CN111966076A - 基于有限状态机和图神经网络的故障定位方法 - Google Patents

Abstract

本发明公开了一种基于有限状态机和图神经网络的故障定位方法，其包括将故障信息转换为图结构数据，并通过图神经网络模型对所述图结构数据进行推理的过程，所述转换通过有限状态机模型实现，本发明可显著提高工业过程中对故障的诊断的准确性、可靠性与及时性。

Description

基于有限状态机和图神经网络的故障定位方法

技术领域

本发明涉及工业过程故障定位方法的技术领域。

背景技术

在现当代工业过程中，数据繁杂、影响过程稳定性的因素繁多，为保证安全稳定的生产，发生的故障需要更精准的定位。但现有技术中，故障定位往往仍依靠维修人员的经验，使得故障排查受个人经验差异的影响明显，另一方面，故障存在突发性，而维修人员常以流动性排班工作，难以保证经验丰富的维修人员及时到位排查，进一步加大了故障定位的难度。在人员因素之外，现当代工业中故障的发生又往往具有“多点关联，多因素交杂”的特点，复杂程度大，难以单点定位。因此如何实现快速的故障定位并减少该过程中的人员依赖，是故障诊断领域技术人员目前需要解决的问题。

发明内容

本发明的目的在于提供一种智能化的故障诊断方法，其可在工业过程中实现快速、准确的故障定位与索因。

本发明首先提供了如下的技术方案：

基于有限状态机和图神经网络的故障定位方法，其包括将故障信息转换为图结构数据，并通过图神经网络模型对所述图结构数据进行推理的过程，所述转换通过有限状态机模型实现。

在一些具体实施方式中，所述有限状态机模型包括现态、条件和次态3个因素，以故障名称为节点，故障原因为边。

优选的，所述有限状态机模型设置为：

M＝(Q，Reason，δ，q₀，F)，其中，Q＝{q₁，q₂，...q_n}表示有限状态集合，q_n表示一个确定故障的状态，Reason＝{r₁，r₂，...r_i}表示故障原因集合，r_i表示一个确定的故障原因，δ表示状态转移函数，q₀∈Q表示初始状态，F∈Q表示最终状态。

在一些具体实施方式中，当产生新的故障时，对所述有限状态机模型进行更新，所述更新包括根据新的故障的名称增加所述有限状态机的节点，根据所述新的故障的原因增加所述有限状态机的边。

在一些具体实施方式中，所述新的故障来自实时故障信息采集，其判断包括：将获得的故障的名称通过词向量转换模型进行词向量转换，计算其对应的词向量与所述有限状态机模型中已有节点的余弦相似度，当相似度小于0.4时，该故障为新的故障。

在一些具体实施方式中，所述故障采集器通过python的BeautifulSoup库搭建。

在一些具体实施方式中，当所述故障信息包括新的故障时，在通过所述转换前，先对该故障信息进行预处理，所述预处理包括对所述故障信息通过命名实体识别模型进行命名实体识别和关系抽取，其中，所述命名实体为故障名称，所述关系为故障原因。

在一些具体实施方式中，所述预处理还包括将抽取出的命名实体及关系存入图数据库。

在一些具体实施方式中，所述图数据库为Neo4j。

在一些具体实施方式中，所述关系抽取通过D2R实现。

在一些具体实施方式中，识别后的命名实体及关系通过D2R转存为RDF数据结构。

在一些具体实施方式中，所述预处理还包括将抽取出的命名实体及关系整合为schema模式图，并将其存储于关系数据库，再转换为RDF数据结构。

在一些具体实施方式中，所述关系数据库为MySQL数据库。

在一些具体实施方式中，所述转换为RDF数据结构通过D2R实现。

在一些具体实施方式中，所述命名实体识别模型为通过训练集训练后的CRF++模型。

在一些具体实施方式中，所述图神经网络模型包括采样层、嵌入层、输入层、图神经网络层和输出层，所述采样层通过随机游走算法对所述图形数据进行采样。

在一些具体实施方式中，所述图神经网络模型为图卷积神经网络模型，其通过随机游走算法对所述图结构数据进行采样。

在一些具体实施方式中，所述图神经网络模型为GraphSAGE模型。

在一些具体实施方式中，所述图卷积神经网络模型包括2个图卷积层，位于2个图卷积层之间的1个随机失活层，及位于第2个图卷积层之后的softmax层。

在一些具体实施方式中，所述图卷积层的激活函数为ReLU函数。

在一些具体实施方式中，所述图卷积神经网络模型的损失函数为交叉熵损失函数。

在一些具体实施方式中，所述模型的训练可通过以下过程进行：

获得所述故障信息的文本数据集；

将所述文本数据集中的文本进行分词和停用词去除，得到其字典集；

通过所述字典集对所述词向量转换模型进行训练；

另外将标注后的所述文本数据集切分训练集和测试集，通过所述字典集与所述训练集对所述命名实体识别模型进行训练，通过所述测试集对其进行测试；

另外将所述文本数据集通过所述有限状态机模型转换为图结构数据，对所述图神经网络模型进行训练。

在一些具体实施方式中，所述词向量转换模型为CBOW模型。

在一些具体实施方式中，所述分词可通过Jieba软件实现。

在一些具体实施方式中，通过可视化工具对所述图神经网络模型获得索因路径进行可视化。

在一些具体实施方式中，所述可视化工具为D3.js。

本发明具备以下有益效果：本发明为智能化的故障诊断方法，其可显著提高工业过程中对故障的诊断的准确性、可靠性与及时性。本发明的方法通过有限状态机将故障信息转换为图结构数据，进一步通过图神经网络的强大推理能力，实现了工业过程中故障的快速、准确定位和原因排查，为故障检修提供了强有力的技术支撑，极大缩短了维修时间。本发明在已知节点故障下，可实现对节点间关系(边)的预测；在未知故障节点下，可先实现节点聚类，再实现关系(边)预测。其中的故障检测接口可记录故障每次发生的时间、以及排除故障后录入的机器部位，统计机器最易发生故障的地方，以做出高效准确的决策，如指导机器备用零件库存量。本发明的方法可进行可视化定位索因路径，增强了故障自动定位的可解释性。

附图说明

图1为本发明具体实施方式所述的整体流程示意图。

图2为本发明具体实施方式所述的图神经网络模型的训练过程示意图。

图3为本发明实施例1所述的schema定义示意图。

图4为本发明实施例1所述的有限状态机示意图。

图5为本发明实施例1所述的图卷积神经网络结构示意图。

具体实施方式

以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。

通过如附图1所示的流程进行故障的快速定位和索因，具体可包括：

SA1信息预处理

其可进一步包括：

SA10：自数据源中获取故障信息

数据源可如历史机器维修日志、机器操作说明手册、机器检修手册等，故障信息应包括故障的名称和原因，也可包括其它信息，如历史机器维修日志中记载的故障发生地点、时间、位置等。

SA11：信息格式转换

包括将数据源中的可用信息转换为规整的文本数据。如，可通过OCR技术，将从数据源识别得到文本转存为TXT格式的文档集，得到文本数据集D_source。

SA12：字典获取

将获取到的文本数据集如D_source中的各文本进行分词并去除停用词，得到其字典集。

具体过程可采用如：

通过分词软件如Jieba对文本数据集D_source中的每个文本内的句子进行分词并去除文档停用词，得到由非停用词组成的字典集D_cut-stopword＝{w₁，w₂，...w_n}，其中w_n表示其中的每个分词，n表示分词的总数量。

SA13：词向量转换

将字典集内的全部分词转换为词向量。

其中，转换可通过训练完成的词向量转换模型获得。

词向量转换模型可通过已知字典集如D_cut-stopword进行词向量训练，优选采用CBOW模型。

所述CBOW模型通过中心词的上下文相关词，来预测中心词出现概率，如下：

P＝(w_targetw_target-1，w_target-2，...w_target-i，w_target+1，w_target+2，...w_target+i)

其中，i表示相关词与中心词之间的距离，w_targe ^t表示中心词，P为在当前上下文中，输出中心词的概率值。

SA2：信息抽取

其可进一步包括：

SA21：实体抽取

所得故障信息中，故障名称为实体，对其进行的抽取即命名实体识别，可通过训练完成的命名实体识别模型完成，得到如下格式的的命名实体集合：

Break＝{b₁，b₂，...b_i}，

其中，b_i表示某个具体故障的名称，i表示故障名称总个数。

所用命名实体识别模型可选择跨平台命名实体识别工具CRF++，其可通过如下的过程完成训练：

将文本信息数据集D_source通过标注工具如BIO标注工具进行标注，将标注后的数据切分为训练集D_source-train和测试集D_source-test，其后通过前述字典集D_cut-stopword和训练集D_source-train训练CRF++，并通过测试集D_source-test测试训练后的CRF++的效果，当测试达到预期效果时，完成对CRF++的训练。

SA22：关系抽取

所得故障信息中，故障原因为关系，对其进行的抽取可通过关系抽取工具完成，得到如下格式的的关系集合：

Reason＝{r₁，r₂，...r_i}，其中，r_i表示某个具体的故障原因，i表示原因总个数。

所用关系抽取工具可选择为D2R。通过D2R将故障的文本数据中的关系，即故障原因抽取出来，转存为RDF数据结构。

将抽取出的故障名称及故障原因存入图数据库如Neo4j中，并在图数据库中进行查找与索引。

将完成抽取后的命名实体集合及关系集合通过词向量转换模型转换为词向量。

SC：通过有限状态机模型获得图形数据

其中，有限状态机模型可通过初始有限状态机模型的搭建及模型的更新建立，如下：

SC1：搭建初始有限状态机模型

常用状态机主要包含“现态”、“条件”、“动作”和“次态”4个要素。其中，“现态”指当前所处的状态；“条件”又可称“事件”，当一个条件被满足，状态机将会触发一个动作，或者执行一次状态的迁移；“动作”指“条件”满足后执行的动作，动作执行完毕后，状态机可以迁移到新的状态或保持原来的状态；“次态”指条件满足后要迁移的新状态，“次态”一旦被激活就变成了“现态”。

本发明所用有限状态机可仅设置“现态”、“条件”和“次态”3个因素，以故障名称为节点，故障原因为边，存储抽取出的信息到Neo4j图数据库，预生成有限状态机。

其中，每一个节点都是有限状态机的一个状态，边是状态转换的条件，本发明所用有限状态机模型可额外附加两个状态，包括正常运行的初始状态以及终止状态。

具体的，模型可采用如下设置：

M＝(Q，Reason，δ，q₀，F)，其中，Q＝{q₁，q₂，...q_n}表示有限状态集合，在任一确定时刻，有限状态机只能接收一个确定的状态输入q_n，即在任一确定时刻，有限状态机只能接收一个确定的故障名称；Reason表示故障原因集合，其为有限输入字符的集合，在任一确定时刻，有限状态机只能接收一个确定的原因输入r_i；δ表示状态转移函数，在某一给定输入状态和输入原因下，有限状态机将自前一个状态转入经状态迁移函数决定的新状态，即δ：Q×Reason→Q；q₀∈Q表示初始状态，有限状态机由此状态开始接收输入；F∈Q表示最终状态，有限状态机在达到终态后不再接收输入。

SC2：模型更新

当输入的故障信息中出现新的不存在于初始有限状态机模型中的故障名称b_new时，使用含有该新故障名称的新维修日志通过前述过程SA1-SA2更新字典集和词向量，再对应增加初始有限状态机模型中节点与边，将b_new存入图数据库，更新有限状态机。

更具体的，其中新的故障名称b_new一般来自实时故障信息采集，如：

SB1实时故障信息采集

通过实时故障采集器，采集上报的故障名称及报文中包含的其他信息，将获得的上报故障名称在有限状态机模型已存在的故障名称中进行检索，若其为已有故障，则按照已知故障进行处理，若其为新的故障b_new，将新的故障b_new的名称作为有限状态机中的新的节点，其对应的其他信息作为状态机中的新的边对有限状态机模型进行更新。

更具体的，可通过新故障b_new的名称对应的词向量，与状态机中的节点进行余弦相似度计算，来判定是否为新的故障。

其中，余弦相似度的阈值可设置为0.4，即余弦相似度大于0.4的故障为相似故障，小于0.4的故障为新故障。

所用故障采集器可通过python的BeautifulSoup库搭建。

SD：通过图神经网络模型实现故障定位和索因

在有限状态机模型中，从广度上讲，每一个节点“现态”都通过不同的边“条件”与多个节点“次态”相连；从深度上讲，从“现态”到深层“次态”存在不同的深度。因此，故障诊断需要结合“经验信息”发现一条或多条“现态”到不同深度“次态”的路径。

上述过程可通过图神经网络(GNN)模型获得。

具体的，需要通过GNN模型进行以下推理：在有限状态机模型中，发现和故障“现态”最相关的不同深度下的节点“次态”，进而发现到达不同节点“次态”的路径。

更具体的，可选择图卷积神经网络(GCN)模型，如GraphSAGE模型。

其训练过程如附图2所示，包括：

首先采用随机游走的方法对通过有限状态机模型获得的图像进行采样，即通过随机游走算法在图像中随机游走并随机均匀的选取节点，生成固定长度的随机游走序列。

其后通过嵌入层(Embedding layer)将节点生成的随机游走序列转化为可以直接计算的向量。

其后通过输入层(Input layer)将节点生成的随机游走序列的向量拼接为张量，输入至图神经网络(GNN)层中。

其后通过GNN层对输入的内容进行推理，并通过输出层(Output layer)输出结果。

训练过程中，可将经验信息作为训练时的Groundtruth，通过损失函数对模型参数进行调整，达到训练目的。

损失函数可设置为交叉熵损失函数，模型通过梯度下降法进行优化。

通过训练完成的图神经网络模型，可以实现在故障发生时，根据“现态”节点，自动推理出一条节点序列，该序列就是“现态”索因的路径信息。

SE可视化故障索因路线图

在获得故障索因路径后，可通过可视化工具如D3.js对路线进行可视化。当新故障b_new发生时，可通过图数据查询语句如Cypher经故障名称在数据库中查找抵达与b_new类似的节点路线，再通过数据库内置的D3.js对路线进行可视化路。

实施例1

以含有表1所示信息的设备维修手册作为数据源，进行模型训练：

表1设备维修手册示意内容

其可获得含有多个故障信息的文本数据集D_source，对该文本数据集中各文本通过Jieba分词软件进行分词，并去除停用词，获得字典集D_cut-stopword。

通过字典集D_cut-stopword对CBOW模型进行训练。模型参数设定为：滑动窗口Windows＝2，即中心词左右分别选两个词作为其上下文词；模型输出词向量维度＝300，即每一个单词可用一个300维的向量表示；损失函数设定为：

其中T为训练文本的长度，1≤i≤T；使用梯度下降算法更新参数。

将文本信息数据集D_source通过BIO进行标注，标注后数据中90％作为训练集D_source-train，10％作为测试集D_source-test。

通过字典集D_cut-stopword和训练集D_source-train训练CRF++进行实体抽取，并通过测试集D_source-test测试训练后的CRF++的效果。

其中，CRF++参数选择工具默认设置。当测试集测试准确性结果大于94％时，完成对CRF++的训练。

将通过CRF++抽取到的命名实体集合，如激光打标机、激光控制器、激光头、工业机器人、电机、螺栓、齿轮箱、密封、油封、O型圈、加油嘴、螺塞等及其关系集合，如电源未开启、过载、发生撞击、密封泄漏等(其可进一步抽象为电源、过载、撞击和密封等)，整合为schema模式图，如图3所示，并将其存储于关系型数据库，如MySQL数据库中，通过D2R工具，实现关系数据库到RDF的数据结构转换。

根据RDF数据搭建如附图4所示的有限状态机模型，将其获得的图结构数据再加入如附图5所示的GCN模型中进行训练。

该模型包括2个图卷积层，位于2个图卷积层之间的随机失活层，及位于第2个图卷积层之后的softmax层。其激活函数采用ReLU，损失函数采用交叉熵，参数更新方式为梯度下降(Adam优化器)，学习率设为0.01，停止条件为验证集loss连续十个迭代周期没有下降。模型以如下的一些经验信息作为Ground truth：(正常，电源，未运行)、(机器未运行，电源，无输入)、(正常，过载，异响)、(正常，过载，电机过热)和(异响，密封，漏油)等。

在完成上述训练过程后，将通过实时故障采集器采集到的已有故障名称为无激光输入、其他信息为故障发生时间以及以往统计的信息进行处理，包括：节点相似度计算，节点分类，最终结果为高度异常；采集新的故障名称为电机不运行、其他信息为故障发生时间以及以往统计的信息进行处理，包括：节点相似度计算、节点分类、关系预测，最终结果为过载。说明本发明可快速准确地实现故障的定位和索因。实际测试已知节点响应时间为10秒，正确率为97.3％；新节点响应时间在18秒，正确率为94.2％。

以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.基于有限状态机和图神经网络的故障定位方法，其特征在于：其包括将故障信息转换为图结构数据，并通过图神经网络模型对所述图结构数据进行推理的过程，所述转换通过有限状态机模型实现。

2.根据权利要求1所述的方法，其特征在于：所述有限状态机模型包括现态、条件和次态3个因素，以故障名称为节点，故障原因为边，其模型设置为：

M＝(Q，Reason，δ，q₀，F)，其中，Q＝{q₁，q₂，...q_n}表示有限状态集合，q_n表示一个确定故障的状态，Reason＝{r₁，r₂，...r_i}表示故障原因集合，r_i表示一个确定的故障原因，δ表示状态转移函数，q₀∈Q表示初始状态，F∈Q表示最终状态。

3.根据权利要求2所述的方法，其特征在于：当产生新的故障时，对所述有限状态机模型进行更新，所述更新包括根据新的故障的名称增加所述有限状态机的节点，根据所述新的故障的原因增加所述有限状态机的边。

4.根据权利要求3所述的方法，其特征在于：所述新的故障来自实时故障信息采集，其判断包括：将获得的故障的名称通过词向量转换模型进行词向量转换，计算其对应的词向量与所述有限状态机模型中已有节点的余弦相似度，当相似度小于0.4时，该故障为新的故障。

5.根据权利要求4所述的方法，其特征在于：当所述故障信息包括新的故障时，在通过所述转换前，先对该故障信息进行预处理，所述预处理包括对所述故障信息通过命名实体识别模型进行命名实体识别和关系抽取，其中，所述命名实体为故障名称，所述关系为故障原因。

6.根据权利要求5所述的方法，其特征在于：所述命名实体识别模型为通过训练集训练后的CRF++模型。

7.根据权利要求1所述的方法，其特征在于：所述图神经网络模型为图卷积神经网络模型，其通过随机游走算法对所述图结构数据进行采样。

8.根据权利要求7所述的方法，其特征在于：所述图卷积神经网络模型包括2个图卷积层，位于2个图卷积层之间的1个随机失活层，及位于第2个图卷积层之后的softmax层。

9.根据权利要求4-8所述的方法，其特征在于：所述模型的训练可通过以下过程进行：

获得所述故障信息的文本数据集；

将所述文本数据集中的文本进行分词和停用词去除，得到其字典集；

通过所述字典集对所述词向量转换模型进行训练；

另外将标注后的所述文本数据集切分为训练集和测试集，通过所述字典集与所述训练集对所述命名实体识别模型进行训练，通过所述测试集对其进行测试；

另外将所述文本数据集通过所述有限状态机模型转换为图结构数据，对所述图神经网络模型进行训练。

10.根据权利要求9所述的方法，其特征在于：所述词向量转换模型为CBOW模型。

Images