一种基于知识图谱的工业设备故障诊断方法技术

本发明专利技术提供了一种基于知识图谱的工业设备故障诊断方法，属于工业设备故障诊断技术领域。本发明专利技术包括：从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取故障设备、故障现象、原因和解决办法等实体及实体间关系，构建三元组数据；对三元组数据合并和删除后，根据设备零部件间的物理连接关系及实体间关系构建设备的故障维修知识图谱；根据新故障的日志更新实体及实体关系；根据输入的故障现象、采集的传感器数据，利用图谱及AI深度学习分类判别模型综合判断故障原因，并输出关联的实体信息。本发明专利技术实现对设备故障诊断的辅助分析，提高了工业设备故障诊断的准确率和效率，并减少了工作人员频繁重复的故障分析工作。作。作。

【技术实现步骤摘要】
一种基于知识图谱的工业设备故障诊断方法


[0001]本专利技术属于工业设备故障诊断
，具体涉及一种基于知识图谱的工业设备故障诊断方法。

技术介绍

[0002]随着经济与科技的快速发展，我国工业领域机械化程度越来越高，大型机器已经成为工业生产中的关键设备，一旦机器设备发生故障，就可能导致整个生产过程的停机，给工厂造成巨大的经济损失。因此在设备的运行过程中，确定其整体或局部正常或异常，早期发现故障及其原因，及时快速的对机器设备出现的故障进行故障诊断，分析故障产生的原因并进行修复，对现代工业具有重要意义。
[0003]目前工厂中机器设备的故障预测与健康管理主要依靠专家多年的机器维修经验，通过对机器各方面进行检测，找到机器故障的原因并进行修复。这种依靠专家经验的检测方法需要消耗大量的人力和时间，建立一套智能化的机器故障诊断辅助分析工具，既可以减少频繁重复的分析检测工作，还可以更准确、全面的诊断分析机器故障的部位和产生故障的原因，对于工业设备的故障诊断具有重要的意义。目前大多数工厂对机器设备的维修记录都有详细的文本记录数据，从已经发生过的设备故障现象与原因记录中吸取经验可以提高故障诊断与原因分析的效率与准确性。但这些文本数据众多、记录人员对故障原因与现象描述并不统一，直接使用这些记录进行分析很难实现。因此如何能够有效的借鉴设备故障历史维修记录与原因分析，快速实现对设备的故障诊断，是提升工厂生产效率的一个关键性问题。
[0004]知识图谱的概念由Google公司在2012年提出，最初的目的是用于提升搜索引擎性能、丰富搜索内容的知识库。知识图谱的出现是人工智能对知识需求所导致的必然结果，但其发展又得益于很多其他的研究领域，涉及专家系统、语言学、语义网、数据库，以及信息抽取等众多领域，是交叉融合的产物而非一脉相承。知识图谱本质上是语义网络，是一种基于图的数据结构，由节点和边组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。知识图谱就是把所有不同类型的信息连接在一起而得到的一个关系网络，它提供了从“关系”的角度去分析问题的能力。
[0005]现有技术中利用知识图谱和自然语言处理技术研究和设计了面向特定领域的设备故障诊断辅助决策构建方法，实现了基于知识图谱的故障告警信息解析判别和智能辅助决策，为设备监控人员对故障快速处理提供了参考。现有设备故障诊断方案分为两大类。第一种方案先构建设备故障现象、故障类型和内在原因等关联因素的知识图谱，然后利用实际运行中设备故障现象的描述去故障知识图谱中进行搜索匹配，从而辅助进行故障类型诊断。如参考文献1(赵倩.数控设备故障知识图谱的构建与应用[J].航空制造技术,2020,063(003):96
‑
102.)公开的一种数控设备故障知识图谱的构建与应用。第二种方案利用设备自带的状态数据、现装和后装的各种传感器数据和带标记的故障类型进行机器学习模型训
练，通过分类等方法确定设备可能潜在的故障类型。这两种方案各有自己的优缺点，第一种方案能够直观展示故障类型、故障现象和设备部件之前的潜在关系，所以能快捷的进行故障判断，但是精确性不高。第二种方法准确性高，但是可解释性差，对设备各种状态数据的要求高，前期需要有大量的数据积累，需要频繁重复的故障分析工作。

技术实现思路

[0006]本专利技术的目的是提供一种基于知识图谱的工业设备故障诊断方法，将实际中设备故障现象和设备传感器参数结合用于辅助诊断和判断故障，以解决目前工业设备故障诊断中的故障诊断精确度不高、对设备状态数据要求高、需要频繁重复的故障分析工作等问题。
[0007]本专利技术提供的一种基于知识图谱的工业设备故障诊断方法，包括：
[0008]步骤一、将故障设备、故障零部件、传感器、故障现象、故障原因和故障解决办法作为知识图谱中的实体，从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取实体以及实体之间的关系，构建实体
‑
关系
‑
实体的三元组结构数据；其中，所述实体关系包括设备零部件之间的连接关系、零部件与故障现象的关系、故障现象与故障原因的关系、故障原因与解决办法的关系。
[0009]步骤二、为了消除描述的多样性，根据语义相似度，对获取的实体
‑
关系
‑
实体的三元组结构数据进行重复数据的合并和删除后再存入知识库，包括：对获得的故障产生原因或故障现象实体，经分词后表示为词向量相加的形式，计算两个同类实体的相似度，将相似度超过设置阈值的两个实体采用同一实体表示，对实体
‑
关系
‑
实体的三元组结构数据进行重复数据的合并和删除。
[0010]步骤三、根据知识库中的三元组构建设备的故障维修知识图谱；设备的故障维修知识图谱是根据设备零部件之间的物理连接关系，故障涉及到的零部件、传感器、现象、原因和解决办法之间的逻辑关系构建出；其中，将所述实体作为故障维修知识图谱中的节点，将所述实体之间的关系作为故障维修知识图谱中的边，边的权重代表实体关系的置信度；对于同一个实体，故障维修知识图谱中仅用一个点表示。当有故障发生时，维修操作人员记录故障日志，获取该故障日志，提取实体以及实体关系，并更新实体关系的置信度。
[0011]步骤四、当用户需要查找故障原因时，输入故障现象以及采集的传感器数据，利用知识图谱以及AI诊断模型进行故障原因判断。其中，AI诊断模型为深度学习分类判别模型，由历史采集的设备相关传感器数据训练得到，AI诊断模型的输入是传感器数据，输出是故障类型概率，即故障原因置信度。
[0012]所述步骤四采用如下任一融合方法进行故障原因判断：
[0013]方法一：将输入的故障现象与故障维修知识图谱中的故障现象文本进行语义相似度计算，获取超过设定阈值的故障现象实体，再从故障维修知识图谱中找到所获取的故障现象实体关联的传感器数据与故障原因，由传感器数据确定相应的AI诊断模型；将所获得的故障原因与输入的传感器数据加入训练数据集重新对所确定的AI诊断模型进行训练；最后利用训练好的AI诊断模型对输入的传感器数据进行判别，输出故障原因及其置信度。
[0014]方法二：先将输入的传感器数据通过AI诊断模型进行故障原因判断，得到超过设定阈值1的候选的故障原因；再将输入的故障现象，与故障维修知识图谱中对应的候选故障原因实体关联的故障现象进行语义相似度计算，筛选出超过设定阈值2的故障原因；进一
步，将筛选出的故障原因在故障维修知识图谱中关联的传感器数据，与输入的传感器数据计算余弦相似度，并按照余弦相似度大小输出故障原因及故障原因的置信度。
[0015]方法三：利用AI诊断模型对输入的传感器数据进行故障原因判断，获取的故障原因作为判别结果一；利用故障维修知识图谱对输入的故障现象进行文本相似度比较，获得的故障原因作为判别结果二；将判别结果一和判别结果二的故障原因的置信度进行加权求和，获取最终的故障原因及置信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的工业设备故障诊断方法，其特征在于，包括如下步骤：步骤一、将故障设备、故障零部件、传感器、故障现象、故障原因和故障解决办法作为知识图谱中的实体，从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取实体以及实体之间的关系，构建实体
‑
关系
‑
实体的三元组结构数据；其中，所述实体关系包括设备零部件之间的连接关系、零部件与故障现象的关系、故障现象与故障原因的关系、故障原因与解决办法的关系；步骤二、为了消除描述的多样性，根据语义相似度，对获取的实体
‑
关系
‑
实体的三元组结构数据进行重复数据的合并和删除后再存入知识库，包括：对获得的故障产生原因或故障现象实体，经分词后表示为词向量相加的形式，计算两个同类实体的相似度，将相似度超过设置阈值的两个实体采用同一实体表示，对实体
‑
关系
‑
实体的三元组结构数据进行重复数据的合并和删除；步骤三、根据知识库中的三元组构建设备的故障维修知识图谱；设备的故障维修知识图谱是根据设备零部件之间的物理连接关系，故障涉及到的零部件、传感器、现象、原因和解决办法之间的逻辑关系构建出；其中，将所述实体作为故障维修知识图谱中的节点，将所述实体之间的关系作为故障维修知识图谱中的边，边的权重代表实体关系的置信度；对于同一个实体，故障维修知识图谱中仅用一个节点表示；当有故障发生时，维修操作人员记录故障日志，获取该故障日志，提取实体以及实体关系，并更新实体关系的置信度；步骤四、当用户需要查找故障原因时，输入故障现象以及采集的传感器数据，利用设备的故障维修知识图谱以及AI诊断模型进行故障原因判断；其中，AI诊断模型由历史采集的设备故障传感器数据训练得到；所述故障原因的判断方法为：将输入的故障现象与故障维修知识图谱中的故障现象文本进行语义相似度计算，获取超过设定阈值的故障现象实体，再从故障维修知识图谱中找到所获取的故障现象实体关联的传感器数据与故障原因，由传感器数据确定相应的AI诊断模型；将所获得的故障原因与输入的传感器数据加入训练数据集重新对所确定的AI诊断模型进行训练；最后利用训练好的AI诊断模型对输入的传感器数据进行判别，输出故障原因及其置信度；步骤五、根据步骤四判断出的故障原因，从设备的故障维修知识图谱中找到与输入故障现象和所述故障原因关联的故障零部件和解决办法实体，展示给用户。2.根据权利要求1所述的方法，其特征在于，所述的步骤一中，获取的设备故障历史维修记录中记载设备型号、故障现象、发生故障的零部件、故障产生原因、故障解决办法、故障时间和故障具体部位；获取的设备故障维修保养使用手册记载设备零部件之间的连接关系、故障现象、故障产生原因和故障解决办法。3.根据权利要求1所述的方法，其特征在于，所述的步骤一中，在从电子数据中提取实体以及实...

【专利技术属性】
技术研发人员：许方敏，刘晓凯，周温丁，李斌，赵成林，
申请(专利权)人：北京赛博星通科技有限公司，
类型：发明
国别省市：