CN117522368A - 一种基于ai算法和人工硬规则的用能安全运维方法 - Google Patents

Abstract

本发明公开了一种基于AI算法和人工硬规则的用能安全运维方法，克服现有技术中用能安全运维无法迅速进行故障响应及故障的提前预测，导致每年大量安全用能事故发生且无法满足未来生产数字化需求的问题，包括：采集设备运行原始数据，构建云端数据库；利用AI算法结合人工硬规则，对采集的原始数据进行预处理，建立样本数据集；利用卷积神经网络，构建故障诊断模型；采集设备实时数据，利用故障诊断模型，判断设备故障类型；根据所述故障类型，结合AI故障特征分析以及人工硬规则，进行设备风险等级评估。提升用能安全运维风险评估和故障判别准确性，从而更好地进行故障诊断,令用能设备的安全得以保障，并满足未来数字生产化。

Description

一种基于AI算法和人工硬规则的用能安全运维方法

技术领域

本发明涉及数据异常识别技术领域，特别涉及了一种基于AI算法和人工硬规则的用能安全运维方法。

背景技术

安全运维是对计算机系统、网络设备、数据存储设备及其组件所进行的维护、监控和配置工作。目前安全运维模式还处在老旧的模式，仍通过机器提前预设阈值、工人巡检、人工经验判别故障的流程来进行，如图1所示，无法迅速进行故障响应及故障的提前预测，导致每年大量安全用能事故发生。

而随着数字化建设的全面推动，安全运维模式正在向数字化模式转变。近年来，众多的学者在用能安全运维方面开展了大量的研究工作，并取得了一定的研究成果：为已安装的光伏工作环境建立基线整体风险评估，确定光伏系统运行/维护中可能出现的危险，评估相关危害；建立了大数据的智能网络运维系统，可以实现对网络、主机、业务应用、网络设备、桌面终端等的运行监控，构建基于大数据的电子平台，实现规范的运维流程，实现实时监控和闭环控制的目标；提出了工业企业的数字化建议，收集、分析和可视化有关产品、系统、机器和设施的数据，介绍了决策支持系统、故障诊断模型和生命周期成本。

以上表明了人工智能和大数据适应当下的能源行业，鉴于信息技术、人工智能和数据分析的发展步伐，人工智能适用于当前的可持续能源行业。然而对于传统安全运维来说，一方面设备运行故障不可避免，而人工诊断有滞后性，人工成本巨大；另一方面用能设备生产过程的数据碎片化，难以存储，此外传统运维方式难以满足未来生产数字化需求。因此亟需一种能够实现精准预警分析以及提前预警处置，满足未来生产数字化运维安全模式。

发明内容

本发明的目的是克服现有技术中存在的用能安全运维无法迅速进行故障响应及故障的提前预测，导致每年大量安全用能事故发生且无法满足未来生产数字化需求的问题，提供了一种基于AI算法和人工硬规则的用能安全运维方法，通过智能安全运维，将AI算法与人工硬规则相结合，提升用能安全运维风险评估和故障判别准确性，从而更好地进行故障诊断,令用能设备的安全得以保障，并满足未来数字生产化。

为了实现上述目的，本发明采用以下技术方案：一种基于AI算法和人工硬规则的用能安全运维方法，包括下列步骤：

S1：采集设备运行原始数据，构建云端数据库；

S2：利用AI算法结合人工硬规则，对采集的原始数据进行预处理，建立样本数据集；

S3：利用卷积神经网络，构建故障诊断模型；

S4：判断采集的设备实时数据是否超过设定区间，根据判断结果，利用故障诊断模型，结合预设标签标定的故障图像，判断设备故障类型；

S5：根据所述故障类型，结合AI故障特征分析以及人工硬规则，进行设备风险等级评估。

本实施例基于用能设备安全运维考虑，将基于AI算法故障诊断流程与人工硬规则相结合，在AI故障诊断流程的数据预处理中加入人工硬规则，并返回实时更新数据库，解决AI算法故障诊断的局限性；同时在故障类型判断中人工硬规则与AI故障特征分析同时进行，进行风险评估，保证故障判别准确性。通过智能安全运维，将AI算法与人工硬规则相结合，能迅速响应用能设备故障，并对故障场景进行准确判别，实现精准预警分析、提前预警处置，提升用能安全运维风险评估和故障判别准确性，从而更好地进行故障诊断,令用能设备的安全得以保障，并满足未来数字生产化。

作为优选，所述步骤S2进一步包括：

S2.1：对原始数据进行数据清洗，得到高维数据；

S2.2：利用AI算法以及人工硬规则对高维数据进行特征选择；

S2.3：采集处理后的数据，得到一维时间序列数据，并实时更新数据库。

在数据预处理阶段

作为优选，所述样本数据集包括故障样本与正常样本，当故障样本小于正常样本的一半时，利用生成式神经网络对故障样本进行补充，从而平衡样本数据集。

平衡数据集部分是为解决故障样本较少，样本不平衡的问题。云端数据库中所记录的设备运行数据，绝大多为设备正常运行状态，对于故障识别算法的帮助少之又少，所以需要算法生成部分故障数据，用于机器学习，以便生成故障诊断模型。

作为优选，所述步骤S2.2进一步包括：利用AI算法对高维数据进行主成分分析，再利用人工硬规则对故障场景分析归类来对AI算法的判别进行校核、优化。运用主成分分析法辅以人工经验判断进行特征参数的选择，对数据进行归一化处理。

作为优选，所述平衡样本数据集包括：采取GAN及VAF技术生成神经网络，利用所述神经网络生成部分故障数据，得到故障样本；将生成的故障样本用判别器进行识别，剔除不合理样本，并将通过判别的故障样本添加到数据集中；对故障样本给与标签以及对应的场景识别。

平衡故障样本和正常样本间的数量差距，提高故障诊断模型训练效果。

作为优选，所述步骤S2.3还包括：把一维时间序列转为二维GAF图像，将二维GAF图像添加标签以及对应的场景识别，建立样本数据集。

故障导致的数据波动关联性高不利于数据分析，因此将一维时间序列的数据转化为二位GAF，既考虑到多数据间的关系，也能增强识别的准确性。

作为优选，所述步骤S3中，卷积神经网络搭建完成后，采用粒子群优化算法和遗传算法对其进行结构与超参数优化，最终完成故障诊断模型搭建。

卷积神经网络作为深度学习中的一种经典网络结构，具有局部感知、权重共享、稀疏连接等特点，在图像识别领域优势十分显著，利用卷积神经网络进行故障诊断能取得较高的诊断精度。

作为优选，所述步骤S4进一步包括：判断设备实时数据是否超过设定阈值，若不是，则说明设备正常运行；若是，则将其输入故障诊断模型，通过卷积操作提取数据特征，通过粒子群优化操作对特征进行降维，将降维后的特征输入到全连接层进行分类，结合预设标签标定的故障图像，对故障类型、场景进行判断。实现用能安全运维风险评估和故障判别。

作为优选，所述步骤S5进一步包括：对于确实已经发生运行故障的场景进行故障报警；基于人工硬规则对识别出的故障场景进行风险等级评估，基于AI算法生成故障日志发送到云端数据库。

因此，本发明具有如下有益效果：

1、构建了一套新型用能安全预警风险评估运维体系, 将AI算法+人工硬规则技术融合，结合历史大数据分析，实现数据精准采集、分析、预警的信息化向数字化、智能化转型，为客户用能安全保驾护航；

2、通过智能安全运维，将AI与人工硬规则相结合，既能迅速响应用能设备故障，并对故障场景进行准确判别，又能不断存储各种故障数据，满足未来生产数字化，从而更好地进行故障诊断,令用能设备的安全得以保障，对促进我国生产数字化具有重大意义；

3、将平衡数据集诊断模型深度融合AI神经网络算法，构建用能安全研判的数据预处理体系；

4、可以为政府应急安全管控、用户安全生产的用能安全决策和体系建设提供参考指导作用。

附图说明

图1为传统运维方法的步骤流程图。

图2为实施例一中安全运维方法的步骤流程图。

图3为本发明中用能安全运维方法技术框图。

图4为本发明中用能安全运维方法的安全用能运维体系逻辑图。

图5为实施例二中数据采集及与处理步骤流程图。

图6为实施例二中平衡数据集步骤流程图。

图7为实施例二中故障诊断模型构建流程图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

实施例一：

如图2所示的实施例中，可以看到一种基于AI算法和人工硬规则的用能安全运维方法，其操作流程为：步骤一，采集设备运行原始数据，构建云端数据库；步骤二，利用AI算法结合人工硬规则，对采集的原始数据进行预处理，建立样本数据集；步骤三，利用卷积神经网络，构建故障诊断模型；步骤四，判断采集的设备实时数据是否超过设定区间，根据判断结果，利用故障诊断模型，结合预设标签标定的故障图像，判断设备故障类型；步骤五，根据所述故障类型，结合AI故障特征分析以及人工硬规则，进行设备风险等级评估。

如图3所示，安全运维方法分为基于AI算法故障诊断流程和人工硬规则故障诊断流程。其中，基于AI算法故障诊断流程包括数据采集、云端数据库构建、运行故障数据在线诊断及识别；诊断及识别过程包括平衡数据集+诊断模型搭建。人工硬规则判别主要包括设备确定、场景分析、风险评估、故障确认等。

基于用能设备安全运维考虑，本实施例中的安全运维方法将基于AI算法故障诊断流程与人工硬规则相结合，在AI故障诊断流程的数据预处理中加入人工硬规则，与主成分分析法同步进行特征选择工作，并返回实时更新数据库，解决AI算法故障诊断的局限性；同时在故障类型判断中人工硬规则与AI故障特征分析同时进行，进行风险评估，保证故障判别准确性。

具体的：

如图4所示，安全用能运维体系算法逻辑分为数据预处理、人工硬规则、平衡数据集、故障模型搭建和故障识别、输出五个板块，其中故障实时诊断流程为总体框架。本实施例以空压机为例，总体路线展开介绍。

数据预处理阶段，实时检测用能设备的运行状态，并通过通信网络传输并储存到云端数据库中。对于智能运维模型训练所用数据，运用主成分分析法辅以人工经验判断进行特征参数的选择，对数据进行归一化处理。将多项一维的运行数据转化成二维图像来进行故障诊断，生成的二维GAF图像都给与对应的标签，标示其运行正常或处于某种故障场景中。

平衡数据集方面，在采集的用能设备原始数据中，故障数据样本过少，将通过生成式神经网络来生成一系列故障样本，平衡故障样本与正常样本之间的数量差距，提高诊断模型训练效果。对各故障样本给与标签以对应相应的故障场景，用于AI对故障场景进行识别、分类以及输出。

在故障识别模型搭建上选择卷积神经网络模型，卷积神经网络能够高效处理图片的二维局部信息，提取图片特征，进行图像分类。通过PSO、遗传算法对故障识别模型进行优化，提高故障识别效率与精度。

通过AI算法识别之后，需要对故障结果进行输出。故障的输出被设定为：故障预警、故障场景识别、风险等级判断、发出故障报警以及生成故障日志五个方面。

实施例二：

本实施例对基于AI算法和人工硬规则的用能安全运维方法进行进一步详细说明。

如图4所示，安全用能运维体系算法逻辑分为数据预处理、人工硬规则、平衡数据集、故障模型搭建和故障识别、输出五个板块。

具体的：

第一步：采集设备运行原始数据，构建云端数据库。

云端数据库中存储有历史采集的设备运行数据，采集当前设备运行实时数据存入云端数据库中，对云端数据库进行更新。

第二步：利用AI算法结合人工硬规则，对采集的原始数据进行预处理，建立样本数据集。

如图5所示，数据预处理阶段，对传感器获取到的设备运行原始数据进行数据清洗。数据清洗的方法是多样的，根据数据存在问题的不同，采取线性插值（缺失值填充）、滑动梯度（启停阶段数据剔除）、异常值剔除（3α原则）和数据归一化处理（0-1之间）等多种方式。

经过数据清洗处理后的数据为高维数据，采用主成分分析法（A算法）将原来的高维数据降维，采集处理后为一维的时间序列数据的数据。因故障导致的数据波动关联性高不利于数据分析，本实施例将一维时间序列的数据转化为二维GAF图像，既可以考虑到多数据间的关系，也能增强识别的准确性。为得到的二维GAF图像添加标签以及对应的场景识别，得到样本数据集。

样本数据集包括故障样本与正常样本，云端数据库中所记录的设备运行数据，绝大多为设备正常运行状态，对于故障识别算法的帮助少之又少，为解决故障样本较少，样本不平衡的问题，需要算法生成部分故障数据，用于机器学习，即需要平衡数据集，其流程如图6所示。

本实施例中平衡数据集部分是在算法上采用生成式神经网络（利用生成式对抗网络GAN、变分自编码器VAE以及其他优秀变体生成神经网络）来生成故障样本，对故障样本进行补充。生成的故障样本经过判别器识别，以剔除不合理样本。通过判别的故障样本添加到样本数据集中，平衡故障样本和正常样本间的数量差距，提高故障诊断模型训练效果。对各故障样本给与标签以对应相应的故障场景，用于AI对故障场景进行识别、分类以及输出。

第三步：利用卷积神经网络，构建故障诊断模型。

在故障诊断模型搭建上选择卷积神经网络模型。卷积神经网络作为深度学习中的一种经典网络结构，具有局部感知、权重共享、稀疏连接等特点，在图像识别领域优势十分显著，利用卷积神经网络进行故障诊断能取得较高的诊断精度。

如图7所示，卷积神经网络搭建完成后，采用粒子群优化算法和遗传算法对其进行结构与超参数优化，最终完成故障诊断模型搭建。

利用故障诊断模型进行识别时，通过卷积操作来提取图像数据的特征，然后通过粒子群优化操作（PSO）对特征进行降维，最后将特征输入到全连接层进行分类对故障类型、场景进行判断。

第四步：判断采集的设备实时数据是否超过设定区间，根据判断结果，利用故障诊断模型，结合预设标签标定的故障图像，判断设备故障类型。

设备运行的故障识别是利用基于AI算法构建的故障诊断模型对预处理好的设备运行数据进行识别判断。卷积神经网络能够对运行数据的GAF二维图像进行准确、高效地根据预设标签标定的故障图像进行识别和分类，确定出设备运行的故障类型和场景。

第五步：根据所述故障类型，结合AI故障特征分析以及人工硬规则，进行设备风险等级评估。

故障输出分为多个路径，对于数据倾向趋于异常且未发生设备故障的场景，AI算法能够及时识别，并发出风险预警。而确实已经发生运行故障的场景要迅速发出故障报警，基于人工硬规则对识别出的故障场景进行风险等级评估，完善整个故障风险评估体系，基于AI算法生成故障日志发送到云端数据库。

实施例三：

本实施例在实施例二的基础上，对基于AI算法和人工硬规则的用能安全运维方法进行应用。

（1）用能设备开始运行时，传感器实时获取设备数据并上传云端数据进行更新迭代。

（2）将传感器获取的实时设备数据输入故障诊断模型计算。

模型的搭建过程配合多种技术，主要可以分为数据预处理、平衡数据集、故障诊断模型搭建三个部分，过程如下：

步骤一：获取用能设备原始数据后，首先将原始数据进行数据清洗，具体采用线性插值、滑动梯度、3α原则和0-1区间的归一化处理等技术来保证数据准确性。

步骤二：原始数据进行数据清洗后，再次进行特征选择工作，此时将AI与人工硬规则相结合，AI采取主成分分析法，再利用人工硬规则对故障场景分析归类来对AI的判别进行校核、优化。

步骤三：将特征选择过后的数据进行转换，把一维时间序列转为二维GAF图像，采取GAN及VAF技术生成神经网络，生成图像添加标签扩充小样本集，从而平衡数据集。

步骤四：平衡数据集后，通过搭建卷积神经网络，对输入数据进行初步判别，不断细化数据。

步骤五：卷积神经网络搭建完成，采用PSO算法和遗传算法对其进行结构与超参数优化，最终完成模型搭建。

（3）传感器实时获取的设备数据，判断其是否超过设定阈值，若不是，则说明设备正常运行；若是，则将其输入故障诊断模型。输入故障诊断模型后，实时计算设备数据符合的用能场景，进而对设备数据进行判断，识别故障场景。

（4）通过之前的处理，可以对用能设备进行风险预警、识别出的故障场景可以基于人工硬规则进行风险等级评估，风险评估从使用环境、设备安全和操作安全多角度进行，迅速进行故障报警，最后生成故障日志。

本发明的方案具有以下优点：

1、将AI算法+人工硬规则技术融合，结合历史大数据分析，构建了一套新型用能安全预警风险评估体系。

2、基于AI算法故障诊断和人工硬规则故障诊断相结合的方法，提升用能安全运维风险评估和故障判别准确性。

3、将平衡数据集诊断模型深度融合AI神经网络算法，构建用能安全研判的数据预处理体系。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (9)

1.一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，包括以下步骤：

S1：采集设备运行原始数据，构建云端数据库；

S2：利用AI算法结合人工硬规则，对采集的原始数据进行预处理，建立样本数据集；

S3：利用卷积神经网络，构建故障诊断模型；

S4：判断采集的设备实时数据是否超过设定区间，根据判断结果，利用故障诊断模型，结合预设标签标定的故障图像，判断设备故障类型；

S5：根据所述故障类型，结合AI故障特征分析以及人工硬规则，进行设备风险等级评估。

2.根据权利要求1所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述步骤S2进一步包括：

S2.1：对原始数据进行数据清洗，得到高维数据；

S2.2：利用AI算法以及人工硬规则对高维数据进行特征选择；

S2.3：采集处理后的数据，得到一维时间序列数据，并实时更新数据库。

3.根据权利要求1所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述样本数据集包括故障样本与正常样本，当故障样本小于正常样本的一半时，利用生成式神经网络对故障样本进行补充，从而平衡样本数据集。

4.根据权利要求2所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述步骤S2.2进一步包括：利用AI算法对高维数据进行主成分分析，再利用人工硬规则对故障场景分析归类来对AI算法的判别进行校核、优化。

5.根据权利要求3所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述平衡样本数据集包括：采取GAN及VAF技术生成神经网络，利用所述神经网络生成部分故障数据，得到故障样本；将生成的故障样本用判别器进行识别，剔除不合理样本，并将通过判别的故障样本添加到数据集中；对故障样本给与标签以及对应的场景识别。

6.根据权利要求2或4所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述步骤S2.3还包括：把一维时间序列转为二维GAF图像，将二维GAF图像添加标签以及对应的场景识别，建立样本数据集。

7.根据权利要求1-5任意一项权利要求所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述步骤S3中，卷积神经网络搭建完成后，采用粒子群优化算法和遗传算法对其进行结构与超参数优化，最终完成故障诊断模型搭建。

8.根据权利要求1-5任意一项权利要求所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述步骤S4进一步包括：判断设备实时数据是否超过设定阈值，若不是，则说明设备正常运行；若是，则将其输入故障诊断模型，通过卷积操作提取数据特征，通过粒子群优化操作对特征进行降维，将降维后的特征输入到全连接层进行分类，结合预设标签标定的故障图像，对故障类型、场景进行判断。

9.根据权利要求1或2或3所述的一种基于AI算法和人工硬规则的用能安全运维方法，其特征在于，所述步骤S5进一步包括：对于确实已经发生运行故障的场景进行故障报警；基于人工硬规则对识别出的故障场景进行风险等级评估，基于AI算法生成故障日志发送到云端数据库。