CN113496332B - 工业互联网故障预测方法和*** - Google Patents
工业互联网故障预测方法和*** Download PDFInfo
- Publication number
- CN113496332B CN113496332B CN202010254777.6A CN202010254777A CN113496332B CN 113496332 B CN113496332 B CN 113496332B CN 202010254777 A CN202010254777 A CN 202010254777A CN 113496332 B CN113496332 B CN 113496332B
- Authority
- CN
- China
- Prior art keywords
- fault
- industrial internet
- production system
- core production
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims description 109
- 230000008439 repair process Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000009776 industrial production Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本公开公开了一种工业互联网故障预测方法和***,涉及网络技术领域。该方法包括:采集工业互联网数据;对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点;以及计算节点之间的关联强度指标,从而生成工业互联网安全风险知识图谱,以便根据知识图谱进行故障预测。本公开通过构建工业互联网安全风险知识图谱,能够为工业互联网的预测性维护提供安全决策依据,进而能够提高故障预测的准确性,及时进行故障维修,从而确保工业生产***的稳定运行。
Description
技术领域
本公开涉及网络技术领域,尤其涉及一种工业互联网故障预测方法和***。
背景技术
传统工业的生产设备以机械装备为主,重点关注物理和功能安全。但是工业互联网中生产设备数字化、信息化、网络化、智能化水平不断提升;生产环节中人机交互过程逐渐减少甚至消失,这种生产环境往往会导致安全隐患难以发觉,从而导致工业生产过程中的安全事故。生产设备的质量缺陷、材料老化等状态都是连续变化的,这些故障引起的连锁反应会导致整个生产过程无法正常进行,因此,能够及时预测***故障,降低***停机的安全风险就显得尤为重要。
发明内容
本公开要解决的一个技术问题是,提供一种工业互联网故障预测方法和***,能够提高故障预测的准确性。
根据本公开一方面,提出一种工业互联网故障预测方法,包括:采集工业互联网数据;对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点;以及计算节点之间的关联强度指标,从而生成工业互联网安全风险知识图谱,以便根据知识图谱进行故障预测。
在一些实施例中,对实体进行关联算法计算,挖掘实体中频繁出现的实体集合,并将实体集合作为知识图谱中的节点。
在一些实施例中,实体包括:故障设备、核心生产***和故障检查点。
在一些实施例中,计算节点之间的关联强度指标包括:计算故障设备与核心生产***之间的关联强度指标;以及计算核心生产***与故障检查点之间的关联强度指标。
在一些实施例中,故障设备与核心生产***之间的关联强度指标越大,则设备发生故障对核心生产***的影响越大;核心生产***与故障检查点之间的关联强度指标越大,则核心生产***发生故障,需要进行故障检查的概率越大。
在一些实施例中,计算故障设备与核心生产***之间的关联强度指标包括:计算故障设备导致核心生产***故障的概率;以及计算核心生产***与故障检查点之间的关联强度指标包括:计算核心生产***停机时进行某项单点故障检查的概率。
在一些实施例中,根据公式计算故障设备导致核心生产***故障的概率P(di/sj),其中,∑disj表示设备故障或不同运行状态导致核心生产***故障的记录条数,∑D表示设备总数,∑sj表示核心生产***故障的次数,f(x,y)表示设备前一次故障修复时间和修复情况对故障概率的调整参数,x表示设备前一次故障发生时间,y表示表示设备前一次故障修复情况。
在一些实施例中,根据公式计算核心生产***发生故障时进行某项单点故障检查的概率P(sj/ck),其中,∑sjck表示核心生产***发生故障进行单点故障检查的次数,∑C表示单点故障检查的总数,∑sj表示核心生产***故障的次数,f(m,n)表示核心生产***前一次故障修复时间和修复成功率对检查概率的调整参数,m表示核心生产***前一次故障修复时间,n表示故障点修复成功率。
在一些实施例中,工业互联网数据包括机器操作数据、生产环境数据、信息***数据、制造执行***数据和控制***数据中的一种或多种。
根据本公开的另一方面,还提出一种工业互联网故障预测***,包括:数据采集单元,被配置为采集工业互联网数据;实体抽取单元,被配置为对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点;关联计算单元,被配置为计算节点之间的关联强度指标;以及知识图谱生成单元,被配置为根据节点以及节点之间的关联强度指标,生成工业互联网安全风险知识图谱,以便根据知识图谱进行故障预测。
根据本公开的另一方面,还提出一种工业互联网故障预测***,包括:存储器;以及耦接至存储器的处理器,处理器被配置为基于存储在存储器的指令执行如上述的工业互联网故障预测方法。
根据本公开的另一方面,还提出一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述的工业互联网故障预测方法。
本公开实施例中,对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点,计算节点之间的关联强度指标,从而生成工业互联网安全风险知识图谱,能够为工业互联网的预测性维护提供安全决策依据,进而能够提高故障预测的准确性,及时进行故障维修,从而确保工业生产***的稳定运行。
通过以下参照附图对本公开的示例性实施例的详细描述,本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开的工业互联网故障预测方法的一些实施例的流程示意图。
图2为本公开的工业互联网故障预测方法的另一些实施例的流程示意图。
图3为本公开的工业互联网故障预测***的一些实施例的结构示意图。
图4为本公开的工业互联网故障预测***的另一些实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
图1为本公开的工业互联网故障预测方法的一些实施例的流程示意图。
在步骤110,采集工业互联网数据。
在一些实施例中,收集并整理工业互联网中的机器操作数据、生产环境数据、信息***数据、制造执行***数据、控制***数据等。
在步骤120,对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点。
在一些实施例中,可以采用统计机器学习的方法,利用训练好的模型从工业互联网数据中识别实体。实体例如包括故障设备、核心生产***以及故障检查点,即从工业互联网数据中抽取出发生故障的设备、核心生产***以及故障检查点。
在步骤130,计算节点之间的关联强度指标。
在一些实施例中,当工业互联网设备发生故障而造成核心生产***停机的时候,需要进行相关故障检查,因此,需要计算故障设备与核心生产***之间的关联强度指标,以及计算核心生产***与故障检查点之间的关联强度指标。其中,故障设备与核心生产***之间的关联强度指标越大,则设备发生故障对核心生产***的影响越大;核心生产***与故障检查点之间的关联强度指标越大,则核心生产***发生故障需要进行故障检查的概率越大。
在步骤140,根据节点以及节点之间的关联强度指标,生成工业互联网安全风险知识图谱,以便根据知识图谱进行故障预测。
在一些实施例中,知识图谱是通过描述真实世界中存在的各种实体和概念,以及他们之间的强关系,用关系去描述两个实体之间的关联。实体、实体关系和实体构成知识图谱中的三元组,其中,可以把实体作为节点,将实体关系看作一条边,那么包含了大量三元组的知识库就能成为一个知识图谱。
在一些实施例中,将构建的工业互联网安全风险知识图谱存放在图数据库中,从而为工业互联网安全风险提供直观的展示,并对工业互联网的预测性维护提供安全决策依据。
在上述实施例中,对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点,计算节点之间的关联强度指标,从而生成工业互联网安全风险知识图谱,能够为工业互联网的预测性维护提供安全决策依据,进而能够提高故障预测的准确性,及时进行故障维修,从而确保工业生产***的稳定运行。
图2为本公开的工业互联网故障预测方法的另一些实施例的流程示意图。
在步骤210,采集工业互联网中的机器操作数据、生产环境数据、信息***数据、制造执行***数据和控制***数据。
在一些实施例中,在采集工业互联网数据后,对数据进行预处理,例如,对数据进行清洗、转换、关联、缺失值处理等。
在步骤220,对工业互联网数据进行抽取,识别出工业互联网数据中的实体。
设备运行状态包括振动、变形、位移、温度、转速、压力、电流等,根据状态的变化,识别与诊断出故障程度、故障性质以及核心生产***的故障类型。例如在识别故障设备时,对采集到的工业互联网信号进行分析,结合数据来源,可以判断识别设备发生故障的部位、种类、原因和程度,并预测设备性能的发展趋势。在一些实施例中,通过机器学习的方法,在训练模型时,设置振动、变形、位移、温度、转速、压力、电流等故障门限值,从而在工业互联网中识别故障设备。
在一些实施例中,可以通过统计分析的方式,从工业互联网数据中抽取出来核心生产***、故障检查点等。
在步骤230,对实体进行关联算法计算,挖掘实体中频繁出现的实体集合。
在一些实施例中,以故障设备为例,有些故障发生在单个设备上,有些故障可以能同时发生在相关联的多个设备上。单个设备是实体,而多个关联设备是实体组或实体集合。关联算法计算是对故障设备、核心生产***、故障检查点等实体,利用关联算法进行频繁集挖掘,找出实体中频繁出现的实体集合,如:多点故障检查组。
在一些实施例中,关联算法例如为Apriori关联分析算法,从数据集中寻找数据之间的频繁项集、关联规则,从而能够识别出实体集合。
在步骤240,将实体以及实体集合作为知识图谱的节点。
在步骤250,计算故障设备与核心生产***之间的关联强度指标,以及核心生产***与故障检查点之间的关联强度指标。
在一些实施例中,计算故障设备与核心生产***之间的关联强度指标包括:计算故障设备导致核心生产***故障的概率。
例如,根据公式计算故障设备导致核心生产***故障的概率P(di/sj),其中,∑disj表示设备故障或不同运行状态导致核心生产***故障的记录条数,∑D表示设备总数,∑sj表示核心生产***故障的次数,f(x,y)表示设备前一次故障修复时间和修复情况对故障概率的调整参数,x表示设备前一次故障发生时间,y表示表示设备前一次故障修复情况。
在一些实施例中,计算核心生产***与故障检查点之间的关联强度指标包括:计算核心生产***发生故障时进行某项单点故障检查的概率。
例如,根据公式计算核心生产***发生故障时进行某项单点故障检查的概率P(sj/ck),其中,∑sjck表示核心生产***发生故障进行单点故障检查的次数,∑C表示单点故障检查的总数,∑sj表示核心生产***发生故障的次数,f(m,n)表示核心生产***前一次故障修复时间和修复成功率对检查概率的调整参数,m表示核心生产***前一次故障修复时间,n表示故障点修复成功率。
在一些实施例中,当核心生产***发生故障时,进行单点检查的次数多,表示这个故障检查点与核心生产***故障相关性较大。另外如果通过这个故障检查点对***故障的修复成功率比较高,也能说明这个故障检查点与核心生产***故障相关性较大。
在一些实施例中,故障设备、核心生产***之间紧密度高表示设备发生故障对核心生产***的影响大;核心生产***、故障检查点之间紧密高表示核心生产***发生故障后,需要进行故障检查的可能性大。
在步骤260,根据节点以及节点之间的关联强度指标,生成工业互联网安全风险知识图谱。
在步骤270,将生成的工业互联网安全风险知识图谱存放在图数据库中。
在步骤280,根据知识图谱预测故障。
由于在工业互联网设备发生故障而造成核心生产***停机的时候,需要进行相关故障检查。因此,根据构建的知识图谱,对运行设备、核心生产***、故障检查点等知识节点进行关联分析,能够及时对工业互联网进行安全风险分析、发现故障、对设备进行检测维修等。
在该实施例中,利用工业互联网中获取的知识构建知识图谱,进行设备、运行***、针对性安全检测等知识节点关联分析,判断当***故障发生时需要进行哪些相关的故障检测,从而有利于提高工业互联网预测性维护的效率、故障发现的及时率、故障维修的成功率,从而保证工业生产***的稳定运行。
图3为本公开的工业互联网故障预测***的一些实施例的结构示意图。该***包括数据采集单元310、实体抽取单元320、关联计算单元330和知识图谱生成单元340。
数据采集单元310被配置为采集工业互联网数据。
工业互联网数据例如包括机器操作数据、生产环境数据、信息***数据、制造执行***数据、控制***数据等。
实体抽取单元320被配置为对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点。
在一些实施例中,可以采用统计机器学习的方法,利用训练好的模型从工业互联网数据中识别实体。实体例如包括故障设备、核心生产***以及故障检查点。
在一些实施例中,实体抽取单元320还被配置为对实体进行关联算法计算,挖掘实体中频繁出现的实体集合,并将实体集合作为知识图谱中的节点。实体集合例如为多个关联设备、多点故障检查等。
关联计算单元330被配置为计算节点之间的关联强度指标。
在一些实施例中,关联计算单元330被配置为计算故障设备与核心生产***之间的关联强度指标,以及计算核心生产***与故障检查点之间的关联强度指标。其中,故障设备与核心生产***之间的关联强度指标越大,则设备发生故障对核心生产***的影响越大;核心生产***与故障检查点之间的关联强度指标越大,则核心生产***发生故障,需要进行故障检查的概率越大。
在一些实施例中,关联计算单元330被配置为计算故障设备导致核心生产***故障的概率。
例如,根据公式计算故障设备导致核心生产***故障的概率P(di/sj),其中,∑disj表示设备故障或不同运行状态导致核心生产***故障的记录条数,∑D表示设备总数,∑sj表示核心生产***故障的次数,f(x,y)表示设备前一次故障修复时间和修复情况对故障概率的调整参数,x表示设备前一次故障发生时间,y表示表示设备前一次故障修复情况。
设备运行状态包括振动、变形、位移、温度、转速、压力、电流等,根据状态的变化,识别与诊断出故障程度、故障性质以及核心生产***的故障类型。其中,设备运行状态可以作为知识图谱中实体的属性。
在一些实施例中,关联计算单元330被配置为计算核心生产***发生故障时进行某项单点故障检查的概率。
例如,根据公式计算核心生产***发生故障时进行某项单点故障检查的概率P(sj/ck),其中,∑sjck表示核心生产***发生故障进行单点故障检查的次数,∑C表示单点故障检查的总数,∑sj表示核心生产***发生故障的次数,f(m,n)表示核心生产***前一次故障修复时间和修复成功率对检查概率的调整参数,m表示核心生产***前一次故障修复时间,n表示故障点修复成功率。
知识图谱生成单元340被配置为根据节点以及节点之间的关联强度指标,生成工业互联网安全风险知识图谱,以便根据知识图谱进行故障预测。
在一些实施例中,将构建的工业互联网安全风险知识图谱存放在图数据库中,从而为工业互联网安全风险提供直观的展示,并对工业互联网的预测性维护提供安全决策依据。
在上述实施例中,对工业互联网数据进行抽取,识别出工业互联网数据中的实体,并将实体作为知识图谱中的节点,计算节点之间的关联强度指标,从而生成工业互联网安全风险知识图谱,能够为工业互联网的预测性维护提供安全决策依据,从而确保工业生产***的稳定运行。
图4为本公开的工业互联网故障预测***的另一些实施例的结构示意图。该***400包括存储器410和处理器420。其中:存储器410可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1-2所对应实施例中的指令。处理器420耦接至存储器410,可以作为一个或多个集成电路来实施,例如微处理器或微控制器。该处理器420用于执行存储器中存储的指令。
在一些实施例中,处理器420通过BUS总线430耦合至存储器410。该***400还可以通过存储接口440连接至外部存储***450以便调用外部数据,还可以通过网络接口460连接至网络或者另外一台计算机***(未标出)。此处不再进行详细介绍。
在该实施例中,通过存储器存储数据指令,再通过处理器处理上述指令,能够提高故障预测的准确率,从而确保工业生产***的稳定运行。
在另一些实施例中,一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现图1-2所对应实施例中的方法的步骤。本领域内的技术人员应明白,本公开的实施例可提供为方法、装置、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此,已经详细描述了本公开。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (7)
1.一种工业互联网故障预测方法,包括:
采集工业互联网数据;
对所述工业互联网数据进行抽取,识别出所述工业互联网数据中的实体,并将所述实体作为知识图谱中的节点,所述实体包括故障设备、核心生产***和故障检查点;以及
计算节点之间的关联强度指标,从而生成工业互联网安全风险知识图谱,以便根据所述知识图谱进行故障预测,其中,计算所述节点之间的关联强度指标包括:
根据公式计算所述故障设备导致所述核心生产***故障的概率P(di/sj),根据公式/>计算所述核心生产***发生故障时进行某项单点故障检查的概率P(sj/ck),其中,
∑disj表示设备故障或不同运行状态导致所述核心生产***故障的记录条数,∑D表示设备总数,∑sj表示所述核心生产***故障的次数,f(x,y)表示设备前一次故障修复时间和修复情况对故障概率的调整参数,x表示设备前一次故障发生时间,y表示设备前一次故障修复情况,∑sjck表示所述核心生产***发生故障进行单点故障检查的次数,∑C表示单点故障检查的总数,f(m,n)表示核心生产***前一次故障修复时间和修复成功率对检查概率的调整参数,m表示核心生产***前一次故障修复时间,n表示故障点修复成功率。
2.根据权利要求1所述的工业互联网故障预测方法,还包括:
对所述实体进行关联算法计算,挖掘所述实体中频繁出现的实体集合,并将所述实体集合作为所述知识图谱中的节点。
3.根据权利要求1所述的工业互联网故障预测方法,其中,
所述故障设备与所述核心生产***之间的关联强度指标越大,则设备发生故障对所述核心生产***的影响越大;以及
所述核心生产***与所述故障检查点之间的关联强度指标越大,则所述核心生产***发生故障,需要进行故障检查的概率越大。
4.根据权利要求1至3任一所述的工业互联网故障预测方法,其中,
所述工业互联网数据包括机器操作数据、生产环境数据、信息***数据、制造执行***数据和控制***数据中的一种或多种。
5.一种工业互联网故障预测***,包括:
数据采集单元,被配置为采集工业互联网数据;
实体抽取单元,被配置为对所述工业互联网数据进行抽取,识别出所述工业互联网数据中的实体,并将所述实体作为知识图谱中的节点,所述实体包括故障设备、核心生产***和故障检查点;
关联计算单元,被配置为计算节点之间的关联强度指标,包括:根据公式计算所述故障设备导致所述核心生产***故障的概率P(di/sj),根据公式/>计算所述核心生产***发生故障时进行某项单点故障检查的概率P(sj/ck),其中,∑disj表示设备故障或不同运行状态导致所述核心生产***故障的记录条数,∑D表示设备总数,∑sj表示所述核心生产***故障的次数,f(x,y)表示设备前一次故障修复时间和修复情况对故障概率的调整参数,x表示设备前一次故障发生时间,y表示设备前一次故障修复情况,∑sjck表示所述核心生产***发生故障进行单点故障检查的次数,∑C表示单点故障检查的总数,f(m,n)表示核心生产***前一次故障修复时间和修复成功率对检查概率的调整参数,m表示核心生产***前一次故障修复时间,n表示故障点修复成功率;以及
知识图谱生成单元,被配置为根据节点以及节点之间的关联强度指标,生成工业互联网安全风险知识图谱,以便根据所述知识图谱进行故障预测。
6.一种工业互联网故障预测***,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至4任一项所述的工业互联网故障预测方法。
7.一种计算机可读存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现权利要求1至4任一项所述的工业互联网故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010254777.6A CN113496332B (zh) | 2020-04-02 | 2020-04-02 | 工业互联网故障预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010254777.6A CN113496332B (zh) | 2020-04-02 | 2020-04-02 | 工业互联网故障预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113496332A CN113496332A (zh) | 2021-10-12 |
CN113496332B true CN113496332B (zh) | 2024-01-26 |
Family
ID=77993113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010254777.6A Active CN113496332B (zh) | 2020-04-02 | 2020-04-02 | 工业互联网故障预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113496332B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580263A (zh) * | 2021-12-02 | 2022-06-03 | 国家电网有限公司信息通信分公司 | 基于知识图谱的信息***故障预测方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315775A (zh) * | 2017-05-27 | 2017-11-03 | 国信优易数据有限公司 | 一种指数计算平台和方法 |
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN108565019A (zh) * | 2018-04-13 | 2018-09-21 | 合肥工业大学 | 多学科适用的临床检查组合推荐方法及装置 |
CN109739992A (zh) * | 2018-11-26 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种获取关联信息的方法及终端 |
CN110083744A (zh) * | 2019-04-24 | 2019-08-02 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的教学问题诊断方法及*** |
-
2020
- 2020-04-02 CN CN202010254777.6A patent/CN113496332B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315775A (zh) * | 2017-05-27 | 2017-11-03 | 国信优易数据有限公司 | 一种指数计算平台和方法 |
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN108565019A (zh) * | 2018-04-13 | 2018-09-21 | 合肥工业大学 | 多学科适用的临床检查组合推荐方法及装置 |
CN109739992A (zh) * | 2018-11-26 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种获取关联信息的方法及终端 |
CN110083744A (zh) * | 2019-04-24 | 2019-08-02 | 厦门无常师教育科技有限公司 | 一种基于知识图谱的教学问题诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
知识图谱工具比较研究;肖明;邱小花;黄界;李国俊;冯召辉;;图书馆杂志(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113496332A (zh) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825644B (zh) | 一种跨项目软件缺陷预测方法及其*** | |
CN109902153B (zh) | 基于自然语言处理和案例推理的设备故障诊断方法及*** | |
CN113723632B (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
JP5439265B2 (ja) | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム | |
CN111539493B (zh) | 一种告警预测方法、装置、电子设备及存储介质 | |
He et al. | Big data oriented root cause identification approach based on Axiomatic domain mapping and weighted association rule mining for product infant failure | |
EP3183622B1 (en) | Population-based learning with deep belief networks | |
JP2018180759A (ja) | システム分析装置、及びシステム分析方法 | |
WO2023044632A1 (zh) | 工业设备维护策略生成方法、装置、电子设备和存储介质 | |
CN111541559A (zh) | 一种基于因果规则的故障定位方法 | |
CN116450399A (zh) | 微服务***故障诊断及根因定位方法 | |
CN105701013A (zh) | 基于互信息的软件缺陷数据特征选择方法 | |
CN109522193A (zh) | 一种运维数据的处理方法、***及装置 | |
Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
CN115456107A (zh) | 一种时间序列异常检测***及方法 | |
US10318364B2 (en) | Methods and systems for problem-alert aggregation | |
CN113496332B (zh) | 工业互联网故障预测方法和*** | |
CN113670611A (zh) | 一种轴承早期退化评估方法、***、介质及电子设备 | |
CN110411724B (zh) | 一种旋转机械故障诊断方法、装置、***及可读存储介质 | |
CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
Sun et al. | Multi-source fault detection and diagnosis based on multi-level Knowledge Graph and Bayesian theory reasoning (S). | |
CN115757062A (zh) | 一种基于句嵌入以及Transformer-XL的日志异常检测方法 | |
KR20200071646A (ko) | 이상 로그 탐지를 위한 탐지 장치 및 이의 동작 방법과 트레이닝 장치 및 이의 동작 방법 | |
Oliveira et al. | Understanding overlap in automatic root cause analysis in manufacturing using causal inference | |
CN114817693A (zh) | 设备故障知识推荐方法和*** |
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 |