(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 202211052478.X (22)申请日 2022.08.31 (71)申请人 中国电子系统技 术有限公司 地址 100036 北京市海淀区复兴 路四十九 号 (72)发明人 李大虎　 (74)专利代理 机构 北京尚钺知识产权代理事务 所(普通合伙) 11723 专利代理师 王海荣 (51)Int.Cl. G06N 5/04(2006.01) G06N 20/00(2019.01) G06F 8/60(2018.01) G06F 9/50(2006.01) G06Q 10/00(2012.01)G06Q 50/06(2012.01) H04L 9/40(2022.01) H04L 67/12(2022.01) (54)发明名称 一种能源行业燃 机智能预警系统和方法 (57)摘要 本发明涉及电力数字化技术领域， 提供一种 能源行业燃机智能预警系统和方法， 本发明的系 统， 包括： 云端， 由基础设置层、 云端能力层、 云节 点核心层和云边交互管理层组成； 云节点核心层 由数据处理模块、 模型构建模块、 训练调优模块、 部署管理模块以及一体化训练推理引擎组成； 云 边交互管 理层由边缘节点管 理服务模块、 模型推 送服务模块、 云端心跳检测服务模块和推送结果 处理服务模块组成； 多个边缘端， 其中， 每个边缘 端由边缘端心跳检测服务模块、 模 型接收服务模 块、 监控服务模块、 注册服务模块、 模型启停服务 模块和推理结果推送服务模块组成。 本发明的系 统和方法， 更符合现场燃机真实情况， 模型预警 精确度高， 可以节省燃 机运维成本。 权利要求书2页 说明书6页 附图5页 CN 115423104 A 2022.12.02 CN 115423104 A 1.一种能源行业燃 机智能预警系统， 其特 征在于， 所述系统， 包括： 云端， 由基础设置层、 云端能力层、 云节点核心层和云边交互管理层组成； 其中， 基础 设 置层由kubernates构成， 用于为边缘端模 型启停服务模块启动docker模 型镜像时分配硬件 资源； 云节点核心层由数据处理模块、 模型构建模块、 训练调优模块、 部署管理模块以及一 体化训练推理引擎组成， 用于根据燃机数据构建模型， 并对模型进行训练、 评估和测试， 获 得合格的训练模型； 云边交互管理层由边缘节点管理服务模块、 模型推送服务模块、 云端心 跳检测服 务模块和推送结果处 理服务模块组成； 多个边缘端， 其中， 每个边缘端由边缘端心跳检测服务模块、 模型接收服务模块、 监控 服务模块、 注 册服务模块、 模型启停服 务模块和推理结果推送服 务模块组成。 2.一种能源行业燃 机智能预警方法， 其特 征在于， 所述方法， 包括： 步骤S1： 根据燃机数据构建模型， 并对模型进行训练、 评估和测试， 获得合格的训练模 型； 步骤S2： 通过注 册服务模块将边 缘端注册到远端； 步骤S3： 采用边缘端心跳检测服务模块和云端心跳检测服务模块保持边缘端与云端的 心跳连接； 步骤S4： 将云端通过测试的模型推送至边 缘端； 步骤S5： 边 缘端通过接收的模型进行推理， 将推理结果返回至云端。 3.根据权利要求2所述的能源行业燃 机智能预警方法， 其特 征在于， 步骤S1， 包括： 步骤S11： 采用数据处理模块对燃机的环境数据和运行数据进行打标、 去重、 缺失值填 充、 字段过滤、 排序处理， 获得模 型数据， 并将模 型数据发送至数据处理模块中kafka对应的 主题中； 步骤S12： 采用模型构建模块从模型数据中提取特征， 组合设备健康度和设备预警两个 算子， 构建获得模型； 步骤S13： 采用一体化训练推理引擎， 根据步骤S12提取的特征， 从数据处理模块中订阅 对应燃机的模型 数据， 调整训练参数， 对 模型进行分布式训练， 获得训练模型； 步骤S14： 采用训练调优模块评估训练模型的报 警准确率和召回率， 如果报警准确率低 于90％或者召回率低于9 2％， 重新 提取特征， 对训练模型进行重新构建和训练； 步骤S15： 采用部署管理模块对通过评估的训练模型进行测试， 获得通过测试的训练模 型， 对未通过测试的模型进行重新构建、 训练、 评估和检测。 4.根据权利要求3所述的能源行业燃机智能预警方法， 其特征在于， 步骤S15 中， 采用部 署管理模块对通过评估的训练模 型进行测试， 获得通过测试的训练模 型， 包括： 采用部署管 理模块向通过评估的训练模型发送模型输入参数， 如果返回推理结果， 则判定所述训练模 块通过测试。 5.根据权利要求2所述的能源行业燃 机智能预警方法， 其特 征在于， 步骤S2， 包括： 步骤S21： 采用边 缘节点管理服 务模块向边 缘端分配code； 步骤S22： 每个边缘端 的注册服务模块携带对应的code向边缘端管理服务模块发送注 册请求； 步骤S23： 边缘节点管理服务模块接收并验证注册请求， 同时获取每个边缘端的AK和 SK 信息。权　利　要　求　书 1/2 页 2 CN 115423104 A 26.根据权利要求2所述的能源行业燃机智能预警方法， 其特征在于， 步骤S3， 包括： 边缘 端心跳检测服务模块和云端心跳检测服务模块每隔1分钟通信1次， 如果通信失败， 连续尝 试3次通信， 如果还是通信失败， 间隔5分钟后再进行通信， 如果还是通信失败， 断开边缘端 心跳检测服 务模块和云端心跳检测服 务模块的连接， 同时发送报警。 7.根据权利要求2所述的能源行业燃 机智能预警方法， 其特 征在于， 步骤S4， 包括： 步骤S41： 采用模型推送服务模块将 云端将模型文件和模型参数加密后通过https协议 发送至模型接 收服务模块， 其中， 模型参数包括边模型打包所需要的底层依赖框架信息以 及缘节点管理模块获取的AK和SK信息； 步骤S42： 模型接收服务模块接收模型文件和模型参数， 认证AK和SK， 将模型文件解密 后， 打包成docker模型镜像。 8.根据权利要求2所述的能源行业燃 机智能预警方法， 其特 征在于， 步骤S5， 包括： 步骤S51： 采用边缘端模型启停服务模块根据kubernates分配的硬件资源启动docker 模型镜像， 对启动的docker模型镜像进行部署； 步骤S52： 从数据处理模块中kafka对应的主题中订阅模型数据， 根据订阅的模型数据 进行推理， 获得推理结果； 步骤S53： 采用推理结果推送服务模块将附加AK和SK信息的推理结果推送至云端 的推 送结果处 理服务模块； 步骤S54： 云端推送结果处理服务模块对接收的推理结果进行打标， 发送至数据处理模 块。 9.根据权利要求2所述的能源行业燃机智能预警方法， 其特征在于， 步骤S51中， 对启动 的docker模型镜像进行部署， 包括： 采用单实例部署或多实例分布式部署的方式对启动的 docker模型镜像进行部署。 10.根据权利要求2所述的能源行业燃机智能预警方法， 其特征在于， 所述方法还包括： 采用监控服 务模块监控边缘节点的操作和推理服 务调用情况。权　利　要　求　书 2/2 页 3 CN 115423104 A 3