本發(fā)明涉及故障檢測，尤其是涉及一種智能因果修正的工業(yè)故障診斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)4.0和人工智能技術(shù)的快速發(fā)展，工業(yè)故障診斷系統(tǒng)在提升設(shè)備可靠性和生產(chǎn)效率方面發(fā)揮著關(guān)鍵作用，尤其在電力設(shè)備領(lǐng)域，如變壓器、發(fā)電機和輸電線路的維護中。然而，電力設(shè)備故障診斷面臨著顯著的挑戰(zhàn)，主要源于復(fù)雜的工作環(huán)境、多種故障模式和數(shù)據(jù)的不確定性。這些問題包括故障因果關(guān)系的模糊性、知識缺口（如未知的變量關(guān)聯(lián)和潛在故障鏈條）、以及多變量之間的復(fù)雜交互，導(dǎo)致診斷準(zhǔn)確性降低和響應(yīng)延遲。例如，在電力系統(tǒng)中，傳統(tǒng)方法可能無法有效捕捉“電壓波動引發(fā)溫度上升進而導(dǎo)致絕緣故障”的動態(tài)關(guān)聯(lián)，特別是在數(shù)據(jù)變異或新故障模式出現(xiàn)時。

2、傳統(tǒng)的故障診斷方法通常依賴預(yù)定義的閾值或靜態(tài)模型，無法動態(tài)適應(yīng)變化的環(huán)境，忽略了潛在的故障鏈條和交叉影響，從而在處理未知故障或數(shù)據(jù)變異時表現(xiàn)不佳。這種局限性不僅降低了診斷的可解釋性和可靠性，還增加了維護成本和風(fēng)險。?具體體驗在以下幾個方面：

3、電力設(shè)備監(jiān)測數(shù)據(jù)普遍存在由惡劣環(huán)境引起的噪聲干擾、數(shù)據(jù)缺失及異常波動，嚴(yán)重影響數(shù)據(jù)可靠性；同時，關(guān)鍵診斷信息分散在多源異構(gòu)數(shù)據(jù)中，傳統(tǒng)方法缺乏有效機制進行深度融合和高質(zhì)量處理，導(dǎo)致數(shù)據(jù)價值未能充分挖掘，限制了診斷精度和魯棒性；

4、現(xiàn)有系統(tǒng)在因果關(guān)系建模方面基于統(tǒng)計方法時，魯棒性不足，容易受限于數(shù)據(jù)噪聲、異常值和任務(wù)信息的局限性，導(dǎo)致因果圖構(gòu)建不穩(wěn)定或不可靠，進而降低故障診斷的整體性能和抗干擾能力；

5、傳統(tǒng)的基于預(yù)設(shè)規(guī)則或單一統(tǒng)計模型的方法難以動態(tài)捕捉電力設(shè)備在高維、時變運行環(huán)境下產(chǎn)生的復(fù)雜、非線性、帶有時滯的故障因果鏈條，現(xiàn)有系統(tǒng)在因果關(guān)系建模方面基于神經(jīng)網(wǎng)絡(luò)方法時，可解釋性不高，無法充分利用llm的語義推理和圖神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)能力，導(dǎo)致因果圖不完整、缺乏透明度，影響診斷結(jié)果的可靠性與用戶可信度；

6、電力設(shè)備故障診斷系統(tǒng)缺少實時知識更新和反饋優(yōu)化機制，知識庫無法根據(jù)新數(shù)據(jù)或用戶反饋動態(tài)擴展和修正，導(dǎo)致系統(tǒng)在面對新故障模式或環(huán)境變化時適應(yīng)性差，診斷結(jié)果可能滯后或不準(zhǔn)確，無法實現(xiàn)持續(xù)學(xué)習(xí)的閉環(huán)優(yōu)化；

7、傳統(tǒng)的診斷結(jié)果常為簡單的故障標(biāo)簽或告警，缺乏對故障發(fā)生原因、傳播路徑和潛在影響的清晰、邏輯化的解釋。同時，未能有效量化診斷結(jié)論的置信度以及預(yù)測結(jié)果的不確定性，降低了用戶對診斷建議的信任度和決策效率。

技術(shù)實現(xiàn)思路

1、為了解決上述提到的問題，本發(fā)明提供一種智能因果修正的工業(yè)故障診斷方法及系統(tǒng)。通過集成大語言模型（llm）、圖神經(jīng)網(wǎng)絡(luò)（gnn）及專家知識庫，實現(xiàn)了因果關(guān)系的自動化構(gòu)建、動態(tài)優(yōu)化及實時修正，從而顯著提升了診斷的魯棒性、可解釋性和適應(yīng)性。

2、第一方面，本發(fā)明提供的一種智能因果修正的工業(yè)故障診斷方法，采用如下的技術(shù)方案：

3、一種智能因果修正的工業(yè)故障診斷方法，包括：

4、獲取監(jiān)測數(shù)據(jù)和用戶任務(wù)需求；

5、基于獲取的用戶任務(wù)需求構(gòu)建任務(wù)結(jié)構(gòu)信息；

6、通過三層級聯(lián)式框架處理監(jiān)測數(shù)據(jù)生成元數(shù)據(jù)；

7、利用任務(wù)結(jié)構(gòu)信息和元數(shù)據(jù)構(gòu)建初始因果圖結(jié)構(gòu)；

8、通過圖神經(jīng)網(wǎng)絡(luò)對初始因果圖結(jié)構(gòu)進行深度優(yōu)化，得到因果復(fù)合關(guān)系圖；

9、利用因果復(fù)合關(guān)系圖并結(jié)合知識庫進行故障診斷和信息檢索；

10、生成結(jié)構(gòu)化診斷報告。

11、進一步地，所述基于獲取的用戶任務(wù)需求構(gòu)建任務(wù)結(jié)構(gòu)信息，包括對于當(dāng)前任務(wù)t1，計算與歷史任務(wù)知識庫中一個或多個歷史任務(wù)t2的相似度，通過混合相似度機制以綜合考慮任務(wù)的語義內(nèi)容和結(jié)構(gòu)化變量集合的相似性，表示為：

12、

13、其中， emb( t)表示任務(wù) t的關(guān)鍵實體嵌入向量， var( t)表示任務(wù) t中標(biāo)準(zhǔn)化監(jiān)測變量集合， α 1表示權(quán)重參數(shù)， cosine表示向量之間的余弦相似度，反映任務(wù)在語義空間中的接近程度， jaccard表示集合之間共享變量的比例，反映任務(wù)在關(guān)鍵變量的結(jié)構(gòu)化重疊程度。

14、進一步地，所述通過三層級聯(lián)式框架處理監(jiān)測數(shù)據(jù)生成元數(shù)據(jù)，包括首先采用robust?scaling方法對監(jiān)測數(shù)據(jù)執(zhí)行特征歸一化處理，基于數(shù)據(jù)的四分位數(shù)和中位數(shù)進行縮放并針對時序特征矩陣中的缺失區(qū)域，利用缺失點前若干個最新有效觀測值的加權(quán)平均進行插值；然后通過中位數(shù)絕對偏差對監(jiān)測數(shù)據(jù)中的噪聲水平進行估計，基于估計的噪聲水平檢測到的高頻成分，采用小波變換進行多尺度分解，將數(shù)據(jù)序列被分解成低頻近似系數(shù)和高頻細(xì)節(jié)系數(shù)；對于低頻噪聲、非高斯分布噪聲或結(jié)構(gòu)性噪聲，采用基于gan的去噪模型進行抑制。

15、進一步地，所述利用任務(wù)結(jié)構(gòu)信息和元數(shù)據(jù)構(gòu)建初始因果圖結(jié)構(gòu)，包括首先利用granger因果檢驗算法構(gòu)建因果圖 g granger，通過分析變量間的時序預(yù)測關(guān)系生成有向圖，表示為：

16、

17、其中， rss resticted是僅使用 b的歷史數(shù)據(jù)擬合的殘差平方和， rss unresticted是使用 i和 j的歷史數(shù)據(jù)擬合的殘差平方和， k表示滯后階數(shù)，基于自相關(guān)函數(shù)分析動態(tài)選擇， p表示自回歸階數(shù)，算法假設(shè)若變量j的過去值能顯著改善對變量 i的預(yù)測，即 f值高于設(shè)立的閾值，則存在 j→ i的因果關(guān)系。

18、進一步地，所述利用任務(wù)結(jié)構(gòu)信息和元數(shù)據(jù)構(gòu)建初始因果圖結(jié)構(gòu)，還包括利用基于條件獨立性測試的pc算法假設(shè)所有變量間可能存在潛在因果關(guān)系，從全連接圖開始逐步增加條件集 k，測試變量 i和 j的條件獨立性；通過迭代增加k，算法逐步移除冗余邊，構(gòu)建稀疏的無向骨架圖，結(jié)合meek規(guī)則推斷邊方向構(gòu)建有向圖gpc，其中，對于初始條件集k，計算每個變量對(i,?j)的相關(guān)系數(shù) r ij∣ k，并測試其條件獨立性分?jǐn)?shù) z：

19、

20、其中， r ij∣ k是變量 i和 j在給定條件集 k下的部分相關(guān)系數(shù)， n是樣本大小。z值的絕對值越大，表示相關(guān)性越強，從而拒絕條件獨立性假設(shè)。

21、進一步地，所述利用任務(wù)結(jié)構(gòu)信息和元數(shù)據(jù)構(gòu)建初始因果圖結(jié)構(gòu)，還包括利用ges算法假設(shè)變量間無直接因果連接，從空圖開始采用貪婪搜索策略構(gòu)建圖結(jié)構(gòu) g ges，通過前向搜索添加邊和后向搜索移除邊，最大化一個全局評分函數(shù)，其中，從空圖開始計算所有邊的評分增益，在前向階段添加得分最高的邊，直到?jīng)]有操作能優(yōu)化評分函數(shù)，在后向階段移除冗余邊以進一步優(yōu)化評分函數(shù)，以保證局部最優(yōu)解的逼近全局最優(yōu)，表示為：

22、

23、其中，是變量 i給定其父節(jié)點的概率，| e|是邊數(shù)， λ是正則化參數(shù)。

24、進一步地，所述利用任務(wù)結(jié)構(gòu)信息和元數(shù)據(jù)構(gòu)建初始因果圖結(jié)構(gòu)，還包括利用llm和工業(yè)知識圖譜對四個候選因果圖進行初步優(yōu)化，其中，利用高維文本嵌入模型bert將每個關(guān)注變量在知識先驗中映射到高維連續(xù)向量空間 emb，作為llm進行語義評估的基礎(chǔ)輸入；再將元數(shù)據(jù)向量特征 x total與 emb進行組合生成嵌入向量 x，并結(jié)合多源信息置信度計算綜合置信度：將llm優(yōu)化后的多個候選因果圖融合，生成初步的綜合因果圖g，融合過程基于貝葉斯網(wǎng)絡(luò)框架，結(jié)合數(shù)據(jù)驅(qū)動置信度、llm語義置信度和領(lǐng)域知識先驗，確保圖結(jié)構(gòu)的連通性和無環(huán)性。

25、進一步地，所述通過圖神經(jīng)網(wǎng)絡(luò)對初始因果圖結(jié)構(gòu)進行深度優(yōu)化，得到因果復(fù)合關(guān)系圖，包括以初步構(gòu)建的因果圖及混合特征為輸入，基于圖神經(jīng)網(wǎng)絡(luò)依次實現(xiàn)圖嵌入表示、邊權(quán)優(yōu)化和因果路徑增強，并利用llm對潛在因果結(jié)構(gòu)進行語義補全與推理校正，其中，將當(dāng)前因果圖的優(yōu)化圖與系統(tǒng)維護的歷史因果圖庫中所有相關(guān)的歷史因果圖生成圖級別的全局節(jié)點嵌入和邊嵌入，建立非對稱圖相似度評估函數(shù) s( g opt, g hist)，用于量化當(dāng)前優(yōu)化圖 g opt與歷史因果圖 g hist之間的結(jié)構(gòu)與語義雙重相似性，表示為：

26、

27、其中，表示節(jié)點集合的jaccard相似度，表示邊集合的歸一化hamming距離，表示圖譜核心拓?fù)涮卣飨蛄康挠嘞蚁嗨贫取?/p>

28、進一步地，所述通過圖神經(jīng)網(wǎng)絡(luò)對初始因果圖結(jié)構(gòu)進行深度優(yōu)化，得到因果復(fù)合關(guān)系圖，還包括將llm融入gnn的訓(xùn)練循環(huán)，形成交互式反饋機制，gnn訓(xùn)練若干輪后，將當(dāng)前圖結(jié)構(gòu)和節(jié)點與邊表示反饋給llm，llm結(jié)合語義校驗流程評估邊或路徑合理性，輸出修正信號，公式為聯(lián)合損失更新：

29、

30、其中， l gnn表示gnn預(yù)測損失，表示權(quán)重參數(shù)， l llm_feedback表示llm生成的監(jiān)督損失，公式如下：

31、

32、其中， c llm( e)表示邊 e的llm語義置信度， p( e)表示gnn預(yù)測邊概率， entropy( g)表示圖熵，表示權(quán)重參數(shù)。

33、進一步地，所述利用因果復(fù)合關(guān)系圖并結(jié)合知識庫進行故障診斷和信息檢索，包括通過關(guān)鍵詞抽取與圖匹配技術(shù)，在本地知識庫中檢索與當(dāng)前診斷結(jié)果最相似的歷史故障實例，采用語義向量嵌入與因果結(jié)構(gòu)匹配聯(lián)合判據(jù)計算相似度，當(dāng)相似度高于預(yù)設(shè)閾值時，系統(tǒng)提取匹配案例的關(guān)鍵信息，生成自然語言化診斷報告，?若檢索失敗，利用不確定性采樣提取相關(guān)條目和llm生成結(jié)構(gòu)化元數(shù)據(jù)，將新知識增量整合到本地知識庫中，并反饋到因果圖以擴展因果圖的覆蓋范范圍，重新計算相似度和生成報告，相似度表示為：

34、

35、其中， r為當(dāng)前診斷結(jié)果， c為歷史故障案例， sim emb( r, c)表示故障描述的語義相似度， sim topo( r, c)表示故障因果鏈路的結(jié)構(gòu)相似度，表示權(quán)重參數(shù)。

36、第二方面，一種智能因果修正的工業(yè)故障診斷系統(tǒng)，包括：

37、數(shù)據(jù)獲取模塊，被配置為，獲取監(jiān)測數(shù)據(jù)和用戶任務(wù)需求；

38、任務(wù)結(jié)構(gòu)模塊，被配置為，基于獲取的用戶任務(wù)需求構(gòu)建任務(wù)結(jié)構(gòu)信息；

39、元數(shù)據(jù)模塊，被配置為，通過三層級聯(lián)式框架處理監(jiān)測數(shù)據(jù)生成元數(shù)據(jù)；

40、因果圖模塊，被配置為，利用任務(wù)結(jié)構(gòu)信息和元數(shù)據(jù)構(gòu)建初始因果圖結(jié)構(gòu)；

41、深度優(yōu)化模塊，被配置為，通過圖神經(jīng)網(wǎng)絡(luò)對初始因果圖結(jié)構(gòu)進行深度優(yōu)化，得到因果復(fù)合關(guān)系圖；

42、故障診斷模塊，被配置為，利用因果復(fù)合關(guān)系圖并結(jié)合知識庫進行故障診斷和信息檢索；

43、報告模塊，被配置為，生成結(jié)構(gòu)化診斷報告。

44、第三方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，其中存儲有多條指令，所述指令適于由終端設(shè)備的處理器加載并執(zhí)行所述的一種智能因果修正的工業(yè)故障診斷方法。

45、第四方面，本發(fā)明提供一種終端設(shè)備，包括處理器和計算機可讀存儲介質(zhì)，處理器用于實現(xiàn)各指令；計算機可讀存儲介質(zhì)用于存儲多條指令，所述指令適于由處理器加載并執(zhí)行所述的一種智能因果修正的工業(yè)故障診斷方法。

46、綜上所述，本發(fā)明具有如下的有益技術(shù)效果：

47、與現(xiàn)有技術(shù)相比，本技術(shù)的智能因果修正的工業(yè)故障診斷系統(tǒng)具有以下有益效果：通過集成llm與圖神經(jīng)網(wǎng)絡(luò)的創(chuàng)新結(jié)構(gòu)，系統(tǒng)能夠動態(tài)優(yōu)化因果關(guān)系模型，自動學(xué)習(xí)和修正故障關(guān)聯(lián)，利用llm的語義推理和圖注意力機制增強因果圖的可解釋性，顯著提升診斷的魯棒性和準(zhǔn)確性；此外，系統(tǒng)的閉環(huán)優(yōu)化機制實現(xiàn)實時知識更新和任務(wù)調(diào)度，靈活應(yīng)對多變量交互和動態(tài)環(huán)境變化，提高診斷效率和可靠性，為電力設(shè)備故障診斷的后續(xù)決策、維護和優(yōu)化提供了堅實基礎(chǔ)。

48、針對傳統(tǒng)因果圖構(gòu)建方法存在的局限性，本系統(tǒng)進一步采用大語言模型執(zhí)行語義推理與知識補全，并結(jié)合圖神經(jīng)網(wǎng)絡(luò)進行特征提取與故障關(guān)聯(lián)挖掘，使因果圖能夠更全面地適應(yīng)多變量交互和動態(tài)故障場景?；谠鰪姷囊蚬麍D，系統(tǒng)生成結(jié)構(gòu)化診斷報告，并支持實時知識更新和決策輔助，實現(xiàn)電力設(shè)備故障診斷的智能化和閉環(huán)優(yōu)化。