(19)國家知識產(chǎn)權(quán)局(71)申請人長江三峽通航管理局路12號李萌孫榮周世豪張競宜(74)專利代理機構(gòu)宜昌市三峽專利事務(wù)所(54)發(fā)明名稱基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法本發(fā)明涉及基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法，獲取通航設(shè)備運行數(shù)據(jù)；采用改進SAITS算法，對缺失數(shù)據(jù)進行插補，并預(yù)測得到未來通航設(shè)備運行數(shù)據(jù)；采用自適應(yīng)異常檢測算法識別通航設(shè)備當(dāng)前和未來的異常狀態(tài)；根據(jù)識別得到的設(shè)備異常，構(gòu)建設(shè)備故障模式知識圖譜；利用數(shù)字孿生平臺對通航系統(tǒng)運行進行仿真，驗證設(shè)備異常的置信度，生成健康評估報告；若所述置信度不小于置信度閾值，則結(jié)合設(shè)備故障模式知識圖譜，生成異常應(yīng)對策略；對自適應(yīng)異常檢測算法進行增量學(xué)習(xí)或者重訓(xùn)練以提高檢測準(zhǔn)確性。本發(fā)明在提升通航設(shè)備管理效率、降低故障風(fēng)險、優(yōu)化維護成本等方面21.基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法，其特征在于，包括以下步S1:獲取通航設(shè)備運行數(shù)據(jù)；利用邊緣計算節(jié)點對航道拓撲感知數(shù)據(jù)進行預(yù)篩，對集群傳感器數(shù)據(jù)進行空間相關(guān)性校驗；建立環(huán)境因子修正矩陣，對受環(huán)境參數(shù)影響的傳感器數(shù)據(jù)進行動態(tài)補償；對通航設(shè)備運行數(shù)據(jù)進行清洗、整合和存儲；S2:采用改進SAITS算法，對缺失數(shù)據(jù)進行插補，并預(yù)測得到未來通航設(shè)備運行數(shù)據(jù)；S3:基于步驟S2得到的預(yù)測數(shù)據(jù)，采用自適應(yīng)異常檢測算法識別通航設(shè)備當(dāng)前和未來的異常狀態(tài)；根據(jù)識別得到的設(shè)備異常，構(gòu)建設(shè)備故障模式知識圖譜；S4:構(gòu)建通航系統(tǒng)的數(shù)字孿生模型，針對步驟S3中識別的設(shè)備異常情況，利用數(shù)字孿生平臺對通航系統(tǒng)運行進行仿真，驗證步驟S3中識別的設(shè)備異常的置信度，生成健康評估報告；若所述置信度不小于置信度閾值，則結(jié)合所述設(shè)備故障模式知識圖譜，生成異常應(yīng)對策S5:根據(jù)實際的通航設(shè)備檢測反饋，對自適應(yīng)異常檢測算法進行增量學(xué)習(xí)或者重訓(xùn)練以提高檢測準(zhǔn)確性。2.根據(jù)權(quán)利要求1所述的通航設(shè)備健康管理方法，其特征在于，步驟S2中，所述改進SAITS算法對現(xiàn)有的SAITS算法的改進包括：1)對季節(jié)性數(shù)據(jù)采用STL分解，通航系統(tǒng)運行情況與水位密切相關(guān)，航運量與汛期枯水期有一定關(guān)系，因此部分設(shè)備的運行情況呈現(xiàn)出明顯的季節(jié)性趨勢；通過STL分解技術(shù)，將原始的通航系統(tǒng)時間序列數(shù)據(jù)分解為趨勢、季節(jié)性和殘差，共同作為SAITS模型的輸入；2)異常樣本增強，SAITS模型在面對異常值時會失去準(zhǔn)確性；通過數(shù)據(jù)生成技術(shù)生成異常樣本，在訓(xùn)練SAITS模型時增加異常樣本的權(quán)重，強化對異常數(shù)據(jù)的學(xué)習(xí)能力，增強對異常數(shù)據(jù)預(yù)測的準(zhǔn)確性；3)引入反饋機制，SAITS模型預(yù)測數(shù)據(jù)誤差大，引入反饋機制能夠提高SAITS模型的準(zhǔn)確性和泛化能力；依據(jù)誤檢和漏檢情況，自適應(yīng)調(diào)整策略并重訓(xùn)練，包括調(diào)整掩蔽比例、增加注意力層以及利用異常樣本重訓(xùn)練。3.根據(jù)權(quán)利要求2所述的通航設(shè)備健康管理方法，其特征在于，步驟S2具體包括以下子步驟S201:掩蔽處理；假設(shè)SAITS模型輸入為X,針對原始缺失值引入指示掩模向量I;對每批輸入X,按比例選取觀察值進行隨機的人工掩蔽；經(jīng)過人工掩蔽后的時間序列為掩蔽特征向量X,缺失掩蔽向量為M;步驟S202:建立聯(lián)合優(yōu)化插補任務(wù)MIT和重建任務(wù)ORT,MIT是針對人工屏蔽值的預(yù)測任掩蔽特征向量X及其缺失掩碼向量M的連接經(jīng)線性層變換后，作為第一個對角屏蔽自注意力塊DMSA1的輸入特征數(shù)據(jù)e;對DMSA1的輸入特征數(shù)據(jù)e進行位置編碼后經(jīng)過N個堆疊的注意力層，每個注意力層都包含一個對角屏蔽多頭注意力層和前饋網(wǎng)絡(luò)，再使用線性層進行投影得到第一個重建特征向量x?;CN120258768A3z={FFN(DiagMaskedMH式中，We為權(quán)重矩陣，be和p為偏置量；Z是經(jīng)過N個注意力層后的輸出，X?為重建的矩陣；FFN()表示前饋神經(jīng)網(wǎng)絡(luò)函數(shù)；DiagMaskedMHA()表示對角掩蔽多頭注意函數(shù)；W?,b?分別為線性層的權(quán)重、偏置；將X?和M的連接作為第二個對角屏蔽自注意力塊DMSA2的輸入特征數(shù)據(jù)X',量X?,在加權(quán)組合塊中，根據(jù)時間依賴性和確實信息動態(tài)地對Y?和?進行加權(quán)，得到第三個在最新的時間序列數(shù)據(jù)中將未來時間序列作為缺失值，連接至最新的時間序列之后；4狀態(tài)空間為設(shè)備對應(yīng)的多維歷史傳感數(shù)據(jù)，動作空間集合A定義為：判斷當(dāng)前狀態(tài)“正(二)設(shè)置獎勵函數(shù)：獎勵函數(shù)包括正確地檢測到設(shè)備異常的獎勵Rr、錯誤地檢測到設(shè)備異常的懲罰Re、正確地判斷設(shè)備正常的獎勵Rn、以及遺漏設(shè)備異常的懲罰Rm;最終的獎勵函數(shù)為各獎勵的加Rt為最終的獎勵結(jié)果；W?,W?,W?均為權(quán)重系數(shù)；動作價值函數(shù)Q值函數(shù)由當(dāng)前效益和未來效益共同構(gòu)成，用Y表示當(dāng)前動作對未來的影響，則目標(biāo)Q值函數(shù)為：Qk(St,at)=rt+(yrt+1+γ2rt+2+…y"rt+n)=rt+γ×maxQk(St+1,at+1);刻獎勵；St,St+1分別表示t時刻及t+1時刻狀態(tài)；at,at+1分別表示t時刻及t+1時刻動作；(三)迭代訓(xùn)練；在每個時間步長執(zhí)行動作at獲得獎勵rt,并進入下一個狀態(tài)St+1,然后將樣本元組(St,atrt,St+1)放回經(jīng)驗回放池；在迭代訓(xùn)練中，從經(jīng)驗回放池中隨機選取一批樣本訓(xùn)練；根據(jù)主網(wǎng)絡(luò)計算當(dāng)前狀態(tài)Q′值和目標(biāo)Q,損失函數(shù)LOSS為當(dāng)前狀態(tài)Q’值和目標(biāo)Q之間均方差，LOSS={Q'(St,at)-[rt+γ×max通過最小化損失函數(shù)循環(huán)迭代至收斂；(四)異常檢測；將SAITS插補預(yù)測的未來時間序列作為DQN的輸入，得到時間序列各時間節(jié)點狀態(tài)，即對異常的檢測與預(yù)測。5.根據(jù)權(quán)利要求1所述的通航設(shè)備健康管理方法，其特征在于，步驟S3中，所述構(gòu)建設(shè)備故障模式知識圖譜，具體包括：數(shù)據(jù)收集與處理：收集通航系統(tǒng)產(chǎn)生的日志、調(diào)用鏈數(shù)據(jù)和操作手冊，對收集的數(shù)據(jù)進行篩選，將經(jīng)過篩選的數(shù)據(jù)進行分句處理后，作為大語言模型的輸入；知識抽?。夯诖笳Z言模型進行知識抽取，將知識分為實體類、關(guān)系類、屬性類分別進行抽?。恢R融合與本體構(gòu)建：將抽取到的知識進行知識融合，將多源數(shù)據(jù)中同一實體的信息整合，將來自不同數(shù)據(jù)源的相同設(shè)備合并為一個實體，關(guān)系融合為重復(fù)或矛盾的關(guān)系描述進行整合，形成一致的關(guān)系表達；圖譜儲存與應(yīng)用：使用neo4j數(shù)據(jù)庫存儲實體知識并進行實體關(guān)系連接。6.根據(jù)權(quán)利要求1所述的通航設(shè)備健康管理方法，其特征在于，步驟S4還包括計算通航設(shè)備預(yù)測數(shù)據(jù)與仿真結(jié)果的偏差，若所述偏差超過偏差閾值，則由領(lǐng)域?qū)＜疫M一步對故障進行診斷確認，并結(jié)合專家意見，采用故障推理模型，形成故障處置方案。7.根據(jù)權(quán)利要求6所述的通航設(shè)備健康管理方法，其特征在于，步驟S4具體包括以下子步驟：S401:構(gòu)建多維數(shù)字孿生模型；5基于“幾何-物理-行為-規(guī)則”多維模型框架，建立包括船舶-船閘-航道幾何模型、水動力學(xué)物理模型、船閘操作行為模型及通航規(guī)則模型的多維聯(lián)合模型，以刻畫物理實體的幾S402:生成孿生數(shù)據(jù)；通過物理實體運行產(chǎn)生的工作數(shù)據(jù)與虛擬模型的仿真數(shù)據(jù)融合形成孿生數(shù)據(jù)，所述孿生數(shù)據(jù)用于驅(qū)動虛擬模型對物理實體的工作狀態(tài)進行控制、優(yōu)化和預(yù)測；S403:故障仿真驗證；將步驟S3中識別的異常類型及參數(shù)注入所述數(shù)字孿生模型中，利用數(shù)字孿生仿真引擎進行動態(tài)仿真，驗證自適應(yīng)異常檢測算法識別的設(shè)備異常的置信度，生成健康評估報告；S404:異常應(yīng)對；若所述置信度不小于置信度閾值，則結(jié)合所述設(shè)備故障模式知識圖譜，生成異常應(yīng)對策略；計算通航設(shè)備預(yù)測數(shù)據(jù)與仿真結(jié)果的偏差，若所述偏差超過偏差閾值，則由領(lǐng)域?qū)＜疫M一步對故障進行診斷確認，并結(jié)合專家意見，采用故障推理模型，形成故障處置方案。8.根據(jù)權(quán)利要求7所述的通航設(shè)備健康管理方法，其特征在于，所述數(shù)字孿生平臺包括所述多維數(shù)字孿生模型提供數(shù)據(jù)支持。9.根據(jù)權(quán)利要求1所述的通航設(shè)備健康管理方法，其特征在于，所述通航設(shè)備健康管理方法還包括步驟S6:根據(jù)所述異常應(yīng)對策略或故障處置方案生成檢修計劃，并利用數(shù)字孿生平臺預(yù)演檢修計劃對通航量與效率影響。10.如權(quán)利要求1-9任意一項所述的通航設(shè)備健康管理方法的系統(tǒng)，其特征在于，包括以下模塊：多源數(shù)據(jù)采集模塊，從通航系統(tǒng)中采集多源數(shù)據(jù)，所述多源數(shù)據(jù)包括傳感器數(shù)據(jù)、通航監(jiān)控數(shù)據(jù)、網(wǎng)絡(luò)監(jiān)控數(shù)據(jù)、通航調(diào)度系統(tǒng)日志數(shù)據(jù)以及手工錄入數(shù)據(jù)；數(shù)據(jù)處理模塊，對采集的多源數(shù)據(jù)進行清洗、整合和標(biāo)準(zhǔn)化處理，并存儲為時間序列格式；數(shù)據(jù)處理模塊處理后的數(shù)據(jù)通過數(shù)字孿生模塊同步至數(shù)字孿生平臺的數(shù)據(jù)底板；插補預(yù)測模塊，利用改進的SAITS算法對缺失數(shù)據(jù)進行插補，同時對未來時間段的通航設(shè)備運行數(shù)據(jù)進行預(yù)測；數(shù)字孿生平臺，通過數(shù)據(jù)底板集成基礎(chǔ)數(shù)據(jù)、共享數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、三維數(shù)據(jù)及監(jiān)測數(shù)據(jù)；基于“幾何-物理-行為-規(guī)則”多維模型框架，構(gòu)建多維數(shù)字孿生行產(chǎn)生的工作數(shù)據(jù)與多維數(shù)字孿生模型的仿真數(shù)據(jù)融合形成孿生數(shù)據(jù)，所述孿生數(shù)據(jù)用于驅(qū)動多維數(shù)字孿生模型對物理實體的工作狀態(tài)進行控制、優(yōu)化和預(yù)測；異常檢測模塊，采用自適應(yīng)異常檢測算法，識別當(dāng)前通航設(shè)備運行數(shù)據(jù)及未來運行數(shù)據(jù)中的異常；根因分析模塊，用于搭建知識圖譜模型，針對異常檢測模塊識別的異常，分析異常產(chǎn)生數(shù)字孿生模塊，用于將通航系統(tǒng)運行數(shù)據(jù)上傳至數(shù)字孿生平臺；將異常檢測模塊識別的異常上傳至數(shù)字孿生平臺進行仿真，驗證預(yù)測異常的置信度；計算通航設(shè)備預(yù)測數(shù)據(jù)與預(yù)警模塊，根據(jù)異常檢測結(jié)果生成實時告警信息，對未來可能發(fā)生的異常生成健康評6估報告，所述健康評估報告包括設(shè)備當(dāng)前運行狀態(tài)、故障類型預(yù)測、剩余壽命評估以及可能誘發(fā)的潛在故障；異常處理模塊，針對異常檢測模塊識別的異常，生成異常應(yīng)對策略；對數(shù)字孿生模塊判斷的故障，結(jié)合故障推理模型，生成故障處置方案和檢修計劃；模型修正模塊，根據(jù)值班員對檢測結(jié)果的反饋優(yōu)化檢測自適應(yīng)異常模型，所述優(yōu)化過程包括調(diào)整檢測閾值、更新異常樣本庫、以及對自適應(yīng)異常檢測算法進行重訓(xùn)練。7技術(shù)領(lǐng)域[0001]本發(fā)明屬于數(shù)據(jù)處理與故障檢測領(lǐng)域，具體涉及一種基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法。背景技術(shù)[0002]隨著現(xiàn)代航運中通航設(shè)備的不斷增加，對通航設(shè)備的異常檢測與維護變得越來越重要。通航設(shè)備如水位器、船閘等運行環(huán)境復(fù)雜多變，設(shè)備本身的老化、外部環(huán)境的干擾以及運行負載的波動都會導(dǎo)致設(shè)備運行狀態(tài)發(fā)生異?！，F(xiàn)有的設(shè)備健康方法缺乏全面性，缺乏對設(shè)備未來狀態(tài)的預(yù)測，導(dǎo)致設(shè)備會出現(xiàn)突發(fā)性故障。[0003]傳統(tǒng)的通航設(shè)備健康管理方法通常采用固定閾值或簡單的規(guī)則模型，雖簡單但是在面對海量的不同通航設(shè)備及復(fù)雜的運行環(huán)境時存在顯著缺陷。固定閾值難以適應(yīng)設(shè)備狀態(tài)的動態(tài)變化，正常波動時也會引發(fā)誤報。同時，現(xiàn)有通航設(shè)備大多數(shù)都內(nèi)置微型電腦從而獲取不同類型的數(shù)據(jù)，傳統(tǒng)方法不能充分利用上述異構(gòu)數(shù)據(jù)進行準(zhǔn)確分析。除此之外，傳統(tǒng)方法僅對已有的數(shù)據(jù)進行靜態(tài)檢測，而不能對設(shè)備健康的趨勢進行合理預(yù)警。發(fā)明內(nèi)容[0004]本發(fā)明的目的是針對上述問題，提供一種基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法，利用邊緣計算節(jié)點對航道拓撲數(shù)據(jù)進行實時預(yù)篩，結(jié)合環(huán)境因子修正矩陣動態(tài)補償傳感器數(shù)據(jù)，提升數(shù)據(jù)采集的實時性、完整性和抗環(huán)境干擾能力，確保輸入數(shù)據(jù)的可靠性；對基于自注意力的時間序列插補模型(Self-Attention-basedImputationforTimeSeries,SAITS)進行改進，通過改進的SAITS算法對缺失數(shù)據(jù)進行高精度插補，并預(yù)測未來設(shè)備運行狀態(tài)，為異常檢測提供高質(zhì)量數(shù)據(jù)基礎(chǔ)；采用動態(tài)調(diào)整的異常檢測算法，結(jié)合故障模式知識圖譜，實現(xiàn)當(dāng)前與未來異常狀態(tài)的精準(zhǔn)識別及故障根源的快速定位；構(gòu)建“船舶-船閘-航道”多維數(shù)字孿生模型，通過仿真驗證異常結(jié)果的置信度，將物理實體數(shù)據(jù)與多維數(shù)字孿生模型對比，降低誤報率，提高故障診斷結(jié)果的可信度。[0005]為了達到上述目的，本發(fā)明提供的技術(shù)方案為：基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法，包括以下步驟：S1:獲取通航設(shè)備運行數(shù)據(jù)；利用邊緣計算節(jié)點對航道拓撲感知數(shù)據(jù)進行預(yù)篩，對集群傳感器數(shù)據(jù)進行空間相關(guān)性校驗；建立環(huán)境因子修正矩陣，對受環(huán)境參數(shù)影響的傳感器數(shù)據(jù)進行動態(tài)補償；對通航設(shè)備運行數(shù)據(jù)進行清洗、整合和存儲，并同步至數(shù)字孿生平S2:采用改進SAITS算法，對缺失數(shù)據(jù)進行插補，并預(yù)測得到未來通航設(shè)備運行數(shù)S3:基于步驟S2得到的預(yù)測數(shù)據(jù)，采用自適應(yīng)異常檢測算法識別通航設(shè)備當(dāng)前和未來的異常狀態(tài)；根據(jù)識別得到的設(shè)備異常，構(gòu)建設(shè)備故障模式知識圖譜；S4:構(gòu)建通航系統(tǒng)的數(shù)字孿生模型，針對步驟S3中識別的設(shè)備異常情況，利用數(shù)字8孿生平臺對通航系統(tǒng)運行進行仿真，驗證步驟S3中識別的設(shè)備異常的置信度，生成健康評估報告；若所述置信度不小于置信度閾值，則結(jié)合所述設(shè)備故障模式知識圖譜，生成異常應(yīng)對策略；S5:根據(jù)實際的通航設(shè)備檢測反饋，對自適應(yīng)異常檢測算法進行增量學(xué)習(xí)或者重訓(xùn)練以提高檢測準(zhǔn)確性；S6:根據(jù)所述異常應(yīng)對策略或故障處置方案生成檢修計劃，并利用數(shù)字孿生平臺預(yù)演檢修計劃對通航量與效率影響。[0006]優(yōu)選地，步驟S4還包括計算通航設(shè)備預(yù)測數(shù)據(jù)與仿真結(jié)果的偏差，若所述偏差超過偏差閾值，則由領(lǐng)域?qū)＜疫M一步對故障進行診斷確認，并結(jié)合專家意見，采用故障推理模進一步地，步驟S2中，所述改進SAITS算法對現(xiàn)有的SAITS算法的改進包括以下步1)對季節(jié)性數(shù)據(jù)采用STL分解，通航系統(tǒng)運行情況與水位密切相關(guān)，航運量與汛期枯水期有一定關(guān)系，因此部分設(shè)備的運行情況呈現(xiàn)出明顯的季節(jié)性趨勢；通過STL分解技術(shù)，將原始的通航系統(tǒng)時間序列數(shù)據(jù)分解為趨勢、季節(jié)性和殘差三部分，共同作為SAITS模型的輸入，能夠更有效地對季節(jié)性數(shù)據(jù)及帶噪聲的數(shù)據(jù)進行缺失值插補；2)異常樣本增強，SAITS模型在面對異常值時會失去準(zhǔn)確性；通過數(shù)據(jù)生成技術(shù)生成異常樣本，在訓(xùn)練SAITS模型時增加異常樣本的權(quán)重，能夠有效強化對異常數(shù)據(jù)的學(xué)習(xí)能3)引入反饋機制，SAITS模型預(yù)測數(shù)據(jù)誤差較大，會導(dǎo)致異常檢測錯誤，引入反饋機制能夠提高SAITS模型的準(zhǔn)確性和泛化能力；依據(jù)錯誤類型如誤檢、漏檢，自適應(yīng)調(diào)整策略并重訓(xùn)練，包括調(diào)整掩蔽比例、增加注意力層以及利用異常樣本重訓(xùn)練。[0007]進一步地，步驟S2具體包括以下子步驟：步驟S201:掩蔽處理；假設(shè)SAITS模型輸入為X,針對原始缺失值引入指示掩模向量I;對每批輸入X,按比例選取觀察值進行隨機的人工掩蔽；經(jīng)過人工掩蔽后的時間序列為掩蔽特征向量X,缺失掩蔽向量為M;步驟S202:建立聯(lián)合優(yōu)化插補任務(wù)MIT和重建任務(wù)ORT,MIT是針對人工屏蔽值的預(yù)掩蔽特征向量X及其缺失掩碼向量M的連接經(jīng)線性層變換后，作為第一個對角屏蔽自注意力塊DMSA1的輸入特征數(shù)據(jù)e;對DMSA1的輸入特征數(shù)據(jù)e進行位置編碼后經(jīng)過N個堆疊的注意力層，每個注意力層都包含一個對角屏蔽多頭注意力層和前饋網(wǎng)絡(luò)，再使用線性層進行投影得到第一個重建特征向量X?;將X?和M的連接作為第二個對角屏蔽自注意力塊DM在第二個對角屏蔽自注意力塊DMSA2中，將×'作為線性層的輸入，再經(jīng)過位置編碼后輸入到N個堆疊的注意力層，然后依次經(jīng)過線性層、激活層和線性層后得到第二個重建特征向量X?,9在加權(quán)組合塊中，根據(jù)時間依賴性和確實信息動態(tài)地對X?和X?進行加權(quán)，得到第三個重建特征向量X?;用X?替換X中的缺失值，得到了插補數(shù)據(jù)Xc;步驟S203:聯(lián)合優(yōu)化訓(xùn)練；最終損失函數(shù)為MIT和ORT損失的加權(quán)和，通過最小化損失函數(shù)調(diào)整網(wǎng)絡(luò)超參數(shù)，提高SAITS模型準(zhǔn)確性和泛化能力；步驟S204:數(shù)據(jù)預(yù)測；利用訓(xùn)練的SAITS模型進行預(yù)測；將最新的時間序列數(shù)據(jù)中將未來時間序列作為缺失值，連接至最新的時間序列之后；將整個時間序列輸入到訓(xùn)練好的SAITS模型，經(jīng)過插補重建，生成對未來時序數(shù)據(jù)的預(yù)測結(jié)果，用于對未來設(shè)備運行的評估。[0008]優(yōu)選地，步驟S3中采數(shù)據(jù)收集與處理：收集通航系統(tǒng)產(chǎn)生的日志、調(diào)用鏈數(shù)據(jù)、論文專著、網(wǎng)絡(luò)文章和操作手冊，對收集的數(shù)據(jù)進行篩選，將經(jīng)過篩選的數(shù)據(jù)進行分句處理后，作為大語言模型的知識抽取：基于大語言模型進行知識抽取，將知識分為實體類、關(guān)系類、屬性類分別進行抽?。恢R融合與本體構(gòu)建：將抽取到的知識進行知識融合，將多源數(shù)據(jù)中同一實體的信息整合，例如將來自不同數(shù)據(jù)源的相同設(shè)備合并為一個實體，關(guān)系融合為重復(fù)或矛盾的關(guān)系描述進行整合，形成一致的關(guān)系表達；圖譜儲存與應(yīng)用：使用neo4j數(shù)據(jù)庫存儲實體知識并進行實體關(guān)系連接，后續(xù)大模型查找相關(guān)內(nèi)容時可以直接訪問neo4j數(shù)據(jù)庫。[0010]進一步地，步驟S4具體包括以下子步驟：S401:構(gòu)建多維數(shù)字孿生模型；基于“幾何-物理-行為-規(guī)則”多維模型框架，建立包括船舶-船閘-航道幾何模型、水動力學(xué)物理模型、船閘操作行為模型及通航規(guī)則模型的多維聯(lián)合模型，以刻畫物理實體S402:生成孿生數(shù)據(jù)；通過物理實體運行產(chǎn)生的工作數(shù)據(jù)與虛擬模型的仿真數(shù)據(jù)融合形成孿生數(shù)據(jù)，所述孿生數(shù)據(jù)用于驅(qū)動虛擬模型對物理實體的工作狀態(tài)進行控制、優(yōu)化和預(yù)測；S403:故障仿真驗證；將步驟S3中識別的異常類型及參數(shù)注入所述數(shù)字孿生模型中，利用數(shù)字孿生仿真引擎進行動態(tài)仿真，驗證自適應(yīng)異常檢測算法識別的設(shè)備異常的置信度，生成健康評估報對比仿真結(jié)果與通航設(shè)備的預(yù)測數(shù)據(jù)偏差；S404:異常應(yīng)對；若所述置信度不小于置信度閾值，則結(jié)合所述設(shè)備故障模式知識圖譜，生成異常應(yīng)對策略；計算通航設(shè)備預(yù)測數(shù)據(jù)與仿真結(jié)果的偏差，若所述偏差超過偏差閾值，則由領(lǐng)域?qū)＜疫M一步對故障進行診斷確認，并結(jié)合專家意見，采用故障推理模型，形成故障處置方[0011]進一步地，所述數(shù)字孿生平臺包括數(shù)據(jù)底板，所述數(shù)據(jù)底板集成基礎(chǔ)數(shù)據(jù)、共享數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、三維數(shù)據(jù)及監(jiān)測數(shù)據(jù)，用于為所[0012]作為本發(fā)明的另一個發(fā)明目的，提供一種通航設(shè)備健康管理系統(tǒng)，包括以下模塊：多源數(shù)據(jù)采集模塊，從通航系統(tǒng)中采集多源數(shù)據(jù)，所述多源數(shù)據(jù)包括傳感器數(shù)據(jù)、通航監(jiān)控數(shù)據(jù)、網(wǎng)絡(luò)監(jiān)控數(shù)據(jù)、通航調(diào)度系統(tǒng)日志數(shù)據(jù)以及手工錄入數(shù)據(jù)；數(shù)據(jù)處理模塊，對采集的多源數(shù)據(jù)進行清洗、整合和標(biāo)準(zhǔn)化處理，并存儲為時間序列格式；數(shù)據(jù)處理模塊處理后的數(shù)據(jù)通過數(shù)字孿生模塊同步至數(shù)字孿生平臺的數(shù)據(jù)底板；插補預(yù)測模塊，利用改進的SAITS算法對缺失數(shù)據(jù)進行插補，同時對未來時間段的通航設(shè)備運行數(shù)據(jù)進行預(yù)測；數(shù)字孿生平臺，通過數(shù)據(jù)底板集成基礎(chǔ)數(shù)據(jù)、共享數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、三維數(shù)據(jù)及監(jiān)測數(shù)據(jù)；基于“幾何-物理-行為-規(guī)則”多維模型框架，構(gòu)建多維數(shù)體運行產(chǎn)生的工作數(shù)據(jù)與多維數(shù)字孿生模型的仿真數(shù)據(jù)融合形成孿生數(shù)據(jù)，所述孿生數(shù)據(jù)用于驅(qū)動多維數(shù)字孿生模型對物理實體的工作狀態(tài)進行控制、優(yōu)化和預(yù)測；異常檢測模塊，采用自適應(yīng)異常檢測算法，識別當(dāng)前通航設(shè)備運行數(shù)據(jù)及未來運行數(shù)據(jù)中的異常；根因分析模塊，用于搭建知識圖譜模型，針對異常檢測模塊識別的異常，分析異常產(chǎn)生的根源；數(shù)字孿生模塊，用于將通航系統(tǒng)運行數(shù)據(jù)上傳至數(shù)字孿生平臺；將異常檢測模塊識別的異常上傳至數(shù)字孿生平臺進行仿真，驗證預(yù)測異常的置信度；計算通航設(shè)備預(yù)測數(shù)據(jù)與仿真結(jié)果的偏差，若所述偏差超過偏差閾值，則結(jié)合領(lǐng)域?qū)＜乙庖姡袛啻_認故障；預(yù)警模塊，根據(jù)異常檢測結(jié)果生成實時告警信息，對未來可能發(fā)生的異常生成健康評估報告，所述健康評估報告包括設(shè)備當(dāng)前運行狀態(tài)、故障類型預(yù)測、剩余壽命評估以及可能誘發(fā)的潛在故障；異常處理模塊，針對異常檢測模塊識別的異常，生成異常應(yīng)對策略；對數(shù)字孿生模塊判斷的故障，結(jié)合故障推理模型，生成故障處置方案和檢修計劃；模型修正模塊，根據(jù)值班員對檢測結(jié)果的反饋優(yōu)化檢測自適應(yīng)異常模型，所述優(yōu)化過程包括調(diào)整檢測閾值、更新異常樣本庫、以及對自適應(yīng)異常檢測算法進行重訓(xùn)練。形成“感知-分析-仿真-優(yōu)化”一體化閉環(huán)系統(tǒng)；通過環(huán)境補償、算法自優(yōu)化及專家協(xié)同機制，實現(xiàn)了對通航運行復(fù)雜工況的強適應(yīng)性；采用動態(tài)調(diào)整的異常檢測算法，結(jié)合故障模式知識圖譜，實現(xiàn)了通航系統(tǒng)當(dāng)前與未來異常狀態(tài)的精準(zhǔn)識別及故障根源的快速定位，提升檢測靈敏度與智能化水平；通過構(gòu)建“船舶-船閘-航道”多維數(shù)字孿生模型，利用仿真驗證異常結(jié)果的置信度，結(jié)合物理實體數(shù)據(jù)與虛擬仿真對比，降低了誤報率，提高了診斷結(jié)果的可信度。本發(fā)明在提升通航設(shè)備管理效率、降低故障風(fēng)險、優(yōu)化維護成本等方面具有顯著優(yōu)勢，尤其適用于對可靠性與實時性要求嚴苛的水運場景。[0014]2)本發(fā)明利用邊緣計算節(jié)點對航道拓撲數(shù)據(jù)進行實時預(yù)篩，結(jié)合環(huán)境因子修正矩陣動態(tài)補償傳感器數(shù)據(jù)，顯著提升了數(shù)據(jù)采集的實時性、完整性和抗環(huán)境干擾能力，能確保11輸入數(shù)據(jù)的可靠性。[0015]3)本發(fā)明通過改進的SAITS算法對缺失數(shù)據(jù)進行高精度插補，并預(yù)測未來設(shè)備運行狀態(tài)，為異常檢測提供高質(zhì)量數(shù)據(jù)基礎(chǔ)。[0016]4)本發(fā)明提供專家協(xié)同決策機制：當(dāng)仿真偏差超閾值時，引入領(lǐng)域?qū)＜遗c故障推理模型聯(lián)合診斷，形成“機器智能+人類經(jīng)驗”的閉環(huán)決策，確[0017]5)本發(fā)明基于實際檢測反饋，對異常檢測算法進行增量學(xué)習(xí)或重訓(xùn)練，實現(xiàn)模型[0018]6)本發(fā)明通過數(shù)字孿生平臺預(yù)演檢修方案對通航效率的影響，量化停機時間、通航量損失等關(guān)鍵指標(biāo)，輔助制定最優(yōu)維護策略，最大限度減少運營中斷風(fēng)險。[0019]7)本發(fā)明提供從數(shù)據(jù)到?jīng)Q策的閉環(huán)鏈路：覆蓋“數(shù)據(jù)采集→預(yù)測→檢測→仿真→設(shè)備壽命并降低運維成本。[0020]8)本發(fā)明通過構(gòu)建設(shè)備故障模式知識圖譜，將歷史故障數(shù)據(jù)、專家經(jīng)驗與實時檢測結(jié)果關(guān)聯(lián)，支持多維度故障推理與處置方案生成，能提升復(fù)雜場景下的決策效率。附圖說明[0021]下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。[0022]圖1為本發(fā)明實施例的通航設(shè)備健康管理方法的流程示意圖。[0023]圖2為本發(fā)明實施例的改進的SAITS算法的預(yù)測模型的示意圖。[0025]圖4為本發(fā)明實施例的知識圖譜的建模示意圖。[0026]圖5為本發(fā)明實施例的數(shù)字孿生平臺的示意圖。具體實施方式[0027]如圖1所示，基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法，包括：基于SAITS算法和數(shù)字孿生平臺的通航設(shè)備健康管理方法，包括以下步驟：步驟S1:獲取通航設(shè)備運行數(shù)據(jù)；利用邊緣計算節(jié)點對航道拓撲感知數(shù)據(jù)進行預(yù)篩，對集群傳感器數(shù)據(jù)進行空間相關(guān)性校驗；建立環(huán)境因子修正矩陣，對受環(huán)境參數(shù)影響的傳感器數(shù)據(jù)進行動態(tài)補償；對通航設(shè)備運行數(shù)據(jù)進行清洗、整合和存儲，并同步至數(shù)字孿生平臺。[0028]實施例中，通過通航業(yè)務(wù)系統(tǒng)獲取多源數(shù)據(jù)，包括機械設(shè)備物理指標(biāo)(如應(yīng)力、形變、損傷)、電子設(shè)備的電氣參數(shù)(電壓、電流、溫度等),通航設(shè)備服務(wù)器日志、船閘水力特性、通航監(jiān)控等航運設(shè)備運維數(shù)據(jù)。對采集到的數(shù)據(jù)進行整合，清洗，記錄缺失值并將上傳至數(shù)字孿生平臺。[0029]以電機參數(shù)信號為例，其樣例格式如表1所示。[0030]表1電機參數(shù)信號時間戳)))…………[0032]建立環(huán)境因子修正矩陣，對極端環(huán)境下的傳感器數(shù)據(jù)進行動態(tài)補償。[0033]修正矩陣示例如表2所示。[0034]表2傳感器數(shù)據(jù)修正算法含沙量(g/m3)閘門導(dǎo)軌磨損)水流速(m/s)溫度梯度(℃/h)金屬結(jié)構(gòu)變形[0035]表2中，C_sand表示實時監(jiān)測的含沙量值，P表示設(shè)計工況下的理論液壓壓力，v表示結(jié)構(gòu)原始長度、△L表示金屬結(jié)構(gòu)變形量、S表示傳感器原始輸出值、k_fouling表示生物附著系數(shù)、S_corrected表示修正后傳感器數(shù)據(jù)。[0036]實施例中，使用drain算法轉(zhuǎn)換日志數(shù)據(jù)，用Python的Pandas庫將數(shù)據(jù)庫中數(shù)據(jù)轉(zhuǎn)換為時間序列。將樣本數(shù)據(jù)按照比例分割為訓(xùn)練集和樣本集，其中70%為訓(xùn)練集，30%為測[0037]采用z-score對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。[0038]步驟S2:采用改進的SAITS算法，如圖2所示，對缺失數(shù)據(jù)進行插補，并預(yù)測得到未來通航設(shè)備運行數(shù)據(jù)；步驟S201:掩蔽處理；預(yù)先定義注意力頭數(shù)、層數(shù)等超參數(shù)。對每批輸入X,按照15%的觀察值進行隨機的人工掩蔽，經(jīng)過人工掩蔽后的時間序列為掩蔽特征向量X,缺失掩蔽向量為M;步驟S202:建立聯(lián)合優(yōu)化插補任務(wù)MIT和重建任務(wù)ORT,MIT是針對人工屏蔽值的預(yù)掩蔽特征向量X及其缺失掩碼向量M的連接經(jīng)線性層變換后，作為第一個對角屏蔽自注意力塊DMSA1的輸入特征數(shù)據(jù)e;對DMSA1的輸入特征數(shù)據(jù)e進行位置編碼后經(jīng)過N個堆疊的注意力層，每個注意力層都包含一個對角屏蔽多頭注意力層和前饋網(wǎng)絡(luò)，再使用線性層進行投影得到第一個重建特征向量X?;矩陣；FFN()表示前饋神經(jīng)網(wǎng)絡(luò)函數(shù)；DiagMaskedMHA()表示對角掩蔽多頭注意函數(shù)；將X?和M的連接作為第二個對角屏蔽自注意力塊DMSA2的輸入特征數(shù)據(jù)×',插補誤差LMIT表示人為缺失值與其各自插補之間計算的平均絕對誤差，重建損失LoRT表示觀測值與各自的重建之間計算出的平均絕對誤差，利用訓(xùn)練的SAITS模型進行預(yù)測；將最新的時間序列數(shù)據(jù)中將未來時間序列作為[0040]表3電機參數(shù)信號插補后的數(shù)據(jù)時間戳設(shè)備ID))……9……[0041]步驟S3:基于步驟S2得到的預(yù)測數(shù)據(jù)，采用自適應(yīng)異常檢測算法識別通航設(shè)備當(dāng)前和未來的異常狀態(tài)；根據(jù)識別得到的設(shè)備異常，構(gòu)建設(shè)備故障模式知識圖譜，如圖4所示。[0042]實施例中，以電機為例，對電機預(yù)測參數(shù)信號采用深度Q網(wǎng)絡(luò)DQN作為自適應(yīng)異常檢測算法，具體包括：(一)定義狀態(tài)空間S和動作空間A:狀態(tài)空間為設(shè)備對應(yīng)的多維歷史傳感數(shù)據(jù)，動作空間集合A定義為：判斷當(dāng)前狀態(tài)(二)設(shè)置獎勵函數(shù)：獎勵函數(shù)包括正確地檢測到設(shè)備異常的獎勵Rr、錯誤地檢測到設(shè)備異常的懲罰Re、正確地判斷設(shè)備正常的獎勵Rn、以及遺漏設(shè)備異常的懲罰Rm;最終的獎勵函數(shù)為各獎勵的加權(quán)：Rt為最終的獎勵結(jié)果；W1,W2,W3均為權(quán)重系數(shù)。[0043]動作價值函數(shù)Q值函數(shù)由當(dāng)前效益和未來效益共同構(gòu)成，用Y表示當(dāng)前動作對未來的影響，則目標(biāo)Q值函數(shù)為：Qk(St,at)=rt+(γrt+1+γ2rt+2+…y"rt+n)=rt+γn時刻獎勵；St,St+1分別表示t時刻及t+1時刻狀態(tài)；at,at+1分別表示t時刻及t+1時刻動作。[0044](三)迭代訓(xùn)練；在每個時間步長執(zhí)行動作at獲得獎勵rt,并進入下一個狀態(tài)St+1,然后將樣本元組(St,at,rt,St+1)放回經(jīng)驗回放池；在迭代訓(xùn)練中，從經(jīng)驗回放池中隨機選取一批樣本訓(xùn)練；根據(jù)主網(wǎng)絡(luò)計算當(dāng)前狀態(tài)Q’值和目標(biāo)Q,損失函數(shù)LOSS為當(dāng)前狀態(tài)Q′值和目標(biāo)Q之間均方差，LOSS={Q'(St,at)-[rt+γ×maxQ(St+1,at+1)]}2;通過最小化損失函數(shù)循環(huán)迭代至收斂；(四)異常檢測；將SAITS插補預(yù)測的未來時間序列作為DQN的輸入，得到時間序列各時間節(jié)點狀[0045]將前述改進SAITS算法插補預(yù)測的時間序列輸入到訓(xùn)練好的DQN模型，得到對異常[0046]表4電機異常檢測結(jié)果電壓(V)電流(A)扭矩(NM)轉(zhuǎn)速(rpm)…9……………[0047]實施例中，對供電設(shè)備、船閘閘門(變形損傷)等幾乎未出現(xiàn)異常值的數(shù)據(jù)類型，采用K-means聚類方法作為異常檢測算法。數(shù)據(jù)收集與處理：收集通航系統(tǒng)產(chǎn)生的日志、調(diào)用鏈數(shù)據(jù)、論文專著、網(wǎng)絡(luò)文章和操作手冊，對收集的數(shù)據(jù)進行篩選，將經(jīng)過篩選的數(shù)據(jù)進行分句處理后，作為大語言模型的輸入；知識抽?。夯诖笳Z言模型進行知識抽取，將知識分為實體類、關(guān)系類、屬性類分別進行抽?。恢R融合與本體構(gòu)建：將抽取到的知識進行知識融合，將多源數(shù)據(jù)中同一實體的信息整合，例如將來自不同數(shù)據(jù)源的相同設(shè)備合并為一個實體，關(guān)系融合為重復(fù)或矛盾的關(guān)系描述進行整合，形成一致的關(guān)系表達；圖譜儲存與應(yīng)用：使用neo4j數(shù)據(jù)庫存儲實體知識并進行實體關(guān)系連接，后續(xù)大模型查找相關(guān)內(nèi)容時可以直接訪問neo4j數(shù)據(jù)庫。[0049]步驟S4:構(gòu)建通航系統(tǒng)的數(shù)字孿生模型，針對步驟S3中識別的設(shè)備異常情況，利用數(shù)字孿生平臺對通航系統(tǒng)運行進行仿真，驗證步驟S3中識別的設(shè)備異常的置信度，生成健康評估報告；若所述置信度不小于置信度閾值，則結(jié)合所述設(shè)備故障模式知識圖譜，生成異常應(yīng)對策略。[0050]步驟S401:構(gòu)建多維數(shù)字孿生模型和數(shù)據(jù)底板；基于“幾何-物理-行為-規(guī)則”多維模型框架，建立包括船舶-船閘-航道幾何模型、水動力學(xué)物理模型、船閘操作行為模型及通航規(guī)則模型的多維聯(lián)合模型，全面刻畫物理實[0051]數(shù)據(jù)底板集成基礎(chǔ)數(shù)據(jù)、共享數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)、三維數(shù)據(jù)及監(jiān)測數(shù)據(jù)，為多維數(shù)字孿生模型提供數(shù)據(jù)支持。[0052]步驟S402:生成孿生數(shù)據(jù)；通過物理實體運行產(chǎn)生的工作數(shù)據(jù)與虛擬模型的仿真數(shù)據(jù)融合形成孿生數(shù)據(jù)，所述孿生數(shù)據(jù)用于驅(qū)動虛擬模型對物理實體的工作狀態(tài)進行控制、優(yōu)化和預(yù)測；步驟S403:故障仿真驗證；將步驟S3中識別的異常類型及參數(shù)注入所述數(shù)字孿生模型中，利用數(shù)字孿生仿真引擎進行動態(tài)仿真，根據(jù)通航設(shè)備預(yù)測數(shù)據(jù)與仿真結(jié)果的吻合程度計算該故障預(yù)測的置信度，對未來可能發(fā)生的異常生成健康評估報告，健康評估報告包括設(shè)備當(dāng)前運行狀態(tài)、故障類型預(yù)測以及可能誘發(fā)的潛在故障等。[0053]步驟S404:異常應(yīng)對；若所述置信度不小于置信度閾值，則結(jié)合所述設(shè)備故障模式知識圖譜，生成異常應(yīng)對策略；計算通航設(shè)備預(yù)測數(shù)據(jù)與仿真結(jié)果的偏差，若所述偏差超過偏差閾值，則由領(lǐng)域?qū)＜疫M一步對故障進行診斷確認，并結(jié)合專家意見，采用故障推理模型，形成故障處置方[0054]實施例中，使用深度求索公司旗下Deepseek-R1模型作為故障推理模型。[0055]Deepseek-R1模型具有參數(shù)小，本地部署方便的特點，本地服務(wù)器部署后，與上述知識圖譜結(jié)合，可作為輔助工具進行故障的應(yīng)對，生成故障處置方案。[0056]故障推理模型的模式化輸入示例如下：[明確描述設(shè)備/系統(tǒng)出現(xiàn)的異?，F(xiàn)象]"葛洲壩二號船閘閘門液壓啟閉機在高水位差(△H>24m)工況下：-壓力脈動幅值超閾值(+32%)-閉門到位時間延長(設(shè)計120s→實測158s)-伴隨高頻振動(250Hz分量增長15dB)"步驟S5:根據(jù)實際的通航設(shè)備檢測反饋，對自適應(yīng)異常檢測算法進行增量學(xué)習(xí)或者重訓(xùn)練以提高檢測準(zhǔn)確性。[0057]值班員在在處理告警后，會將檢測結(jié)果準(zhǔn)確性進行反饋。若是正確檢測出異常，將該樣本標(biāo)注為異常樣本并保存。若是出現(xiàn)誤檢，通過增加自適應(yīng)異常檢測算法靈敏度，并補充正常數(shù)據(jù)來進行增量學(xué)習(xí)，防止模型過擬合。若是出現(xiàn)漏檢，調(diào)整自適應(yīng)異常檢測算法的閾值，并對DQN模型中的獎勵函數(shù)權(quán)重進行調(diào)整，并且將該異常事件數(shù)據(jù)附上異常事件標(biāo)簽后再進行增量學(xué)習(xí)。[0058]步驟S6:根據(jù)所述異常應(yīng)對策略或故障處置方案生成檢修計劃，同時將檢修計劃同步至站內(nèi)調(diào)度系統(tǒng)，重制調(diào)度計劃；同步上傳至數(shù)字孿生平臺，基于虛擬調(diào)試功能，預(yù)演檢修方案對通航量與效率影響。[0059]結(jié)合實施結(jié)果，本發(fā)明通過采用設(shè)備傳感器、監(jiān)控系統(tǒng)、運維日志等作為樣本數(shù)據(jù)，能夠精準(zhǔn)全面地對設(shè)備運行狀態(tài)進行評估和預(yù)測。結(jié)合改進的SAITS算法，能夠有效地對多元時間序列缺失值進行補全，同時對航運設(shè)備未來運行數(shù)據(jù)進行高效預(yù)測，為三峽航運設(shè)備故障檢測和預(yù)測提供精準(zhǔn)的數(shù)據(jù)支撐。采用自適應(yīng)異常檢測算法，能進行動態(tài)學(xué)習(xí)和自適應(yīng)調(diào)整，精準(zhǔn)地識別SAITS預(yù)測數(shù)據(jù)中的異常情況，有效減少誤檢漏檢的風(fēng)險。結(jié)合三峽設(shè)備知識圖譜，能快速準(zhǔn)確定位故障類型及潛在的關(guān)聯(lián)故障。反饋機制能夠增強對數(shù)據(jù)的擬合度，進一步提高模型的準(zhǔn)確性和泛化能力。數(shù)字孿生平臺的接入，為三峽通航系統(tǒng)的設(shè)備健康管理提供了全要素支撐，有效提高了預(yù)測精準(zhǔn)性和流域內(nèi)的協(xié)同運維。以三峽船閘的電機為實施例，電機故障檢測準(zhǔn)確率提高大約23%,誤報率從18%降低值4.5%,平均預(yù)警時間從4天提高至21天，單次維護成本大為降低，計劃外停機頻次降低約65%,減少停航損失約7500萬元/年。另外通過數(shù)字孿生平臺的模擬預(yù)測，通過備件