一种多源故障自主定位与分类方法与流程

本发明涉及信息，尤其涉及一种多源故障自主定位与分类方法。

背景技术：

1、在现代船舶工程中，系统的内部结构日益复杂化，涉及多个互相依赖和交互作用的模块和系统。这些模块包括但不限于动力系统、导航系统、通讯系统、以及各种辅助控制系统。每个系统或模块都由数十甚至数百个小型部件组成，这些部件在功能上高度专业化且彼此紧密相连。此外，船舶系统的设计和运行还必须考虑到各种海洋环境因素，如波浪、风速、水流、以及海水的化学和物理性质。这种复杂的内部结构和环境因素的交互作用导致了船舶系统在运行中面临众多挑战。首先，系统内部的复杂性使得即使是微小的故障也可能迅速扩散，影响整个系统的稳定性和安全性。例如，一个小型的传感器故障可能导致导航系统的错误，进而影响整艘船的运行方向。其次，船舶在复杂多变的海洋环境中运行，这些外部环境因素本身就极具不确定性和随机性，例如海洋天气的突变或是水文地质条件的异常，都可能对船舶系统产生直接或间接的影响。在这样的背景下，船舶系统故障的诊断和定位变得极为困难。由于内部系统的相互依赖性和外部环境因素的不确定性，传统的故障诊断方法往往难以迅速准确地定位故障源头。例如，当船舶系统显示异常波动时，很难判断这是由于外部环境的影响还是内部机械故障所致。同时，即使确定是内部机械故障，要进一步了解故障的具体部位和形成过程也颇具挑战。此外，由于船舶系统内各个模块之间的密切联系，一个模块的故障可能引发其他模块的连锁反应，导致整个系统的性能下降或完全失效。这种情况下，故障的预测和防范变得尤为重要，但在目前的技术条件下，如何有效预测和防范这种连锁故障，仍是一个未解决的问题。因此，面对船舶系统的高度复杂性和外部环境的不确定性，如何快速、准确地定位和诊断系统故障，成为了船舶工程领域亟待解决的技术难题。

技术实现思路

1、本发明提供了一种多源故障自主定位与分类方法，主要包括：

2、根据船舶系统故障信号的代码匹配，定位与故障相关的模块,确定最有可能发生该故障的结构区域；通过贝叶斯网络算法,计算出区域内全部部件发生故障的概率,根据计算结果筛选出最有可能发生故障的关键部件；根据定位出的包含故障的关键部件,监测实时运行数据,判断是否出现异常的波动,并判断异常数据的波动是否与外部环境异常有关联；根据船舶运行中的外部环境数据和历史故障报告，构建部件根源故障知识库和根源故障模式知识图谱，并通过环境因素与故障模式的关联分析及虚拟仿真验证，识别和评估故障原因；根据船舶关键部件的三维模型数据,获取关键部件内部的连接结构,计算不同结构节点之间的故障相关性,标定出高故障概率关联部件，结合结构单元的空间关联评估，确定故障传播的潜在节点和关联部件；根据关键部件的三维扫描数据和空间格网分析，对扫描区域内的其他机械部件进行特征提取和相似度计算，评估物理连接和载荷传递，识别潜在的连锁故障风险点；绘制出故障从根源部件向外扩散的概率区间分布图,并计算在不同扩散范围区间内还可能隐藏其他故障的置信度；根据船舶系统的故障根源部件数据和故障相关系统的工作环境数据和任务过程数据，构建部件知识库和系统运行环境库，识别影响故障发生的关键内外部因素。

3、在一种实施方式中，所述根据船舶系统故障信号的代码匹配，定位与故障相关的模块,确定最有可能发生该故障的结构区域，包括：

4、当船舶系统出现故障信号时，根据故障信号包含的故障代码，匹配到相应的系统模块，将匹配到的模块作为故障相关模块；若匹配到多个模块，则基于模块间通信频率、功能依赖性、以及历史故障数据，使用网络层次分析法，计算匹配到的模块之间的关联度，保留关联度高于预设第一关联度阈值的模块作为主要故障相关模块；通过主要故障相关模块的位置和功能，确定故障涉及的船体区域，作为故障可能发生的结构区域；若故障可能发生的结构区域包含多个部件，则基于部件之间的物理连接、功能依赖性、或历史维护和故障记录，使用dijkstra算法，计算部件间的关联度，并选取关联度大于预设第二关联度阈值的部件；判断选取的部件是否位于同一区域内，若位于同一区域内，则将该区域确定为最有可能发生故障的区域；根据确定的最有可能发生故障的区域，获取区域内部件的详细数据，包括部件的设计参数、运行历史和维护记录，识别出该区域内连接关系最复杂或功能最关键的预设数量部件，视为核心部件；若核心部件接入监测系统，则获取核心部件的实时运行数据；评估实时运行数据是否出现异常波动，若出现，提示关键部件可能发生故障。

5、在一种实施方式中，所述通过贝叶斯网络算法,计算出区域内全部部件发生故障的概率,根据计算结果筛选出最有可能发生故障的关键部件，包括：

6、获取已确定故障相关区域的所有部件数据，提取各部件的特征向量，包括操作历史、维护记录和物理属性；根据收集的部件数据和历史故障数据，构建贝叶斯网络模型，训练该模型以学习和预测各部件发生指定类型故障的概率；根据最新的区域内部件状态数据，利用构建的贝叶斯网络模型，预测部件发生故障的概率；若多个部件的故障概率之间的差值小于预设的差值阈值，则根据部件间的关联度，按照关联度从高到低排序；根据贝叶斯网络模型预测结果，选择故障概率大于预设第一故障阈值的部件，并检查选择的部件之间的关联性，将相关度最强的两个部件确定为关键部件；若贝叶斯网络训练数据不足，则采用类似部件的历史数据进行训练，确保网络收敛；为避免遗漏故障部件，保留贝叶斯网络模型预测的故障概率大于预设第二故障阈值的部件；检查故障概率大于预设第二故障阈值的部件是否属于同一系统，若是，则保留故障概率大于预设第二故障阈值的部件作为关键部件；若不是，则保留所有故障概率大于预设第三故障阈值的部件作为关键部件；通过故障信号包含的故障代码匹配对应的模块，确认贝叶斯网络判断出的关键部件中位于物理位置相邻且关联度高于预设第二关联度阈值的两个部件，将这两个部件确定为核心关键部件。

7、在一种实施方式中，所述根据定位出的包含故障的关键部件,监测实时运行数据,判断是否出现异常的波动,并判断异常数据的波动是否与外部环境异常有关联，包括：

8、获取已定位的关键部件列表，判断已定位的关键部件是否都接入实时监测系统；对于未接入实时监测系统的部件，搜索与未接入监测系统的部件的功能或结构特性相似度大于预设相似度阈值的代替部件，并获取代替部件的实时运行数据；通过数据采集设备，获取全部关键部件的实时运行数据，包括电流、电压、温度、流量；为各参数设定预警阈值上下限，监测数据是否超出预设预警阈值范围；若监测数据超出预设预警阈值范围，则判定为关键部件出现异常波动；若监测数据超出阈值，则判定关键部件出现异常波动，并评估异常波动幅度是否达到预设的故障波动幅度要求；获取与监测时间点相匹配的外部航线环境数据，包括海况、温度、盐度；判断外部航线环境数据的每个环境参数是否出现异常，并与部件故障波动的数据特征进行匹配，使用计算皮尔逊相关系数的方法，确定两者之间的关联性；若无法直接获取外部航线环境数据，则根据标注外部环境条件的历史外部监测画面，使用卷积神经网络算法进行模型训练，确定外部环境条件；调用当前外部监测画面，根据训练的卷积神经网络模型，确定外部环境条件；根据历史数据，评估指定环境条件下关键部件出现故障的概率，并将关键部件的参数异常波动特征与环境异常特征相匹配；通过比较环境异常数据与关键部件异常数据的相似性，识别出两者之间的可能关联；若关键部件的异常波动特征与外部环境异常特征之间的相似性大于预设相似性阈值，则判定环境异常诱发或加重关键部件的故障。

9、在一种实施方式中，所述根据船舶运行中的外部环境数据和历史故障报告，构建部件根源故障知识库和根源故障模式知识图谱，并通过环境因素与故障模式的关联分析及虚拟仿真验证，识别和评估故障原因，包括：

10、获取船舶运行过程中的各种外部环境数据，包括气温、湿度、盐度、海况、磁场；通过搜索历史故障报告，提取报告中的部件类型、故障参数、根源故障模式，构建部件根源故障知识库，包含各类部件的故障模式和相关故障信息；根据根源故障模式和外部环境数据，通过apriori算法，确定二者之间的潜在关系，构建根源故障模式知识图谱，展示环境因素与根源故障模式之间的影响网络和关联结构；对于新出现的故障部件，判断该部件类型是否已存在于部件根源故障知识库中；若不存在，则构建该类部件的根源故障模式知识；当完成故障部件的根源故障模式判定后，调用根源故障模式知识图谱，自动匹配该故障模式对应的环境影响因素网络，查询相关的环境因素节点；检查匹配到的环境因素在故障发生时间段是否出现异常波动或超限现象，若出现异常波动或超限现象，则判断该环境异常导致或加重故障；若根源故障模式知识图谱中没有相关的环境影响匹配，则匹配部件材质或结构类型对应的腐蚀模式与环境因素的关联，判断是否环境腐蚀导致故障；对于判断结果不确定的故障，根据部件的实际运行特性和环境互动特性配置仿真参数，使用虚拟仿真软件ansys构建虚拟仿真模型，模拟部件在指定环境条件下的工作状态，验证环境因素的影响，仿真参数包括载荷条件、热传导系数、腐蚀速率。

11、在一种实施方式中，所述根据船舶关键部件的三维模型数据,获取关键部件内部的连接结构,计算不同结构节点之间的故障相关性,标定出高故障概率关联部件，结合结构单元的空间关联评估，确定故障传播的潜在节点和关联部件，包括：

12、获取已锁定故障的关键部件的三维模型数据，解析出部件内部的连接结构网络，识别连接节点，包括螺栓、电缆、管道接口；统计每个节点的连接数，确定连接数大于预设连接数阈值的核心节点；在连接结构网络中定义节点间的距离度量，距离越短表示两节点间相关性越高；运用dijkstra算法，计算网络中所有节点对之间的最短路径；通过比较计算得出的最短路径长度，识别出故障相关性大于预设故障相关性阈值的节点对；基于贝叶斯网络模型，采用历史故障统计数据，确定结构节点与故障模式之间的条件概率；计算故障相关性大于预设故障相关性阈值的节点对对应故障的后验概率，确定故障概率大于预设故障概率阈值的核心节点；获取与核心节点相连的前后级结构部件，组成关键部件故障的影响传播网络；根据网络连接及故障相关性，判断出与核心节点相关性大于预设相关性阈值的结构部件，标定为高故障概率关联部件；获取船舶系统内所有关键部件的信息，包括关键部件的物理位置、功能描述、以及与其他部件的连接情况，并构建全连接拓扑网络，在连接拓扑网络中，每个节点代表一个部件，边代表部件之间的连接关系；基于已识别的故障部件以及故障部件与系统中其他部件之间的物理、功能或数据连接关系，构建故障影响网络，故障影响网络中的节点代表部件，边代表部件之间因故障传播产生的相互作用；结合离散传感器采样信号，预测故障热点传播路径，定位高故障概率隐患部件，高故障概率隐患部件包括已锁定故障的关键部件和高故障概率关联部件；获取物理位置距离小于预设距离阈值的结构部件，判断该结构单元是否属于故障影响网络；各个结构部件的物理位置信息，部件之间的连接类型和历史故障数据，最近邻算法进行模型训练，构建部件空间关联模型，确定每个结构部件的空间相关度，空间相关度作为修正系数，修正节点的故障概率，提高模型匹配精度，物理位置信息包括坐标、距离，连接类型包括直接连接、间接连接；通过全连接拓扑网络、贝叶斯网络模型和部件空间关联模型的应用，多维度计算节点与部件的故障概率；若故障概率大于预设故障概率阈值，则判定为容易发生故障的结构部件，建议将其纳入联动监测范畴；还包括：根据部件间依赖程度、操作历史评分和环境因素影响度的分析，计算故障传播影响指数，优化船舶系统的维护和检修计划。

13、所述根据部件间依赖程度、操作历史评分和环境因素影响度的分析，计算故障传播影响指数，优化船舶系统的维护和检修计划，具体包括：

14、使用依赖矩阵表示部件间的直接和间接联系，定量分析每个部件之间的依赖程度，确定功能依赖度f。获取每个部件的使用频率、维护记录和故障历史，确定操作历史评分h。根据环境参数对每个部件的影响，确定环境因素影响度e；定义故障传播影响指数公式fpi＝w1×f+w2×h+w3×e，w1，w2，w3是权重系数，用于调整这三个因素在fpi中的影响力，w1，w2，w3的值通过历史数据获得。计算每个部件计算fpi值，根据部件的fpi值进行优先级排序，优化维护和检修计划。建立实时监测系统，持续获取影响fpi的参数。定期重新计算fpi值，反映最新的操作和环境条件。通过实际案例和历史故障数据验证fpi模型的准确性。根据实际运营数据和故障发生情况，调整fpi公式中的参数和权重。

15、在一种实施方式中，所述根据关键部件的三维扫描数据和空间格网分析，对扫描区域内的其他机械部件进行特征提取和相似度计算，评估物理连接和载荷传递，识别潜在的连锁故障风险点，包括：

16、获取已确定的高故障概率关联部件所在物理区域的三维扫描数据；以每个高故障概率关联部件为中心，构建局部范围空间格网，设置区域大小为高故障概率关联部件平均尺寸的预设倍数；对扫描区域内的其他机械部件进行特征提取，特征包括结构特征和功能特征，结构特征包括材质、构件尺寸、接口形式，功能特征包括运动形式、作用载荷；基于提取的特征，采用余弦相似度方法，计算区域内其他部件与高故障概率关联部件在结构特征和功能特征上的相似度；设定相似度阈值，筛选出在结构或功能上相似度高于预设相似度阈值的故障部件，作为相似部件；判断筛选出的相似部件与故障相关部件之间是否存在物理联系，物理联系包括固定连接、作用载荷传递；若存在物理联系，则判定相似部件也可能发生故障；获取相似部件的工作负载和实时状态数据，使用支持向量机算法进行模型训练，预测部件的故障概率，并根据故障概率为每个部件设定预警级别；使用互相关函数，评估故障事件之间的时间关系，使用moran'si指数，评估部件间的空间关系；根据计算出的时间和空间相关性，修正各部件的故障概率；标记出所有结构和功能相似度高于预设相似度阈值，并与已知故障部件相关性高于预设相关性阈值的部件，作为连锁故障风险点；当关键部件发生故障时，立即检查所有标记的风险点状态，防止故障的连锁后果扩大。

17、在一种实施方式中，所述绘制出故障从根源部件向外扩散的概率区间分布图,并计算在不同扩散范围区间内还可能隐藏其他故障的置信度，包括：

18、基于已判断的故障根源部件，构建包含该部件的系统连通网络，系统连通网络表示部件之间的连接关系和相互作用；采用蒙特卡洛模拟的方法，计算故障从根源部件向外扩散的概率路径；设置故障扩散的范围区间，包括核心部件周边、局部子系统、总体系统；基于历史统计数据，采用贝叶斯网络算法进行模型训练，预测每个扩散区间内的潜在故障概率分布；绘制故障从核心部件向外扩散的概率分布图，显示不同区间内故障概率的递减趋势；在概率分布图上标注与各概率区间对应的关键部件或子系统，作为重点检查对象；针对置信度大于预设置信度阈值的区间，启动辅助检测设备旁通传感器，利用旁通传感器信号确定区间内是否存在未被直接识别的故障；统计区间内检测到的故障类型和数量；若检测到的故障数量超出预设数量范围或严重性超出预设严重性范围，则判断故障扩散速度或影响范围异常，扩大检测范围；根据检测结果和置信度水平，确定各概率区间内隐藏故障的数量分布情况，评估各区间的风险等级，并优化维护方案；还包括：根据系统连通网络的结构分析、部件互动强度评估和环境参数影响评价，计算并集成故障扩散复杂性指数，监控和更新船舶系统的故障风险。

19、所述根据系统连通网络的结构分析、部件互动强度评估和环境参数影响评价，计算并集成故障扩散复杂性指数，监控和更新船舶系统的故障风险，具体包括：

20、通过系统连通网络的拓扑结构，确定网络节点的连接度分布、平均路径长度和网络集群系数，量化网络连接的复杂度n。基于部件之间的能量转换或信息交换频率，评估部件之间的互动强度i；获取环境参数数据，包括温度变化、湿度波动，评估环境参数数据对系统故障模式的影响程度，确定环境参数对故障传播的影响p；定义公式fdci＝a×n+b×i+c×p，计算故障扩散复杂性指数fdci，其中a，b，c是权重系数，根据历史故障数据确定。将fdci公式集成到船舶系统的监测和维护平台中，使用实时数据来计算fdci，持续监控系统的故障扩散风险。定期评估公式的性能，并根据最新的运行数据和环境变化更新参数。

21、在一种实施方式中，所述根据船舶系统的故障根源部件数据和故障相关系统的工作环境数据和任务过程数据，构建部件知识库和系统运行环境库，识别影响故障发生的关键内外部因素，包括：

22、获取已确定的故障根源部件的数据，构建包含材质、结构、负载属性的部件知识库；获取与故障相关系统的工作环境数据和任务过程数据，构建系统运行环境库；采用apriori算法，关联根源部件属性与环境库中的变量，计算每个关联规则的支持度和置信度，筛选出最可能影响根源部件的内部和外部因素；根据已确定的内外部影响因素变量，利用贝叶斯网络算法进行模型训练，构建部件故障预测模型，确定根源部件故障模式；针对新发生的故障案例，获取案例相关的部件数据、环境数据，使用部件故障预测模型，得到部件数据和环境数据中每个变量与该故障相关的条件概率；根据部件故障预测模型得到的概率大小自动判断对本次故障影响最大的内外部根源变量；若多个变量概率差值小于预设概率差阈值，则根据变量之间的相互作用关系，确定核心根源；采用虚拟仿真软件ansys进行数值仿真和结构仿真，验证部件故障预测模型输出的内外部根源的影响效应；模拟根源变量异常变化情况，确认是否会导致该故障模式的产生；根据所有内外部根源变量，并按照对本次故障的相关影响程度排序，标注出最关键的预设数量的若干个根源变量，判断最关键的系统内根源或外部根源。

23、本发明实施例提供的技术方案可以包括以下有益效果：

24、本发明提供了一种多源故障自主定位与分类方法。通过对系统内部各模块和部件的深入分析，结合外部海洋环境的动态监测，本发明能够精准定位故障源头，判断故障的根本原因，无论是由内部机械故障还是外部环境因素引起。核心优势在于能够综合分析系统内部结构的复杂性与外部环境的不确定性，通过构建知识图谱和实时数据分析，提供对故障传播路径的预测，从而对可能的连锁故障进行提前预警。这种方法提高了对系统故障的响应速度，减少了故障诊断时间，同时也提升了维修和预防工作的准确性和效率。本发明能够识别并预测系统内部的故障扩散趋势，包括判断异常波动的原因和定位故障部件之间的关联性。这不仅有助于在复杂海洋环境中维持船舶系统的稳定运行，也显著提高了船舶安全性和可靠性，减少了意外事故的风险，降低了维护成本。总体而言，本发明在确保船舶系统高效运行的同时，为船舶工程领域提供了一种先进的故障管理和预防策略。