现了数据传输的并发性与实时性优化。

37、进一步地，本发明采用先上传全域代表时间区段进行初步运算，初判无异常后再上传首尾时间区段的分级触发策略，实现了通信带宽、云端计算资源与预判精度之间的动态平衡。本发明第一阶段仅上传经筛选的代表区段数据，数据量小、区域覆盖度高，能够在最短时间内给出储罐状态的初步判断，优化预警时效；第二阶段上传首尾区段保留最大时间跨度的关键信息用于交叉运算，既满足了精细化预判的需求，又控制了数据总量。实现了时效性与预判精度的统一。

38、进一步地，本发明通过轮换组合各类传感信号首尾时间区段完成多轮交叉融合，基于评估集合的极差值、标准差量化各组泄漏风险结果的离散程度，并与预设稳态参考阈值比对，极差值可捕捉单类信号时序滞后造成的极端评估偏移，标准差可衡量全部监测指标的全局协同一致性，双指标联动判定能够精准区分时序异步的异常。配合边缘端优先上传全域代表区段快速初判的分级传输策略，在大幅缩短预警响应时延、提升预判时效性的同时，降低时序错位带来的误报警概率，强化大模型多源数据融合评估的工况适应性。