CN110705710A - 一种基于知识图谱的工业故障分析专家系统 - Google Patents

Abstract

本发明提出了一种基于知识图谱(Knowledge Graph)的工业故障分析专家系统，包括以下步骤：专家经验知识获取以及预处理消除异常和补全缺失值；接下来进行知识数据模糊化，并以此运用语义网技术以及图计算引擎构建工业故障分析领域知识图谱；通过图谱动态自优化过程保证知识图谱结构的精简高效，提高计算效率；基于模糊推理方法对工业故障进行诊断分析，高效准确的判断数据或设备异常。

Description

一种基于知识图谱的工业故障分析专家系统

技术领域

本发明涉及互联网领域、设备故障诊断领域、模糊控制领域与专家系统领域，具体涉及到一种基于知识图谱的工业故障分析专家系统。

背景技术

基于知识图谱(Knowledge Graph)的工业故障分析专家系统。基于专业领域专家经验知识建设相关领域知识图谱，运用模糊推理技术对工业设备故障进行诊断分析，明确设备运行状态，降低故障损失。最接近本发明的技术有：

(1)、基于规则的工业设备故障分析专家系统：基于规则的方式是将知识表示成为一系列规则，每个规则使用IF(条件)-THEN(动作)结构指定知识推理关系，当满足规则的条件部分时，便激发规则，执行动作分析部分。规则知识库实现简单，易于理解，但是知识获取过程较为繁琐且无自学习能力。

(2)、基于实例的工业设备故障分析专家系统：基于实例的工业设备故障分析专家系统中存储的知识是各种故障模式的实例，这些实例中包括着故障症状、对应着故障发生的部位以及故障发生原因等故障解释信息。基于实例的专家系统的知识库扩充需要不断的添加故障实例，知识获取过程简单，而且知识表示能力差，以致故障推理过程困难，泛化能力一般

(3)、基于神经网络算法的工业设备故障分析专家系统：基于神经网络算法的工业设备故障分析专家系统是利用历史故障数据样本训练神经网络，具有较好的容错能力与自学习能力。但由于神经网络的特性，专家系统往往难以对推理过程进行合理解释

近年来，提升工业智能化水平，在安全生产的同时尽可能的提高生产效率成为传统制造业转型需求。传统的工业设备故障分析专家系统在知识表示方面、知识存储以及知识推理存在一定的不足。本方法采用基于知识图谱的专家知识表示与知识存储方法，结合模糊推理技术准确的诊断分析设备故障情况，保证设备运行的稳定性。

发明内容

为解决现有技术中的缺点和不足，本发明提出了基于知识图谱的工业故障分析专家系统，基于知识图谱的专家知识表示与知识存储方法，结合模糊推理技术准确的诊断分析设备故障情况，保证设备运行的稳定性。

本发明的技术方案为：

一种基于知识图谱的工业故障分析专家系统，其特征在于，知识获取模块、知识数据模糊化模块、知识图谱构建模块、图谱动态自优化模块、模糊推理模块，包括以下步骤：

步骤(1)、在知识获取模块，接收工作人员输入的与故障诊断分析相关的专家经验知识。这些综合信息经过清洗、筛选、和特征提取，形成有效的故障特征相关信息；

步骤(2)、在知识数据模糊化模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,得到相对应的故障征兆隶属度值；

步骤(3)、在知识图谱构建模块，对模糊化的专家经验知识，利用图计算引擎和语义网技术实现工业故障分析领域相关知识图谱的解析、构建处理，通过语义网技术将各类型工业设备、故障特征数据以及故障处理方案的联系抽象为图，结合图数据半结构化的特征，采用以图顶点为中心、基于消息传递批处理的自适应并行化图计算引擎，进行运算优化，并建立关联化生产设备图谱、工业设备故障特征图谱；

步骤(4)、在图谱动态自优化模块，不断进行图谱内容的持续扩充和知识的不断优化处理。对于系统中新增的工业生产设备、故障特征等，通过由知识图谱中已有的数据得到的深度学习模型进行分类，并根据数据特征建立起与现有知识图谱的关联，以此实现知识图谱的持续扩增。同时，通过不断消歧分析以及聚类分析对冗余数据特征进行分类精简，避免图谱冗余导致效率低下。

步骤(5)、在模糊推理模块，对当前故障信息与知识库中已有的故障知识以及专家经验进行匹配推理，找出故障原因。首先输入故障特征。对输入的数据变量进行模糊化操作得到相应的故障指标模糊输入隶属函数变量；之后采用RETE匹配算法对知识图谱中的存储的故障知识与录入的故障特征进行循环模糊匹配，判断在知识图谱中有无可匹配知识。若有再进行判断是否需要冲突消解，按照预定义图谱知识匹配优先级别消除冲突后输出故障分析推理结果，结束推理过程。若已建立的知识图谱中无相应知识满足推理要求，输出无解。同时将此条故障事实作为一条新的知识输入到系统中，并通过人工方式为其配置相应的故障原因分析知识，结束推理过程。

本发明的有益效果：

(1)通过语义网技术结合图计算引擎构建工业故障分析知识图谱，增强了对专家知识的表示能力，提高了处理速度；

(2)通过图谱动态自优化模块减少了知识图谱的冗余度，增强图谱内知识关联性，提高了算法处理效率；

(3)基于模糊理论的推理算法精度大大提高，在实际中能准确的预测设备工况，从而提高设备运行质量。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于知识图谱的工业故障分析专家系统的工作流程图；

图2为本发明基于模糊理论的工业故障推理流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于知识图谱的工业故障分析专家系统，包含知识获取模块、知识数据模糊化模块、知识图谱构建模块、图谱动态自优化模块和模糊推理模块。

下面结合图1与图2，对基于知识图谱的工业故障分析专家系统具体流程进行详细说明：

步骤(1)、在知识获取模块，接收工作人员输入的与故障诊断分析相关的专家经验知识。这些综合信息经过清洗、筛选、和特征提取，形成有效的故障特征相关信息；

步骤(2)、在知识数据模糊化模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,得到相对应的故障征兆隶属度值；

步骤(3)、在知识图谱构建模块，对模糊化的专家经验知识，利用图计算引擎和语义网技术实现工业故障分析领域相关知识图谱的解析、构建处理，通过语义网技术将各类型工业设备、故障特征数据以及故障处理方案的联系抽象为图，结合图数据半结构化的特征，采用以图顶点为中心、基于消息传递批处理的自适应并行化图计算引擎，进行运算优化，并建立关联化生产设备图谱、工业设备故障特征图谱；

步骤(4)、在图谱动态自优化模块，不断进行图谱内容的持续扩充和知识的不断优化处理。对于系统中新增的工业生产设备、故障特征等，通过由知识图谱中已有的数据得到的深度学习模型进行分类，并根据数据特征建立起与现有知识图谱的关联，以此实现知识图谱的持续扩增。同时，通过不断消歧分析以及聚类分析对冗余数据特征进行分类精简，避免图谱冗余导致效率低下。

步骤(5)、在模糊推理模块，对当前故障信息与知识库中已有的故障知识以及专家经验进行匹配推理，找出故障原因。首先输入故障特征。对输入的数据变量进行模糊化操作得到相应的故障指标模糊输入隶属函数变量；之后采用RETE匹配算法对知识图谱中的存储的故障知识与录入的故障特征进行循环模糊匹配，判断在知识图谱中有无可匹配知识。若有再进行判断是否需要冲突消解，按照预定义图谱知识匹配优先级别消除冲突后输出故障分析推理结果，结束推理过程。若已建立的知识图谱中无相应知识满足推理要求，输出无解。同时将此条故障事实作为一条新的知识输入到系统中，并通过人工方式为其配置相应的故障原因分析知识，结束推理过程。

本发明提出了基于知识图谱的工业故障分析专家系统，基于知识图谱的专家知识表示与知识存储方法，结合模糊推理技术准确的诊断分析设备故障情况，保证设备运行的稳定性。有效的利用了专家经验知识，具有故障推理分析更加精确，增加了对设备工况判断的准确性；。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于知识图谱的工业故障分析专家系统，其特征在于，知识获取模块、知识数据模糊化模块、知识图谱构建模块、图谱动态自优化模块、模糊推理模块，包括以下步骤：

步骤(1)、在知识获取模块，接收工作人员输入的与故障诊断分析相关的专家经验知识。这些综合信息经过清洗、筛选、和特征提取，形成有效的故障特征相关信息；

步骤(2)、在知识数据模糊化模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,得到相对应的故障征兆隶属度值；

步骤(3)、在知识图谱构建模块，对模糊化的专家经验知识，利用图计算引擎和语义网技术实现工业故障分析领域相关知识图谱的解析、构建处理，通过语义网技术将各类型工业设备、故障特征数据以及故障处理方案的联系抽象为图，结合图数据半结构化的特征，采用以图顶点为中心、基于消息传递批处理的自适应并行化图计算引擎，进行运算优化，并建立关联化生产设备图谱、工业设备故障特征图谱；

步骤(4)、在图谱动态自优化模块，不断进行图谱内容的持续扩充和知识的不断优化处理。对于系统中新增的工业生产设备、故障特征等，通过由知识图谱中已有的数据得到的深度学习模型进行分类，并根据数据特征建立起与现有知识图谱的关联，以此实现知识图谱的持续扩增。同时，通过不断消歧分析以及聚类分析对冗余数据特征进行分类精简，避免图谱冗余导致效率低下。

步骤(5)、在模糊推理模块，对当前故障信息与知识库中已有的故障知识以及专家经验进行匹配推理，找出故障原因。首先输入故障特征。对输入的数据变量进行模糊化操作得到相应的故障指标模糊输入隶属函数变量；之后采用RETE匹配算法对知识图谱中的存储的故障知识与录入的故障特征进行循环模糊匹配，判断在知识图谱中有无可匹配知识。若有再进行判断是否需要冲突消解，按照预定义图谱知识匹配优先级别消除冲突后输出故障分析推理结果，结束推理过程。若已建立的知识图谱中无相应知识满足推理要求，输出无解。同时将此条故障事实作为一条新的知识输入到系统中，并通过人工方式为其配置相应的故障原因分析知识，结束推理过程。

Images