CN117523177A - 一种基于人工智能混合大模型的燃气管道监测系统和方法 - Google Patents
一种基于人工智能混合大模型的燃气管道监测系统和方法 Download PDFInfo
- Publication number
- CN117523177A CN117523177A CN202311487221.1A CN202311487221A CN117523177A CN 117523177 A CN117523177 A CN 117523177A CN 202311487221 A CN202311487221 A CN 202311487221A CN 117523177 A CN117523177 A CN 117523177A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- gas pipeline
- pipeline
- module
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 230000007547 defect Effects 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 230000036541 health Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000013473 artificial intelligence Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000011179 visual inspection Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能混合大模型的燃气管道监测系统和方法,属于燃气管道安全检测技术领域,所述系统基于人工智能混合大模型技术体系,包括多模态数据采集系统,基于视觉大模型的图像识别与目标检测系统,基于深度学习的流量异常监测系统,基于大语言模型方案生成系统;所述方法通过构建一个基于GLM‑6B模型的大规模语言模型,预训练学习大量的专业语言文本,通过Transformer网络结构,使其具备深度理解、分析、生成与燃气管道中故障诊断相关的文本能力,生成、输出基于人工智能混合大模型的燃气管道的健康监测报告和故障解决方案。实现可自动生成故障记录、解决方案、生产报告,解决了传统数字图像处理的燃气管道外观缺陷检测系统和方法存在的问题。
Description
技术领域
本发明属于燃气管道安全检测技术领域,涉及计算机视觉、深度学习领域,特别是涉及一种基于人工智能混合大模型的燃气管道监测系统和方法。
背景技术
20世纪90年代,随着机器学习技术的发展,人工智能开始应用于更广泛的故障分析领域,支持向量机(SVM)、神经网络和决策树等机器学习算法被用于故障检测和分类,进入21世纪,深度学习技术的兴起推动了人工智能在故障分析中的应用。深度学习模型如卷积神经网络(CNN)和循环神经网络(RNN)在图像识别、时间序列分析和自然语言处理等领域取得了显著进展,这些技术开始被用于分析大规模故障数据。近年来,随着物联网的发展,各种设备和传感器产生了大量的实时数据,这些数据可以用于监测设备和系统的状态,以进行早期故障检测和预测,人工智能在物联网环境中的应用使故障分析更加实时和精确。
相对的,随着传感器及计算系统的发展,描述设备健康信息的数据量指数增长,催生了大量基于人工智能数据驱动的设备健康监测模型。这些模型能够从复杂系统的大数据中提取物理模型中无法获取的隐藏故障特征,大大弱化了人类劳动并降低人工诊断的不确定性。随着人工智能领域深度学习的发展,端到端的诊断程序逐步建立,日益积累的监测数据可进一步优化评估设备健康状态的准确性。
目前,以ChatGPT为代表的生成式大语言模型掀起了新的浪潮,已有专家学者提出使用大模型进行故障预测。相比于普通语言模型,生成式大语言模型能够表现出一些令人惊讶的涌现能力,其理解推理能力已经达到了接近于人类的水平。这些能力是大语言模型在复杂任务上表现的关键,它使得人工智能算法具有前所未有的强大和有效性。
传统的机械故障诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用,对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统,例如用于现代火力发电厂的汽轮发动机组等,就具有较大的局限性。传统的燃气管道监测系统和方法存在如下缺陷:
(1) 基于传统数字图像处理的燃气管道外观缺陷检测通常对现场的工作环境要求较高,需要给定背景、光源、采集图像的角度等,才能实现对拍摄图像中目标区域的检测,在复杂变化的环境下检测效果难以保证;
(2) 算法的步骤较为繁琐,需要经过去噪、分割、二值化、特征提取等操作,所涉及的调节参数较多,各种误差的累积易影响输出结果;
(3) 流量监测具有非线性的特点,无法使用传统的建模方法解决流量监测的问题
发明内容
基于上述问题,本发明提出一种基于人工智能混合大模型的燃气管道监测系统和方法,实现可自动生成故障记录、解决方案、生产报告,解决了传统数字图像处理的燃气管道外观缺陷检测系统和方法存在的问题。
本发明的目的是这样实现的:
一种基于人工智能混合大模型的燃气管道监测系统,所述系统基于人工智能混合大模型技术体系,包括如下部分:多模态数据采集系统,基于视觉大模型的图像识别与目标检测系统,基于深度学习的流量异常监测系统,基于大语言模型方案生成系统,
所述的多模态数据采集系统包括:易腐蚀区域图像采集模块,管道内部流体数据采集模块和泄露气体监测报警模块,多模态数据存储模块;
所述的基于CLIP模型的图像识别与目标检测系统包括:图像分类CLIP模块,缺陷或异常检测模块,生成文本描述模块;
所述的基于深度学习的流量异常监测系统包括:对采集到的数据进行预处理模块,特征提取模块,流量预测和异常情况预测模块;
所述的基于大语言模型方案生成系统包括:大规模语言模型模块,模型训练模块,模型微调模块和模型压缩模块。
进一步的,所述的多模态数据采集系统是多个数据源和传感器类型,可协同工作,包括可提供全面的管道监测、适合用于管道外观检查的相机或摄像头,可清晰捕获整个管道的外观图像和监测管道内部的流体流量、压力和温度的流量传感器或仪器,具有高灵敏度,可以检测各种气体类型的气体传感器及用于安全保存数据的云存储和本地存储装置。
进一步的,所述的流量异常监测系统包括管道腐蚀问题的问题图集和正常图集,腐蚀部分位置和程度的标记、图像增强算法、迭代训练后的模型及可视化模块。
进一步的,为能够充分学习并挖掘隐藏在管道流量数据信息中的规律和相关性,所述的流量预测和异常情况预测模块,采用基于卷积神经网络以及结合数据特点的燃气管道流量预测模型,针对异常检测后的数据,建立异常情况的预测模型以估计异常发生的概率和可能的影响。
进一步的,所述系统的大规模语言模型是基于GLM-6B的基座大规模语言模型,具有预训练学习大量的专业语言文本,通过Transformer网络结构,使其具备深度理解、分析、生成与燃气管道中故障诊断相关的文本能力,训练好的语言模型部署到服务器或云上,用户通过API代理进行访问。
一种人工智能混合大模型的燃气管道监测方法,采用上述任意一项所述的基于人工智能混合大模型的燃气管道监测系统,所述方法实现包括如下步骤:
步骤1,多模态数据采集和存储;
步骤2,基于视觉大模型的图像识别;
步骤3,基于深度学习的流量异常监测;
步骤4,基于大语言模型的预测模型生成,通过构建一个基于GLM-6B模型的大规模语言模型,预训练学习大量的专业语言文本,通过Transformer网络结构,使其具备深度理解、分析、生成与燃气管道中故障诊断相关的文本能力,生成、输出基于人工智能混合大模型的燃气管道的健康监测报告和故障解决方案。
进一步的,所述的步骤1多模态数据采集和存储,包括:
步骤1.1,照相或摄像设备采集管道外观状态图像数据,相机或摄像头须适用于管道外观检查,确定其位置和安装方式,对关键部位添加照明系统,确保摄像头能够清晰捕获整个管道的外观图像;
步骤1.2,流量传感器或仪器采集燃气管道内部的流体流量、压力和温度数据;
步骤1.3,气体传感器采集气体泄漏数据,用传感器应具有高灵敏度,可以检测各种气体类型;
步骤1.4,存储采集的多模态数据,为确保数据的安全性和完整性,采用云存储和本地存储并行的解决方案;
进一步的,所述的步骤2,基于CLIP模型的图像分类,包括:
步骤2.1,获取所述步骤1.1管道外观图片,对图片进行预处理,并对每张图片形成标注,最终形成一个图像-文本对的集合,利用腐蚀图片和正常图片微调CLIP模型,使CLIP模型具备图片文本匹配能力;
步骤2.2,利用CLIP模型使得图片和文本配对,当管线周边上的相机捕捉到管道图像时,这些图像将被送入图像分类CLIP模型,以检测任何可能的缺陷或异常,当检测到问题时,生成详细的文本描述,包括问题的性质、位置和严重程度;
步骤2.3,当识别出图片中有受腐蚀区域后,利用YOLO目标检测模型对腐蚀区域进行框选并标注;
进一步的,所述的步骤3,基于深度学习的流量异常监测,包括:
步骤3.1,对采集到的数据预处理,包括数据清洗、缺失值填充、异常值检测和数据标准化,提取与异常检测和预测相关的特征;
步骤3.2,由于与管道流量相关的时序数据的复杂性,此外还存在时变性以及非线性等特点,为能够充分学习并挖掘隐藏在管道流量数据信息中的规律和相关性,设计基于卷积神经网络以及结合数据特点,设计燃气管道流量预测模型,针对异常检测后的数据,建立异常情况的预测模型,以估计异常发生的概率和可能的影响。
进一步的,所述的步骤4包括:
步骤4.1,对所述设计的大语言模型预训练,利用无监督学习在大量无标签文本数据上学习语言结构和上下文信息,无标签文本数据包括与燃气管道中故障诊断相关的技术文档、报告、规范、燃气工程领域的书籍、行业报告,对收集到的数据进行清洗和预处理,包括文本去噪、标记化、分词、去除停用词和特殊字符;
步骤4.2,微调,模型使用有标签数据针对特定任务进行训练,LLM通常基于Transformer架构,该架构引入自注意力机制,能够捕捉输入序列中的长距离依赖关系;
步骤4.3,采用模型压缩技术对所述预测模型进行压缩,提高部署效率和降低计算资源需求,训练好的所述大语言模型部署到服务器或云上,用户可通过API或其他方式进行访问使用。
本发明的有益效果是:
(1) 通过CLIP模型的强大零样本分析能力,解决的传统数字图像处理的燃气管道外观缺陷检测通常对现场的工作环境要求较高,需要给定背景、光源、采集图像的角度等才能实现对拍摄图像中目标区域的检测,在复杂变化的环境下能够保证检测效果;
(2) 解决一般视觉算法过于复杂的问题,一般深度学习算法的步骤较为繁琐,需要经过去噪、分割、二值化、特征提取等操作,所涉及的调节参数较多,各种误差的累积易影响输出结果;
(3) 解决对非线性的流量预测困难的问题,通过训练流量预测模型解决非线性问题。
为了更清楚地说明本申请技术方案,下面结合附图说明和具体实施例对本发明做进一步详细阐释。
需要说明的是,本发明中的英文缩写除有特别说明的外,均为本领域普通技术人员知悉或容易获得的,不再做详细解释。
附图说明
图1为本发明系统构架示意框图;
图2本发明方法步骤流程示意框图。
具体实施例
实施例一:
本实施例是一种基于人工智能混合大模型的燃气管道监测系统,所述系统基于人工智能混合大模型技术体系,如图1、图2所示,包括如下部分:多模态数据采集系统,基于视觉大模型的图像识别与目标检测系统,基于深度学习的流量异常监测系统,基于大语言模型方案生成系统,
所述的多模态数据采集系统包括:易腐蚀区域图像采集模块,管道内部流体数据采集模块和泄露气体监测报警模块,多模态数据存储模块;
所述的基于视觉大模型的图像识别与目标检测系统包括:图像分类CLIP模块,缺陷或异常检测模块,生成文本描述模块;
所述的基于深度学习的流量异常监测系统包括:对采集到的数据进行预处理模块,特征提取模块,流量预测和异常情况预测模块;
所述的基于大语言模型方案生成系统包括:大规模语言模型模块,模型训练模块,模型微调模块和模型压缩模块。
实施例二:
本实施例是实施例一的改进和限定,是关于所述燃气管道监测系统的细化。
本实施例所述的多模态数据采集系统是多个数据源和传感器类型,可协同工作,包括可提供全面的管道监测、适合用于管道外观检查的相机或摄像头,对关键部位添加照明系统,确保能够清晰捕获整个管道的外观图像。安装适当的流量传感器或仪器,监测管道内部的流体流量、压力和温度,传感器应具有高灵敏度,可以检测各种气体类型的气体传感器及用于安全保存数据的云存储和本地存储装置。
所述的流量异常监测系统包括管道腐蚀问题的问题图集和正常图集,腐蚀部分位置和程度的标记、图像增强算法、迭代训练后的模型及可视化模块。为能够充分学习并挖掘隐藏在管道流量数据信息中的规律和相关性,所述的流量预测和异常情况预测模块,采用基于卷积神经网络以及结合数据特点的燃气管道流量预测模型,针对异常检测后的数据,建立异常情况的预测模型以估计异常发生的概率和可能的影响。
所述系统的大规模语言模型是基于GLM-6B的基座大规模语言模型,通过学习大量的专业语言文本,包括与燃气管道中故障诊断相关的技术文档、报告、规范、燃气工程领域的书籍、行业报告,对收集到的数据进行清洗和预处理,包括文本去噪、标记化、分词、去除停用词和特殊字符等,然后再对模型微调,使之更适合然气管道健康监测,之后用模型压缩技术提高部署效率和降低计算资源需求,训练好的语言模型部署到服务器或云上,用户通过API或其他方式进行访问。
实施例三:
在上述实施例的基础上,本实施例是一种人工智能混合大模型的燃气管道监测方法,采用上述基于人工智能混合大模型的燃气管道监测系统,如图1、图2所示,所述方法包括如下步骤:
步骤1,多模态数据采集可同时获取多种类型的数据信息,从而为燃气管道健康评估提供更全面、准确的信息,本实施例所述的多模态数据采集和存储,包括:
步骤1.1 照相或摄像设备采集管道外观状态图像数据,相机或摄像头须适用于管道外观检查,确定其位置和安装方式,对关键部位添加照明系统,确保摄像头能够清晰捕获整个管道的外观图像;
步骤1.2 流量传感器或仪器采集燃气管道内部的流体流量、压力和温度数据;
步骤1.3,气体传感器采集气体泄漏数据,用传感器应具有高灵敏度,可以检测各种气体类型;
步骤1.4,存储采集的多模态数据,为确保数据的安全性和完整性,采用云存储和本地存储并行的解决方案。
步骤2,基于视觉大模型的图像缺陷识别,包括:
步骤2.1,获取所述步骤1.1管道外观图片,对图片进行预处理,并对每张图片形成标注,最终形成一个图像-文本对的集合,利用腐蚀图片和正常图片微调CLIP大模型,使大模型学会新的知识;
步骤2.2,利用CLIP模型使得图片和文本配对,当管线周边上的相机捕捉到管道图像时,这些图像将被送入图像分类CLIP模型,以检测任何可能的缺陷或异常,一旦检测到问题,将生成详细的文本描述,包括问题的性质、位置和严重程度;
步骤2.3,当识别出图片中有受腐蚀区域后,利用目标检测模型对腐蚀区域进行框选并标注严重程度。
CLIP(Contrastive Language-Image Pre-Training)大模型是 OpenAI 在 2021年初发布的用于匹配图像和文本的预训练神经网络模型,是近年来在多模态研究领域的经典之作,该模型在任务表现上达到了目前最佳表现。
步骤3,基于深度学习的流量异常监测,包括:
步骤3.1对采集到的数据预处理,包括数据清洗、缺失值填充、异常值检测和数据标准化,提取与异常检测和预测相关的特征;
步骤3.2 由于与管道流量相关的时序数据的复杂性,此外还存在时变性以及非线性等特点,为能够充分学习并挖掘隐藏在管道流量数据信息中的规律和相关性,设计基于卷积神经网络以及结合数据特点,设计燃气管道流量预测模型,针对异常检测后的数据,建立异常情况的预测模型,以估计异常发生的概率和可能的影响。
步骤4,基于大语言模型的方案生成,包括:
步骤4.1 基于GLM-6B的基座大规模语言模型,通过学习大量的专业语言文本,即无标签文本数据,包括与燃气管道中故障诊断相关的技术文档、报告、规范、燃气工程领域的书籍、行业报告,对收集到的数据进行清洗和预处理,包括文本去噪、标记化、分词、去除停用词和特殊字符,对所述预测模型进行预训练;
步骤4.2,预测模型微调,所述预测模型使用有标签数据针对燃气管道缺陷识别问题进行训练,LLM(Large Language Models)通常基于Transformer架构,该架构引入了自注意力机制,能够捕捉输入序列中的长距离依赖关系。
步骤4.3,采用模型压缩技术对所述预测模型进行压缩,提高部署效率和降低计算资源需求;
步骤4.4,生成用于本发明检测方法的大语言模型,部署到服务器或云上,用户可通过API代理进行访问使用。
综上,通过多模态数据收集模块得到的数据,进行数据分类、数据处理,将数据导入已经训练好的视觉大模型和深度学习流量监测模型中,对燃气管道的整体健康状态进行把控,利用大语言模型生成报告、故障解决方案等。
最后应说明的是,以上仅用以说明本发明的技术方案而非限制,尽管参照较佳方案对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能混合大模型的燃气管道监测系统,其特征在于,所述系统基于人工智能混合大模型技术体系,包括如下部分:多模态数据采集系统,基于视觉大模型的图像识别与目标检测系统,基于深度学习的流量异常监测系统,基于大语言模型方案生成系统,
所述的多模态数据采集系统包括:易腐蚀区域图像采集模块,管道内部流体数据采集模块和泄露气体监测报警模块,多模态数据存储模块;
所述的基于CLIP模型的图像识别与目标检测系统包括:图像分类CLIP模块,缺陷或异常检测模块,生成文本描述模块;
所述的基于深度学习的流量异常监测系统包括:对采集到的数据进行预处理模块,特征提取模块,流量预测和异常情况预测模块;
所述的基于大语言模型方案生成系统包括:大规模语言模型模块,模型训练模块,模型微调模块和模型压缩模块。
2.根据权利要求1所述的基于人工智能混合大模型的燃气管道监测系统,其特征在于,所述的多模态数据采集系统是多个数据源和传感器类型,可协同工作,包括可提供全面的管道监测、适合用于管道外观检查的相机或摄像头,可清晰捕获整个管道的外观图像和监测管道内部的流体流量、压力和温度的流量传感器或仪器,具有高灵敏度,可以检测各种气体类型的气体传感器及用于安全保存数据的云存储和本地存储装置。
3.根据权利要求1所述的基于人工智能混合大模型的燃气管道监测系统,其特征在于,所述的流量异常监测系统包括管道腐蚀问题的问题图集和正常图集,腐蚀部分位置和程度的标记、图像增强算法、迭代训练后的模型及可视化模块。
4.根据权利要求1所述的基于人工智能混合大模型的燃气管道监测系统,其特征在于,为能够充分学习并挖掘隐藏在管道流量数据信息中的规律和相关性,所述的流量预测和异常情况预测模块,采用基于卷积神经网络以及结合数据特点的燃气管道流量预测模型,针对异常检测后的数据,建立异常情况的预测模型以估计异常发生的概率和可能的影响。
5.根据权利要求1所述的基于人工智能混合大模型的燃气管道监测系统,其特征在于,所述系统的大规模语言模型是基于GLM-6B的基座大规模语言模型,具有预训练学习大量的专业语言文本,通过Transformer网络结构,使其具备深度理解、分析、生成与燃气管道中故障诊断相关的文本能力,训练好的语言模型部署到服务器或云上,用户通过API代理进行访问。
6.一种人工智能混合大模型的燃气管道监测方法,采用权利要求1~5任意一项所述的基于人工智能混合大模型的燃气管道监测系统,其特征在于,所述方法包括如下步骤:
步骤1,多模态数据采集和存储;
步骤2,基于视觉大模型的图像识别;
步骤3,基于深度学习的流量异常监测;
步骤4,基于大语言模型的预测模型生成,通过构建一个基于GLM-6B模型的大规模语言模型,预训练学习大量的专业语言文本,通过Transformer网络结构,使其具备深度理解、分析、生成与燃气管道中故障诊断相关的文本能力,生成、输出基于人工智能混合大模型的燃气管道的健康监测报告和故障解决方案。
7.根据权利要求6所述的人工智能混合大模型的燃气管道监测方法,其特征在于,所述的步骤1多模态数据采集和存储,包括:
步骤1.1,照相或摄像设备采集管道外观状态图像数据,相机或摄像头须适用于管道外观检查,确定其位置和安装方式,对关键部位添加照明系统,确保摄像头能够清晰捕获整个管道的外观图像;
步骤1.2,流量传感器或仪器采集燃气管道内部的流体流量、压力和温度数据;
步骤1.3,气体传感器采集气体泄漏数据,用传感器应具有高灵敏度,可以检测各种气体类型;
步骤1.4,存储采集的多模态数据,为确保数据的安全性和完整性,采用云存储和本地存储并行的解决方案。
8.根据权利要求6所述的人工智能混合大模型的燃气管道监测方法,其特征在于,所述的步骤2,基于CLIP模型的图像分类,包括:
步骤2.1,获取所述步骤1.1管道外观图片,对图片进行预处理,并对每张图片形成标注,最终形成一个图像-文本对的集合,利用腐蚀图片和正常图片微调CLIP模型,使CLIP模型具备图片文本匹配能力;
步骤2.2,利用CLIP模型使得图片和文本配对,当管线周边上的相机捕捉到管道图像时,这些图像将被送入图像分类CLIP模型,以检测任何可能的缺陷或异常,当检测到问题时,生成详细的文本描述,包括问题的性质、位置和严重程度;
步骤2.3,当识别出图片中有受腐蚀区域后,利用YOLO目标检测模型对腐蚀区域进行框选并标注。
9.根据权利要求6所述的人工智能混合大模型的燃气管道监测方法,其特征在于,所述的步骤3,基于深度学习的流量异常监测,包括:
步骤3.1,对采集到的数据预处理,包括数据清洗、缺失值填充、异常值检测和数据标准化,提取与异常检测和预测相关的特征;
步骤3.2,由于与管道流量相关的时序数据的复杂性,此外还存在时变性以及非线性等特点,为能够充分学习并挖掘隐藏在管道流量数据信息中的规律和相关性,设计基于卷积神经网络以及结合数据特点,设计燃气管道流量预测模型,针对异常检测后的数据,建立异常情况的预测模型,以估计异常发生的概率和可能的影响。
10.根据权利要求6所述的人工智能混合大模型的燃气管道监测方法,其特征在于,所述的步骤4包括:
步骤4.1,对所述设计的大语言模型预训练,利用无监督学习在大量无标签文本数据上学习语言结构和上下文信息,无标签文本数据包括与燃气管道中故障诊断相关的技术文档、报告、规范、燃气工程领域的书籍、行业报告,对收集到的数据进行清洗和预处理,包括文本去噪、标记化、分词、去除停用词和特殊字符;
步骤4.2,微调,模型使用有标签数据针对特定任务进行训练,LLM通常基于Transformer架构,该架构引入自注意力机制,能够捕捉输入序列中的长距离依赖关系;
步骤4.3,采用模型压缩技术对所述预测模型进行压缩,提高部署效率和降低计算资源需求,训练好的所述大语言模型部署到服务器或云上,用户可通过API或其他方式进行访问使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311487221.1A CN117523177A (zh) | 2023-11-09 | 2023-11-09 | 一种基于人工智能混合大模型的燃气管道监测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311487221.1A CN117523177A (zh) | 2023-11-09 | 2023-11-09 | 一种基于人工智能混合大模型的燃气管道监测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117523177A true CN117523177A (zh) | 2024-02-06 |
Family
ID=89765686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311487221.1A Pending CN117523177A (zh) | 2023-11-09 | 2023-11-09 | 一种基于人工智能混合大模型的燃气管道监测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523177A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117749535A (zh) * | 2024-02-21 | 2024-03-22 | 金数信息科技(苏州)有限公司 | 一种网络流量异常检测方法及装置 |
CN117853883A (zh) * | 2024-03-07 | 2024-04-09 | 深圳市万物云科技有限公司 | 一种街道清洁度分析方法、装置、计算机设备及存储介质 |
CN117893643A (zh) * | 2024-03-18 | 2024-04-16 | 四川弘和数智集团有限公司 | 油气站压缩机气体泄露图像生成方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689051A (zh) * | 2019-09-06 | 2020-01-14 | 北京市安全生产科学技术研究院 | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 |
CN113298181A (zh) * | 2021-06-16 | 2021-08-24 | 合肥工业大学智能制造技术研究院 | 基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统 |
CN114509214A (zh) * | 2022-02-14 | 2022-05-17 | 深圳市玄羽科技有限公司 | 一种融合多传感器的监测系统及方法 |
CN116189079A (zh) * | 2022-12-30 | 2023-05-30 | 上海芯翌智能科技有限公司 | 一种用于监控设备的异常检测方法及设备 |
CN116737938A (zh) * | 2023-07-19 | 2023-09-12 | 人民网股份有限公司 | 基于微调大模型在线数据网络细粒度情感检测方法及装置 |
CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
-
2023
- 2023-11-09 CN CN202311487221.1A patent/CN117523177A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689051A (zh) * | 2019-09-06 | 2020-01-14 | 北京市安全生产科学技术研究院 | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 |
CN113298181A (zh) * | 2021-06-16 | 2021-08-24 | 合肥工业大学智能制造技术研究院 | 基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统 |
CN114509214A (zh) * | 2022-02-14 | 2022-05-17 | 深圳市玄羽科技有限公司 | 一种融合多传感器的监测系统及方法 |
CN116189079A (zh) * | 2022-12-30 | 2023-05-30 | 上海芯翌智能科技有限公司 | 一种用于监控设备的异常检测方法及设备 |
CN116841262A (zh) * | 2023-06-27 | 2023-10-03 | 北京红山信息科技研究院有限公司 | 基于机器视觉的智慧工厂生产在线监测分析系统 |
CN116737938A (zh) * | 2023-07-19 | 2023-09-12 | 人民网股份有限公司 | 基于微调大模型在线数据网络细粒度情感检测方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117749535A (zh) * | 2024-02-21 | 2024-03-22 | 金数信息科技(苏州)有限公司 | 一种网络流量异常检测方法及装置 |
CN117749535B (zh) * | 2024-02-21 | 2024-05-07 | 金数信息科技(苏州)有限公司 | 一种网络流量异常检测方法及装置 |
CN117853883A (zh) * | 2024-03-07 | 2024-04-09 | 深圳市万物云科技有限公司 | 一种街道清洁度分析方法、装置、计算机设备及存储介质 |
CN117853883B (zh) * | 2024-03-07 | 2024-05-31 | 深圳市万物云科技有限公司 | 一种街道清洁度分析方法、装置、计算机设备及存储介质 |
CN117893643A (zh) * | 2024-03-18 | 2024-04-16 | 四川弘和数智集团有限公司 | 油气站压缩机气体泄露图像生成方法、装置、设备及介质 |
CN117893643B (zh) * | 2024-03-18 | 2024-06-11 | 四川弘和数智集团有限公司 | 油气站压缩机气体泄漏图像生成方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Image recognition of wind turbine blade damage based on a deep learning model with transfer learning and an ensemble learning classifier | |
CN117523177A (zh) | 一种基于人工智能混合大模型的燃气管道监测系统和方法 | |
US8761490B2 (en) | System and method for automated borescope inspection user interface | |
EP2478423A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
Shafi et al. | Internal defects detection and classification in hollow cylindrical surfaces using single shot detection and MobileNet | |
Truong et al. | An effective framework for real-time structural damage detection using one-dimensional convolutional gated recurrent unit neural network and high performance computing | |
CN115526515A (zh) | 一种水利水电用闸门的安全监测系统 | |
Peng et al. | Non-uniform illumination image enhancement for surface damage detection of wind turbine blades | |
CN115063584A (zh) | 基于深度学习的管道蒸汽泄漏检测方法及检测系统 | |
CN117422695A (zh) | 一种基于CR-Deeplab的异常检测方法 | |
DeVol et al. | Inception based deep convolutional neural network for remaining useful life estimation of turbofan engines | |
Devereux et al. | A new approach for crack detection and sizing in nuclear reactor cores | |
Kähler et al. | Anomaly detection for industrial surface inspection: application in maintenance of aircraft components | |
CN117309067B (zh) | 水资源实时监控方法、系统和电子设备 | |
CN113469938B (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN117237925B (zh) | 一种基于计算机视觉的智慧道路病害巡检方法及系统 | |
CN117315365A (zh) | 一种基于视觉分析的凸轮轴表面损伤检测系统 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Yan et al. | Multi-source Multi-Modal Feature Fusion for Small Leak Detection in Gas Pipelines | |
Lowin et al. | From physical to virtual: leveraging drone imagery to automate photovoltaic system maintenance | |
CN221177861U (zh) | 一种基于边缘处理器的智能燃气抄表装置 | |
Zhang et al. | Bi-AAE: A binary adversarial autoencoder deep neural network model for anomaly detection in system-levels marine diesel engines | |
CN110095204A (zh) | 一种乙烯裂解炉管温度诊断系统 | |
Colace et al. | Unsupervised Learning Techniques for Vibration-Based Structural Health Monitoring Systems Driven by Data: A General Overview | |
CN117786507B (zh) | 全局和局部特征耦合指导的滚动轴承未知故障检测方法 |
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 |