基于孪生网络与拓扑分析的缺陷重复告警筛除方法和系统

1.一种基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述方法包括：离线建模阶段，用于基于历史告警数据生成辅助决策的基准模型，所述离线建模阶段包括：步骤S1、基于历史告警图像对，利用预先训练的孪生网络生成历史初始匹配势能值序列；步骤S2、对所述历史初始匹配势能值序列基于分层贝叶斯模型和经验模态分解剔除周期性干扰导致的伪稳定波动，通过核密度估计与四分位距构建随时间演化的稳健势能参考曲面；在线处理阶段，用于对当前告警进行处理并筛除重复告警，所述在线处理阶段顺序包括：步骤S3、对当前告警对图像分别进行多模态特征提取，得到每个告警图像对应的空间分布图、图像纹理描述符和分割区域统计三类特征，将所述三类特征分别整合为告警图像的高维异构特征张量；步骤S4、将两个高维异构特征张量分别输入所述预先训练的孪生网络，通过所述孪生网络的双分支对称特征提取架构中的各分支独立处理，将所述两个高维异构特征张量转换为固定长度的两个一维特征向量；步骤S5、将特征向量投影至黎曼流形的切空间并融合测地线距离与匹配势能，生成抗环境干扰的当前初始匹配势能值；步骤S6、将所述当前初始匹配势能值映射至所述稳健势能参考曲面以得到残差，结合所述当前告警对的时空上下文信息构建动态加权耦合图，通过环状置信传播算法在所述动态加权耦合图上进行迭代推理，筛选出结构与语义高度协同的潜在重复告警簇；步骤S7、对所述潜在重复告警簇内的告警实例进行时序对齐与多维度一致性评估，生成一致性评分，并将潜在重复告警簇内节点视为博弈参与者，通过计算其对一致评分的沙普利值并设定动态阈值，剔除贡献度低于所述动态阈值的异常干扰节点，得到高贡献告警簇；步骤S8、对所述高贡献告警簇进行拓扑数据分析以验证其结构稳定性，识别出稳定的缺陷演化链，并基于预设的主告警优选指数从该缺陷演化链中选定一个主告警，将其余告警标记为重复告警并筛除。 2.根据权利要求1所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述步骤S2包括：步骤S21、基于所述历史初始匹配势能值序列，通过分层贝叶斯模型学习不同设备类型在不同环境工况下匹配势能值的分布规律，得到条件概率密度函数；步骤S22、针对每个设备的历史初始匹配势能值序列，通过经验模态分解识别并剔除其中由周期性环境干扰导致的伪稳定波动分量，重构得到各设备的校正势能序列；步骤S23、以设备类型为单位，聚合该类型下所有设备的所述校正势能序列，并基于所述条件概率密度函数所表征的分布规律，对聚合后的校正势能序列进行核密度估计与四分位距分析，构建随巡检时间缓慢演化的稳健势能参考曲面；其中，所述参考曲面用于为判断新告警是否符合重复模式提供动态基准。 3.根据权利要求1所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述步骤S3中的当前告警对图像为同一巡视点位在不同时刻采集的图像，所述步骤S3包括：步骤S31、对图像进行灰度化处理后应用伽马校正均匀图像亮度，对于图像中每个像素点，使用索贝尔算子计算其水平方向和垂直方向的梯度值；步骤S32、将图像划分为8×8像素的单元格，在每个单元格内，根据像素点的梯度方向和大小生成9维方向直方图向量，拼接成空间分布图；步骤S33、提取灰度共生矩阵的对比度、能量、相关性三个统计量，在多个方向上平均后作为图像纹理描述符；步骤S34、调用预训练语义分割模型，为图像中的每个像素分配一个类别标签生成像素级类别掩膜，按设备区域分别统计各个区域内像素值均值、方差与面积占比作为分割区域统计。 4.根据权利要求1所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述步骤S4包括：步骤S41、将所述高维异构特征张量 和 输入所述预先训练的孪生网络的对称双分支结构，通过共享权重的卷积与池化操作映射得到两个一维特征向量 和 ；所述步骤S5包括：步骤S51、计算所述两个一维特征向量之间的加权欧氏距离与余弦相似度，得到匹配势能；步骤S52、将所述两个一维特征向量投影至黎曼流形空间，计算测地线距离并与所述匹配势能进行融合，生成抗环境干扰的所述当前初始匹配势能值。 5.根据权利要求4所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述匹配势能的计算方式为： ；其中， 为欧氏距离项的权重， 为向量 的模， 为向量 的模， 表示两个特征向量之间的几何距离，分母引入 实现动态归一化，防止因特征幅值差异过大而导致误判， 为向量 和 之间的余弦相似度， 为向量内积，反映两个向量在方向上的协同程度， 为转置后的向量 ， 为匹配势能。 6.根据权利要求1所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述步骤S6包括：步骤S61、计算所述当前初始匹配势能值与其对应设备类型在相同时刻的稳健势能参考曲面期望值之间的差值，作为核心残差；步骤S62、将所述核心残差与所述当前告警对的地理位置、巡检顺序、时间间隔、量化气象因子及设备维修周期信息进行标准化与拼接，形成图节点属性向量；步骤S63、依据节点间特征相似度高于第一阈值、且时空距离低于第二阈值的规则建立节点间的连接边，边的权重根据特征相似度与时间接近度动态计算，从而构建动态加权耦合图；步骤S64、定义包含一元项与二元项的全局能量函数，通过环状置信传播算法在所述动态加权耦合图上进行迭代推理，计算各节点为重复告警的后验概率；其中，所述一元项基于节点核心残差，所述二元项基于相连节点间属性相似度对标签差异的惩罚；步骤S65、将后验概率高于置信阈值、且平均核心残差低于残差阈值的最大连通子图，识别为所述潜在重复告警簇。 7.根据权利要求6所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述全局能量函数数学表达式为： ；式中， 为节点i的匹配势能残差， 为调节系数，控制环境干扰在节点能量中的权重， 为气象干扰因子，用于提升不利成像条件下的误匹配惩罚， 为整体平滑强度系数，控制图结构先验的影响力， 为节点i与节点j之间的特性相似度， >1用于非线性增强低相似度的惩罚， 衡量节点i和j在多维特征空间中的上下文相似性， 为节点i和j的多维属性向量之间的欧氏距离， 为尺度参数， 为当两节点被赋予不同标签时的激活惩罚项，E为边集合， 为总能量。 8.根据权利要求1所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述步骤S7包括：步骤S71、对所述潜在重复告警簇，将其包含的告警实例按采集时间排序，利用孪生网络在特征提取阶段输出的高维嵌入向量，为每个告警实例构造其对应的特征向量序列，基于所述特征向量序列构成特征轨迹；步骤S72、以时间最早的告警特征轨迹为基准，使用动态时间规整算法将其余特征轨迹与之对齐找到最优对齐路径，计算最小累积距离及对齐路径斜率变化的标准差；步骤S73、融合所述最小累积距离、所述斜率变化标准差、告警间语义分割区域的稳定性指标以及告警时刻在设备负载周期中的相位偏移量，计算得到几何、语义、时序三重一致性评分；步骤S74、将簇内每个告警实例视为合作博弈的参与者，其联盟的总收益为所述三重一致性评分，通过沙普利值公式计算每个告警实例的边际贡献值；步骤S75、设定基于所有告警实例沙普利值均值和标准差的动态阈值，将贡献值低于该动态阈值的告警实例识别为噪声节点并剔除，剩余告警实例构成所述高贡献告警簇。 9.根据权利要求1所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法，其特征在于，所述步骤S8包括：步骤S81、将所述高贡献告警簇中每个告警实例的特征向量视为高维空间中的点，通过逐步增大邻域半径构建多尺度Vietoris-Rips复形，记录连通分量随半径增大的诞生与消亡过程，生成持久同调条形码；步骤S82、分析所述持久同调条形码中最长条形的寿命及条形码的拓扑熵，若最长条形寿命超过历史统计阈值且拓扑熵低于设定熵阈值，则判定该簇为具有稳定拓扑结构的缺陷演化链；步骤S83、对于被判定为缺陷演化链的簇，计算簇内各节点在该链最大连通分量中的拓扑中心性，并结合各节点的告警时间戳及在簇内的一致性评分排名按照预设的主告警优选指数公式计算主告警优选指数；步骤S84、选取所述主告警优选指数最高的告警实例作为所述主告警。 10.一种基于孪生网络与拓扑分析的缺陷重复告警筛除系统，所述系统应用权利要求1-9任一权利要求所述的基于孪生网络与拓扑分析的缺陷重复告警筛除方法实现，其特征在于，所述系统包括：稳健势能参考曲面生成模块，适用于基于历史告警图像对，利用预先训练的孪生网络生成历史初始匹配势能值序列；对所述历史初始匹配势能值序列基于分层贝叶斯模型和经验模态分解剔除周期性干扰导致的伪稳定波动，通过核密度估计与四分位距构建随时间演化的稳健势能参考曲面；高维异构特征张量提取模块，适用于对当前告警对图像分别进行多模态特征提取，得到每个告警图像对应的空间分布图、图像纹理描述符和分割区域统计三类特征，将所述三类特征分别整合为告警图像的高维异构特征张量；当前初始匹配势能值生成模块，适用于将两个高维异构特征张量分别输入所述预先训练的孪生网络，通过所述孪生网络的双分支对称特征提取架构中的各分支独立处理，将所述两个高维异构特征张量转换为固定长度的两个一维特征向量；将特征向量投影至黎曼流形的切空间并融合测地线距离与匹配势能，生成抗环境干扰的当前初始匹配势能值；潜在重复告警簇生成模块，适用于将所述当前初始匹配势能值映射至所述稳健势能参考曲面以得到残差，结合所述当前告警对的时空上下文信息构建动态加权耦合图，通过环状置信传播算法在所述动态加权耦合图上进行迭代推理，筛选出结构与语义高度协同的潜在重复告警簇；高贡献告警簇生成模块，适用于对所述潜在重复告警簇内的告警实例进行时序对齐与多维度一致性评估，生成一致性评分，并将潜在重复告警簇内节点视为博弈参与者，通过计算其对一致评分的沙普利值并设定动态阈值，剔除贡献度低于所述动态阈值的异常干扰节点，得到高贡献告警簇；重复告警筛除模块，适用于对所述高贡献告警簇进行拓扑数据分析以验证其结构稳定性，识别出稳定的缺陷演化链，并基于预设的主告警优选指数从该缺陷演化链中选定一个主告警，将其余告警标记为重复告警并筛除。