CN116974799A - 一种基于知识图谱的照明***的故障诊断方法及*** - Google Patents
一种基于知识图谱的照明***的故障诊断方法及*** Download PDFInfo
- Publication number
- CN116974799A CN116974799A CN202310580446.5A CN202310580446A CN116974799A CN 116974799 A CN116974799 A CN 116974799A CN 202310580446 A CN202310580446 A CN 202310580446A CN 116974799 A CN116974799 A CN 116974799A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- fault
- knowledge graph
- data
- lighting system
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000605 extraction Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 6
- 238000000819 phase cycle Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000001976 improved effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于故障诊断技术领域,具体涉及一种基于知识图谱的照明***的故障诊断方法,包括:获取正在运行的照明***中设备的状态信息和运行数据,得到实时数据;将实时数据输入到构建好的故障诊断规则模块中,判断该***是否发生故障并输出故障名称;对故障名称在构建好的故障诊断知识图谱中进行检索,当故障诊断知识图谱中存在相应故障时,则能够查询到该故障定位信息、故障产生原因以及解决方案;若故障诊断知识图谱中不存在相应故障时,则将该故障作为新的知识存入故障诊断知识图谱中对其进行更新;将更新后的故障诊断知识图谱与推演格算法相结合,对故障诊断规则模块进行更新。解决了传统故障诊断方法过度依赖人工、智能化水平不高的问题。
Description
技术领域
本发明属于故障诊断技术领域,具体涉及一种基于知识图谱的照明***的故障诊断方法及***。
背景技术
照明***的故障是指该***在实际运行过程中由于其性能参数偏离正常值而导致的功能水平降低,当城市的照明***发生严重的故障时,如路灯熄灭或夜间景观照明失效,可能会造成交通堵塞和社会秩序的紊乱。因此,及时发现照明***可能存在的故障并对其进行维护至关重要,照明***故障诊断工作能够有效防止重大故障并减小经济损失。
传统的故障诊断是在照明***发生故障后才对设备进行的维修,需要故障分析人员携带专业设备到现场对故障进行定位,但可能因为漏检造成设备的永久性损坏,不仅具有盲目性,而且对故障分析人员专业性要求很高,导致浪费大量的人力和时间。张晓华等人提出了一种基于组态的路灯远程监控***,该***通过网络传输的方式对故障进行及时告警。虽然在一定程度上减少了人力成本,但是随着照明***复杂性和规模的不断增加,设备组网更加复杂和庞大,***中产生新的故障时难以第一时间确定故障的类型和准确位置。Freddi等人开发了一种故障诊断和预测监控模块,主要使用了阈值策略来触发故障条件,虽然该模块可以很容易地集成到工业和家庭使用的智能照明***中进行故障检测,但不能有效利用照明***中的历史数据进行分析和挖掘,也不具备为故障维修提供解决方案的功能。
总之,目前照明***传统故障诊断方法过度依赖人工、智能化水平不高。
发明内容
本发明的目的在于提供一种基于知识图谱的照明***的故障诊断方法及***,解决了传统故障诊断方法过度依赖人工、智能化水平不高的问题。
本发明是通过以下技术方案来实现:
一种基于知识图谱的照明***的故障诊断方法,包括以下步骤:
S1、获取正在运行的照明***中设备的状态信息和运行数据,得到实时数据;
S2、将获取到的实时数据输入到构建好的故障诊断规则模块中,判断该***是否发生故障并输出故障名称;
S3、对故障名称在构建好的故障诊断知识图谱中进行检索,当故障诊断知识图谱中存在相应故障时,则能够查询到该故障定位信息、故障产生原因以及解决方案;
若故障诊断知识图谱中不存在相应故障时,则将该故障作为新的知识存入故障诊断知识图谱中对其进行更新;将更新后的故障诊断知识图谱与推演格算法相结合,对故障诊断规则模块进行更新。
进一步,故障诊断知识图谱的逻辑结构分为模式层和数据层两个层次;
采用自顶向下和自底向上混合的方式构建照明***故障诊断知识图谱;
首先构建模式层:采用自顶向下的方式,结合照明领域专业词汇和专家知识,针对照明***的整体架构和故障诊断的需求构建模式层,从而指导知识抽取构建出数据层;
然后构建数据层:采用自底向上的方式,使用深度学习的方法进行知识抽取,将抽取得到的三元组映射到相关概念节点当中,进而补充和更新知识图谱的模式层;最终实现照明***故障诊断知识图谱的构建和完善。
进一步,数据层的构建过程包括以下步骤:
3.1、获取结构化数据、半结构化数据和非结构化数据,制作成数据集;
3.2、针对非结构化数据进行知识抽取,针对结构化数据和半结构化数据进行数据整合;
3.3、将知识抽取和数据整合后的数据进行知识融合并存储,得到故障诊断知识图谱。
进一步,步骤3.1中,所述结构化数据和半结构化数据包括设备的基本信息和设备的绑定关系;
非结构化数据包括照明行业国家标准文件、故障诊断工单和专家经验所对应的文本数据。
进一步,步骤3.1中,制作数据集时使用YEDDA标注工具进行标注。
进一步,步骤3.2中,知识抽取采用构建的BERT-BiLSTM-CRF模型,所述BERT-BiLSTM-CRF模型是在BiLSTM-CRF模型的基础上引入BERT模型作为特征表示层,BERT-BiLSTM-CRF模型用于抽取知识实体,具体过程为:
首先采用BERT模型作为特征表示层获取字向量,提取照明***故障诊断相关文本的重要特征;
然后通过BiLSTM模型学习上下文特征信息,进行命名实体识别,输出所有字向量所对应的标签;
最后利用CRF模型对BiLSTM模型输出的标签序列进行处理,结合CRF的状态转移矩阵,得到一个全局最优的实体类别标签序列,最终得到正确的实体。
进一步,步骤3.3中,知识融合采用word2vec模型。
进一步,模式层由照明***中包含的各个设备、对应故障名称、对应故障原因、对应解决方案以及它们之间的相互关系构成。
进一步,故障诊断规则模块的故障诊断方法具体包括以下步骤:
步骤一、初始化已判断相数N、失压相数V及断相相数P;
读取三相电流、电压和功率值;
步骤二、判断电流不平衡度是否大于报警限制值,若是,则输出三相负载不平衡的诊断结果,流程结束;若否,启动步骤三;
步骤三、判断实际功率因数是否小于报警限制值,若是,则输出功率因数低的诊断结果,流程结束;若否,启动步骤四;
步骤四、判断某相电压是否小于临界电压,若否,启动步骤五;
若是,则判断该相电流是否大于0.5%额定电流,若该相电流大于0.5%额定电流,则将V更新加1,输出失压,后启动步骤六;若该相电流小于等于0.5%额定电流,则将P更新加1,输出断相,后启动步骤六;
步骤五、判断该相电流是否小于0.5%额定电流,若否,则启动步骤六;若是,则判断至少有一相电流是否大于5%额定电流,若是,则输出失流的诊断结果,流程结束;若否,则输出断流的诊断结果,流程结束;
步骤六、令N=N+1,判断N是否等于3,若不等于,继续重复步骤二-步骤五,直至N=3,启动步骤七;
步骤七、判断V是否等于3,若是,则输出全失压的诊断结果,流程结束;
若否,则启动步骤八;
步骤八、判断P是否等于3,若是,则输出停电的诊断结果,流程结束;若否,则判断三相电压相序是否相逆,若是,则输出逆相序,若否,则输出正常,流程结束。
本发明还公开了一种基于知识图谱的照明***的故障诊断***,包括:
数据获取模块,用于获取正在运行的照明***中设备的状态信息和运行数据,得到实时数据;
故障诊断规则模块,用于对获取到的实时数据进行处理,判断该***是否发生故障并输出故障名称;
故障诊断知识图谱,用于查询故障定位信息、故障产生原因以及解决方案;
检索模块,采用Neo4j软件的Cypher查询语句模块,针对故障名称在构建好的故障诊断知识图谱中进行检索,当故障诊断知识图谱中存在相应故障时,则能够查询到该故障定位信息、故障产生原因以及解决方案;
更新模块,用于当故障诊断知识图谱中不存在相应故障时,将该故障作为新的知识存入故障诊断知识图谱中对其进行更新;将更新后的故障诊断知识图谱与推演格算法相结合,对故障诊断规则模块进行更新。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开了一种基于知识图谱的照明***的故障诊断方法,将知识图谱技术应用于照明***故障诊断领域,能够对专家经验、历史故障信息、故障原理和解决方案进行有效的加工、处理和整合,有效解决照明***结构复杂、规模庞大、海量数据和多源故障等问题,从而提高照明***故障诊断的智能化水平;
通过故障诊断规则模块分析设备在运行过程的状态信息,判断照明***可能发生的故障,并利用故障诊断知识图谱给出故障位置、故障原因和解决方案,使得***管理从传统的故障发生后对设备进行维修的被动管理方式,向收集***运行数据预测设备状态的主动管理方式转变。有利于实际应用时的维护工作,帮助故障分析人员快速分析事故原因,减少工作量,故障定位更精准,避免了非计划停机现象,有效减少设备停机维修时间;全面地掌握故障处理的关键信息,有效提升照明故障应急处理能力。
进一步,构建知识图谱使用了自顶向下和自底向上混合的构建方式,模式层在为数据层做指导的同时,数据层通过概念的映射也应该能够对模式层进行更新和完善。
进一步,构建BERT-BiLSTM-CRF模型的目的是抽取知识实体,这项任务也叫做命名实体识别,将一个句子输入该模型中,最后期望得到与故障诊断有关的实体。这些实体就是数据层的数据。本发明构建的BERT-BiLSTM-CRF模型在较少的epoch迭代次数下即可取得较低的loss值,并且能够快速地获得较高的准确率。
附图说明
图1为本发明照明***故障诊断相关数据;
图2为制作数据集时YEDDA标注员界面;
图3为标注结果文件;a为ann格式文件;b为anns格式数据集文件;
图4为故障诊断知识图谱的构建方式;
图5为故障诊断知识图谱构建过程图;
图6为照明***故障诊断知识图谱模式层;
图7为BERT-BiLSTM-CRF模型结构;
图8为各模型的性能比较曲线;图a为各模型的loss曲线;图b为各模型的accuracy曲线;
图9为故障诊断规则模块的流程图;
图10为照明***的故障诊断流程图;
图11为照明***的故障诊断知识图谱的部分示意图。
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了,以下结合附图及实施例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用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅为本发明一部分实施例,而不是全部实施例。
本发明附图及实施例描述和示出的组件可以以各种不同的配置来布置和设计,因此,以下附图中提供的本发明实施例的详细描述并非旨在限制要求保护的本发明的范围,而仅仅是表示本发明选定的一种实施例。基于本发明的附图及实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护范围。
需要说明的是:术语“包含”、“包括”或者其他任何其他变体意在涵盖非排他性的包含,使得包括一系列要素的过程、元素、方法、物品或者设备不仅仅只包括那些要素,还包括没有明确列出的其他要素,或者是还包括该其过程、元素、方法、物品或者设备所固有的要素。
如图10所示,本发明公开了一种基于知识图谱的照明***的故障诊断方法,包括以下步骤:
S1、获取正在运行的照明***中设备的状态信息和运行数据,得到实时数据;
S2、将获取到的实时数据输入到构建好的故障诊断规则模块中,判断该***是否发生故障并输出故障名称;
S3、对故障名称在构建好的故障诊断知识图谱中进行检索,当故障诊断知识图谱中存在相应故障时,则能够查询到该故障定位信息、故障产生原因以及解决方案;
若故障诊断知识图谱中不存在相应故障时,则将该故障作为新的知识存入故障诊断知识图谱中对其进行更新;将更新后的故障诊断知识图谱与推演格算法相结合,对故障诊断规则模块进行更新。
以下从设计的角度介绍本发明的基于知识图谱的照明***的故障诊断方法的每个部分。
从故障类型是否清晰明确的角度出发,将照明***在实际运行过程中需要进行故障诊断的场景分为两种情况。
(1)故障类型明确。在这种情况下,虽然已知照明***发生的故障类型,但故障分析人员在处理故障时,仍需通过查阅相关文档以及结合工作经验等,针对性地分析该故障产生的原因并给出解决方案。
(2)故障类型未知。照明***在某些情况下不能正常工作,可能是由多种因素共同导致的,这时故障分析人员需要根据***运行数据来逐一分析可能的故障类型,最终确定故障的准确位置并给出解决方案。
通过分析以上两种故障诊断场景,将照明***故障诊断相关的数据分为两个部分,如图1所示。第一部分是用于构建照明***故障诊断知识图谱的数据,从结构上分为三类,包括结构化数据、半结构化数据和非结构化数据。结构化和半结构化的数据主要是指照明***中各设备的基本信息,以表格形式和JSON格式的数据为主,非结构化数据主要是指照明行业国家标准文件、故障诊断工单和专家经验等文本类型的数据,通过知识图谱技术可以将大量的多源异构数据有效的组织在一起,从而提高故障诊断的效率;第二部分则是用于实时判断***是否发生故障的***状态信息和运行数据,主要包括照明***在运行过程中,获取到的各设备的状态信息和运行中的相关参数,包括电压、电流、功率等,以JSON格式的结构化和半结构化数据为主,利用构建的故障诊断规则模块对这些数据进行判断从而得到***的故障类型。
目前学术界与工业界均没有与照明领域故障诊断相关的数据集可以直接使用,因此在充分考虑了故障诊断数据来源多样和构成复杂的特点后,从建标库或网页上通过爬虫技术获取照明领域国家规范文档或故障诊断工单,并将收集到的与照明***故障诊断相关的非结构化的数据统一转换为.txt格式的文本文档。
制作照明***故障诊断数据集时使用YEDDA标注工具。标注界面如图2所示,终端执行python YEDDA.py进行启动,用于给句子做高效标注。
使用YEDDA标注的好处是它在标注的过程中能够自动为用户保存一个.ann格式的文件,如图3(a)所示,用于恢复上一次的标注情况以免出现意外闪退等情况丢失数据,而用户自行导出的数据集为.anns文件,即最后的数据集,如图3(b)所示。
知识图谱构建方式:
知识图谱按照逻辑结构可以分为模式层和数据层两个层次。为构建高质量的照明***故障诊断知识图谱,本设计采用混合的知识图谱构建方式,构建流程如图4所示。首先采用自顶向下的方式,结合照明领域专业词汇和专家知识,针对照明***的整体架构和故障诊断的需求构建模式层,从而指导知识的抽取构建出数据层;然后采用自底向上的方式,使用深度学习的方法进行知识抽取,将抽取得到的三元组映射到相关概念节点当中,进而补充和更新知识图谱的模式层;最终实现照明***故障诊断知识图谱的构建和完善。
知识图谱的构建过程主要包括知识抽取、知识融合与知识存储三个步骤,具体构建过程如图5所示。
模式层是照明***故障诊断知识图谱的知识组织架构,主要通过概念的形式来描述照明***内实体和实体间的关系信息。本设计在照明领域专家的指导下,结合照明***故障诊断的实际情况,对照明行业国家标准文件、***中各设备的基本信息、故障诊断工单等数据进行分析,提炼出照明***故障诊断中有意义的概念类型、概念之间的关系以及相关的属性,从而形成照明***故障诊断知识图谱的模式层。
图6是照明***故障诊断知识图谱模式层,主要由照明***中包含的各个设备、对应故障名称、对应故障原因、对应解决方案以及它们之间的相互关系构成。
在知识图谱模式层的指导下,使用深度学习的方法从照明***故障诊断相关数据中进行知识抽取,并对知识进行融合处理,从而自底向上地构建知识图谱的数据层,最后使用Neo4j图数据库对知识图谱进行存储。
(1)知识抽取
本设计针对照明***故障诊断数据的特点,在BiLSTM-CRF模型的基础上进行改进,在BiLSTM-CRF模型的基础上引入BERT模型作为特征表示层,从而构建了BERT-BiLSTM-CRF模型完成照明***故障诊断相关数据进行命名实体识别任务,模型结构如图7所示。
首先采用BERT模型作为特征表示层获取字向量,提取照明***故障诊断相关文本的重要特征;然后通过BiLSTM模型学习上下文特征信息,进行命名实体识别,输出所有字向量所对应的标签;最后利用CRF模型对BiLSTM模型输出的标签序列进行处理,结合CRF的状态转移矩阵,得到一个全局最优的实体类别标签序列,从而得到正确的实体。
使用BERT-BiLSTM-CRF模型进行照明***故障诊断相关数据的知识抽取工作,是一种将深度学习模型与机器学习模型相结合的方法,不仅解决了CRF模型需要手动提取文本特征且不能提取长文本特征的问题,还解决了BiLSTM模型在照明领域专业词汇以及中文数据集中实体抽取表现不佳的问题。
(2)知识融合
进行知识抽取后,需要对这些实体进行知识融合的操作,主要就是将照明***故障诊断文本中具有相同含义但表述不同的实体进行合并,也叫做共指消解。
采用word2vec模型,可以将实体转换为向量表示,将照明领域专业名词集合中的每个实体进行词向量化表示为Vword=(v1,v2,v3,L,v100),其中Vword为该实体的词向量表示,v1,v2,v3,L,v100为该实体在100个维度上的值。然后,利用余弦相似度计算公式如下式所示,计算两个词向量之间的夹角。
当余弦值越大时,代表两个词向量间的夹角越小,因此这两个实体表达的含义越相似,从而形成同义词集。然后根据照明领域专业术语集在这些同义词集中选择标准化的词作为知识图谱的实体,完成了知识融合工作。
为了验证所构建的知识抽取模型的有效性,将得到训练BERT-BiLSTM-CRF模型用于照明***故障诊断命名实体识别任务的数据(共7890条),按照7:2:1的比例随机划分为训练集、验证集和测试集用于模型的训练和测试。
为验证算法改进后的效果,采用的模型评价指标包括精确率(P,Precision)、召回率(R,Recall)和综合评价指标F1值,各指标的计算如公式如下所示:
其中,nTP、nFP、nFN和nTN为实体类别的实际标注值与模型测试标注值的正误判断指标。
将本发明提出的BERT-BiLSTM-CRF模型与BiLSTM-CRF模型、BiLSTM模型训练并应用于照明***故障诊断数据知识抽取的任务中,根据实验结果进行对比分析。如图8所示为各模型的性能比较,其中图8a为各模型的loss曲线,图8b为各模型的accuracy曲线。
分析图8可知,本发明构建的BERT-BiLSTM-CRF模型在较少的epoch迭代次数下即可取得较低的loss值,并且能够快速地获得较高的准确率。
具体实验结果如下表所示,本设计构建的模型知识抽取方法较BiLSTM-CRF模型的精确率提高了17.58%,召回率提高了11.65%,F1值提高了14.76%,从而验证了此方法的准确性和有效性。
各模型实验结果(%)
(3)知识存储
知识图谱的存储有基于关系数据库的存储和基于属性图数据库的存储两种方式,本设计使用Neo4j图数据库存储照明***故障诊断知识图谱。使用Neo4j的图数据库查询语言Cypher来存储知识图谱需要进行以下五个步骤:
(3.1)使用Neo4j图数据库查询语言Cypher创建实体节点:
创建一个标签为Gateway的节点,该节点具有两个属性,第一个是name属性,属性值是边侧智能网关,第二个是id属性,属性值是010100。
(3.2)使用Neo4j图数据库查询语言Cypher创建关系:
首先查找标签为Equipment属性name的值为LED的节点,并把这个节点赋给a变量,然后查找标签为Gateway属性name的值为边侧智能网关的节点,并把这个节点赋给b变量,最后创建由a指向b的一个关系r,且这个关系的类型为属于。
(3.3)在创建节点的同时建立节点之间的关系:
创建一个标签为System的节点,该节点具有name属性,属性值是照明***,同时创建一个标签为Gateway的节点,该节点具有name属性,属性值是边侧智能网关,在两个节点之间创建由a指向b的一个关系r,且这个关系的类型为包含。
(3.4)使用Neo4j图数据库查询语言Cypher对数据进行增删改查等其他操作。
(3.5)将.csv格式的文件批量导入Neo4j图数据库,实现大数据的批量导入。
知识图谱最大的优势在于存储和分析大数据之间的关联关系,Neo4j图数据库支持大数据的批量导入操作。知识存储的过程:首先,将数据层知识抽取后的结果存储为fault.csv文件,用于生成照明***故障诊断知识图谱中故障名称、故障原因和解决方案的节点,并在模式层的指导下生成各节点之间的关联关系;再将照明***组网状态和运行状态的结构化或半结构化数据存储为equipment.csv文件,用于生成照明***故障诊断知识图谱中照明***和设备的节点,并在模式层的指导下生成各节点之间的关联关系。
然后,在Neo4j中建立一个新的图数据库项目,设置图数据库的名称及密码,将需要导入的所有.csv格式的数据文件移动至该图数据库的import目录下。启动该图数据库,在代码行输入相应的代码,将.csv格式的文件批量导入Neo4j图数据库中。
最后,经过上述步骤建立了照明***所包含的设备、对应故障名称、故障原因和故障解决方案的节点,以及节点之间的关联关系,从而构建了如图11所示的照明***故障诊断知识图谱。通过在Neo4j图数据库中输入Cypher语言的match操作可以对该图谱进行可视化展示。
本发明为了进一步提高照明***故障诊断的智能化水平,减少过程中人员的参与,在照明***故障诊断知识图谱的基础上结合推演格算法,建立了一个故障诊断规则模块,用于实时判断照明***是否发生故障,实现了数据驱动的智能化故障诊断应用。
在判断照明***可能产生的故障时,每一种故障原因的判断算法步骤之间都存在先后顺序。本设计将这些判断算法步骤的先后关系整理成三元组的形式并融入照明***故障诊断知识图谱中,然后在照明***故障诊断知识图谱中结合推演格算法对该规则推理过程进行改进,对故障原因判断算法的各步骤进行融合优化,最终形成完整的故障诊断规则模块。
结合推演格算法与故障诊断知识图谱进行优化后,搭建好的故障诊断规则模块算法流程如图9所示,优化之后的算法减少了多余的判断步骤,提高了照明***故障诊断的速度。将推演格算法与知识图谱相结合,利用知识图谱强大的关系表达能力构建出一个故障诊断规则模块,实现由数据向故障描述性语言的转换,从而减少故障诊断过程中人员的参与,实现了数据驱动的照明***故障诊断应用。
如图9所示,故障诊断规则模块的故障诊断方法具体包括以下步骤:
步骤一、初始化已判断相数N、失压相数V、及断相相数P;
读取三相电流、电压和功率值;
步骤二、判断电流不平衡度是否大于报警限制值,若是,则输出三相负载不平衡的诊断结果,流程结束;若否,启动步骤三;
步骤三、判断实际功率因数是否小于报警限制值,若是,则输出功率因数低的诊断结果,流程结束;若否,启动步骤四;
步骤四、判断某相电压是否小于临界电压,若否,启动步骤五;
若是,则判断该相电流是否大于0.5%额定电流,若该相电流大于0.5%额定电流,则将V更新加1,输出失压,后启动步骤六;若该相电流小于等于0.5%额定电流,则将P更新加1,输出断相,后启动步骤六;
步骤五、判断该相电流是否小于0.5%额定电流,若否,则启动步骤六;若是,则判断至少有一相电流是否大于5%额定电流,若至少有一相电流大于5%额定电流,则输出失流的诊断结果,流程结束;若没有任意一相电流大于5%额定电流,则输出断流的诊断结果,流程结束;
步骤六、令N=N+1,判断N是否等于3,若不等于,继续重复步骤二-步骤五,直至N=3,启动步骤七;
步骤七、判断V是否等于3,若是,则输出全失压的诊断结果,流程结束;
若否,则启动步骤八;
步骤八、判断P是否等于3,若是,则输出停电的诊断结果,流程结束;若否,则判断三相电压相序是否相逆,若是,则输出逆相序,若否,则输出正常,流程结束。
应用照明***故障诊断知识图谱进行故障诊断的流程如图10所示。首先,获取正在运行的照明***中设备的状态信息和运行相关参数数据,这些数据主要以JSON格式的半结构化数据为主,记录了设备的电压、电流和功率等参数;然后将这些数据输入到构建好的故障诊断规则模块中,判断该***是否发生故障并输出故障名称;最后利用Neo4j的Cypher查询语句对故障名称在知识图谱中进行检索,当照明***故障诊断知识图谱中存在相应故障时,不仅能够查询到该故障的准确位置信息,还能够直接得到故障产生的原因以及解决方案。此外,若照明***故障诊断知识图谱中不存在相应故障,则需要将该故障作为新的知识存入知识图谱中对其进行更新,使知识图谱提供更为精确、全面、实时的故障诊断依据。最后,将更新后的知识图谱与推演格算法相结合,实现故障诊断规则模块的更新及完善。
当照明***出现故障后云平台前端Web页面会出现红色高亮显示,通过故障告警入口查看对应的知识图谱内容,能够在Web页面远程实时查看该故障的原因及解决方案以便故障检修人员做好对应的措施,最后线下人员进行维修并记录实际维护流程,形成新的故障诊断数据来源,照明***故障诊断知识图谱结合该信息进一步更新完善。
本发明将知识图谱技术应用于照明***的故障诊断领域,构建了照明***故障诊断知识图谱,并建立了故障诊断规则模块实现数据驱动的故障诊断应用。利用知识图谱的知识关联与数据分析能力,全面地掌握照明***故障处理的关键知识,能够帮助故障分析人员快速进行故障定位,并根据专家经验和历史维护信息分析故障原因和解决方案,有效提高照明***故障诊断的智能化水平。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于知识图谱的照明***的故障诊断方法,其特征在于,包括以下步骤:
S1、获取正在运行的照明***中设备的状态信息和运行数据,得到实时数据;
S2、将获取到的实时数据输入到构建好的故障诊断规则模块中,判断该***是否发生故障并输出故障名称;
S3、对故障名称在构建好的故障诊断知识图谱中进行检索,当故障诊断知识图谱中存在相应故障时,则能够查询到该故障定位信息、故障产生原因以及解决方案;
若故障诊断知识图谱中不存在相应故障时,则将该故障作为新的知识存入故障诊断知识图谱中对其进行更新;将更新后的故障诊断知识图谱与推演格算法相结合,对故障诊断规则模块进行更新。
2.根据权利要求1所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,故障诊断知识图谱的逻辑结构分为模式层和数据层两个层次;
采用自顶向下和自底向上混合的方式构建照明***故障诊断知识图谱;
首先构建模式层:采用自顶向下的方式,结合照明领域专业词汇和专家知识,针对照明***的整体架构和故障诊断的需求构建模式层,从而指导知识抽取构建出数据层;
然后构建数据层:采用自底向上的方式,使用深度学习的方法进行知识抽取,将抽取得到的三元组映射到相关概念节点当中,进而补充和更新知识图谱的模式层;最终实现照明***故障诊断知识图谱的构建和完善。
3.根据权利要求2所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,数据层的构建过程包括以下步骤:
3.1、获取结构化数据、半结构化数据和非结构化数据,制作成数据集;
3.2、针对非结构化数据进行知识抽取,针对结构化数据和半结构化数据进行数据整合;
3.3、将知识抽取和数据整合后的数据进行知识融合并存储,得到故障诊断知识图谱。
4.根据权利要求3所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,步骤3.1中,所述结构化数据和半结构化数据包括设备的基本信息和设备的绑定关系;
非结构化数据包括照明行业国家标准文件、故障诊断工单和专家经验所对应的文本数据。
5.根据权利要求3所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,步骤3.1中,制作数据集时使用YEDDA标注工具进行标注。
6.根据权利要求3所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,步骤3.2中,知识抽取采用构建的BERT-BiLSTM-CRF模型,所述BERT-BiLSTM-CRF模型是在BiLSTM-CRF模型的基础上引入BERT模型作为特征表示层,BERT-BiLSTM-CRF模型用于抽取知识实体,具体过程为:
首先采用BERT模型作为特征表示层获取字向量,提取照明***故障诊断相关文本的重要特征;
然后通过BiLSTM模型学习上下文特征信息,进行命名实体识别,输出所有字向量所对应的标签;
最后利用CRF模型对BiLSTM模型输出的标签序列进行处理,结合CRF的状态转移矩阵,得到一个全局最优的实体类别标签序列,最终得到正确的实体。
7.根据权利要求3所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,步骤3.3中,知识融合采用word2vec模型。
8.根据权利要求2所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,模式层由照明***中包含的各个设备、对应故障名称、对应故障原因、对应解决方案以及它们之间的相互关系构成。
9.根据权利要求1所述的一种基于知识图谱的照明***的故障诊断方法,其特征在于,故障诊断规则模块的故障诊断方法具体包括以下步骤:
步骤一、初始化已判断相数N、失压相数V及断相相数P;
读取三相电流、电压和功率值;
步骤二、判断电流不平衡度是否大于报警限制值,若是,则输出三相负载不平衡的诊断结果,流程结束;若否,启动步骤三;
步骤三、判断实际功率因数是否小于报警限制值,若是,则输出功率因数低的诊断结果,流程结束;若否,启动步骤四;
步骤四、判断某相电压是否小于临界电压,若否,启动步骤五;
若是,则判断该相电流是否大于0.5%额定电流,若该相电流大于0.5%额定电流,则将V更新加1,输出失压,后启动步骤六;若该相电流小于等于0.5%额定电流,则将P更新加1,输出断相,后启动步骤六;
步骤五、判断该相电流是否小于0.5%额定电流,若否,则启动步骤六;若是,则判断至少有一相电流是否大于5%额定电流,若是,则输出失流的诊断结果,流程结束;若否,则输出断流的诊断结果,流程结束;
步骤六、令N=N+1,判断N是否等于3,若不等于,继续重复步骤二-步骤五,直至N=3,启动步骤七;
步骤七、判断V是否等于3,若是,则输出全失压的诊断结果,流程结束;
若否,则启动步骤八;
步骤八、判断P是否等于3,若是,则输出停电的诊断结果,流程结束;若否,则判断三相电压相序是否相逆,若是,则输出逆相序,若否,则输出正常,流程结束。
10.一种基于知识图谱的照明***的故障诊断***,其特征在于,包括:
数据获取模块,用于获取正在运行的照明***中设备的状态信息和运行数据,得到实时数据;
故障诊断规则模块,用于对获取到的实时数据进行处理,判断该***是否发生故障并输出故障名称;
故障诊断知识图谱,用于查询故障定位信息、故障产生原因以及解决方案;
检索模块,采用Neo4j软件的Cypher查询语句模块,针对故障名称在构建好的故障诊断知识图谱中进行检索,当故障诊断知识图谱中存在相应故障时,则能够查询到该故障定位信息、故障产生原因以及解决方案;
更新模块,用于当故障诊断知识图谱中不存在相应故障时,将该故障作为新的知识存入故障诊断知识图谱中对其进行更新;将更新后的故障诊断知识图谱与推演格算法相结合,对故障诊断规则模块进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580446.5A CN116974799A (zh) | 2023-05-22 | 2023-05-22 | 一种基于知识图谱的照明***的故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310580446.5A CN116974799A (zh) | 2023-05-22 | 2023-05-22 | 一种基于知识图谱的照明***的故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116974799A true CN116974799A (zh) | 2023-10-31 |
Family
ID=88475660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310580446.5A Pending CN116974799A (zh) | 2023-05-22 | 2023-05-22 | 一种基于知识图谱的照明***的故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116974799A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171365A (zh) * | 2023-11-02 | 2023-12-05 | 北京纷扬科技有限责任公司 | 一种基于知识图谱的故障问题智能定位方法及*** |
-
2023
- 2023-05-22 CN CN202310580446.5A patent/CN116974799A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171365A (zh) * | 2023-11-02 | 2023-12-05 | 北京纷扬科技有限责任公司 | 一种基于知识图谱的故障问题智能定位方法及*** |
CN117171365B (zh) * | 2023-11-02 | 2024-02-02 | 北京纷扬科技有限责任公司 | 一种基于知识图谱的故障问题智能定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428054B (zh) | 一种网络空间安全领域知识图谱的构建与存储方法 | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN113723632A (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
CN115619383B (zh) | 一种基于知识图谱的故障诊断方法、装置及计算设备 | |
CN115718802A (zh) | 一种故障诊断方法、***、设备及存储介质 | |
CN109471793A (zh) | 一种基于深度学习的网页自动化测试缺陷定位方法 | |
CN113806563A (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN114970508A (zh) | 基于数据多源融合的电力文本知识发现方法及设备 | |
CN107103363A (zh) | 一种基于lda的软件故障专家***的构建方法 | |
CN115858807A (zh) | 一种基于航空装备故障知识图谱的问答*** | |
CN113742493A (zh) | 一种病理知识图谱的构建方法及装置 | |
CN113487211A (zh) | 核电装备质量追溯方法、***、计算机设备及介质 | |
CN116974799A (zh) | 一种基于知识图谱的照明***的故障诊断方法及*** | |
CN113468304A (zh) | 一种基于知识图谱的船舶靠离泊知识问答查询***的构建方法 | |
CN115293161A (zh) | 基于自然语言处理和药品知识图谱的合理用药***及方法 | |
CN115438199A (zh) | 一种基于智慧城市场景数据中台技术的知识平台*** | |
CN112613611A (zh) | 一种基于知识图谱的税务知识库*** | |
CN117312531A (zh) | 知识图谱增强的基于大语言模型配电网故障归因分析方法 | |
CN116521898A (zh) | 一种电厂发电设备故障知识图谱的构建方法 | |
CN116561264A (zh) | 一种基于知识图谱的智能问答***的构建方法 | |
CN115292518A (zh) | 基于知识型信息抽取的配电网故障处理方法及*** | |
CN113378024B (zh) | 一种基于深度学习面向公检法领域的相关事件识别方法 | |
CN113610626A (zh) | 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质 | |
CN117909754A (zh) | 基于孪生神经网络的电厂设备缺陷辅助消除方法及*** | |
CN112380844A (zh) | 武器装备属性同义词扩展方法 |
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 |