CN109902153A - 基于自然语言处理和案例推理的设备故障诊断方法及系统 - Google Patents

Abstract

本发明公开一种基于自然语言处理和案例推理的设备故障诊断方法，包括以下步骤：建立故障诊断知识库；建立故障诊断案例库；从故障诊断案例库中提取故障诊断关键词，建立故障诊断词库，提取特征标签，并计算特征标签的权重矩阵；通过权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度；通过匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例；进而对实际发生的故障作出响应以及评价，根据评价结果对案例库进行维护。通过本发明方法和系统，当设备发生故障后能帮助维修人员快速准确地确定设备故障的部位和原因，进而体现到设备相同时间段内产量和经济效益的提升。

Description

基于自然语言处理和案例推理的设备故障诊断方法及系统

技术领域

本发明涉及人工智能故障诊断技术领域，尤其涉及一种基于自然语言处理和案例推理的设备故障诊断方法及系统。

背景技术

现代自动化设备具有高速化、精细化、工序复杂等生产特点，设备本身也具有零件繁多、结构复杂、零部件相互配合度要求极高等设备特点。

以卷烟行业中的包装机为例，作为一个典型的多级传动型设备，包装机在实际生产中产生故障的机率很大、成因很多，其故障具有多样性、随机性和耦合性，即在任意时刻机组的任意部位都可能导致故障的发生。

现阶段，对于设备在故障诊断时的诊断与维护问题，主要依靠现场检修人员的过往经验对故障进行经验性诊断，耗时较久，有一定主观性，且对人员技术依赖性较大，目前尚无明晰的、定量的能对包装机各类故障快速识别、定位的方法。因此，有能力执行有效设备维护的，多为经验丰富的技术人员、资深老师傅，新员工动辄需要数年才能培养、熟练并积累技术经验，技术经验的传承性较差且传承效率较低。

由于在设备发生故障停机时常常难以凭借固化的技术经验快速、有效地定位故障由表及里的成因，也较难在极短的时间内提供客观、高效的维修指导。致使设备在整个故障发生到维护成功的这段时间内，设备无法正常工作，会造成其有效运行率下降，进而导致较大的生产效率损失，同时可能产生一定程度的原生及次生型设备损耗。

此外目前已经存在一些基于案例推理的设备故障诊断方法，如发明专利“一种基于案例推理的汽轮机加热器故障诊断方法”(CN201711375932.4)采用形式概念的方式对案例推理所需的知识进行结构性表达，但结构化描述难免会导致故障描述和实际情况不完全匹配，存在一定的局限性。发明专利“一种基于案例推理的厨具故障诊断方法”(CN201110043539.1)通过对厨具故障进行半结构化描述从一定程度上避免了结构化描述不完整和不一致的情况，但以数值的方式来表示定性故障征兆的严重程度没有明晰的阈值界限，存在较强的主观性。

发明内容

本发明针对现有技术中的缺点，提供了一种基于自然语言处理和案例推理的设备故障诊断方法及系统。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于自然语言处理和案例推理的设备故障诊断方法，包括以下步骤：

基于故障案例数据库及设备的相关信息，建立故障诊断知识库；

通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库；

从所述故障诊断案例库中提取故障诊断关键词，基于提取的故障诊断关键词建立故障诊断词库，从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵；

通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度；

通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例；

通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护。

作为一种可实施方式，所述设备的相关信息包括设备说明文件和设备图纸，所述基于故障案例数据库及设备的相关信息，建立故障诊断知识库具体为：

根据设备说明文件和设备图纸，依据设备工艺过程的重要程度和负责程度进行排序，确定设备工艺过程中的关键环节；

根据故障案例数据库中的故障和维修记录，获得设备运行过程中的故障类型、停机时间、维修时间，并结合设备工艺过程的重要程度确定各类故障模式；

根据故障案例数据库中的故障、维修记录和各类故障模式，确定各类故障模式的原因数据，进而确定出各类故障对应的故障原因；

根据故障案例数据库中的故障、维修记录、各类故障模式以及故障原因，确定各类故障模式对应的维护策略。

作为一种可实施方式，所述通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库具体为：

将故障诊断知识库逐条进行归纳整理，形成用于故障诊断的案例，其中，单条案例c的表示为：

c＝{i，a，f，g，p，r，s，m}

其中，i表示各类故障模式的故障编号、a表示故障现象、f表示故障频次、g表示故障类别、p表示故障部件、r表示故障原因、s表示解决方案、m表示预防措施；

通过单条案例c进而形成故障诊断案例的集合，所述故障诊断案例的集合称为故障诊断案例库，故障诊断案例库表示为C。

作为一种可实施方式，所述从所述故障诊断案例库中提取故障诊断关键词具体为，从所属故障诊断案例库C依次提取单条故障诊断案例中的故障现象，进而得到故障现象集合A，基于故障现象集合A利用TextRank算法得到设备故障诊断关键词，TextRank算法提取关键词具体步骤为：

对故障现象集合以单条故障现象为单位进行组织，即A＝[a₁，a₂，a₃，...，a_n]，其中a₁，a₂，a₃...a_n分别为n条故障案例的故障现象；

对单条故障现象进行分词，得到k个候选关键词集合V；通过所述候选关键词集合V构建候选关键词词图G，记作G＝(V，E)，候选关键词词图G中任意两个分词V_i和V_j之间边的权重为w_ji，分词V_i的权重W(V_i)的计算公式如下：

其中，d为阻尼系数，d∈(0，1)，代表从词图中某一特定词指向其他任意词的概率，V_i表示分词，I(V_i)表示指向词V_i的词集合，O(V_j)表示词V_i指向的词集合；

根据以上权重计算公式对候选关键词词图G进行循环迭代直至收敛，最终得到各节点的权重；

将各分词的权重按照降序进行排序，选取前面的M个词语作为故障诊断关键词。

作为一种可实施方式，所述从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵具体为：

对于故障诊断词库中的词，将目标故障案例的故障现象和故障案例库中源故障案例的故障现象进行分词处理，分词过程如下：采用Trie树结构进行词图扫描，得到故障现象中所有可能成词情况所构成的有向无环图，采用动态规划查找最大概率路径，找出基于词频的最大切分组合；

对于未录入故障诊断词库中的词，采用HMM模型，通过Viterbi算法进行分词处理；

分词处理之后得到各案例的特征标签集合t，进而得到特征标签的集合T，特征标签的集合T表示如下：

T＝t₀∪t₁∪t₂...∪t_n

其中，t_i(i＝0，1，2，…，n)代表各故障案例特征标签集，共n条故障案例，特征标签集合T中共有n_T个特征标签；

根据所述特征标签的集合T得到目标故障案例库和故障案例库的源故障案例中每个特征标签的词频和逆文本频率，进而得到权重矩阵W，W为(n+1)×n_T的矩阵，词频f_w是某一词语w在该案例特征标签集合中出现的频次占比，其计算公式如下：

逆文本频率d_w是某一个词语w在所有案例中出现的频次占比，其计算公式如下：

通过所述词频和所述逆文本频率获取到词语w在该条案例的权重为W_w，进而得到权重矩阵W，其中，词语w的权重W_w计算公式如下：

W_w＝f_w×d_w

其中，f_w表示词频，d_w表示逆文本频率。

作为一种可实施方式，所述通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度具体为：

通过所述权重矩阵W获得目标故障案例与源故障案例的相似度Sim，所述相似度Sim计算公式如下：

其中C₀代表目标故障案例，W₀代表目标故障案例的权重向量，C_i代表源故障案例，W_i代表源故障案例的权重向量；

根据故障频次f计算源故障案例的频次系数k(C_i)，所述频次系数k(C_i)计算公式如下：

其中，f_max代表源故障案例中最高的故障频次，α，β，γ均为修正系数；

通过所述相似度Sim和所述频次系数k(C_i)得到目标故障案例与源故障案例的匹配度R(C₀，C_i)，匹配度R(C₀，C_i)计算公式如下：

R(C₀，C_i)＝Sim(C₀，C_i)×k(C_i)

其中，Sim表示相似度，k(C_i)表示所述频次系数。

作为一种可实施方式，所述通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例具体为：

根据所述目标故障案例与源故障案例的匹配度筛选得到与目标故障案例相似的源故障案例，匹配度大于预设阈值ε的源故障案例为相似案例，预设阈值ε的计算公式如下：

其中，R_min表示目标故障案例与源故障案例的最小匹配度，R_max表示目标故障案例与源故障案例的最大匹配度，δ为阈值系数；

将案例匹配度R＞ε的源故障案例集合C_sim作为案例推荐的结果，所述案例推荐的结果包含故障现象、故障频次、故障类别、故障部件、故障原因、解决方案和预防措施信息。

作为一种可实施方式，所述通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护具体为：

基于获得的相似案例，维修人员对实际发生的故障作出响应，响应之后对所推荐的案例进行评价，并根据反馈的评价结果对案例库进行维护，在此，评价方式采用等级评定法，具体维护方式具体如下：

若相似案例中存在与实际情况相近的案例c，则调整案例c的故障频次f，使得f＝f+η，其中，η为等级指数，由实际等级评价结果决定；

若相似案例中不存在与实际情况相近的案例，则将目标故障案例新增至故障案例库中。

一种基于自然语言处理和案例推理的设备故障诊断系统，包括故障诊断知识库建立模块、故障诊断案例库模块、提取计算权重矩阵模块、匹配度计算模块、相似案例确认模块和响应维护模块；

所述故障诊断知识库建立模块，用于基于故障案例数据库及设备的相关信息，建立故障诊断知识库；

所述故障诊断案例库模块，用于通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库；

所述提取计算权重矩阵模块，用于从所述故障诊断案例库中提取故障诊断关键词，基于提取的故障诊断关键词建立故障诊断词库，从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵；

所述匹配度计算模块，用于通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度；

所述相似案例确认模块，用于通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例；

所述响应维护模块，用于通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护。

本发明由于采用了以上技术方案，具有显著的技术效果：

通过本发明的方法和系统，能够实现：当设备发生故障后能帮助维修人员快速准确地确定设备故障的部位和原因，并提供相应的维护建议和预防措施，使得故障机组能够从故障停机中快速恢复生产，进而体现到设备相同时间段内产量和经济效益的提升。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的方法流程示意图；

图2是本发明的系统结构示意图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。

实施例1：

一种基于自然语言处理和案例推理的设备故障诊断方法，如图1所示，包括以下步骤：

S100、基于故障案例数据库及设备的相关信息，建立故障诊断知识库；

S200、通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库；

S300、从所述故障诊断案例库中提取故障诊断关键词，基于提取的故障诊断关键词建立故障诊断词库，从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵；

S400、通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度；

S500、通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例；

S600、通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护。

在现有技术中，目前还不存在通过自然语言和案例推理对设备故障进行诊断，本发明采用自然语言和案例推理进行诊断时，当设备发生故障后能帮助维修人员快速准确地确定设备故障的部位和原因，并提供相应的维护建议和预防措施，使得故障机组能够从故障停机中快速恢复生产，进而体现到设备相同时间段内产量和经济效益的提升。

在步骤S100中，所述设备的相关信息包括设备说明文件和设备图纸，所述基于故障案例数据库及设备的相关信息，建立故障诊断知识库具体为：

S110、根据设备说明文件和设备图纸，依据设备工艺过程的重要程度和负责程度进行排序，确定设备工艺过程中的关键环节；

S120、根据故障案例数据库中的故障和维修记录，获得设备运行过程中的故障类型、停机时间、维修时间，并结合设备工艺过程的重要程度确定各类故障模式；

S130、根据故障案例数据库中的故障、维修记录和各类故障模式，确定各类故障模式的原因数据，进而确定出各类故障对应的故障原因；

S140、根据故障案例数据库中的故障、维修记录、各类故障模式以及故障原因，确定各类故障模式对应的维护策略。

先建立好故障诊断知识库，这样就可以在故障诊断知识库内选择或者对比出相应的故障类型及故障原因等。在步骤S200中，所述通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库具体为：

将故障诊断知识库逐条进行归纳整理，形成用于故障诊断的案例，其中，单条案例c的表示为：

c＝{i，a，f，g，p，r，s，m}

其中，i表示各类故障模式的故障编号、a表示故障现象、f表示故障频次、g表示故障类别、p表示故障部件、r表示故障原因、s表示解决方案、m表示预防措施；

通过单条案例c进而形成故障诊断案例的集合，所述故障诊断案例的集合称为故障诊断案例库，故障诊断案例库表示为C。

在步骤S300中，所述从所述故障诊断案例库中提取故障诊断关键词具体为，从所属故障诊断案例库C依次提取单条故障诊断案例中的故障现象，进而得到故障现象集合A，基于故障现象集合A利用TextRank算法得到设备故障诊断关键词，TextRank算法提取关键词具体步骤为：

对故障现象集合以单条故障现象为单位进行组织，即A＝[a₁，a₂，a₃，...，a_n]，其中a₁，a₂，a₃...a_n分别为n条故障案例的故障现象；

对单条故障现象进行分词，得到k个候选关键词集合V；通过所述候选关键词集合V构建候选关键词词图G，记作G＝(V，E)，候选关键词词图G中任意两个分词V_i和V_j之间边的权重为w_ji，分词V_i的权重W(V_i)的计算公式如下：

其中，d为阻尼系数，d∈(0，1)，代表从词图中某一特定词指向其他任意词的概率，V_i表示分词，I(V_i)表示指向词V_i的词集合，O(V_j)表示词V_i指向的词集合；

根据以上权重计算公式对候选关键词词图G进行循环迭代直至收敛，最终得到各节点的权重；

将各分词的权重按照降序进行排序，选取前面的M个词语作为故障诊断关键词。

在步骤S300中，所述从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵具体为：

对于故障诊断词库中的词，将目标故障案例的故障现象和故障案例库中源故障案例的故障现象进行分词处理，分词过程如下：采用Trie树结构进行词图扫描，得到故障现象中所有可能成词情况所构成的有向无环图，采用动态规划查找最大概率路径，找出基于词频的最大切分组合；

对于未录入故障诊断词库中的词，采用HMM模型，通过Viterbi算法进行分词处理；

分词处理之后得到各案例的特征标签集合t，进而得到特征标签的集合T，特征标签的集合T表示如下：

T＝t₀∪t₁∪t₂...∪t_n

其中，t_i(i＝0，1，2，…，n)代表各故障案例特征标签集，共n条故障案例，特征标签集合T中共有n_T个特征标签；

根据所述特征标签的集合T得到目标故障案例库和故障案例库的源故障案例中每个特征标签的词频和逆文本频率，进而得到权重矩阵W，W为(n+1)×n_T的矩阵，词频f_w是某一词语w在该案例特征标签集合中出现的频次占比，其计算公式如下：

逆文本频率d_w是某一个词语w在所有案例中出现的频次占比，其计算公式如下：

通过所述词频和所述逆文本频率获取到词语w在该条案例的权重为W_w，进而得到权重矩阵W，其中，词语w的权重W_w计算公式如下：

W_w＝f_w×d_w

其中，f_w表示词频，d_w表示逆文本频率。

更进一步地，步骤S400中，所述通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度具体为：

通过所述权重矩阵W获得目标故障案例与源故障案例的相似度Sim，所述相似度Sim计算公式如下：

其中C₀代表目标故障案例，W₀代表目标故障案例的权重向量，C_i代表源故障案例，W_i代表源故障案例的权重向量；

根据故障频次f计算源故障案例的频次系数k(C_i)，所述频次系数k(C_i)计算公式如下：

其中，f_max代表源故障案例中最高的故障频次，α，β，γ均为修正系数；

通过所述相似度Sim和所述频次系数k(C_i)得到目标故障案例与源故障案例的匹配度R(C₀，C_i)，匹配度R(C₀，C_i)计算公式如下：

R(C₀，C_i)＝Sim(C₀，C_i)×k(C_i)

其中，Sim表示相似度，k(C_i)表示所述频次系数。此步骤是通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度，这样，能更加精准的匹配出目标故障案例与源故障案例的相似度，进来匹配更加准确。

在步骤S500中，所述通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例具体为：

根据所述目标故障案例与源故障案例的匹配度筛选得到与目标故障案例相似的源故障案例，匹配度大于预设阈值ε的源故障案例为相似案例，预设阈值ε的计算公式如下：

其中，R_min表示目标故障案例与源故障案例的最小匹配度，R_max表示目标故障案例与源故障案例的最大匹配度，δ为阈值系数；

将案例匹配度R＞ε的源故障案例集合C_sim作为案例推荐的结果，所述案例推荐的结果包含故障现象、故障频次、故障类别、故障部件、故障原因、解决方案和预防措施信息。

在步骤S600中，所述通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护具体为：

基于获得的相似案例，维修人员对实际发生的故障作出响应，响应之后对所推荐的案例进行评价，并根据反馈的评价结果对案例库进行维护，在此，评价方式采用等级评定法，具体维护方式具体如下：

若相似案例中存在与实际情况相近的案例c，则调整案例c的故障频次f，使得f＝f+η，其中，η为等级指数，由实际等级评价结果决定；

若相似案例中不存在与实际情况相近的案例，则将目标故障案例新增至故障案例库中。此步骤是应对故障作出的相应动作，万一不存在实际情况相近的案例，则更新故障案例库，以便于下次使用。

以烟草行业某型号的包装机为例，得到包装机故障案例库，整理出部分二号轮的源故障案例如表1所示。表1所示故障案例包含了案例编码、故障现象、故障频次、故障类别、故障原因和解决措施。进而提取包装机故障诊断关键词，形成包装机故障诊断词库。

如目标故障案例的故障现象为“二号轮夹烟臂凸轮旷量”，进而提取案例特征得到目标故障案例和源故障案例的特征标签，其中目标故障案例和表1中故障案例的特征标签如表2所示。

计算目标故障案例和源故障案例的权重矩阵，得到目标故障案例和源故障案例的权重。再计算目标故障案例和源故障案例的匹配度，然后筛选得到与目标故障案例相似的源故障案例如表3所示，而后相关人员可以根据案例推荐的结果对包装机进行故障排查和维护保养，最终根据现场实际情况给出反馈，从而对包装机故障诊断案例库进行相应维护。

表1包装机故障案例库部分源故障案例

表2目标故障案例和部分源故障案例的特征标签

表3与目标故障案例相匹配的源故障案例

实施例2：

一种基于自然语言处理和案例推理的设备故障诊断系统，如图2所示，包括故障诊断知识库建立模块100、故障诊断案例库模块200、提取计算权重矩阵模块300、匹配度计算模块400、相似案例确认模块500和响应维护模块600；

所述故障诊断知识库建立模块100，用于基于故障案例数据库及设备的相关信息，建立故障诊断知识库；

所述故障诊断案例库模块200，用于通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库；

所述提取计算权重矩阵模块300，用于从所述故障诊断案例库中提取故障诊断关键词，基于提取的故障诊断关键词建立故障诊断词库，从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵；

所述匹配度计算模块400，用于通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度；

所述相似案例确认模块500，用于通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例；

所述响应维护模块600，用于通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护。

通过本发明的系统，能够实现：当设备发生故障后能帮助维修人员快速准确地确定设备故障的部位和原因，并提供相应的维护建议和预防措施，使得故障机组能够从故障停机中快速恢复生产，进而体现到设备相同时间段内产量和经济效益的提升。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明的方法、终端设备(系统)、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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

需要说明的是：

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做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发明范围的所有变更和修改。

此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，包括以下步骤：

基于故障案例数据库及设备的相关信息，建立故障诊断知识库；

通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库；

从所述故障诊断案例库中提取故障诊断关键词，基于提取的故障诊断关键词建立故障诊断词库，从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵；

通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度；

通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例；

通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护。

2.根据权利要求1所述的基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，所述设备的相关信息包括设备说明文件和设备图纸，所述基于故障案例数据库及设备的相关信息，建立故障诊断知识库具体为：

根据设备说明文件和设备图纸，依据设备工艺过程的重要程度和负责程度进行排序，确定设备工艺过程中的关键环节；

根据故障案例数据库中的故障和维修记录，获得设备运行过程中的故障类型、停机时间、维修时间，并结合设备工艺过程的重要程度确定各类故障模式；

根据故障案例数据库中的故障、维修记录和各类故障模式，确定各类故障模式的原因数据，进而确定出各类故障对应的故障原因；

根据故障案例数据库中的故障、维修记录、各类故障模式以及故障原因，确定各类故障模式对应的维护策略。

3.根据权利要求2所述的基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，所述通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库具体为：

将故障诊断知识库逐条进行归纳整理，形成用于故障诊断的案例，其中，单条案例c的表示为：

c＝{i，a，f，g，p，r，s，m}

其中，i表示各类故障模式的故障编号、a表示故障现象、f表示故障频次、g表示故障类别、p表示故障部件、r表示故障原因、S表示解决方案、m表示预防措施；

通过单条案例c进而形成故障诊断案例的集合，所述故障诊断案例的集合称为故障诊断案例库，故障诊断案例库表示为C。

4.根据权利要求3所述的基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，所述从所述故障诊断案例库中提取故障诊断关键词具体为，从所属故障诊断案例库C依次提取单条故障诊断案例中的故障现象，进而得到故障现象集合A，基于故障现象集合A利用TextRank算法得到设备故障诊断关键词，TextRank算法提取关键词具体步骤为：

对故障现象集合以单条故障现象为单位进行组织，即A＝[a₁，a₂，a₃，...，a_n]，其中a₁，a₂，a₃...a_n分别为n条故障案例的故障现象；

对单条故障现象进行分词，得到k个候选关键词集合V；通过所述候选关键词集合V构建候选关键词词图G，记作G＝(V，E)，候选关键词词图G中任意两个分词V_i和V_j之间边的权重为w_ji，分词V_i的权重W(V_i)的计算公式如下：

其中，d为阻尼系数，d∈(0，1)，代表从词图中某一特定词指向其他任意词的概率，V_i表示分词，I(V_i)表示指向词V_i的词集合，O(V_j)表示词V_i指向的词集合；

根据以上权重计算公式对候选关键词词图G进行循环迭代直至收敛，最终得到各节点的权重；

将各分词的权重按照降序进行排序，选取前面的M个词语作为故障诊断关键词。

5.根据权利要求4所述的基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，所述从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵具体为：

对于故障诊断词库中的词，将目标故障案例的故障现象和故障案例库中源故障案例的故障现象进行分词处理，分词过程如下：采用Trie树结构进行词图扫描，得到故障现象中所有可能成词情况所构成的有向无环图，采用动态规划查找最大概率路径，找出基于词频的最大切分组合；

对于未录入故障诊断词库中的词，采用HMM模型，通过Viterbi算法进行分词处理；

分词处理之后得到各案例的特征标签集合t，进而得到特征标签的集合T，特征标签的集合T表示如下：

T＝t₀∪t₁∪t₂...∪t_n

其中，t_i(i＝0，1，2，…，n)代表各故障案例特征标签集，共n条故障案例，特征标签集合T中共有n_T个特征标签；

根据所述特征标签的集合T得到目标故障案例库和故障案例库的源故障案例中每个特征标签的词频和逆文本频率，进而得到权重矩阵W，W为(n+1)×n_T的矩阵，词频f_w是某一词语W在该案例特征标签集合中出现的频次占比，其计算公式如下：

逆文本频率d_w是某一个词语W在所有案例中出现的频次占比，其计算公式如下：

通过所述词频和所述逆文本频率获取到词语W在该条案例的权重为W_w，进而得到权重矩阵W，其中，词语W的权重W_w计算公式如下：

W_w＝f_w×d_w

其中，f_w表示词频，d_w表示逆文本频率。

6.根据权利要求5所述的基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，所述通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度具体为：

通过所述权重矩阵W获得目标故障案例与源故障案例的相似度Sim，所述相似度Sim计算公式如下：

其中C₀代表目标故障案例，W₀代表目标故障案例的权重向量，C_i代表源故障案例，W_i代表源故障案例的权重向量；

根据故障频次f计算源故障案例的频次系数k(C_i)，所述频次系数k(C_i)计算公式如下：

其中，f_max代表源故障案例中最高的故障频次，α，β，γ均为修正系数；

通过所述相似度Sim和所述频次系数k(C_i)得到目标故障案例与源故障案例的匹配度R(C₀，C_i)，匹配度R(C₀，C_i)计算公式如下：

R(C₀，C_i)＝Sim(C₀，C_i)×k(C_i)

其中，Sim表示相似度，k(C_i)表示所述频次系数。

7.根据权利要求6所述的基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，所述通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例具体为：

根据所述目标故障案例与源故障案例的匹配度筛选得到与目标故障案例相似的源故障案例，匹配度大于预设阈值ε的源故障案例为相似案例，预设阈值ε的计算公式如下：

其中，R_min表示目标故障案例与源故障案例的最小匹配度，R_max表示目标故障案例与源故障案例的最大匹配度，δ为阈值系数；

将案例匹配度R＞ε的源故障案例集合C_sim作为案例推荐的结果，所述案例推荐的结果包含故障现象、故障频次、故障类别、故障部件、故障原因、解决方案和预防措施信息。

8.根据权利要求7所述的基于自然语言处理和案例推理的设备故障诊断方法，其特征在于，所述通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护具体为：

基于获得的相似案例，维修人员对实际发生的故障作出响应，响应之后对所推荐的案例进行评价，并根据反馈的评价结果对案例库进行维护，在此，评价方式采用等级评定法，具体维护方式具体如下：

若相似案例中存在与实际情况相近的案例c，则调整案例c的故障频次f，使得f＝f+η，其中，η为等级指数，由实际等级评价结果决定；

若相似案例中不存在与实际情况相近的案例，则将目标故障案例新增至故障案例库中。

9.一种基于自然语言处理和案例推理的设备故障诊断系统，其特征在于，包括故障诊断知识库建立模块、故障诊断案例库模块、提取计算权重矩阵模块、匹配度计算模块、相似案例确认模块和响应维护模块；

所述故障诊断知识库建立模块，用于基于故障案例数据库及设备的相关信息，建立故障诊断知识库；

所述故障诊断案例库模块，用于通过对故障诊断知识库进行逐条归纳整理，建立故障诊断案例库；

所述提取计算权重矩阵模块，用于从所述故障诊断案例库中提取故障诊断关键词，基于提取的故障诊断关键词建立故障诊断词库，从所述故障诊断词库中提取特征标签，并计算特征标签的权重矩阵；

所述匹配度计算模块，用于通过所述权重矩阵得到目标故障案例与源故障案例的相似度，进而获得目标故障案例与源故障案例的匹配度；

所述相似案例确认模块，用于通过所述匹配度得到与目标故障案例相似的源故障案例，并将匹配度大于预设阈值的源故障案例视为相似案例；

所述响应维护模块，用于通过所述相似案例对实际发生的故障作出响应，进而对所述相似案例进行评价，根据所述评价结果对所述案例库进行维护。