多模态特征融合型预测性维护方法、装置、设备及介质与流程

本技术属于多模态行李处理系统，特别涉及一种多模态特征融合型预测性维护方法、装置、设备及介质。

背景技术：

1、机场行李处理系统是机场运营的核心自动化设备，承担着旅客行李从值机柜台到飞机货舱的全流程输送任务，其运行稳定性直接影响航班正点率与旅客出行体验。当前行李处理系统的运维方式主要依赖人工定期巡检与故障后紧急抢修，存在两大核心痛点：

2、其一，故障预测精度不足，误报漏报问题突出。传统阈值告警方法仅通过单一指标判断故障，无法区分偶发干扰与真实退化趋势，同时对早期微弱故障不敏感，难以提供充足预警提前期以开展预防性维护；其二，维护策略缺乏智能性，运维成本高昂。现有维护多采用固定周期模式，未结合设备实际健康状态与运营工况动态调整，导致关键部件维护不足引发突发故障，非关键部件过度维护造成资源浪费。

3、现有技术一：传统阈值告警方法。仅通过单一传感器阈值判断故障，无法区分偶发干扰与真实退化趋势，误报率通常高于30%，且对早期微弱故障不敏感，预警提前期不足2小时。

4、现有技术二：单一机器学习模型。部分研究采用lstm或cnn进行故障预测，但未充分利用行李处理系统数据的时空双重特性——空间上，不同传感器的局部特征反映不同故障模式；时间上，设备退化具有长期依赖性，且航班高峰等特殊时段数据对故障诊断更具参考价值。

5、现有技术三：预测与决策割裂。现有预测性维护系统仅作为监测与告警工具，多数技术止步于故障概率输出。此模式存在三重瓶颈：其一，决策延迟显著，从报警发生到人工响应平均耗时数小时，错失故障早期处置窗口；其二，决策质量波动，高度依赖人员经验，易导致误判漏判；其三，无法实现无人化运维，在夜间低峰期或突发紧急工况下，人工响应能力不足直接导致故障扩大化。未实现从预测结果到最优维护行动的自动化决策闭环，存在“测而不决”的问题，无法有效指导实际运维工作。

6、因此，亟需一种兼具高精度故障预测能力与智能动态决策能力的预测性维护方法，以解决现有技术的瓶颈。

技术实现思路

1、鉴于上述问题，本技术提出了一种多模态特征融合型预测性维护方法、装置、设备及介质。通过构建“数据预处理－故障预测－状态评估－自主决策－迭代优化”的闭环框架，打通了“监测－预测－决策”的全流程，有效解决了现有行李处理系统运维中故障预测不准、维护策略僵化、运维成本高昂的问题。

2、本技术实施例一方面提供一种多模态特征融合型预测性维护方法，包括：

3、获取行李处理系统的多源传感器监测数据，对所述多源传感器监测数据进行预处理得到标准化数据矩阵；

4、对所述标准化数据矩阵中的数值型指标进行短时傅里叶变换生成时频谱图，基于所述时频谱图进行多源时序数据时频转换与特征融合得到多维时频特征张量；

5、构建时空特征融合预测模型，将所述多维时频特征张量输入时空特征融合预测模型进行特征提取和故障预测得到设备健康度评分和故障概率分布；

6、基于所述设备健康度评分、故障概率分布与运营约束条件构建多维运维状态空间，基于所述运维状态空间，计算设备故障风险指数；

7、基于所述故障风险指数与运维状态空间，构建多目标成本优化函数，通过启发式搜索与深度强化学习相结合的自主决策算法生成维护策略；

8、根据所述维护策略进行优化并收集维护策略执行后的设备运行数据与维护效果反馈，根据反馈结果对所述时空特征融合预测模型与成本优化函数进行主动学习、迭代更新。

9、进一步的，所述基于所述时频谱图进行多源时序数据时频转换与特征融合得到多维时频特征张量，包括：

10、提取所述时频谱图中的频带能量特征和瞬时频率特征，

11、通过维度对齐将语义嵌入向量与频带能量特征匹配，再经深度可分离卷积融合频带能量特征和瞬时频率特征，生成编码频谱特性、时间演化规律与语义上下文的多维时频特征张量。

12、进一步的，所述构建时空特征融合预测模型，包括：

13、构建时空特征融合预测模型的空间特征提取层、时序依赖建模层和注意力加权层；

14、所述空间特征提取层用于提取多传感器数据的局部故障特征；

15、所述时序依赖建模层用于捕捉设备退化过程的长期时序关联；

16、所述注意力加权层用于自动识别航班高峰和重载运行的关键时段。

17、进一步的，所述构建时空特征融合预测模型，还包括：

18、空间特征提取层采用多层卷积结构，通过不同尺寸的卷积核逐层提取多传感器数据的局部故障特征；

19、其中，第一层卷积核尺寸设为3，用于捕捉细微异常模式，第二层卷积核至后续卷积核尺寸逐层扩大，实现多尺度特征的全面提取；

20、时序依赖建模层采用双向时序建模结构，同时捕捉设备退化的前向演化趋势与后向依赖关系；

21、注意力加权层通过计算每个时间步的重要性权重，对航班高峰、夜间冷启动的关键时段的特征进行强化。

22、进一步的，所述基于所述设备健康度评分、故障概率分布与运营约束条件构建多维运维状态空间，基于所述运维状态空间，计算设备故障风险指数，包括：

23、所述故障风险指数的计算采用自适应权重机制；

24、根据运营约束条件中的运营时段动态调整设备健康度评分指标的权重；

25、其中，航班高峰时段，运营影响权重增大，优先保障系统连续运行；

26、夜间低峰期时段，设备健康状态权重放大，优先处理风险故障隐患。

27、进一步的，所述基于所述故障风险指数与运维状态空间，构建多目标成本优化函数，包括：

28、所述多目标成本优化函数综合考虑故障停机损失、备件消耗成本、人工维护费用、航班延误惩罚成本与安全处罚成本；

29、通过量化不同维护动作的成本差异，实现维护成本与故障风险的平衡。

30、进一步的，所述通过启发式搜索与深度强化学习相结合的自主决策算法生成维护策略，包括：

31、动态决策机制采用分层规划方式，短期决策基于风险指数riskt选择即时期望成本最小的维护动作，所述短期决策时间不超过未来二十四小时；

32、中长期规划基于航班时刻表预测可用维护窗口，结合资源状态rt预安排预防性维护时间，所述中长期规划时间大于未来二十四小时且不超过未来168小时。

33、基于同一发明构思，本技术实施例另一方面还提供一种多模态特征融合型预测性维护装置，包括：

34、数据处理单元，用于获取行李处理系统的多源传感器监测数据，对所述多源传感器监测数据进行预处理得到标准化数据矩阵；

35、频谱生成单元，用于对所述标准化数据矩阵中的数值型指标进行短时傅里叶变换生成时频谱图，基于所述时频谱图进行多源时序数据时频转换与特征融合得到多维时频特征张量；

36、模型构建单元，用于构建时空特征融合预测模型，将所述多维时频特征张量输入时空特征融合预测模型进行特征提取和故障预测得到设备健康度评分和故障概率分布；

37、状态空间单元，用于基于所述设备健康度评分、故障概率分布与运营约束条件构建多维运维状态空间，基于所述运维状态空间，计算设备故障风险指数；

38、优化策略单元，用于基于所述故障风险指数与运维状态空间，构建多目标成本优化函数，通过启发式搜索与深度强化学习相结合的自主决策算法生成维护策略；

39、反馈迭代单元，用于根据所述维护策略进行优化并收集维护策略执行后的设备运行数据与维护效果反馈，根据反馈结果对所述时空特征融合预测模型与成本优化函数进行主动学习、迭代更新。

40、基于同一发明构思，本技术实施例另一方面还提供一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；

41、存储器，存储有计算机程序；

42、处理器，执行存储器存储的程序时，实现所述的多模态特征融合型预测性维护方法。

43、基于同一发明构思，本技术实施例另一方面还提供一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时，实现所述的多模态特征融合型预测性维护方法。

44、本技术实施例中的上述一个或至少一个技术方案，至少具有如下技术效果：

45、基于上述技术方案，对所述标准化数据矩阵中的数值型指标进行短时傅里叶变换生成时频谱图，基于所述时频谱图进行多源时序数据时频转换与特征融合得到多维时频特征张量；构建时空特征融合预测模型，将所述多维时频特征张量输入时空特征融合预测模型进行特征提取和故障预测得到设备健康度评分和故障概率分布；基于所述设备健康度评分、故障概率分布与运营约束条件构建多维运维状态空间，基于所述运维状态空间，计算设备故障风险指数；基于所述故障风险指数与运维状态空间，构建多目标成本优化函数，通过启发式搜索与深度强化学习相结合的自主决策算法生成维护策略；根据所述维护策略进行优化并收集维护策略执行后的设备运行数据与维护效果反馈，根据反馈结果对所述时空特征融合预测模型与成本优化函数进行主动学习、迭代更新。

46、由此可知，通过构建“数据预处理－故障预测－状态评估－自主决策－迭代优化”的闭环框架，打通了“监测－预测－决策”的全流程，有效解决了现有行李处理系统运维中故障预测不准、维护策略僵化、运维成本高昂的问题，为大型枢纽机场的设备智能运维提供了可落地的技术方案，同时可推广至分拣系统、安检设备、登机桥等其他机场关键设施，具有广泛的应用前景。提升了行李处理系统预测的精准性和适用性。

47、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。