智慧养老物联网设备的自适应故障诊断与预警方法及系统与流程

摘要: 本发明涉及智能诊断,具体地涉及一种智慧养老物联网设备的自适应故障诊断与预警方法及系统。背景技术:1、随着我国人口老龄化程度持续加深,智慧养老已成为养老产业转型升...
智慧养老物联网设备的自适应故障诊断与预警方法及系统与流程

本发明涉及智能诊断,具体地涉及一种智慧养老物联网设备的自适应故障诊断与预警方法及系统。

背景技术:

1、随着我国人口老龄化程度持续加深,智慧养老已成为养老产业转型升级的核心方向。物联网技术作为智慧养老的核心支撑,已广泛应用于养老机构的老人体征监测、居住环境管控、安全应急防护、日常起居服务等全场景。现有的规模化连锁养老机构,全面部署了智能手环、人体姿态监测设备、室内温湿度传感器、烟雾报警器、紧急呼叫终端等各类物联网设备,构建了全覆盖的智能养老服务体系。

2、然而,在实际运营过程中,养老物联网设备的故障诊断与预警面临突出难题。现有技术通常采用固定阈值判定与人工巡检复核相结合的方式,即预先为每类设备设定固定的报警阈值,当设备观测值超出阈值时触发告警,再由运维人员现场复核。部分改进方案引入单一机器学习模型,对设备原始时序数据进行异常检测。但这些方案在养老场景中暴露出明显不足。

3、其一,养老场景中人员活动频繁、家具遮挡、温湿度瞬变等场景扰动与设备真实故障在观测信号中高度混叠。现有方法仅采集设备原始时序参数,缺乏场景上下文语义,无法从数学上将场景扰动、设备老化漂移与真实故障突变进行可解释性分离,往往将老人活动引起的正常波动误判为设备故障,或者将缓慢的设备老化漂移当作正常波动而漏报,导致误报率和漏报率居高不下。

4、其二,养老场景中隐性故障样本稀缺且类别严重不均衡。设备数据漂移、间歇性掉线等隐性故障样本仅占极低比例,且标注困难。现有方法普遍缺乏对隐性故障样本稀缺和类别不均衡的针对性处理,直接训练会使模型严重偏向正常样本,导致高危险性隐性故障被大量漏报。

5、其三,现有多数诊断模型静态固化,无法适配设备老化、环境变化带来的运行状态波动,且缺乏跨设备关联分析能力。养老机构中多设备密集部署、协同运行,单一设备故障易引发连锁异常,传统方法无法挖掘设备间的故障传播路径,难以定位核心故障节点,诊断策略也无法随场景变化动态优化。

6、其四,现有预警机制多采用固定阈值,未结合设备老化程度、养老业务风险等级和时段安全优先级进行动态调整。所有故障统一告警,导致运维人员无法优先处置高危故障,应急处置效率低下,无效告警数量多,运维资源配置不合理。

技术实现思路

1、本发明实施方式的目的是提供一种智慧养老物联网设备的自适应故障诊断与预警方法及系统,以至少解决现有技术存在着场景扰动与设备故障在观测信号中高度混叠、诊断模型静态固化且缺乏跨设备关联分析能力以及预警阈值固定的问题。

2、为了实现上述目的,本发明第一方面提供一种智慧养老物联网设备的自适应故障诊断与预警方法,所述方法包括:

3、获取目标场景中物联网设备的观测时序数据、场景上下文数据和业务属性数据;

4、依据场景上下文数据,对观测时序数据进行解耦,得到场景扰动分量、设备老化漂移分量和真实故障分量;其中,通过滑动窗口动态基线拟合提取场景扰动分量,在剔除场景扰动分量后通过自适应变分模态分解提取设备老化漂移分量,并将观测时序数据减去场景扰动分量和设备老化漂移分量得到真实故障分量;

5、根据场景扰动分量、设备老化漂移分量、真实故障分量及业务属性数据,构建融合故障、场景和业务风险的三维耦合特征;

6、将各设备的三维耦合特征作为图节点初始特征输入图神经网络与强化学习融合模型,通过跨设备关联特征聚合和诊断策略动态优化,得到故障诊断结果和故障传播溯源结果;

7、根据由设备老化漂移分量确定的设备老化漂移度、业务风险得分以及由场景上下文数据确定的时段调节因子,动态生成预警阈值,并按照预警级别输出预警信息。

8、优选地,所述观测时序数据包括传感器采样值、供电电压、网关丢包率、信号强度、采样时间戳中的至少一种;所述场景上下文数据包括时段、房间类型、人体存在事件、门窗开关事件、护理人员出入事件中的至少一种;所述业务属性数据包括照护等级、设备业务安全等级、业务风险权重中的至少一种。

9、优选地,在解耦之前,所述方法还包括:采用时序加权高斯核插值将不同采样频率的观测时序数据映射到统一时间轴,且根据设备类型自适应设定时序平滑带宽,高危监护设备的时序平滑带宽小于普通环境设备的时序平滑带宽。

10、优选地,所述滑动窗口动态基线拟合包括:以当前时刻为中心的滑动窗口内,基于观测时序数据执行场景基线求解,并对场景基线施加平滑正则约束,以确定场景扰动分量,且所述滑动窗口的范围根据场景上下文数据中的场景事件类型自适应确定;

11、所述自适应变分模态分解包括:迭代更新中心频率与带宽参数,将残余信号分解为不同频带模态分量,并保留表征设备缓慢老化的低频分量;其中,残余信号为观测时序数据剔除场景扰动分量后的信号。

12、优选地,所述三维耦合特征包括:场景扰动强度因子、设备漂移老化度和业务风险得分;其中,场景扰动强度因子为场景扰动分量在时间窗口内的方差与历史同时段同场景事件下正常场景参考方差的比值;设备漂移老化度为漂移分量相对设备出厂标准基线的平均绝对偏移;业务风险得分基于设备类型、故障模式与养老业务的关联张量、业务安全权重和故障模式耦合系数计算。

13、优选地,所述三维耦合特征中的业务风险得分通过以下方式确定:根据设备类型与故障模式的对应关系,查询预设的设备类型、故障模式与养老业务的关联张量,得到当前故障模式对各项养老业务的耦合强度;结合各项养老业务的安全权重和当前设备故障引发该项业务失效的历史概率,计算得到业务风险得分。

14、优选地,所述图神经网络与强化学习融合模型包括:构建以物联网设备为节点、设备间数据传输关联和场景关联为边的异构网络拓扑图;通过多层图神经网络消息传递逐层聚合邻域设备特征,更新节点隐藏表示;强化学习以设备运行环境变化、设备老化程度和历史故障诊断结果为状态,以调整判定权重和调整检测优先级为动作构建奖励函数,利用所述奖励函数指导多层图神经网络迭代更新。

15、第二方面,本发明提供了一种智慧养老物联网设备的自适应故障诊断与预警系统,用于实现上述的智慧养老物联网设备的自适应故障诊断与预警方法,所述系统包括:

16、数据感知模块,用于获取目标场景中物联网设备的观测时序数据、场景上下文数据和业务属性数据;

17、数据解耦模块,用于依据场景上下文数据,对观测时序数据进行解耦,得到场景扰动分量、设备老化漂移分量和真实故障分量;其中,通过滑动窗口动态基线拟合提取场景扰动分量,在剔除场景扰动分量后通过自适应变分模态分解提取设备老化漂移分量,并将观测时序数据减去场景扰动分量和设备老化漂移分量得到真实故障分量;

18、特征构建模块,用于根据场景扰动分量、设备老化漂移分量、真实故障分量及业务属性数据,构建融合故障、场景和业务风险的三维耦合特征;

19、智能诊断模块,用于将各设备的三维耦合特征作为图节点初始特征输入图神经网络与强化学习融合模型,通过跨设备关联特征聚合和诊断策略动态优化,得到故障诊断结果和故障传播溯源结果;

20、预警决策模块,用于根据由设备老化漂移分量确定的设备老化漂移度、业务风险得分以及由场景上下文数据确定的时段调节因子,动态生成预警阈值,并按照预警级别输出预警信息。

21、第三方面,本发明提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的智慧养老物联网设备的自适应故障诊断与预警方法。

22、第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的智慧养老物联网设备的自适应故障诊断与预警方法。

23、本发明的有益效果是:

24、1、本发明依据场景上下文数据对观测时序数据进行解耦,通过滑动窗口动态基线拟合提取场景扰动分量,在剔除场景扰动分量后通过自适应变分模态分解提取设备老化漂移分量,并将观测时序数据减去场景扰动分量和设备老化漂移分量得到真实故障分量。由此,从数据源头实现了场景扰动、设备老化漂移与真实故障的可解释性数学分离,避免了将老人活动引起的正常波动误判为故障,也避免了将缓慢老化漂移当作正常波动而漏报,显著降低了误报率和漏报率;

25、2、本发明将各设备的三维耦合特征作为图节点初始特征输入图神经网络与强化学习融合模型,通过跨设备关联特征聚合和诊断策略动态优化,得到故障诊断结果和故障传播溯源结果。图神经网络能够挖掘多设备之间的故障传播路径,实现关联故障溯源;强化学习以设备运行环境、老化程度和历史诊断结果为状态,以诊断权重调整和检测优先级调整为动作,且奖励函数包含业务风险得分项,对高危设备漏报设置更大惩罚权重,使模型在迭代中优先最小化高危设备漏报,动态适配场景变化,解决了传统模型静态固化的缺陷;

26、3、本发明根据设备老化漂移度、业务风险得分以及由场景上下文数据确定的时段调节因子,动态生成预警阈值,并按照预警级别输出预警信息。设备老化程度越大,阈值适度放宽以容忍缓慢漂移;业务风险越高,阈值越收紧;夜间高危监护时段阈值收紧,白天人员活动时段阈值放宽。由此实现了预警标准的动态可调、差异化分级,使运维人员能够优先处置高危故障,提升了应急处置效率和运维资源配置效率。