CN118094416A - 锰合金生产原料输送系统的异常检测方法及系统 - Google Patents
锰合金生产原料输送系统的异常检测方法及系统 Download PDFInfo
- Publication number
- CN118094416A CN118094416A CN202311707208.2A CN202311707208A CN118094416A CN 118094416 A CN118094416 A CN 118094416A CN 202311707208 A CN202311707208 A CN 202311707208A CN 118094416 A CN118094416 A CN 118094416A
- Authority
- CN
- China
- Prior art keywords
- target
- expert system
- abnormality detection
- task
- system model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 475
- 230000005856 abnormality Effects 0.000 title claims abstract description 273
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 86
- 229910000914 Mn alloy Inorganic materials 0.000 title claims abstract description 74
- 239000002994 raw material Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims description 99
- 238000012545 processing Methods 0.000 claims description 40
- 238000001914 filtration Methods 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000013473 artificial intelligence Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 5
- 230000009191 jumping Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000012544 monitoring process Methods 0.000 description 39
- 230000008569 process Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 16
- 238000003745 diagnosis Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请实施例提供的锰合金生产原料输送系统的异常检测方法及系统,通过确定目标异常检测任务对应的拟检测系统运行日志文本,并以异常检测算力门限值为判断标准,依序将相应的锰合金生产原料输送系统运行数据,按序向X个专家系统模型进行下发,从而实现拟检测系统运行日志文本的锰合金生产原料输送系统运行数据拆分,以通过多个专家系统模型进行并行的异常检测,在拟检测系统运行日志文本所对应的全部锰合金生产原料输送系统运行数据均完成下发时,可以获得记载了皆被下发了相应的锰合金生产原料输送系统运行数据的Y个专家系统模型的异常检测任务关联报告,从而结合Y个专家系统模型实现高效准确的异常检测分析。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种锰合金生产原料输送系统的异常检测方法及系统。
背景技术
锰合金生产原料输送系统是指用于将原料(如锰矿石、焦炭等)从储存区域或其他工艺环节输送到锰合金生产过程中的关键设备和管道系统。该系统通常由多个组件组成,包括输送带、传送机、螺旋输送器、提升机、送料斗等设备,还包括相关的管道和阀门。
锰合金生产原料输送系统的主要功能是确保原料按需输送到生产线上,提供给后续的冶炼或处理工序。这些原料可能需要经过破碎、筛分、混合等预处理操作,并在输送过程中保持稳定的流量和质量。输送系统的设计和运行对于生产效率和产品质量至关重要。因此,为确保正常运行和安全性,锰合金生产原料输送系统的定期维护和检修必不可少,配备相应的监测和控制装置来检测和响应异常情况更为关键。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种锰合金生产原料输送系统的异常检测方法及系统。
第一方面,本申请实施例提供了一种锰合金生产原料输送系统的异常检测方法,应用于人工智能检测系统,所述方法包括:获取最少两个异常检测申请以及最少两个AI检测应答标签;对所述最少两个异常检测申请对应的异常检测任务以及所述最少两个AI检测应答标签对应的专家系统模型进行关联配对处理,得到目标异常检测任务链与目标专家系统模型链;其中,所述目标异常检测任务链包括目标异常检测任务,所述目标专家系统模型链包括X个专家系统模型,所述X为大于1的整数,所述目标异常检测任务链对应的第一全局任务算力与所述目标专家系统模型链对应的第一全局执行算力一致;
确定所述目标异常检测任务对应的拟检测系统运行日志文本;获取异常检测算力门限值;依次将所述拟检测系统运行日志文本中与所述异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向所述X个专家系统模型进行下发,得到异常检测任务关联报告;其中,所述异常检测任务关联报告用于表征所述X个专家系统模型中完成异常检测任务关联的Y个专家系统模型,所述Y个专家系统模型中的每个专家系统模型皆被下发了相应的锰合金生产原料输送系统运行数据,所述Y为大于0且不大于所述X的整数。
在一些方案中,所述依次将所述拟检测系统运行日志文本中与所述异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向所述X个专家系统模型进行下发,得到异常检测任务关联报告,包括:
确定所述拟检测系统运行日志文本对应的算力消耗值以及所述X个专家系统模型中第u个专家系统模型对应的可用算力值,所述u为大于0且不大于所述X的整数;
在所述算力消耗值不小于所述异常检测算力门限值,且所述可用算力值不小于所述异常检测算力门限值的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发算力值与所述异常检测算力门限值一致的待处理系统运行数据;
调整所述算力消耗值以及所述可用算力值;
如果所述u等于所述X,则所述u调整为1,否则所述u自加一,并跳转到所述确定所述拟检测系统运行日志文本对应的算力消耗值以及所述X个专家系统模型中第u个专家系统模型对应的可用算力值的步骤;
在完成所述拟检测系统运行日志文本的下发的基础上,确定所述目标异常检测任务对应的所述Y个专家系统模型以及所述Y个专家系统模型对应的系统运行数据下发结果;
其中,所述异常检测任务关联报告包括所述Y个专家系统模型以及所述系统运行数据下发结果。
在一些方案中,所述方法还包括:
在所述算力消耗值不小于所述异常检测算力门限值,且所述可用算力值小于所述异常检测算力门限值的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发与所述可用算力值一致的待处理系统运行数据。
在一些方案中,所述方法还包括:
在所述算力消耗值小于所述异常检测算力门限值,且所述可用算力值小于所述拟检测系统运行日志文本的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发与所述可用算力值一致的待处理系统运行数据;
在所述算力消耗值小于所述异常检测算力门限值,且所述可用算力值不小于所述拟检测系统运行日志文本的基础上,将所述拟检测系统运行日志文本中与所述算力消耗值一致的待处理系统运行数据下发到所述第u个专家系统模型。
在一些方案中,所述目标异常检测任务链包括H个异常检测任务,所述H为大于0的整数,所述确定所述目标异常检测任务对应的拟检测系统运行日志文本之前,还包括:将所述H个异常检测任务中第v个异常检测任务作为所述目标异常检测任务,所述v为大于0且不大于所述H的整数;
所述在完成所述拟检测系统运行日志文本的下发的基础上,确定所述目标异常检测任务对应的所述Y个专家系统模型以及所述Y个专家系统模型对应的系统运行数据下发结果,之后,所述方法还包括:如果所述v小于所述H,则所述v自加一,并跳转到所述将所述H个异常检测任务中第v个异常检测任务作为所述目标异常检测任务的步骤;如果所述v等于所述H,则得到所述目标异常检测任务链中各异常检测任务对应的异常检测任务关联报告。
在一些方案中,所述对所述最少两个异常检测申请对应的异常检测任务以及所述最少两个AI检测应答标签对应的专家系统模型进行关联配对处理,得到目标异常检测任务链与目标专家系统模型链,包括:
获取拟关联异常检测任务池和拟配对专家系统模型池,所述拟关联异常检测任务池包括所述异常检测任务,所述拟配对专家系统模型池包括所述专家系统模型;
分别对所述拟关联异常检测任务池中的异常检测任务以及所述拟配对专家系统模型池中的专家系统模型进行归纳操作,得到最少一个异常检测任务簇以及最少一个专家系统模型簇;
对所述最少一个异常检测任务簇与所述最少一个专家系统模型簇进行绑定操作,得到至少一对绑定结果,所述至少一对绑定结果包括目标绑定结果,所述目标绑定结果包括存在关联关系的目标异常检测任务簇和目标专家系统模型簇;
对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链。
在一些方案中,所述对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,包括:
确定所述目标异常检测任务簇对应的第二全局任务算力以及所述目标专家系统模型簇对应的第二全局执行算力;
在所述第二全局任务算力大于所述第二全局执行算力的基础上,对所述目标异常检测任务簇进行任务过滤操作,得到所述目标异常检测任务链;
根据所述目标专家系统模型簇,得到所述目标专家系统模型链。
在一些方案中,所述对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,还包括:
在所述第二全局任务算力小于所述第二全局执行算力的基础上,对所述目标专家系统模型簇进行模型过滤操作,得到完成过滤的目标专家系统模型簇;
确定所述完成过滤的目标专家系统模型簇对应的第三全局执行算力;
如果所述第二全局任务算力大于所述第三全局执行算力,则对所述目标异常检测任务簇进行任务过滤操作,得到所述目标异常检测任务链;
根据所述完成过滤的目标专家系统模型簇,得到所述目标专家系统模型链;
如果所述第二全局任务算力等于所述第三全局执行算力,则根据所述目标异常检测任务簇,得到所述目标异常检测任务链;
根据所述完成过滤的目标专家系统模型簇,得到所述目标专家系统模型链;
如果所述第二全局任务算力小于所述第三全局执行算力,则对所述完成过滤的目标专家系统模型簇进行模型过滤操作,调整所述完成过滤的目标专家系统模型簇,并跳转到所述确定所述完成过滤的目标专家系统模型簇对应的第三全局执行算力的步骤。
在一些方案中,所述对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,还包括:
在所述第二全局任务算力等于所述第二全局执行算力的基础上,根据所述目标异常检测任务簇,得到所述目标异常检测任务链;
根据所述目标专家系统模型簇,得到所述目标专家系统模型链。
在一些方案中,所述获取拟关联异常检测任务池和拟配对专家系统模型池,包括:
获取最少一个安全生产服务器中的异常检测任务;
获取最少一个任务服务器中的专家系统模型;
根据所述最少一个安全生产服务器中的异常检测任务,得到所述拟关联异常检测任务池;
根据所述最少一个任务服务器中的专家系统模型,得到所述拟配对专家系统模型池。
第二方面,本申请还提供了一种人工智能检测系统,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,以实现上述的方法。
第三方面,本申请还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
应用本申请实施例,通过确定目标异常检测任务对应的拟检测系统运行日志文本,并以异常检测算力门限值为判断标准,依序将以上目标异常检测任务的拟检测系统运行日志文本中与异常检测算力门限值对应的锰合金生产原料输送系统运行数据,按序向X个专家系统模型进行下发,从而实现拟检测系统运行日志文本的锰合金生产原料输送系统运行数据拆分,以通过多个专家系统模型进行并行的异常检测,在拟检测系统运行日志文本所对应的全部锰合金生产原料输送系统运行数据均完成下发时,可以获得记载了皆被下发了相应的锰合金生产原料输送系统运行数据的Y个专家系统模型的异常检测任务关联报告,从而结合Y个专家系统模型实现高效准确的异常检测分析。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种锰合金生产原料输送系统的异常检测方法的流程示意图。
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,它们仅是与本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在人工智能检测系统、计算机设备或者类似的运算装置中执行。以运行在人工智能检测系统上为例,人工智能检测系统可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述人工智能检测系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述人工智能检测系统的结构造成限定。例如,人工智能检测系统还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的一种锰合金生产原料输送系统的异常检测方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至人工智能检测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能检测系统的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本申请实施例所提供的一种锰合金生产原料输送系统的异常检测方法的流程示意图,该方法应用于人工智能检测系统,进一步可以包括S101-S105。
S101、人工智能检测系统获取最少两个异常检测申请以及最少两个AI检测应答标签。
其中,异常检测申请是用于对锰合金生产原料输送系统进行异常检测/监控的安全生产服务器向人工智能检测系统发送的,人工智能检测系统可以从进行异常检测/监控的任务服务器中获取AI检测应答标签,每个任务服务器对应一个AI检测应答标签,每个AI检测应答标签对应一个专家系统模型。
S102、对所述最少两个异常检测申请对应的异常检测任务以及所述最少两个AI检测应答标签对应的专家系统模型进行关联配对处理,得到目标异常检测任务链与目标专家系统模型链。
其中,关联配对可以是对异常检测任务和专家系统模型进行匹配归纳操作,而所述目标异常检测任务链(目标异常检测任务序列)包括目标异常检测任务,所述目标专家系统模型链(目标专家系统模型序列)包括X个专家系统模型,所述X为大于1的整数,所述目标异常检测任务链对应的第一全局任务算力与所述目标专家系统模型链对应的第一全局执行算力一致。进一步地,第一全局任务算力用于表征在处理目标异常检测任务链时所需要的算力总和,第一全局执行算力用于表征目标专家系统模型链所能够提供的算力总和。
S103、确定所述目标异常检测任务对应的拟检测系统运行日志文本。
其中,拟检测系统运行日志文本记录了锰合金生产原料输送系统的多个维度运行信息。
S104、获取异常检测算力门限值。
其中,异常检测算力门限值可以根据实际情况灵活调整。
S105、依次将所述拟检测系统运行日志文本中与所述异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向所述X个专家系统模型进行下发,得到异常检测任务关联报告。
其中,锰合金生产原料输送系统运行数据为拟检测系统运行日志文本的一部分,所述异常检测任务关联报告用于表征所述X个专家系统模型中完成异常检测任务关联的Y个专家系统模型,所述Y个专家系统模型中的每个专家系统模型皆被下发了相应的锰合金生产原料输送系统运行数据,所述Y为大于0且不大于所述X的整数。
在本申请实施例中,锰合金生产原料输送系统的异常检测可以涉及以下项目:输送带速度异常检测:监测输送带的运行速度,如果速度超出设定范围或者出现突变,可能表示存在异常情况;物料流量异常检测:通过传感器等设备监测物料的流量,如果流量超过或低于正常范围,可能表示存在异常;温度异常检测:监测输送系统各个部分的温度,例如输送带、炉内等,如果温度超出设定范围,可能意味着存在故障或异常情况;压力异常检测:监测输送系统中的压力变化,如气体或液体的压力,如果压力异常或超过安全限制,可能表示存在问题;振动异常检测:通过振动传感器对输送系统进行监测,如果出现异常的振动频率或幅度,可能表示存在故障或松动等问题;电流异常检测:监测输送系统的电动机或其他电气设备的电流变化,如果电流超过正常范围,可能表示存在故障或异常情况;设备状态异常检测:监测输送系统的设备运行状态,如电机是否正常工作、传送带是否顺畅等,如果设备状态异常,可能表示存在故障或需要维护。
在一种可能的应用场景下,以三个异常检测申请为例进行说明:
异常检测申请1:监测锰合金生产过程中的温度变化;
异常检测申请2:监测锰合金生产中的压力波动;
异常检测申请3:监测锰合金生产中的振动情况。
同时,有以下两个AI检测应答标签:
AI检测应答标签1:温度异常检测模型;
AI检测应答标签2:压力异常检测模型。
进一步地,将异常检测申请与AI检测应答标签进行关联配对处理,得到目标异常检测任务链和目标专家系统模型链。在本申请实施例中,可以形成以下关联:
(1)目标异常检测任务链:异常检测申请1->异常检测申请2->异常检测申请3;
(2)目标专家系统模型链:AI检测应答标签1->AI检测应答标签2。
假设目标异常检测任务链对应的第一全局任务算力为15,而目标专家系统模型链对应的第一全局执行算力也为15(满足相等条件)。
接下来,确定目标异常检测任务对应的拟检测系统运行日志文本,并获取异常检测算力门限值。例如,有一份拟检测系统运行日志文本,其中包含了温度、压力和振动等锰合金生产原料输送系统运行数据。
然后,依次将拟检测系统运行日志文本中与异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向目标专家系统模型链中的两个专家系统模型进行下发。这样,就得到了异常检测任务关联报告,该报告用于表征目标专家系统模型链中完成异常检测任务关联的两个专家系统模型,每个专家系统模型都被下发了相应的锰合金生产原料输送系统运行数据。
总结起来,以上举例说明了如何根据给定的异常检测申请和AI检测应答标签,进行关联配对处理,并通过拟检测系统运行日志文本和算力门限值,向专家系统模型进行下发,最终得到异常检测任务的关联报告。
在另一种可能的应用场景下,也即,在全局执行算力小于全局任务算力的基础上,需要进行合理的任务调度和资源分配来满足需求。以下是一个举例说明。
假设有以下两个异常检测申请:
异常检测申请1:监测锰合金生产过程中的温度变化;
异常检测申请2:监测锰合金生产中的压力波动。
同时,有以下两个AI检测应答标签:
AI检测应答标签1:温度异常检测模型;
AI检测应答标签2:压力异常检测模型。
进一步地,将异常检测申请与AI检测应答标签进行关联配对处理,得到目标异常检测任务链和目标专家系统模型链。在本申请实施例中,可以形成以下关联:
(1)目标异常检测任务链:异常检测申请1->异常检测申请2;
(2)目标专家系统模型链:AI检测应答标签1->AI检测应答标签2。
假设目标异常检测任务链对应的第一全局任务算力为20,而目标专家系统模型链对应的第一全局执行算力只有10(小于任务算力)。
在这种情况下,需要考虑资源的合理分配和任务调度。可能的解决方案包括:
A、对任务进行优先级排序:根据任务的重要性或紧急程度,可以确定哪些任务首先执行。
B、资源共享与并行处理:如果有多个专家系统模型可用,可以将任务同时分配给多个模型进行并行处理,以提高处理效率。
C、动态调整任务分配:根据实际执行情况,不断调整任务分配和资源利用,以最大程度地满足任务需求。
在实际实施时,会依赖于系统架构、算法调度策略等因素。重要的是在资源有限的基础上,合理规划和管理任务,以达到尽可能有效地完成异常检测任务链的目标。
在又一种可能的应用场景下,如果全局执行算力小于全局任务算力,并且温度变化的监测更为重要和紧急,可以考虑以下解决方案:假设目标异常检测任务链对应的第一全局任务算力为20,而目标专家系统模型链对应的第一全局执行算力为10。将全部的第一全局执行算力(10)分配给温度异常检测任务,以确保其重要性和紧急性得到满足。对于压力波动的监测任务,由于剩余的全局执行算力不足以满足其需求,需要进一步调整策略:可以将部分压力波动的监测任务推迟到下一个可用的全局执行周期进行处理。或者,可以探索其他资源分配或优化策略,例如通过资源共享、并行处理等方式来提高任务的处理效率。总结起来,在全局执行算力小于全局任务算力的基础上,优先处理重要和紧急的任务,同时灵活调整资源分配和任务处理策略,以最大程度地满足需求。
进一步地,应用本申请实施例所提供的S101-S105,通过确定目标异常检测任务对应的拟检测系统运行日志文本,并以异常检测算力门限值为判断标准,依序将以上目标异常检测任务的拟检测系统运行日志文本中与异常检测算力门限值对应的锰合金生产原料输送系统运行数据,按序向X个专家系统模型进行下发,从而实现拟检测系统运行日志文本的锰合金生产原料输送系统运行数据拆分,以通过多个专家系统模型进行并行的异常检测,在拟检测系统运行日志文本所对应的全部锰合金生产原料输送系统运行数据均完成下发时,可以获得记载了皆被下发了相应的锰合金生产原料输送系统运行数据的Y个专家系统模型的异常检测任务关联报告,从而结合Y个专家系统模型实现高效准确的异常检测分析。
可见,通过将最少两个异常检测申请与最少两个AI检测应答标签进行关联配对处理,可以建立目标异常检测任务链与目标专家系统模型链。其中,目标异常检测任务链包括目标异常检测任务,而目标专家系统模型链包括X个专家系统模型(X为大于1的整数)。值得注意的是,目标异常检测任务链的第一全局任务算力与目标专家系统模型链的第一全局执行算力是一致的。
接下来,需要确定目标异常检测任务对应的拟检测系统运行日志文本,并获取异常检测算力门限值。根据异常检测算力门限值,按顺序将拟检测系统运行日志文本中与该门限值对应的锰合金生产原料输送系统运行数据发送给X个专家系统模型。这样做可以实现拟检测系统运行日志文本的锰合金生产原料输送系统运行数据拆分,并通过多个专家系统模型进行并行的异常检测。
在完成上述过程时,会得到一个记载了被下发相应锰合金生产原料输送系统运行数据的Y个专家系统模型的异常检测任务关联报告。其中,Y表示那些完成异常检测任务关联的专家系统模型数量,Y为大于0且不超过X的整数。通过结合这Y个专家系统模型的分析结果,可以实现高效准确的异常检测分析。
因此,上述过程能够将拟检测系统运行日志文本中与异常检测算力门限值对应的锰合金生产原料输送系统运行数据分发给多个专家系统模型,并最终获得异常检测任务关联报告。这种并行处理的方式提高了异常检测的效率和准确性,同时充分利用了多个专家系统模型的优势进行综合分析。
更进一步地,利用多个专家系统模型进行综合分析,还具有如下优势:
(1)提高异常检测准确性:通过将拟检测系统运行日志文本中与异常检测算力门限值对应的锰合金生产原料输送系统运行数据分发给多个专家系统模型并综合它们的分析结果,可以大幅提高异常检测的准确性。不同的专家系统模型可能采用不同的算法和技术,通过结合它们的判断能力,可以降低漏报和误报的风险,提供更可靠的异常检测结果;
(2)提升异常检测效率:采用并行处理的方式,同时向多个专家系统模型发送数据进行异常检测,可以大幅缩短整个检测过程所需的时间。每个专家系统模型可以独立地处理部分数据,无需依次进行,从而实现了任务的并行化。这样可以有效利用计算资源,加快异常检测的速度,提高系统的响应性;
(3)综合多个专家系统模型的优势:不同的专家系统模型可能具有各自的特点和优势,在处理异常检测任务时能够提供不同的视角和分析方法。通过将多个专家系统模型进行绑定操作,可以充分利用它们之间的互补性,提高异常检测的综合能力。这样的综合分析能够更全面地探测潜在的异常情况,减少遗漏,并为后续处理提供更有针对性的建议和决策支持;
(4)可扩展性和灵活性:系统采用了目标异常检测任务链和目标专家系统模型链的设计,使得系统具有良好的可扩展性和灵活性。通过增加或替换新的异常检测任务和专家系统模型,可以根据实际需要灵活调整系统配置,适应不同领域和场景下的异常检测需求。这种可扩展性和灵活性使系统具备了较强的适应性和未来发展空间。
总而言之,该人工智能检测系统通过利用多个专家系统模型的并行处理和综合分析能力,提高了异常检测的准确性和效率,同时具备可扩展性和灵活性,能够为用户提供更可靠、快速和全面的异常检测分析服务,辅助做出准确决策和采取相应的措施。
在一些可选的方案中,S105所描述的依次将所述拟检测系统运行日志文本中与所述异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向所述X个专家系统模型进行下发,得到异常检测任务关联报告,包括S1051-S1055。
S1051、确定所述拟检测系统运行日志文本对应的算力消耗值以及所述X个专家系统模型中第u个专家系统模型对应的可用算力值,所述u为大于0且不大于所述X的整数。
S1052、在所述算力消耗值不小于所述异常检测算力门限值,且所述可用算力值不小于所述异常检测算力门限值的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发算力值与所述异常检测算力门限值一致的待处理系统运行数据。
S1053、调整所述算力消耗值以及所述可用算力值。
S1054、如果所述u等于所述X,则所述u调整为1,否则所述u自加一,并跳转到所述确定所述拟检测系统运行日志文本对应的算力消耗值以及所述X个专家系统模型中第u个专家系统模型对应的可用算力值的步骤。
S1055、在完成所述拟检测系统运行日志文本的下发的基础上,确定所述目标异常检测任务对应的所述Y个专家系统模型以及所述Y个专家系统模型对应的系统运行数据下发结果。
其中,所述异常检测任务关联报告包括所述Y个专家系统模型以及所述系统运行数据下发结果。
下面是一个锰合金生产原料输送系统的异常检测场景示例。
假设有一个用于锰合金生产的原料输送系统,该系统主要包括传送带、传感器和控制装置。的目标是通过异常检测来监测系统是否正常运行。
算力消耗值:假设算力消耗值为300,表示在进行异常检测任务时所使用的计算资源量。
可用算力值:假设有3个专家系统模型(X=3),每个模型代表不同的异常检测算法,并具有不同的可用算力值。假设第一个模型的可用算力值为200,第二个模型的可用算力值为250,第三个模型的可用算力值为320。
异常检测算力门限值:假设异常检测算力门限值为280,表示进行异常检测任务所需的最低计算资源量。
根据以上设定,按照方案的步骤进行解释。
P1、根据拟检测系统的运行日志文本选择合适的专家系统模型。
第一个模型的可用算力值200小于异常检测算力门限值280,不符合要求;第二个模型的可用算力值250小于异常检测算力门限值280,不符合要求;第三个模型的可用算力值320大于等于异常检测算力门限值280,符合要求。
P2、向第三个专家系统模型下发算力值与异常检测算力门限值一致的待处理系统运行数据,即下发算力值为280的待处理系统运行数据。
P3、调整算力消耗值和可用算力值:在该步骤下,不对其进行调整。
P4、如果还有其他专家系统模型需要处理,则将u自加一并跳转到P5;否则,跳转到P6。
P5、在该步骤下,已经遍历了所有专家系统模型,因此没有其他模型需要处理。
P6、完成所有拟检测系统运行日志文本的下发,并得到Y个专家系统模型以及系统运行数据下发结果。
以上是根据锰合金生产原料输送系统的异常检测场景提供的示例。请注意实际应用中,具体的算力消耗值、可用算力值和异常检测算力门限值会根据该系统的特点和需求进行设定,并且可能需要根据实际情况和反馈进行调整和优化。
在另一些可能的实施例中,所述方法还包括:在所述算力消耗值不小于所述异常检测算力门限值,且所述可用算力值小于所述异常检测算力门限值的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发与所述可用算力值一致的待处理系统运行数据。
在一些示例下,以3个专家系统模型为例进行说明(X=3)。每个模型都具有不同的可用算力值。假设这些模型的可用算力值分别为200、500和800。
现在假设要处理一段运行日志文本,根据该文本进行异常检测。根据预先定义的规则,对于这段运行日志文本,确定其对应的算力消耗值为600。
接下来,根据方案要求,需要找到第u个专家系统模型,并向该模型下发与异常检测算力门限值一致的待处理系统运行数据。假设此时u=2,即选择第2个专家系统模型。
由于算力消耗值为600,大于异常检测算力门限值,且第2个专家系统模型的可用算力值为500,小于异常检测算力门限值,满足方案要求。因此,可以将与异常检测算力门限值一致的待处理系统运行数据发送给第2个专家系统模型进行处理。
假设此次下发的系统运行数据是一组日志事件,该模型会利用其可用的算力500进行异常检测分析,尽力发现任何潜在的异常情况。
如果继续执行该方案,下一个u的值将为3,超过了可用的专家系统模型数量。根据方案要求,将将u调整为1,并重新开始确定算力消耗值和可用算力值的步骤。
总结起来,该方案允许在不同的专家系统模型中选择可用算力满足要求的模型,并将与异常检测算力门限值一致的待处理系统运行数据发送给选定的模型进行处理。这样可以最大程度地利用可用的算力资源来完成目标异常检测任务。完成后会得到关联报告,其中包括每个专家系统模型的处理结果与系统运行数据的下发情况。
在另一些可能的实施例中,所述方法还包括实施例A:在所述算力消耗值小于所述异常检测算力门限值,且所述可用算力值小于所述拟检测系统运行日志文本的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发与所述可用算力值一致的待处理系统运行数据;在所述算力消耗值小于所述异常检测算力门限值,且所述可用算力值不小于所述拟检测系统运行日志文本的基础上,将所述拟检测系统运行日志文本中与所述算力消耗值一致的待处理系统运行数据下发到所述第u个专家系统模型。
在结合S1051-S1055的基础上,以4个专家系统模型(X=4)为例进行说明。每个模型都具有不同的可用算力值。假设这些模型的可用算力值分别为200、400、600和800。
现在假设有一段运行日志文本,根据该文本需要进行异常检测。根据预先定义的规则,确定其对应的算力消耗值为500。
根据S1051-S1055,首先需要确定拟检测系统运行日志文本对应的算力消耗值和第u个专家系统模型的可用算力值。假设此时u=2,即选择第2个专家系统模型。
由于算力消耗值大于异常检测算力门限值(500>400),且第2个专家系统模型的可用算力值为400,小于拟检测系统运行日志文本的算力消耗值,所以满足内容2的条件。因此,将与可用算力值一致的待处理系统运行数据(400)发送给第2个专家系统模型进行处理。
假设下一个u的值是3,仍然满足条件。可以继续下发与可用算力值一致的待处理系统运行数据(600)给第3个专家系统模型进行处理。
如果下一个u的值是4,超过了可用的专家系统模型数量。根据内容1,需要将u调整为1,并重新开始确定算力消耗值和可用算力值的步骤。
完成拟检测系统运行日志文本的下发后,可以确定目标异常检测任务对应的Y个专家系统模型以及它们对应的系统运行数据下发结果。这些结果将包括每个专家系统模型的处理情况和系统运行数据的下发情况。
综上所述,根据S1051-S1055,以及上述实施例A,可以在满足条件的情况下,向特定的专家系统模型下发与可用算力值或算力消耗值一致的待处理系统运行数据,以完成目标异常检测任务,并生成异常检测任务关联报告。
在一些可选的设计思路下,所述目标异常检测任务链包括H个异常检测任务,所述H为大于0的整数,在S103所描述的确定所述目标异常检测任务对应的拟检测系统运行日志文本之前,还包括:将所述H个异常检测任务中第v个异常检测任务作为所述目标异常检测任务,所述v为大于0且不大于所述H的整数。基于此,在S1055所描述的在完成所述拟检测系统运行日志文本的下发的基础上,确定所述目标异常检测任务对应的所述Y个专家系统模型以及所述Y个专家系统模型对应的系统运行数据下发结果,之后,还包括:如果所述v小于所述H,则所述v自加一,并跳转到所述将所述H个异常检测任务中第v个异常检测任务作为所述目标异常检测任务的步骤;如果所述v等于所述H,则得到所述目标异常检测任务链中各异常检测任务对应的异常检测任务关联报告。
以一目标异常检测任务链为例进行说明,该目标异常检测任务链包含3个异常检测任务(H=3)。在确定目标异常检测任务之前,选择第2个异常检测任务作为目标异常检测任务(v=2)。
根据S1055,在完成拟检测系统运行日志文本的下发后,需要确定目标异常检测任务对应的Y个专家系统模型以及它们对应的系统运行数据的下发结果。
首先,假设已经完成了拟检测系统运行日志文本的下发,得到了Y个专家系统模型的处理结果和相应的系统运行数据的下发情况。
接下来,根据内容中描述的逻辑,需要检查是否还有更多的异常检测任务需要处理。由于v小于H(2<3),将v自加一,并跳转回将第3个异常检测任务作为目标异常检测任务的步骤。
假设现在选择第3个异常检测任务作为目标异常检测任务(v=3)。然后,再次进行拟检测系统运行日志文本的下发,得到了Y个专家系统模型的处理结果和系统运行数据的下发情况。
最后,根据内容中的逻辑,发现v等于H(3=3),这意味着已经处理完目标异常检测任务链中的所有异常检测任务。现在可以生成每个异常检测任务对应的异常检测任务关联报告。
可见,根据给定的目标异常检测任务链和相关步骤,能够逐个确定目标异常检测任务,并在完成拟检测系统运行日志文本的下发后,确定每个目标异常检测任务对应的专家系统模型和系统运行数据的下发结果。最后,可以生成异常检测任务关联报告,包括每个异常检测任务的处理情况和相关数据。
在一些可选的实施例中,S102中的对所述最少两个异常检测申请对应的异常检测任务以及所述最少两个AI检测应答标签对应的专家系统模型进行关联配对处理,得到目标异常检测任务链与目标专家系统模型链,包括S1021-S1024。
S1021、获取拟关联异常检测任务池和拟配对专家系统模型池,所述拟关联异常检测任务池包括所述异常检测任务,所述拟配对专家系统模型池包括所述专家系统模型。
在锰合金生产原料输送系统的异常检测应用场景中,拟关联异常检测任务池可以包括多个异常检测任务,如振动监测、温度监测、流量监测等;而拟配对专家系统模型池可以包括多个专家系统模型,比如基于机器学习的数据分析模型、基于规则的故障诊断模型等。
S1022、分别对所述拟关联异常检测任务池中的异常检测任务以及所述拟配对专家系统模型池中的专家系统模型进行归纳操作,得到最少一个异常检测任务簇以及最少一个专家系统模型簇。
对拟关联异常检测任务池中的异常检测任务进行归纳操作时,可能将相同类型的监测任务聚类为一个异常检测任务簇,例如将振动监测、温度监测和流量监测聚类为一个异常检测任务簇;而在拟配对专家系统模型池中对专家系统模型进行归纳时,可能将多个用于不同类型故障诊断的模型聚类为一个专家系统模型簇。
S1023、对所述最少一个异常检测任务簇与所述最少一个专家系统模型簇进行绑定操作,得到至少一对绑定结果,所述至少一对绑定结果包括目标绑定结果,所述目标绑定结果包括存在关联关系的目标异常检测任务簇和目标专家系统模型簇。
通过绑定操作,可以得到至少一对绑定结果。举例来说,可以将振动监测任务簇与基于机器学习的故障诊断模型簇进行绑定,形成一个目标绑定结果,其中目标绑定结果表示存在关联关系的目标异常检测任务簇和目标专家系统模型簇。
S1024、对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链。
通过更新处理,可以得到目标异常检测任务链和目标专家系统模型链。在锰合金生产原料输送系统中,更新后的目标异常检测任务链可能包括振动监测、温度监测和流量监测等任务;而目标专家系统模型链可能包括基于机器学习的故障诊断模型、基于规则的异常检测模型等。这些链条可以用于持续监测和诊断系统中的异常情况,并提供相应的建议。
在一些优选的实施例中,S1024中的对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,包括S10241-S10243。
S10241、确定所述目标异常检测任务簇对应的第二全局任务算力以及所述目标专家系统模型簇对应的第二全局执行算力。
S10242、在所述第二全局任务算力大于所述第二全局执行算力的基础上,对所述目标异常检测任务簇进行任务过滤操作,得到所述目标异常检测任务链。
S10243、根据所述目标专家系统模型簇,得到所述目标专家系统模型链。
在锰合金生产原料输送系统的异常检测应用场景中,可以通过以下示例来说明S1024中对目标异常检测任务簇和目标专家系统模型簇进行更新处理,得到目标异常检测任务链和目标专家系统模型链:确定目标异常检测任务簇对应的第二全局任务算力以及目标专家系统模型簇对应的第二全局执行算力。例如,在系统运行过程中,判断需要更多计算资源来处理振动监测任务簇和故障诊断模型簇。在第二全局任务算力大于第二全局执行算力的基础上,对目标异常检测任务簇进行任务过滤操作,得到目标异常检测任务链。举例来说,如果计算资源充足,可以选择性地过滤掉一些次要的异常检测任务,比如温度监测任务,从而得到一个精简的目标异常检测任务链。根据目标专家系统模型簇,得到目标专家系统模型链。比如,在锰合金生产中,根据所需的故障诊断需求,选择适当的专家系统模型,比如基于机器学习的模型、基于规则的模型等,形成一个目标专家系统模型链,用于对异常检测结果进行进一步的分析和判断。通过这些步骤,可以实现对锰合金生产原料输送系统的异常检测任务与专家系统模型的动态更新和优化,以提高异常检测的准确性和效率。
在另一些优选的实施例中,S1024中的对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,还包括:在所述第二全局任务算力小于所述第二全局执行算力的基础上,对所述目标专家系统模型簇进行模型过滤操作,得到完成过滤的目标专家系统模型簇;确定所述完成过滤的目标专家系统模型簇对应的第三全局执行算力;如果所述第二全局任务算力大于所述第三全局执行算力,则对所述目标异常检测任务簇进行任务过滤操作,得到所述目标异常检测任务链;根据所述完成过滤的目标专家系统模型簇,得到所述目标专家系统模型链;如果所述第二全局任务算力等于所述第三全局执行算力,则根据所述目标异常检测任务簇,得到所述目标异常检测任务链;根据所述完成过滤的目标专家系统模型簇,得到所述目标专家系统模型链;如果所述第二全局任务算力小于所述第三全局执行算力,则对所述完成过滤的目标专家系统模型簇进行模型过滤操作,调整所述完成过滤的目标专家系统模型簇,并跳转到所述确定所述完成过滤的目标专家系统模型簇对应的第三全局执行算力的步骤。
在锰合金生产原料输送系统的异常检测应用场景中,可以通过以下示例来说明S1024中对目标异常检测任务簇和目标专家系统模型簇进行更新处理,并涉及到模型过滤、任务过滤以及根据算力调整的步骤。
(1)如果第二全局任务算力小于第二全局执行算力:对目标专家系统模型簇进行模型过滤操作,得到完成过滤的目标专家系统模型簇。例如,根据计算资源限制,筛选出其中性能较好或更为关键的故障诊断模型。确定完成过滤的目标专家系统模型簇对应的第三全局执行算力。根据选择的模型和可用的计算资源来评估模型的运行效率和所需计算力。如果第二全局任务算力大于第三全局执行算力,对目标异常检测任务簇进行任务过滤操作,得到目标异常检测任务链。根据可用计算力,筛选并优化异常检测任务,确保在给定资源下的任务准确性和效率。根据完成过滤的目标专家系统模型簇,得到目标专家系统模型链。使用已筛选的专家系统模型来进一步分析异常检测结果和提供更精确的诊断建议。
(2)如果第二全局任务算力等于第三全局执行算力:
根据目标异常检测任务簇,得到目标异常检测任务链。根据已有的任务需求和可用计算力来形成任务链。根据完成过滤的目标专家系统模型簇,得到目标专家系统模型链。使用筛选后的专家系统模型对异常检测结果进行分析和推理。
(3)如果第二全局任务算力小于第三全局执行算力:对完成过滤的目标专家系统模型簇进行模型过滤操作,调整模型选择。根据计算资源的限制重新筛选和调整模型。跳转至确定完成过滤的目标专家系统模型簇对应的第三全局执行算力的步骤。根据调整后的模型和计算力进行进一步评估,并确定适合的执行算力。
以上步骤通过动态的过滤和调整,实现了对目标异常检测任务和专家系统模型的优化,以适应不同的计算能力和任务要求,提高异常检测系统的性能和效果。
在另一些优选的实施例中,S1024中的对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,还包括:在所述第二全局任务算力等于所述第二全局执行算力的基础上,根据所述目标异常检测任务簇,得到所述目标异常检测任务链;根据所述目标专家系统模型簇,得到所述目标专家系统模型链。
在锰合金生产原料输送系统的异常检测应用场景中,可以通过以下示例来说明S1024中对目标异常检测任务簇和目标专家系统模型簇进行更新处理,并涉及到根据任务簇和模型簇直接形成相应链的步骤。
如果第二全局任务算力等于第二全局执行算力:根据目标异常检测任务簇,直接得到目标异常检测任务链。例如,如果振动监测、温度监测和流量监测都是同等重要且可同时执行的任务,它们可以直接构成目标异常检测任务链。根据目标专家系统模型簇,直接得到目标专家系统模型链。例如,基于机器学习的数据分析模型、基于规则的故障诊断模型等可以直接形成目标专家系统模型链,用于对异常检测结果进行分析和判断。
这样,在第二全局任务算力等于第二全局执行算力的情况下,可以直接将目标异常检测任务簇和目标专家系统模型簇转化为相应的链,以支持系统的连续监测和故障诊断需求。
在另一些可能的实施例中,S1021中的获取拟关联异常检测任务池和拟配对专家系统模型池,包括:获取最少一个安全生产服务器中的异常检测任务;获取最少一个任务服务器中的专家系统模型;根据所述最少一个安全生产服务器中的异常检测任务,得到所述拟关联异常检测任务池;根据所述最少一个任务服务器中的专家系统模型,得到所述拟配对专家系统模型池。
在锰合金生产原料输送系统的异常检测应用场景中,可以通过以下示例来说明S1021中获取拟关联异常检测任务池和拟配对专家系统模型池的过程。
获取至少一个安全生产服务器中的异常检测任务:从安全生产服务器中获取异常检测任务的列表。这些任务可能包括振动监测、温度监测、流量监测等,用于检测和识别系统中的异常情况。
获取至少一个任务服务器中的专家系统模型:从任务服务器中获取专家系统模型的列表。这些模型可以是基于机器学习、规则引擎或其他技术构建的,用于分析异常检测结果并提供相应的故障诊断和预测。
根据至少一个安全生产服务器中的异常检测任务,得到拟关联异常检测任务池:将获取的异常检测任务组成一个池子,即拟关联异常检测任务池。例如,将来自不同服务器的振动监测、温度监测和流量监测任务汇总为一个任务池,以进行后续处理和分析。
根据至少一个任务服务器中的专家系统模型,得到拟配对专家系统模型池:将获取的专家系统模型组成一个池子,即拟配对专家系统模型池。例如,将不同服务器中的机器学习模型、规则引擎等汇总为一个模型池,以供后续与异常检测任务进行配对和应用。
通过以上步骤,可以获取到拟关联异常检测任务池和拟配对专家系统模型池,为后续的任务分配和模型选择提供了基础。这样的池子形式便于管理、优化和灵活地进行任务和模型的组合与调整。
在一些可独立的实施例中,在S105所描述的依次将所述拟检测系统运行日志文本中与所述异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向所述X个专家系统模型进行下发,得到异常检测任务关联报告之后,该方法还包括:根据所述Y个专家系统模型中每个专家系统模型所接收到的锰合金生产原料输送系统运行数据,获取每个专家系统模型对应的训练样本,并利用所述训练样本对每个专家系统模型进行训练,得到运行数据异常检测模型;通过每个运行数据异常检测模型对相应的锰合金生产原料输送系统运行数据进行异常检测。
在一些示例下,根据所述Y个专家系统模型中每个专家系统模型所接收到的锰合金生产原料输送系统运行数据,获取每个专家系统模型对应的训练样本,并利用这些训练样本对每个专家系统模型进行训练,从而得到针对运行数据的异常检测模型。通过每个运行数据异常检测模型对相应的锰合金生产原料输送系统运行数据进行异常检测的过程如下:
(1)数据采集与准备:将锰合金生产原料输送系统的运行数据传递给Y个专家系统模型中的每个模型。每个专家系统模型接收到运行数据后,根据其特定的需求和算法选择,从接收到的数据中提取相关特征或按照特定的数据格式进行处理。
(2)训练样本的获取:对于每个专家系统模型,使用接收到的运行数据作为训练样本。根据专家系统模型的训练方法和目标,可能需要进行数据清洗、特征选择、数据转换等预处理步骤,以使数据适应模型的训练要求。
(3)模型训练:基于每个专家系统模型的训练样本,使用适当的机器学习算法、统计模型或其他方法,对每个模型进行训练。在训练过程中,模型会学习正常运行数据的模式,以便后续能够识别异常情况。
(4)运行数据异常检测:使用训练完成的运行数据异常检测模型,针对相应的锰合金生产原料输送系统运行数据进行异常检测。将待检测的运行数据输入到每个模型中,模型会根据其训练得到的知识和规律,判断输入数据是否与正常运行数据存在显著差异或异常情况。
通过以上步骤,每个专家系统模型都会具备针对锰合金生产原料输送系统运行数据的异常检测能力。这种方法允许利用多个专家系统模型的综合信息,提高异常检测的准确性和鲁棒性,从而实现对锰合金生产原料输送系统的全面监测和故障诊断。
以“振动异常检测模型”的运行数据异常检测模型为例进行介绍,该“振动异常检测模型”用于对锰合金生产原料输送系统的振动数据进行异常检测。以下是应用该模型进行异常检测的示例:
(1)数据采集与准备:从锰合金生产原料输送系统中获取振动传感器收集的运行数据。
(2)训练样本的获取:对于“振动异常检测模型”,使用一段时间内的正常运行数据作为训练样本。正常运行样本可能包括正常工作状态下的振动信号、频谱特征以及其他相关特征。
(3)模型训练:利用机器学习算法(如支持向量机、随机森林等)或深度学习方法(如卷积神经网络、循环神经网络等),对“振动异常检测模型”进行训练。在训练过程中,模型会学习正常运行数据的振动模式和特征,以便后续判定是否存在异常情况。
(4)运行数据异常检测:将待检测的锰合金生产原料输送系统的振动数据输入到“振动异常检测模型”中。
模型会对输入的振动数据进行分析和比较,判断其是否与已学习到的正常运行模式存在显著差异。
如果模型检测到输入数据与正常模式不符,则会判定为异常情况,并产生相应的异常报告或警告。
通过这个示例,可以看到如何利用运行数据异常检测模型(例如振动异常检测模型)对相应的锰合金生产原料输送系统的运行数据(例如振动数据)进行异常检测。类似的方法也可以应用于其他类型的运行数据,例如温度、流量等,以实现全面的异常检测和故障诊断。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种锰合金生产原料输送系统的异常检测方法,其特征在于,应用于人工智能检测系统,所述方法包括:
获取最少两个异常检测申请以及最少两个AI检测应答标签;对所述最少两个异常检测申请对应的异常检测任务以及所述最少两个AI检测应答标签对应的专家系统模型进行关联配对处理,得到目标异常检测任务链与目标专家系统模型链;其中,所述目标异常检测任务链包括目标异常检测任务,所述目标专家系统模型链包括X个专家系统模型,所述X为大于1的整数,所述目标异常检测任务链对应的第一全局任务算力与所述目标专家系统模型链对应的第一全局执行算力一致;
确定所述目标异常检测任务对应的拟检测系统运行日志文本;获取异常检测算力门限值;依次将所述拟检测系统运行日志文本中与所述异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向所述X个专家系统模型进行下发,得到异常检测任务关联报告;其中,所述异常检测任务关联报告用于表征所述X个专家系统模型中完成异常检测任务关联的Y个专家系统模型,所述Y个专家系统模型中的每个专家系统模型皆被下发了相应的锰合金生产原料输送系统运行数据,所述Y为大于0且不大于所述X的整数。
2.如权利要求1所述的方法,其特征在于,所述依次将所述拟检测系统运行日志文本中与所述异常检测算力门限值对应的锰合金生产原料输送系统运行数据,向所述X个专家系统模型进行下发,得到异常检测任务关联报告,包括:
确定所述拟检测系统运行日志文本对应的算力消耗值以及所述X个专家系统模型中第u个专家系统模型对应的可用算力值,所述u为大于0且不大于所述X的整数;
在所述算力消耗值不小于所述异常检测算力门限值,且所述可用算力值不小于所述异常检测算力门限值的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发算力值与所述异常检测算力门限值一致的待处理系统运行数据;
调整所述算力消耗值以及所述可用算力值;
如果所述u等于所述X,则所述u调整为1,否则所述u自加一,并跳转到所述确定所述拟检测系统运行日志文本对应的算力消耗值以及所述X个专家系统模型中第u个专家系统模型对应的可用算力值的步骤;
在完成所述拟检测系统运行日志文本的下发的基础上,确定所述目标异常检测任务对应的所述Y个专家系统模型以及所述Y个专家系统模型对应的系统运行数据下发结果;
其中,所述异常检测任务关联报告包括所述Y个专家系统模型以及所述系统运行数据下发结果。
3.如权利要求2所述的方法,其特征在于,所述方法还包括:
在所述算力消耗值不小于所述异常检测算力门限值,且所述可用算力值小于所述异常检测算力门限值的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发与所述可用算力值一致的待处理系统运行数据。
4.如权利要求2所述的方法,其特征在于,所述方法还包括:在所述算力消耗值小于所述异常检测算力门限值,且所述可用算力值小于所述拟检测系统运行日志文本的基础上,依据所述拟检测系统运行日志文本向所述第u个专家系统模型下发与所述可用算力值一致的待处理系统运行数据;在所述算力消耗值小于所述异常检测算力门限值,且所述可用算力值不小于所述拟检测系统运行日志文本的基础上,将所述拟检测系统运行日志文本中与所述算力消耗值一致的待处理系统运行数据下发到所述第u个专家系统模型;
其中,所述目标异常检测任务链包括H个异常检测任务,所述H为大于0的整数,所述确定所述目标异常检测任务对应的拟检测系统运行日志文本之前,还包括:将所述H个异常检测任务中第v个异常检测任务作为所述目标异常检测任务,所述v为大于0且不大于所述H的整数;
所述在完成所述拟检测系统运行日志文本的下发的基础上,确定所述目标异常检测任务对应的所述Y个专家系统模型以及所述Y个专家系统模型对应的系统运行数据下发结果,之后,所述方法还包括:如果所述v小于所述H,则所述v自加一,并跳转到所述将所述H个异常检测任务中第v个异常检测任务作为所述目标异常检测任务的步骤;如果所述v等于所述H,则得到所述目标异常检测任务链中各异常检测任务对应的异常检测任务关联报告。
5.如权利要求1所述的方法,其特征在于,所述对所述最少两个异常检测申请对应的异常检测任务以及所述最少两个AI检测应答标签对应的专家系统模型进行关联配对处理,得到目标异常检测任务链与目标专家系统模型链,包括:
获取拟关联异常检测任务池和拟配对专家系统模型池,所述拟关联异常检测任务池包括所述异常检测任务,所述拟配对专家系统模型池包括所述专家系统模型;
分别对所述拟关联异常检测任务池中的异常检测任务以及所述拟配对专家系统模型池中的专家系统模型进行归纳操作,得到最少一个异常检测任务簇以及最少一个专家系统模型簇;
对所述最少一个异常检测任务簇与所述最少一个专家系统模型簇进行绑定操作,得到至少一对绑定结果,所述至少一对绑定结果包括目标绑定结果,所述目标绑定结果包括存在关联关系的目标异常检测任务簇和目标专家系统模型簇;
对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链;
其中,所述对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,包括:
确定所述目标异常检测任务簇对应的第二全局任务算力以及所述目标专家系统模型簇对应的第二全局执行算力;
在所述第二全局任务算力大于所述第二全局执行算力的基础上,对所述目标异常检测任务簇进行任务过滤操作,得到所述目标异常检测任务链;
根据所述目标专家系统模型簇,得到所述目标专家系统模型链。
6.如权利要求5所述的方法,其特征在于,所述对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,还包括:
在所述第二全局任务算力小于所述第二全局执行算力的基础上,对所述目标专家系统模型簇进行模型过滤操作,得到完成过滤的目标专家系统模型簇;
确定所述完成过滤的目标专家系统模型簇对应的第三全局执行算力;
如果所述第二全局任务算力大于所述第三全局执行算力,则对所述目标异常检测任务簇进行任务过滤操作,得到所述目标异常检测任务链;
根据所述完成过滤的目标专家系统模型簇,得到所述目标专家系统模型链;
如果所述第二全局任务算力等于所述第三全局执行算力,则根据所述目标异常检测任务簇,得到所述目标异常检测任务链;
根据所述完成过滤的目标专家系统模型簇,得到所述目标专家系统模型链;
如果所述第二全局任务算力小于所述第三全局执行算力,则对所述完成过滤的目标专家系统模型簇进行模型过滤操作,调整所述完成过滤的目标专家系统模型簇,并跳转到所述确定所述完成过滤的目标专家系统模型簇对应的第三全局执行算力的步骤。
7.如权利要求5所述的方法,其特征在于,所述对所述目标异常检测任务簇和所述目标专家系统模型簇进行更新处理,得到所述目标异常检测任务链以及所述目标专家系统模型链,还包括:
在所述第二全局任务算力等于所述第二全局执行算力的基础上,根据所述目标异常检测任务簇,得到所述目标异常检测任务链;
根据所述目标专家系统模型簇,得到所述目标专家系统模型链。
8.如权利要求5所述的方法,其特征在于,所述获取拟关联异常检测任务池和拟配对专家系统模型池,包括:
获取最少一个安全生产服务器中的异常检测任务;
获取最少一个任务服务器中的专家系统模型;
根据所述最少一个安全生产服务器中的异常检测任务,得到所述拟关联异常检测任务池;
根据所述最少一个任务服务器中的专家系统模型,得到所述拟配对专家系统模型池。
9.一种人工智能检测系统,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,其上存储有程序,该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311707208.2A CN118094416A (zh) | 2023-12-13 | 2023-12-13 | 锰合金生产原料输送系统的异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311707208.2A CN118094416A (zh) | 2023-12-13 | 2023-12-13 | 锰合金生产原料输送系统的异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118094416A true CN118094416A (zh) | 2024-05-28 |
Family
ID=91144834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311707208.2A Pending CN118094416A (zh) | 2023-12-13 | 2023-12-13 | 锰合金生产原料输送系统的异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118094416A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022028512A1 (zh) * | 2020-08-07 | 2022-02-10 | 展讯半导体(南京)有限公司 | 算力共享异常上报、处理方法及装置、存储介质、终端设备 |
EP3961338A1 (en) * | 2020-08-28 | 2022-03-02 | Tata Consultancy Services Limited | Detection of abnormal behaviour of devices from associated unlabeled sensor observations |
CN115757075A (zh) * | 2022-12-08 | 2023-03-07 | 中国平安财产保险股份有限公司 | 任务异常检测方法、装置、计算机设备及存储介质 |
CN116346418A (zh) * | 2023-02-13 | 2023-06-27 | 北京邮电大学 | 基于联邦学习的DDoS检测方法及装置 |
CN116502162A (zh) * | 2023-04-11 | 2023-07-28 | 河北工程大学 | 边缘算力网络中的异常算力联邦检测方法、系统及介质 |
-
2023
- 2023-12-13 CN CN202311707208.2A patent/CN118094416A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022028512A1 (zh) * | 2020-08-07 | 2022-02-10 | 展讯半导体(南京)有限公司 | 算力共享异常上报、处理方法及装置、存储介质、终端设备 |
EP3961338A1 (en) * | 2020-08-28 | 2022-03-02 | Tata Consultancy Services Limited | Detection of abnormal behaviour of devices from associated unlabeled sensor observations |
CN115757075A (zh) * | 2022-12-08 | 2023-03-07 | 中国平安财产保险股份有限公司 | 任务异常检测方法、装置、计算机设备及存储介质 |
CN116346418A (zh) * | 2023-02-13 | 2023-06-27 | 北京邮电大学 | 基于联邦学习的DDoS检测方法及装置 |
CN116502162A (zh) * | 2023-04-11 | 2023-07-28 | 河北工程大学 | 边缘算力网络中的异常算力联邦检测方法、系统及介质 |
Non-Patent Citations (1)
Title |
---|
张攀等: "一种在线实时微服务调用链异常检测方法", 计算机工程, vol. 48, no. 11, 4 July 2022 (2022-07-04) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Demertzis et al. | A spiking one-class anomaly detection framework for cyber-security on industrial control systems | |
US10261850B2 (en) | Aggregate predictive model and workflow for local execution | |
Costa et al. | Failure detection in robotic arms using statistical modeling, machine learning and hybrid gradient boosting | |
US8332337B2 (en) | Condition-based monitoring system for machinery and associated methods | |
US11036902B2 (en) | Dynamic execution of predictive models and workflows | |
JP6856122B2 (ja) | 学習システム、分析システム、学習方法及び記憶媒体 | |
KR20180010321A (ko) | 예측 모델들의 동적 실행 | |
CN112529023A (zh) | 一种配置化的人工智能场景应用研发方法和系统 | |
CN110321940B (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
EP4028841B1 (en) | Systems and methods for detecting wind turbine operation anomaly using deep learning | |
US20160371584A1 (en) | Local Analytics at an Asset | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CA2973213A1 (en) | Automated functional understanding and optimization of human/machine systems | |
US20220414526A1 (en) | Intelligent fault detection system | |
Jansen et al. | Predicting machine failures from industrial time series data | |
CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
AU2016277850A1 (en) | Local analytics at an asset | |
CN114819791A (zh) | 一种基于物联网的货物运输管理方法及系统 | |
CN109192264A (zh) | 构造产率预测模型的方法、系统及产率预测方法和系统 | |
CN117579101B (zh) | 载波通讯模块的控制方法及其系统 | |
CN118094416A (zh) | 锰合金生产原料输送系统的异常检测方法及系统 | |
Queiroz et al. | An agent-based industrial cyber-physical system deployed in an automobile multi-stage production system | |
CN110505005A (zh) | 星上数据采集处理系统、卫星监测系统和智能监测系统 | |
CN110658769B (zh) | 一种机组监控系统及方法 | |
Wang et al. | Machine learning/AI as IoT enablers |
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 |