基于多通道动力学预警与因果推理的热等静压机智能运维方法及系统与流程

本发明涉及智能运维与故障诊断，尤其涉及一种基于多通道动力学预警与因果推理的热等静压机智能运维方法及系统。

背景技术：

1、热等静压机（hip）是航空航天、核工业及高端医疗植入物制造领域的关键装备，其运行环境极端（工作压力可达200mpa，温度可达2000℃），且由超高压气体系统、高温加热系统、快速冷却系统等多物理场子系统强耦合构成。任一子系统微小异常均可能引发链式反应，导致产品报废、设备损坏乃至高压泄漏安全事故。

2、现有热等静压机运维主要采用基于阈值报警与周期性点检的被动式维护和基于常规机器学习模型的故障诊断方法。其中，基于阈值报警与周期性点检的被动式维护的技术方案是在plc或dcs系统中预设压力、温度等参数的上下限报警阈值，参数越限时触发报警；同时辅以人工定期对密封件、绝缘件等易损件进行拆卸检查。该方案的缺陷在于：其一反应滞后，阈值报警属于“事件驱动”型，故障须发展到足以引起参数显著变化的程度才能被发现，密封件微米级蠕变泄漏引发的压力变化极其微弱，完全淹没于正常工艺波动中，报警触发时往往已临近事故边缘；其二维护盲目，定周期点检频率过高则耗费工时且引入复装风险，频率过低则故障可能在点检间隔期内爆发；其三，信息孤岛，点检获得的定性描述无法与设备运行过程中的温度场均匀性、压力变化率等关键工艺参数进行跨系统关联分析，错失识别系统级风险的机会。

3、基于常规机器学习模型的故障诊断方法的技术方案是采集炉内压力、各温区温度、加热功率、冷却水温度/流量等过程信号，计算统计特征（均值、方差、变化率等）和人工定义特征（保压阶段压力降、温度场均匀性偏差等），输入支持向量机或随机森林等分类器进行故障模式识别。该方案相较阈值法有所进步，但仍存在原理性障碍：其一，时序信息丢失，模型将长达数十小时的动态过程压缩为若干静态统计量，完全丧失“压力波动发生在升温初期还是保压阶段”这一关键过程时序信息，导致故障性质误判；其二，耦合关系建模无能，模型仅能学习“特征a→结果b”的映射，无法编码设备拓扑结构。例如“压力波动异常”与“压缩机频繁启停补偿”同时出现时，传统模型能判断“气路存在泄漏”，但无法区分泄漏源是“高温主密封蠕变泄漏”还是“电极密封失效”二者在过程数据中表象高度相似。

4、综上所述，现有技术无法满足热等静压机对超早期、高精度、可溯源、自适应的智能运维需求。

技术实现思路

1、鉴于上述的分析，本发明旨在提供一种基于多通道动力学预警与因果推理的热等静压机智能运维方法及系统，用以解决现有热等静压机故障预警滞后、跨系统耦合根因难溯、维护决策缺乏自适应性的问题。

2、第一方面，本发明实施例提供了一种基于多通道动力学预警与因果推理的热等静压机智能运维方法，所述方法包括以下步骤：

3、获取热等静压机各通道状态变量时间序列；对每个所述状态变量时间序列分别进行相空间重构并建立概率密度边界模型；根据所述概率密度边界模型，计算各通道实时相点的健康偏离度；

4、若存在任一通道的所述健康偏离度满足对应的预警条件，则触发预警并截取各通道状态变量时间序列得到状态变量时序数据切片；将所述状态变量时序数据切片输入时序卷积网络模型提取故障演化特征向量，基于所述故障演化特征向量与预设的各故障对应的各标准特征向量确定当前故障模式及其关联的异常现象清单；根据所述异常现象清单生成证据节点集合；

5、将所述证据节点集合输入预先构建的热等静压机因果图网络，在所述因果图网络上运行信念传播算法，确定所述当前故障模式的根本原因；基于所述根本原因，在所述因果图网络上运行前向蒙特卡洛模拟，计算所有下游节点的影响得分；

6、将触发预警的通道所对应的健康偏离度经归一化映射为归一化严重度，根据所述归一化严重度、所述影响得分以及当前生产任务价值确定综合风险等级；根据所述综合风险等级自动匹配并执行对应的维护策略。

7、在上述方案的基础上，本发明还做出了如下改进：

8、进一步地，根据所述归一化严重度、所述影响得分以及当前生产任务价值计算综合风险得分，根据所述综合风险得分确定所述综合风险等级；若多个通道同时触发预警，则所述归一化严重度取多个预警通道归一化严重度中的最大值；

9、所述综合风险得分通过以下公式计算：

10、

11、式中，表示所述归一化严重度，表示影响得分，表示当前生产任务价值，表示预设的所述归一化严重度权重系数，表示预设的所述影响得分权重系数，表示预设的当前生产任务价值权重系数。

12、进一步地，所述计算所有下游节点的影响得分，包括：

13、从所述根本原因节点出发，沿所述因果图网络的有向边向其下游方向逐级传播，在传播过程中根据各边的传递函数或条件概率分布进行随机采样确定下游节点的状态；

14、重复执行多次随机游走，统计各下游节点在预测时间窗口内被判定为异常状态的概率；

15、根据各下游节点预设的严重度权重及其被判定为异常状态的概率，计算所有下游节点的影响得分。

16、进一步地，所述确定所述当前故障模式的根本原因，包括：

17、将所述证据节点集合中的各证据节点在所述因果图网络上运行信念传播算法进行迭代推理，计算各候选根因节点在给定所述证据节点观测状态条件下的后验概率；

18、选取后验概率最高的候选根因节点作为所述当前故障模式的根本原因。

19、进一步地，所述因果图网络为加权有向异构图，其节点至少包括零部件节点、参数节点和功能节点，每条边附带传递函数或条件概率表；

20、所述零部件节点用于表征发生故障的物理实体，作为所述候选根因节点；

21、所述参数节点用于承载从传感器数据实例化的观测证据，作为所述证据节点集合中的各证据节点；

22、所述功能节点用于表征故障对设备关键功能的影响作为所述各证据节点的所述下游节点，其被判定为异常状态的概率用于量化所述影响得分。

23、进一步地，所述基于所述故障演化特征向量与预设的各故障对应的各标准特征向量确定当前故障模式及其关联的异常现象清单，包括：

24、分别计算所述故障演化特征向量与所述预设的各故障对应的各标准特征向量的余弦相似度；

25、选取所述余弦相似度最高且超过预设匹配阈值的标准特征向量所对应的故障模式，作为当前故障模式；

26、从故障演化模式知识库中调取与当前故障模式预先关联存储的异常现象清单，所述异常现象清单包含一个或多个参数节点的异常状态描述；

27、所述故障演化模式知识库的每条记录至少包括故障模式标识、标准特征向量及其关联的异常现象清单。

28、进一步地，所述各通道状态变量时间序列至少包括超高压容器炉内压力信号、各加热区温度信号、炉壁温度信号、加热功率信号、真空度信号、补气阀动作信号以及循环冷却水进出水温差信号。

29、进一步地，所述预警条件为所述健康偏离度持续超过预设的预警阈值；所述预警阈值基于各通道历史健康偏离度的置信上限分别独立设定；所述历史健康数据选自设备运行状态稳定、产品合格率满足预设条件的多个炉次的保压阶段数据。

30、进一步地，所述综合风险等级包括iv级对应轻微偏离、iii级对应一般异常、ii级对应中等风险以及i级对应严重风险。

31、第二方面，本发明实施例提供了一种基于多通道动力学预警与因果推理的热等静压机智能运维系统，利用所述系统实现本发明第一方面中任一项所述的方法，所述系统包括：

32、健康偏离度获取模块，用于获取热等静压机各通道状态变量时间序列；对每个所述状态变量时间序列分别进行相空间重构并建立概率密度边界模型；根据所述概率密度边界模型，计算各通道实时相点的健康偏离度；

33、故障模式识别模块，用于判断若存在任一通道的所述健康偏离度满足对应的预警条件，则触发预警信号并截取各通道状态变量时间序列得到状态变量时序数据切片；将所述状态变量时序数据切片输入时序卷积网络模型提取故障演化特征向量，基于所述故障演化特征向量与预设的各故障对应的各标准特征向量确定当前故障模式及其关联的异常现象清单；根据所述异常现象清单生成证据节点集合；

34、因果图推理模块，用于存储因果图网络，接收所述证据节点集合，并在所述因果图网络上运行信念传播算法，确定所述当前故障模式的根本原因；基于所述根本原因，在所述因果图网络上运行前向蒙特卡洛模拟，计算所有下游节点的影响得分；

35、动态决策模块，用于将触发预警的通道所对应的健康偏离度经归一化映射为归一化严重度，根据所述归一化严重度、所述影响得分以及当前生产任务价值确定综合风险等级；根据所述综合风险等级自动匹配并执行对应的维护策略。

36、本技术方案的有益效果：

37、1、实现预警的超早期性与全维度覆盖

38、本发明通过多通道相空间重构技术，对压力、温度、冷却水三大通道（子系统）并行监测，在各通道（子系统）各自的相空间中建立动力学吸引子的柔性边界，通过健康偏离度量化实时波形畸变程度。在密封蠕变、加热元件初衰、冷却性能衰退等故障尚处于萌芽阶段、宏观参数完全处于工艺允许范围内时发出预警。

39、2、实现故障诊断的精准性与因果可解释性

40、本发明将时序卷积网络与因果图网络深度融合，解决了热等静压机跨系统耦合的难题。系统不仅能够从多变量时序数据中精准识别故障的具体演化模式，更能通过信念传播算法在多源证据下推理根本原因，并输出完整的物理因果链，解决了传统机器学习“黑箱”诊断结果难以取信于现场工程师的问题。

41、3、实现决策的自适应性与经济性

42、本发明首次将生产任务价值作为动态加权因子纳入风险分级模型，构建了融合健康偏离度、因果预测影响得分和任务价值的三维动态分级函数。实现维护策略与生产实际的无缝咬合，既避免了非关键生产中的过度维护，又确保了关键任务中对微小风险的零容忍，显著提升了设备综合利用率和运维经济性。

43、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。