一种基于深度学习的建筑弱电设备故障诊断方法与流程
本发明涉及深度学习，尤其涉及一种基于深度学习的建筑弱电设备故障诊断方法。
背景技术：
1、建筑弱电设备覆盖视频监控、门禁控制、入侵报警、公共广播、交换机、弱电网关和楼宇自控终端，运行数据来源包含在线状态、通信状态、端口状态、控制反馈、告警记录、维护记录和拓扑连接信息。现有建筑弱电运维平台多依赖固定阈值、人工巡检和单设备告警规则完成故障判断，能够对设备离线、端口中断、告警触发进行提示，但对多源数据的时间对齐、字段可信度、历史异常污染和拓扑传播滞后处理不足，弱电设备状态数据容易形成缺失、延迟、重复告警和低可信输入。
2、现有深度学习诊断方法多将设备状态序列直接输入预测模型或分类模型，缺少面向建筑弱电场景的工况原型约束、关键字段稀疏激活和拓扑邻近状态校正，导致高峰通行、网络负载变化和告警联动状态容易与真实故障混淆。现有异常检测算法多针对单设备残差进行孤立评分，缺少拓扑滞后邻接残差索引、残差方向诊断样本组织和可信计数修正，难以区分源发故障设备与受传播影响设备，故障源定位精度和诊断结果可解释性不足。
3、因此，如何提供一种基于深度学习的建筑弱电设备故障诊断方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种基于深度学习的建筑弱电设备故障诊断方法，本发明利用弱电设备可信状态帧、故障污染窗口隔离操作、改进dlinear模型和rs-hash算法，对建筑弱电设备多源运行数据进行可信建模、拓扑校正预测、残差方向检测和可信异常评分，完成弱电设备故障识别、故障源定位和传播异常判断，具备数据适应性强、故障定位准确、误报率低和诊断结果可解释性高的优点。
2、根据本发明实施例的一种基于深度学习的建筑弱电设备故障诊断方法，包括：
3、采集弱电设备运行监测数据、告警维护数据和拓扑数据，生成建筑弱电设备多源运行数据；
4、对建筑弱电设备多源运行数据进行预处理得到弱电设备可信状态帧；
5、基于弱电设备可信状态帧对历史状态序列执行故障污染窗口隔离操作，生成净化弱电设备状态序列；
6、构建包括工况原型条件线性预测层、稀疏关键字段激活预测层和拓扑邻近状态校正层的改进dlinear模型，将净化弱电设备状态序列输入改进dlinear模型，生成弱电设备初始预测状态；
7、基于拓扑数据和弱电设备初始预测状态执行拓扑传播滞后对齐操作，生成滞后对齐拓扑邻近状态数据，并经拓扑邻近状态校正层生成拓扑校正预测状态；
8、基于弱电设备可信状态帧和拓扑校正预测状态计算弱电设备预测残差，并构建拓扑滞后邻接残差索引表和残差方向诊断样本池；
9、基于弱电设备预测残差、拓扑滞后邻接残差索引表和残差方向诊断样本池生成拓扑装配残差向量，将拓扑装配残差向量输入rs-hash算法，生成方向分离哈希桶计数；
10、对方向分离哈希桶计数执行可信计数修正得到可信修正残差异常评分，并生成建筑弱电设备故障诊断结果。
11、可选的，所述生成建筑弱电设备多源运行数据，包括：
12、从建筑弱电设备采集运行监测数据并同步记录设备标识、设备类型、采集时刻和到达时刻，运行监测数据包括在线状态、通信状态、端口状态、控制反馈状态和业务状态；
13、从告警记录库和维护记录库读取告警维护数据，告警维护数据包括告警类型、告警时刻、恢复状态、维护记录和故障记录；
14、从建筑弱电拓扑配置表读取拓扑数据，拓扑数据包括设备标识、设备类型、网络连接关系、供电连接关系、控制联动关系和信号传输关系；
15、将运行监测数据、告警维护数据和拓扑数据按照设备标识进行关联，生成建筑弱电设备多源运行数据。
16、可选的，所述得到弱电设备可信状态帧，包括：
17、读取建筑弱电设备多源运行数据中的运行监测数据、告警维护数据和拓扑数据，提取设备标识、设备类型、采集时刻、到达时刻、状态字段名称、状态字段值、告警类型和告警时刻；
18、对状态字段名称和状态字段值执行字段格式统一，并按照采集时刻生成统一诊断时刻；
19、基于统一诊断时刻、到达时刻、状态字段名称、状态字段值、告警类型和告警时刻，生成字段缺失状态、延迟上报状态、缺失补齐状态和重复告警状态；
20、基于设备标识将统一诊断时刻下的状态字段值与拓扑数据进行设备绑定，生成弱电设备状态记录；
21、基于字段缺失状态、延迟上报状态、缺失补齐状态和重复告警状态生成数据可信度，基于设备类型、状态字段名称、拓扑数据和统一诊断时刻生成工况原型标记、关键字段激活标记和拓扑传播关联标记，将弱电设备状态记录、数据可信度、工况原型标记、关键字段激活标记和拓扑传播关联标记组合，生成弱电设备可信状态帧。
22、可选的，所述生成净化弱电设备状态序列，包括：
23、读取弱电设备可信状态帧中的设备标识、设备类型、统一诊断时刻、状态字段值、字段缺失状态、延迟上报状态、缺失补齐状态、重复告警状态、数据可信度和拓扑传播关联标记，按照设备标识和统一诊断时刻形成历史状态序列；
24、按照连续统一诊断时刻将历史状态序列划分为候选历史窗口，并统计候选历史窗口中的低可信字段数量、缺失字段数量、延迟上报字段数量和重复告警次数，生成窗口状态记录；
25、基于窗口状态记录和拓扑传播关联标记识别故障污染状态，将满足污染判定条件的候选历史窗口标记为故障污染窗口，生成污染窗口标记；
26、基于污染窗口标记生成污染隔离权重，对候选历史窗口中的状态字段值进行加权装配，生成净化窗口状态记录；
27、按照统一诊断时刻汇总净化窗口状态记录，生成净化弱电设备状态序列。
28、可选的，所述生成弱电设备初始预测状态，包括：
29、构建改进dlinear模型，将工况原型条件线性预测层、稀疏关键字段激活预测层和拓扑邻近状态校正层接入dlinear预测流程；
30、将净化弱电设备状态序列输入改进dlinear模型，读取设备标识、设备类型、统一诊断时刻、状态字段名称、状态字段值、数据可信度、工况原型标记和关键字段激活标记，生成模型输入状态序列；
31、将模型输入状态序列输入工况原型条件线性预测层，基于工况原型标记对状态字段值执行工况条件线性预测，生成工况条件预测状态；
32、将模型输入状态序列和工况条件预测状态输入稀疏关键字段激活预测层，基于设备类型、数据可信度和关键字段激活标记确定关键状态字段，执行稀疏激活预测，生成关键字段预测状态；
33、按照统一诊断时刻将工况条件预测状态和关键字段预测状态进行字段对齐，生成弱电设备初始预测状态；
34、将弱电设备初始预测状态与设备标识、设备类型和统一诊断时刻进行关联，生成初始预测状态记录；
35、对改进dlinear模型进行训练，采用工况条件预测误差、关键字段预测误差、拓扑邻近状态校正误差和初始预测状态误差组合作为联合优化目标，对工况原型条件线性预测层、稀疏关键字段激活预测层和拓扑邻近状态校正层的模型参数进行迭代更新，当连续5轮训练中的联合损失值变化幅度均小于0.001时，确定改进dlinear模型完成收敛训练。
36、可选的，所述生成拓扑校正预测状态，包括：
37、读取拓扑数据中的设备标识、设备类型、网络连接关系、供电连接关系、控制联动关系和信号传输关系，并读取初始预测状态记录中的弱电设备初始预测状态、统一诊断时刻和状态字段名称，生成拓扑边状态记录；
38、基于拓扑边状态记录确定当前设备对应的上游邻接设备、同链路邻接设备、同供电支路设备和控制联动设备，并按照网络连接关系、供电连接关系、控制联动关系和信号传输关系分别生成拓扑边类型标记；
39、基于拓扑边类型标记确定传播滞后检索窗口，并生成邻接设备候选传播状态序列；
40、将邻接设备候选传播状态序列与当前设备的弱电设备初始预测状态进行状态字段对应匹配、预测状态变化方向匹配和统一诊断时刻偏移匹配，生成拓扑传播滞后匹配记录；
41、基于拓扑传播滞后匹配记录确定邻接设备对应当前设备的传播对齐时刻，并将传播对齐时刻下的邻接设备初始预测状态、拓扑边类型标记和统一诊断时刻偏移值组合，生成滞后对齐拓扑邻近状态数据；
42、将滞后对齐拓扑邻近状态数据和弱电设备初始预测状态输入拓扑邻近状态校正层生成邻近状态校正量，并对弱电设备初始预测状态进行拓扑校正，生成拓扑校正预测状态。
43、可选的，所述构建拓扑滞后邻接残差索引表和残差方向诊断样本池，包括：
44、读取弱电设备可信状态帧中的设备标识、设备类型、统一诊断时刻、状态字段名称、状态字段值和数据可信度，并读取拓扑校正预测状态中的预测字段名称和预测字段值；
45、按照设备标识、统一诊断时刻和状态字段名称，将状态字段值与预测字段值进行计算得到弱电设备预测残差，弱电设备预测残差包括残差数值、残差方向、残差字段名称、残差字段类别和残差持续次数；
46、读取拓扑数据和滞后对齐拓扑邻近状态数据，将当前设备预测残差与邻接设备历史预测残差进行关联，计算残差幅度匹配值和拓扑传播支持度，生成拓扑滞后邻接残差索引表；
47、基于弱电设备预测残差中的残差数值、残差方向、残差字段类别、残差持续次数和数据可信度，按照正向残差、负向残差和零邻域残差进行分类存储，生成残差方向诊断样本池。
48、可选的，所述拓扑滞后邻接残差索引表，包括：
49、拓扑滞后邻接残差索引表由当前设备标识、邻接设备标识、当前设备类型、邻接设备类型、拓扑边类型、当前统一诊断时刻、传播对齐时刻、统一诊断时刻偏移值、当前设备预测残差、邻接设备历史预测残差、残差字段名称、残差方向、残差幅度匹配值和拓扑传播支持度组成；
50、按照设备标识、拓扑边类型、传播对齐时刻、残差字段名称和残差方向建立当前设备预测残差与邻接设备历史预测残差之间的索引记录，基于索引记录形成带有传播滞后、残差方向和拓扑传播支持度的动态残差索引结构。
51、可选的，所述生成方向分离哈希桶计数，包括：
52、读取弱电设备预测残差、拓扑滞后邻接残差索引表和残差方向诊断样本池，按照设备标识、设备类型、统一诊断时刻、拓扑边类型和残差字段名称进行残差关联，生成拓扑残差关联记录；
53、基于拓扑残差关联记录读取当前设备预测残差、邻接设备历史预测残差、残差方向、残差字段类别和拓扑传播支持度，按照残差字段名称和拓扑边类型进行残差装配，生成拓扑装配残差向量；
54、在rs-hash算法中采用弱电设备类型约束随机子空间选择机制，根据拓扑装配残差向量、设备类型和残差字段类别，确定候选残差字段集合，并在候选残差字段集合内执行随机子空间选择，生成设备类型约束残差子空间；
55、在rs-hash算法中采用残差方向分离哈希机制，基于设备类型约束残差子空间和残差方向，按照正向残差、负向残差和零邻域残差分别进行哈希映射，生成方向分离哈希桶计数。
56、可选的，所述生成建筑弱电设备故障诊断结果，包括：
57、读取方向分离哈希桶计数、弱电设备可信状态帧、拓扑滞后邻接残差索引表和残差方向诊断样本池，提取数据可信度、字段缺失状态、延迟上报状态、缺失补齐状态、重复告警状态、拓扑传播支持度、残差方向和残差字段类别；
58、基于数据可信度、字段缺失状态、延迟上报状态、缺失补齐状态和重复告警状态生成可信计数修正系数，对方向分离哈希桶计数进行修正，生成可信修正残差异常评分；
59、基于可信修正残差异常评分、拓扑传播支持度、残差方向和残差字段类别生成建筑弱电设备故障诊断结果。
60、本发明的有益效果是：
61、本发明提出的一种基于深度学习的建筑弱电设备故障诊断方法，通过采集弱电设备运行监测数据、告警维护数据和拓扑数据，生成建筑弱电设备多源运行数据，并构建弱电设备可信状态帧，对字段缺失、延迟上报、缺失补齐和重复告警状态进行可信处理，提升了多源弱电数据进入模型前的一致性和可靠性。相比依赖固定阈值和单设备告警规则的诊断方式，本发明能够降低低可信数据、历史异常污染和重复告警对故障判断结果的干扰，提高建筑弱电设备故障识别稳定性。
62、本发明通过故障污染窗口隔离操作、改进dlinear模型、拓扑传播滞后对齐操作、拓扑滞后邻接残差索引表和rs-hash算法，完成弱电设备预测残差计算、拓扑校正预测、方向分离哈希桶计数和可信修正残差异常评分。相比单独基于设备状态序列进行异常检测的方式，本发明能够识别上游邻接设备异常与当前设备异常之间的传播滞后关系，区分源发故障设备和传播受影响设备，提高故障源定位精度，降低误报率，增强建筑弱电设备故障诊断结果的可解释性和运维排查效率。