基于AI融合算法的工业设备异构数据采集与智能诊断方法与流程

本发明属于工业设备状态监测与智能故障诊断，尤其涉及基于ai融合算法的工业设备异构数据采集与智能诊断方法。

背景技术：

1、随着工业设备智能化程度不断提高，电机、泵、风机、压缩机及机床等设备通常配置多个采集节点，用于获取振动、电流、温度、压力、声学、转速等不同数据源类型的数据。现有技术通常对多源异构数据进行时间对齐、预处理和特征提取，再利用ai融合模型形成设备状态特征，并通过智能诊断模型识别工业设备的运行状态，以提高设备状态监测和故障诊断的准确性。

2、然而，不同设备状态在当前采集条件下可能具有相近的状态特征，使智能诊断模型对多个预设设备状态获得相近的诊断概率，从而产生诊断歧义。对此，现有技术通常按照固定的数据源类型及采集参数持续采集数据，或者在设备异常时统一提高采样频率、延长采样时长。由于不同数据源及不同采集参数对于不同设备状态的区分能力存在差异，上述方式容易采集大量对当前诊断歧义贡献较低的数据，不仅增加数据采集、传输及计算资源消耗，也难以保证获得用于区分易混淆设备状态的有效信息；同时，不同采集节点还可能受到噪声、异常值及通信丢包等因素影响，进一步降低新增数据的诊断价值。

3、因此，现有工业设备异构数据采集与智能诊断技术中，数据采集过程与诊断结果之间缺乏有效联动，尤其缺少一种能够在初始诊断存在诊断歧义时，针对待区分候选状态评价不同候选采集动作的状态区分能力，并结合数据源可信度及采集资源消耗确定后续采集方式的技术手段。如何根据当前诊断歧义有针对性地获取更具状态区分能力的异构数据，在降低无效采集及资源消耗的同时提高工业设备智能诊断的准确性和可靠性，成为亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供基于ai融合算法的工业设备异构数据采集与智能诊断方法，旨在解决背景技术中提出的问题。

2、本发明是这样实现的，基于ai融合算法的工业设备异构数据采集与智能诊断方法，其特征在于，所述方法包括：

3、获取多个采集节点采集的初始异构数据，提取初始特征并经ai融合模型融合，得到初始设备状态特征；

4、将所述初始设备状态特征输入智能诊断模型，获得各预设设备状态的初始诊断概率，并在所述初始诊断概率表征存在诊断歧义时确定待区分候选状态集合；

5、根据各采集节点的数据源类型及可调采集参数生成对应各采集节点的候选采集动作，基于各预设设备状态在各候选采集动作下的参考特征分布，计算各候选采集动作针对所述待区分候选状态集合的预期状态区分收益；

6、根据各候选采集动作的预期状态区分收益、对应的数据源可信度及采集资源消耗确定目标采集动作，控制所述目标采集动作对应的采集节点执行所述目标采集动作以获取二次异构数据；

7、提取所述二次异构数据的二次特征，将所述二次特征与所述初始设备状态特征经所述ai融合模型增量融合得到更新设备状态特征，并将所述更新设备状态特征输入所述智能诊断模型得到更新诊断结果。

8、作为本发明实施例技术方案进一步的限定，所述初始异构数据包括至少两种不同数据源类型的数据；所述提取初始特征，包括：按照统一时间基准将不同数据源类型的数据映射至同一诊断时间窗，对各诊断时间窗内的数据分别进行预处理和特征提取，得到各数据源类型对应的初始特征。

9、作为本发明实施例技术方案进一步的限定，在所述初始诊断概率表征存在诊断歧义时确定待区分候选状态集合，包括：根据各所述初始诊断概率计算诊断熵以及最大初始诊断概率与次大初始诊断概率之间的概率间隔；在所述诊断熵大于预设熵阈值和/或所述概率间隔小于预设间隔阈值时，确定存在所述诊断歧义，并根据各所述初始诊断概率从所述预设设备状态中选择至少两个预设设备状态构成所述待区分候选状态集合。

10、作为本发明实施例技术方案进一步的限定，所述可调采集参数包括采样频率、采样时长、采集频带及触发条件中的至少两项；每一所述候选采集动作由一个所述采集节点以及该采集节点对应的所述可调采集参数的一组参数组合构成。

11、作为本发明实施例技术方案进一步的限定，所述参考特征分布根据各预设设备状态对应的历史样本，按照各所述候选采集动作对应的数据源类型及可调采集参数获得；针对所述待区分候选状态集合中任意两个候选设备状态，根据对应参考特征分布的特征中心距离及类内离散度确定预测可分离程度，并以所述两个候选设备状态对应的初始诊断概率确定所述预测可分离程度的权重，对所述待区分候选状态集合内各候选设备状态之间的预测可分离程度进行加权，得到所述预期状态区分收益。

12、作为本发明实施例技术方案进一步的限定，所述数据源可信度根据对应采集节点的当前数据完整率、噪声水平、异常值比例及通信丢包率中的至少两项确定，其中，所述数据源可信度随所述当前数据完整率的增大而增大，并随所述噪声水平、异常值比例和通信丢包率中任一项的增大而减小。

13、作为本发明实施例技术方案进一步的限定，所述采集资源消耗根据对应候选采集动作产生的采样数据量、采样时长、传输数据量及计算数据量中的至少两项确定；根据每一所述候选采集动作的预期状态区分收益与对应的数据源可信度的乘积以及所述采集资源消耗确定该候选采集动作的采集动作评价值，并将所述采集动作评价值最大的候选采集动作确定为所述目标采集动作。

14、作为本发明实施例技术方案进一步的限定，所述增量融合包括：根据所述目标采集动作的预期状态区分收益和对应的数据源可信度确定所述二次特征的增量融合权重，其中，所述增量融合权重随所述预期状态区分收益和所述数据源可信度的增大而增大；所述ai融合模型按照所述增量融合权重将所述二次特征与所述初始设备状态特征融合，得到所述更新设备状态特征。

15、作为本发明实施例技术方案进一步的限定，所述更新诊断结果包括各预设设备状态对应的更新诊断概率；根据所述更新诊断概率判断所述更新诊断结果是否满足预设诊断置信条件；在不满足所述预设诊断置信条件且累计采集资源消耗未达到预设采集资源上限时，以所述更新诊断概率替换所述初始诊断概率，重新确定所述待区分候选状态集合及所述目标采集动作，并依次执行二次异构数据获取、增量融合及再次诊断，直至满足所述预设诊断置信条件或所述累计采集资源消耗达到所述预设采集资源上限。

16、与现有技术相比，本发明通过获取多个采集节点采集的初始异构数据，并经ai融合模型形成初始设备状态特征，在智能诊断模型获得的初始诊断概率表征存在诊断歧义时确定待区分候选状态集合；进一步基于各预设设备状态在不同候选采集动作下的参考特征分布，计算各候选采集动作的预期状态区分收益，并结合对应的数据源可信度及采集资源消耗确定目标采集动作，以控制对应采集节点针对当前诊断歧义获取二次异构数据。

17、相较于采用固定采集方式或在异常时统一增加采集量的现有方式，本发明能够根据当前待区分候选状态有针对性地改变后续数据采集方式，减少诊断贡献较低的数据采集以及由此产生的数据传输和计算资源消耗；同时，通过将二次特征与初始设备状态特征增量融合并再次诊断，可补充区分易混淆设备状态所需的有效特征，提高工业设备智能诊断的准确性、可靠性及资源利用效率，适用于电机、泵、风机、压缩机、机床等多源状态监测及智能运维场景，具有良好的工业应用前景。