本發(fā)明涉及安全預(yù)警，具體是涉及一種基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)有的工業(yè)安全監(jiān)控領(lǐng)域，盡管傳統(tǒng)的火災(zāi)預(yù)防系統(tǒng)能夠在一定程度上檢測(cè)出火災(zāi)的發(fā)生，例如通過(guò)煙霧探測(cè)器和溫度傳感器，但這些系統(tǒng)通常缺乏預(yù)測(cè)潛在火災(zāi)隱患的能力，因此無(wú)法提前發(fā)出預(yù)警。此外，傳統(tǒng)方法在處理和分析大規(guī)模和復(fù)雜的數(shù)據(jù)，特別是設(shè)備運(yùn)行日志信息時(shí)，效率往往低下，難以滿足現(xiàn)代工廠對(duì)高精度和實(shí)時(shí)響應(yīng)的需求。因此，需要提供一種基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法及系統(tǒng)，旨在解決上述問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明的目的在于提供基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法及系統(tǒng)，以解決上述背景技術(shù)中存在的問(wèn)題。

2、本發(fā)明是這樣實(shí)現(xiàn)的，一種基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，所述方法包括以下步驟：

3、采集多模態(tài)數(shù)據(jù)，所述多模態(tài)數(shù)據(jù)包括環(huán)境監(jiān)測(cè)數(shù)據(jù)和設(shè)備運(yùn)行日志，所述設(shè)備運(yùn)行日志記錄了設(shè)備的運(yùn)行效率、歷史維護(hù)信息和故障異常指標(biāo)；

4、對(duì)多模態(tài)數(shù)據(jù)進(jìn)行提取得到深度特征，通過(guò)注意力網(wǎng)絡(luò)模型進(jìn)行特征融合，輸出深度融合特征；

5、搭建包含普通前饋神經(jīng)網(wǎng)絡(luò)子模型和時(shí)間卷積網(wǎng)絡(luò)子模型的moe模型，基于門控網(wǎng)絡(luò)動(dòng)態(tài)選擇和調(diào)整每個(gè)普通前饋神經(jīng)網(wǎng)絡(luò)子模型和時(shí)間卷積網(wǎng)絡(luò)子模型的權(quán)重；

6、將深度融合特征輸入至moe模型中，進(jìn)行推理，生成預(yù)測(cè)結(jié)果。

7、作為本發(fā)明進(jìn)一步的方案：所述多模態(tài)數(shù)據(jù)通過(guò)多種傳感器采集得到，通過(guò)溫度傳感器監(jiān)控環(huán)境溫度，通過(guò)煙霧探測(cè)器檢測(cè)煙霧濃度，通過(guò)視頻監(jiān)控得到工廠內(nèi)部的實(shí)時(shí)視覺數(shù)據(jù)，捕捉異常行為、火焰和煙霧特征。

8、作為本發(fā)明進(jìn)一步的方案：所述對(duì)多模態(tài)數(shù)據(jù)進(jìn)行提取得到深度特征的步驟，具體包括：

9、基于lstm分析溫度傳感器和煙霧探測(cè)器所采集的多模態(tài)數(shù)據(jù)，識(shí)別出溫度和煙霧濃度的異常模式，提取對(duì)應(yīng)的時(shí)間序列特征；

10、基于卷積神經(jīng)網(wǎng)絡(luò)的邊緣特征檢測(cè)功能提取視覺數(shù)據(jù)中的火焰和煙霧特征。

11、作為本發(fā)明進(jìn)一步的方案：所述通過(guò)注意力網(wǎng)絡(luò)模型進(jìn)行特征融合，輸出深度融合特征的步驟，具體包括：

12、基于注意力網(wǎng)絡(luò)模型輸出各模態(tài)特征之間的相互加權(quán)注意力分?jǐn)?shù)，所述注意力網(wǎng)絡(luò)模型是一個(gè)多層神經(jīng)網(wǎng)絡(luò)；

13、在注意力網(wǎng)絡(luò)模型中引入同步機(jī)制以保證融合前特征時(shí)間一致性，處理不同模態(tài)數(shù)據(jù)在時(shí)間上的錯(cuò)位，輸出深度融合特征。

14、作為本發(fā)明進(jìn)一步的方案：所述普通前饋神經(jīng)網(wǎng)絡(luò)子模型包括多個(gè)層次的全連接層，其中，第一層是輸入層，輸入層直接接收來(lái)自傳感器的原始數(shù)據(jù)；第二層為隱藏層，隱藏層用來(lái)提取輸入數(shù)據(jù)中的高級(jí)特征，每一層都使用relu激活函數(shù)來(lái)增強(qiáng)網(wǎng)絡(luò)處理非線性問(wèn)題的能力；最后一層是輸出層，輸出層將隱藏層的輸出轉(zhuǎn)換為對(duì)應(yīng)的預(yù)測(cè)結(jié)果。

15、作為本發(fā)明進(jìn)一步的方案：所述時(shí)間卷積網(wǎng)絡(luò)子模型用于分析具有時(shí)間依賴性的數(shù)據(jù)，每個(gè)擴(kuò)展卷積層后伴隨有一個(gè)批量歸一化層和relu激活函數(shù)；所述時(shí)間卷積網(wǎng)絡(luò)子模型還包含一個(gè)全局平均池化層，所述全局平均池化層用于將時(shí)間維度上的特征聚合。

16、作為本發(fā)明進(jìn)一步的方案：所述門控網(wǎng)絡(luò)由全連接層構(gòu)成，輸出每個(gè)子模型對(duì)最終預(yù)測(cè)貢獻(xiàn)的權(quán)重，所述權(quán)重通過(guò)softmax函數(shù)計(jì)算得到，確保所有權(quán)重和為1。

17、本發(fā)明的另一目的在于提供一種基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)系統(tǒng)，所述系統(tǒng)包括：

18、多模態(tài)數(shù)據(jù)采集模塊，用于采集多模態(tài)數(shù)據(jù)，所述多模態(tài)數(shù)據(jù)包括環(huán)境監(jiān)測(cè)數(shù)據(jù)和設(shè)備運(yùn)行日志，所述設(shè)備運(yùn)行日志記錄了設(shè)備的運(yùn)行效率、歷史維護(hù)信息和故障異常指標(biāo)；所述多模態(tài)數(shù)據(jù)通過(guò)多種傳感器采集得到，通過(guò)溫度傳感器監(jiān)控環(huán)境溫度，通過(guò)煙霧探測(cè)器檢測(cè)煙霧濃度，通過(guò)視頻監(jiān)控得到工廠內(nèi)部的實(shí)時(shí)視覺數(shù)據(jù)，捕捉異常行為、火焰和煙霧特征；

19、特征提取與融合模塊，用于對(duì)多模態(tài)數(shù)據(jù)進(jìn)行提取得到深度特征，通過(guò)注意力網(wǎng)絡(luò)模型進(jìn)行特征融合，輸出深度融合特征；

20、moe大模型構(gòu)建模塊，用于搭建包含普通前饋神經(jīng)網(wǎng)絡(luò)子模型和時(shí)間卷積網(wǎng)絡(luò)子模型的moe模型，基于門控網(wǎng)絡(luò)動(dòng)態(tài)選擇和調(diào)整每個(gè)普通前饋神經(jīng)網(wǎng)絡(luò)子模型和時(shí)間卷積網(wǎng)絡(luò)子模型的權(quán)重；

21、特征推理預(yù)測(cè)模塊，用于將深度融合特征輸入至moe模型中，進(jìn)行推理，生成預(yù)測(cè)結(jié)果。

22、作為本發(fā)明進(jìn)一步的方案：所述特征提取與融合模塊包括：

23、時(shí)間序列特征單元，用于基于lstm分析溫度傳感器和煙霧探測(cè)器所采集的多模態(tài)數(shù)據(jù)，識(shí)別出溫度和煙霧濃度的異常模式，提取對(duì)應(yīng)的時(shí)間序列特征；

24、邊緣特征檢測(cè)單元，用于基于卷積神經(jīng)網(wǎng)絡(luò)的邊緣特征檢測(cè)功能提取視覺數(shù)據(jù)中的火焰和煙霧特征。

25、作為本發(fā)明進(jìn)一步的方案：所述特征提取與融合模塊還包括：

26、加權(quán)注意力分?jǐn)?shù)單元，用于基于注意力網(wǎng)絡(luò)模型輸出各模態(tài)特征之間的相互加權(quán)注意力分?jǐn)?shù)，所述注意力網(wǎng)絡(luò)模型是一個(gè)多層神經(jīng)網(wǎng)絡(luò)；

27、時(shí)間錯(cuò)位處理單元，用于在注意力網(wǎng)絡(luò)模型中引入同步機(jī)制以保證融合前特征時(shí)間一致性，處理不同模態(tài)數(shù)據(jù)在時(shí)間上的錯(cuò)位，輸出深度融合特征。

28、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

29、本發(fā)明結(jié)合了moe模型的多樣化處理能力和tcn的長(zhǎng)時(shí)間序列分析優(yōu)勢(shì)，提高了對(duì)工廠火災(zāi)隱患的預(yù)測(cè)準(zhǔn)確性，還顯著提升了預(yù)警的及時(shí)性，為現(xiàn)代工廠提供了一種全面安全監(jiān)測(cè)的解決方案，大幅提升了工廠的安全管理能力和應(yīng)急響應(yīng)效率。

技術(shù)特征：

1.基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，其特征在于，所述多模態(tài)數(shù)據(jù)通過(guò)多種傳感器采集得到，通過(guò)溫度傳感器監(jiān)控環(huán)境溫度，通過(guò)煙霧探測(cè)器檢測(cè)煙霧濃度，通過(guò)視頻監(jiān)控得到工廠內(nèi)部的實(shí)時(shí)視覺數(shù)據(jù)，捕捉異常行為、火焰和煙霧特征。

3.根據(jù)權(quán)利要求2所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，其特征在于，所述對(duì)多模態(tài)數(shù)據(jù)進(jìn)行提取得到深度特征的步驟，具體包括：

4.根據(jù)權(quán)利要求2所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，其特征在于，所述通過(guò)注意力網(wǎng)絡(luò)模型進(jìn)行特征融合，輸出深度融合特征的步驟，具體包括：

5.根據(jù)權(quán)利要求1所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，其特征在于，所述普通前饋神經(jīng)網(wǎng)絡(luò)子模型包括多個(gè)層次的全連接層，其中，第一層是輸入層，輸入層直接接收來(lái)自傳感器的原始數(shù)據(jù)；第二層為隱藏層，隱藏層用來(lái)提取輸入數(shù)據(jù)中的高級(jí)特征，每一層都使用relu激活函數(shù)來(lái)增強(qiáng)網(wǎng)絡(luò)處理非線性問(wèn)題的能力；最后一層是輸出層，輸出層將隱藏層的輸出轉(zhuǎn)換為對(duì)應(yīng)的預(yù)測(cè)結(jié)果。

6.根據(jù)權(quán)利要求1所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，其特征在于，所述時(shí)間卷積網(wǎng)絡(luò)子模型用于分析具有時(shí)間依賴性的數(shù)據(jù)，每個(gè)擴(kuò)展卷積層后伴隨有一個(gè)批量歸一化層和relu激活函數(shù)；所述時(shí)間卷積網(wǎng)絡(luò)子模型還包含一個(gè)全局平均池化層，所述全局平均池化層用于將時(shí)間維度上的特征聚合。

7.根據(jù)權(quán)利要求1所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法，其特征在于，所述門控網(wǎng)絡(luò)由全連接層構(gòu)成，輸出每個(gè)子模型對(duì)最終預(yù)測(cè)貢獻(xiàn)的權(quán)重，所述權(quán)重通過(guò)softmax函數(shù)計(jì)算得到，確保所有權(quán)重和為1。

8.基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括：

9.根據(jù)權(quán)利要求8所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)系統(tǒng)，其特征在于，所述特征提取與融合模塊包括：

10.根據(jù)權(quán)利要求8所述的基于moe大模型的工廠火災(zāi)安全隱患預(yù)測(cè)系統(tǒng)，其特征在于，所述特征提取與融合模塊還包括：

技術(shù)總結(jié)
本發(fā)明適用于安全預(yù)警技術(shù)領(lǐng)域，提供了基于MoE大模型的工廠火災(zāi)安全隱患預(yù)測(cè)方法及系統(tǒng)，包括以下步驟：采集多模態(tài)數(shù)據(jù)，多模態(tài)數(shù)據(jù)包括環(huán)境監(jiān)測(cè)數(shù)據(jù)和設(shè)備運(yùn)行日志，設(shè)備運(yùn)行日志記錄了設(shè)備的運(yùn)行效率、歷史維護(hù)信息和故障異常指標(biāo)；對(duì)多模態(tài)數(shù)據(jù)進(jìn)行提取得到深度特征，通過(guò)注意力網(wǎng)絡(luò)模型進(jìn)行特征融合，輸出深度融合特征；搭建包含普通前饋神經(jīng)網(wǎng)絡(luò)子模型和時(shí)間卷積網(wǎng)絡(luò)子模型的MoE模型，基于門控網(wǎng)絡(luò)動(dòng)態(tài)選擇和調(diào)整每個(gè)普通前饋神經(jīng)網(wǎng)絡(luò)子模型和時(shí)間卷積網(wǎng)絡(luò)子模型的權(quán)重，將深度融合特征輸入至MoE模型，生成預(yù)測(cè)結(jié)果。本發(fā)明結(jié)合了MoE模型的多樣化處理能力和TCN的長(zhǎng)時(shí)間序列分析優(yōu)勢(shì)，提高了預(yù)測(cè)的準(zhǔn)確性和響應(yīng)速度。

技術(shù)研發(fā)人員：孫浩,徐昆,李啟凱,劉浩瑞,李亮
受保護(hù)的技術(shù)使用者：山東浪潮智慧建筑科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10