【技术实现步骤摘要】
本专利技术涉及故障诊断与智能制造领域，具体为一种基于autogpt模型自适应的机泵故障诊断交互系统及方法。
技术介绍
1、目前，旋转设备包括各类电机，泵等，大多基于传统建模方法进行故障诊断，需要大量的故障诊断相关经验，这对智能制造的入门产生了一定的门槛。同时，故障诊断工业应用，数据往往是提前准备好，并将模型训练好在导入到诊断系统中进行使用的，需要大量的人工经验来设计系统和算法，所用的故障诊断方法均基于固定模型及流程进行工作的，这导致模型更新不及时，无法形成有效闭环。
技术实现思路
1、为解决现有技术存在的问题，本专利技术提出了一种基于autogpt模型自适应的机泵故障诊断交互系统及方法。autogpt是一种基于自然语言处理技术的人工智能模型，其全称为“automatic generative pre-training transformer”。autogpt使用llm的最新发展，特别是gpt-4，自动生成具有凝聚力和相关性的内容。通过一个指令，它就能自主思考推导下一步动作，在用户完全不插手的情况下自主执行并完成所有任务。相比传统编程的方式，autogpt的高效自动化特性使用这些信息，通过生成文本或代码以响应提示或输入，并根据自身表现和结果学习并改进学习和执行方法。
2、autogpt为大语言生成模型，为了使其能够有效的生成需要的诊断模型，并利用传感器采集的数据进行模型训练，本系统设计了一套检测流程，符合实际工业现场的检测需求。工业现场通常一条产线或者一条工艺上，使用的机
3、本系统设计了独特的机泵故障诊断检测方法，该系统主要包括传感器阵列，autogpt从站模块以及autogpt主站私有服务器。通过autogpt大语言模型，与设备交互来对相关数据自动打标签，同时指令交互辅助生成故障诊断相关分析算法，并调用数据进行模型训练，实现故障诊断相关算法的全自动运行与测试。
4、同时，为了保障工业现场的数据隐私问题，提出结合全态加密进行数据隐私保护，并设计对应的加解密模块。该系统在工业中具有实际的应用意义，相较于市面上的设备故障诊断系统，具有独特的设计思路。
5、本专利技术的技术方案为：一种基于autogpt模型自适应的机泵故障诊断交互系统，所述系统包括机泵设备，传感器阵列、autogpt从站模块，物联网关以及autogpt主站私有服务器；
6、所述机泵设备，包括水泵、三相异步电机、压缩机；
7、所述传感器阵列，包括：三轴振动加速器传感器，用于采集设备运行时的三个方向的振动加速度数据；三轴振动速度传感器，用于采集设备运行时的三个方向的振动速度数据；三相电流互感器，用于采集设备运行时的三相电流数据；三相电压互感器，用于采集设备运行时的三相电压数据；声发射传感器，用于采集设备运行时的噪声数据；热成像传感器，用于采集设备运行时的内部温度分布数据；以及摄像头；
8、所述autogpt从站模块包括了电源模块、通信模块，数据采集模块、模型参数存储单元、麦克风、数字按键输入器、小型显示屏、多色报警灯、autogpt client接口模块以及全态加密器；其中，数据采集模块用来进行多源异构数据的高速采集，包括了振动采集模块，图像采集模块以及声音采集模块，为了对采集信号进行很好的处理，每个通道增加了信号调理电路板，实现原始采集信号的滤波和微弱信号的放大功能；autogpt client接口模块为弱计算单元，具备网关的加密通讯功能，通过autogpt client模块将本地操作输入发送到远程autogpt主站私有服务器进行数据解析，语义分析；通信模块包括了4g、wlan、lora、zigbee、can传输协议，能够从autogpt主站私有服务器拉取服务器端训练好的语义结果和诊断模型到autogpt从站模块上进行调用；其中模型参数文件存放在模型参数存储单元里，麦克风、数字按键输入器作为单个客户端的输入设备，小型显示屏和多色报警灯作为设备故障诊断结果的显示输出设备，全态加密器用来对传输数据和模型参数及结构进行本地在线加密，通过同态加和同态乘处理，实现数值计算加密操作，全态解密器通过将接收到的加密数据和模型通过私钥进行反向解密计算，还原出真实数据和模型，通过autogpt从站模块，从而实现人机交互的数据通讯和任务理解；
9、autogpt主站私有服务器作为企业的gpu深度学习计算服务器，用来训练gpt模型和进行模型加密功能。
10、一种基于autogpt模型自适应的机泵故障诊断交互系统的诊断方法，包括以下步骤，
11、步骤1.系统启动后，开始通过传感阵列对机泵设备进行数据采集，得到设备异构数据，并通过autogpt主站私有服务器监听远程tcp是否传输新指令；如果指令为数据添加标签，默认情况下添加正常状态标签，运维人员可通过外部输入设备，确认数据标签，客户端将打好标签的数据发送给autogpt主站私有服务器端，根据不同的标签不同的设备型号进行存储；
12、步骤2.当autogpt主站私有服务器端或者autogpt从站模块监听到需要进行诊断时，autogpt主站私有服务器端开始将诊断训练命令下发，通过autogpt模型直接生成执行代码，技术人员确认autogpt是否理解了任务，如果未理解，重新修改命令，继续下发给autogpt模型让其生成代码，如果autogpt模型理解了任务，生成了正确的诊断训练代码，则让代码运行，调用autogpt主站私有服务器上存储的带有标签的数据集，训练并生成诊断模型，随后，将诊断模型的结构参数发送到对应的autogpt从站模块的设备中，autogpt从站模块实时获取设备运行数据，并调用诊断模型；
13、步骤3.autogpt从站模块开始进行诊断分析，诊断无故障时，继续进行autogpt从站模块监听新指令，诊断有故障时，推送警报到autogpt主站私有服务器上，进行网页或者app端的警报推送，autogpt从站模块上的多色报警灯点亮，同时，autogpt从站模块判断诊断故障的严重程度，当故障较严重时，继电保护器断路，设备停机并进行警报确认，当设备故障程度较轻时，直接进行报警确认，警报确认后，autogpt从站模块继续进行autogpt监听新指令，如果报警结果与实际设备状态不一致，则返回autogpt从站模块对标签进行修改。
14、本专利技术的优点：
15、1.完全依赖autogpt模型实现机泵设备故障诊断，不需要设备故障诊断的相关经验也可以快速的实现该系统及装置。
16、2.通过autogpt生成模型算法，辅助数据添加标签，同时设备交互自动生成诊断代码，并训练诊断模型。
本文档来自技高网...【技术保护点】
1.一种基于AutoGPT模型自适应的机泵故障诊断交互系统，其特征在于，所述系统包括机泵设备，传感器阵列、AutoGPT从站模块，物联网关以及AutoGPT主站私有服务器；
2.根据权利要求1所述的系统，其特征在于，AutoGPT主站私有服务器和AutoGPT从站模块均使用全同态FHE加密方式对数据模型进行加密，其中，加解密过程如下：
3.一种根据权利要求1或2所述的基于AutoGPT模型自适应的机泵故障诊断交互系统的诊断方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于autogpt模型自适应的机泵故障诊断交互系统，其特征在于，所述系统包括机泵设备，传感器阵列、autogpt从站模块，物联网关以及autogpt主站私有服务器；
2.根据权利要求1所述的系统，其特征在于，autogpt...
【专利技术属性】
技术研发人员：刘少清，梁立振，钱玉忠，孟献才，
申请(专利权)人：合肥综合性国家科学中心能源研究院安徽省能源实验室，
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。