一种配电设备移动巡检终端的边缘诊断方法及系统与流程

本技术涉及配电设备智能巡检与边缘计算，尤其涉及一种配电设备移动巡检终端的边缘诊断方法及系统。

背景技术：

1、配电设备（如配电变压器、开关柜、环网柜等）作为配电网中的关键设备，其运行状态的实时监测与准确诊断直接关系到供电可靠性。随着配电网规模的持续扩大和设备数量的快速增长，传统依赖人工定期巡检的方式已难以满足运维需求。

2、近年来，随着传感技术、边缘计算和人工智能的快速发展，智能巡检终端开始在配电设备状态监测中得到应用。这类终端通常集成多种传感器（如可见光摄像头、红外热像仪、声纹传感器、局部放电传感器等），通过边缘计算模块在本地完成数据采集和初步分析。例如，部分现有方案通过在边缘计算模块部署视觉识别、信号处理等算法，实现设备状态的本地化分析，将电力业务逻辑与计算机视觉算法在软件层面耦合，实现设备异常的主动预警。也有方案通过整合感知层多类型智能设备采集的振动、温度、图像等多源数据，在边缘计算层部署信号处理和图像识别等算法，实现数据的本地化实时分析。

3、然而，现有技术仍存在以下不足：

4、其一，多源异构数据的时间同步与融合精度不足。可见光图像、红外热像、声纹信号和局部放电信号等来源于不同物理传感机制，其采集时刻、采样频率和传播路径存在固有差异。声纹信号在空气中传播存在延迟，若不进行传播延迟补偿，将导致不同模态数据在时间维度上无法真正对齐，影响后续融合诊断的准确性。现有技术虽然提出对多源异构数据进行时空配准，针对声纹信号传播路径导致的时间偏移问题，现有技术仍缺少有效的补偿机制。

5、其二，多模态诊断结果的一致性缺乏有效利用。现有技术在获得各模态的初步诊断结果后，通常直接进行决策级融合或特征级融合，但未充分利用各模态诊断结果之间的一致性信息。当不同模态的诊断结论相互矛盾时，现有技术缺乏有效的机制来识别这种跨模态冲突，并将其作为诊断不确定性或阈值自适应调整的依据。

6、其三，诊断模型无法根据实际运行状态持续优化。现有巡检终端的诊断模型通常在部署前离线训练完成，部署后模型参数固定。虽然在边缘侧进行本地化实时分析已成为趋势，但面对设备老化、工况变化和环境干扰等动态因素，固定参数的模型难以持续保持诊断精度。部分方案虽然提出云端协同的模型更新策略，但缺乏有效的样本筛选机制，无法针对性地利用高价值的现场诊断数据进行增量学习，导致模型迭代效率低下。

7、此外，边缘计算设备的计算资源、电量和存储空间有限，如何在保证诊断精度的前提下合理分配计算资源，在边缘侧直接输出与上传云端复核之间做出最优决策，现有技术仍难以根据巡检任务和资源状态动态调整计算策略。

技术实现思路

1、本技术的目的在于提供配电设备移动巡检终端的边缘诊断方法及系统。用以解决现有技术中配电设备移动巡检过程中多源异构感知数据难以有效同步融合、多模态诊断结果可信度难以准确评估、诊断阈值无法根据设备运行状态动态调整，以及边缘诊断模型缺乏持续优化能力，导致设备状态诊断准确性和适应性不足的技术问题。

2、鉴于以上技术问题，本技术提供了配电设备移动巡检终端的边缘诊断方法及系统。

3、本技术实施例的第一方面，提供了配电设备移动巡检终端的边缘诊断方法，所述方法包括：

4、通过所述多源传感模组采集目标配电设备的多源感知数据，并通过所述通信模组获取所述目标配电设备的运行工况信息，所述多源感知数据至少包括可见光图像、红外热像、声纹信号以及局部放电信号，分别对应视觉模态、热成像模态、声学模态以及放电特征模态，所述运行工况信息包括负荷电流、环境温度、环境湿度中的至少一种；

5、依据所述定位授时模组提供的时间基准，对所述多源感知数据进行时间同步处理，并对声纹信号进行声学传播延迟补偿，获得时间同步后的多源感知数据；

6、所述边缘计算模组运行边缘诊断网络，分别对时间同步后的各模态数据进行推理，获得各模态诊断概率分布；根据各模态数据的数据质量指标确定融合权重，基于所述融合权重对各模态诊断概率分布进行加权融合，获得融合诊断概率分布；

7、根据所述各模态诊断概率分布之间的两两一致性距离，确定跨模态一致性度量c；采用随机失活推理方式对所述融合诊断概率分布进行多次随机推理，并根据多次推理获得的状态预测概率分布之间的离散程度确定不确定性度量u；

8、根据所述运行工况信息以及所述跨模态一致性度量c，对基准判定阈值区间进行修正，获得修正后的判定阈值区间，其中，所述跨模态一致性度量c作为阻尼函数控制参数，用于调节所述基准判定阈值区间的上下限的调整幅度；依据所述修正后的判定阈值区间对所述融合诊断概率分布进行状态等级分类，获得边缘侧状态分类结果；

9、根据所述不确定性度量u和所述跨模态一致性度量c，选择边缘侧直接输出、云端协作复核输出或告警标记中的一种诊断输出模式；

10、当选择云端协作复核模式时，将所述融合诊断概率分布发送至云端进行复核，获得云端侧状态分类结果，并将所述云端侧状态分类结果与所述边缘侧状态分类结果进行加权融合，输出云端复核融合结果；

11、将所述跨模态一致性度量c低于预设一致性筛选门限、且所述云端侧状态分类结果与所述边缘侧状态分类结果不一致的诊断样本纳入本地增量学习样本池，并基于所述本地增量学习样本池更新所述边缘诊断网络参数；其中，所述跨模态一致性度量c同时作为所述基准判定阈值区间修正的阻尼控制参数、所述诊断输出模式选择的决策控制参数以及所述增量学习样本筛选的控制参数。多源感知与工况获取单元，所述多源感知与工况获取单元用于通过所述多源传感模组采集目标配电设备的多源感知数据，并通过所述通信模组获取所述目标配电设备的运行工况信息，所述多源感知数据至少包括可见光图像、红外热像、声纹信号以及局部放电信号，分别对应视觉模态、热成像模态、声学模态以及放电特征模态，所述运行工况信息包括负荷电流、环境温度、环境湿度中的至少一种；

12、时间同步单元，所述时间同步单元用于依据所述定位授时模组提供的时间基准，对所述多源感知数据进行时间同步处理，并对声纹信号进行声学传播延迟补偿，获得时间同步后的多源感知数据；

13、多模态融合单元，所述多模态融合单元用于所述边缘计算模组运行边缘诊断网络，分别对时间同步后的各模态数据进行推理，获得各模态诊断概率分布；根据各模态数据的数据质量指标确定融合权重，基于所述融合权重对各模态诊断概率分布进行加权融合，获得融合诊断概率分布；

14、跨模态一致性与不确定性计算单元，所述跨模态一致性与不确定性计算单元用于根据所述各模态诊断概率分布之间的两两一致性距离，确定跨模态一致性度量c；采用随机失活推理方式对所述融合诊断概率分布进行多次随机推理，并根据多次推理获得的状态预测概率分布之间的离散程度确定不确定性度量u；

15、阈值修正与分类单元，所述阈值修正与分类单元用于根据所述运行工况信息以及所述跨模态一致性度量c，对基准判定阈值区间进行修正，获得修正后的判定阈值区间，其中，所述跨模态一致性度量c作为阻尼函数控制参数，用于调节所述基准判定阈值区间的上下限的调整幅度；依据所述修正后的判定阈值区间对所述融合诊断概率分布进行状态等级分类，获得边缘侧状态分类结果；

16、输出模式选择单元，所述输出模式选择单元用于根据所述不确定性度量u和所述跨模态一致性度量c，选择边缘侧直接输出、云端协作复核输出或告警标记中的一种诊断输出模式；

17、云端复核单元，所述云端复核单元用于当选择云端协作复核模式时，将所述融合诊断概率分布发送至云端进行复核，获得云端侧状态分类结果，并将所述云端侧状态分类结果与所述边缘侧状态分类结果进行加权融合，输出云端复核融合结果；

18、增量学习更新单元，所述增量学习更新单元用于将所述跨模态一致性度量c低于预设一致性筛选门限、且所述云端侧状态分类结果与所述边缘侧状态分类结果不一致的诊断样本纳入本地增量学习样本池，并基于所述本地增量学习样本池更新所述边缘诊断网络参数；其中，所述跨模态一致性度量c同时作为所述基准判定阈值区间修正的阻尼控制参数、所述诊断输出模式选择的决策控制参数以及所述增量学习样本筛选的控制参数。

19、本技术实施例的第二方面，提供了配电设备移动巡检终端的边缘诊断系统，所述系统包括：

20、多源感知与工况获取单元，所述多源感知与工况获取单元用于通过所述多源传感模组采集目标配电设备的多源感知数据，并通过所述通信模组获取所述目标配电设备的运行工况信息，所述多源感知数据至少包括可见光图像、红外热像、声纹信号以及局部放电信号，分别对应视觉模态、热成像模态、声学模态以及放电特征模态，所述运行工况信息包括负荷电流、环境温度、环境湿度中的至少一种；

21、时间同步单元，所述时间同步单元用于依据所述定位授时模组提供的时间基准，对所述多源感知数据进行时间同步处理，并对声纹信号进行声学传播延迟补偿，获得时间同步后的多源感知数据；

22、多模态融合单元，所述多模态融合单元用于所述边缘计算模组运行边缘诊断网络，分别对时间同步后的各模态数据进行推理，获得各模态诊断概率分布；根据各模态数据的数据质量指标确定融合权重，基于所述融合权重对各模态诊断概率分布进行加权融合，获得融合诊断概率分布；

23、跨模态一致性与不确定性计算单元，所述跨模态一致性与不确定性计算单元用于根据所述各模态诊断概率分布之间的两两一致性距离，确定跨模态一致性度量c；采用随机失活推理方式对所述融合诊断概率分布进行多次随机推理，并根据多次推理获得的状态预测概率分布之间的离散程度确定不确定性度量u；

24、阈值修正与分类单元，所述阈值修正与分类单元用于根据所述运行工况信息以及所述跨模态一致性度量c，对基准判定阈值区间进行修正，获得修正后的判定阈值区间，其中，所述跨模态一致性度量c作为阻尼函数控制参数，用于调节所述基准判定阈值区间的上下限的调整幅度；依据所述修正后的判定阈值区间对所述融合诊断概率分布进行状态等级分类，获得边缘侧状态分类结果；

25、输出模式选择单元，所述输出模式选择单元用于根据所述不确定性度量u和所述跨模态一致性度量c，选择边缘侧直接输出、云端协作复核输出或告警标记中的一种诊断输出模式；

26、云端复核单元，所述云端复核单元用于当选择云端协作复核模式时，将所述融合诊断概率分布发送至云端进行复核，获得云端侧状态分类结果，并将所述云端侧状态分类结果与所述边缘侧状态分类结果进行加权融合，输出云端复核融合结果；

27、增量学习更新单元，所述增量学习更新单元用于将所述跨模态一致性度量c低于预设一致性筛选门限、且所述云端侧状态分类结果与所述边缘侧状态分类结果不一致的诊断样本纳入本地增量学习样本池，并基于所述本地增量学习样本池更新所述边缘诊断网络参数；其中，所述跨模态一致性度量c同时作为所述基准判定阈值区间修正的阻尼控制参数、所述诊断输出模式选择的决策控制参数以及所述增量学习样本筛选的控制参数。

28、本技术中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：

29、通过所述多源传感模组采集目标配电设备的多源感知数据，并通过所述通信模组获取所述目标配电设备的运行工况信息，所述多源感知数据至少包括可见光图像、红外热像、声纹信号以及局部放电信号，分别对应视觉模态、热成像模态、声学模态以及放电特征模态，所述运行工况信息包括负荷电流、环境温度、环境湿度中的至少一种；依据所述定位授时模组提供的时间基准，对所述多源感知数据进行时间同步处理，并对声纹信号进行声学传播延迟补偿，获得时间同步后的多源感知数据；所述边缘计算模组运行边缘诊断网络，分别对时间同步后的各模态数据进行推理，获得各模态诊断概率分布；根据各模态数据的数据质量指标确定融合权重，基于所述融合权重对各模态诊断概率分布进行加权融合，获得融合诊断概率分布；根据所述各模态诊断概率分布之间的两两一致性距离，确定跨模态一致性度量c；采用随机失活推理方式对所述融合诊断概率分布进行多次随机推理，并根据多次推理获得的状态预测概率分布之间的离散程度确定不确定性度量u；根据所述运行工况信息以及所述跨模态一致性度量c，对基准判定阈值区间进行修正，获得修正后的判定阈值区间，其中，所述跨模态一致性度量c作为阻尼函数控制参数，用于调节所述基准判定阈值区间的上下限的调整幅度；依据所述修正后的判定阈值区间对所述融合诊断概率分布进行状态等级分类，获得边缘侧状态分类结果；根据所述不确定性度量u和所述跨模态一致性度量c，选择边缘侧直接输出、云端协作复核输出或告警标记中的一种诊断输出模式；当选择云端协作复核模式时，将所述融合诊断概率分布发送至云端进行复核，获得云端侧状态分类结果，并将所述云端侧状态分类结果与所述边缘侧状态分类结果进行加权融合，输出云端复核融合结果；将所述跨模态一致性度量c低于预设一致性筛选门限、且所述云端侧状态分类结果与所述边缘侧状态分类结果不一致的诊断样本纳入本地增量学习样本池，并基于所述本地增量学习样本池更新所述边缘诊断网络参数；其中，所述跨模态一致性度量c同时作为所述基准判定阈值区间修正的阻尼控制参数、所述诊断输出模式选择的决策控制参数以及所述增量学习样本筛选的控制参数。多源感知与工况获取单元，所述多源感知与工况获取单元用于通过所述多源传感模组采集目标配电设备的多源感知数据，并通过所述通信模组获取所述目标配电设备的运行工况信息，所述多源感知数据至少包括可见光图像、红外热像、声纹信号以及局部放电信号，分别对应视觉模态、热成像模态、声学模态以及放电特征模态，所述运行工况信息包括负荷电流、环境温度、环境湿度中的至少一种；时间同步单元，所述时间同步单元用于依据所述定位授时模组提供的时间基准，对所述多源感知数据进行时间同步处理，并对声纹信号进行声学传播延迟补偿，获得时间同步后的多源感知数据；多模态融合单元，所述多模态融合单元用于所述边缘计算模组运行边缘诊断网络，分别对时间同步后的各模态数据进行推理，获得各模态诊断概率分布；根据各模态数据的数据质量指标确定融合权重，基于所述融合权重对各模态诊断概率分布进行加权融合，获得融合诊断概率分布；跨模态一致性与不确定性计算单元，所述跨模态一致性与不确定性计算单元用于根据所述各模态诊断概率分布之间的两两一致性距离，确定跨模态一致性度量c；采用随机失活推理方式对所述融合诊断概率分布进行多次随机推理，并根据多次推理获得的状态预测概率分布之间的离散程度确定不确定性度量u；阈值修正与分类单元，所述阈值修正与分类单元用于根据所述运行工况信息以及所述跨模态一致性度量c，对基准判定阈值区间进行修正，获得修正后的判定阈值区间，其中，所述跨模态一致性度量c作为阻尼函数控制参数，用于调节所述基准判定阈值区间的上下限的调整幅度；依据所述修正后的判定阈值区间对所述融合诊断概率分布进行状态等级分类，获得边缘侧状态分类结果；输出模式选择单元，所述输出模式选择单元用于根据所述不确定性度量u和所述跨模态一致性度量c，选择边缘侧直接输出、云端协作复核输出或告警标记中的一种诊断输出模式；云端复核单元，所述云端复核单元用于当选择云端协作复核模式时，将所述融合诊断概率分布发送至云端进行复核，获得云端侧状态分类结果，并将所述云端侧状态分类结果与所述边缘侧状态分类结果进行加权融合，输出云端复核融合结果；增量学习更新单元，所述增量学习更新单元用于将所述跨模态一致性度量c低于预设一致性筛选门限、且所述云端侧状态分类结果与所述边缘侧状态分类结果不一致的诊断样本纳入本地增量学习样本池，并基于所述本地增量学习样本池更新所述边缘诊断网络参数；其中，所述跨模态一致性度量c同时作为所述基准判定阈值区间修正的阻尼控制参数、所述诊断输出模式选择的决策控制参数以及所述增量学习样本筛选的控制参数。解决了现有配电设备移动巡检过程中多源异构感知数据难以有效同步融合、多模态诊断结果可信度难以准确评估、诊断阈值无法根据设备运行状态动态调整，以及边缘诊断模型缺乏持续优化能力，导致设备状态诊断准确性和适应性不足的技术问题。

30、上述说明仅是本技术技术方案的概述，为了能够更清楚阐明本技术的技术手段，进而可依照说明书的内容予以实施，并且为了让本技术的上述及其他目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。