CN117390501B - 基于人工智能的工业燃气发电机组***状态监测方法 - Google Patents
基于人工智能的工业燃气发电机组***状态监测方法 Download PDFInfo
- Publication number
- CN117390501B CN117390501B CN202311709918.9A CN202311709918A CN117390501B CN 117390501 B CN117390501 B CN 117390501B CN 202311709918 A CN202311709918 A CN 202311709918A CN 117390501 B CN117390501 B CN 117390501B
- Authority
- CN
- China
- Prior art keywords
- monitoring event
- target
- example monitoring
- event
- abnormal
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 559
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 334
- 238000003745 diagnosis Methods 0.000 claims abstract description 163
- 238000012549 training Methods 0.000 claims description 81
- 238000012795 verification Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 238000001816 cooling Methods 0.000 description 41
- 238000005461 lubrication Methods 0.000 description 15
- 239000000446 fuel Substances 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 239000012809 cooling fluid Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000010687 lubricating oil Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
- F02B77/00—Component parts, details or accessories, not otherwise provided for
- F02B77/08—Safety, indicating, or supervising devices
- F02B77/083—Safety, indicating, or supervising devices relating to maintenance, e.g. diagnostic device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种基于人工智能的工业燃气发电机组***状态监测方法，利用基础范例发电机组监控事件序列进行参数学习并生成多个第一异常状态诊断模型，可以更好地适应不同类型的范例监控事件子序列，通过范例监控事件子序列对应的x‑1个第一异常状态诊断模型进行异常状态诊断，增加了第一异常状态诊断模型的复杂性和覆盖范围，以便于能够处理更复杂、更多样化的异常情况，提升模型的通用性，根据所有的第一目标范例监控事件配置目标范例发电机组监控事件序列，并以此继续对基础异常状态诊断模型进行参数更新，由此更好地适应各种可能出现的异常情况的诊断，提高了对各种异常状态的诊断精度。
Description
技术领域
本申请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工业燃气发电机组***状态监测方法。
背景技术
在现代工业生产过程中，尤其是对于复杂的大型设备如工业燃气发电机组***，异常状态的及时准确诊断至关重要。传统的监控***主要依赖设备的物理和化学参数，并且需要专业人员进行实时监测和处理。这种方式往往存在反应延迟、无法预知故障发生、难以处理大量数据等问题。
发明人认识到，工业燃气发电机组***的稳定运行至关重要。对于任何可能的异常状态，需要尽早发现并进行诊断，以避免对设备造成更严重的损害或者导致生产过程中断。相关技术中，通过基于神经网络模型学习和预测效果往往不能达到理想状态，可能会导致对某些特定异常状态的诊断精度不高。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于人工智能的工业燃气发电机组***状态监测方法。
第一方面，本申请提供一种基于人工智能的工业燃气发电机组***状态监测方法，应用于云平台***，所述方法包括：
获取初始化的基础异常状态诊断模型和所述基础异常状态诊断模型对应的工业燃气发电机组***的基础范例发电机组监控事件序列，其中，所述基础范例发电机组监控事件序列包括x个范例监控事件子序列，x≥2，每个所述范例监控事件子序列包括携带先验异常机组状态类别的多个范例发电机组监控事件；
依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习，生成x个第一异常状态诊断模型；
针对每个所述范例监控事件子序列，基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，每个所述范例监控事件子序列对应的x-1个第一异常状态诊断模型，用于反映所述x个第一异常状态诊断模型中除该范例监控事件子序列对应的第一异常状态诊断模型以外的x-1个神经网络；
针对每个所述范例发电机组监控事件，如果该范例发电机组监控事件的x-1个第一训练异常机组状态类别中与该范例发电机组监控事件的先验异常机组状态类别相同的状态类别的第一统计量不小于第一阈值，则将该范例发电机组监控事件输出为第一目标范例监控事件；
依据各个所述第一目标范例监控事件，配置所述基础异常状态诊断模型对应的目标范例发电机组监控事件序列，以基于所述目标范例发电机组监控事件序列继续对所述基础异常状态诊断模型进行参数更新，生成对应的目标异常状态诊断模型。
在第一方面的一种可能的实施方式中，所述方法还包括：
将确定出的所有第一目标范例监控事件作为第一目标范例监控事件簇，依据所述第一目标范例监控事件簇对所述基础异常状态诊断模型进行参数学习，生成第二异常状态诊断模型；
将所述基础范例发电机组监控事件序列中除第一目标范例监控事件以外的范例发电机组监控事件作为候选范例监控事件，依据所述第二异常状态诊断模型对每个所述候选范例监控事件进行异常状态诊断，生成每个所述候选范例监控事件的第二训练异常机组状态类别；
依据每个所述候选范例监控事件的第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件；
所述依据各个所述第一目标范例监控事件，配置所述基础异常状态诊断模型对应的目标范例发电机组监控事件序列，包括：
依据各个所述第一目标范例监控事件和各第二目标范例监控事件，配置所述目标范例发电机组监控事件序列。
在第一方面的一种可能的实施方式中，所述依据所述第一目标范例监控事件簇对所述基础异常状态诊断模型进行参数学习，生成第二异常状态诊断模型，包括：
针对所述x个范例监控事件子序列中的每个范例监控事件子序列，将该范例监控事件子序列中的所有候选范例监控事件作为一个第一候选范例监控事件子序列；
将x个第一候选范例监控事件子序列分为y个第二候选范例监控事件子序列，其中，x≥y≥2，每个第二候选范例监控事件子序列包括至少一个第一候选范例监控事件子序列，每个所述第一候选范例监控事件子序列只属于一个第二候选范例监控事件子序列；
将所述第一目标范例监控事件簇与每个第二候选范例监控事件子序列分别进行融合，生成y个第一融合范例监控事件簇，依据每个所述第一融合范例监控事件簇对所述基础异常状态诊断模型分别进行参数学习，生成y个第二异常状态诊断模型；
所述依据所述第二异常状态诊断模型对每个所述候选范例监控事件进行异常状态诊断，生成每个所述候选范例监控事件的第二训练异常机组状态类别，包括：
针对每个所述候选范例监控事件，基于该候选范例监控事件对应的y-1个第二异常状态诊断模型分别对该候选范例监控事件进行异常状态诊断，生成该候选范例监控事件的y-1个第二训练异常机组状态类别，该候选范例监控事件对应的y-1个第二异常状态诊断模型，用于反映所述y个第二异常状态诊断模型中除第一神经网络以外的y-1个神经网络，所述第一神经网络是该候选范例监控事件所对应的第一融合范例监控事件簇对应的第二异常状态诊断模型；
所述依据每个所述候选范例监控事件的第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件，包括：
依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件。
在第一方面的一种可能的实施方式中，所述依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件，包括：
针对每个所述候选范例监控事件，如果该候选范例监控事件的y-1个第二训练异常机组状态类别中与该候选范例监控事件的先验异常机组状态类别相同的状态类别的第二统计量不小于第二阈值，则将该候选范例监控事件输出为第二目标范例监控事件。
在第一方面的一种可能的实施方式中，所述方法还包括：
针对每个所述第一候选范例监控事件子序列，将该候选范例监控事件子序列中除第二目标范例监控事件以外的各候选范例监控事件作为关注范例监控事件，重新获取每个所述关注范例监控事件的迭代的先验异常机组状态类别，并将携带迭代的先验异常机组状态类别的关注范例监控事件作为第三目标范例监控事件； 所述依据各个所述第一目标范例监控事件和各第二目标范例监控事件，配置所述目标范例发电机组监控事件序列，包括：
依据所述各第一目标范例监控事件、各第二目标范例监控事件和各第三目标范例监控事件，配置所述目标范例发电机组监控事件序列；
所述重新获取每个所述关注范例监控事件的迭代的先验异常机组状态类别，包括：
将确定出的所有第一目标范例监控事件和所有第二目标范例监控事件融合，生成第二目标范例监控事件簇；
针对每个所述第一候选范例监控事件子序列，将该候选范例监控事件子序列中的所有关注范例监控事件作为一个第一关注范例监控事件簇；
将x个第一关注范例监控事件簇分为z个第二关注范例监控事件簇，其中，x≥z≥2，每个所述第二关注范例监控事件簇包括至少一个第一关注范例监控事件簇，每个所述第一关注范例监控事件簇只属于一个第二关注范例监控事件簇；
将所述第二目标范例监控事件簇与每个所述第二关注范例监控事件簇分别进行融合，生成z个第二融合范例监控事件簇；
依据每个所述第二融合范例监控事件簇对所述基础异常状态诊断模型分别进行参数学习，生成z个第三异常状态诊断模型；
针对每个所述第二关注范例监控事件簇，基于除该第二关注范例监控事件簇对应的第三异常状态诊断模型以外的z-1个第三异常状态诊断模型，分别对该第二关注范例监控事件簇中的每个关注范例监控事件进行异常状态诊断，生成每个关注范例监控事件的z-1个第三训练异常机组状态类别；
针对每个所述关注范例监控事件，将该关注范例监控事件的x-1个第三训练异常机组状态类别中权重最高的训练异常机组状态类别，输出为该关注范例监控事件的迭代的先验异常机组状态类别。
在第一方面的一种可能的实施方式中，所述依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件，包括：
针对每个所述候选范例监控事件，将该候选范例监控事件的y-1个第二训练异常机组状态类别中权重最高的训练异常机组状态类别，输出为该候选范例监控事件的迭代的先验异常机组状态类别；
将携带迭代的先验异常机组状态类别的各所述候选范例监控事件分别作为第二目标范例监控事件。
在第一方面的一种可能的实施方式中，所述方法还包括：
将所述x个范例监控事件子序列中的至少一个范例监控事件子序列作为标的监控事件序列，针对每个所述标的监控事件序列，依据所述x个范例监控事件子序列，配置该标的监控事件序列对应的第一模型学习数据序列、第二模型学习数据序列、第三模型学习数据序列和模型验证数据序列，其中，所述第一模型学习数据序列包括该标的监控事件序列中的至少部分范例发电机组监控事件、以及除该标的监控事件序列以外的x-1个范例监控事件子序列中的至少部分范例发电机组监控事件，所述第二模型学习数据序列是除该标的监控事件序列以外的x-1个范例监控事件子序列中的至少部分范例发电机组监控事件，所述第三模型学习数据序列和所述模型验证数据序列中的范例发电机组监控事件是该标的监控事件序列中的至少部分范例发电机组监控事件，所述模型验证数据序列中的范例发电机组监控事件和所述第三模型学习数据序列中的范例发电机组监控事件不同；
针对每个所述标的监控事件序列，依据该标的监控事件序列对应的3个模型学习数据序列分别对所述基础异常状态诊断模型进行参数学习，生成3个第四异常状态诊断模型，并依据所述模型验证数据序列和训练效果验证参数，对每个所述第四异常状态诊断模型进行训练效果验证，生成每个所述第四异常状态诊断模型的训练效果参数，依据3个第四异常状态诊断模型对应的3个训练效果参数，确定对应于该标的监控事件序列的所述基础范例发电机组监控事件序列的样本有效性值；
如果各所述标的监控事件序列对应的样本有效性值符合预设区间，将所述基础范例发电机组监控事件序列作为所述目标范例发电机组监控事件序列；
所述依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习，包括：
如果各所述标的监控事件序列对应的样本有效性值不符合预设区间，则依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习。
在第一方面的一种可能的实施方式中，所述基础异常状态诊断模型为初始异常状态诊断模型，每个所述范例发电机组监控事件的先验异常机组状态类别为标注的所述范例发电机组监控事件的实际异常状态标签；
所述基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，包括：
基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，其中，所述第一训练异常机组状态类别为预测出的所述范例发电机组监控事件的异常状态标签。
在第一方面的一种可能的实施方式中，所述方法包括：
获取工业燃气发电机组***的目标发电机组监控事件；
将所述目标发电机组监控事件加载至目标异常状态诊断模型中，生成所述目标发电机组监控事件的异常状态诊断结果。
第二方面，本申请实施例还提供一种云平台***，所述云平台***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，所述计算机程序依据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工业燃气发电机组***状态监测方法。
依据以上任意方面的技术方案，能够通过获取初始化的基础异常状态诊断模型和相应的工业燃气发电机组***的基础范例发电机组监控事件序列，利用这些基础范例发电机组监控事件序列进行参数学习并生成多个第一异常状态诊断模型，可以更好地适应不同类型的范例监控事件子序列，提高了对各种异常状态的诊断精度。针对每个范例监控事件子序列，通过该范例监控事件子序列对应的x-1个第一异常状态诊断模型进行异常状态诊断，并生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，从而增加了第一异常状态诊断模型的复杂性和覆盖范围，使得第一异常状态诊断模型能够处理更复杂、更多样化的异常情况，提升了第一异常状态诊断模型的通用性和实用性。当预测出的异常状态与实际异常状态标签一致的比例达到阈值时，将该范例发电机组监控事件视为目标范例监控事件，从而进一步减少误判的可能性，提高诊断准确率。最后，根据所有的第一目标范例监控事件，可以配置目标范例发电机组监控事件序列，并以此继续对基础异常状态诊断模型进行参数更新，生成对应的目标异常状态诊断模型，从而使得模型不断地自我学习和优化，更好地适应各种可能出现的异常情况的诊断。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，针对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以依据这些附图获得其它相关的附图。
图1为本申请实施例提供的基于人工智能的工业燃气发电机组***状态监测方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于人工智能的工业燃气发电机组***状态监测方法的云平台***的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和依据本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于人工智能的工业燃气发电机组***状态监测方法，包括以下步骤。
步骤S110，获取初始化的基础异常状态诊断模型和所述基础异常状态诊断模型对应的工业燃气发电机组***的基础范例发电机组监控事件序列。
其中，所述基础范例发电机组监控事件序列包括x个范例监控事件子序列，x≥2，每个所述范例监控事件子序列包括携带先验异常机组状态类别的多个范例发电机组监控事件。
本实施例中，假设当前正在监控一个工业燃气发电机组***，工业燃气发电机组***中包含若干个子***，例如冷却***、润滑***、燃气供应***等。在正常运行中，这些子***需要协同工作以保证发电机组的正常运行。当某个子***出现问题，比如冷却***未能有效降低发电机的温度，或者润滑***的油压突然下降，可能会引发发电机组的异常状态，比如过热、震动过大等。
首先，获得基础异常状态诊断模型和相应的基础范例发电机组监控事件序列。这些基础范例发电机组监控事件序列可能包括发电机组在不同运行条件下（如高负载、低负载、启动、关闭等）的监控数据，每个范例监控事件子序列都对应一个特定的异常状态类别，比如“冷却***故障”、“润滑***故障”等。
示例性的，假设已经有一个基础异常状态诊断模型，这个基础异常状态诊断模型可能是通过深度学习或其它机器学习方法得到的。然后，需要从实际运行的工业燃气发电机组***中收集数据，形成基础范例发电机组监控事件序列。
比如说，可以连续一段时间内收集这些子***（冷却***、润滑***、燃气供应***等）的运行数据，这些运行数据可能包括各种参数的读数，如温度、压力、流速等。同时，也记录下这段时间内工业燃气发电机组***的运行状态，比如是否发生了过热、震动过大、燃气供应不足等异常状态。假设收集到了3个（x=3）这样的范例监控事件子序列，每个范例监控事件子序列都对应一种特定的机组运行状态，将它们分别称为范例监控事件子序列A、B和C。每个范例监控事件子序列中的数据都携带有对应的异常状态类别标签，也即先验异常机组状态类别。
例如，范例监控事件子序列A可能包含了在冷却***出现故障时的一系列监控数据，范例监控事件子序列B可能记录了润滑***失效时的数据，而范例监控事件子序列C可能则是在所有***正常运行时的数据。
步骤S120，依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习，生成x个第一异常状态诊断模型。
例如，可以将范例监控事件子序列A的数据输入基础异常状态诊断模型进行训练，得到第一个第一异常状态诊断模型；同样，可以用范例监控事件子序列B和C的数据分别训练出另外两个第一异常状态诊断模型。
步骤S130，针对每个所述范例监控事件子序列，基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，每个所述范例监控事件子序列对应的x-1个第一异常状态诊断模型，用于反映所述x个第一异常状态诊断模型中除该范例监控事件子序列对应的第一异常状态诊断模型以外的x-1个神经网络。
例如，可以用范例监控事件子序列B和C训练得到的第一异常状态诊断模型去对范例监控事件子序列A进行异常状态诊断，检测它们是否能准确预测出范例监控事件子序列A中的异常状态。同样的操作也会在范例监控事件子序列B和C上执行。
步骤S140，针对每个所述范例发电机组监控事件，如果该范例发电机组监控事件的x-1个第一训练异常机组状态类别中与该范例发电机组监控事件的先验异常机组状态类别相同的状态类别的第一统计量不小于第一阈值，则将该范例发电机组监控事件输出为第一目标范例监控事件。
例如，如果对于某个范例发电机组监控事件，其它两个第一异常状态诊断模型预测出的异常状态类别与其实际标注的状态类别一致，并且这种一致性的统计量（可能是概率或者其它评价指标）达到了设定的第一阈值，那么就认为这个范例发电机组监控事件是有效的，将其标记为第一目标范例监控事件。
步骤S150，依据各个所述第一目标范例监控事件，配置所述基础异常状态诊断模型对应的目标范例发电机组监控事件序列，以基于所述目标范例发电机组监控事件序列继续对所述基础异常状态诊断模型进行参数更新，生成对应的目标异常状态诊断模型。
例如，可以基于这些被标记为第一目标范例监控事件的数据来重新配置基础异常状态诊断模型，生成一个新的、经过优化的目标异常状态诊断模型。这个目标异常状态诊断模型将更加精准地对工业燃气发电机组***的异常状态进行诊断。
基于以上步骤，本申请实施例能够通过获取初始化的基础异常状态诊断模型和相应的工业燃气发电机组***的基础范例发电机组监控事件序列，利用这些基础范例发电机组监控事件序列进行参数学习并生成多个第一异常状态诊断模型，可以更好地适应不同类型的范例监控事件子序列，提高了对各种异常状态的诊断精度。针对每个范例监控事件子序列，通过该范例监控事件子序列对应的x-1个第一异常状态诊断模型进行异常状态诊断，并生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，从而增加了第一异常状态诊断模型的复杂性和覆盖范围，使得第一异常状态诊断模型能够处理更复杂、更多样化的异常情况，提升了第一异常状态诊断模型的通用性和实用性。当预测出的异常状态与实际异常状态标签一致的比例达到阈值时，将该范例发电机组监控事件视为目标范例监控事件，从而进一步减少误判的可能性，提高诊断准确率。最后，根据所有的第一目标范例监控事件，可以配置目标范例发电机组监控事件序列，并以此继续对基础异常状态诊断模型进行参数更新，生成对应的目标异常状态诊断模型，从而使得模型不断地自我学习和优化，更好地适应各种可能出现的异常情况的诊断。
在一种可能的实施方式中，所述方法还包括：
步骤A110，将确定出的所有第一目标范例监控事件作为第一目标范例监控事件簇，依据所述第一目标范例监控事件簇对所述基础异常状态诊断模型进行参数学习，生成第二异常状态诊断模型。
例如，以一个具体的场景来解释上述步骤：
在工业燃气发电机组***中，已经确认了一系列第一目标范例监控事件，这些第一目标范例监控事件可能涉及到"冷却***故障"、"润滑***故障"等异常情况。将这些第一目标范例监控事件合并成一个第一目标范例监控事件簇，然后使用这个第一目标范例监控事件簇去训练该基础异常状态诊断模型，从而得到第二异常状态诊断模型。
步骤A120，将所述基础范例发电机组监控事件序列中除第一目标范例监控事件以外的范例发电机组监控事件作为候选范例监控事件，依据所述第二异常状态诊断模型对每个所述候选范例监控事件进行异常状态诊断，生成每个所述候选范例监控事件的第二训练异常机组状态类别。
例如，接下来，从原始的发电机组监控事件序列中去除已经被标记为第一目标范例监控事件的事件，剩下的事件视为候选范例监控事件。然后，用新训练得到的第二异常状态诊断模型对这些候选范例监控事件进行诊断，得到每个候选范例监控事件的预测异常状态类别。
步骤A130，依据每个所述候选范例监控事件的第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件。
例如，可以对每个候选范例监控事件进行评估，如果它们的预测异常状态类别与实际发生的异常状态类别一致，并且达到了设定的阈值，那么就将其标记为第二目标范例监控事件。
由此，步骤S150可以包括：依据各个所述第一目标范例监控事件和各第二目标范例监控事件，配置所述目标范例发电机组监控事件序列。
例如，可以根据所有的第一目标范例监控事件和第二目标范例监控事件，构建一个新的目标范例发电机组监控事件序列。这个新的目标范例发电机组监控事件序列将用于进一步训练和优化前述的基础异常状态诊断模型，从而能够更准确地识别和预测发电机组的异常状态。
在一种可能的实施方式中，步骤A110可以包括：
步骤A111，针对所述x个范例监控事件子序列中的每个范例监控事件子序列，将该范例监控事件子序列中的所有候选范例监控事件作为一个第一候选范例监控事件子序列。
例如，继续以上述场景进行说明：
以前述实施例中的范例监控事件子序列A为例，这个范例监控事件子序列A可能包含了在冷却***出现故障时的一系列监控数据。将这个范例监控事件子序列A中所有的事件（即所有的监控数据点）视为候选范例监控事件，并把它们组成一个第一候选范例监控事件子序列。对于范例监控事件子序列B和C也做同样的处理。
步骤A112，将x个第一候选范例监控事件子序列分为y个第二候选范例监控事件子序列，其中，x≥y≥2，每个第二候选范例监控事件子序列包括至少一个第一候选范例监控事件子序列，每个所述第一候选范例监控事件子序列只属于一个第二候选范例监控事件子序列。
例如，可以将范例监控事件子序列A和B合并为一个第二候选范例监控事件子序列，范例监控事件子序列C独立为一个第二候选范例监控事件子序列。这样，就得到了两个（y=2）第二候选范例监控事件子序列。
步骤A113，将所述第一目标范例监控事件簇与每个第二候选范例监控事件子序列分别进行融合，生成y个第一融合范例监控事件簇，依据每个所述第一融合范例监控事件簇对所述基础异常状态诊断模型分别进行参数学习，生成y个第二异常状态诊断模型。
例如，第一目标范例监控事件簇是之前通过模型预测和实际标签一致，并满足一定概率阈值的事件集合。比如说，这些事件集合可能都是冷却***故障时的数据。
将这个第一目标范例监控事件簇与上一步得到的两个第二候选范例监控事件子序列进行融合，也就是将这些数据合并在一起。然后，根据这两个融合后的第一融合范例监控事件簇，可以对基础异常状态诊断模型进行参数学习，生成两个新的第二异常状态诊断模型。
这两个新的异常状态诊断模型应该更加准确地反映了机组在各种状态下的运行情况，从而可以更准确地进行异常状态的诊断。
由此，步骤A120包括：针对每个所述候选范例监控事件，基于该候选范例监控事件对应的y-1个第二异常状态诊断模型分别对该候选范例监控事件进行异常状态诊断，生成该候选范例监控事件的y-1个第二训练异常机组状态类别，该候选范例监控事件对应的y-1个第二异常状态诊断模型，用于反映所述y个第二异常状态诊断模型中除第一神经网络以外的y-1个神经网络，所述第一神经网络是该候选范例监控事件所对应的第一融合范例监控事件簇对应的第二异常状态诊断模型。
例如，假设一个候选范例监控事件是"冷却***温度过高"。根据之前生成的y个第二异常状态诊断模型，但是排除掉与此事件最直接相关（即由相同类型事件生成）的第一神经网络，使用其余的y-1个神经网络对此事件进行异常状态诊断，得出y-1个可能的异常状态。
步骤A130可以包括：
依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件。
例如，针对每个所述候选范例监控事件，如果该候选范例监控事件的y-1个第二训练异常机组状态类别中与该候选范例监控事件的先验异常机组状态类别相同的状态类别的第二统计量不小于第二阈值，则将该候选范例监控事件输出为第二目标范例监控事件。
例如，对于每个候选范例监控事件，例如之前提到的"冷却***温度过高"事件，有了y-1个可能的异常状态。现在，要根据这些状态来确定哪些候选范例监控事件会成为第二目标范例监控事件，也就是要进一步研究和训练的事件。
在确定哪些候选范例监控事件会被选择为第二目标范例监控事件。具体来说，如果一个候选范例监控事件（如"冷却***温度过高"）的y-1个预测结果中，有大部分（至少超过设定的阈值）都预测它为某一特定的异常状态（比如"冷却***故障"），那么就认为这个事件是一个有效的第二目标范例监控事件，值得进行进一步的模型训练和优化。
在一种可能的实施方式中，所述方法还包括：
步骤B110，针对每个所述第一候选范例监控事件子序列，将该候选范例监控事件子序列中除第二目标范例监控事件以外的各候选范例监控事件作为关注范例监控事件，重新获取每个所述关注范例监控事件的迭代的先验异常机组状态类别，并将携带迭代的先验异常机组状态类别的关注范例监控事件作为第三目标范例监控事件。
例如，假设候选范例监控事件子序列：["冷却***温度过高"， "燃料供应***压力低"， "排气温度过高"]，其中"冷却***温度过高"已经被选为第二目标范例监控事件。那么，剩余的"燃料供应***压力低"和"排气温度过高"就会被视为关注范例监控事件。
所述依据各个所述第一目标范例监控事件和各第二目标范例监控事件，配置所述目标范例发电机组监控事件序列，包括：依据所述各第一目标范例监控事件、各第二目标范例监控事件和各第三目标范例监控事件，配置所述目标范例发电机组监控事件序列。
这个步骤是为了组织关注的监控事件序列。假设现在有如下的目标事件：
第一目标范例监控事件：["发动机转速过快"]
第二目标范例监控事件：["冷却***温度过高"]
第三目标范例监控事件（从上一步中的关注范例监控事件获取）：["燃料供应***压力低"， "排气温度过高"]
就可以组织出一个完整的目标范例发电机组监控事件序列：["发动机转速过快"，"冷却***温度过高"， "燃料供应***压力低"， "排气温度过高"]。
步骤B110中，重新获取每个所述关注范例监控事件的迭代的先验异常机组状态类别，包括：
步骤B111，将确定出的所有第一目标范例监控事件和所有第二目标范例监控事件融合，生成第二目标范例监控事件簇。
步骤B112，针对每个所述第一候选范例监控事件子序列，将该候选范例监控事件子序列中的所有关注范例监控事件作为一个第一关注范例监控事件簇。
步骤B113，将x个第一关注范例监控事件簇分为z个第二关注范例监控事件簇，其中，x≥z≥2，每个所述第二关注范例监控事件簇包括至少一个第一关注范例监控事件簇，每个所述第一关注范例监控事件簇只属于一个第二关注范例监控事件簇。
步骤B114，将所述第二目标范例监控事件簇与每个所述第二关注范例监控事件簇分别进行融合，生成z个第二融合范例监控事件簇。
步骤B115，依据每个所述第二融合范例监控事件簇对所述基础异常状态诊断模型分别进行参数学习，生成z个第三异常状态诊断模型。
步骤B116，针对每个所述第二关注范例监控事件簇，基于除该第二关注范例监控事件簇对应的第三异常状态诊断模型以外的z-1个第三异常状态诊断模型，分别对该第二关注范例监控事件簇中的每个关注范例监控事件进行异常状态诊断，生成每个关注范例监控事件的z-1个第三训练异常机组状态类别。
步骤B117，针对每个所述关注范例监控事件，将该关注范例监控事件的x-1个第三训练异常机组状态类别中权重最高的训练异常机组状态类别，输出为该关注范例监控事件的迭代的先验异常机组状态类别。
这个实施例是将确定的所有第一和第二目标范例监控事件进行整合，生成一个更大的监控事件簇。在上面的例子中，这个簇包括了"发动机转速过快"和"冷却***温度过高"两个事件。
针对每个所述第一候选范例监控事件子序列，将该候选范例监控事件子序列中的所有关注范例监控事件作为一个第一关注范例监控事件簇。
例如，将"燃料供应***压力低"和"排气温度过高"这两个关注范例监控事件组合成一个第一关注范例监控事件簇。
接下来的步骤主要是通过神经网络模型对这些事件进行深入分析，以优化预测效果。针对每个所述关注范例监控事件，将该关注范例监控事件的x-1个第三训练异常机组状态类别中权重最高的训练异常机组状态类别，输出为该关注范例监控事件的迭代的先验异常机组状态类别。在此步骤，根据神经网络的预测结果更新对每个关注范例监控事件的理解。比如，如果的模型预测"燃料供应***压力低"和"排气温度过高"这两个事件都可能引发"发动机过热"这个异常状态，那么就会把这个状态作为这两个事件的迭代的先验异常机组状态类别。
再例如，在另一个例子中，假设已经确定了"冷却***故障"相关事件作为第一目标范例监控事件，以及"高温警告"作为第二目标范例监控事件。那么，就将这两类事件融合在一起，形成一个新的第二目标范例监控事件簇。
由此，在上一步骤中，把"冷却液位低"和"润滑油压力低"确定为关注范例监控事件。现在，将它们整合成一个第一关注范例监控事件簇。
假设有x=4个这样的第一关注范例监控事件簇，可以将它们进一步分为z=2个第二关注范例监控事件簇。具体来说，可能是按照涉及到的***（如冷却***和润滑***）进行分类。
接下来，将第二目标范例监控事件簇（即"冷却***故障"相关事件和"高温警告"）与刚才生成的两个第二关注范例监控事件簇分别进行融合，形成两个新的第二融合范例监控事件簇。
接下来，根据这两个新生成的第二融合范例监控事件簇，对的基础异常状态诊断模型进行参数学习，从而生成两个新的第三异常状态诊断模型。
现在，有两个第二关注范例监控事件簇和两个第三异常状态诊断模型。针对每个第二关注范例监控事件簇，会使用与之不对应的那一个第三异常状态诊断模型来进行异常状态诊断。例如，如果一个事件簇主要涉及到冷却***，就用主要针对润滑***的模型来对其进行诊断。
最后，对于每一个关注范例监控事件（如"冷却液位低"和"润滑油压力低"），看它在所有第三训练异常机组状态类别中，哪一个状态的权重最高，然后把这个状态作为该事件的迭代的先验异常机组状态类别。比如，可能会发现"冷却液位低"在"水泵故障"这个状态下的权重最高，那么就会更新它的先验异常状态为"水泵故障"。
在一种可能的实施方式中，所述依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件，包括：针对每个所述候选范例监控事件，将该候选范例监控事件的y-1个第二训练异常机组状态类别中权重最高的训练异常机组状态类别，输出为该候选范例监控事件的迭代的先验异常机组状态类别。然后，将携带迭代的先验异常机组状态类别的各所述候选范例监控事件分别作为第二目标范例监控事件。
例如，本实施例需要根据对每个候选范例监控事件预测出的可能异常状态类别，选择出其中权重最高的那个。比如，假设对于"冷却液位低"这个事件，的模型预测出了以下可能的异常状态："水泵故障"（权重0.7）和"冷却***故障"（权重0.3）。由于"水泵故障"的权重更高，所以会将它作为"冷却液位低"这个事件的迭代的先验异常机组状态类别。
在上一步中，已经为每个候选范例监控事件确定了一个迭代的先验异常机组状态类别。然后，就可以将这些带有新的异常状态类别的候选范例监控事件视为第二目标范例监控事件。在本实施例中，"冷却液位低"和"润滑油压力低"就会成为第二目标范例监控事件。这样，就完成了对每个候选范例监控事件进行诊断，并确定了第二目标范例监控事件。
在一种可能的实施方式中，所述方法还包括：
步骤C110，将所述x个范例监控事件子序列中的至少一个范例监控事件子序列作为标的监控事件序列，针对每个所述标的监控事件序列，依据所述x个范例监控事件子序列，配置该标的监控事件序列对应的第一模型学习数据序列、第二模型学习数据序列、第三模型学习数据序列和模型验证数据序列，其中，所述第一模型学习数据序列包括该标的监控事件序列中的至少部分范例发电机组监控事件、以及除该标的监控事件序列以外的x-1个范例监控事件子序列中的至少部分范例发电机组监控事件，所述第二模型学习数据序列是除该标的监控事件序列以外的x-1个范例监控事件子序列中的至少部分范例发电机组监控事件，所述第三模型学习数据序列和所述模型验证数据序列中的范例发电机组监控事件是该标的监控事件序列中的至少部分范例发电机组监控事件，所述模型验证数据序列中的范例发电机组监控事件和所述第三模型学习数据序列中的范例发电机组监控事件不同。
例如，假设有4个（x=4）范例监控事件子序列，其中包括了冷却***、润滑***、燃料供应***和电力输出***等不同方面的事件。现在，选取冷却***的事件子序列作为标的监控事件序列。
这里，需要为冷却***的标的监控事件序列配置4个数据序列。具体来说，第一模型学习数据序列可能包括冷却***的一部分事件，以及润滑***、燃料供应***和电力输出***的事件；第二模型学习数据序列可能只包括润滑***、燃料供应***和电力输出***的事件；第三模型学习数据序列和模型验证数据序列则都是冷却***的事件，但包含的具体事件是不同的。
步骤C120，针对每个所述标的监控事件序列，依据该标的监控事件序列对应的3个模型学习数据序列分别对所述基础异常状态诊断模型进行参数学习，生成3个第四异常状态诊断模型，并依据所述模型验证数据序列和训练效果验证参数，对每个所述第四异常状态诊断模型进行训练效果验证，生成每个所述第四异常状态诊断模型的训练效果参数，依据3个第四异常状态诊断模型对应的3个训练效果参数，确定对应于该标的监控事件序列的所述基础范例发电机组监控事件序列的样本有效性值。
接下来，根据这三个模型学习数据序列，对的基础异常状态诊断模型进行参数学习，从而生成针对冷却***的三个第四异常状态诊断模型。
此基础上，可以使用配置的模型验证数据序列（也就是包含不同冷却***事件的那个数据序列），可以验证这三个第四异常状态诊断模型的训练效果，并为每个第四异常状态诊断模型生成一组训练效果参数。
根据这三组训练效果参数，可以评估这些冷却***的事件作为样本的有效性。如果所有的训练效果参数都指示出高质量的训练结果，那么就可以认为这些样本具有高有效性。
步骤C130，如果各所述标的监控事件序列对应的样本有效性值符合预设区间，将所述基础范例发电机组监控事件序列作为所述目标范例发电机组监控事件序列。
例如，如果冷却***的事件子序列的样本有效性值在预设的区间内（例如，可能设定有效性值需要在0.8到1之间），那么就会接受这个冷却***的事件子序列作为目标范例发电机组监控事件序列。
步骤S120中，依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习，包括：如果各所述标的监控事件序列对应的样本有效性值不符合预设区间，则依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习。
例如，如果冷却***的事件子序列的样本有效性值没有达到的预设区间，那么就需要针对所有的范例监控事件子序列（包括润滑***、燃料供应***和电力输出***的事件子序列）重新对基础异常状态诊断模型进行参数学习。
在一种可能的实施方式中，所述基础异常状态诊断模型为初始异常状态诊断模型，每个所述范例发电机组监控事件的先验异常机组状态类别为标注的所述范例发电机组监控事件的实际异常状态标签。
所述基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，包括：
基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，其中，所述第一训练异常机组状态类别为预测出的所述范例发电机组监控事件的异常状态标签。
例如，在这一步中，首先建立了一个初始的异常状态诊断模型。在刚开始，已经收集了一些范例发电机组监控事件，并且人工标注了它们的实际异常状态标签作为先验知识。比如说，对于"冷却液位低"这个事件，标注的实际异常状态可能是"水泵故障"。
然后会用x-1个第一异常状态诊断模型去对范例监控事件子序列进行预测。比如，假设有一个由"冷却液位低"、"润滑油压力低"和"机组振动大"三个事件组成的子序列。就会用这些模型去对这个子序列中的每一个事件进行预测，得到它们的第一训练异常机组状态类别。
这里，将之前预测出的异常状态看作是这个事件的第一训练异常机组状态类别。比如，对于"冷却液位低"这个事件，如果的模型预测出的异常状态是"水泵故障"，那么"水泵故障"就是这个事件的第一训练异常机组状态类别。
在一种可能的实施方式中，所述方法包括：
步骤S160，获取工业燃气发电机组***的目标发电机组监控事件。
步骤S170，将所述目标发电机组监控事件加载至目标异常状态诊断模型中，生成所述目标发电机组监控事件的异常状态诊断结果。
例如，在此步骤中，需要收集和获取有关所关注的特定发电机组（也就是目标发电机组）的目标发电机组监控事件。假设正在监控一个具体的工业燃气发电机组，这个发电机组可能包括冷却***、润滑***、燃料供应***和电力输出***等不同部分。在这个步骤中，可能会从这些***中收集到各种类型的监控事件，例如温度超标、压力异常、燃料供应中断或电力输出波动等。
在收集了目标发电机组的目标发电机组监控事件后，将这些目标发电机组监控事件输入到已经训练好的目标异常状态诊断模型中。这个目标异常状态诊断模型可能是根据之前描述的步骤，通过学习其它发电机组的范例监控事件子序列以及对应的样本有效性进行训练得出的。比如说，如果在监控事件中发现了冷却***的温度超标和润滑***的压力异常，就可以将这些信息输入到目标异常状态诊断模型中。然后，该目标异常状态诊断模型会基于之前的学习，对这些异常状态进行分析，并生成一份异常状态诊断结果。这份结果可能会表示，例如，这个发电机组很可能正在经历一个冷却***故障。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云平台***100。
对于一个实施例，图2示出了云平台***100，该云平台***100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，云平台***100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，云平台***100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的管理端或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云平台***100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为云平台***100被安装在其上的管理端的一部分的存储资源，或者其可被该设备访问可不必作为该笔记本电脑的一部分。例如，NVM/存储设备108可依据网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为云平台***100提供接口以与任意其它适当的管理端通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云平台***100提供接口以依据多个网络通信，云平台***100可依据多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成***级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在相同的一个模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在相同的一个模具上以形成片上***。
在各个实施例中，云平台***100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，云平台***100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，云平台***100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，应用于云平台***，所述方法包括：
获取初始化的基础异常状态诊断模型和所述基础异常状态诊断模型对应的工业燃气发电机组***的基础范例发电机组监控事件序列，其中，所述基础范例发电机组监控事件序列包括x个范例监控事件子序列，x≥2，每个所述范例监控事件子序列包括携带先验异常机组状态类别的多个范例发电机组监控事件；
依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习，生成x个第一异常状态诊断模型；
针对每个所述范例监控事件子序列，基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，每个所述范例监控事件子序列对应的x-1个第一异常状态诊断模型，用于反映所述x个第一异常状态诊断模型中除该范例监控事件子序列对应的第一异常状态诊断模型以外的x-1个神经网络；
针对每个所述范例发电机组监控事件，如果该范例发电机组监控事件的x-1个第一训练异常机组状态类别中与该范例发电机组监控事件的先验异常机组状态类别相同的状态类别的第一统计量不小于第一阈值，则将该范例发电机组监控事件输出为第一目标范例监控事件；
依据各个所述第一目标范例监控事件，配置所述基础异常状态诊断模型对应的目标范例发电机组监控事件序列，以基于所述目标范例发电机组监控事件序列继续对所述基础异常状态诊断模型进行参数更新，生成对应的目标异常状态诊断模型。
2.根据权利要求1所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述方法还包括：
将确定出的所有第一目标范例监控事件作为第一目标范例监控事件簇，依据所述第一目标范例监控事件簇对所述基础异常状态诊断模型进行参数学习，生成第二异常状态诊断模型；
将所述基础范例发电机组监控事件序列中除第一目标范例监控事件以外的范例发电机组监控事件作为候选范例监控事件，依据所述第二异常状态诊断模型对每个所述候选范例监控事件进行异常状态诊断，生成每个所述候选范例监控事件的第二训练异常机组状态类别；
依据每个所述候选范例监控事件的第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件；
所述依据各个所述第一目标范例监控事件，配置所述基础异常状态诊断模型对应的目标范例发电机组监控事件序列，包括：
依据各个所述第一目标范例监控事件和各第二目标范例监控事件，配置所述目标范例发电机组监控事件序列。
3.根据权利要求2所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述依据所述第一目标范例监控事件簇对所述基础异常状态诊断模型进行参数学习，生成第二异常状态诊断模型，包括：
针对所述x个范例监控事件子序列中的每个范例监控事件子序列，将该范例监控事件子序列中的所有候选范例监控事件作为一个第一候选范例监控事件子序列；
将x个第一候选范例监控事件子序列分为y个第二候选范例监控事件子序列，其中，x≥y≥2，每个第二候选范例监控事件子序列包括至少一个第一候选范例监控事件子序列，每个所述第一候选范例监控事件子序列只属于一个第二候选范例监控事件子序列；
将所述第一目标范例监控事件簇与每个第二候选范例监控事件子序列分别进行融合，生成y个第一融合范例监控事件簇，依据每个所述第一融合范例监控事件簇对所述基础异常状态诊断模型分别进行参数学习，生成y个第二异常状态诊断模型；
所述依据所述第二异常状态诊断模型对每个所述候选范例监控事件进行异常状态诊断，生成每个所述候选范例监控事件的第二训练异常机组状态类别，包括：
针对每个所述候选范例监控事件，基于该候选范例监控事件对应的y-1个第二异常状态诊断模型分别对该候选范例监控事件进行异常状态诊断，生成该候选范例监控事件的y-1个第二训练异常机组状态类别，该候选范例监控事件对应的y-1个第二异常状态诊断模型，用于反映所述y个第二异常状态诊断模型中除第一神经网络以外的y-1个神经网络，所述第一神经网络是该候选范例监控事件所对应的第一融合范例监控事件簇对应的第二异常状态诊断模型；
所述依据每个所述候选范例监控事件的第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件，包括：
依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件。
4.根据权利要求3所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件，包括：
针对每个所述候选范例监控事件，如果该候选范例监控事件的y-1个第二训练异常机组状态类别中与该候选范例监控事件的先验异常机组状态类别相同的状态类别的第二统计量不小于第二阈值，则将该候选范例监控事件输出为第二目标范例监控事件。
5.根据权利要求3所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述方法还包括：
针对每个所述第一候选范例监控事件子序列，将该候选范例监控事件子序列中除第二目标范例监控事件以外的各候选范例监控事件作为关注范例监控事件，重新获取每个所述关注范例监控事件的迭代的先验异常机组状态类别，并将携带迭代的先验异常机组状态类别的关注范例监控事件作为第三目标范例监控事件； 所述依据各个所述第一目标范例监控事件和各第二目标范例监控事件，配置所述目标范例发电机组监控事件序列，包括：
依据各所述第一目标范例监控事件、各第二目标范例监控事件和各第三目标范例监控事件，配置所述目标范例发电机组监控事件序列；
所述重新获取每个所述关注范例监控事件的迭代的先验异常机组状态类别，包括：
将确定出的所有第一目标范例监控事件和所有第二目标范例监控事件融合，生成第二目标范例监控事件簇；
针对每个所述第一候选范例监控事件子序列，将该候选范例监控事件子序列中的所有关注范例监控事件作为一个第一关注范例监控事件簇；
将x个第一关注范例监控事件簇分为z个第二关注范例监控事件簇，其中，x≥z≥2，每个所述第二关注范例监控事件簇包括至少一个第一关注范例监控事件簇，每个所述第一关注范例监控事件簇只属于一个第二关注范例监控事件簇；
将所述第二目标范例监控事件簇与每个所述第二关注范例监控事件簇分别进行融合，生成z个第二融合范例监控事件簇；
依据每个所述第二融合范例监控事件簇对所述基础异常状态诊断模型分别进行参数学习，生成z个第三异常状态诊断模型；
针对每个所述第二关注范例监控事件簇，基于除该第二关注范例监控事件簇对应的第三异常状态诊断模型以外的z-1个第三异常状态诊断模型，分别对该第二关注范例监控事件簇中的每个关注范例监控事件进行异常状态诊断，生成每个关注范例监控事件的z-1个第三训练异常机组状态类别；
针对每个所述关注范例监控事件，将该关注范例监控事件的x-1个第三训练异常机组状态类别中权重最高的训练异常机组状态类别，输出为该关注范例监控事件的迭代的先验异常机组状态类别。
6.根据权利要求3所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述依据每个所述候选范例监控事件的y-1个第二训练异常机组状态类别，确定各所述候选范例监控事件中的第二目标范例监控事件，包括：
针对每个所述候选范例监控事件，将该候选范例监控事件的y-1个第二训练异常机组状态类别中权重最高的训练异常机组状态类别，输出为该候选范例监控事件的迭代的先验异常机组状态类别；
将携带迭代的先验异常机组状态类别的各所述候选范例监控事件分别作为第二目标范例监控事件。
7.根据权利要求1所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述方法还包括：
将所述x个范例监控事件子序列中的至少一个范例监控事件子序列作为标的监控事件序列，针对每个所述标的监控事件序列，依据所述x个范例监控事件子序列，配置该标的监控事件序列对应的第一模型学习数据序列、第二模型学习数据序列、第三模型学习数据序列和模型验证数据序列，其中，所述第一模型学习数据序列包括该标的监控事件序列中的至少部分范例发电机组监控事件、以及除该标的监控事件序列以外的x-1个范例监控事件子序列中的至少部分范例发电机组监控事件，所述第二模型学习数据序列是除该标的监控事件序列以外的x-1个范例监控事件子序列中的至少部分范例发电机组监控事件，所述第三模型学习数据序列和所述模型验证数据序列中的范例发电机组监控事件是该标的监控事件序列中的至少部分范例发电机组监控事件，所述模型验证数据序列中的范例发电机组监控事件和所述第三模型学习数据序列中的范例发电机组监控事件不同；
针对每个所述标的监控事件序列，依据该标的监控事件序列对应的3个模型学习数据序列分别对所述基础异常状态诊断模型进行参数学习，生成3个第四异常状态诊断模型，并依据所述模型验证数据序列和训练效果验证参数，对每个所述第四异常状态诊断模型进行训练效果验证，生成每个所述第四异常状态诊断模型的训练效果参数，依据3个第四异常状态诊断模型对应的3个训练效果参数，确定对应于该标的监控事件序列的所述基础范例发电机组监控事件序列的样本有效性值；
如果各所述标的监控事件序列对应的样本有效性值符合预设区间，将所述基础范例发电机组监控事件序列作为所述目标范例发电机组监控事件序列；
所述依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习，包括：
如果各所述标的监控事件序列对应的样本有效性值不符合预设区间，则依据每个所述范例监控事件子序列对所述基础异常状态诊断模型分别进行参数学习。
8.根据权利要求1-7中任意一项所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述基础异常状态诊断模型为初始异常状态诊断模型，每个所述范例发电机组监控事件的先验异常机组状态类别为标注的所述范例发电机组监控事件的实际异常状态标签；
所述基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，包括：
基于该范例监控事件子序列对应的x-1个第一异常状态诊断模型分别对该范例监控事件子序列中的每个范例发电机组监控事件进行异常状态诊断，生成每个范例发电机组监控事件的x-1个第一训练异常机组状态类别，其中，所述第一训练异常机组状态类别为预测出的所述范例发电机组监控事件的异常状态标签。
9.根据权利要求1-7中任意一项所述的基于人工智能的工业燃气发电机组***状态监测方法，其特征在于，所述方法包括：
获取工业燃气发电机组***的目标发电机组监控事件；
将所述目标发电机组监控事件加载至目标异常状态诊断模型中，生成所述目标发电机组监控事件的异常状态诊断结果。
10.一种云平台***，其特征在于，所述云平台***包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于人工智能的工业燃气发电机组***状态监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311709918.9A CN117390501B (zh) | 2023-12-13 | 2023-12-13 | 基于人工智能的工业燃气发电机组***状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311709918.9A CN117390501B (zh) | 2023-12-13 | 2023-12-13 | 基于人工智能的工业燃气发电机组***状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390501A CN117390501A (zh) | 2024-01-12 |
| CN117390501B true CN117390501B (zh) | 2024-02-13 |
Family
ID=89437807
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311709918.9A Active CN117390501B (zh) | 2023-12-13 | 2023-12-13 | 基于人工智能的工业燃气发电机组***状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390501B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113987205A (zh) * | 2021-10-27 | 2022-01-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种燃气轮机故障诊断方法及*** |
| CN114021932A (zh) * | 2021-10-28 | 2022-02-08 | 华能利津风力发电有限公司 | 风电机组的能效评价与诊断方法、***及介质 |
| CN114912640A (zh) * | 2022-05-30 | 2022-08-16 | 华能大理风力发电有限公司洱源分公司 | 基于深度学习的发电机组的异常模式检测方法及*** |
| CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯***的异常监控方法及*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5431235B2 (ja) * | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
| JP5364530B2 (ja) * | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
-
2023
- 2023-12-13 CN CN202311709918.9A patent/CN117390501B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113987205A (zh) * | 2021-10-27 | 2022-01-28 | 中国华能集团清洁能源技术研究院有限公司 | 一种燃气轮机故障诊断方法及*** |
| CN114021932A (zh) * | 2021-10-28 | 2022-02-08 | 华能利津风力发电有限公司 | 风电机组的能效评价与诊断方法、***及介质 |
| CN114912640A (zh) * | 2022-05-30 | 2022-08-16 | 华能大理风力发电有限公司洱源分公司 | 基于深度学习的发电机组的异常模式检测方法及*** |
| CN117171576A (zh) * | 2023-11-01 | 2023-12-05 | 博纯材料股份有限公司 | 应用于材料提纯***的异常监控方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 邱凤翔等.基于智能事例推理技术的凝汽器在线监测和故障诊断***.《动力工程》.2009,(第06期),第554页至第558页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390501A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210397501A1 (en) | System and method for unsupervised prediction of machine failures | |
| US11243524B2 (en) | System and method for unsupervised root cause analysis of machine failures | |
| CN109933452B (zh) | 一种面向异常传播的微服务智能监测方法 | |
| Soualhia et al. | Infrastructure fault detection and prediction in edge cloud environments | |
| KR102103006B1 (ko) | 기계학습모델 기반 설비 기기의 최적 운전 방법 및 장치 | |
| Yi et al. | Efficient compute-intensive job allocation in data centers via deep reinforcement learning | |
| CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的***和方法 | |
| CN115905450A (zh) | 一种基于无人机监控的水质异常溯源方法及*** | |
| Chu et al. | Developing Deep Survival Model for Remaining Useful Life Estimation Based on Convolutional and Long Short‐Term Memory Neural Networks | |
| CN117556331B (zh) | 基于ai增强的空压机维护决策方法及*** | |
| CN117436593B (zh) | 基于人工智能的焚烧炉***故障预测方法及*** | |
| CN108921223B (zh) | 一种服务器冷却***及控制方法、计算机程序、计算机 | |
| CN117390501B (zh) | 基于人工智能的工业燃气发电机组***状态监测方法 | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
| Li et al. | A novel fault early warning method for mechanical equipment based on improved MSET and CCPR | |
| CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及*** | |
| GB2514833A (en) | Portable computer monitoring | |
| CN113689042B (zh) | 监测节点的故障源预测方法 | |
| CN113529845A (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及可读存储介质 | |
| Jha et al. | Holistic measurement-driven system assessment | |
| CN113808727A (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN118020081A (zh) | 确定性机器学习模型的根本原因分析 | |
| CN115695159B (zh) | 一种设备诊断方法、装置、设备和存储介质 | |
| CN117519052B (zh) | 基于电子气体生产制造***的故障分析方法及*** | |
| CN117724933B (zh) | 一种数据中心通信热管理检测方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |