【技术实现步骤摘要】
本专利技术涉及光通信，尤其涉及一种基于知识图谱驱动的设备故障诊断方法及装置。
技术介绍
1、在钢铁流程工业生产中，每年因各种各样的设备故障导致的生产线停产，造成生产效率低下以及巨大经济损失，因此寻找一种有效的设备状态运行监控手段，对于生产运行的安全稳定和成本降低发挥着重要作用。传统的设备故障诊断方法通常依赖于专家经验和规则库，难以覆盖所有可能的故障情况，设备监测数据池日渐庞大，故障特征准确判别还需要经验丰富的运维人员进行人工分析，对现场维护人员素质要求较高，而且效率极低。知识图谱的引入为设备故障溯源和快速排除故障，带来了先验知识和新的研究手段，知识图谱通过自动推理和不确定性推理等方法，对设备故障进行更深入的分析，发现其中的规律和模式，从而更好地预测和诊断设备故障，促进设备维修和保养的智能化升级。
2、现有技术的设备故障诊断方法中，也有许多采用知识图谱技术的，每种方法中均针对不同的侧重点采用不同的技术方式，公开号为cn 114491037 a的中国专利提出的一种基于知识图谱的故障诊断方法，通过确定当前故障设备的特征向量与设备故障知识图谱中每个历史故障设备的特征向量之间的相似度的方法判断故障，数据计算量大。本专利技术提出一种新的基于知识图谱驱动的设备故障诊断方法，提出一种新的思路，能够更简洁、准确地进行故障诊断和推理。
技术实现思路
1、为了解决
技术介绍
中的技术问题，本专利技术提供了一种基于知识图谱驱动的设备故障诊断方法及装置，通过知识图谱技术对设备结构间关系加以利用，将故
2、为了达到上述目的，本专利技术采用以下技术方案实现：
3、一种基于知识图谱驱动的设备故障诊断方法，包括如下步骤：
4、步骤s1，对设备的运行数据进行获取和处理：将原始数据转化为适用于知识图谱构建和分析的数据形式；
5、步骤s2，针对设备故障构建知识图谱：利用本体建模技术，将相关知识本体表示为图谱中的实体和关系，得到设备故障诊断的知识图谱；
6、步骤s3，利用特征提取技术，将传感器的故障数据转化为特征向量，通过特征匹配得到与设备故障相关的实体和关系，将特征数据与知识图谱中的实体和关系进行匹配包括如下：
7、1)将设备的故障数据转化为特征向量f＝(f1,f2,…fn)，知识图谱表示为g(v,e)，图谱中各实体关系为ei,j；其中，f1,f2,…fn表示n个故障数据；v表示实体和概念的集合；e表示实体和概念之间的关系集合，i,j表示实体编号；
8、2)采用相似度函数衡量特征向量和实体关系之间的相似性大小，找到知识图谱中相关性最大的实体vi，计算方法如下：
9、
10、其中，similarity(f,vi)为特征向量f与实体vi的相似度，vi表示实体，vi,k表示实体vi的第k个特征值，fk为第k个故障数据；
11、3)通过实体vi得到与之相对应的设备部件实体和故障类型实体；
12、4)将特征向量与知识图谱中的特征关系ei,j进行匹配，找到与之相对应的设备部件和故障类型的关系；
13、步骤s4，通过设备结构间的关系进行故障原因推理，得到故障类型和位置；
14、步骤s5，故障诊断和维修：根据知识图谱中的相关知识和规则，分析诊断结果和维修方法，得到设备故障的维修建议。
15、进一步地，所述的步骤s4具体包括：
16、1)在观测到设备数据前，假设设备有n种可能的故障状态s1,s2,...sn时，每种故障状态都有与之相对应的概率p(s1),p(s2),...p(sn)，其中
17、2)根据设备状态由m个测量参数，由x1,x2,...xm描述，对于故障状态si，设备状态用一个m维向量xi＝[xi1,xi2,...xim]来描述，即为设备的状态方程；
18、3)根据设备的状态方程，得到每种故障状态下每个参数的概率分布函数fi,k(xk)，xk为第k个测量参数；
19、4)根据测点的监测参数和监测数据，得到监测数据的实际值；
20、5)根据贝叶斯定理，在给定设备实际测量值的条件下，得到设备故障时的后验概率为：
21、
22、其中，表示在故障状态si下，第j个监测参数的概率分布函数，通过将fi,k(xk)带入监测参数模型中计算得到，xi为状态向量，表示监测数据的实际测量值；p(si)表示故障状态si的概率；
23、根据后验概率的大小确定设备的故障类型和位置，最大的故障状态si即为设备的故障类型，而机械的故障位置通过分析状态向量xi中各个参数的异常值来确定。
24、进一步地，在推理过程中，考虑测量误差的影响，用卡尔曼滤波器方法对监测数据进行预处理。
25、进一步地，构建设备的数学模型，其中包含机械的结构、动力学特性和运行参数在内的信息；通过这些信息建立机械的状态方程，描述机械在不同故障状态下的响应和振动特性；对机械的振动、声音、温度参数进行监测并分析，得出所需要的监测数据。
26、进一步地，所述的步骤s2具体包括如下：
27、1)利用本体建模技术，建立设备的本体概念集合，其中包括：设备结构的概念集合、监测设备运行状态的各测点概念集合、设备发生故障时所表现各种现象的概念集合、设备故障原因的概念集合、维修建议的概念集合；
28、2)建立设备的本体关系，对设备各本体概念间关系进行表示，其中包括：设备部件出现了故障现象、传感器监测到了设备的运行状态、故障导致了其它现象的发生、找到设备出现故障的原因、采取了措施维修；
29、3)根据建立的设备故障诊断知识本体表示，通过数据配置对it侧数据进行信息抽取，定义实体的标签，建立设备三元组关系表，对关系进行标识，将设备知识表示为三元组结构：实体-关系-实体，采用图形数据库对三元组知识进行数据存储，图数据库中的节点表示实体，以三元组中实体关系相对应，以带方向的边表示知识间的关系，与三元组中关系相对应，构建的设备知识图谱部分关系、节点可视化图。
30、进一步地，所述步骤s1包括：通过数据清洗、特征提取、数据预处理，及时处理故障诊断中存在的数据缺失、异常值、重复值问题，从振动信号、声音信号、温度信号等数据中提取出设备的频谱特征、时域特征、小波变换特征，对特征数据进行归一化、标准化处理。
31、进一步地，所述的步骤s5的维修建议具体包括：
32、1)通过结合机械运行的实际情况和维修记录，不断更新知识图谱中的相关知识和规则，使知识图谱能够适应机械的实际运行状况；
33、2)根据设备的实时运行状态，获取知识图谱驱动的故障诊断结果，确定机械的维修方式，准备相关的维修工具、维修材料进行维修。
34、进一步地，本专利技术还提供一种基于知识图谱驱本文档来自技高网...
【技术保护点】
1.一种基于知识图谱驱动的设备故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，所述的步骤S4具体包括：
3.根据权利要求2所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，在推理过程中，考虑测量误差的影响，用卡尔曼滤波器方法对监测数据进行预处理。
4.根据权利要求2所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，构建设备的数学模型，其中包含机械的结构、动力学特性和运行参数在内的信息；通过这些信息建立机械的状态方程，描述机械在不同故障状态下的响应和振动特性；对机械的振动、声音、温度参数进行监测并分析，得出所需要的监测数据。
5.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，所述的步骤S2具体包括如下：
6.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，所述步骤S1包括：通过数据清洗、特征提取、数据预处理，及时处理故障诊断中存在的数据缺失、异常值、重复值问题，从振动信号、声音信号、温度信
7.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，
8.权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法的诊断系统，其特征在于，包括：
9.一种用于实现权利要求1～7中任意一项所述基于知识图谱驱动的设备故障诊断方法的装置，其特征在于，包括处理器以及存储器；
10.一种计算机的可存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行，实现权利要求1～7中任意一项所述的一种基于知识图谱驱动的设备故障诊断方法。
...【技术特征摘要】
1.一种基于知识图谱驱动的设备故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，所述的步骤s4具体包括：
3.根据权利要求2所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，在推理过程中，考虑测量误差的影响，用卡尔曼滤波器方法对监测数据进行预处理。
4.根据权利要求2所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，构建设备的数学模型，其中包含机械的结构、动力学特性和运行参数在内的信息；通过这些信息建立机械的状态方程，描述机械在不同故障状态下的响应和振动特性；对机械的振动、声音、温度参数进行监测并分析，得出所需要的监测数据。
5.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法，其特征在于，所述的步骤s2具体包括如下：
6.根据权利...
【专利技术属性】
技术研发人员：蔡畅，王军生，刘佳伟，程万胜，宋蕾，赵一帆，
申请(专利权)人：辽宁科技大学，
类型：发明
国别省市：
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。