CN116703284A - 应用于冷库管理系统的故障识别方法及人工智能服务器 - Google Patents
应用于冷库管理系统的故障识别方法及人工智能服务器 Download PDFInfo
- Publication number
- CN116703284A CN116703284A CN202310972926.6A CN202310972926A CN116703284A CN 116703284 A CN116703284 A CN 116703284A CN 202310972926 A CN202310972926 A CN 202310972926A CN 116703284 A CN116703284 A CN 116703284A
- Authority
- CN
- China
- Prior art keywords
- fault
- refrigeration house
- house system
- operation state
- monitoring report
- 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.)
- Granted
Links
- 238000005057 refrigeration Methods 0.000 title claims abstract description 407
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 122
- 238000012544 monitoring process Methods 0.000 claims description 118
- 238000005065 mining Methods 0.000 claims description 88
- 238000013441 quality evaluation Methods 0.000 claims description 43
- 238000013508 migration Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 229960005486 vaccine Drugs 0.000 description 1
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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/14—Thermal energy storage
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本申请涉及人工智能技术领域，提供一种应用于冷库管理系统的故障识别方法及人工智能服务器，调用冷库系统故障识别组件，从第一冷库运行故障识别算法中挖掘用于进行故障识别的特征，再通过挖掘出的用于进行故障识别的特征，辅助第二冷库运行故障识别算法的调试，以实现冷库故障识别的迁移学习，且本申请实施例调用冷库系统故障识别组件作为迁移学习的桥梁，无需约束第一冷库运行故障识别算法和第二冷库运行故障识别算法的模块配置，这样能够将迁移学习应用到不同类型的AI算法中，确保了故障识别的扩展性，在此基础上通过第三冷库运行故障识别算法对待识别冷库系统运行监测报告进行冷库运行故障识别，能够准确、快速地确定出冷库运行故障种类。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及应用于冷库管理系统的故障识别方法及人工智能服务器。
背景技术
冷库（冷藏库）本质上是一种低温冷冻设备，冷冻温度一般在零下10摄氏度至零下30摄氏度之间，冷库的存储冷冻量比较大，与冰箱相比较，冷库的制冷面积要大很多。冷库是对食品、液体、化工、医药、疫苗、科学试验等物品进行恒温恒湿贮藏的重要设备，因而针对冷库的故障分析处理至关重要。但由于冷库的体积大且软硬件结构相对复杂，传统技术难以精准高效地进行故障分析识别。
发明内容
本申请至少提供应用于冷库管理系统的故障识别方法及人工智能服务器。
本申请提供了一种应用于冷库管理系统的故障识别方法，应用于人工智能服务器，所述方法包括：获取冷库系统运行监测报告样例集合，其中，所述冷库系统运行监测报告样例集合中包括各冷库系统运行监测报告样例；将所述各冷库系统运行监测报告样例传入第一冷库运行故障识别算法，获得所述各冷库系统运行监测报告样例的第一异常运行状态描述矩数据，基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，其中，所述冷库系统故障识别组件是依据所述第一冷库运行故障识别算法调试所得到的；将所述各冷库系统运行监测报告样例传入第二冷库运行故障识别算法，获得所述各冷库系统运行监测报告样例的第二异常运行状态描述矩数据，基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果；基于所述各冷库系统运行监测报告样例的所述第二故障识别结果和所述第一故障识别结果，调试所述第二冷库运行故障识别算法，在符合调试期望的基础上，获得第三冷库运行故障识别算法；获取待识别冷库系统运行监测报告，并通过第三冷库运行故障识别算法对所述待识别冷库系统运行监测报告进行冷库运行故障识别，得到冷库运行故障种类。
本申请实施例中，将冷库系统运行监测报告样例集合中各冷库系统运行监测报告样例传入第一冷库运行故障识别算法，调用冷库系统故障识别组件获得各冷库系统运行监测报告样例的第一故障识别结果，并将各冷库系统运行监测报告样例传入第二冷库运行故障识别算法，调用冷库系统故障识别组件获得各冷库系统运行监测报告样例的第二故障识别结果，进而基于各冷库系统运行监测报告样例的第二故障识别结果和第一故障识别结果，调试第二冷库运行故障识别算法，获得第三冷库运行故障识别算法。如此一来，调用冷库系统故障识别组件，从第一冷库运行故障识别算法中挖掘用于进行故障识别的特征，再通过挖掘出的用于进行故障识别的特征，辅助第二冷库运行故障识别算法的调试，以实现冷库故障识别的迁移学习，且本申请实施例调用冷库系统故障识别组件作为迁移学习的桥梁，无需约束第一冷库运行故障识别算法和第二冷库运行故障识别算法的模块配置（算法结架构），这样能够将迁移学习应用到不同类型的AI算法中，确保了故障识别的扩展性，在此基础上通过第三冷库运行故障识别算法对待识别冷库系统运行监测报告进行冷库运行故障识别，能够准确、快速地确定出冷库运行故障种类。
在一些可能的示例下，基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，包括：基于所述冷库系统故障识别组件中目标基础描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第一目标局部特征联合聚焦单元，获得索引描述特征；基于所述索引描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第二目标局部特征联合聚焦单元，获得所述第一故障识别结果。
本申请实施例中，将目标基础描述特征和第一异常运行状态描述矩数据，进行局部特征的联合聚焦操作，获得索引描述特征，再与第一异常运行状态描述矩数据进行局部特征的联合聚焦操作，可以获得第一冷库运行故障识别算法中的用于进行故障识别的特征，调用局部特征的联合聚焦操作聚焦冷库系统运行监测报告样例中故障特征部分，从而提升后续故障识别的精度，减少其他特征的干扰。
在一些可能的示例下，基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果，包括：基于所述冷库系统故障识别组件中目标基础描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第一目标局部特征联合聚焦单元，获得索引描述特征；基于所述索引描述特征和所述第二异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第二目标局部特征联合聚焦单元，获得所述第二故障识别结果。
本申请实施例中，通过第一冷库运行故障识别算法的生成结果来获得索引描述特征，进而依据该索引描述特征和第二异常运行状态描述矩数据进行局部特征的联合聚焦操作，获得第二冷库运行故障识别算法的第二故障识别结果，以提升第二冷库运行故障识别算法掌握第一冷库运行故障识别算法中用于进行故障识别的特征的能力。
在一些可能的示例下，所述第一故障识别结果包括第一冷库系统故障属性数据和第一冷库系统故障分布数据，所述第二故障识别结果包括第二冷库系统故障属性数据和第二冷库系统故障分布数据；所述冷库系统故障识别组件包括第一故障要素挖掘模块和第二故障要素挖掘模块，所述第一故障要素挖掘模块用于挖掘所述第一冷库系统故障属性数据或所述第二冷库系统故障属性数据，所述第一故障要素挖掘模块的模块配置至少包含第一局部特征联合聚焦单元和第二局部特征联合聚焦单元；并且所述第二故障要素挖掘模块用于挖掘所述第一冷库系统故障分布数据或第二冷库系统故障分布数据，所述第二故障要素挖掘模块的模块配置至少包含第三局部特征联合聚焦单元和第四局部特征联合聚焦单元。
本申请实施例中，用于进行故障识别的特征可以包括故障属性特征和故障分布特征，并调用冷库系统故障识别组件的两个互不干扰的第一故障要素挖掘模块和第二故障要素挖掘模块进行挖掘，可以从第一冷库运行故障识别算法中挖掘出完整、准确的用于进行故障识别的特征，以提升第二冷库运行故障识别算法的调试质量。
在一些可能的示例下，所述符合调试期望，包括：循环调试轮数达到设定值，或者目标算法调试质量评估指标符合稳定性要求；其中，所述目标算法调试质量评估指标至少包含第一算法调试质量评估指标和第二算法调试质量评估指标的聚合结果，所述第一算法调试质量评估指标反映所述第一冷库系统故障属性数据和所述第二冷库系统故障属性数据之间的算法调试质量评估指标，所述第二算法调试质量评估指标反映所述第一冷库系统故障分布数据和所述第二冷库系统故障分布数据之间的算法调试质量评估指标。
本申请实施例中，冷库系统故障识别组件包括两个故障要素挖掘模块，分别获得故障属性特征和故障分布特征，进而可以依据两个故障要素挖掘模块的算法调试质量评估指标的聚合结果，确定全局的目标算法调试质量评估指标，提升调试质量。
在一些可能的示例下，基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，包括：将所述第一异常运行状态描述矩数据传入所述第一故障要素挖掘模块，基于所述第一故障要素挖掘模块中第一基础描述特征和所述第一异常运行状态描述矩数据，调用所述第一局部特征联合聚焦单元，获得第一索引描述特征，并基于所述第一索引描述特征和所述第一异常运行状态描述矩数据，调用所述第二局部特征联合聚焦单元，获得所述第一冷库系统故障属性数据；将所述第一异常运行状态描述矩数据传入所述第二故障要素挖掘模块，基于所述第二故障要素挖掘模块中第二基础描述特征和所述第一异常运行状态描述矩数据，调用所述第三局部特征联合聚焦单元，获得第二索引描述特征，并基于所述第二索引描述特征和所述第一异常运行状态描述矩数据，调用所述第四局部特征联合聚焦单元，获得所述第一冷库系统故障分布数据，其中，所述第二基础描述特征与所述各冷库系统运行监测报告样例中初始故障掩码文本的分布区域存在联系。
本申请实施例中，调用冷库系统故障识别组件的第一故障要素挖掘模块和第二故障要素挖掘模块，分别挖掘第一冷库运行故障识别算法的第一冷库系统故障属性数据和第二冷库系统故障分布数据，确保用于进行故障识别的特征的挖掘精度和全面性。
在一些可能的示例下，基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果，包括：将所述第一异常运行状态描述矩数据和所述第二异常运行状态描述矩数据传入所述第一故障要素挖掘模块，基于所述第一故障要素挖掘模块中第一基础描述特征和所述第一异常运行状态描述矩数据，调用所述第一局部特征联合聚焦单元，获得第一索引描述特征，并基于所述第一索引描述特征和所述第二异常运行状态描述矩数据，调用所述第二局部特征联合聚焦单元，获得所述第二冷库系统故障属性数据；将所述第一异常运行状态描述矩数据和所述第二异常运行状态描述矩数据传入所述第二故障要素挖掘模块，基于所述第二故障要素挖掘模块中第二基础描述特征和所述第一异常运行状态描述矩数据，调用所述第三局部特征联合聚焦单元，获得第二索引描述特征，并基于所述第二索引描述特征和所述第二异常运行状态描述矩数据，调用所述第四局部特征联合聚焦单元，获得所述第二冷库系统故障分布数据，其中，所述第二基础描述特征与所述各冷库系统运行监测报告样例中初始故障掩码文本的分布区域存在联系。
本申请实施例中，依据第一冷库运行故障识别算法的识别信息而获得第一索引描述特征和第二索引描述特征，进而分别依据冷库系统故障识别组件的第一故障要素挖掘模块和第二故障要素挖掘模块，获得第二冷库运行故障识别算法的第二冷库系统故障属性数据和第二冷库系统故障分布数据，使得第二冷库运行故障识别算法参考第一冷库运行故障识别算法，而达到调试第二冷库运行故障识别算法的目的，并提升第二冷库运行故障识别算法的调试质量和效率。
在一些可能的示例下，所述冷库系统故障识别组件的调试步骤，包括以下步骤：获取第二冷库系统运行监测报告样例集合，其中，所述第二冷库系统运行监测报告样例集合中包括各第二冷库系统运行监测报告样例；将所述各第二冷库系统运行监测报告样例传入所述第一冷库运行故障识别算法，获得所述各第二冷库系统运行监测报告样例的第三异常运行状态描述矩数据，并基于所述第三异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各第二冷库系统运行监测报告样例的第三故障识别结果；基于所述第三故障识别结果，调试所述冷库系统故障识别组件，在循环调试轮数达到设定值或者算法迁移调试质量评估指标符合稳定性要求的基础上，获得调试完成后的冷库系统故障识别组件，其中，所述算法迁移调试质量评估指标包括当前故障判别观点和先验故障判别观点之间的区别，所述当前故障判别观点是依据所述第三故障识别结果进行冷库运行故障识别后得到。
本申请实施例中，可以将冷库系统故障识别组件增添至第一冷库运行故障识别算法的识别信息中，进而依据第一冷库运行故障识别算法调试获得冷库系统故障识别组件，可以使得冷库系统故障识别组件能够挖掘适于故障识别的特征信息。
在一些可能的示例下，所述第三故障识别结果包括第三冷库系统故障属性数据和第三冷库系统故障分布数据，则基于所述第三异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各第二冷库系统运行监测报告样例的第三故障识别结果，包括：将所述第三异常运行状态描述矩数据传入所述冷库系统故障识别组件的第一故障要素挖掘模块，获得所述各第二冷库系统运行监测报告样例的第三冷库系统故障属性数据；将所述第三异常运行状态描述矩数据传入所述冷库系统故障识别组件的第二故障要素挖掘模块，获得所述各第二冷库系统运行监测报告样例的第三冷库系统故障分布数据。
本申请实施例中，冷库系统故障识别组件可以解耦成第一故障要素挖掘模块和第二故障要素挖掘模块，且这两个两个故障要素挖掘模块的调试互相独立，不同故障要素挖掘模块的模块变量不共用，这样能够提升对故障属性特征和故障分布特征的挖掘精度。
在一些可能的示例下，所述当前故障判别观点包括当前冷库系统故障分布观点和当前冷库系统故障种类观点，并所述当前冷库系统故障分布观点和所述当前冷库系统故障种类观点是依据所述第三冷库系统故障属性数据或所述第三冷库系统故障分布数据所得到的，所述先验故障判别观点包括先验冷库系统故障分布观点和先验冷库系统故障种类观点；所述算法迁移调试质量评估指标包括所述当前冷库系统故障分布观点与所述先验冷库系统故障分布观点之间的区别，以及所述当前冷库系统故障种类观点与所述先验冷库系统故障种类观点之间的区别的求和结果。
本申请实施例中，依据两个故障要素挖掘模块的冷库系统故障识别组件的调试，算法调试质量评估指标可以包括基于故障分布的算法调试质量评估指标和基于故障种类的算法调试质量评估指标，提升调试质量。
在另一些实施例中，还提供了一种应用于冷库管理系统的故障识别方法，应用于人工智能服务器，所述方法包括：获取待识别冷库系统运行监测报告；通过第三冷库运行故障识别算法对所述待识别冷库系统运行监测报告进行冷库运行故障识别，获得冷库运行故障种类，所述第三冷库运行故障识别算法依据上述的调试步骤调试所得。
本申请实施例中，依据冷库系统故障识别组件提取第一冷库运行故障识别算法的第一故障识别结果，并提取第二冷库运行故障识别算法的第二故障识别结果，进而调试获得第三冷库运行故障识别算法，依据调试后的故障识别结果，可以对待识别冷库系统运行监测报告进行冷库运行故障识别，获得从待识别冷库系统运行监测报告中确定出的冷库运行故障种类。如此，第三冷库运行故障识别算法与第一冷库运行故障识别算法相比，算法结构复杂度明显降低，且第三冷库运行故障识别算法存在与第一冷库运行故障识别算法相接近的故障识别能力，从而可以将第三冷库运行故障识别算法应用到不同的冷库运行故障识别任务下，且第三冷库运行故障识别算法所需匹配的软硬件开销相对不高，确保了故障识别的扩展性，还能够提升故障识别的精度和效率。
本申请还提供了一种人工智能服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
关于上述人工智能服务器、计算机可读存储介质的效果描述参见上述方法的说明。
为使本申请的上述目的、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申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本申请实施例示出的一种人工智能服务器的方框图。
图2是本申请实施例示出的一种应用于冷库管理系统的故障识别方法的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是本申请的一些方面相一致的装置和方法的例子。
图1为本申请实施例提供的人工智能服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当人工智能服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本申请实施例的应用于冷库管理系统的故障识别方法。
请结合图2，图2是本申请实施例所提供的一种应用于冷库管理系统的故障识别方法的流程示意图，应用于人工智能服务器，该方法示例性可以包括STEP100-STEP500。
STEP100、获取冷库系统运行监测报告样例集合。
其中，所述冷库系统运行监测报告样例集合中包括各冷库系统运行监测报告样例。
譬如，冷库系统运行监测报告样例可以是针对冷库系统的鼓风机、压缩机、冷凝器、节流阀、蒸发管、货架结构、防爆结构、线路结构等进行运行状态监测之后所生成的报告，冷库系统运行监测报告样例涉及冷库系统的硬件系统以及软件系统的监测。冷库系统运行监测报告样例可以作为相应冷库运行故障识别算法的训练样本/调试样本，冷库系统运行监测报告样例中可以包括不同形式（比如文本、音频、图表等）的报告内容。
STEP200、将所述各冷库系统运行监测报告样例传入第一冷库运行故障识别算法，获得所述各冷库系统运行监测报告样例的第一异常运行状态描述矩数据，基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果。
其中，所述冷库系统故障识别组件是依据所述第一冷库运行故障识别算法调试所得到的。
譬如，第一异常运行状态描述矩数据可以是各冷库系统运行监测报告样例的异常运行状态特征图，示例性可以通过特征矩阵的方式进行表征。异常运行状态特征图可以涉及鼓风机、压缩机、冷凝器、节流阀、蒸发管、货架结构、防爆结构、线路结构等方面的异常运行状态。而冷库系统故障识别组件可以理解为故障识别模块/故障识别子算法。进一步地，第一故障识别结果为冷库系统故障识别组件输出的故障识别信息或者故障识别特征。
STEP300、将所述各冷库系统运行监测报告样例传入第二冷库运行故障识别算法，获得所述各冷库系统运行监测报告样例的第二异常运行状态描述矩数据，基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果。
譬如，第二冷库运行故障识别算法可以理解为学生算法，第一冷库运行故障识别算法可以理解为教师算法。第二异常运行状态描述矩数据是作为学生算法的第二冷库运行故障识别算法挖掘出的各冷库系统运行监测报告样例的异常运行状态特征图，在此基础上，可以结合第一异常运行状态描述矩数据和第二异常运行状态描述矩数据进行故障识别，从而得到冷库系统故障识别组件生成的第二故障识别结果。
STEP400、基于所述各冷库系统运行监测报告样例的所述第二故障识别结果和所述第一故障识别结果，调试所述第二冷库运行故障识别算法，在符合调试期望的基础上，获得第三冷库运行故障识别算法。
譬如，各冷库系统运行监测报告样例的第一故障识别结果仅引入第一异常运行状态描述矩数据，而各冷库系统运行监测报告样例的第二故障识别结果是结合第一异常运行状态描述矩数据和第二异常运行状态描述矩数据所确定的，在此基础上，可以通过不同的故障识别结果对第二冷库运行故障识别算法进行调试，以实现第二冷库运行故障识别算法的迁移学习，从而在完成调试之后得到第三冷库运行故障识别算法。
可以理解，应用STEP100-STEP400，将冷库系统运行监测报告样例集合中各冷库系统运行监测报告样例传入第一冷库运行故障识别算法，调用冷库系统故障识别组件获得各冷库系统运行监测报告样例的第一故障识别结果，并将各冷库系统运行监测报告样例传入第二冷库运行故障识别算法，调用冷库系统故障识别组件获得各冷库系统运行监测报告样例的第二故障识别结果，进而基于各冷库系统运行监测报告样例的第二故障识别结果和第一故障识别结果，调试第二冷库运行故障识别算法，获得第三冷库运行故障识别算法。如此，调用冷库系统故障识别组件，从第一冷库运行故障识别算法中挖掘用于进行故障识别的特征，再通过挖掘出的用于进行故障识别的特征，辅助第二冷库运行故障识别算法的调试，以实现冷库故障识别的迁移学习，且本申请实施例调用冷库系统故障识别组件作为迁移学习的桥梁，无需约束第一冷库运行故障识别算法和第二冷库运行故障识别算法的模块配置，这样能够将迁移学习应用到不同类型的AI算法中，确保了故障识别的扩展性，还能够提升故障识别的精度和效率。
STEP500、获取待识别冷库系统运行监测报告，并通过第三冷库运行故障识别算法对所述待识别冷库系统运行监测报告进行冷库运行故障识别，得到冷库运行故障种类。
应用STEP500，第三冷库运行故障识别算法与第一冷库运行故障识别算法相比，算法结构复杂度明显降低，且第三冷库运行故障识别算法存在与第一冷库运行故障识别算法相接近的故障识别能力，从而可以将第三冷库运行故障识别算法应用到不同的冷库运行故障识别任务下，且第三冷库运行故障识别算法所需匹配的软硬件开销相对不高，确保了故障识别的扩展性，还能够提升故障识别的精度和效率。
在一些可能的示例下，STEP200中的基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，包括STEP210和STEP220。
STEP210、基于所述冷库系统故障识别组件中目标基础描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第一目标局部特征联合聚焦单元，获得索引描述特征。
譬如，目标基础描述特征可以理解为目标初始特征或者目标初始向量。第一目标局部特征联合聚焦单元可以理解为第一目标交叉聚焦单元，用于进行局部特征的交叉注意力强化。基于此，通过对目标基础描述特征和第一异常运行状态描述矩数据进行交叉注意力强化，能够得到作为查询用的索引描述特征（也即查询特征）。
STEP220、基于所述索引描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第二目标局部特征联合聚焦单元，获得所述第一故障识别结果。
本申请实施例中，基于STEP210和STEP220，将目标基础描述特征和第一异常运行状态描述矩数据，进行局部特征的联合聚焦操作，获得索引描述特征，再与第一异常运行状态描述矩数据进行局部特征的联合聚焦操作，可以获得第一冷库运行故障识别算法中的用于进行故障识别的特征，调用局部特征的联合聚焦操作聚焦冷库系统运行监测报告样例中故障特征部分，从而提升后续故障识别的精度，减少其他特征的干扰。
在一些可能的示例下，STEP300所描述的基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果，包括STEP310和STEP320。
STEP310、基于所述冷库系统故障识别组件中目标基础描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第一目标局部特征联合聚焦单元，获得索引描述特征。
STEP320、基于所述索引描述特征和所述第二异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第二目标局部特征联合聚焦单元，获得所述第二故障识别结果。
应当理解，STEP320不同于STEP220，STEP320在调用冷库系统故障识别组件的第二目标局部特征联合聚焦单元进行处理时，是基于索引描述特征和第二异常运行状态描述矩数据实现的（STEP220则是基于索引描述特征和第一异常运行状态描述矩数据实现）。
本申请实施例中，基于STEP310和STEP320，通过第一冷库运行故障识别算法的生成结果来获得索引描述特征，进而依据该索引描述特征和第二异常运行状态描述矩数据进行局部特征的联合聚焦操作，获得第二冷库运行故障识别算法的第二故障识别结果，以提升第二冷库运行故障识别算法掌握第一冷库运行故障识别算法中用于进行故障识别的特征的能力。
在一些可能的示例下，所述第一故障识别结果包括第一冷库系统故障属性数据和第一冷库系统故障分布数据，所述第二故障识别结果包括第二冷库系统故障属性数据和第二冷库系统故障分布数据。
譬如，冷库系统故障属性数据可以理解为冷库系统的故障内容信息（比如故障细节），冷库系统故障分布数据可以理解为冷库系统的故障分布信息（比如出现故障的环节或者部件）。
进一步地，所述冷库系统故障识别组件包括第一故障要素挖掘模块和第二故障要素挖掘模块。
譬如，所述第一故障要素挖掘模块用于挖掘所述第一冷库系统故障属性数据或所述第二冷库系统故障属性数据，所述第一故障要素挖掘模块的模块配置至少包含第一局部特征联合聚焦单元和第二局部特征联合聚焦单元；所述第二故障要素挖掘模块用于挖掘所述第一冷库系统故障分布数据或第二冷库系统故障分布数据，所述第二故障要素挖掘模块的模块配置至少包含第三局部特征联合聚焦单元和第四局部特征联合聚焦单元。
又譬如，故障要素挖掘模块是用于进行故障特征挖掘提炼的算法分支。本申请实施例中，用于进行故障识别的特征可以包括故障属性特征和故障分布特征，并调用冷库系统故障识别组件的两个互不干扰的第一故障要素挖掘模块和第二故障要素挖掘模块进行挖掘，可以从第一冷库运行故障识别算法中挖掘出完整、准确的用于进行故障识别的特征，以提升第二冷库运行故障识别算法的调试质量。
在一些可能的示例下，上述的符合调试期望，可以包括以下两类中的其中一类。
第一类、循环调试轮数达到设定值。
第二类、目标算法调试质量评估指标符合稳定性要求。
譬如，所述目标算法调试质量评估指标至少包含第一算法调试质量评估指标和第二算法调试质量评估指标的聚合结果（比如求和结果），所述第一算法调试质量评估指标反映所述第一冷库系统故障属性数据和所述第二冷库系统故障属性数据之间的算法调试质量评估指标，所述第二算法调试质量评估指标反映所述第一冷库系统故障分布数据和所述第二冷库系统故障分布数据之间的算法调试质量评估指标。
又譬如，算法调试质量评估指标可以理解为算法调试过程中的损失函数或者代价函数，可以是交叉熵损失函数。
本申请实施例中，冷库系统故障识别组件包括两个故障要素挖掘模块，分别获得故障属性特征和故障分布特征，进而可以依据两个故障要素挖掘模块的算法调试质量评估指标的聚合结果，确定全局的目标算法调试质量评估指标，提升调试质量。
在另一些可能的实施例中，STEP200中的基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，包括STEP200a和STEP200b。
STEP200a、将所述第一异常运行状态描述矩数据传入所述第一故障要素挖掘模块，基于所述第一故障要素挖掘模块中第一基础描述特征和所述第一异常运行状态描述矩数据，调用所述第一局部特征联合聚焦单元，获得第一索引描述特征，并基于所述第一索引描述特征和所述第一异常运行状态描述矩数据，调用所述第二局部特征联合聚焦单元，获得所述第一冷库系统故障属性数据。
譬如，第一冷库系统故障属性数据可以理解为第一故障内容信息。
STEP200b、将所述第一异常运行状态描述矩数据传入所述第二故障要素挖掘模块，基于所述第二故障要素挖掘模块中第二基础描述特征和所述第一异常运行状态描述矩数据，调用所述第三局部特征联合聚焦单元，获得第二索引描述特征，并基于所述第二索引描述特征和所述第一异常运行状态描述矩数据，调用所述第四局部特征联合聚焦单元，获得所述第一冷库系统故障分布数据。
其中，所述第二基础描述特征与所述各冷库系统运行监测报告样例中初始故障掩码文本的分布区域存在联系。譬如，初始故障掩码文本可以理解为对冷库系统运行监测报告样例中存在故障的内容进行标注或者高亮处理之后的问题，初始故障掩码文本的分布区域可以理解为初始故障掩码文本的位置区域。
本申请实施例中，应用STEP200a和STEP200b，调用冷库系统故障识别组件的第一故障要素挖掘模块和第二故障要素挖掘模块，分别挖掘第一冷库运行故障识别算法的第一冷库系统故障属性数据和第二冷库系统故障分布数据，确保用于进行故障识别的特征的挖掘精度和全面性。
在一些可能的示例下，STEP300所描述的基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果，包括STEP300a和STEP300b。
STEP300a、将所述第一异常运行状态描述矩数据和所述第二异常运行状态描述矩数据传入所述第一故障要素挖掘模块，基于所述第一故障要素挖掘模块中第一基础描述特征和所述第一异常运行状态描述矩数据，调用所述第一局部特征联合聚焦单元，获得第一索引描述特征，并基于所述第一索引描述特征和所述第二异常运行状态描述矩数据，调用所述第二局部特征联合聚焦单元，获得所述第二冷库系统故障属性数据。
STEP300b、将所述第一异常运行状态描述矩数据和所述第二异常运行状态描述矩数据传入所述第二故障要素挖掘模块，基于所述第二故障要素挖掘模块中第二基础描述特征和所述第一异常运行状态描述矩数据，调用所述第三局部特征联合聚焦单元，获得第二索引描述特征，并基于所述第二索引描述特征和所述第二异常运行状态描述矩数据，调用所述第四局部特征联合聚焦单元，获得所述第二冷库系统故障分布数据。
其中，所述第二基础描述特征与所述各冷库系统运行监测报告样例中初始故障掩码文本的分布区域存在联系。
本申请实施例中，应用STEP300a和STEP300b，依据第一冷库运行故障识别算法的识别信息而获得第一索引描述特征和第二索引描述特征，进而分别依据冷库系统故障识别组件的第一故障要素挖掘模块和第二故障要素挖掘模块，获得第二冷库运行故障识别算法的第二冷库系统故障属性数据和第二冷库系统故障分布数据，使得第二冷库运行故障识别算法参考第一冷库运行故障识别算法，而达到调试第二冷库运行故障识别算法的目的，并提升第二冷库运行故障识别算法的调试质量和效率。
在一些可选的实施例中，所述冷库系统故障识别组件的调试步骤，包括STEP610-STEP630。
STEP610、获取第二冷库系统运行监测报告样例集合，其中，所述第二冷库系统运行监测报告样例集合中包括各第二冷库系统运行监测报告样例。
STEP620、将所述各第二冷库系统运行监测报告样例传入所述第一冷库运行故障识别算法，获得所述各第二冷库系统运行监测报告样例的第三异常运行状态描述矩数据，并基于所述第三异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各第二冷库系统运行监测报告样例的第三故障识别结果。
STEP630、基于所述第三故障识别结果，调试所述冷库系统故障识别组件，在循环调试轮数达到设定值或者算法迁移调试质量评估指标符合稳定性要求的基础上，获得调试完成后的冷库系统故障识别组件。
其中，所述算法迁移调试质量评估指标包括当前故障判别观点和先验故障判别观点之间的区别，所述当前故障判别观点是依据所述第三故障识别结果进行冷库运行故障识别后得到。
譬如，稳定性要求可以理解为算法迁移调试质量评估指标处于收敛状态，而当前故障判别观点可以理解为故障判别观点的预测结果，先验故障判别观点可以理解为相应样例所对应的正确/真实故障判别观点。进一步地，故障判别观点包括故障属性判别观点和故障分布判别观点。
本申请实施例中，通过STEP610-STEP630，可以将冷库系统故障识别组件增添至第一冷库运行故障识别算法的识别信息中，进而依据第一冷库运行故障识别算法调试获得冷库系统故障识别组件，可以使得冷库系统故障识别组件能够挖掘适于故障识别的特征信息。
在一些可能的示例下，所述第三故障识别结果包括第三冷库系统故障属性数据和第三冷库系统故障分布数据，则STEP620所描述的基于所述第三异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各第二冷库系统运行监测报告样例的第三故障识别结果，包括STEP621和STEP622。
STEP621、将所述第三异常运行状态描述矩数据传入所述冷库系统故障识别组件的第一故障要素挖掘模块，获得所述各第二冷库系统运行监测报告样例的第三冷库系统故障属性数据。
STEP622、将所述第三异常运行状态描述矩数据传入所述冷库系统故障识别组件的第二故障要素挖掘模块，获得所述各第二冷库系统运行监测报告样例的第三冷库系统故障分布数据。
本申请实施例中，利用STEP621和STEP622，冷库系统故障识别组件可以解耦成第一故障要素挖掘模块和第二故障要素挖掘模块，且这两个两个故障要素挖掘模块的调试互相独立，不同故障要素挖掘模块的模块变量不共用，以提升对故障属性特征和故障分布特征的挖掘精度。
在一些可能的示例下，所述当前故障判别观点包括当前冷库系统故障分布观点和当前冷库系统故障种类观点，并所述当前冷库系统故障分布观点和所述当前冷库系统故障种类观点是依据所述第三冷库系统故障属性数据或所述第三冷库系统故障分布数据所得到的，所述先验故障判别观点包括先验冷库系统故障分布观点和先验冷库系统故障种类观点。在此基础上，所述算法迁移调试质量评估指标包括所述当前冷库系统故障分布观点与所述先验冷库系统故障分布观点之间的区别，以及所述当前冷库系统故障种类观点与所述先验冷库系统故障种类观点之间的区别的求和结果。
本申请实施例中，依据两个故障要素挖掘模块的冷库系统故障识别组件的调试，算法调试质量评估指标可以包括基于故障分布的算法调试质量评估指标和基于故障种类的算法调试质量评估指标，提升调试质量。
在一些可独立实施的设计思路下，还提供一种应用于冷库管理系统的故障识别方法，包括：获取待识别冷库系统运行监测报告；通过第三冷库运行故障识别算法对所述待识别冷库系统运行监测报告进行冷库运行故障识别，获得冷库运行故障种类，所述第三冷库运行故障识别算法依据上述调试迁移学习调试思路调试所得。
本申请实施例中，依据冷库系统故障识别组件提取第一冷库运行故障识别算法的第一故障识别结果，并提取第二冷库运行故障识别算法的第二故障识别结果，进而调试获得第三冷库运行故障识别算法，依据调试后的故障识别结果，可以对待识别冷库系统运行监测报告进行冷库运行故障识别，获得从待识别冷库系统运行监测报告中确定出的冷库运行故障种类。如此，第三冷库运行故障识别算法与第一冷库运行故障识别算法相比，算法结构复杂度明显降低，且第三冷库运行故障识别算法存在与第一冷库运行故障识别算法相接近的故障识别能力，从而可以将第三冷库运行故障识别算法应用到不同的冷库运行故障识别任务下，且第三冷库运行故障识别算法所需匹配的软硬件开销相对不高，确保了故障识别的扩展性，还能够提升故障识别的精度和效率。
此外，在一些可独立实施的设计思路下，在所述通过第三冷库运行故障识别算法对所述待识别冷库系统运行监测报告进行冷库运行故障识别，得到冷库运行故障种类之后，所述方法还包括：根据所述冷库运行故障种类，生成针对目标冷库系统的故障检修策略；其中，所述目标冷库系统是与待识别冷库系统运行监测报告对应的冷库系统。
此外，在一些可独立实施的设计思路下，所述根据所述冷库运行故障种类，生成针对目标冷库系统的故障检修策略，包括：通过所述冷库运行故障种类确定所述目标冷库系统的故障描述文本；根据所述故障描述文本以及所述目标冷库系统的结构化系统特征，生成所述故障检修策略。
此外，在一些可独立实施的设计思路下，所述根据所述故障描述文本以及所述目标冷库系统的结构化系统特征，生成所述故障检修策略，包括：根据所述故障描述文本从所述结构化系统特征中分割出目标局部结构特征；所述目标局部结构特征包括硬件设备的空间关联特征以及系统软件的通信交互特征；根据所述目标局部结构特征与所述结构化系统特征中剩余局部结构特征的相关性，生成针对目标故障区域的故障检修策略；其中，所述目标故障区域与目标局部结构特征相对应。
譬如，可以利用冷库运行故障种类对待识别冷库系统运行监测报告进行针对性的文本抽取和汇总，从而分离出尽可能完整的故障描述文本，然后通过故障描述文本对目标冷库系统的结构化系统特征进行分析，从而实现对故障区域的关联性排查，在此基础上制定出的故障检修策略，可以尽量减少故障检修过程中的大面积停机，从而缩小故障检修的影响范围。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。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、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
Claims (10)
1.一种应用于冷库管理系统的故障识别方法，其特征在于，应用于人工智能服务器，所述方法包括：
获取冷库系统运行监测报告样例集合，其中，所述冷库系统运行监测报告样例集合中包括各冷库系统运行监测报告样例；
将所述各冷库系统运行监测报告样例传入第一冷库运行故障识别算法，获得所述各冷库系统运行监测报告样例的第一异常运行状态描述矩数据，基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，其中，所述冷库系统故障识别组件是依据所述第一冷库运行故障识别算法调试所得到的；
将所述各冷库系统运行监测报告样例传入第二冷库运行故障识别算法，获得所述各冷库系统运行监测报告样例的第二异常运行状态描述矩数据，基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果；
基于所述各冷库系统运行监测报告样例的所述第二故障识别结果和所述第一故障识别结果，调试所述第二冷库运行故障识别算法，在符合调试期望的基础上，获得第三冷库运行故障识别算法；
获取待识别冷库系统运行监测报告，并通过第三冷库运行故障识别算法对所述待识别冷库系统运行监测报告进行冷库运行故障识别，得到冷库运行故障种类。
2.如权利要求1所述的方法，其特征在于，所述基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，包括：
基于所述冷库系统故障识别组件中目标基础描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第一目标局部特征联合聚焦单元，获得索引描述特征；
基于所述索引描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第二目标局部特征联合聚焦单元，获得所述第一故障识别结果。
3.如权利要求1所述的方法，其特征在于，所述基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果，包括：
基于所述冷库系统故障识别组件中目标基础描述特征和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第一目标局部特征联合聚焦单元，获得索引描述特征；
基于所述索引描述特征和所述第二异常运行状态描述矩数据，调用所述冷库系统故障识别组件的第二目标局部特征联合聚焦单元，获得所述第二故障识别结果。
4.如权利要求1-3任一项所述的方法，其特征在于，所述第一故障识别结果包括第一冷库系统故障属性数据和第一冷库系统故障分布数据，所述第二故障识别结果包括第二冷库系统故障属性数据和第二冷库系统故障分布数据；
所述冷库系统故障识别组件包括第一故障要素挖掘模块和第二故障要素挖掘模块，所述第一故障要素挖掘模块用于挖掘所述第一冷库系统故障属性数据或所述第二冷库系统故障属性数据，所述第一故障要素挖掘模块的模块配置至少包含第一局部特征联合聚焦单元和第二局部特征联合聚焦单元，所述第二故障要素挖掘模块用于挖掘所述第一冷库系统故障分布数据或第二冷库系统故障分布数据，所述第二故障要素挖掘模块的模块配置至少包含第三局部特征联合聚焦单元和第四局部特征联合聚焦单元。
5.如权利要求4所述的方法，其特征在于，所述符合调试期望，包括：循环调试轮数达到设定值，或者目标算法调试质量评估指标符合稳定性要求；其中，所述目标算法调试质量评估指标至少包含第一算法调试质量评估指标和第二算法调试质量评估指标的聚合结果，所述第一算法调试质量评估指标反映所述第一冷库系统故障属性数据和所述第二冷库系统故障属性数据之间的算法调试质量评估指标，所述第二算法调试质量评估指标反映所述第一冷库系统故障分布数据和所述第二冷库系统故障分布数据之间的算法调试质量评估指标。
6.如权利要求4所述的方法，其特征在于，所述基于所述第一异常运行状态描述矩数据，调用冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第一故障识别结果，包括：
将所述第一异常运行状态描述矩数据传入所述第一故障要素挖掘模块，基于所述第一故障要素挖掘模块中第一基础描述特征和所述第一异常运行状态描述矩数据，调用所述第一局部特征联合聚焦单元，获得第一索引描述特征，并基于所述第一索引描述特征和所述第一异常运行状态描述矩数据，调用所述第二局部特征联合聚焦单元，获得所述第一冷库系统故障属性数据；
将所述第一异常运行状态描述矩数据传入所述第二故障要素挖掘模块，基于所述第二故障要素挖掘模块中第二基础描述特征和所述第一异常运行状态描述矩数据，调用所述第三局部特征联合聚焦单元，获得第二索引描述特征，并基于所述第二索引描述特征和所述第一异常运行状态描述矩数据，调用所述第四局部特征联合聚焦单元，获得所述第一冷库系统故障分布数据，其中，所述第二基础描述特征与所述各冷库系统运行监测报告样例中初始故障掩码文本的分布区域存在联系。
7.如权利要求4所述的方法，其特征在于，所述基于所述第二异常运行状态描述矩数据和所述第一异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各冷库系统运行监测报告样例的第二故障识别结果，包括：
将所述第一异常运行状态描述矩数据和所述第二异常运行状态描述矩数据传入所述第一故障要素挖掘模块，基于所述第一故障要素挖掘模块中第一基础描述特征和所述第一异常运行状态描述矩数据，调用所述第一局部特征联合聚焦单元，获得第一索引描述特征，并基于所述第一索引描述特征和所述第二异常运行状态描述矩数据，调用所述第二局部特征联合聚焦单元，获得所述第二冷库系统故障属性数据；
将所述第一异常运行状态描述矩数据和所述第二异常运行状态描述矩数据传入所述第二故障要素挖掘模块，基于所述第二故障要素挖掘模块中第二基础描述特征和所述第一异常运行状态描述矩数据，调用所述第三局部特征联合聚焦单元，获得第二索引描述特征，并基于所述第二索引描述特征和所述第二异常运行状态描述矩数据，调用所述第四局部特征联合聚焦单元，获得所述第二冷库系统故障分布数据，其中，所述第二基础描述特征与所述各冷库系统运行监测报告样例中初始故障掩码文本的分布区域存在联系。
8.如权利要求1所述的方法，其特征在于，所述冷库系统故障识别组件的调试步骤，包括以下步骤：
获取第二冷库系统运行监测报告样例集合，其中，所述第二冷库系统运行监测报告样例集合中包括各第二冷库系统运行监测报告样例；
将所述各第二冷库系统运行监测报告样例传入所述第一冷库运行故障识别算法，获得所述各第二冷库系统运行监测报告样例的第三异常运行状态描述矩数据，并基于所述第三异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各第二冷库系统运行监测报告样例的第三故障识别结果；
基于所述第三故障识别结果，调试所述冷库系统故障识别组件，在循环调试轮数达到设定值或者算法迁移调试质量评估指标符合稳定性要求的基础上，获得调试后的冷库系统故障识别组件，其中，所述算法迁移调试质量评估指标包括当前故障判别观点和先验故障判别观点之间的区别，所述当前故障判别观点是依据所述第三故障识别结果进行冷库运行故障识别后得到；
其中，所述第三故障识别结果包括第三冷库系统故障属性数据和第三冷库系统故障分布数据，则基于所述第三异常运行状态描述矩数据，调用所述冷库系统故障识别组件，获得所述各第二冷库系统运行监测报告样例的第三故障识别结果，包括：将所述第三异常运行状态描述矩数据传入所述冷库系统故障识别组件的第一故障要素挖掘模块，获得所述各第二冷库系统运行监测报告样例的第三冷库系统故障属性数据；将所述第三异常运行状态描述矩数据传入所述冷库系统故障识别组件的第二故障要素挖掘模块，获得所述各第二冷库系统运行监测报告样例的第三冷库系统故障分布数据；
其中，所述当前故障判别观点包括当前冷库系统故障分布观点和当前冷库系统故障种类观点，并所述当前冷库系统故障分布观点和所述当前冷库系统故障种类观点是依据所述第三冷库系统故障属性数据或所述第三冷库系统故障分布数据所得到的，所述先验故障判别观点包括先验冷库系统故障分布观点和先验冷库系统故障种类观点；所述算法迁移调试质量评估指标包括所述当前冷库系统故障分布观点与所述先验冷库系统故障分布观点之间的区别，以及所述当前冷库系统故障种类观点与所述先验冷库系统故障种类观点之间的区别的求和结果。
9.一种人工智能服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310972926.6A CN116703284B (zh) | 2023-08-03 | 2023-08-03 | 应用于冷库管理系统的故障识别方法及人工智能服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310972926.6A CN116703284B (zh) | 2023-08-03 | 2023-08-03 | 应用于冷库管理系统的故障识别方法及人工智能服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703284A true CN116703284A (zh) | 2023-09-05 |
| CN116703284B CN116703284B (zh) | 2023-10-17 |
Family
ID=87843599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310972926.6A Active CN116703284B (zh) | 2023-08-03 | 2023-08-03 | 应用于冷库管理系统的故障识别方法及人工智能服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703284B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170083830A1 (en) * | 2013-03-15 | 2017-03-23 | Mtelligence Corporation | System and Methods for Automated Plant Asset Failure Detection |
| CN110717665A (zh) * | 2019-09-30 | 2020-01-21 | 国家电网有限公司 | 基于调度控制系统故障辨识及趋性分析系统和方法 |
| CN111506598A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院自动化研究所 | 基于小样本自学习故障迁移的故障判别方法、系统、装置 |
| CN113762344A (zh) * | 2021-08-05 | 2021-12-07 | 上海电气集团股份有限公司 | 机床主轴的故障识别方法、故障识别模型训练方法及装置 |
| CN114021610A (zh) * | 2021-09-10 | 2022-02-08 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于迁移学习的风机故障识别模型训练方法及系统 |
| CN115687925A (zh) * | 2022-10-31 | 2023-02-03 | 中国船舶重工集团公司第七一九研究所 | 针对不平衡样本的故障类型识别方法及装置 |
| CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
| WO2023115875A1 (zh) * | 2021-12-24 | 2023-06-29 | 深圳前海微众银行股份有限公司 | 硬件设备维护方法、装置及电子设备 |
-
2023
- 2023-08-03 CN CN202310972926.6A patent/CN116703284B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170083830A1 (en) * | 2013-03-15 | 2017-03-23 | Mtelligence Corporation | System and Methods for Automated Plant Asset Failure Detection |
| CN110717665A (zh) * | 2019-09-30 | 2020-01-21 | 国家电网有限公司 | 基于调度控制系统故障辨识及趋性分析系统和方法 |
| CN111506598A (zh) * | 2020-04-13 | 2020-08-07 | 中国科学院自动化研究所 | 基于小样本自学习故障迁移的故障判别方法、系统、装置 |
| CN113762344A (zh) * | 2021-08-05 | 2021-12-07 | 上海电气集团股份有限公司 | 机床主轴的故障识别方法、故障识别模型训练方法及装置 |
| CN114021610A (zh) * | 2021-09-10 | 2022-02-08 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 基于迁移学习的风机故障识别模型训练方法及系统 |
| WO2023115875A1 (zh) * | 2021-12-24 | 2023-06-29 | 深圳前海微众银行股份有限公司 | 硬件设备维护方法、装置及电子设备 |
| CN115687925A (zh) * | 2022-10-31 | 2023-02-03 | 中国船舶重工集团公司第七一九研究所 | 针对不平衡样本的故障类型识别方法及装置 |
| CN116008731A (zh) * | 2023-02-15 | 2023-04-25 | 重庆大学 | 配电网高阻故障辨识方法、装置和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703284B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105721193B (zh) | 一种系统信息监控的方法和设备 | |
| US11256683B2 (en) | Method and apparatus for integrating multi-data source user information | |
| CN109800258B (zh) | 数据文件部署方法、装置、计算机设备及存储介质 | |
| CN114218568B (zh) | 一种应用于云服务的大数据攻击处理方法及系统 | |
| CN112749266B (zh) | 一种工业问答方法、装置、系统、设备及存储介质 | |
| CN111190792B (zh) | 一种日志存储的方法、装置、电子设备及可读存储介质 | |
| CN107729251A (zh) | 测试用例管理方法及装置 | |
| CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和系统 | |
| CN111831574B (zh) | 回归测试规划方法、装置、计算机系统和介质 | |
| CN115980560A (zh) | 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备 | |
| Khatib et al. | Mapping temporal planning constraints into timed automata | |
| CN114707768A (zh) | 一种基于大数据安全风控的信息处理方法及服务器 | |
| CN116703284B (zh) | 应用于冷库管理系统的故障识别方法及人工智能服务器 | |
| CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
| CN109245910B (zh) | 识别故障类型的方法及装置 | |
| CN111813872B (zh) | 一种故障排查模型的生成方法、装置、设备 | |
| CN113220597A (zh) | 测试方法、测试装置、电子设备及存储介质 | |
| CN105373446B (zh) | 一种基于自动演练的系统自动修复方法和装置 | |
| CN117057772A (zh) | 一种设备故障检测维修实时跟踪展示方法及系统 | |
| CN113434627A (zh) | 工单的处理方法、装置和计算机可读存储介质 | |
| CN114548820B (zh) | 一种针对远程教育服务的大数据风控方法及服务器 | |
| CN116257451A (zh) | 接口测试方法、装置、设备、存储介质及产品 | |
| KR102643598B1 (ko) | 패턴 기반 SoS 내 실패 유발 상호작용 분석 방법 및 장치 | |
| CN111427736A (zh) | 日志监控方法、装置、设备及计算机可读存储介质 | |
| CN115544202A (zh) | 告警处理方法、装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |