一种机电设备模型数据融合的故障诊断方法与系统

摘要: 本发明涉及机电设备运行监测与智能故障诊断,尤其涉及一种机电设备模型数据融合的故障诊断方法与系统。背景技术:1、在机电设备运行监测与智能故障诊断技术领域内,现有方...
一种机电设备模型数据融合的故障诊断方法与系统

本发明涉及机电设备运行监测与智能故障诊断,尤其涉及一种机电设备模型数据融合的故障诊断方法与系统。

背景技术:

1、在机电设备运行监测与智能故障诊断技术领域内,现有方案通常基于传感数据采集、工况数据分析、机理模型估计和故障判定模块构成,存在模型不完备、拓扑状态变化频繁与候选诊断过多等限制。现有方法多依赖残差阈值判定、固定组件-约束关联关系或基于概率排序的故障筛选路径,在传感数据、工况数据和拓扑状态数据同时变化的约束下易出现冲突证据质量不稳定与故障组合判定分散,难以满足诊断结果的稳定实现。针对多源观测输入集的联合处理,现有技术普遍存在数据采集后与机理模型估计衔接不足、约束张力提取与冲突可信度学习分离、组件解释代价与求解约束集之间缺少统一求解链路的共性短板,难以在机电设备模型数据融合的故障诊断的应用场景形成采集、状态估计、冲突生成、冲突筛选、求解判定和参数更新的一致流程,导致诊断结果对运行工况、结构切换和参数漂移的适配性不足,进而影响机电设备运行维护过程中的故障定位、状态跟踪和诊断记录处理。

技术实现思路

1、为了解决上述技术问题,本发明提供了一种机电设备模型数据融合的故障诊断方法,包括:

2、s100、基于传感数据、工况数据和拓扑状态数据,进行数据接入、关联关系建立和多源观测输入集封装处理,生成多源观测输入集;

3、s200、基于所述多源观测输入集,进行混合机理模型装载、状态估计和缓慢漂移参数估计处理,生成状态参数估计集;

4、s300、基于所述状态参数估计集,进行约束张力提取和候选冲突项生成处理,生成候选冲突集;

5、s400、基于所述候选冲突集,进行冲突可信度学习、筛选、合并、分裂和自校准处理,生成结构化冲突集;

6、s500、基于所述结构化冲突集,进行组件解释代价构建和求解约束集生成处理,生成求解约束集;

7、s600、基于所述求解约束集,进行软选择建立、软约束求解、离散化和极小性修正处理,生成故障组合集;

8、s700、基于所述故障组合集,进行在线机理修正和诊断结果生成处理,生成诊断结果及更新后的模型参数。

9、进一步地,所述传感数据、工况数据和拓扑状态数据包括:

10、所述传感数据是指目标机电设备在运行现场由测点持续上报的压力、流量、位移、转速、电流、电压、温度和开关量采样值;

11、所述工况数据是指控制指令、负载状态、运行阶段、作业模式、启停状态和换向状态记录;

12、所述拓扑状态数据是指阀开闭状态、换向状态、断路器合分状态、回路连通状态和支路切换状态所对应的结构状态记录。

13、进一步地,进行数据接入、关联关系建立和多源观测输入集封装处理的过程包括:

14、所述数据接入处理包含:对同一时段内的原始采样包执行时间对齐、合法性校验和异常剔除。

15、所述时间对齐是将不同采样频率的数据重排到同一诊断时窗;

16、所述合法性校验包含设备标识、测点标识、时间戳连续性和数值范围核查;

17、所述异常剔除是对掉线值、重复值、反向跳变值和越限值写入异常标记并保留原始记录;

18、所述关联关系建立处理包含:从设备配置表、连接关系表、测点映射表和运行模式表中自动生成组件集合、约束集合和组件-约束关联关系;

19、所述组件集合按目标机电设备物理构成划分,所述约束集合按运行机理划分,所述组件-约束关联关系描述每条约束与相关组件之间的连接关系、作用关系和归属关系;

20、所述多源观测输入集封装处理包含:将同一诊断时窗内的观测值、工况标签、拓扑模式和结构映射写入同一数据对象;

21、所述封装处理还包含:为缺失采样写入缺测标记,为异常剔除后的替代记录保留原始来源标记,为状态切换前后的相邻采样窗写入切换边界标记,为当前激活约束子集写入约束启用标记。

22、进一步地,进行混合机理模型装载、状态估计和缓慢漂移参数估计处理的过程包括:

23、所述混合机理模型装载处理包含按组件标识字段、约束标识字段、拓扑模式字段和约束启用标记字段,调出与当前目标机电设备相对应的混合机理模型;所述混合机理模型包含状态方程、输出方程和约束方程,并嵌入受物理约束学习项;所述受物理约束学习项包含摩擦变化、内泄温度耦合和阀芯迟滞三类未建模子过程描述项;

24、所述状态估计处理包含从多源观测输入集提取观测值字段和工况标签字段,按统一诊断时窗执行带约束显式优化型估计器;

25、在状态更新时,调用输出方程校正观测偏差,并调用约束方程检查当前状态是否满足启用约束;

26、当某一约束接近边界时,收紧对应状态更新范围;

27、当观测值带有缺测标记或异常标记时,降低该测点权重,并调用与该测点关联的受物理约束学习项补足状态,生成包含不可测节点的全状态估计值作为虚拟传感节点;

28、所述缓慢漂移参数估计处理包含将全状态估计值回代入状态方程和约束方程,对比观测值字段与模型输出值之间的偏差,结合拓扑模式字段判断偏差来源;

29、若偏差在多个连续时窗内方向一致且与拓扑切换无对应关系,则对关联参数执行渐进更新;

30、在状态估计过程中,利用kkt条件提取各约束对应的拉格朗日乘子作为约束活跃度指标,并对约束残差与约束活跃度指标执行无量纲化与类型归一化;

31、将全状态估计值、缓慢漂移参数估计值、约束残差、拉格朗日乘子、拓扑模式、组件标识、约束标识、时间戳和版本号写入状态参数估计集。

32、进一步地,进行约束张力提取和候选冲突项生成处理的过程包括:

33、所述约束张力提取处理包含读取状态参数估计集中的全状态估计值字段、缓慢漂移参数估计值字段、约束残差字段和拉格朗日乘子字段;

34、对同一约束对应的残差和对偶变量作同步配对,形成约束级记录;

35、按拓扑模式筛除与当前诊断时窗无关的失活约束记录;

36、当残差超过约束阈值且对偶变量在连续时窗内上升时,将该记录写入待映射区;

37、所述候选冲突项生成处理包含调用预先建立的组件-约束关联关系,将待映射区的每条约束映射至可能涉及的组件集合,生成候选组件集合;

38、将该条约束对应的残差、对偶变量、拓扑模式和候选组件集合封装成一个候选冲突项;

39、多个候选冲突项按时间顺序组合成候选冲突集。

40、进一步地,进行冲突可信度学习、筛选、合并、分裂和自校准处理的过程包括:

41、所述冲突可信度学习处理包含:将候选冲突集重排成冲突节点记录,按候选组件集合字段建立冲突项与组件之间的关联边,按拓扑模式字段写入结构标签,形成图结构学习网络的输入对象;

42、该网络采用图神经网络架构,输入数据特征、约束张力特征、拓扑模式和传感可信度,输出各候选冲突项对应的冲突可信度记录;

43、所述筛选处理包含:按冲突可信度记录、传感可信度和连续时窗标记执行保留、降权或移出;

44、冲突可信度低位且连续时窗标记不成立的写入待移出区,中位的写入待降权区,高位且约束张力持续增强的写入待保留区;

45、所述合并处理包含:对候选组件集合高度重叠、拓扑模式一致、冲突来源标记相邻且约束张力变化方向一致的多个候选冲突项执行聚合,保留各原始约束标识并形成合并后的组件并集;

46、所述分裂处理包含:对候选组件集合规模过大且存在不同约束受压中心的候选冲突项执行拆分,按组件-约束关联关系重新回查局部对应关系,划分为多个子冲突项;

47、所述自校准处理包含:读取当前诊断时窗内保留的候选冲突项分布,回看上一个诊断时窗的保留结果,对照拓扑模式变化记录;

48、若某类候选冲突项在拓扑模式改变后持续消失,则下调其后续初始可信度;若在连续时窗内重复出现且约束张力持续升高,则上调其后续初始可信度;

49、将经筛选、合并、分裂和自校准后的冲突项按时间顺序组成结构化冲突集。

50、进一步地,进行组件解释代价构建和求解约束集生成处理的过程包括:

51、所述组件解释代价构建处理包含将结构化冲突集中的每个结构化冲突项按组件集合字段展开到对应组件;

52、按组件-约束关联关系核查有效连接关系,提取冲突可信度字段、约束张力特征字段和拓扑模式字段;

53、对每个组件计算关联约束数量、冲突可信度分布和约束张力特征分布,生成组件解释代价记录;

54、被多个高冲突可信度结构化冲突项共同指向且约束张力特征一致连续的组件写入低代价区,否则写入高代价区;

55、所述求解约束集生成处理包含对每个结构化冲突项读取其组件集合字段,依据组件-约束关联关系生成冲突命中约束;

56、将该结构化冲突项对应的冲突可信度字段和约束张力特征字段转换为软约束权重:高冲突可信度且约束张力持续增强的获得较高软约束权重,低冲突可信度或受拓扑切换影响的获得较低软约束权重;

57、将组件解释代价记录、冲突命中约束记录和软约束权重记录共同封装为求解约束集。

58、进一步地,进行软选择建立、软约束求解、离散化和极小性修正处理的过程包括:

59、所述软选择建立处理包含读取求解约束集中的组件标识字段和组件解释代价字段,为每个组件建立软选择记录,记录该组件进入当前解释组合的连续参与程度;

60、所述软约束求解处理包含读取全部结构化冲突标识字段,将每条冲突命中约束字段展开到相关组件,与软约束权重字段配对形成约束簇;

61、按组件解释代价压低高代价组件的参与程度,按冲突命中约束拉高命中高权重结构化冲突项所需组件的参与程度,按拓扑模式删去失活组件对应的参与路径,生成连续故障选择结果;

62、所述离散化处理包含:按连续故障选择结果中的连续选择值字段,结合同一组件在连续时窗中的选择值变化轨迹和结构化冲突项覆盖关系,提取候选命中组件集合;

63、所述极小性修正处理包含:对候选命中组件集合执行删减检查,按组件解释代价从高到低依次尝试移除组件;

64、回查移除后是否仍满足全部高权重冲突命中约束,若满足则永久移除,否则恢复该组件,得到极小组合;

65、将极小组合封装为故障组合集。

66、进一步地,进行在线机理修正和诊断结果生成处理的过程包括:

67、所述在线机理修正处理包含诊断冻结判断、未命中冲突筛选、参数更新与收益验证、版本写回;

68、所述诊断冻结判断:仅当当前故障组合在连续多个诊断时窗内保持稳定且命中冲突集合基本稳定时,允许进入模型参数更新流程;

69、所述未命中冲突筛选:从结构化冲突集和候选冲突集中找出当前时窗内未被故障组合集命中的未命中冲突项,结合组件状态轨迹与拓扑模式,区分属于结构切换残留、测点异常传播还是机理参数失配残留;

70、仅当同一类未命中冲突项在多个诊断时窗内稳定残留且与拓扑切换不同步时,认定为模型参数漂移;

71、所述参数更新与收益验证:对判定为参数漂移的项执行渐进更新,更新后在下个验证窗口内检查总残差是否下降、未命中冲突是否减少、已命中冲突的一致性是否未恶化;

72、若不满足收益条件,则回滚至更新前版本并保留原参数;

73、所述版本写回:将更新后的受物理约束学习项参数、缓慢漂移参数、传感可信度和冲突可信度模型参数,分别写入模型参数表和可信度参数表,保留版本号;

74、将更新记录写回下一诊断周期的混合机理模型和冲突可信度学习单元;

75、所述诊断结果生成处理包含:生成包含故障组件字段、命中冲突字段、未命中冲突字段、状态轨迹摘要及参数更新摘要的诊断结果。

76、进一步地,一种机电设备模型数据融合的故障诊断系统,包括:数据采集与结构建模模块、混合机理估计模块、约束张力提取模块、冲突可信度学习模块、组件解释代价构建模块、可微结构化异常解释求解模块、在线机理修正模块;所述模块依次连接,用于实现上述任一项所述的方法。

77、本发明的关键创新点包括:

78、(1)将所述多源观测输入集输入含受物理约束学习项的混合机理模型,结合带约束状态估计、缓慢漂移参数估计和约束张力提取,连续生成所述状态参数估计集、候选冲突集和所述拓扑模式,将所述残差、所述对偶变量与所述组件-约束关联关系组织到同一诊断链路中。

79、(2)将所述候选冲突集输入冲突可信度学习,依据数据特征、约束张力特征和所述拓扑模式执行筛选、合并和分裂,将候选冲突项组织为所述结构化冲突集,并将所述结构化冲突集与所述组件-约束关联关系连接到组件解释代价构建链路中。

80、(3)将所述结构化冲突集输入组件解释代价构建生成所述求解约束集,并将所述求解约束集输入可微结构化异常解释求解层,执行软约束求解、离散化和极小性修正生成所述故障组合集,再将所述故障组合集输入在线机理修正,更新所述受物理约束学习项参数、所述缓慢漂移参数和冲突可信度模型参数。

81、以下为其主要的有益效果:

82、(1)针对现有方案中所述传感数据、工况数据和拓扑状态数据与机理估计链路分离、残差信息单一的问题,本发明通过所述混合机理模型、所述带约束状态估计和所述约束张力提取,使所述残差、所述对偶变量和所述拓扑模式在同一数据链路下输出到所述候选冲突集,所述诊断结果生成过程与所述组件-约束关联关系保持对应,适用于机电设备运行状态持续变化的诊断场景。

83、(2)针对现有方案中候选冲突项依赖固定阈值组织、冲突项冗余和拓扑切换下冲突表达不稳定的问题,本发明通过所述冲突可信度学习对所述候选冲突集进行筛选、合并和分裂,使所述结构化冲突集与所述数据特征、所述约束张力特征和所述拓扑模式同步对应,所述组件解释代价构建获得统一输入,适用于存在结构切换和连续冲突变化的诊断场景。

84、(3)针对现有方案中故障候选排序与最终诊断脱节、求解结果难以回写模型参数的问题,本发明通过所述求解约束集、所述可微结构化异常解释求解层、所述软约束求解、所述离散化和所述极小性修正生成所述故障组合集,并通过所述在线机理修正更新所述受物理约束学习项参数、所述缓慢漂移参数和冲突可信度模型参数,使所述诊断结果与后续诊断周期的模型调用过程形成连续衔接,适用于机电设备持续运行过程中的故障定位与参数更新场景。