CN112818008A - 核电调试故障智能诊断的方法、系统、介质及电子设备 - Google Patents
核电调试故障智能诊断的方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN112818008A CN112818008A CN202110083044.5A CN202110083044A CN112818008A CN 112818008 A CN112818008 A CN 112818008A CN 202110083044 A CN202110083044 A CN 202110083044A CN 112818008 A CN112818008 A CN 112818008A
- Authority
- CN
- China
- Prior art keywords
- nuclear power
- fault
- debugging
- word segmentation
- power system
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013145 classification model Methods 0.000 claims abstract description 9
- 238000007621 cluster analysis Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000013519 translation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 19
- 239000000523 sample Substances 0.000 description 76
- 238000003058 natural language processing Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2452—Query translation
- G06F16/24522—Translation of natural language queries to structured queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种核电调试故障智能诊断的方法、系统、介质及电子设备,该方法包括以下步骤:S1:根据获取到的历史调试故障数据,对故障数据分类模型进行训练,得到与各核电系统的故障类型对应的关键词;S2:获取核电系统对应的实时调试故障数据,根据预构建的中文分词模型对实时调试故障数据进行中文分词处理,得到分词结果;S3:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得实时调试故障数据所属的故障类型。本发明可辅助试验负责人在调试试验中进行故障诊断处理,对核电调试过程中的故障进行自动诊断,智能输出分析诊断结果,能够降低人因失误的概率,加快诊断效率和准确度,缩短调试试验工期。
Description
技术领域
本发明涉及核电厂调试技术领域,尤其涉及一种核电调试故障智能诊断的方法、系统、介质及电子设备。
背景技术
安全性、可靠性和经济性是核电站赖以生存和发展的基础。其中调试试验是核电厂建造过程的最后一个阶段,是对安装完工后的部件、设备、系统和设施进行全面的检验,也是综合验证设计、质量,发现缺陷、消除缺陷,使设备与系统的性能符合规定要求,且保证电站后期安全运行发展的重要环节。为了确保核电站电力系统运行的可靠性,需要准确掌握系统平台、部件及其仪表运行状况,及时排除影响设备安全稳定运行的因素,核电工程调试工作是获得核电设备各部分运行情况的有效途径,因此核电工程对调试过程质量具有严格要求。
当前,核电厂使用核电调试管理系统对调试的过程进行管理和记录,例如以调试报告、经验反馈记录、事件单、纠正性维修报告等形式记录,在调试故障方面,记录的信息大致包括以下几类:设备基本情况、故障情况、故障巡视及处理、故障原因分析、故障暴露的问题等。这些报告的结论由调试人员根据调试过程中出现的故障结合其自身经验进行分析判断得出。
随着核电调试工作的持续进行,现有的核电调试管理系统积累了大量的故障案例,理应通过智能化的手段对这些故障信息进行分析和利用,但是这些故障案例是以文本的形式进行存储,由于文本半结构化数据的复杂性,这些故障案例文本无法直接用于智能分析的学习过程,很难通过自动化手段进行理解和分析。
同时与系统自动进行智能分析和诊断的方式相比,人工进行调试故障诊断的方式存在诊断效率低、周期长、诊断结果受人为因素影响大等问题。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺陷,提供一种核电调试故障智能诊断的方法、系统、介质及电子设备。
本发明解决其技术问题所采用的技术方案是:构造了一种核电调试故障智能诊断的方法,包括以下步骤:
S1:根据获取到的历史调试故障数据,对故障数据分类模型进行训练,得到与各核电系统的故障类型对应的关键词;
S2:获取核电系统对应的实时调试故障数据,根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果;
S3:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得所述实时调试故障数据所属的故障类型。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤S1包括:
S11:从所述历史调试故障数据中提取样本数据;
S12:将所述样本数据按核电系统进行分类;
S13:根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词;
S14:建立故障数据库,存储与各核电系统故障类型对应的至少一个关键词。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述样本数据包括:训练样本和校验样本;
所述步骤S14之前还包括:
根据训练样本和校验样本分别执行步骤S12和S13,将对所述训练样本进行聚类分析得到的关键词和对所述校验样本进行聚类分析得到的关键词进行正确率的计算,若正确率大于预设值,则执行步骤S14,建立故障数据库,存储所述训练样本下的与各核电系统的故障类型对应的至少一个关键词。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤S11之前还包括:
对所述历史调试故障数据按核电设备进行分类;
根据有效性对各核电设备下的历史调试故障数据进行分拣,得到有效的历史调试故障数据。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤S12包括:
识别所述样本数据中是否存在核电系统编码;
若是,则将所述样本数据按核电系统编码进行分类;
若无,则从所述样本数据中获取与核电系统类型相关的其他信息,并利用NLP的命名实体识别方法识别出核电系统编码,最终将所述样本数据按核电系统编码进行分类。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤从所述样本数据中获取与核电系统类型相关的其他信息,包括:
根据预设的核电系统编码提取规则,从所述样本数据的至少一项信息中获取与核电系统类型相关的其他信息。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤S13包括:
根据预先选定的聚类参数,对各核电系统下的样本数据使用NLP的文本聚类方法,形成各核电系统特有的故障类型,并对每一故障类型进行至少一个关键词的提取。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,之前还包括:
根据预构建的信息提取模型对所述实时调试故障数据进行过滤,提取有效信息,形成报告模型。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果,包括:
根据预构建的中文分词模型对所述报告模型中所含信息进行中文分词、去除停用词处理,得到分词结果。
优选地,在本发明所述的核电调试故障智能诊断的方法中,所述步骤S3包括:
S31:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,计算与各关键词相似度以及平均相似度;
S32:若分词结果中包含两个或以上的关键词,则从中提取相似度平均值最大的故障类型,作为所述实时调试故障数据的故障匹配类型;
S33:若分词结果包含两个以下或不包含故障类型关键词,则将平均相似度与预设阈值比较,高于阈值的作为所述实时调试故障数据的匹配故障类型。
11.根据权利要求1所述的核电调试故障智能诊断的方法,其特征在于,所述方法还包括:
S4:根据预构建的信息提取模型对所述实时调试故障数据进行过滤,去除英文翻译和无效词,并进行依存句法分析,提取所述实时调试故障数据的信息并结合故障类型,形成故障报告。
本发明还构造了一种核电调试故障智能诊断的系统,通过数据接口与各核电调试管理系统连接,包括:
训练模块,用于根据获取到的历史调试故障数据,对故障数据分类模型进行训练,得到与各核电系统的故障类型对应的关键词;
中文分词模块,用于获取核电系统对应的实时调试故障数据,根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果;
故障匹配模块,用于根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得所述实时调试故障数据所属的故障类型。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述训练模块包括:
提取模块,用于从所述历史调试故障数据中提取样本数据;
系统分类模块,用于将所述样本数据按核电系统进行分类;
聚类分析模块,用于根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词;
数据库模块,用于建立故障数据库,存储与各核电系统故障类型对应的至少一个关键词。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述样本数据包括:训练样本和校验样本;
所述训练模块还包括:
校验模块,用于根据训练样本和校验样本分别执行系统分类模块和聚类分析模块,将对所述训练样本进行聚类分析得到的关键词和对所述校验样本进行聚类分析得到的关键词进行正确率的计算,若正确率大于预设值,则执行数据库模块,建立故障数据库,存储所述训练样本下的与各核电系统的故障类型对应的至少一个关键词。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述训练模块还包括:
设备分类模块,用于对所述历史调试故障数据按核电设备进行分类;
分拣模块,用于根据有效性对各核电设备下的历史调试故障数据进行分拣,得到有效的历史调试故障数据。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述系统分类模块包括:
识别模块,用于识别所述样本数据中是否存在核电系统编码;
分类模块,用于所述识别模块识别到所述样本数据中存在核电系统编码时,将所述样本数据按核电系统编码进行分类;还用于所述识别模块识别到所述样本数据中不存在核电系统编码时,从所述样本数据中获取与核电系统类型相关的其他信息,并利用NLP的命名实体识别方法识别出核电系统编码,最终将所述样本数据按核电系统编码进行分类。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述分类模块中从所述样本数据中获取与核电系统类型相关的其他信息,包括:
根据预设的核电系统编码提取规则,从所述样本数据的至少一项信息中获取与核电系统类型相关的其他信息。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述聚类分析模块中根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词,包括:
根据预先选定的聚类参数,对各核电系统下的样本数据使用NLP的文本聚类方法,形成各核电系统特有的故障类型,并对每一故障类型进行至少一个关键词的提取。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述系统还包括:
报告模型模块,用于根据预构建的信息提取模型对所述实时调试故障数据进行过滤,提取有效信息,形成报告模型。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述中文分词模块中根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果,包括:
根据预构建的中文分词模型对所述报告模型中所含信息进行中文分词、去除停用词处理,得到分词结果。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述故障匹配模块包括:
相似度计算模块,用于根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,计算与各关键词相似度以及平均相似度;
判断模块,用于若分词结果中包含两个或以上的关键词,则从中提取相似度平均值最大的故障类型,作为所述实时调试故障数据的故障匹配类型;若分词结果包含两个以下或不包含故障类型关键词,则将平均相似度与预设阈值比较,高于阈值的作为所述实时调试故障数据的匹配故障类型。
优选地,在本发明所述的核电调试故障智能诊断的系统中,所述系统还包括:
故障报告模块,用于根据预构建的信息提取模型对所述实时调试故障数据进行过滤,去除英文翻译和无效词,并进行依存句法分析,提取所述实时调试故障数据的信息并结合故障类型,形成故障报告。
通过实施本发明,具有以下有益效果:
通过本发明核电调试故障智能诊断的方法,可辅助试验负责人在调试试验中进行故障诊断处理,对核电调试过程中的故障进行自动诊断,智能输出分析诊断结果,能够降低人因失误的概率,加快诊断效率和准确度,缩短调试试验工期。
并且本发明核电调试故障智能诊断的系统通过调用数据接口,将现有的各核电调试管理系统的数据进行统一处理,达到调试全产业链调试工作共用的一体化目标,为核电站在打造智能电站方面带来数据信息化管理的技术优势。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是自然语言处理的层次图;
图2本发明核电调试故障智能诊断的方法流程图;
图3是本发明核电调试故障智能诊断的系统框图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
需要说明的是,附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在此说明缩略语和关键术语的定义:
分词:将连续的字序列按照一定的规范重新组合成词序列的过程。现有的分词算法可分为三大类:基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。按照是否与词性标注过程相结合,又可以分为单纯分词方法和分词与标注相结合的一体化方法。
中文分词:是文本挖掘的基础,一段句子进行中文分词后,能达到电脑自动识别语句含义的效果。与英文为代表的拉丁语系语言相比,英文以空格作为天然的分隔符,而中文由于继承自古代汉语的传统,词语之间没有分隔。古代汉语中除了连绵词和人名地名等,词通常就是单个汉字,所以当时没有分词书写的必要,而现代汉语中双字或多字词居多,一个字不再等同于一个词。除此以外,在中文里,“词”和“词组”边界模糊,代汉语的基本表达单元虽然为“词”,且以双字或者多字词居多,但由于人们认识水平的不同,对词和短语的边界很难去区分。因此,中文分词与英文分词相比,要更为困难和复杂。
文本分类/聚类:将文本拆分为一系列词语之后,就可以对文本进行分类和聚类操作,找出相类似的文本。
NLP(自然语言处理):属于人工智能(AI)的一个子领域,指机器理解并解释人类写作、说话方式的能力。NLP的目标是让机器在理解语言上像人类一样智能,最终目标是弥补人类交流(自然语言)和计算机理解(机器语言)之间的差距。如何让计算机学习、理解自然语言,诞生了一门新的研究学科,自然语言处理是一门融合了计算机科学、人工智能及语言学的交叉学科,它研究的是如何通过机器学习等技术,让计算机学会处理人类语言,最终实现理解人类语言或人工智能的终极目标。自然语言处理的层次如图1所示。
第一实施例,由于现有的核电调试管理系统存在无法对调试故障进行自动诊断分析,导致故障诊断受人为因素影响大,且效率不高导致调试试验周期长的问题,因此本发明构造了一种核电调试故障智能诊断的方法,如图2所示,包括以下步骤:
步骤S1:根据获取到的历史调试故障数据,对故障数据分类模型进行训练,得到与各核电系统的故障类型对应的关键词;
步骤S2:获取核电系统对应的实时调试故障数据,根据预构建的中文分词模型对实时调试故障数据进行中文分词处理,得到分词结果;
步骤S3:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得实时调试故障数据所属的故障类型。
在本实施例中,该方法还包括:步骤S0:预构建中文分词模型、故障数据分类模型、信息提取模型和故障匹配模型。
具体地,该步骤S1包括:
步骤S11:从历史调试故障数据中提取样本数据;
步骤S12:将样本数据按核电系统进行分类;由于核电系统类型的不同,故障类型也可能不一样,本步骤中,按照核电系统类别进行分类有利于对调试故障数据进行有效辨别,进而提高调试故障数据智能分拣的准确率;
步骤S13:根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词;
步骤S14:建立故障数据库,存储与各核电系统故障类型对应的至少一个关键词。
在一些实施例中,样本数据包括:训练样本和校验样本。其中,训练样本为进行语义分析的材料,检验样本作为计算语义分析正确率计算的材料。在本步骤中,为使语义分析涵盖尽量多的故障类型,可将一半以上的样本数据作为训练样本。
因此,所述步骤S14:建立故障数据库,存储与各核电系统故障类型对应的至少一个关键词,之前还包括:
根据训练样本和校验样本分别执行步骤S12和S13,训练样本经过上述步骤后形成系统-故障类型-故障关键词的层级模型后,可使用检验样本进行正确率的计算,例如,将对训练样本进行聚类分析得到的关键词和对校验样本进行聚类分析得到的关键词进行正确率的计算,若正确率大于预设值,则说明语义分析的结果可作为模型训练的样本材料,执行步骤S14,建立故障数据库,存储训练样本下的与各核电系统的故障类型对应的至少一个关键词。若正确率小于预设值,则需重新选用训练样本再次进行分析及人工分拣。在此需要说明的是,当前步骤目的在于挑选出符合项目的训练样本数据,需进行多次迭代计算。
在一些实施例中,该步骤S11:从历史调试故障数据中提取样本数据,之前还包括:
对历史调试故障数据按核电设备进行分类;
根据有效性对各核电设备下的历史调试故障数据进行分拣,得到有效的历史调试故障数据。其中,分拣可以为人工分拣或智能分拣。有效性是指时间的有效性或者故障的有效性。
在本实施例中,该步骤S12:将样本数据按核电系统进行分类,包括:
识别样本数据中是否存在核电系统编码;
若是,则将样本数据按核电系统编码进行分类;
若无,则从样本数据中获取与核电系统类型相关的其他信息,并利用NLP的命名实体识别方法识别出核电系统编码,最终将样本数据按核电系统编码进行分类。
进一步地,所述步骤从所述样本数据中获取与核电系统类型相关的其他信息,包括:根据预设的核电系统编码提取规则,从样本数据的至少一项信息中获取与核电系统类型相关的其他信息。即,可以先确定从哪一项信息中提取核电系统类型相关的其他信息,并形成核电系统编码的提取规则。
在本实施例中,该步骤S13:根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词,包括:
根据预先选定的聚类参数,对各核电系统下的样本数据使用NLP的文本聚类方法,形成各核电系统特有的故障类型,并对每一故障类型进行至少一个关键词的提取,作为每一故障类型的特征和识别手段。该步骤需不断试验粒度等聚类参数,甚至每个系统需单独试验聚类参数,以达到最优聚类效果。此外,该步骤对于关键词的确定也需要大量的试验,通过试验选择最优的关键词提取算法和关键词数量。其中,对大量离散数据分析时,需要先将数据进行分类并关联以结构化。对数据进行分类时,需要确定分类的方式。比如:聚类粒度、关键词的个数等。聚类是不停迭代计算的过程,按照聚类参数形成的算法,将所有的离散数据不停的添加到不同的类型中并作比较,最后形成稳定的类型。所以简单的说,聚类参数就是数据聚类的依据,它会影响最终的聚类结果和效果。
通过上述步骤S1,可将所有历史调试报告的历史调试故障数据根据系统类型和故障类型归类,从而使非结构化的数据结构化,便于进行数据处理。
在本实施例中,分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。现有的分词方法有多种,包括:标准分词、索引分词、N-最短路径分词、CRF分词、急速词典分词。
所述步骤根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,之前还包括:根据预构建的信息提取模型对实时调试故障数据进行过滤,提取有效信息,形成报告模型。该报告模型的内容包括:UES编码、系统、相关设备、供应商信息、所属采购包、机组试验阶段、一回路温度、一回路压力、系统状态、起草人部门、起草日期、执行的程序、事件报告分类、核安全分级、标题、事件经过、事件原因、临时措施、发送至、发文类别、EPC最新答复内容、关闭、重新通过试验、关闭信息。
相应地,所述步骤根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果,包括:根据预构建的中文分词模型对报告模型中所含信息进行中文分词、去除停用词处理,得到分词结果。
在本实施例中,步骤S3:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得所述实时调试故障数据所属的故障类型,包括:
步骤S31:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,计算与各关键词相似度以及平均相似度;其中,可使用搜索引擎技术,根据分词结果在故障数据库中的搜索匹配关键词。
步骤S32:若分词结果中包含两个或以上的关键词,则从中提取相似度平均值最大的故障类型,作为实时调试故障数据的故障匹配类型;
步骤S33:若分词结果包含两个以下或不包含故障类型关键词,则将平均相似度与预设阈值比较,高于阈值的作为实时调试故障数据的匹配故障类型。如果有多个类型的平均值都高于阈值,则人工判定选择哪一个作为匹配故障类型,若所有平均值都低于阈值,则人工判定是否故障,若故障,则新增一种故障类型。
在一些实施例中,所述方法还包括步骤S4:根据预构建的信息提取模型对实时调试故障数据进行过滤,去除英文翻译和无效词,并进行依存句法分析,提取实时调试故障数据的信息并结合故障类型,形成故障报告。该故障报告包括:系统、故障症状、故障类型、故障原因和处理方案。
在一些实施例中,该方法还提供了智能搜索,包括:判断输入信息的类型;具体地,判断输入搜索的信息为系统编码还是文本信息、调试程序。若输入为执行调试程序,则从执行程序项信息中查找相关故障信息;若为其他输入信息则需进行中文分词和去除停用词后再进行相应搜索。
第二实施例,如图3所示,本发明还构造了一种核电调试故障智能诊断的系统,该系统包括硬件部分和软件部分,其中,硬件部分包括:数据采集装置、数据传输装置、数据存储和处理装置,在本发明中,核电调试故障智能诊断的系统通过数据接口与现有的各核电调试管理系统连接,实现数据的采集和传输,并通过服务器进行数据的存储和处理。软件系统分为平台端和移动端,包括训练模块、中文分词模块、故障匹配模块。系统的网站端和移动端能够协助现场调试人员通过语义识别技术支持的搜索引擎及时寻找解决方案,达到现场作业协同的效果。
其中,训练模块,用于根据获取到的历史调试故障数据,对故障数据分类模型进行训练,得到与各核电系统的故障类型对应的关键词;
中文分词模块,用于获取核电系统对应的实时调试故障数据,根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果;
故障匹配模块,用于根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得所述实时调试故障数据所属的故障类型。
在本实施例中,该系统还包括预构建模块,用于预构建中文分词模型、故障数据分类模型、信息提取模型和故障匹配模型。
具体地,训练模块包括:
提取模块,用于从历史调试故障数据中提取样本数据;
系统分类模块,用于将样本数据按核电系统进行分类;由于核电系统类型的不同,故障类型也可能不一样,本步骤中,按照核电系统类别进行分类有利于对调试故障数据进行有效辨别,进而提高调试故障数据智能分拣的准确率;
聚类分析模块,用于根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词;
数据库模块,用于建立故障数据库,存储与各核电系统故障类型对应的至少一个关键词。
在一些实施例中,样本数据包括:训练样本和校验样本。其中,训练样本为进行语义分析的材料,检验样本作为计算语义分析正确率计算的材料。在本步骤中,为使语义分析涵盖尽量多的故障类型,可将一半以上的样本数据作为训练样本。
因此,训练模块还包括:
校验模块,用于根据训练样本和校验样本分别执行系统分类模块和聚类分析模块,将对训练样本进行聚类分析得到的关键词和对校验样本进行聚类分析得到的关键词进行正确率的计算,若正确率大于预设值,则执行数据库模块,建立故障数据库,存储训练样本下的与各核电系统的故障类型对应的至少一个关键词。若正确率小于预设值,则需重新选用训练样本再次进行分析及人工分拣。在此需要说明的是,当前步骤目的在于挑选出符合项目的训练样本数据,需进行多次迭代计算。
在一些实施例中,该训练模块还包括:
设备分类模块,用于对历史调试故障数据按核电设备进行分类;
分拣模块,用于根据有效性对各核电设备下的历史调试故障数据进行分拣,得到有效的历史调试故障数据。其中,分拣可以为人工分拣或智能分拣。有效性是指时间的有效性或者故障的有效性。
在本实施例中,系统分类模块包括:
识别模块,用于识别样本数据中是否存在核电系统编码;
分类模块,用于识别模块识别到样本数据中存在核电系统编码时,将样本数据按核电系统编码进行分类;还用于识别模块识别到样本数据中不存在核电系统编码时,从样本数据中获取与核电系统类型相关的其他信息,并利用NLP的命名实体识别方法识别出核电系统编码,最终将样本数据按核电系统编码进行分类。
进一步地,所述分类模块中从样本数据中获取与核电系统类型相关的其他信息,包括:根据预设的核电系统编码提取规则,从样本数据的至少一项信息中获取与核电系统类型相关的其他信息。即,可以先确定从哪一项信息中提取核电系统类型相关的其他信息,并形成核电系统编码的提取规则。
在本实施例中,所述聚类分析模块中根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词,包括:
根据预先选定的聚类参数,对各核电系统下的样本数据使用NLP的文本聚类方法,形成各核电系统特有的故障类型,并对每一故障类型进行至少一个关键词的提取,作为每一故障类型的特征和识别手段。该步骤需不断试验粒度等聚类参数,甚至每个系统需单独试验聚类参数,以达到最优聚类效果。此外,该步骤对于关键词的确定也需要大量的试验,通过试验选择最优的关键词提取算法和关键词数量。其中,对大量离散数据分析时,需要先将数据进行分类并关联以结构化。对数据进行分类时,需要确定分类的方式。比如:聚类粒度、关键词的个数等。聚类是不停迭代计算的过程,按照聚类参数形成的算法,将所有的离散数据不停的添加到不同的类型中并作比较,最后形成稳定的类型。所以简单的说,聚类参数就是数据聚类的依据,它会影响最终的聚类结果和效果。
在本实施例中,分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。现有的分词方法有多种,包括:标准分词、索引分词、N-最短路径分词、CRF分词、急速词典分词。
该系统还包括:报告模型模块,用于根据预构建的信息提取模型对实时调试故障数据进行过滤,提取有效信息,形成报告模型。该报告模型的内容包括:UES编码、系统、相关设备、供应商信息、所属采购包、机组试验阶段、一回路温度、一回路压力、系统状态、起草人部门、起草日期、执行的程序、事件报告分类、核安全分级、标题、事件经过、事件原因、临时措施、发送至、发文类别、EPC最新答复内容、关闭、重新通过试验、关闭信息。
相应地,所述中文分词模块中根据预构建的中文分词模型对实时调试故障数据进行中文分词处理,得到分词结果,包括:根据预构建的中文分词模型对报告模型中所含信息进行中文分词、去除停用词处理,得到分词结果。
在本实施例中,所述故障匹配模块包括:
相似度计算模块,用于根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,计算与各关键词相似度以及平均相似度;
判断模块,用于若分词结果中包含两个或以上的关键词,则从中提取相似度平均值最大的故障类型,作为实时调试故障数据的故障匹配类型;若分词结果包含两个以下或不包含故障类型关键词,则将平均相似度与预设阈值比较,高于阈值的作为实时调试故障数据的匹配故障类型。如果有多个类型的平均值都高于阈值,则人工判定选择哪一个作为匹配故障类型,若所有平均值都低于阈值,则人工判定是否故障,若故障,则新增一种故障类型。
在一些实施例中,该系统还包括:故障报告模块,用于根据预构建的信息提取模型对实时调试故障数据进行过滤,去除英文翻译和无效词,并进行依存句法分析,提取实时调试故障数据的信息并结合故障类型,形成故障报告。该故障报告包括:系统、故障症状、故障类型、故障原因和处理方案。
在一些实施例中,该系统还包括智能搜索模块,用于判断输入信息的类型;具体地,用于判断输入搜索的信息为系统编码还是文本信息、调试程序。若输入为执行调试程序,则从执行程序项信息中查找相关故障信息;若为其他输入信息则需进行中文分词和去除停用词后再进行相应搜索。
在本系统中,调试人员通过智能搜索模块中的搜索引擎输入故障关键信息,系统基于故障数据库,通过语义识别查找相关故障案例,并给出解决故障问题解决或进一步诊断的指引。
在另外一些实施例中,该系统还包括故障统计模块,用户可查看系统统计的故障总次数、各系统故障次数、各类故障占比等,便于掌控核电厂整体故障形式。
在另外一些实施例中,该系统还包括基本信息管理模块,用户可进行接入系统管理、设备管理、停词管理、用户词典管理,其中,调试相关的设备包括泵、阀门、风机、容器、热交换器、过滤器和除盐装置、辅助锅炉、发电机、汽轮机(含汽机控制系统和探头)、变压器、电动机、断路器、核级仪表及探头、机柜卡件及驱动执行机构、DCS系统服务器及工控网络、反应堆保护系统卡件模块、CCM核心设备等。
在另外一些实施例中,该系统还包括故障库管理模块,提取调试故障类型信息,基于调试技术体系故障库、机器学习技术的系统和设备故障数据库,为后续故障诊断提供数据支持,故障数据库数据基于现有调试故障案例形成,本模块主要整合故障诊断知识包括:核电厂控制系统在线优化、性能评价及故障诊断系统,核电厂高压电气主设备绝缘故障预警及专家诊断系统可行性方案研究与实践,核电厂半速汽轮机阀门在线故障诊断及试验装置研发,汽轮机瓦振传感器故障诊断及校验在役服务,大型发电机整组启动试验智能仿真、结果评价及故障诊断系统的研发与应用。
第三实施例,本发明还构造了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一实施例中任一项所述的核电调试故障智能诊断的方法,在此不再赘述。
第四实施例,本发明还构造了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现如第一实施例中任一项所述的核电调试故障智能诊断的方法,在此不再赘述。
通过实施本发明,具有以下有益效果:
通过本发明核电调试故障智能诊断的方法,可辅助试验负责人在调试试验中进行故障诊断处理,对核电调试过程中的故障进行自动诊断,智能输出分析诊断结果,能够降低人因失误的概率,加快诊断效率和准确度,缩短调试试验工期。
并且本发明核电调试故障智能诊断的系统通过调用数据接口,将现有的各核电调试管理系统的数据进行统一处理,达到调试全产业链调试工作共用的一体化目标,为核电站在打造智能电站方面带来数据信息化管理的技术优势。
可以理解的,以上实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制;应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,可以对上述技术特点进行自由组合,还可以做出若干变形和改进,这些都属于本发明的保护范围;因此,凡跟本发明权利要求范围所做的等同变换与修饰,均应属于本发明权利要求的涵盖范围。
Claims (24)
1.一种核电调试故障智能诊断的方法,其特征在于,包括以下步骤:
S1:根据获取到的历史调试故障数据,对故障数据分类模型进行训练,得到与各核电系统的故障类型对应的关键词;
S2:获取核电系统对应的实时调试故障数据,根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果;
S3:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得所述实时调试故障数据所属的故障类型。
2.根据权利要求1所述的核电调试故障智能诊断的方法,其特征在于,所述步骤S1包括:
S11:从所述历史调试故障数据中提取样本数据;
S12:将所述样本数据按核电系统进行分类;
S13:根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词;
S14:建立故障数据库,存储与各核电系统故障类型对应的至少一个关键词。
3.根据权利要求2所述的核电调试故障智能诊断的方法,其特征在于,所述样本数据包括:训练样本和校验样本;
所述步骤S14之前还包括:
根据训练样本和校验样本分别执行步骤S12和S13,将对所述训练样本进行聚类分析得到的关键词和对所述校验样本进行聚类分析得到的关键词进行正确率的计算,若正确率大于预设值,则执行步骤S14,建立故障数据库,存储所述训练样本下的与各核电系统的故障类型对应的至少一个关键词。
4.根据权利要求2所述的核电调试故障智能诊断的方法,其特征在于,所述步骤S11之前还包括:
对所述历史调试故障数据按核电设备进行分类;
根据有效性对各核电设备下的历史调试故障数据进行分拣,得到有效的历史调试故障数据。
5.根据权利要求2所述的核电调试故障智能诊断的方法,其特征在于,所述步骤S12包括:
识别所述样本数据中是否存在核电系统编码;
若是,则将所述样本数据按核电系统编码进行分类;
若无,则从所述样本数据中获取与核电系统类型相关的其他信息,并利用NLP的命名实体识别方法识别出核电系统编码,最终将所述样本数据按核电系统编码进行分类。
6.根据权利要求5所述的核电调试故障智能诊断的方法,其特征在于,所述步骤从所述样本数据中获取与核电系统类型相关的其他信息,包括:
根据预设的核电系统编码提取规则,从所述样本数据的至少一项信息中获取与核电系统类型相关的其他信息。
7.根据权利要求2所述的核电调试故障智能诊断的方法,其特征在于,所述步骤S13包括:
根据预先选定的聚类参数,对各核电系统下的样本数据使用NLP的文本聚类方法,形成各核电系统特有的故障类型,并对每一故障类型进行至少一个关键词的提取。
8.根据权利要求1所述的核电调试故障智能诊断的方法,其特征在于,所述步骤根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,之前还包括:
根据预构建的信息提取模型对所述实时调试故障数据进行过滤,提取有效信息,形成报告模型。
9.根据权利要求8所述的核电调试故障智能诊断的方法,其特征在于,所述步骤根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果,包括:
根据预构建的中文分词模型对所述报告模型中所含信息进行中文分词、去除停用词处理,得到分词结果。
10.根据权利要求1所述的核电调试故障智能诊断的方法,其特征在于,所述步骤S3包括:
S31:根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,计算与各关键词相似度以及平均相似度;
S32:若分词结果中包含两个或以上的关键词,则从中提取相似度平均值最大的故障类型,作为所述实时调试故障数据的故障匹配类型;
S33:若分词结果包含两个以下或不包含故障类型关键词,则将平均相似度与预设阈值比较,高于阈值的作为所述实时调试故障数据的匹配故障类型。
11.根据权利要求1所述的核电调试故障智能诊断的方法,其特征在于,所述方法还包括:
S4:根据预构建的信息提取模型对所述实时调试故障数据进行过滤,去除英文翻译和无效词,并进行依存句法分析,提取所述实时调试故障数据的信息并结合故障类型,形成故障报告。
12.一种核电调试故障智能诊断的系统,通过数据接口与各核电调试管理系统连接,其特征在于,包括:
训练模块,用于根据获取到的历史调试故障数据,对故障数据分类模型进行训练,得到与各核电系统的故障类型对应的关键词;
中文分词模块,用于获取核电系统对应的实时调试故障数据,根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果;
故障匹配模块,用于根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,获得所述实时调试故障数据所属的故障类型。
13.根据权利要求12所述的核电调试故障智能诊断的系统,其特征在于,所述训练模块包括:
提取模块,用于从所述历史调试故障数据中提取样本数据;
系统分类模块,用于将所述样本数据按核电系统进行分类;
聚类分析模块,用于根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词;
数据库模块,用于建立故障数据库,存储与各核电系统故障类型对应的至少一个关键词。
14.根据权利要求13所述的核电调试故障智能诊断的系统,其特征在于,所述样本数据包括:训练样本和校验样本;
所述训练模块还包括:
校验模块,用于根据训练样本和校验样本分别执行系统分类模块和聚类分析模块,将对所述训练样本进行聚类分析得到的关键词和对所述校验样本进行聚类分析得到的关键词进行正确率的计算,若正确率大于预设值,则执行数据库模块,建立故障数据库,存储所述训练样本下的与各核电系统的故障类型对应的至少一个关键词。
15.根据权利要求13所述的核电调试故障智能诊断的系统,其特征在于,所述训练模块还包括:
设备分类模块,用于对所述历史调试故障数据按核电设备进行分类;
分拣模块,用于根据有效性对各核电设备下的历史调试故障数据进行分拣,得到有效的历史调试故障数据。
16.根据权利要求13所述的核电调试故障智能诊断的系统,其特征在于,所述系统分类模块包括:
识别模块,用于识别所述样本数据中是否存在核电系统编码;
分类模块,用于所述识别模块识别到所述样本数据中存在核电系统编码时,将所述样本数据按核电系统编码进行分类;还用于所述识别模块识别到所述样本数据中不存在核电系统编码时,从所述样本数据中获取与核电系统类型相关的其他信息,并利用NLP的命名实体识别方法识别出核电系统编码,最终将所述样本数据按核电系统编码进行分类。
17.根据权利要求16所述的核电调试故障智能诊断的系统,其特征在于,所述分类模块中从所述样本数据中获取与核电系统类型相关的其他信息,包括:
根据预设的核电系统编码提取规则,从所述样本数据的至少一项信息中获取与核电系统类型相关的其他信息。
18.根据权利要求13所述的核电调试故障智能诊断的系统,其特征在于,所述聚类分析模块中根据故障类型对各核电系统下的样本数据进行聚类分析,得到与各核电系统的故障类型对应的至少一个关键词,包括:
根据预先选定的聚类参数,对各核电系统下的样本数据使用NLP的文本聚类方法,形成各核电系统特有的故障类型,并对每一故障类型进行至少一个关键词的提取。
19.根据权利要求12所述的核电调试故障智能诊断的系统,其特征在于,所述系统还包括:
报告模型模块,用于根据预构建的信息提取模型对所述实时调试故障数据进行过滤,提取有效信息,形成报告模型。
20.根据权利要求19所述的核电调试故障智能诊断的系统,其特征在于,所述中文分词模块中根据预构建的中文分词模型对所述实时调试故障数据进行中文分词处理,得到分词结果,包括:
根据预构建的中文分词模型对所述报告模型中所含信息进行中文分词、去除停用词处理,得到分词结果。
21.根据权利要求12所述的核电调试故障智能诊断的系统,其特征在于,所述故障匹配模块包括:
相似度计算模块,用于根据预构建的故障匹配模型将分词结果与该核电系统的故障类型的关键词进行匹配,计算与各关键词相似度以及平均相似度;
判断模块,用于若分词结果中包含两个或以上的关键词,则从中提取相似度平均值最大的故障类型,作为所述实时调试故障数据的故障匹配类型;若分词结果包含两个以下或不包含故障类型关键词,则将平均相似度与预设阈值比较,高于阈值的作为所述实时调试故障数据的匹配故障类型。
22.根据权利要求12所述的核电调试故障智能诊断的系统,其特征在于,所述系统还包括:
故障报告模块,用于根据预构建的信息提取模型对所述实时调试故障数据进行过滤,去除英文翻译和无效词,并进行依存句法分析,提取所述实时调试故障数据的信息并结合故障类型,形成故障报告。
23.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-11中任一项所述的核电调试故障智能诊断的方法。
24.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-11中任一项所述的核电调试故障智能诊断的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110083044.5A CN112818008A (zh) | 2021-01-21 | 2021-01-21 | 核电调试故障智能诊断的方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110083044.5A CN112818008A (zh) | 2021-01-21 | 2021-01-21 | 核电调试故障智能诊断的方法、系统、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112818008A true CN112818008A (zh) | 2021-05-18 |
Family
ID=75858584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110083044.5A Pending CN112818008A (zh) | 2021-01-21 | 2021-01-21 | 核电调试故障智能诊断的方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818008A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486179A (zh) * | 2021-07-13 | 2021-10-08 | 盛景智能科技(嘉兴)有限公司 | 基于维修工单的产品数据分析方法及系统 |
CN113627629A (zh) * | 2021-08-18 | 2021-11-09 | 广东电网有限责任公司 | 一种供电设备的故障分析方法及装置 |
CN114036293A (zh) * | 2021-11-03 | 2022-02-11 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及电子设备 |
CN114089722A (zh) * | 2021-11-17 | 2022-02-25 | 国家石油天然气管网集团有限公司 | 一种输气站场工控网络通讯故障便携式诊断方法 |
CN115329774A (zh) * | 2022-10-14 | 2022-11-11 | 中国建筑科学研究院有限公司 | 基于语义匹配的智能建筑故障诊断规则生成方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182523A (zh) * | 2017-12-26 | 2018-06-19 | 新疆金风科技股份有限公司 | 故障数据的处理方法和装置、计算机可读存储介质 |
CN108388601A (zh) * | 2018-02-02 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 故障的分类方法、存储介质及计算机设备 |
CN109815096A (zh) * | 2017-11-20 | 2019-05-28 | 北京绪水互联科技有限公司 | 设备故障的分类统计方法和系统及基于关键词统计的设备实时质控方法和系统 |
JP2019133550A (ja) * | 2018-02-02 | 2019-08-08 | ファナック株式会社 | 障害分類装置、障害分類方法及び障害分類プログラム |
CN110224874A (zh) * | 2019-06-27 | 2019-09-10 | 郑州阿帕斯科技有限公司 | 一种设备故障的处理方法及装置 |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
CN111650921A (zh) * | 2020-05-20 | 2020-09-11 | 国网江苏省电力有限公司泰州供电分公司 | 一种智能电网调控控制系统设备故障诊断方法及系统 |
CN112131344A (zh) * | 2020-09-21 | 2020-12-25 | 武汉瑞莱保能源技术有限公司 | 基于自动聚类技术的电力设备故障诊断方法及系统 |
-
2021
- 2021-01-21 CN CN202110083044.5A patent/CN112818008A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815096A (zh) * | 2017-11-20 | 2019-05-28 | 北京绪水互联科技有限公司 | 设备故障的分类统计方法和系统及基于关键词统计的设备实时质控方法和系统 |
CN108182523A (zh) * | 2017-12-26 | 2018-06-19 | 新疆金风科技股份有限公司 | 故障数据的处理方法和装置、计算机可读存储介质 |
CN108388601A (zh) * | 2018-02-02 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 故障的分类方法、存储介质及计算机设备 |
JP2019133550A (ja) * | 2018-02-02 | 2019-08-08 | ファナック株式会社 | 障害分類装置、障害分類方法及び障害分類プログラム |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
CN110224874A (zh) * | 2019-06-27 | 2019-09-10 | 郑州阿帕斯科技有限公司 | 一种设备故障的处理方法及装置 |
CN111650921A (zh) * | 2020-05-20 | 2020-09-11 | 国网江苏省电力有限公司泰州供电分公司 | 一种智能电网调控控制系统设备故障诊断方法及系统 |
CN112131344A (zh) * | 2020-09-21 | 2020-12-25 | 武汉瑞莱保能源技术有限公司 | 基于自动聚类技术的电力设备故障诊断方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486179A (zh) * | 2021-07-13 | 2021-10-08 | 盛景智能科技(嘉兴)有限公司 | 基于维修工单的产品数据分析方法及系统 |
CN113627629A (zh) * | 2021-08-18 | 2021-11-09 | 广东电网有限责任公司 | 一种供电设备的故障分析方法及装置 |
CN114036293A (zh) * | 2021-11-03 | 2022-02-11 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及电子设备 |
CN114036293B (zh) * | 2021-11-03 | 2023-06-06 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及电子设备 |
CN114089722A (zh) * | 2021-11-17 | 2022-02-25 | 国家石油天然气管网集团有限公司 | 一种输气站场工控网络通讯故障便携式诊断方法 |
CN114089722B (zh) * | 2021-11-17 | 2024-03-26 | 国家石油天然气管网集团有限公司 | 一种输气站场工控网络通讯故障便携式诊断方法 |
CN115329774A (zh) * | 2022-10-14 | 2022-11-11 | 中国建筑科学研究院有限公司 | 基于语义匹配的智能建筑故障诊断规则生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818008A (zh) | 核电调试故障智能诊断的方法、系统、介质及电子设备 | |
CN110175324B (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及系统 | |
US8489601B2 (en) | Knowledge extraction methodology for unstructured data using ontology-based text mining | |
CN111860882A (zh) | 一种电网调度故障处理知识图谱的构建方法及装置 | |
CN111427775B (zh) | 一种基于Bert模型的方法层次缺陷定位方法 | |
CN109101483B (zh) | 一种针对电力巡检文本的错误识别方法 | |
CN113435759B (zh) | 一种基于深度学习的一次设备风险智能评估方法 | |
CN110888973B (zh) | 一种监控信息表自动结构化梳理的方法 | |
CN110377901A (zh) | 一种针对配电线路跳闸填报案例的文本挖掘方法 | |
CN113342784A (zh) | 一种电网主变设备风险评估的数据库设计方法 | |
CN115292518A (zh) | 基于知识型信息抽取的配电网故障处理方法及系统 | |
Wang et al. | Deep analysis of power equipment defects based on semantic framework text mining technology | |
CN111737993B (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
An et al. | Real-time Statistical Log Anomaly Detection with Continuous AIOps Learning. | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN113961708B (zh) | 一种基于多层次图卷积网络的电力设备故障溯源方法 | |
CN114461735A (zh) | 工矿数据分级分类方法、装置和计算机设备 | |
Dixit et al. | Extracting semantics from maintenance records | |
CN115619117A (zh) | 基于值班系统的电网智能调度方法 | |
CN115186054A (zh) | 一种故障可视化分析方法及系统 | |
Hu et al. | A classification model of power operation inspection defect texts based on graph convolutional network | |
Gräßler et al. | Efficient Formalisation of Technical Requirements for Generative Engineering | |
Xu et al. | Research on Knowledge Graph-Based Q&A for Aero-Engine Fault Diagnosis | |
CN117609514A (zh) | 一种电力二次系统缺陷诊断知识图谱构建方法及系统 | |
CN113378560B (zh) | 一种基于自然语言处理的试验报告智能诊断分析方法 |
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 |