CN113360679B - 一种基于知识图谱技术的故障诊断方法 - Google Patents
一种基于知识图谱技术的故障诊断方法 Download PDFInfo
- Publication number
- CN113360679B CN113360679B CN202110774334.4A CN202110774334A CN113360679B CN 113360679 B CN113360679 B CN 113360679B CN 202110774334 A CN202110774334 A CN 202110774334A CN 113360679 B CN113360679 B CN 113360679B
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge
- product
- entity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 60
- 239000002775 capsule Substances 0.000 claims description 22
- 239000000203 mixture Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 239000000306 component Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 239000008358 core component Substances 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 108020001568 subdomains Proteins 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 239000000047 product Substances 0.000 description 48
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—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
- 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于知识图谱技术的故障诊断方法，将知识图谱引入列车故障应用场景，通过构建故障图谱，实现产品各系统、零部件、组件等主题元素之间关联关系，以及故障与主体元素之间关联关系的构建，通过该故障图谱可以清楚的展现各零部件、故障等之间的相互关系，进一步结合具体故障现象可以精准判定该故障对相关零部件的影响关系，并通过故障发生的频率精确判定故障发生的相关性，并直观展示故障原因和各因素影响程度的大小，深入挖掘故障对产品各个维度的影响及故障原因，有效降低因故障对列车造成的潜在影响。
Description
技术领域
本发明涉及智能化故障诊断领域，尤其涉及一种基于知识图谱技术的故障诊断方法。
背景技术
传统的故障诊断主要依靠机理模型，通过实时数据判断列车的故障现象，并利用大数据技术提供系列趋势分析、构成分析等能力，这种方式鞥判断出具体的故障现象，在故障检测方面具有良好的效果，但是无法从整车方面诊断出个故障现象的关联关系，具体存在以下缺点：传统的故障分析方法故障诊断范围相对片面，难以实现产品整体层面的全部故障原因，产品设计师对产品的了解程度、设计经验的局限性导致难以全面识别故障模式及深层次的原因；基于故障分析模型分析结果，随机因素较多，时常存在偏差，产品全生命周期故障数据匮乏、分散，难以通过模型实现系统分析，现有模型的监控能力、分析能力有限，难以挖掘偶发故障，难以判断各子系统、部件故障之间的关联关系。
发明内容
本发明的目的在于提供一种基于知识图谱技术的故障诊断方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于知识图谱技术的故障诊断方法，包括以下步骤：
S1、基于知识图谱的构建原理，针对产品整体构建故障图谱，包括以下步骤：
S11、对产品的核心组成部分以及故障检测核心要素进行划分；
S12、以对产品故障的历史研究案例为基础，根据智能算法和产品故障本体构建对应产品的故障检测知识体系；
S13、根据所述故障检测知识体系对产品的故障进行概念归纳，并建立归纳的概念之间的关系，构建故障检测知识领域核心概念体系；
S14、根据所述故障检测知识领域核心概念体系对故障本体进行建模，形成具有层次结构的知识分类体系，实现故障本体的结构化；
S15、采用概念聚类的方法对故障的概念进行调整，从而完善所述故障检测知识领域核心概念体系，构建产品的故障图谱；
S2、根据步骤S1中形成的完善的故障检测知识领域核心概念体系，通过联合抽取模型对被检测产品的实体和关系进行标注，得到所述被检测产品的故障状态信息；
S3、对实体的故障状态信息进行故障知识表示和融合，形成所述被检测产品的故障知识的实体和关系；
S4、采用Neo4j储存被检测产品故障检测知识的实体和关系，建立完整的故障知识图谱；
S5、将出现故障产品的故障现象输入步骤S5建立的所述故障知识图谱中，定位故障位置并推断故障产生原因，并针对产品故障作出响应。
优选的，步骤S1的所述故障图谱包括定义产品核心组成以及产品故障检测核心要素、故障检测知识体系分析、归纳概念和概念之间的关系、实现故障本体结构化、形成故障本体模型评价。
优选的，所述产品核心组成以及故障检测核心要素包括工业产品组成、失效模式故障分析和失效故障检测。
优选的，所述工业产品组成包括系统、子系统、部件和子部件；所述失效模式故障分析包括故障模式、故障现象、故障原因和解决措施；所述失效故障检测包括检测设备和检测方法。
优选的，产品故障从产品组成的子域和产品故障检测知识的子域对产品故障实现概念归纳，针对产品结构组成的子域，当按照同一维度分别得到的结构单元都具有相似的特征时，相应维度进行抽象得到的概念，作为对应维度的顶层概念；所述顶层概念对应的明确实例作为对应的下层概念；针对故障检测知识的子域，将故障模式、故障现象、故障原因和解决措施归纳为故障检测知识的顶层概念，每层组成部分均包含对应的失效故障检测知识的顶层概念。
优选的，概念之间的关系，包括继承类关系、具有类关系和动作类关系。
优选的，所述联合抽取模型包括字符嵌入层、堆叠双向长短期记忆网络层、实体和关系提取层和双向图卷积网络推理层，所述字符嵌入层用于收集关于运维手册和故障历史案例，对所述被检测产品的实体和关系进行标注；所述堆叠层双向长短期记忆网络层用于获取标注文本深层上下文特征，输出预测实体关系；所述实体和关系提取层用于提取进行故障检测产品的实体和关系，提取三元组作为最终结果输出；所述双向图卷积网络推理层通过多个卷积核的卷积操作生成不同的特征图。
优选的，所述被检测产品的故障知识表示将胶囊网络引入翻译模型中，利用胶囊网络对实体关系三元组进行建模；具体的故障知识表示过程为：利用CapsE将每个实体关系三元组表示为一个3列矩阵，每个列向量表示实体关系三元组的嵌入，然后将这3列矩阵馈送到所述双向图卷积网络推理层，通过多个卷积核的卷积操作生成不同的特征图，将这些特征映射被重构为相应的胶囊，构成初级胶囊层；利用所述初级胶囊层通过路由算法达到高级胶囊层，产生一个连续的向量，通过所述向量的模长来衡量实体关系三元组的可信度。
优选的，所述被检测产品的故障知识融合采用实体关系聚类半监督实体对齐模型实现实体和实体关系的融合，具体的融合过程为：利用所述实体并列关系相似度计算筛选出指向同一个事物标注的不同的实体名称，并通过所述实体关系聚类对上述标注的指向同一个事物的实体名称进行合并标记，最终利用所述半监督学习实体对齐，对合并标记的实体关系进行融合对齐，实现每个实体关系三元组的故障知识融合。
本发明的有益效果是：本发明公开了一种基于知识图谱技术的故障诊断方法，将知识图谱引入列车故障应用场景，通过构建故障图谱，实现产品各系统、零部件、组件等主题元素之间关联关系，以及故障与主体元素之间关联关系的构建，通过该故障图谱可以清楚的展现各零部件、故障等之间的相互关系，进一步结合具体故障现象可以精准判定该故障对相关零部件的影响关系，并通过故障发生的频率精确判定故障发生的相关性，并直观展示故障原因和各因素影响程度的大小，深入挖掘故障对产品各个维度的影响及故障原因，有效降低因故障对列车造成的潜在影响。
附图说明
图1是故障图谱构建流程图；
图2是故障检测知识体系分解图；
图3是联合抽取模型总体结构图；
图4是实体对齐算法整体流程图；
图5是列车的故障监测知识图谱可视化示例图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
一种基于知识图谱技术的故障诊断方法，针对车辆的故障诊断业务流程，搭建面向列车的故障图谱，并通过动态的故障数据加载实现故障的精准诊断，具体包括以下步骤：
S1、针对车辆的故障构建车辆的故障图谱
基于知识图谱的构建原理构建所述故障图谱，所述故障图谱包括定义产品核心组成以及产品故障检测核心要素、故障检测知识体系分析、归纳概念和概念之间的关系、实现故障本体结构化、形成故障本体模型评价，如图1所示；
S11、所述产品核心组成以及故障检测核心要素包括工业产品组成、失效模式故障分析和失效故障检测；其中工业产品组成包括系统、子系统、部件和子部件；以列车的传动系统为例，将传动系统进行划分包括电机、减速机等组成部分，即可以将电机和减速机等作为传动系统的子系统，再次向下划分可以将轴承、定转子等作为部件，将线圈、零件等作为子部件；
S12、基于历史故障研究案例的基础，借鉴智能算法和产品故障本体的构建思想，构建所述故障检测知识体系，所述故障检测知识体系将失效模式的故障分析分解为故障模式、故障现象、故障原因和解决措施，将失效故障检测分解为检测设备和检测方法，如图2所示；
S13、根据步骤S11和S12中的故障检测知识体系的划分，从产品组成的子域和产品故障检测知识的子域进行划分，对产品故障实现概念归纳，以及整理各概念之间的关系；针对产品结构组成的子域，当按照同一维度分别得到的结构单元都具有相似的特征时，相应维度进行抽象得到的概念，作为对应维度的顶层概念，比如上述的传动系统及其子系统均可以作为顶层概念；按照产品组成的划分归纳所述顶层概念对应的明确实例的作为该顶层概念的下层概念，如部件或子部件均可以作为该顶层概念的下层概念；针对故障检测知识体系，将故障模式、故障现象、故障原因和解决措施归纳为故障检测知识的顶层概念，每层组成部分均包含对应的失效故障检测知识的顶层概念；
根据上述归纳的核心概念建立概念之间的关系，包括继承类、具有类和动作类；所述继承类包括属性关系、父子继承关系和整体与部分关系；所述具有类包括包含关系；动作类包括导致、解决和表现；
S14、根据上述构建的故障检测知识领域核心概念体系，进行本体建模，形成具有层次结构的知识分类体系，实现故障本体的结构化；
S15、采用概念聚类方法，对步骤S14中构成的结构化本体进行内容评价，当属于同一个概念的类具有相似属性时，通过采用概念聚类的方法提取当层概念，并依次向上进行概念聚类，得到对应的顶层概念；并且在聚类过程中，对于部分概念进行人为调整，从而得到完善的概念关系模式，构建车辆的故障图谱。
S2、对产品的故障知识进行抽取
所述针对产品的故障知识采用实体识别和关系抽取两种方式构建联合抽取模型，所述联合抽取模型包括字符嵌入层、堆叠双向长短期记忆网络层、实体和关系提取层和双向图卷积网络推理层，如图3所示；首先利用所述字符嵌入层收集关于运维手册和故障历史案例，并根据步骤S15完善的概念关系模式对进行故障检测产品的实体和关系进行标注；再通过堆叠层双向长短期记忆网络层获取标注文本深层上下文特征，再引入自注意力机制进一步补捕获序列依赖特征，利用CRF输出实体识别结果；其中，所述序列依赖特征映射为实体标注权重嵌入，并与深层上下文特征进行拼接以预测实体关系；引入神经网络算法进行关系推理，以上述得到的所述预测实体关系作为邻接矩阵，以字符为节点，通过节点聚合特征更新深层上下文信息；再在所述实体和关系提取层中提取进行故障检测产品的实体和关系，将提取的三元组作为最终结果输出。
S3、对步骤S2中作为最终结果输出的三元组进行知识表示与融合
S31、对故障知识表示学习，针对仅使用简单的加法、减法或乘法运算符的翻译模型中，引入胶囊网络用于知识表示学习，提出CapsE的嵌入模型，利用胶囊网络对实体关系三元组进行建模；利用CapsE将每个实体关系三元组表示为一个3列矩阵，每个列向量表示实体关系三元组的嵌入，然后将这3列矩阵馈送到所述双向图卷积网络推理层，通过多个卷积核的卷积操作生成不同的特征图，将这些特征映射被重构为相应的胶囊，构成初级胶囊层；利用所述初级胶囊层通过路由算法达到高级胶囊层，最后产生一个连续的向量，通过所述向量的模长来衡量实体关系三元组的可信度。
S32、采用实体关系聚类半监督实体对齐模型针对监督学习的实体对齐方法存在人工标注训练数据工作量大的问题；所述实体关系聚类半监督实体对齐模型包括实体并列关系相似度计算、实体关系聚类和半监督学习实体对齐三个模块，实现实体和实体关系的融合，其具体工作流程图如图4所示：首先利用所述实体并列关系相似度计算筛选出指向同一个事物标注的不同的实体名称，并通过所述实体关系聚类对上述标注的指向同一个事物的实体名称进行合并标记，最终利用所述半监督学习实体对齐，对合并标记的实体关系进行融合对齐，实现每个实体关系三元组的知识表示和融合。
S4、将上述得到的知识实现图谱可视化
采用Neo4j储存整车设备故障检测知识相关实体和关系，建立整车故障知识图谱，如图5所示；采用cypher语句作为neo4j的整车设备失效故障知识查询语句，使用户可以通过访问数据库访问各种数据和结构化知识，通过失效故障现象实体查询，得出故障原因分析以及维修建议辅助人员决策；
S5、故障诊断
工程人员将故障现象输入到列车失效知识图谱中，根据相似度计算后与知识图谱进行配对，从而迅速定位到故障的位置；故障诊断过程中，结合现场的信息和知识图谱推断出故障产生的原因，基于此对故障及时作出响应，并根据故障产生原因进行调整，从而降低相关故障发生概率。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明公开了一种基于知识图谱技术的故障诊断方法，将知识图谱引入列车故障应用场景，通过构建故障图谱，实现产品各系统、零部件、组件等主题元素之间关联关系，以及故障与主体元素之间关联关系的构建，通过该故障图谱可以清楚的展现各零部件、故障等之间的相互关系，进一步结合具体故障现象可以精准判定该故障对相关零部件的影响关系，并通过故障发生的频率精确判定故障发生的相关性，并直观展示故障原因和各因素影响程度的大小，深入挖掘故障对产品各个维度的影响及故障原因，有效降低因故障对列车造成的潜在影响。
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本发明的保护范围。
Claims (8)
1.一种基于知识图谱技术的故障诊断方法，其特征在于，包括以下步骤：
S1、基于知识图谱的构建原理，针对产品整体构建故障图谱，包括以下步骤：
S11、对产品的核心组成部分以及故障检测核心要素进行划分；所述产品核心组成以及故障检测核心要素包括工业产品组成、失效模式故障分析和失效故障检测；
S12、以对产品故障的历史研究案例为基础，根据智能算法和产品故障本体构建对应产品的故障检测知识体系；
S13、根据所述故障检测知识体系对产品的故障进行概念归纳，并建立归纳的概念之间的关系，构建故障检测知识领域核心概念体系；
S14、根据所述故障检测知识领域核心概念体系对故障本体进行建模，形成具有层次结构的知识分类体系，实现故障本体的结构化；
S15、采用概念聚类的方法对故障的概念进行调整，从而完善所述故障检测知识领域核心概念体系，构建产品的故障图谱；
S2、根据步骤S1中形成的完善的故障检测知识领域核心概念体系，通过联合抽取模型对被检测产品的实体和关系进行标注，得到所述被检测产品的故障状态信息；
S3、对实体的故障状态信息进行故障知识表示和融合，形成所述被检测产品的故障知识的实体和关系；
S4、采用Neo4j储存被检测产品故障检测知识的实体和关系，建立完整的故障知识图谱；
S5、将出现故障产品的故障现象输入步骤S4建立的所述故障知识图谱中，定位故障位置并推断故障产生原因，并针对产品故障作出响应。
2.根据权利要求1所述的基于知识图谱技术的故障诊断方法，其特征在于，步骤S1的所述故障图谱包括定义产品核心组成以及产品故障检测核心要素、故障检测知识体系分析、归纳概念和概念之间的关系、实现故障本体结构化、形成故障本体模型评价。
3.根据权利要求1所述的基于知识图谱技术的故障诊断方法，其特征在于，所述工业产品组成包括系统、子系统、部件和子部件；所述失效模式故障分析包括故障模式、故障现象、故障原因和解决措施；所述失效故障检测包括检测设备和检测方法。
4.根据权利要求1所述的基于知识图谱技术的故障诊断方法，其特征在于，产品故障从产品组成的子域和产品故障检测知识的子域对产品故障实现概念归纳，针对产品结构组成的子域，当按照同一维度分别得到的结构单元都具有相似的特征时，相应维度进行抽象得到的概念，作为对应维度的顶层概念；所述顶层概念对应的明确实例作为对应的下层概念；针对故障检测知识的子域，将故障模式、故障现象、故障原因和解决措施归纳为故障检测知识的顶层概念，每层组成部分均包含对应的失效故障检测知识的顶层概念。
5.根据权利要求4所述的基于知识图谱技术的故障诊断方法，其特征在于，概念之间的关系，包括继承类关系、具有类关系和动作类关系。
6.根据权利要求1所述的基于知识图谱技术的故障诊断方法，其特征在于，所述联合抽取模型包括字符嵌入层、堆叠双向长短期记忆网络层、实体和关系提取层和双向图卷积网络推理层，所述字符嵌入层用于收集关于运维手册和故障历史案例，对所述被检测产品的实体和关系进行标注；所述堆叠双向长短期记忆网络层用于获取标注文本深层上下文特征，输出预测实体关系；所述实体和关系提取层用于提取进行故障检测产品的实体和关系，提取三元组作为最终结果输出；所述双向图卷积网络推理层通过多个卷积核的卷积操作生成不同的特征图。
7.根据权利要求6所述的基于知识图谱技术的故障诊断方法，其特征在于，所述被检测产品的故障知识表示将胶囊网络引入翻译模型中，利用胶囊网络对实体关系三元组进行建模；具体的故障知识表示过程为：利用CapsE将每个实体关系三元组表示为一个3列矩阵，每个列向量表示实体关系三元组的嵌入，然后将这3列矩阵馈送到所述双向图卷积网络推理层，通过多个卷积核的卷积操作生成不同的特征图，将这些特征映射被重构为相应的胶囊，构成初级胶囊层；利用所述初级胶囊层通过路由算法达到高级胶囊层，产生一个连续的向量，通过所述向量的模长来衡量实体关系三元组的可信度。
8.根据权利要求1所述的基于知识图谱技术的故障诊断方法，其特征在于，所述被检测产品的故障知识融合采用实体关系聚类半监督实体对齐模型实现实体和实体关系的融合，具体的融合过程为：利用所述实体并列关系相似度计算筛选出指向同一个事物标注的不同的实体名称，并通过所述实体关系聚类对上述标注的指向同一个事物的实体名称进行合并标记，最终利用所述实体关系聚类半监督实体对齐模型对合并标记的实体关系进行融合对齐，实现每个实体关系三元组的故障知识融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110774334.4A CN113360679B (zh) | 2021-07-08 | 2021-07-08 | 一种基于知识图谱技术的故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110774334.4A CN113360679B (zh) | 2021-07-08 | 2021-07-08 | 一种基于知识图谱技术的故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113360679A CN113360679A (zh) | 2021-09-07 |
| CN113360679B true CN113360679B (zh) | 2023-11-21 |
Family
ID=77538752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110774334.4A Active CN113360679B (zh) | 2021-07-08 | 2021-07-08 | 一种基于知识图谱技术的故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113360679B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417015B (zh) * | 2022-01-26 | 2023-05-12 | 西南交通大学 | 一种高速列车可维修性知识图谱构建方法 |
| CN115115227A (zh) * | 2022-06-28 | 2022-09-27 | 华南理工大学 | 一种用于造纸领域的产品质量知识图谱构建方法 |
| CN116560887B (zh) * | 2023-04-28 | 2024-05-17 | 西南交通大学 | 一种基于知识协同的低轨卫星故障分析方法 |
| CN116756250A (zh) * | 2023-06-06 | 2023-09-15 | 电子科技大学 | 故障相关数据的处理方法、装置、计算机设备及存储介质 |
| CN117131457B (zh) * | 2023-10-26 | 2024-01-26 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100057649A1 (en) * | 2008-09-04 | 2010-03-04 | Chang Eun Lee | System and method for fault prediction in home network |
| CN108509483A (zh) * | 2018-01-31 | 2018-09-07 | 北京化工大学 | 基于知识图谱的机械故障诊断知识库构建方法 |
| CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
| CN112269901A (zh) * | 2020-09-14 | 2021-01-26 | 合肥中科类脑智能技术有限公司 | 一种基于知识图谱的故障判别推理方法 |
-
2021
- 2021-07-08 CN CN202110774334.4A patent/CN113360679B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100057649A1 (en) * | 2008-09-04 | 2010-03-04 | Chang Eun Lee | System and method for fault prediction in home network |
| CN108509483A (zh) * | 2018-01-31 | 2018-09-07 | 北京化工大学 | 基于知识图谱的机械故障诊断知识库构建方法 |
| CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
| CN112269901A (zh) * | 2020-09-14 | 2021-01-26 | 合肥中科类脑智能技术有限公司 | 一种基于知识图谱的故障判别推理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113360679A (zh) | 2021-09-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113360679B (zh) | 一种基于知识图谱技术的故障诊断方法 | |
| Yu et al. | A digital twin-based decision analysis framework for operation and maintenance of tunnels | |
| CN114579875B (zh) | 基于知识图谱的设备故障诊断与维修知识推荐系统 | |
| Cai et al. | Bayesian networks in fault diagnosis | |
| Xing et al. | A label description space embedded model for zero-shot intelligent diagnosis of mechanical compound faults | |
| CN111311059B (zh) | 基于知识图谱的水车室故障诊断方法 | |
| Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
| CN110033101A (zh) | 基于融合特征的知识图谱的水电机组故障诊断方法和系统 | |
| Qi et al. | A hybrid method for improved stability prediction in construction projects: A case study of stope hangingwall stability | |
| Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
| Tang et al. | Rotating machine systems fault diagnosis using semisupervised conditional random field-based graph attention network | |
| CN103678881B (zh) | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 | |
| Niu et al. | IETM centered intelligent maintenance system integrating fuzzy semantic inference and data fusion | |
| El Bakri et al. | Extreme learning machine-based non-linear observer for fault detection and isolation of wind turbine | |
| Florez‐Perez et al. | Using machine learning to analyze and predict construction task productivity | |
| Sarker et al. | A comprehensive review on Big Data for industries: challenges and opportunities | |
| Hao et al. | Gear fault detection in a planetary gearbox using deep belief network | |
| CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
| Wickramarachchi et al. | Towards population-based structural health monitoring, Part V: Networks and databases | |
| Lin et al. | Data-driven situation awareness of electricity-gas integrated energy system considering time series features | |
| Han et al. | Intelligent Fault Inference of Inverters Based on a Three‐Layer Bayesian Network | |
| Zhou et al. | Robot remote monitoring and fault diagnosis based on industrial internet of things | |
| Liu et al. | Data‐Driven Approaches for Diagnosis of Incipient Faults in Cutting Arms of the Roadheader | |
| Fei et al. | Research on Intelligent Construction Technology of Information-driven Power Grid Security Situation Knowledge Graph | |
| Kovalenko et al. | Using explicit and machine-understandable engineering knowledge for defect detection in automation systems engineering |
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 |