基于多智能体协同与大模型推理的工业设备故障诊断方法与流程
本申请属于工业智能故障诊断,具体涉及一种基于多智能体协同与大模型推理的工业设备故障诊断方法。
背景技术:
1、随着工业互联网、智能制造以及工业大模型技术的发展,现代工业系统逐渐呈现设备规模大型化、运行工况动态化以及系统结构高度耦合化的发展趋势。工业系统中的故障往往具有传播链复杂、诱因多样、模式动态变化以及多源异构信息强关联等特点,传统依赖人工经验或固定规则库的故障诊断方法已难以满足复杂工业场景下对实时性、准确性以及泛化能力的要求。
2、现有工业故障诊断方法主要包括基于专家规则的方法、基于信号分析的方法以及基于深度学习的数据驱动方法。其中,基于专家规则的方法依赖人工构建故障知识库,存在知识获取成本高、规则维护困难以及难以适应新型故障模式的问题;基于信号分析的方法虽然能够对特定异常特征进行检测,但缺乏对复杂故障因果关系的深层推理能力;基于深度学习的数据驱动方法虽然能够从大规模工业数据中自动提取特征,但其通常依赖大量标注故障样本,且模型可解释性较差,难以有效应对工业场景中的小样本、开放域以及动态工况变化问题。
3、近年来,多智能体系统(multi-agent system,mas)因具备天然的分布式协同和任务并行处理能力,被广泛应用于工业故障诊断领域。通过将复杂诊断任务拆分为多个子任务,并由具备不同功能的智能体协同完成,多智能体系统能够有效提升系统级故障诊断效率。然而,现有多智能体故障诊断方法大多仍停留在基于固定规则或浅层模型的信息交互层面,缺乏统一的知识演化机制与动态协商机制,难以实现复杂故障场景下的深层因果推理与全局一致性决策。
4、与此同时,大语言模型(large language model,llm)凭借其强大的自然语言理解、知识推理以及上下文学习能力,在复杂逻辑推理和跨领域知识融合方面展现出巨大潜力。现有研究已尝试将大语言模型引入工业故障分析任务,通过自然语言提示实现故障解释与原因分析。然而,单一大语言模型在工业场景中仍存在明显局限:一方面,大语言模型缺乏对实时工业数据流的直接建模能力;另一方面,由于工业系统具有严格的物理约束和专业知识依赖,大语言模型容易产生与设备机理不一致的“幻觉”推理结果。此外,单模型架构难以兼顾多专业领域的协同分析需求,也难以在复杂动态工况下保持稳定可靠的诊断性能。
5、此外,现有工业智能诊断系统普遍缺乏知识闭环与持续演化能力。多数系统仅在离线阶段完成模型训练,无法根据维修反馈、故障验证结果以及新型故障案例动态更新知识图谱与诊断模型,因此难以适应工业系统长期运行过程中不断变化的设备状态与故障模式。
6、综上所述,现有技术尚缺乏一种能够融合多源工业数据感知、动态知识演化、多智能体协商博弈以及大语言模型深层推理能力的协同故障诊断方案,尤其缺乏一种兼具知识持续演化能力、动态协商收敛能力以及工业机理一致性约束能力的智能诊断方法,难以满足复杂工业系统对高可靠、高可解释以及持续自学习故障诊断的迫切需求。
技术实现思路
1、本申请目的在于提供一种基于多智能体协同与大模型推理的工业设备故障诊断方法,以解决现有技术中存在的工业故障诊断泛化能力不足、复杂因果关系推理能力有限、多智能体协同缺乏动态收敛机制和/或大语言模型存在工业幻觉风险等问题。
2、本申请提供一种基于多智能体协同与大模型推理的工业设备故障诊断方法,包括:
3、从工业系统中采集多源异构数据并进行预处理,采用基于熵权-critic复合赋权机制的质量感知预处理方法对预处理之后的多源异构数据进行质量评估及筛选,获取有效标准化证据单元集合;
4、以所述有效标准化证据单元集合为基础,结合当前诊断周期的先验根因信念分布,在当前诊断周期内一次性获取候选故障根因集合中每个候选故障根因对应的归一化对数后验得分,得到证据后验信念分布,并根据所述证据后验信念分布构建动态知识状态;同时维护故障知识图谱;
5、以所述动态知识状态为基础,通过多智能体进行推理,输出候选故障根因集合对应的候选根因置信度分布向量,并采用统一收益函数计算协商收益,通过温度衰减softmax机制动态将所述协商收益转换为各个智能体的协商权重,并通过所述协商权重对候选根因置信度分布向量进行加权融合,生成全局根因信念分布;
6、通过多智能体重复进行协商,采用
ε-稳定协商收敛准则对多智能体协商过程进行终止判定,并在协商终止之后输出全局根因信念分布;若因达到预设的最大协商轮数导致协商终止,则在输出全局根因信念分布的同时输出分歧警告信息;
7、根据输出的全局根因信念分布输出top-
k故障根因,在删除违反工业机理方向约束的传播边后,采用基于信念加权启发式a*搜索算法在故障知识图谱上搜索所述top-
k故障根因对应的故障传播路径,并确定累计代价最小且满足工业机理约束的多条候选传播路径作为故障传播链,完成工业设备故障诊断。
8、本申请的有益效果如下:
9、本申请提供了一种基于多智能体协同与大模型推理的工业设备故障诊断方法,该方法包括:采集多源异构数据,采用熵权-critic复合赋权机制进行质量评估筛选,获取有效标准化证据单元集合;基于证据单元计算后验得分,构建动态知识状态并维护故障知识图谱;通过多智能体推理,利用统一收益函数与温度衰减softmax机制动态调整协商权重,加权融合生成全局根因信念分布;采用
ε-稳定协商收敛准则判定协商终止并输出结果;最后输出top-
k故障根因,基于信念加权启发式a*搜索算法搜索故障传播路径,确定最优故障传播链。本发明实现了多源数据的有效利用,通过多智能体协同推理提升了故障诊断的准确性与鲁棒性。
1.一种基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,还包括:
3.根据权利要求1所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,从工业系统中采集多源异构数据并进行预处理,采用基于熵权-critic复合赋权机制的质量感知预处理方法对预处理之后的多源异构数据进行质量评估及筛选,获取有效标准化证据单元集合,包括:
4.根据权利要求3所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,采用基于熵权-critic复合赋权机制的质量感知预处理方法对预处理之后的多源异构数据进行评分,获取证据质量评分,包括:
5.根据权利要求3所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,以所述有效标准化证据单元集合为基础,结合当前诊断周期的先验根因信念分布获取候选故障根因集合中每个候选故障根因对应的归一化对数后验得分,得到证据后验信念分布,并根据所述证据后验信念分布构建动态知识状态,包括:
6.根据权利要求5所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,维护故障知识图谱为:
7.根据权利要求5所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,以所述动态知识状态为基础,通过多智能体进行推理,输出候选故障根因集合对应的候选根因置信度分布向量,并采用统一收益函数计算协商收益,包括:
8.根据权利要求7所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,通过温度衰减softmax机制动态将所述协商收益转换为各个智能体的协商权重,并通过所述协商权重对候选根因置信度分布向量进行加权融合,生成全局根因信念分布,包括:
9.根据权利要求1所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,通过多智能体重复进行协商,采用ε-稳定协商收敛准则对多智能体协商过程进行终止判定,并在协商终止之后输出全局根因信念分布;若因达到预设的最大协商轮数导致协商终止,则在输出全局根因信念分布的同时输出分歧警告信息,包括:
10.根据权利要求9所述的基于多智能体协同与大模型推理的工业设备故障诊断方法,其特征在于,根据输出的全局根因信念分布输出top-k故障根因,并采用基于信念加权启发式a*搜索算法在故障知识图谱上搜索所述top-k故障根因对应的故障传播路径,并确定累计代价最小且满足工业机理约束的多条候选传播路径作为故障传播链,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com