基于人工智能的氧氩分离设备运行系统更新方法及系统技术方案

本申请实施例提供一种基于人工智能的氧氩分离设备运行系统更新方法及系统，通过获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据，基于基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层进行运行故障点输出，从而基于运行故障点数据对目标氧氩分离设备运行系统进行系统修复更新，相较于现有而言，本申请以知识图谱维度进行网络训练学习，而非单一的某个运行事件的特征维度进行网络训练学习，可以提高后续运行故障点的决策准确性，进而提高系统修复更新的可靠性。新的可靠性。新的可靠性。

【技术实现步骤摘要】
基于人工智能的氧氩分离设备运行系统更新方法及系统


[0001]本申请实施例涉及人工智能
，具体而言，涉及一种基于人工智能的氧氩分离设备运行系统更新方法及系统。

技术介绍

[0002]氩气为无色无味的惰性气体，微溶于水。氩气中含有氧气等微量气体杂质，因此需要去除氩气中的氧气，达到氩养分离的目的。在相关技术中，可以通过氧氩分离设备运行系统可以对氧氩分离设备进行设备控制、调度和监控，因此氧氩分离设备运行系统的系统稳定性也关乎到氧氩分离设备的氧氩分离可靠性。相关技术中，通过结合人工智能技术对氧氩分离设备运行系统的运行事件的特征维度进行网络训练学习进而使得训练出的神经网络具备故障分析能力，然而本申请专利技术人研究发现，该种训练方式的运行故障点的决策准确性较低，进而影响后续系统修复更新的可靠性。

技术实现思路

[0003]为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于人工智能的氧氩分离设备运行系统更新方法及系统。
[0004]第一方面，本申请实施例提供一种基于人工智能的氧氩分离设备运行系统更新方法，应用于服务器，所述方法包括：获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据；所述基础运行事件描述知识图谱包含多个运行事件，所述标定运行故障点数据用以反映所述基础运行事件描述知识图谱中目标运行事件所触发的运行故障点，所述目标运行事件为所述基础运行事件描述知识图谱的多个运行事件中的至少一个；基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标氧氩分离设备运行系统的目标运行事件描述知识图谱进行运行故障点输出，获得运行故障点数据；基于所述运行故障点数据对所述目标氧氩分离设备运行系统进行系统修复更新。
[0005]一些可替代的实施例中，所述基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出的步骤，包括：依据运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据；依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱；
依据所述故障观测层对所述第一训练运行事件描述知识图谱进行故障点学习，生成所述第一训练运行事件描述知识图谱对应的故障点学习数据，所述第一训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第一训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出。
[0006]一些可替代的实施例中，所述根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练后，所述方法还包括：若未检测到训练终止指示信息，则获取依据所述故障观测层对所述第一训练运行事件描述知识图谱进行图谱结构观测流程中获得的所述第一训练运行事件描述知识图谱对应的知识图谱观测数据；依据所述图谱预测层根据所述标定运行故障点数据和所述第一训练运行事件描述知识图谱对应的知识图谱观测数据进行描述知识图谱学习得到第二训练运行事件描述知识图谱，并依据训练后的故障观测层对所述第二训练运行事件描述知识图谱进行故障点学习，生成所述第二训练运行事件描述知识图谱对应的故障点学习数据，所述第二训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第二训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；根据所述第二训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述训练后的故障观测层进行训练。
[0007]一些可替代的实施例中，所述知识图谱观测数据包括所述基础运行事件描述知识图谱对应的故障点学习数据和所述基础运行事件描述知识图谱对应的扩展运行事件描述知识图谱簇，所述基础运行事件描述知识图谱对应的故障点学习数据用于所述知识图谱观测数据，所述扩展运行事件描述知识图谱簇中包括所述基础运行事件描述知识图谱和所述基础运行事件描述知识图谱对应的依赖描述知识图谱簇；所述故障观测层包括深度提取分支和深度还原分支，所述依据所述运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据，包括：获取所述基础运行事件描述知识图谱的知识图谱向量，并将所述知识图谱向量导入所述深度提取分支以根据所述深度提取分支对应的可分离卷积块进行卷积，生成深度提取分支对应的系统运行卷积向量；将所述深度提取分支对应的系统运行卷积向量导入所述深度还原分支以根据所述深度还原分支对应的多层感知机进行还原，生成深度还原分支对应的系统运行还原向量；对所述深度还原分支对应的系统运行还原向量进行故障点线性映射处理得到所述基础运行事件描述知识图谱对应的故障点学习数据；根据所述深度提取分支对应的系统运行卷积向量构建第一依赖描述知识图谱，以及根据所述深度还原分支对应的系统运行还原向量构建第二依赖描述知识图谱，并根据所
述基础运行事件描述知识图谱的知识图谱向量建立目标依赖描述知识图谱；将所述第一依赖描述知识图谱、所述第二依赖描述知识图谱以及所述目标依赖描述知识图谱组成所述依赖描述知识图谱簇。
[0008]一些可替代的实施例中，所述图谱预测层包括图谱生成单元和特征映射单元，所述依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱，包括：依据所述图谱生成单元根据所述标定运行故障点数据和所述基础运行事件描述知识图谱对应的知识图谱观测数据中所述基础运行事件描述知识图谱对应的故障点学习数据生成K个待定描述知识图谱，K为不小于1的整数；根据所述图谱生成单元的第一单元定义函数和所述K个待定描述知识图谱中每个待定描述知识图谱对应的邻接数据结构确定相应待定描述知识图谱对应的可信权值；依据所述特征映射单元根据所述特征映射单元的第二单元定义函数、所述基础运行事件描述知识图谱对应的知识图谱观测数据以及所述每个待定描述知识图谱对应的邻接数据结构，计算相应待定描述知识图谱对应的目标权值；其中，所述待定描述知识图谱k对应的目标权值用以反映当所述待定描述知识图谱k作为所述第一训练运行事件描述知识图谱时，所述知识图谱观测数据存在的支持度，k不小于1且不大于K；根据每个待定描述知识图谱对应的可信权值和每个待定描述知识图谱对应的目标权值进行预测获得预测邻接数据结构，并结合所述预测邻接数据结构生成所述第一训练运行事件描述知识图谱。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述方法包括：获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据；所述基础运行事件描述知识图谱包含多个运行事件，所述标定运行故障点数据用以反映所述基础运行事件描述知识图谱中目标运行事件所触发的运行故障点，所述目标运行事件为所述基础运行事件描述知识图谱的多个运行事件中的至少一个；基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标氧氩分离设备运行系统的目标运行事件描述知识图谱进行运行故障点输出，获得运行故障点数据；基于所述运行故障点数据对所述目标氧氩分离设备运行系统进行系统修复更新。2.根据权利要求1所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出的步骤，包括：依据运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据；依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱；依据所述故障观测层对所述第一训练运行事件描述知识图谱进行故障点学习，生成所述第一训练运行事件描述知识图谱对应的故障点学习数据，所述第一训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第一训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出。3.根据权利要求2所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练后，所述方法还包括：若未检测到训练终止指示信息，则获取依据所述故障观测层对所述第一训练运行事件描述知识图谱进行图谱结构观测流程中获得的所述第一训练运行事件描述知识图谱对应的知识图谱观测数据；依据所述图谱预测层根据所述标定运行故障点数据和所述第一训练运行事件描述知识图谱对应的知识图谱观测数据进行描述知识图谱学习得到第二训练运行事件描述知识图谱，并依据训练后的故障观测层对所述第二训练运行事件描述知识图谱进行故障点学习，生成所述第二训练运行事件描述知识图谱对应的故障点学习数据，所述第二训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第二训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；根据所述第二训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故
障点数据对所述训练后的故障观测层进行训练。4.根据权利要求2所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述知识图谱观测数据包括所述基础运行事件描述知识图谱对应的故障点学习数据和所述基础运行事件描述知识图谱对应的扩展运行事件描述知识图谱簇，所述基础运行事件描述知识图谱对应的故障点学习数据用于所述知识图谱观测数据，所述扩展运行事件描述知识图谱簇中包括所述基础运行事件描述知识图谱和所述基础运行事件描述知识图谱对应的依赖描述知识图谱簇；所述故障观测层包括深度提取分支和深度还原分支，所述依据所述运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据，包括：获取所述基础运行事件描述知识图谱的知识图谱向量，并将所述知识图谱向量导入所述深度提取分支以根据所述深度提取分支对应的可分离卷积块进行卷积，生成深度提取分支对应的系统运行卷积向量；将所述深度提取分支对应的系统运行卷积向量导入所述深度还原分支以根据所述深度还原分支对应的多层感知机进行还原，生成深度还原分支对应的系统运行还原向量；对所述深度还原分支对应的系统运行还原向量进行故障点线性映射处理得到所述基础运行事件描述知识图谱对应的故障点学习数据；根据所述深度提取分支对应的系统运行卷积向量构建第一依赖描述知识图谱，以及根据所述深度还原分支对应的系统运行还原向量构建第二依赖描述知识图谱，并根据所述基础运行事件描述知识图谱的知识图谱向量建立目标依赖描述知识图谱；将所述第一依赖描...

【专利技术属性】
技术研发人员：龚施健，陈国富，郑经纬，吴春弟，吕巧丽，翁新增，
申请(专利权)人：博纯材料股份有限公司，
类型：发明
国别省市：