【技术实现步骤摘要】
本专利技术涉及智能化管理，尤其涉及一种计量设备的全生命周期管理系统及其方法。
技术介绍
1、计量设备是实验室和工业生产中不可缺少的工具，它们的性能直接影响着实验结果和产品质量。因此，对计量设备进行有效地管理是非常重要的。然而，由于计量设备数量庞大且需要定期校准和维护，传统的手动管理方法往往效率低下且容易出错，而且，也无法对故障类型进行识别，难以认清故障的本质和特征。
2、近年来，人工智能在计量设备的管理中具有广泛的应用和发展潜力。人工智能可以自动分析大量的设备数据，并生成详细的数据报告。这有助于监测设备性能、检测异常情况，并提供决策支持。
3、因此，期待一种基于人工智能背景下的计量设备的管理方法。
技术实现思路
1、本专利技术实施例提供一种计量设备的全生命周期管理系统及其方法，其能够基于由用户提供的设备故障状态文本描述和计量设备的状态数据（电压信号和电流信号）来进行智能化的故障类型识别。通过综合分析这两种信息，同时考虑主观和客观因素，可以更好地理解故障的本质和特征。
2、本专利技术实施例还提供了一种计量设备的全生命周期管理方法，其包括：
3、设备档案管理：记录计量设备的详细信息，包括设备名称、型号、制造商、采购日期和校准周期；
4、校准计划管理：根据所述计量设备的校准周期和要求，制定校准计划，记录校准结果并生成校准证书；
5、维护管理：记录所述计量设备的维护记录，设定维护计划和提醒功能；
6、故障管
7、设备报废管理：管理所述计量设备的报废流程，包括设备的报废申请、审批和处理；以及
8、数据分析和报告生成：对所述计量设备的使用情况进行分析，并生成相应的报告和统计图表；
9、其中，分析故障数据，进行故障类型识别，包括：
10、获取由用户提供的设备故障状态文本描述；以及
11、获取由检测设备采集的所述计量设备的状态数据，其中，所述状态数据为预定时间段的电压信号和电流信号；
12、对所述设备故障状态文本描述进行语义理解以得到设备故障状态语义描述特征向量；
13、提取所述计量设备的电压信号和所述电流信号之间的交互特征以得到电压-电流波形交互特征向量；以及
14、使用跨模态融合器来融合所述设备故障状态语义描述特征向量和所述电压-电流波形交互特征向量以得到多模态计量设备故障状态特征矩阵，其中，将所述多模态计量设备故障状态特征矩阵作为所述故障状态特征；以及
15、基于所述故障状态特征，确定故障类型。
16、作为优选技术手段：对所述设备故障状态文本描述进行语义理解以得到设备故障状态语义描述特征向量，包括：
17、对所述设备故障状态文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到所述设备故障状态语义描述特征向量。
18、作为优选技术手段：提取所述计量设备的电压信号和所述电流信号之间的交互特征以得到电压-电流波形交互特征向量，包括：
19、将所述计量设备的电压信号和所述电流信号分别通过基于卷积神经网络模型的波形特征提取器以得到电压波形特征向量和电流波形特征向量；以及
20、使用级联函数对所述电压波形特征向量和所述电流波形特征向量进行特征级数据交互以得到所述电压-电流波形交互特征向量。
21、作为优选技术手段：基于所述故障状态特征，确定故障类型，包括：
22、将所述多模态计量设备故障状态特征矩阵通过分类器以得到分类结果，所述分类结果用于表示故障类型标签。
23、作为优选技术手段：还包括训练步骤：对所述包含词嵌入层的语义编码器、所述基于卷积神经网络模型的波形特征提取器和所述分类器进行训练；
24、其中，所述训练步骤，包括：
25、获取训练数据，所述训练数据包括由用户提供的训练设备故障状态文本描述、由检测设备采集的所述计量设备的预定时间段的训练电压信号和训练电流信号，以及，故障类型标签的真实值；
26、对所述训练设备故障状态文本描述进行分词处理后通过所述包含词嵌入层的语义编码器以得到训练设备故障状态语义描述特征向量；
27、将所述计量设备的训练电压信号和所述训练电流信号分别通过所述基于卷积神经网络模型的波形特征提取器以得到训练电压波形特征向量和训练电流波形特征向量；
28、使用级联函数对所述训练电压波形特征向量和所述训练电流波形特征向量进行特征级数据交互以得到训练电压-电流波形交互特征向量；
29、使用跨模态融合器来融合所述训练设备故障状态语义描述特征向量和所述训练电压-电流波形交互特征向量以得到训练多模态计量设备故障状态特征矩阵；
30、将所述训练多模态计量设备故障状态特征矩阵通过所述分类器以得到分类损失函数值；以及
31、以所述分类损失函数值对所述包含词嵌入层的语义编码器、所述基于卷积神经网络模型的波形特征提取器和所述分类器进行训练，其中，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化迭代。
32、作为优选技术手段：在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化迭代，包括：以如下优化公式在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化迭代；
33、其中，所述优化公式为：
34、，其中，为所述分类器的权重矩阵，的尺度为，到是所述分类器的权重矩阵的个行向量，表示特征向量的二范数，是对所述分类器的权重矩阵的每个行向量的求和值排列得到的行向量，且和均表示单层卷积操作，是向量或矩阵的转置向量或转置矩阵，表示矩阵相乘，为迭代后的所述分类器的权重矩阵。
35、本专利技术实施例还提供了一种计量设备的全生命周期管理系统，其包括：
36、设备档案管理模块，用于记录计量设备的详细信息，包括设备名称、型号、制造商、采购日期和校准周期；
37、校准计划管理模块，用于根据所述计量设备的校准周期和要求，制定校准计划，记录校准结果并生成校准证书；
38、维护管理：记录所述计量设备的维护记录，设定维护计划和提醒功能；
39、故障管理模块，用于记录所述计量设备的故障情况，分析故障数据，进行故障类型识别，并进行故障处理和维修的跟踪；
40、设备报废管理模块，用于管理所述计量设备的报废流程，包括设备的报废申请、审批和处理；以及
41、数据分析和报告生成模块，用于对所述计量设备的使用情况进行分析，并生成相应的报告和统计图表；
42、故障管理模块在分析故障数据，进行故障类型识别时，包括：
43、获取由用户提供的设备故障状态文本描述；以及
44、获取由检测设备采集的本文档来自技高网...
【技术保护点】
1.一种计量设备的全生命周期管理方法，其特征在于，包括：
2.根据权利要求1所述的计量设备的全生命周期管理方法，其特征在于，对所述设备故障状态文本描述进行语义理解以得到设备故障状态语义描述特征向量，包括：
3.根据权利要求2所述的计量设备的全生命周期管理方法，其特征在于，提取所述计量设备的电压信号和所述电流信号之间的交互特征以得到电压-电流波形交互特征向量，包括：
4.根据权利要求3所述的计量设备的全生命周期管理方法，其特征在于，基于所述故障状态特征，确定故障类型，包括：
5.根据权利要求4所述的计量设备的全生命周期管理方法，其特征在于，还包括训练步骤：对所述包含词嵌入层的语义编码器、所述基于卷积神经网络模型的波形特征提取器和所述分类器进行训练；
6.根据权利要求5所述的计量设备的全生命周期管理方法，其特征在于，在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化迭代，包括：以如下优化公式在所述训练的每一轮迭代中，对所述分类器的权重矩阵进行特征分布的跨域注意力转移优化迭代；
7.一
...【技术特征摘要】
1.一种计量设备的全生命周期管理方法，其特征在于，包括：
2.根据权利要求1所述的计量设备的全生命周期管理方法，其特征在于，对所述设备故障状态文本描述进行语义理解以得到设备故障状态语义描述特征向量，包括：
3.根据权利要求2所述的计量设备的全生命周期管理方法，其特征在于，提取所述计量设备的电压信号和所述电流信号之间的交互特征以得到电压-电流波形交互特征向量，包括：
4.根据权利要求3所述的计量设备的全生命周期管理方法，其特征在于，基于所述故障状态特征，确定故障类型，包括：
<...【专利技术属性】
技术研发人员：吕几凡，鲁然，徐永进，张鹏飞，卢晓雄，张洁，李晨，黄小琼，王黎欣，叶莘，李珏，张吟妹，吴庚尧，马笛，
申请(专利权)人：国网浙江省电力有限公司营销服务中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。