多模态信息融合及知识驱动的设备状态管理方法及系统与流程

本发明涉及智能运维与设备健康管理，具体涉及一种多模态信息融合及知识驱动的设备状态管理方法及系统。

背景技术：

1、随着机场运营规模的扩大和智能化需求的提升，机坪设备作为保障航班安全与高效运行的核心基础设施，其健康状态管理面临严峻挑战。当前机坪设备运维主要依赖定期巡检与故障后维修，存在响应滞后、资源浪费等问题，而传统预测性维护方法在复杂工况下的准确性和适应性不足，难以满足现代机场精细化管理的需求。

2、当前机坪设备管理系统主要面临以下技术瓶颈：1）多源异构数据融合困难：机坪设备传感器类型多样（如电压电流、压力流量、温度振动等），数据采样频率与维度差异大，传统阈值检测方法难以适应动态工况，且对传感器漂移、通信噪声等异常敏感，导致数据质量低下；2）健康状态评估精度不足：现有评估模型（如基于单一指标的阈值报警）未考虑设备多工况运行特性与性能退化非线性特征，尤其对于耦合性强的系统缺乏跨设备关联分析能力，误报率与漏报率居高不下；3）故障预测与决策割裂：主流预测方法（如arima、svm）依赖纯数据驱动，忽略设备拓扑关系与维修知识等先验信息，导致预测结果可解释性差；而基于专家规则的推理系统更新滞后，难以应对新型设备故障模式。

3、近年来，多模态信息融合及异构知识图谱技术为解决上述问题提供了新思路。例如，卡尔曼滤波可用于多传感器数据融合，但其线性假设限制了在非线性退化场景中的应用；深度学习模型（如lstm）虽能捕捉时序特征，但对少样本故障数据泛化能力不足。此外，知识图谱技术虽能整合运维经验，但静态图谱难以适应设备状态的动态演变。现有研究尚未有效解决数据-知识协同与跨模态动态建模两大核心问题，导致机坪设备管理的智能化水平难以突破。

4、综上所述，现有技术难以满足机坪设备管理的三重需求：多源数据的高效清洗、复杂工况下的精准健康评估以及数据与知识融合的智能决策。特别是在极端天气、高负荷运行等场景下，传统系统的可靠性显著下降。因此，亟需一种融合多模态传感数据与领域知识的新型智能管理方法。

技术实现思路

1、本发明针对现有技术中机坪设备状态管理存在的多源数据融合困难、健康评估精度不足以及故障预测与决策割裂的技术问题，提出了一种多模态信息融合及知识驱动的设备状态管理方法及系统。通过构建动态阈值异常检测体系、多工况性能退化基准库以及数据-知识双驱动决策框架，实现了机坪关键设备全生命周期状态的精准感知与智能维护。本发明有效解决了传统方法在复杂工况下的适应性不足问题，显著提升了设备健康评估的准确性和故障预测的可靠性，为机场智能化运维提供了核心技术支撑。

2、本发明的多模态信息融合及知识驱动的设备状态管理方法，包括以下步骤：

3、s1、多源异构数据异常清洗：通过机坪设备传感器阵列实时采集多源异构传感数据，此多源异构传感数据为历史运行时序数据，采用滑动窗口算法进行动态阈值异常检测，结合小波变换进行多尺度噪声滤除；利用运维工单中的故障知识对多尺度噪声滤除后的数据进行分类统计与量化处理，依据数据统计特征制定基于专家经验的约束规则与异常阈值，对异常数据进行识别与修正，得到修正后的设备历史运行时序数据；

4、设备健康状态智能评估：基于修正后的设备历史运行时序数据，采用动态时间规整算法以及专家经验知识构建包含多工况特征的设备性能退化基准库数据；在此基础上，通过提取设备性能退化基准库中的时域特征构建设备状态表征向量，并采用自适应卡尔曼滤波模型对测得的多源传感器数据进行动态加权融合，实现设备可靠性评估与参数更新；进而，基于该状态表征向量建立于威布尔分布的设备全生命周期可靠性模型，并利用设备在线数据对威布尔分布参数进行动态更新，以实时计算设备的累积故障概率；最后，融合设备当前运行时序数据、性能退化基准库与实时故障概率，通过无监督自适应聚类算法构建设备健康状态评估体系，实现健康状态的智能识别与分级预警。

5、s3、设备故障预测与智能决策：基于s2得到的设备状态表征向量构建cnn-lstm-transformer联合预测模型，通过门控融合与贝叶斯优化实现故障概率分布的预测；此外，基于s1所计算的故障三元组联合失效模式与影响分析策略构建动态运维知识图谱，利用动态知识图谱生成设备故障逻辑关联与置信度；在上述两步基础上，通过d-s证据理论融合预测模型得到的故障概率分布与知识图谱逻辑推理得到的故障逻辑关联与置信度，得到决策结果。最终结合实时资源约束生成优先级维修建议，并通过多维界面直观展示预测曲线、传播路径与处置方案，支持运维人员快速精准干预。

6、优选地，步骤s1中，构建多源异构数据异常清洗策略具体为：

7、s101、通过部署在机坪关键设备上的传感器阵列采集实时监测数据，包括泊位引导系统的电压电流信号、地面供电系统的谐波畸变率、空调机组的制冷剂压力及温度、供排水管路的流量及压力数据；

8、s102、采用滑动窗口z-score算法构建自适应阈值检测模型，对采集的时序数据进行异常检测，进行异常数据初筛，异常检测能够识别传感器漂移、通信中断以及其他可能影响数据质量的瞬态干扰或突变异常，为后续小波变换降噪处理提供初步筛选依据，其中自适应阈值检测模型中的动态判定边界由下式确定，

9、；

10、式中，为动态判定边界；和分别为当前滑动窗口内数据的均值与标准差，窗口长度根据设备采样频率设定；

k为灵敏度调节系数；

α为工况切换时的阈值变化速率；为最后一次工况切换时间戳；

t为当前采样时间点；

11、s103、对异常检测后的数据通过小波变换进行多尺度噪声滤除；采用小波基函数对信号进行分解，保留低频有用成分，针对机场设备高频噪声与有效信号混叠问题，采用多尺度阈值策略，各分解层的阈值

t

j计算公式为，

12、；

13、式中，

σ

j为第

j层小波分解系数的标准差，通过db4小波基函数计算获得；

n

j为当前尺度下的有效系数个数，其值随分解层数

j增加而递减；snr

j为通过噪声功率估计模块获取的第

j层信噪比。

14、s104、对非结构化运维工单文本采用bert-bilstm模型进行实体识别，提取设备故障关键描述三元组（故障部件，故障现象，可能原因），基于bert-bilstm的实体识别模型通过联合概率输出确定故障要素，第

t个词的标签预测概率为：

15、；

16、式中，

w

s 表示全连接层的权重矩阵；为 bert 模型输出的上下文相关特征向量；为 bilstm 层提取的序列特征向量，用于捕捉故障描述的时序依赖关系； 表示向量拼接操作，将两类特征合并为混合特征

；b

s为偏置项，用于调整分类边界；softmax 函数将线性变换结果归一化为概率分布，最终输出第

t个词属于各实体标签的概率；通过bio标注体系识别出文本中连续的故障部件、故障现象及可能原因，并基于词语位置与语义依存关系构建故障部件-故障现象-可能原因三元组；

17、s105、基于提取的故障部件–故障现象–可能原因三元组（作为一种分类标签），对多尺度噪声滤除后的数据进行分类统计与量化处理，分别计算同类故障部件、同类故障现象或同类原因所对应的数据统计特征；进一步地，依据数据统计特征制定基于专家经验的约束规则与异常阈值，对异常数据进行识别与修正，得到修正后的设备历史运行时序数据。所涉及的时序数据包括但不限于：泊位引导系统的电压与电流信号、地面供电系统的谐波畸变率、空调机组的制冷剂压力与温度、以及供排水管路的流量与压力数据。

18、具体地，步骤s2中，构建设备健康状态智能评估模型具体包括：

19、s201、基于修正后的设备历史运行时序数据，采用动态时间规整算法（dtw）对设备历史运行时序数据两两之间进行相似性分析，计算dtw相似度评分。该算法通过时间轴匹配消除由于工况波动或负载变化引起的时序偏差，确保不同工况下数据间具有可比性。在此基础上，按照运行工况标签对历史时序数据进行分段与归一化处理，得到同工况的历史时序片段集合；对所述同工况历史时序片段集合基于dtw相似度评分进行归类或聚类，并对同一类别片段进行时间轴对齐，形成对应的标准运行模板曲线；同时，结合运维工单中记录的故障类别、失效模式及发生时间窗信息，并依据专家经验约束规则（包括但不限于关键传感器阈值区间、变化率约束、退化阶段划分规则）对各类别片段进行故障标签标注，生成各故障类型对应的典型性能退化演化模板曲线；进一步地，对所述标准运行模板曲线与典型性能退化演化模板曲线提取统计特征参数，所述统计特征参数至少包括均值、方差、置信区间或阈值区间以及样本数量，并将模板曲线、标签信息及统计特征参数存储形成设备性能退化基准库，作为后续健康状态评估与故障预测的对比模板。其中动态时间规整算法的累积距离矩阵

d(

i,

j)按递归方式构建：

20、；

21、式中，

x

i取自设备历史健康状态数据库的标准运行曲线，已进行z-score标准化处理；

y

j为实时监测数据点，采样间隔与历史数据对齐；

d(

i,

j)构建时约束路径连续性，确保时序对齐的物理合理性。

22、s202、对所建立的设备性能退化基准库中各传感器数据进行时域特征提取，构建设备的状态表征向量，特征包含均值、方差、峭度、峰值因子；在此基础上，构建初始状态转移矩阵即设备状态表征向量与观测矩阵即测得的多源传感器数据，并采用自适应卡尔曼滤波模型对测得的多源传感器数据进行动态加权融合以及状态表征向量更新，得到多传感器数据融合后的设备状态表征向量；自适应卡尔曼滤波模型通过实时调整增益矩阵实现多源观测值的可信度加权融合，以提升状态估计的准确性；其中，传感器噪声协方差根据基于传感器历史误差表现计算的置信度评分进行动态更新，计算如下：

23、；

24、；

25、式中，为卡尔曼增益矩阵，其维度为，

n为状态变量数，

m为观测变量数，用于动态调整观测数据对状态估计的贡献权重；为先验估计协方差矩阵，反映状态预测的不确定性，通过状态转移方程递推更新；

h为观测矩阵，将状态空间映射到观测空间，其元素由传感器测量原理确定；为动态观测噪声协方差矩阵，其值由传感器置信度评分，范围 0~1，1 表示完全可靠，通过指数衰减函数计算得到，其中

γ为噪声幅值缩放因子，为噪声下限；

26、s203、设备可靠性评估与参数更新：基于s202输出的设备状态表征向量，建立基于威布尔分布的设备全生命周期可靠性模型，计算实时故障概率；具体而言，以性能退化基准库中的故障数据所对应的设备状态表征向量为基础，采用最大似然估计法标定威布尔分布的初始形状参数

β与尺度参数

η，以计算设备的实时故障概率；在设备在线运行阶段，将设备所运行的时间带入威布尔分布模型中计算得到设备的实时故障概率f(t)，其中威布尔分布参数动态更新表达式为：

27、；

28、式中，

β为形状参数，其值变化反映故障模式演变；

η是尺度参数，与设备平均寿命正相关；

t

i为从性能退化基准库中提取的故障间隔时间序列；

29、s204、结合s203中基于威布尔分布计算得到的设备的实时故障概率f(t)，以及s201中构建的性能退化基准库的dtw相似度评分与设备当前运行时序数据的统计量，共同作为输入特征，输入至无监督自适应聚类算法中，通过聚类算法对多维特征进行分析，构建包含正常、注意、异常、危险的四层级健康状态评估体系，实现对设备当前健康状态的智能识别。

30、优选地，步骤s3中，设备故障预测与智能决策计算：

31、s301、构建cnn-lstm-transformer联合的长程双通道时序预测模型，通过门控融合机制整合长周期依赖与跨维度关联特征，采用贝叶斯优化自动搜索最优超参数组合，实现设备健康状态在未来时间段内的演化趋势预测；cnn-lstm-transformer联合模型采用门控机制整合多维特征，输出权重计算方式为：

32、；

33、式中，表示时间步

t 的融合输出结果，用于预测设备退化状态；为门控权重矩阵，通过训练学习特征重要性；为 cnn 模块提取的局部时空特征；为 lstm模块输出的长周期依赖特征；为 transformer模块生成的跨维度关联特征；符号 表示向量拼接操作，将三类特征合并为 3特征维度输入；为 sigmoid 激活函数，将融合权重压缩至 [0，1] 区间；

b

g为偏置项。

34、s302、基于s104所提取的故障部件–故障现象–可能原因三元组，联合失效模式与影响分析（failure modes and effects analysis，fmea）策略，构建机坪设备的动态运维知识图谱；动态运维知识图谱中，设备的故障部件–故障现象–可能原因为节点与边的初始结构；利用失效模式与影响分析文档提取每个部件的潜在失效模式、失效后果和影响路径，作为图谱中节点的属性标签；将部件间的因果传播路径（如“失效a可能导致故障b”）转化为图中的有向边，并赋予传播概率；进一步，引入图神经网络中的图注意力机制，对图谱中的节点关系进行建模，图注意力网络权重量化故障传播强度，节点

i到

j的注意力系数计算如下：

35、；

36、式中，表示节点

i 与节点

j 之间的原始注意力分数，通过单层前馈神经网络计算得到；

a为可训练的参数向量，用于学习故障传播的潜在模式；

w为共享的线性变换权重矩阵，将节点特征hi和hj映射到同一特征空间；符号 表示向量拼接操作；leakyrelu 激活函数引入非线性并缓解梯度消失问题；为归一化后的注意力权重，通过softmax 函数对邻居节点

k的分数进行归一化，最终反映故障从节点

i 传播到节点

j 的概率；

37、s303、基于融合数据预测结果与知识图谱推理结果进行决策；具体地，cnn-lstm-transformer预测模型输出设备在未来时刻的故障概率分布；基于s302构建的动态知识图谱，通过动态知识图谱检索识别故障传播路径、关联故障部件和可能的根因节点，生成设备故障逻辑关联与置信度；为增强决策的鲁棒性与可信度，采用 dempster-shafer证据理论将cnn-lstm-transformer模型得到的故障概率分布与动态知识图谱推理得到的故障逻辑关联与置信度进行融合；依据融合后的诊断结果，结合当前系统的备件库存状态与可用维修资源（如维修人员工单负载、维修时限等），生成面向运维人员的优先级排序和资源最优调配建议，作为智能维修决策的输出。

38、s304、通过时空多维展示界面，同步呈现预测曲线、故障传播路径与分级维修建议，支持维修人员快速定位关键问题并评估处置措施有效性。

39、第二方面，本发明实施例提供了一种多模态信息融合及知识驱动的设备状态智能管理方法及系统，其特征在于，包括：

40、数据清洗模块，包含滑动窗口z-score检测单元、小波降噪单元和专家规则校验单元。滑动窗口单元通过自适应z-score算法实时识别传感器漂移等异常；多尺度降噪单元采用小波基实现信号分层去噪；专家校验单元基于行业规则库进行逻辑验证。该模块输出带质量标签的标准化数据，为后续分析提供可靠输入。

41、状态评估模块，集成动态时间规整算法单元、威布尔分布建模单元和状态聚类单元。动态时间规整算法单元通过改进dtw算法建立多工况基准曲线库；威布尔分布建模单元利用多参数威布尔分布量化设备退化规律；状态聚类单元采用马氏距离及无监督自适应算法实现健康状态动态分级。本模块输出设备当前健康状态标签，提高设备维护响应速度。

42、预测维修模块，由混合预测单元、知识推理单元组成。混合预测单元通过cnn-lstm-transformer联合的长程模型实现设备故障提前预警；知识推理单元基于动态更新的故障知识图谱提供根因分析。

43、可视化交互模块，以设备状态评估结果和预测决策建议为输入，通过时空多维展示界面同步呈现设备健康状态、故障传播路径及维修策略，支持运维人员交互式查看详细分析数据与处置方案效果评估。

44、第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述多模态信息融合及知识驱动的设备状态智能管理方法的步骤。

45、第四方面，本发明实施例提供了一种计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现上述多模态信息融合及知识驱动的设备状态智能管理方法的步骤。

46、第五方面，本发明实施例提供了一种多模态信息融合及知识驱动的设备状态智能管理方法及系统，其特征在于包括：

47、泊位引导系统、地面供电与空调系统、供排水管路等中的至少一种应用场景。

48、与现有技术相比，本发明至少具有以下有益效果：

49、提出了一种多模态信息融合及知识驱动设备健康状态管理框架，通过动态阈值检测与多尺度降噪技术构建了智能化数据清洗体系，实现了对多源异构数据的高效处理；采用时间序列匹配与状态空间建模相结合的方法，建立了适应多工况变化的设备健康评估模型，有助于提升状态辨识的准确性；通过融合时序预测与知识图谱推理技术，构建了数据与知识协同驱动的智能决策机制，在确保预测精度的同时增强了决策的可解释性；通过自动化知识提取与动态更新策略，使系统具备持续进化能力，能够快速适应新型设备和运维场景的变化，为机场关键设备的全生命周期管理提供了可靠的技术支撑。

50、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。