基于AI增强的空压机维护决策方法及系统.pdf

《基于AI增强的空压机维护决策方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于AI增强的空压机维护决策方法及系统.pdf（21页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410038605.3(22)申请日 2024.01.11(71)申请人 广东艾林克能源装备有限公司地址 528400 广东省中山市南头镇同济西路23号4幢101单元(72)发明人 周振华白纯波萧景业黄泽应(74)专利代理机构 广东高端专利代理事务所(特殊普通合伙)44346专利代理师 刘广新(51)Int.Cl.G06F 18/241(2023.01)G06N 3/0499(2023.01)G06Q 10/20(2023.01)G06F 18/21(2023.01)G06F 18/2321。

2、3(2023.01)(54)发明名称基于AI增强的空压机维护决策方法及系统(57)摘要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系统，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。

3、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。权利要求书3页 说明书15页 附图2页CN 117556331 A2024.02.13CN 117556331 A1.一种基于AI增强的空压机维护决策方法，其特征在于，应用于空压机维护系统，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。

4、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。

5、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。

6、；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。

7、层参数信息序列作为所述预置功能层参数信息序列，并将所述迭代空权利要求书1/3 页2CN 117556331 A2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。。

8、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。

9、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15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。

10、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。

11、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，直至每个权利要求书2/3 页3CN 117556331 A3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。

12、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。

13、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15中任意一项所述的基于AI增强的空压机维护决策。

14、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的故障维护类别。10.一种空压机维护系统，其特征在于，所述空压机维护系统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。

15、该处理器加载并执行以实现权利要求19中任意一项所述的基于AI增强的空压机维护决策方法。权利要求书3/3 页4CN 117556331 A4基于AI增强的空压机维护决策方法及系统技术领域0001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系统。背景技术0002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00。

16、03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系统。0004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，应用于空压机维护系统，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。

17、；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。0005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。

18、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，依说明书1/15 页5CN 117556331 A5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。

19、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。0006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。

20、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。0007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。0008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。

21、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。0009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。001。

22、0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：说明书2/15 页6CN 117556331 A6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。

23、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。

24、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。0011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。

25、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。

26、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。说明书3/15 页7CN 117556331 A70012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。

27、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。0013第二方面，本申请实施例还提供一种空压机维护系统，所述空压机维护系统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。0014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，。

28、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。0015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。

29、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。

30、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0016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。0017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；说明书4/15 页8CN 117556331 A8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系统的网络组成数据示意框图。具。

31、体实施方式0018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。0019参见图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。0020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。

32、括至少一个样例空压机的模板运行趋势数据。0021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。0022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。

33、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。0023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。0024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。0025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。

34、、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。0026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。0027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说明书5/15 页9CN 117。

35、556331 A9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。0028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。0029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。0030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。

36、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。

37、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。0031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。0032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。

38、出该运行趋势数据对应的故障维护类别。0033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。0034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。0035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。

39、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。0036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说明书6/15 页10CN 117556331 A10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。0037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。

40、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。0038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。

41、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。0039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。

42、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。0040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。

43、模板空压机运行数据。0041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。0042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。0043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。0044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。

44、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。0045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，生成样说明书7/15 页11CN 117556331 A11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。0046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。

45、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。0047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Kmeans聚类算法，将这10个运行时刻的数据分为5类。

46、，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。0048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。0049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。00502.根据相关。

47、性，将高维向量中每个元素划分为不同的类别。00513.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。00524.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。0053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：1,0.5,0.3,0.2,0.10.5,1,0.6,0.4,0.30.3,0.6,1,0.8,0.70.2,0.4,0.8,1,0.90.1,0.3,0.7,0.9,1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。

48、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。0054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说明书8/15 页12CN 117556331 A12的相关性。例如，对于第一类，可以计算以下相关性矩阵：1,0.5,0.3,0.2,0.10.5,1,0.6,0.4,0.30.3,0.6,1,0.8,0.70.2,0.4,0.8,1,0.90.1,0.3,0.7,0.9,1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。

49、元素上，以此类推。0055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。0056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。0057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。0058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。0059示例性的，目标决策误差参数的计。

50、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。0060以均方误差为例，假设有一个目标决策误差参数，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：=(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。0061以交叉熵损失为例，假设有一个目标决策误差参数，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：=(y_true *log(y_pred)+(1 y_true)*log(1 y_pred)/N其中，y_true表示实际值。