一种基于多模态时空图神经网络的油气井下故障预测方法

本发明公开了一种基于多模态时空图神经网络的油气井下故障预测方法，针对传统方法在多模态特征耦合不足、时空关联建模薄弱及实时性差等问题，其特征在于通过时间膨胀卷积网络(TCN)与BERT‑BiLSTM模型分别提取多频传感器数据特征及维护日志语义知识，设计跨模态门控注意力机制实现异构数据动态融合；基于Delaunay三角剖分构建设备空间拓扑图，结合转移熵量化节点间动态因果关联生成时间图，通过残差时空图卷积联合建模故障传播路径；采用双向LSTM与图注意力网络(GAT)构建层级预测模块，分别实现短期故障分类及长期设备剩余寿命预测，有效提升复杂工况下故障预测精度与工业落地可行性。