本技术涉及智能巡检，具体涉及一种基于多源数据融合与智能分析的水厂无人化远程巡检方法及系统。
背景技术：
1、随着智慧水务建设的深入，水厂运维的安全、稳定与高效面临更高要求。传统人工巡检方式存在效率低下、成本高昂、主观性强、安全风险高等固有缺陷，巡检质量高度依赖人员经验。
2、现有技术中，部分水厂虽已引入固定式视频监控与物联网传感器，但各系统独立运行，形成“数据孤岛”，仅能实现单点参数的阈值告警或视频安防监控，缺乏对设备外观异常（如泄漏、腐蚀）、结构问题及多因素耦合故障的综合诊断能力。视频监控蕴含的丰富视觉信息未被深度挖掘用于设备状态分析，而固定传感器数据维度单一，难以反映设备的整体健康状态。同时，现有方案未能有效融合固定监控、移动机器人巡检与设备工艺知识，异常发现到专家诊断的响应周期长，无法实现早期预警与根因定位，易使小问题演变为大故障。
3、因此，亟待一种能够实现无人化、远程化、智能化与专家级诊断的水厂巡检系统，以打破数据壁垒，实现多源信息深度融合与智能分析，从而提升运维现代化水平。
技术实现思路
1、为解决上述问题，本发明提供基于多源数据融合与智能分析的水厂无人化远程巡检方法及系统。通过深度融合视频监控、物联网传感器与自主移动机器人，结合先进的多源数据融合与人工智能算法，实现对水厂运行状态的全面、精准、高效、安全的远程智能巡检，使远程专家无需亲临现场即可完成高水准的巡检工作。
2、第一方面，本发明技术方案一种基于多源数据融合与智能分析的水厂无人化远程巡检方法，包括以下步骤：
3、s1、通过部署在水厂的视频监控子系统和物联网传感器子系统，采集多个预定位置的常规监测数据；
4、s2、将常规监测数据与预设的异常触发条件进行比对；当比对结果满足所述异常触发条件时，确定触发异常的目标监测点，并自动调度自主移动机器人前往所述目标监测点所在的区域位置，利用其搭载的多模态传感载荷，对所述目标监测点进行多角度的精细化数据采集，获得包括可见光图像、红外热像、设备声音中的至少一种复核数据；
5、s3、将所述常规监测数据与所述复核数据输入至基于水厂工艺流程构建的设备关系模型中，进行多源异构数据的融合分析，并基于设备间的关联关系定位导致异常的设备；
6、s4、基于分析与定位的结果，自动生成包含异常位置、类型、多维度证据链及维护建议的专家级巡检报告。
7、综合了多源异构数据，更能理解故障在不同类型关联关系间的差异化传播机制。通过计算异常影响力得分与梯度反传量化贡献度，系统能够实现精准根因定位，极大减少了误报和漏报。
8、作为本发明技术方案的优选，s2中，所述异常触发条件包括以下至少一种：
9、基于图像匹配的相似度阈值条件：将视频监控子系统采集的图像与正常状态图像模板进行匹配，并判断匹配相似度是否低于预设的第一阈值；
10、基于传感器数据的阈值/范围条件：将物联网传感器子系统采集的数据与预设的安全运行阈值或历史正常波动范围进行比对，并判断数据是否超出所述阈值或范围。
11、明确异常触发的具体判定标准，使异常识别逻辑更清晰、可执行，避免因判定条件模糊导致的漏报或误报，提升异常识别的准确性。
12、基于图像匹配的相似度阈值条件可有效识别设备外观变化、异物入侵等视觉类异常；基于传感器数据的阈值/范围条件可精准捕捉设备运行参数的异常波动，两类条件互补，全面覆盖水厂设备常见异常场景。
13、作为本发明技术方案的优选，s2中，当比对结果满足异常触发条件而关联到多个目标监测点时，所述方法还包括：
14、根据预设的调度策略，为所述多个目标监测点生成巡检队列；所述调度策略的优化目标包括以下至少一项：异常风险等级、设备工艺关键程度、地理路径最短、或任务紧急程度；
15、控制所述自主移动机器人依据所述巡检队列依次前往各目标监测点所在的区域位置，进行多角度的精细化数据采集。
16、解决多目标监测点同时触发异常时的巡检调度难题，通过预设调度策略生成巡检队列，避免机器人无序巡检导致的效率低下，提升多异常点处理的有序性与高效性。
17、结合异常风险等级、设备工艺关键程度等核心因素制定调度策略，可优先处理高风险、关键设备的异常，保障水厂核心工艺的稳定运行，降低重大故障发生概率；同时兼顾地理路径最短等目标，减少机器人移动耗时，提升整体巡检效率。
18、作为本发明技术方案的优选，s3中，所述基于水厂工艺流程构建的设备关系模型是一个以有向异构图表示拓扑、以图神经网络进行分析计算的模型，其实现多源异构数据的融合分析与定位的步骤包括：
19、s31、分别从所述常规监测数据及复核数据中提取与设备状态相关的特征向量，形成特征向量集合；
20、s32、基于水厂工艺流程图，将关键设备或监测点作为节点，其中，将所述触发异常的目标监测点定义为待分析的疑似异常节点，并根据物理连接、电气控制和空间邻近关系建立具有不同类型边的有向异构图；将提取的特征向量作为对应节点的初始特征；
21、s33、使用为不同类型边配置独立权重参数的图注意力网络，对所述有向异构图进行信息传播与聚合，更新节点表示，实现多源异构数据的融合；
22、s34、针对所述疑似异常节点，计算其更新后的节点表示与历史正常状态节点表示的差异，并通过分析图中节点间的影响传播，定位导致异常的根本原因设备。
23、基于工艺流程构建有向异构图，精准还原设备间的物理、电气及空间关联关系，使数据融合分析更符合水厂设备运行的实际逻辑，避免脱离工艺背景的孤立分析。通过图神经网络实现多源异构数据的有机融合，尤其是为不同类型边配置独立权重参数的图注意力网络，可区分不同关联关系的重要性，使数据融合更具针对性；同时通过节点信息传播与聚合，挖掘数据间的潜在关联，提升分析的深度。
24、通过计算节点表示与历史正常状态的差异，结合节点间的影响传播分析，不仅能识别异常节点，还能追溯导致异常的根本原因设备，避免仅停留在表面异常的识别，为后续维护提供精准指向，减少无效维护操作。有向异构图与图神经网络的结合，适配水厂设备多关联、多数据类型的特点，相比传统统一化分析模型，更能贴合水厂复杂的工艺与设备拓扑，提升分析结果的可靠性。
25、作为本发明技术方案的优选，s31包括：
26、从所述常规监测数据中，提取以下至少一种特征向量：
27、基于视频图像的特征：从视频监控子系统采集的可见光或红外视频流中，提取反映设备外观、状态或仪表读数的视觉特征；
28、基于传感器读数的特征：从物联网传感器子系统采集的数据中，提取反映压力、流量、液位、振动、气体浓度或水质参数的数值特征向量；
29、从所述复核数据中，提取以下至少一种特征向量：
30、基于可见光图像的特征：从自主移动机器人采集的高清变焦图像中，提取针对所述目标监测点的细节纹理、结构完整性或泄漏迹象的视觉特征；
31、基于红外热像的特征：从自主移动机器人采集的红外热像中，对所述目标监测点的设备区域进行语义分割，并计算该区域的最高温度、温度标准差和热斑面积占比，构成红外特征向量；
32、基于音频的特征：从自主移动机器人采集的设备运行声音中，提取反映设备机械状态、轴承磨损或异常噪音的声学频谱特征；
33、基于轮廓扫描的特征：从自主移动机器人采集的激光轮廓扫描数据中，提取反映设备结构变形、位移或腐蚀程度的几何形状特征。
34、覆盖常规监测数据与复核数据中的视觉、数值、声学、几何形状等多类特征，全面捕捉设备运行状态的各类表征信息，为后续融合分析提供丰富、全面的特征支撑，避免因特征缺失导致的分析偏差。结合各类数据的特性设计专属提取方法，如红外热像的语义分割与温度相关特征计算、激光轮廓扫描的几何形状特征提取等，使提取的特征更能反映设备状态的核心信息，提升特征质量与辨识度。
35、所有特征提取均围绕设备外观、运行参数、机械状态、结构完整性等核心状态维度展开，确保提取的特征能直接服务于设备异常识别与故障诊断。
36、作为本发明技术方案的优选，s32的步骤包括：
37、s321、解析水厂的工艺流程图，将流程图中的每一个关键物理设备或独立监测点实例定义为一个唯一的图节点；并将触发异常的目标监测点，与对应的图节点关联，将该节点标记为本轮分析的疑似异常节点；
38、s322、基于所述工艺流程图和设备实际布局信息，在所述图节点之间自动建立以下至少两种语义类型的有向边或无向边：
39、物理连接边：根据工艺流程图中表示的物料流向，在具有直接物理连接关系的设备节点之间建立有向边，边的方向与物料的主流方向一致；
40、电气控制边：根据控制逻辑图或信号连接关系，在控制器节点与被控设备节点之间建立有向边，边的方向从控制器指向被控设备；
41、空间邻近边：根据设备在厂区内的实际坐标位置，计算所有设备节点之间的欧氏距离；为相互间距离小于预设阈值的设备节点对之间建立无向边，表示其空间邻近关系；
42、s323、针对每一个图节点，从特征向量集合中，查找与该节点所代表的实际设备或监测点相匹配的特征向量，并将该特征向量作为该图节点的初始特征向量；对于未被所述目标监测点覆盖的设备节点，其初始特征向量使用对应常规监测数据的特征向量进行初始化。
43、通过解析工艺流程图与设备实际布局，明确图节点的定义与边的语义类型，使有向异构图能真实、全面地反映设备间的物理连接、电气控制及空间邻近关系。将触发异常的目标监测点与图节点直接关联并标记为疑似异常节点，避免无差别分析导致的效率低下。为所有图节点配置对应的初始特征向量，未被目标监测点覆盖的节点使用常规监测数据特征初始化，确保无节点特征缺失，使图神经网络能基于完整的特征信息进行分析。
44、作为本发明技术方案的优选，s33的步骤包括：
45、s331、对于所述有向异构图中连接节点与节点、且属于第类语义的边，使用为该类语义的边配置的专属可学习参数，计算一个注意力系数，用以表征在该类型关系下节点对节点影响的相对重要性；
46、s332、基于计算出的注意力系数，通过多层网络进行节点间的信息传播；在每一层中，对于目标节点，其更新后的特征表示通过先在同一语义边类型内聚合信息，再将不同边类型的聚合结果进行组合的方式获得，该特征表示在经过所有网络层后，形成用于根因定位的最终节点表示，从而实现多源异构数据的深度融合。
47、作为本发明技术方案的优选，s331中，注意力系数通过以下公式计算：
48、
49、其中，表示边的语义类型，是专用于第类边的可学习权重矩阵，是专用于第类边的可学习注意力向量，和分别是节点和节点的当前特征表示，||表示向量拼接操作；
50、s332中，目标节点的更新后特征表示通过以下节点更新公式获得：
51、
52、式中，表示通过第类边与节点相连的邻居节点集合，是由经softmax函数归一化得到的注意力权重，表示非线性激活函数。
53、作为本发明技术方案的优选，所述步骤s34具体包括以下操作：
54、s341、对于在s32中标记的疑似异常节点，计算其经过s33更新后的最终节点表示，与该节点在历史正常运行状态下所有节点表示的均值之间的欧氏距离，将该距离值作为该节点的异常影响力得分，即；
55、s342、基于已训练好的图注意力网络，通过梯度反传方法，计算所述有向异构图中其他节点对所述疑似异常节点的异常影响力得分的梯度；将所述梯度的绝对值或平方值，量化为对应节点对当前异常状态的影响贡献度；
56、s343、遍历所有计算得到影响贡献度的节点，筛选出贡献度超过预设贡献度阈值，并且在工艺关系图中处于所述疑似异常节点的上游或控制地位的节点，将其判定为导致当前异常的根本原因设备。
57、第二方面，本发明技术方案还提供一种基于多源数据融合与智能分析的水厂无人化远程专家级巡检系统，所述系统用于实现第一方面所述的方法，包括：
58、常规采集子系统，部署于水厂的多个预定位置，用于采集常规监测数据；
59、自主移动机器人，用于根据调度指令自主导航至目标区域位置，对目标监测点进行多角度、近距离的数据采集；
60、边缘计算网关，部署于水厂现场，与所述常规采集子系统通信连接，用于接收并缓存所述常规监测数据；执行所述常规监测数据与预设异常触发条件的比对；当比对结果满足异常触发条件时，生成包含目标监测点标识的机器人调度指令；
61、云端智能分析平台，与所述边缘计算网关及自主移动机器人通信连接，用于接收并存储来自所述常规采集子系统的常规监测数据以及来自所述自主移动机器人的复核数据；运行基于水厂工艺流程构建的设备关系模型，以执行多源异构数据的融合分析并定位导致异常的根本原因设备，基于所述融合分析与定位结果，自动生成专家级巡检报告；
62、巡检管理子系统，提供可视化人机交互界面，与所述云端智能分析平台连接，用于配置巡检计划、预设异常触发条件及调度策略；展示巡检任务状态、实时视频、设备状态及历史数据；接收并呈现由所述云端智能分析平台生成的专家级巡检报告。
63、常规采集子系统、自主移动机器人、边缘计算网关、云端智能分析平台及巡检管理子系统通过数据传输与指令交互形成完整闭环，确保从数据采集、异常识别、机器人调度、数据分析到报告呈现的全流程高效运行。
64、边缘计算网关部署于现场，负责实时数据缓存与异常触发比对，可快速响应异常并生成调度指令，避免数据全部上传云端导致的延迟，提升异常处理的实时性；云端平台则专注于深度融合分析与报告生成，发挥算力优势，保障分析的深度与准确性。
65、巡检管理子系统提供可视化人机交互界面，支持巡检计划配置、异常触发条件设定等操作，同时展示巡检全流程信息与专家级报告，使运维人员能便捷地进行系统管理与状态查看，降低系统使用门槛。
66、从以上技术方案可以看出，本技术具有以下优点：通过视频监控与物联网传感器实现常规监测数据的自动化采集，大幅提升巡检覆盖频次与范围，降低人力成本；同时借助自主移动机器人针对性采集复核数据，避免无效巡检，进一步提升巡检效率。
67、整合常规监测数据与机器人多模态复核数据，实现多源异构数据的融合分析，既覆盖传感器的数值型数据，又纳入图像、声音等视觉与声学信息，丰富数据维度，可精准识别设备外观异常、结构问题及综合故障，弥补现有监测系统数据单一的缺陷。
68、基于标准化的异常触发条件与数据融合分析算法，避免人工巡检的主观性与标准不一问题，减少漏检、误判；从异常识别、机器人调度复核到报告生成全程自动化，大幅缩短异常发现与诊断周期，实现早期预警，防止小问题演变为大故障，保障供水安全。
69、自动生成包含异常位置、类型、多维度证据链及维护建议的结构化报告，使远程专家无需亲临现场即可全面掌握设备状态并做出专业判断，提升水厂运维的现代化与智能化水平。