基于多源状态融合的工业设备异常告警调度方法及系统与流程

本发明涉及智能运维，尤其涉及一种基于多源状态融合的工业设备异常告警调度方法及系统。

背景技术：

1、随着工业系统数字化的发展，工业设备的智能化监测与运维已成为保障生产的核心环节。在复杂工业现场，为了及时发现设备异常，通常需要采集大量数据进行监控。

2、在实际操作中，现有的异常监测主要依赖单一数据源和固定阈值。通常的做法是针对温度、振动等单项指标设定报警上下限，当指标越限时触发告警，随后由运维人员凭借经验进行排查。这种方式存在明显的局限性。首先，单一维度的观测数据难以准确反映设备的整体状态，容易导致异常的误报或漏报。其次，固定阈值无法适应不同工况以及不同负载水平下的动态变化，使得异常检测准确度欠佳。

3、此外，在告警管理方面，现有平台通常将告警信息按照时间顺序或静态的安全等级进行罗列展示。这种展示方式未能综合考虑设备的自身关键程度、业务影响范围以及当前运维人员和备件的资源情况，导致在复杂故障发生时大量衍生告警被触发，使得紧急且重要的告警信息被淹没。同时，现有的故障排查高度依赖人工经验，缺乏自动化的根因分析，且平台内的告警、历史工单等数据相互割裂，难以形成有效的处置建议。

4、因此，现有的设备告警管理方法因监测维度单一、阈值僵化且缺乏动态优先级的评估机制，导致异常识别准确度欠佳、运维调度效率偏低，加重了运营负担。因此，亟需一种能够综合多维度状态、动态评估告警并指导调度的技术方案。

技术实现思路

1、本发明提供了一种基于多源状态融合的工业设备异常告警调度方法及系统，解决了现有技术存在的告警研判单一、未结合设备状态动态调整调度优先级的问题。

2、本发明实施例第一方面提出一种基于多源状态融合的工业设备异常告警调度方法，包括：

3、采集工业设备的多源观测数据，将多源观测数据按照时间窗进行对齐处理以提取多维度特征，基于多维度特征构建工业设备的时间窗特征向量；

4、将时间窗特征向量输入至异常检测混合模型，获取异常检测混合模型基于时间窗特征向量输出的多种异常评分，融合多种异常评分得到工业设备的综合异常评分；

5、在综合异常评分满足预设异常条件时，生成告警事件，调用根因推理模型确定引起告警事件的候选根因，并计算候选根因的置信度；

6、获取工业设备的设备关键性权重、告警事件的告警影响范围以及处置告警事件的资源消耗，基于综合异常评分、设备关键性权重、告警影响范围、置信度以及资源消耗，计算告警事件的动态优先级；

7、根据动态优先级对告警事件执行逻辑管控流程，并输出对应候选根因的推荐处理路径以对工业设备进行调度。

8、在一种可选的实现方式中，采集工业设备的多源观测数据，将多源观测数据按照时间窗进行对齐处理以提取多维度特征，基于多维度特征构建工业设备的时间窗特征向量，包括：

9、采集工业设备的多源观测数据；其中，多源观测数据至少包括传感器时序数据、能耗数据、告警记录数据以及历史工单数据；

10、将多源观测数据按照统一的时间窗进行切分与对齐处理；

11、提取工业设备在各个时间窗内的基础统计特征、趋势特征、波动特征以及能耗偏离特征作为多维度特征；

12、将多维度特征进行组合，生成时间窗特征向量。

13、在一种可选的实现方式中，将时间窗特征向量输入至异常检测混合模型，获取异常检测混合模型基于时间窗特征向量输出的多种异常评分，融合多种异常评分得到工业设备的综合异常评分，包括：

14、将时间窗特征向量分别输入至异常检测混合模型中的规则异常模型、统计异常模型和学习型异常模型；

15、获取规则异常模型基于时间窗特征向量输出的规则异常评分、统计异常模型输出的分布偏离程度评分以及学习型异常模型输出的异常概率评分，共同作为多种异常评分；

16、根据预先训练得到的模型融合权重，对多种异常评分进行加权求和，得到综合异常评分。

17、在一种可选的实现方式中，调用根因推理模型确定引起告警事件的候选根因，并计算候选根因的置信度，包括：

18、构建包含异常特征节点、故障模式节点与处理措施节点的关联矩阵，将关联矩阵中的故障模式节点作为候选根因；

19、计算时间窗特征向量与候选根因对应的历史故障特征的特征相似度，并获取针对候选根因的模型预测概率；

20、从多源观测数据中提取历史告警序列数据，并计算历史告警序列数据与候选根因之间的序列关联强度；

21、将特征相似度、模型预测概率以及序列关联强度进行加权融合计算，得到候选根因的置信度。

22、在一种可选的实现方式中，获取工业设备的设备关键性权重、告警事件的告警影响范围以及处置告警事件的资源消耗，基于综合异常评分、设备关键性权重、告警影响范围、置信度以及资源消耗，计算告警事件的动态优先级，包括：

23、获取工业设备的设备画像，根据设备画像中包含的设备关键性等级、业务影响范围和当前负载水平，计算得到设备关键性权重；

24、确定告警事件的告警影响范围，并评估当前运维人员及备件的资源紧张程度作为资源消耗；

25、对综合异常评分、设备关键性权重、置信度以及告警影响范围进行正向加权计算，得到正向优先级数值；

26、对资源消耗进行负向惩罚扣减，结合正向优先级数值得到告警事件的动态优先级。

27、在一种可选的实现方式中，在得到工业设备的综合异常评分之后，方法还包括：

28、获取工业设备在连续多个时间窗内的历史综合异常评分，构建异常评分时序序列；

29、对异常评分时序序列进行趋势研判，计算当前时间窗对应的综合异常评分的增长变化率；

30、在综合异常评分大于第一预设阈值且增长变化率大于第二预设阈值时，判定工业设备存在早期故障风险，并输出预警信息。

31、在一种可选的实现方式中，根据动态优先级对告警事件执行逻辑管控流程，并输出对应候选根因的推荐处理路径以对工业设备进行调度，包括：

32、将动态优先级与预设的分级阈值进行比对，对告警事件进行分流管控；其中，预设的分级阈值包括预设的严重优先级阈值；

33、当动态优先级大于或等于预设的严重优先级阈值时，生成高优先级告警，并自动创建对应的运维工单进行派发；

34、当派发的运维工单在设定时间内未被处理或者监测到告警事件的告警影响范围扩大时，自动提升运维工单的负责人级别，并生成备件准备提示信息；

35、输出对应候选根因的推荐处理路径，根据备件准备提示信息以及推荐处理路径对工业设备进行运维调度。

36、在一种可选的实现方式中，输出对应候选根因的推荐处理路径，包括：

37、根据候选根因、工业设备的物理位置信息、当前运维人员的技能标签以及备件库存状态，构建多个候选处理方案；

38、分别计算每一候选处理方案的人员技能匹配度、备件齐套率以及历史成功率；

39、基于人员技能匹配度、备件齐套率以及历史成功率，通过加权评分确定得分最高的目标处理方案；

40、将目标处理方案作为推荐处理路径进行输出，其中，推荐处理路径包括指派的处理人员、所需备件清单和排查步骤。

41、在一种可选的实现方式中，在对工业设备进行运维调度之后，方法还包括：

42、在运维工单处理完成后，采集实际故障原因、实际处理措施以及是否误报的反馈数据；

43、将反馈数据回写至预设的模型训练集；

44、基于模型训练集，周期性更新异常检测混合模型的模型融合权重以及根因推理模型中的关联矩阵。

45、本发明实施例第二方面提出一种基于多源状态融合的工业设备异常告警调度系统，用于实现如前述实施例所提出的基于多源状态融合的工业设备异常告警调度方法，系统包括：

46、提取构建模块，用于采集工业设备的多源观测数据，将多源观测数据按照时间窗进行对齐处理以提取多维度特征，基于多维度特征构建工业设备的时间窗特征向量；

47、异常评分模块，用于将时间窗特征向量输入至异常检测混合模型，获取异常检测混合模型基于时间窗特征向量输出的多种异常评分，融合多种异常评分得到工业设备的综合异常评分；

48、根因推理模块，用于在综合异常评分满足预设异常条件时，生成告警事件，调用根因推理模型确定引起告警事件的候选根因，并计算候选根因的置信度；

49、优先级计算模块，用于获取工业设备的设备关键性权重、告警事件的告警影响范围以及处置告警事件的资源消耗，基于综合异常评分、设备关键性权重、告警影响范围、置信度以及资源消耗，计算告警事件的动态优先级；

50、调度执行模块，用于根据动态优先级对告警事件执行逻辑管控流程，并输出对应候选根因的推荐处理路径以对工业设备进行调度。

51、有益效果：

52、本发明实施例提供的一种基于多源状态融合的工业设备异常告警调度方法及系统，通过采集多源观测数据并提取多维度特征，结合异常检测混合模型，实现了对设备运行状态的综合评估，克服了现有技术中依赖单一数据源和固定阈值导致误报和漏报的局限性。通过引入根因推理模型，能够在异常条件触发时自动确定候选根因并计算置信度，降低了工业物联网（industrial internet of things，iiot）场景下对人工排查经验的依赖，提高了故障定位效率。同时，引入了基于设备关键性权重、告警影响范围及资源消耗的动态优先级评估机制，使得告警事件的排序能够根据现场实际工况与运维资源的现状进行自适应调整。该逻辑管控流程避免了静态告警列表导致的关键信息淹没问题，能够合理分流并输出对应的推荐处理路径，确保了系统在面对复杂设备状态时保持有序的调度，改善了整体运维管理质效。