【技术实现步骤摘要】
基于知识图谱和卷积神经网络的机械故障预测方法及系统
[0001]本专利技术涉及机械故障诊断以及预测
，特别是涉及基于知识图谱和卷积神经网络的机械故障预测方法及系统
。
技术介绍
[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术
。
[0003]知识图谱
(Knowledge Graph,KG)
是一种流行的知识表示形式，由
Google
在
2012
年发布
。
它关注实体及其关系，从而表示静态知识
。
虽然在
2012
年知识图谱其概念才被
Google
发布，但对知识图谱的研究从
1965
年就已经开始
。
知识图谱被分为早期知识库
、
开放知识图谱
、
中文常识知识图谱和领域知识图谱
。
然而，世界上存在着大量的事件信息传递着动态的
、
过程性的知识
【技术保护点】
【技术特征摘要】
1.
基于知识图谱和卷积神经网络的机械故障预测方法，其特征是，包括：构建基础机械知识图谱，所述基础机械知识图谱，包括：机械零件和机械零件振动信号数据关系
、
机械零件和机械故障类型关系
、
机械零件振动信号数据和机械故障类型关系以及机械零件和解决方案关系；构建训练集，采用训练集对机械故障预测模型进行训练，得到训练后的机械故障预测模型；所述训练集，为已知机械故障类型的机械零件振动信号数据，训练集的数据通过查询所构建的基础机械知识图谱获取；获取待识别机械零件振动信号，将待识别机械零件振动信号输入到训练后的机械故障预测模型中，输出待识别机械零件振动信号对应的机械故障类型；将待识别机械零件振动信号与机械故障类型之间的关系，更新到基础机械知识图谱中，得到优化后的机械知识图谱；获取机械故障问题，从优化后的机械知识图谱中找到查询结果，将查询结果作为与机械故障问题对应的答案输出
。2.
如权利要求1所述的基于知识图谱和卷积神经网络的机械故障预测方法，其特征是，构建基础机械知识图谱，所述基础机械知识图谱，包括：机械零件和机械零件振动信号数据关系
、
机械零件和机械故障类型关系
、
机械零件振动信号数据和机械故障类型关系以及机械零件和解决方案关系，具体包括：以故障名称
、
故障类型
、
故障解决方案
、
轴承物理组成
、
维护方案实体为节点，以机械零件和机械零件振动信号数据关系
、
机械零件和机械故障类型关系
、
机械零件振动信号数据和机械故障类型关系
、
故障类型和故障解决方案关系
、
故障类型和轴承物理组成关系
、
轴承物理组成及维护方案关系为边，完成轴承故障事件知识图图谱的构建
。3.
如权利要求1所述的基于知识图谱和卷积神经网络的机械故障预测方法，其特征是，构建基础机械知识图谱，包括：改造数据集，在
neo4j
图数据库内创建实体并将其可视化，导入数据属性；创建实体间的关系
。4.
如权利要求3所述的基于知识图谱和卷积神经网络的机械故障预测方法，其特征是，改造数据集，包括：读取驱动端数据文件中的数据内容：文件创建时间
、
版本信息
、
全局信息
、
驱动端加速度数据
、
风扇端加速度数据及电机转速；全局信息包括创建文件所使用的软件版本及创建文件的平台配置信息；设置故障名称，故障名称，包括：正常状态和九种故障状态，所述九种故障状态，包括：3种故障发生位置
{
内圈
,
滚动体
,
外圈
}
与3种故障直径
{0.007
英寸，
0.014
英寸，
0.021
英寸
}
两两组合的九种故障状态；在数据集上添加轴承所在部位
、
电机负载马力
、
电动机转速
、
轴承运行状态
、
故障直径
、
故障发生位置和故障名称对应数据列，并输出改造后的数据集
。5.
如权利要求3所述的基于知识图谱和卷积神经网络的机械故障预测方法，其特征是，在
neo4j
图数据库内创建实体并将其可视化，包括：轴承的轴承运行部分类，包含两个实体：驱动端以及风扇端；轴承的物理组成类，包含三个实体：滚动轴承的内圈
、
滚动体
、
外圈；
轴承的运行条件类下的子类电动机负载马力和电动机转速的实体分别为四种：
{0HP
，
1HP
，
2HP
，
3HP}
和
{1797rpm
，
1772rpm
，<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。