双时间尺度结构化的智能体贝叶斯信念更新故障诊断方法与流程
本发明属于故障诊断的,具体涉及双时间尺度结构化的智能体贝叶斯信念更新故障诊断方法。
背景技术:
1、随着故障诊断技术的发展,其所利用的数据已由单一模态逐步扩展为多模态数据,能够为故障诊断提供互补信息从而提升整体的诊断精度。然而,实际运行中的多模态数据并不总是完整、准确和同步的。当某一模态的传感器发生故障、漂移或数据缺失时,异常数据可能被错误地作为有效证据参与诊断流程,导致误报率升高或诊断结果发生不合理跳变。传统集中式多模态诊断方法通常依赖各模态数据的完整性、准确性和同步性,因而难以适应上述情况。
2、为降低故障诊断对完整同步数据的依赖,可以引入多智能体协同诊断,由具有不同数据处理能力或专业诊断能力的智能体分别处理不同模态数据。各诊断智能体基于当前可获得的局部观测形成诊断判断,并通过信息交互和共识决策汇聚不同模态的诊断结果。该方式能够实现多模态数据的并行处理和专业化分析,并在部分模态数据异常或缺失时,利用其他有效模态继续进行故障判断。各诊断智能体需要根据自身局部证据、其他诊断智能体公开的判断以及历史交互信息,持续更新对候选故障状态的概率信念,并据此作出诊断和投票。因此,该协同诊断过程具有不完全信息贝叶斯博弈的特征。
3、现有基于贝叶斯推断或贝叶斯博弈的诊断方法,通常直接建立原始观测证据与候选故障状态之间的概率映射,缺少用于描述负荷异常、热异常、冷却异常和放电异常等诊断语义的中间状态,难以解释故障信念发生变化的具体原因。这导致当原始观测证据和数据出现异常的时候,故障诊断结果将难以避免地受到干扰,造成精度下降的问题。
4、基于现有的故障诊断方法存在的上述缺陷,本发明公开了双时间尺度结构化的智能体贝叶斯信念更新故障诊断方法。
技术实现思路
1、本发明公开了双时间尺度结构化的智能体贝叶斯信念更新故障诊断方法,使各诊断智能体能够在多模态数据不完整、不同步或存在冲突的条件下,基于局部观测计算可解释的证据似然,持续更新候选故障状态信念,并通过多智能体交互和共识投票形成协同诊断结果,从而提高变压器故障检测的鲁棒性。
2、本发明通过下述技术方案实现:
3、双时间尺度结构化的智能体贝叶斯信念更新故障诊断方法,基于诊断智能体实现,包括以下步骤:
4、步骤s1、处理诊断智能体的多模态观测数据,确定诊断对象以及关联诊断智能体的诊断数据,基于诊断数据获取诊断智能体的局部证据集,以及初始诊断信息,所述初始诊断信息包括候选故障状态的共享结构势;
5、步骤s2、基于诊断数据配置语义中间观察态变量及关联边集合,并基于语义中间观察态变量的初始局部条件概率和候选故障状态条件共享结构势,构造诊断智能体当前诊断过程的初始路径信念;
6、步骤s3、诊断智能体接收新增证据,计算新增证据、候选故障状态和语义路径之间的证据兼容势,基于初始路径信念递归更新诊断智能体当前诊断轮次的路径信念,基于更新后的路径信念获取当前轮次候选故障状态的后验信念,并计算候选故障状态与语义路径的联合后验;
7、步骤s4、基于联合后验生成故障证据链,基于故障证据链生成诊断智能体的结构化论证判断,基于结构化论证判断的结果进行有限轮投票,判断投票结果是否达到预设共识比例或最大协同轮数;若达到,则输出诊断结果;若没达到,则诊断智能体接收新增证据并返回步骤s3;
8、步骤s5、获取诊断智能体当前诊断过程的可信反馈,建立诊断智能体的诊断轨迹和可信反馈之间的三值结构反馈,基于三值结构反馈对候选故障状态的共享结构势执行有界的慢速更新;将更新后的共享结构势仅用于诊断智能体新一轮的诊断过程。
9、为了更好的实现本发明,进一步地,所述步骤s3具体包括:
10、步骤s31、诊断智能体接收新增证据,并将新增证据加入诊断智能体的历史信息,得到更新信息;
11、步骤s32、从更新信息中提取候选故障状态、语义路径,计算新增证据、候选故障状态和语义路径之间的兼容势,对兼容势输出实值评分,并通过正值校准映射将实值评分转换为证据兼容势;
12、步骤s33、从更新信息中提取诊断智能体在进行当前轮次更新之前保存的完整条件路径信念,将当前轮次的证据兼容势与完整条件路径信念结合得到全部语义路径,在候选故障状态限定下对全部语义路径进行归一化处理,得到诊断智能体当前轮次的路径信念;
13、步骤s34、对当前轮次的证据兼容势按照上一轮次的完整条件路径信念进行边缘化处理,得到当前轮次的新增证据对候选故障状态的总体支持程度;计算诊断智能体在当前轮次的新增证据更新前的候选故障状态信念;
14、步骤s35、将总体支持程度与候选故障状态信念结合,并在候选故障状态的限定下执行贝叶斯归一化处理,得到当前轮次候选故障状态的后验信念;
15、步骤s36、将候选故障状态、上一轮次的完整条件路径信念、当前轮次的证据兼容势进行联合归一化处理,得到诊断智能体的候选故障状态与语义路径的联合后验。
16、为了更好的实现本发明,进一步地,所述联合后验的计算公式为:
17、;
18、其中:表示采用r版本的共享结构势的诊断智能体i在第t轮次针对候选故障状态x与语义路径z的联合后验;
19、表示诊断智能体i在t-1轮次的新增证据更新前对候选故障状态x的候选故障状态信念;
20、表示采用r版本的共享结构势的诊断智能体i,基于历史信息在进行t-1轮次更新之前针对候选故障状态x和语义路径z保存的完整条件路径信念;
21、表示诊断智能体i在t轮次针对语义路径z和候选故障状态x的证据兼容势;
22、表示诊断智能体i在t-1轮次的新增证据更新前对候选故障状态的候选故障状态信念;
23、表示采用r版本的共享结构势的诊断智能体i,基于历史信息在t-1轮次更新之前针对候选故障状态和语义路径保存的完整条件路径信念;
24、表示诊断智能体i在t轮次针对候选故障状态和语义路径的证据兼容势;
25、x表示候选故障状态集合;表示语义路径集合;i表示第i个诊断智能体;t表示第t轮次诊断;t-1表示第t-1轮次诊断,即t轮次的前一轮次诊断;x和表示不同的候选故障状态;z和表示不同的语义路径;(r)表示共享结构势的版本为r。
26、为了更好的实现本发明,进一步地,所述步骤s33中,所述完整条件路径信念的初始值通过共享结构势构建,在后续过程中完整条件路径信念伴随路径信念递推传递,不再受到共享结构势影响。
27、为了更好的实现本发明,进一步地,所述步骤s5具体包括:
28、步骤s51、获取诊断智能体当前诊断过程的可信反馈,所述可信反馈包括监测模态,针对监测模态对应的二元语义中间观察态变量,构建包含关联边的关联边集合;
29、步骤s52、采用可信反馈对应的候选故障状态与关联边两端的二元观察态取值组合,建立监测模态对候选故障状态的三值结构反馈;
30、步骤s53、基于三值结构反馈,采用预设的学习步长对当前轮次的共享结构势进行有界的慢速更新;
31、步骤s54、诊断智能体在当前的诊断过程开始时,读取并固定共享结构势的版本,在当前诊断过程的初始轮次,采用共享结构势构造初始路径信念;采用新增证据递归更新得到的路径信念和候选故障状态的后验信念进行当前诊断过程后续轮次的诊断,并且不替换共享结构势;
32、步骤s55、完成可信反馈且更新后的共享结构势用于诊断智能体新一轮的诊断过程,已经完成的诊断过程保留其共享结构势。
33、为了更好的实现本发明,进一步地,所述步骤s53中,对当前轮次的共享结构势进行有界的慢速更新的计算模型为:
34、;
35、其中:表示r版本的共享结构势;表示学习步长,>0;表示基于、、的三值结构反馈;表示r+1版本的共享结构势;表示共享结构势的预设下界;表示共享结构势的预设上界;表示关联边第一端的语义中间观察态变量;表示关联边第二端的语义中间观察态变量;x表示候选故障状态;clip(…)表示截断函数。
36、为了更好的实现本发明,进一步地,所述步骤s4具体包括:
37、步骤s41、按照联合后验从高至低的顺序对候选故障状态与语义路径构成的候选组合进行排序,选取预设数量的候选组合或选取累积的联合后验达到预设比例的候选组合,作为当前诊断轮次的主要责任路径;
38、步骤s42、将主要责任路径中的语义中间观察态变量与对应的局部观测信息进行关联,形成结构化故障证据链;
39、步骤s43、计算主要责任路径的责任度,从故障证据链中提取故障证据摘要,诊断智能体根据候选故障状态的后验信念、主要责任路径、主要责任路径的责任度和故障证据摘要构建结构化论证判断;
40、步骤s44、计算诊断智能体针对候选故障状态获取的有效投票数,并计算表征候选故障状态的投票数在有效投票数中所占的表征比例;
41、步骤s45、设置预设共识比例和最大协同轮数,当表征比例大于等于预设共识比例时,诊断智能体输出当前诊断结果并转入步骤s5;当表征比例小于预设共识比例且当前轮次没有达到最大协同轮数时,公开当前轮次的结构化论证判断的结果和投票结果,并接受后续的新增证据后返回步骤s3。
42、为了更好的实现本发明,进一步地,若存在两个或两个以上的候选故障状态的有效投票数相同,将有效投票数相同的候选故障状态记为平票,保留候选故障状态的并列候选状态。
43、为了更好的实现本发明,进一步地,所述步骤s2具体包括:
44、步骤s21、根据故障诊断任务、监测模态和候选故障状态,配置共享语义中间状态空间,在共享语义中间状态空间中针对监测模态配置二元语义中间观察态变量;
45、步骤s22、在二元语义中间观察态变量之间配置关联边集合,关联边集合中的每一条关联边连接两个监测模态的语义中间观察态变量,并针对不同的候选故障状态学习对应的共享结构势;
46、步骤s23、根据诊断智能体掌握的初始局部观测信息和历史观测信息,计算语义中间观察态变量在候选故障状态下的局部支持因子;
47、步骤s24、对于每一条关联边,引入当前结构版本下的候选故障状态的共享结构势;
48、步骤s25、将局部支持因子与关联边上的共享结构势进行因子化组合,并进行归一化处理,得到诊断智能体在候选故障状态下的初始路径信念。
49、为了更好的实现本发明,进一步地,所述步骤s1具体包括:
50、步骤s11、获取多模态观测数据,从多模态观测数据中提取诊断对象、参与诊断的诊断智能体集合、候选故障状态集合和监测模态;
51、步骤s12、获取监测模态下诊断智能体的局部观测数据,针对局部观测数据获取其采样时间、数据到达时间、采样标记和数据质量,并对局部观测数据执行时间窗口处理、异常检测和语义化处理,得到诊断智能体在当前监测模态下的局部证据集;
52、步骤s13、读取诊断智能体在当前诊断过程中采用的共享结构势、上一轮诊断的候选故障状态信念、上一轮诊断的路径信念和诊断智能体的历史信息,将共享结构势、上一轮诊断的候选故障状态信念、上一轮诊断的路径信念和诊断智能体的历史信息封装为初始诊断状态。
53、本发明与现有技术相比,具有以下优点及有益效果:
54、(1)本发明引入了快速时间尺度的结构化贝叶斯信念更新机制,针对故障诊断中因异构模态数据质量下降造成故障诊断精度下降的问题,本发明利用大语言模型将每轮新增的局部观测转换为故障状态—语义路径的兼容势,并由外部概率模型结合上一轮故障信念和路径信念,对各诊断智能体的局部故障信念及语义路径信念进行递归贝叶斯更新,从而提升方法整体的鲁棒性和精度;
55、(2)本发明引入了慢速时间尺度的共享语义结构势学习机制,针对特定故障状态下不同模态及语义中间状态之间存在稳定关联、但当前诊断中的噪声和异常观测数据值不应直接改变长期结构知识的问题,本发明利用历史诊断过程回放、多轮协同记录以及真实故障标签、检修确认或可信运行反馈,学习故障状态条件下的共享语义结构势,以表达语义状态关联的增强、保持或削弱关系;在测试阶段固定所选结构势版本,并将更新后的结构势仅用于后续新的诊断过程,从而实现即时证据判断与历史结构知识的分离;
56、(3)本发明引入了基于联合后验的可信故障证据链生成机制,本发明从实际参与贝叶斯更新的故障状态—语义路径联合后验中计算路径责任度,并按照责任度对候选故障路径进行排序,关联相应的局部观测来源、支持证据、反证据、未观测模态、数据质量异常及模态冲突信息,形成结构化的故障证据链。所述证据链用于后续自然语言论证、协同投票和诊断审计,使故障原因解释能够对应实际的概率更新过程,避免仅依据最终故障类别由语言模型事后生成缺乏计算依据解释的问题;
57、(4)本发明通过交互信息采集、可配置中间状态解释层构建、因子化证据似然计算、贝叶斯风险信念更新、路径贡献解释以及历史反馈学习,形成了从风险观测、风险推断、风险解释到鲁棒协同支撑的闭环流程;该方法能够解决故障诊断中复杂条件下故障状态难以连续判断、信念更新过程难以解释、故障—语义状态关联难以稳定学习以及诊断结果难以有效支撑协同决策的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com