CN113254249A - 冷站故障分析方法、装置、及存储介质 - Google Patents

冷站故障分析方法、装置、及存储介质 Download PDF

Info

Publication number
CN113254249A
CN113254249A CN202110634194.0A CN202110634194A CN113254249A CN 113254249 A CN113254249 A CN 113254249A CN 202110634194 A CN202110634194 A CN 202110634194A CN 113254249 A CN113254249 A CN 113254249A
Authority
CN
China
Prior art keywords
fault
event
cold station
events
knowledge graph
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
Application number
CN202110634194.0A
Other languages
English (en)
Inventor
李泽仁
刘然
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.)
Boyan Iot Technology Beijing Co ltd
Original Assignee
Boyan Iot Technology Beijing Co ltd
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 Boyan Iot Technology Beijing Co ltd filed Critical Boyan Iot Technology Beijing Co ltd
Priority to CN202110634194.0A priority Critical patent/CN113254249A/zh
Publication of CN113254249A publication Critical patent/CN113254249A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2468—Fuzzy queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/322—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Animal Behavior & Ethology (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种冷站故障分析方法、装置、及存储介质。其中，该方法包括：获取冷站的知识图谱，其中，冷站包括多个设备，知识图谱包括多个节点，节点用于表示冷站的冷站设备和故障事件，节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；收集故障检测信号，其中，故障检测信号中携带有故障标签；基于知识图谱确定故障标签涉及的冷站设备和故障事件；基于知识图谱分析故障事件的连带事件和连带事件对应的连带设备。本发明解决了由于模型训练时间长而造成的故障检测效率低的技术问题。

Description

冷站故障分析方法、装置、及存储介质
技术领域
本发明涉及控制领域，具体而言，涉及一种冷站故障分析方法、装置、及存储介质。
背景技术
随着建筑技术的发展，如今的楼宇无论从规模还是智能化方面都今非昔比。正因如此，相比于之前，对空调机组的需求也发生了变化，主要需求包括：运行时间长、可承受负荷大、安全性强、能效比高等。在这种高负荷的运行环境下，如冷站发生故障，会导致能耗飙升、二氧化碳浓度升高、环境舒适度下降从而发生用户投诉和维护资本上升。综上所述，一个可以及时检测和分析冷站故障异常的方法非常关键。在当前已有的故障诊断方法中，需要大量数据支持，存在模型训练耗时长的问题。例如神经网络、PCA-LSTM等。除此之外，冷站的运行模式和能耗会随着季节和温度的改变而变化，所以需要定时更新模型，不然就会导致故障检测准确率低等问题。
为了提高故障检测的效率和准确度，许多专业人士提出了很多不同的方法。第一种是基于模型的故障检测，在对设备的故障类别和特征信息进行提取后，训练出CNN 卷积神经网络模型，并用该模型对设备的测试数据进行测试，输出故障结果，很好地利用了神经网络的辨别能力，提高了故障检测的准确度。第二种方法是基于知识推理的故障检测，根据规则规则库中的专家规则以及历史案例数据，结合当前设备的信号数据，通过规则间的属性相连关系以及欧式距离判别相似度，得出故障结果并实时更新规则库。这种通过信号与规则库相似度可以提高推理的准确性和适应性，从而提高故障诊断的准确度。第三种基于设备数据的故障检测方法，根据设备已有的历史运行数据，通过数据挖掘和数据清洗后运用数字统计等技术将设备的运行状态和属性进行对应，从而检测出故障的类型。
上述所提到的几种技术都很好的提升了故障检测的准确度但是也有很多的弊端，包括需要大量的数据去驱动、广泛化应用的能力较低。例如基于模型的故障诊断，应用到一般的机电设备上时，有稳定、准确度高的优势，但是并不能被很好的移植到冷站故障检测中，因为冷站的运转随着季节和温度的改变会有着很大的差异，所以一个耗费大量数据和时间训练出来的模型不能长时间的适用，需要定期耗时的训练。
除此之外，上述提到的三种故障诊断方法有一个通病，就是系统中的故障诊断规则相互独立，只能应用到单一种类的设备中，无法根据故障信号去映射可能发生关联故障的设备或反映出导致故障出现的可能原因。而冷站系统包括冷机、冷却塔、冷却水泵、冷冻水泵等设备，而每个设备的故障类型和可能原因大不相同，所以在三种故障诊断方法的应用有很大的局限性。
针对上述由于模型训练时间长而造成的故障检测效率低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种冷站故障分析方法、装置、及存储介质，以至少解决由于模型训练时间长而造成的故障检测效率低的技术问题。
根据本发明实施例的一个方面，提供了一种冷站故障分析方法，包括：获取冷站的知识图谱，其中，所述冷站包括多个设备，所述知识图谱包括多个节点，所述节点用于表示所述冷站的冷站设备和故障事件，所述节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；收集故障检测信号，其中，所述故障检测信号中携带有故障标签；基于所述知识图谱确定所述故障标签涉及的冷站设备和故障事件；基于所述知识图谱分析所述故障事件的连带事件和所述连带事件对应的连带设备。
可选地，在获取冷站的知识图谱之前，所述方法还包括：获取所述冷站中各冷站设备的历史数据；基于所述历史数据提取所述冷站设备的特征信息，其中，所述特征信息至少包括：所述冷站设备的故障事件和故障概率；基于所述特征信息和所述冷站设备建立所述知识图谱。
可选地，在收集故障检测信号之后，所述方法还包括：对所述故障检测信号进行语义分析，确定所述故障检测信号中携带的故障标签。
可选地，基于所述知识图谱确定所述故障标签涉及的冷站设备和故障事件包括：在所述知识图谱中检索所述故障标签对应的目标节点，其中，每个节点预先标定有故障标签；将所述目标节点中包括的冷站设备和故障事件确定为所述故障标签涉及的冷站设备和故障事件。
可选地，分析所述故障事件的连带事件和所述连带事件对应的连带设备包括：基于所述知识图谱确定故障事件对应的故障结构，其中，所述故障结构包括底事件、中间事件和顶事件，所述底事件为所述中间事件或所述顶事件发生的根本原因，所述中间事件为所述底事件的结果事件、或所述顶事件的原因事件，所述顶事件为预设事件；以所述故障事件作为所述顶事件，确定所述故障事件的所述中间事件和所述底事件为所述连带事件；确定所述连带事件对应的连带设备。
根据本发明实施例的另一方面，还提供了一种冷站故障分析装置，包括：第一获取单元，用于获取冷站的知识图谱，其中，所述冷站包括多个设备，所述知识图谱包括多个节点，所述节点用于表示所述冷站的冷站设备和故障事件，所述节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；收集单元，用于收集故障检测信号，其中，所述故障检测信号中携带有故障标签；确定单元，用于基于所述知识图谱确定所述故障标签涉及的冷站设备和故障事；分析单元，用于基于所述知识图谱分析所述故障事件的连带事件和所述连带事件对应的连带设备。
可选地，所述装置还包括：第二获取单元，用于在获取冷站的知识图谱之前，获取所述冷站中各冷站设备的历史数据；提取单元，用于基于所述历史数据提取所述冷站设备的特征信息，其中，所述特征信息至少包括：所述冷站设备的故障事件和故障概率；建立单元，用于基于所述特征信息和所述冷站设备建立所述知识图谱。
可选地，确定单元包括：检索模块，用于在所述知识图谱中检索所述故障标签对应的目标节点，其中，每个节点预先标定有故障标签；第一确定模块，用于将所述目标节点中包括的冷站设备和故障事件确定为所述故障标签涉及的冷站设备和故障事件。
可选地，所述分析单元包括：第二确定模块，用于基于所述知识图谱确定故障事件对应的故障结构，其中，所述故障结构包括底事件、中间事件和顶事件，所述底事件为所述中间事件或所述顶事件发生的根本原因，所述中间事件为所述底事件的结果事件、或所述顶事件的原因事件，所述顶事件为预设事件；第三确定模块，用于以所述故障事件作为所述顶事件，确定所述故障事件的所述中间事件和所述底事件为所述连带事件；第四确定模块，用于确定所述连带事件对应的连带设备。
根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述所述冷站故障分析方法。
在本发明实施例中，获取冷站的知识图谱，其中，冷站包括多个设备，知识图谱包括多个节点，节点用于表示冷站的冷站设备和故障事件，节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；收集故障检测信号，其中，故障检测信号中携带有故障标签；基于知识图谱确定故障标签涉及的冷站设备和故障事件；基于知识图谱分析故障事件的连带事件和连带事件对应的连带设备；可以基于知识图谱进行故障诊断，提高了预防故障和检测故障的准确度，从而实现了提高故障检测效率的技术效果，进而解决了由于模型训练时间长而造成的故障检测效率低技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种冷站故障分析方法的流程图；
图2是根据本发明实施例的一种知识图谱部分故障树的示意图；
图3是根据本发明实施例的一种最小割集等价故障树的示意图；
图4是根据本发明实施例的一种基于知识图谱的冷站故障检测与分析方法的示意图；
图5是根据本发明实施例的一种冷站故障分析装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种冷站故障分析方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种冷站故障分析方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取冷站的知识图谱，其中，冷站包括多个设备，知识图谱包括多个节点，节点用于表示冷站的冷站设备和故障事件，节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；
步骤S104，收集故障检测信号，其中，故障检测信号中携带有故障标签；
步骤S106，基于知识图谱确定故障标签涉及的冷站设备和故障事件；
步骤S108，基于知识图谱分析故障事件的连带事件和连带事件对应的连带设备。
在本发明实施例中，获取冷站的知识图谱，其中，冷站包括多个设备，知识图谱包括多个节点，节点用于表示冷站的冷站设备和故障事件，节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；收集故障检测信号，其中，故障检测信号中携带有故障标签；基于知识图谱确定故障标签涉及的冷站设备和故障事件；基于知识图谱分析故障事件的连带事件和连带事件对应的连带设备；可以基于知识图谱进行故障诊断，提高了预防故障和检测故障的准确度，从而实现了提高故障检测效率的技术效果，进而解决了由于模型训练时间长而造成的故障检测效率低技术问题。
可选地，冷站中包含多种冷站设备，例如冷机、冷却塔等。
可选地，故障标签是知识图谱中各节点预先标定的标签，该标签中至少包括该节点对应的冷站设备的名称，以及冷站设备对应的至少一项故障事件。
其中，连带事件也是故障事件，是某一故障事件连带的至少一个故障事件；连带设备也是冷站设备，是冷站中连带事件对应的冷站设备。
需要说明的是，知识图谱是结合贝叶斯网络使用neo4j构建的关系网，neo4j是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，它将结构化数据存储在网络上，其中，网络(从数学角度叫做图)是一个灵活的数据结构，可以应用更加敏捷和快速的开发模式。
可选地，冷站中具有多个冷站设备，在构建知识图谱的过程中，可以获取冷站中全部冷站设备的设备信息，每种冷站设备可能发生的故障类型和概率，以及易发生故障的季节，并结合贝叶斯网络使用neo4j构建知识图谱。
可选地，冷站设备的数据均通过设备中的仪表和传感器传到sql数据库中，知识图谱的是依靠专家知识经验和历史数据之共同得出，首先对历史运行数据进行数据预处理，包括数据离散值的消除和异常值的填补等；将预处理后的历史运行数据分采用卷积神经网络模型对数据进行特征提取，结合专家的知识经验，提取出故障的类别、概率等，获取故障类别信息。
需要说明的是，贝叶斯网络是一种可以很好的表示出事件概率依赖关系的概率图模型，它由两个部分组成，分别是结构和参数，整个网络都是由节点和节点间的关系相连而成。
可选地，知识图谱中的各节点用于表示冷站设备和该冷站设备对应的故障事件。
需要说明的是，知识图谱的自身特性可以将贝叶斯网络图具象化。冷战中的故障事件、冷站设备和季节都可以由节点表示，而冷站设备的属性、故障类别和概率可以由节点的属性来表示；除此之外知识图谱中的关系和故障标签用来表示冷站设备和故障事件的关联关系，以及冷站设备和故障的特征。
可选地，一个故障节点可能有几个状态(例如，true和false)。每个状态代表这一个故障事件。当一个事件发生时，它是诊断故障的证据(或观察到的状态)。贝叶斯网络用概率表示节点间的定量概率关系，概率即是贝叶斯网络的参数。每个根节点都有一个对应于其每个状态的先验概率。条件概率表通常用于指定子节点的所有参数或概率，考虑其自身状态和父节点状态的所有可能组合。条件概率表中所需的参数数量随父节点数量呈指数增长。
需要说明的是，在冷站故障诊断中，通常很难获得所有的条件概率。通过假设父节点独立地影响其公共子节点，子节点可以简化为一个噪声极大节点，其参数数目可以从指数减少到与父节点数目成线性关系。对于有噪声的MAX节点，需要泄漏概率。泄漏概率是指当所有父节点的值为0时，子节点的值为1的概率。
一旦定义了知识图谱的结构和参数，就可以通过贝叶斯推理得到后验概率。贝叶斯定理在推理中起着非常重要的作用。假设B1，B2，…，Bn是一组随机变量，满足：(i)P(Bi)n0，i＝1，2…，n；(ii)S，S是特定事件；(iii)它们是互斥的。给定事件B(P(B)N0)，事件A的条件概率由式(1)定义：
Figure BDA0003104747980000061
其中，P(AB)是事件A和B的联合概率。对于任何给定的事件A，边际概率可通过以下公式计算：
Figure BDA0003104747980000062
贝叶斯定理根据条件概率和边际概率就可得到：
Figure BDA0003104747980000063
上述公式右边的项目称为先验概率，左边的项目称为后验概率。贝叶斯定理提供了从先验概率计算后验概率的方法。以故障诊断为例，如果已知某一特定故障的先验概率Bi(P(Bi))，并且可以从专家知识或对历史数据的概率分析中获得给定故障症状A的条件概率Bi(P(A|Bi))，则如果使用该公式观察症状A，则可以计算后验概率P(Bi|A)。
作为一种可选的实施例，在获取冷站的知识图谱之前，方法还包括：获取冷站中各冷站设备的历史数据；基于历史数据提取冷站设备的特征信息，其中，特征信息至少包括：冷站设备的故障事件和故障概率；基于特征信息和冷站设备建立知识图谱。
本发明上述实施例，在获取冷站的知识图谱之前，可以获取冷站中全部冷站设备的历史数据，并基于各冷站设备的历史数据提取对应的特征信息，确定各冷站设备的故障概率和故障事件，再基于各冷站设备的故障概率和故障事件构建知识图谱，可以通过知识图谱表示冷站中各冷站设备和故障事件之间的关系。
作为一种可选的实施例，在收集故障检测信号之后，方法还包括：对故障检测信号进行语义分析，确定故障检测信号中携带的故障标签。
本发明上述实施例，在建立知识图谱后可以收集故障检测信号，通过对故障检测信号进行语义分析，可以提取故障检测信号中的故障标签，便于后续根据故障标签处查询该故障标签所涉及的所有冷站设备和故障事件。
作为一种可选的实施例，基于知识图谱确定故障标签涉及的冷站设备和故障事件包括：在知识图谱中检索故障标签对应的目标节点，其中，每个节点预先标定有故障标签；将目标节点中包括的冷站设备和故障事件确定为故障标签涉及的冷站设备和故障事件。
本发明上述实施例，在知识图谱内各节点的属性中预先标定有该节点的故障标签，在提取故障检测信号中的故障标签后，可以在知识图谱中检索该故障标签对应的目标节点，将目标节点中包括的冷站设备和故障事件确定为故障标签涉及的冷站设备和故障事件。
可选地，在基于neo4j构建的知识图谱中，可以通过neo4j自带的模糊查询查找到涉及该故障标签的所有冷站设备和故障事件。
可选地，在完成冷站故障知识图谱的建立后，收集故障检测信号，分析故障检测信号中故障设备类别的故障标签并通过neo4j自带的模糊查询查找到涉及该故障标签的所有冷站设备和故障事件。
需要说明的是，冷站中包含多种设备，例如冷机、冷却塔等，而整个冷站又由冷却水系统和冷冻水系统组成，所以故障检测涉及到的冷站设备和专家规则非常多，当只需要检测冷站中具有某种属性的冷站设备是否出现故障时，就需要使用到neo4j知识图谱自带的故障标签和模糊查询。
例如，当系统对收集到故障检测信号进行语义分析后发现包含“冷冻”、“水”这些词语时，neo4j就会通过模糊查询将具有冷冻属性的冷站设备以及其可能的故障事件查找出来，如冷冻水泵、冷机等。
需要说明的是，故障标签是在建立知识图谱时人工建立的每个节点的特征，因为neo4j和知识图谱的特点，带有相同故障标签的节点可以快速的被查找到。
可选地，模糊查询的原理是这样的，对于一个值域U∈[0,1]上的模糊集合A也可以理解为任何一个属于U的元素x，都有一个与其对应的隶属函数μA(x)∈[0,1]，并且遵循：
Figure 1
其中，μA(x)代表的是元素x隶属于集合A的程度。例如U＝[0,2000]，模糊集合A表示“冷机”和“水泵”，常见冷机的额定功率范围在1000左右，而水泵在200 左右，则有：
Figure BDA0003104747980000082
Figure BDA0003104747980000083
除此之外，信号中还有可能会出现“差不多”、“大约”和“稍微”等这些词语，这些词语可以统称为语气因素或模糊化因素，例如“温度大约在26度”，这些词语会被划分为散漫化算子和集中化算子，集中化算子包含“非常”、“极”这类词语，散漫化算子则包含差不多”、“大约”。这些算子会影响模糊查询的截集α从而影响到原词的查找范围。值域U中所有元素x的隶属函数的值都不小于α的一个子集就是x的模糊集合的截集：
Figure BDA0003104747980000084
其中，α代表迷糊查询的阈值。
在μA(x)为基础隶属函数等情况下，在neo4j的模糊查询中“很”等词语默认的隶属函数为μA(x)^2,“稍微”、“略微”等词语是μA(x)^0.5，而“特别”、“极”等词语的隶属函数是μA(x)^4。除此之外，类似于“大约”之类的模糊化因素可以将隶属函数的范围模糊化。实现对隶属函数μ(y)模糊化的方法是定义一个相似的模糊关系μE(x,y),x,y∈U在被修饰词的隶属函数之间做运算，即：
Figure 2
之后将δ(δ>0)作为一个对模糊范围调节的参数，E为相似模糊关系，可得：
Figure BDA0003104747980000092
作为一种可选的实施例，分析故障事件的连带事件和连带事件对应的连带设备包括：基于知识图谱确定故障事件对应的故障结构，其中，故障结构包括底事件、中间事件和顶事件，底事件为中间事件或顶事件发生的根本原因，中间事件为底事件的结果事件、或顶事件的原因事件，顶事件为预设事件；以故障事件作为顶事件，确定故障事件的中间事件和底事件为连带事件；确定连带事件对应的连带设备。
本发明上述实施例，在对故障事件进行分析的过程中，可以基于知识图谱确定故障事件对应的故障结构，并将故障事件作为故障结构中的顶事件，基于故障结构依次分析该故障事件涉及的中间事件和底事件作为连带事件，并确定该连带事件对应的冷站设备作为连带设备，从而可以确定某一故障事件涉及的多个故障事件，以及各故障事件对应的多个冷站设备。
可选地，在基于故障标签涉及的冷站设备和故障事件之后，可以通过故障树分析法，分析可能发生故障事件的概率以及发生原因和可能影响的冷站设备，筛选出故障发生可能性高的故障问题，再结合冷站设备的实际数据和专家规则库中的故障规则进行核实，得出故障检测结果。
需要说明的是，故障结构为树状结构，即故障树，其中，故障树包括底事件、中间事件和顶事件。
其中，在整个树状结构中，底事件处于树的最底层，相当于逻辑门判断的输入事件。底事件为造成中间事件或顶事件发生的根本原因；中间事件，是除了底事件和顶事件之外的所有事件的统称，所以它又可以作为结果事件又可以作为原因事件；顶事件是整个故障树中最难发生但也是造成损害最大的事件，位于整个树的顶端，是整个树形结构输出的最终结果。
可选地，在冷站中包含了许多冷站设备，例如冷机、冷却塔和水泵等，而冷站设备又包含传感器等元部件，每个元部件的故障发生都理想化为发生和不发生，元件发生故障是底事件或中间事件且相互独立的。设Xi为底事件i的状态量，即不发生(0)、发生(1)，Φ表示顶事件的状态量，取值也是0或1。可得：
Figure BDA0003104747980000101
因为顶事件发生与否也是由底事件X决定的，得Φ＝Φ(X)，其中 X＝(x1,x2,x3,x4…xn)，Φ(X)为整个故障树的结构函数。逻辑门判断函数如下：
或(or)：
Figure BDA0003104747980000102
与(and)：
Figure BDA0003104747980000103
当事件状态只有发生或不发生时上式可简化为：
Figure BDA0003104747980000104
该式说明当顶事件连接的所有中间事件和底事件发生时，顶事件才会发生。
故障树的定性分析法作用之一为对故障树中事件进行重要度的分析，即只在故障树结构上分析各事件对顶事件故障发生的影响程度。根据重要度的分析结果，结合实际数据进行故障检测并制定相应的预防措施。
在故障树模型中，如果所有中间事件和底事件发生，那么顶事件一定会发生，但通常在实际应用中，部分底事件发生，顶事件也会发生，这些引起顶事件发生的底事件集合就是割集。如果在一个割集中，去掉任何一个事件，顶事件就不会发生。那么这个割集为最小割集。
例如，当冷机冷冻水出水温度传感器的值与冷冻水总管供水温度差值大于2度，并且冷机状态与冷凝器阀门和蒸发器阀门状态不一致时会触发故障“冷机阀门缺少联动控制”，而其实当冷机状态与两个阀门其中一个状态不一致时，该问题就已经可能被触发，所以冷机状态和其中一个阀门的状态就是一个最小割集。
可选地，故障树中最小割集的数量确定了顶事件发生的故障模式的种类，一个割集就对应一个顶事件故障发生模式，以此显示出最小割集在故障树中的重要性。
最小割集的求解方法是行列法。从故障树顶事件开始，逐层用逻辑门的输入事件代替输出事件，直到整个故障树都用底层基本事件进行表示。在替换时，按照遇到逻辑与门，横向替换；遇到逻辑或门，纵向替换的规则。替换后得到一系列由基本事件构成的割集，然后通过布尔运算对割集进行化简得到最小割集。
图2是根据本发明实施例的一种知识图谱部分故障树的示意图，如图2所示，F 代表故障类型节点，S代表事件节点，D代表设备或元器件节点，应用行列法完成对该故障树最小割集的计算。
针对图2所示的故障树，通过表1使用行列法求割集，求解替换过程如表1所示共4步，得到7个割集：{S2},{F8},{F6},{S1},{F7},{D3,D2},{S3,D2}；将上述割集通过布尔代数运算进行化简，化简过程如下：D3+D3D2＝D3化简后共得到6个最小割集： {S2},{F8},{F6},{S1},{F7},{S3,D2}。
Figure BDA0003104747980000111
表1
在故障树化简得到的最小割集中，每个割集中基本事件的个数代表该割集的阶数，则有阶数越小的割集越重要；在阶数相同的最小割集中，出现频率高的底事件更重要。在阶数较低的最小割集中出现的基本事件的重要度高于在高阶的最小割集中出现的基本事件的重要度；仅出现过在同一个最小割集中的基本事件的重要度相等。
图3是根据本发明实施例的一种最小割集等价故障树的示意图，如图3所示，将图2所示的故障树根据最小割集得到的等价故障树如下图3所示。
故障模式及后果分析根据是从顶到根的逻辑归纳分析法，对知识图谱中事件、故障、设备等进行逻辑分析，预测筛选范围中可能发生度故障类别以及连带事件和影响设备，进而结合时序数据进行进一步诊断和采取相应的应对措施，减少故障造成的损失并提前预防严重故障的发生，可以有效地提升冷站的稳定性，减少运维费用。
本发明还提供了一种优选实施例，该优选实施例提供了一种基于知识图谱的冷站故障检测与分析方法。
图4是根据本发明实施例的一种基于知识图谱的冷站故障检测与分析方法的示意图，如图4所示，该方法包括如下步骤：
步骤S1：获取冷站设备的历史数据。
步骤S2：提取历史数据的特征信息。
步骤S3：获取专家知识。
步骤S4：基于neo4j建立/更新知识图谱。
步骤S5：获取故障检测信号。
步骤S6：对故障检测信号进行语义分析。
步骤S7：模糊查询筛选需要检测的冷站设备。
步骤S8：通过故障树分析法获取故障结果。
步骤S9：结合时序数据进行下一步分析。
步骤S10：判断该故障事件是否存在于知识图谱当中，若否则返回步骤S4，更新知识图谱，并执行步骤S11；若是则直接执行步骤S11。
步骤S11：采取进一步措施。
步骤S12：出现新的冷站设备、故障事件和专家规则，返回步骤S4，更新知识图谱。
本发明提供的技术方案，运用模糊查询、贝叶斯网络和故障树分析法将故障设备的数据以及故障类型和概率使用知识图谱的形式关联化和可视化，有效的解决了一般数据模型训练时间长、需要大量数据支持，适用期短的问题。通过专家规则和知识以及部分历史数据构造设备故障概率的知识图谱，并结合知识图谱自身的树状结构优势便于使用故障树分析法来得出故障诊断结果，节省了多次训练模型的效率，提高了预防故障和检测故障的准确度。
本发明提供的技术方案，可以基于知识图谱的故障诊断方法具象化到冷站中进行应用。
根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述所述冷站故障分析方法。
根据本发明实施例，还提供了一种冷站故障分析装置实施例，需要说明的是，该冷站故障分析装置可以用于执行本发明实施例中的冷站故障分析方法，本发明实施例中的冷站故障分析方法可以在该冷站故障分析装置中执行。
图5是根据本发明实施例的一种冷站故障分析装置的示意图，如图5所示，该装置可以包括：第一获取单元51，用于获取冷站的知识图谱，其中，冷站包括多个设备，知识图谱包括多个节点，节点用于表示冷站的冷站设备和故障事件，节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；收集单元53，用于收集故障检测信号，其中，故障检测信号中携带有故障标签；确定单元55，用于基于知识图谱确定故障标签涉及的冷站设备和故障事；分析单元57，用于基于知识图谱分析故障事件的连带事件和连带事件对应的连带设备。
需要说明的是，该实施例中的第一获取单元51可以用于执行本申请实施例中的步骤S102，该实施例中的收集单元53可以用于执行本申请实施例中的步骤S105，该实施例中的确定单元55可以用于执行本申请实施例中的步骤S106，该实施例中的第一分析单元57可以用于执行本申请实施例中的步骤S108。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
在本发明实施例中，获取冷站的知识图谱，其中，冷站包括多个设备，知识图谱包括多个节点，节点用于表示冷站的冷站设备和故障事件，节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；收集故障检测信号，其中，故障检测信号中携带有故障标签；基于知识图谱确定故障标签涉及的冷站设备和故障事件；基于知识图谱分析故障事件的连带事件和连带事件对应的连带设备；可以基于知识图谱进行故障诊断，提高了预防故障和检测故障的准确度，从而实现了提高故障检测效率的技术效果，进而解决了由于模型训练时间长而造成的故障检测效率低技术问题。
作为一种可选的实施例，装置还包括：第二获取单元，用于在获取冷站的知识图谱之前，获取冷站中各冷站设备的历史数据；提取单元，用于基于历史数据提取冷站设备的特征信息，其中，特征信息至少包括：冷站设备的故障事件和故障概率；建立单元，用于基于特征信息和冷站设备建立知识图谱。
作为一种可选的实施例，装置还包括：语义分析单元，用于在收集故障检测信号之后，对故障检测信号进行语义分析，确定故障检测信号中携带的故障标签。
作为一种可选的实施例，确定单元包括：检索模块，用于在知识图谱中检索故障标签对应的目标节点，其中，每个节点预先标定有故障标签；第一确定模块，用于将目标节点中包括的冷站设备和故障事件确定为故障标签涉及的冷站设备和故障事件。
作为一种可选的实施例，分析单元包括：第二确定模块，用于基于知识图谱确定故障事件对应的故障结构，其中，故障结构包括底事件、中间事件和顶事件，底事件为中间事件或顶事件发生的根本原因，中间事件为底事件的结果事件、或顶事件的原因事件，顶事件为预设事件；第三确定模块，用于以故障事件作为顶事件，确定故障事件的中间事件和底事件为连带事件；第四确定模块，用于确定连带事件对应的连带设备。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，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，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种冷站故障分析方法，其特征在于，包括：
获取冷站的知识图谱，其中，所述冷站包括多个设备，所述知识图谱包括多个节点，所述节点用于表示所述冷站的冷站设备和故障事件，所述节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；
收集故障检测信号，其中，所述故障检测信号中携带有故障标签；
基于所述知识图谱确定所述故障标签涉及的冷站设备和故障事件；
基于所述知识图谱分析所述故障事件的连带事件和所述连带事件对应的连带设备。
2.根据权利要求1所述的方法，其特征在于，在获取冷站的知识图谱之前，所述方法还包括：
获取所述冷站中各冷站设备的历史数据；
基于所述历史数据提取所述冷站设备的特征信息，其中，所述特征信息至少包括：所述冷站设备的故障事件和故障概率；
基于所述特征信息和所述冷站设备建立所述知识图谱。
3.根据权利要求1所述的方法，其特征在于，在收集故障检测信号之后，所述方法还包括：
对所述故障检测信号进行语义分析，确定所述故障检测信号中携带的故障标签。
4.根据权利要求1所述的方法，其特征在于，基于所述知识图谱确定所述故障标签涉及的冷站设备和故障事件包括：
在所述知识图谱中检索所述故障标签对应的目标节点，其中，每个节点预先标定有故障标签；
将所述目标节点中包括的冷站设备和故障事件确定为所述故障标签涉及的冷站设备和故障事件。
5.根据权利要求1所述的方法，其特征在于，分析所述故障事件的连带事件和所述连带事件对应的连带设备包括：
基于所述知识图谱确定故障事件对应的故障结构，其中，所述故障结构包括底事件、中间事件和顶事件，所述底事件为所述中间事件或所述顶事件发生的根本原因，所述中间事件为所述底事件的结果事件、或所述顶事件的原因事件，所述顶事件为预设事件；
以所述故障事件作为所述顶事件，确定所述故障事件的所述中间事件和所述底事件为所述连带事件；
确定所述连带事件对应的连带设备。
6.一种冷站故障分析装置，其特征在于，包括：
第一获取单元，用于获取冷站的知识图谱，其中，所述冷站包括多个设备，所述知识图谱包括多个节点，所述节点用于表示所述冷站的冷站设备和故障事件，所述节点之间关系和故障标签用于表示冷站设备和故障事件的关联关系；
收集单元，用于收集故障检测信号，其中，所述故障检测信号中携带有故障标签；
确定单元，用于基于所述知识图谱确定所述故障标签涉及的冷站设备和故障事；
分析单元，用于基于所述知识图谱分析所述故障事件的连带事件和所述连带事件对应的连带设备。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于在获取冷站的知识图谱之前，获取所述冷站中各冷站设备的历史数据；
提取单元，用于基于所述历史数据提取所述冷站设备的特征信息，其中，所述特征信息至少包括：所述冷站设备的故障事件和故障概率；
建立单元，用于基于所述特征信息和所述冷站设备建立所述知识图谱。
8.根据权利要求6所述的装置，其特征在于，确定单元包括：
检索模块，用于在所述知识图谱中检索所述故障标签对应的目标节点，其中，每个节点预先标定有故障标签；
第一确定模块，用于将所述目标节点中包括的冷站设备和故障事件确定为所述故障标签涉及的冷站设备和故障事件。
9.根据权利要求6所述的装置，其特征在于，所述分析单元包括：
第二确定模块，用于基于所述知识图谱确定故障事件对应的故障结构，其中，所述故障结构包括底事件、中间事件和顶事件，所述底事件为所述中间事件或所述顶事件发生的根本原因，所述中间事件为所述底事件的结果事件、或所述顶事件的原因事件，所述顶事件为预设事件；
第三确定模块，用于以所述故障事件作为所述顶事件，确定所述故障事件的所述中间事件和所述底事件为所述连带事件；
第四确定模块，用于确定所述连带事件对应的连带设备。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至5中任意一项所述冷站故障分析方法。
CN202110634194.0A 2021-06-07 2021-06-07 冷站故障分析方法、装置、及存储介质 Pending CN113254249A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110634194.0A CN113254249A (zh) 2021-06-07 2021-06-07 冷站故障分析方法、装置、及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110634194.0A CN113254249A (zh) 2021-06-07 2021-06-07 冷站故障分析方法、装置、及存储介质

Publications (1)

Publication Number Publication Date
CN113254249A true CN113254249A (zh) 2021-08-13

Family

ID=77186985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110634194.0A Pending CN113254249A (zh) 2021-06-07 2021-06-07 冷站故障分析方法、装置、及存储介质

Country Status (1)

Country Link
CN (1) CN113254249A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792154A (zh) * 2021-08-30 2021-12-14 北京百度网讯科技有限公司 故障关联关系的确定方法、装置、电子设备及存储介质
CN114978946A (zh) * 2022-05-17 2022-08-30 中国电信股份有限公司 节点故障诊断方法、装置、电子设备及存储介质
CN115184807A (zh) * 2022-07-05 2022-10-14 东莞新能安科技有限公司 电池的故障检测方法、装置、设备、介质和产品

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792154A (zh) * 2021-08-30 2021-12-14 北京百度网讯科技有限公司 故障关联关系的确定方法、装置、电子设备及存储介质
CN113792154B (zh) * 2021-08-30 2023-06-23 北京百度网讯科技有限公司 故障关联关系的确定方法、装置、电子设备及存储介质
CN114978946A (zh) * 2022-05-17 2022-08-30 中国电信股份有限公司 节点故障诊断方法、装置、电子设备及存储介质
CN114978946B (zh) * 2022-05-17 2023-10-03 中国电信股份有限公司 节点故障诊断方法、装置、电子设备及存储介质
CN115184807A (zh) * 2022-07-05 2022-10-14 东莞新能安科技有限公司 电池的故障检测方法、装置、设备、介质和产品

Similar Documents

Publication Publication Date Title
CN113254249A (zh) 冷站故障分析方法、装置、及存储介质
WO2021218003A1 (zh) 一种雷达嵌入式健康管理系统
Chen et al. A risk-averse remaining useful life estimation for predictive maintenance
CN107949812B (zh) 用于检测配水系统中的异常的方法
He et al. Fault detection and diagnosis of chiller using Bayesian network classifier with probabilistic boundary
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
US6625589B1 (en) Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data
EP0632353A1 (en) System and method for measuring the operation of a device
US7577548B1 (en) Integrated framework for diagnosis and prognosis of components
Yang et al. Machine learning-based prognostics for central heating and cooling plant equipment health monitoring
US20190130294A1 (en) System fault isolation and ambiguity resolution
CN115935807B (zh) 基于图马尔可夫神经网络的诊断模型的训练方法
CN111723925A (zh) 一种在途智能列车空调机组故障诊断方法、装置、设备及介质
CN113900845A (zh) 一种基于神经网络的微服务故障诊断的方法和存储介质
CN117034143B (zh) 一种基于机器学习的分布式系统故障诊断方法及装置
CN115392782A (zh) 一种核电厂工艺系统健康状态监测和诊断方法及系统
CN111126477A (zh) 一种混合贝叶斯网络的学习与推理方法
US20210405610A1 (en) Maintenance Recommendation System and Maintenance Recommendation Method
CN117370818A (zh) 基于人工智能的供排水管网智能诊断方法及智慧环保系统
CN117312611A (zh) 一种电力故障快速定位及诊断方法及相关装置
CN116049642A (zh) 一种故障诊断方法、系统、电子设备及计算机存储介质
CN114661504A (zh) 一种对重复出现类型故障的可操作可解释的根因定位方法
Eghbalian et al. Multi-view data mining approach for behaviour analysis of smart control valve
KR20230075150A (ko) 시스템 건전성을 관리하기 위한 방법 및 장치
Wang et al. LSTM-based alarm prediction in the mobile communication network

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