一种基于多单元孪生模型与大语言模型协同的流体动力系统故障诊断方法及系统与流程
本发明涉及流体动力系统故障诊断,特别是涉及一种基于多单元孪生模型与大语言模型协同的流体动力系统故障诊断方法及系统。
背景技术:
1、流体动力系统作为现代工业装备的核心动力传递与控制单元,广泛应用于工程机械、航空航天、船舶舰艇、冶金设备等关键领域。随着流体动力系统向高压化、大流量、高集成度和智能化方向持续发展,系统结构日趋复杂,元件间的耦合关系愈发紧密,其故障诊断的难度也随之显著增加。流体动力系统故障通常表现为压力异常、流量不足、温度升高等多种现象,故障源可能涉及液压泵磨损、溢流阀调定压力偏移、阀芯卡滞、管路泄漏、密封老化等诸多因素,且多故障模式往往并发存在,给故障的快速精准定位带来了严峻挑战。
2、数字孪生技术通过建立物理设备的虚拟仿真模型,在模型中注入假设故障,比较仿真输出与实测数据的特征差异,从而定位故障源,近年来已成为流体动力系统故障诊断领域的重要技术手段。例如,siemens公司的us-11567489-b2专利公开了一种基于数字孪生的设备诊断方法,通过对设备孪生模型中的各元素逐一假设故障,运行仿真后将仿真输出与实际传感器数据比较,根据相似度判定故障位置。然而,该方法仍然存在以下不足:其一,完整的流体动力系统数字孪生模型涉及液压泵、马达、溢流阀、比例阀、液压缸、传感器等多个部件的物理方程和耦合关系,单一系统级模型规模庞大、参数标定困难、仿真计算量大,不利于在现场嵌入式终端部署;其二,系统级模型具有大量故障注入点,该方法采用逐一注入并对比的机械遍历方式,仿真轮次多、诊断耗时长,缺乏智能筛选机制;其三,迭代决策采用固定阈值匹配后取最大相似度的方式,无动态调整和闭环迭代机制,诊断效率低下;其四,该方法不具备自然语言推理能力,无法融合报警语义、趋势描述、历史案例等多源异构信息进行综合判断。
3、与此同时,随着通用人工智能技术的迅猛发展,大语言模型在工业故障诊断领域开始得到初步应用。例如,arxiv2604.22777论文提出将数字孪生与fmea知识结合,用一维卷积神经网络对仿真数据进行分类后,由大语言模型生成可解释的诊断报告;cn120122611a专利公开了一种基于rag+llm的数控系统故障诊断方法,通过知识图谱检索增强大语言模型的问答能力。然而,这些方法中大语言模型仅在仿真完成或分类结束后才介入,负责生成报告或回答问题,扮演的是“事后解读”角色,无法在仿真运行之前引导诊断方向、选择待仿真的模型和故障注入参数,也无法根据仿真中间结果动态调整后续诊断策略。此外,大语言模型对偏差幅度分级、趋势显著性判定等确定性数值判断本身存在可靠性问题,若直接由其生成故障注入参数值,还存在产生不合理参数或“幻觉”参数的风险,影响诊断的安全性和可信度。
4、此外,cn117189713a专利公开了一种液压系统数字孪生与故障注入方法,使用pca-bilstm神经网络对仿真输出进行分类;cn114183437a专利公开了一种电液执行器故障注入方法。但这些方法仍然采用单一系统级模型而未拆分为功能单元级子模型,故障注入参数由人工配置或预设列表驱动而无智能筛选,神经网络分类器依赖大量标注数据训练且泛化能力有限。
5、综上所述,现有流体动力系统故障诊断技术在数字孪生建模方面受限于单一系统级模型导致的规模大、标定难、计算量高的问题;在故障注入策略方面存在逐一穷举、无优先级排序和智能筛选的不足;在大语言模型与数字孪生的融合方面,大语言模型仅做被动解读而未能发挥主动指挥作用,且缺乏闭环迭代机制、确定性判断不可靠和参数生成不可控等问题尤为突出。因此,本领域亟需一种能够将数字孪生模型按功能单元拆分部署、充分发挥大语言模型在诊断全过程中的主动指挥与动态决策能力、同时确保注入参数安全可控的流体动力系统故障诊断方法及系统。
技术实现思路
1、本发明的目的是提供一种基于多单元孪生模型与大语言模型协同的流体动力系统故障诊断方法及系统,以解决上述现有技术存在的问题。
2、为实现上述目的,本发明提供了如下方案:
3、本发明提供一种基于多单元孪生模型与大语言模型协同的流体动力系统故障诊断方法,包括如下步骤:
4、s1.将流体动力系统按功能或结构单元拆分为多个独立部署的孪生模型,每个孪生模型配备标准化的故障注入配置文件;
5、s2.当检测到故障事件时,采集并保存故障数据,将报警信息、趋势分析结果、孪生模型目录及规则引擎预标注结果组织为提示词,提交大语言模型进行初诊分流,输出各功能单元的嫌疑度排序,仅启动嫌疑度超过预设阈值的孪生模型;
6、s3.针对已选定的孪生模型,大语言模型根据报警特征和所述故障注入配置文件中的预期症状字段,对各故障注入点排出优先级顺序,生成有序的注入计划;
7、s4.按所述注入计划依次驱动选定的孪生模型进行仿真,提取仿真输出的特征参数,与实际数据的特征参数计算相似度;
8、s5.每完成一个注入场景的特征对比后,将相似度结果反馈给大语言模型,大语言模型按预设的相似度阈值评估当前结果并决定下一步动作:相似度超过第一阈值时确认匹配并停止注入;相似度介于第一阈值和第二阈值之间时记录结果并微调连续性参数继续下一个注入场景;相似度低于第二阈值时跳过当前模型剩余注入点并切换到下一个孪生模型;当所有已选模型的注入场景均未达到匹配阈值时,大语言模型重新评估并启动初诊阶段未选中的模型;
9、s6.迭代收敛后,大语言模型整合报警信息、趋势分析、各注入场景的相似度排序、相似度最高的注入场景对应的故障类型及检索到的历史案例,生成诊断报告。
10、优选地,步骤s1中,所述按功能单元拆分遵循功能独立性、弱耦合边界和独立部署原则,各孪生模型以共享库形式封装并通过统一接口规范调用,所述统一接口规范包括模型初始化、暖启动、单步推进、获取状态向量和清理资源接口;各孪生模型按统一目录结构组织,系统启动时根据机型标识定位模型包目录并自动加载各单元的共享库和故障注入配置文件。
11、优选地,所述故障注入配置文件为json格式,包含模型唯一标识、模型名称、故障注入数组,所述故障注入数组中的每个注入点包含注入点唯一标识、故障类型名称、离散参数序列和连续参数区间及步长和预期症状列表;大语言模型仅从离散参数序列和在给定区间按步长中选择参数值。
12、优选地,步骤s2中,所述规则引擎预标注包括偏差幅度分级、趋势方向判定和物理一致性检查,预标注结果以数据形式注入提示词而非以指令形式输入;所述提示词由提示词组装器根据当前诊断阶段和数据特征动态组装,所述诊断阶段包括初诊分流、注入策略、迭代决策和综合诊断四个阶段,四个阶段分别构建独立的提示词。
13、优选地,所述特征参数包括均值、方差、变化率和频谱特征;所述相似度取值为0至1。
14、优选地,当诊断结果表明故障跨单元时,级联运行多个孪生模型,前一个孪生模型的仿真输出作为后一个孪生模型的动态边界输入。
15、优选地,所述故障事件由下位机控制器检测,通过总线发送报警标志帧,数据终端接收报警后自动保存故障前后预设时长的运行数据;
16、或所述故障事件由上位机根据参数的长期时间序列数据诊断故障状态。
17、优选地,步骤s6中,所述诊断报告包括故障元件定位及其置信度排序、故障模式判定、处置建议和推理过程详情。
18、本发明还提供一种基于多单元孪生模型与大语言模型协同的流体动力系统故障诊断系统,包括数据采集模块、孪生模型库、规则引擎模块、提示词组装模块、大语言模型推理模块、孪生仿真引擎和诊断流程控制模块,其中:
19、所述数据采集模块用于实时采集流体动力系统运行数据,检测故障事件并自动保存故障数据;
20、所述孪生模型库用于存储按功能或结构单元拆分的多个独立孪生模型及其故障注入配置文件;
21、所述规则引擎模块用于对采集数据进行确定性判断,输出偏差分级、趋势判定和物理一致性检查结果;
22、所述提示词组装模块用于根据当前诊断阶段和数据特征,动态组装大语言模型的提示词;
23、所述大语言模型推理模块用于在初诊分流、注入策略、迭代决策和综合诊断四个阶段进行推理;
24、所述孪生仿真引擎用于按注入计划驱动孪生模型仿真,提取特征参数并计算相似度;
25、所述诊断流程控制模块用于协调各模块执行,管理迭代和模型切换。
26、优选地,所述大语言模型推理模块在初诊分流阶段根据报警信息和趋势分析输出各功能单元嫌疑度排序;在注入策略阶段根据报警特征和预期症状字段输出故障注入点优先级排序;在迭代决策阶段根据相似度反馈输出继续、停止或切换模型决策;在综合诊断阶段整合所有信息输出诊断报告。
27、本发明相对于现有技术取得了以下有益技术效果:
28、本发明提供的一种基于多单元孪生模型与大语言模型协同的流体动力系统故障诊断方法及系统,通过将完整流体动力系统按功能单元拆分为多个独立部署的孪生模型并配备标准化故障注入配置文件,显著降低了单一模型的规模和参数标定难度,仿真计算量大幅减少,适合嵌入式终端部署;通过将大语言模型从传统的事后解读角色升级为贯穿初诊分流、注入策略、迭代决策和综合诊断全过程的主动指挥者,使大语言模型能够在仿真运行之前根据报警特征和预期症状字段对注入点进行优先级排序以筛选最有价值的注入场景,在仿真之后基于三级相似度阈值进行动态决策并实现闭环自适应迭代搜索,大幅减少了无效仿真轮次,显著提升了诊断效率和智能化水平;同时,规则引擎预标注机制将大语言模型不擅长的偏差幅度分级、趋势显著性判定等确定性判断剥离给规则引擎预先计算并以数据形式注入提示词,大语言模型仅需对预标注结果进行验证而非从零推理,有效提升了推理质量;大语言模型仅从预定义离散参数序列和在给定区间按步长中选择故障注入参数而不生成参数值本身,从根本上杜绝了“幻觉”参数风险,确保了注入参数的安全性和可复现性;部分匹配时继续下一注入场景的机制使其能够有效检测复合故障,全部未匹配时自适应扩大排查范围的机制则实现了诊断覆盖率与效率的平衡;标准化模型包和自动发现机制支持多机型快速部署,具有良好的可扩展性和工业实用价值。
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