【技术实现步骤摘要】
本专利技术涉及dcs预警技术，尤其涉及一种基于智能ai视觉识别的dcs预警方法及系统。
技术介绍
1、dcs(分布式控制系统)广泛应用于石油、化工、电力等工业领域，实现对生产过程的实时监控和控制。然而，dcs系统规模庞大，结构复杂，运行环境恶劣，故障风险高，一旦发生故障，将造成重大的经济损失和安全事故。传统的dcs系统预警方法主要依赖于人工经验和简单的阈值判断，难以应对日益复杂的工业场景，预警的准确性和实时性无法保证。近年来，人工智能技术的发展为dcs系统的智能预警提供了新的途径。一些研究尝试将机器学习算法应用于dcs系统的故障诊断和预测，如支持向量机、神经网络等，取得了一定效果。但这些方法主要针对单一设备或子系统，缺乏对整个dcs系统的宏观分析，难以发现系统级别的异常模式。此外，工业大数据的复杂多变，给智能预警带来了数据处理和特征提取的挑战。
2、因此，亟需一种新的dcs系统预警方法，能够充分利用工业大数据和人工智能技术，从系统级别识别异常模式，并结合数字孪生仿真，预测故障风险，生成智能预警信息，辅助运维人员及时做出预防性维护决策，从而提高dcs系统的安全性和可靠性。
技术实现思路
1、本专利技术实施例提供一种基于智能ai视觉识别的dcs预警方法及系统，能够解决现有技术中的问题。
2、本专利技术实施例的第一方面，
3、提供一种基于智能ai视觉识别的dcs预警方法，包括：
4、获取dcs系统的实时运行参数，所述实时运行参数包括dcs系
5、将所述实时运行参数特征输入预先构建的智能ai视觉识别模型中，分析dcs系统的运行状态，识别系统级别的异常模式，将异常模式与预设的正常运行模式库中的正常运行模式进行比对，计算异常模式与正常运行模式的相似度；
6、若相似度低于预设的异常阈值，则判定dcs系统当前运行存在异常风险，并采用基于物理机理的数字孪生仿真技术，对dcs系统的实时运行场景进行仿真，预测dcs系统的故障模式、故障原因及发生概率，并根据预测结果结合预设的多级预警决策矩阵，自动生成相应等级的预警信息，将预警信息实时推送至dcs系统的智能运维平台，辅助操作人员提前识别系统风险，给出针对性的预防性维护措施建议。
7、在一种可选的实施例中，
8、将所述实时运行参数特征输入预先构建的智能ai视觉识别模型中，分析dcs系统的运行状态，识别系统级别的异常模式包括：
9、在智能ai视觉识别模型中设计多模态特征融合网络，对实时运行参数特征中的报警信息进行文本挖掘，得到报警信息特征，对操作日志进行序列模式挖掘，得到操作日志特征，对视频监控数据进行目标检测、目标跟踪和行为识别，得到视频监控特征；
10、将提取的报警信息特征、操作日志特征和视频监控特征输入至多模态特征融合网络，通过特征映射方法将各个特征映射到同一维度的隐空间；
11、利用注意力机制计算隐空间中特征之间的相似度，为每个特征分配权重，并利用混合专家网络将隐空间中的特征进行融合，得到融合特征，利用自编码器将融合特征进行压缩，得到最终的多模态融合特征；
12、根据所述多模态融合特征构建异构图，所述异构图中的节点包括设备、参数和报警，边包括物理连接、逻辑关联和时序依赖，对所述异构图应用图神经网络，通过消息传递机制迭代更新节点的隐状态，在每个传播步骤中，节点先聚合来自邻居节点的消息，再结合自身特征和邻居信息更新节点隐状态；
13、针对局部异常检测任务，利用图解码器将节点隐状态映射为异常度量，并通过优化异常度量与节点真实异常标签的交叉熵损失函数，训练局部异常检测任务对应的图神经网络；针对全局异常关联任务，采用基于异常度量的图池化方法逐步聚合节点信息生成异常区域层次结构，并利用图解码器将异常区域特征映射为全局异常度量，通过优化全局异常度量与系统级别真实异常标签的交叉熵损失函数，训练全局异常关联任务对应的图神经网络；
14、局部异常检测和全局异常关联两个子任务共享同一个图编码器，通过交替训练和参数共享实现联合优化，综合两个子任务的输出最终输出系统级别的异常模式识别结果。
15、在一种可选的实施例中，
16、局部异常检测和全局异常关联两个子任务共享同一个图编码器，通过交替训练和参数共享实现联合优化，综合两个子任务的输出最终输出系统级别的异常模式识别结果包括：
17、根据局部异常检测子任务的损失函数和全局异常关联子任务的损失函数构建联合优化损失函数，重复执行局部异常检测和全局异常关联子任务的训练步骤，直至达到联合优化损失函数收敛，得到系统级别的异常模式识别结果，所述联合优化损失函数公式如下：
18、
19、其中，l表示联合优化损失函数，λ1表示局部异常检测任务的权重，v表示节点数量，αi表示节点i的权重因子，表示节点i的预测异常度量，yi表示节点i的真实异常标签，γ表示异常度量误差的指数参数，λ2表示全局异常关联任务的权重，c表示操作日志特征数量，αc表示邻居节点c的权重因子，yc表示邻居节点c的真实异常标签，表示邻居节点c的预测异常度量，λ3表示正则化项的权重，ci表示节点i邻居节点集合，p表示正则化项的指数参数。
20、在一种可选的实施例中，
21、采用基于物理机理的数字孪生仿真技术，对dcs系统的实时运行场景进行仿真，预测dcs系统的故障模式、故障原因及发生概率包括：
22、构建dcs系统的多学科高保真的数字孪生模型，所述数字孪生模型包括生产流程模型、设备模型和控制逻辑模型；
23、提取异常模式的关键特征参数，采用特征降维方法降低关键特征参数的维度，并采用语义映射技术，将降维后的关键特征参数映射到数字孪生模型的相应位置和对象属性上，触发数字孪生模型进行异常工况下的仿真预测；
24、所述仿真预测从异常点开始，采用多场景并行仿真策略，设置不同的初始条件、边界条件和随机扰动，生成多个并行的仿真实例，并采用模型简化、多尺度建模方法，在不同时空尺度下选择性简化数字孪生模型，针对关键区域和关键过程进行网格加密和计算强化，同时引入不确定性量化技术，自适应调整仿真的时空分辨率和计算精度；
25、在多场景异常工况仿真的基础上，以异常模式为顶事件，采用演绎推理和因果反向追溯的方法，自动构建故障树，识别异常传播的关键环节和影响因素，在构建的故障树基础上，采用蒙特卡洛模拟方法，对故障树中的基本事件发生概率进行随机抽样，对异常模式进行评估；
26、根据故障树分析和蒙特卡洛模拟的结果，采用基于案例推理的故障诊断方法，衡量异常模式与历史故障案例之间的相似度，从历史故障库中匹配故障模式，最终输出预测的dcs系统的故障模式、故障原因及发生概本文档来自技高网...
【技术保护点】
1.一种基于智能AI视觉识别的DCS预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，将所述实时运行参数特征输入预先构建的智能AI视觉识别模型中，分析DCS系统的运行状态，识别系统级别的异常模式包括：
3.根据权利要求2所述的方法，其特征在于，局部异常检测和全局异常关联两个子任务共享同一个图编码器，通过交替训练和参数共享实现联合优化，综合两个子任务的输出最终输出系统级别的异常模式识别结果包括：
4.根据权利要求1所述的方法，其特征在于，采用基于物理机理的数字孪生仿真技术，对DCS系统的实时运行场景进行仿真，预测DCS系统的故障模式、故障原因及发生概率包括：
5.根据权利要求4所述的方法，其特征在于，采用多场景并行仿真策略，设置不同的初始条件、边界条件和随机扰动，生成多个并行的仿真实例包括：
6.根据权利要求5所述的方法，其特征在于，构建多尺度条件生成对抗网络的目标函数的计算公式如下：
7.根据权利要求1所述的方法，其特征在于，根据预测结果结合预设的多级预警决策矩阵，自动生成相应等级的预警
8.一种基于智能AI视觉识别的DCS预警系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种基于智能ai视觉识别的dcs预警方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，将所述实时运行参数特征输入预先构建的智能ai视觉识别模型中，分析dcs系统的运行状态，识别系统级别的异常模式包括：
3.根据权利要求2所述的方法，其特征在于，局部异常检测和全局异常关联两个子任务共享同一个图编码器，通过交替训练和参数共享实现联合优化，综合两个子任务的输出最终输出系统级别的异常模式识别结果包括：
4.根据权利要求1所述的方法，其特征在于，采用基于物理机理的数字孪生仿真技术，对dcs系统的实时运行场景进行仿真，预测dcs系统的故障模式、故障原因及发生概率包括：
5.根据权利要求4所述的方法，其...
【专利技术属性】
技术研发人员：曹军，付保山，王如意，牛赛，王哲，钟立驰，马忠明，
申请(专利权)人：新疆特变电工楼兰新能源有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。