CN113221937A - 基于人工智能判断的应急处理系统及方法 - Google Patents

Abstract

本发明属于人工智能技术领域，具体涉及基于人工智能判断的应急处理系统及方法。所述系统包括：实时监测单元、深度学习故障识别单元、虚拟设备组、深度学习应急处理单元以及实时显示单元；所述实时监测单元配置用于实时监测运行的设备的运行数据信息，对运行数据进行数据预处理，再进行数据异常分析，筛选出异常数据信息，并将异常数据信息传输到深度学习故障识别单元。其通过对运行设备的实时运行数据进行数据处理和数据异常分析，实现了设备异常的实时诊断和发现再通过预设的虚拟设备组进行功能替换，以进行应急处理，保证了设备在出现故障的情况下，也能及时替换，不会影响整体的运行，具有智能化程度高和应急处理效率高的优点。

Description

基于人工智能判断的应急处理系统及方法

技术领域

本发明属于人工智能技术领域，具体基于人工智能判断的应急处理系统及方法。

背景技术

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

专利号为CN201410810452.6A的专利公开了一种基于支持向量机的设备故障智能诊断方法，包括为设备数据进行预处理操作；构建故障诊断案例知识库；对支持向量机进行故障诊断；获取故障信息并进行检修指导，基于支持向量机的设备故障智能诊断方法最大程度地突显设备的故障特征，减少设备数据不完备、不精确的状况，为构建准确可靠的故障诊断模型提供了可能，解决诊断模型随着设备运行时间老化的问题，降低故障诊断模型的误诊率，最大幅度提高了设备故障诊断的正确率和速度。

其通过支持向量机来实现故障的智能检测，但针对检测后的结果，未能及时进行应急处理，导致整体的运行因此而出现影响。同时针对设备的故障判断时，判断准确率也较低。

发明内容

有鉴于此，本发明的主要目的在于提供基于人工智能判断的应急处理系统及方法，其通过对运行设备的实时运行数据进行数据处理和数据异常分析，实现了设备异常的实时诊断和发现再通过预设的虚拟设备组进行功能替换，以进行应急处理，保证了设备在出现故障的情况下，也能及时替换，不会影响整体的运行，具有智能化程度高和应急处理效率高的优点。

为达到上述目的，本发明的技术方案是这样实现的：

基于人工智能判断的应急处理系统，所述系统包括：实时监测单元、深度学习故障识别单元、虚拟设备组、深度学习应急处理单元以及实时显示单元；所述实时监测单元配置用于实时监测运行的设备的运行数据信息，对运行数据进行数据预处理，再进行数据异常分析，筛选出异常数据信息，并将异常数据信息传输到深度学习故障识别单元；所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；所述虚拟设备组为一个云服务器，其包括多个与运行的设备功能相同的功能单元；所述深度学习应急处理单元，配置用于根据生成的故障隔离辅助决策，将当前故障的运行的设备进行隔离，同时，实时获取当前故障的运行的设备的运行数据信息，复制运行数据信息，从虚拟设备组中调取一个功能相同的功能单元，使用该功能单元作为替代运行设备，再使用复制的运行数据信息驱动该功能单元；所述实时显示单元用以显示运行监测的实时数据、智能研判故障结果和在何处运行监测的数据出现异常以及相关的故障类型。

进一步的，所述实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理的方法包括：首先进行短时长数据空缺的填补，要确保整个数据不存在空缺的值，然后再进行数据异常突变值的去除，在保证不再存在针状的数据突变点时，再进行零点偏移的矫正，即将处理好的数据代入到标定曲线中，得到预处理数据。

进一步的，所述进行数据异常突变值的去除具体步骤是，使用拟合曲线将有意义的信息拟合出来，并且同时不拟合针状数据突变和所有的高频噪声，具体选用局部加权回归进行有用信息的拟合，再用原数据曲线减去拟合曲线得到噪声曲线，解决有用信息对突变值去除的干扰。

进一步的，所述实时监测单元再进行数据异常分析，筛选出异常数据信息的方法包括：将预处理数据进行降维处理，形成第一数据集；将所述第一数据集利用主成分算法进行重构，形成第二数据集，所述第二数据集与所述待检测数据集具有相同的维度；计算所述待检测数据集与所述第二数据集对应数据之间的相关性；获取所述预处理数据中与所述第二数据集中对应数据差异大的异常数据。

进一步的，所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成的方法包括：建立深度学习判断模型，使用历史异常数据训练深度学习判断模型；将异常数据信息代入训练后的深度学习判断模型，以是否出现异常；所述深度学习判断模型使用如下公式表示：

其中，N为自然数，i为异常数据信息的个数，L_i表示异常数据信息的值，A(i)计算出的异常值，根据计算出的A(i)，进行智能故障匹配，进行智能故障匹配时，每个故障类型对应一个故障值，计算每个故障值与A(i)的差值的绝对值，当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策。

一种基于人工智能判断的应急处理方法，所述方法执行以下步骤：

步骤1：实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理，再进行数据异常分析，筛选出异常数据信息，并将异常数据信息传输到深度学习故障识别单元；

步骤2：深度学习故障识别单元对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；

步骤3：将多个与运行的设备功能相同的功能单元组成一个虚拟设备组；

步骤4：深度学习应急处理单元，根据生成的故障隔离辅助决策，将当前故障的运行的设备进行隔离，同时，实时获取当前故障的运行的设备的运行数据信息，复制运行数据信息，从虚拟设备组中调取一个功能相同的功能单元，使用该功能单元作为替代运行设备，再使用复制的运行数据信息驱动该功能单元；

步骤5：实时显示单元用以显示运行监测的实时数据、智能研判故障结果和在何处运行监测的数据出现异常以及相关的故障类型。

进一步的，所述实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理的方法包括：首先进行短时长数据空缺的填补，要确保整个数据不存在空缺的值，然后再进行数据异常突变值的去除，在保证不再存在针状的数据突变点时，再进行零点偏移的矫正，即将处理好的数据代入到标定曲线中，得到预处理数据。

进一步的，所述进行数据异常突变值的去除具体步骤是，使用拟合曲线将有意义的信息拟合出来，并且同时不拟合针状数据突变和所有的高频噪声，具体选用局部加权回归进行有用信息的拟合，再用原数据曲线减去拟合曲线得到噪声曲线，解决有用信息对突变值去除的干扰。

进一步的，所述实时监测单元再进行数据异常分析，筛选出异常数据信息的方法包括：将预处理数据进行降维处理，形成第一数据集；将所述第一数据集利用主成分算法进行重构，形成第二数据集，所述第二数据集与所述待检测数据集具有相同的维度；计算所述待检测数据集与所述第二数据集对应数据之间的相关性；获取所述预处理数据中与所述第二数据集中对应数据差异大的异常数据。

进一步的，所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成的方法包括：建立深度学习判断模型，使用历史异常数据训练深度学习判断模型；将异常数据信息代入训练后的深度学习判断模型，以是否出现异常；所述深度学习判断模型使用如下公式表示：

其中，N为自然数，i为异常数据信息的个数，L_i表示异常数据信息的值，A(i)计算出的异常值，根据计算出的A(i)，进行智能故障匹配，进行智能故障匹配时，每个故障类型对应一个故障值，计算每个故障值与A(i)的差值的绝对值，当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策。

本发明的基于人工智能判断的应急处理系统及方法，具有如下有益效果：

其通过对运行设备的实时运行数据进行数据处理和数据异常分析，实现了设备异常的实时诊断和发现再通过预设的虚拟设备组进行功能替换，以进行应急处理，保证了设备在出现故障的情况下，也能及时替换，不会影响整体的运行，具有智能化程度高和应急处理效率高的优点。主要通过以下过程实现：

1.虚拟设备组的构建：本发明通过构建虚拟设备组，使得设备在出现故障的时候，能够以相同功能的功能单元进行替换，以保证整体在单个设备出现故障时，依然能够顺畅工作，提升了整体的鲁棒性和稳定性；

2.数据异常分析：本发明针对设备的运行数据进行异常分析，在分析过程中，针对设备的运行数据进行了完备的异常值分析，根据分析结果判断设备是否出现异常，提升了分析的准确率；

3.深度学习故障识别单元使用的深度学习模型：

当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策，这样可以使得故障类型的判断更加准确。

附图说明

图1为本发明实施例提供的基于人工智能判断的应急处理方法的方法流程示意图；

图2为本发明实施例提供的基于人工智能判断的应急处理系统的系统结构示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

实施例1

如图1所示，基于人工智能判断的应急处理系统，所述系统包括：实时监测单元、深度学习故障识别单元、虚拟设备组、深度学习应急处理单元以及实时显示单元；所述实时监测单元配置用于实时监测运行的设备的运行数据信息，对运行数据进行数据预处理，再进行数据异常分析，筛选出异常数据信息，并将异常数据信息传输到深度学习故障识别单元；所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；所述虚拟设备组为一个云服务器，其包括多个与运行的设备功能相同的功能单元；所述深度学习应急处理单元，配置用于根据生成的故障隔离辅助决策，将当前故障的运行的设备进行隔离，同时，实时获取当前故障的运行的设备的运行数据信息，复制运行数据信息，从虚拟设备组中调取一个功能相同的功能单元，使用该功能单元作为替代运行设备，再使用复制的运行数据信息驱动该功能单元；所述实时显示单元用以显示运行监测的实时数据、智能研判故障结果和在何处运行监测的数据出现异常以及相关的故障类型。

采用上述技术方案，其通过对运行设备的实时运行数据进行数据处理和数据异常分析，实现了设备异常的实时诊断和发现再通过预设的虚拟设备组进行功能替换，以进行应急处理，保证了设备在出现故障的情况下，也能及时替换，不会影响整体的运行，具有智能化程度高和应急处理效率高的优点。主要通过以下过程实现：

1.虚拟设备组的构建：本发明通过构建虚拟设备组，使得设备在出现故障的时候，能够以相同功能的功能单元进行替换，以保证整体在单个设备出现故障时，依然能够顺畅工作，提升了整体的鲁棒性和稳定性；

2.数据异常分析：本发明针对设备的运行数据进行异常分析，在分析过程中，针对设备的运行数据进行了完备的异常值分析，根据分析结果判断设备是否出现异常，提升了分析的准确率；

3.深度学习故障识别单元使用的深度学习模型：

当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策，这样可以使得故障类型的判断更加准确。

实施例2

在上一实施例的基础上，所述实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理的方法包括：首先进行短时长数据空缺的填补，要确保整个数据不存在空缺的值，然后再进行数据异常突变值的去除，在保证不再存在针状的数据突变点时，再进行零点偏移的矫正，即将处理好的数据代入到标定曲线中，得到预处理数据。

具体的，数据预处理(data preprocessing)是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。

对于原始数据应主要从完整性和准确性两个方面去审核。完整性审核主要是检查应调查的单位或个体是否有遗漏，所有的调查项目或指标是否填写齐全。准确性审核主要是包括两个方面：一是检查数据资料是否真实地反映了客观实际情况，内容是否符合实际；二是检查数据是否有错误，计算是否正确等。审核数据准确性的方法主要有逻辑检查和计算检查。逻辑检查主要是审核数据是否符合逻辑，内容是否合理，各项目或数字之间有无相互矛盾的现象，此方法主要适合对定性(品质)数据的审核。计算检查是检查调查表中的各项数据在计算结果和计算方法上有无错误，主要用于对定量(数值型)数据的审核。

实施例3

在上一实施例的基础上，所述进行数据异常突变值的去除具体步骤是，使用拟合曲线将有意义的信息拟合出来，并且同时不拟合针状数据突变和所有的高频噪声，具体选用局部加权回归进行有用信息的拟合，再用原数据曲线减去拟合曲线得到噪声曲线，解决有用信息对突变值去除的干扰。

具体的，异常值指的是一组测定值中与平均值的偏差超过两倍标准差的测定值。与平均值的偏差超过三倍标准差的测定值，称为高度异常的异常值。在处理数据时，应剔除高度异常的异常值。异常值是否剔除，视具体情况而定。在统计检验时，指定为检出异常值的显著性水平α＝0.05，称为检出水平；指定为检出高度异常的异常值的显著性水平α＝0.01，称为舍弃水平，又称剔除水平(reject level)。

实施例4

在上一实施例的基础上，所述实时监测单元再进行数据异常分析，筛选出异常数据信息的方法包括：将预处理数据进行降维处理，形成第一数据集；将所述第一数据集利用主成分算法进行重构，形成第二数据集，所述第二数据集与所述待检测数据集具有相同的维度；计算所述待检测数据集与所述第二数据集对应数据之间的相关性；获取所述预处理数据中与所述第二数据集中对应数据差异大的异常数据。

具体的，

实施例5

在上一实施例的基础上，所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成的方法包括：建立深度学习判断模型，使用历史异常数据训练深度学习判断模型；将异常数据信息代入训练后的深度学习判断模型，以是否出现异常；所述深度学习判断模型使用如下公式表示：

其中，N为自然数，i为异常数据信息的个数，L_i表示异常数据信息的值，A(i)计算出的异常值，根据计算出的A(i)，进行智能故障匹配，进行智能故障匹配时，每个故障类型对应一个故障值，计算每个故障值与A(i)的差值的绝对值，当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策。

实施例6

一种基于人工智能判断的应急处理方法，所述方法执行以下步骤：

步骤1：实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理，再进行数据异常分析，筛选出异常数据信息，并将异常数据信息传输到深度学习故障识别单元；

步骤2：深度学习故障识别单元对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；

步骤3：将多个与运行的设备功能相同的功能单元组成一个虚拟设备组；

步骤4：深度学习应急处理单元，根据生成的故障隔离辅助决策，将当前故障的运行的设备进行隔离，同时，实时获取当前故障的运行的设备的运行数据信息，复制运行数据信息，从虚拟设备组中调取一个功能相同的功能单元，使用该功能单元作为替代运行设备，再使用复制的运行数据信息驱动该功能单元；

步骤5：实时显示单元用以显示运行监测的实时数据、智能研判故障结果和在何处运行监测的数据出现异常以及相关的故障类型。

具体的，本发明通过对运行设备的实时运行数据进行数据处理和数据异常分析，实现了设备异常的实时诊断和发现再通过预设的虚拟设备组进行功能替换，以进行应急处理，保证了设备在出现故障的情况下，也能及时替换，不会影响整体的运行，具有智能化程度高和应急处理效率高的优点。主要通过以下过程实现：1.虚拟设备组的构建：本发明通过构建虚拟设备组，使得设备在出现故障的时候，能够以相同功能的功能单元进行替换，以保证整体在单个设备出现故障时，依然能够顺畅工作，提升了整体的鲁棒性和稳定性；2.数据异常分析：本发明针对设备的运行数据进行异常分析，在分析过程中，针对设备的运行数据进行了完备的异常值分析，根据分析结果判断设备是否出现异常，提升了分析的准确率；3.深度学习故障识别单元使用的深度学习模型：

当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策，这样可以使得故障类型的判断更加准确。

实施例7

在上一实施例的基础上，所述实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理的方法包括：首先进行短时长数据空缺的填补，要确保整个数据不存在空缺的值，然后再进行数据异常突变值的去除，在保证不再存在针状的数据突变点时，再进行零点偏移的矫正，即将处理好的数据代入到标定曲线中，得到预处理数据。

实施例8

在上一实施例的基础上，所述进行数据异常突变值的去除具体步骤是，使用拟合曲线将有意义的信息拟合出来，并且同时不拟合针状数据突变和所有的高频噪声，具体选用局部加权回归进行有用信息的拟合，再用原数据曲线减去拟合曲线得到噪声曲线，解决有用信息对突变值去除的干扰。

实施例9

在上一实施例的基础上，所述实时监测单元再进行数据异常分析，筛选出异常数据信息的方法包括：将预处理数据进行降维处理，形成第一数据集；将所述第一数据集利用主成分算法进行重构，形成第二数据集，所述第二数据集与所述待检测数据集具有相同的维度；计算所述待检测数据集与所述第二数据集对应数据之间的相关性；获取所述预处理数据中与所述第二数据集中对应数据差异大的异常数据。

实施例10

在上一实施例的基础上，所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成的方法包括：建立深度学习判断模型，使用历史异常数据训练深度学习判断模型；将异常数据信息代入训练后的深度学习判断模型，以是否出现异常；所述深度学习判断模型使用如下公式表示：

其中，N为自然数，i为异常数据信息的个数，L_i表示异常数据信息的值，A(i)计算出的异常值，根据计算出的A(i)，进行智能故障匹配，进行智能故障匹配时，每个故障类型对应一个故障值，计算每个故障值与A(i)的差值的绝对值，当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策。

在上一实施例的基础上，所述基于建立的全局关键字数据处理树，进行数据处理的方法包括：每个数据处理单元基于建立的全局关键字数据处理树进行数据处理；在数据处理的同时，随机划分一个效率数据处理域，统计效率数据处理域内的数据处理单元的使用率；基于统计得到的使用率，进行数据的重新分配，将使用率高于设定值的数据处理单元中的数据抽取部分，分配到使用率低于设定值的数据处理单元中。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (10)

1.基于人工智能判断的应急处理系统，其特征在于，所述系统包括：实时监测单元、深度学习故障识别单元、虚拟设备组、深度学习应急处理单元以及实时显示单元；所述实时监测单元配置用于实时监测运行的设备的运行数据信息，对运行数据进行数据预处理，再进行数据异常分析，筛选出异常数据信息，并将异常数据信息传输到深度学习故障识别单元；所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；所述虚拟设备组为一个云服务器，其包括多个与运行的设备功能相同的功能单元；所述深度学习应急处理单元，配置用于根据生成的故障隔离辅助决策，将当前故障的运行的设备进行隔离，同时，实时获取当前故障的运行的设备的运行数据信息，复制运行数据信息，从虚拟设备组中调取一个功能相同的功能单元，使用该功能单元作为替代运行设备，再使用复制的运行数据信息驱动该功能单元；所述实时显示单元用以显示运行监测的实时数据、智能研判故障结果和在何处运行监测的数据出现异常以及相关的故障类型。

2.如权利要求1所述的系统，其特征在于，所述实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理的方法包括：首先进行短时长数据空缺的填补，要确保整个数据不存在空缺的值，然后再进行数据异常突变值的去除，在保证不再存在针状的数据突变点时，再进行零点偏移的矫正，即将处理好的数据代入到标定曲线中，得到预处理数据。

3.如权利要求2所述的系统，其特征在于，所述进行数据异常突变值的去除具体步骤是，使用拟合曲线将有意义的信息拟合出来，并且同时不拟合针状数据突变和所有的高频噪声，具体选用局部加权回归进行有用信息的拟合，再用原数据曲线减去拟合曲线得到噪声曲线，解决有用信息对突变值去除的干扰。

4.如权利要求3所述的系统，其特征在于，所述实时监测单元再进行数据异常分析，筛选出异常数据信息的方法包括：将预处理数据进行降维处理，形成第一数据集；将所述第一数据集利用主成分算法进行重构，形成第二数据集，所述第二数据集与所述待检测数据集具有相同的维度；计算所述待检测数据集与所述第二数据集对应数据之间的相关性；获取所述预处理数据中与所述第二数据集中对应数据差异大的异常数据。

5.如权利要求4所述的系统，其特征在于，所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成的方法包括：建立深度学习判断模型，使用历史异常数据训练深度学习判断模型；将异常数据信息代入训练后的深度学习判断模型，以是否出现异常；所述深度学习判断模型使用如下公式表示：

其中，N为自然数，i为异常数据信息的个数，L_i表示异常数据信息的值，A(i)计算出的异常值，根据计算出的A(i)，进行智能故障匹配，进行智能故障匹配时，每个故障类型对应一个故障值，计算每个故障值与A(i)的差值的绝对值，当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策。

6.一种基于权利要求1至5之一所述系统的基于人工智能判断的应急处理方法，其特征在于，所述方法执行以下步骤：

步骤1：实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理，再进行数据异常分析，筛选出异常数据信息，并将异常数据信息传输到深度学习故障识别单元；

步骤2：深度学习故障识别单元对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成；

步骤3：将多个与运行的设备功能相同的功能单元组成一个虚拟设备组；

步骤4：深度学习应急处理单元，根据生成的故障隔离辅助决策，将当前故障的运行的设备进行隔离，同时，实时获取当前故障的运行的设备的运行数据信息，复制运行数据信息，从虚拟设备组中调取一个功能相同的功能单元，使用该功能单元作为替代运行设备，再使用复制的运行数据信息驱动该功能单元；

步骤5：实时显示单元用以显示运行监测的实时数据、智能研判故障结果和在何处运行监测的数据出现异常以及相关的故障类型。

7.如权利要求6所述的系统，其特征在于，所述实时监测单元实时监测运行的设备的运行数据信息，对运行数据进行数据预处理的方法包括：首先进行短时长数据空缺的填补，要确保整个数据不存在空缺的值，然后再进行数据异常突变值的去除，在保证不再存在针状的数据突变点时，再进行零点偏移的矫正，即将处理好的数据代入到标定曲线中，得到预处理数据。

8.如权利要求7所述的系统，其特征在于，所述进行数据异常突变值的去除具体步骤是，使用拟合曲线将有意义的信息拟合出来，并且同时不拟合针状数据突变和所有的高频噪声，具体选用局部加权回归进行有用信息的拟合，再用原数据曲线减去拟合曲线得到噪声曲线，解决有用信息对突变值去除的干扰。

9.如权利要求8所述的系统，其特征在于，所述实时监测单元再进行数据异常分析，筛选出异常数据信息的方法包括：将预处理数据进行降维处理，形成第一数据集；将所述第一数据集利用主成分算法进行重构，形成第二数据集，所述第二数据集与所述待检测数据集具有相同的维度；计算所述待检测数据集与所述第二数据集对应数据之间的相关性；获取所述预处理数据中与所述第二数据集中对应数据差异大的异常数据。

10.如权利要求9所述的系统，其特征在于，所述深度学习故障识别单元配置用于对实时监测单元发送来的异常数据信息进行智能故障匹配、报警信号发送以及故障隔离辅助决策生成的方法包括：建立深度学习判断模型，使用历史异常数据训练深度学习判断模型；将异常数据信息代入训练后的深度学习判断模型，以是否出现异常；所述深度学习判断模型使用如下公式表示：

其中，N为自然数，i为异常数据信息的个数，L_i表示异常数据信息的值，A(i)计算出的异常值，根据计算出的A(i)，进行智能故障匹配，进行智能故障匹配时，每个故障类型对应一个故障值，计算每个故障值与A(i)的差值的绝对值，当计算出的绝对值最小时，则该故障类型为智能故障匹配得到的故障类型，根据得到的故障类型，发送报警信号，及生成故障隔离辅助决策。

Images