CN115511118A - 一种基于人工智能的供热系统故障辅助决策方法及系统 - Google Patents
一种基于人工智能的供热系统故障辅助决策方法及系统 Download PDFInfo
- Publication number
- CN115511118A CN115511118A CN202211138060.0A CN202211138060A CN115511118A CN 115511118 A CN115511118 A CN 115511118A CN 202211138060 A CN202211138060 A CN 202211138060A CN 115511118 A CN115511118 A CN 115511118A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- heat supply
- supply system
- heating system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 132
- 238000010438 heat treatment Methods 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 230000002787 reinforcement Effects 0.000 claims abstract description 19
- 230000014509 gene expression Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000007499 fusion processing Methods 0.000 claims abstract description 7
- 230000009471 action Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000011049 filling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的供热系统故障辅助决策方法，包括：通过分别构建供热故障诊断模型和供热故障知识图谱，通过获取供热系统故障相关数据进行故障诊断和通过输入故障特征以问答形式进行故障判断后，获得供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策；其中，依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱；将供热系统当前的故障特征以问答形式输入至所述供热故障知识图谱模型中进行故障特征匹配查询后，获得故障判断结果。
Description
技术领域
本发明属于供热故障决策技术领域，具体涉及一种基于人工智能的供热系统故障辅助决策方法。
背景技术
智慧供热系统的自主优化调控是基于各类生产运行数据的实时反馈进行调控，但这些数据中往往掺杂着一些错误、不合理的数据，而且数据来源多种多样，数据关系错综复杂，如果不对这些数据加以诊断、筛选和关系梳理，仍以掺杂的错误数据作为系统自动调控的基础数据，那么整个供热系统的自动调控将会出现异常。另外，在供热系统运行中如何及时发现各类系统故障进行智能诊断，这些问题不仅威胁供热系统安全、稳定运行，而且难以保障管网平衡调节。
然而，由人工发现供热系统中存在的各类系统异常全部依靠运行人员的经验，但随着供热系统规模呈指数上升，系统设备越多，出现故障的概率越大，发现故障的及时率越低，无法及时、准确的发现供热系统存在的各类异常。而且，人工运行诊断过度依赖人员经验，经验层级不同，发现问题的质量和数量也会不同。
知识图谱是一种用图模型来描述知识和建模世界万物之间关联关系的技术方法，旨在从数据中识别、发现和推断事物之间的复杂关系，是事物关系的可计算模型。为了更加高效地管理供热数据，清洗数据分类结构，满足多专业多用户更高效、更灵活、更精准的信息获取需求，可将知识图谱技术应用于供热诊断中，通过知识图谱技术解决数据的孤立性，方便供热企业能够及时获知供热故障相关知识，不需要专业经验也能较好地对供热故障进行管理、诊断和决策处理；此外，在实际的供热系统运行过程中，会存在不同的诊断场景，有的场景涉及的数据大多是有标签的，而有的场景涉及的数据大多是没有标签的，如何针对不同场景设计相适应的故障诊断模型，快速识别故障，及时进行故障诊断和决策也是目前面临的问题。
基于上述技术问题，需要设计一种新的基于人工智能的供热系统故障辅助决策方法。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于人工智能的供热系统故障辅助决策方法，一方面通过构建知识图谱，以问答形式方便供热企业能够及时获知供热故障相关知识，不需要专业经验也能较好地对供热故障进行管理、诊断和决策处理；另一方面依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；依据不同场景的数据，训练与场景相适应的故障诊断模型，实现供热系统故障诊断；进而通过知识图谱和故障诊断模型综合起来为用户提供故障辅助决策。
为了解决上述技术问题，本发明的技术方案是：
本发明提供了一种基于人工智能的供热系统故障辅助决策方法，所述供热系统故障辅助决策方法包括：分别构建供热故障诊断模型和供热故障知识图谱，通过获取供热系统故障相关数据进行故障诊断和通过输入故障特征以问答形式进行故障判断后，获得供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策；
所述构建供热故障诊断模型和进行故障诊断：
依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；
将供热系统故障相关数据输入至供热系统故障诊断模型中获得供热系统故障诊断结果；
所述构建供热故障知识图谱和进行故障判断：
获取供热系统热源、热网和热用户的多元数据；
基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱；
将供热系统当前的故障特征以问答形式输入至所述供热故障知识图谱模型中进行故障特征匹配查询后，获得故障判断结果。
进一步，所述依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型，包括：
将供热系统故障诊断场景划分为有标签数据达到预设数量的第一场景、有标签数据量未达到预设数量且无标签数据量达到预设数量的第二场景；
在第一场景下，对有标签数据进行预处理和特征提取后，进行基于监督学习的供热系统故障诊断模型训练；
在第二场景下，对有标签数据和无标签数据进行预处理、标签赋予和特征提取后，将供热系统故障诊断问题建模为马尔科夫决策过程，并进行基于深度强化学习的供热系统故障诊断模型训练。
进一步，所述在第一场景下，对有标签数据进行预处理、特征提取后，进行基于监督学习的供热系统故障诊断模型训练，包括：
在第一场景下，对有标签数据进行缺失值填充、异常值删除、数据标准化处理后，采用特征提取技术对数据进行特征提取；
将特征提取后的数据输入至监督学习模型中进行训练获得供热系统故障诊断模型；所述监督学习模型至少包括朴素贝叶斯算法、支持向量机算法和决策树算法。
进一步，所述在第二场景下，对有标签数据和无标签数据进行预处理、标签赋予和特征提取后，将供热系统故障诊断问题建模为马尔科夫决策过程，并进行基于深度强化学习的供热系统故障诊断模型训练，包括：
在第二场景下，对有标签数据和无标签数据进行缺失值填充、异常值删除和数据标准化处理；
计算无标签数据特征和标签数据特征之间的欧式距离，并根据欧式距离从小到大进行排序，筛选出距离最小的前M个无标签数据进行伪标签赋值；所述伪标签数据是每个无标签数据对应的距离最小的标签数据的标签；
采用K-means聚类方法对所有数据信息进行特征聚类分析，对剩余未赋标签的数据赋予聚类的伪标签；
根据标签数据和伪标签数据对特征提取模型进行不断训练，获得最优特征提取模型，实现特征提取；
将供热系统故障诊断问题建模为马尔科夫决策过程；
训练深度Q网络模型：建立深度Q网络模型中的神经网络结构用于拟合Q值，Q值为评价每次动作质量的一个数值；根据环境中的状态sk决策出动作ai，然后环境根据动作ai返回对应故障诊断类型的数据状态空间中某个状态sk′和奖励值r，回放记忆单元D将每次迭代得到的转移样本(sk,ai,r,sk′)储存到回放记忆单元D中，作为训练数据，在训练时随机抽取部分样本输入到深度Q网络和目标网络，采用随机梯度下降法来更新权重和Q函数值，通过与环境间不断交互学习以最大化Q函数值，获得最优策略以实现故障诊断。
进一步，所述将供热系统故障诊断问题建模为马尔科夫决策过程，包括：
将故障诊断类型映射到动作空间集A＝{a1＝0,a2＝1,...,ai＝n-1}；n为故障类型数；
某故障类型的数据状态空间集
sk为当前故障数据状态空间中的某个状态；
奖励函数
每一次迭代，根据环境返回的数据状态做出某个动作，当实际决策出的动作所对应的故障诊断信息与标记故障诊断信息一致时，设置奖励值r，否则奖励值为0；
所述卷积神经网络在输出层得到故障数据状态下每类动作Q值，表示为：
Q(s,a；θ)≈Q(s,a)；
其中，Q(s,a；θ)为卷积神经网络的Q值；θ为卷积神经网络的权重参数；
所述采用随机梯度下降法更新Q函数值时使用的迭代公式，表示为：
其中，Q(st,at；θi)为深度Q网络；Q(st,at；θi -)为目标网络；所述深度Q网络和目标网络结构参数完全相同；γ为折扣率；δ为学习率；
所述采用随机梯度下降法更新权重：对损失函数执行梯度下降算法，通过最小化损失函数更新卷积神经网络参数θ，
回放记忆单元D表示为：D＝{e1,e2,...,en}；与环境交互过程中每个时间节点产生的经验数据表示为：et＝(st,at,rt,st+1)。
进一步，所述获取供热系统热源、热网和热用户的多元数据，包括：
获取供热系统热源、热网和热用户的基本数据和故障数据；所述基本数据至少包括热源、网络和热用户的设备型号、管道规格和系统运行中设备的压力、流量、温度数据；所述故障数据至少包括历史故障类型、故障表现、故障成因分析和故障处理。
进一步，所述基于获取的供热系统多元数据，进行实体识别，包括：
将获取的供热系统多元数据划分为故障结构化数据、故障半结构化数据和故障非结构化数据；
对所述故障结构化数据进行实体识别：通过供热系统热源、热网和热用户各设备间的拓扑属性、连接节点、结合设备名称、设备耦合关系、设备运行状态数据和故障类型，并结合存储的关系型数据库进行数据分析，获得供热系统实体识别信息；
对所述故障半结构化数据进行实体识别：根据供热系统热源、热网和热用户各设备运行数据和故障数据存储的规范化结构，去除无效数据字符，将关键数据进行提取分析，获得供热系统实体识别信息；
对所述故障非结构化数据进行实体识别：将非结构化数据文本转化按照预先定义的实体类型进行语料标注；将语料标注后生成的标注信息转化为BIOES集格式；对语料标注后的数据文本进行数据增强和预处理；将数据增强和预处理后的数据文本通过设置的BERT模型转换为向量形式，表明单个词语在整个语句的关系以及词语和词语之间的相互关系；设置双向神经网络BiLSTM模型以BERT生成的词向量作为输入，通过自动捕获上下文特征，获得深层语义信息；设置条件随机场CRF模型，根据上下文语义信息，在对应输入条件下，获得最大概率输出的标注序列，并根据标注序列提取文本中的供热系统故障实体识别信息。
其中，所述故障结构化数据至少包括供热系统设备拓扑结构、型号、管道规格确定性数据和各设备运行状态、故障数据，以关系型数据库进行存储；所述故障半结构化数据包括各设备运行数据和故障数据中设备存储信息结构不一致的数据；所述故障非结构化数据包括各设备运行数据和故障数据中没有结构的数据。
进一步，所述基于获取的供热系统多元数据，进行知识抽取，包括：
对实体识别后的供热系统数据进行实体、实体属性，以及实体与实体，实体与属性间的关系抽取；
基于实体、实体属性，以及实体与实体，实体与属性间的关系，形成热源故障子图模型、热网故障子图模型和热用户故障子图模型；所述热源故障子图模型包括承压元件故障、锅炉燃烧异常、辅助设备故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性；所述热网故障子图模型包括管道内外腐蚀、焊缝破裂、管壁撕裂、机械碰撞、阀门故障、补偿器故障和管道阻塞故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性；所述热用户故障子图模型的实体为包括换热器故障、水泵故障、阀门故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性。
进一步，所述基于获取的供热系统多元数据，进行知识融合，包括：对知识抽取的热源故障子图模型、热网故障子图模型和热用户故障子图模型进行包括实体对齐、类型对齐、属性对齐，建立关联关系的故障知识融合，形成供热系统故障知识图谱。
本发明还提供了一种基于人工智能的供热系统故障辅助决策系统，所述供热系统故障辅助决策系统包括：
故障诊断模型构建单元，用于依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；
故障知识图谱构建单元，用于获取供热系统热源、热网和热用户的多元数据，并基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱；
故障辅助决策单元，用于将供热系统故障相关数据输入至供热系统故障诊断模型中获得供热系统故障诊断结果；还用于将供热系统当前的故障特征以问答形式输入至所述供热故障知识图谱模型中进行故障特征匹配查询后，获得故障判断结果；通过综合分析故障诊断结果和故障判断结果向供热系统提供故障辅助决策；所述故障诊断结果和故障判断结果包括供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策。
本发明的有益效果是：
本发明通过分别构建供热故障诊断模型和供热故障知识图谱，通过获取供热系统故障相关数据进行故障诊断和通过输入故障特征以问答形式进行故障判断后，获得供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策，能够通过故障诊断模型和故障知识图谱分别进行供热系统故障诊断和故障查询判断，最终综合分析故障诊断结果和故障判断结果向供热系统提供故障辅助决策，一方面基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱，方便供热企业能够及时获知供热故障相关知识，不需要专业经验也能较好地对供热故障进行管理、诊断和决策处理；另一方面依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；依据不同场景的数据，训练与场景相适应的故障诊断模型，实现供热系统故障诊断。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于人工智能的供热系统故障辅助决策方法流程示意图；
图2为本发明深度Q网络模型训练过程示意图；
图3为本发明知识图谱构建方法示意图；
图4为本发明一种基于人工智能的供热系统故障辅助决策系统结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1是本发明所涉及的一种基于人工智能的供热系统故障辅助决策方法流程示意图。
如图1所示，本实施例1提供了一种基于人工智能的供热系统故障辅助决策方法，所述供热系统故障辅助决策方法包括：分别构建供热故障诊断模型和供热故障知识图谱，通过获取供热系统故障相关数据进行故障诊断和通过输入故障特征以问答形式进行故障判断后，获得供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策；
所述构建供热故障诊断模型和进行故障诊断：
依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；
将供热系统故障相关数据输入至供热系统故障诊断模型中获得供热系统故障诊断结果；
所述构建供热故障知识图谱和进行故障判断：
获取供热系统热源、热网和热用户的多元数据；
基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱；
将供热系统当前的故障特征以问答形式输入至所述供热故障知识图谱模型中进行故障特征匹配查询后，获得故障判断结果。
在本实施例中，所述依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型，包括：
将供热系统故障诊断场景划分为有标签数据达到预设数量的第一场景、有标签数据量未达到预设数量且无标签数据量达到预设数量的第二场景；
在第一场景下，对有标签数据进行预处理和特征提取后，进行基于监督学习的供热系统故障诊断模型训练；
在第二场景下，对有标签数据和无标签数据进行预处理、标签赋予和特征提取后，将供热系统故障诊断问题建模为马尔科夫决策过程，并进行基于深度强化学习的供热系统故障诊断模型训练。
需要说明的是，供热系统发生故障时，往往伴随着复杂的故障现象，当供热系统发生多故障，即使是经验十足的专家也很难根据告警信息准确判断出故障类型和原因。因此基于不同的实际场景，设计了基于监督学习的供热系统故障诊断模型，适用于有标签数据量很充足的场景，利用现有的有标签数据，通过机器学习算法能够训练故障诊断模型，模型可以较好地学习到故障的特点，并进行供热系统故障诊断，且故障诊断的精确度较高；而对于有标签数据较少、无标签数据较多的场景下，在进行故障诊断时的精确度难以保证，因此，采用深度强化学习算法，将供热系统故障诊断问题转化为马尔科夫决策过程，通过感知动态环境状态数据，实现故障诊断，适用于缺乏有标签数据的供热系统故障诊断场景。
需要说明的是，本发明不限于有标签数据达到预设数量的第一场景、有标签数据量未达到预设数量且无标签数据量达到预设数量的第二场景，还可以包括其他场景，依据不同的场景进行供热系统故障诊断模型的训练。
在本实施例中，所述在第一场景下，对有标签数据进行预处理、特征提取后，进行基于监督学习的供热系统故障诊断模型训练，包括：
在第一场景下，对有标签数据进行缺失值填充、异常值删除、数据标准化处理后，采用特征提取技术对数据进行特征提取；
将特征提取后的数据输入至监督学习模型中进行训练获得供热系统故障诊断模型；所述监督学习模型至少包括朴素贝叶斯算法、支持向量机算法和决策树算法。
图2是本发明所涉及的深度Q网络模型训练过程示意图。
如图2所示，在本实施例中，所述在第二场景下，对有标签数据和无标签数据进行预处理、标签赋予和特征提取后，将供热系统故障诊断问题建模为马尔科夫决策过程，并进行基于深度强化学习的供热系统故障诊断模型训练，包括：
在第二场景下，对有标签数据和无标签数据进行缺失值填充、异常值删除和数据标准化处理；
计算无标签数据特征和标签数据特征之间的欧式距离，并根据欧式距离从小到大进行排序，筛选出距离最小的前M个无标签数据进行伪标签赋值；所述伪标签数据是每个无标签数据对应的距离最小的标签数据的标签；
采用K-means聚类方法对所有数据信息进行特征聚类分析，对剩余未赋标签的数据赋予聚类的伪标签；
根据标签数据和伪标签数据对特征提取模型进行不断训练，获得最优特征提取模型，实现特征提取；
将供热系统故障诊断问题建模为马尔科夫决策过程；
训练深度Q网络模型：建立深度Q网络模型中的神经网络结构用于拟合Q值，Q值为评价每次动作质量的一个数值；根据环境中的状态sk决策出动作ai，然后环境根据动作ai返回对应故障诊断类型的数据状态空间中某个状态sk′和奖励值r，回放记忆单元D将每次迭代得到的转移样本(sk,ai,r,sk′)储存到回放记忆单元D中，作为训练数据，在训练时随机抽取部分样本输入到深度Q网络和目标网络，采用随机梯度下降法来更新权重和Q函数值，通过与环境间不断交互学习以最大化Q函数值，获得最优策略以实现故障诊断。
在本实施例中，所述将供热系统故障诊断问题建模为马尔科夫决策过程，包括：
将故障诊断类型映射到动作空间集A＝{a1＝0,a2＝1,...,ai＝n-1}；n为故障类型数；
某故障类型的数据状态空间集
sk为当前故障数据状态空间中的某个状态；
奖励函数
每一次迭代，根据环境返回的数据状态做出某个动作，当实际决策出的动作所对应的故障诊断信息与标记故障诊断信息一致时，设置奖励值r，否则奖励值为0；
所述卷积神经网络在输出层得到故障数据状态下每类动作Q值，表示为：
Q(s,a；θ)≈Q(s,a)；
其中，Q(s,a；θ)为卷积神经网络的Q值；θ为卷积神经网络的权重参数；
所述采用随机梯度下降法更新Q函数值时使用的迭代公式，表示为：
其中，Q(st,at；θi)为深度Q网络；Q(st,at；θi -)为目标网络；所述深度Q网络和目标网络结构参数完全相同；γ为折扣率；δ为学习率；
所述采用随机梯度下降法更新权重：对损失函数执行梯度下降算法，通过最小化损失函数更新卷积神经网络参数θ，
回放记忆单元D表示为：D＝{e1,e2,...,en}；与环境交互过程中每个时间节点产生的经验数据表示为：et＝(st,at,rt,st+1)。
在本实施例中，所述获取供热系统热源、热网和热用户的多元数据，包括：
获取供热系统热源、热网和热用户的基本数据和故障数据；所述基本数据至少包括热源、网络和热用户的设备型号、管道规格和系统运行中设备的压力、流量、温度数据；所述故障数据至少包括历史故障类型、故障表现、故障成因分析和故障处理。
在本实施例中，所述基于获取的供热系统多元数据，进行实体识别，包括：
将获取的供热系统多元数据划分为故障结构化数据、故障半结构化数据和故障非结构化数据；
对所述故障结构化数据进行实体识别：通过供热系统热源、热网和热用户各设备间的拓扑属性、连接节点、结合设备名称、设备耦合关系、设备运行状态数据和故障类型，并结合存储的关系型数据库进行数据分析，获得供热系统实体识别信息；
对所述故障半结构化数据进行实体识别：根据供热系统热源、热网和热用户各设备运行数据和故障数据存储的规范化结构，去除无效数据字符，将关键数据进行提取分析，获得供热系统实体识别信息；
对所述故障非结构化数据进行实体识别：将非结构化数据文本转化按照预先定义的实体类型进行语料标注；将语料标注后生成的标注信息转化为BIOES集格式；对语料标注后的数据文本进行数据增强和预处理；将数据增强和预处理后的数据文本通过设置的BERT模型转换为向量形式，表明单个词语在整个语句的关系以及词语和词语之间的相互关系；设置双向神经网络BiLSTM模型以BERT生成的词向量作为输入，通过自动捕获上下文特征，获得深层语义信息；设置条件随机场CRF模型，根据上下文语义信息，在对应输入条件下，获得最大概率输出的标注序列，并根据标注序列提取文本中的供热系统故障实体识别信息。
其中，所述故障结构化数据至少包括供热系统设备拓扑结构、型号、管道规格确定性数据和各设备运行状态、故障数据，以关系型数据库进行存储；所述故障半结构化数据包括各设备运行数据和故障数据中设备存储信息结构不一致的数据；所述故障非结构化数据包括各设备运行数据和故障数据中没有结构的数据。
需要说明的是，为了避免复杂的特征工程，减少语言学专家的人工参与，命名实体识别逐渐由传统的统计学习方法转移到深度学习方法。深度学习方法通过深层神经网络结构学习文本中蕴含的相关信息。在有监督下的深度学习任务中，语料标注的一致性和准确性对实体识别模型训练质量有着至关重要的作用，为提高语料标注的效率和准确性，采用BIOES集，B表示实体开始，I表示故障内部，O表示非实体的其他部分，E表示实体结束，S表示实体只有一个字；BERT模型通过向量形式表达的相互关系在一定程度上，可以表现出这句话中不同词语之间的关联度和重要性，通过相互系数来改变每个词的权重，获得的词向量表征能够更好地结合上下文的语境；BiLSTM由一个前向长短期记忆单元与一个后向长短期记忆单元组合，通过把原始有顺序的输入转换成一正一反的2个输入，使得整个模型能同时获得前向和后向的信息，能够更好地获取较长距离的双向语义依赖关系，并解决梯度消失的问题。针对供热系统故障实体识别的序列标注任务，拥有更好的优势；CRF是一种条件概率分布模型，为标注的序列赋予对应概率值，有助于选择出最大似然概率的标注序列。
在本实施例中，所述基于获取的供热系统多元数据，进行知识抽取，包括：
对实体识别后的供热系统数据进行实体、实体属性，以及实体与实体，实体与属性间的关系抽取；
基于实体、实体属性，以及实体与实体，实体与属性间的关系，形成热源故障子图模型、热网故障子图模型和热用户故障子图模型；所述热源故障子图模型包括承压元件故障、锅炉燃烧异常、辅助设备故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性；所述热网故障子图模型包括管道内外腐蚀、焊缝破裂、管壁撕裂、机械碰撞、阀门故障、补偿器故障和管道阻塞故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性；所述热用户故障子图模型的实体为包括换热器故障、水泵故障、阀门故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性。
在本实施例中，所述基于获取的供热系统多元数据，进行知识融合，包括：对知识抽取的热源故障子图模型、热网故障子图模型和热用户故障子图模型进行包括实体对齐、类型对齐、属性对齐，建立关联关系的故障知识融合，形成供热系统故障知识图谱。
图3是本发明所涉及的知识图谱构建方法示意图。
需要说明的是，如图3所示，知识图谱构建的流程主要包括：数据获取、知识抽取、知识融合和质量评估。
(1)数据获取：想要构建一个完整的知识图谱，必须有充足且丰富的数据。构建知识图谱的第一个阶段就是收集大量的数据。我们需要从多个数据源获取数据，比如供热系统诊断技术领域的知识图谱，我们可以从文献库、供热网站、运行过程数据库等来获取数据类型多样的数据。此时的数据获取，若只依靠人工来进行收集，那么不仅消耗人力物力，而且效率极低，因此我们可以借助爬虫自动获取数据。
(2)知识抽取：在数据获取阶段，我们已经获得了我们需要的信息。但这些信息可能是以文本的形式存在，可能是以数据的形式存在，这些信息无法直接用于构建知识图谱，我们需要在这些数据中抽取出可以构建知识图谱的知识，也就是构建知识图谱的最小元素三元组。
(3)知识融合：知识抽取出来之后，实际上都是一些零散的、杂乱的、重复的、不确定的内容。我们需要将抽取的知识进行融合，只有保障知识是正确的、结构化的、无冗余，才能加入到知识图谱中。我们获得的两个三元组，指向的是同一实体但表述不同或者有歧义，那么需要进行实体消歧；如果获得的三元组属性表述不规范，需要进行属性校正；或者抽取的信息因为不确定其准确性，需要利用融合模型判定信息的真实程度。只有将抽取的知识整理成规范的，格式一致的准确信息才能加入到知识图谱中。
(4)质量评估：构建出知识图谱后，其实不能保证它的准确性，需要使用知识推理的方法来对构建的知识图谱进行质量评估。比如使用链接预测的方法验证知识图谱的准确性，去掉已知的正确的知识的关系，如果通过多次的链接预测能够预测出去掉的关系，那么说明构建的知识图谱还是比较可靠的。
实施例2
图4是本发明所涉及的一种基于人工智能的供热系统故障辅助决策系统框图。
如图4所示，本发明还提供了一种基于人工智能的供热系统故障辅助决策系统，所述供热系统故障辅助决策系统包括：
故障诊断模型构建单元，用于依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；
故障知识图谱构建单元，用于获取供热系统热源、热网和热用户的多元数据，并基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱；
故障辅助决策单元，用于将供热系统故障相关数据输入至供热系统故障诊断模型中获得供热系统故障诊断结果；还用于将供热系统当前的故障特征以问答形式输入至所述供热故障知识图谱模型中进行故障特征匹配查询后，获得故障判断结果；通过综合分析故障诊断结果和故障判断结果向供热系统提供故障辅助决策；所述故障诊断结果和故障判断结果包括供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于人工智能的供热系统故障辅助决策方法，其特征在于，所述供热系统故障辅助决策方法包括：分别构建供热故障诊断模型和供热故障知识图谱，通过获取供热系统故障相关数据进行故障诊断和通过输入故障特征以问答形式进行故障判断后，获得供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策；
所述构建供热故障诊断模型和进行故障诊断：
依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；
将供热系统故障相关数据输入至供热系统故障诊断模型中获得供热系统故障诊断结果；
所述构建供热故障知识图谱和进行故障判断：
获取供热系统热源、热网和热用户的多元数据；
基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱；
将供热系统当前的故障特征以问答形式输入至所述供热故障知识图谱模型中进行故障特征匹配查询后，获得故障判断结果。
2.根据权利要求1所述的供热系统故障辅助决策方法，其特征在于，所述依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型，包括：
将供热系统故障诊断场景划分为有标签数据达到预设数量的第一场景、有标签数据量未达到预设数量且无标签数据量达到预设数量的第二场景；
在第一场景下，对有标签数据进行预处理和特征提取后，进行基于监督学习的供热系统故障诊断模型训练；
在第二场景下，对有标签数据和无标签数据进行预处理、标签赋予和特征提取后，将供热系统故障诊断问题建模为马尔科夫决策过程，并进行基于深度强化学习的供热系统故障诊断模型训练。
3.根据权利要求2所述的供热系统故障辅助决策方法，其特征在于，所述在第一场景下，对有标签数据进行预处理、特征提取后，进行基于监督学习的供热系统故障诊断模型训练，包括：
在第一场景下，对有标签数据进行缺失值填充、异常值删除、数据标准化处理后，采用特征提取技术对数据进行特征提取；
将特征提取后的数据输入至监督学习模型中进行训练获得供热系统故障诊断模型；所述监督学习模型至少包括朴素贝叶斯算法、支持向量机算法和决策树算法。
4.根据权利要求2所述的供热系统故障辅助决策方法，其特征在于，所述在第二场景下，对有标签数据和无标签数据进行预处理、标签赋予和特征提取后，将供热系统故障诊断问题建模为马尔科夫决策过程，并进行基于深度强化学习的供热系统故障诊断模型训练，包括：
在第二场景下，对有标签数据和无标签数据进行缺失值填充、异常值删除和数据标准化处理；
计算无标签数据特征和标签数据特征之间的欧式距离，并根据欧式距离从小到大进行排序，筛选出距离最小的前M个无标签数据进行伪标签赋值；所述伪标签数据是每个无标签数据对应的距离最小的标签数据的标签；
采用K-means聚类方法对所有数据信息进行特征聚类分析，对剩余未赋标签的数据赋予聚类的伪标签；
根据标签数据和伪标签数据对特征提取模型进行不断训练，获得最优特征提取模型，实现特征提取；
将供热系统故障诊断问题建模为马尔科夫决策过程；
训练深度Q网络模型：建立深度Q网络模型中的神经网络结构用于拟合Q值，Q值为评价每次动作质量的一个数值；根据环境中的状态sk决策出动作ai，然后环境根据动作ai返回对应故障诊断类型的数据状态空间中某个状态sk′和奖励值r，回放记忆单元D将每次迭代得到的转移样本(sk,ai,r,sk′)储存到回放记忆单元D中，作为训练数据，在训练时随机抽取部分样本输入到深度Q网络和目标网络，采用随机梯度下降法来更新权重和Q函数值，通过与环境间不断交互学习以最大化Q函数值，获得最优策略以实现故障诊断。
5.根据权利要求2所述的供热系统故障辅助决策方法，其特征在于，所述将供热系统故障诊断问题建模为马尔科夫决策过程，包括：
将故障诊断类型映射到动作空间集A＝{a1＝0,a2＝1,...,ai＝n-1}；n为故障类型数；
某故障类型的数据状态空间集
sk为当前故障数据状态空间中的某个状态；
奖励函数
每一次迭代，根据环境返回的数据状态做出某个动作，当实际决策出的动作所对应的故障诊断信息与标记故障诊断信息一致时，设置奖励值r，否则奖励值为0；
所述卷积神经网络在输出层得到故障数据状态下每类动作Q值，表示为：
Q(s,a；θ)≈Q(s,a)；
其中，Q(s,a；θ)为卷积神经网络的Q值；θ为卷积神经网络的权重参数；
所述采用随机梯度下降法更新Q函数值时使用的迭代公式，表示为：
其中，Q(st,at；θi)为深度Q网络；
为目标网络；所述深度Q网络和目标网络结构参数完全相同；γ为折扣率；δ为学习率；
所述采用随机梯度下降法更新权重：对损失函数执行梯度下降算法，通过最小化损失函数更新卷积神经网络参数θ，
回放记忆单元D表示为：D＝{e1,e2,...,en}；与环境交互过程中每个时间节点产生的经验数据表示为：et＝(st,at,rt,st+1)。
6.根据权利要求1所述的供热系统故障辅助决策方法，其特征在于，所述获取供热系统热源、热网和热用户的多元数据，包括：
获取供热系统热源、热网和热用户的基本数据和故障数据；所述基本数据至少包括热源、网络和热用户的设备型号、管道规格和系统运行中设备的压力、流量、温度数据；所述故障数据至少包括历史故障类型、故障表现、故障成因分析和故障处理。
7.根据权利要求1所述的供热系统故障辅助决策方法，其特征在于，所述基于获取的供热系统多元数据，进行实体识别，包括：
将获取的供热系统多元数据划分为故障结构化数据、故障半结构化数据和故障非结构化数据；
对所述故障结构化数据进行实体识别：通过供热系统热源、热网和热用户各设备间的拓扑属性、连接节点、结合设备名称、设备耦合关系、设备运行状态数据和故障类型，并结合存储的关系型数据库进行数据分析，获得供热系统实体识别信息；
对所述故障半结构化数据进行实体识别：根据供热系统热源、热网和热用户各设备运行数据和故障数据存储的规范化结构，去除无效数据字符，将关键数据进行提取分析，获得供热系统实体识别信息；
对所述故障非结构化数据进行实体识别：将非结构化数据文本转化按照预先定义的实体类型进行语料标注；将语料标注后生成的标注信息转化为BIOES集格式；对语料标注后的数据文本进行数据增强和预处理；将数据增强和预处理后的数据文本通过设置的BERT模型转换为向量形式，表明单个词语在整个语句的关系以及词语和词语之间的相互关系；设置双向神经网络BiLSTM模型以BERT生成的词向量作为输入，通过自动捕获上下文特征，获得深层语义信息；设置条件随机场CRF模型，根据上下文语义信息，在对应输入条件下，获得最大概率输出的标注序列，并根据标注序列提取文本中的供热系统故障实体识别信息；
其中，所述故障结构化数据至少包括供热系统设备拓扑结构、型号、管道规格确定性数据和各设备运行状态、故障数据，以关系型数据库进行存储；所述故障半结构化数据包括各设备运行数据和故障数据中设备存储信息结构不一致的数据；所述故障非结构化数据包括各设备运行数据和故障数据中没有结构的数据。
8.根据权利要求1所述的供热系统故障辅助决策方法，其特征在于，所述基于获取的供热系统多元数据，进行知识抽取，包括：
对实体识别后的供热系统数据进行实体、实体属性，以及实体与实体，实体与属性间的关系抽取；
基于实体、实体属性，以及实体与实体，实体与属性间的关系，形成热源故障子图模型、热网故障子图模型和热用户故障子图模型；所述热源故障子图模型包括承压元件故障、锅炉燃烧异常、辅助设备故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性；所述热网故障子图模型包括管道内外腐蚀、焊缝破裂、管壁撕裂、机械碰撞、阀门故障、补偿器故障和管道阻塞故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性；所述热用户故障子图模型的实体为包括换热器故障、水泵故障、阀门故障实体，以及描述实体的故障表现形式、故障成因和故障处理属性。
9.根据权利要求1所述的供热系统故障辅助决策方法，其特征在于，所述基于获取的供热系统多元数据，进行知识融合，包括：对知识抽取的热源故障子图模型、热网故障子图模型和热用户故障子图模型进行包括实体对齐、类型对齐、属性对齐，建立关联关系的故障知识融合，形成供热系统故障知识图谱。
10.一种基于人工智能的供热系统故障辅助决策系统，其特征在于，所述供热系统故障辅助决策系统包括：
故障诊断模型构建单元，用于依据供热系统故障诊断不同场景，分别训练基于监督学习和基于深度强化学习的供热系统故障诊断模型；
故障知识图谱构建单元，用于获取供热系统热源、热网和热用户的多元数据，并基于获取的供热系统多元数据，分别进行实体识别、知识抽取和知识融合处理后建立供热系统故障知识图谱；
故障辅助决策单元，用于将供热系统故障相关数据输入至供热系统故障诊断模型中获得供热系统故障诊断结果；还用于将供热系统当前的故障特征以问答形式输入至所述供热故障知识图谱模型中进行故障特征匹配查询后，获得故障判断结果；通过综合分析故障诊断结果和故障判断结果向供热系统提供故障辅助决策；所述故障诊断结果和故障判断结果包括供热故障类型、故障表现、故障成因分析和故障处理措施，向供热系统提供故障辅助决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211138060.0A CN115511118A (zh) | 2022-09-19 | 2022-09-19 | 一种基于人工智能的供热系统故障辅助决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211138060.0A CN115511118A (zh) | 2022-09-19 | 2022-09-19 | 一种基于人工智能的供热系统故障辅助决策方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115511118A true CN115511118A (zh) | 2022-12-23 |
Family
ID=84504058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211138060.0A Pending CN115511118A (zh) | 2022-09-19 | 2022-09-19 | 一种基于人工智能的供热系统故障辅助决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115511118A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116346598A (zh) * | 2023-05-31 | 2023-06-27 | 四川中普盈通科技有限公司 | 一种数据传输控制的现场配置方法及网路接入系统 |
| CN116679726A (zh) * | 2023-08-01 | 2023-09-01 | 山东中建众力设备租赁有限公司 | 基于边缘计算的无人驾驶塔机自主决策系统 |
| CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
| CN117407615A (zh) * | 2023-10-27 | 2024-01-16 | 北京数立得科技有限公司 | 一种基于强化学习的Web信息抽取方法及系统 |
| CN117436593A (zh) * | 2023-12-18 | 2024-01-23 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
| CN117708720A (zh) * | 2023-12-12 | 2024-03-15 | 衢州砖助科技有限责任公司 | 一种基于知识图谱的设备故障诊断系统 |
| CN117874627A (zh) * | 2024-01-25 | 2024-04-12 | 深圳大学 | 一种自监督式建筑空调系统的故障诊断方法、系统及设备 |
| CN117909903A (zh) * | 2024-01-26 | 2024-04-19 | 深圳硅山技术有限公司 | 电动助力转向系统的诊断方法、装置、设备及存储介质 |
| CN118276536A (zh) * | 2024-05-31 | 2024-07-02 | 长春启明菱电车载电子有限公司 | 一种基于知识图谱的柔性生产控制系统及方法 |
| CN119782515A (zh) * | 2025-03-12 | 2025-04-08 | 水电水利规划设计总院 | 基于推测性检索增强生成的发电系统故障快速处置方法 |
-
2022
- 2022-09-19 CN CN202211138060.0A patent/CN115511118A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116346598A (zh) * | 2023-05-31 | 2023-06-27 | 四川中普盈通科技有限公司 | 一种数据传输控制的现场配置方法及网路接入系统 |
| CN116346598B (zh) * | 2023-05-31 | 2023-09-01 | 四川中普盈通科技有限公司 | 一种数据传输控制的现场配置方法及网路接入系统 |
| CN116774569B (zh) * | 2023-07-25 | 2024-04-05 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
| CN116774569A (zh) * | 2023-07-25 | 2023-09-19 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行系统更新方法及系统 |
| CN116679726B (zh) * | 2023-08-01 | 2023-11-03 | 山东中建众力设备租赁有限公司 | 基于边缘计算的无人驾驶塔机自主决策系统 |
| CN116679726A (zh) * | 2023-08-01 | 2023-09-01 | 山东中建众力设备租赁有限公司 | 基于边缘计算的无人驾驶塔机自主决策系统 |
| CN117407615A (zh) * | 2023-10-27 | 2024-01-16 | 北京数立得科技有限公司 | 一种基于强化学习的Web信息抽取方法及系统 |
| CN117708720A (zh) * | 2023-12-12 | 2024-03-15 | 衢州砖助科技有限责任公司 | 一种基于知识图谱的设备故障诊断系统 |
| CN117708720B (zh) * | 2023-12-12 | 2024-07-16 | 浙江砖助智连科技有限责任公司 | 一种基于知识图谱的设备故障诊断系统 |
| CN117436593A (zh) * | 2023-12-18 | 2024-01-23 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
| CN117436593B (zh) * | 2023-12-18 | 2024-05-24 | 广州市意立环保科技有限公司 | 基于人工智能的焚烧炉系统故障预测方法及系统 |
| CN117874627A (zh) * | 2024-01-25 | 2024-04-12 | 深圳大学 | 一种自监督式建筑空调系统的故障诊断方法、系统及设备 |
| CN117909903A (zh) * | 2024-01-26 | 2024-04-19 | 深圳硅山技术有限公司 | 电动助力转向系统的诊断方法、装置、设备及存储介质 |
| CN118276536A (zh) * | 2024-05-31 | 2024-07-02 | 长春启明菱电车载电子有限公司 | 一种基于知识图谱的柔性生产控制系统及方法 |
| CN119782515A (zh) * | 2025-03-12 | 2025-04-08 | 水电水利规划设计总院 | 基于推测性检索增强生成的发电系统故障快速处置方法 |
| CN119782515B (zh) * | 2025-03-12 | 2025-06-17 | 水电水利规划设计总院 | 基于推测性检索增强生成的发电系统故障快速处置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115511118A (zh) | 一种基于人工智能的供热系统故障辅助决策方法及系统 | |
| CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
| CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
| CN115511119A (zh) | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 | |
| CN113779264B (zh) | 基于专利供需知识图谱的交易推荐方法 | |
| CN108428478B (zh) | 基于异质医疗数据挖掘的甲状腺癌风险预测方法 | |
| CN118606440B (zh) | 知识图谱与规则约束相结合的数据智能分析方法及系统 | |
| Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
| CN112463981A (zh) | 一种基于深度学习的企业内部经营管理风险识别提取方法及系统 | |
| CN112100403A (zh) | 一种基于神经网络的知识图谱不一致性推理方法 | |
| CN112052684A (zh) | 电力计量的命名实体识别方法、装置、设备和存储介质 | |
| CN119250172A (zh) | 利用图卷积网络构建化塑产业链知识图谱的方法 | |
| CN116541510A (zh) | 一种基于知识图谱的故障案例推荐方法 | |
| CN118396162B (zh) | 一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质 | |
| CN114138759B (zh) | 基于知识图谱推理的二次设备故障处理推送方法及系统 | |
| CN117151222B (zh) | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 | |
| CN116484024A (zh) | 一种基于知识图谱的多层次知识库构建方法 | |
| CN119357803B (zh) | 一种用于燃气设备运行数据的远程采集系统 | |
| CN116739081A (zh) | 面向电网风险领域的知识获取和表示方法 | |
| CN117687824A (zh) | 基于质量问题知识图谱的卫星故障诊断系统 | |
| CN118152901B (zh) | 基于数据驱动的设备故障预测方法及系统 | |
| CN115511082A (zh) | 一种基于图神经网络和强化学习的事实验证方法 | |
| CN116720786B (zh) | 一种融合kg和plm的装配质量稳定性预测方法、系统及介质 | |
| CN119397038B (zh) | 一种自动化构建工业知识图谱的方法、系统、设备及存储介质 | |
| CN119025672A (zh) | 一种基于大语言模型的标签体系建设方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |