基于全域设备健康态势的项目运维智能评估与预测方法与流程

本发明属于智慧城市照明运维管理，涉及一种基于全域设备健康态势的项目运维智能评估与预测方法。

背景技术：

1、随着物联网技术和智慧城市建设的深入推进，城市照明系统已从传统的独立灯具控制发展为“灯联网”智能控制系统。灯联网系统通常由数万盏led路灯节点、集成于每盏灯内的单灯控制器、回路级集中控制器、边缘网关、配电回路及后端云平台构成，形成了供电拓扑、通信拓扑与空间拓扑深度耦合的复杂异构网络。

2、在实际运行中，灯联网设备面临多源应力的联合作用：供电回路内的电压波动、谐波畸变和三相不平衡对设备电气寿命产生影响；高温、高湿、粉尘和振动等环境应力加速led光源和驱动电源退化；调光深度和负载率的变化改变设备内部热应力和电应力水平；通信质量的劣化则导致设备状态监测的盲区和数据缺失。上述多源应力共同作用下，设备健康状态呈现出空间聚集性、时间滞后性和故障传播性等复杂特征。

3、现有技术中，针对灯联网设备的健康评估和故障预测主要存在以下不足：

4、第一，图构建方式缺乏物理拓扑约束。 部分现有方案基于电气波形相关性和信道特征相似性构建动态拓扑图，其本质是纯数据驱动的邻接矩阵学习。然而，灯联网中数据相关性并不总是与物理供电逻辑和通信逻辑一致。例如，同一回路内两盏相距较远的灯可能因负载工况差异而呈现较低的波形相关性，但在电气故障发生时，故障会沿供电线路传导，二者之间存在物理上的强耦合关系。单纯依赖数据相关性构建图结构，会在故障传播建模中引入系统性偏差。

5、第二，时空特征提取缺乏多时间尺度融合。 led光源的光衰是跨数月的缓慢退化过程，驱动电源的电容老化跨度为数千小时，而供电回路的电压骤降和谐波冲击则是秒级瞬态事件。现有方法通常采用单一时间窗口进行特征提取，无法同时捕捉慢速退化趋势和瞬时异常冲击，且在慢速退化已进入加速阶段时，瞬时异常的特征含义发生本质变化——同样的电流尖峰在健康设备和濒临失效设备中预示的故障风险完全不同。

6、第三，不确定性传播链路断裂。 深度时序网络输出的隐状态通常被直接作为退化模型的观测值，或直接映射为健康指数点估计。特征提取、时序建模和状态估计各环节的不确定性未被显式建模和传播，导致最终输出的健康指数和寿命预测缺乏可信度度量。运维人员无法区分“高置信度的低健康度预警”和“低置信度的低健康度预警”，也难以据此制定差异化的运维策略。

7、第四，多设备间的尾部相关性未被有效利用。 同一供电回路内的设备共享电气应力，同一通信子网内的设备共享通信质量退化。当回路内某一设备发生电压骤降或漏电流异常时，同回路其他设备承受的电气应力随之增大，故障风险呈现出下尾相关特征；当通信子网内网关性能劣化时，子网内所有节点的通信质量同步恶化，呈现出上尾相关特征。现有方案通常将每个设备作为独立个体进行评估，忽略了这种故障传播的尾部依赖结构，导致群体性故障的预警能力不足。

技术实现思路

1、本发明的目的在于：提供了一种基于全域设备健康态势的项目运维智能评估与预测方法，解决了上述技术问题。

2、本发明采用的技术方案如下：

3、1.一种基于全域设备健康态势的项目运维智能评估与预测方法，包括：获取全域灯联网设备的多源监测数据，并根据所述灯联网设备的供电拓扑、通信拓扑和空间位置构建设备异构图，所述设备异构图包括节点和边；对每个节点的多源监测数据进行多时间尺度时频特征提取，得到每个节点的健康特征向量，然后将各节点的健康特征向量输入图注意力网络进行空间聚合，得到每个节点的空间耦合特征；将每个节点的空间耦合特征按时序输入门控循环单元网络，得到每个节点的时空退化隐状态序列，然后将所述时空退化隐状态序列通过贝叶斯神经网络层映射为观测分布，所述观测分布包含均值和方差；将所述观测分布输入贝叶斯动态线性模型，以所述观测分布的均值和方差共同作为观测不确定性，在线估计每个节点的健康态势指数和剩余寿命概率分布；基于故障类型感知的差异化copula（连接函数）选择策略，对同一供电回路或同一通信子网内节点的健康态势指数进行尾部相关性分析，根据故障类型从预设的copula候选集中选择相应的copula计算尾部相关系数，并根据所述尾部相关系数对所述健康态势指数进行修正，得到全域设备健康态势评估结果；根据所述全域设备健康态势评估结果和所述剩余寿命概率分布生成运维策略。

4、可选地，所述多源监测数据包括电气参数、光学参数、环境参数、通信参数和运行参数；

5、所述设备异构图包括节点和边，所述节点包括灯具节点、单灯控制器节点、集中控制器节点、网关节点和配电回路节点；其中，供电边的权重由回路阻抗、供电距离和负载率确定，通信边的权重由接收信号强度指示、信噪比和丢包率动态更新，空间边的权重由地理距离按指数衰减确定；所述设备异构图的边权重根据后续图注意力网络聚合输出的反馈进行迭代更新，形成图构建与聚合之间的动态演化闭环；

6、所述多时间尺度包括短时窗口、中时窗口和长时窗口；其中，长时窗口提取的趋势特征作为退化先验，用于调制短时窗口特征的注意力权重；

7、所述图注意力网络采用多头注意力机制，其多个注意力头按照边类型划分并分别聚合相应类型邻居节点的消息，且聚合过程中根据贝叶斯神经网络层输出的观测方差动态调节注意力温度系数，当某一节点的观测方差超过预设阈值时，降低该节点作为消息传递源的权重；

8、所述贝叶斯动态线性模型的状态方程包含环境应力加速退化项，其过程噪声方差由该节点所在回路的copula尾部相关系数动态决定。

9、可选地，所述设备异构图的构建还包括以下物理约束：

10、供电边的权重随回路阻抗和供电距离的增大而减小，并随负载率的增大而增大；

11、通信边的权重随接收信号强度指示和信噪比的增大而增大，并随丢包率的增大而减小；

12、空间边仅在地理距离小于设定阈值时建立，且权重随地理距离的增大而减小；

13、当任一供电边的权重低于预设供电阈值时，强制将该供电边下游负载节点与其空间相邻节点之间的空间边权重置零；

14、当任一通信边的权重低于预设通信阈值时，该节点在图注意力网络聚合中不参与邻居消息传递，但将其作为观测盲区的先验不确定性注入贝叶斯神经网络层。

15、可选地，所述多时间尺度时频特征提取中：

16、所述短时窗口用于捕捉突变和瞬态异常，提取的特征包括峭度和峰值因子；

17、所述中时窗口用于捕捉日常波动模式，提取的特征包括均值、方差和样本熵；

18、所述长时窗口用于捕捉趋势性退化，提取的特征包括趋势项斜率和能量衰减率；

19、通过时间尺度注意力机制对三个时间尺度的特征进行加权融合；

20、当长时窗口的趋势项斜率表明设备已处于退化加速阶段时，短时窗口特征的注意力权重被增大；当长时窗口趋势项斜率表明设备处于健康平稳阶段时，短时窗口特征的注意力权重被抑制。

21、可选地，所述图注意力网络的多头注意力机制中：

22、将注意力头划分为供电边聚合头、通信边聚合头和空间边聚合头三组，分别聚合相应类型邻居节点的消息；

23、拼接时按各边类型的平均边权重进行加权融合；

24、所述注意力温度系数由贝叶斯神经网络层输出的观测方差动态调节，当某一节点的观测方差超过预设阈值时，该节点作为消息传递源的注意力权重被乘以一个小于1的衰减因子，从而降低其对邻居节点的影响。

25、可选地，所述贝叶斯神经网络层将门控循环单元网络输出的隐状态映射为观测分布的均值和方差，包括；

26、所述贝叶斯动态线性模型的状态方程包含环境应力加速退化项，所述环境应力加速退化项由环境温度和负载率共同决定；

27、在粒子滤波更新过程中，每个粒子的权重同时考虑所述观测分布的方差和贝叶斯动态线性模型的观测噪声方差；

28、所述过程噪声方差由该节点所在回路的copula尾部相关系数动态决定，尾部相关系数越大，过程噪声方差越大；

29、其中，所述环境应力加速退化项由环境温度与额定温度的比值经幂指数放大后，再乘以由负载率与额定负载的比值确定的负载加速因子得到。

30、可选地，所述差异化copula选择策略具体为：

31、对电气故障选择clayton copula（克莱顿连接函数）计算下尾相关系数；

32、对通信故障选择gumbel copula（冈贝尔连接函数）计算上尾相关系数；

33、对光衰退化选择gaussian copula（高斯连接函数）计算秩相关系数；

34、对综合性故障采用多个copula的凸组合构成混合copula，其权重由em算法在线估计；

35、当两种候选copula的aic值之差小于预设阈值时，采用贝叶斯模型平均而非硬选择，输出加权平均的尾部相关系数；

36、混合copula的权重估计达到稳态后才用于修正健康态势指数，否则沿用上一周期权重并标记为copula不确定状态；

37、所述修正按照如下规则进行：节点的健康态势指数根据其所在回路或通信子网内与其故障类型相同的邻居节点的最大尾部相关系数进行下调，下调幅度由预设的修正强度系数控制。

38、可选地，在运维策略执行后，还包括：

39、计算多维维护效果指标，根据所述维护效果指标对模型参数进行闭环调整，以及将维护效果数据聚合至同型号设备的先验退化系数中，实现跨设备知识迁移；

40、其中，所述多维维护效果指标包括健康恢复指标和不确定性校准改善指标；

41、所述健康恢复指标反映维护前后健康态势指数的改善程度；

42、所述不确定性校准改善指标反映维护前后观测方差相对于标称观测方差的改善程度；

43、当不确定性校准改善指标低于预期时，优先调整贝叶斯神经网络层的dropout率或贝叶斯动态线性模型的过程噪声；

44、将同一批次、同一型号灯具的维护效果数据聚合后，用于更新该型号所有设备的先验退化系数。

45、综上所述，由于采用了上述技术方案，本发明的有益效果是：

46、1. 物理拓扑约束与数据驱动的深度耦合。 本发明在设备异构图的构建中，将供电拓扑、通信拓扑和空间拓扑的物理约束显式嵌入边权重的计算中。供电边权重由回路阻抗、供电距离和负载率决定，反映了电气故障沿供电线路传播的物理衰减规律；通信边权重由rssi、snr和丢包率动态更新，反映了通信质量劣化对信息聚合可靠性的影响；空间边权重由地理距离指数衰减确定，反映了设备故障的空间聚集效应。更为关键的是，边权重并非静态计算后固定不变，而是根据图注意力网络的聚合输出进行迭代更新，形成“图构建—聚合—边权重再标定”的动态演化闭环。此外，当供电边权重低于阈值时，其下游负载节点的空间边被强制置零，避免了失电设备产生虚假的空间相关性；当通信边权重低于阈值时，该节点的观测信息不参与邻居消息传递，但将其作为“观测盲区”的先验不确定性注入贝叶斯层。上述物理约束驱动的图构建机制，解决了纯数据驱动方案中“数据相关性与物理逻辑不一致”时的误聚合问题。

47、2. 全链路不确定性可校准架构。 本发明构建了从gru到贝叶斯动态线性模型的全链路不确定性传播机制。贝叶斯神经网络层将gru隐状态映射为包含均值和方差的观测分布，而非点估计；粒子滤波更新中每个粒子的权重同时考虑该观测方差与贝叶斯动态线性模型的观测噪声方差；贝叶斯动态线性模型的过程噪声方差由该节点所在回路的copula尾部相关系数动态决定——与其他设备退化相关性越强的节点，其过程噪声越大，体现了共性应力扰动的影响。更为独特的是，bnn输出的观测方差被反馈至图注意力网络的注意力温度系数，当某节点自身传感器不可信（观测方差过大）时，模型自动降低该节点作为消息传递源的权重，转而从邻居节点借用健康状态信息。这种“自身不确定时听邻居”的机制，实现了空间聚合与不确定性量化的有机联动。

48、3. 故障类型感知的差异化copula尾部相关性修正。 本发明不是笼统地选择一种copula函数进行相关性分析，而是根据故障类型与copula尾部结构的物理匹配关系进行差异化选择：电气故障在供电回路内呈下尾相关（电压骤降、谐波冲击等异常事件会在回路内向下传播），选择clayton copula；通信故障在子网内呈上尾相关（节点群体同步劣化），选择gumbel copula；光衰退化呈对称的渐进相关，选择gaussian copula。当aic值相近时采用贝叶斯模型平均避免硬选择的脆弱性，混合copula权重达到稳态后才用于修正。修正规则明确为：节点健康态势指数按其所在回路或子网内与故障类型相同的邻居节点的最大尾部相关系数进行下调。这一机制不是用copula来做预测，而是用copula来量化同回路或子网节点间的尾部依赖强度并据此修正健康态势指数，为群体性故障预警提供了有效的数学工具。

49、4. 多时间尺度特征提取与跨尺度调制。 本发明通过短时、中时和长时三个时间窗口分别捕捉瞬态冲击、日常波动和趋势性退化，并引入了跨尺度的交互调制机制：长时窗口的趋势项斜率作为退化先验，调制短时窗口特征的注意力权重。当设备已处于退化加速阶段时，同样的瞬时异常被赋予更高的注意力权重；当设备处于健康平稳阶段时，瞬时异常被抑制。这种跨尺度调制解决了灯联网中“同一观测特征在不同退化阶段含义不同”的关键问题，避免了将健康设备的偶发噪声误判为故障前兆。

50、5. 闭环自演化与跨设备知识迁移。 本发明在运维策略执行后引入了多维维护效果评估，不仅评估健康指数的恢复程度，还评估不确定性校准的改善程度。当校准改善低于预期时，优先调整bnn的dropout率或过程噪声，而非简单上调噪声方差。同一批次、同一型号灯具的维护效果数据聚合后，更新该型号所有设备的先验退化系数，实现了“修一盏灯，优化一片灯”的群体智能机制，使评估预测模型能够从实际维护经验中持续学习，从根本上提升了模型在长期运行中的适应性和精度。