【技术实现步骤摘要】
本专利技术属于设备故障诊断，具体涉及一种数据驱动与知识引导的故障诊断方法及系统。
技术介绍
1、随着社会信息化的持续发展和科学技术的不断进步，工业设备的生产效率和自动化程度越来越高，工作强度不断增大。同时设备复杂度和精细化程度也越来越高，各组成部分关联更加密切，从而往往会出现故障的连锁反应，即使是潜在的隐患或微小故障也有可能导致整个设备故障甚至产生更大的灾难性破坏，例如环境污染等，后果极其严重。因此，设备故障诊断技术的作用越来越明显，可以早期发现设备已有或将有故障，并能快速定位故障原因、给出处理方案以及预测故障发展趋势，从而大大减少故障发现维修时间，提高维修质量，节约维修成本，进一步提高设备可用性和健壮性。
2、设备故障诊断技术是指通过设备运行过程中记录的相关信息来判断其当前状态是否正常，识别故障的性质和位置，定位故障产生原因，并给出相应应对策略。随着现代工业设备以及系统的日益大型化和复杂化，其可靠性、可用性、可维护性和安全性问题也随之凸显，从而促进了人们对故障诊断机理及故障诊断技术的研究。当前故障诊断方法主要有专家系统、遗传算法、数据挖掘、人工神经网络、模糊集理论等，但随着设备规模的不断扩大以及故障类型的多样性增多，任何单一故障诊断技术都难以适应现代复杂系统故障诊断的需要。因此，当前迫切需要在已有故障诊断方法的基础上，探索新型智能化故障诊断技术，以提高故障发现、快速诊断以及排故能力，并能提前预测潜在故障风险，满足当前对故障诊断方法及系统的新要求。
3、鉴于此，亟需一种基于新一代人工智能技术的数据驱动与知
技术实现思路
1、为克服现有技术中的不足，本专利技术提出一种数据驱动与知识引导的故障诊断方法及系统，旨在解决现有技术无法充分利用设备相关多源多模态运行状态数据，面对大量故障信息难以快速准确地定位故障源头，以及难以实现故障诊断、预测结果的可靠性和可解释性的问题。
2、本专利技术的一种数据驱动与知识引导的故障诊断方法，包括以下步骤：
3、s10.持续获取设备运行状态数据，实时记录设备多源多模态运行状态信息。
4、s20.实时分析处理采集记录的设备运行状态数据，挖掘识别异常状态信息，并同步从数据中抽取故障相关知识。
5、s30.根据异常状态信息，基于多模态故障知识图谱进行故障诊断以及故障预测，分析推理其为故障，隐患或风险，并实现故障源头的精准定位。
6、s40.基于可视化界面显示故障诊断、预测结果以及诊断依据。
7、进一步地，所述步骤s10具体包括：设备运行状态来自多个数据源，包括传感器、系统日志和人工输入，数据格式为图像、音频、视频、文本以及结构化记录；针对多源多模态数据，基于多模态数据融合方法，实现多源数据在语义层面上的信息融合关联，从多个维度记录设备实时运行状态。
8、进一步地，所述步骤s20具体包括：通过实时监测多源多模态时序数据，采用transformer实现面向时序数据的异常检测，挖掘出多源多模态数据中潜在的异常信息。
9、进一步地，针对设备组成、故障模式进行本体建模，同时建立设备内部各组成模块之间的依赖或包含关系、与故障模式的对应关系，端口输入输出关系以及各故障模式之间的相互影响关系，并将其与预先构建的故障知识图谱进行子图匹配关联融合，并按需针对当前已有知识图谱进行知识更新操作。
10、进一步地，所述步骤s30在具体包括：针对检测出的异常信息，基于预先构建的故障知识图谱，开展故障诊断及溯源，实现故障源头的快速定位，并给出解决办法；同时开展故障预测推理，实现设备潜在风险或故障提前预警。
11、进一步地，基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，通过图计算方法实现面向多点故障的快速溯源，精准定位真正地故障源头，并记录诊断推理依据，确保诊断结果的可靠性和可解释性。已构建的多模态故障知识图谱是一个大型有向图，设备故障模式编码是其中的实体属性。针对n个故障模式编码，首先在故障知识图谱中分别进行路径向上搜索，生成n个对应路径p1,p2,......,pn；然后，针对所述n个路径进行子图匹配，得到m(m≤n)个子图；最后，在所述m个子图中，分别进行根节点搜索，所得k(k≤m)个节点，即为当前n个故障对应的源头故障点。
12、进一步地，通过认知推理网络进行故障预测推理，基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，结合各故障历史发生概率，通过因果推理方法，预测潜在隐患或风险异常信息，输出其将来可能产生的故障点，并生成分析推理依据，确保推理结果的可靠性和可解释性。认知推理网络是一个有向无环图(directed acyclic graph，dag)，记为三元组g＝{v,e,f}，其中顶点集v为图中节点的非空集合；边集为图中有向边的集合，每一条边用节点对表示为(x,y)，称x为起点，y为终点；f是关系的集合，每一个关系f(x,y)对应一个节点对(x,y)之间的关系。
13、进一步地，所述步骤s40具体包括：通过可视化界面显示设备故障现象、原因以及处理方法，针对故障预测推理出的潜在隐患或风险异常信息，显示其将来可能产生的故障点及故障模式，并通过推理链方式可视化展现预测依据。
14、进一步地，基于设备所属领域故障知识特点，构建故障本体模型，采用自上而下和自下而上相结合的方式，实现故障知识spo(主谓宾，subject-predicate-object)三元组的自动抽取，持续构建故障知识图谱。故障知识图谱表现为(实体,关系,实体)或(实体,关系,属性)三元组形式，其中图片、音频、视频等多模态信息可以作为单独实体，也可以作为实体属性。基于本体模型，建立设备组成及层次结构与故障模式之间的关联，以及故障模式彼此之间的因果影响关系，同时提供某一故障历史发生概率统计属性(包括故障发生次数、发生概率两个属性)，并通过文本、图像、音频以及视频等多模态信息互为补充实现故障模式语义描述的完整性。对于每个用三元组表示的设备故障关系，有四个基本属性，即共现次数(co-occurrence)、共现概率(probability)、特异度(specificity)、可信度(reliability)。
15、本专利技术的一种数据驱动与知识引导的故障诊断系统，能够实现数据驱动与知识引导的故障诊断方法，包括以下部分：
16、数据采集模块，持续采集记录设备运行状态相关的多源多模态数据。
17、故障检测模块，实时分析处理采集记录的设备运行状态数据，识别异常状态信息。
18、知识抽取模块，从关联处理后的数据中提取出故障相关知识，持续更新已构建的多模态故障知识图谱。
19、故障诊断模块，根据异常状态，基于多模态故障知识图谱进行故障诊断、故障溯源以及故障预测，分析推理其为故障，隐患或风险。
20、本文档来自技高网...
【技术保护点】
1.一种数据驱动与知识引导的故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤S10具体包括：设备运行状态来自多个数据源，包括传感器、系统日志和人工输入，数据格式为图像、音频、视频、文本以及结构化记录；针对多源多模态数据，基于多模态数据融合方法，实现多源数据在语义层面上的信息融合关联，从多个维度记录设备实时运行状态。
3.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤S20具体包括：通过实时监测多源多模态时序数据，采用Transformer实现面向时序数据的异常检测，挖掘出多源多模态数据中潜在的异常信息。
4.根据权利要求3所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：针对设备组成、故障模式进行本体建模，同时建立设备内部各组成模块之间的依赖或包含关系、与故障模式的对应关系，端口输入输出关系以及各故障模式之间的相互影响关系，并将其与预先构建的故障知识图谱进行子图匹配关联融合，并按需针对当前已有知识图谱进行知识更新操作。
6.根据权利要求5所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，通过图计算方法实现面向多点故障的快速溯源，精准定位真正地故障源头，并记录诊断推理依据，确保诊断结果的可靠性和可解释性。
7.根据权利要求5所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：通过认知推理网络进行故障预测推理，基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，结合各故障历史发生概率，通过因果推理方法，预测潜在隐患或风险异常信息，输出其将来可能产生的故障点，并生成分析推理依据，确保推理结果的可靠性和可解释性。
8.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤S40具体包括：通过可视化界面显示设备故障现象、原因以及处理方法，针对故障预测推理出的潜在隐患或风险异常信息，显示其将来可能产生的故障点及故障模式，并通过推理链方式可视化展现预测依据。
9.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：构建所述多模态故障知识图谱具体为：基于设备所属领域故障知识特点，构建故障本体模型，采用自上而下和自下而上相结合的方式，实现故障知识SPO三元组的自动抽取，持续构建故障知识图谱，故障知识图谱表现为(实体,关系,实体)或(实体,关系,属性)三元组形式；基于故障本体模型，建立设备组成及层次结构与故障模式之间的关联，以及故障模式彼此之间的因果影响关系，同时提供某一故障历史发生概率统计属性，并通过多模态信息互为补充实现故障模式语义描述的完整性。
10.一种数据驱动与知识引导的故障诊断系统，其特征在于：实现权利要求1至9任一项所述的数据驱动与知识引导的故障诊断方法，包括以下部分：
...【技术特征摘要】
1.一种数据驱动与知识引导的故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤s10具体包括：设备运行状态来自多个数据源，包括传感器、系统日志和人工输入，数据格式为图像、音频、视频、文本以及结构化记录；针对多源多模态数据，基于多模态数据融合方法，实现多源数据在语义层面上的信息融合关联，从多个维度记录设备实时运行状态。
3.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤s20具体包括：通过实时监测多源多模态时序数据，采用transformer实现面向时序数据的异常检测，挖掘出多源多模态数据中潜在的异常信息。
4.根据权利要求3所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：针对设备组成、故障模式进行本体建模，同时建立设备内部各组成模块之间的依赖或包含关系、与故障模式的对应关系，端口输入输出关系以及各故障模式之间的相互影响关系，并将其与预先构建的故障知识图谱进行子图匹配关联融合，并按需针对当前已有知识图谱进行知识更新操作。
5.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤s30在具体包括：针对检测出的异常信息，基于预先构建的故障知识图谱，开展故障诊断及溯源，实现故障源头的快速定位，并给出解决办法；同时开展故障预测推理，实现设备潜在风险或故障提前预警。
6.根据权利要求5所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，...
【专利技术属性】
技术研发人员：周玉军，于俊朋，李品，杨予昊，
申请(专利权)人：中国电子科技集团公司第十四研究所，
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。