融合知识图谱约束的工业设备故障检测方法及系统
本发明涉及工业设备状态监测与故障诊断,具体地,涉及融合知识图谱约束的工业设备故障检测方法及系统。
背景技术:
1、工业设备(如泵、压缩机、电机、液压设备等)在长期连续运行过程中,不可避免地会出现轴承轻微磨损、润滑油黏度变化、密封件老化、温度缓慢漂移等慢性退化状态。准确感知和预判这些退化状态,是实施预测性维护、保障生产安全的核心前提。
2、现有故障检测系统通常通过振动、电流、温度等多类型传感器实时采集设备运行信号,当某一或某些传感器参数超过预设的静态或动态阈值时,或当神经网络、支持向量机等异常检测模型的输出评分超过阈值时,即判定为故障并触发报警。
3、然而,这种基于单一或少数参数阈值触发的检测方法存在一个长期困扰工业现场的实际问题:单个传感器参数的异常变化,并不必然代表设备本身发生了故障。例如,夏季环境温度升高会直接导致电机绕组温度自然上升;生产负荷调整会导致电流增大;润滑油更换周期的变化会引起振动特性漂移。上述情况均会导致传感器读数偏离正常基线,从而触发大量与设备真实健康状态无关的误报警。高频误报警不仅严重削弱操作人员对监测系统的信任度,更会引发不必要的停机检查和生产中断,造成显著的经济损失。
4、近年来,知识图谱技术因其强大的关联表征能力被逐步引入设备故障诊断领域。现有方案侧重于利用知识图谱描述“部件-故障-现象”之间的静态映射关系,通过图谱推理进行故障溯源。然而,该类方案仍属于结果导向的后验诊断模式——即仅在异常现象已经发生后进行推理,其本质上仍是对观测数据偏离阈值的后验分析,无法有效解决因环境扰动、工况变化等非故障因素导致的误报问题。对于设备状态随时间的动态演化过程,尤其是正常退化路径与异常突变之间的时序逻辑和因果约束关系,现有技术缺乏有效的建模与利用手段。
技术实现思路
1、为了解决现有技术中因环境扰动和工况变化导致故障误报率高、以及现有知识图谱方案缺乏动态演化路径认知能力的技术问题,本发明提供了融合知识图谱约束的工业设备故障检测方法,所述方法包括:
2、s1、将目标工业设备的fmea报告和在无故障运行阶段的历史传感数据集进行分解,获得正交分量、显式状态节点和隐式状态节点,基于所述正交分量获得强因果退化边和虚拟共因关联边;
3、s2、采集目标工业设备在全工况域下的历史正常运行数据,提取历史正常运行数据的多个稳定工况锚点,将所述显式状态节点的实测值映射为归一化偏移量;
4、s3、建立目标工业设备的数字孪生体,在所述数字孪生体中,枚举不同退化类型和不同退化速率,批量注入模拟故障,仿真运行,获取随时间演化的原始轨迹数据集;
5、s4、对所述原始轨迹数据集进行非线性降维获得主流动形路径,构建vietoris-rips复形对所述主流动形路径进行分析,获得骨架路径;
6、s5、基于所述骨架路径、所述归一化偏移量、所述强因果退化边和所述原始轨迹数据集,提取各状态参数之间的时序约束,将所述时序约束转化为信号时序逻辑公式,并绑定至所述骨架路径的有向边上,生成状态演化路径知识图谱;
7、s6、采集所述目标工业设备运行时的实时传感器信号,提取所述实时传感器信号的状态特征向量,构建滑动时间窗口,基于状态特征向量,生成状态特征向量序列;
8、计算滑动时间窗口内各参数的趋势向量;
9、s7、将所述趋势向量输入至所述设备状态演化路径知识图谱,与所有骨架路径进行匹配,如计算当前趋势向量与某条路径在对应节点上的向量相似度,若相似度小于阈值,则触发故障报警信号。
10、本发明首先通过信号分解与因果挖掘,从历史数据中提取设备状态参数间的强因果退化边和虚拟共因关联边,并构建包含显式状态节点和隐式状态节点的异构状态空间;其次通过多工况锚点提取将显式状态节点实测值映射为归一化偏移量,减少工况变化对状态参数的影响;然后通过数字孪生仿真枚举不同退化类型和速率,生成覆盖全生命周期的原始轨迹数据集,解决了真实故障样本稀缺的问题;再通过非线性降维和拓扑持久性分析从海量轨迹中提取代表不同退化机理的骨架路径;进一步挖掘骨架路径上的时序约束并将其转化为信号时序逻辑公式,形成状态演化路径知识图谱;最后通过将实时趋势向量与知识图谱中的骨架路径进行匹配,实现基于路径一致性的故障检测,从根本上改变了传统点阈值触发的报警逻辑,能够有效区分设备真实退化与环境扰动、工况变化,显著降低故障误报率,同时通过骨架路径匹配实现对设备当前所处退化阶段的精准定位,提高了故障检测的准确性和可解释性。
11、进一步地,所述s1的具体步骤包括:
12、s101、将原始状态参数的时序序列分解为正交分量,获得趋势分量序列、周期分量序列和残差分量序列,所述正交分量包括趋势分量、周期分量和残差分量;
13、设定分离阈值条件,若趋势分量的方差贡献率大于周期分量的方差贡献率,则标记原始状态参数为衰退敏感型参数,若否则标记原始状态参数为环境敏感型参数;
14、s102、构建向量自回归模型,所述向量自回归模型包括受限模型和非受限模型;
15、将所述趋势分量序列输入至所述向量自回归模型,所述受限模型选取一个第一趋势分量,基于所述第一趋势分量的历史值预测所述第一趋势分量的第一未来值,所述非受限模型选取一个第二趋势分量,基于所述第一趋势分量和所述第二趋势分量的历史值预测所述第一趋势分量的第二未来值,基于所述第一未来值和所述第二未来值分别获得第一残差平方和第二残差平方和;
16、若所述第二残差平方小于所述第一残差平方和,则基于f检验计算所述第一残差平方和所述第二残差平方和的p值,若所述p值小于预设的显著性水平,则构建所述第一趋势分量至所述第二趋势分量的强因果退化边;
17、分别获取与所述第一趋势分量和所述第二趋势分量对应的第一周期分量和第二周期分量,计算所述第一周期分量和所述第二周期分量的幅值平方相干系数,若所述p值大于或等于预设的显著性水平,且所述幅值平方相干系数大于预设系数,则构建所述第一周期分量和所述第二周期分量的虚拟共因关联边;
18、s103、将所述原始状态参数分别划分为显式状态节点和隐式状态节点,定义每个所述显式状态节点对应一个高维统计特征包,所述高维统计特征包包括幅域特征、时域特征和频域特征;
19、基于雷诺方程和赫兹接触理论,建立隐式状态节点关于显式状态节点的物理映射函数,计算所述隐式状态节点的理论估计值;
20、s104、将所述残差分量作为实时校正,和所述理论估计值输入至无迹卡尔曼滤波器,对所述理论估计值进行修正,获得所述隐式状态节点的修正估计值;
21、将所述显式状态节点和所述隐式状态节点整合至统一的异构状态空间中。
22、通过采用stl算法将原始状态参数的时序序列分解,实现了退化模式在信号源头的首次解耦;通过构建向量自回归模型对趋势分量序列进行granger因果检验,构建强因果退化边,实现了参数间因果关系的统计显著性自动判定,避免了依赖专家经验的主观性;构建虚拟共因关联边,有效区分了环境共因波动与设备内部退化传播,避免了将环境同步波动误判为设备故障;通过将原始状态参数划分为显式状态节点和隐式状态节点并定义高维统计特征包,丰富了图谱节点的感知粒度,使图谱节点不再是一个孤立的数值而是一个蕴含幅域、时域和频域信息的张量;通过基于雷诺方程和赫兹接触理论建立物理映射函数计算隐式状态节点理论估计值,并引入无迹卡尔曼滤波器以残差分量作为实时校正输入对理论估计值进行修正,实现了对不可直接测量的关键物理量的高置信度估计,解决了工业现场无法直接测量核心退化指标的实际困难;将修正后的隐式状态节点与显式状态节点整合至统一的异构状态空间中,为知识图谱提供了完整的节点数据基础。
23、进一步地,所述s2的具体步骤包括:
24、s201、设定固定长度的第一滑动时间窗口,基于历史正常运行数据,获取第一滑动时间窗口内工况特征向量的方差,若方差小于预设阈值,则将第一滑动时间窗口的数据定义为一个有效工况样本点;
25、s202、基于所有所述有效工况样本点的工况特征向量,训练一个高斯混合模型,所述高斯混合模型将工况空间划分为k个高斯簇,对于每一个所述高斯簇,基于所述工况特征向量获取均值向量作为高斯簇的稳定工况锚点,k为大于或等于1的整数;
26、s203、对于每一个所述稳定工况锚点,获取聚类半径内的所有历史正常运行数据,生成各显式状态节点的健康基准均值和健康基准标准差;
27、当设备运行于任意实时工况时,获取实时工况特征向量,获取所述实时工况特征向量与所有所述稳定工况锚点的马氏距离,基于所述马氏距离对所述健康基准均值和所述健康基准标准差进行加权融合,获得动态健康基线和动态标准差;
28、s204、基于所述动态健康基线和所述动态标准差,将显式状态节点的实测值映射转化为归一化偏移量。
29、筛选有效工况样本点,确保了用于建模的数据处于稳定工况状态,提高了模型的可靠性;通过高斯混合模型,将工况空间划分为k个高斯簇并以各簇均值向量作为稳定工况锚点,实现了对设备典型工况的自动聚类和锚点提取;获得动态健康基线和动态标准差,实现了设备工况空间的连续平滑映射,避免了传统负载分段方法在工况边界处的基线跳变;通过基于动态健康基线和动态标准差将显式状态节点实测值转化为归一化偏移量,减少工况变化对传感器读数的影响,使后续知识图谱路径匹配仅针对纯粹的退化趋势。
30、进一步地,所述s3的具体步骤包括:
31、s301、构建数字孪生体,基于目标工业设备的cad工程图纸,导入设备的精确三维几何尺寸至所述数字孪生体,并赋予材料属性;所述数字孪生体还包括转子动力学模块、滑动轴承模块和热网络模块;
32、s302、基于fmea报告中识别的潜在失效模式,定义退化类型集合和每一种退化类型的注入参数;针对每一种退化类型,将注入参数的健康阈值到严重失效阈值均匀离散为n个等级,将退化速率分为缓慢退化和快速退化,生成退化类型数量×n×2种不同的退化仿真工况,n为大于或等于1的整数;
33、s303、提取所述工况特征向量的一维分布获得边缘概率分布,将所述工况特征向量转换为秩数据;
34、构建copula函数,拟合所述copula函数的参数;
35、基于所述秩数据、所述边缘概率分布和所述copula函数,执行蒙特卡洛仿真,获得工况载荷谱曲线;
36、针对每一种退化仿真工况,将所述工况载荷谱曲线作为输入边界条件,驱动所述数字孪生体执行瞬态仿真,获得时域信号以及同步计算的隐式状态节点的演化值;
37、s304、采用第二滑动时间窗口,基于所述时域信号提取在每个窗口内显式状态节点的高维统计特征包,基于所述显式状态节点的高维统计特征包和所述演化值生成多维向量;
38、将每个第二滑动时间窗口的数据定义为一个窗口样本点;
39、基于注入参数的当前值和预设的物理失效阈值为每个第二滑动时间窗口标注健康状态标签;
40、在同一退化仿真工况下,按时间先后顺序,将所述多维向量组装成状态演化轨迹序列,生成状态演化轨迹,获得原始轨迹数据集。
41、构建高保真数字孪生体,为仿真提供了多物理场耦合的计算平台;生成不同的退化仿真工况,实现了对潜在失效模式的参数化枚举和穷举覆盖,确保仿真数据涵盖从轻微退化到严重失效的全生命周期;生成覆盖设备完整预期寿命的连续工况载荷谱曲线,保留了原始工况的多维相关性和极端工况耦合特征,避免了独立抽样产生的物理不可能工况组合;生成的海量仿真数据为后续路径骨架提取提供了充足的标准答案;通过采用第二滑动时间窗口提取显式状态节点的高维统计特征包并与隐式状态节点演化值生成多维向量,同时基于注入参数当前值和物理失效阈值为每个窗口标注健康状态标签,再按时间先后顺序组装成状态演化轨迹序列,使得每条轨迹均携带从健康到失效的完整演进曲线和绝对真实的健康标签,为后续监督学习和路径匹配提供了不可替代的基准真相。
42、进一步地,所述s4的具体步骤包括:
43、s401、将所有所述原始轨迹数据集合并,生成一个三维数据张量,所述三维数据张量包括状态演化轨迹的轨迹数量、每条状态演化轨迹的时间窗口数和每个时间窗口的状态特征向量,所述状态特征向量包括所述多维向量和所述归一化偏移量;
44、s402、将所有所述状态演化轨迹中的所有窗口样本点视为点集,计算所述点集中任意两点间的相似度,构建稀疏邻接矩阵,将所述稀疏邻接矩阵归一化为概率转移矩阵,所述概率转移矩阵包括若干原始高维点;
45、对所述概率转移矩阵进行特征值分解,按降序排列,选取前c个非平凡最大特征值对应的特征向量,基于所述特征向量获得每个所述原始高维点的嵌入坐标;
46、s403、基于所述状态演化轨迹的索引,将所述嵌入坐标按时间顺序连线,生成多条三维流形曲线;
47、计算任意两条所述三维流形曲线的动态时间规整距离,将所述动态时间规整距离小于聚类阈值的曲线归为同一簇,获得若干曲线簇;
48、针对每个所述曲线簇,选取距离簇中心最近的一条三维流形曲线作为主流动形路径;
49、s404、将所有所述主流动形路径上的所有窗口样本点视为顶点集;
50、预设一系列递增的半径阈值,基于所述半径阈值构建vietoris-rips复形,对所述顶点集进行过滤,在过滤过程中,获取一维环形结构的持久性;
51、删除所有持久性小于预设的持久性阈值的一维环形结构,获得保留的一维环形结构;
52、对所述保留的一维环形结构进行收缩算法,获得一条或多条相互连通的一维曲线网络,将所述一维曲线网络离散化为一系列骨架节点和连接骨架节点的骨架有向边;
53、s405、获取与所述骨架节点最近的q个窗口样本点,获取q个窗口样本点的多维向量的平均值,作为所述骨架节点的原型特征向量;
54、基于所述骨架节点对应的状态演化轨迹的注入参数,获得所述骨架节点的健康状态标签;
55、基于所述原型特征向量、所述健康状态标签、所述骨架节点和所述骨架有向边,生成骨架路径。
56、生成三维数据张量,为后续降维提供了统一的数据结构;生成嵌入坐标,采用扩散映射进行非线性降维,保留了退化轨迹在流形空间中的弯曲几何结构,使不同物理机理的退化路径在低维空间中被清晰分离;生成主流动形路径,实现了对海量仿真轨迹的去冗余聚类,将物理机理相同的退化过程聚合为统一代表路径;通过构建vietoris-rips复形对主流动形路径进行过滤并获取一维环形结构的持久性,删除持久性小于预设阈值的环形结构,实现了对局部震荡和仿真噪声的拓扑层面自动剔除,仅保留代表物理演化本质的主干结构;通过对保留的一维环形结构进行收缩算法获得骨架节点和骨架有向边,并通过最近邻反向映射获得原型特征向量和健康状态标签,最终生成骨架路径,实现了将tb级仿真数据压缩为轻量级骨架路径模板,极大降低了后续实时匹配的计算负担,同时保证了骨架路径的物理可解释性。
57、进一步地,所述s5的具体步骤包括:
58、s501、对所述骨架路径上的每一个显式状态参数,计算相邻两个骨架节点之间的一阶差分和变化率;
59、s502、基于所述强因果退化边获得参数对:第一参数;
60、计算不同时移量下,第一参数的当前值与第二参数的未来值之间的归一化互信息:
61、绘制归一化互信息随时移量变化的互信息曲线,获取所述互信息曲线峰值处的归一化互信息作为权重峰值,取nmi值大于最大nmi值预设百分比的连续时移量区间作为允许延迟区间;
62、s503、针对每一条所述骨架路径上的参数对,对所有所述相邻骨架节点之间的变化率进行拟合,获得拟合峰值;
63、选取累积分布函数的第一分位数和第二分位数,作为所述拟合峰值的置信合法区间,获得变化率合法区间;
64、s504、将所述允许延迟区间和所述变化率合法区间转化为信号时序逻辑公式;
65、基于所述权重峰值和预设权重阈值,获得每条信号时序逻辑公式的置信度权重;
66、s506、基于所述骨架路径、所述信号时序逻辑公式生成状态演化路径知识图谱。
67、计算相邻两个骨架节点之间的一阶差分和变化率,为时序约束挖掘提供了基础数据;取nmi值大于最大nmi值预设百分比的连续时移量区间作为允许延迟区间,实现了从骨架数据中自动挖掘参数间响应延迟时间的概率分布,减少了人工设定延迟时间的主观性和不准确性;获得变化率合法区间,使得变化率约束具备统计意义上的置信边界;通过将允许延迟区间和变化率合法区间转化为信号时序逻辑公式,并基于权重峰值和预设权重阈值获得每条stl公式的置信度权重,实现了将数据驱动的统计规律转化为计算机可执行的形式化逻辑判据,并对不同置信度的约束赋予差异化权重,使后续路径匹配具备弹性;最终基于骨架路径和stl公式生成状态演化路径知识图谱,该图谱中的有向边不仅携带物理因果方向,更携带了定量化的时序约束和置信度权重,为后续的路径一致性校验提供了可计算的逻辑基准。
68、进一步地,所述s203中,获得动态健康基线和动态标准差的计算公式为:
69、;
70、;
71、;
72、其中,表示动态健康基线,表示高斯簇的数量,表示大于或等于1的整数,表示健康基准均值,表示马氏距离,表示极小正数,
表示动态标准差,表示健康基准标准差,表示大于或等于1的整数。
73、以距离反比加权方式对多个工况锚点的健康基准均值和标准差进行加权融合,确保了实时工况位于任意位置时均可获得平滑连续的动态基线,避免了最近邻锚点切换时的基线跳变,同时极小正数的引入防止了除零错误,提高了算法的数值稳定性。
74、进一步地,所述s204中,获得归一化偏移量的计算公式为:
75、;
76、其中,表示归一化偏移量,表示显式状态节点的实测值。
77、将不同量纲、不同工况下的传感器实测值统一映射为无量纲的标准分数,使得后续知识图谱中的节点特征不再携带任何绝对物理量纲信息,仅反映设备相对于当前工况的健康偏移程度。
78、进一步地,所述s502中,获得归一化互信息的计算公式为:
79、;
80、其中,表示归一化互信息,表示互信息,表示信息熵,表示第一参数在时刻的实测值,表示第二参数在时刻的实测值,表示时移量,表示时刻,表示大于或等于1的整数。
81、本发明还提供了融合知识图谱约束的工业设备故障检测系统,所述系统包括:
82、第一单元:用于将目标工业设备的fmea报告和在无故障运行阶段的历史传感数据集进行分解,获得正交分量、显式状态节点和隐式状态节点,基于所述正交分量获得强因果退化边和虚拟共因关联边;
83、第二单元:用于采集目标工业设备在全工况域下的历史正常运行数据,提取历史正常运行数据的多个稳定工况锚点,将所述显式状态节点的实测值映射为归一化偏移量;
84、第三单元:用于建立目标工业设备的数字孪生体,在所述数字孪生体中,枚举不同退化类型和不同退化速率,批量注入模拟故障,仿真运行,获取随时间演化的原始轨迹数据集;
85、第四单元:用于对所述原始轨迹数据集进行非线性降维获得主流动形路径,构建vietoris-rips复形对所述主流动形路径进行分析,获得骨架路径;
86、第五单元:用于基于所述骨架路径、所述归一化偏移量、所述强因果退化边和所述原始轨迹数据集,提取各状态参数之间的时序约束,将所述时序约束转化为信号时序逻辑公式,并绑定至所述骨架路径的有向边上,生成状态演化路径知识图谱;
87、第六单元:用于采集所述目标工业设备运行时的实时传感器信号,提取所述实时传感器信号的状态特征向量,构建滑动时间窗口,基于状态特征向量,生成状态特征向量序列;
88、计算滑动时间窗口内各参数的趋势向量;
89、第七单元:用于将所述趋势向量输入至所述设备状态演化路径知识图谱,与所有骨架路径进行匹配,如计算当前趋势向量与某条路径在对应节点上的向量相似度,若相似度小于阈值,则触发故障报警信号。
90、本系统的原理和有益效果同本方法相似,针对本系统不再进行相应的赘述。
91、本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
92、1.通过将传统点阈值异常检测升级为路径一致性全局校验,能够有效识别并忽略由环境温度变化、负载波动、正常磨损等引起的非故障性参数漂移,解决了工业现场因夏季温升、负荷调整等导致的频繁误报警问题,显著提升了监测系统的可信度和工业实用性。
93、2.通过信号分解与方差贡献率分析将状态参数标记为衰退敏感型或环境敏感型,通过多工况锚点提取将传感器实测值映射为归一化偏移量,通过虚拟共因关联边区分环境共因波动与设备内部因果传播,从数据源头、参照基准和图谱结构三个层面彻底分离了工况影响和真实退化,使后续检测仅聚焦于设备自身的健康状态变化。
94、3.通过构建数字孪生体并枚举不同退化类型和速率批量生成覆盖全生命周期的仿真轨迹数据集,本发明在无需大量真实故障样本的条件下即可构建完备的退化路径模板库,极大降低了模型训练的数据门槛和成本,使得本方法在缺乏历史故障记录的新设备或新场景下同样具备适用性。
95、4.通过非线性降维和拓扑持久性分析将海量仿真数据压缩为极少数量的骨架路径,将实时匹配的计算复杂度从tb级数据搜索降低至百级节点比对,使得本方法能够在边缘计算端实时运行;同时,每个骨架节点均携带物理注入退化参数值,使得匹配结果天然具备物理可解释性,为维护决策提供了精准的故障定位和剩余寿命估计依据。
96、5.通过动态基线映射和归一化偏移量计算,本方法能够自适应不同负载、转速、环境温度下的运行工况;通过置信度权重的分配机制,对高置信度约束严格校验、对低置信度约束宽松参考,兼具严谨性和鲁棒性,能够适应设备全生命周期中缓慢特性漂移带来的基准变化。
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