CN116774569B - 基于人工智能的氧氩分离设备运行系统更新方法及系统 - Google Patents

Abstract

本申请实施例提供一种基于人工智能的氧氩分离设备运行系统更新方法及系统，通过获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据，基于基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层进行运行故障点输出，从而基于运行故障点数据对目标氧氩分离设备运行系统进行系统修复更新，相较于现有而言，本申请以知识图谱维度进行网络训练学习，而非单一的某个运行事件的特征维度进行网络训练学习，可以提高后续运行故障点的决策准确性，进而提高系统修复更新的可靠性。

Description

基于人工智能的氧氩分离设备运行系统更新方法及系统

技术领域

本申请实施例涉及人工智能技术领域，具体而言，涉及一种基于人工智能的氧氩分离设备运行系统更新方法及系统。

背景技术

氩气为无色无味的惰性气体，微溶于水。氩气中含有氧气等微量气体杂质，因此需要去除氩气中的氧气，达到氩养分离的目的。在相关技术中，可以通过氧氩分离设备运行系统可以对氧氩分离设备进行设备控制、调度和监控，因此氧氩分离设备运行系统的系统稳定性也关乎到氧氩分离设备的氧氩分离可靠性。相关技术中，通过结合人工智能技术对氧氩分离设备运行系统的运行事件的特征维度进行网络训练学习进而使得训练出的神经网络具备故障分析能力，然而本申请发明人研究发现，该种训练方式的运行故障点的决策准确性较低，进而影响后续系统修复更新的可靠性。

发明内容

为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种基于人工智能的氧氩分离设备运行系统更新方法及系统。

第一方面，本申请实施例提供一种基于人工智能的氧氩分离设备运行系统更新方法，应用于服务器，所述方法包括：

获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据；所述基础运行事件描述知识图谱包含多个运行事件，所述标定运行故障点数据用以反映所述基础运行事件描述知识图谱中目标运行事件所触发的运行故障点，所述目标运行事件为所述基础运行事件描述知识图谱的多个运行事件中的至少一个；

基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标氧氩分离设备运行系统的目标运行事件描述知识图谱进行运行故障点输出，获得运行故障点数据；

基于所述运行故障点数据对所述目标氧氩分离设备运行系统进行系统修复更新。

一些可替代的实施例中，所述基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出的步骤，包括：

依据运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据；

依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱；

依据所述故障观测层对所述第一训练运行事件描述知识图谱进行故障点学习，生成所述第一训练运行事件描述知识图谱对应的故障点学习数据，所述第一训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第一训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；

根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出。

一些可替代的实施例中，所述根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练后，所述方法还包括：

若未检测到训练终止指示信息，则获取依据所述故障观测层对所述第一训练运行事件描述知识图谱进行图谱结构观测流程中获得的所述第一训练运行事件描述知识图谱对应的知识图谱观测数据；

依据所述图谱预测层根据所述标定运行故障点数据和所述第一训练运行事件描述知识图谱对应的知识图谱观测数据进行描述知识图谱学习得到第二训练运行事件描述知识图谱，并依据训练后的故障观测层对所述第二训练运行事件描述知识图谱进行故障点学习，生成所述第二训练运行事件描述知识图谱对应的故障点学习数据，所述第二训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第二训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；

根据所述第二训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述训练后的故障观测层进行训练。

一些可替代的实施例中，所述知识图谱观测数据包括所述基础运行事件描述知识图谱对应的故障点学习数据和所述基础运行事件描述知识图谱对应的扩展运行事件描述知识图谱簇，所述基础运行事件描述知识图谱对应的故障点学习数据用于所述知识图谱观测数据，所述扩展运行事件描述知识图谱簇中包括所述基础运行事件描述知识图谱和所述基础运行事件描述知识图谱对应的依赖描述知识图谱簇；所述故障观测层包括深度提取分支和深度还原分支，所述依据所述运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据，包括：

获取所述基础运行事件描述知识图谱的知识图谱向量，并将所述知识图谱向量导入所述深度提取分支以根据所述深度提取分支对应的可分离卷积块进行卷积，生成深度提取分支对应的系统运行卷积向量；

将所述深度提取分支对应的系统运行卷积向量导入所述深度还原分支以根据所述深度还原分支对应的多层感知机进行还原，生成深度还原分支对应的系统运行还原向量；

对所述深度还原分支对应的系统运行还原向量进行故障点线性映射处理得到所述基础运行事件描述知识图谱对应的故障点学习数据；

根据所述深度提取分支对应的系统运行卷积向量构建第一依赖描述知识图谱，以及根据所述深度还原分支对应的系统运行还原向量构建第二依赖描述知识图谱，并根据所述基础运行事件描述知识图谱的知识图谱向量建立目标依赖描述知识图谱；

将所述第一依赖描述知识图谱、所述第二依赖描述知识图谱以及所述目标依赖描述知识图谱组成所述依赖描述知识图谱簇。

一些可替代的实施例中，所述图谱预测层包括图谱生成单元和特征映射单元，所述依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱，包括：

依据所述图谱生成单元根据所述标定运行故障点数据和所述基础运行事件描述知识图谱对应的知识图谱观测数据中所述基础运行事件描述知识图谱对应的故障点学习数据生成K个待定描述知识图谱，K为不小于1的整数；

根据所述图谱生成单元的第一单元定义函数和所述K个待定描述知识图谱中每个待定描述知识图谱对应的邻接数据结构确定相应待定描述知识图谱对应的可信权值；

依据所述特征映射单元根据所述特征映射单元的第二单元定义函数、所述基础运行事件描述知识图谱对应的知识图谱观测数据以及所述每个待定描述知识图谱对应的邻接数据结构，计算相应待定描述知识图谱对应的目标权值；其中，所述待定描述知识图谱k对应的目标权值用以反映当所述待定描述知识图谱k作为所述第一训练运行事件描述知识图谱时，所述知识图谱观测数据存在的支持度，k不小于1且不大于K；

根据每个待定描述知识图谱对应的可信权值和每个待定描述知识图谱对应的目标权值进行预测获得预测邻接数据结构，并结合所述预测邻接数据结构生成所述第一训练运行事件描述知识图谱。

一些可替代的实施例中，所述结合所述预测邻接数据结构生成所述第一训练运行事件描述知识图谱，包括：

对所述预测邻接数据结构进行冗余优化处理，从所述预测邻接数据结构中提取目标邻接数据结构；

结合所述目标邻接数据结构生成所述第一训练运行事件描述知识图谱；

所述对所述预测邻接数据结构进行冗余优化处理，从所述预测邻接数据结构中提取目标邻接数据结构，包括：

遍历所述预测邻接数据结构中每个目标邻接对象，将所述预测邻接数据结构中不大于设定数值的邻接对象替换为零，生成所述目标邻接数据结构。

一些可替代的实施例中，所述基础运行事件描述知识图谱对应的故障点学习数据包括所述基础运行事件描述知识图谱的多个运行事件中每个运行事件对应的故障点映射值，任一运行事件对应的故障点映射值用以反映所述任一运行事件所触发的运行故障点，所述标定运行故障点数据包括用以反映目标运行事件所触发的运行故障点的故障点标定值，所述将所述第一依赖描述知识图谱和所述第二依赖描述知识图谱组成所述依赖描述知识图谱簇之后，所述方法还包括：

从所述基础运行事件描述知识图谱对应的故障点学习数据中获取所述目标运行事件对应的故障点映射值，并确定所述目标运行事件对应的故障点映射值与所述标定运行故障点数据包括的所述故障点标定值之间的Loss值；

结合所述Loss值建立所述故障观测层对应的学习偏差值；

基于所述学习偏差值优化所述可分离卷积块和所述多层感知机；

根据优化后的可分离卷积块和多层感知机分别优化所述基础运行事件描述知识图谱对应的故障点学习数据和所述依赖描述知识图谱簇。

一些可替代的实施例中，所述结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出，具体包括：

获取目标运行事件描述知识图谱，并依据运行故障预测神经网络中训练后的所述故障观测层对所述目标运行事件描述知识图谱进行故障点学习，生成所述目标运行事件描述知识图谱对应的目标知识图谱观测数据，所述目标知识图谱观测数据包括所述目标运行事件描述知识图谱对应的目标故障点学习数据；

依据所述图谱预测层根据所述目标知识图谱观测数据进行描述知识图谱学习得到目标第一训练运行事件描述知识图谱；

依据所述故障观测层对所述目标第一训练运行事件描述知识图谱进行处理，生成所述目标第一训练运行事件描述知识图谱对应的故障决策数据，所述故障决策数据用以反映所述目标运行事件描述知识图谱中每个运行事件所触发的运行故障点。

第二方面，本申请实施例还提供一种基于人工智能的氧氩分离设备运行系统更新系统，所述基于人工智能的氧氩分离设备运行系统更新系统包括服务器以及与所述服务器通信连接的多个氧氩分离设备运行系统；

所述服务器，用于：

获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据；所述基础运行事件描述知识图谱包含多个运行事件，所述标定运行故障点数据用以反映所述基础运行事件描述知识图谱中目标运行事件所触发的运行故障点，所述目标运行事件为所述基础运行事件描述知识图谱的多个运行事件中的至少一个；

依据运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据；

依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱；

依据所述故障观测层对所述第一训练运行事件描述知识图谱进行故障点学习，生成所述第一训练运行事件描述知识图谱对应的故障点学习数据，所述第一训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第一训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；

根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出。

第三方面，本申请实施例还提供一种服务器，所述服务器包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于人工智能的氧氩分离设备运行系统更新方法。

第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时，以实现以上第一方面的基于人工智能的氧氩分离设备运行系统更新方法。

第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，以实现以上第一方面的基于人工智能的氧氩分离设备运行系统更新方法。

本申请实施例至少具有以下有益效果：

呈上所述的任意一方面，通过获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据，基于基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层进行运行故障点输出，从而基于运行故障点数据对目标氧氩分离设备运行系统进行系统修复更新，相较于现有而言，本申请以知识图谱维度进行网络训练学习，而非单一的某个运行事件的特征维度进行网络训练学习，可以提高后续运行故障点的决策准确性，进而提高系统修复更新的可靠性。

其中，对故障观测层的训练除了根据基础运行事件描述知识图谱和基础运行事件描述知识图谱对应的标定运行故障点数据，还要根据第一训练运行事件描述知识图谱对故障观测层进行训练，该第一训练运行事件描述知识图谱是在故障观测层的参数架构对基础运行事件描述知识图谱进行观测生成的，也即第一训练运行事件描述知识图谱相比于基础运行事件描述知识图谱而言，针对故障观测层的训练匹配度更高，进而针对运行故障预测神经网络的训练匹配度更高。因此，根据第一训练运行事件描述知识图谱对故障观测层进行训练，提高了故障观测层的观测有效性，由此提高欺诈预测的准确度，进而提高系统更新的可靠性。

附图说明

图1为本申请实施例提供的基于人工智能的氧氩分离设备运行系统更新方法的流程示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的基础上相互结合。

在以下的描述中，所涉及的术语“第一\第二”仅仅是区别类似的虚拟人物对话语音，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的基础上可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

除非另有定义，本申请实施例所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本申请实施例中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

参见图1：

Step100、获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据。

一种可替代的实施方式中，所述基础运行事件描述知识图谱可以是任意一个图结构，基础运行事件描述知识图谱中可以包含多个运行事件。假设基础运行事件描述知识图谱可以表示为G=（Q，W，E），其中Q表示基础运行事件描述知识图谱包括的运行事件的序列，假设基础运行事件描述知识图谱中包括K个运行事件，则W表示基础运行事件描述知识图谱中事件连接关系的序列，E表示基础运行事件描述知识图谱的知识图谱向量，E可以表示为（E1，E2，...，Er）：Er是指运行事件fr的特征向量，r不小于1不大于K。

一些可替代的实施方式中，基础运行事件描述知识图谱对应的标定运行故障点数据用以反映基础运行事件描述知识图谱中目标运行事件所触发的运行故障点，目标运行事件可以指基础运行事件描述知识图谱包含的多个运行事件中的至少一个。例如，基础运行事件描述知识图谱中目标运行事件表示为f1对应的标定运行故障点数据可以表示为d1，f2对应的标定运行故障点数据可以表示为d2，以此类推，基础运行事件描述知识图谱对应的标定运行故障点数据可以表示为Y=（d1，d2，.....dl）。

也即，基础运行事件描述知识图谱中的事件连接关系用来描述运行事件之间的关系。另外，基础运行事件描述知识图谱中运行事件之间的关系还可以由基础运行事件描述知识图谱对应的邻接数据结构表示，邻接数据结构中每个行和列用以反映基础运行事件描述知识图谱中的顶点，存储在fr行fd列位置处的邻接对象表示运行事件fr和运行事件fd之间是否存在事件连接关系，d不小于1不大于K。由此，根据邻接数据结构便可以构建出基础运行事件描述知识图谱，因此，任一描述知识图谱也可以通过所述任一描述知识图谱对应的邻接数据结构表示。

Step200，基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标氧氩分离设备运行系统的目标运行事件描述知识图谱进行运行故障点输出，获得运行故障点数据。

Step300，基于所述运行故障点数据对所述目标氧氩分离设备运行系统进行系统修复更新。

本实施例中，在获得运行故障点数据后，可以从云端修复固件库中获取与所述运行故障点数据存在设定映射关系的云端修复固件数据，然后基于所述云端修复固件数据对所述目标氧氩分离设备运行系统进行系统修复更新。

基于以上步骤，通过获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据，基于基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层进行运行故障点输出，从而基于运行故障点数据对目标氧氩分离设备运行系统进行系统修复更新，相较于现有而言，本申请以知识图谱维度（图结构）进行网络训练学习，而非单一的某个运行事件的特征维度进行网络训练学习，可以提高后续运行故障点的决策准确性，进而提高系统修复更新的可靠性。

一些可替代的实施例中，上述Step200可以通过以下示例性的步骤实现。

Step201、依据运行故障预测神经网络包括的故障观测层对基础运行事件描述知识图谱进行图谱结构观测，生成基础运行事件描述知识图谱对应的知识图谱观测数据，该知识图谱观测数据包括基础运行事件描述知识图谱对应的故障点学习数据。

运行故障预测神经网络可由故障观测层和图谱预测层组成，其中，故障观测层用于对导入故障观测层中基础运行事件描述知识图谱进行图谱结构观测，生成基础运行事件描述知识图谱对应的故障点学习数据，该故障点学习数据用以反映基础运行事件描述知识图谱中各个运行事件所触发的运行故障点；另外，故障观测层在对基础运行事件描述知识图谱进行图谱结构观测过程中该会产生基础运行事件描述知识图谱对应的依赖描述知识图谱簇，依赖描述知识图谱簇和故障点学习数据组成了故障观测层对基础运行事件描述知识图谱进行观测的知识图谱观测数据。图谱预测层用于结合故障观测层对基础运行事件描述知识图谱进行观测的知识图谱观测数据进行估计，生成任一图结构对应的第一训练运行事件描述知识图谱。

一些可替代的实施方式中，该故障观测层可以是通过图卷积神经网络建立。

一种可替代的实施方式中，故障观测层可以包括多个深度提取分支，各深度提取分支用于对导入该深度提取分支的数据进行卷积，前一个深度提取分支的输出作为后一个深度提取分支的输入。

一些可替代的实施方式中，故障观测层包括第一深度提取分支和第二深度提取分支，所述依据运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成基础运行事件描述知识图谱对应的知识图谱观测数据，包括：

获取所述基础运行事件描述知识图谱的知识图谱向量，并将所述知识图谱向量导入所述第一深度提取分支以根据所述第一深度提取分支对应的可分离卷积块进行卷积，生成第一系统运行卷积向量；将所述第一系统运行卷积向量导入所述第二深度提取分支进行卷积以根据所述第二深度提取分支对应的多层感知机进行还原，生成第二系统运行卷积向量，以及对所述第二系统运行卷积向量进行故障点线性映射处理得到所述基础运行事件描述知识图谱对应的故障点学习数据；根据所述第一系统运行卷积向量构建第一依赖描述知识图谱，以及根据所述第二系统运行卷积向量构建第二依赖描述知识图谱，并将所述第一依赖描述知识图谱和所述第二依赖描述知识图谱组成所述依赖描述知识图谱簇。

结合以上方案得到深度提取分支对应的系统运行卷积向量和深度还原分支对应的系统运行还原向量后，并且，根据各个系统运行卷积向量构建依赖描述知识图谱簇。一些可替代的实施方式中，假设各个深度提取分支对应的系统运行卷积向量，与基础运行事件描述知识图谱的知识图谱向量组成一个运行事件表示序列由前述可知，G(0)＝r表示基础运行事件描述知识图谱对应的知识图谱向量。根据G(0)建立的依赖描述知识图谱的邻接数据结构表示为U(0)，根据第一系统运行卷积向量建立的依赖描述知识图谱的邻接数据结构表示为U(1)，以此类推。

其中，将基础运行事件描述知识图谱和上述依赖描述知识图谱簇作为对基础运行事件描述知识图谱进行观测的扩展运行事件描述知识图谱簇。并且，将基础运行事件描述知识图谱对应的扩展运行事件描述知识图谱簇和基础运行事件描述知识图谱对应的故障点学习数据作为知识图谱观测数据导入图谱预测层中。

一种可替代的实施方式中，Step201中运行故障预测神经网络包括的故障观测层应满足训练终止要求，以使得在获取到基础运行事件描述知识图谱后无需对故障观测层进行训练，直接执行Step201即可。或者，为了提高故障观测层和基础运行事件描述知识图谱之间的关联性，即使故障观测层在开始Step201之已满足训练终止要求，本申请还可以根据基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据对故障观测层进行训练。

对于一些其它示例性的设计思路，如果故障观测层在执行Step201之前是不满足训练终止要求的模型，本申请需要根据基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据对故障观测层进行训练。

一种可替代的实施方式中，如果需要对根据基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据对故障观测层进行训练处理，则在故障观测层第一次对基础运行事件描述知识图谱进行图谱结构观测得到依赖描述知识图谱簇之后，还可以包括：从所述基础运行事件描述知识图谱对应的故障点学习数据中获取所述目标运行事件对应的故障点学习数据，并确定所述目标运行事件对应的故障点学习数据与所述标定运行故障点数据之间的Loss值；结合所述Loss值建立所述故障观测层对应的学习偏差值；

基于所述学习偏差值优化所述可分离卷积块和所述多层感知机；根据优化后的可分离卷积块和多层感知机分别优化所述基础运行事件描述知识图谱对应的故障点学习数据和所述依赖描述知识图谱簇。

由此，无需根据基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据对故障观测层进行训练，则Step201是通过故障观测层的一次故障点学习获得的。也即将基础运行事件描述知识图谱加载至故障观测层中进行处理，便可输出基础运行事件描述知识图谱对应的知识图谱观测数据；如果需要根据基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据对故障观测层进行训练，则Step201是通过故障观测层进行多次故障点学习获得的，每次故障点学习使用的故障观测层的权值配置信息是根据前一轮故障点学习获得的故障点学习数据和基础运行事件描述知识图谱对应的标定运行故障点数据优化后的，在每次图谱结构观测流程中，基础运行事件描述知识图谱对应的故障点学习数据和依赖描述知识图谱图序列随着更新；当故障观测层符合训练终止要求时，将最后一次故障点学习的基础运行事件描述知识图谱对应的故障点学习数据和依赖描述知识图谱簇写入知识图谱观测数据中。

Step202、依据运行故障预测神经网络包括的图谱预测层根据标定运行故障点数据和知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱，并依据故障观测层对第一训练运行事件描述知识图谱进行故障点学习，生成第一训练运行事件描述知识图谱对应的故障点学习数据。

得到基础运行事件描述知识图谱对应的知识图谱观测数据后，图谱预测层首先估计出基础运行事件描述知识图谱对应的多个待定描述知识图谱；然后在确定出如果任一待定描述知识图谱作为故障观测层匹配的第一训练运行事件描述知识图谱，则知识图谱观测数据存在的支持度；然后根据每个待定描述知识图谱作为第一训练运行事件描述知识图谱时，知识图谱观测数据存在的支持度，和每个待定描述知识图谱对应的可信权值估计得到与故障观测层匹配的第一训练运行事件描述知识图谱。

一些可替代的实施方式中，图谱预测层可以包括图谱生成单元和特征映射单元，基础运行事件描述知识图谱对应的多个待定描述知识图谱是依据图谱生成单元执行的，任一待定描述知识图谱作为故障观测层匹配的第一训练运行事件描述知识图谱时，目标权值是依据特征映射单元执行的；一些可替代的实施方式中，所述依据运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱，包括：

依据所述图谱生成单元根据所述标定运行故障点数据和所述知识图谱观测数据中所述故障点学习数据生成K个待定描述知识图谱，并根据所述图谱生成单元的第一单元定义函数和所述K个待定描述知识图谱中每个待定描述知识图谱对应的邻接数据结构确定相应待定描述知识图谱对应的可信权值；依据所述特征映射单元根据所述特征映射单元的第二单元定义函数、所述知识图谱观测数据以及所述每个待定描述知识图谱对应的邻接数据结构，计算相应待定描述知识图谱对应的目标权值；其中，所述待定描述知识图谱k对应的目标权值用以反映当所述待定描述知识图谱k作为所述第一训练运行事件描述知识图谱时，所述知识图谱观测数据存在的存在支持度，k不小于1不大于K；根据每个待定描述知识图谱对应的可信权值和每个待定描述知识图谱对应的目标权值进行预测获得预测邻接数据结构，并结合所述预测邻接数据结构生成所述第一训练运行事件描述知识图谱。

Step203、根据第一训练运行事件描述知识图谱对应的故障点学习数据和标定运行故障点数据对故障观测层进行训练，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出。

在得到第一训练运行事件描述知识图谱之后，依据故障观测层对第一训练运行事件描述知识图谱进行故障点学习，生成第一训练运行事件描述知识图谱对应的故障点学习数据，然后根据第一训练运行事件描述知识图谱对应的故障点学习数据和基础运行事件描述知识图谱对应的标定运行故障点数据对故障观测层进行训练。应当理解的，第一训练运行事件描述知识图谱是根据故障观测层对基础运行事件描述知识图谱进行观测的知识图谱观测数据估计获得的，那么相比于基础运行事件描述知识图谱，第一训练运行事件描述知识图谱与故障观测层的特性更加匹配，根据第一训练运行事件描述知识图谱对故障观测层进行训练，可以提高故障观测层的准确性。

一种可替代的实施方式中，根据第一训练运行事件描述知识图谱对应的故障点学习数据和标定运行故障点数据对故障观测层进行训练，可包括：从第一训练运行事件描述知识图谱对应的故障点学习数据中获取目标运行事件对应的故障点学习数据；确定目标运行事件对应的故障点学习数据和标定运行故障点数据之间的Loss值；结合该Loss值建立故障观测层对应的学习偏差值；结合减少该学习偏差值的值的方向更新故障观测层的可分离卷积块和多层感知机，以实现对故障观测层进行训练。

以上只说明了对运行故障预测神经网络的第一轮训练过程，如果在Step203之后，若未检测到训练终止指示信息，则获取依据故障观测层对第一训练运行事件描述知识图谱进行故障点学习处理过程中，第一训练运行事件描述知识图谱对应的知识图谱观测数据；依据图谱预测层根据标定运行故障点数据和第一训练运行事件描述知识图谱对应的知识图谱观测数据进行描述知识图谱学习，生成第二训练运行事件描述知识图谱，并依据训练后的故障观测层对第二训练运行事件描述知识图谱进行故障点学习，生成第二训练运行事件描述知识图谱对应的故障点学习数据；根据第二训练运行事件描述知识图谱对应的故障点学习数据和标定运行故障点数据对应训练后的故障观测层进行再次更新。

其中，运行故障预测神经网络由故障观测层和图谱预测层组成。在对运行故障预测神经网络进行可分离卷积块优化后的过程中，可依据运行故障预测神经网络中的故障观测层对基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据，所述知识图谱观测数据包括所述基础运行事件描述知识图谱对应的故障点学习数据；然后依据图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱；并且，依据所述故障观测层对所述第一训练运行事件描述知识图谱进行故障点学习，生成所述第一训练运行事件描述知识图谱对应的故障点学习数据；根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述基础运行事件描述知识图谱对应的标定运行故障点数据对所述故障观测层进行训练。

由此，本申请对故障观测层的训练不仅仅是简单的根据基础运行事件描述知识图谱和基础运行事件描述知识图谱对应的标定运行故障点数据，还要根据第一训练运行事件描述知识图谱对故障观测层进行训练。该第一训练运行事件描述知识图谱是图谱预测层根据故障观测层对基础运行事件描述知识图谱进行预测获得的知识图谱观测数据进行估计获得的。也即，该第一训练运行事件描述知识图谱是在故障观测层的参数架构对基础运行事件描述知识图谱进行观测生成的，也即第一训练运行事件描述知识图谱相比于基础运行事件描述知识图谱而言，针对故障观测层的训练匹配度更高，进而针对运行故障预测神经网络的训练匹配度更高。因此，根据第一训练运行事件描述知识图谱对故障观测层进行训练，提高了故障观测层的观测有效性，由此提高欺诈预测的准确度，进而提高系统更新的可靠性。

接下来本申请提供另一种实施例，具体包括下述步骤：

Step201、获取基础运行事件描述知识图谱以及基础运行事件描述知识图谱对应的标定运行故障点数据。

Step202、依据运行故障预测神经网络包括的故障观测层对基础运行事件描述知识图谱进行图谱结构观测，生成基础运行事件描述知识图谱对应的知识图谱观测数据，该知识图谱观测数据包括基础运行事件描述知识图谱对应的故障点学习数据。

一种可替代的实施方式中，Step201和Step202可参见前述描述。

Step203、依据运行故障预测神经网络包括的图谱预测层根据标定运行故障点数据和知识图谱观测数据进行描述知识图谱学习，生成第一训练运行事件描述知识图谱。

一种可替代的实施方式中，由前述可知，所述依据运行故障预测神经网络包括的图谱预测层根据标定运行故障点数据和知识图谱观测数据进行描述知识图谱学习，生成第一训练运行事件描述知识图谱，包括如下步骤：

1、依据所述图谱生成单元根据所述标定运行故障点数据和所述知识图谱观测数据中的所述故障点学习数据生成K个待定描述知识图谱，并根据所述图谱生成单元的第一单元定义函数和所述K个待定描述知识图谱中每个待定描述知识图谱对应的邻接数据结构确定相应待定描述知识图谱对应的可信权值；

2、依据所述特征映射单元根据所述特征映射单元的第二单元定义函数、所述知识图谱观测数据以及所述每个待定描述知识图谱对应的邻接数据结构，计算相应待定描述知识图谱对应的目标权值；其中，所述待定描述知识图谱k对应的目标权值用以反映当所述待定描述知识图谱k作为所述第一训练运行事件描述知识图谱时，所述知识图谱观测数据存在的存在支持度，k不小于1不大于K；

3、根据每个待定描述知识图谱对应的可信权值和每个待定描述知识图谱对应的目标权值进行预测获得预测邻接数据结构，并结合所述预测邻接数据结构生成所述第一训练运行事件描述知识图谱。

一种可替代的实施方式中，通过Step21-Step24可以得到多个待定描述知识图谱中每个待定描述知识图谱对应的知识图谱观测数据的存在支持度，并且，通过前述实施例结合每个待定描述知识图谱对应的可信权值和每个待定描述知识图谱对应的目标权值进行图描述知识图谱学习得到预测邻接数据结构，并结合所述预测邻接数据结构生成第一训练运行事件描述知识图谱。

结合以上实施例得到预测邻接数据结构后，可以结合预测邻接数据结构生成一个第一训练运行事件描述知识图谱。

Step204、依据故障观测层对第一训练运行事件描述知识图谱进行故障点学习，生成第一训练运行事件描述知识图谱对应的故障点学习数据，并根据第一训练运行事件描述知识图谱对应的故障点学习数据和标定运行故障点数据对故障观测层进行训练。

一种可替代的实施方式中，Step203中在生成预测邻接数据结构的过程中，假设图谱生成单元的第一单元定义函数以及特征映射单元的第二单元定义函数是已经训练完成的，为了提高图谱预测层与故障观测层之间的匹配度，在生成预测邻接数据结构过程中，还可以对第一单元定义函数和第二单元定义函数进行可分离卷积块更新；然后结合训练后的第一单元定义函数和第二单元定义函数对已经预测的预测邻接数据结构进行可分离卷积块更新。

一种可替代的实施方式中，对预测邻接数据结构进行可分离卷积块更新后，可以结合训练后的预测邻接数据结构生成第一训练运行事件描述知识图谱，并且，依据故障观测层对第一训练运行事件描述知识图谱进行故障点学习，生成第一训练运行事件描述知识图谱对应的故障点学习数据，并根据第一训练运行事件描述知识图谱对应的故障点学习数据和标定运行故障点数据对故障观测层进行训练。

Step205、若未检测到训练终止指示信息，则获取依据故障观测层对第一训练运行事件描述知识图谱进行图谱结构观测流程中第一训练运行事件描述知识图谱对应的知识图谱观测数据。

Step206、依据图谱预测层根据标定运行故障点数据和第一训练运行事件描述知识图谱对应的知识图谱观测数据进行描述知识图谱学习，生成第二训练运行事件描述知识图谱，并依据训练后的故障观测层对第二训练运行事件描述知识图谱进行故障点学习，生成第二训练运行事件描述知识图谱对应的故障点学习数据。

Step207、根据第二训练运行事件描述知识图谱对应的故障点学习数据和标定运行故障点数据对训练后的故障观测层进行训练。

一种可替代的实施方式中，若未检测到训练终止指示信息，则停止对运行故障预测神经网络进行训练。此时，如果获取到一个目标运行事件描述知识图谱，则可以依据训练后的运行故障预测神经网络中故障观测层对所述目标运行事件描述知识图谱进行故障点学习，生成所述目标运行事件描述知识图谱对应的目标知识图谱观测数据；然后依据所述运行故障预测神经网络中的图谱预测层根据所述目标知识图谱观测数据进行描述知识图谱学习，生成目标第一训练运行事件描述知识图谱；依据故障观测层对所述目标第一训练运行事件描述知识图谱进行处理，生成所述目标第一训练运行事件描述知识图谱对应的故障决策数据，所述故障决策数据用以反映所述目标运行事件描述知识图谱中每个运行事件所触发的运行故障点。

运行故障预测神经网络由故障观测层和图谱预测层组成。在对运行故障预测神经网络进行可分离卷积块优化后的过程中，可依据运行故障预测神经网络中的故障观测层对基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据，所述知识图谱观测数据包括所述基础运行事件描述知识图谱对应的故障点学习数据；然后依据图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱；并且，依据所述故障观测层对所述第一训练运行事件描述知识图谱进行故障点学习，生成所述第一训练运行事件描述知识图谱对应的故障点学习数据；根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述基础运行事件描述知识图谱对应的标定运行故障点数据对所述故障观测层进行训练。

并且，若未检测到训练终止指示信息，则获取依据故障观测层对第一训练运行事件描述知识图谱进行图谱结构观测流程中获得的第一训练运行事件描述知识图谱对应的知识图谱观测数据；依据图谱预测层根据标定运行故障点数据和第一训练运行事件描述知识图谱对应的知识图谱观测数据进行描述知识图谱学习，生成第二训练运行事件描述知识图谱，并依据训练后的故障观测层对第二训练运行事件描述知识图谱进行故障点学习，生成第二训练运行事件描述知识图谱对应的故障点学习数据。进而，根据第二训练运行事件描述知识图谱对应的故障点学习数据和标定运行故障点数据对训练后的故障观测层进行训练。不断重复上述步骤，直至检测到训练终止指示信息后终止训练。

由此，对故障观测层的训练不仅仅是简单的根据基础运行事件描述知识图谱和基础运行事件描述知识图谱对应的标定运行故障点数据，还要根据第一训练运行事件描述知识图谱对故障观测层进行训练。该第一训练运行事件描述知识图谱是图谱预测层根据故障观测层对基础运行事件描述知识图谱进行预测获得的知识图谱观测数据进行估计获得的。也即，该第一训练运行事件描述知识图谱是在故障观测层的参数架构对基础运行事件描述知识图谱进行观测生成的，也即第一训练运行事件描述知识图谱相比于基础运行事件描述知识图谱而言，针对故障观测层的训练匹配度更高，进而针对运行故障预测神经网络的训练匹配度更高。因此，根据第一训练运行事件描述知识图谱对故障观测层进行训练，提高了故障观测层的观测有效性，由此提高欺诈预测的准确度，进而提高系统更新的可靠性。

一些设计思路中，提供了一种服务器，该服务器可以是服务器，该服务器包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该服务器的数据库用于存储上述方法所涉及的数据。该服务器的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该服务器的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的氧氩分离设备运行系统更新方法。

一些设计思路中，提供了一种服务器，该服务器可以是终端。该服务器包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该服务器的模型加载数据/输出接口用于处理器与外部设备之间交换信息。该服务器的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其它技术实现。该计算机程序被处理器执行时以实现一种基于人工智能的氧氩分离设备运行系统更新方法。该服务器的显示单元用于形成视觉可见的画面。

一些设计思路中，提供了一种服务器，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

一些设计思路中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

一些设计思路中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述方法包括：

获取各个氧氩分离设备运行系统的基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据；所述基础运行事件描述知识图谱包含多个运行事件，所述标定运行故障点数据用以反映所述基础运行事件描述知识图谱中目标运行事件所触发的运行故障点，所述目标运行事件为所述基础运行事件描述知识图谱的多个运行事件中的至少一个；

基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标氧氩分离设备运行系统的目标运行事件描述知识图谱进行运行故障点输出，获得运行故障点数据；

基于所述运行故障点数据对所述目标氧氩分离设备运行系统进行系统修复更新；

所述基于所述基础运行事件描述知识图谱以及所述基础运行事件描述知识图谱对应的标定运行故障点数据训练运行故障预测神经网络包括的故障观测层，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出的步骤，包括：

依据运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据；

依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱；

依据所述故障观测层对所述第一训练运行事件描述知识图谱进行故障点学习，生成所述第一训练运行事件描述知识图谱对应的故障点学习数据，所述第一训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第一训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；

根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练，并结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出。

2.根据权利要求1所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述根据所述第一训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述故障观测层进行训练后，所述方法还包括：

若未检测到训练终止指示信息，则获取依据所述故障观测层对所述第一训练运行事件描述知识图谱进行图谱结构观测流程中获得的所述第一训练运行事件描述知识图谱对应的知识图谱观测数据；

依据所述图谱预测层根据所述标定运行故障点数据和所述第一训练运行事件描述知识图谱对应的知识图谱观测数据进行描述知识图谱学习得到第二训练运行事件描述知识图谱，并依据训练后的故障观测层对所述第二训练运行事件描述知识图谱进行故障点学习，生成所述第二训练运行事件描述知识图谱对应的故障点学习数据，所述第二训练运行事件描述知识图谱对应的故障点学习数据用以反映所述第二训练运行事件描述知识图谱中各个运行事件所触发的运行故障点；

根据所述第二训练运行事件描述知识图谱对应的故障点学习数据和所述标定运行故障点数据对所述训练后的故障观测层进行训练。

3.根据权利要求1所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述知识图谱观测数据包括所述基础运行事件描述知识图谱对应的故障点学习数据和所述基础运行事件描述知识图谱对应的扩展运行事件描述知识图谱簇，所述基础运行事件描述知识图谱对应的故障点学习数据用于作为所述知识图谱观测数据，所述扩展运行事件描述知识图谱簇中包括所述基础运行事件描述知识图谱和所述基础运行事件描述知识图谱对应的依赖描述知识图谱簇；所述故障观测层包括深度提取分支和深度还原分支，所述依据所述运行故障预测神经网络包括的故障观测层对所述基础运行事件描述知识图谱进行图谱结构观测，生成所述基础运行事件描述知识图谱对应的知识图谱观测数据，包括：

获取所述基础运行事件描述知识图谱的知识图谱向量，并将所述知识图谱向量导入所述深度提取分支以根据所述深度提取分支对应的可分离卷积块进行卷积，生成深度提取分支对应的系统运行卷积向量；

将所述深度提取分支对应的系统运行卷积向量导入所述深度还原分支以根据所述深度还原分支对应的多层感知机进行还原，生成深度还原分支对应的系统运行还原向量；

对所述深度还原分支对应的系统运行还原向量进行故障点线性映射处理得到所述基础运行事件描述知识图谱对应的故障点学习数据；

根据所述深度提取分支对应的系统运行卷积向量构建第一依赖描述知识图谱，以及根据所述深度还原分支对应的系统运行还原向量构建第二依赖描述知识图谱，并根据所述基础运行事件描述知识图谱的知识图谱向量建立目标依赖描述知识图谱；

将所述第一依赖描述知识图谱、所述第二依赖描述知识图谱以及所述目标依赖描述知识图谱组成所述依赖描述知识图谱簇。

4.根据权利要求3所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述图谱预测层包括图谱生成单元和特征映射单元，所述依据所述运行故障预测神经网络包括的图谱预测层根据所述标定运行故障点数据和所述知识图谱观测数据进行描述知识图谱学习得到第一训练运行事件描述知识图谱，包括：

依据所述图谱生成单元根据所述标定运行故障点数据和所述基础运行事件描述知识图谱对应的知识图谱观测数据中所述基础运行事件描述知识图谱对应的故障点学习数据生成K个待定描述知识图谱，K为不小于1的整数；

根据所述图谱生成单元的第一单元定义函数和所述K个待定描述知识图谱中每个待定描述知识图谱对应的邻接数据结构确定相应待定描述知识图谱对应的可信权值；

调用所述特征映射单元以结合所述特征映射单元的第二单元定义函数、所述基础运行事件描述知识图谱对应的知识图谱观测数据以及所述每个待定描述知识图谱对应的邻接数据结构，计算相应待定描述知识图谱对应的目标权值，所述待定描述知识图谱k对应的目标权值用以反映当所述待定描述知识图谱k作为所述第一训练运行事件描述知识图谱时，所述知识图谱观测数据存在的支持度，k不小于1且不大于K；

根据每个待定描述知识图谱对应的可信权值和每个待定描述知识图谱对应的目标权值进行预测获得预测邻接数据结构，并结合所述预测邻接数据结构生成所述第一训练运行事件描述知识图谱。

5.根据权利要求4所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述结合所述预测邻接数据结构生成所述第一训练运行事件描述知识图谱，包括：

对所述预测邻接数据结构进行冗余优化处理，从所述预测邻接数据结构中提取目标邻接数据结构；

结合所述目标邻接数据结构生成所述第一训练运行事件描述知识图谱；

所述对所述预测邻接数据结构进行冗余优化处理，从所述预测邻接数据结构中提取目标邻接数据结构，包括：

遍历所述预测邻接数据结构中每个目标邻接对象，将所述预测邻接数据结构中不大于设定数值的邻接对象替换为零，生成所述目标邻接数据结构。

6.根据权利要求3所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述基础运行事件描述知识图谱对应的故障点学习数据包括所述基础运行事件描述知识图谱的多个运行事件中每个运行事件对应的故障点映射值，任一运行事件对应的故障点映射值用以反映所述任一运行事件所触发的运行故障点，所述标定运行故障点数据包括用以反映目标运行事件所触发的运行故障点的故障点标定值，所述将所述第一依赖描述知识图谱、所述第二依赖描述知识图谱以及所述目标依赖描述知识图谱组成所述依赖描述知识图谱簇之后，所述方法还包括：

从所述基础运行事件描述知识图谱对应的故障点学习数据中获取所述目标运行事件对应的故障点映射值，并确定所述目标运行事件对应的故障点映射值与所述标定运行故障点数据包括的所述故障点标定值之间的Loss值；

结合所述Loss值建立所述故障观测层对应的学习偏差值；

基于所述学习偏差值优化所述可分离卷积块和所述多层感知机；

根据优化后的可分离卷积块和多层感知机分别优化所述基础运行事件描述知识图谱对应的故障点学习数据和所述依赖描述知识图谱簇。

7.根据权利要求1-6中任意一项所述的基于人工智能的氧氩分离设备运行系统更新方法，其特征在于，所述结合训练后的故障观测层对目标运行事件描述知识图谱进行运行故障点输出，具体包括：

获取目标运行事件描述知识图谱，并依据运行故障预测神经网络中训练后的所述故障观测层对所述目标运行事件描述知识图谱进行故障点学习，生成所述目标运行事件描述知识图谱对应的目标知识图谱观测数据，所述目标知识图谱观测数据包括所述目标运行事件描述知识图谱对应的目标故障点学习数据；

依据所述图谱预测层根据所述目标知识图谱观测数据进行描述知识图谱学习得到目标第一训练运行事件描述知识图谱；

依据所述故障观测层对所述目标第一训练运行事件描述知识图谱进行处理，生成所述目标第一训练运行事件描述知识图谱对应的故障决策数据，所述故障决策数据用以反映所述目标运行事件描述知识图谱中每个运行事件所触发的运行故障点。

8.一种计算机程序产品，包括计算机程序或计算机可执行指令，其特征在于，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7中任意一项所述的基于人工智能的氧氩分离设备运行系统更新方法。

9.一种服务器，其特征在于，所述服务器包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-7中任意一项所述的基于人工智能的氧氩分离设备运行系统更新方法。