一种基于船舶核动力装置回路系统故障推理系统的制作方法

本发明属于智能诊断，具体涉及一种基于船舶核动力装置回路系统故障推理系统。

背景技术：

1、船舶核动力装置作为在复杂海洋环境下运行的高密度能量系统，其一回路的可靠性与安全性对于航行任务至关重要。传统的故障诊断与推理系统，虽在保障初期安全运行中发挥作用，但其多依赖于基于人工总结的专家知识库或浅层数据模型，导致在应对现代智能船舶对高可靠性、自主运维和前瞻性预测的需求时，已显现出显著局限。这些系统通常面临知识依赖性强且更新困难的挑战，其知识库的构建耗时费力，难以全面覆盖各种故障模式，尤其对于未知或罕见故障更是力有不逮；同时，当装置进行技术改造或运行策略调整后，知识库需人工修订，适应性差，缺乏自主进化能力。

2、此外，现有系统多为静态模型，仅能对已发生的故障进行诊断，普遍缺乏对部件性能退化趋势的早期预测能力和故障预警机制，致使运维策略只能停留在事后维修或定期维护层面，难以实现更具经济效益与安全价值的预测性维护。同时，诊断系统常独立于状态监测与控制系统，形成信息孤岛，其推理过程往往基于单一数据源或浅层信号特征，对传感器噪声、测量不确定性以及多重并发故障的处理能力不足，易产生误报、漏报，在复杂工况下推理鲁棒性差。更深层次地，此类系统普遍缺乏深度因果关联分析与可解释性，基于黑箱模型的诊断结论难以提供透明的推理逻辑，降低了操作人员的人机互信度，且不利于揭示故障传播的深层原因。加之传统模型对船舶特有的摇摆、倾斜、冲击等动态工况与故障特征的耦合效应考虑不足，容易将正常的环境扰动误判为设备故障，严重影响诊断准确性，尤其是在恶劣海况下。

3、因此，亟待发展一种能够有效克服上述挑战，实现高可靠性、高准确性与强解释性的船舶核动力装置回路系统故障推理方法。

技术实现思路

1、本发明的目的在于提供一种基于船舶核动力装置回路系统故障推理系统，包括：

2、数据感知与预处理模块，用于采集多源数据并进行预处理，以生成预处理数据；

3、知识图谱构建与动态更新模块，用于构建并维护表征系统知识的知识图谱，并动态更新所述知识图谱；

4、多模态融合与状态表征模块，用于融合所述预处理数据与所述知识图谱的信息，生成系统状态表征；

5、时序行为预测与异常检测模块，用于基于所述系统状态表征预测系统行为，并通过将系统状态或参数与参考值进行比较来检测异常，生成异常告警信号；

6、因果推理与故障诊断模块，用于响应于所述异常告警信号，结合所述知识图谱中的因果关系进行推理，以定位故障根本原因并识别故障传播路径；

7、风险评估与决策支持模块，用于基于所述故障诊断结果评估故障风险，并生成决策支持建议；

8、人机交互与可视化模块，用于向操作人员呈现系统状态、异常告警、故障诊断结果及决策支持建议，并接收操作人员的输入。

9、优选的，所述数据感知与预处理模块具体用于：

10、采集主回路、辅助回路、安全系统的关键运行参数，以及船舶的动态工况数据和海洋环境数据；

11、对所述采集到的原始数据执行数据清洗、去噪、缺失值填充、时间序列对齐与采样率统一操作；

12、对预处理后的数据进行标准化或归一化处理，并提取时域、频域以及时频域的特征，以生成所述结构化输入数据。

13、优选的，所述知识图谱构建与动态更新模块具体用于：

14、通过人工专家知识录入、历史运行日志挖掘、维修记录分析以及设计文档解析，构建本体结构，定义实体类别与关系类型；

15、所述实体类别包括部件、传感器、故障模式、运行参数和环境因素；

16、所述关系类型包括连接到、测量、导致、影响以及是组成部分；

17、所述动态更新通过实体识别、关系抽取等机器学习方法从新收集的文本数据中发现新知识，或根据系统诊断结果与专家反馈调整现有知识图谱中的实体、关系与属性实现。

18、优选的，所述多模态融合与状态表征模块具体用于：

19、将数值型传感器时序数据、分类型操作指令数据以及知识图谱中实体与关系的嵌入向量作为输入；

20、采用图神经网络或注意力机制的深度学习模型进行融合，通过构建图注意力网络，将知识图谱中的节点表示与相关联的传感器时序数据进行加权融合，以生成所述系统状态表征向量。

21、优选的，所述时序行为预测与异常检测模块中，所述时间序列预测模型为长短期记忆网络或门控循环单元的递归神经网络；

22、所述预测模型输出所述系统关键运行参数在未来一段时间内的预测值及预测区间。

23、优选的，所述异常检测通过比对当前时刻的所述系统状态表征向量或实际运行参数与所述预测值或正常运行区间实现；

24、所述异常检测方法采用基于统计学的方法或基于机器学习的异常检测算法；

25、当实际值超出预设的统计阈值或预测区间时，系统判定发生异常，并生成所述异常告警信号。

26、优选的，所述因果推理与故障诊断模块中，所述因果图模型为动态贝叶斯网络或因果图模型；

27、所述贝叶斯推理算法计算各潜在故障模式的后验概率，从而识别出最可能的故障类型与故障部件；

28、所述因果推理与故障诊断模块通过在所述因果图上追踪证据传播路径，揭示故障是如何从根本原因发展并导致观察到的异常症状的，从而形成可视化的故障因果链；

29、所述推理过程考虑传感器测量不确定性以及多重并发故障的可能性。

30、优选的，所述风险评估与决策支持模块具体用于：

31、根据故障类型、严重程度、对系统安全运行的影响以及可能的传播速度等因素，量化评估故障的风险等级；

32、所述风险评估过程采用风险矩阵或失效模式与影响分析方法。

33、优选的，所述决策支持建议生成具体用于：

34、根据所述风险评估结果，结合预设的运行规程与维修策略，生成包括立即停机、降功率运行、安排预测性维修、调整运行参数或启动备用系统以及预期效果与潜在风险的评估。

35、优选的，所述人机交互与可视化模块提供一个集成化显示界面，用于实时展示所述关键运行参数的趋势图、系统健康指数、异常事件列表、故障定位结果、故障传播的可视化路径以及针对性操作建议；

36、所述界面支持操作人员进行查询、配置与反馈，并允许操作人员深入查看任何诊断结果的详细推理过程。

37、与现有技术相比，本发明的优点和积极效果在于：

38、1. 本发明通过构建动态更新的知识图谱，并将其与数据驱动模型深度融合，有效解决了传统专家系统知识依赖性强、更新困难且难以覆盖未知故障的局限性。知识图谱提供结构化的背景知识与因果关联，而数据驱动模型则从海量运行数据中学习模式，二者协同工作，使得系统能够自主学习、适应装置技术改造与运行策略调整，具备自我进化的能力，显著提升了系统的鲁棒性与适用范围。

39、2. 本发明引入时序行为预测与异常检测模块，基于深度学习模型对系统关键参数进行未来行为预测，能够实现对部件性能退化趋势的早期预警与故障预测。这种前瞻性能力使运维策略从传统的被动修复或定期维护转变为预测性维护，极大地提高了船舶核动力装置的运行安全性、可用性与经济效益，降低了非计划停机风险。

40、3. 本发明通过多模态融合与状态表征模块整合异构多源数据，并利用因果推理与故障诊断模块构建动态贝叶斯网络，有效处理了传感器噪声、测量不确定性以及多重并发故障。系统能够识别故障的深层因果链，而非停留在表层症状，从而精准定位故障根本原因，显著提升了诊断的准确性与抗干扰能力，消除了传统信息孤岛问题，避免了误报与漏报。

41、4. 本发明将知识图谱与因果推理机制相结合，使得故障诊断结论具备高度的可解释性。通过可视化故障因果链，操作人员能够清晰地理解系统是如何得出诊断结论的，以及故障是如何从根本原因逐步传播的，这显著增强了操作人员对系统的信任度，并有助于其进行快速、准确的决策，解决了黑箱ai模型可解释性差的痛点。

42、5. 本发明在数据感知、状态表征与时序预测模块中充分考虑并融入了船舶特有的动态工况与海洋环境数据，例如纵摇、横摇等姿态信息。通过将这些环境因素作为模型的输入或约束，系统能够有效区分环境扰动与真正的设备故障，显著提高了在恶劣海况下诊断的准确性与可靠性，避免了传统模型易将环境变化误判为故障的问题。