一种面向具身设备智能运维的知识引导闭环诊断方法与流程

本发明涉及具身设备运维，具体涉及一种面向具身设备智能运维的知识引导闭环诊断方法。

背景技术：

1、随着智能制造、自动化装配和无人化运维场景的发展，具备多源状态感知、执行机构动作和物理交互能力的具身设备正在成为工业系统中的关键装备形态。此类设备的运行状态不仅受传感器噪声和工况节拍影响，还与部件连接关系、执行动作过程和故障传播路径密切相关。因此，面向具身设备的智能运维不仅要判断“是否异常”，还需要进一步回答“异常源于哪个部件或故障”以及“当前诊断结果应触发何种维护动作”。从预测性维护和设备健康管理的发展趋势看，状态监测、故障诊断与维护决策的一体化建模已成为智能制造运维的重要方向；同时，非计划停机带来的产能损失和维护成本也使具身设备闭环诊断方法具有明确的工程应用价值。

2、然而，在具身设备运维场景中，将异常检测、根因定位和动作推荐统一建模仍面临三类关键困难。第一，在感知层，传感器之间的统计相关性并不必然对应设备物理关系。以图偏差网络（graph devi-ation network, gdn）为代表的多变量时序异常检测方法能够通过节点嵌入和top-k邻居选择学习传感器关系，但纯数据驱动图结构容易受到工况共变、间接耦合和短时扰动影响，将物理上缺乏支撑的伪相关边纳入模型邻接。第二，在诊断层，异常检测输出通常停留在传感器级，而运维解释需要进一步映射到部件级和故障级；由于传感器、部件与故障之间存在多对多关系，且不同故障间常存在共享症状，仅依赖静态传感器-故障匹配容易导致根因排序不稳定。第三，在决策层，根因到动作的映射常依赖故障-动作（fault-action）规则库或静态维护推荐，动作建议往往缺少由当前异常传感器、部件锚点和故障路径共同支撑的证据链，难以在根因不确定条件下合理调节动作介入强度。

3、围绕上述问题，已有研究分别从多变量时序异 常检测、知识图谱故障诊断以及维护决策与动作推 荐等方向进行了探索。数据驱动异常检测方法，如 gdn、mtad-gat、anomaly transformer、grelen、fusagnet、tranad、dcdetec- tor与lstm-ad等，能够学习复杂时序依赖 和传感器关联关系，但其图结构或变量关系主要 由数据相关性驱动，难以保证自学习邻接与设备 物理结构一致。已有先验图（prior graph）、物理图、软先验或图正则方法可引入外部知识，但固定先验图容易削弱模型对工况变化的适应性，软偏置或正则约束则难以从候选空间层面排除非物理边。知识图谱（knowledge graph, kg）驱动的故障诊断与根因定位方法能够利用部件、传感器、故 障和症状之间的语义关系进行查询、推理或传播路径解释；维护动作推荐和kg决策方法也可通过结构化知识支持运维决策。但现有研究往往将异常变量排序、kg结构推理、传播链解释和动作推荐分离处理，kg主要承担后验解释或静态映射作用，尚未充分作为检测图学习、根因排序和动作检索中的分层计算约束。

技术实现思路

1、针对现有技术中的上述不足，本发明提供了一种面向具身设备智能运维的知识引导闭环诊断方法。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、一种面向具身设备智能运维的知识引导闭环诊断方法，包括以下步骤：

4、获取具身设备多源传感器的多变量时序数据，并获取包含部件节点、传感器节点和故障节点的设备知识图谱；

5、根据所述设备知识图谱构建传感器先验边集合，生成候选空间掩码；

6、在图结构学习模型的邻居选择阶段利用所述候选空间掩码将候选节点限制在所述传感器先验边集合内进行top-k邻居选择，构建传感器关联图；

7、根据所述传感器关联图对所述多变量时序数据进行时序预测，计算节点级异常偏差，提取异常偏差最高的top-n传感器作为异常证据域；

8、根据所述异常证据域结合所述设备知识图谱中的传播规则分别计算单点异常证据、传感器对结构共证据和传播链覆盖证据；

9、根据所述单点异常证据、所述传感器对结构共证据和所述传播链覆盖证据计算候选故障的根因得分，输出故障根因排序结果。

10、进一步地，根据所述设备知识图谱构建传感器先验边集合，生成候选空间掩码，包括：

11、对于任意传感器节点对计算两个传感器共同关联的部件集合交集以及两个传感器共同响应的故障集合交集，并判断两个传感器之间是否存在部件结构链路指示量；

12、根据所述部件集合交集、所述故障集合交集和所述部件结构链路指示量计算先验得分；

13、将先验得分大于预设阈值的传感器节点对纳入所述传感器先验边集合，生成所述候选空间掩码。

14、进一步地，根据所述部件集合交集、所述故障集合交集和所述部件结构链路指示量计算先验得分，包括：

15、将所述部件集合交集中共同关联的部件数量与第一权重相乘，得到直接部件关系贡献值；

16、将所述故障集合交集中共同响应的故障数量与第二权重相乘，得到共享故障响应贡献值；

17、当两个传感器通过部件结构链路相连时，将第三权重作为间接结构关系贡献值；当两个传感器未通过部件结构链路相连时，将零值作为所述间接结构关系贡献值；

18、将所述直接部件关系贡献值、所述共享故障响应贡献值和所述间接结构关系贡献值相加，得到所述先验得分。

19、进一步地，在图结构学习模型的邻居选择阶段利用所述候选空间掩码将候选节点限制在所述传感器先验边集合内进行top-k邻居选择，构建传感器关联图，包括：

20、计算传感器节点嵌入之间的相似度；

21、对于任意传感器节点对，若所述传感器节点对不属于所述传感器先验边集合，则对所述传感器节点对的相似度施加负无穷惩罚项，使所述传感器节点对被排除出候选空间；

22、在经所述候选空间掩码约束后的可行域内，对每个传感器节点执行top-k邻居选择，构建所述传感器关联图。

23、进一步地，根据所述传感器关联图对所述多变量时序数据进行时序预测，计算节点级异常偏差，提取异常偏差最高的top-n传感器作为异常证据域，包括：

24、根据所述传感器关联图，通过图注意力聚合机制对每个传感器节点的邻居特征进行聚合，得到每个传感器节点的时序预测值；

25、计算每个传感器节点的实际观测值与所述时序预测值之间的偏差，并对所述偏差进行归一化处理，得到节点级归一化偏差；

26、对每个传感器节点在滑动窗口内的节点级归一化偏差取top-k'平均值，得到窗口级异常分数；

27、基于验证集确定的异常阈值对所述窗口级异常分数进行异常判定，提取偏差最高的top-n传感器作为所述异常证据域。

28、进一步地，根据所述异常证据域结合所述设备知识图谱中的传播规则分别计算单点异常证据、传感器对结构共证据和传播链覆盖证据，包括：

29、对于所述异常证据域中的每个异常传感器，结合该传感器在top-n中的排名权重以及该传感器对候选故障的响应角色权重，计算单点异常证据贡献；

30、对于所述异常证据域中的传感器对，计算所述传感器对在所述传感器先验边集合中的先验得分与所述传感器对共同响应的故障集合交集的乘积，得到结构共证据贡献；

31、对于每个候选故障，基于该候选故障在所述设备知识图谱中定义的症状传感器集合计算所述异常证据域对所述症状传感器集合的覆盖比例，并对命中主响应角色的传感器施加奖励项，得到传播链覆盖证据。

32、进一步地，根据所述单点异常证据、所述传感器对结构共证据和所述传播链覆盖证据计算候选故障的根因得分，包括：

33、将所述单点异常证据、所述传感器对结构共证据和所述传播链覆盖证据按预设权重加权求和，得到所述候选故障的根因得分。

34、进一步地，还包括：

35、根据所述故障根因排序结果，计算包含排序差距因子、报警密度因子和知识图谱解释置信度因子的综合置信度；

36、根据所述综合置信度与预设阈值的比较结果，确定候选动作层级空间；

37、在所述候选动作层级空间内，检索同时连接异常传感器节点、部件节点、根因故障节点与动作节点的四元知识图谱路径，输出推荐维护动作。

38、进一步地，所述排序差距因子基于排序首位的候选故障根因得分与排序次位的候选故障根因得分之间的差值确定；

39、所述知识图谱解释置信度因子基于所述异常证据域中能被所述设备知识图谱中的传播规则解释的异常传感器数量与异常传感器总数的比值确定。

40、进一步地，所述候选动作层级空间包括复核层、干预层和恢复层；

41、所述复核层包括复核动作；

42、所述干预层包括复核动作和中等程度介入动作；

43、所述恢复层包括复核动作、中等程度介入动作和高介入动作集。

44、本发明具有以下有益效果：

45、本发明针对具身设备智能运维中异常检测、根因定位与动作推荐之间的语义断裂问题，构建了以设备 kg 为骨架的三层诊断框架。感知层采用 kg-mask 约束图结构学习候选空间，诊断层基于top-3异常传感器构造部件级锚点与多证据故障评分，决策层通过“传感器-部件-故障-动作”四元路径完成动作检索和路径完整性审计。该方法能够在多传感器耦合和相似故障干扰条件下提升异常检测、根因定位与动作推荐的一体化诊断能力，为具身设备智能运维提供可追溯的闭环决策支持。