【技术实现步骤摘要】
本专利技术涉及人工智能算法和机器学习领域，特别是涉及一种智能化自动评估智慧园区各类设备健康状态综合评估的方法、电子设备及介质，该方法通过使用人工智能算法和机器学习模型，旨在提高智慧园区设备状态评估的效率、时效性和适应性。
技术介绍
1、随着智慧园区的逐步开放和综合化程度的提高，当前的智慧园区环境中，园区各类软硬件设备区域复杂化、多样化、综合化，针对智慧园区设备整体健康状态评估变得愈发复杂。传统的设备健康状态评估通常依赖于设备定时巡检、定期维护和异常监测，依赖于人工操作，存在效率低下、异常处理不及时和难以适应快速多变的设备实时运行环境等问题。现有技术方案中，已有通过神经网络模型对设备运行时数据和专家知识进行分析，从而预测设备健康状态的方法，但缺乏考虑影响设备运行多方面因素、设备运行时信息实时反馈、全面专家知识库的充分利用，导致园区设备整体评估效率低下，准确性和适应性不足。
2、为了解决上述问题，提出一种基于多模态的智慧园区设备健康状态智能评估方法、电子设备及介质，结合多模态预测模型和决策模型，整合设备运行时数据、专家经验和设备历史维修记录，自动预估设备健康状态，并自动生成设备巡检、维修工作计划和工作任务单，自动适应设备运行时环境变化，提高智慧园区设备状态评估的效率、灵活性和适应性。
技术实现思路
1、本专利技术提出一种基于多模态的智慧园区设备健康状态智能评估方法、电子设备及介质。该方法通过从设备运行时多源数据中学习生成健康评估结果，并结合专家知识库和设备历史维修记录，利用
2、一种基于多模态的智慧园区设备健康状态智能评估方法，包括以下步骤：
3、数据采集：从设备实时监测平台中获取多源数据，所述多源数据包括设备电气特征数据、运行时设备状态数据、环境数据以及外部因素；所述环境数据包括空气温湿度，所述外部因素包括设备历史维修记录、专家经验知识和行业技术标准；
4、数据预处理：对采集的多源数据进行预处理，所述预处理包括分类和清洗、缺失值处理、异常值处理、数据平滑处理、标准化和归一化处理，基于数据分类和相关性分析，从多源数据中筛选出对设备运行状态有显著影响的特征，削减冗余特征；
5、多模态预测模型训练与数据加权融合：使用预处理后的数据，采用多模态预测模型针对多源数据进行设备综合运行状态评估的训练，多模态预测模型内部各预测模型与多源数据为一对一映射关系，各模态模型根据对应数据源生成该数据源的健康状态预测结果和权重，后基于模型特征加权策略融合多模态预测模型多个模态的输出结果从而生成初步设备状态评估结果；
6、决策分析：将多模态预测模型生成的初步设备状态评估结果与专家级决策知识库中的专家知识和经过数据预处理之后的设备历史维修记录以多源数据权重配比的方式结合，作为决策模型的输入特征集，生成最终的设备健康状态评估结果；决策模型训练时，权重加和过程根据输入多源数据特性，利用自适应遗传算法动态调整和优化历史维修记录、专家知识和初步设备状态评估结果的相对权重，生成最终的设备健康诊断结果以增强系统应对复杂场景的能力；
7、设备检修任务计划生成：将生成的设备健康诊断结果导入设备实时监控系统，并基于设备健康诊断结果自主生成设备检修、巡检工作计划，配置工作任务单，实时监测任务单及工作计划状态；
8、设备实时监控与信息反馈：通过实时监控设备和传感器监测设备运行数据动态变化，将巡检、检修反馈数据抽取整合为专家知识经验输入专家级决策知识库，同时将巡检、检修反馈数据经过数据预处理之后再次输入多模态预测模型与决策模型进行模型训练，优化模型参数。
9、进一步的，所述决策模型包括随机森林模型或决策树模型，支持多源数据融合决策设计，数据结合过程采用自适应遗传算法调整模型多源数据权重、模型参数和决策树参数，最终决策结果基于多源数据自适应加权融合，以精确决策结果。
10、进一步的，所述专家级决策知识库包括设备的专家历史技术经验、历史违规事件、正常操作规范、技术设备知识和异常事件处理经验，并能够动态更新和扩展。
11、进一步的，所述设备检修任务计划生成，基于短时定时任务、心跳机制或消息队列等能够动态自主监测并获取决策模型最终决策结果的功能，并将决策结果自主配置成检修、巡检任务计划和任务单。
12、进一步的，所述设备实时监控与信息反馈还包括从设备实时监测平台实时获取设备运行数据，并基于设备运行数据调整多模态预测模型和决策模型中的权重分配策略，以快速响应设备运行时参数变化。
13、进一步的，所述多模态预测模型训练，具体包括：
14、3.1模型构建和参数初始化：使用pytorch和mmseg相关库构建初始多模态预测模型，定义分类交叉熵损失cce、均方误差损失mse、组合损失，cl及初始化模型参数，其中学习率lr为0.1、权重衰减l为0.002，迭代次数epoch为50，其他参数均采用随机化值；
15、3.2模型训练：将预处理后的训练集数据输入多模态预测模型，通过梯度下降sgd算法优化损失，训练过程中，多模态预测模型自主处理各类别特征、计算特征权重，并基于特征加权融合得到初步设备状态评估结果；
16、3.3模型调优：使用adam优化器、交叉验证和网格搜索来优化训练过程，调整模型的超参数，所述超参数包括学习率、衰减参数、动量；训练过程中使用matlib实时绘制cce、cmse，cl损失函数变化曲线，以备后续优化模型训练策略；
17、3.4模型性能验证：在验证集上评估模型性能，记录预测误差和重要特征，并根据需要进行模型再训练或微调，减小参数随机化影响；
18、3.5泛化性能验证：使用测试集评估模型性能，记录每个迭代分类交叉熵、均方误差损失、组合损失并绘制曲线图，同训练集对应指标数据曲线对比。
19、进一步的，其中，多源数据权重集合更新表示为：
20、
21、其中，k表示多源数据类别数，zi表示多源数据输入特征，ωz,i和ωz+1,i分别表示zi当前迭代权重和下一次迭代权重，lrepoch表示当前迭代学习率，lrepoch更新策略定义为：
22、lrepoch+1＝lrepoch-l·epoch
23、分类交叉熵损失函数cce定义如下：
24、
25、其中，yi为真实标签，即设备真实状态，yi`为模型预测的概率分布，c任务类别数；
26、均方误差损失函数mse定义如下：
27、
28、其中，n为类别样本数，yi为真实标签(实际状态)，yi`为预测值；
29、组合损失函数cl定义如下：
30、cl＝αmse+(1-α)cce
31、其中α为一个权重超参数，用于调节预测任务与分类任务权重比本文档来自技高网...
【技术保护点】
1.一种基于多模态的智慧园区设备健康状态智能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述决策模型包括随机森林模型或决策树模型，支持多源数据融合决策设计，数据结合过程采用自适应遗传算法调整模型多源数据权重、模型参数和决策树参数，最终决策结果基于多源数据自适应加权融合，以精确决策结果。
3.根据权利要求1所述的方法，其特征在于，所述专家级决策知识库包括设备的专家历史技术经验、历史违规事件、正常操作规范、技术设备知识和异常事件处理经验，并能够动态更新和扩展。
4.根据权利要求1所述的方法，其特征在于，所述设备检修任务计划生成，基于短时定时任务、心跳机制或消息队列等能够动态自主监测并获取决策模型最终决策结果的功能，并将决策结果自主配置成检修、巡检任务计划和任务单。
5.根据权利要求1所述的方法，其特征在于，所述设备实时监控与信息反馈还包括从设备实时监测平台实时获取设备运行数据，并基于设备运行数据调整多模态预测模型和决策模型中的权重分配策略，以快速响应设备运行时参数变化。
6.如权利要求1所
7.如权利要求6所述的方法，其特征在于，
8.如权利要求7所述的方法，其特征在于，所述决策分析，具体包括：
9.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1-8中任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-8中任一项所述的方法。
...【技术特征摘要】
1.一种基于多模态的智慧园区设备健康状态智能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述决策模型包括随机森林模型或决策树模型，支持多源数据融合决策设计，数据结合过程采用自适应遗传算法调整模型多源数据权重、模型参数和决策树参数，最终决策结果基于多源数据自适应加权融合，以精确决策结果。
3.根据权利要求1所述的方法，其特征在于，所述专家级决策知识库包括设备的专家历史技术经验、历史违规事件、正常操作规范、技术设备知识和异常事件处理经验，并能够动态更新和扩展。
4.根据权利要求1所述的方法，其特征在于，所述设备检修任务计划生成，基于短时定时任务、心跳机制或消息队列等能够动态自主监测并获取决策模型最终决策结果的功能，并将决策结果自主配置成检修、巡检任务计划和任务单。
5.根据...
【专利技术属性】
技术研发人员：程明，陈飞飞，徐文渊，陶元，邱思齐，邹晶，郑维，
申请(专利权)人：湖北华中电力科技开发有限责任公司，
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。