CN113359664B - 故障诊断与维护***、方法、设备及存储介质 - Google Patents
故障诊断与维护***、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113359664B CN113359664B CN202110599188.6A CN202110599188A CN113359664B CN 113359664 B CN113359664 B CN 113359664B CN 202110599188 A CN202110599188 A CN 202110599188A CN 113359664 B CN113359664 B CN 113359664B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- knowledge
- knowledge graph
- maintenance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明适用于设备故障诊断技术领域,提供了一种故障诊断与维护***、方法、设备及存储介质,包括数据收集单元、***知识图谱单元、故障知识图谱单元和故障分析单元,数据收集单元用于收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征,***知识图谱单元用于基于部件关系采用知识图谱技术构建***知识图谱,故障知识图谱单元用于基于故障知识采用知识图谱技术构建故障知识图谱,故障分析单元用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果,从而更有效地对待诊断设备进行故障诊断与维护。
Description
技术领域
本发明属于设备故障诊断技术领域,尤其涉及一种故障诊断与维护***、方法、设备及存储介质。
背景技术
随着大数据技术的发展,越来越多的故障诊断与维护***通过引入历史运维数据以达到更加准确的故障定位和设备剩余寿命预测。以机载设备为例,目前普遍应用的民航机载设备故障预测与健康管理***的核心是基于领域知识和试飞\可靠性试验数据所开发出的专家***,并据此对机载设备进行故障诊断和健康趋势的判断,随着无线QAR、卫通和大数据技术的发展,越来越多的故障预测与健康管理***开始引入历史运维数据以期达到更加准确的故障定位和航线可更换单元(LRU)级别的剩余寿命预测。
现有算法的主要缺点:
1.建立这样的专家***需要耗费大量人力物力,并且只有飞机主制造商(OEM)或是机载设备子***制造商才具备建立专家***的条件。
2.飞机真实的运行环境与设计/试飞环境不一定完全匹配。很多情况下在设计阶段没有办法预测真实运行环境,导致有些设备容易提前发生故障或是产生错误报警。这会影响航司的运维经济性和对维修备件的预测。
3.基于数据驱动的故障诊断和剩余寿命预测算法需要大量的由专家标定的历史故障数据进行模型训练。然而民航飞机的可靠性设计标准是非常高的,机载设备发生故障的数量很少。这也就造成历史故障数据量不充分,直接影响到算法的准确性。
4.不同的航司对于维护标准的尺度掌握存在差异,所以会出现同样的设备在不同的航司那里故障类型和使用寿命是不一样的。现有的基于领域知识以及可靠性试验的定期维修的建议(定检时间间隔)不能完全满足客户差异化的维修和使用方法。不同的故障类型和寿命一样会影响航司运维的经济型和可靠性。
5.现有的算法***针对航司特定LRU的一些常见故障比较有效,对于出现频率较低或未知的故障很难有效应对。由于不同航司运作飞行器的自然环境和维修策略各不相同,在实际运营中时常能观测到一些新的故障机制。现有的***并不具备根据持续积累的运营数据自动更新诊断与预测逻辑,这导致现有***只能在某些常见故障的诊断与预测上比较有效,但很难有效应对低频故障或新出现的未知故障。
发明内容
本发明的目的在于提供一种故障诊断与维护***、方法、设备及存储介质,旨在解决现有技术中故障诊断与维护准确性不够高的问题。
一方面,本发明提供一种故障诊断与维护***,所述***包括:
数据收集单元,用于收集来自不同数据源的多维数据,并对所述多维数据进行状态分割、匹配与融合处理,输出所述多维数据的连续特征和离散特征;
***知识图谱单元,用于基于部件关系采用知识图谱技术构建***知识图谱;
故障知识图谱单元,用于基于故障知识采用知识图谱技术构建故障知识图谱;以及
故障分析单元,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果。
优选地,所述数据收集单元包括:
状态分割模块,用于基于预设的参考分割数据对所述多维数据中的第一数据进行状态分割,得到每个状态下的快照样本,其中,所述第一数据包括传感器数据;
信息匹配模块,用于基于预设的参考匹配数据对所述多维数据中的第二数据进行匹配,得到组合数据,其中,所述第二数据包括运行计划、维修事件和日志数据中的一种或多种组合;以及
数据融合模块,用于对所述快照样本和所述组合数据进行融合处理,输出所述连续特征和所述离散特征。
优选地,所述故障分析单元包括分析模块,所述分析模块包括:
分析模型培训模块,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,在线或离线地进行故障分类器的迭代训练,并将当前训练好的故障分类器的模型文件发送给异常监测模块和故障分离模块;
所述异常监测模块,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,使用已存储的所述故障分类器的模型文件调用所述故障分类器检测异常数据;
故障分离模块,用于基于所述异常数据,使用已存储的所述故障分类器的模型文件调用所述故障分类器进行故障分离,若诊断出故障原因则输出所述故障原因和/或维修建议,若未诊断出故障原因则输出所述异常数据以供人工分析。
优选地,所述分析模块还包括:
性能监测模块,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,对待诊断设备进行性能监测,并输出所述性能预测结果,所述性能预测结果包括***级性能预测结果和部件级性能预测结果。
优选地,所述***还包括:
故障逻辑数据库,用于存储故障规则逻辑;以及
知识生成单元,用于基于第三数据归纳学习所述故障知识,并将所述故障知识发给所述故障知识图谱单元,其中,所述第三数据包括所述连续特征、所述离散特征、所述故障规则逻辑和所述部件关系。
优选地,所述知识生成单元包括知识模块,所述知识模块包括:
信号过滤器,用于基于所述部件关系对所述连续特征和所述连续特征进行过滤,得到过滤后的特征;
知识模型培训模块,用于根据第四数据在线或离线地进行知识分类器的迭代训练,并将当前训练好的知识分类器的模型文件发送给AI模型,其中,所述第四数据包括故障规则逻辑和所述过滤后的特征;以及
所述AI模型,用于基于所述过滤后的特征,使用已存储的所述知识分类器的模型文件调用所述知识分类器进行知识分类,得到所述故障知识,其中,所述故障知识包括故障部件和每个所述故障部件的故障属性,所述故障属性包括故障症状、故障成因以及故障发生时间和位置。
优选地,所述第三数据和所述第四数据还包括已标注的故障实例,所述***还包括:
报文单元,用于存储第五数据,所述第五数据包括所述故障诊断结果和/或性能预测结果;
故障数据库,用于存储维修事件和日志数据,并存储已标注的故障实例;以及
故障标注单元,用于基于所述连续特征、所述离散特征、所述维修事件、所述日志数据和所述第五数据,采用人在回路的技术标注故障实例,并将已标注的故障实施例发送给故障数据库。
另一方面,本发明还提供了一种故障诊断与维护方法,所述方法包括:
收集来自不同数据源的多维数据,并对所述多维数据进行状态分割、匹配与融合处理,输出所述多维数据的连续特征和离散特征;
基于所述连续特征、所述离散特征、已构建的***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果。
另一方面,本发明还提供了一种故障诊断与维护设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明中的故障诊断与维护***包括数据收集单元、***知识图谱单元、故障知识图谱单元和故障分析单元,数据收集单元用于收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征,***知识图谱单元用于基于部件关系采用知识图谱技术构建***知识图谱,故障知识图谱单元用于基于故障知识采用知识图谱技术构建故障知识图谱,故障分析单元用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果,从而更有效地对待诊断设备进行故障诊断与维护。
附图说明
图1A是本发明实施例一提供的故障诊断与维护***的结构示意图;
图1B是本发明实施例一提供的数据收集单元的一结构示意图;
图1C是本发明实施例一提供的***知识图谱的一结构示例图;
图1D是本发明实施例一提供的故障知识图谱的一结构示例图;
图1E是本发明实施例一提供的分析模块的一结构示意图;
图1F是本发明实施例一提供的分析模块的一结构示意图;
图1G是本发明实施例一提供的故障诊断与维护***的又一结构示意图;
图1H是本发明实施例一提供的知识模块的一结构示意图;
图1I是本发明实施例一提供的故障诊断与维护***的再一结构示意图;
图2是本发明实施例二提供的故障诊断与维护方法的实现流程图;以及
图3是本发明实施例三提供的故障诊断与维护设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1A示出了本发明实施例一提供的故障诊断与维护***的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
数据收集单元11,用于收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征;
***知识图谱单元12,用于基于部件关系采用知识图谱技术构建***知识图谱;
故障知识图谱单元13,用于基于故障知识采用知识图谱技术构建故障知识图谱;以及
故障分析单元14,用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果。
本发明实施例适用于设备的故障诊断与维护,特别适用于运行于多种工况下的设备的故障诊断与维护,例如,机载设备的故障诊断与维护。在本发明实施例中,考虑到待诊断设备在不同运行状态下,其运行工况不同,相应地故障诊断与性能预测结果也可能不同,因此,数据收集单元收集来自不同数据源的多维数据,并可基于预设的参考数据进行数据的状态分割、匹配和融合处理,得到多维数据的连续特征和离散特征,以便于后续的数据分析及故障诊断与预测。以机载设备为例,来自不同数据源的多维数据可以包括连续的传感器数据(QAR),以及离散的运维数据,该运维数据可以包括维修事件(部件更换事件)、航班信息和日志数据,航班信息具体可以包括航班起飞、时间、降落时间和航班状态(包含正常、延误或取消),日志数据具体可以包括技术日志(TLB)、地勤日志(GLB)、集中故障显示***(CFDS)记录、航后记录(PFR)、修理记录等。
如图1B所示,优选地,数据收集单元11包括状态分割模块111、信息匹配模块112以及数据融合模块113,状态分割模块用于基于预设的参考分割数据对多维数据中的第一数据进行状态分割,得到每个状态下的快照样本,信息匹配模块用于基于预设的参考匹配数据对多维数据中的第二数据进行匹配,得到组合数据,数据融合模块用于对快照样本和组合数据进行融合处理,输出多维数据的连续特征和离散特征,以便于后续的数据分析,并提高了故障诊断结果的准确性。其中,第一数据包括传感器数据,第二数据可包括运行计划、维修事件和日志数据中的一种或多种组合。当待诊断设备为机载设备时,参考分割数据可以为引擎数据,第一数据可以为传感器数据,参考匹配数据可以包括飞机注册号、航班日期、航班起飞时间、航班降落时间以及MEL(Minimum Equipment List,最低设备清单)系列代码,第二数据可以包括航班时刻、维修事件和日志数据。
具体实施中,以机载设备为例,考虑到在不同的飞行状态中,机载设备运行于截然不同的工况,为区分工况,状态分割模块可利用引擎数据对传感器数据进行飞行状态分割,进一步地,以飞机环控***为例,来自飞机环控***传感器和发动机的数据首先由状态分割模块111进行预处理,以区分地面滑行、飞机爬升、下降阶段和巡航阶段,针对每个飞行阶段,通过滑动窗的方法生成每个飞行阶段的快照样本,信息匹配模块112可基于飞机注册号、航班日期、航班的起飞、降落时间和MEL系列代码将航班时刻、部件更换事件以及日志数据组合起来,得到航班的组合数据,数据融合模块113将来自状态分割模块111的快照样本和来自信息匹配模块112的组合数据融合起来,并生成一些额外的特征,例如自相关、小波、分布特征等,之后,输出多维数据的连续特征和离散特征,以供后续的数据分析。
知识图谱是一些实体以及实体之间关系的集合,一个实体可以具有一系列的属性,其中一些属性可能又是其他实体。***知识图谱单元利用外部知识来过滤需要分析的关键特征,例如部件及工作状态。作为示例地,如图1C所示,图1C描述了一个包含多个LRU航线可更换单元(LRU,Line Replaceable Unit)及其部分属性的***知识图谱,用于过滤相关部件及其工作状态。该***知识图谱根据维修手册和***设计需求书构建出,描述了***的LRU、传感器的相互关系、运行范围。有向图三中节点(node)分为实体(圆形)和属性(椭圆形)。实体L1-L8代表了LRU或者传感器,属性为描述性文本内容。节点间的关系分为四种:
·上下游关联关系(Conn.to)
·工作区间(working range)
·正常工况(normal)/异常工况(abnormal)
·控制逻辑(modulate:open/close(开/关))
故障知识图谱利用知识图谱技术来描述并存储故障知识,并可用于故障识别、分类、以及故障再现。故障知识图谱中同样可以包括一系列故障部件(实体),每个实体可以具有一系列故障属性,每个故障部件的属性可以包括故障症状、故障成因或故障发生时间和位置等,故障症状可以是文本描述、关键词、逻辑关系、提取的抽象特征或训练完的模型,每个故障症状可以对应多个故障实体。
作为示例地,如图1D所示,图1D提供了一个故障知识图谱的示例,该故障知识图谱是一个包含了实体以及属性的知识图谱,故障知识图谱的实体定义为LRU故障,其属性包括故障症状、成因以及发生时间,该故障知识图谱包含了2个部件L1和L2,包含一个共同的故障症状S3和一些不同的成因。其中,故障症状的描述可用于引导故障分析单元14进行故障分离。
该故障分析单元用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障诊断,并输出故障诊断结果,如图1E所示,优选地,故障分析单元包括分析模块140,分析模块包括分析模型培训模块1401、异常监测模块1402和故障分离模块1403,分析模型培训模块用于基于连续特征、离散特征、***知识图谱和故障知识图谱,在线或离线地进行故障分类器的迭代训练,并将当前训练好的故障分类器的模型文件发送给异常监测模块和故障分离模块存储,异常监测模块用于基于连续特征、离散特征、***知识图谱和故障知识图谱,使用已存储的故障分类器的模型文件调用故障分类器检测异常数据,以缩小后续故障分离的范围;故障分离模块用于基于异常数据,使用已存储的故障分类器的模型文件调用故障分类器进行故障分离,若诊断出故障原因则输出故障原因和/或维修建议,若未诊断出故障原因则输出异常数据以供人工分析。其中,故障分类器可以在线训练,也可以离线训练。
具体实施中,异常检测模块识别与常规数据不同的新型信号,即异常数据,以缩小故障分离的范围,故障分离模块基于异常数据初步确定带有故障症状的部件,并将其作为可疑的故障部件,这些可疑的故障部件用于强化故障分类器进行进一步的故障分离,在确定出最有可能的故障原因之后,输出故障原因和/或维修建议,从而通过缩小故障分离的范围实现故障的快速诊断。进一步地,如果无法识别出可疑的故障部件,则可输出异常数据以便于人工分析。
该故障分析单元还用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行性能监测,输出性能预测结果,进一步地,输出维护建议,如图1F所示,优选地,分析模块140还包括性能监测模块1404,该性能监测模块用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行性能监测并输出性能预测结果,以便于用户根据待诊断设备的性能预测结果制定相应地维护计划,从而提高了维护的经济性。进一步地,该性能监测模块根据性能预测结果自动生成维护建议,该维护建议中可包括维修备用部件。其中,性能预测结果包括***级性能预测结果和部件级性能预测结果,该部件级性能预测结果可以指示部件的剩余寿命。以机载设备为例,该部件级性能预测结果具体指航线可更换单元(LRU)级别的剩余寿命预测。
大多数数据驱动模型需要高质量的标注数据,以民航运维数据为例,民航运维数据中包含了高维的传感器时间序列数据和离散的航班运维数据,这导致高质量的故障相关数据标注非常耗时耗力,从而优选地,如图1G所示,该故障诊断***还包括故障逻辑数据库15和知识生成单元16,故障逻辑数据库15用于存储故障规则逻辑,知识生成单元16用于基于第三数据归纳学习故障知识,并将故障知识发给故障知识图谱单元,这样无需大量标注故障案例,仅需领域专家为每类故障提供一个或多个故障规则逻辑,即可实现故障知识的自动归纳总结,并实现故障知识图谱的自动完善。其中,第三数据包括连续特征、离散特征、故障规则逻辑和部件关系,部件关系从***知识图谱中获取,故障规则逻辑从故障逻辑数据库中获取,故障规则逻辑可以包括领域专家定义的简单规则、决策树以及人工生成的故障逻辑。进一步地,第三数据还可以包括少量已标注的故障实例。
知识生成单元16包括知识模块160,如图1H所示,优选地,知识模块160包括信号过滤器1601、知识模型培训模块1602和AI模型1603,信号过滤器用于基于部件关系对连续特征和连续特征进行过滤,得到过滤后的特征,知识模型培训模块用于根据第四数据在线或离线地进行知识分类器的迭代训练,并将当前训练好的知识分类器的模型文件发送给AI模型,AI模型用于基于过滤后的特征,使用已存储的知识分类器的模型文件调用知识分类器进行知识分类,得到故障知识,从而解决了缺少标注数据的问题。其中,第四数据包括故障规则逻辑和过滤后的特征。进一步地,第三数据还可以包括少量已标注的故障实例。在具体实施过程中,未标记的数据、低成本的故障规则逻辑和少量已标注的故障实例可以经常性的被收集并集成到知识模块中用于离线培训知识分类器,当然,知识分类器也可以在线训练。与传统的有监督习不同,知识模块可以通过未标注的数据并结合低成本的故障规则逻辑和少量已标注的故障实例生成故障知识。知识模块的目的是从未标注的数据、低成本的故障规则逻辑和少量已标注的故障实例中学习出一个知识分类器,通过该知识分类器来判断未标注数据属于哪类故障,从而实现了基于小样本自学习的故障诊断与维护。
作为示例地,若分析图1C中L5的故障,则可以搜索一个从L5到L5的有向循环子图,该循环子图里面的所有实体都是与L5健康状态相关的信号,根据***知识图谱可知,L5和L6相关的传感器信号与L5的故障有相关关联,据此,信号过滤器在每个快照内把与L5和L6的相关的连续信号和离散信号过滤出来,得到过滤后的特征。
如图1I所示,优选地,该故障诊断***还包括报文单元15、故障数据库18和故障标注单元19,报文单元用于存储第五数据,该第五数据可以包括故障诊断结果和/或性能预测结果,故障数据库用于存储维修事件和日志数据,并存储已标注的故障实例,故障标注单元用于基于连续特征、离散特征、维修事件、日志数据和第五数据,采用人在回路的技术标注故障实例,并将已标注的故障实例发送给故障数据库,其中,维修事件、日志数据和第五数据从故障数据库中获取,从而提高了标注数据的生成效率和准确性。由于无需大量标注故障案例,知识生成单元也可以从低成本的故障规则逻辑、少量已标注的故障实例以及大量未标注的数据中自动归纳总结出故障知识并进行迭代,并自动将故障知识沉淀下来,从而解决了小样本学习和噪声的干扰。具体实施中,故障标注单元可将连续的传感器数据和离散的维修记录关联起来并标注故障实例,然后将已标注的故障实例发送给故障数据库存储。进一步地,故障标注单元获取人工对故障诊断结果和/或性能预测结果的准确性的标注,并将人工修正后的、已标注的故障实例发送给故障数据库存储。当然,故障标注单元可以接收领域专家标注的故障实例,并将由领域专家标注的故障实例发送给故障数据库存储。
在这里需要指出的是,在具体实施过程中,该故障诊断***可以包括三种模式:标注模式、离线模式和在线模式。在标注模式下,故障标注单元可以在***冷启动时标注故障实例,在***部署后验证故障诊断结果的准确性并在人工修正后存贮于故障数据库;在离线模式下,知识生成单元基于第三数据归纳学习故障知识,并将总结出的故障知识发送给故障知识图谱单元存储;在在线模式下,故障分析单元基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果。
在本发明实施例中,故障诊断与维护***包括数据收集单元、***知识图谱单元、故障知识图谱单元和故障分析单元,数据收集单元用于收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征,***知识图谱单元用于基于部件关系采用知识图谱技术构建***知识图谱,故障知识图谱单元用于基于故障知识采用知识图谱技术构建故障知识图谱,故障分析单元用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果,从而更有效地对待诊断设备进行故障诊断与维护。
在本发明实施例中,故障诊断与维护***的各模块可由相应的硬件或软件单元或模块实现,各单元或模块可以为独立的软、硬件单元或模块,也可以集成为一个软、硬件单元或模块,在此不用以限制本发明。
实施例二:
图2示出了本发明实施例二提供的故障诊断与维护方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S201中,收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征。
本发明实施例适用于设备的故障诊断与维护,特别适用于运行于多种工况下的设备的故障诊断与维护,例如机载设备等。在本发明实施例中,考虑到待诊断设备在不同运行状态下,待诊断设备的运行工况不同,相应地故障诊断结果也可能不同,因此,对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征,以便于后续的数据分析。优选地,基于预设的参考分割数据对多维数据中的第一数据进行状态分割,得到每个状态下的快照样本,基于预设的参考匹配数据对多维数据中的第二数据进行匹配,得到组合数据,对快照样本和组合数据进行融合处理,输出连续特征和离散特征,以便于后续的数据分析,并提高了故障诊断结果的准确性。其中,第一数据包括传感器数据,第二数据包括运行计划、维修事件和日志数据中的一种或多种组合。
在步骤S202中,基于连续特征、离散特征、已构建的***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果。
在本发明实施例中,基于连续特征、离散特征、已构建的***知识图谱和故障知识图谱,对待诊断设备进行故障分析,输出故障诊断结果。在对待诊断设备进行故障分析时,优选地,基于连续特征、离散特征、***知识图谱和故障知识图谱,使用已存储的故障分类器的模型文件调用故障分类器检测异常数据,进一步地,基于异常数据,使用已存储的故障分类器的模型文件调用故障分类器进行故障分类,若诊断出故障原因则输出故障原因和/或维修建议,从而通过缩小故障分离的范围实现故障的快速诊断。进一步地,保存故障原因和/或维修建议,以便于后续人工验证故障诊断结果的准确性。进一步地,若未诊断出故障原因则输出异常数据以供人工分析。
基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行性能监测并输出性能预测结果,其中,性能预测结果包括***级性能预测结果和部件级性能预测结果,以便于用户根据待诊断设备的性能预测结果制定相应地维护计划,从而提高了维护的经济性。进一步地,根据性能预测结果自动生成维护建议,该维护建议中可包括维修备用部件。进一步地,保存性能预测结果和维护建议,以便于后续人工校验性能预测结果的准确性。
优选地,基于第三数据归纳学习故障知识,基于故障知识构建故障知识图谱,从而实现故障知识图谱的构建与自动完善。其中,第三数据包括连续特征、离散特征、故障规则逻辑和部件关系,部件关系从***知识图谱中获取,故障规则逻辑从故障逻辑数据库中获取。
在基于第三数据归纳学习故障知识时,优选地,基于部件关系对连续特征和连续特征进行过滤,得到过滤后的特征,之后,基于过滤后的特征,使用已存储的知识分类器的模型文件调用训练好的知识分类器进行知识分类,得到故障知识,从而实现故障知识的自动归纳。其中,故障知识包括故障部件和每个故障部件的故障属性,故障属性包括故障症状、故障成因以及故障发生时间和位置等。
在进行知识分类之前或之后,优选地,根据第四数据在线或离线地进行知识分类器的迭代训练,并保存当前训练好的知识分类器的模型文件,这样无需大量标注故障案例,仅需领域专家为每类故障提供一个或多个故障规则逻辑,即可实现后续故障知识的自动归纳总结。其中,第四数据包括故障规则逻辑和过滤后的特征。
第三数据和第四数据还包括已标注的故障实例,优选地,基于连续特征、离散特征、故障诊断结果、维修事件和第五数据,采用人在回路的技术标注故障实例,并保存已标注的故障实施例,从而提高了标注数据的生成效率和准确性,并便于基于已标注的故障实施例自动学习出知识分类器,这样无需大量标注故障案例,也可以从低成本的故障规则逻辑、少量已标注的故障实例以及大量未标注的数据中自动归纳总结出故障知识并进行迭代,自动将故障知识沉淀下来,从而解决了小样本学习和噪声的干扰。其中,第五数据包括故障诊断结果和/或性能预测结果。
步骤S201-步骤S202的具体实施方式可参考前述***实施例的描述,在此不再赘述。
在本发明实施例中,通过数据收集单元收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征,基于连续特征、离散特征、已构建的***知识图谱和故障知识图谱对待诊断设备进行故障分析和/或性能监测,从而更有效地对低频故障或新出现的未知故障进行诊断。
实施例三:
图3示出了本发明实施例三提供的故障诊断设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的故障诊断设备3包括处理器30、存储器31以及存储在存储器31中并可在处理器30上运行的计算机程序32。该处理器30执行计算机程序32时实现上述***实施例中各模块的功能,例如图1A所示单元11至14的功能,或者,该处理器30执行计算机程序32时实现上述各方法实施例中的步骤,例如图2所示的步骤S201至S202。
在本发明实施例中,故障诊断与维护***包括数据收集单元、***知识图谱单元、故障知识图谱单元和故障分析单元,数据收集单元用于收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征,***知识图谱单元用于基于部件关系采用知识图谱技术构建***知识图谱,故障知识图谱单元用于基于故障知识采用知识图谱技术构建故障知识图谱,故障分析单元用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果,从而更有效地对待诊断设备进行故障诊断与维护。
实施例四:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述***实施例中各模块的功能,例如图1A所示单元11至14的功能,或者,该计算机程序被处理器执行时实现上述各方法实施例中的步骤,例如图2所示的步骤S201至S202。
在本发明实施例中,故障诊断与维护***包括数据收集单元、***知识图谱单元、故障知识图谱单元和故障分析单元,数据收集单元用于收集来自不同数据源的多维数据,并对多维数据进行状态分割、匹配与融合处理,输出多维数据的连续特征和离散特征,***知识图谱单元用于基于部件关系采用知识图谱技术构建***知识图谱,故障知识图谱单元用于基于故障知识采用知识图谱技术构建故障知识图谱,故障分析单元用于基于连续特征、离散特征、***知识图谱和故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果,从而更有效地对待诊断设备进行故障诊断与维护。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种故障诊断与维护***,其特征在于,所述***包括:
数据收集单元,用于收集来自不同数据源的多维数据,并对所述多维数据进行状态分割、匹配与融合处理,输出所述多维数据的连续特征和离散特征;
***知识图谱单元,用于基于部件关系采用知识图谱技术构建***知识图谱;
故障知识图谱单元,用于基于故障知识采用知识图谱技术构建故障知识图谱;以及
故障分析单元,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果,所述性能预测结果包括***级性能预测结果和部件级性能预测结果,所述部件级性能预测结果指示部件的剩余寿命;
所述数据收集单元包括:
状态分割模块,用于基于预设的参考分割数据对所述多维数据中的第一数据进行状态分割,得到每个状态下的快照样本,其中,所述第一数据包括传感器数据;
信息匹配模块,用于基于预设的参考匹配数据对所述多维数据中的第二数据进行匹配,得到组合数据,其中,所述第二数据包括运行计划、维修事件和日志数据中的一种或多种组合;以及
数据融合模块,用于对所述快照样本和所述组合数据进行融合处理,输出所述连续特征和所述离散特征;
所述***还包括:
故障逻辑数据库,用于存储故障规则逻辑;以及
知识生成单元,用于基于第三数据归纳学习所述故障知识,并将所述故障知识发给所述故障知识图谱单元,其中,所述第三数据包括所述连续特征、所述离散特征、所述故障规则逻辑、所述部件关系和少量已标注的故障实例,采用人在回路的技术标注所述故障实例。
2.如权利要求1所述的故障诊断与维护***,其特征在于,所述故障分析单元包括分析模块,所述分析模块包括:
分析模型培训模块,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,在线或离线地进行故障分类器的迭代训练,并将当前训练好的故障分类器的模型文件发送给异常监测模块和故障分离模块;
所述异常监测模块,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,使用已存储的所述故障分类器的模型文件调用所述故障分类器检测异常数据;
故障分离模块,用于基于所述异常数据,使用已存储的所述故障分类器的模型文件调用所述故障分类器进行故障分离,若诊断出故障原因则输出所述故障原因和/或维修建议,若未诊断出故障原因则输出所述异常数据以供人工分析。
3.如权利要求2所述的故障诊断与维护***,其特征在于,所述分析模块还包括:
性能监测模块,用于基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,对待诊断设备进行性能监测,并输出所述性能预测结果,所述性能预测结果包括***级性能预测结果和部件级性能预测结果。
4.如权利要求1所述的故障诊断与维护***,其特征在于,所述知识生成单元包括知识模块,所述知识模块包括:
信号过滤器,用于基于所述部件关系对所述连续特征和所述连续特征进行过滤,得到过滤后的特征;
知识模型培训模块,用于根据第四数据在线或离线地进行知识分类器的迭代训练,并将当前训练好的知识分类器的模型文件发送给AI模型,其中,所述第四数据包括故障规则逻辑和所述过滤后的特征;以及
所述AI模型,用于基于所述过滤后的特征,使用已存储的所述知识分类器的模型文件调用所述知识分类器进行知识分类,得到所述故障知识,其中,所述故障知识包括故障部件和每个所述故障部件的故障属性,所述故障属性包括故障症状、故障成因以及故障发生时间和位置。
5.如权利要求4所述的故障诊断与维护***,其特征在于,所述第三数据和所述第四数据还包括已标注的故障实例,所述***还包括:
报文单元,用于存储第五数据,所述第五数据包括所述故障诊断结果和/或性能预测结果;
故障数据库,用于存储维修事件和日志数据,并存储已标注的故障实例;以及
故障标注单元,用于基于所述连续特征、所述离散特征、所述维修事件、所述日志数据和所述第五数据,并将已标注的故障实施例发送给故障数据库。
6.一种故障诊断与维护方法,其特征在于,所述方法包括:
收集来自不同数据源的多维数据,并对所述多维数据进行状态分割、匹配与融合处理,输出所述多维数据的连续特征和离散特征;
基于部件关系采用知识图谱技术构建***知识图谱,基于故障知识采用知识图谱技术构建故障知识图谱;
基于所述连续特征、所述离散特征、所述***知识图谱和所述故障知识图谱,对待诊断设备进行故障分析和/或性能监测,输出故障诊断结果和/或性能预测结果,所述性能预测结果包括***级性能预测结果和部件级性能预测结果,所述部件级性能预测结果指示部件的剩余寿命;
所述收集来自不同数据源的多维数据,并对所述多维数据进行状态分割、匹配与融合处理的步骤,包括:
基于预设的参考分割数据对所述多维数据中的第一数据进行状态分割,得到每个状态下的快照样本,其中,所述第一数据包括传感器数据;
基于预设的参考匹配数据对所述多维数据中的第二数据进行匹配,得到组合数据,其中,所述第二数据包括运行计划、维修事件和日志数据中的一种或多种组合;以及
对所述快照样本和所述组合数据进行融合处理,输出所述连续特征和所述离散特征;
所述方法还包括:
存储故障规则逻辑,基于第三数据归纳学习所述故障知识,并将所述故障知识发给所述故障知识图谱单元,其中,所述第三数据包括所述连续特征、所述离散特征、所述故障规则逻辑、所述部件关系和少量已标注的故障实例,采用人在回路的技术标注所述故障实例。
7.一种故障诊断与维护设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求6所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求6所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110599188.6A CN113359664B (zh) | 2021-05-31 | 2021-05-31 | 故障诊断与维护***、方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110599188.6A CN113359664B (zh) | 2021-05-31 | 2021-05-31 | 故障诊断与维护***、方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359664A CN113359664A (zh) | 2021-09-07 |
CN113359664B true CN113359664B (zh) | 2023-07-07 |
Family
ID=77528234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110599188.6A Active CN113359664B (zh) | 2021-05-31 | 2021-05-31 | 故障诊断与维护***、方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359664B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116009517B (zh) * | 2023-01-18 | 2023-08-29 | 北京控制工程研究所 | 航天器控制***性能-故障关系图谱的构建方法和装置 |
CN116452180B (zh) * | 2023-03-09 | 2024-07-16 | 中国人民解放军空军勤务学院 | 一种飞行保障大数据分析与决策方法 |
CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc***运行状态实时监控***及方法 |
CN116774569B (zh) * | 2023-07-25 | 2024-04-05 | 博纯材料股份有限公司 | 基于人工智能的氧氩分离设备运行***更新方法及*** |
CN117009909B (zh) * | 2023-09-28 | 2023-12-26 | 北京博大网信股份有限公司 | 自动报障模型的构建方法、自动报障方法及其装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142630A (zh) * | 2013-05-09 | 2014-11-12 | 洛克威尔自动控制技术股份有限公司 | 用信息叠加把基于云的数据用于工业自动化环境的虚拟化 |
CN104142679A (zh) * | 2013-05-09 | 2014-11-12 | 洛克威尔自动控制技术股份有限公司 | 使用大数据进行的用于工业***的风险评估 |
GB201600220D0 (en) * | 2016-01-06 | 2016-02-17 | Ge Aviat Systems Taleris Ltd | Automated fusion and analysis of multiple sources of aircraft data |
CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及*** |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3099659A1 (en) * | 2018-05-07 | 2019-11-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN110659173B (zh) * | 2018-06-28 | 2023-05-26 | 中兴通讯股份有限公司 | 一种运维***及方法 |
CN110008288B (zh) * | 2019-02-19 | 2021-06-29 | 武汉烽火技术服务有限公司 | 用于网络故障分析的知识图谱库的构建方法及其应用 |
CN109991951B (zh) * | 2019-04-28 | 2020-10-02 | 齐鲁工业大学 | 多源故障检测与诊断方法和装置 |
CN111078868A (zh) * | 2019-06-04 | 2020-04-28 | 中国人民解放军92493部队参谋部 | 基于知识图谱分析的装备试验体系规划决策的方法及*** |
CN110941725A (zh) * | 2019-11-29 | 2020-03-31 | 国网湖南省电力有限公司 | 一种基于知识图谱的水电机组故障诊断方法及*** |
CN110990627A (zh) * | 2019-12-05 | 2020-04-10 | 北京奇艺世纪科技有限公司 | 一种知识图谱构建的方法、装置、电子设备及介质 |
CN112101666A (zh) * | 2020-09-16 | 2020-12-18 | 珠海格力电器股份有限公司 | 一种故障预测方法、装置、可读存储介质和计算机设备 |
CN112307218B (zh) * | 2020-10-21 | 2022-08-05 | 浙江大学 | 基于知识图谱的智能电厂典型设备故障诊断知识库构建方法 |
CN112345276B (zh) * | 2020-11-10 | 2022-03-15 | 北京交通大学 | 一种中速磁浮列车关键部件的状态评估和预测*** |
CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
CN112810772B (zh) * | 2021-02-01 | 2022-08-26 | 江苏远望仪器集团有限公司 | 基于多维特征知识提取的船舶设备故障诊断方法及设备 |
-
2021
- 2021-05-31 CN CN202110599188.6A patent/CN113359664B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142630A (zh) * | 2013-05-09 | 2014-11-12 | 洛克威尔自动控制技术股份有限公司 | 用信息叠加把基于云的数据用于工业自动化环境的虚拟化 |
CN104142679A (zh) * | 2013-05-09 | 2014-11-12 | 洛克威尔自动控制技术股份有限公司 | 使用大数据进行的用于工业***的风险评估 |
GB201600220D0 (en) * | 2016-01-06 | 2016-02-17 | Ge Aviat Systems Taleris Ltd | Automated fusion and analysis of multiple sources of aircraft data |
CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及*** |
Non-Patent Citations (3)
Title |
---|
The Virtual Maintenance System: A Computer-Based Support Tool for Robust Design, Product Monitoring, Fault Diagnosis and Maintenance Planning;F. J A M;《 CIRP Annals - Manufacturing Technology》;全文 * |
变电站电力设备红外智能巡检、诊断与高效预警***的应用研究;徐丽华;张龙;;四川电力技术(05);全文 * |
基于LDA-HMM的知识流动模式发现研究;张瑞;董庆兴;;情报科学(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113359664A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359664B (zh) | 故障诊断与维护***、方法、设备及存储介质 | |
CN102521613B (zh) | 一种汽车电子***的故障诊断方法 | |
US9959158B2 (en) | Methods and apparatus for the creation and use of reusable fault model components in fault modeling and complex system prognostics | |
WO2013024613A1 (ja) | 異常検知・診断方法、および異常検知・診断システム | |
US20110276832A1 (en) | Method for recognising sequential patterns for a method for fault message processing | |
CN103080954A (zh) | 用于分析飞行器飞行期间所记录的飞行数据的方法和*** | |
US20230013544A1 (en) | Method, Apparatus and System for Detecting Abnormal Operating States of a Device | |
CN114819207A (zh) | 一种基于数据循证的航空器持续适航辅助管理***及方法 | |
US20040073843A1 (en) | Diagnostics using information specific to a subsystem | |
CN113962308A (zh) | 一种航空设备故障预测方法 | |
Meseroll et al. | Data mining navy flight and maintenance data to affect repair | |
Monnin et al. | Fleet historical cases for predictive maintenance | |
CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、***及产品 | |
EP3462266A1 (en) | Aircraft maintenance message prediction | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理*** | |
CN103257920A (zh) | 检测飞行器中要解决的异常的方法和*** | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
JP2023536677A (ja) | 車両の改善されたメンテナンスのための車両レベル故障予測 | |
Létourneau et al. | A domain independent data mining methodology for prognostics | |
CN116432397A (zh) | 一种基于数据模型的轨道交通故障预警方法 | |
Knight et al. | Intelligent management of helicopter health and usage management systems data | |
Daouayry et al. | Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case | |
Jaw et al. | CBM+ research environment-facilitating technology development, experimentation, and maturation | |
Ortiz et al. | Multi source data integration for aircraft health management | |
Salvador et al. | Using big data and machine learning to improve aircraft reliability and safety |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |