基于知识图谱的水车室故障诊断方法技术

本发明专利技术公开了一种基于知识图谱的水车室故障诊断方法，涉及水轮机组故障诊断技术领域，该方法构建了由水车室故障知识图谱，能够解决以往非结构化文本的知识库建立的困难之处，采用Bayes网络通过学习历史数据自主构建网络，并学习网络参数，能够对不确定性知识进行表达和推理，推理结论精确，极大地提高了水车室故障诊断在工程实践中的应用效果；该方法能有效的反映出运行中的隐患和问题，对运行的劣化趋势进行判断和预警，能从根本上提前预警和感知顶盖水位的异常变化，当遇传感器故障或异常时，也能诊断出故障，能够对水车室水位变化大量不确定性因素进行精确描述，具有一致和连贯的推理，过程简单，而且诊断准确度极高。

Fault diagnosis method of waterwheel based on Knowledge Map

【技术实现步骤摘要】
基于知识图谱的水车室故障诊断方法
本专利技术涉及水轮机组故障诊断
，具体而言，涉及一种基于知识图谱的水车室故障诊断方法。
技术介绍
水轮发电机组在运行过程中，水车室的安全运行都是至关重要，对其最大的威胁便是水淹水车室事故，水淹水车室事故不仅导致油槽进水乳化，被迫停机处理，还会导致油槽内油漫至顶盖进而排至尾水，引发环保事件，产生不良的社会影响。引起此类事故的原因主要包括顶盖排水管路脱落、顶盖泵效率降低、真空破坏阀故障等，需要对水车室故障进行诊断。目前绝大多数水电厂对于水车室的故障诊断方式是设置预警水位线，通过传感器实时检测水位，利用传感器检测到的参数对故障水车室的故障进行诊断，传统的水车室故障诊断方式存在以下缺陷：1)不能从根本上提前预警和感知顶盖水位的异常变化，当遇传感器故障或异常时，便不能诊断出故障。2)获取到的信息比较有限，不能有效的反映出运行中的隐患和问题，更无法对运行的劣化趋势进行判断和预警。3)水车室水位上涨异常，影响因素众多，故障诊断要从采集的大量数据中判断分析异常的原因，但现实中存在大量不确定性信息。4)传统的故障诊断建模理论与方法存在对水车室水位变化大量不确定性因素进行精确描述的局限性，缺乏一致和连贯的推理，实际诊断结果跟实际情况相差甚远。
技术实现思路
本专利技术在于提供一种基于知识图谱的水车室故障诊断方法，其能够缓解上述问题。为了缓解上述的问题，本专利技术采取的技术方案如下：本专利技术提供了一种基于知识图谱的水车室故障诊断方法，包括以下步骤：S1、根据水车室机械故障诊断知识构建水车室故障知识图谱，所述水车室机械故障诊断知识包括结构化数据、半结构化数据以及非结构化数据；S2、根据水车室检测数据，对水车室机械故障诊断知识的结构化数据进行预处理，所述预处理包括数据异常值修改及数据补全；S3、从预处理后的结构化数据中提取若干时序特征数据，并将时序特征数据按时间维度划分为两部分，该两部分时序特征数据分别构成Bayes网络结构训练样本数据集和Bayes网络参数训练样本数据集；S4、根据Bayes网络结构训练样本数据集，以及Bayes网络结构训练样本数据集对应时刻的水车室故障模式数据，学习得到Bayes网络结构；S5、将Bayes网络参数训练样本数据集输入Bayes网络结构中进行参数学习，得到Bayes网络；S6、选择水车室检测数据进行步骤S2所述的预处理后，输入Bayes网络中，计算水车室在所选择水车室检测数据对应时间点发生故障的概率；S7、根据所述水车室故障知识图谱以及在所选择水车室检测数据对应时间点发生故障的概率，得到在所选择水车室检测数据对应时间点水车室故障发生的原因、故障部位以及处理措施。本技术方案的技术效果是：为水轮发电机组水车室故障诊断领域的诊断算法，构建了由水车室故障知识图谱，能够解决以往非结构化文本的知识库建立的困难之处，采用Bayes网络通过学习历史数据自主构建网络，并学习网络参数，Bayes网络能够对不确定性知识进行表达和推理，且推理原理是基于Bayes概率理论，推理结论精确，极大地提高了水车室故障诊断在工程实践中的应用效果；该方法能有效的反映出运行中的隐患和问题，对运行的劣化趋势进行判断和预警，能从根本上提前预警和感知顶盖水位的异常变化，当遇传感器故障或异常时，也能诊断出故障，能够对水车室水位变化大量不确定性因素进行精确描述，具有一致和连贯的推理，过程简单，而且诊断准确度极高。进一步地，所述步骤S1具体包括以下步骤：S11、收集水车室机械故障诊断知识；S12、从机械故障诊断知识的半结构化数据以及非结构化数据中提取实体、关系以及事件，组成初始三元组知识图谱；S13、将机械故障诊断知识的结构化数据和初始三元组知识图谱进行知识融合，得到新的三元组知识图谱；S14、对新的三元组知识图谱进行质量评估，利用其中合格的知识构成所述水车室故障知识图谱。本技术方案的技术效果是：利用表示学习的方式进行建模，从历史数据中学习知识，不仅能够有效提升预测性能，还能够增加预测结果的可解释性。更进一步地，所述水车室机械故障诊断知识、所述水车室检测数据和所述水车室故障模式数据均是从水轮发电机组监控系统获取；所述水车室机械故障诊断知识的结构化数据指的是水车室的传感器检测数据；所述水车室机械故障诊断知识的半结构化数据指的是试验报告数据和工作票数据；所述水车室机械故障诊断知识的非结构化数据指的是案例库数据。本技术方案的技术效果是：各类数据从水轮发电机组监控系统中能够很方便的获取，并且各类数据中包含丰富的信息，包括设备结构信息、设备健康信息和领域专家知识。更进一步地，所述步骤S12中，将水车室机械故障诊断知识的半结构化数据以及非结构化数据，通过谷歌的Bert模型在BiLSTM-CRF模型上进行预训练，继而识别出所述实体；使用基于文本的卷积神经网络从水车室机械故障诊断知识的半结构化数据以及非结构化数据中抽取各实体之间的关系；采用基于模式匹配的方式获取由实体和关系构成的事件。本技术方案的技术效果是：BiLSTM-CRF模型继承了深度学习方法的优势，无需特征工程就可以达到很好的效果，对于实体关系的抽取，使用了卷积神经网络来对文本特征进行抽取和计算，是关系抽取任务解决的基础方案。更进一步地，所述步骤S13中，知识融合指的是将若干相关数据源进行关联或者合并，其包括实体对齐和共指消解。本技术方案的技术效果是：能够很好的判断相同知识库中的两个实体是否表示同一物理对象，以及能够对实体的相同属性或关系的不同描述进行冲突检测和消解。更进一步地，所述步骤S14中，对新的三元组知识图谱进行质量评估的方法是：对知识的置信度进行量化，舍弃置信度较低的知识，保留置信度较高的知识作为所述合格的知识。本技术方案的技术效果是：保证知识图谱中所有知识具有真实可靠性，能够排除偶然性，为后续的推理结果提供更精准的处理建议。进一步地，所述步骤S4中，Bayes网络结构的学习采用基于搜索-评分的学习方法，评分函数选择最小描述长度评分MDL，搜索方法选择K2算法。进一步地，所述步骤S5中，是在已知Bayes网络结构的条件下，采用Bayes网络参数训练样本数据集学习Bayes网络的CPT，继而获得Bayes网络。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举本专利技术实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1是实施例中所述基于知识图谱的水车室故障诊断方法流程图；图2是实施例中水车室故障知识图谱的示意图；图3是实施例中Bert模型的工作本文档来自技高网...

【技术保护点】
1.一种基于知识图谱的水车室故障诊断方法，其特征在于，包括以下步骤：/nS1、根据水车室机械故障诊断知识构建水车室故障知识图谱，所述水车室机械故障诊断知识包括结构化数据、半结构化数据以及非结构化数据；/nS2、对水车室机械故障诊断知识的结构化数据进行预处理，所述预处理包括数据异常值修改及数据补全；/nS3、从预处理后的结构化数据中提取若干时序特征数据，并将时序特征数据按时间维度划分为两部分，该两部分时序特征数据分别构成Bayes网络结构训练样本数据集和Bayes网络参数训练样本数据集；/nS4、根据Bayes网络结构训练样本数据集，以及Bayes网络结构训练样本数据集对应时刻的水车室故障模式数据，学习得到Bayes网络结构；/nS5、将Bayes网络参数训练样本数据集输入Bayes网络结构中进行参数学习，得到Bayes网络；/nS6、选择水车室检测数据进行步骤S2所述的预处理后，输入Bayes网络中，计算水车室在所选择水车室检测数据对应时间点发生故障的概率；/nS7、根据所述水车室故障知识图谱以及在所选择水车室检测数据对应时间点发生故障的概率，得到在所选择水车室检测数据对应时间点水车室故障发生的原因、故障部位以及处理措施。/n...

【技术特征摘要】
1.一种基于知识图谱的水车室故障诊断方法，其特征在于，包括以下步骤：
S1、根据水车室机械故障诊断知识构建水车室故障知识图谱，所述水车室机械故障诊断知识包括结构化数据、半结构化数据以及非结构化数据；
S2、对水车室机械故障诊断知识的结构化数据进行预处理，所述预处理包括数据异常值修改及数据补全；
S3、从预处理后的结构化数据中提取若干时序特征数据，并将时序特征数据按时间维度划分为两部分，该两部分时序特征数据分别构成Bayes网络结构训练样本数据集和Bayes网络参数训练样本数据集；
S4、根据Bayes网络结构训练样本数据集，以及Bayes网络结构训练样本数据集对应时刻的水车室故障模式数据，学习得到Bayes网络结构；
S5、将Bayes网络参数训练样本数据集输入Bayes网络结构中进行参数学习，得到Bayes网络；
S6、选择水车室检测数据进行步骤S2所述的预处理后，输入Bayes网络中，计算水车室在所选择水车室检测数据对应时间点发生故障的概率；
S7、根据所述水车室故障知识图谱以及在所选择水车室检测数据对应时间点发生故障的概率，得到在所选择水车室检测数据对应时间点水车室故障发生的原因、故障部位以及处理措施。


2.根据权利要求1所述基于知识图谱的水车室故障诊断方法，其特征在于，所述步骤S1具体包括以下步骤：
S11、收集水车室机械故障诊断知识；
S12、从机械故障诊断知识的半结构化数据以及非结构化数据中提取实体、关系以及事件，组成初始三元组知识图谱；
S13、将机械故障诊断知识的结构化数据和初始三元组知识图谱进行知识融合，得到新的三元组知识图谱；
S14、对新的三元组知识图谱进行质量评估，利用其中合格的知识构成所述水车室故障知识图谱。


3.根据权利要求2所述基于知识图谱的...

【专利技术属性】
技术研发人员：雷雨锦，冮杰，李振东，
申请(专利权)人：成都大汇物联科技有限公司，
类型：发明
国别省市：四川;51