一种基于知识图谱的水电厂辅助设备故障诊断方法技术

本发明专利技术涉及水电厂辅助设备故障诊断技术领域，具体提出了一种基于知识图谱的水电厂辅助设备故障诊断方法。该方法运用知识图谱这一简单高效的知识存储方式，采用空间映射，将知识表示抽象，采用语义匹配模型，从知识图谱中预测推理出有效的三元关系，并采用基于路径打分的搜索技术，推理最可能的故障原因。本发明专利技术能够将大量信息以拓扑结构的形式进行整合，并且不断进行迭代更新，可以充分反应各个测点之间的关联，从而能够处理多测点关联故障问题，同时将设备运行状态、故障发生位置、故障现象、故障根因、故障处置意见等建立清晰的关联，从而通过推理技术自动进行一系列的故障排查、定位，可以显著提高故障诊断的准确率和效率。可以显著提高故障诊断的准确率和效率。可以显著提高故障诊断的准确率和效率。

【技术实现步骤摘要】
一种基于知识图谱的水电厂辅助设备故障诊断方法


[0001]本专利技术涉及水电厂辅助设备故障诊断
，尤其涉及到基于知识图谱的水电厂辅助设备故障诊断方法。

技术介绍

[0002]水利发电是生活以及工业用电重要的一环，水电厂生产工作中往往会因为设施老旧、阀门管道的异常导致故障的发生，其中水电厂辅助系统是保证机组稳定工作的重要部分。最初的水电厂辅助设备实行人工故障诊断机制，也就是每当设备发生功能性故障时，都需要维修人员根据故障现象、工作经验对所有相关的部件进行逐一的故障排查、定位以及提出相应的处置建议，检修排查范围大，对人工依赖性过高，并且效率低下，目前随着社会生产规模的不断扩大，此方法已经严重滞后。
[0003]随着物联网技术的发展，水电厂开始配备状态监测系统，利用机组运行时的各种各样的传感器实时监测设备的运行状况，从而在设备发生故障时作为故障诊断的重要依据，通常可以采用基于动态数学模型的方法，为设备的运行参数建立数学模型，推算出偏离正常值的测点，进而找出故障根源；或者采用基于信号分析的方法，对测点运行曲线进行时域或频域分析，发现突变点、周期性波动等，进而判断变化趋势，检测出机组故障。尽管这样的方法一定程度上降低了故障定位的复杂程度，然而模型准确性极易受噪声数据的影响，也难以处理复杂的多测点关联故障问题，故障的处置意见也仍然需要由人工提出。
[0004]随着大数据分析技术和人工智能技术的发展，出现了基于人工智能的故障诊断方法，首先获取大量有效的设备历史运行数据，通过支持向量机、神经网络等模型对历史数据进行学习，从而实现较为准确的故障诊断，然而此种方法无法处理历史数据中未出现的故障，也无法自动提供可能的故障原因指导。目前，利用基于知识库的方法可以综合设备运行的历史数据、专家的经验知识、理论符号等大量信息，进一步提高故障诊断的准确性，且知识库可以不断迭代更新。但这种基于知识库的故障诊断方法对知识的存储和组织方式不够合理，无法实现对知识的充分挖掘和利用，限制了故障诊断的准确性和效率，同时也没有对故障根因和处置意见进行关联分析，无法自动提供故障的处置意见。
[0005]总之，目前还没有一种系统、完善、准确、高效的水电厂辅助设备故障诊断方法。

技术实现思路

[0006]本专利技术所要解决的技术问题是提出一种基于知识图谱的水电厂辅助系统故障诊断技术，运用知识图谱这一简单高效的知识存储方式，采用空间映射，将知识表示抽象，采用语义匹配模型，从知识图谱中预测推理出有效的三元关系，并采用基于路径打分的搜索技术，推理最可能的故障原因，为辅助系统故障诊断提供有效指导。
[0007]为解决上述技术问题，本专利技术提出一种基于知识图谱的水电厂辅助系统故障诊断技术，包括以下步骤：
[0008]S1：从设备故障检修文档、规程文档中初步抽取的结果表示为知识图谱；
[0009]S2：在构建的知识图谱上，采用知识表示技术，进行故障与故障原因，故障与处置建议的边预测，补充在日志中未出现的可能故障范式；
[0010]S3：当故障发生时，采用基于带路径得分的搜索方法，搜索推理出一系列可能故障原因，将所述一系列可能故障原因按可能性排序，然后选取前2至4个可能性高的可能故障原因与处置方法，作为结果反馈。
[0011]所述步骤S2具体包括：
[0012]S21：对构建好的水电厂助设备知识图谱，抽象为形式化的语言描述，即采用三元组的形式G＝(E，R，S)，其中E表示实体集合，R表示关系集合，S表示三元组的集合，S＝(h，r，t)，其中h表示头实体，r表示关系，t表示尾实体；
[0013]S22：将三元组集合进行数值向量表示，将头实体h、尾实体r以及关系r都投影到同一向量空间；
[0014]S23：采用语义匹配能量模型计算得到事实的可信性评分。对于事实三元组(h,r,t)，首先将实体和关系投影到输入层中得到嵌入向量，然后，将关系r与头实体h组合得到g
u
(h,r)，并与尾实体t组合，得到隐藏层中的g
v
(t,r)。该事实的可信性分数f
r
(h,t)定义为二者的点积。具体计算公式如下：
[0015]f
r
(h,t)＝g
u
(h,r)
T
g
v
(t,r)
[0016][0017][0018]其中，M
u1
、M
u2
、M
v1
、M
v2
是权重矩阵，用以表示头尾实体在向量表示中的贡献度，而b
u
、b
v
,是跨不同关系共享的偏差向量，采用随机初始化的方式，由训练得到最终的矩阵参数；
[0019]S24：根据步骤S23得到的事实合理性得分，保留得分达到或超过设定阈值的关系实体组合，丢弃低于设定阈值的关系实体组合；
[0020]S25：对于日志中未记录到的故障记录，对确实故障、故障原因及处置方法实体增加关联链接，进行故障知识图谱的补全。
[0021]进一步的，所述步骤S3具体包括：
[0022]S31：对于每个故障文本，使用分词技术抽取出关键词，并采用Word2Vec预训练向量表示，与知识图谱表示阶段得到的表示进行欧式距离的匹配，得到可能故障节点的候选集；
[0023]S32：对于候选集中每个实体，进行基于路径打分的搜索策略，根据计算的路径得分，将路径得分降序排列的前M个下一跳节点所对应的故障原因作为候选故障原因，M为路径得分选取阈值；
[0024]S33：将候选故障原因及其处置方法反馈至前端平台。
[0025]进一步的，在步骤S33之后，根据现场检查反馈状况，将最新的检修结果反馈至后台。
[0026]最佳的，现场检修之后，根据检修结果，更新所述知识图谱中的链接关系，剔除预测不准确的边。
[0027]本专利技术具备下列突出特点：
[0028](1)针对现有的水电厂辅助设备系统故障诊断仅靠人工经验以及巡场检修等方式，效率低下，资源浪费等问题，提出一种基于知识图谱的故障诊断技术，根据报警自动推理出可能的故障原因，给工作人员提供检修建议。
[0029](2)针对现有系统故障推理方法中所涉及的推理机仅使用知识库进行匹配推理，未进行事实合理性判断，无法预测未知故障的原因等问题，采用知识图谱表示学习方式，动态学习节点表示，并进行有效的关系剔除与补全。
[0030](3)提出一种基于路径打分的搜索策略，动态实现在故障知识图谱中进行故障原因推理，实现结合故障语义以及概率得分的故障推理方案。
[0031]综上，本专利技术基于知识图谱的水电厂辅助设备故障诊断技术能够将大量信息以拓扑结构的形式进行整合，并且不断进行迭代更新，可以充分反应各个测点之间的关联，从而能够处理多测点关联故障问题，同时将设备运行状态、故障发生位置、故障现象、故障根因、故障处置意见等建立清晰的关联，从而通过推理技术自动进行一系列的故障排本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，包括以下步骤：S1：从设备故障检修文档、规程文档中初步抽取的结果表示为知识图谱；S2：在构建的知识图谱上，采用知识表示技术，进行故障与故障原因，故障与处置建议的边预测，补充在日志中未出现的可能故障范式；S3：当故障发生时，采用基于带路径得分的搜索方法，搜索推理出一系列可能故障原因，将所述一系列可能故障原因按可能性排序，然后选取可能性高的前若干个可能故障原因与处置方法，作为结果反馈。2.根据权利要求1所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，所述步骤S2具体包括：S21：对构建好的水电厂助设备知识图谱，抽象为形式化的语言描述，即采用三元组的形式G＝(E，R，S)，其中E表示实体集合，R表示关系集合，S表示三元组的集合，S＝(h，r，t)，其中h表示头实体，r表示关系，t表示尾实体；S22：将三元组集合进行数值向量表示，将头实体h、尾实体t以及关系r都投影到同一向量空间；S23：采用语义匹配能量模型计算得到事实的可信性评分；S24：对于日志中未记录到的故障记录，对确实故障、故障原因及处置方法实体增加关联链接，进行故障知识图谱的补全。3.根据权利要求2所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，在所述S23之后、步骤S24之前，根据步骤S23得到的事实的可信性评分，保留得分达到或超过设定阈值的关系实体组合，丢弃低于设定阈值的关系实体组合。4.根据权利要求2或3所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，所述步骤S23具体包括：对于事实三元组(h,r,t)，首先将实体和关系投影到输入层中得到嵌入向量，然后，将关系r与头实体h组合得到g
u
(h,r)，并与尾实体t组合，得到隐藏层中的g
v
(t,r)；该事实的可信性分数f
r
(h,t)定义为二者的点积；具体计算公式如下：f

【专利技术属性】
技术研发人员：胡晓连，范峰，唐佳庆，周文，李根，周少宁，周斌，
申请(专利权)人：国网湖北省电力有限公司黄龙滩水力发电厂，
类型：发明
国别省市：