CN117571051A - 一种电厂设备监测方法、系统、设备及介质 - Google Patents
一种电厂设备监测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117571051A CN117571051A CN202311541635.8A CN202311541635A CN117571051A CN 117571051 A CN117571051 A CN 117571051A CN 202311541635 A CN202311541635 A CN 202311541635A CN 117571051 A CN117571051 A CN 117571051A
- Authority
- CN
- China
- Prior art keywords
- power plant
- monitored
- equipment
- information
- plant equipment
- 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 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003190 augmentative effect Effects 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 238000012423 maintenance Methods 0.000 claims description 52
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003339 best practice Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 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
- 238000003672 processing method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种电厂设备监测方法,包括:基于大语言模型对电厂信息中的关键信息进行识别,从中提取上下文信息;大语言模型基于待监测电厂设备的上下文信息,对实时传感数据进行分析,得到待监测电厂设备的设备状态,以及得到对设备状态进行解释的详细描述内容;获取包括待监测电厂设备的图像信息,并将实时传感数据、上下文信息,以及对应的自然语言描述分别叠加到图像信息中,以生成增强现实显示界面。由于基于增强现实显示界面可以便于用户直接的获取待监测电厂设备所处的状态,以及快速的获取待监测电厂设备所处状态的解释说明,使得可以让用户直观,且快速全面的了解电厂设备的状态。本申请还提供一种电厂设备监测系统、设备及介质。
Description
技术领域
本申请涉及电厂监测技术领域,具体涉及一种电厂设备监测方法、系统、设备及介质。
背景技术
在电力工程领域,为了确保电力生产的连续性、设备的可靠性和人员的安全,电厂设备的监测和异常检测至关重要。目前的技术方案中,电厂设备的监测主要是依赖于离散的传感器数据,这些传感器数据提供了电厂设备的基本运行信息,如温度、压力和电流等。
然而,电厂设备通常会产生大量的传感器数据,而用户基于传感器数据难以直接得到电厂设备的运行相关状态。也有些方案会基于数据处理来分析大量的传感器数据,但是还是依赖于用户的经验和专业知识来基于分析结果获取电厂设备的运行相关状态,使得用户获取电厂设备的状态还是有一定的难度。且只是基于传感器数据分析电厂设备,用户难以全面的了解电厂设备的状态。因此,电厂设备的监测还需要提出新的技术方案。
发明内容
本申请主要解决的技术问题是用户不便全面的了解电厂设备的状态。
根据第一方面,一种实施例中提供一种电厂设备监测方法,包括:
获取待监测电厂设备所属电厂的电厂信息,基于大语言模型对所述电厂信息中的关键信息进行识别,并根据与所述待监测电厂设备关联的所述关键信息,从所述电厂信息中提取与所述待监测电厂设备关联的上下文信息,所述上下文信息包括所述待监测电厂设备的历史运行信息、检修信息和设备信息中的至少一者;
获取所述待监测电厂设备的实时传感数据,以使得所述大语言模型基于所述待监测电厂设备的上下文信息,对所述实时传感数据进行分析,得到所述待监测电厂设备的设备状态,以及得到对所述设备状态进行解释的详细描述内容,并分别生成所述设备状态和详细描述内容对应的自然语言描述;
获取包括所述待监测电厂设备的图像信息,并将所述待监测电厂设备的实时传感数据、上下文信息,以及所述设备状态和详细描述内容对应的自然语言描述分别叠加到所述图像信息中,以生成所述待监测电厂设备的增强现实显示界面,并获取用户的输入信息,以使得所述大语言模型基于所述输入信息在所述增强现实显示界面实现交互。
一些实施例中,所述历史运行信息包括所述待监测电厂设备正常运行时的运行参数和性能评估,以及异常运行时的运行参数和性能评估;
和/或,所述检修信息包括所述待监测电厂设备正常运行时的保养记录和/或维护记录,以及所述待监测电厂设备异常运行时,所述待监测电厂设备所处的异常状态和解决所述异常状态的处理方式;
和/或,所述设备信息包括所述待监测电厂设备的保养方式信息、设备设计信息、设备规格信息和操作规程信息中的至少一者。
一些实施例中,所述对所述实时传感数据进行分析,得到所述待监测电厂设备的设备状态,包括:
所述大语言模型基于所述实时传感数据,分析所述实时传感数据的变化和/或趋势,并得到所述待监测电厂设备的性能评估;
所述大语言模型分析所述实时传感数据是否满足阈值;
若满足所述阈值,则判断所述待监测电厂设备处于正常运行状态;
若不满足所述阈值,则基于一段时间内的实时传感数据,并判断其是否符合所述待监测电厂设备正常运行时的运行参数,若符合则判断所述待监测电厂设备处于正常运行状态,若不符合则判断所述待监测电厂设备处于异常运行状态;
将所述待监测电厂设备的性能评估和运行状态,以及所述实时传感数据的变化和/或趋势,作为所述设备状态。
一些实施例中,所述得到对所述设备状态进行解释的详细描述内容,包括:
当所述待监测电厂设备处于异常运行状态时,所述大语言模型基于上下文信息,分析所述待监测电厂设备处于异常运行状态的可能原因和/或潜在问题;
当所述待监测电厂设备处于正常运行状态时,所述大语言模型基于上下文信息,分析所述待监测电厂设备需要进行保养和/或维护的预期时间;
所述大语言模型基于上下文信息,分析所述实时传感数据的变化和/或趋势与时间的相关性,并得到相关性结果;
将所述可能原因和/或潜在问题,以及所述预期时间和相关性结果,作为所述详细描述内容。
一些实施例中,当所述待监测电厂设备处于异常运行状态时,以使得:
所述大语言模型获取所述检修信息中与所述异常运行状态相似或相同的历史异常状态,以及对所述历史异常状态进行维修的维修方式;
所述大语言模型基于所述维修方式、所述历史运行信息和所述设备信息,生成针对所述异常运行状态的操作建议和基于所述操作建议的操作指导;
所述大语言模型生成所述操作建议和所述操作指导的自然语言描述;
获取所述操作建议和所述操作指导的自然语言描述,并叠加到所述图像信息中。
一些实施例中,所述操作建议包括所述待监测电厂设备中需要进行检测的部件,和/或对所述待监测电厂设备需要进行维护的维护程序;
所述操作指导包括基于所述操作建议所需的操作步骤、操作工具和操作注意事项中的至少一者。
一些实施例中,电厂设备监测方法还包括:
持续的获取所述待监测电厂设备的实时传感器数据和上下文信息,并在所述增强现实显示界面上实时更新所述待监测电厂设备的上下文信息、设备状态和详细描述内容;
当基于所述设备状态和详细描述内容,确定所述待监测电厂设备存在异常情况或潜在问题时,进行警报和/或通知相关人员。
根据第二方面,一种实施例中提供一种电厂设备监测系统,包括:
传感单元,用于获取待监测电厂设备的物理参数,以作为所述待监测电厂设备的实时传感器数据;
摄像单元,用于获取所述待监测电厂设备的图像信息;
存储单元,用于存储数据;
处理单元,用于实现如第一方面所述的电厂设备监测方法。
根据第三方面,一种实施例中提供一种电厂设备监测设备,包括:
存储单元,用于存储数据;
人机交互单元,用于显示可视化信息,以及获取用户的输入;
处理单元,用于实现如第一方面所述的电厂设备监测方法。
根据第四方面,一种实施例中提供一种计算机可读存储介质,所述介质上存储有程序,所述程序能够被处理器执行以实现如第一方面所述的方法。
根据上述实施例的电厂设备监测方法,基于大语言模型可以从电厂信息获取与待监测电厂设备关联的上下文信息,并通过大语言模型基于待监测电厂设备的上下文信息对实时传感数据进行分析,得到待监测电厂设备的设备状态,以及得到对设备状态进行解释的详细描述内容,同时分别生成设备状态和详细描述内容对应的自然语言描述,并将实时传感数据、上下文信息,以及设备状态和详细描述内容对应的自然语言描述分别叠加到图像信息中,以生成增强现实显示界面。由于电厂设备的设备状态可以便于用户直接的获取待监测电厂设备所处的状态,详细描述内容则便于用户快速的获取待监测电厂设备所处状态的解释说明,而上下文信息则便于用户了解待监测电厂设备的历史运行信息、检修信息和设备信息。使得基于增强现实显示界面可以让用户直观,且快速全面的了解电厂设备的状态。
附图说明
图1为一种实施例的电厂设备监测系统的示意图;
图2为一种实施例的增强显示界面的示意图;
图3为一种实施例的电厂设备监测方法的流程示意图;
图4为一种实施例的电厂设备监测设备的示意图。
具体实施方式
下面通过具体实施方式结合附图对本申请作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
目前的技术方案中,主要是基于传感数据进行分析得到分析结果,然而在复杂的设备环境中存在大量的传感数据,导致用户在获取到该分析结果时,难以准确判断设备状态以及异常情况的问题,且基于该分析结果用户并不能较快的理解电厂设备的所处状态,以及获取相关的状态信息。而且,基于传感数据的分析结果使得缺乏对设备状态的深层次理解和相关上下文信息,导致了用户不便全面的了解电厂设备的状态。
在本申请的一些实施例中,基于大语言模型可以从电厂信息获取与待监测电厂设备关联的上下文信息,并通过大语言模型基于待监测电厂设备的上下文信息对实时传感数据进行分析,得到待监测电厂设备的设备状态,以及得到对设备状态进行解释的详细描述内容,同时分别生成设备状态和详细描述内容对应的自然语言描述。电厂设备的设备状态可以便于用户直接的获取待监测电厂设备所处的状态,详细描述内容则便于用户快速的获取待监测电厂设备所处状态的解释说明,以深入的理解设备状态,而上下文信息则便于用户了解待监测电厂设备的历史运行信息、检修信息和设备信息。然后,再获取待监测电厂设备的图像信息,并将实时传感数据、上下文信息,以及设备状态和详细描述内容对应的自然语言描述分别叠加到图像信息中,以生成增强现实显示界面,而基于增强现实显示界面使得用户可以快速全面的了解电厂设备的状态。
一些实施例中提供一种电厂设备监测系统,其可以对电厂中的待监测电厂设备进行监测,并且通过增强现实显示界面直接的展示待监测电厂设备及其相关的状态,并对该相关的状态进行自然语言描述,使得用户可以直观的全面的了解待监测电厂设备的状态。请参考图1,电厂设备监测系统包括传感单元10、摄像单元20、存储单元30和处理单元40,以下对其分别进行具体的说明。
传感单元10用于获取待监测电厂设备的物理参数。一些实施例中,传感单元10可以包括一个或多个传感器,传感器分布在待监测电厂设备上或者附近,以获取温度、压力、电流、湿度等物理参数,例如温度传感器可以分布在待监测电厂设备上,以获取目标对象的温度,例如湿度传感器可以分布在待监测电厂设备附近,以获取设备所处环境的湿度。一些实施例中,传感单元10中可以包括测量不同物理参数的多个传感器,而测量同一物理参数的传感器可以有一个或多个。一些实施例中,各个传感器可以实时的获取所测量的物理参数,从而生成待监测电厂设备的实时传感数据,以用于待监测电厂设备的状态分析。一些实施例中,传感单元10还可以包括监测系统,各个传感器可以将各自的传感数据传输到监测系统,再基于监测系统处理后输出,以确保连续的数据流。一些实施例中,传感单元10可以基于物联网技术来实现,以确保数据的及时传输和存储。
摄像单元20用于获取待监测电厂设备的图像信息。一些实施例中,摄像单元20可以包括一个或多个摄像头,从而可以通过一个摄像头捕获待监测电厂设备的实际图像,也可以通过多个摄像头分别捕获待监测电厂设备不同角度的实际图像,然后基于图像融合得到待监测电厂设备各角度的实际图像。一些实施例中,待监测电厂设备的图像信息可以是图像的显示方式,也可以是视频的显示方式。
处理单元40用于获取待监测电厂设备所属电厂的电厂信息,然后基于大语言模型对电厂信息中的关键信息进行识别,并根据与待监测电厂设备关联的关键信息,从电厂信息中提取与待监测电厂设备关联的上下文信息。一些实施例中,由于各个电厂设备的相关信息均存储于用于电厂管理的数据中心,因此处理单元40需要先获取电厂的电厂信息,然后基于大语言模型对电厂信息中的关键信息进行识别。其中,大语言模型是使用大量文本数据训练的深度学习模型,其可以生成自然语言文本或理解语言文本的含义,例如可以采用GPT-3.5和文心一言等大语言模型。而基于大语言模型可以利用自然语言处理技术,如分词、命名实体识别、词性标注等,对电厂信息中的文本数据进行分析,从而可以识别到电厂信息中的关键信息,例如识别设备名称、型号、关键参数、日期和事件描述等关键信息。然后再根据与待监测电厂设备关联的关键信息,例如根据待监测电厂设备的型号、设备名称等关键信息,从电厂信息中提取与待监测电厂设备关联的上下文信息。一些实施例中,在识别关键信息之前,可以对电厂信息中的文本数据进行清洗和预处理,其中包括去除特殊字符、标点符号、停用词等,以确保数据的质量和一致性。
一些实施例中,上下文信息包括待监测电厂设备的历史运行信息、检修信息和设备信息中的至少一者。其中,历史运行信息包括待监测电厂设备正常运行时的运行参数和性能评估,以及异常运行时的运行参数和性能评估,例如运行参数可以是在正常运行时或异常运行时设备参数的变化、方差、平均值、趋势等,其中设备参数包括电流、电压、温度等参数。而性能评估可以是各个设备参数的评估,也可以是待监测电厂设备的整体评估。其中,当待监测电厂设备在正常运行时,其运行参数通常不会有太大的波动,且各个设备参数通常均满足一定的阈值范围,而在异常运行时,其运行参数可能存在较大的波动,且存在超出一定阈值范围的设备参数,因此正常运行时和异常运行时的运行参数存在较明显差别,可以基于此来区分待监测电厂设备的正常运行和异常运行。
检修信息包括待监测电厂设备正常运行时的保养记录和维护记录,例如,保养记录可以包括待监测电厂设备进行保养时的性能评估,进行保养的日期,以及对应的具体保养事项。例如维护记录包括待监测电厂设备进行维护时的性能评估,进行维护的日期,以及对应的具体维护事项。检修信息还包括待监测电厂设备异常运行时,待监测电厂设备的异常状态和解决该异常状态的处理方式,例如异常状态可以包括具体的异常事项,也可以包括待监测电厂设备异常时的运行参数,而解决该异常状态的处理方式则包括具体执行的处理事项,以及该处理事项对应的处理步骤。一些实施例中,检修信息可以基于待监测电厂设备的检修工单信息中进行获取。
设备信息包括待监测电厂设备的保养方式信息、设备设计信息、设备规格信息和操作规程信息中的至少一者。其中,保养方式信息可以是基于待监测电厂设备的保养手册中进行获取,而设备设计信息、设备规格信息和操作规程信息可以是基于待监测电厂设备对应的厂家资料来进行获取。一些实施例中,保养方式信息可以包括待监测电厂设备的各个保养事项,以及各个保养事项的处理方式。设备设计信息和设备规格信息可以包括设备的参数设计、性能设计、使用参数等信息。操作规程信息可以包括待监测电厂设备的各个操作事项,以及各个操作事项的处理方式。一些实施例中,可以将获取的上下文信息存储至上下文知识库中,以便后续查询和分析,上下文知识库可以采用数据库、图数据库或知识图谱等形式。
由上述可知,待监测电厂设备的上下文信息包括了待监测电厂设备的大量设备资料和大量历史数据,而基于上下文信息不仅可以使得用户快速的了解待监测电厂设备,且基于上下文信息对待监测电厂设备的状态进行分析时,使得分析结果能够深层次的体现出待监测电厂设备的所处状态,从而有利于在复杂的设备环境中对待监测电厂设备进行更好的分析。
处理单元40还用于从传感单元10中获取待监测电厂设备的实时传感数据,以使得大语言模型基于待监测电厂设备的上下文信息,对该实时传感数据进行分析,得到待监测电厂设备的设备状态,以及得到对该设备状态进行解释的详细描述内容,并分别生成该设备状态和详细描述内容对应的自然语言描述。
一些实施例中,大型语言模型可以对实时传感器数据进行深度分析,其中包括分析实时传感数据的变化和/或趋势,例如基于一段时间内,分析当前传感数据相比之前传感数据的变化,例如传感数据的均值、最大值、最小值等变化,同时还可以分析传感数据的整体变化趋势,例如分析传感数据的趋势可以是保持平稳、略有上升或者波动较大等。一些实施例中,大型语言模型还可以基于实时传感器数得到待监测电厂设备的性能评估,例如对于某个传感数据,可以基于其阈值范围对该某个传感数据进行性能评估,例如评估为具体的分值,也可以评估为优秀、良好、及格等级别,或者基于各个传感数据,对待监测电厂设备进行整体的性能评估。
一些实施例中,大语言模型还分析实时传感数据是否满足阈值,若满足该阈值,则判断待监测电厂设备处于正常运行状态。若不满足该阈值,则基于一段时间内的实时传感数据,并判断该一段时间内的实时传感数据是否符合待监测电厂设备正常运行时的运行参数,若符合则判断待监测电厂设备运行正常,若不符合则判断待监测电厂设备处于异常运行状态。本实施例中,当实时传感数据不满足阈值时,可能是干扰导致的波动,对此可以基于历史运行信息中待监测电厂设备正常运行时的运行参数,若一段时间内的实时传感数据符合正常运行时的运行参数,例如该一段时间内的实时传感数据的趋势和数值基本与正常运行时的运行参数一致,此时判断待监测电厂设备处于正常运行状态,从而可以避免干扰数据影响判断。反之,则可以判断待监测电厂设备处于异常运行状态。本实施例中,将待监测电厂设备的性能评估和运行状态,以及实时传感数据的变化和/或趋势,作为待监测电厂设备的设备状态。一些实施例中,大语言模型还生成设备状态对应的自然语言描述,以方便用户可以快速获取相关信息,例如自然语言描述为“锅炉温度升高到超过正常范围”或“涡轮机压力略有下降”。
一些实施例中,大语言模型还基于待监测电厂设备的上下文信息,得到对设备状态进行解释的详细描述内容。例如,当待监测电厂设备处于异常运行状态时,大语言模型基于上下文信息,分析待监测电厂设备处于异常运行状态的可能原因和/或潜在问题,其中历史运行信息用于提供待监测电厂设备的历史监测数据和历史性能评估,检修信息可以提供待监测电厂设备的历史出现的异常状态、历史维护和历史保养,设备信息可以提供待监测电厂设备的性能参数。而大语言模型基于上下文信息中的多角度信息,可以分别分析待监测电厂设备处于异常运行状态的原因和/或潜在问题,从而给用户提供可参考的各个可能原因和/或潜在问题,同时基于历史数据还可以使得更准确的分析待监测电厂设备的设备状态。
一些实施例中,当待监测电厂设备处于正常运行状态时,大语言模型基于上下文信息,分析待监测电厂设备需要进行保养和/或维护的预期时间,其中检修信息可以提供待监测电厂设备在历史维护和历史保养时,待监测电厂设备的历史性能评估,以及进行历史维护和历史保养的日期间隔等信息,因此基于待监测电厂设备的当前性能评估和当前日期,可以分析需要进行保养和/或维护的预期时间。一些实施例中,大语言模型基于上下文信息,还可以分析实时传感数据的变化和/或趋势与时间的相关性,并得到相关性结果。例如,在一天的第一时间段中,实时传感数据总是呈上升趋势,在第二时间段中则总是呈上下升趋势,则可以将实时传感数据在第一时间段呈上升趋势,在第二时间段呈上下升趋势作为相关性结果,以帮助用户了解实时传感数据的发展趋势。
大语言模型将上述的可能原因和/或潜在问题,以及预期时间和相关性,作为设备状态的详细描述内容,同时,大语言模型还生成详细描述内容对应的自然语言描述,以方便用户可以快速获取相关信息。由上述可知,基于该详细描述内容,用户可以无需对监测电厂设备的设备状态进一步的分析,就可以迅速的深入理解待监测电厂设备的当前状态和异常情况,减少了用户所需要具备的专业知识和经验。
一些实施例中,当待监测电厂设备处于异常运行状态时,大语言模型还会获取检修信息中与该异常运行状态相似或相同的历史异常状态,以及对该历史异常状态进行维修的维修方式。例如,当待监测电厂设备处于异常运行状态时,可以基于此时的具体状态,例如锅炉温度异常状态,来获取检修信息中历史出现的锅炉温度异常状态,也可以基于锅炉温度异常状态对应的实时传感数据,来获取检修信息中历史出现的相似或相同的运行参数。然后,再获取锅炉温度异常状态时所对应进行维修的维修方式,其中维修方式可以包括维修事项和维修步骤。接着,大语言模型基于上述维修方式、历史运行信息和设备信息,生成针对上述异常运行状态的操作建议和基于该操作建议的操作指导。其中,基于上述维修方式,可以借鉴历史数据中类似异常状态的处理方式,提高操作建议和操作指导的准确性,而基于历史运行信息和设备信息可以给出适用于当前待监测电厂设备的操作建议和操作指导。
一些实施例中,操作建议包括待监测电厂设备中需要进行检测的部件,以及待监测电厂设备进行维护的维护程序。操作指导包括基于该操作建议所需的操作步骤、操作工具和操作注意事项中的至少一者。一些实施例中,当历史异常状态具有多个时,则基于其中的最佳实践来生成操作建议和操作指导。
大语言模型还生成操作建议和操作指导的自然语言描述,以便于用户快速获取相关信息。由上述可知,大语言模型可以针对异常状态提供操作建议和操作指导,以指导用户采取适当的行动,这有助于减少用户的主观干预,提高了决策的准确性和一致性。
一些实施例中,处理单元40获取摄像单元20输出的包括待监测电厂设备的图像信息,并将待监测电厂设备的实时传感数据、上下文信息,以及设备状态和详细描述内容对应的自然语言描述分别叠加到图像信息中,以生成待监测电厂设备的增强现实显示界面。请参考图2,而用户直接增强现实显示界面可以直观的看到待监测电厂设备,以及了解待监测电厂设备的状态和状态分析,从而更全面的了解待监测电厂设备,并增加了电厂设备监测系统的智能性和全面性。例如,用户可以基于上下文信息可以快速的了解待监测电厂设备的各种历史数据,以及待监测电厂设备的规格和性能,使得用户快速的了解待监测电厂设备。例如,当待监测电厂设备处于异常状态时,用户基于增强现实显示界面可以看到具体的异常状态和异常状态所对应的实时传感数据,并且可以直接获取异常状态的可能原因和/或潜在问题,从而给予用户更多的分析方向,同时给出相应的操作建议和操作指导,避免用户主观判断和潜在的人为错误,给用户提供更多的支持和指导,以帮助用户更快速地采取适当的行动。
一些实施例中,处理单元40还可以获取用户的输入信息,以使得大语言模型基于该输入信息在增强现实显示界面进行交互。例如,输入信息可以是用户对分析结果等信息进行进一步的提问,或者是用户进一步的查看上下文信息,而大语言模型基于自然语言处理技术,对该输入信息进行响应,以实现与用户的交互。
一些实施例中,处理单元40还会持续的获取待监测电厂设备的实时传感器数据和上下文信息,并在增强现实显示界面上更新待监测电厂设备的上下文信息、设备状态和详细描述内容。并且,在基于设备状态和详细描述内容,分析待监测电厂设备存在异常情况或潜在问题时,还会进行警报和/或通知相关人员。例如,通过声音、可视提示或消息通知等方式实现警报和通知。处理单元40通过不断的分析和更新数据,以确保及时性监测。这有助于更快速地发现和响应潜在的异常情况,提高了设备的可用性和可靠性。
存储单元30用于存储各种数据。
以上是对电厂设备监测系统的一些说明。
一些实施例中提供一种电厂设备监测方法,其可以应用于上述的电厂设备监测系统。请参考图3,电厂设备监测方法包括以下步骤:
步骤100:获取待监测电厂设备的上下文信息。获取待监测电厂设备所属电厂的电厂信息,基于大语言模型对所述电厂信息中的关键信息进行识别,并根据与所述待监测电厂设备关联的所述关键信息,从所述电厂信息中提取与所述待监测电厂设备关联的上下文信息,所述上下文信息包括所述待监测电厂设备的历史运行信息、检修信息和设备信息中的至少一者。
步骤200:大语言模型基于上下文信息对实时传感数据进行分析。获取所述待监测电厂设备的实时传感数据,以使得所述大语言模型基于所述待监测电厂设备的上下文信息,对所述实时传感数据进行分析,得到所述待监测电厂设备的设备状态,以及得到对所述设备状态进行解释的详细描述内容,并分别生成所述设备状态和详细描述内容对应的自然语言描述。
步骤300:生成待监测电厂设备的增强现实显示界面。获取包括所述待监测电厂设备的图像信息,并将所述待监测电厂设备的实时传感数据、上下文信息,以及所述设备状态和详细描述内容对应的自然语言描述分别叠加到所述图像信息中,以生成所述待监测电厂设备的增强现实显示界面,并获取用户的输入信息,以使得所述大语言模型基于所述输入信息在所述增强现实显示界面实现交互。
一些实施例中,所述对所述实时传感数据进行分析,得到所述待监测电厂设备的设备状态,包括:所述大语言模型基于所述实时传感数据,分析所述实时传感数据的变化和/或趋势,并得到所述待监测电厂设备的性能评估;所述大语言模型分析所述实时传感数据是否满足阈值;若满足所述阈值,则判断所述待监测电厂设备处于正常运行状态;若不满足所述阈值,则基于一段时间内的实时传感数据,并判断其是否符合所述待监测电厂设备正常运行时的运行参数,若符合则判断所述待监测电厂设备处于正常运行状态,若不符合则判断所述待监测电厂设备处于异常运行状态;将所述待监测电厂设备的性能评估和运行状态,以及所述实时传感数据的变化和/或趋势,作为所述设备状态。
一些实施例中,所述得到对所述设备状态进行解释的详细描述内容,包括:当所述待监测电厂设备处于异常运行状态时,所述大语言模型基于上下文信息,分析所述待监测电厂设备处于异常运行状态的可能原因和/或潜在问题;当所述待监测电厂设备处于正常运行状态时,所述大语言模型基于上下文信息,分析所述待监测电厂设备需要进行保养和/或维护的预期时间;所述大语言模型基于上下文信息,分析所述实时传感数据的变化和/或趋势与时间的相关性,并得到相关性结果;将所述可能原因和/或潜在问题,以及所述预期时间和相关性结果,作为所述详细描述内容。
一些实施例中,当所述待监测电厂设备处于异常运行状态时,以使得:所述大语言模型获取所述检修信息中与所述异常运行状态相似或相同的历史异常状态,以及对所述历史异常状态进行维修的维修方式;所述大语言模型基于所述维修方式、所述历史运行信息和所述设备信息,生成针对所述异常运行状态的操作建议和基于所述操作建议的操作指导;所述大语言模型生成所述操作建议和所述操作指导的自然语言描述;获取所述操作建议和所述操作指导的自然语言描述,并叠加到所述图像信息中。
请参考图4,一些实施例中提供一种电厂监测设备,电厂监测设备包括存储单元50、人机交互单元60和处理单元70。
存储单元40用于存储各种数据。
人机交互单元60用于显示可视化信息,以及获取用户的输入。例如人机交互单元60可以包括显示器,以及鼠标、键盘、按键面板等信息输入装置,例如人机交互单元60可以包括触控屏,以用于显示可视化信息并获取用户的输入。
处理单元70用于实现上述的电厂设备监测方法。
一些实施例中提供一种计算机可读存储介质,该介质上存储有程序,该程序能够被处理器执行以实现上述的电厂设备监测方法。
本领域技术人员可以理解,上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现,也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器、随机存储器、磁盘、光盘、硬盘等,通过计算机执行该程序以实现上述功能。例如,将程序存储在设备的存储器中,当通过处理器执行存储器中程序,即可实现上述全部或部分功能。另外,当上述实施方式中全部或部分功能通过计算机程序的方式实现时,该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中,通过下载或复制保存到本地设备的存储器中,或对本地设备的系统进行版本更新,当通过处理器执行存储器中的程序时,即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本申请进行阐述,只是用于帮助理解本申请,并不用以限制本申请。对于本申请所属技术领域的技术人员,依据本申请的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种电厂设备监测方法,其特征在于,包括:
获取待监测电厂设备所属电厂的电厂信息,基于大语言模型对所述电厂信息中的关键信息进行识别,并根据与所述待监测电厂设备关联的所述关键信息,从所述电厂信息中提取与所述待监测电厂设备关联的上下文信息,所述上下文信息包括所述待监测电厂设备的历史运行信息、检修信息和设备信息中的至少一者;
获取所述待监测电厂设备的实时传感数据,以使得所述大语言模型基于所述待监测电厂设备的上下文信息,对所述实时传感数据进行分析,得到所述待监测电厂设备的设备状态,以及得到对所述设备状态进行解释的详细描述内容,并分别生成所述设备状态和详细描述内容对应的自然语言描述;
获取包括所述待监测电厂设备的图像信息,并将所述待监测电厂设备的实时传感数据、上下文信息,以及所述设备状态和详细描述内容对应的自然语言描述分别叠加到所述图像信息中,以生成所述待监测电厂设备的增强现实显示界面,并获取用户的输入信息,以使得所述大语言模型基于所述输入信息在所述增强现实显示界面实现交互。
2.如权利要求1所述的电厂设备监测方法,其特征在于,所述历史运行信息包括所述待监测电厂设备正常运行时的运行参数和性能评估,以及异常运行时的运行参数和性能评估;
和/或,所述检修信息包括所述待监测电厂设备正常运行时的保养记录和/或维护记录,以及所述待监测电厂设备异常运行时,所述待监测电厂设备所处的异常状态和解决所述异常状态的处理方式;
和/或,所述设备信息包括所述待监测电厂设备的保养方式信息、设备设计信息、设备规格信息和操作规程信息中的至少一者。
3.如权利要求2所述的电厂设备监测方法,其特征在于,所述对所述实时传感数据进行分析,得到所述待监测电厂设备的设备状态,包括:
所述大语言模型基于所述实时传感数据,分析所述实时传感数据的变化和/或趋势,并得到所述待监测电厂设备的性能评估;
所述大语言模型分析所述实时传感数据是否满足阈值;
若满足所述阈值,则判断所述待监测电厂设备处于正常运行状态;
若不满足所述阈值,则基于一段时间内的实时传感数据,并判断其是否符合所述待监测电厂设备正常运行时的运行参数,若符合则判断所述待监测电厂设备处于正常运行状态,若不符合则判断所述待监测电厂设备处于异常运行状态;
将所述待监测电厂设备的性能评估和运行状态,以及所述实时传感数据的变化和/或趋势,作为所述设备状态。
4.如权利要求3所述的电厂设备监测方法,其特征在于,所述得到对所述设备状态进行解释的详细描述内容,包括:
当所述待监测电厂设备处于异常运行状态时,所述大语言模型基于上下文信息,分析所述待监测电厂设备处于异常运行状态的可能原因和/或潜在问题;
当所述待监测电厂设备处于正常运行状态时,所述大语言模型基于上下文信息,分析所述待监测电厂设备需要进行保养和/或维护的预期时间;
所述大语言模型基于上下文信息,分析所述实时传感数据的变化和/或趋势与时间的相关性,并得到相关性结果;
将所述可能原因和/或潜在问题,以及所述预期时间和相关性结果,作为所述详细描述内容。
5.如权利要求3所述的电厂设备监测方法,其特征在于,当所述待监测电厂设备处于异常运行状态时,以使得:
所述大语言模型获取所述检修信息中与所述异常运行状态相似或相同的历史异常状态,以及对所述历史异常状态进行维修的维修方式;
所述大语言模型基于所述维修方式、所述历史运行信息和所述设备信息,生成针对所述异常运行状态的操作建议和基于所述操作建议的操作指导;
所述大语言模型生成所述操作建议和所述操作指导的自然语言描述;
获取所述操作建议和所述操作指导的自然语言描述,并叠加到所述图像信息中。
6.如权利要求5所述的电厂设备监测方法,其特征在于,所述操作建议包括所述待监测电厂设备中需要进行检测的部件,和/或对所述待监测电厂设备需要进行维护的维护程序;
所述操作指导包括基于所述操作建议所需的操作步骤、操作工具和操作注意事项中的至少一者。
7.如权利要求1-6中任一项所述的电厂设备监测方法,其特征在于,还包括:
持续的获取所述待监测电厂设备的实时传感器数据和上下文信息,并在所述增强现实显示界面上实时更新所述待监测电厂设备的上下文信息、设备状态和详细描述内容;
当基于所述设备状态和详细描述内容,确定所述待监测电厂设备存在异常情况或潜在问题时,进行警报和/或通知相关人员。
8.一种电厂设备监测系统,其特征在于,包括:
传感单元,用于获取待监测电厂设备的物理参数,以作为所述待监测电厂设备的实时传感器数据;
摄像单元,用于获取所述待监测电厂设备的图像信息;
存储单元,用于存储数据;
处理单元,用于实现如权利要求1-7中任一项所述的电厂设备监测方法。
9.一种电厂设备监测设备,其特征在于,包括:
存储单元,用于存储数据;
人机交互单元,用于显示可视化信息,以及获取用户的输入;
处理单元,用于实现如权利要求1-7中任一项所述的电厂设备监测方法。
10.一种计算机可读存储介质,其特征在于,所述介质上存储有程序,所述程序能够被处理器执行以实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541635.8A CN117571051A (zh) | 2023-11-17 | 2023-11-17 | 一种电厂设备监测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541635.8A CN117571051A (zh) | 2023-11-17 | 2023-11-17 | 一种电厂设备监测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117571051A true CN117571051A (zh) | 2024-02-20 |
Family
ID=89860070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541635.8A Pending CN117571051A (zh) | 2023-11-17 | 2023-11-17 | 一种电厂设备监测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571051A (zh) |
-
2023
- 2023-11-17 CN CN202311541635.8A patent/CN117571051A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6411769B2 (ja) | 状態監視装置 | |
JP5945350B2 (ja) | 設備状態監視方法およびその装置 | |
JP5431235B2 (ja) | 設備状態監視方法およびその装置 | |
US7646294B2 (en) | Alarm maps to facilitate root cause analysis through spatial and pattern recognition | |
CN104598367A (zh) | 数据中心故障事件管理自动化系统及方法 | |
JPH02277196A (ja) | マンマシンシステム | |
JP2016057803A (ja) | 異常検知手順開発装置および異常検知手順開発方法 | |
JP2010086099A (ja) | ログ管理方法、ログ管理装置、ログ管理装置を備えた情報処理装置、及びプログラム | |
JP2013143009A (ja) | 設備状態監視方法およびその装置 | |
JP2008310582A (ja) | 保守作業支援装置とシステム並びに保守作業支援方法 | |
Selvik et al. | Addressing human error when collecting failure cause information in the oil and gas industry: A review of ISO 14224: 2016 | |
CN112639431A (zh) | 异常预测系统和异常预测方法 | |
JP2010049532A (ja) | 運転監視支援装置 | |
CN117131110A (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
CN117194919A (zh) | 一种生产数据分析系统 | |
EP3469434B1 (en) | Automatic visual and acoustic analytics for event detection | |
CN108804281A (zh) | 设施监视装置 | |
JP2021179740A (ja) | 監視装置、監視方法、プログラムおよびモデル訓練装置 | |
CN114595113A (zh) | 应用系统中的异常检测方法和装置、异常检测功能设置方法 | |
JP5353182B2 (ja) | データ解析支援装置、データ解析支援方法、コンピュータプログラムおよび記録媒体 | |
Pavlov et al. | Case study of using virtual and augmented reality in industrial system monitoring | |
CN117571051A (zh) | 一种电厂设备监测方法、系统、设备及介质 | |
US20220147039A1 (en) | Event analytics in modular industrial plants | |
US11665193B2 (en) | Method for managing plant, plant design device, and plant management device | |
CN111066038A (zh) | 警报使能的被动应用整合 |
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 |