CN110033101B - 基于融合特征的知识图谱的水电机组故障诊断方法和系统 - Google Patents
基于融合特征的知识图谱的水电机组故障诊断方法和系统 Download PDFInfo
- Publication number
- CN110033101B CN110033101B CN201910173342.6A CN201910173342A CN110033101B CN 110033101 B CN110033101 B CN 110033101B CN 201910173342 A CN201910173342 A CN 201910173342A CN 110033101 B CN110033101 B CN 110033101B
- Authority
- CN
- China
- Prior art keywords
- generating set
- hydroelectric generating
- data
- knowledge
- nodes
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 65
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 description 15
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于融合特征的知识图谱的水电机组故障诊断方法和系统，属于故障诊断技术领域。包括：根据水电机组振动数据，提取水电机组的结构化振动数据特征；根据水电机组多种诊断报告，提取水电机组的非结构化文本数据特征；将水电机组的结构化振动数据特征和非结构化文本数据特征进行异构知识融合，得到融合特征；根据融合特征，构建水电机组故障诊断知识图谱；根据水电机组故障诊断知识图谱和水电机组当前状态特征，对水电机组当前状态进行推理诊断。本发明通过融合结构化数据和非结构化数据，构建双层结构的水电机组故障诊断知识图谱，既保证了对文本和数据知识的合理且充分的利用，并有效地保证了在数据更新情况下图谱的稳定性。
Description
技术领域
本发明属于水电机组故障诊断技术领域，更具体地，涉及一种基于融合特征的知识图谱的水电机组故障诊断方法和系统。
背景技术
水轮发电机组的运行状态是否安全可靠，直接关系到水电站能否安全经济提供可靠的电力，也直接关系到水电站本身的安全。随着科技发展，水轮发电机组的故障诊断正由人工诊断到智能诊断、由离线诊断到在线诊断、由现场诊断到远程诊断逐渐发展。
故障诊断的核心是特征提取，通过特征提取后用分类器进行故障分类。目前，在水力发电机组振动故障诊断中得以研究和应用的主要有故障树故障诊断方法、模糊诊断方法、小波分析、深度学习和神经网络等方法。然而，现有技术仅针对水电机组振动信号等结构化数据的特征提取，均存在真实故障数据的缺乏，忽视了大量的文本资料中蕴含的知识。应用在其他领域故障诊断的方法大多是基于机器学习的方法，通过机器学习算法对文本进行特征提取以及相似性分析，从而得到诊断报告文本中的故障信息。
然而基于机器学习的算法往往存在对诊断文本丰富的内容信息利用有限的问题，同时浅层的构造模型在大量的数据面前显得力不从心。
发明内容
针对现有技术的缺陷，本发明的目的在于解决现有技术故障诊断方法多种故障信息融合利用困难、准确率和稳定性低的技术问题。
为实现上述目的，第一方面，本发明实施例提供了一种基于融合特征的知识图谱的水电机组故障诊断方法，该方法包括以下步骤：
S1.根据水电机组振动数据，提取水电机组的结构化振动数据特征；
S2.根据水电机组多种诊断报告，提取水电机组的非结构化文本数据特征；
S3.将水电机组的结构化振动数据特征和非结构化文本数据特征进行异构知识融合，得到融合特征；
S4.根据融合特征，构建水电机组故障诊断知识图谱；
S5.根据水电机组故障诊断知识图谱和水电机组当前状态特征，对水电机组当前状态进行推理诊断，推断出各种故障发生的可能性。
具体地，振动数据包括振动位移、速度和加速度传感器采集的原始数据；结构化振动数据特征包括传统特征和深度特征。
具体地，步骤S3具体为：将得到的两种异构故障知识，根据资源描述框架格式定义知识的统一表示结构，即“特征名称-特征属性-故障名称”形式的三元组结构，其中，特征名称表示故障特征名称；特征属性包含了关系强度Rb和特征本身的数值描述，关系强度表示了三元组关系的可信程度；故障名称表示故障类型名称。
具体地，步骤S4具体包括以下子步骤：
S41.从三元组融合特征中直接提取特征名称和故障名称，作为知识图谱的节点；
S42.根据三元组融合特征包含的关系强度Rb和对三元组的统计量，计算节点间的关系强度，作为知识图谱的边。
具体地，边为节点间的关系强度即节点激活的并发概率，通过三元组中“特征属性”包含的关系置信度和对三元组的统计量计算得到，具体地由公式
得到，其中，
表示节点间的关系强度，A表示激活度函数，D表示总的训练数量，
表示第d个数据对应特征节点i的特征值，
表示特征i对应故障f的标准值，F表示故障f对应的特征节点数。
具体地，步骤S42具体包括以下步骤：
S421.以文本数据特征为依据，两个节点内容的条件概率作为知识图谱模式层的边；
S422.以振动数据特征和文本数据特征为依据，两个节点内容对应情况在所有数据中的统计值作为知识图谱数据层的边；
S423.数据层中传统特征节点与意义相同的文本特征节点共同对应模式层相应节点。
具体地，所述水电机组故障诊断方法还包括：步骤S6.更新水电机组故障诊断知识图谱的数据和结构。
具体地，所述数据更新具体为：经过步骤S1～S2，可以得到结构化数据特征和非结构化数据特征，用更新数据计算所有边的关系强度RS′，然后与模式层节点间的关系强度进行加权平均的到新的关系强度值
即为更新后的关系强度，其公式表示如下：
其中，
表示更新后特征i与故障f节点间关系强度，
表示原节点间关系强度，
表示以更新数据为训练集得到的节点间关系强度，rs由公式
求得，rs′表示由更新数据计算出来的rs，A表示激活度函数，D表示总的训练数量，
表示第d个数据对应特征节点i的特征值，
表示特征i对应故障f的标准值，F表示故障f对应的特征节点数；
所述结构更新具体为：当振动数据特征的计算模型精度达到限定值Pb时，向模式层更新结构，包括该模型特征节点和与其相连的边。
第二方面，本发明实施例提供了一种基于融合特征的知识图谱的水电机组故障诊断系统，所述系统采用上述第一方面所述的知识图谱的水电机组故障诊断方法。
第三方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的知识图谱的水电机组故障诊断方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1.本发明通过同时对结构化的振动数据和非结构化的文本数据进行特征提取，以融合特征作为故障诊断的依据，解决真实故障数据缺乏的问题。
2.本发明通过基于RDF的知识表示范式，融合结构化数据和非结构化数据的深度特征，解决了水电机组诊断中结构化数据缺乏和非结构化数据的智能化诊断应用的技术问题。
3.本发明基于对文本资料和振动数据所蕴含知识的不平衡性考虑，结合普通知识图谱，构建具有双层结构的水电机组故障诊断知识图谱，既保证了对文本和数据知识的合理且充分的利用，并有效地保证了在数据更新情况下图谱的稳定性。
4.本发明通过知识图谱建立融合多种故障特征的知识网络，更加全面地覆盖了复杂的、潜在的故障特征关系，根据统计学原理和逻辑推理方法进行有效地故障分析，提高了故障诊断的准确性。
5.本发明通过提出双层知识图谱的更新方法，解决了专家知识与数据知识的融合难题，建立了具有智能学习能力的故障诊断系统，提高了故障诊断的准确度和稳定性。
附图说明
图1为本发明实施例提供的一种基于融合特征的知识图谱的水电机组故障诊断方法流程图；
图2为本发明实施例提供的异构知识融合过程示意图；
图3为本发明实施例提供的知识图谱结构示意图；
图4为本发明实施例提供的关系子图抽取过程示意图。
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白，以下结合附图及实施例，对本发明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仅用以解释本发明，并不用于限定本发明。
水电机组试验报告、检修报告、巡检记录等非结构文本数据中蕴含大量高价值故障知识，合理抽取文本故障知识对提高机组故障诊断效果具有重要意义。对水电机组的故障诊断文本进行知识抽取的关键问题在于，从异构的文本非结构化数据中抽取出有效的结构化信息，目前，其研究的重点在于针对故障、特征等命名实体进行识别与实体关系抽取。
如图1所示，一种基于融合特征的知识图谱的水电机组故障诊断方法，该方法包括以下步骤：
S1.根据水电机组振动数据，提取水电机组的结构化振动数据特征；
S2.根据水电机组多种诊断报告，提取水电机组的非结构化文本数据特征；
S3.将水电机组的结构化振动数据特征和非结构化文本数据特征进行异构知识融合，得到融合特征；
S4.根据融合特征，构建水电机组故障诊断知识图谱；
S5.根据水电机组故障诊断知识图谱和水电机组当前状态特征，对水电机组当前状态进行推理诊断，推断出各种故障发生的可能性。
步骤S1.根据水电机组振动数据，提取水电机组的结构化振动数据特征。
振动数据包括振动位移、速度和加速度传感器采集的原始数据。结构化振动数据特征包括传统特征和深度特征，传统特征包括时域特征和频域特征，例如：均值、最值、方差等。结构化振动数据深度特征的提取包括以下步骤：
(1)对水电机组振动的原始数据进行预处理。
将水电机组振动的原始数据作为输入样本集x，采用归一化处理，使得处理后的数据按原始数据的分布比例分布在-1到1之间，得到新的输入样本集x'。
(2)将预处理后数据等分为k组数据块，从k组数据块中随机抽取n组，组成训练数据。
将归一化处理后的样本集x'等分为k组数据块。从k组数据块中抽取n组组合成训练数据。
(3)通过深度自编码器提取训练数据的深度特征。
训练数据作为深度自编码模型的输入，通过深度自编码器的多层编码映射能力来构建数据的深度特征。深度自编码器提取得到的深度特征是一个d维的向量，代表一种深度特征，通过调整深度自编码器超参数，或将自编码器模型替换为长短期记忆网络、卷积神经网络等模型可以构建不同的深度特征。
步骤S2.根据水电机组多种诊断报告，提取水电机组的非结构化文本数据特征。
S201.将水电机组诊断报告中的句子解析为具有独立含义词语，得到的词序列组构成训练集。
将诊断报告中具有连贯语义的句子解析为具有独立含义词语，例如，句子“经机组顶盖螺栓加固后，主轴振摆超限消失”解析为“主轴振摆”、“顶盖螺栓”、“超限”、“消失”等关键词。利用ICTCLAS系统对水电机组诊断报告文本进行分词和词性、词关系标注，针对行业术语识别难题，建立水电机组故障诊断领域的故障名称、故障特征等专业术语词典协助划分和标注。
S202.使用训练集训练长短期记忆网络模型，得到能够提取文本中“实体-关系-实体”语义特征的深度特征提取模型。
将得到的词序列组作为输入，构建长短期记忆网络(LSTM)模型，实现对文本的端到端训练，得到能够提取文本中“实体-关系-实体”语义特征的深度特征提取模型。“实体”为故障类型和特征类型的词汇，例如，“轴承外圈缺陷”、“导瓦摆度越限”等；“关系”代表“特征”实体的数值描述，例如，“>150μm”。
步骤S3.将水电机组的结构化振动数据特征和非结构化文本数据特征进行异构知识融合，得到融合特征。
将得到的两种异构故障知识，根据资源描述框架(RDF)格式定义知识的统一表示结构，即“特征名称-特征属性-故障名称”形式的三元组结构，其中，“特征名称”表示故障特征名称；“特征属性”包含了关系强度Rb和特征本身的数值描述，关系强度表示了三元组关系的可信程度；“故障名称”表示故障类型名称。
如图2所示，对于结构化振动数据特征中的传统特征，传统特征包含特征名称、特征阈值、统计计算，分别对应特征名称、数值描述、关系强度，得到的传统特征三元组，其格式如“振动基频-(0.48，40Hz)-轴承外圈缺陷”。
如图2所示，对于结构化振动数据特征中的深度特征，深度特征包括深度模型、特征向量、统计计算，分别对应特征名称、数值描述、关系强度，得到深度特征三元组，其格式如“DAE模型1-(0.96,(1,0,0,0,0,0))-轴承滚动缺陷”。以对应到相应故障的所有训练数据计算得到的特征向量的均值作为特征的数值描述。其关系强度表示该特征与故障关系的可信程度，由公式
得到，其中，N表示可用于计算该特征的数据量，N0表示人为确定的数据量阈值，以100以上为宜。
如图2所示，对于非结构化文本数据特征，其包括特征实体、特征描述、关系强度，分别对应特征名称、数值描述、关系强度，得到非结构文本特征三元组，其格式如“上导摆度越限-(0.001，>150μm)-水流不稳定因素”。特征实体包含2种情况：第一种情况是状态值，例如，“保护开关跳闸”，其数值描述用0,1变量表示是否满足该状态；第二种是门限值，例如，“轴瓦温度越限”，其数值描述用不等式表示与门限值的大小关系，例如“轴瓦温度>80℃”。其关系强度通过在文本提取过程中对表示程度的相关词汇进行标注，赋予相应的概率值来表示该语句中提取的三元组关系的置信度，例如“偶然”赋值为0.001，“必然”赋值为1，默认值赋值为0.8。
步骤S4.根据融合特征，构建水电机组故障诊断知识图谱。
根据步骤S3得到的融合特征，构建水电机组故障诊断知识图谱。知识图谱是一种网络结构。
S41.从三元组融合特征中直接提取特征名称和故障名称，作为知识图谱的节点。
S42.根据三元组融合特征包含的关系强度Rb和对三元组的统计量，计算节点间的关系强度，作为知识图谱的边。
边为节点间的关系强度即节点激活的并发概率，通过三元组中“属性”包含的关系置信度和对三元组的统计量计算得到，具体地由公式
得到。其中，
表示节点间的关系强度，A表示激活度函数，D表示总的训练数量，
表示第d个数据对应特征节点i的特征值，
表示特征i对应故障f的标准值，F表示故障f对应的特征节点数。
根据特征的数值描述定义边的激活度函数，数值描述包括：状态值、门限值和标准值，激活度函数的具体定义如下：
其中，a为模型测试精度均值，C为对应特征的计算值，
为对应特征的标准值。
如图3所示，知识图谱是一种网络结构，由节点和边组成，节点代表特征和故障，边代表节点间的关系强度。本发明中知识图谱为双层结构，分为模式层和数据层。步骤S42具体包括以下步骤：
S421.以文本数据特征为依据，两个节点内容的条件概率作为知识图谱模式层的边。
S422.以振动数据特征和文本数据特征为依据，两个节点内容对应情况在所有数据中的统计值作为知识图谱数据层的边。
S423.数据层中传统特征节点与意义相同的文本特征节点共同对应模式层相应节点。
例如，数据层中的“振摆值”和“振摆越限”共同对应模式层的“振摆越限”。
步骤S5.根据水电机组故障诊断知识图谱和水电机组当前状态特征，对水电机组当前状态进行推理诊断，推断出各种故障发生的可能性。
知识图谱推理诊断的目的是根据已有的知识图谱和当前的状态特征找到对应的设备故障。
S501.通过深度学习模型与传统特征提取，得到与图谱中对应的特征实体和属性值。
S502.实时获取水电机组的数值数据、状态值和超限值。
S503.如图4所示，通过深度提取模型对数值数据进行特征提取得到深度特征，以深度特征、状态值和超限值为目标，在知识图谱模式层中检索其名称并提取出图谱中的相关实体和边构成关系子图。
S504.根据关系子图中节点和边的拓扑结构，建立贝叶斯概率网络模型，使用贝叶斯概率网络推导出故障的概率。
利用贝叶斯链规则、贝叶斯定理和条件独立性原理，实现基于知识图谱信息的不确定性推理。贝叶斯规则可表示为：
由贝叶斯规则推导可得故障概率推理公式为：
其中，f表示故障类型，Ci表示和故障关联的第i个特征。
由上述公式可推导出故障的概率，根据概率值的大小判断当前状态为F故障的可能性，实现基于知识图谱信息的不确定性推理。基于贝叶斯原理和概率图模型原理，具有更高的诊断精度和稳定性。
所述水电机组故障诊断方法还包括：
步骤S6.更新水电机组故障诊断知识图谱的数据和结构。
数据更新过程
经过步骤S1～S2，可以得到结构化数据特征和非结构化数据特征，用更新数据计算所有边的关系强度RS′，然后与模式层节点间的关系强度进行加权平均的到新的关系强度值
即为更新后的关系强度，其公式表示如下：
其中，
表示更新后特征i与故障f节点间关系强度，
表示原节点间关系强度，
表示以更新数据为训练集得到的节点间关系强度，rs由公式
求得，各符号含义与S42中相同。
结构更新过程
当振动数据特征的计算模型精度达到限定值Pb时，向模式层更新结构，包括该模型特征节点和与其相连的边，Pb取值范围为0.8～1。结构更新时边的数值计算与构建知识图谱步骤相同。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于融合特征的知识图谱的水电机组故障诊断方法，其特征在于，该方法包括以下步骤：
S1.根据水电机组振动数据，提取水电机组的结构化振动数据特征；
S2.根据水电机组多种诊断报告，提取水电机组的非结构化文本数据特征；
S3.将水电机组的结构化振动数据特征和非结构化文本数据特征进行异构知识融合，得到融合特征；
S4.根据融合特征，构建水电机组故障诊断知识图谱；
S5.根据水电机组故障诊断知识图谱和水电机组当前状态特征，对水电机组当前状态进行推理诊断，推断出各种故障发生的可能性；
步骤S4具体包括以下子步骤：
S41.从三元组融合特征中直接提取特征名称和故障名称，作为知识图谱的节点；
S42.根据三元组融合特征包含的关系强度Rb和对三元组的统计量，计算节点间的关系强度，作为知识图谱的边；
边为节点间的关系强度即节点激活的并发概率，通过三元组中“特征属性”包含的关系置信度和对三元组的统计量计算得到，具体地由公式
得到，其中，
表示节点间的关系强度，A表示激活度函数，D表示总的训练数量，
表示第d个数据对应特征节点i的特征值，
表示特征i对应故障f的标准值，F表示故障f对应的特征节点数。
2.如权利要求1所述的知识图谱的水电机组故障诊断方法，其特征在于，振动数据包括振动位移、速度和加速度传感器采集的原始数据；结构化振动数据特征包括传统特征和深度特征，所述传统特征包含时域特征和频域特征，所述深度特征为通过深度学习模型提取到的特征。
3.如权利要求1所述的知识图谱的水电机组故障诊断方法，其特征在于，步骤S3具体为：
将得到的两种异构故障知识，根据资源描述框架格式定义知识的统一表示结构，即“特征名称-特征属性-故障名称”形式的三元组结构，其中，
特征名称表示故障特征名称；特征属性包含了关系强度Rb和特征本身的数值描述，关系强度表示了三元组关系的可信程度；故障名称表示故障类型名称。
4.如权利要求1所述的知识图谱的水电机组故障诊断方法，其特征在于，步骤S42具体包括以下步骤：
S421.以文本数据特征为依据，两个节点内容的条件概率作为知识图谱模式层的边；
S422.以振动数据特征和文本数据特征为依据，两个节点内容对应情况在所有数据中的统计值作为知识图谱数据层的边；
S423.数据层中传统特征节点与意义相同的文本特征节点共同对应模式层相应节点。
5.如权利要求1所述的知识图谱的水电机组故障诊断方法，其特征在于，所述水电机组故障诊断方法还包括：
步骤S6.更新水电机组故障诊断知识图谱的数据和结构。
6.如权利要求5所述的知识图谱的水电机组故障诊断方法，其特征在于，所述数据更新具体为：经过步骤S1～S2，可以得到结构化数据特征和非结构化数据特征，用更新数据计算所有边的关系强度RS′，然后与模式层节点间的关系强度进行加权平均的到新的关系强度值
即为更新后的关系强度，其公式表示如下：
其中，
表示更新后特征i与故障f节点间关系强度，
表示原节点间关系强度，
表示以更新数据为训练集得到的节点间关系强度，rs由公式
求得，rs′表示由更新数据计算出来的rs；
所述结构更新具体为：当振动数据特征的计算模型精度达到限定值Pb时，向模式层更新结构，包括该模型特征节点和与其相连的边。
7.一种基于融合特征的知识图谱的水电机组故障诊断系统，其特征在于，所述系统采用如权利要求1至6任一项所述的知识图谱的水电机组故障诊断方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的知识图谱的水电机组故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910173342.6A CN110033101B (zh) | 2019-03-07 | 2019-03-07 | 基于融合特征的知识图谱的水电机组故障诊断方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910173342.6A CN110033101B (zh) | 2019-03-07 | 2019-03-07 | 基于融合特征的知识图谱的水电机组故障诊断方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110033101A CN110033101A (zh) | 2019-07-19 |
| CN110033101B true CN110033101B (zh) | 2021-02-12 |
Family
ID=67235160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910173342.6A Active CN110033101B (zh) | 2019-03-07 | 2019-03-07 | 基于融合特征的知识图谱的水电机组故障诊断方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110033101B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473557B (zh) * | 2019-08-22 | 2021-05-28 | 浙江树人学院（浙江树人大学） | 一种基于深度自编码器的语音信号编解码方法 |
| CN110674315B (zh) * | 2019-09-27 | 2022-09-27 | 湘潭大学 | 一种基于知识图谱技术的辅助电源调试方法 |
| CN110765277B (zh) * | 2019-10-22 | 2023-06-09 | 河海大学常州校区 | 一种基于知识图谱的移动端的在线设备故障诊断方法 |
| CN110941725A (zh) * | 2019-11-29 | 2020-03-31 | 国网湖南省电力有限公司 | 一种基于知识图谱的水电机组故障诊断方法及系统 |
| CN111472754B (zh) * | 2019-12-23 | 2021-01-22 | 北京国双科技有限公司 | 抽油机井的故障处理方法、装置、存储介质及电子设备 |
| CN111475654A (zh) * | 2019-12-30 | 2020-07-31 | 北京国双科技有限公司 | 油气田生产故障确定、知识图谱建立方法及装置 |
| CN111311059B (zh) * | 2020-01-16 | 2023-08-29 | 成都大汇物联科技有限公司 | 基于知识图谱的水车室故障诊断方法 |
| CN111400505A (zh) * | 2020-03-13 | 2020-07-10 | 国家电网有限公司 | 一种用电信息采集系统匹配故障消缺方案的方法及系统 |
| CN111392538A (zh) * | 2020-03-17 | 2020-07-10 | 浙江新再灵科技股份有限公司 | 一种基于多维物联网图谱大数据的电梯综合故障预警方法 |
| CN112052902B (zh) * | 2020-04-16 | 2023-05-23 | 北京信息科技大学 | 滚动轴承故障诊断方法、系统、计算机程序及存储介质 |
| CN113553420B (zh) * | 2020-04-22 | 2023-11-24 | 国网电力科学研究院有限公司 | 基于知识图谱的电网故障处理规程推荐方法和系统 |
| CN111523509B (zh) * | 2020-05-08 | 2023-08-29 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
| CN111832974A (zh) * | 2020-07-28 | 2020-10-27 | 重庆长安新能源汽车科技有限公司 | 车辆故障预警方法及存储介质 |
| CN112269901B (zh) * | 2020-09-14 | 2021-11-05 | 合肥中科类脑智能技术有限公司 | 一种基于知识图谱的故障判别推理方法 |
| CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
| CN112446144A (zh) * | 2020-11-17 | 2021-03-05 | 哈工大机器人（合肥）国际创新研究院 | 一种大型回转机组故障诊断方法及装置 |
| CN112596495B (zh) * | 2020-12-07 | 2022-03-25 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
| TWI766489B (zh) * | 2020-12-21 | 2022-06-01 | 財團法人工業技術研究院 | 用於工具機的加工監控方法及加工監控系統 |
| CN114691876A (zh) * | 2020-12-30 | 2022-07-01 | 宁波欧依安盾安全科技有限公司 | 一种基于文本的事故原因分析方法 |
| CN112884199B (zh) * | 2021-01-15 | 2024-06-25 | 华自科技股份有限公司 | 水电站设备故障预测方法、装置、计算机设备和存储介质 |
| CN113283027B (zh) * | 2021-05-20 | 2024-04-02 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
| CN114138982B (zh) * | 2021-12-02 | 2024-07-19 | 华北电力大学（保定） | 一种用于干式变压器故障诊断的知识图谱的构建方法 |
| CN114461784A (zh) * | 2022-01-18 | 2022-05-10 | 中国科学院大学 | 一种非结构化设备故障知识的分类及知识萃取方法 |
| CN115524002B (zh) * | 2022-09-19 | 2023-08-22 | 国家电投集团河南电力有限公司 | 一种电厂旋转设备的运行状态预警方法、系统及存储介质 |
| CN117332121B (zh) * | 2023-09-26 | 2024-07-26 | 华能澜沧江水电股份有限公司 | 一种水电厂非电量保护逻辑图谱生成系统及方法 |
| CN118446397B (zh) * | 2024-07-05 | 2024-09-20 | 新迎顺信息技术股份有限公司 | 基于边缘计算的水电站智慧巡检方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013113929A1 (fr) * | 2012-02-03 | 2013-08-08 | Thales | Procédé de traitement d'informations incertaines issues d'une pluralité de sources hétérogènes et procédé d'aide automatique à la décision associé |
| CN106447346A (zh) * | 2016-08-29 | 2017-02-22 | 北京中电普华信息技术有限公司 | 一种智能电力客服系统的构建方法及系统 |
| CN108509483A (zh) * | 2018-01-31 | 2018-09-07 | 北京化工大学 | 基于知识图谱的机械故障诊断知识库构建方法 |
-
2019
- 2019-03-07 CN CN201910173342.6A patent/CN110033101B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013113929A1 (fr) * | 2012-02-03 | 2013-08-08 | Thales | Procédé de traitement d'informations incertaines issues d'une pluralité de sources hétérogènes et procédé d'aide automatique à la décision associé |
| CN106447346A (zh) * | 2016-08-29 | 2017-02-22 | 北京中电普华信息技术有限公司 | 一种智能电力客服系统的构建方法及系统 |
| CN108509483A (zh) * | 2018-01-31 | 2018-09-07 | 北京化工大学 | 基于知识图谱的机械故障诊断知识库构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 装备维修保障知识图谱构建方法研究;车金立等;《兵工自动化》;20190131(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110033101A (zh) | 2019-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110033101B (zh) | 基于融合特征的知识图谱的水电机组故障诊断方法和系统 | |
| CN113723632B (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
| CN110825881B (zh) | 一种建立电力知识图谱的方法 | |
| CN112100383B (zh) | 一种面向多任务语言模型的元-知识微调方法及平台 | |
| CN114064918A (zh) | 一种多模态事件知识图谱构建方法 | |
| CN114138759B (zh) | 基于知识图谱推理的二次设备故障处理推送方法及系统 | |
| CN108874783A (zh) | 电力信息运维知识模型构建方法 | |
| Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
| Liu et al. | Topic detection and tracking based on event ontology | |
| Yu et al. | Policy text classification algorithm based on BERT | |
| Agarwal et al. | Addressing practical challenges in active learning via a hybrid query strategy | |
| CN117421171B (zh) | 一种大数据任务监控方法、系统、装置及存储介质 | |
| CN117235280A (zh) | 一种操作票生成方法、装置、设备及介质 | |
| Yaguinuma et al. | A meta-ontology for modeling fuzzy ontologies and its use in classification tasks based on fuzzy rules | |
| CN114694098A (zh) | 基于图像识别与知识图谱的电网基建施工风险管控方法 | |
| Yang et al. | Design and application of deep belief network based on stochastic adaptive particle swarm optimization | |
| Xinjie et al. | A Construction Method for the Knowledge Graph of Power Grid Supervision Business | |
| CN118504586B (zh) | 一种基于大语言模型的用户风险行为感知方法及相关设备 | |
| Gu et al. | Research on the Knowledge Graph Construction Technology and its Power Grid Applications | |
| Jia et al. | Construction and completion of operational entity relationship knowledge graph | |
| Yaguinuma et al. | Fuzz-onto: A meta-ontology for representing fuzzy elements and supporting fuzzy classification rules | |
| Ren et al. | A Synergistic Operation And Maintenance Service Method Of Complex Products Based On Knowledge Graph | |
| Lore et al. | Implicit Context-aware Learning and Discovery for Streaming Data Analytics | |
| CN117744021A (zh) | 园区管理方法、装置、电子设备及存储介质 | |
| Wei et al. | Intelligent Monitoring of Hydropower Signals Based on Knowledge Graph |
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 |