CN112596495B - 一种基于知识图谱的工业设备故障诊断方法及系统 - Google Patents

Abstract

本发明提出了一种基于知识图谱的工业设备故障诊断方法及系统。包括：采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息。本发明通过收集各种工业设备维护数据以及故障信息结合本领域其他知识信息构建全面完整的知识图谱，然后根据知识图谱对待诊断工业设备的状态进行判断，不仅能够及时对设备故障进行判断，避免出现危险事故，同时能够对设备故障进行溯源，增强设备管理安全性。

Description

一种基于知识图谱的工业设备故障诊断方法及系统

技术领域

本发明涉及计算机软件技术领域，尤其涉及一种基于知识图谱的工业设备故障诊断方法及系统。

背景技术

目前，监控系统和数据采集系统早已在工业早期的发展当中得以应用，它可以通过监控设备，将设备中各个监测点的信息实时反馈，这也为后续如果设备发生故障，给工程师们在故障诊断时提供了数据支撑。但是工业设备是一个结构和运行方式复杂的动态系统，而故障原因更是各式各样，有时故障信号与故障的原因并没有直接的关系，这对设备故障的精确诊断造成巨大阻碍。

因此，亟需一种基于知识图谱的工业设备故障诊断方法，从而实现实时监测、预测预警分析，缩短故障排查时间等功能，提高排除设备故障的效率。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

有鉴于此，本发明提出了一种基于知识图谱的工业设备故障诊断方法及系统，旨在解决现有技术无法通过构建故障诊断的知识图表来提高排除设备故障效率的技术问题。

本发明的技术方案是这样实现的：

一方面，本发明提供了一种基于知识图谱的工业设备故障诊断方法，所述基于知识图谱的工业设备故障诊断方法包括以下步骤：

S1，采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；

S2，获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；

S3，设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息。

在以上技术方案的基础上，优选的，步骤S1中，采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱，还包括以下步骤，采集工业设备的维护数据以及对应的故障信息，所述维护数据包括：运行参数、使用参数、完好性参数以及可靠性参数，所述故障信息包括：故障发生原因、故障描述信息以及解决方案，根据该工业设备的维护数据以及对应的故障数据构建知识图谱。

在以上技术方案的基础上，优选的，根据该工业设备的维护数据以及对应的故障数据构建知识图谱，还包括以下步骤，根据该工业设备的维护数据获取该工业设备的相关领域知识文本，所述相关领域知识文本包括：设备相关概念、设备相关属性、语义关系、时间关系以及空间关系，根据相关领域知识建立不同文本集合，并结合工业设备的维护数据以及对应的故障数据构建知识图谱。

在以上技术方案的基础上，优选的，根据相关领域知识建立不同文本集合，并结合工业设备的维护数据以及对应的故障数据构建知识图谱，还包括以下步骤，根据该工业设备的维护数据爬取新的相关领域知识文本，根据该相关领域知识文本对知识图谱进行更新。

在以上技术方案的基础上，优选的，步骤S2中，获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值，还包括以下步骤，获取待诊断工业设备当前运行数据，根据该待诊断工业设备从知识图谱查找对应的工业设备，获取知识图谱中该工业设备对应的知识图谱中的数据，根据该知识图谱中的数据对当前运行数据进行相似度度量。

在以上技术方案的基础上，优选的，步骤S3中，设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息，还包括以下步骤，设定相似程度阈值，将相似程度值与相似程度阈值进行比较，当相似程度值小于相似程度阈值时，通过知识图谱查找待诊断工业设备对应的故障信息，并触发状态预警；当相似程度值大于相似程度阈值时，将该待诊断工业设备标记为安全设备，并设定重新诊断时间。

在以上技术方案的基础上，优选的，当相似程度值小于相似程度阈值时，通过知识图谱查找待诊断工业设备对应的故障信息，并触发状态预警之后，还包括以下步骤，实时获取待诊断工业设备实时监控视频，根据该实时监控视频结合知识图谱对该待诊断工业设备对应的故障信息进行溯源，并生成对应的解决方法。

更进一步优选的，所述基于知识图谱的工业设备故障诊断系统包括：

构建模块，用于采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；

计算模块，用于获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；

诊断模块，用于设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息。

第二方面，所述基于知识图谱的工业设备故障诊断方法还包括一种终端设备，所述终端设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于知识图谱的工业设备故障诊断方法程序，所述基于知识图谱的工业设备故障诊断方法程序配置为实现如上文所述的基于知识图谱的工业设备故障诊断方法的步骤。

第三方面，所述基于知识图谱的工业设备故障诊断方法还包括一种存储介质，所述存储介质为计算机介质，所述计算机介质上存储有基于知识图谱的工业设备故障诊断方法程序，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时实现如上文所述的基于知识图谱的工业设备故障诊断方法的步骤。

本发明的一种基于知识图谱的工业设备故障诊断方法相对于现有技术具有以下有益效果：

(1)通过采集工业设备的维护数据、故障信息以及相关领域知识信息，构建知识图谱，能够全面，快速对设备进行诊断，有利于辅助工作人员快速精确对设备故障进行排除。

(2)通过获取设备的实时监控画面，结合知识图谱，不仅能够对设备故障进行溯源，而且能够快速冲知识图谱中获取对应的解决方法，极大程度方便工作人员对设备故障进行精确排除，避免了危险事故的发生。

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是本发明实施例方案涉及的硬件运行环境的终端设备的结构示意图；

图2为本发明基于知识图谱的工业设备故障诊断方法第一实施例的流程示意图；

图3为本发明基于知识图谱的工业设备故障诊断方法第一实施例的功能模块示意图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。

如图1所示，该设备可以包括：处理器1001，例如中央处理器(Central ProcessingUnit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储系统。

本领域技术人员可以理解，图1中示出的结构并不构成对设备的限定，在实际应用中设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于知识图谱的工业设备故障诊断方法程序。

在图1所示的设备中，网络接口1004主要用于建立设备与存储基于知识图谱的工业设备故障诊断方法系统中所需的所有数据的服务器的通信连接；用户接口1003主要用于与用户进行数据交互；本发明基于知识图谱的工业设备故障诊断方法设备中的处理器1001、存储器1005可以设置在基于知识图谱的工业设备故障诊断方法设备中，所述基于知识图谱的工业设备故障诊断方法设备通过处理器1001调用存储器1005中存储的基于知识图谱的工业设备故障诊断方法程序，并执行本发明实施提供的基于知识图谱的工业设备故障诊断方法。

结合图2，图2为本发明基于知识图谱的工业设备故障诊断方法第一实施例的流程示意图。

本实施例中，所述基于知识图谱的工业设备故障诊断方法包括以下步骤：

S10：采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱。

应当理解的是，本实施例中为了构建全面完整的知识图谱，系统会采集工业设备的维护数据以及对应的故障信息，所述维护数据包括：运行参数、使用参数、完好性参数以及可靠性参数，所述故障信息包括：故障发生原因、故障描述信息以及解决方案，其中，工业设备指的是用于工业制造的设备，运行参数是指工业设备在运行时系统获取的各项参数，而使用参数、完好性参数以及可靠性参数是工业设备在出厂时测试的标准参数。

应当理解的是，工业设备的故障描述信息包括：正常状态、注意状态、异常状态、危险状态、失效，每种状态对应不同的文字描述，系统会根据工业设备的故障描述信息对工业设备进行故障分类。

应当理解的是，为了更好增加知识图谱的全面性，系统还会根据该工业设备的维护数据获取该工业设备的相关领域知识文本，所述相关领域知识文本包括：实体库、实体数据、实体标识、实体相关的科研项目成果(报告、模型)、试验历史数据等，系统可以从中提取设备实体下一级的概念，包括：相关概念、相关属性、语义关系、空间关系、时间关系。

应当理解的是，设备相关概念主要源于设备本体的构建，如使用参数、完好性参数、可靠性参数等都是概念范畴，实体是概念的实例，含有相应的具体的属性，如运行时长、剩余使用寿命等属于设备实体。

应当理解的是，语义关系包括行为关系、相似关系、互斥关系。行为关系既包括概念之间的父子关系(如“资源”与“设备”)，也包括概念和实体(如“设备”与“齿轮”)的实例关系；相似关系包括用来描述意思上相似的同级领域概念，如(“剩余使用寿命”与“剩余使用时长”)；互斥关系用来描述同级领域关系之间以及相同性质实例之间的互斥关系，如(“可靠性函数F(t)”与“故障分布函数R(t)”)。

应当理解的是，时间关系主要描述在设备寿命周期各阶段设备所处的不同状态以及属性。对时间关系的形式化描述可分为两类，一类是设备事件、过程等实体间的时变关系描述，如“设备→项目”“参数→特性”，非结构化的事件，如“在设备设计阶段，设备设计人员需要考虑轴体转动功能”可抽取得到三元组“设计人员——设计——轴体转动功能”添加事件标签拓展为四元组，用于描述事件；第二类是空间特征的事件变化属性。可用于实体和关系的更新，如设备进行转移过程中，装备的空间属性值及装备状态属性值是随时间而变化的。

应当理解的是，之后系统会不停根据维护数据爬取新的相关领域知识文本，然后根据这个相关领域知识文本对知识图谱进行更新，以此不断更新知识图谱中的内容，以便于能够技术对工业设备的故障进行诊断。

S20：获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值。

应当理解的是，在构建了知识图谱之后，系统会待诊断工业设备当前运行数据，然后根据待诊断工业设备的设备信息从知识图谱中查找到相同设备信息的数据，然后根据这些数据直接对当前运行数据进行相似度度量，通过相似度度量，能够精确反映待诊断工业设备与知识图谱中工业设备之间的相似度，有利辅助工作人员对工业设备故障进行精确诊断。

应当理解的是，相似程度量化成一根反映设备健康程度的曲线，基于此曲线对机组的健康状态异动和潜在故障进行早期预警，并自动发现各种潜在的故障关联点，具体举例如下：

相似程度量化包括：综合相似度：无论系统设备的监测点是多少，在线运行的系统均通过一根“相似度曲线”来反映设备的实际状态，直观监测并反映设备的状态变化，相似度曲线的量程为0～100％，当相似度值低于相似度监测线数值时，系统会自动触发状态预警。

关联点排序：系统在输出系统设备相似度曲线的同时，还提供系统设备所有关联测点的相似度排序分析，通过测点的关联排序，用户可以方便快捷的确定引起系统设备状态变化的关联测点，及时发现潜在早期故障的真正原因。

期望值对比：系统对系统设备的每一个测点提供实时状态期望值，实时状态期望值基于历史数据和关联参数产生，当测量值与实时状态期望值之间的残差变化超过历史规律的范围时，系统自动发布针对参数的异动变化。

S30：设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息。

应当理解的是，最后系统会设定相似程度阈值，将相似程度值与相似程度阈值进行比较，当相似程度值小于相似程度阈值时，通过知识图谱查找待诊断工业设备对应的故障信息，并触发状态预警；当相似程度值大于相似程度阈值时，将该待诊断工业设备标记为安全设备，并设定重新诊断时间，其中将该待诊断工业设备标记为安全设备，并设定重新诊断时间，这个诊断时间由管理员自行进行设定，主要目的在于防止标记安全的设备出现故障，系统没有及时进行检测，避免工业设备出现事故，工作人员没有及时反映。

应当理解的是，为了更好解决待诊断工业设备的故障，系统还会实时获取待诊断工业设备实时监控视频，根据该实时监控视频结合知识图谱对该待诊断工业设备对应的故障信息进行溯源，并生成对应的解决方法，此处的溯源主要是通过获取待诊断工业设备的监控视频，查找设备发生故障的原因，再通过知识图谱对发生故障的原因进行判断，以此辅助工作人员更好对设备故障进行判断并解决，提高故障诊断和解决效率。

应当理解的是，本实施例的一种举例如下：

本实施例利用采集到的海量工业设备数据通过相关数据处理手段，构建工业设备故障诊断的知识图谱，再基于知识图谱进行故障检索得到维修决策。以水轮机组为例，通过对机组海量数据进行自动训练学习建立模型，系统可以将设备当前运行状态与历史同工况健康状态的模型进行相似度度量，相似程度量化成一根反映设备健康程度的曲线，结合国家标准、行业标准和机组历史监测数据的水平来确定特征点，构建与之对应的文本内容并对故障等级进行划分生成、相应的自更新的知识图谱，并将上述文本带入知识图谱进行故障匹配，得到相应的故障结果并输出自然语言维修决策，例如“水轮机出现高频啸叫原因为机械结构共振”或者“水导润滑供水系统异常导致水导油温快速上升”。并通过自学习的方式自动发现各种潜在的故障关联点，并基于此曲线对机组的健康状态异动和潜在故障进行早期预警。

首先系统会采集相关实体数据。其中，本实施例中包括设备数据、物联网监测数据、故障检修历史数据、地理信息、案例数据以及相关技术文档。其他可行的实施例中不限于上述手段来采集实体数据。其中，设备数据来源为设计、制造方；物联网监测数据来源为监测系统；故障检修历史数据来源为缺陷管理；地理信息(气象、坐标)来源为建造方案；案例数据来源为线下采集；专利、报告、标准来源为文档管理。

其中，实体相关数据是与图谱节点对应的，本实施例中，图谱节点分为：“实体”、“运行状态”、“故障特征”、“故障起因”、“维修决策”，其中所述故障特征为故障现象和故障工况，其他可行的实施例中两者可以同时存在或单独存在，所述维修决策为故障起因和维修建议或定，其他可行的实施例中两者可以同时存在或单独存在。得到相关实体数据后形成相关文本摸板，文本模板中包含“实体ID”、“实体名称”、“实体所属类型”、“实体状态”“相关文本”、“注释”等。“实体名称”即该实体的名称，如“水轮机”，“实体所属类型”为“设备”、“故障特征”、“故障工况”、“故障原因”、“维修建议”中的一项。在对文本模板进行学习训练完成各个数据的挖掘与关系提取。

应当理解的是，基于实体数据提取、处理与故障特征进行关联生成文本内容并构建知识图谱。采集的相关实体数据从数据类型分为文本内容和工业设备监测的特征值。其中，文本内容包括了设备名称、故障特征、运行状态、故障原因以及维修建议中文本模板的描述语言。其中，工业设备监测特征值是与工业设备故障相关的运行参数，本实施例中，水轮机监测特征参数包括为振动、摆度、压力、温度、空气间隙等数据，其他可行的实施例中不限于此。

应当理解的是，为了将工业设备监测特征参数转换为文本数据，本发明对其进行语义化处理，处理流程如下：

首先获取工业设备监测特征参数，并形成数值随时间变化的动态数据表格，然后获取工业设备五类状态对应的阈值，该五类状态分别为：正常状态、注意状态、异常状态、危险状态、失效。本发明实施例中是结合国家标准、行业标准和设备历史监测数据的水平来确定的，然后，根据五类状态阈值，将故障进行分类。本实施例中，故障分类等级分为：“正常”、“异常”，“严重”，“非常严重”，“停机”。譬如，“水电机组导叶形变失效”“水轮发电机组的振动轻微异常”的故障特征的语言描述。通过上述方式，得到了图谱节点的文本内容，其不单单包含原本实体数据中的文本内容，还包括了工业设备监测特征参数转换的文本内容。

基于文本模板构建“设备”、“运行状态”、“故障特征”、“故障原因”、“维修建议”相互关联的知识图谱，本发明的知识图谱是由文本内容和数值参数形成可视界面，可以将专家经验、历史案例、在线监测等信息源中积累的领域知识结合起来，以基于知识图谱的方式提供专业化的咨询。其中关联点表示实体，例如“水轮机”是实体，所属于设备的概念，连线表示实体之间的关系，例如“部件”——“现象”——“故障”，通常由相关工业设备领域的业务专家根据专业知识定义或者通过大数据挖掘技术得到。

之后系统会获取工业设备的故障描述文本，带入所述知识图谱中进行匹配检索得到诊断结果：

如“负载工况中，部件a轻微异常，且发现部件b接近失效”，可提取为“负载状态”、“部件a”、“轻微异常”、“部件b”、“失效”，并将提取的文本组合成生成相应的故障特征文本。其中故障特征文本可以通过特征语义化得到，也可以通过巡检描述得到，其中，若是未通过故障特征文本检索到相关的诊断结果，则需要以新的知识进行增加，更新知识图谱中的内容不断丰富。自我更新过程就实现了了知识图谱的自我成长。在报故过程中可以选择各个层次的实体进行故障特征的提取，与知识图谱故障模式相匹配，对于知识图谱中存在的故障模式，将会自动填充相应的故障信息(如故障原因、处理措施)，以支持故障的处理。同时要制定严格的知识图谱的填报、修改、删除等相关标准、流程及考核制度，规范知识图谱新增及更改流程使其不断完善。在处理完故障后，如果发现工业设备知识图谱某个故障信息不准确，则需要回到相关实体知识图谱管理模块，对该故障进行更改。对于知识图谱中不匹配的故障模式，则需要回到相关实体知识图谱管理模块，对该故障进行新增，并完成检验才能成为新联接点以及新的联接关系。

对于还未发生的故障，尤其是故障危害较大的，需要根据系统的功能原理进行主动故障分析，按照相关实体进行分析，通过对系统进行分析其所有可能的故障模式及其可能产生的影响，找出部件潜在之失效模式，分析该项失效模式对系统会产生什么样的影响。数据与实体间故障模式存在着映射关系，将这些有关联的知识进行组合形成知识图谱数据来源。主动故障能够发现系统中的薄弱环节，评估其风险，尽早有效采取预防措施。

最后系统会将诊断结果带入预设模板生成相应的维修策略，再将维修策略以可视化界面或者语音转换的方式进行人机交互，针对设备检修策略计划的制定，以及检修后评估工作，提供决策支持和智能评价功能，包括：在设备发生缺陷、事故事件时，进行故障原因追溯和维修指导。然后基于设备状态评价与评估结果，进行设备检修策略的制定，形成年度检修计划。对设备检修前后的关键指标进行对比分析，并以设备历史数据为基础，计算设备健康与性能基准值，定量分析检修前后设备各关键指标与监控基准值的偏差，得出本轮检修效果的量化评估。

通过上述描述不难发现，本实施例通过采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息。本实施例通过收集各种工业设备维护数据以及故障信息结合本领域其他知识信息构建全面完整的知识图谱，然后根据知识图谱对待诊断工业设备的状态进行判断，不仅能够及时对设备故障进行判断，避免出现危险事故，同时能够对设备故障进行溯源，增强设备管理安全性。

此外，本发明实施例还提出一种基于知识图谱的工业设备故障诊断系统。如图3所示，该基于知识图谱的工业设备故障诊断系统包括：构建模块10、计算模块20、诊断模块30。

构建模块10，用于采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；

计算模块20，用于获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；

诊断模块30，用于设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息。

此外，需要说明的是，以上所描述的系统实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于知识图谱的工业设备故障诊断方法，此处不再赘述。

此外，本发明实施例还提出一种存储介质，所述存储介质为计算机介质，所述计算机介质上存储有基于知识图谱的工业设备故障诊断方法程序，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时实现如下操作：

S1，采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；

S2，获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；

S3，设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息。

进一步地，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时还实现如下操作：

采集工业设备的维护数据以及对应的故障信息，所述维护数据包括：运行参数、使用参数、完好性参数以及可靠性参数，所述故障信息包括：故障发生原因、故障描述信息以及解决方案，根据该工业设备的维护数据以及对应的故障数据构建知识图谱。

进一步地，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时还实现如下操作：

根据该工业设备的维护数据获取该工业设备的相关领域知识文本，所述相关领域知识文本包括：设备相关概念、设备相关属性、语义关系、时间关系以及空间关系，根据相关领域知识建立不同文本集合，并结合工业设备的维护数据以及对应的故障数据构建知识图谱。

进一步地，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时还实现如下操作：

根据该工业设备的维护数据爬取新的相关领域知识文本，根据该相关领域知识文本对知识图谱进行更新。

进一步地，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时还实现如下操作：

获取待诊断工业设备当前运行数据，根据该待诊断工业设备从知识图谱查找对应的工业设备，获取知识图谱中该工业设备对应的知识图谱中的数据，根据该知识图谱中的数据对当前运行数据进行相似度度量。

进一步地，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时还实现如下操作：

设定相似程度阈值，将相似程度值与相似程度阈值进行比较，当相似程度值小于相似程度阈值时，通过知识图谱查找待诊断工业设备对应的故障信息，并触发状态预警；当相似程度值大于相似程度阈值时，将该待诊断工业设备标记为安全设备，并设定重新诊断时间。

进一步地，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时还实现如下操作：

实时获取待诊断工业设备实时监控视频，根据该实时监控视频结合知识图谱对该待诊断工业设备对应的故障信息进行溯源，并生成对应的解决方法。

以上所述仅为本发明的较佳实施方式而已，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 (8)

1.一种基于知识图谱的工业设备故障诊断方法，其特征在于：包括以下步骤；

S1，采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；

S2，获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；

将相似程度量化，综合相似度：通过一根相似度曲线来反映工业设备的实际状态，直观监测并反映设备的状态变化，相似度曲线的量程为0～100％；S3，设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息；

当相似程度值小于相似程度阈值时，通过知识图谱查找待诊断工业设备对应的故障信息，并触发状态预警，实时获取待诊断工业设备实时监控视频，根据该实时监控视频结合知识图谱对该待诊断工业设备对应的故障信息进行溯源，并生成对应的解决方法；当相似程度值大于相似程度阈值时，将该待诊断工业设备标记为安全设备，并设定重新诊断时间；

同时进行：关联点排序：在输出设备相似度曲线的同时，还提供工设备所有关联测点的相似度排序分析，通过测点的关联排序，确定引起设备状态变化的关联测点，发现潜在早期故障的真正原因；

期望值对比：对设备的每一个测点提供实时状态期望值，实时状态期望值基于历史数据和关联参数产生，当测量值与实时状态期望值之间的残差变化超过历史规律的范围时，自动发布针对参数的异动变化。

2.如权利要求1所述的基于知识图谱的工业设备故障诊断方法，其特征在于：步骤S1中，采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱，还包括以下步骤，采集工业设备的维护数据以及对应的故障信息，所述维护数据包括：运行参数、使用参数、完好性参数以及可靠性参数，所述故障信息包括：故障发生原因、故障描述信息以及解决方案，根据该工业设备的维护数据以及对应的故障数据构建知识图谱。

3.如权利要求2所述的基于知识图谱的工业设备故障诊断方法，其特征在于：根据该工业设备的维护数据以及对应的故障数据构建知识图谱，还包括以下步骤，根据该工业设备的维护数据获取该工业设备的相关领域知识文本，所述相关领域知识文本包括：设备相关概念、设备相关属性、语义关系、时间关系以及空间关系，根据相关领域知识建立不同文本集合，并结合工业设备的维护数据以及对应的故障数据构建知识图谱。

4.如权利要求3所述的基于知识图谱的工业设备故障诊断方法，其特征在于：根据相关领域知识建立不同文本集合，并结合工业设备的维护数据以及对应的故障数据构建知识图谱，还包括以下步骤，根据该工业设备的维护数据爬取新的相关领域知识文本，根据该相关领域知识文本对知识图谱进行更新。

5.如权利要求4所述的基于知识图谱的工业设备故障诊断方法，其特征在于：步骤S2中，获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值，还包括以下步骤，获取待诊断工业设备当前运行数据，根据该待诊断工业设备从知识图谱查找对应的工业设备，获取知识图谱中该工业设备对应的知识图谱中的数据，根据该知识图谱中的数据对当前运行数据进行相似度度量。

6.一种基于知识图谱的工业设备故障诊断系统，其特征在于，所述基于知识图谱的工业设备故障诊断系统包括：

构建模块，用于采集工业设备的维护数据以及对应的故障信息，根据该工业设备的维护数据以及对应的故障数据构建知识图谱；

计算模块，用于获取待诊断工业设备当前运行数据，通过知识图谱对当前运行数据进行相似度度量，获取相似程度值；

将相似程度量化，综合相似度：通过一根相似度曲线来反映工业设备的实际状态，直观监测并反映设备的状态变化，相似度曲线的量程为0～100％；诊断模块，用于设定相似程度阈值，将相似程度值与相似程度阈值进行比较，根据比较结果，生成对应的故障信息；

当相似程度值小于相似程度阈值时，通过知识图谱查找待诊断工业设备对应的故障信息，并触发状态预警，实时获取待诊断工业设备实时监控视频，根据该实时监控视频结合知识图谱对该待诊断工业设备对应的故障信息进行溯源，并生成对应的解决方法；当相似程度值大于相似程度阈值时，将该待诊断工业设备标记为安全设备，并设定重新诊断时间；

同时进行：关联点排序：在输出设备相似度曲线的同时，还提供工设备所有关联测点的相似度排序分析，通过测点的关联排序，确定引起设备状态变化的关联测点，发现潜在早期故障的真正原因；

期望值对比：对设备的每一个测点提供实时状态期望值，实时状态期望值基于历史数据和关联参数产生，当测量值与实时状态期望值之间的残差变化超过历史规律的范围时，自动发布针对参数的异动变化。

7.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于知识图谱的工业设备故障诊断方法程序，所述基于知识图谱的工业设备故障诊断方法程序配置为实现如权利要求1至5任一项所述的基于知识图谱的工业设备故障诊断方法的步骤。

8.一种存储介质，其特征在于，所述存储介质为计算机介质，所述计算机介质上存储有基于知识图谱的工业设备故障诊断方法程序，所述基于知识图谱的工业设备故障诊断方法程序被处理器执行时实现如权利要求1至5任一项所述的基于知识图谱的工业设备故障诊断方法的步骤。

Images