本发明属于流水线故障识别，尤其是涉及一种流水线故障识别方法、系统、设备及介质。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、随着工业自动化技术的迅速发展，自动化检定流水线在生产中的应用越来越广泛。然而，流水线在长期运行过程中经常会出现各种故障，这些故障不仅影响生产效率，还增加了运维人员的工作压力。
3、传统的监测和维护方法往往依赖于人工判断，效率低下且容易出错。因此，为了提高流水线的运维效率和智能化水平，减少人力成本，实现更高效的生产管理，迫切需要一种新的技术解决方案，以实现流水线的多参量感知、故障自动识别和无人化运维。
4、发明人发现，现有的故障监测方法通常存在如下技术问题：现有技术无法综合处理多模态数据，导致监测准确性和效率受限；故障识别和预测不精准，依赖于简单阈值判断或基础数据分析，难以有效预防或提前采取维护措施；缺乏自适应和动态优化能力，无法根据环境变化调整策略，影响响应的及时性和准确性；运维依赖度高，过分依赖人员经验和判断，增加人力成本，降低运维效率和准确性。
技术实现思路
1、本发明的实施例提供了一种流水线故障识别方法、系统、设备及介质，以解决现有技术中无法综合处理多模态数据，导致监测准确性和效率受限的问题；以及，现有技术依赖于简单阈值判断或基础数据分析，难以有效预防或提前采取维护措施的问题；以及，缺乏自适应和动态优化能力，无法根据环境变化调整策略，影响响应的及时性和准确性的问题。
2、根据本发明实施例的第一方面，提供了一种流水线故障识别方法，包括：
3、获取流水线的多模态监测数据；
4、对于获得的多模态监测数据，通过预设数据融合策略进行多模态监测数据的融合，获得融合数据；其中，所述数据融合策略中不同维度数据对应的数据融合权重，基于传感器数据间的距离进行动态调节；
5、基于所述融合数据，利用预先训练的时空自适应多模态分析网络模型，获得故障识别结果；其中，所述时空自适应多模态分析网络模型，具体执行如下处理过程：基于所述融合数据，分别提取其在不同时间尺度上的特征及其在空间维度上的分布和关系，获得时间特征和空间特征；通过对时间特征和空间特征进行动态融合，获得融合特征；基于所述融合特征与预设基准数据的对比结果，实现故障的识别。
6、进一步的，对于所述数据融合策略，基于条件信息熵对当前数据融合策略进行评估，基于评估结果，对数据融合策略进行动态优化。
7、进一步的，所述时间特征的提取，具体为：基于所述融合数据，基于高斯模态和三角函数的结果，获得融合数据在不同时间尺度的特征。
8、进一步的，所述空间特征的提取，具体为：基于所述融合数据，通过逻辑斯蒂函数构建空间特征重构网络，对融合数据的空间特征进行重构，获得融合数据在空间维度上的分布和关系。
9、进一步的，所述动态加权融合，具体为：基于空间特征和时间特征生成自适应的动态权重，基于获得的动态权重进行时间特征和空间特征的融合。
10、进一步的，所述预设数据融合策略具体包括：将获得的原始多模态监测数据通过非线性映射转换为新的维度空间，获得新的数据特征集；对所述数据特征集进行特征提取，基于提取的特征进行张量分解，获得不同维度的特征；基于获得的不同维度的特征进行加权融合，获得融合数据。
11、进一步的，所述将获得的原始多模态监测数据通过非线性映射转换为新的维度空间，具体表示为：
12、
13、其中，表示映射后的数据，代表原始数据中的第i个数据点，是第k个高斯函数的幅度系数，是第k个高斯函数的中心位置，是第k个高斯函数的标准差，是的系数，是第个多项式的幂指数，和是常数偏移量和线性系数。
14、进一步的，所述融合数据，具体表示如下：
15、
16、其中，表示融合后的数据集，代表第r个分解模式中第i个维度的数据向量，是第r个分解模式的权重，表示融合权重。
17、进一步的，所述数据融合策略中不同维度数据对应的数据融合权重，基于传感器数据间的距离进行动态调节，所述数据融合权重具体表示如下：
18、
19、其中，是在时间t下，第p和q个数据点之间的动态权重，、、是权重公式的调整参数，表示第p和q个数据点之间的距离，表示在时间t第p和q个数据点的融合值。
20、进一步的，所述多模态监测数据包括光照强度、声音频率、温度、电流和电压变化、以及设备运动情况。
21、根据本发明实施例的第二方面，提供了一种流水线故障识别系统，包括：
22、数据获取单元，其用于获取流水线的多模态监测数据；
23、数据融合单元，其用于对于获得的多模态监测数据，通过预设数据融合策略进行多模态监测数据的融合，获得融合数据；其中，所述数据融合策略中不同维度数据对应的数据融合权重，基于传感器数据间的距离进行动态调节；
24、故障识别单元，其用于基于所述融合数据，利用预先训练的时空自适应多模态分析网络模型，获得故障识别结果；其中，所述时空自适应多模态分析网络模型，具体执行如下处理过程：基于所述融合数据，分别提取其在不同时间尺度上的特征及其在空间维度上的分布和关系，获得时间特征和空间特征；通过对时间特征和空间特征进行动态融合，获得融合特征；基于所述融合特征与预设基准数据的对比结果，实现故障的识别。
25、根据本发明实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种流水线故障识别方法。
26、根据本发明实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种流水线故障识别方法。
27、以上一个或多个技术方案存在以下有益效果：
28、（1）本发明提供了一种流水线故障识别方法及系统，所述方案通过多模态传感器网络实时收集数据，并利用数据融合技术，从多个维度精确监测流水线的运行状态，不仅提高了数据收集的精度，还通过智能化处理提高了分析效率；通过分析融合后的数据集，能够有效地识别和预测流水线上的异常模式和潜在故障，使得提前采取维护措施成为可能，从而预防严重故障的发生；同时，本实施例所述方案中的数据融合策略以及特征融合，均采用自适应的动态融合方式，能够有效应对流水线的环境变化。
29、（2）本发明提供了一种动态的数据融合策略，能够有效应对流水线运行环境的动态变化，通过动态权重调整来调整数据融合的权重，能够实现流水线环境变化的自适应；同时，为了识别和减少数据融合过程中的不确定性，特别是在处理复杂和多变的流水线数据时，使用条件信息熵公式来指导数据融合策略，信息熵的计算用于评估数据的不确定性。通过最小化信息熵，可以减少融合过程中的信息丢失，优化数据融合策略。
30、（3）本发明使用高斯模态和三角函数的结合来捕获融合数据集在不同时间尺度上的特征，通过调整高斯模态参数（均值、标准差）和三角函数参数（周期），来揭示数据在时间维度上的细微变化；通过将时间和空间维度的数据特征融合在一起，并利用动态权重系统对数据进行深入分析，从而揭示多模态数据中的潜在模式和信息，有效保证了后续故障识别的准确行。
31、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种流水线故障识别方法，其特征在于，包括：
2.如权利要求1所述的一种流水线故障识别方法，其特征在于，对于所述数据融合策略，基于条件信息熵对当前数据融合策略进行评估，基于评估结果，对数据融合策略进行动态优化。
3.如权利要求1所述的一种流水线故障识别方法，其特征在于，所述时间特征的提取，具体为：基于所述融合数据，基于高斯模态和三角函数的结果，获得融合数据在不同时间尺度的特征。
4.如权利要求1所述的一种流水线故障识别方法，其特征在于，所述空间特征的提取，具体为：基于所述融合数据，通过逻辑斯蒂函数构建空间特征重构网络，对融合数据的空间特征进行重构，获得融合数据在空间维度上的分布和关系。
5.如权利要求1所述的一种流水线故障识别方法，其特征在于，所述动态加权融合，具体为：基于空间特征和时间特征生成自适应的动态权重，基于获得的动态权重进行时间特征和空间特征的融合。
6.如权利要求1所述的一种流水线故障识别方法，其特征在于，所述预设数据融合策略具体包括：将获得的原始多模态监测数据通过非线性映射转换为新的维度空间，获得新的数据特征集；对所述数据特征集进行特征提取，基于提取的特征进行张量分解，获得不同维度的特征；基于获得的不同维度的特征进行加权融合，获得融合数据。
7.如权利要求6所述的一种流水线故障识别方法，其特征在于，所述将获得的原始多模态监测数据通过非线性映射转换为新的维度空间，具体表示为：
8.如权利要求1所述的一种流水线故障识别方法，其特征在于，所述融合数据，具体表示如下：
9.如权利要求1所述的一种流水线故障识别方法，其特征在于，所述数据融合策略中不同维度数据对应的数据融合权重，基于传感器数据间的距离进行动态调节，所述数据融合权重具体表示如下：
10.如权利要求1所述的一种流水线故障识别方法，其特征在于，所述多模态监测数据包括光照强度、声音频率、温度、电流和电压变化、以及设备运动情况。
11.一种流水线故障识别系统，其特征在于，包括：
12.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-10任一项所述的一种流水线故障识别方法。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-10任一项所述的一种流水线故障识别方法。
