一种工业煤气管网的全链路故障诊断方法及装置与流程
本发明涉及故障诊断,尤其涉及一种工业煤气管网的全链路故障诊断方法及装置。
背景技术:
1、煤气柜、煤气管线、煤气排水器是工业煤气管网的三大核心关键设备,共同承担煤气储存、输送、冷凝水排放、管网稳压密封等核心功能,设备运行状态直接决定整套煤气管网的安全稳定性。
2、现有系统对煤气柜、煤气管线、煤气排水器采用独立监测模式,数据孤岛问题突出,仅依靠单设备固定阈值实现报警,无法识别管网连锁耦合故障。例如煤气柜压力异常波动易引发管网超压,进而造成多台排水器水封击穿泄漏,传统独立监测模式无法关联工况、溯源故障根源。并且传统监测方式依赖固定温度、液位、压力阈值判定故障,无法适配煤气负荷波动、环境温度变化、设备老化等动态工况,对淤堵伴热复合故障、轻微泄漏及设备劣化等隐性故障识别效果较差。煤气管网故障具备强耦合、强传导特性,管线腐蚀泄压、气柜活塞偏移、排水器冻堵窜气等故障相互关联影响,传统技术无法预判故障扩散趋势,仅能实现事后被动报警,难以开展预防性维保作业。
3、因此,急需提出一种工业煤气管网的全链路故障诊断方法及装置,解决现有技术中的系统对煤气柜、煤气管线、煤气排水器采用独立监测模式,无法识别管网连锁耦合故障,更加无法根据动态工况预判故障扩散趋势的技术问题。
技术实现思路
1、有鉴于此,有必要提供一种工业煤气管网的全链路故障诊断方法及装置,用以解决现有技术中的系统对煤气柜、煤气管线、煤气排水器采用独立监测模式,无法识别管网连锁耦合故障,更加无法根据动态工况预判故障扩散趋势的技术问题。
2、为了解决上述问题,第一方面,本发明提供一种工业煤气管网的全链路故障诊断方法,包括:
3、获取工业煤气管网的多模态数据;
4、基于预设的rag行业知识库对所述多模态融合数据进行特征匹配,得到异常数据集,并基于所述rag行业知识库和全链路故障知识图谱对异常数据集进行语义融合和逻辑校验,得到标准知识参考集;所述标准知识参考集包括单一故障特征判定依据和复合故障组合判定依据;
5、基于所述单一故障特征判定依据对所述异常数据集进行匹配,得到基础单一故障特征集合,并基于所述复合故障组合判定依据对所述基础单一故障特征集合中的故障特征进行复合判定,得到复合故障集合;所述复合故障集合包括每个复合故障的置信度;
6、基于所述全链路故障知识图谱和所述rag行业知识库对所述复合故障集合中的故障特征进行故障路径反向溯源和正向推演,得到故障扩散趋势预判结果;
7、根据所述故障扩散趋势预判结果和所述置信度进行故障诊断,得到故障诊断结果。
8、在一种可能的实现方式中,所述获取工业煤气管网的多模态数据,包括:
9、获取所述工业煤气管网中煤气柜、煤气管线和煤气排水器的设备监测数据和人工巡检图文记录;
10、对所述设备监测数据中的结构化时序数据进行时序切片、归一化和趋势差分计算,提取时序特征序列;
11、对所述设备监测数据中的非结构化声学数据进行降噪处理和转换处理,得到故障声纹序列;
12、对所述人工巡检图文记录中的图像数据进行视觉特征提取,得到图像特征序列;
13、将所述图像特征与所述人工巡检图文记录中的文本描述进行结合,得到融合特征序列;
14、将所述时序特征序列、所述故障声纹序列、所述图像特征序列和所述融合特征序列进行时序对齐,得到多模态融合数据。
15、在一种可能的实现方式中,所述基于所述rag行业知识库对所述多模态融合数据进行特征匹配,得到异常数据集,包括:
16、基于所述多模态融合数据中的数据特征在所述rag行业知识库中进行特征匹配,得到知识库检索结果;所述知识库检索结果包括预设的规则标准;
17、基于所述多模态融合数据中的结构化时序数据,将所述结构化时序数据中的每个采集值与所述规则标准中的预警阈值进行逐点比对,得到设备异常数据;
18、根据所述设备异常数据对应的设备信息进行故障定位,得到点位标签,并将所述多模态融合数据中的异常数据和所述点位标签进行绑定,得到异常数据集。
19、在一种可能的实现方式中,所述基于所述rag行业知识库和所述全链路故障知识图谱对所述异常数据集进行故障判断,得到标准知识参考集,包括:
20、基于所述异常数据集对所述全链路故障知识图谱进行故障匹配,得到知识图谱检索结果;
21、将所述知识库检索结果与所述知识图谱检索结果进行语义融合、逻辑校验与信息归一化处理,得到标准知识参考集。
22、在一种可能的实现方式中,所述标准知识参考集还包括耦合诱因和共生关联;所述基础单一故障特征集合中包括每个故障特征的特征匹配度和案例相似度;所述基于所述复合故障组合判定依据对所述基础单一故障特征集合中的故障特征进行复合判定,得到复合故障集合,包括:
23、基于所述复合故障组合判定依据、所述耦合诱因和所述共生关联对所述基础单一故障特征集合中的故障特征进行复合判定,得到复合故障集合;
24、根据所述特征匹配度和所述案例相似度,得到所述复合故障集合中每个复合故障的置信度。
25、在一种可能的实现方式中,所述根据所述特征匹配度和所述案例相似度,得到所述复合故障集合中每个复合故障的置信度,包括:
26、根据所述特征匹配度和所述案例相似度,得到每个故障特征的初始置信度;
27、根据所述共生关联中的共生概率,确定共生加权系数;
28、根据所述共生加权系数对所述初始置信度进行加权修正,得到修正后置信度;
29、根据所述复合故障集合中所述每个故障特征的所述修正后置信度和预设耦合诱因加成系数,得到所述复合故障集合中每个复合故障的置信度。
30、在一种可能的实现方式中,所述rag行业知识库中包括所述煤气柜、所述煤气管线和所述煤气排水器相关国家标准、设备额定参数、正常运行阈值、故障判定标准、防冻伴热规程、安全检修规范、典型事故案例及应急处置预案、各类复合故障样本、复合故障特征组合、故障叠加判定规则与历史处置案例;所述全链路故障知识图谱为以设备-工况-现象-诱因-连锁关系-处置方案为核心的实体关系网络。
31、在一种可能的实现方式中,所述基于所述全链路故障知识图谱和所述rag行业知识库对所述复合故障集合中的故障特征进行故障路径反向溯源和正向推演,得到故障扩散趋势预判结果,包括:
32、以所述复合故障集合中故障特征的故障点位和故障类型为起点,通过所述全链路故障知识图谱确定实体之间的连锁关联逻辑;所述实体包括设备实体、故障实体和工况实体;
33、根据所述连锁关联逻辑和所述时序特征序列进行故障路径反向溯源,得到初始故障源设备、原始故障类型及触发时间;
34、基于所述全链路故障知识图谱和所述rag行业知识库确定所述原始故障类型对应的故障传播规则和同类事故扩散案例;
35、基于所述故障传播规则、所述同类事故扩散案例、所述初始故障源设备和所述触发时间进行正向推演,得到故障扩散趋势预判结果。
36、在一种可能的实现方式中,所述根据所述故障扩散趋势预判结果和所述置信度进行故障诊断,得到故障诊断结果,包括:
37、将所述故障扩散趋势预判结果与所述rag行业知识库中的安全检修规范和典型事故案例进行交叉校验和链路修正,得到故障链路修正结果;
38、根据所述故障链路修正结果和所述置信度进行故障诊断,得到故障诊断结果。
39、第二方面,本发明还提供了一种工业煤气管网的全链路故障诊断装置,包括:
40、多模态融合模块,用于获取工业煤气管网的多模态数据;
41、故障判断模块,用于基于预设的rag行业知识库对所述多模态融合数据进行特征匹配,得到异常数据集,并基于所述rag行业知识库和全链路故障知识图谱对异常数据集进行语义融合和逻辑校验,得到标准知识参考集;所述标准知识参考集包括单一故障特征判定依据和复合故障组合判定依据;
42、复合判定模块,用于基于所述单一故障特征判定依据对所述异常数据集进行匹配,得到基础单一故障特征集合,并基于所述复合故障组合判定依据对所述基础单一故障特征集合中的故障特征进行复合判定,得到复合故障集合;所述复合故障集合包括每个复合故障的置信度;
43、趋势预判模块,用于基于所述全链路故障知识图谱和所述rag行业知识库对所述复合故障集合中的故障特征进行故障路径反向溯源和正向推演,得到故障扩散趋势预判结果;
44、故障诊断模块,用于根据所述故障扩散趋势预判结果和所述置信度进行故障诊断,得到故障诊断结果。
45、本发明的有益效果是:获取工业煤气管网的多模态数据;基于预设的rag行业知识库对多模态融合数据进行特征匹配,得到异常数据集,并基于所述rag行业知识库和全链路故障知识图谱对异常数据集进行语义融合和逻辑校验,得到标准知识参考集;标准知识参考集包括单一故障特征判定依据和复合故障组合判定依据;基于单一故障特征判定依据对异常数据集进行匹配,得到基础单一故障特征集合,并基于复合故障组合判定依据对基础单一故障特征集合中的故障特征进行复合判定,得到复合故障集合;复合故障集合包括每个复合故障的置信度,本发明全链路中煤气柜、煤气管线和煤气排水器的数据进行了多模态融合,通过多模态融合数据在单一故障特征判断的基础上进行了复合故障组合判定,实现了管网连锁耦合故障的检测;基于全链路故障知识图谱和rag行业知识库对复合故障集合中的故障特征进行故障路径反向溯源和正向推演,得到故障扩散趋势预判结果;根据故障扩散趋势预判结果和置信度进行故障诊断,得到故障诊断结果,从而实现了故障扩散趋势的预判。
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