本技術涉及故障診斷，尤其涉及一種廠房排水系統故障診斷的智能預警方法及裝置。
背景技術：
1、廠房排水系統是工業設施中關鍵的組成部分，負責將生產過程中產生的廢水、雨水等有效排出，以保持生產環境的清潔和生產流程的順暢。隨著工業自動化和智能化的發展，對排水系統的可靠性和維護成本效益提出了更高要求。然而，由于長時間運行、設備老化、操作不當或外部環境變化等因素，排水系統可能會出現各種故障，影響其正常運行。因此，開發有效的故障診斷和預警系統對于保障工廠的正常運作、防止環境污染以及維護生產安全具有重要意義。
2、目前只能對系統的局部進行診斷，未考慮系統的整體性。采取對排水系統進行集散式監控的方法實現故障診斷，但未考慮局部故障診斷的順序。此外以上方法均未將故障診斷與預警進行結合，只能實現對已有故障的診斷，需要處理大量信息，診斷效果不理想，準確率較低。
技術實現思路
1、本技術旨在至少在一定程度上解決相關技術中的技術問題之一。
2、為此，本技術的第一個目的在于提出一種廠房排水系統故障診斷的智能預警方法。
3、本技術的第二個目的在于提出一種裝置。
4、本技術的第三個目的在于提出一種電子設備。
5、本技術的第四個目的在于提出一種計算機可讀存儲介質。
6、本技術的第五個目的在于提出一種計算機程序產品。
7、為達上述目的，本技術第一方面實施例提出了一種廠房排水系統故障診斷的智能預警方法，包括：
8、利用樹形結構將廠房排水系統中存在的故障及其原因進行分解展開，確定各種故障對應的可能原因；
9、獲取廠房排水系統包含各類故障信息的傳感器歷史數據集作為訓練數據；
10、對所述訓練數據進行多模態數據特征提取，并初始化故障診斷模型和故障預警模型；
11、根據壟斷搜索算法對所述故障診斷模型進行優化，獲取對應的最優參數，其中，所述壟斷搜索算法中包含概率擾動策略；
12、將特征提取后的所述訓練數據輸入故障診斷模型和故障預警模型進行訓練，并得到訓練好的故障診斷模型和故障預警模型；
13、將傳感器實時采集的實時數據分別輸入訓練好的故障診斷模型和故障預警模型，并輸出對應的故障類型和預警結果，根據所述故障類型和預警結果進行預警處理。
14、可選的，所述利用樹形結構將廠房排水系統中存在的故障及其原因進行分解展開，確定各種故障對應的可能原因，包括：
15、監測流量信號、溫度信號、正負壓信號和振動信號，
16、當所述信號出現異常時，根據異常信號的類型，以排水管道、水泵電動機和水泵為單元逐級向下尋找故障的直接原因，并選擇合理的故障門，直至故障原因無法分解為止，得到故障對應的可能原因。
17、可選的，所述對所述訓練數據進行多模態數據特征提取，包括：
18、確定所述訓練數據中的故障信息數據集和正常數據集；
19、對所述故障信息數據集和正常數據集中樣本進行中心化處理以獲取中心化數據樣本；
20、使用選定的主成分方向和數據樣本集，計算散布矩陣；
21、對所述散布矩陣進行特征值分解，以獲取對應的特征向量和主成分；
22、根據所述主成分和特征向量重構出原始張量，以獲取特征提取后的所述訓練數據。
23、可選的，所述初始化故障診斷模型和故障預警模型，包括：
24、初始化所述故障診斷模型，通過估計軟掩碼來給出節點和邊的表示，通過注意力模塊來過濾掉因果和捷徑特征，并根據所獲得的特征，產生因果建議和平凡建議；
25、使用注意力分數來構建軟掩碼，并使用圖得到因果和平凡伴隨圖的初步表示；
26、通過解耦從圖中獲取因果特征和非因果特征，通過計算軟掩碼來創建初始參與圖，分別使用圖神經網絡模塊來獲得參加圖的表示，通過讀出函數和分類器預測輸入圖的類別；
27、使用因果理論的后門調整參數化，結合因果特征和非因果特征；
28、隨機加入法用于干預公式，以獲取學習目標。
29、可選的，所述初始化故障診斷模型和故障預警模型包括：
30、初始化故障預警模型，將所述歷史數據集按照時間排序得到序列；
31、構建通過卷積層和位置編碼來獲得輸入嵌入；
32、使用時間特征提取器來學習時間依賴性和通道依賴性；
33、使用線性層來輸出最終的預測結果。
34、可選的，所述根據壟斷搜索算法對所述故障診斷模型進行優化，獲取對應的最優參數，包括：
35、設置非壟斷搜索算法的目標函數作為故障診斷準確率，確定種群類型為所述故障診斷模型的隱含層節點個數、學習率；確定迭代次數、維度大小以及搜索空間的上下限；
36、在迭代計數器小于或等于預設閾值時，隨機探索解空間，并發現新的潛在最優解；
37、在迭代計數器大于預設閾值時，在當前解的鄰域內進行局部搜索，以獲取最終解。
38、為達上述目的，本技術第二方面實施例提出了一種廠房排水系統故障診斷的智能預警裝置，包括：
39、原因確定模塊，用于利用樹形結構將廠房排水系統中存在的故障及其原因進行分解展開，確定各種故障對應的可能原因；
40、采集模塊，用于獲取廠房排水系統包含各類故障信息的傳感器歷史數據集作為訓練數據；
41、特征提取模塊，用于對所述訓練數據進行多模態數據特征提取，并初始化故障診斷模型和故障預警模型；
42、優化模塊，用于根據壟斷搜索算法對所述故障診斷模型進行優化，獲取對應的最優參數，其中，所述壟斷搜索算法中包含概率擾動策略；
43、訓練模塊，用于將特征提取后的所述訓練數據輸入故障診斷模型和故障預警模型進行訓練，并得到訓練好的故障診斷模型和故障預警模型；
44、故障診斷模塊，用于將傳感器實時采集的實時數據分別輸入訓練好的故障診斷模型和故障預警模型，并輸出對應的故障類型和預警結果，根據所述故障類型和預警結果進行預警處理。
45、為達上述目的，本技術第三方面實施例提出了一種電子設備，包括：處理器，以及與所述處理器通信連接的存儲器；
46、所述存儲器存儲計算機執行指令；
47、所述處理器執行所述存儲器存儲的計算機執行指令，以實現如第一方面中任一項所述的方法。
48、為達上述目的，本技術第四方面實施例提出了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處理器執行時用于實現如第一方面中任一項所述的方法。
49、為達上述目的，本技術第五方面實施例提出了一種計算機程序產品，該計算機程序被處理器執行時實現第一方面中任一項所述的方法。
50、本技術提供的廠房排水系統故障診斷的智能預警方法、裝置、電子設備及存儲介質，具備以下有益效果：
51、1、有效利用multiview機制允許pca算法從不同的角度或視圖來分析數據，這有助于捕捉數據中更豐富的信息和結構，并且可以構建出比單一視角更全面的數據表示，從而提高特征提取的質量。此外，多視角特征提取有助于模型在面對新數據時有更好的泛化能力，可以幫助揭示數據中的復雜結構，為進一步的分析提供更堅實的基礎。
52、2、利用cta-gnn模型處理圖結構數據的優勢，應用于排水系統的故障診斷。該模型能夠自然地捕捉排水系統中各個組件之間的復雜關系，通過端到端學習直接從原始傳感器數據到故障診斷結果，無需復雜的預處理步驟。此外，cta-gnn模型易于擴展，適用于不同規模的排水系統，能夠分析故障在系統中的傳播路徑和影響，有助于識別故障的根本原因。它還能融合來自多個傳感器和數據源的信息，提供全面的故障診斷視角。通過提高故障診斷的準確性和及時性，cta-gnn模型有助于減少排水系統的停機時間和維護成本。
53、3、針對傳統故障信息預測預警方法存在運行效能不高、輸入數據需求量大等問題，本發明采用mts-mixers模型通過時間和通道因子分解策略以及時間序列數據低秩特性，有效簡化了模型的復雜度并提高效率；此外mts-mixers模型通過捕獲時間和信道相關性以及多元時間序列數據的冗余性，通過簡化冗余數據來提高預測性能，這在處理復雜的排水系統數據時尤其有用，因此采用mts-mixers模型對于需要快速響應的排水系統故障預警至關重要；
54、4、傳統排水系統故障診斷方法只能單一的對已有故障進行診斷識別，是在設備已經出現故障的條件下展開的工作，因此無法有效避免設備故障時帶來的實際經濟損失和時間成本的問題。本發明有效的將故障診斷與故障預警進行結合，在實現已有故障的準確識別基礎上做到對未來時刻設備運行狀況的精確預測，并根據預測結果判斷未來時刻設備工作情況，有效降低經濟損失和時間成本。
55、5、壟斷搜索算法在尋優過程中存在收斂速度慢，容易陷入局部最優等問題，因此本發明將概率擾動策略加入到壟斷搜索算法的種群更新過程中幫助算法跳出局部最優，提高搜索效率。
56、本技術附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術的實踐了解到。