一種基于知識圖譜的工業設備故障診斷方法技術

本發明專利技術提供了一種基于知識圖譜的工業設備故障診斷方法，屬于工業設備故障診斷技術領域。本發明專利技術包括：從設備故障歷史維修記錄和設備故障維修保養使用手冊的電子數據中抽取故障設備、故障現象、原因和解決辦法等實體及實體間關系，構建三元組數據；對三元組數據合并和刪除后，根據設備零部件間的物理連接關系及實體間關系構建設備的故障維修知識圖譜；根據新故障的日志更新實體及實體關系；根據輸入的故障現象、采集的傳感器數據，利用圖譜及AI深度學習分類判別模型綜合判斷故障原因，并輸出關聯的實體信息。本發明專利技術實現對設備故障診斷的輔助分析，提高了工業設備故障診斷的準確率和效率，并減少了工作人員頻繁重復的故障分析工作。作。作。

【技術實現步驟摘要】
一種基于知識圖譜的工業設備故障診斷方法


[0001]本專利技術屬于工業設備故障診斷
，具體涉及一種基于知識圖譜的工業設備故障診斷方法。

技術介紹

[0002]隨著經濟與科技的快速發展，我國工業領域機械化程度越來越高，大型機器已經成為工業生產中的關鍵設備，一旦機器設備發生故障，就可能導致整個生產過程的停機，給工廠造成巨大的經濟損失。因此在設備的運行過程中，確定其整體或局部正常或異常，早期發現故障及其原因，及時快速的對機器設備出現的故障進行故障診斷，分析故障產生的原因并進行修復，對現代工業具有重要意義。
[0003]目前工廠中機器設備的故障預測與健康管理主要依靠專家多年的機器維修經驗，通過對機器各方面進行檢測，找到機器故障的原因并進行修復。這種依靠專家經驗的檢測方法需要消耗大量的人力和時間，建立一套智能化的機器故障診斷輔助分析工具，既可以減少頻繁重復的分析檢測工作，還可以更準確、全面的診斷分析機器故障的部位和產生故障的原因，對于工業設備的故障診斷具有重要的意義。目前大多數工廠對機器設備的維修記錄都有詳細的文本記錄數據，從已經發生過的設備故障現象與原因記錄中吸取經驗可以提高故障診斷與原因分析的效率與準確性。但這些文本數據眾多、記錄人員對故障原因與現象描述并不統一，直接使用這些記錄進行分析很難實現。因此如何能夠有效的借鑒設備故障歷史維修記錄與原因分析，快速實現對設備的故障診斷，是提升工廠生產效率的一個關鍵性問題。
[0004]知識圖譜的概念由Google公司在2012年提出，最初的目的是用于提升搜索引擎性能、豐富搜索內容的知識庫。知識圖譜的出現是人工智能對知識需求所導致的必然結果，但其發展又得益于很多其他的研究領域，涉及專家系統、語言學、語義網、數據庫，以及信息抽取等眾多領域，是交叉融合的產物而非一脈相承。知識圖譜本質上是語義網絡，是一種基于圖的數據結構，由節點和邊組成。在知識圖譜里，每個節點表示現實世界中存在的“實體”，每條邊為實體與實體之間的“關系”。知識圖譜是關系的最有效的表示方式。知識圖譜就是把所有不同類型的信息連接在一起而得到的一個關系網絡，它提供了從“關系”的角度去分析問題的能力。
[0005]現有技術中利用知識圖譜和自然語言處理技術研究和設計了面向特定領域的設備故障診斷輔助決策構建方法，實現了基于知識圖譜的故障告警信息解析判別和智能輔助決策，為設備監控人員對故障快速處理提供了參考。現有設備故障診斷方案分為兩大類。第一種方案先構建設備故障現象、故障類型和內在原因等關聯因素的知識圖譜，然后利用實際運行中設備故障現象的描述去故障知識圖譜中進行搜索匹配，從而輔助進行故障類型診斷。如參考文獻1(趙倩.數控設備故障知識圖譜的構建與應用[J].航空制造技術,2020,063(003):96
?
102.)公開的一種數控設備故障知識圖譜的構建與應用。第二種方案利用設備自帶的狀態數據、現裝和后裝的各種傳感器數據和帶標記的故障類型進行機器學習模型訓
練，通過分類等方法確定設備可能潛在的故障類型。這兩種方案各有自己的優缺點，第一種方案能夠直觀展示故障類型、故障現象和設備部件之前的潛在關系，所以能快捷的進行故障判斷，但是精確性不高。第二種方法準確性高，但是可解釋性差，對設備各種狀態數據的要求高，前期需要有大量的數據積累，需要頻繁重復的故障分析工作。

技術實現思路

[0006]本專利技術的目的是提供一種基于知識圖譜的工業設備故障診斷方法，將實際中設備故障現象和設備傳感器參數結合用于輔助診斷和判斷故障，以解決目前工業設備故障診斷中的故障診斷精確度不高、對設備狀態數據要求高、需要頻繁重復的故障分析工作等問題。
[0007]本專利技術提供的一種基于知識圖譜的工業設備故障診斷方法，包括：
[0008]步驟一、將故障設備、故障零部件、傳感器、故障現象、故障原因和故障解決辦法作為知識圖譜中的實體，從設備故障歷史維修記錄和設備故障維修保養使用手冊的電子數據中抽取實體以及實體之間的關系，構建實體
?
關系
?
實體的三元組結構數據；其中，所述實體關系包括設備零部件之間的連接關系、零部件與故障現象的關系、故障現象與故障原因的關系、故障原因與解決辦法的關系。
[0009]步驟二、為了消除描述的多樣性，根據語義相似度，對獲取的實體
?
關系
?
實體的三元組結構數據進行重復數據的合并和刪除后再存入知識庫，包括：對獲得的故障產生原因或故障現象實體，經分詞后表示為詞向量相加的形式，計算兩個同類實體的相似度，將相似度超過設置閾值的兩個實體采用同一實體表示，對實體
?
關系
?
實體的三元組結構數據進行重復數據的合并和刪除。
[0010]步驟三、根據知識庫中的三元組構建設備的故障維修知識圖譜；設備的故障維修知識圖譜是根據設備零部件之間的物理連接關系，故障涉及到的零部件、傳感器、現象、原因和解決辦法之間的邏輯關系構建出；其中，將所述實體作為故障維修知識圖譜中的節點，將所述實體之間的關系作為故障維修知識圖譜中的邊，邊的權重代表實體關系的置信度；對于同一個實體，故障維修知識圖譜中僅用一個點表示。當有故障發生時，維修操作人員記錄故障日志，獲取該故障日志，提取實體以及實體關系，并更新實體關系的置信度。
[0011]步驟四、當用戶需要查找故障原因時，輸入故障現象以及采集的傳感器數據，利用知識圖譜以及AI診斷模型進行故障原因判斷。其中，AI診斷模型為深度學習分類判別模型，由歷史采集的設備相關傳感器數據訓練得到，AI診斷模型的輸入是傳感器數據，輸出是故障類型概率，即故障原因置信度。
[0012]所述步驟四采用如下任一融合方法進行故障原因判斷：
[0013]方法一：將輸入的故障現象與故障維修知識圖譜中的故障現象文本進行語義相似度計算，獲取超過設定閾值的故障現象實體，再從故障維修知識圖譜中找到所獲取的故障現象實體關聯的傳感器數據與故障原因，由傳感器數據確定相應的AI診斷模型；將所獲得的故障原因與輸入的傳感器數據加入訓練數據集重新對所確定的AI診斷模型進行訓練；最后利用訓練好的AI診斷模型對輸入的傳感器數據進行判別，輸出故障原因及其置信度。
[0014]方法二：先將輸入的傳感器數據通過AI診斷模型進行故障原因判斷，得到超過設定閾值1的候選的故障原因；再將輸入的故障現象，與故障維修知識圖譜中對應的候選故障原因實體關聯的故障現象進行語義相似度計算，篩選出超過設定閾值2的故障原因；進一
步，將篩選出的故障原因在故障維修知識圖譜中關聯的傳感器數據，與輸入的傳感器數據計算余弦相似度，并按照余弦相似度大小輸出故障原因及故障原因的置信度。
[0015]方法三：利用AI診斷模型對輸入的傳感器數據進行故障原因判斷，獲取的故障原因作為判別結果一；利用故障維修知識圖譜對輸入的故障現象進行文本相似度比較，獲得的故障原因作為判別結果二；將判別結果一和判別結果二的故障原因的置信度進行加權求和，獲取最終的故障原因及置信本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于知識圖譜的工業設備故障診斷方法，其特征在于，包括如下步驟：步驟一、將故障設備、故障零部件、傳感器、故障現象、故障原因和故障解決辦法作為知識圖譜中的實體，從設備故障歷史維修記錄和設備故障維修保養使用手冊的電子數據中抽取實體以及實體之間的關系，構建實體
?
關系
?
實體的三元組結構數據；其中，所述實體關系包括設備零部件之間的連接關系、零部件與故障現象的關系、故障現象與故障原因的關系、故障原因與解決辦法的關系；步驟二、為了消除描述的多樣性，根據語義相似度，對獲取的實體
?
關系
?
實體的三元組結構數據進行重復數據的合并和刪除后再存入知識庫，包括：對獲得的故障產生原因或故障現象實體，經分詞后表示為詞向量相加的形式，計算兩個同類實體的相似度，將相似度超過設置閾值的兩個實體采用同一實體表示，對實體
?
關系
?
實體的三元組結構數據進行重復數據的合并和刪除；步驟三、根據知識庫中的三元組構建設備的故障維修知識圖譜；設備的故障維修知識圖譜是根據設備零部件之間的物理連接關系，故障涉及到的零部件、傳感器、現象、原因和解決辦法之間的邏輯關系構建出；其中，將所述實體作為故障維修知識圖譜中的節點，將所述實體之間的關系作為故障維修知識圖譜中的邊，邊的權重代表實體關系的置信度；對于同一個實體，故障維修知識圖譜中僅用一個節點表示；當有故障發生時，維修操作人員記錄故障日志，獲取該故障日志，提取實體以及實體關系，并更新實體關系的置信度；步驟四、當用戶需要查找故障原因時，輸入故障現象以及采集的傳感器數據，利用設備的故障維修知識圖譜以及AI診斷模型進行故障原因判斷；其中，AI診斷模型由歷史采集的設備故障傳感器數據訓練得到；所述故障原因的判斷方法為：將輸入的故障現象與故障維修知識圖譜中的故障現象文本進行語義相似度計算，獲取超過設定閾值的故障現象實體，再從故障維修知識圖譜中找到所獲取的故障現象實體關聯的傳感器數據與故障原因，由傳感器數據確定相應的AI診斷模型；將所獲得的故障原因與輸入的傳感器數據加入訓練數據集重新對所確定的AI診斷模型進行訓練；最后利用訓練好的AI診斷模型對輸入的傳感器數據進行判別，輸出故障原因及其置信度；步驟五、根據步驟四判斷出的故障原因，從設備的故障維修知識圖譜中找到與輸入故障現象和所述故障原因關聯的故障零部件和解決辦法實體，展示給用戶。2.根據權利要求1所述的方法，其特征在于，所述的步驟一中，獲取的設備故障歷史維修記錄中記載設備型號、故障現象、發生故障的零部件、故障產生原因、故障解決辦法、故障時間和故障具體部位；獲取的設備故障維修保養使用手冊記載設備零部件之間的連接關系、故障現象、故障產生原因和故障解決辦法。3.根據權利要求1所述的方法，其特征在于，所述的步驟一中，在從電子數據中提取實體以及實...

【專利技術屬性】
技術研發人員：許方敏，劉曉凱，周溫丁，李斌，趙成林，
申請(專利權)人：北京賽博星通科技有限公司，
類型：發明
國別省市：