CN117350377A - 一种基于知识图谱驱动的设备故障诊断方法及装置 - Google Patents
一种基于知识图谱驱动的设备故障诊断方法及装置 Download PDFInfo
- Publication number
- CN117350377A CN117350377A CN202311228706.9A CN202311228706A CN117350377A CN 117350377 A CN117350377 A CN 117350377A CN 202311228706 A CN202311228706 A CN 202311228706A CN 117350377 A CN117350377 A CN 117350377A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- knowledge
- data
- graph
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003745 diagnosis Methods 0.000 title claims abstract description 73
- 238000012423 maintenance Methods 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于知识图谱驱动的设备故障诊断方法及装置,通过知识图谱技术对设备结构间关系加以利用,将故障数据通过特征匹配得到与设备故障相关的实体和关系,通过设备结构间的关系推导出可能的故障原因,能够更简洁、准确地进行故障诊断和推理。包括:对设备的运行数据进行获取和处理,利用本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱;利用特征提取技术,将传感器的故障数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系;通过设备结构间的关系进行故障原因推理得到故障类型和位置;根据知识图谱中的相关知识和规则分析诊断结果和维修方法,得到设备故障的维修建议。
Description
技术领域
本发明涉及光通信技术领域,尤其涉及一种基于知识图谱驱动的设备故障诊断方法及装置。
背景技术
在钢铁流程工业生产中,每年因各种各样的设备故障导致的生产线停产,造成生产效率低下以及巨大经济损失,因此寻找一种有效的设备状态运行监控手段,对于生产运行的安全稳定和成本降低发挥着重要作用。传统的设备故障诊断方法通常依赖于专家经验和规则库,难以覆盖所有可能的故障情况,设备监测数据池日渐庞大,故障特征准确判别还需要经验丰富的运维人员进行人工分析,对现场维护人员素质要求较高,而且效率极低。知识图谱的引入为设备故障溯源和快速排除故障,带来了先验知识和新的研究手段,知识图谱通过自动推理和不确定性推理等方法,对设备故障进行更深入的分析,发现其中的规律和模式,从而更好地预测和诊断设备故障,促进设备维修和保养的智能化升级。
现有技术的设备故障诊断方法中,也有许多采用知识图谱技术的,每种方法中均针对不同的侧重点采用不同的技术方式,公开号为CN 114491037 A的中国专利提出的一种基于知识图谱的故障诊断方法,通过确定当前故障设备的特征向量与设备故障知识图谱中每个历史故障设备的特征向量之间的相似度的方法判断故障,数据计算量大。本发明提出一种新的基于知识图谱驱动的设备故障诊断方法,提出一种新的思路,能够更简洁、准确地进行故障诊断和推理。
发明内容
为了解决背景技术中的技术问题,本发明提供了一种基于知识图谱驱动的设备故障诊断方法及装置,通过知识图谱技术对设备结构间关系加以利用,将故障数据通过特征匹配得到与设备故障相关的实体和关系,通过设备结构间的关系推导出可能的故障原因,能够更简洁、准确地进行故障诊断和推理。
为了达到上述目的,本发明采用以下技术方案实现:
一种基于知识图谱驱动的设备故障诊断方法,包括如下步骤:
步骤S1,对设备的运行数据进行获取和处理:将原始数据转化为适用于知识图谱构建和分析的数据形式;
步骤S2,针对设备故障构建知识图谱:利用本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱;
步骤S3,利用特征提取技术,将传感器的故障数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系,将特征数据与知识图谱中的实体和关系进行匹配包括如下:
1)将设备的故障数据转化为特征向量f=(f1,f2,…fn),知识图谱表示为G(V,E),图谱中各实体关系为ei,j;其中,f1,f2,…fn表示n个故障数据;V表示实体和概念的集合;E表示实体和概念之间的关系集合,i,j表示实体编号;
2)采用相似度函数衡量特征向量和实体关系之间的相似性大小,找到知识图谱中相关性最大的实体vi,计算方法如下:
其中,similarity(f,vi)为特征向量f与实体vi的相似度,vi表示实体,vi,k表示实体vi的第k个特征值,fk为第k个故障数据;
3)通过实体vi得到与之相对应的设备部件实体和故障类型实体;
4)将特征向量与知识图谱中的特征关系ei,j进行匹配,找到与之相对应的设备部件和故障类型的关系;
步骤S4,通过设备结构间的关系进行故障原因推理,得到故障类型和位置;
步骤S5,故障诊断和维修:根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议。
进一步地,所述的步骤S4具体包括:
1)在观测到设备数据前,假设设备有N种可能的故障状态s1,s2,...sN时,每种故障状态都有与之相对应的概率P(s1),P(s2),...P(sN),其中
2)根据设备状态由M个测量参数,由x1,x2,...xM描述,对于故障状态si,设备状态用一个M维向量Xi=[xi1,xi2,...xiM]来描述,即为设备的状态方程;
3)根据设备的状态方程,得到每种故障状态下每个参数的概率分布函数fi,k(xk),xk为第k个测量参数;
4)根据测点的监测参数和监测数据,得到监测数据的实际值;
5)根据贝叶斯定理,在给定设备实际测量值的条件下,得到设备故障时的后验概率为:
其中,表示在故障状态Si下,第j个监测参数/>的概率分布函数,通过将fi,k(xk)带入监测参数模型中计算得到,Xi为状态向量,/>表示监测数据的实际测量值;P(Si)表示故障状态Si的概率;
根据后验概率的大小确定设备的故障类型和位置,最大的故障状态Si即为设备的故障类型,而机械的故障位置通过分析状态向量Xi中各个参数的异常值来确定。
进一步地,在推理过程中,考虑测量误差的影响,用卡尔曼滤波器方法对监测数据进行预处理。
进一步地,构建设备的数学模型,其中包含机械的结构、动力学特性和运行参数在内的信息;通过这些信息建立机械的状态方程,描述机械在不同故障状态下的响应和振动特性;对机械的振动、声音、温度参数进行监测并分析,得出所需要的监测数据。
进一步地,所述的步骤S2具体包括如下:
1)利用本体建模技术,建立设备的本体概念集合,其中包括:设备结构的概念集合、监测设备运行状态的各测点概念集合、设备发生故障时所表现各种现象的概念集合、设备故障原因的概念集合、维修建议的概念集合;
2)建立设备的本体关系,对设备各本体概念间关系进行表示,其中包括:设备部件出现了故障现象、传感器监测到了设备的运行状态、故障导致了其它现象的发生、找到设备出现故障的原因、采取了措施维修;
3)根据建立的设备故障诊断知识本体表示,通过数据配置对IT侧数据进行信息抽取,定义实体的标签,建立设备三元组关系表,对关系进行标识,将设备知识表示为三元组结构:实体-关系-实体,采用图形数据库对三元组知识进行数据存储,图数据库中的节点表示实体,以三元组中实体关系相对应,以带方向的边表示知识间的关系,与三元组中关系相对应,构建的设备知识图谱部分关系、节点可视化图。
进一步地,所述步骤S1包括:通过数据清洗、特征提取、数据预处理,及时处理故障诊断中存在的数据缺失、异常值、重复值问题,从振动信号、声音信号、温度信号等数据中提取出设备的频谱特征、时域特征、小波变换特征,对特征数据进行归一化、标准化处理。
进一步地,所述的步骤S5的维修建议具体包括:
1)通过结合机械运行的实际情况和维修记录,不断更新知识图谱中的相关知识和规则,使知识图谱能够适应机械的实际运行状况;
2)根据设备的实时运行状态,获取知识图谱驱动的故障诊断结果,确定机械的维修方式,准备相关的维修工具、维修材料进行维修。
进一步地,本发明还提供一种基于知识图谱驱动的设备故障诊断方法的诊断***,包括:
数据采集与处理模块:采集传感器数据,对采集的数据进行预处理,得到适用于知识图谱构建和分析的数据形式;
知识图谱构建模块:利用本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱;
故障特征数据与知识图谱中的实体和关系匹配模块:利用特征提取技术,将传感器的故障数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系;
故障类型和位置分析模块:通过设备结构间的关系进行故障原因推理,得到故障类型和位置;
故障诊断和维修建议模块:根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议。
本发明还提供一种用于实现所述基于知识图谱驱动的设备故障诊断方法的装置,包括处理器以及存储器;
其中,所述处理器配置为执行所述一种基于知识图谱驱动的设备故障诊断方法;
所述存储器用于存储所述处理器的可执行指令。
本发明还提供一种计算机的可存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,实现所述的一种基于知识图谱驱动的设备故障诊断方法。
与现有技术相比,本发明的有益效果是:
本发明的一种基于知识图谱驱动的设备故障诊断方法及装置,通过知识图谱技术对设备结构间关系加以利用,将故障数据通过特征匹配得到与设备故障相关的实体和关系,通过设备结构间的关系推导出可能的故障原因,能够更简洁、准确地进行故障诊断和推理。
附图说明
图1为本发明的一种基于知识图谱驱动的设备故障诊断方法流程图;
图2为本发明使用的知识图谱示意图;
图3为本发明实施例设计的知识图谱的构建流程;
图4为本发明实施例设计的设备本体模型;
图5为本发明实施例的电机知识图谱示例。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明实施例示出的一种基于知识图谱驱动的设备故障诊断方法的流程示意图,图2为本发明使用的知识图谱示意图。图3为本发明设计的知识图谱的构建流程,结合图1、图2和图3对本申请的故障诊断方法进行描述。本申请的基于知识图谱驱动的设备故障诊断方法包括以下的步骤:
步骤S1,对设备的运行数据进行获取和处理:将原始数据转化为适用于知识图谱构建和分析的数据形式。
步骤S2,针对设备故障构建知识图谱:利用本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱。
步骤S3,利用特征提取技术,将传感器的故障数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系,将特征数据与知识图谱中的实体和关系进行匹配包括如下:
1)将设备的故障数据转化为特征向量f=(f1,f2,…fn),知识图谱表示为G(V,E),图谱中各实体关系为ei,j;其中,f1,f2,…fn表示n个故障数据;V表示实体和概念的集合;E表示实体和概念之间的关系集合,i,j表示实体编号。
2)采用相似度函数衡量特征向量和实体关系之间的相似性大小,找到知识图谱中相关性最大的实体vi,计算方法如下:
其中,similarity(f,vi)为特征向量f与实体vi的相似度,vi表示实体,vi,k表示实体vi的第k个特征值,fk为第k个故障数据。
3)通过实体vi得到与之相对应的设备部件实体和故障类型实体。
4)将特征向量与知识图谱中的特征关系ei,j进行匹配,找到与之相对应的设备部件和故障类型的关系。
步骤S4,通过设备结构间的关系进行故障原因推理,得到故障类型和位置。
步骤S5,故障诊断和维修:根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议。
进一步地,所述的步骤S4具体包括:
1)在观测到设备数据前,假设设备有N种可能的故障状态s1,s2,...sN时,每种故障状态都有与之相对应的概率P(s1),P(s2),...P(sN),其中
2)根据设备状态由M个测量参数,由x1,x2,...xM描述,对于故障状态si,设备状态用一个M维向量Xi=[xi1,xi2,...xiM]来描述,即为设备的状态方程;
3)根据设备的状态方程,得到每种故障状态下每个参数的概率分布函数fi,k(xk),xk为第k个测量参数;
4)根据测点的监测参数和监测数据,得到监测数据的实际值;
5)根据贝叶斯定理,在给定设备实际测量值的条件下,得到设备故障时的后验概率为:
其中,表示在故障状态Si下,第j个监测参数/>的概率分布函数,通过将fi,k(xk)带入监测参数模型中计算得到,Xi为状态向量,/>表示监测数据的实际测量值;P(Si)表示故障状态Si的概率;
根据后验概率的大小确定设备的故障类型和位置,最大的故障状态Si即为设备的故障类型,而机械的故障位置通过分析状态向量Xi中各个参数的异常值来确定。
进一步地,在推理过程中,考虑测量误差的影响,用卡尔曼滤波器方法对监测数据进行预处理。
进一步地,构建设备的数学模型,其中包含机械的结构、动力学特性和运行参数在内的信息;通过这些信息建立机械的状态方程,描述机械在不同故障状态下的响应和振动特性;对机械的振动、声音、温度参数进行监测并分析,得出所需要的监测数据。
进一步地,所述的步骤S2具体包括如下:
1)利用本体建模技术,建立设备的本体概念集合,其中包括:设备结构的概念集合、监测设备运行状态的各测点概念集合、设备发生故障时所表现各种现象的概念集合、设备故障原因的概念集合、维修建议的概念集合;
2)建立设备的本体关系,对设备各本体概念间关系进行表示,其中包括:设备部件出现了故障现象、传感器监测到了设备的运行状态、故障导致了其它现象的发生、找到设备出现故障的原因、采取了措施维修;
3)根据建立的设备故障诊断知识本体表示,通过数据配置对IT侧数据进行信息抽取,定义实体的标签,建立设备三元组关系表,对关系进行标识,将设备知识表示为三元组结构:实体-关系-实体,采用图形数据库对三元组知识进行数据存储,图数据库中的节点表示实体,以三元组中实体关系相对应,以带方向的边表示知识间的关系,与三元组中关系相对应,构建的设备知识图谱部分关系、节点可视化图。
进一步地,所述步骤S1包括:通过数据清洗、特征提取、数据预处理,及时处理故障诊断中存在的数据缺失、异常值、重复值问题,从振动信号、声音信号、温度信号等数据中提取出设备的频谱特征、时域特征、小波变换特征,对特征数据进行归一化、标准化处理。
进一步地,所述的步骤S5的维修建议具体包括:
1)通过结合机械运行的实际情况和维修记录,不断更新知识图谱中的相关知识和规则,使知识图谱能够适应机械的实际运行状况;
2)根据设备的实时运行状态,获取知识图谱驱动的故障诊断结果,确定机械的维修方式,准备相关的维修工具、维修材料进行维修。
本发明还提供一种基于知识图谱驱动的设备故障诊断方法的诊断***,包括:
数据采集与处理模块:采集传感器数据,对采集的数据进行预处理,得到适用于知识图谱构建和分析的数据形式;
知识图谱构建模块:利用本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱;
故障特征数据与知识图谱中的实体和关系匹配模块:利用特征提取技术,将传感器的故障数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系;
故障类型和位置分析模块:通过设备结构间的关系进行故障原因推理,得到故障类型和位置;
故障诊断和维修建议模块:根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议。
实施例一:
以钢厂电机为例,构建电机故障诊断知识图谱,通过电机绕组短路故障对测试用例设计进行说明,对该方法的可行性进行验证。
步骤S1,对设备的运行数据进行获取和处理;
将原始数据转化为适用于知识图谱构建和分析的数据形式;
其中,对电机故障诊断中存在的数据缺失、异常值、重复值等问题进行预处理,从振动信号、声音信号、温度信号等数据中提取出对应的频谱特征、时域特征、小波变换特征,对特征数据进行归一化、标准化等处理。
步骤S2,针对电机故障构建知识图谱;
利用本体建模技术,建立电机的本体概念集合,其中包括:电机结构的概念集合、监测电机运行状态的各测点概念集合、电机发生故障时所表现各种现象的概念集合、电机故障原因的概念集合、维修建议的概念集合;
建立电机的本体关系,对电机各本体概念间关系进行表示,其中包括:电机发生了故障原因、传感器监测到了电机的运行状态、故障导致了其他现象的发生、电机出现了故障现象、采取了措施维修;
根据建立的电机故障诊断知识本体表示,通过数据配置对IT侧数据进行信息抽取,定义实体的标签,建立电机三元组关系表,对关系进行标识,将电机知识表示为三元组结构:实体-关系-实体,采用图形数据库Neo4j对三元组知识进行数据存储,图数据库中的节点表示实体,以三元组中实体关系相对应,以带方向的边表示知识间的关系,与三元组中关系相对应,构建的电机知识图谱部分关系、节点可视化图,如图4所示;
电机故障主要发生在定子、转子、轴承部件上,传感器在各监测点上监测各部件状态,通过测点类监测到电机发热、噪声异常等故障现象,电机出现的故障现象由磨损、绝缘等故障原因所导致,如图5所示。
步骤S3,将特征数据与知识图谱中的实体和关系进行匹配;
将电机的故障数据转化为特征向量f=(f1,f2,…fn),知识图谱可以表示为G(V,E)
其中,V表示实体和概念的集合;E表示实体和概念之间的关系集合,vi表示实体,ei,j表示关系,i,j表示实体编号。电机的故障数据包括电机的电流、振动、温度等数据。
采用相似度函数衡量特征向量和实体关系之间的相似性大小,找到知识图谱中相关性最大的实体vi,计算方法如下:
其中,vi,k表示实体vi的第k个特征值;
通过实体vi得到与之相对应的电机部件实体和故障类型实体;
将特征向量与知识图谱中的特征关系ei,j进行匹配,找到与之相对应的电机部件和故障类型的关系。
步骤S4,通过电机结构间的关系进行故障原因推理,得到故障类型和位置;
当电机绕组短路故障发生时可能出现的征兆现象,包含:电机温度升高、电流异常、电机振动、声音异常,只有在上述征兆同时出现时,才可断定电机绕组短路故障发生;
通过电机在不同故障状态下的响应和振动等特性,故障原因推理采用推理配方法对电机的振动、声音、温度、电流参数进行监测并分析,根据特定的判别规则推断出存在的故障类型和故障位置,具体包括:
在观测到电机数据前,假设电机有N种可能的故障状态s1,s2,...sN时,每种故障状态都有与之相对应的概率P(s1),P(s2),...P(sN),其中
根据电机状态由M个测量参数,由x1,x2,...xM描述,对于故障状态si,电机状态可以用一个M维向量Xi=[xi1,xi2,...xiM]来描述;
根据电机的状态方程,得到每种故障状态下每个参数的概率分布函数fik(xk);
根据六个测点的监测参数y1,y2,...y6和监测数据,得到48个测量参数的实际值,计算公式如下:
其中,表示测量误差,yj表示第j个参数的值。
根据贝叶斯定理,在给定电机实际测量值的条件下,得到电机故障时的后验概率为:
其中,表示在故障状态Si下,第j个监测参数的概率分布函数,可以通过将fi,k(xk)带入监测参数模型中计算得到,/>表示实际测量值;
根据后验概率的大小确定电机的故障类型和位置,最大的故障状态Si即为电机的故障类型,而机械的故障位置通过分析状态向量Xi中各个参数的异常值来确定;
在推理过程中,考虑测量误差的影响,常用卡尔曼滤波器方法对监测数据进行预处理。
步骤S5,故障诊断和维修;
根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议。
其中,维修建议具体包括:
通过结合机械运行的实际情况和维修记录,不断更新知识图谱中的相关知识和规则,使知识图谱能够适应机械的实际运行状况;
根据设备的实时运行状态,获取知识图谱驱动的故障诊断结果,确定机械的维修方式,准备相关的维修工具、维修材料等进行维修。
本发明还提供一种用于实现所述基于知识图谱驱动的设备故障诊断方法的装置,包括处理器以及存储器;其中,所述处理器配置为执行所述一种基于知识图谱驱动的设备故障诊断方法;所述存储器用于存储所述处理器的可执行指令。
本发明还提供一种计算机的可存储介质,其上存储有计算机程序,所述计算机程序被处理器执行,实现所述的一种基于知识图谱驱动的设备故障诊断方法。
综上所述,本发明公开了一种基于知识图谱驱动的设备故障诊断方法及装置,通过本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱,对数据进行处理,得到适用于知识图谱构建和分析的数据,将传感器数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系,对设备结构间关系进行故障原因推理,得到故障类型和位置,根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议,通过构建知识图谱对设备故障进行诊断,对比传统方法,本发明提高了诊断的准确率,为设备的维护和保养提供更准确的指导。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于知识图谱驱动的设备故障诊断方法,其特征在于,包括如下步骤:
步骤S1,对设备的运行数据进行获取和处理:将原始数据转化为适用于知识图谱构建和分析的数据形式;
步骤S2,针对设备故障构建知识图谱:利用本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱;
步骤S3,利用特征提取技术,将传感器检测的设备故障数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系;将特征向量与知识图谱中的实体和关系进行匹配包括如下:
1)将设备的故障数据转化为特征向量f=(f1,f2,…fn),知识图谱表示为G(V,E),图谱中各实体关系为ei,j;其中,f1,f2,…fn表示n个故障数据;V表示实体和本体概念的集合;E表示实体和本体概念之间的关系集合,i,j表示实体编号;
2)采用相似度函数衡量特征向量和实体关系之间的相似性大小,找到知识图谱中相关性最大的实体vi,计算方法如下:
其中,similarity(f,vi)为特征向量f与实体vi的相似度,vi表示实体,vi,k表示实体vi的第k个特征值,fk为第k个故障数据;
3)通过实体vi得到与之相对应的设备部件实体和故障类型实体;
4)将特征向量与知识图谱中的特征关系ei,j进行匹配,找到与之相对应的设备部件和故障类型的关系;
步骤S4,通过设备结构间的关系进行故障原因推理,得到故障类型和位置;
步骤S5,故障诊断和维修:根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议。
2.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法,其特征在于,所述的步骤S4具体包括:
1)在观测到设备数据前,假设设备有N种可能的故障状态s1,s2,...sN时,每种故障状态都有与之相对应的概率P(s1),P(s2),...P(sN),其中
2)根据设备状态由M个测量参数,由x1,x2,...xM描述,对于故障状态si,设备状态用一个M维向量Xi=[xi1,xi2,...xiM]来描述,即为设备的状态方程;
3)根据设备的状态方程,得到每种故障状态下每个参数的概率分布函数fi,k(xk),xk为第k个测量参数,fi,k(xk)为第i种故障状态下第个k个参数的概率分布函数;
4)根据测点的监测参数和监测数据,得到监测数据的实际值;
5)根据贝叶斯定理,在给定设备实际测量值的条件下,得到设备故障时的后验概率为:
其中,表示在故障状态Si下,第j个监测参数/>的概率分布函数,通过将fi,k(xk)带入监测参数模型中计算得到;Xi为状态向量,/>表示监测数据的实际测量值;P(Si)表示故障状态Si的概率;
根据后验概率的大小确定设备的故障类型和位置,最大的故障状态Si即为设备的故障类型,而机械的故障位置通过分析状态向量Xi中各个参数的异常值来确定。
3.根据权利要求2所述的一种基于知识图谱驱动的设备故障诊断方法,其特征在于,在推理过程中,考虑测量误差的影响,用卡尔曼滤波器方法对监测数据进行预处理。
4.根据权利要求2所述的一种基于知识图谱驱动的设备故障诊断方法,其特征在于,构建设备的数学模型,其中包含机械的结构、动力学特性和运行参数在内的信息;通过这些信息建立机械的状态方程,描述机械在不同故障状态下的响应和振动特性;对机械的振动、声音、温度参数进行监测并分析,得出所需要的监测数据。
5.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法,其特征在于,所述的步骤S2具体包括如下:
1)利用本体建模技术,建立设备的本体概念集合,其中包括:设备结构的概念集合、监测设备运行状态的各测点概念集合、设备发生故障时所表现各种现象的概念集合、设备故障原因的概念集合、维修建议的概念集合;
2)建立设备的本体关系,对设备各本体概念间关系进行表示,其中包括:设备部件出现了故障现象、传感器监测到了设备的运行状态、故障导致了其它现象的发生、找到设备出现故障的原因、采取了措施维修;
3)根据建立的设备故障诊断知识本体表示,通过数据配置对IT侧数据进行信息抽取,定义实体的标签,建立设备三元组关系表,对关系进行标识,将设备知识表示为三元组结构:实体-关系-实体,采用图形数据库对三元组知识进行数据存储,图数据库中的节点表示实体,以三元组中实体关系相对应,以带方向的边表示知识间的关系,与三元组中关系相对应,构建的设备知识图谱部分关系、节点可视化图。
6.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法,其特征在于,所述步骤S1包括:通过数据清洗、特征提取、数据预处理,及时处理故障诊断中存在的数据缺失、异常值、重复值问题,从振动信号、声音信号、温度信号数据中提取出设备的频谱特征、时域特征、小波变换特征,对特征数据进行归一化、标准化处理。
7.根据权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法,其特征在于,
所述的步骤S5的维修建议具体包括:
1)通过结合机械运行的实际情况和维修记录,不断更新知识图谱中的相关知识和规则,使知识图谱能够适应机械的实际运行状况;
2)根据设备的实时运行状态,获取知识图谱驱动的故障诊断结果,确定机械的维修方式,准备相关的维修工具、维修材料进行维修。
8.权利要求1所述的一种基于知识图谱驱动的设备故障诊断方法的诊断***,其特征在于,包括:
数据采集与处理模块:采集传感器数据,对采集的数据进行预处理,得到适用于知识图谱构建和分析的数据形式;
知识图谱构建模块:利用本体建模技术,将相关知识本体表示为图谱中的实体和关系,得到设备故障诊断的知识图谱;
故障特征数据与知识图谱中的实体和关系匹配模块:利用特征提取技术,将传感器的故障数据转化为特征向量,通过特征匹配得到与设备故障相关的实体和关系;
故障类型和位置分析模块:通过设备结构间的关系进行故障原因推理,得到故障类型和位置;
故障诊断和维修建议模块:根据知识图谱中的相关知识和规则,分析诊断结果和维修方法,得到设备故障的维修建议。
9.一种用于实现权利要求1~7中任意一项所述基于知识图谱驱动的设备故障诊断方法的装置,其特征在于,包括处理器以及存储器;
其中,所述处理器配置为执行权利要求1~7中任意一项所述一种基于知识图谱驱动的设备故障诊断方法;
所述存储器用于存储所述处理器的可执行指令。
10.一种计算机的可存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行,实现权利要求1~7中任意一项所述的一种基于知识图谱驱动的设备故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228706.9A CN117350377A (zh) | 2023-09-22 | 2023-09-22 | 一种基于知识图谱驱动的设备故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228706.9A CN117350377A (zh) | 2023-09-22 | 2023-09-22 | 一种基于知识图谱驱动的设备故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350377A true CN117350377A (zh) | 2024-01-05 |
Family
ID=89358505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311228706.9A Pending CN117350377A (zh) | 2023-09-22 | 2023-09-22 | 一种基于知识图谱驱动的设备故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350377A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014564A (zh) * | 2024-04-10 | 2024-05-10 | 山东和兑智能科技有限公司 | 一种基于数据驱动的电力设备故障诊断***及方法 |
-
2023
- 2023-09-22 CN CN202311228706.9A patent/CN117350377A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014564A (zh) * | 2024-04-10 | 2024-05-10 | 山东和兑智能科技有限公司 | 一种基于数据驱动的电力设备故障诊断***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111947928B (zh) | 一种多源信息融合的轴承故障预测***及方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、***、介质、设备 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测***和方法 | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
CN104976139B (zh) | 一种基于高斯模型的机械设备状态诊断方法 | |
CN108896299A (zh) | 一种齿轮箱故障检测方法 | |
CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
CN117350377A (zh) | 一种基于知识图谱驱动的设备故障诊断方法及装置 | |
EP3712728A1 (en) | Apparatus for predicting equipment damage | |
CN115437358A (zh) | 工业机器人智能状态监测与故障诊断***及故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN110969185A (zh) | 基于数据重构的设备异常状态检测方法 | |
CN112308391A (zh) | 一种基于神经网络的设备状态实时监测与异常探测方法 | |
CN108825482B (zh) | 一种飞机轴向柱塞泵的故障检测方法及检测*** | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及*** | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN110956308A (zh) | 基于时间序列的化工设备健康状态预测方法 | |
CN116502043A (zh) | 一种基于孤立森林算法的精轧电机状态分析方法 | |
CN116383750A (zh) | 一种基于加窗差分健康指标的滚动轴承早期异常检测方法 | |
Cempel | Decomposition of the symptom observation matrix and grey forecasting in vibration condition monitoring of machines |
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 |