本技術(shù)涉及故障診斷系統(tǒng)，尤其涉及一種故障診斷系統(tǒng)的控制方法、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、故障診斷系統(tǒng)通過線上獲取用于設(shè)備的故障信息，實現(xiàn)設(shè)備的遠程故障診斷。

2、相關(guān)技術(shù)中，故障診斷系統(tǒng)通過集成傳感器數(shù)據(jù)，利用深度學(xué)習(xí)模型對傳感器數(shù)據(jù)進行時序分析，捕捉設(shè)備物理狀態(tài)變化，從而實現(xiàn)故障自動分析。

3、然而，由于數(shù)據(jù)源的單一，故障診斷的結(jié)果通常呈現(xiàn)片面性突出。當(dāng)傳感器數(shù)據(jù)因環(huán)境干擾出現(xiàn)誤報時，系統(tǒng)無法對診斷結(jié)果進行驗證，這導(dǎo)致故障診斷系統(tǒng)的誤判率較高。

4、上述內(nèi)容僅用于輔助理解本技術(shù)的技術(shù)方案，并不代表承認上述內(nèi)容是現(xiàn)有技術(shù)。

技術(shù)實現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種故障診斷系統(tǒng)的控制方法、設(shè)備及存儲介質(zhì)，旨在解決設(shè)備的故障診斷系統(tǒng)因診斷結(jié)果片面，而導(dǎo)致誤判率較高的技術(shù)問題。

2、為實現(xiàn)上述目的，本技術(shù)提供一種故障診斷系統(tǒng)的控制方法，所述的方法包括以下步驟：

3、接收用戶終端發(fā)送的故障描述信息以及多媒體數(shù)據(jù)；

4、提取所述故障描述信息對應(yīng)的文本特征，以及所述多媒體數(shù)據(jù)對應(yīng)的多媒體特征，并基于注意力融合模塊，融合所述文本特征和所述多媒體特征，生成融合特征；

5、獲取待分析設(shè)備對應(yīng)的傳感器數(shù)據(jù)，并生成所述傳感器數(shù)據(jù)的傳感器時序特征；

6、將所述融合特征和所述傳感器時序特征映射至隱空間，并在所述隱空間中對齊所述融合特征和所述傳感器時序特征，生成聯(lián)合表征；

7、通過故障分類模型，識別所述聯(lián)合表征對應(yīng)的目標(biāo)故障類型。

8、在一實施例中，所述提取所述故障描述信息對應(yīng)的文本特征，以及所述多媒體數(shù)據(jù)對應(yīng)的多媒體特征，并基于注意力融合模塊，融合所述文本特征和所述多媒體特征，生成融合特征的步驟包括：

9、通過自然語言處理，對所述故障描述信息進行分詞處理和編碼處理，得到所述文本特征；

10、通過多媒體分析模型，識別所述多媒體數(shù)據(jù)中圖像幀和/或音頻信息的異常信息，并生成對應(yīng)的多媒體特征；

11、將所述文本特征作為查詢向量，并將所述多媒體特征映射為鍵向量和值向量，計算所述查詢向量與所述鍵向量之間的相似性得分；

12、基于交叉注意力機制，生成所述相似性得分的注意力分?jǐn)?shù)矩陣，并對所述注意力分?jǐn)?shù)矩陣進行歸一化處理，得到關(guān)聯(lián)權(quán)重；

13、基于所述關(guān)聯(lián)權(quán)重，對所述值向量進行加權(quán)求和計算，并將所計算結(jié)果與所述文本特征進行殘差連接，形成所述融合特征。

14、在一實施例中，所述獲取待分析設(shè)備對應(yīng)的傳感器數(shù)據(jù)，并生成所述傳感器數(shù)據(jù)的傳感器時序特征的步驟包括：

15、于云端數(shù)據(jù)庫，調(diào)取所述待分析設(shè)備在預(yù)設(shè)時間窗口內(nèi)傳感器的傳感器數(shù)據(jù)；

16、基于時間順序，生成所述傳感器數(shù)據(jù)的傳感器數(shù)據(jù)序列；

17、對所述傳感器數(shù)據(jù)序列進行時序建模，生成所述傳感器時序特征。

18、在一實施例中，所述將所述融合特征和所述傳感器時序特征映射至隱空間，并在所述隱空間中對齊所述融合特征和所述傳感器時序特征，生成聯(lián)合表征的步驟包括：

19、將所述融合特征映射至所述隱空間的第一特征子空間；

20、將所述傳感器時序特征映射至所述隱空間的第二特征子空間；

21、計算所述第一特征子空間與所述第二特征子空間的空間分布差異，并基于所述空間分布差異對所述第一特征子空間和/或第二特征子空間迭代；

22、在所述空間分布差異小于預(yù)設(shè)閾值時，基于相同的特征通道，融合所述第一特征子空間和所述第二特征子空間，生成所述聯(lián)合表征。

23、在一實施例中，所述通過故障分類模型，識別所述聯(lián)合表征對應(yīng)的目標(biāo)故障類型的步驟包括：

24、將所述聯(lián)合表征輸入所述故障分類模型，所述故障分類模型包含卷積神經(jīng)網(wǎng)絡(luò)和支持向量機；

25、通過所述卷積神經(jīng)網(wǎng)絡(luò)，提取所述聯(lián)合表征的局部空間特征，生成空間特征圖；

26、通過所述支持向量機，將所述空間特征圖分類映射至向量空間，并計算所述向量空間中故障類型的分布概率，得到所述故障類型的置信度；

27、基于所述置信度對所述故障類型進行排序，并基于排序結(jié)果，于所述故障類型中選定所述目標(biāo)故障類型。

28、在一實施例中，所述基于所述置信度對所述故障類型進行排序，并基于排序結(jié)果，于所述故障類型中選定所述目標(biāo)故障類型的步驟還包括：

29、在所述排序結(jié)果中，將序列號處于預(yù)設(shè)取值區(qū)間的所述故障類型，選取為候選故障類型；

30、獲取所述用戶的歷史維修記錄，并基于所述歷史維修記錄，調(diào)整所述候選故障類型的目標(biāo)置信度；

31、將所述目標(biāo)置信度最高的所述候選故障類型，選定為所述目標(biāo)故障類型。

32、在一實施例中，所述通過故障分類模型，識別所述聯(lián)合表征對應(yīng)的目標(biāo)故障類型的步驟之后，還包括：

33、在觸發(fā)增量學(xué)習(xí)進程后，獲取用戶反饋信息和/或設(shè)備狀態(tài)信息；

34、固化所述故障分類模型的網(wǎng)絡(luò)層參數(shù)；

35、根據(jù)修正故障類型與所述聯(lián)合表征的映射關(guān)系，更新所述故障分類模型的輸出層的權(quán)重參數(shù)；

36、基于更新后的所述權(quán)重參數(shù)，更新所述故障分類模型。

37、在一實施例中，所述通過故障分類模型，識別所述聯(lián)合表征對應(yīng)的目標(biāo)故障類型的步驟之后，還包括：

38、獲取所述待分析設(shè)備對應(yīng)的數(shù)字孿生模型；

39、基于所述傳感器數(shù)據(jù)和對抗性擾動信息，對所述數(shù)字孿生模型進行狀態(tài)仿真；

40、根據(jù)狀態(tài)仿真結(jié)果中所述目標(biāo)故障類型對應(yīng)的故障置信值，并將所述故障置信值與所述目標(biāo)故障類型的目標(biāo)置信值進行對比；

41、根據(jù)對比結(jié)果，調(diào)整所述待分析設(shè)備的故障診斷結(jié)果。

42、此外，為實現(xiàn)上述目的，本技術(shù)還提供一種故障診斷系統(tǒng)的控制設(shè)備，所述設(shè)備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現(xiàn)如上所述的故障診斷系統(tǒng)的控制方法的步驟。

43、此外，為實現(xiàn)上述目的，本技術(shù)還提供一種存儲介質(zhì)，所述存儲介質(zhì)為計算機可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述的故障診斷系統(tǒng)的控制方法的步驟。

44、本技術(shù)提出的一個或多個技術(shù)方案，至少具有以下技術(shù)效果：

45、本技術(shù)通過接收用戶終端上傳的文本描述信息和/或多媒體數(shù)據(jù)等多模態(tài)故障信息，并提取其特征，同時獲取待分析設(shè)備對應(yīng)的傳感器時序數(shù)據(jù)，分別構(gòu)建用戶側(cè)的融合特征，以及傳感器時序特征，進而在隱空間中對兩類異構(gòu)特征進行深層語義對齊，生成融合用戶主觀描述與設(shè)備客觀信號的聯(lián)合表征，從而通過跨模態(tài)特征耦合，使聯(lián)合表征能夠同時捕捉用戶描述的故障現(xiàn)象細節(jié)與傳感器時序信號中的潛在異常模式，在復(fù)雜故障場景下彌補單一數(shù)據(jù)源的片面性，增強對復(fù)合故障關(guān)鍵線索的關(guān)聯(lián)挖掘能力，最終提升診斷結(jié)果的全面性與可靠性。