本發(fā)明涉及人工智能，具體而言，涉及一種基于智能化系統(tǒng)的ai智能診斷方法及系統(tǒng)。
背景技術：
1、在建筑機電設備的運行維護領域，確保設備的穩(wěn)定運行對于保障建筑物的正常使用至關重要。傳統(tǒng)的建筑機電設備故障診斷方法存在諸多局限性，難以滿足現(xiàn)代建筑日益復雜的機電系統(tǒng)需求。
2、早期，主要依靠人工定期巡檢來發(fā)現(xiàn)設備故障。運維人員憑借經(jīng)驗和簡單工具對設備進行檢查，但這種方式效率低下，難以實時監(jiān)測設備運行狀態(tài)，且對于潛在的早期故障不易察覺，往往在故障已經(jīng)發(fā)展到一定程度，對設備運行產(chǎn)生明顯影響時才被發(fā)現(xiàn)，從而可能導致設備損壞加劇、維修成本增加以及建筑物相關功能受影響等問題。
3、隨著技術發(fā)展，一些基于傳感器的監(jiān)測方法開始出現(xiàn)。這些方法通常僅使用單一類型的傳感器收集數(shù)據(jù)，比如僅關注振動信號或溫度變化等單一維度信息，無法全面反映設備復雜的運行狀態(tài)。由于建筑機電設備的故障模式多樣且相互關聯(lián)，單一數(shù)據(jù)源的監(jiān)測難以準確診斷故障原因和位置，容易出現(xiàn)誤診或漏診情況。
4、后來，部分智能診斷技術引入了機器學習算法。然而，這些算法大多是在收集大量數(shù)據(jù)后直接進行簡單的分類或回歸分析，沒有充分考慮到設備運行數(shù)據(jù)的時序特性以及不同類型數(shù)據(jù)之間的內(nèi)在聯(lián)系。例如，僅僅將采集到的各種數(shù)據(jù)簡單拼接輸入模型，沒有對數(shù)據(jù)進行有效處理以挖掘其中深層次的信息，導致模型對復雜故障模式的識別能力有限，診斷精度不高。
5、同時，現(xiàn)有的故障診斷方法在知識利用方面存在不足。要么僅依賴歷史數(shù)據(jù)訓練模型，缺乏領域專家的專業(yè)知識指導，使得模型在面對一些復雜、罕見故障時無法給出有效的診斷結果；要么單純依靠專家經(jīng)驗制定診斷規(guī)則，難以適應設備運行過程中不斷變化的工況和新出現(xiàn)的故障類型，缺乏靈活性和適應性。而且，在實際運維過程中，現(xiàn)場運維記錄所包含的寶貴實時信息和臨時處置經(jīng)驗也未能得到充分利用，無法將這些信息與傳統(tǒng)診斷知識相結合以優(yōu)化診斷過程。
技術實現(xiàn)思路
1、鑒于上述提及的問題，結合本發(fā)明的第一方面，本發(fā)明實施例提供一種基于智能化系統(tǒng)的ai智能診斷方法，所述方法包括：
2、通過邊緣計算節(jié)點采集建筑機電設備的運行數(shù)據(jù)流，并對所述運行數(shù)據(jù)流進行狀態(tài)時序編碼，生成設備狀態(tài)時序編碼序列，所述運行數(shù)據(jù)流包含多源異構傳感器采集的振動頻譜、熱成像特征及能耗波動參數(shù)；
3、將所述設備狀態(tài)時序編碼序列輸入故障預測神經(jīng)網(wǎng)絡，輸出多維故障特征分布矩陣，所述多維故障特征分布矩陣包含設備潛在故障模式在預設診斷維度上的概率權重及關聯(lián)部件的異常置信度；
4、獲取專家知識庫生成的標準診斷報告和現(xiàn)場運維記錄生成的應急診斷報告，所述標準診斷報告包含精確故障定位信息和復合修復策略，所述應急診斷報告包含臨時處置方案和未驗證的異常推測；
5、基于所述多維故障特征分布矩陣、所述標準診斷報告的驗證診斷單元、所述應急診斷報告的未驗證診斷單元及設備運行特征隱空間映射，構建復合訓練目標函數(shù)；
6、通過反向傳播算法優(yōu)化所述故障預測神經(jīng)網(wǎng)絡的參數(shù)空間，使所述復合訓練目標函數(shù)達到收斂閾值后，生成對應的目標故障預測神經(jīng)網(wǎng)絡，并基于所述目標故障預測神經(jīng)網(wǎng)絡對任意輸入的建筑機電設備的運行數(shù)據(jù)流進行故障預測診斷。
7、再一方面，本發(fā)明實施例還提供一種基于智能化系統(tǒng)的ai智能診斷系統(tǒng)，包括處理器、機器可讀存儲介質(zhì)，所述機器可讀存儲介質(zhì)和所述處理器連接，所述機器可讀存儲介質(zhì)用于存儲程序、指令或代碼，所述處理器用于執(zhí)行所述機器可讀存儲介質(zhì)中的程序、指令或代碼，以實現(xiàn)上述的方法。
8、基于以上方面，本申請實施例采集建筑機電設備由多源異構傳感器獲取的振動頻譜、熱成像特征及能耗波動參數(shù)等運行數(shù)據(jù)流，并通過狀態(tài)時序編碼生成設備狀態(tài)時序編碼序列，相較于傳統(tǒng)單一數(shù)據(jù)源或簡單拼接數(shù)據(jù)的診斷方法，能夠更全面、準確地捕捉設備運行狀態(tài)的復雜特征，將不同類型數(shù)據(jù)中蘊含的關鍵信息有機融合，為后續(xù)精確的故障診斷奠定了堅實基礎，大大提高了對設備潛在故障模式的識別能力。
9、通過將設備狀態(tài)時序編碼序列輸入故障預測神經(jīng)網(wǎng)絡，輸出包含設備潛在故障模式在預設診斷維度上的概率權重及關聯(lián)部件異常置信度的多維故障特征分布矩陣，突破了傳統(tǒng)診斷方法僅給出簡單故障分類或粗略故障位置的局限，以更加精細化、定量化的方式呈現(xiàn)故障特征，為診斷人員提供了豐富且有價值的決策依據(jù)，有助于更精準地判斷故障類型和影響范圍，提高故障診斷的可靠性和準確性。
10、獲取專家知識庫生成的標準診斷報告和現(xiàn)場運維記錄生成的應急診斷報告，并基于此與多維故障特征分布矩陣及設備運行特征隱空間映射構建復合訓練目標函數(shù)，從而結合了領域專家的深厚知識和現(xiàn)場實際運維經(jīng)驗，克服了單純依賴歷史數(shù)據(jù)或單一診斷知識源的不足。標準診斷報告中的精確故障定位信息和復合修復策略為模型提供了準確的診斷參考，應急診斷報告中的臨時處置方案和未驗證異常推測則引入了實際場景中的靈活性和實時性因素，使得模型能夠在綜合多種信息的基礎上進行優(yōu)化訓練，從而生成更符合實際需求、更具實用性和適應性的目標故障預測神經(jīng)網(wǎng)絡。
11、采用反向傳播算法優(yōu)化故障預測神經(jīng)網(wǎng)絡的參數(shù)空間，使復合訓練目標函數(shù)達到收斂閾值后生成目標故障預測神經(jīng)網(wǎng)絡，能夠讓故障預測神經(jīng)網(wǎng)絡在訓練過程中自動調(diào)整參數(shù)，以平衡多方面信息的影響，不僅提高了模型對已知數(shù)據(jù)的擬合能力，更增強了其對任意輸入的建筑機電設備運行數(shù)據(jù)流的泛化能力。相較于傳統(tǒng)固定模型結構或單一優(yōu)化目標的診斷方法，本方法生成的目標故障預測神經(jīng)網(wǎng)絡能夠更好地適應不同工況、不同類型建筑機電設備的故障預測診斷，顯著提高了診斷方法的通用性和適用性。
1.一種基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述方法包括：
2.根據(jù)權利要求1所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述基于所述多維故障特征分布矩陣、所述標準診斷報告的驗證診斷單元、所述應急診斷報告的未驗證診斷單元及設備運行特征隱空間映射，構建復合訓練目標函數(shù)的步驟，包括：
3.根據(jù)權利要求2所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述計算所述標準診斷報告中各驗證診斷單元的可靠性損失值和所述應急診斷報告中各未驗證診斷單元的誤差修正值的步驟包括：
4.根據(jù)權利要求1所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述方法還包括：
5.根據(jù)權利要求2所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述提取所述標準診斷報告和應急診斷報告在設備特征隱空間中的高階表征向量，計算兩者在設備健康狀態(tài)判別空間中的分布差異度，生成特征對齊優(yōu)化目標分量的步驟，包括：
6.根據(jù)權利要求1所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述方法還包括：
7.根據(jù)權利要求1所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述方法還包括：
8.根據(jù)權利要求1所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述方法還包括：
9.根據(jù)權利要求1所述的基于智能化系統(tǒng)的ai智能診斷方法，其特征在于，所述方法還包括：
10.一種基于智能化系統(tǒng)的ai智能診斷系統(tǒng)，其特征在于，所述基于智能化系統(tǒng)的ai智能診斷系統(tǒng)包括處理器和存儲器，所述存儲器和所述處理器連接，所述存儲器用于存儲程序、指令或代碼，所述處理器用于執(zhí)行所述存儲器中的程序、指令或代碼，以實現(xiàn)上述權利要求1-9任意一項所述的基于智能化系統(tǒng)的ai智能診斷方法。