CN112859822A - 基于人工智能的设备健康分析及故障诊断的方法及系统 - Google Patents

基于人工智能的设备健康分析及故障诊断的方法及系统 Download PDF

Info

Publication number
CN112859822A
CN112859822A CN202110445165.XA CN202110445165A CN112859822A CN 112859822 A CN112859822 A CN 112859822A CN 202110445165 A CN202110445165 A CN 202110445165A CN 112859822 A CN112859822 A CN 112859822A
Authority
CN
China
Prior art keywords
equipment
information
fault
module
health
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.)
Granted
Application number
CN202110445165.XA
Other languages
English (en)
Other versions
CN112859822B (zh
Inventor
夏思远
王鸥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hengxin Qihua Information Technology Co ltd
Beijing University of Posts and Telecommunications
Original Assignee
Beijing Hengxin Qihua Information Technology Co ltd
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Hengxin Qihua Information Technology Co ltd, Beijing University of Posts and Telecommunications filed Critical Beijing Hengxin Qihua Information Technology Co ltd
Priority to CN202110445165.XA priority Critical patent/CN112859822B/zh
Publication of CN112859822A publication Critical patent/CN112859822A/zh
Application granted granted Critical
Publication of CN112859822B publication Critical patent/CN112859822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于人工智能的设备健康分析及故障诊断系统，包括以下部分：设备信息采集模块、设备信息处理模块、设备信息存储模块、设备健康知识库、用户评分接口、评分转化模块、设备健康分析模块、故障监测模块和故障诊断模块，采用的设备故障知识图谱采用人工智能算法，从海量的设备运行数据、设备故障诊断报告等信息中学习总结出的设备健康知识图谱，所述设备健康知识图谱包含设备相关的所有知识。借助知识图谱中的关联关系，基于用户反馈的设备补充信息，快速且准确的进行设备健康状况分析，并进行故障诊断。

Description

基于人工智能的设备健康分析及故障诊断的方法及系统
技术领域
本申请属于计算机和智能化领域，特别涉及基于人工智能的设备健康分析及故障诊断的方法及系统。
背景技术
随着工业信息化技术的不断发展进步,机电设备越来越向着精密化,复杂化以及智能化方向发展,其在给人类生产生活创造便利的同时,也给设备的故障预测和健康管理带来新的挑战。如何在设备的运维过程中实时监测设备健康状态，并快速、准确的找到故障原因是设备安全稳定运行的关键。
现有的设备健康分析和故障诊断方法主要有很多，张展等人提出的一种集成多种智能算法的制冷系统故障诊断方法，主要包括：通过模拟冷水机组故障实验，采集得到多个实验数据；选取多个不同的成员诊断器，分别得到多个不同的成员诊断器的诊断模型；对多个不同的诊断模型进行集成，形成集成诊断器模型；使用样本训练集数据对集成诊断器模型进行训练，得到训练好的集成诊断器模型；使用测试样本集在训练好的集成诊断器模型对冷水机组进行故障诊断，得到故障诊断结果；对成员诊断器与集成诊断器的故障诊断结果进行对比。但该方法采集的数据量少，并且采用决策树、SDG模型等传统的数据挖掘方式进行故障诊断，诊断效果不好、效率低，且无法获知设备的日常健康状况，对于存在故障风险的设备无法及时做出诊断。
鉴于此，需要提供基于人工智能的设备健康分析及故障诊断的方法及系统，能够解决上述问题。
发明内容
本申请所要解决的技术问题是：由于传统方法无法获知设备的日常健康状况，且对于存在故障风险的设备无法及时做出诊断，因此，提供基于人工智能的设备健康分析及故障诊断的方法及系统。
本发明技术方案如下：
基于人工智能的设备健康分析及故障诊断系统，包括以下部分：
设备信息采集模块、设备信息处理模块、设备信息存储模块、设备健康知识库、用户评分接口、评分转化模块、设备健康分析模块、故障监测模块和故障诊断模块；
所述设备信息采集模块，用于采集设备实时信息和历史运维案例信息，设备信息采集模块将历史运维案例信息通过数据传输的方式发送给设备信息处理模块，将设备实时信息通过数据传输的方法发送给故障监测模块；
所述设备信息处理模块，用于对获取的每个案例中的信息进行预处理，提取每个案例的信息特征，为信息特征分配初始特征标签，通过数据传输的方式发送给设备信息存储模块；
所述设备信息存储模块，用于存储信息特征，将信息特征通过数据传输的方式发送给设备健康知识库；
所述设备健康知识库，用于对标记后的信息特征采用知识图谱神经网络模型进行深度训练，提取出设备健康知识图谱；设备健康知识库将设备健康知识图谱通过数据传输的方式发送给设备健康分析模块和故障监测模块；
所述用户评分接口，用于接收用户的补充信息，所述用户补充信息包括用户对设备情况的评价和其他补充说明；将用户补充信息通过数据传输的方式发送给评分转化模块；
所述评分转化模块，用于根据补充信息中不同用户对设备的评价信息，计算设备的综合评价，将用户评价转化为知识图谱中三元组的权重值；评分转化模块将三元组的权重值通过数据传输的方式发送给设备健康分析模块；
所述设备健康分析模块，用于对设备健康进行分析，并将设备健康知识网和健康等级通过数据传输的方式发送给设备信息存储模块；
所述故障监测模块，用于实时监测设备中能引起设备故障的因素，并将所述因素作为分布参数构造设备故障函数，实时监测设备故障函数的动态变化，若达到阈值范围，表明设备存在故障风险或已经发生故障，将设备故障函数通过数据传输的方式发送给故障诊断模块；
所述故障诊断模块，用于根据设备健康知识图谱和设备故障函数，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障部件点、故障风险源、故障影响和故障修复措施等信息，完成故障诊断，将诊断结果发送给设备信息存储模块。
基于人工智能的设备健康分析及故障诊断方法，所述方法包括以下步骤：
S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；
S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；
S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。
优选的，所述步骤S2中，计算三元组的权重值的具体步骤为：
首先根据不同用户对于设备评分的信息熵计算不同设备
Figure 408997DEST_PATH_IMAGE002
的等效评分：
Figure 521572DEST_PATH_IMAGE004
其中，
Figure 609613DEST_PATH_IMAGE006
表示设备
Figure 938963DEST_PATH_IMAGE002
的等效评分，
Figure 100002_DEST_PATH_IMAGE007
和
Figure 200181DEST_PATH_IMAGE008
表示第u个用户和第v个用户分别对设备评分的总数，
Figure 665797DEST_PATH_IMAGE010
，
Figure 488522DEST_PATH_IMAGE012
，
Figure 242851DEST_PATH_IMAGE014
，
Figure 42180DEST_PATH_IMAGE016
和
Figure 565565DEST_PATH_IMAGE018
分别表示第u个用户和第v个用户对设备
Figure 57726DEST_PATH_IMAGE002
的评分，
Figure 100002_DEST_PATH_IMAGE019
表示评分的概率分布；
然后计算以不同设备为实体的三元组的权重值：
Figure 100002_DEST_PATH_IMAGE021
其中，J表示设备总数。
优选的，所述步骤S2中，设置设备健康等级划分规则为：若设备健康知识网中包含高危信息，所述高危信息包括但不限于重大故障、役龄超限或维修次数超限等信息，则将该设备健康等级划分为高危；若设备健康知识网中包含低危信息，所述低危信息包括但不限于中级故障、役龄或维修次数达到预设阈值等信息，则将该设备健康等级划分为低危；其他设备的健康等级可划分为正常。
优选的，所述步骤S3包括：
将设备历史运维数据中能引起设备故障的因素作为设备故障函数的分布参数，设立有m个因素可以引发设备故障，所述故障监测模块构造分布参数为
Figure 100002_DEST_PATH_IMAGE023
形式的设备故障函数，根据设备故障率对分布参数进行估计：
Figure 100002_DEST_PATH_IMAGE025
其中，
Figure 100002_DEST_PATH_IMAGE027
，
Figure 100002_DEST_PATH_IMAGE029
，
Figure 784505DEST_PATH_IMAGE030
为参数估计目标函数，即设备故障函数，
Figure 100002_DEST_PATH_IMAGE031
表示设备故障率，
Figure 100002_DEST_PATH_IMAGE033
，
Figure 100002_DEST_PATH_IMAGE035
表示设备的等效役龄，n表示等效役龄分级的最大级数；
对目标函数进行求解，首先计算
Figure 951306DEST_PATH_IMAGE030
针对参数A的求解方向：
Figure 100002_DEST_PATH_IMAGE037
，其中，
Figure 100002_DEST_PATH_IMAGE039
表示
Figure 719411DEST_PATH_IMAGE040
的逆矩阵，
Figure 116894DEST_PATH_IMAGE040
为
Figure 845816DEST_PATH_IMAGE030
的黑塞矩阵，
Figure 100002_DEST_PATH_IMAGE041
为梯度向量；针对参数A沿方向
Figure 488412DEST_PATH_IMAGE042
以步长B进行搜索，所述步长由实验获得；
迭代计算寻找最优参数：
Figure 48706DEST_PATH_IMAGE044
；
若满足
Figure 617091DEST_PATH_IMAGE046
，则终止迭代，
Figure 100002_DEST_PATH_IMAGE047
为预设的迭代控制因子，输出
Figure 895626DEST_PATH_IMAGE048
为最优参数；所述故障监测模块根据所述设备信息采集模块采集的实时数据，实时监测设备故障函数
Figure 100002_DEST_PATH_IMAGE049
的动态变化，若
Figure 100002_DEST_PATH_IMAGE051
，表明设备存在故障风险或已经发生故障，需要根据设备健康知识图谱对设备进行故障诊断。
本发明至少具有以下有益效果：
1.本发明所述的设备故障知识图谱采用人工智能算法，从海量的设备运行数据、设备故障诊断报告等信息中学习总结出的设备健康知识图谱，所述设备健康知识图谱包含设备相关的所有知识。借助知识图谱中的关联关系，基于用户反馈的设备补充信息，快速且准确的进行设备健康状况分析，并进行故障诊断。
2.利用深度学习的强大表达能力在设备信息中抽取出实体，只需提取标注一些批量数据，训练模型后便可直接提取所有数据，免去了人工对文本信息筛选的繁琐。以知识图谱的形式将设备的各类信息存储在知识库中，基于知识图谱的强关联性，可以更加直观的了解设备的健康状况。
3.通过用户对设备情况的补充信息对设备健康知识图谱进行完善，得到知识图谱中不同实体三元组的权重值，增加了人为评分，为知识图谱的丰富和完善提供保障，弥补了单一构建的不足，不仅能够了解详细的设备健康信息，还通过设备健康等级划分规则确定设备健康等级，便于用户管理。
4.根据设备故障函数及时发现存在故障风险的设备，并直接通过设备健康知识图谱获得故障类型、修复措施等相关信息，降低设备故障产生的负面影响，减少企业损失。
附图说明
图1 本发明所述的基于人工智能的设备健康分析及故障诊断系统结构图；
图2 本发明所述的知识图谱神经网络模型图。
具体实施方式
为了更清楚的说明本发明，下面将结合说明书附图和具体实施例来做详细说明。
本发明所述的基于人工智能的设备健康分析及故障诊断系统包括以下部分：
设备信息采集模块10、设备信息处理模块20、设备信息存储模块30、设备健康知识库40、用户评分接口50、评分转化模块60、设备健康分析模块70、故障监测模块80和故障诊断模块90；
本发明所述基于人工智能的设备健康分析及故障诊断的方法包括以下步骤：
S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；
S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；
S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。
参照图1，本发明所述的基于人工智能的设备健康分析及故障诊断系统包括以下部分：
设备信息采集模块10、设备信息处理模块20、设备信息存储模块30、设备健康知识库40、用户评分接口50、评分转化模块60、设备健康分析模块70、故障监测模块80和故障诊断模块90；
所述设备信息采集模块10，用于采集设备实时信息和历史运维案例信息，所述运维案例信息包括但不限于设备运行信息、事件信息、工况信息、工单信息、调度信息、环境信息和运营商信息等。设备信息采集模块10将历史运维案例信息通过数据传输的方式发送给设备信息处理模块20，将设备实时信息通过数据传输的方法发送给故障监测模块80；
所述设备信息处理模块20，用于对获取的每个案例中的信息进行预处理，提取每个案例的信息特征，为信息特征分配初始特征标签，通过数据传输的方式发送给设备信息存储模块30；
所述设备信息存储模块30，用于存储信息特征。将信息特征通过数据传输的方式发送给设备健康知识库40；
所述设备健康知识库40，用于对标记后的信息特征采用知识图谱神经网络模型进行深度训练，提取出设备健康知识图谱。设备健康知识库40将设备健康知识图谱通过数据传输的方式发送给设备健康分析模块70和故障监测模块80；
所述用户评分接口50，用于接收用户的补充信息，所述用户补充信息包括用户对设备情况的评价和其他补充说明。将用户补充信息通过数据传输的方式发送给评分转化模块60；
所述评分转化模块60，用于根据补充信息中不同用户对设备的评价信息，计算设备的综合评价，将用户评价转化为知识图谱中三元组的权重值。评分转化模块60将三元组的权重值通过数据传输的方式发送给设备健康分析模块70；
所述设备健康分析模块70，用于对设备健康进行分析，首先确定需要进行健康分析的设备名称或型号作为第一实体，按照三元组权重值的顺序由大到小依次遍历知识图谱中与该设备相关的知识，得到该设备的全部运维信息，将首尾相同的三元组相连接，形成设备健康知识链。若干设备健康知识链连接，形成该设备的健康知识网。设置设备健康等级划分规则对设备健康进行等级划分，将设备健康知识网和健康等级通过数据传输的方式发送给设备信息存储模块30；
所述故障监测模块80，用于实时监测设备中能引起设备故障的因素，并将所述因素作为分布参数构造设备故障函数，实时监测设备故障函数的动态变化，若达到阈值范围，表明设备存在故障风险或已经发生故障，将设备故障函数通过数据传输的方式发送给故障诊断模块90；
所述故障诊断模块90，用于根据设备健康知识图谱和设备故障函数，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障部件点、故障风险源、故障影响和故障修复措施等信息，完成故障诊断，将诊断结果发送给设备信息存储模块30。
本发明所述基于人工智能的设备健康分析及故障诊断的方法包括以下步骤：
S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；
S11.设备信息采集模块10采集历史运维案例信息，所述历史运维案例信息包括但不限于设备运行信息、事件信息、工况信息、工单信息、调度信息、环境信息和运营商信息等。所述设备信息处理模块20对获取的每个案例中的信息进行预处理，提取每个案例的信息特征
Figure DEST_PATH_IMAGE053
，M表示信息特征的数量。提取设备信息特征含有设备基础信息、实时运行数据、故障类型、故障部件点、故障风险源、故障影响和故障修复措施等信息，基本包含实体的所有信息。为信息特征分配初始特征标签，存储到设备信息存储模块30中。所述数据的预处理和特征提取方法均采用现有技术。将标记后的信息特征采用知识图谱神经网络模型进行训练，提取出设备健康知识图谱，所述设备健康知识图谱包含若干“实体-关系-实体”或“实体-关系-值”形式的三元组，存储于设备健康知识库40中。
S12.所述知识图谱神经网络模型的输入为提取的信息特征
Figure 404230DEST_PATH_IMAGE054
，通过神经网络的深度学习，最终输出设备健康知识图谱三元组。所述知识图谱神经网络模型包括输入层、双曲映射层、局部置信层、整体置信层、循环层和输出层，如图2所示。
输入层输入数据特征X，输入层包含M个神经元，每个特征对应一个神经元，输入层将数据特征发送给双曲映射层。
双曲映射层将数据特征
Figure 756714DEST_PATH_IMAGE054
投影到双曲空间中，获得双曲空间的特征：
Figure 761579DEST_PATH_IMAGE056
其中，
Figure DEST_PATH_IMAGE057
为双曲空间的曲率，
Figure 261830DEST_PATH_IMAGE058
表示范式。经过映射后的M个特征存在于双曲映射层的不同神经元中，将映射后的特征H分别发送给局部置信层和整体置信层。
局部置信层计算双曲特征之间的局部置信度，得到当前神经元对应特征与其他特征的置信度：
Figure 682447DEST_PATH_IMAGE060
其中，
Figure 718799DEST_PATH_IMAGE062
表示特征分布概率，
Figure DEST_PATH_IMAGE063
表示转置，B表示可训练的对角矩阵参数，
Figure DEST_PATH_IMAGE065
表示注意力机制求得的特征
Figure DEST_PATH_IMAGE067
的权重，
Figure DEST_PATH_IMAGE069
，
Figure DEST_PATH_IMAGE071
，
Figure DEST_PATH_IMAGE073
，
Figure 305683DEST_PATH_IMAGE074
表示任意一个特征。局部置信层将
Figure 230913DEST_PATH_IMAGE076
发送给循环层。
整体置信层计算双曲特征之间的整体置信度，得到当前神经元对应特征与全局特征的置信度：
Figure 517538DEST_PATH_IMAGE078
其中，
Figure DEST_PATH_IMAGE079
表示可训练的对角矩阵参数。整体置信层将
Figure DEST_PATH_IMAGE081
发送给循环层。
循环层对输入的局部置信度和整体置信度进行迭代训练，挖掘特征之间的关联关系，抽取设备运维数据中的实体关系，得到每个神经元对应的特征与其他特征的置信度：
Figure DEST_PATH_IMAGE083
Figure DEST_PATH_IMAGE085
Figure DEST_PATH_IMAGE087
其中，
Figure DEST_PATH_IMAGE089
表示特征
Figure 533030DEST_PATH_IMAGE090
与特征
Figure 879697DEST_PATH_IMAGE092
第r次循环的置信度，
Figure DEST_PATH_IMAGE093
表示局部置信度在第r次循环中所占的权重，
Figure DEST_PATH_IMAGE095
表示整体置信度在第r次循环中所占的权重，
Figure DEST_PATH_IMAGE097
为循环调控因子，r为循环次数，
Figure DEST_PATH_IMAGE099
为局部置信度循环调控因子，
Figure DEST_PATH_IMAGE101
为整体置信度循环调控因子。当
Figure 980640DEST_PATH_IMAGE089
达到预设的阈值时，循环结束，将此时各神经元中特征与其他特征的置信度发送给输出层。
输出层对每个特征与其他特征的置信度进行排序，选取与每个特征的置信度较高的前两个特征与该特征组成一个三元组
Figure DEST_PATH_IMAGE103
，输出M个三元组，组成设备健康知识图谱。对设备健康知识图谱中的三元组合并重复的实体，以减少不必要的空间开销。
所述知识图谱神经网络模型的有益效果为：利用深度学习的强大表达能力在设备信息中抽取出实体，只需提取标注一些批量数据，训练模型后便可直接提取所有数据，免去了人工对文本信息筛选的繁琐。以知识图谱的形式将设备的各类信息存储在知识库中，基于知识图谱的强关联性，可以更加直观的了解设备的健康状况。
S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；
S21.所述用户评分接口50接收用户根据实际情况对设备情况的补充信息，通过不同用户补充信息对步骤S1得到的设备健康知识图谱进行完善。所述用户补充信息包括用户对设备情况的评价和其他补充说明。所述评分转化模块60根据补充信息中不同用户对设备的评价信息，计算设备的综合评价，将用户评价作为知识图谱中三元组的权重值，具体步骤为：
首先根据不同用户对于设备评分的信息熵计算不同设备
Figure 805376DEST_PATH_IMAGE002
的等效评分：
Figure 49276DEST_PATH_IMAGE004
其中，
Figure 504528DEST_PATH_IMAGE006
表示设备
Figure 466668DEST_PATH_IMAGE002
的等效评分，
Figure 32778DEST_PATH_IMAGE007
和
Figure 632649DEST_PATH_IMAGE008
表示第u个用户和第v个用户分别对设备评分的总数，
Figure 258803DEST_PATH_IMAGE010
，
Figure 708238DEST_PATH_IMAGE012
，
Figure 812461DEST_PATH_IMAGE014
，
Figure 30952DEST_PATH_IMAGE016
和
Figure 828007DEST_PATH_IMAGE018
分别表示第u个用户和第v个用户对设备
Figure 499160DEST_PATH_IMAGE002
的评分，
Figure 672652DEST_PATH_IMAGE019
表示评分的概率分布。然后计算以不同设备为实体的三元组的权重值：
Figure 247115DEST_PATH_IMAGE104
其中，J表示设备总数。
S22.为了不影响设备使用，所述设备健康分析模块70定时对设备健康进行分析，首先确定需要进行健康分析的设备名称或型号作为第一实体，按照三元组权重值的顺序由大到小依次遍历知识图谱中与该设备相关的知识，得到该设备
Figure DEST_PATH_IMAGE105
的全部运维信息，设立为
Figure DEST_PATH_IMAGE107
，对于任意一个三元组
Figure DEST_PATH_IMAGE109
，
Figure DEST_PATH_IMAGE111
，其中，
Figure DEST_PATH_IMAGE113
表示“实体-关系-实体”或“实体-关系-值”。将首尾相同的三元组相连接，形成设备健康知识链。若干设备健康知识链连接，形成该设备的健康知识网。
S23.设置设备健康等级划分规则：若设备健康知识网中包含高危信息，所述高危信息包括但不限于重大故障、役龄超限或维修次数超限等信息，则将该设备健康等级划分为高危；若设备健康知识网中包含低危信息，所述低危信息包括但不限于中级故障、役龄或维修次数达到预设阈值等信息，则将该设备健康等级划分为低危；其他设备的健康等级可划分为正常。
所述采用用户补充信息进行健康分析的有益效果为：通过用户对设备情况的补充信息对设备健康知识图谱进行完善，得到知识图谱中不同实体三元组的权重值，增加了人为评分，为知识图谱的丰富和完善提供保障，弥补了单一构建的不足，不仅能够了解详细的设备健康信息，还通过设备健康等级划分规则确定设备健康等级，便于用户管理。
S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。
S31.本发明将设备历史运维数据中能引起设备故障的因素作为设备故障函数的分布参数，设立有m个因素可以引发设备故障，所述故障监测模块80构造分布参数为
Figure 402022DEST_PATH_IMAGE023
形式的设备故障函数，根据设备故障率对分布参数进行估计：
Figure 498154DEST_PATH_IMAGE114
其中，
Figure 507961DEST_PATH_IMAGE027
，
Figure 638728DEST_PATH_IMAGE029
，
Figure 839902DEST_PATH_IMAGE030
为参数估计目标函数，即设备故障函数，
Figure 423330DEST_PATH_IMAGE031
表示设备故障率，
Figure 735363DEST_PATH_IMAGE033
，
Figure 720636DEST_PATH_IMAGE035
表示设备的等效役龄，n表示等效役龄分级的最大级数。对目标函数进行求解，首先计算
Figure 92712DEST_PATH_IMAGE030
针对参数A的求解方向：
Figure 163436DEST_PATH_IMAGE037
其中，
Figure 780624DEST_PATH_IMAGE039
表示
Figure 620404DEST_PATH_IMAGE040
的逆矩阵，
Figure 163381DEST_PATH_IMAGE040
为
Figure 455822DEST_PATH_IMAGE030
的黑塞矩阵，
Figure 375237DEST_PATH_IMAGE041
为梯度向量。针对参数A沿方向
Figure 69523DEST_PATH_IMAGE042
以步长B进行搜索，所述步长由实验获得。迭代计算寻找最优参数：
Figure DEST_PATH_IMAGE115
若满足
Figure 783401DEST_PATH_IMAGE046
，则终止迭代。
Figure 828718DEST_PATH_IMAGE047
为预设的迭代控制因子，输出
Figure 787709DEST_PATH_IMAGE048
为最优参数。所述故障监测模块80根据所述设备信息采集模块10采集的实时数据，实时监测设备故障函数
Figure 398818DEST_PATH_IMAGE049
的动态变化，若
Figure 486860DEST_PATH_IMAGE116
，表明设备存在故障风险或已经发生故障，需要根据设备健康知识图谱对设备进行故障诊断。
S32.所述故障诊断模块90对设备进行故障诊断的具体步骤为：当设备发生故障时，首先根据步骤S2中的方法得到当前设备的健康知识网，然后根据当前设备故障函数
Figure 816210DEST_PATH_IMAGE049
的参数
Figure DEST_PATH_IMAGE117
中，与正常值偏离最大的故障因素
Figure 811848DEST_PATH_IMAGE119
所在的三元组作为查找方向，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障部件点、故障风险源、故障影响和故障修复措施等信息。所述深度优先算法为现有技术，本发明在此不做过多阐述。从而完成设备的故障诊断。
所述根据设备故障函数进行故障诊断的有益效果为：根据设备故障函数及时发现存在故障风险的设备，并直接通过设备健康知识图谱获得故障类型、修复措施等相关信息，降低设备故障产生的负面影响，减少企业损失。
综上所述，便完成了本发明所述的基于人工智能的设备健康分析及故障诊断的方法及系统。
可以理解的是，以上仅是本发明的较佳实施例，任何基于本发明的精神所做的改动均应在本发明的保护范围之内。

Claims (5)

1.基于人工智能的设备健康分析及故障诊断系统，其特征在于，包括以下部分：
设备信息采集模块、设备信息处理模块、设备信息存储模块、设备健康知识库、用户评分接口、评分转化模块、设备健康分析模块、故障监测模块和故障诊断模块；
所述设备信息采集模块，用于采集设备实时信息和历史运维案例信息，设备信息采集模块将历史运维案例信息通过数据传输的方式发送给设备信息处理模块，将设备实时信息通过数据传输的方法发送给故障监测模块；
所述设备信息处理模块，用于对获取的每个案例中的信息进行预处理，提取每个案例的信息特征，为信息特征分配初始特征标签，通过数据传输的方式发送给设备信息存储模块；
所述设备信息存储模块，用于存储信息特征，将信息特征通过数据传输的方式发送给设备健康知识库；
所述设备健康知识库，用于对标记后的信息特征采用知识图谱神经网络模型进行深度训练，提取出设备健康知识图谱；设备健康知识库将设备健康知识图谱通过数据传输的方式发送给设备健康分析模块和故障监测模块；
所述用户评分接口，用于接收用户的补充信息，所述用户补充信息包括用户对设备情况的评价和其他补充说明；将用户补充信息通过数据传输的方式发送给评分转化模块；
所述评分转化模块，用于根据补充信息中不同用户对设备的评价信息，计算设备的综合评价，将用户评价转化为知识图谱中三元组的权重值；评分转化模块将三元组的权重值通过数据传输的方式发送给设备健康分析模块；
所述设备健康分析模块，用于对设备健康进行分析，并将设备健康知识网和健康等级通过数据传输的方式发送给设备信息存储模块；
所述故障监测模块，用于实时监测设备中能引起设备故障的因素，并将所述因素作为分布参数构造设备故障函数，实时监测设备故障函数的动态变化，若达到阈值范围，表明设备存在故障风险或已经发生故障，将设备故障函数通过数据传输的方式发送给故障诊断模块；
所述故障诊断模块，用于根据设备健康知识图谱和设备故障函数，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障部件点、故障风险源、故障影响和故障修复措施等信息，完成故障诊断，将诊断结果发送给设备信息存储模块。
2.基于人工智能的设备健康分析及故障诊断方法，其特征在于，所述方法包括以下步骤：
S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；
S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；
S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。
3.如权利要求2所述基于人工智能的设备健康分析及故障诊断方法，其特征在于，所述步骤S2中，计算三元组的权重值的具体步骤为：
首先根据不同用户对于设备评分的信息熵计算不同设备
Figure 593603DEST_PATH_IMAGE002
的等效评分：
Figure 47587DEST_PATH_IMAGE004
其中，
Figure 184170DEST_PATH_IMAGE006
表示设备
Figure 853049DEST_PATH_IMAGE002
的等效评分，
Figure DEST_PATH_IMAGE007
和
Figure 33363DEST_PATH_IMAGE008
表示第u个用户和第v个用户分别对设备评分的总数，
Figure 725376DEST_PATH_IMAGE010
，
Figure 462388DEST_PATH_IMAGE012
，
Figure 172724DEST_PATH_IMAGE014
，
Figure 540251DEST_PATH_IMAGE016
和
Figure 781877DEST_PATH_IMAGE018
分别表示第u个用户和第v个用户对设备
Figure 246881DEST_PATH_IMAGE002
的评分，
Figure DEST_PATH_IMAGE019
表示评分的概率分布；
然后计算以不同设备为实体的三元组的权重值：
Figure DEST_PATH_IMAGE021
其中，J表示设备总数。
4.如权利要求2所述基于人工智能的设备健康分析及故障诊断方法，其特征在于，所述步骤S2中，设置设备健康等级划分规则为：若设备健康知识网中包含高危信息，所述高危信息包括但不限于重大故障、役龄超限或维修次数超限等信息，则将该设备健康等级划分为高危；若设备健康知识网中包含低危信息，所述低危信息包括但不限于中级故障、役龄或维修次数达到预设阈值等信息，则将该设备健康等级划分为低危；其他设备的健康等级可划分为正常。
5.根据权利要求2所述的基于人工智能的设备健康分析及故障诊断方法，其特征在于，所述步骤S3包括：
将设备历史运维数据中能引起设备故障的因素作为设备故障函数的分布参数，设立有m个因素可以引发设备故障，所述故障监测模块构造分布参数为
Figure DEST_PATH_IMAGE023
形式的设备故障函数，根据设备故障率对分布参数进行估计：
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE029
，
Figure 952668DEST_PATH_IMAGE030
为参数估计目标函数，即设备故障函数，
Figure DEST_PATH_IMAGE031
表示设备故障率，
Figure DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE035
表示设备的等效役龄，n表示等效役龄分级的最大级数；
对目标函数进行求解，首先计算
Figure 599419DEST_PATH_IMAGE030
针对参数A的求解方向：
Figure DEST_PATH_IMAGE037
，其中，
Figure DEST_PATH_IMAGE039
表示
Figure 266024DEST_PATH_IMAGE040
的逆矩阵，
Figure 344838DEST_PATH_IMAGE040
为
Figure 32696DEST_PATH_IMAGE030
的黑塞矩阵，
Figure DEST_PATH_IMAGE041
为梯度向量；针对参数A沿方向
Figure 742026DEST_PATH_IMAGE042
以步长B进行搜索，所述步长由实验获得；
迭代计算寻找最优参数：
Figure 879615DEST_PATH_IMAGE044
；
若满足
Figure 762121DEST_PATH_IMAGE046
，则终止迭代，
Figure DEST_PATH_IMAGE047
为预设的迭代控制因子，输出
Figure 52288DEST_PATH_IMAGE048
为最优参数；所述故障监测模块根据所述设备信息采集模块采集的实时数据，实时监测设备故障函数
Figure DEST_PATH_IMAGE049
的动态变化，若
Figure DEST_PATH_IMAGE051
，表明设备存在故障风险或已经发生故障，需要根据设备健康知识图谱对设备进行故障诊断。
CN202110445165.XA 2021-04-25 2021-04-25 基于人工智能的设备健康分析及故障诊断的方法及系统 Active CN112859822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110445165.XA CN112859822B (zh) 2021-04-25 2021-04-25 基于人工智能的设备健康分析及故障诊断的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110445165.XA CN112859822B (zh) 2021-04-25 2021-04-25 基于人工智能的设备健康分析及故障诊断的方法及系统

Publications (2)

Publication Number Publication Date
CN112859822A true CN112859822A (zh) 2021-05-28
CN112859822B CN112859822B (zh) 2021-07-09

Family

ID=75992779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110445165.XA Active CN112859822B (zh) 2021-04-25 2021-04-25 基于人工智能的设备健康分析及故障诊断的方法及系统

Country Status (1)

Country Link
CN (1) CN112859822B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487189A (zh) * 2021-07-08 2021-10-08 广东石油化工学院 一种石化设备故障概率风险评估系统及评估方法
CN113505241A (zh) * 2021-07-15 2021-10-15 润建股份有限公司 一种基于知识图谱的用电安全隐患智能诊断方法
CN113723632A (zh) * 2021-08-27 2021-11-30 北京邮电大学 一种基于知识图谱的工业设备故障诊断方法
CN113837539A (zh) * 2021-08-19 2021-12-24 华能(浙江)能源开发有限公司玉环分公司 一种基于工业互联网的燃煤锅炉受热面深度故障预警系统
CN114267178A (zh) * 2021-12-30 2022-04-01 佳都科技集团股份有限公司 一种车站的智能运营维护方法及装置
CN114417741A (zh) * 2022-03-31 2022-04-29 北京恒信启华信息技术股份有限公司 一机一档设备数据管理及处理系统
CN114500368A (zh) * 2022-04-07 2022-05-13 成都网讯优速信息技术有限公司 数据传输方法和装置及采用该装置的路由器
CN115096627A (zh) * 2022-06-16 2022-09-23 中南大学 一种液压成形智能装备制造过程故障诊断与运维方法及系统
CN116381542A (zh) * 2023-06-05 2023-07-04 深圳和润达科技有限公司 基于人工智能的电源设备的健康诊断方法及装置
CN117633636A (zh) * 2024-01-25 2024-03-01 江苏省特种设备安全监督检验研究院 一种云端互联的特检数据处理系统及其处理设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050240287A1 (en) * 1996-08-23 2005-10-27 Glanzer David A Block-oriented control system on high speed ethernet
CN105891629A (zh) * 2016-03-31 2016-08-24 广西电网有限责任公司电力科学研究院 一种变压器设备故障的辨识方法
CN108196444A (zh) * 2017-12-08 2018-06-22 重庆邮电大学 基于反馈线性化滑模与scg的变桨风力机控制与辨识方法
CN109145119A (zh) * 2018-07-02 2019-01-04 北京妙医佳信息技术有限公司 健康管理领域的知识图谱构建装置及构建方法
CN109509551A (zh) * 2018-11-01 2019-03-22 新博卓畅技术（北京）有限公司 一种常见疾病智能诊断方法及系统
CN109584103A (zh) * 2018-12-28 2019-04-05 广西电网有限责任公司防城港供电局 一种电网故障快速反应和可靠决策支持系统
CN109991951A (zh) * 2019-04-28 2019-07-09 齐鲁工业大学 多源故障检测与诊断方法和装置
KR102027389B1 (ko) * 2019-03-20 2019-10-01 (주)브이엠에스 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치
WO2020050456A1 (ko) * 2018-09-06 2020-03-12 울산대학교 산학협력단 설비 데이터의 이상 정도 평가 방법
CN111274546A (zh) * 2020-02-26 2020-06-12 广东电网有限责任公司 一种电缆系统故障分析方法
CN111651579A (zh) * 2020-06-03 2020-09-11 腾讯科技（深圳）有限公司 信息查询方法、装置、计算机设备和存储介质
CN111722058A (zh) * 2020-06-17 2020-09-29 国网甘肃省电力公司信息通信公司 基于知识图谱的电力信息系统故障检测方法、装置及介质
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050240287A1 (en) * 1996-08-23 2005-10-27 Glanzer David A Block-oriented control system on high speed ethernet
CN105891629A (zh) * 2016-03-31 2016-08-24 广西电网有限责任公司电力科学研究院 一种变压器设备故障的辨识方法
CN108196444A (zh) * 2017-12-08 2018-06-22 重庆邮电大学 基于反馈线性化滑模与scg的变桨风力机控制与辨识方法
CN109145119A (zh) * 2018-07-02 2019-01-04 北京妙医佳信息技术有限公司 健康管理领域的知识图谱构建装置及构建方法
WO2020050456A1 (ko) * 2018-09-06 2020-03-12 울산대학교 산학협력단 설비 데이터의 이상 정도 평가 방법
CN109509551A (zh) * 2018-11-01 2019-03-22 新博卓畅技术（北京）有限公司 一种常见疾病智能诊断方法及系统
CN109584103A (zh) * 2018-12-28 2019-04-05 广西电网有限责任公司防城港供电局 一种电网故障快速反应和可靠决策支持系统
KR102027389B1 (ko) * 2019-03-20 2019-10-01 (주)브이엠에스 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치
CN109991951A (zh) * 2019-04-28 2019-07-09 齐鲁工业大学 多源故障检测与诊断方法和装置
CN111274546A (zh) * 2020-02-26 2020-06-12 广东电网有限责任公司 一种电缆系统故障分析方法
CN111651579A (zh) * 2020-06-03 2020-09-11 腾讯科技（深圳）有限公司 信息查询方法、装置、计算机设备和存储介质
CN111722058A (zh) * 2020-06-17 2020-09-29 国网甘肃省电力公司信息通信公司 基于知识图谱的电力信息系统故障检测方法、装置及介质
CN112612902A (zh) * 2020-12-23 2021-04-06 国网浙江省电力有限公司电力科学研究院 一种电网主设备的知识图谱构建方法及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冯管印等: "电气设备故障率演化推算综合算法", 《武汉大学学报(工学版)》 *
唐若愚: "变压器健康状态特征量提取及其知识图谱研究", 《万方数据库》 *
时全局: "核电应急柴油发电机定期评估与故障定位方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
赵倩: "数控设备故障知识图谱的构建与应用", 《航空制造技术》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487189A (zh) * 2021-07-08 2021-10-08 广东石油化工学院 一种石化设备故障概率风险评估系统及评估方法
CN113505241A (zh) * 2021-07-15 2021-10-15 润建股份有限公司 一种基于知识图谱的用电安全隐患智能诊断方法
CN113505241B (zh) * 2021-07-15 2023-06-30 润建股份有限公司 一种基于知识图谱的用电安全隐患智能诊断方法
CN113837539A (zh) * 2021-08-19 2021-12-24 华能(浙江)能源开发有限公司玉环分公司 一种基于工业互联网的燃煤锅炉受热面深度故障预警系统
CN113723632A (zh) * 2021-08-27 2021-11-30 北京邮电大学 一种基于知识图谱的工业设备故障诊断方法
CN113723632B (zh) * 2021-08-27 2024-03-05 北京邮电大学 一种基于知识图谱的工业设备故障诊断方法
CN114267178B (zh) * 2021-12-30 2023-09-26 佳都科技集团股份有限公司 一种车站的智能运营维护方法及装置
CN114267178A (zh) * 2021-12-30 2022-04-01 佳都科技集团股份有限公司 一种车站的智能运营维护方法及装置
CN114417741A (zh) * 2022-03-31 2022-04-29 北京恒信启华信息技术股份有限公司 一机一档设备数据管理及处理系统
CN114500368A (zh) * 2022-04-07 2022-05-13 成都网讯优速信息技术有限公司 数据传输方法和装置及采用该装置的路由器
CN114500368B (zh) * 2022-04-07 2022-06-17 成都网讯优速信息技术有限公司 数据传输方法和装置及采用该装置的路由器
CN115096627A (zh) * 2022-06-16 2022-09-23 中南大学 一种液压成形智能装备制造过程故障诊断与运维方法及系统
CN115096627B (zh) * 2022-06-16 2023-04-07 中南大学 一种液压成形智能装备制造过程故障诊断与运维方法及系统
CN116381542B (zh) * 2023-06-05 2023-07-25 深圳和润达科技有限公司 基于人工智能的电源设备的健康诊断方法及装置
CN116381542A (zh) * 2023-06-05 2023-07-04 深圳和润达科技有限公司 基于人工智能的电源设备的健康诊断方法及装置
CN117633636A (zh) * 2024-01-25 2024-03-01 江苏省特种设备安全监督检验研究院 一种云端互联的特检数据处理系统及其处理设备
CN117633636B (zh) * 2024-01-25 2024-05-03 江苏省特种设备安全监督检验研究院 一种云端互联的特检数据处理系统及其处理设备

Also Published As

Publication number Publication date
CN112859822B (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN112859822B (zh) 基于人工智能的设备健康分析及故障诊断的方法及系统
CN113723632B (zh) 一种基于知识图谱的工业设备故障诊断方法
CN108320043B (zh) 一种基于电力大数据的配电网设备状态诊断预测方法
US8868985B2 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
CN112418451A (zh) 基于数字孪生的变压器故障诊断定位系统
CN111738462B (zh) 电力计量装置故障抢修主动服务预警方法
CN109325542A (zh) 一种基于多阶机器学习的电量异常智能识别方法及系统
CN104636751A (zh) 基于时间递归神经网络的人群异常检测和定位系统及方法
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN108985467A (zh) 基于人工智能的二次设备精益化管控方法
CN117271767B (zh) 基于多智能体的运维知识库的建立方法
CN112084220B (zh) 一种电能计量装置异常诊断方法、装置及可读存储介质
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN110766313A (zh) 一种基于运维检修制度的电缆隧道综合状态评价方法
CN116861924A (zh) 基于人工智能的项目风险预警方法及系统
CN113222149A (zh) 模型训练方法、装置、设备和存储介质
CN111143835B (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
CN114219096A (zh) 一种机器学习算法模型的训练方法、装置及存储介质
CN117290462A (zh) 一种数据大模型的智能决策系统及方法
CN117421994A (zh) 一种边缘应用健康度的监测方法和监测系统
CN113254468B (zh) 一种装备的故障查询及推理方法
CN111239484A (zh) 一种非居民用户非侵入式负荷用电信息采集方法
CN113807462B (zh) 一种基于ai的网络设备故障原因定位方法及其系统
CN113495800B (zh) 基于扩展多属性决策的诊断预测数据和特征再认知方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Xia Siyuan

Inventor before: Xia Siyuan

Inventor before: Wang Ou

CB03 Change of inventor or designer information