买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：天生桥二级水力发电有限公司

摘要：本发明提出一种基于人工智能的RPA业务处理方法及系统，方法包括：使用RPA系统对水电厂设备进行文本数据采集和控制相机采集图像数据，使用基于传感器的数据采集模块采集传感器数据，通过RPA系统将预处理后数据写入数据库；特征提取和特征融合；构建设备关系图和对水电厂设备状态的监控和异常检测，对状态进行预测；构建跨站点数据协同分析模型对不同站点数据进行整合，生成全局优化建议和操作指令；构建检测模型，覆盖异常情况，并通过RPA系统实现全天候自动监控和异常处理。本发明提出了一种基于人工智能和RPA的水电厂业务处理方法及系统，通过多模态信息融合、图神经网络、联邦学习和自监督学习技术，全面提升水电厂的业务处理效率和智能化水平。

主权项：1.一种基于人工智能的RPA业务处理方法，其特征在于，所述方法包括：S1、使用RPA系统对水电厂设备进行文本数据采集和控制相机采集图像数据，使用基于传感器的数据采集模块采集传感器数据，并对文本数据、图像数据和传感器数据进行预处理，通过RPA系统将预处理后的文本数据、图像数据和传感器数据写入数据库；S2、分别对预处理后的文本数据、图像数据和传感器数据进行特征提取并进行特征融合，得到多模态特征向量；S3、根据多模态特征向量构建设备关系图和基于多层自适应时序模型的分析方法对监控水电厂设备状态的监控和异常检测，同时对水电厂设备的状态进行预测；S4、构建基于联邦学习的跨站点数据协同分析模型对不同站点数据进行整合，通过自动处理分析结果，生成全局优化建议和操作指令；其中，所述跨站点数据协同分析模型的目标优化函数表示如下： ，其中，表示总优化目标函数，表示站点的运行成本函数，表示站点的运行约束条件，表示站点的运行参数，表示站点总数，和分别为成本和排放的权重系数，表示站点的排放控制函数，表示时间上的动态约束条件，表示不确定性因素的取值范围；S5、利用自监督学习技术构建检测模型，覆盖异常情况，并通过RPA系统实现全天候自动监控和异常处理；其中，所述检测模型包括生成对比学习子模型、异常检测子模型、多模态自监督子模型、时序自监督学习子模型和频域自监督学习子模型；所述对比学习子模型通过构建正样本和负样本对进行训练，设特征向量为，正样本为，负样本为，对比学习模型的生成公式为： ，其中，表示数据增强操作，表示随机打乱操作；定义对比损失函数，用于训练生成对比学习模型，损失函数公式表示如下： ，其中，表示特征向量间的欧氏距离度量，表示边界值，表示特征向量与正样本间的欧氏距离度量，表示特征向量与负样本间的欧氏距离度量；所述异常检测子模型，设异常检测模型为，检测结果为，表示如下： ，其中，表示异常检测模型，表示检测结果，异常检测模型基于自监督特征学习的表示进行训练，结合支持向量机进行分类，表示如下： ，其中，表示权重向量，表示偏置，sign表示符号函数，用于返回输入的符号；即，如果输入大于0，返回1；如果输入小于0，返回-1；如果输入等于0，返回0；所述多模态自监督子模型结合多模态数据，利用自监督学习进行异常检测，设多模态特征向量为，自监督模型为，所述多模态自监督模型的检测结果为，表示如下： ，其中，表示多模态特征向量，包含文本特征、图像特征和传感器特征；表示多模态自监督模型；所述时序自监督学习子模型采用时序自监督学习方法，通过预测下一个时间步的特征向量实现异常检测，设当前时间步的特征向量为，下一个时间步的预测特征向量为，预测模型为，所述时序自监督学习模型的损失函数为，表示如下： ，其中，，表示实际的下一个时间步的特征向量，预测模型基于LSTM实现，表示如下： ，其中，表示当前隐藏状态；所述频域自监督学习子模型通过傅里叶变换提取频域特征进行异常检测，设频域特征向量为，频域自监督学习模型为，所述频域自监督学习模型的检测结果为，表示如下： ，其中，表示傅里叶变换操作，表示频域特征向量，频域自监督学习模型结合频域特征和空间特征进行异常检测。

全文数据：

权利要求：

百度查询： 天生桥二级水力发电有限公司 一种基于人工智能的RPA业务处理方法及系统