CN117556331B - 基于ai增强的空压机维护决策方法及*** - Google Patents

基于ai增强的空压机维护决策方法及*** Download PDF

Info

Publication number
CN117556331B
CN117556331B CN202410038605.3A CN202410038605A CN117556331B CN 117556331 B CN117556331 B CN 117556331B CN 202410038605 A CN202410038605 A CN 202410038605A CN 117556331 B CN117556331 B CN 117556331B
Authority
CN
China
Prior art keywords
air compressor
decision
maintenance
target
sample
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
Application number
CN202410038605.3A
Other languages
English (en)
Other versions
CN117556331A (zh
Inventor
周振华
白纯波
萧景业
黄泽应
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Alink Energy Equipment Co ltd
Original Assignee
Guangdong Alink Energy Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Alink Energy Equipment Co ltd filed Critical Guangdong Alink Energy Equipment Co ltd
Priority to CN202410038605.3A priority Critical patent/CN117556331B/zh
Publication of CN117556331A publication Critical patent/CN117556331A/zh
Application granted granted Critical
Publication of CN117556331B publication Critical patent/CN117556331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本申请实施例提供一种基于AI增强的空压机维护决策方法及***，在在样例空压机运行数据序列中解析多个样例空压机运行数据子序列，对模板运行趋势数据进行多元属性嵌入表示，生成样例空压机运行数据子序列中每个模板运行趋势数据的多元属性嵌入表示信息后对初始化神经网络进行参数学习，生成参考神经网络，基于参考神经网络的功能层参数信息，配置目标空压机维护决策网络，并验证目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标，依据决策效果指标，基于目标空压机维护决策网络在目标空压机的空压机运行数据中决策目标空压机的故障维护类别，由此能够提高空压机维护决策的准确性和效率。

Description

基于AI增强的空压机维护决策方法及***
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AI增强的空压机维护决策方法及***。
背景技术
空压机是工业生产中的重要设备，其运行状态直接影响着生产效率和安全。因此，对空压机的维护和故障预测具有极其重要的意义。传统的空压机维护方法主要依赖于人工检查和经验判断，这种方法存在一定的局限性，如耗时、误判率高、无法实现实时监控等问题，也就是说，容易受到主观因素的影响，且无法适应复杂多变的环境。
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AI增强的空压机维护决策方法及***。
第一方面，本申请提供一种基于AI增强的空压机维护决策方法，应用于空压机维护***，所述方法包括：
获取样例空压机运行数据序列，并在所述样例空压机运行数据序列中解析多个样例空压机运行数据子序列，所述样例空压机运行数据子序列包括至少一个样例空压机的模板运行趋势数据；
对所述模板运行趋势数据进行多元属性嵌入表示，生成所述样例空压机运行数据子序列中每个模板运行趋势数据的多元属性嵌入表示信息；
依据所述多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络；
基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络，并验证所述目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标；
依据所述决策效果指标，基于所述目标空压机维护决策网络在目标空压机的空压机运行数据中决策所述目标空压机的故障维护类别。
在第一方面的一种可能的实施方式中，所述获取样例空压机运行数据序列，包括：
获取样例空压机序列中每个样例空压机在执行至少一个运行进程下的空压机运行数据，生成每个样例空压机的模板空压机运行数据；
获取所述样例空压机的先验诊断故障维护类别，并依据所述先验诊断故障维护类别，确定所述样例空压机的当前故障维护类别；
在所述模板空压机运行数据中标注所述当前故障维护类别，生成样例空压机运行数据序列；
所述依据所述多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络，包括：
在所述样例空压机中决策每个多元属性嵌入表示信息对应的目标样例空压机，依据所述初始化神经网络对所述多元属性嵌入表示信息进行有向知识图生成，生成所述目标样例空压机的有向知识图数据，对所述有向知识图数据进行故障维护类别预测，生成所述目标样例空压机的决策故障维护类别；
依据所述决策故障维护类别，确定每个样例空压机运行数据子序列对应的目标决策误差参数；
基于所述目标决策误差参数，对所述初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络。
在第一方面的一种可能的实施方式中，所述基于所述目标决策误差参数，对所述初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络，包括：
依据所述目标决策误差参数，在所述初始化神经网络的预置功能层参数信息序列中提取至少一个待定功能层参数信息，生成待定功能层参数信息序列；
基于所述目标决策误差参数，对所述待定功能层参数信息序列进行优化，生成优化功能层参数信息序列和所述优化功能层参数信息序列对应的迭代空压机维护决策网络；
将所述优化功能层参数信息序列作为所述预置功能层参数信息序列，并将所述迭代空压机维护决策网络作为所述初始化神经网络后继续进行迭代操作，直至所述目标决策误差参数小于门限误差参数，生成每个样例空压机运行数据子序列对应的参考神经网络。
在第一方面的一种可能的实施方式中，所述基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络，包括：
获取所述参考神经网络的性能度量指标；
依据所述性能度量指标，在所述功能层参数信息中提取至少一个目标功能层参数信息；
在所述初始化神经网络中配置所述目标功能层参数信息，生成目标空压机维护决策网络。
在第一方面的一种可能的实施方式中，所述基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络，包括：
获取所述参考神经网络的性能度量指标；
依据所述性能度量指标，对所述参考神经网络进行优先级整理；
基于优先级整理结果，在所述参考神经网络中提取目标空压机维护决策网络。
在第一方面的一种可能的实施方式中，所述基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络之后，还包括：
获取至少一个扩展模板运行趋势数据，所述扩展模板运行趋势数据包括当前标签故障维护类别；
依据所述当前标签故障维护类别，对所述目标空压机维护决策网络的功能层参数信息进行优化，生成当前空压机维护决策网络；
基于所述扩展模板运行趋势数据，对所述当前空压机维护决策网络进行参数学习，并将参数学习后的空压机维护决策网络作为所述目标空压机维护决策网络。
在第一方面的一种可能的实施方式中，所述验证所述目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标，包括：
将所述样例空压机运行数据序列分离为N个样例空压机运行数据子序列，生成N个测试样例数据序列，所述测试样例数据序列包括每个故障维护类别对应的当前样例空压机的模板运行趋势数据，其中N为预设的大于2的正整数；
在所述测试样例数据序列中确定出校验样例数据序列，并将所述测试样例数据序列中除所述校验样例数据序列以外的测试样例数据序列作为学习样例数据序列；
依据所述学习样例数据序列对所述目标空压机维护决策网络进行参数学习，并依据参数学习后的目标空压机维护决策网络决策所述校验样例数据序列对应的当前样例空压机的故障维护类别，生成所述当前样例空压机的当前决策故障维护类别；
获取所述当前样例空压机的标签故障维护类别，并依据所述标签故障维护类别和当前决策故障维护类别，确定所述校验样例数据序列对应的至少一个基础决策效果指标，获取每个基础决策效果指标对应的影响系数，并依据所述影响系数，对所述基础决策效果指标进行融合，计算融合后的基础决策效果指标的均值，生成所述校验样例数据序列对应的初始决策效果指标；
返回执行所述在所述测试样例数据序列中确定出校验样例数据序列的步骤，直至每个测试样例数据序列均为所述校验样例数据序列时为止，生成每个测试样例数据序列对应的初始决策效果指标；
将所述初始决策效果指标进行加权计算，生成所述目标空压机维护决策网络的决策效果指标。
在第一方面的一种可能的实施方式中，所述依据所述标签故障维护类别和当前决策故障维护类别，确定所述校验样例数据序列对应的至少一个基础决策效果指标，包括：
将所述标签故障维护类别与当前决策故障维护类别进行比较，生成每个当前样例空压机的故障维护类别决策详情信息；
依据所述故障维护类别决策详情信息，在所述校验样例数据序列中统计出有效实例统计量和误判实例统计量，所述有效实例统计量包括故障维护类别决策可靠的实例统计量，所述误判实例统计量包括故障维护类别决策不可靠的实例统计量；
获取所述校验样例数据序列的实例统计量，并依据所述实例统计量、有效实例统计量和误判实例统计量，确定所述校验样例数据序列对应的至少一个基础决策效果指标；
所述实例统计量包括正实例统计量和负实例统计量，所述有效实例统计量包括有效正实例统计量和有效负实例统计量，所述误判实例统计量包括误判正实例统计量和误判负实例统计量，所述依据所述实例统计量、有效实例统计量和误判实例统计量，确定所述校验样例数据序列对应的至少一个基础决策效果指标，包括：
依据所述正实例统计量、负实例统计量、有效正实例统计量、有效负实例统计量、误判正实例统计量和误判负实例统计量，确定所述校验样例数据序列对应的至少一个基础校验性能指标；
在所述基础校验性能指标中提取至少一个目标校验性能指标，并将所述目标校验性能指标进行加权计算，生成融合校验性能指标；
依据所述有效实例统计量、误判负实例统计量和实例统计量，确定所述校验样例数据序列对应的当前性能度量指标，并将所述基础校验性能指标、融合校验性能指标和当前性能度量指标作为所述基础决策效果指标。
在第一方面的一种可能的实施方式中，所述依据所述决策效果指标，基于所述目标空压机维护决策网络在目标空压机的空压机运行数据中决策所述目标空压机的故障维护类别，包括：
当所述决策效果指标表征所述目标空压机维护决策网络达到预置决策效果时，获取目标空压机在执行至少一个运行进程时的空压机运行数据；
对所述空压机运行数据进行多元属性嵌入表示，生成所述目标空压机的目标多元属性嵌入表示信息；
依据所述目标空压机维护决策网络在所述目标多元属性嵌入表示信息中决策所述目标空压机对的故障维护类别。
第二方面，本申请实施例还提供一种空压机维护***，所述空压机维护***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，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于AI增强的空压机维护决策方法。
采用以上任意方面的技术方案，通过获取样例空压机运行数据序列，并在样例空压机运行数据序列中解析多个样例空压机运行数据子序列，对模板运行趋势数据进行多元属性嵌入表示，生成样例空压机运行数据子序列中每个模板运行趋势数据的多元属性嵌入表示信息，依据多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络，基于参考神经网络的功能层参数信息，配置目标空压机维护决策网络，并验证目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标，依据决策效果指标，基于目标空压机维护决策网络在目标空压机的空压机运行数据中决策目标空压机的故障维护类别，由此能够提高空压机维护决策的准确性和效率。
也即，本申请实施例通过获取样例空压机运行数据序列并解析出多个子序列，将模板运行趋势数据进行多元属性嵌入表示，使得每个模板运行趋势数据都可以被准确且全面地描述，这有助于提升空压机故障预测和维护决策的准确性。利用多元属性嵌入表示信息对初始化神经网络进行参数学习，生成参考神经网络，这有助于提高神经网络的学习能力和预测精度，同时也降低了模型训练的复杂性。基于参考神经网络的功能层参数信息配置目标空压机维护决策网络，并验证其决策效果，这不仅能够评估决策网络的性能，还能够根据实际需要调整网络参数，以进一步优化决策效果。最后，根据决策效果指标，利用目标空压机维护决策网络对目标空压机的故障维护类别进行决策，从而实现了自动、智能的空压机故障诊断和维护，提高了空压机的运行效率和稳定性。由此，通过采用基于神经网络的空压机维护决策方法，实现了对空压机故障的准确预测和及时维护，显著提升了空压机的运行效率和稳定性，降低了维护成本。
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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以结合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AI增强的空压机维护决策方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于AI增强的空压机维护决策方法的空压机维护***的网络组成数据示意框图。
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结合本申请，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的情况下，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AI增强的空压机维护决策方法，包括以下步骤。
步骤S110，获取样例空压机运行数据序列，并在所述样例空压机运行数据序列中解析多个样例空压机运行数据子序列，所述样例空压机运行数据子序列包括至少一个样例空压机的模板运行趋势数据。
例如，在云端服务器中可以存储某工厂在过去一年的空压机运行数据库，由此可以基于这些空压机运行数据库构建样例空压机运行数据序列，样例空压机运行数据序列可以包括每台样例空压机的运行时间、运行温度、排气压力等参数，以及每次发生故障的维修记录。本实施例的目标是利用这些样例空压机运行数据子序列，构建一个能够自动识别空压机故障维护类别的模型。
例如，首先，可以按照时间顺序对空压机运行数据进行排列，形成一个样例空压机运行数据序列，所述样例空压机运行数据序列可以包含了每台样例空压机在过去一年的运行数据。接下来，从这个样例空压机运行数据序列中解析出多个包含至少一个样例空压机运行数据子序列。例如，可以将每个月的数据作为一个样例空压机运行数据子序列，这样就得到了12个样例空压机运行数据子序列。
也即，样例空压机运行数据序列可以是指一组包含多台空压机运行数据的序列。例如，假设有一组包含10台空压机在过去一年的运行数据，那么这组数据就是一个样例空压机运行数据序列。
样例空压机运行数据子序列是指从样例空压机运行数据序列中提取出来的一个子集，其中包含至少一个样例空压机的模板运行趋势数据。例如，假设从上述的样例空压机运行数据序列中提取出每个月的数据作为一个子序列，那么就得到了12个子序列。
模板运行趋势数据是指从样例空压机的运行数据中提取出来的、能够反映空压机运行状态的数据。例如，可以从空压机的运行数据中提取出运行时间、运行温度、排气压力等动态参数，作为模板运行趋势数据。也就是说，运行趋势数据能够反映空压机运行状态的变化趋势。例如，可以从空压机的运行数据中提取出每小时运行温度的变化趋势，作为运行趋势数据。
步骤S120，对所述模板运行趋势数据进行多元属性嵌入表示，生成所述样例空压机运行数据子序列中每个模板运行趋势数据的多元属性嵌入表示信息。
例如，对于每个样例空压机运行数据子序列，需要将其中的模板运行趋势数据进行多元属性嵌入表示。例如，可以使用词嵌入技术，将每个运行趋势数据映射到一个高维空间中。具体来说，可以使用Word2Vec算法，将每个运行趋势数据表示为一个高维向量。由此，可以将每个运行趋势数据的高维空间坐标作为其多元属性嵌入表示信息。具体来说，可以将每个运行趋势数据的高维向量作为其多元属性嵌入表示信息。
示例性的，假设有一个样例空压机运行数据子序列，其中包含两台空压机的运行数据，每台空压机有10个运行时刻的数据，现在需要对这些数据进行多元属性嵌入表示。
首先，需要确定哪些属性可以作为多元属性。在这个例子中，可以选择运行时间、运行温度和排气压力作为多元属性。
接下来，需要对每个运行时刻的数据进行多元属性嵌入表示。具体来说，可以使用词嵌入技术，如Word2Vec，将每个运行时刻的数据表示为一个高维向量。例如，可以将每个运行时刻的运行时间、运行温度和排气压力分别表示为一个高维向量，然后将这三个向量拼接成一个最终的多元属性嵌入表示向量。最后，需要生成每个模板运行趋势数据的多元属性嵌入表示信息。具体来说，可以将每个运行时刻的多元属性嵌入表示向量作为该运行时刻的模板运行趋势数据的多元属性嵌入表示信息。例如，对于第一台空压机，可以将每个运行时刻的运行时间、运行温度和排气压力分别表示为一个高维向量，然后将这三个向量拼接成一个最终的多元属性嵌入表示向量，作为该运行时刻的模板运行趋势数据的多元属性嵌入表示信息。同样地，对于第二台空压机，也可以采取相同的步骤生成每个运行时刻的多元属性嵌入表示向量。通过这种方式，就实现了对模板运行趋势数据的多元属性嵌入表示，并且生成了每个模板运行趋势数据的多元属性嵌入表示信息。
步骤S130，依据所述多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络。
例如，接下来，需要依据每个模板运行趋势数据的多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络。例如，可以使用反向传播技术，通过训练神经网络来最小化预测误差。具体来说，可以使用一个三层的前馈神经网络，将每个运行趋势数据的高维向量作为输入，输出该运行趋势数据对应的故障维护类别。
步骤S140，基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络，并验证所述目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标。
例如，可以将参考神经网络中的某些功能层参数信息直接复制到目标空压机维护决策网络中，或者将参考神经网络中的参数作为目标空压机维护决策网络的初始参数。具体来说，可以将每个参考神经网络的第一层和第二层作为目标空压机维护决策网络的第一层和第二层，并将参考神经网络中的参数作为目标空压机维护决策网络中相应层的初始参数。
在配置好目标空压机维护决策网络后，需要验证这个网络针对每个故障维护类别的决策效果，生成决策效果指标。例如，可以使用一些测试数据来评估网络对于不同故障维护类别的分类准确率。具体来说，可以将每个子序列中的最后一个运行趋势数据作为测试数据，将目标空压机维护决策网络的输出结果与实际故障维护类别进行比较，计算分类准确率。
步骤S150，依据所述决策效果指标，基于所述目标空压机维护决策网络在目标空压机的空压机运行数据中决策所述目标空压机的故障维护类别。
例如，可以将目标空压机维护决策网络的输出结果作为最终的故障维护类别决策。具体来说，如果目标空压机维护决策网络的分类准确率高于某个阈值，就可以认为该目标空压机维护决策网络已经学好了，可以将目标空压机维护决策网络的输出结果作为最终的故障维护类别决策。如果分类准确率低于阈值，可能需要重新训练目标空压机维护决策网络或者调整目标空压机维护决策网络的网络结构。
基于以上步骤，通过获取样例空压机运行数据序列，并在样例空压机运行数据序列中解析多个样例空压机运行数据子序列，对模板运行趋势数据进行多元属性嵌入表示，生成样例空压机运行数据子序列中每个模板运行趋势数据的多元属性嵌入表示信息，依据多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络，基于参考神经网络的功能层参数信息，配置目标空压机维护决策网络，并验证目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标，依据决策效果指标，基于目标空压机维护决策网络在目标空压机的空压机运行数据中决策目标空压机的故障维护类别，由此能够提高空压机维护决策的准确性和效率。
也即，本申请实施例通过获取样例空压机运行数据序列并解析出多个子序列，将模板运行趋势数据进行多元属性嵌入表示，使得每个模板运行趋势数据都可以被准确且全面地描述，这有助于提升空压机故障预测和维护决策的准确性。利用多元属性嵌入表示信息对初始化神经网络进行参数学习，生成参考神经网络，这有助于提高神经网络的学习能力和预测精度，同时也降低了模型训练的复杂性。基于参考神经网络的功能层参数信息配置目标空压机维护决策网络，并验证其决策效果，这不仅能够评估决策网络的性能，还能够根据实际需要调整网络参数，以进一步优化决策效果。最后，根据决策效果指标，利用目标空压机维护决策网络对目标空压机的故障维护类别进行决策，从而实现了自动、智能的空压机故障诊断和维护，提高了空压机的运行效率和稳定性。由此，通过采用基于神经网络的空压机维护决策方法，实现了对空压机故障的准确预测和及时维护，显著提升了空压机的运行效率和稳定性，降低了维护成本。
在一种可能的实施方式中，步骤S110可以包括：
步骤S111，获取样例空压机序列中每个样例空压机在执行至少一个运行进程下的空压机运行数据，生成每个样例空压机的模板空压机运行数据。
步骤S112，获取所述样例空压机的先验诊断故障维护类别，并依据所述先验诊断故障维护类别，确定所述样例空压机的当前故障维护类别。
步骤S113，在所述模板空压机运行数据中标注所述当前故障维护类别，生成样例空压机运行数据序列。
例如，假设有一组包含10台空压机的运行数据，每台空压机都有10个运行时刻的数据。可以将这些数据作为样例空压机运行数据序列。然后，可以从每个运行时刻的数据中提取出运行时间、运行温度、排气压力等参数，作为模板空压机运行数据。
在此基础上，假设已经知道这10台空压机中，有5台发生了不同类型的故障，另外5台没有发生故障。可以将这些故障信息作为先验诊断故障维护类别。然后，可以根据这些故障信息，确定每台空压机的当前故障维护类别，即发生了哪种类型的故障。
最后，可以在每个模板空压机运行数据中标注对应的当前故障维护类别，生成样例空压机运行数据序列。例如，对于发生了故障的空压机，可以在其模板空压机运行数据中标注对应的故障类型，而对于没有发生故障的空压机，可以在其模板空压机运行数据中标注“正常”。这样，就得到了一个包含10台空压机的样例空压机运行数据序列，每台空压机的数据都标注了其当前故障维护类别。
在一种可能的实施方式中，步骤S130可以包括：
步骤S131，在所述样例空压机中决策每个多元属性嵌入表示信息对应的目标样例空压机，依据所述初始化神经网络对所述多元属性嵌入表示信息进行有向知识图生成，生成所述目标样例空压机的有向知识图数据，对所述有向知识图数据进行故障维护类别预测，生成所述目标样例空压机的决策故障维护类别。
例如，假设样例空压机运行数据子序列中包含10个运行时刻的数据。可以使用初始化神经网络对这10个运行时刻的数据进行多元属性嵌入表示，得到每个运行时刻的多元属性嵌入表示信息。然后，可以使用一个决策算法，从这10个运行时刻的数据中决策出每个多元属性嵌入表示信息对应的目标样例空压机。例如，可以使用K-means聚类算法，将这10个运行时刻的数据分为5类，每类代表一个目标样例空压机。接着，可以使用初始化神经网络对每个目标样例空压机的多元属性嵌入表示信息进行有向知识图生成，生成每个目标样例空压机的有向知识图数据。
示例性的，目标样例空压机的多元属性嵌入表示信息是一个二维向量。可以使用初始化神经网络，将这个二维向量映射到一个高维空间中，得到一个高维向量。然后，可以使用一个知识图生成算法，将这个高维向量转化为一个有向知识图数据。
具体来说，可以使用一个基于自注意力机制的知识图生成算法，将高维向量转化为一个有向知识图数据。这个算法可以分为以下几个步骤：
1. 使用自注意力机制，计算高维向量中每个元素与其它元素之间的相关性。
2. 根据相关性，将高维向量中每个元素划分为不同的类别。
3. 对于每个类别，使用自注意力机制，计算该类别中每个元素与其它元素之间的相关性。
4. 根据相关性，将每个类别中每个元素连接到其它相关元素上，形成一个有向知识图数据。
例如，假设有以下高维向量：
[1, 2, 3, 4, 5]
可以使用自注意力机制，计算高维向量中每个元素与其它元素之间的相关性，得到以下相关性矩阵：
[1, 0.5, 0.3, 0.2, 0.1]
[0.5, 1, 0.6, 0.4, 0.3]
[0.3, 0.6, 1, 0.8, 0.7]
[0.2, 0.4, 0.8, 1, 0.9]
[0.1, 0.3, 0.7, 0.9, 1]
根据相关性矩阵，可以将高维向量中每个元素划分为不同的类别。例如，可以将第一个元素划分为第一类，第二个元素划分为第二类，以此类推。
对于每个类别，可以使用自注意力机制，计算该类别中每个元素与其它元素之间的相关性。例如，对于第一类，可以计算以下相关性矩阵：
[1, 0.5, 0.3, 0.2, 0.1]
[0.5, 1, 0.6, 0.4, 0.3]
[0.3, 0.6, 1, 0.8, 0.7]
[0.2, 0.4, 0.8, 1, 0.9]
[0.1, 0.3, 0.7, 0.9, 1]
根据相关性矩阵，可以将每个类别中每个元素连接到其它相关元素上，形成一个有向知识图数据。例如，可以将第一个元素连接到第二个元素和第三个元素上，将第二个元素连接到第一个元素、第三个元素和第四个元素上，以此类推。
通过这种方式，就生成了一个目标样例空压机的有向知识图数据。
最后，可以使用一个分类算法，对每个目标样例空压机的有向知识图数据进行故障维护类别预测，生成每个目标样例空压机的决策故障维护类别。
步骤S132，依据所述决策故障维护类别，确定每个样例空压机运行数据子序列对应的目标决策误差参数。
例如，假设已经得到了每个目标样例空压机的决策故障维护类别，可以使用一个损失函数，计算每个目标样例空压机运行数据子序列对应的目标决策误差参数。例如，可以使用交叉熵损失函数，计算每个目标样例空压机运行数据子序列对应的目标决策误差参数。
示例性的，目标决策误差参数的计算方法取决于选择的损失函数。常见的损失函数包括均方误差（MSE）、交叉熵损失（Cross Entropy Loss）等。
以均方误差为例，假设有一个目标决策误差参数θ，它表示预测值与实际值之间的差异。可以使用以下公式计算目标决策误差参数θ：
θ = ∑(y_true - y_pred)^2 / N
其中，y_true表示实际值，y_pred表示预测值，N表示样本数量。
以交叉熵损失为例，假设有一个目标决策误差参数θ，它表示预测值与实际值之间的差异。可以使用以下公式计算目标决策误差参数θ：
θ = - ∑(y_true * log(y_pred) + (1 - y_true) * log(1 - y_pred)) / N
其中，y_true表示实际值，y_pred表示预测值，N表示样本数量。
步骤S133，基于所述目标决策误差参数，对所述初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络。
最后，可以使用梯度下降算法，基于每个目标决策误差参数，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络。例如，可以使用Adam优化算法，基于每个目标决策误差参数，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络。
在一种可能的实施方式中，步骤S133可以包括：
步骤S1331，依据所述目标决策误差参数，在所述初始化神经网络的预置功能层参数信息序列中提取至少一个待定功能层参数信息，生成待定功能层参数信息序列。
例如，可以使用梯度下降算法，在每个样例空压机运行数据子序列对应的目标决策误差参数的基础上，更新初始化神经网络中的每个功能层的参数信息，生成待定功能层参数信息序列。
假设初始化神经网络的预置功能层参数信息序列为W，目标决策误差参数为E，则待定功能层参数信息序列可以表示为：
W' = W - α * ∇E(W)
其中，α是学习率，∇E(W)是目标决策误差参数关于预置功能层参数信息序列的梯度。
步骤S1332，基于所述目标决策误差参数，对所述待定功能层参数信息序列进行优化，生成优化功能层参数信息序列和所述优化功能层参数信息序列对应的迭代空压机维护决策网络。
例如，可以使用反向传播算法，在每个样例空压机运行数据子序列对应的目标决策误差参数的基础上，更新待定功能层参数信息序列中的每个功能层的参数信息，生成优化功能层参数信息序列。同时，可以使用优化后的功能层参数信息序列，构建一个新的迭代空压机维护决策网络。
假设待定功能层参数信息序列为W'，则优化功能层参数信息序列可以表示为：
W'' = W' - β * ∇E(W')
其中，β是学习率，∇E(W')是目标决策误差参数关于待定功能层参数信息序列的梯度。
同时，可以使用优化后的功能层参数信息序列，构建一个新的迭代空压机维护决策网络。
步骤S1333，将所述优化功能层参数信息序列作为所述预置功能层参数信息序列，并将所述迭代空压机维护决策网络作为所述初始化神经网络后继续进行迭代操作，直至所述目标决策误差参数小于门限误差参数，生成每个样例空压机运行数据子序列对应的参考神经网络。
例如，可以使用梯度下降算法，在每个样例空压机运行数据子序列对应的目标决策误差参数的基础上，更新迭代空压机维护决策网络中的每个功能层的参数信息，生成新的优化功能层参数信息序列。同时，可以使用新的优化功能层参数信息序列，构建一个新的迭代空压机维护决策网络。这个过程会一直重复，直到目标决策误差参数小于门限误差参数，生成每个样例空压机运行数据子序列对应的参考神经网络。
示例性地，假设优化功能层参数信息序列为W''，则新的预置功能层参数信息序列可以表示为：
W''' = W''
同时，可以使用新的预置功能层参数信息序列，构建一个新的迭代空压机维护决策网络。这个过程会一直重复，直到目标决策误差参数小于门限误差参数，生成每个样例空压机运行数据子序列对应的参考神经网络。
在一种可能的实施方式中，步骤S140可以包括：获取所述参考神经网络的性能度量指标，依据所述性能度量指标，在所述功能层参数信息中提取至少一个目标功能层参数信息，在所述初始化神经网络中配置所述目标功能层参数信息，生成目标空压机维护决策网络。
例如，可以使用一些性能度量指标来评估这个参考神经网络的性能。例如，可以使用准确率、召回率、F1分数等指标来评估参考神经网络的性能。也即，可以使用这些性能度量指标来在参考神经网络的功能层参数信息中提取至少一个目标功能层参数信息。例如，可以使用梯度下降算法，在参考神经网络的功能层参数信息中提取至少一个目标功能层参数信息，使得这些目标功能层参数信息能够提高参考神经网络的性能度量指标。最后，可以将这些目标功能层参数信息配置到初始化神经网络中，生成目标空压机维护决策网络。例如，可以使用反向传播算法，将目标功能层参数信息配置到初始化神经网络中，生成目标空压机维护决策网络。
在一种可能的实施方式中，步骤S140进一步可以包括：获取所述参考神经网络的性能度量指标，依据所述性能度量指标，对所述参考神经网络进行优先级整理，基于优先级整理结果，在所述参考神经网络中提取目标空压机维护决策网络。
本实施例中，可以使用一些性能度量指标来评估这个参考神经网络的性能。例如，可以使用准确率、召回率、F1分数等指标来评估参考神经网络的性能。然后，可以使用排序算法，对参考神经网络中的每个功能层进行排序，使得性能较好的功能层排在前面，性能较差的功能层排在后面。由此，可以基于参考神经网络的优先级整理结果，在参考神经网络中提取目标空压机维护决策网络。例如，可以使用贪心算法，在参考神经网络中提取目标空压机维护决策网络，使得目标空压机维护决策网络的性能最优。
在一种可能的实施方式中，步骤S140之后，还包括：
步骤S141，获取至少一个扩展模板运行趋势数据，所述扩展模板运行趋势数据包括当前标签故障维护类别。
步骤S142，依据所述当前标签故障维护类别，对所述目标空压机维护决策网络的功能层参数信息进行优化，生成当前空压机维护决策网络。
步骤S143，基于所述扩展模板运行趋势数据，对所述当前空压机维护决策网络进行参数学习，并将参数学习后的空压机维护决策网络作为所述目标空压机维护决策网络。
例如，可以使用一些扩展模板运行趋势数据来对目标空压机维护决策网络进行优化。也即，可以使用一些历史数据，这些数据包括当前标签故障维护类别，如故障类型、故障原因等。在已经得到了当前标签故障维护类别，可以使用这些类别来对目标空压机维护决策网络的功能层参数信息进行优化。例如，可以使用梯度下降算法，对目标空压机维护决策网络的功能层参数信息进行优化，使得目标空压机维护决策网络能够更好地处理当前标签故障维护类别。从而可以使用扩展模板运行趋势数据来对当前空压机维护决策网络进行参数学习。例如，可以使用反向传播算法，对当前空压机维护决策网络进行参数学习，使得当前空压机维护决策网络能够更好地处理扩展模板运行趋势数据。
在一种可能的实施方式中，所述验证所述目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标，包括：
步骤A110，将所述样例空压机运行数据序列分离为N个样例空压机运行数据子序列，生成N个测试样例数据序列，所述测试样例数据序列包括每个故障维护类别对应的当前样例空压机的模板运行趋势数据，其中N为预设的大于2的正整数。
例如，可以将样例空压机运行数据序列分为3个测试样例数据序列，每个测试样例数据序列都包括正常、故障A和故障B三种故障维护类别对应的当前样例空压机的模板运行趋势数据。
步骤A120，在所述测试样例数据序列中确定出校验样例数据序列，并将所述测试样例数据序列中除所述校验样例数据序列以外的测试样例数据序列作为学习样例数据序列。
例如，可以从3个测试样例数据序列中随机选择一个作为校验样例数据序列，剩下的两个作为学习样例数据序列。
步骤A130，依据所述学习样例数据序列对所述目标空压机维护决策网络进行参数学习，并依据参数学习后的目标空压机维护决策网络决策所述校验样例数据序列对应的当前样例空压机的故障维护类别，生成所述当前样例空压机的当前决策故障维护类别。
例如，可以使用前两个测试样例数据序列对目标空压机维护决策网络进行参数学习，并使用参数学习后的目标空压机维护决策网络决策校验样例数据序列对应的当前样例空压机的故障维护类别，生成当前决策故障维护类别。
步骤A140，获取所述当前样例空压机的标签故障维护类别，并依据所述标签故障维护类别和当前决策故障维护类别，确定所述校验样例数据序列对应的至少一个基础决策效果指标，获取每个基础决策效果指标对应的影响系数，并依据所述影响系数，对所述基础决策效果指标进行融合，计算融合后的基础决策效果指标的均值，生成所述校验样例数据序列对应的初始决策效果指标。
例如，可以使用准确率、召回率和F1分数作为基础决策效果指标，并获取每个指标对应的影响系数，然后使用这些影响系数对基础决策效果指标进行融合，计算融合后的基础决策效果指标的均值，生成校验样例数据序列对应的初始决策效果指标。
步骤A150，返回执行所述在所述测试样例数据序列中确定出校验样例数据序列的步骤，直至每个测试样例数据序列均为所述校验样例数据序列时为止，生成每个测试样例数据序列对应的初始决策效果指标。
步骤A160，将所述初始决策效果指标进行加权计算，生成所述目标空压机维护决策网络的决策效果指标。
例如，可以使用每个测试样例数据序列对应的初始决策效果指标进行加权计算，生成目标空压机维护决策网络的决策效果指标。
在一种可能的实施方式中，步骤A140中，依据所述标签故障维护类别和当前决策故障维护类别，确定所述校验样例数据序列对应的至少一个基础决策效果指标，包括：
步骤A141，将所述标签故障维护类别与当前决策故障维护类别进行比较，生成每个当前样例空压机的故障维护类别决策详情信息。
步骤A142，依据所述故障维护类别决策详情信息，在所述校验样例数据序列中统计出有效实例统计量和误判实例统计量，所述有效实例统计量包括故障维护类别决策可靠的实例统计量，所述误判实例统计量包括故障维护类别决策不可靠的实例统计量。
步骤A143，获取所述校验样例数据序列的实例统计量，并依据所述实例统计量、有效实例统计量和误判实例统计量，确定所述校验样例数据序列对应的至少一个基础决策效果指标。
例如，可以使用当前决策故障维护类别和标签故障维护类别生成每个当前样例空压机的故障维护类别决策详情信息，包括当前决策故障维护类别是否正确、当前决策故障维护类别的置信度等信息。
在此基础上，可以依据故障维护类别决策详情信息，在校验样例数据序列中统计出有效实例统计量和误判实例统计量。例如，可以使用故障维护类别决策详情信息，在校验样例数据序列中统计出有效实例统计量和误判实例统计量，包括故障维护类别决策可靠的实例统计量和故障维护类别决策不可靠的实例统计量。
而后，可以依据实例统计量、有效实例统计量和误判实例统计量，确定校验样例数据序列对应的至少一个基础决策效果指标。例如，可以使用实例统计量、有效实例统计量和误判实例统计量，确定校验样例数据序列对应的准确率、召回率和F1分数等基础决策效果指标。
所述实例统计量包括正实例统计量和负实例统计量，所述有效实例统计量包括有效正实例统计量和有效负实例统计量，所述误判实例统计量包括误判正实例统计量和误判负实例统计量，步骤A143包括：
步骤A1431，依据所述正实例统计量、负实例统计量、有效正实例统计量、有效负实例统计量、误判正实例统计量和误判负实例统计量，确定所述校验样例数据序列对应的至少一个基础校验性能指标。
步骤A1432，在所述基础校验性能指标中提取至少一个目标校验性能指标，并将所述目标校验性能指标进行加权计算，生成融合校验性能指标。
步骤A1433，依据所述有效实例统计量、误判负实例统计量和实例统计量，确定所述校验样例数据序列对应的当前性能度量指标，并将所述基础校验性能指标、融合校验性能指标和当前性能度量指标作为所述基础决策效果指标。
在已经得到了正实例统计量、负实例统计量、有效正实例统计量、有效负实例统计量、误判正实例统计量和误判负实例统计量后，可以依据正实例统计量、负实例统计量、有效正实例统计量、有效负实例统计量、误判正实例统计量和误判负实例统计量，确定校验样例数据序列对应的至少一个基础校验性能指标。例如，可以使用正实例统计量、负实例统计量、有效正实例统计量、有效负实例统计量、误判正实例统计量和误判负实例统计量，确定校验样例数据序列对应的准确率、召回率和F1分数等基础校验性能指标。
在已经得到了基础校验性能指标后，可以从基础校验性能指标中提取至少一个目标校验性能指标，并将目标校验性能指标进行加权计算，生成融合校验性能指标。例如，可以从基础校验性能指标中提取准确率和召回率作为目标校验性能指标，并将准确率和召回率进行加权计算，生成融合校验性能指标。
在已经得到了有效实例统计量、误判负实例统计量和实例统计量后，可以依据有效实例统计量、误判负实例统计量和实例统计量，确定校验样例数据序列对应的当前性能度量指标，并将基础校验性能指标、融合校验性能指标和当前性能度量指标作为基础决策效果指标。例如，可以使用有效实例统计量、误判负实例统计量和实例统计量，确定校验样例数据序列对应的准确率、召回率和F1分数等当前性能度量指标，并将基础校验性能指标、融合校验性能指标和当前性能度量指标作为基础决策效果指标。
示例性的，准确率 = (有效正实例统计量 + 有效负实例统计量) / 实例统计量
召回率 = 有效正实例统计量 / (有效正实例统计量 + 误判负实例统计量)
F1分数 = 2 * (准确率 * 召回率) / (准确率 + 召回率)
融合校验性能指标 = α * 准确率 + β * 召回率 + γ * F1分数
其中，α、β 和 γ 是权重系数，可以根据实际情况进行调整。
当前性能度量指标 = (有效正实例统计量 + 有效负实例统计量) / 实例统计量，将基础校验性能指标、融合校验性能指标和当前性能度量指标作为基础决策效果指标，可以用于评估模型的性能。
在一种可能的实施方式中，步骤S150可以包括：
步骤S151，当所述决策效果指标表征所述目标空压机维护决策网络达到预置决策效果时，获取目标空压机在执行至少一个运行进程时的空压机运行数据。
步骤S152，对所述空压机运行数据进行多元属性嵌入表示，生成所述目标空压机的目标多元属性嵌入表示信息。
步骤S153，依据所述目标空压机维护决策网络在所述目标多元属性嵌入表示信息中决策所述目标空压机对的故障维护类别。
例如，假当决策效果指标表征目标空压机维护决策网络达到预置决策效果，可以获取目标空压机在执行至少一个运行进程时的空压机运行数据。例如，可以获取目标空压机在执行压缩空气、冷却空气和排放空气等运行进程时的空压机运行数据。
由此，可以对目标空压机的空压机运行数据进行多元属性嵌入表示，生成目标空压机的目标多元属性嵌入表示信息。例如，可以使用词嵌入技术对空压机运行数据进行多元属性嵌入表示，生成目标空压机的目标多元属性嵌入表示信息，具体可以参见前述实施例的相关描述即可。
最后，可以依据目标空压机维护决策网络在目标多元属性嵌入表示信息中决策目标空压机的故障维护类别。例如，可以使用目标空压机维护决策网络在目标多元属性嵌入表示信息中决策目标空压机的故障维护类别，包括正常、故障A、故障B和故障C等。
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空压机维护***100。
对于一个实施例，图2示出了空压机维护***100，该空压机维护***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，空压机维护***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，空压机维护***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通信的任意适当的设备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可被用于例如为空压机维护***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空压机维护***100被安装在其上的设备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设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为空压机维护***100提供接口以与任意其它适当的设备通信，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可为空压机维护***100提供接口以依据多个网络通信，空压机维护***100可基于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同一模具上。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同一模具上以形成片上***。
在各个实施例中，空压机维护***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，空压机维护***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，空压机维护***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AI增强的空压机维护决策方法，其特征在于，应用于空压机维护***，所述方法包括：
获取样例空压机运行数据序列，并在所述样例空压机运行数据序列中解析多个样例空压机运行数据子序列，所述样例空压机运行数据子序列包括至少一个样例空压机的模板运行趋势数据；
对所述模板运行趋势数据进行多元属性嵌入表示，生成所述样例空压机运行数据子序列中每个模板运行趋势数据的多元属性嵌入表示信息；
依据所述多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络；
基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络，并验证所述目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标；
依据所述决策效果指标，基于所述目标空压机维护决策网络在目标空压机的空压机运行数据中决策所述目标空压机的故障维护类别。
2.根据权利要求1所述的基于AI增强的空压机维护决策方法，其特征在于，所述获取样例空压机运行数据序列，包括：
获取样例空压机序列中每个样例空压机在执行至少一个运行进程下的空压机运行数据，生成每个样例空压机的模板空压机运行数据；
获取所述样例空压机的先验诊断故障维护类别，并依据所述先验诊断故障维护类别，确定所述样例空压机的当前故障维护类别；
在所述模板空压机运行数据中标注所述当前故障维护类别，生成样例空压机运行数据序列；
所述依据所述多元属性嵌入表示信息，对初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络，包括：
在所述样例空压机中决策每个多元属性嵌入表示信息对应的目标样例空压机，依据所述初始化神经网络对所述多元属性嵌入表示信息进行有向知识图生成，生成所述目标样例空压机的有向知识图数据，对所述有向知识图数据进行故障维护类别预测，生成所述目标样例空压机的决策故障维护类别；
依据所述决策故障维护类别，确定每个样例空压机运行数据子序列对应的目标决策误差参数；
基于所述目标决策误差参数，对所述初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络。
3.根据权利要求2所述的基于AI增强的空压机维护决策方法，其特征在于，所述基于所述目标决策误差参数，对所述初始化神经网络进行参数学习，生成每个样例空压机运行数据子序列对应的参考神经网络，包括：
依据所述目标决策误差参数，在所述初始化神经网络的预置功能层参数信息序列中提取至少一个待定功能层参数信息，生成待定功能层参数信息序列；
基于所述目标决策误差参数，对所述待定功能层参数信息序列进行优化，生成优化功能层参数信息序列和所述优化功能层参数信息序列对应的迭代空压机维护决策网络；
将所述优化功能层参数信息序列作为所述预置功能层参数信息序列，并将所述迭代空压机维护决策网络作为所述初始化神经网络后继续进行迭代操作，直至所述目标决策误差参数小于门限误差参数，生成每个样例空压机运行数据子序列对应的参考神经网络。
4.根据权利要求3所述的基于AI增强的空压机维护决策方法，其特征在于，所述基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络，包括：
获取所述参考神经网络的性能度量指标；
依据所述性能度量指标，在所述功能层参数信息中提取至少一个目标功能层参数信息；
在所述初始化神经网络中配置所述目标功能层参数信息，生成目标空压机维护决策网络。
5.根据权利要求1所述的基于AI增强的空压机维护决策方法，其特征在于，所述基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络，包括：
获取所述参考神经网络的性能度量指标；
依据所述性能度量指标，对所述参考神经网络进行优先级整理；
基于优先级整理结果，在所述参考神经网络中提取目标空压机维护决策网络。
6.根据权利要求1所述的基于AI增强的空压机维护决策方法，其特征在于，所述基于所述参考神经网络的功能层参数信息，配置目标空压机维护决策网络之后，还包括：
获取至少一个扩展模板运行趋势数据，所述扩展模板运行趋势数据包括当前标签故障维护类别；
依据所述当前标签故障维护类别，对所述目标空压机维护决策网络的功能层参数信息进行优化，生成当前空压机维护决策网络；
基于所述扩展模板运行趋势数据，对所述当前空压机维护决策网络进行参数学习，并将参数学习后的空压机维护决策网络作为所述目标空压机维护决策网络。
7.根据权利要求1-5中任意一项所述的基于AI增强的空压机维护决策方法，其特征在于，所述验证所述目标空压机维护决策网络针对每个故障维护类别的决策效果，生成决策效果指标，包括：
将所述样例空压机运行数据序列分离为N个样例空压机运行数据子序列，生成N个测试样例数据序列，所述测试样例数据序列包括每个故障维护类别对应的当前样例空压机的模板运行趋势数据，其中N为预设的大于2的正整数；
在所述测试样例数据序列中确定出校验样例数据序列，并将所述测试样例数据序列中除所述校验样例数据序列以外的测试样例数据序列作为学习样例数据序列；
依据所述学习样例数据序列对所述目标空压机维护决策网络进行参数学习，并依据参数学习后的目标空压机维护决策网络决策所述校验样例数据序列对应的当前样例空压机的故障维护类别，生成所述当前样例空压机的当前决策故障维护类别；
获取所述当前样例空压机的标签故障维护类别，并依据所述标签故障维护类别和当前决策故障维护类别，确定所述校验样例数据序列对应的至少一个基础决策效果指标，获取每个基础决策效果指标对应的影响系数，并依据所述影响系数，对所述基础决策效果指标进行融合，计算融合后的基础决策效果指标的均值，生成所述校验样例数据序列对应的初始决策效果指标；
返回执行所述在所述测试样例数据序列中确定出校验样例数据序列的步骤，直至每个测试样例数据序列均为所述校验样例数据序列时为止，生成每个测试样例数据序列对应的初始决策效果指标；
将所述初始决策效果指标进行加权计算，生成所述目标空压机维护决策网络的决策效果指标。
8.根据权利要求7所述的基于AI增强的空压机维护决策方法，其特征在于，所述依据所述标签故障维护类别和当前决策故障维护类别，确定所述校验样例数据序列对应的至少一个基础决策效果指标，包括：
将所述标签故障维护类别与当前决策故障维护类别进行比较，生成每个当前样例空压机的故障维护类别决策详情信息；
依据所述故障维护类别决策详情信息，在所述校验样例数据序列中统计出有效实例统计量和误判实例统计量，所述有效实例统计量包括故障维护类别决策可靠的实例统计量，所述误判实例统计量包括故障维护类别决策不可靠的实例统计量；
获取所述校验样例数据序列的实例统计量，并依据所述实例统计量、有效实例统计量和误判实例统计量，确定所述校验样例数据序列对应的至少一个基础决策效果指标；
所述实例统计量包括正实例统计量和负实例统计量，所述有效实例统计量包括有效正实例统计量和有效负实例统计量，所述误判实例统计量包括误判正实例统计量和误判负实例统计量，所述依据所述实例统计量、有效实例统计量和误判实例统计量，确定所述校验样例数据序列对应的至少一个基础决策效果指标，包括：
依据所述正实例统计量、负实例统计量、有效正实例统计量、有效负实例统计量、误判正实例统计量和误判负实例统计量，确定所述校验样例数据序列对应的至少一个基础校验性能指标；
在所述基础校验性能指标中提取至少一个目标校验性能指标，并将所述目标校验性能指标进行加权计算，生成融合校验性能指标；
依据所述有效实例统计量、误判负实例统计量和实例统计量，确定所述校验样例数据序列对应的当前性能度量指标，并将所述基础校验性能指标、融合校验性能指标和当前性能度量指标作为所述基础决策效果指标。
9.根据权利要求1-5中任意一项所述的基于AI增强的空压机维护决策方法，其特征在于，所述依据所述决策效果指标，基于所述目标空压机维护决策网络在目标空压机的空压机运行数据中决策所述目标空压机的故障维护类别，包括：
当所述决策效果指标表征所述目标空压机维护决策网络达到预置决策效果时，获取目标空压机在执行至少一个运行进程时的空压机运行数据；
对所述空压机运行数据进行多元属性嵌入表示，生成所述目标空压机的目标多元属性嵌入表示信息；
依据所述目标空压机维护决策网络在所述目标多元属性嵌入表示信息中决策所述目标空压机对应的故障维护类别。
10.一种空压机维护***，其特征在于，所述空压机维护***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AI增强的空压机维护决策方法。
CN202410038605.3A 2024-01-11 2024-01-11 基于ai增强的空压机维护决策方法及*** Active CN117556331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410038605.3A CN117556331B (zh) 2024-01-11 2024-01-11 基于ai增强的空压机维护决策方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410038605.3A CN117556331B (zh) 2024-01-11 2024-01-11 基于ai增强的空压机维护决策方法及***

Publications (2)

Publication Number Publication Date
CN117556331A CN117556331A (zh) 2024-02-13
CN117556331B true CN117556331B (zh) 2024-04-26

Family

ID=89815050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410038605.3A Active CN117556331B (zh) 2024-01-11 2024-01-11 基于ai增强的空压机维护决策方法及***

Country Status (1)

Country Link
CN (1) CN117556331B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503133A (zh) * 2019-07-26 2019-11-26 东北大学 一种基于深度学习的离心式压缩机故障预测方法
CN114970605A (zh) * 2022-05-06 2022-08-30 大连理工大学 一种多模态特征融合神经网络的制冷设备故障诊断方法
CN115203584A (zh) * 2022-07-29 2022-10-18 东北大学 一种基于属性嵌入的多层网络社团发现方法
CN116578858A (zh) * 2023-02-14 2023-08-11 国能大渡河猴子岩发电有限公司 基于图神经网络的空压机故障预测与健康度评价方法及***
CN116991136A (zh) * 2023-05-15 2023-11-03 广东粤电新会发电有限公司 燃气机组aps启动控制***的优化方法及***
CN117034763A (zh) * 2023-08-10 2023-11-10 广东鑫钻节能科技股份有限公司 一种数字能源空压***的一站式智能管理***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10671915B2 (en) * 2015-07-31 2020-06-02 Brighterion, Inc. Method for calling for preemptive maintenance and for equipment failure prevention
US20220314955A1 (en) * 2021-03-31 2022-10-06 Air Production & Services Inc. Air Compressor Load Management System and Method Including an Air Compressor Load Control Device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503133A (zh) * 2019-07-26 2019-11-26 东北大学 一种基于深度学习的离心式压缩机故障预测方法
CN114970605A (zh) * 2022-05-06 2022-08-30 大连理工大学 一种多模态特征融合神经网络的制冷设备故障诊断方法
CN115203584A (zh) * 2022-07-29 2022-10-18 东北大学 一种基于属性嵌入的多层网络社团发现方法
CN116578858A (zh) * 2023-02-14 2023-08-11 国能大渡河猴子岩发电有限公司 基于图神经网络的空压机故障预测与健康度评价方法及***
CN116991136A (zh) * 2023-05-15 2023-11-03 广东粤电新会发电有限公司 燃气机组aps启动控制***的优化方法及***
CN117034763A (zh) * 2023-08-10 2023-11-10 广东鑫钻节能科技股份有限公司 一种数字能源空压***的一站式智能管理***

Also Published As

Publication number Publication date
CN117556331A (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
US10805151B2 (en) Method, apparatus, and storage medium for diagnosing failure based on a service monitoring indicator of a server by clustering servers with similar degrees of abnormal fluctuation
CN108052528A (zh) 一种存储设备时序分类预警方法
WO2022089202A1 (zh) 故障识别模型训练方法、故障识别方法、装置及电子设备
JP2018530982A (ja) バッテリテスト結果を予測するためのバッテリテストシステム
CN111881023B (zh) 一种基于多模型对比的软件老化预测方法及装置
CN112767106B (zh) 自动化审计方法、***、计算机可读存储介质及审计设备
CN113807418A (zh) 一种基于高斯混合模型的注塑机能耗异常检测方法及***
CN116087787A (zh) 一种基于主成分分析法的电池故障判断方法和***
CN115248757A (zh) 一种硬盘健康评估方法和存储设备
CN113837596A (zh) 一种故障确定方法、装置、电子设备及存储介质
CN114997342B (zh) 一种scr故障诊断方法、装置、设备及存储介质
US20220222545A1 (en) Generation method, non-transitory computer-readable storage medium, and information processing device
CN117556331B (zh) 基于ai增强的空压机维护决策方法及***
CN117251114A (zh) 模型训练方法、磁盘寿命预测方法、相关装置及设备
US20230161653A1 (en) Method of managing system health
US20220222580A1 (en) Deterioration detection method, non-transitory computer-readable storage medium, and information processing device
CN116562120A (zh) 一种基于rve的涡轮发动机***健康状况评估方法及装置
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models
CN111400122A (zh) 一种硬盘健康度评估方法及装置
KR102420514B1 (ko) 딥러닝을 이용한 하드웨어 및 소프트웨어 결함 탐지 방법 및 분석장치
CN110865939B (zh) 应用程序质量监测方法、装置、计算机设备和存储介质
CN113591982A (zh) 一种故障检测与诊断算法的性能评估方法及***
CN112737834A (zh) 一种云硬盘故障预测方法、装置、设备及存储介质
KR102497586B1 (ko) 순차학습 기법에 기초하여 복수의 진단대상 장치의 이상 여부를 진단하는 방법 및 시스템
CN117112445B (zh) 一种机器学习模型稳定性检测方法、装置、设备及介质

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