本發(fā)明涉及數(shù)據(jù)處理，特別是指一種用于燃氣設(shè)備運行數(shù)據(jù)的遠程采集系統(tǒng)。

背景技術(shù)：

1、隨著科技的進步和工業(yè)的快速發(fā)展，燃氣設(shè)備在日常生活和工業(yè)生產(chǎn)中的應(yīng)用確實越來越廣泛。然而，由于燃氣設(shè)備的運行涉及到高壓、易燃等危險因素，其安全性和穩(wěn)定性成為了重要關(guān)注點。為了解決這一問題，對燃氣設(shè)備的運行狀態(tài)進行實時監(jiān)控和風(fēng)險評估成為了不可或缺的環(huán)節(jié)。

2、傳統(tǒng)的燃氣設(shè)備監(jiān)控方法，如人工巡檢和定期維護，雖然在一定程度上能夠保障設(shè)備的安全運行，但這種方法存在明顯的局限性。首先，人工巡檢的效率低下，難以覆蓋到所有的設(shè)備和運行時段，容易出現(xiàn)漏檢和誤檢的情況。其次，定期維護雖然可以對設(shè)備進行全面的檢查和維修，但難以在設(shè)備出現(xiàn)故障或異常情況時及時做出反應(yīng)，容易造成安全隱患。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是提供一種用于燃氣設(shè)備運行數(shù)據(jù)的遠程采集系統(tǒng)，可以實現(xiàn)對燃氣設(shè)備運行狀態(tài)的風(fēng)險評估，從而提高設(shè)備的安全性和運行效率。

2、為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

3、一種用于燃氣設(shè)備運行數(shù)據(jù)的遠程采集系統(tǒng)，包括：

4、圖譜構(gòu)建模塊，用于利用卷積神經(jīng)網(wǎng)絡(luò)模型對預(yù)處理后數(shù)據(jù)進行初步特征提取，以捕捉燃氣設(shè)備運行數(shù)據(jù)中的局部特征，所述預(yù)處理后數(shù)據(jù)為預(yù)處理后的燃氣設(shè)備的運行數(shù)據(jù)，包括壓力、溫度、流量和泄漏情況；根據(jù)局部特征，通過深度殘差網(wǎng)絡(luò)提取深層次特征；將深層次特征與設(shè)備實體、屬性、關(guān)系及時間戳信息相結(jié)合，以得到構(gòu)建初步知識圖譜；利用條件隨機場模型對初步知識圖譜中的實體和關(guān)系進行聯(lián)合標(biāo)注，采用圖卷積網(wǎng)絡(luò)對初步知識圖譜進行優(yōu)化，并通過迭代更新節(jié)點；

5、風(fēng)險預(yù)測模塊，與所述圖譜構(gòu)建模塊連接，接收初步知識圖譜作為輸入數(shù)據(jù)；長短期記憶網(wǎng)絡(luò)將初步知識圖譜中的時序數(shù)據(jù)作為序列輸入數(shù)據(jù)，通過學(xué)習(xí)序列中的長期依賴關(guān)系，捕捉燃氣設(shè)備狀態(tài)隨時間變化的規(guī)律，生成包含時序信息的關(guān)鍵特征；將長短期記憶網(wǎng)絡(luò)輸出的時序特征表示與知識圖譜中的設(shè)備屬性和關(guān)系進行融合，以形成一個反映燃氣設(shè)備綜合狀態(tài)的特征向量；對特征向量進行綜合分析，以得到與燃氣設(shè)備風(fēng)險相關(guān)的隱藏模式；基于與燃氣設(shè)備風(fēng)險相關(guān)的隱藏模式，采用多分類支持向量機進行風(fēng)險等級的預(yù)測，以得到最終的風(fēng)險等級預(yù)測結(jié)果；

6、遠程傳輸模塊，與所述風(fēng)險預(yù)測模塊連接，用于將最終的風(fēng)險等級預(yù)測結(jié)果和原始數(shù)據(jù)通過無線網(wǎng)絡(luò)遠程傳輸至云端服務(wù)器或用戶終端；

7、用戶交互模塊，與所述遠程傳輸模塊連接，用于向用戶提供可視化界面，展示燃氣設(shè)備的實時運行狀態(tài)、最終的風(fēng)險等級預(yù)測結(jié)果和歷史數(shù)據(jù)。

8、進一步的，利用卷積神經(jīng)網(wǎng)絡(luò)模型對預(yù)處理后數(shù)據(jù)進行初步特征提取，以捕捉燃氣設(shè)備運行數(shù)據(jù)中的局部特征，包括：

9、確定卷積神經(jīng)網(wǎng)絡(luò)模型的基本架構(gòu)，包括卷積層、池化層和全連接層；

10、定義遺傳算法的參數(shù)，包括種群大小、交叉率、變異率和進化代數(shù)；

11、將卷積神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)編碼為遺傳算法的基因，形成初始種群，超參數(shù)包括學(xué)習(xí)率、批次大小和卷積核數(shù)量；

12、將預(yù)處理后的數(shù)據(jù)劃分為訓(xùn)練集、驗證集和測試集，對于每一代種群，執(zhí)行以下步驟：

13、將種群中的每個個體解碼為卷積神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)設(shè)置；

14、使用訓(xùn)練集和當(dāng)前個體的超參數(shù)設(shè)置訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，在每個訓(xùn)練周期中，執(zhí)行前向傳播、計算損失、反向傳播和參數(shù)更新；

15、在每個訓(xùn)練周期結(jié)束后，使用驗證集評估卷積神經(jīng)網(wǎng)絡(luò)模型的性能，記錄準(zhǔn)確率；

16、根據(jù)驗證集上的準(zhǔn)確率，選擇對應(yīng)的個體進入下一代種群，隨機選擇種群中的兩個個體，交換各自的部分基因，生成新的個體，用新的個體替換原有種群中的部分個體，形成下一代種群，直到達到預(yù)設(shè)的進化代數(shù)，停止遺傳算法循環(huán)；

17、從最后一代種群中選擇對應(yīng)的個體作為最終超參數(shù)，使用最終超參數(shù)設(shè)置重新訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，得到訓(xùn)練后卷積神經(jīng)網(wǎng)絡(luò)模型；

18、使用訓(xùn)練后卷積神經(jīng)網(wǎng)絡(luò)模型的卷積層作為特征提取器，將輸入數(shù)據(jù)通過卷積層進行前向傳播，得到卷積層的輸出作為提取的局部特征。

19、進一步的，準(zhǔn)確率的計算公式為：

20、；

21、其中，是類別的真陽性，即類別正確預(yù)測為正類的樣本數(shù)量；是類別的真陰性，即類別正確預(yù)測為負類的樣本數(shù)量；是類別的假陽性，即類別錯誤預(yù)測為正類的負類樣本數(shù)量；是類別的假陰性，即類別錯誤預(yù)測為負類的正類樣本數(shù)量；是類別的總數(shù)；是高斯分布的均值，表示某個中心位置；是標(biāo)準(zhǔn)差；是類別的樣本數(shù)；是類別的索引值。

22、進一步的，根據(jù)局部特征，通過深度殘差網(wǎng)絡(luò)提取深層次特征；將深層次特征與設(shè)備實體、屬性、關(guān)系及時間戳信息相結(jié)合，以得到構(gòu)建初步知識圖譜，包括：

23、利用局部特征訓(xùn)練深度殘差網(wǎng)絡(luò)，通過反向傳播優(yōu)化網(wǎng)絡(luò)參數(shù)，得到訓(xùn)練后的深度殘差網(wǎng)絡(luò)；

24、將訓(xùn)練后的深度殘差網(wǎng)絡(luò)應(yīng)用于所有局部特征的數(shù)據(jù)，以提取深層次特征；

25、將深層次特征與對應(yīng)的設(shè)備實體信息、屬性、關(guān)系及時間戳信息進行整合，使特征數(shù)據(jù)與元數(shù)據(jù)的一一對應(yīng)，以得到整合后的數(shù)據(jù)；

26、基于整合后的數(shù)據(jù)，初步構(gòu)建設(shè)備知識圖譜，其中節(jié)點代表設(shè)備實體，邊代表實體之間的關(guān)系，屬性信息附著在相應(yīng)節(jié)點上，時間戳信息用于描述實體和關(guān)系的動態(tài)變化。

27、進一步的，利用條件隨機場模型對初步知識圖譜中的實體和關(guān)系進行聯(lián)合標(biāo)注，采用圖卷積網(wǎng)絡(luò)對初步知識圖譜進行優(yōu)化，并通過迭代更新節(jié)點，包括：

28、從初步知識圖譜中提取出用于條件隨機場模型的特征，包括詞性、上下文信息和實體類型；

29、使用訓(xùn)練后的條件隨機場模型對初步知識圖譜進行實體和關(guān)系的聯(lián)合標(biāo)注，識別出初步知識圖譜中的實體的關(guān)系；

30、將經(jīng)過條件隨機場模型標(biāo)注的知識圖譜轉(zhuǎn)換為圖結(jié)構(gòu)數(shù)據(jù)，其中節(jié)點代表實體，邊代表關(guān)系，為每個節(jié)點構(gòu)建一個特征矩陣，特征矩陣包括節(jié)點的屬性、相鄰節(jié)點的信息；

31、使用圖卷積網(wǎng)絡(luò)對圖譜進行優(yōu)化，通過多層圖卷積操作來捕捉節(jié)點之間的深層關(guān)聯(lián)和特征；

32、根據(jù)節(jié)點之間的深層關(guān)聯(lián)和特征，對圖譜中的實體和關(guān)系進行調(diào)整和優(yōu)化，以得到優(yōu)化結(jié)果；基于優(yōu)化結(jié)果，更新圖譜中每個節(jié)點的狀態(tài)和屬性；

33、重復(fù)利用圖卷積神經(jīng)網(wǎng)絡(luò)進行多次迭代，每次迭代都根據(jù)上一次的結(jié)果對圖譜進行調(diào)整，直到達到預(yù)設(shè)的迭代次數(shù)，在迭代結(jié)束后，對圖譜進行最后的優(yōu)化和調(diào)整。

34、進一步的，長短期記憶網(wǎng)絡(luò)將初步知識圖譜中的時序數(shù)據(jù)作為序列輸入數(shù)據(jù)，通過學(xué)習(xí)序列中的長期依賴關(guān)系，捕捉燃氣設(shè)備狀態(tài)隨時間變化的規(guī)律，生成包含時序信息的關(guān)鍵特征，包括：

35、從初步知識圖譜中提取出與時序相關(guān)的數(shù)據(jù)，數(shù)據(jù)包括按時間順序排列的設(shè)備狀態(tài)記錄、傳感器讀數(shù)；

36、讀取與時序相關(guān)的數(shù)據(jù)，并設(shè)定一個對應(yīng)的時間窗口大??；將時序數(shù)據(jù)按照設(shè)定的時間窗口進行分割，每個窗口內(nèi)的數(shù)據(jù)形成一個序列，對每個序列進行標(biāo)準(zhǔn)化處理，以得到處理后時序數(shù)據(jù)序列；

37、確定長短期記憶網(wǎng)絡(luò)層的數(shù)量，設(shè)定每個長短期記憶網(wǎng)絡(luò)層的隱藏單元數(shù)量，確定網(wǎng)絡(luò)的輸入和輸出維度，輸入維度與處理后時序數(shù)據(jù)序列維度相匹配；

38、使用深度學(xué)習(xí)框架創(chuàng)建lstm模型，將處理后時序數(shù)據(jù)序列轉(zhuǎn)換為lstm模型所需的張量格式，將處理后時序數(shù)據(jù)序列劃分為訓(xùn)練集、驗證集和測試集；

39、使用訓(xùn)練集數(shù)據(jù)對lstm模型進行訓(xùn)練，在每個訓(xùn)練輪次結(jié)束后，使用驗證集評估lstm模型的性能；根據(jù)驗證集的性能調(diào)整學(xué)習(xí)率和優(yōu)化器參數(shù)等；使用反向傳播算法更新lstm網(wǎng)絡(luò)的權(quán)重和偏置，以得到訓(xùn)練后lstm模型；

40、將處理后時序數(shù)據(jù)序列輸入到訓(xùn)練后lstm模型，訓(xùn)練后lstm模型輸出每個時間步的隱藏狀態(tài)，隱藏狀態(tài)包含了時序數(shù)據(jù)中的長期依賴關(guān)系和關(guān)鍵特征。

41、進一步的，將長短期記憶網(wǎng)絡(luò)輸出的時序特征表示與知識圖譜中的設(shè)備屬性和關(guān)系進行融合，以形成一個反映燃氣設(shè)備綜合狀態(tài)的特征向量；對特征向量進行綜合分析，以得到與燃氣設(shè)備風(fēng)險相關(guān)的隱藏模式，包括：

42、獲取長短期記憶網(wǎng)絡(luò)輸出的時序特征表示，從知識圖譜中提取與燃氣設(shè)備相關(guān)的靜態(tài)屬性和關(guān)系信息，其中，靜態(tài)屬性包括設(shè)備型號、制造商和安裝日期；關(guān)系信息包括與設(shè)備的連接關(guān)系和維護記錄；

43、將長短期記憶網(wǎng)絡(luò)輸出的時序特征與從知識圖譜中提取的靜態(tài)特征和關(guān)系特征進行拼接，形成一個融合后的特征向量；

44、應(yīng)用k-means對融合后的特征向量進行聚類，以發(fā)現(xiàn)具有相似設(shè)備狀態(tài)和行為模式的群組；

45、利用孤立森林算法識別與正常模式不同的特征向量，不同的特征向量表示潛在的風(fēng)險；

46、根據(jù)與燃氣設(shè)備相關(guān)的靜態(tài)屬性和關(guān)系信息、具有相似設(shè)備狀態(tài)和行為模式的群組以及潛在的風(fēng)險，確定與燃氣設(shè)備風(fēng)險相關(guān)的隱藏模式。

47、進一步的，基于與燃氣設(shè)備風(fēng)險相關(guān)的隱藏模式，采用多分類支持向量機進行風(fēng)險等級的預(yù)測，以得到最終的風(fēng)險等級預(yù)測結(jié)果，包括：

48、根據(jù)歷史數(shù)據(jù)，為每個隱藏模式特征向量分配一個風(fēng)險等級標(biāo)簽；

49、設(shè)置svm模型的參數(shù)，包括核函數(shù)、懲罰系數(shù)c和核函數(shù)參數(shù)；

50、使用帶有風(fēng)險等級標(biāo)簽的隱藏模式特征集訓(xùn)練svm模型；

51、通過劃分訓(xùn)練集和驗證集，評估svm模型的性能和泛化能力，以得到驗證結(jié)果；

52、根據(jù)驗證結(jié)果調(diào)整svm模型參數(shù)，得到最終的svm模型；

53、對于新的燃氣設(shè)備數(shù)據(jù)，提取其隱藏模式特征向量；

54、將隱藏模式特征向量輸入到最終的svm模型，進行風(fēng)險等級的預(yù)測，以得到最終的風(fēng)險等級預(yù)測結(jié)果。

55、進一步的，將最終的風(fēng)險等級預(yù)測結(jié)果和原始數(shù)據(jù)通過無線網(wǎng)絡(luò)遠程傳輸至云端服務(wù)器或用戶終端，包括：

56、根據(jù)網(wǎng)絡(luò)環(huán)境和傳輸需求，初始化一個粒子群，每個粒子代表一種數(shù)據(jù)傳輸方案，包括傳輸路徑、數(shù)據(jù)壓縮率和傳輸協(xié)議參數(shù)；

57、定義適應(yīng)度函數(shù)用于評估每種傳輸方案的性能；

58、根據(jù)個體最終解和全局最終解更新每個粒子的速度和位置，通過多次迭代，以得到適合當(dāng)前網(wǎng)絡(luò)環(huán)境和傳輸需求的數(shù)據(jù)傳輸方案；

59、在迭代結(jié)束后，選擇全局最終解對應(yīng)的優(yōu)化后的傳輸方案；

60、使用優(yōu)化后的傳輸方案，將最終的風(fēng)險等級預(yù)測結(jié)果和原始數(shù)據(jù)通過無線網(wǎng)絡(luò)遠程傳輸至云端服務(wù)器或用戶終端。

61、進一步的，適應(yīng)度函數(shù)的計算公式為：

62、；

63、其中，表示實際傳輸時間歸一化后的值；表示成功傳輸?shù)臄?shù)據(jù)量；表示總共傳輸?shù)臄?shù)據(jù)量；表示已使用的帶寬的歸一化值；表示實際傳輸速率；表示網(wǎng)絡(luò)的最大傳輸速率。

64、本發(fā)明的上述方案至少包括以下有益效果。

65、通過圖譜構(gòu)建模塊，本發(fā)明能夠利用卷積神經(jīng)網(wǎng)絡(luò)和深度殘差網(wǎng)絡(luò)對燃氣設(shè)備的運行數(shù)據(jù)進行高效且準(zhǔn)確的特征提取，這不僅捕捉到了數(shù)據(jù)中的局部特征，還進一步提取了深層次特征。

66、風(fēng)險預(yù)測模塊結(jié)合了長短期記憶網(wǎng)絡(luò)與知識圖譜，使得系統(tǒng)能夠捕捉到燃氣設(shè)備狀態(tài)隨時間變化的規(guī)律，并生成包含時序信息的關(guān)鍵特征。這種融合方法提高了對燃氣設(shè)備綜合狀態(tài)的描述能力，從而能夠更準(zhǔn)確地預(yù)測與設(shè)備風(fēng)險相關(guān)的隱藏模式，并給出風(fēng)險等級的預(yù)測結(jié)果。

67、遠程傳輸模塊的設(shè)計使得系統(tǒng)能夠?qū)L(fēng)險等級預(yù)測結(jié)果和原始數(shù)據(jù)實時傳輸至云端服務(wù)器或用戶終端。這為用戶提供了便捷的遠程監(jiān)控功能，無論身處何地，都能及時掌握燃氣設(shè)備的運行狀態(tài)和風(fēng)險情況。

68、用戶交互模塊通過提供可視化界面，使得用戶能夠直觀地查看燃氣設(shè)備的實時運行狀態(tài)、風(fēng)險等級預(yù)測結(jié)果以及歷史數(shù)據(jù)。這種設(shè)計不僅提升了用戶體驗，還增強了系統(tǒng)的交互性，便于用戶根據(jù)實際需求進行相應(yīng)操作和調(diào)整。

69、通過本發(fā)明的實施，可以及時發(fā)現(xiàn)燃氣設(shè)備運行中的潛在風(fēng)險，并采取相應(yīng)的預(yù)防措施，從而有效避免設(shè)備故障或安全事故的發(fā)生，提高燃氣設(shè)備的安全性。