研究大纲

基于多源建模 + 自监督时序对比学习的船舶中压直流电力系统故障诊断算法

研究痛点

• 特征少：利用自监督学习挖掘少量信号中隐藏的动态模式
• 工况复杂：融合控制逻辑建模，消除非故障引起的扰动影响
• 实船数据较难获取：通过模拟工况仿真生成伪故障数据，辅助训练
• 扩展全系统：构建模块级拓扑先验图，实现跨设备迁移泛化

核心思想与方法模块

系统级建模融合（结构感知）

模型输入前引入“设备连接关系”和“物理交互路径”，构建模块连接图 G(V, E)，在模型中加入“注意力权重”机制，告知模型：这些变量是物理耦合关系下的上下游节点，从而提升泛化能力。

“结构感知”是指：我们不仅依赖测得的电压、电流等时序信号本身，还将系统拓扑、能流路径、控制逻辑、模块间的耦合关系以某种形式引入模型中，帮助模型“理解”这个系统运行的内在逻辑，从而提升在复杂工况下的诊断鲁棒性和泛化能力。

融合方式：

1. 拓扑图构建 + 图神经网络（GNN）：适合设备结构明确，但测点少
2. 物理因果建模辅助注意力网络（结构注意力）：某些信号（如逆变器电流波动）只在特定结构路径上出现故障才影响输出 → 模型应赋予这类路径更高注意力。

存在问题：母线制结构是一个非显式连接：

• 发电机、储能设备、逆变器、电动推进器、飞轮、电容等都“挂在”同一 DC 母线上；

• 故障/扰动可能会同时影响所有连接设备，造成信号的强耦合和传播模糊；

• 因此，不能简单依赖“谁连着谁”的图结构，要考虑能流/控制/功率路径上的动态耦合关系。

思路

1. 将 DC 母线建模为一个“超级节点”或“信息中继中心”，再构建如下拓扑：

         ┌────────────┐
         │   母线节点  │  ←←← 中心节点
         └────┬───────┘
    ┌────────┼──────────┐
发电机    飞轮    储能电容    推进电机等

• 每个组件节点连到母线节点；
• 模型学习“谁影响了母线”，以及“母线状态如何反馈影响下游设备”。

可以使用图神经网络（GNN）或注意力机制学习这些耦合权重。

2. 基于功率动态路径建模（能流结构）
   建图基于功率流路径，尤其在不同运行状态下的动态路径：

状态	功率路径示例
并机发电	多发电机 → 母线
储能释放	储能 → 母线 → 推进
刹车回馈	电机 → 母线 → 动态能量吸收

将这些路径建成 动态因果图（DAG），用于建模不同状态下的故障传播链条。

3. 信号耦合图（Data-Correlation Graph）
   如果你难以获得清晰的结构图，可以在仿真数据上做统计分析来估计信号间的耦合强度，构建“伪结构图”

建议方案：

方法	适应母线结构的方式	推荐场景
Super-Node GNN	把 DC 母线建成一个超级节点，其他设备连进去	拓扑清晰、节点数量少
Attention 路径建模	按运行模式构建功率流路径，引导注意力机制	多工况/负载扰动大
信号耦合图建模	用仿真数据分析信号关系，构建“软连接图”	无法准确获取结构时

创新点方向：

挑战	创新点
母线结构非点对点	引入“超级节点 + 统一能流中枢”思想
信号耦合严重	引入数据驱动耦合图，学习非显式连接
多种组件、多样工况	构建动态因果路径，用于推理和注意力引导

目前比较合适的方法：DCRNN

最主要的问题：系统结构已知，但是每个节点运行时的特征数据不可知（只能获取到发电机端的四个特征）

基于部分可观测 GNN 的系统级故障定位与分类

模型结构：

• S波段346B型ASEA，每个TR模块100W，每个阵列5000块，S波段4个，C波段8个，峰值功率共$12*5000*100=6MW$
• 大功率拖拽式声纳，0.5MW
• 电子战系统，峰值1MW

自监督对比学习（少标签/无标签训练）

使用 SimCLR / TS2Vec / TS-TCC 类型框架，设计如下流程：

• 原始序列 x(t) → 多种扰动视图 x_aug1(t), x_aug2(t)（如掩蔽、裁剪、时移）
• 使用 LSTM + Projection Head 将每段压缩为低维表示 z1, z2
• 用 NT-Xent 或 InfoNCE 损失逼近：

不依赖任何标签，模型自动学习“正常工况”的多种变异形态。