CN120233758A 基于智能化系统的ai智能诊断方法及系统 （成都中达佳创智能科技有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120233758A(43)申请公布日2025.07.01

(21)申请号202510379916.0

(22)申请日2025.03.28

(71)申请人成都中达佳创智能科技有限公司地址610000四川省成都市武侯区一环路

南三段49号综合楼(栋)1层

(72)发明人朱建军汪成修

(74)专利代理机构四川风启云诚专利代理事务所(普通合伙)51421

专利代理师杨辉

(51)Int.CI.

G05B23/02(2006.01)

权利要求书3页说明书18页附图2页

(54)发明名称

基于智能化系统的AI智能诊断方法及系统

(57)摘要

CN120233758A本发明提供一种基于智能化系统的AI智能诊断方法及系统，利用边缘计算节点采集包含振动频谱、热成像特征及能耗波动参数等多源异构数据的建筑机电设备运行数据流，并进行状态时序编码生成编码序列。将此序列输入故障预测神经网络得到多维故障特征分布矩阵。接着获取专家知识库的标准诊断报告和现场运维记录的应急诊断报告。然后基于上述结果及设备运行特征隐空间映射构建复合训练目标函数，通过反向传播算法优化故障预测神经网络参数空间，生成目标故障预测神经网络。最终利用该网络对建筑机

CN120233758A

通过边缘计算节点采集建筑机电设备的运行数据流，并对

所述运行数据流进行状态时序编码，生成设备状态时序编

码序列

S120-将所述设备状态时序编码序列输入故障预测神经网络，输出多维故障特征分布矩阵

S120-

获取专家知识库生成的标准诊断报告和现场运维记录生成的应急诊断报告

基于所述多维故障特征分布矩阵、所述标准诊断报告的验

S140-证诊断单元、所述应急诊断报告的未验证诊断单元及设备

S140-

运行特征隐空间映射，构建复合训练目标函数

通过反向传播算法优化所述故障预测神经网络的参数空

间，使所述复合训练目标函数达到收敛阈值后，生成对应

的目标故障预测神经网络，并基于所述目标故障预测神经

网络对任意输入的建筑机电设备的运行数据流进行故障预

测诊断

CN120233758A权利要求书1/3页

2

1.一种基于智能化系统的AI智能诊断方法，其特征在于，所述方法包括：

通过边缘计算节点采集建筑机电设备的运行数据流，并对所述运行数据流进行状态时序编码，生成设备状态时序编码序列，所述运行数据流包含多源异构传感器采集的振动频谱、热成像特征及能耗波动参数；

将所述设备状态时序编码序列输入故障预测神经网络，输出多维故障特征分布矩阵，所述多维故障特征分布矩阵包含设备潜在故障模式在预设诊断维度上的概率权重及关联部件的异常置信度；

获取专家知识库生成的标准诊断报告和现场运维记录生成的应急诊断报告，所述标准诊断报告包含精确故障定位信息和复合修复策略，所述应急诊断报告包含临时处置方案和未验证的异常推测；

基于所述多维故障特征分布矩阵、所述标准诊断报告的验证诊断单元、所述应急诊断报告的未验证诊断单元及设备运行特征隐空间映射，构建复合训练目标函数；

通过反向传播算法优化所述故障预测神经网络的参数空间，使所述复合训练目标函数达到收敛阈值后，生成对应的目标故障预测神经网络，并基于所述目标故障预测神经网络对任意输入的建筑机电设备的运行数据流进行故障预测诊断。

2.根据权利要求1所述的基于智能化系统的AI智能诊断方法，其特征在于，所述基于所述多维故障特征分布矩阵、所述标准诊断报告的验证诊断单元、所述应急诊断报告的未验证诊断单元及设备运行特征隐空间映射，构建复合训练目标函数的步骤，包括：

计算所述标准诊断报告中各验证诊断单元的可靠性损失值和所述应急诊断报告中各未验证诊断单元的误差修正值，所述可靠性损失值为诊断单元内设备状态参数在故障模式判别边界上的交叉验证结果；

将所述验证诊断单元的可靠性损失均值与未验证诊断单元的误差修正均值进行动态加权融合，生成诊断精度优化目标分量；

提取所述标准诊断报告和应急诊断报告在设备特征隐空间中的高阶表征向量，计算两者在设备健康状态判别空间中的分布差异度，生成特征对齐优化目标分量；

将所述诊断精度优化目标分量与特征对齐优化目标分量进行非线性耦合，生成所述复合训练目标函数。

3.根据权利要求2所述的基于智能化系统的AI智能诊断方法，其特征在于，所述计算所述标准诊断报告中各验证诊断单元的可靠性损失值和所述应急诊断报告中各未