CN109991951B - 多源故障检测与诊断方法和装置 - Google Patents
多源故障检测与诊断方法和装置 Download PDFInfo
- Publication number
- CN109991951B CN109991951B CN201910351329.5A CN201910351329A CN109991951B CN 109991951 B CN109991951 B CN 109991951B CN 201910351329 A CN201910351329 A CN 201910351329A CN 109991951 B CN109991951 B CN 109991951B
- Authority
- CN
- China
- Prior art keywords
- fault
- level
- state
- detected
- deep
- 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 65
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000005065 mining Methods 0.000 claims abstract description 13
- 208000024891 symptom Diseases 0.000 claims description 36
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 230000014509 gene expression Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种多源故障检测与诊断方法和装置，该方法包括以下步骤：获取系统正常状态下的历史数据，构建正常状态下的多层次知识图谱，挖掘正常状态下多层次知识图谱的深层次关联路径；获取系统当前待检测状态下的待检测的数据，构建待检测状态下的多层次知识图谱，挖掘待检测状态下多层次知识图谱的深层次关联路径；判断待检测的数据是否处于故障状态；若系统处于故障状态，则确定故障变量，构建待检测状态下的多层次知识图谱故障模型；利用多层次知识图谱故障模型，结合贝叶斯理论进行多源故障诊断。
Description
技术领域
本公开涉及复杂工业过程检测领域，尤其涉及一种基于多层次知识图谱和贝叶斯理论推理的多源故障检测与诊断方法和装置。
背景技术
随着现代工业过程规模的不断扩大和复杂性的不断提高，使得人们不得不将过程生产的可靠性和安全性放在重要位置。故障检测与诊断技术作为过程监控的一个重要组成部分，已经获得了长足的发展，各种智能算法和模式识别的方法在各个领域的过程监控中都得到了广泛的应用。
在实际的过程监控中，由于工业过程的规模扩大，复杂性提高，使得生产过程中工艺变量之间有着复杂的关联关系。同时随着工艺流程的日益复杂，影响因素逐渐增多，多个故障同时发生在复杂工业系统中是真实存在的，而且是频繁发生的。诸多因素的影响使故障诊断的难度越来越大。传统的故障诊断技术主要是多元统计过程监控(Multivariatestatistical process monitoring,MSPM)方法及神经网络等方法。其依托的主要理论是以主元分析(Principle component analysis,PCA)、偏最小二乘(Partial least squares,PLS)、规范变量分析(Canonical variable analysis,CVA)等为核心的投影降维方法或者依靠神经网络的分类功能分离故障数据。发明人在研发过程中发现，这些方法都是在故障类型单一，影响因素简单的情况下进行的。针对故障类型多元，影响因素复杂等情况，传统方法的准确性大大降低，因为传统方法没有考虑工艺变量之间的关联关系，而这些关联关系是复杂工业系统的典型特征，也是决定是否能够准确诊断出故障源的关键所在。
发明内容
针对现有传统技术都是在故障类型单一，影响因素简单的情况下进行故障检测与诊断，而没有考虑复杂工业过程中变量之间错综复杂的关联关系的问题，本公开提供了一种基于多层次知识图谱和贝叶斯理论推理的多源故障检测与诊断方法和装置，考虑了复杂工业过程中变量之间错综复杂的关联关系，提高故障检测与诊断技术在复杂工业过程中的准确性。
本公开的第一方面的一种多源故障检测与诊断方法的技术方案为：
一种多源故障检测与诊断方法，该方法包括以下步骤：
获取系统正常状态下的历史数据，构建正常状态下的多层次知识图谱，挖掘正常状态下多层次知识图谱的深层次关联路径；
获取系统当前待检测状态下的待检测的数据，构建待检测状态下的多层次知识图谱，挖掘待检测状态下多层次知识图谱的深层次关联路径；
判断待检测的数据是否处于故障状态；
若系统处于故障状态，则确定故障变量，构建待检测状态下的多层次知识图谱故障模型；
利用多层次知识图谱故障模型，结合贝叶斯理论进行多源故障诊断。
作为本公开的进一步技术方案，所述多层次知识图谱的构建方法为：
分析系统生产过程中影响生产状态的不同层次，根据每个层次的特点构建每个层次的知识图谱；
将每个层次的知识图谱进行整合，统一完整的知识图谱中，得到多层次知识图谱。
作为本公开的进一步技术方案，所述多层次知识图谱的深层次关联路径的挖掘方法为：
根据多层次知识图谱中已有的关联关系，寻找每个变量在知识图谱中的变量相关关系对，并将其作为该变量的权重系数；
根据每个变量的权重系数的大小选择深层次关联路径，所述深层次关联路径中的变量同时出现在每个层次知识图谱中。
作为本公开的进一步技术方案，所述判断待检测的数据是否处于故障状态的方法为：
计算正常状态下多层次知识图谱的深层次关联路径相关变量集合以及待检测状态下多层次知识图谱的深层次关联路径相关变量集合；
构建判别系数故障检测模型，计算判别系数；
给定容错率，比较判别系数与容错率的大小，若判别系数与1的差值大于等于给定的容错率，则系统进入故障状态；否则系统处于正常状态。
作为本公开的进一步技术方案，所述判别系数的计算方法为：
根据正常状态下多层次知识图谱的深层次关联路径相关变量集合，计算正常状态下多层次知识图谱的深层次关联路径相关变量集合中实体对的个数；
根据待检测状态下多层次知识图谱的深层次关联路径相关变量集合，计算待检测状态下多层次知识图谱的深层次关联路径相关变量集合中实体对的个数；
计算正常状态下深层次关联路径变量集合中与待检测状态下深层次关联路径变量集合中相同的变量实体对的个数，以及正常状态下知识图谱的深层次关联路径相关变量集合中实体对的关系权值与待检测状态下知识图谱的深层次关联路径相关变量集合中实体对的关系权值不一致的数量；
将上述值分别代入判别系数故障检测模型中，得到待检测状态下的判别系数。
作为本公开的进一步技术方案，所述多层次知识图谱故障模型的构建方法为：
比较正常状态下多层次知识图谱的深层次关联路径相关变量集合中和待检测状态下多层次知识图谱的深层次关键路径相关变量集合中相关变量，确定各个层次的知识图谱的相关变量对，得到系统故障变量；
在各个层次的知识图谱的相关变量对中选取相关系数中度和高度相关的变量对，构建多层次知识图谱故障模型。
作为本公开的进一步技术方案，所述多源故障诊断的方法为：
利用系统故障变量构建一个系统的故障症状集合；
根据系统的故障症状，寻找所有可能的候选故障原因；
计算每个故障症状的一阶割集表达式；
对每个故障症状的一阶割集表达式按照相关边方向进行逻辑展开，得到每个故障症状的最终割集表达式；
将所有故障症状的最终割集表达式进行逻辑交运算，并插入每个故障原因相应的发生概率值和相关边概率值，得到每个候选故障原因的后验概率值；
设定一定的阈值，比较每个候选故障原因的后验概率值是否超过设定的阈值，若候选故障原因的后验概率值超过设定的阈值，则将该候选故障原因作为系统故障原因，否则，该候选故障原因不是系统故障原因。
本公开的第二方面的一种多源故障检测与诊断装置的技术方案为：
一种多源故障检测与诊断装置，该装置包括：
深层次关联路径获取模块，用于获取系统正常状态下的历史数据，构建正常状态下的多层次知识图谱，挖掘正常状态下多层次知识图谱的深层次关联路径；获取系统当前待检测状态下的待检测的数据，构建待检测状态下的多层次知识图谱，挖掘待检测状态下多层次知识图谱的深层次关联路径；
故障检测模块，用于判断待检测的数据是否处于故障状态；
故障诊断模块，用于若系统处于故障状态，则确定故障变量，构建待检测状态下的多层次知识图谱故障模型；利用多层次知识图谱故障模型，结合贝叶斯理论进行多源故障诊断。
本公开的第三方面的一种计算机可读存储介质的技术方案为：
一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如上所述的多源故障检测与诊断方法中的步骤。
本公开的第四方面的一种计算机可读存储介质的技术方案为：
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如上所述的多源故障检测与诊断方法中的步骤。
通过上述技术方案，本公开的有益效果是：
(1)本公开构建的多层次知识图谱考虑到生产过程中众多变量之间的关联关系，同时将复杂工业系统中各个层面的资源整合到一起，将变量之间错综复杂的关系完整的表现出来，在进行故障检测与诊断时，能够更加全面的考虑各种影响因素，使故障检测与诊断的准确率提高。
(2)本公开通过构建的多层次知识图谱不仅能够挖掘出已知的显示知识，还能挖掘出深层次的隐式知识，目前传统的故障诊断手段无法得到隐式知识，而本公开通过挖掘出深层次的隐式知识，能够简单快捷的检测系统是否发生故障，并迅速定位系统故障源。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本申请，并不构成对本公开的不当限定。
图1是实施例一多源故障检测与诊断方法的流程图；
图2是实施例一构建多层次知识图谱的流程图；
图3是实施例一故障检测与诊断模型的流程图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供一种基于多层次知识图谱和贝叶斯理论推理的多源故障检测与诊断方法，首先利用复杂工业系统正常状态下的历史数据从不同层面进行分析，构建正常状态下多层次知识图谱，挖掘出正常状态下多层次知识图谱的深层次关联路径；获取到复杂工业系统待检测状态下待检测数据，计算判别系数R，判断系统是否处于故障状态，若系统处于故障状态，则进入故障诊断阶段；在故障诊断阶段，根据深层次关联路径确定系统故障变量，根据确定的故障变量构建待检测状态下的多层次知识图谱故障模型；利用构建的多层次知识图谱故障模型，结合贝叶斯理论进行多源故障推理，得到最有可能的故障起因。
请参阅附图1，所述多源故障检测与诊断方法包括以下步骤：
S101，获取复杂工业系统正常状态下的历史数据，构建出正常状态下的多层次知识图谱。
具体地，获取复杂工业系统正常状态下的历史数据，利用正常状态下的历史数据对复杂工业系统的不同层次进行分析，构建正常状态下的多层次知识图谱。
请参阅附图2，所述步骤101的具体实现过程如下：
离线获取复杂工业系统正常状态下的历史数据，包括生产过程数据、工艺流程数据、能源转换数据、原材料数据(包括批次，到货时间，原材料等级等) 等尽可能全面的历史离线数据。
针对特定的复杂工业领域，分析影响生产状态的不同层次。比如从最基本的生产过程数据到工业流程中的工艺变化都会影响生产状态。随着节能减排意识的增加，在复杂工业系统中如尾气再回收，冷热装置间热量交换等需求时常出现。随着工艺过程复杂性的增加，原材料的质量和供应问题也会影响到生产状态。
分析完复杂工业过程中的不同影响层次后，根据每个层次的特点构建每个层次的知识图谱。例如从复杂工业系统中的生产过程数据出发，可利用皮尔逊相关系数构建每个层次的知识图谱。从复杂工业系统的工艺流程层面出发，可利用一些先验知识构建知识图谱。
构建出每个层次的知识图谱后，将其进行整合，统一到一个完整的知识图谱中，得到多层次知识图谱。
本实施例获取复杂工业系统正常状态下的历史数据，利用正常状态下的历史数据对复杂工业系统的不同层次进行分析，构建正常状态下的多层次知识图谱，考虑到生产过程中众多变量之间的关联关系，同时将复杂工业系统中各个层面的资源整合到一起，将变量之间错综复杂的关系完整的表现出来。在进行故障检测与诊断时，能够更加全面的考虑各种影响因素，使故障检测与诊断的准确率提高。
S102，利用构建的多层次知识图谱，挖掘多层次知识图谱的深层次关联路径。
在本实施例中，所述深层次关联路径是多层次知识图谱的隐式知识，代表着工业系统内最重要的关联关系。
具体地，所述102中，挖掘多层次知识图谱的深层次关联路径的具体实现过程如下：
根据多层次知识图谱中已有的关联关系，寻找每个变量在知识图谱中的变量相关关系对，并将其作为该变量的权重系数。
根据每个变量的权重系数的大小选择一条深层次关联路径，这条深层次关联路径中的变量必须同时出现在各个层次知识图谱中，由此才可以代表多层次知识图谱的深层次关联关系。
在本实施例中，所述变量是构成知识图谱的所有节点。
本实施例所确定的深层次关联路径包含的信息丰富，体现着多层次知识图谱中深层次关联关系，通过多层次知识图谱中的深层次关联关系，不用考虑整个知识图谱中的复杂关联关系，能够快速，便捷的检测系统是否发生故障。
S103，利用深层次关联路径对待检测状态下待检测的数据进行故障检测与故障诊断。
在挖掘出正常状态下深层次关联路径后，需要对复杂工业系统正常状态下的待检测的数据进行故障检测与故障诊断。
具体地，所述步骤103 的具体实现方式如下：
S103-1，获取复杂工业系统待检测状态下的待检测的数据。
在线获取复杂工业系统当前待检测状态下待检测的产生过程数据。
S103-2，在故障检测阶段，判断待检测的数据是否处于故障状态。
具体地，所述步骤103-2 中，计算判别系数R，通过判别系数R来判断复杂工业系统是否处于故障状态；若复杂工业系统处于故障状态，则进入故障诊断阶段；若复杂工业系统不处于故障状态，则返回步骤103-1 。
具体地，所述步骤103-2中，判断待检测的数据是否处于故障状态的具体实现过程如下：
(1)计算正常状态下知识图谱的深层次关联路径相关变量集合以及待检测状态下知识图谱的深层次关联路径相关变量集合。
利用复杂工业系统待检测状态下的待检测的数据，对复杂工业系统的不同层次进行分析，构建待检测状态下的多层次知识图谱，挖掘待检测状态下知识图谱的深层次关联路径。
具体地，所述深层次关联路径相关变量集合的计算方法为：
(1-1)根据多层次知识图谱中的关联关系，寻找每个变量在知识图谱中的变量相关关系对(即变量的所有三元组(变量1，关系，变量2))；
(1-2)将每个变量的变量相关关系对作为该变量的权重系数，将权重系数降序排列；
(1-3)择权重系数较大，且同时出现在各个层次的知识图谱中的变量；将这些变量作为深层次关联路径中的变量，组成深层次关联路径相关变量集合。
(2)利用正常状态下知识图谱的深层次关联路径相关变量集合以及待检测状态下知识图谱的深层次关联路径相关变量集合，计算判别系数R。
具体地，所述判别系数R的计算方法具体为：
假设用T来表示正常状态下知识图谱中深层次关联路径中的变量集合， T＝[T1，T2，T3……]，N表示T中第i个变量实体对的集合，Ni表示第i个变量实体对，n表示N中实体对的个数，Wi表示N中第i对实体对的关系权值。用 T'来表示待检测状态下知识图谱中深层次关联路径中的变量集合，T'＝[T'1，T'2， T'3……]，N'表示T'中第i个变量实体对的集合，Ni'表示第i个变量实体对，m 表示N'中实体对的个数，Wi'表示N'中第i对实体对的关系权值。
当正常状态下深层次关联路径的变量集合T中部分变量的变量实体对与待检测状态下深层次关联路径的变量集合T'的变量实体对相同时
设正常状态下深层次关联路径变量集合中与待检测状态下深层次关联路径变量集合中相同的变量实体对的个数为t，记T中相对于与T'中不同实体对集合为Tk，T' 中相对于与T中不同实体对集合为Tk'。当Tk，Tk'存在不同实体对时，Tk，Tk' 各自动加1。
记正常状态下变量实体对的关系权值为0，当Tk，Tk'存在不同实体对时，Wi'自动加1。当Tk，Tk'有相同实体对时，Wi中关系权值与Wi'中对应的关系权值不一致时，W'自动加1。
构建判别系数故障检测模型，该模型表达式为：
基于正常状态下知识图谱的深层次关联路径相关变量集合以及待检测状态下知识图谱的深层次关联路径相关变量集合，利用构建的判别系数故障检测模型计算判别系数R。
具体地，根据正常状态下多层次知识图谱的深层次关联路径相关变量集合，计算正常状态下多层次知识图谱的深层次关联路径相关变量集合中实体对的个数n；根据待检测状态下多层次知识图谱的深层次关联路径相关变量集合，计算待检测状态下多层次知识图谱的深层次关联路径相关变量集合中实体对的个数 m；计算正常状态下深层次关联路径变量集合中与待检测状态下深层次关联路径变量集合中相同的变量实体对的个数t，以及正常状态下知识图谱的深层次关联路径相关变量集合中实体对的关系权值与待检测状态下知识图谱的深层次关联路径相关变量集合中实体对的关系权值不一致的数量W'；将n、m、t和W'分别代入上述的判别系数故障检测模型中，得到待检测状态下的判别系数R。
当正常状态下T和待检测状态下T'的变量实体对，实体关系权值都完全相同，此时正常状态下判别系数R的数学模型为：
(3)给定容错率，分析判别系数R的数值变化，确定复杂工业系统是否进入故障状态。
具体地，在给定一个可以接受的容错率ε基础上，通过分析判别系数R的数值变化，确定系统是否进入故障状态。如果容错率ε满足R-1≥ε，则复杂工业系统进入故障状态，进行故障诊断，否则表示复杂工业系统处于正常状态。
S103-3，在故障诊断阶段，构建待检测状态下的多层次知识图谱故障模型，利用多层次知识图谱故障模型，结合贝叶斯理论进行多源故障推理。
具体地，在故障诊断阶段，首先根据深层次关联路径确定复杂工业系统故障变量，然后根据确定的故障变量构建待检测状态下的多层次知识图谱故障模型；利用构建的多层次知识图谱故障模型，结合贝叶斯理论进行多源故障推理，最后输出诊断结论。
具体地，所述103-3的具体实现方式如下：
(1)当检测到复杂工业系统发生故障后，比较正常状态下和当前待检测状态下的深层次关键路径变量集合中相关变量对，确定复杂工业系统的故障变量。
(2)基于所获得的故障变量，构建当前待检测状态下的多层次知识图谱故障模型。
具体地，复杂工业系统的故障变量包含各个层次的知识图谱相关变量对，在各个层次的知识图谱相关变量对中选取相关系数中度和高度相关的变量对，构建多层次知识图谱故障模型。
(3)根据系统的故障症状，寻找所有可能的候选故障原因，针对每个候选故障原因，基于贝叶斯理论计算其在已知故障症状条件下的后验概率值。
假设复杂工业系统的所有故障变量组成了一个故障症状集合E＝ (E＝E1，……En)，其中n表示故障变量的个数，因此，在故障症状E条件下，故障原因ri的后验概率表示为：
其中，P(ri|E)为故障原因ri的后验概率值；P(ri)为故障原因ri发生的可能性大小；P(Ei)为故障症状Ei发生的可能性的大小。
具体地，基于贝叶斯理论计算在已知故障症状E条件下的后验概率值方法为：
(3-1)计算每个故障症状Ei的一阶割集表达式。
Ei＝et,irt∪ej,iEj (3)
Ej＝ek,jrk (4)
其中，Ei、Ej为故障症状，rt、rk为候选故障原因，ej,i为故障症状Ej到故障症状Ei的边；et,i为候选故障原因rt到故障症状Ei的边。
(3-2)计算每个故障症状Ei的最终割集表达式。
具体地，对一阶割集表达式按照相关边方向逻辑展开，该过程可以消去故障模型中所有的变量节点，得到原因节点和相关边组成的最终割集表达式。
故障症状Ei的最终割集表达式为：
Ei＝et,irt∪ej,iek,jrk (5)
其中，Ei、Ej为故障症状，rt、rk为候选故障原因，ej,i为故障症状Ej到故障症状Ei的边；et,i为候选故障原因rt到故障症状Ei的边。
(3-3)计算故障原因ri的后验概率值P(ri|E)。
具体地，对所有故障症状，按照公式(2)进行逻辑交运算，并插入相应的故障原因ri先验概率值和相关边概率值，获得最终所检测故障原因ri的后验概率值P(ri|E)。
在本实施例中，所述故障原因ri先验概率值为故障原因ri的发生概率值；所述相关边概率值为边的相关系数值。
(4)设定一定的阈值，比较故障原因ri的后验概率值是否超过设定的阈值，若故障原因ri的后验概率值超过设定的阈值，则将该故障原因视为复杂工业系统最有可能的故障起因。
本实施例提出的多源故障检测与诊断方法，利用正常状态下的历史数据从不同层面进行分析，构建多层次知识图谱；然后利用构建的多层次知识图谱，挖掘此知识图谱的深层次关联路径；当获取到需要检测和诊断的数据后，首先需要判断待检测数据是否处于故障状态，此阶段为故障检测阶段；建立判别系数R故障检测模型，通过计算判别系数R来判断系统是否处于故障状态；若系统处于故障状态，则进入故障诊断阶段；在故障诊断阶段，首先根据深层次关联路径确定系统故障变量，然后根据确定的故障变量构建当前状态下的多层次知识图谱故障模型；利用构建的多层次知识图谱故障模型，结合贝叶斯理论进行多源故障推理，最后输出诊断结论。
实施例二
本实施例提供一种多源故障检测与诊断装置，该装置包括：
深层次关联路径获取模块，用于获取系统正常状态下的历史数据，构建正常状态下的多层次知识图谱，挖掘正常状态下多层次知识图谱的深层次关联路径；获取系统当前待检测状态下的待检测的数据，构建待检测状态下的多层次知识图谱，挖掘待检测状态下多层次知识图谱的深层次关联路径；
故障检测模块，用于判断待检测的数据是否处于故障状态；
故障诊断模块，用于若系统处于故障状态，则确定故障变量，构建待检测状态下的多层次知识图谱故障模型；利用多层次知识图谱故障模型，结合贝叶斯理论进行多源故障诊断。
具体地，深层次关联路径获取模块具体用于：
获取系统正常状态下的历史数据；
分析系统生产过程中影响生产状态的不同层次，根据每个层次的特点构建每个层次的知识图谱；
将每个层次的知识图谱进行整合，统一完整的知识图谱中，得到正常状态下的多层次知识图谱；
根据多层次知识图谱中已有的关联关系，寻找每个变量在知识图谱中的变量相关关系对，并将其作为该变量的权重系数；
根据每个变量的权重系数的大小选择正常状态下多层次知识图谱的深层次关联路径，所述深层次关联路径中的变量同时出现在每个层次知识图谱中。
具体地，深层次关联路径获取模块还具体用于：
获取系统待检测状态下的待检测数据；
分析系统生产过程中影响生产状态的不同层次，根据每个层次的特点构建每个层次的知识图谱；
将每个层次的知识图谱进行整合，统一完整的知识图谱中，得到待检测状态下的多层次知识图谱；
根据多层次知识图谱中已有的关联关系，寻找每个变量在知识图谱中的变量相关关系对，并将其作为该变量的权重系数；
根据每个变量的权重系数的大小选择待检测状态下多层次知识图谱的深层次关联路径，所述深层次关联路径中的变量同时出现在每个层次知识图谱中。
具体地，所述故障检测模块具体用于：
计算正常状态下多层次知识图谱的深层次关联路径相关变量集合以及待检测状态下多层次知识图谱的深层次关联路径相关变量集合；
构建判别系数故障检测模型，计算判别系数；
给定容错率，比较判别系数与容错率的大小，若判别系数与1的差值大于等于给定的容错率，则系统进入故障状态；否则系统处于正常状态。
具体地，所述故障诊断模块具有用于：
若系统处于故障状态，则比较正常状态下多层次知识图谱的深层次关联路径相关变量集合中和待检测状态下多层次知识图谱的深层次关键路径相关变量集合中相关变量，确定各个层次的知识图谱的相关变量对，得到系统故障变量；
在各个层次的知识图谱的相关变量对中选取相关系数中度和高度相关的变量对，构建多层次知识图谱故障模型；
利用系统故障变量构建一个系统的故障症状集合；
根据系统的故障症状，寻找所有可能的候选故障原因；
计算每个故障症状的一阶割集表达式；
对每个故障症状的一阶割集表达式按照相关边方向进行逻辑展开，得到每个故障症状的最终割集表达式；
将所有故障症状的最终割集表达式进行逻辑交运算，并插入每个故障原因相应的发生概率值和相关边概率值，得到每个候选故障原因的后验概率值；
设定一定的阈值，比较每个候选故障原因的后验概率值是否超过设定的阈值，若候选故障原因的后验概率值超过设定的阈值，则将该候选故障原因作为系统故障原因，否则，该候选故障原因不是系统故障原因。
实施例三
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的多源故障检测与诊断方法中的步骤。
实施例四
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的多源故障检测与诊断方法中的步骤。
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、系统、或计算机程序产品。因此，本公开可采用硬件实施例、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存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (4)
1.一种多源故障检测与诊断方法，其特征是，该方法包括以下步骤：
获取系统正常状态下的历史数据，构建正常状态下的多层次知识图谱，挖掘正常状态下多层次知识图谱的深层次关联路径；
获取系统当前待检测状态下的待检测的数据，构建待检测状态下的多层次知识图谱，挖掘待检测状态下多层次知识图谱的深层次关联路径；
判断待检测的数据是否处于故障状态；
若系统处于故障状态，则确定故障变量，构建待检测状态下的多层次知识图谱故障模型；
利用多层次知识图谱故障模型，结合贝叶斯理论进行多源故障诊断；
所述多层次知识图谱的构建方法为：分析系统生产过程中影响生产状态的不同层次，根据每个层次的特点构建每个层次的知识图谱；将每个层次的知识图谱进行整合，统一完整的知识图谱中，得到多层次知识图谱；
所述多层次知识图谱的深层次关联路径的挖掘方法为：根据多层次知识图谱中已有的关联关系，寻找每个变量在知识图谱中的变量相关关系对，并将其作为该变量的权重系数；根据每个变量的权重系数的大小选择深层次关联路径；所述深层次关联路径中的变量同时出现在每个层次知识图谱中；
所述判断待检测的数据是否处于故障状态的方法为：计算正常状态下多层次知识图谱的深层次关联路径相关变量集合以及待检测状态下多层次知识图谱的深层次关联路径相关变量集合；构建判别系数故障检测模型，计算判别系数；给定容错率，比较判别系数与容错率的大小，若判别系数与1的差值大于等于给定的容错率，则系统进入故障状态；否则系统处于正常状态；
所述判别系数的计算方法为：根据正常状态下多层次知识图谱的深层次关联路径相关变量集合，计算正常状态下多层次知识图谱的深层次关联路径相关变量集合中实体对的个数；根据待检测状态下多层次知识图谱的深层次关联路径相关变量集合，计算待检测状态下多层次知识图谱的深层次关联路径相关变量集合中实体对的个数；计算正常状态下深层次关联路径变量集合中与待检测状态下深层次关联路径变量集合中相同的变量实体对的个数，以及正常状态下知识图谱的深层次关联路径相关变量集合中实体对的关系权值与待检测状态下知识图谱的深层次关联路径相关变量集合中实体对的关系权值不一致的数量；将上述值分别代入判别系数故障检测模型中，得到待检测状态下的判别系数；
所述多层次知识图谱故障模型的构建方法为：比较正常状态下多层次知识图谱的深层次关联路径相关变量集合中和待检测状态下多层次知识图谱的深层次关键路径相关变量集合中相关变量，确定各个层次的知识图谱的相关变量对，得到系统故障变量；在各个层次的知识图谱的相关变量对中选取相关系数中度和高度相关的变量对，构建多层次知识图谱故障模型；
所述多源故障诊断的方法为：
利用系统故障变量构建一个系统的故障症状集合；
基于所获得的故障变量，构建当前待检测状态下的多层次知识图谱故障模型；
根据系统的故障症状，寻找所有可能的候选故障原因；
计算每个故障症状的一阶割集表达式；
对每个故障症状的一阶割集表达式按照相关边方向进行逻辑展开，得到每个故障症状的最终割集表达式；
将所有故障症状的最终割集表达式进行逻辑交运算，并插入每个故障原因相应的发生概率值和相关边概率值，得到每个候选故障原因的后验概率值；
设定阈值，比较每个候选故障原因的后验概率值是否超过设定的阈值，若候选故障原因的后验概率值超过设定的阈值，则将该候选故障原因作为系统故障原因，否则，该候选故障原因不是系统故障原因。
2.一种多源故障检测与诊断装置，采用如权利要求1所述的一种多源故障检测与诊断方法，其特征是，该装置包括：
深层次关联路径获取模块，用于获取系统正常状态下的历史数据，构建正常状态下的多层次知识图谱，挖掘正常状态下多层次知识图谱的深层次关联路径；获取系统当前待检测状态下的待检测的数据，构建待检测状态下的多层次知识图谱，挖掘待检测状态下多层次知识图谱的深层次关联路径；
故障检测模块，用于判断待检测的数据是否处于故障状态；
故障诊断模块，用于若系统处于故障状态，则确定故障变量，构建待检测状态下的多层次知识图谱故障模型；利用多层次知识图谱故障模型，结合贝叶斯理论进行多源故障诊断。
3.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时实现如权利要求1中一种多源故障检测与诊断方法中的步骤。
4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1中一种多源故障检测与诊断方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910351329.5A CN109991951B (zh) | 2019-04-28 | 2019-04-28 | 多源故障检测与诊断方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910351329.5A CN109991951B (zh) | 2019-04-28 | 2019-04-28 | 多源故障检测与诊断方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109991951A CN109991951A (zh) | 2019-07-09 |
| CN109991951B true CN109991951B (zh) | 2020-10-02 |
Family
ID=67135441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910351329.5A Active CN109991951B (zh) | 2019-04-28 | 2019-04-28 | 多源故障检测与诊断方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109991951B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695780B (zh) * | 2020-05-18 | 2023-04-18 | 北京科技大学 | 一种工艺流程质量多故障自主检测方法及系统 |
| CN111694966B (zh) * | 2020-06-10 | 2023-07-21 | 齐鲁工业大学 | 面向化工领域的多层次知识图谱构建方法及系统 |
| CN111722058A (zh) * | 2020-06-17 | 2020-09-29 | 国网甘肃省电力公司信息通信公司 | 基于知识图谱的电力信息系统故障检测方法、装置及介质 |
| CN111930547B (zh) * | 2020-07-31 | 2024-06-25 | 中国工商银行股份有限公司 | 一种故障定位方法、装置及存储介质 |
| CN112348213A (zh) * | 2020-11-27 | 2021-02-09 | 新华三大数据技术有限公司 | 运维故障排查实现方法、装置、介质及设备 |
| CN112543126A (zh) * | 2020-12-22 | 2021-03-23 | 武汉联影医疗科技有限公司 | 云平台监控方法、装置、计算机设备和存储介质 |
| CN112800212B (zh) * | 2021-01-14 | 2022-06-03 | 国网山东省电力公司枣庄供电公司 | 基于知识图谱与fahp的配电站健康评估方法 |
| CN112859822B (zh) * | 2021-04-25 | 2021-07-09 | 北京邮电大学 | 基于人工智能的设备健康分析及故障诊断的方法及系统 |
| CN113359664B (zh) * | 2021-05-31 | 2023-07-07 | 海南文鳐科技有限公司 | 故障诊断与维护系统、方法、设备及存储介质 |
| CN116360387B (zh) * | 2023-01-18 | 2023-09-15 | 北京控制工程研究所 | 融合贝叶斯网络和性能-故障关系图谱的故障定位方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007250748A (ja) * | 2006-03-15 | 2007-09-27 | Omron Corp | プロセス異常分析装置および方法並びにプログラム |
| KR101094074B1 (ko) * | 2010-04-22 | 2011-12-15 | 주식회사 지오네트 | 성능저하 및 고장원인 조기 진단을 위한 알고리즘 분석모델 제작방법 |
| CN103983295B (zh) * | 2014-05-30 | 2016-07-06 | 江苏出入境检验检疫局机电产品及车辆检测中心 | 基于信号和环境激励的传感器故障诊断系统和诊断方法 |
| CN106844194B (zh) * | 2016-12-21 | 2018-06-15 | 北京航空航天大学 | 一种多层次软件故障诊断专家系统的构建方法 |
| CN106845526B (zh) * | 2016-12-29 | 2019-12-03 | 北京航天测控技术有限公司 | 一种基于大数据融合聚类分析的关联参数故障分类方法 |
| CN109460010B (zh) * | 2018-12-18 | 2020-11-17 | 彩虹无线（北京）新技术有限公司 | 基于知识图谱的车辆故障检测方法、装置及存储介质 |
-
2019
- 2019-04-28 CN CN201910351329.5A patent/CN109991951B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109991951A (zh) | 2019-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109991951B (zh) | 多源故障检测与诊断方法和装置 | |
| Huda et al. | An ensemble oversampling model for class imbalance problem in software defect prediction | |
| EP1960853B1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
| CN109657797B (zh) | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 | |
| CN107426741B (zh) | 一种基于免疫机理的无线传感器网络故障诊断方法 | |
| Vodenčarević et al. | Identifying behavior models for process plants | |
| Ortego et al. | Evolutionary LSTM-FCN networks for pattern classification in industrial processes | |
| CN112100403A (zh) | 一种基于神经网络的知识图谱不一致性推理方法 | |
| US20120016824A1 (en) | Method for computer-assisted analyzing of a technical system | |
| CN113919540B (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
| CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
| CN109919236A (zh) | 一种基于标签相关性的bp神经网络多标签分类方法 | |
| de Souza et al. | Fault detection of discrete-event systems based on an identified timed model | |
| CN117786374B (zh) | 一种基于图神经网络的多变量时序异常检测方法及系统 | |
| He et al. | A decomposition-based multi-objective particle swarm optimization algorithm with a local search strategy for key quality characteristic identification in production processes | |
| CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
| Jiang et al. | Fault Diagnosis of Gearbox in Multiple Conditions Based on Fine‐Grained Classification CNN Algorithm | |
| AU2021103316A4 (en) | Remote sensing image scene classification method based on automatic machine learning | |
| KR102495822B1 (ko) | 전력 변압기 고장 진단을 위한 지능형 시스템 | |
| CN114779739A (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 | |
| CN113556353A (zh) | 基于大数据的信息监控提醒方法及人工智能云服务系统 | |
| Vareille et al. | Evaluating Explanation Methods of Multivariate Time Series Classification through Causal Lenses | |
| Harikiran et al. | Software Defect Prediction Based Ensemble Approach. | |
| CN116541794B (zh) | 一种基于自适应图注意网络的传感器数据异常检测方法 | |
| Zhai et al. | Adaptive Modelling for Anomaly Detection and Defect Diagnosis in Semiconductor Smart Manufacturing: A Domain-specific AutoML |
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 | ||
| CP03 | Change of name, title or address |
Address after: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Patentee after: Qilu University of Technology (Shandong Academy of Sciences) Country or region after: China Address before: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Patentee before: Qilu University of Technology Country or region before: China |