本發(fā)明涉及工業(yè)資產保護和定位，尤其涉及基于wi-fi與慣導融合和大語言模型的資產定位監(jiān)測方法。

背景技術：

1、在現代工業(yè)環(huán)境中，精確的資產定位與保護是保障生產效率與安全的關鍵。傳統(tǒng)的工業(yè)資產定位方法通常依賴單一的技術手段。這些單一技術方法各自存在一些局限性，難以應對復雜和動態(tài)變化的工業(yè)環(huán)境，特別是在室內或信號干擾較為嚴重的區(qū)域，定位精度往往無法滿足實際需求。wi-fi與慣性導航系統(tǒng)結合擴展卡爾曼濾波融合，能夠有效彌補各自的不足，通過多傳感器數據融合提高定位精度和穩(wěn)定性。這種方法可以提升定位精度，增強系統(tǒng)對信號波動和傳感器誤差的適應能力。

2、傳統(tǒng)的工業(yè)資產定位方法主要集中于獲取資產的位置信息，其核心目標在于提供資產的基本位置服務。然而，這些方法通常依賴單一技術手段，功能較為單一，僅能滿足對靜態(tài)或常規(guī)動態(tài)環(huán)境中資產的基礎定位需求。在復雜工業(yè)環(huán)境中，這類方法往往難以滿足工業(yè)資產保護和安全管理的高標準要求。此外，傳統(tǒng)定位方法通常缺乏對資產狀態(tài)的全面感知與分析能力，無法及時識別潛在的異常狀況或提供有效的風險預警。

3、在工業(yè)資產保護領域，定位功能已逐漸從“知道位置”向“理解狀態(tài)”和“預警風險”轉變?，F代工業(yè)環(huán)境下，資產的價值不僅體現為其位置數據，還體現在其運行狀態(tài)的監(jiān)測和風險的識別與防控。因此，亟需開發(fā)一種更加智能化的工業(yè)重要資產定位監(jiān)測方法，不僅能夠實現對資產位置的精確追蹤，還能夠通過多模態(tài)數據融合技術和異常檢測算法，感知資產運行狀態(tài)，識別潛在風險，并提供實時的風險預警。

技術實現思路

1、本發(fā)明的目的是提供基于wi-fi與慣導融合和大語言模型的資產定位監(jiān)測方法，以提高定位精度并具備異常檢測與風險預警功能，實現對工業(yè)資產的全面智能化保護。

2、為實現上述目的，本發(fā)明提供了基于wi-fi與慣導融合和大語言模型的資產定位監(jiān)測方法，包括以下步驟：

3、步驟s1、獲取多模態(tài)數據，構建指紋庫；其中，多模態(tài)數據包括wi-fi信號、慣性導航數據、設備日志和圖像數據；

4、步驟s2、通過wi-fi和慣性導航的融合定位技術，結合采集的信號強度、慣性導航路徑和指紋庫中的特征數據，對工業(yè)資產進行精確定位；

5、步驟s3、利用大語言模型對多模態(tài)數據進行語義融合和分析，識別潛在風險，并生成安全評估報告，包含安全評級、關鍵發(fā)現及預警建議。

6、優(yōu)選的，在步驟s1中，獲取多模態(tài)數據，構建指紋庫；其中，多模態(tài)數據包括wi-fi信號、慣性導航數據、設備日志和圖像數據，具體過程如下：

7、步驟s11、使用多模態(tài)數據采集設備從不同源收集數據dt，如下所示：

8、

9、其中，表示wi-fi信號數據、表示慣性導航數據、表示設備日志和圖像數據；上角標t表示采樣時間；

10、步驟s12、通過環(huán)境中的多個wi-fi接入點獲取信號強度值dwifi，如下所示：

11、dwifi＝{rssi1，rssi2，…，rssin}；

12、其中，dwifi表示來自n個接入點的信號強度值集合；

13、步驟s13、通過慣性傳感器獲取設備的慣性導航數據，具體包括線性加速度dlinear、重力加速度dgravity和旋轉角度drotation，如下所示：

14、dlinear＝{linearx，lineary，linearz}；

15、dgravity＝{gravityx,gravityy，gravityz}；

16、drotation＝{rotationx，rotationy，rotationz，rotationw}；

17、將上述慣性導航數據的集合定義為：

18、din＝{dlinear，dgravity，drotation}；

19、步驟s14、從工業(yè)設備獲取運行日志信息，包括時間戳、設備當前狀態(tài)、操作記錄、報警信息和維護歷史，如下所示：

20、dlog＝{l1，l2，l3，l4，l5}；

21、步驟s15、通過攝像頭采集實時圖像數據dimage；其中，dimage表示采集到的圖像數據。

22、優(yōu)選的，在步驟s2中，通過wi-fi和慣性導航的融合定位技術，結合采集的信號強度、慣性導航路徑和指紋庫中的特征數據，對工業(yè)資產進行精確定位，具體過程如下：

23、步驟s21、對收集到的多模態(tài)數據包括wi-fi信號強度和慣性導航數據進行預處理；

24、步驟s22、使用慣性導航技術對設備位置進行相對變化的估算；

25、步驟s23、推算過程中，利用慣性傳感器的輸出計算出設備的移動方向和步長，逐步更新設備的位置；

26、步驟s24、使用集成加速度計、磁力計和陀螺儀數據的旋轉矢量四元數進行航向解算；

27、步驟s25、基于之前位置(xk,yk)、步長lk和方向ψk，推算設備的當前位置(xk+1,yk+1)；

28、步驟s26、結合實時的wi-fi信號強度數據和預先構建的指紋數據庫，使用卷積神經網絡模型對設備的位置進行預測；

29、卷積神經網絡模型將當前掃描到的wi-fi信號與指紋庫中的數據進行匹配，從而得到設備的估計位置；

30、步驟s27、在數據融合與定位優(yōu)化中，通過擴展卡爾曼濾波融合wi-fi定位和慣性導航結果；

31、慣性導航提供相對位置變化趨勢，wi-fi定位提供絕對位置參考；擴展卡爾曼濾波使用狀態(tài)向量表示設備的當前位置和方向角，通過步長和方向角預測狀態(tài)，并結合wi-fi定位觀測值進行修正。

32、優(yōu)選的，在步驟s22中，使用慣性導航技術對設備位置進行相對變化的估算；首先，基于行走步數檢測、步長估計和方向計算；然后，每當檢測到一個步伐，系統(tǒng)會計算設備的相對位移，從而得出當前的相對位置。

33、優(yōu)選的，在步驟s23中，基于weinberg非線性步長模型，計算步長，如下所示：

34、

35、其中，lk為第k步的步長；和分別表示第k步行人的最大和最小加速度；α表示經過最小二乘法擬合的步長估計算數。

36、優(yōu)選的，在步驟s24中，移動方向計算公式，如下所示：

37、

38、其中，φ，θ，ψ分別表示roll、pitch、yaw，即翻滾角、俯仰角和偏航角；qw，qx，qy，qz表示慣性傳感器提供的四元數。

39、優(yōu)選的，在步驟s25中，位置更新公式，如下所示：

40、xk+1＝xk+lk·sin(ψk)；

41、yk+1＝y(tǒng)k+lk·cos(ψk)；

42、其中，xk，yk是上一步的設備位置；lk是步長；ψk是當前步伐的方向角。

43、優(yōu)選的，在步驟s3中，利用大語言模型對多模態(tài)數據進行語義融合和分析，識別潛在風險，并生成安全評估報告，包含安全評級、關鍵發(fā)現及預警建議，具體過程如下：

44、步驟s31、將多模態(tài)數據分別轉化為結構化信息，確保其能夠被大語言模型高效處理；

45、定位數據整理為時間序列的位置信息和方向角序列，形成完整的軌跡表示；設備日志中提取事件時間、類型及狀態(tài)信息；圖像數據提取為高維特征向量，表示視覺信息的變化；將上述數據經過標準化處理后，統(tǒng)一格式以便進一步分析；

46、步驟s32、對整理后的多模態(tài)數據進行json封裝；

47、將定位數據、設備日志和圖像特征按預定義的格式組織為json數據結構，每個模態(tài)的數據獨立表示，同時保留時間戳等關聯信息；

48、步驟s33、設計提示詞，明確任務目標和大語言模型的分析需求；

49、結合json數據，將任務背景、分析目標和輸入數據說明寫入提示詞，以便大語言模型理解上下文并輸出高質量的評估結果；

50、步驟s34、調用大語言模型對輸入數據進行語義分析和綜合處理；

51、大語言模型通過內置的多模態(tài)特征融合和語義關聯模塊，將定位數據、設備日志和圖像特征進行深度編碼，映射到共享語義空間；利用自注意力機制，大語言模型能夠動態(tài)分析多模態(tài)數據間的關系，自動發(fā)現異常模式和潛在風險；

52、步驟s35、基于大語言模型的分析結果生成安全評估報告；

53、報告以自然語言形式輸出，語言簡潔且直觀，便于用戶快速理解并應用；

54、步驟s36、解析大語言模型返回的評估報告，將結果轉化為結構化內容供系統(tǒng)進一步處理；

55、根據報告中的關鍵發(fā)現和建議，觸發(fā)相應的風險預警機制或采取保護措施。

56、優(yōu)選的，在步驟s35中，報告內容包括三部分：

57、一是安全評級，根據大語言模型對風險的量化分析評估工業(yè)資產的整體安全狀態(tài)；

58、二是關鍵發(fā)現，詳細描述識別出的潛在問題或異常；

59、三是改進建議，針對關鍵發(fā)現提出具體的優(yōu)化措施。

60、因此，本發(fā)明采用上述基于wi-fi與慣導融合和大語言模型的資產定位監(jiān)測方法，有益效果如下：

61、本發(fā)明創(chuàng)新性地引入了大語言模型，通過其多模態(tài)數據融合與語義分析能力，實現了對工業(yè)資產運行狀態(tài)的深入理解與動態(tài)監(jiān)測；借助這一技術，本發(fā)明能夠高效識別潛在的設備故障和異常狀態(tài)，并及時生成預警信息，有效突破了傳統(tǒng)單一技術的局限性，大幅提升了資產保護的智能化水平。

62、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。