CN113723632A - 一种基于知识图谱的工业设备故障诊断方法 - Google Patents
一种基于知识图谱的工业设备故障诊断方法 Download PDFInfo
- Publication number
- CN113723632A CN113723632A CN202110995175.0A CN202110995175A CN113723632A CN 113723632 A CN113723632 A CN 113723632A CN 202110995175 A CN202110995175 A CN 202110995175A CN 113723632 A CN113723632 A CN 113723632A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- entities
- reason
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000012423 maintenance Methods 0.000 claims abstract description 70
- 238000013473 artificial intelligence Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000000547 structure data Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 19
- 238000013135 deep learning Methods 0.000 abstract description 19
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F16/355—Class or cluster creation or modification
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于知识图谱的工业设备故障诊断方法,属于工业设备故障诊断技术领域。本发明包括:从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取故障设备、故障现象、原因和解决办法等实体及实体间关系,构建三元组数据;对三元组数据合并和删除后,根据设备零部件间的物理连接关系及实体间关系构建设备的故障维修知识图谱;根据新故障的日志更新实体及实体关系;根据输入的故障现象、采集的传感器数据,利用图谱及AI深度学习分类判别模型综合判断故障原因,并输出关联的实体信息。本发明实现对设备故障诊断的辅助分析,提高了工业设备故障诊断的准确率和效率,并减少了工作人员频繁重复的故障分析工作。
Description
技术领域
本发明属于工业设备故障诊断技术领域,具体涉及一种基于知识图谱的工业设备故障诊断方法。
背景技术
随着经济与科技的快速发展,我国工业领域机械化程度越来越高,大型机器已经成为工业生产中的关键设备,一旦机器设备发生故障,就可能导致整个生产过程的停机,给工厂造成巨大的经济损失。因此在设备的运行过程中,确定其整体或局部正常或异常,早期发现故障及其原因,及时快速的对机器设备出现的故障进行故障诊断,分析故障产生的原因并进行修复,对现代工业具有重要意义。
目前工厂中机器设备的故障预测与健康管理主要依靠专家多年的机器维修经验,通过对机器各方面进行检测,找到机器故障的原因并进行修复。这种依靠专家经验的检测方法需要消耗大量的人力和时间,建立一套智能化的机器故障诊断辅助分析工具,既可以减少频繁重复的分析检测工作,还可以更准确、全面的诊断分析机器故障的部位和产生故障的原因,对于工业设备的故障诊断具有重要的意义。目前大多数工厂对机器设备的维修记录都有详细的文本记录数据,从已经发生过的设备故障现象与原因记录中吸取经验可以提高故障诊断与原因分析的效率与准确性。但这些文本数据众多、记录人员对故障原因与现象描述并不统一,直接使用这些记录进行分析很难实现。因此如何能够有效的借鉴设备故障历史维修记录与原因分析,快速实现对设备的故障诊断,是提升工厂生产效率的一个关键性问题。
知识图谱的概念由Google公司在2012年提出,最初的目的是用于提升搜索引擎性能、丰富搜索内容的知识库。知识图谱的出现是人工智能对知识需求所导致的必然结果,但其发展又得益于很多其他的研究领域,涉及专家系统、语言学、语义网、数据库,以及信息抽取等众多领域,是交叉融合的产物而非一脉相承。知识图谱本质上是语义网络,是一种基于图的数据结构,由节点和边组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。知识图谱就是把所有不同类型的信息连接在一起而得到的一个关系网络,它提供了从“关系”的角度去分析问题的能力。
现有技术中利用知识图谱和自然语言处理技术研究和设计了面向特定领域的设备故障诊断辅助决策构建方法,实现了基于知识图谱的故障告警信息解析判别和智能辅助决策,为设备监控人员对故障快速处理提供了参考。现有设备故障诊断方案分为两大类。第一种方案先构建设备故障现象、故障类型和内在原因等关联因素的知识图谱,然后利用实际运行中设备故障现象的描述去故障知识图谱中进行搜索匹配,从而辅助进行故障类型诊断。如参考文献1(赵倩.数控设备故障知识图谱的构建与应用[J].航空制造技术,2020,063(003):96-102.)公开的一种数控设备故障知识图谱的构建与应用。第二种方案利用设备自带的状态数据、现装和后装的各种传感器数据和带标记的故障类型进行机器学习模型训练,通过分类等方法确定设备可能潜在的故障类型。这两种方案各有自己的优缺点,第一种方案能够直观展示故障类型、故障现象和设备部件之前的潜在关系,所以能快捷的进行故障判断,但是精确性不高。第二种方法准确性高,但是可解释性差,对设备各种状态数据的要求高,前期需要有大量的数据积累,需要频繁重复的故障分析工作。
发明内容
本发明的目的是提供一种基于知识图谱的工业设备故障诊断方法,将实际中设备故障现象和设备传感器参数结合用于辅助诊断和判断故障,以解决目前工业设备故障诊断中的故障诊断精确度不高、对设备状态数据要求高、需要频繁重复的故障分析工作等问题。
本发明提供的一种基于知识图谱的工业设备故障诊断方法,包括:
步骤一、将故障设备、故障零部件、传感器、故障现象、故障原因和故障解决办法作为知识图谱中的实体,从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取实体以及实体之间的关系,构建实体-关系-实体的三元组结构数据;其中,所述实体关系包括设备零部件之间的连接关系、零部件与故障现象的关系、故障现象与故障原因的关系、故障原因与解决办法的关系。
步骤二、为了消除描述的多样性,根据语义相似度,对获取的实体-关系-实体的三元组结构数据进行重复数据的合并和删除后再存入知识库,包括:对获得的故障产生原因或故障现象实体,经分词后表示为词向量相加的形式,计算两个同类实体的相似度,将相似度超过设置阈值的两个实体采用同一实体表示,对实体-关系-实体的三元组结构数据进行重复数据的合并和删除。
步骤三、根据知识库中的三元组构建设备的故障维修知识图谱;设备的故障维修知识图谱是根据设备零部件之间的物理连接关系,故障涉及到的零部件、传感器、现象、原因和解决办法之间的逻辑关系构建出;其中,将所述实体作为故障维修知识图谱中的节点,将所述实体之间的关系作为故障维修知识图谱中的边,边的权重代表实体关系的置信度;对于同一个实体,故障维修知识图谱中仅用一个点表示。当有故障发生时,维修操作人员记录故障日志,获取该故障日志,提取实体以及实体关系,并更新实体关系的置信度。
步骤四、当用户需要查找故障原因时,输入故障现象以及采集的传感器数据,利用知识图谱以及AI诊断模型进行故障原因判断。其中,AI诊断模型为深度学习分类判别模型,由历史采集的设备相关传感器数据训练得到,AI诊断模型的输入是传感器数据,输出是故障类型概率,即故障原因置信度。
所述步骤四采用如下任一融合方法进行故障原因判断:
方法一:将输入的故障现象与故障维修知识图谱中的故障现象文本进行语义相似度计算,获取超过设定阈值的故障现象实体,再从故障维修知识图谱中找到所获取的故障现象实体关联的传感器数据与故障原因,由传感器数据确定相应的AI诊断模型;将所获得的故障原因与输入的传感器数据加入训练数据集重新对所确定的AI诊断模型进行训练;最后利用训练好的AI诊断模型对输入的传感器数据进行判别,输出故障原因及其置信度。
方法二:先将输入的传感器数据通过AI诊断模型进行故障原因判断,得到超过设定阈值1的候选的故障原因;再将输入的故障现象,与故障维修知识图谱中对应的候选故障原因实体关联的故障现象进行语义相似度计算,筛选出超过设定阈值2的故障原因;进一步,将筛选出的故障原因在故障维修知识图谱中关联的传感器数据,与输入的传感器数据计算余弦相似度,并按照余弦相似度大小输出故障原因及故障原因的置信度。
方法三:利用AI诊断模型对输入的传感器数据进行故障原因判断,获取的故障原因作为判别结果一;利用故障维修知识图谱对输入的故障现象进行文本相似度比较,获得的故障原因作为判别结果二;将判别结果一和判别结果二的故障原因的置信度进行加权求和,获取最终的故障原因及置信度。
方法四:利用不同历史传感器数据构建不同的AI诊断模型,所述AI诊断模型采用支持向量机SVM模型;设设备相关的AI诊断模型有N个,故障原因有M种,将采集的传感器数据输入AI诊断模型n输出的故障原因m的概率为pn,m,根据历史数据统计得到AI诊断模型n对故障原因m的诊断准确度概率为Cn,m,n=1,2,…N,m=1,2,…M,N和M均为正整数;将设备的故障维修知识图谱作为一个分类器,其中故障现象对应故障原因的置信度作为分类器的概率,设利用设备的故障维修知识图谱对输入的故障现象和传感器数据进行判断,得到为故障原因m的概率为p0,m,准确度概率为C0,m;利用SVM的后验概率和分类器的局部可信度建立基本概率赋值函数,再通过D-S证据理论融合输出最终判断的故障原因。
步骤五、根据步骤四判断出的故障原因,从设备的故障维修知识图谱中找到与输入故障现象和所述故障原因关联的故障零部件和解决办法实体,展示给用户。
本发明与现有技术相比,具有以下优势和积极效果:
(1)本发明方法不单纯依赖于故障现象对应的经验模型或传感器数据对应的AI模型,而是有机结合两者,提高了工业设备故障诊断的准确率和效率;
(2)本发明方法可以有效地利用工业设备故障历史维修记录、设备维修保养使用手册等工业文本数据,对设备的故障诊断进行辅助分析,从而减少使用人员频繁重复的故障分析工作,辅助设备维护人员更快地发现故障原因和解决问题,从而提升工厂的生产效率;
(3)本发明方法能够随时间根据设备故障维修事件不断更新设备故障维修知识图谱,设备故障维修知识图谱也提供了查询功能,当该设备再次发生故障时,设备维护人员可以输入设备故障现象,通过在设备故障维修知识图谱中的故障现象之间进行语义相似度计算,以及根据当前传感器参数与已训练好的AI深度学习分类判别模型进行故障诊断,找出与故障现象连接的故障零部件、故障原因和解决办法,将匹配结果展示出来,实现对设备故障诊断的辅助分析。
附图说明
图1是本发明提供的基于知识图谱的工业设备故障诊断方法的第一个实现流程图;
图2是本发明的基于知识图谱的工业设备故障诊断方法的第二个实现流程图;
图3是本发明的基于知识图谱的工业设备故障诊断方法的第三个实现流程图;
图4是本发明的步骤5中采用方法四融合判断故障的示意图;
图5是本发明提供的工业设备故障维修知识图谱的实施实例示意图。
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的技术方案,下面将结合附图和实施例来对本发明技术方案进行清楚、完整地描述。显然,所提供的附图和所描述的实施例仅是本发明的一些实施例,而不是全部的实施例。基于本发明所公开的实施例,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。
本发明提供一种基于知识图谱的工业设备故障诊断方法,根据设备零部件、传感器参数、故障原因、故障现象、解决办法和设备零部件关系、传感器监测关系等构建工业设备故障知识图谱,可以将工业设备各种各样的故障原因、故障现象和解决办法用图数据库的形式组织起来,设备零部件、传感器参数、故障原因、故障现象、解决办法将以实体的形式存在于知识图谱的节点中,零部件之间的关系、传感器监测零件关系、故障现象与原因之间的关系存在于节点之间,利用知识图谱的关系分析能力,可以对设备故障关联分析、故障原因关联分析提供有力支撑,从而实现对设备的故障诊断与原因分析。
为了准确而有效的使用基于知识图谱的工业设备的故障诊断方法,操作人员必须具有一系列的背景知识作为基础,这些知识主要包括工业设备的信息、设备故障、传感器参数、故障原因、解决方法、知识图谱、自然语言处理、深度学习等。知识图谱作为一种大规模的语义网络,可以将工厂中的设备信息、设备零部件关联关系、设备故障现象、故障原因、解决办法等用图数据库的形式组织起来。当使用者对设备故障现象进行查询时,知识图谱可以帮助使用者查找到与当前故障现象最为相似的几种故障,将这些故障的零部件、故障原因与解决办法展示出来,为故障诊断提供参考,从而达到减少维修人员频繁的故障分析工作。
如图1~4所示,本发明实施例的基于知识图谱的工业设备故障诊断方法,包括如下7个步骤,下面对各步骤具体说明。
步骤1、获取设备故障历史维修记录和设备故障维修保养使用手册文本数据。设备故障历史维修记录数据也包括设备的维修保养历史数据。目前工业设备尤其是大型的工业设备都有完备的设备故障维修保养记录,随着工业的信息化程度增强,大部分设备维修保养数据都会以电子版的形式存在工厂的电脑服务器中。历史维修记录的数据包括但不限于:设备型号、故障发生时的现象、发生故障的零部件、故障产生的原因、故障解决办法、故障时间和故障具体部位等等。而设备故障维修保养使用手册也是工业设备必不可少的文本资料,其中使用自然语言的方式对设备的使用方法、零部件连接关系、故障现象、故障原因和解决办法等信息进行详细的描述,大多以电子版的方式存储在工厂中的电脑里面。
大部分工业设备故障历史维修记录属于半结构化数据,其中记录了每一次设备故障产生的现象、故障产生的原因、故障具体部位和解决办法。设备维修保养使用手册大多为非结构化数据,使用自然语言对故障现象、故障原因、解决办法等进行描述。
步骤2、对步骤1获取的文本数据,从中抽取多种实体以及实体之间的关系。所述实体包括故障设备、故障零部件、传感器、故障现象(故障发生时的现象)、故障产生原因和故障解决办法。所述实体关系包括设备零部件之间的连接关系、零部件与故障现象的关系、故障现象与故障原因的关系、故障原因与解决办法的关系。
本发明将故障设备、设备零部件、传感器、故障现象、故障原因和解决办法视为知识图谱中的实体,使用基于规则的方法和基于深度学习的方法从步骤1的文本数据中抽取出定义的实体数据,根据设备零部件之间的物理连接关系,故障涉及到的零部件、传感器、现象、原因和解决办法之间的逻辑关系构建出该设备的故障维修知识图谱。其中将所述实体作为知识图谱中的节点,将所述实体之间的关系作为知识图谱中的边。
根据设备零部件之间的物理连接关系,故障涉及到的零部件、传感器、现象、原因和解决办法之间的逻辑关系构建出该设备的故障维修知识图谱。其中将所述实体作为知识图谱中的节点,将所述实体之间的关系作为知识图谱中的边。采用开源的图形数据库Neo4J对建立的知识图谱进行存储。
步骤1中采集获取的数据分为结构化数据、半结构化数据和非结构化数据。结构化数据如从文本中提取的数据,半结构化数据如XML、Json格式的数据包,非结构化数据如故障现象图片、故障设备声音等。对于结构化的数据和半结构化的数据,本发明采用基于规则的方法从结构数据和半结构数据中抽取故障诊断相关的多个实体和实体之间的关系并存储。对于非结构化数据,本发明采用深度学习方法从中抽取故障诊断相关的多个实体和实体之间的关系并存储。
例如,从工业设备故障历史维修记录可以直接提取出故障设备、故障零部件、传感器、故障现象、故障产生原因和故障解决办法等实体,然后根据设备零部件之间的连接关系,故障现象、故障原因、解决办法等逻辑关系,构建成实体-关系-实体三元组结构数据。例如开卷机-故障现象-油泵异响,油泵异响-故障原因-泵内有空气,泵内有空气-解决办法-排出油泵空气,油泵异响-故障原因-油箱油位低,油箱油位低-解决办法-油箱加油。在知识图谱中,实体可表示为点,而实体间的关系可表示为边,边的权重即为该种关系的置信度(或可信度),例如油泵异响-故障原因-油箱油位低中,经过统计,由于油箱油位低造成油泵异响的情况占油泵异响总情况的百分比(例如30%)即为这个三元组的置信度。对于非结构化的数据,例如设备故障维修保养使用手册则需要通过自然语言处理的算法对文本数据中的实体和实体之间的关系进行提取,使用包括命名实体识别和实体关系抽取两种关键算法。命名实体识别是指通过自动化手段从非结构化文本数据中识别具有特定含义的一类实体概念的技术,也可以称作实体抽取。本发明中就是从设备故障维修保养使用手册中提取故障设备、故障零部件、传感器、故障发生时的现象、故障原因和故障解决办法等实体信息,抽取实体使用的方法则是近几年来较为流行的深度学习BiLSTM+CRF模型,BiLSTM(双向长短期记忆网络)模型结构可以更好的理解一段语言文本中的上下文之间的联系并保持长期信息依赖的效果,CRF(条件随机场)可以被看作是一个有限状态模型,引入规范化变换。它允许对观察序列的任意依赖性,并且特征不必是完整的状态或观察值。根据命名实体识别BIEO(Begin,Intermediate,End,Other)标注方案对BiLSTM+CRF模型进行训练之后,可以从原始文本数据中提取出需要的实体信息。
实体关系抽取的目的是识别句子中实体之间的关系。本发明的实体关系包括设备零部件之间的连接关系、故障零部件与故障现象的关系、故障现象与故障原因的关系、故障原因与解决办法的关系等。本发明实体关系抽取使用的模型是BiLSTM+attention模型。其中,Self-Attention(自注意力)机制可以捕获同一个句子中单词之间的一些句法特征或者语义特征,引入Self-Attention后会更容易捕获句子中长距离的相互依赖的特征,因为如果只是RNN(循环神经网络)或者LSTM(长短期记忆网络),需要按照次序序列计算,对于远距离的相互依赖的特征,要经过若干时间步骤的信息累积才能将两者联系起来,而距离越远,有效捕获的可能性越小。但是Self-Attention机制在计算过程中会直接将句子中任意两个单词的联系通过一个计算步骤直接联系起来,所以远距离依赖特征之间的距离被极大缩短,有利于有效地利用这些特征。
深度学习的方案相比较于传统的机器学习方法改进之处在于能够通过复杂的神经网络结构来学习数据的特征,并且可以由低层次至高层次自动地学习特征的层次结构,省去了需要人工介入的特征提取工程。
步骤3、根据语义相似度将相似度较高的故障现象、故障原因等进行实体链接。
本发明使用word2vector算法计算抽取出的故障现象实体、故障原因实体之间的语义相似度,将相似度较高的实体进行实体链接。
由于自然语言表达的多样性,故障记录的人员不同,对同一个故障的现象、故障原因和解决办法等的描述可能会有差异,而且可能出现同一个故障现象有多个不同的零部件发生故障,相同的故障原因导致多种不同的故障现象,所以在三元组存入知识图谱数据库(简称知识库)之前,需要将描述相似的故障现象、故障原因等等进行实体链接操作,也就是将文本数据中的实体与知识图谱中的实体进行链接,实体链接方法使用句子相似度计算。将故障现象、故障原因等描述进行分词,将分词之后的每个词使用词向量表示,将实体使用词向量相加进行表示,从而可以计算两个实体之间的相似度,当相似度大于设置的阈值时,证明两种描述的是同一个故障现象或故障原因,将该实体链接到知识图谱中的实体上,使用同一个实体进行表示。同时,删除重复的三元组。
计算语义相似度过程中,对词向量使用word2vec模型进行训练,Word2vec包含了两种训练模型,分别是CBOW(连续词袋模型)和Skip gram模型,其中CBOW模型利用上下文预测当前词,而Skip gram模型利用当前的词来预测它的上下文词汇。这样就可以使用原始文本数据进行无监督训练词向量模型,将分词后的词汇输入模型中,可以得到该词对应的词向量,将实体中所有词汇的词向量相加,作为实体向量,可以以此为依据进行实体之间的相似度计算。
步骤4、根据多个所述实体和多个所述实体之间的实体关系构建设备维修知识图谱。
将经过步骤3实体相似度计算合并之后的三元组数据存入图数据库中,将实体作为知识图谱中的节点,将实体关系作为知识图谱中的边,可信度作为边的权重构建出设备维修知识图谱,本发明实施例采用开源图数据库Neo4J存储知识图谱。
图数据库是一种非关系数据库,在图数据库中,节点间的节点信息和链路信息构成整个数据集。节点信息类似于传统关系数据库中的表结构,每个节点对应表中的一段信息。关系是图形数据库的唯一组成,关系数据库对应于表之间的数据关联。图数据库可以更直观地表达节点之间的关系。如图5所示,是工业设备故障维修知识图谱中的一部分实例。
Neo4J图数据库能将实体和关系通过图形的方式显示出来。它支持事务操作,Neo4j数据的修改操作是事务级的,能够保证数据操作过程中的一致性。支持存储的横向扩展,可以减少负载增大给数据库带来的压力。单个Neo4j实例可以存储几十亿个结点及关系,这种横向扩展能力足以应对大部分的企业级应用。Neo4j查询操作语言是Cypher,是专门为操作图形数据库设计的声明式图查询语言,可以高效的查询和更新图数据库。图的遍历是图数据结构所具有的独特算法,即从一个节点开始,根据其连接的关系,可以快速和方便地找出它的邻近节点。这种查找数据的方法并不受数据量的大小所影响,因为邻近查询始终查找的是有限的局部数据,不会对整个数据库进行搜索。
当设备发生故障时,通过维修操作人员用文本记录故障的时间点、故障的现象、故障判断的结果,存入故障日志文件中,同时获取当前设备相关的若干个传感器在一段时间内的参数数据。本发明设置数据采集模块定期或实时获取故障日志。
本发明的系统通过故障日志的非结构化数据,提取相关信息,更新知识图谱中故障关系的置信度。更新方法具体如下:
设某个故障现象与N个故障原因A1,A2,..AN关联,对应实体关系,即现象与故障原因关系置信度分别为CD1,CD2,..CDN。若当前时刻发生该故障现象,通过维修人员确认,其故障类型为Ai。则现象与各故障原因的置信度按照以下的一个实施例更新:
该现象与故障原因Aj的置信度CDj(j=1,2,…N)计算如下:
其中,δ为预先配置的参数,可根据实际调节。
与此同时,AI诊断模型,即AI深度学习分类判别模型,根据故障发生时相关传感器采集点得到的多种特征数据作为样本批量输入,根据人工判断的故障类型作为标签,对AI诊断模型进行更新学习。
AI诊断模型以SVM(支持向量机)模型为例,在原支撑向量和原样本的基础上,根据新输入的样本是否正确分类,采用成熟的SVM增量学习来更新支撑向量和模型。
步骤5、当用户需要查找故障原因时,输入故障现象以及传感器采集的数据,通过对故障现象文本与知识图谱中的故障现象实体关联分析以及对于设备传感器参数的AI深度学习分类判别模型判断故障原因。
本发明实施例中,利用故障维修知识图谱和AI深度学习分类判别模型进行故障原因获取的过程包括:输入通过知识图谱计算相似度较高的几个故障现象实体,获取与这些实体相关联的传感器参数,利用对应的AI深度学习分类判别模型推理故障原因的概率,按照概率大小进行排序输出,具体是:将用户输入的文本数据与知识图谱中的故障现象实体通过word2vector进行语义相似度计算,获取相似度较高的几个故障现象实体,根据知识图谱中的关联关系找到与之关联的传感器参数,再利用相应的AI诊断模型对当前输入的传感器监测数据进行判别,获取故障种类概率。并按照概率大小将故障现象实体相关联的故障零部件实体、故障原因实体、解决办法实体同时展示给用户作为故障诊断的辅助判断。
由历史设备故障传感器参数训练得到的AI深度学习分类判别模型的构建方法之一如下:
获取历史发生故障时的设备参数以及故障类型。通过将设备参数做归一化正则处理并采用支持向量机SVM进行训练获得判别模型。
本发明方法可采用以下四种融合方式之一来进行故障原因判断。
方法一:如图1所示,实现并应用以知识图谱分析为主体,AI深度学习分类判别模型辅助的混合模型进行故障原因判断。先利用输入的故障现象与传感器数据与故障维修知识图谱进行故障现象匹配,对故障现象进行语义相似度计算,获得超过设定阈值的相似度较高的几个故障现象实体,对应获取故障现象实体关联的故障原因实体与传感器实体,也即获得故障现象实体关联的传感器数据。由知识图谱获取的故障原因为候选故障类型。再根据故障现象所关联的传感器参数确定对应的AI诊断模型,将知识图谱预判别的候选故障类型和输入的传感器数据加入训练集,对所确定的AI诊断模型进行再次训练,以此来获得更加精准的AI判别模型。最后利用训练后得到的更加精准的AI深度学习分类判别模型判断输入的传感器数据对应的故障原因。通过混合模型,结合了传感器数据和故障现象的历史数据,可以提高对故障原因的预测精度。
方法二:如图2所示,实现并应用以AI深度学习回归模型作为基础分类,再结合知识图谱分析做精准分类的故障原因诊断。首先,通过传入当前设备的传感器参数到由历史设备故障传感器参数训练得到的AI深度学习分类判别模型,得到超过设定阈值的可能概率值较大的几种故障类型,作为候选故障类型集合一。在故障维修知识图谱中找到候选故障类型所关联的故障现象,将输入的故障现象与关联的故障现象进行文本语义相似度比较,筛选出语义相似度超过阈值的故障类型集合二,获取集合二中各故障类型关联的传感器数据,与输入的传感器数据计算余弦相似度,根据余弦相似度的大小排序输出故障类型及可能概率值。这种模型可以在保证准确度损失较少的情况下有效的提高判别模型的运行速度,可更加快速的给出判别结果。
方法三:如图3所示,实现并应用以AI深度学习回归模型与知识图谱推理搜索分类的融合判断模型进行故障原因判断。一方面,通过传入当前设备的传感器参数到由历史设备故障传感器参数训练得到的AI深度学习分类判别模型中得到候选的可能概率值较大的几种故障类型作为判别结果一,即故障集1。另一方面,利用故障维修知识图谱对输入的故障现象进行故障原因判断,由描述故障现象的文本在知识图谱中与故障现象实体做语义相似度匹配计算,得到的故障类型(故障原因)作为结果二,即故障集2。最终由结果一和结果二的两个故障集中的故障原因的置信度的加权求和值作为最终的故障分类概率判别值,置信度的权重值可根据实际情况或者经验来设置。
方法四:如图4所示,利用故障设备采用的多个传感器采集数据构建的AI深度学习分类判别模型的概率输出,以SVM为例,利用sigmoid等概率模型将不同SVM分类器的硬输出转化为概率输出,知识图谱中故障现象对应故障原因的置信度也转换为分类器的概率,并将混淆矩阵作为计算各分类器识别能力的依据。根据SVM的后验概率和分类器的局部可信度来建立基本概率赋值函数,再通过D-S证据理论融合做出最终决策。
设设备相关的故障诊断AI模型有N个,故障类型有M种,当前时刻传感器采集特征数据输入AI模型n输出的第m类故障的概率为pn,m,根据历史数据统计可以得到每个AI模型对每类故障诊断的准确度(置信度)为Cn,m;另一方面,通过故障现象查询知识图谱得到置信度C0,m,经过概率归一化得到的第m类故障的概率为p0,m。
分类器1-N为N个AI模型,分类器0为基于知识图谱的分类。
按照下式进行加权处理,得到相应的BPA(基本概率赋值函数)。
其中mn(wm)是分类器n对样本属于第m类故障wm的概率赋值,m(Θ)表示对整个判别结构Θ的概率赋值。此处的判别结构Θ包含所有故障原因,即故障类型。
最后,将各AI模型和知识图谱推理得到的证据使用D-S证据理论进行融合,获得最终的决策结果,即故障原因。
步骤6、由上述四种方法获取故障类型判别概率结果,根据结果大小,在图数据库中查找与这些故障现象连接的故障零部件、故障原因、解决办法等实体,将检索到的故障现象、故障零部件、故障原因、解决办法等实体同时展示出来,帮助维修人员对设备的故障诊断进行辅助分析,从而减少使用人员频繁重复的故障分析工作,辅助设备维护人员更快地发现故障原因和解决问题,达到提升工厂生产效率的目的。
Claims (7)
1.一种基于知识图谱的工业设备故障诊断方法,其特征在于,包括如下步骤:
步骤一、将故障设备、故障零部件、传感器、故障现象、故障原因和故障解决办法作为知识图谱中的实体,从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取实体以及实体之间的关系,构建实体-关系-实体的三元组结构数据;
其中,所述实体关系包括设备零部件之间的连接关系、零部件与故障现象的关系、故障现象与故障原因的关系、故障原因与解决办法的关系;
步骤二、为了消除描述的多样性,根据语义相似度,对获取的实体-关系-实体的三元组结构数据进行重复数据的合并和删除后再存入知识库,包括:
对获得的故障产生原因或故障现象实体,经分词后表示为词向量相加的形式,计算两个同类实体的相似度,将相似度超过设置阈值的两个实体采用同一实体表示,对实体-关系-实体的三元组结构数据进行重复数据的合并和删除;
步骤三、根据知识库中的三元组构建设备的故障维修知识图谱;设备的故障维修知识图谱是根据设备零部件之间的物理连接关系,故障涉及到的零部件、传感器、现象、原因和解决办法之间的逻辑关系构建出;其中,将所述实体作为故障维修知识图谱中的节点,将所述实体之间的关系作为故障维修知识图谱中的边,边的权重代表实体关系的置信度;对于同一个实体,故障维修知识图谱中仅用一个节点表示;
当有故障发生时,维修操作人员记录故障日志,获取该故障日志,提取实体以及实体关系,并更新实体关系的置信度;
步骤四、当用户需要查找故障原因时,输入故障现象以及采集的传感器数据,利用设备的故障维修知识图谱以及AI诊断模型进行故障原因判断;其中,AI诊断模型由历史采集的设备故障传感器数据训练得到;
所述故障原因的判断方法为:将输入的故障现象与故障维修知识图谱中的故障现象文本进行语义相似度计算,获取超过设定阈值的故障现象实体,再从故障维修知识图谱中找到所获取的故障现象实体关联的传感器数据与故障原因,由传感器数据确定相应的AI诊断模型;将所获得的故障原因与输入的传感器数据加入训练数据集重新对所确定的AI诊断模型进行训练;最后利用训练好的AI诊断模型对输入的传感器数据进行判别,输出故障原因及其置信度;
步骤五、根据步骤四判断出的故障原因,从设备的故障维修知识图谱中找到与输入故障现象和所述故障原因关联的故障零部件和解决办法实体,展示给用户。
2.根据权利要求1所述的方法,其特征在于,所述的步骤一中,获取的设备故障历史维修记录中记载设备型号、故障现象、发生故障的零部件、故障产生原因、故障解决办法、故障时间和故障具体部位;获取的设备故障维修保养使用手册记载设备零部件之间的连接关系、故障现象、故障产生原因和故障解决办法。
3.根据权利要求1所述的方法,其特征在于,所述的步骤一中,在从电子数据中提取实体以及实关系时,对于结构化数据和半结构化数据,采用基于规则的方法抽取实体和实体关系,对于非结构化数据,采用深度学习模型BiLSTM+CRF抽取实体,采用深度学习模型BiLSTM+自注意力机制抽取实体关系,BiLSTM代表双向长短期记忆网络,CRF代表条件随机场。
5.根据权利要求1所述的方法,其特征在于,所述的步骤四中,采用如下方式进行故障原因判断:先将输入的传感器数据通过AI诊断模型进行故障原因判断,得到超过设定阈值1的候选的故障原因;再将输入的故障现象,与故障维修知识图谱中对应的候选故障原因实体关联的故障现象进行语义相似度计算,筛选出超过设定阈值2的故障原因;进一步,将筛选出的故障原因在故障维修知识图谱中关联的传感器数据,与输入的传感器数据计算余弦相似度,并按照余弦相似度大小输出故障原因及故障原因的置信度。
6.根据权利要求1所述的方法,其特征在于,所述的步骤四中,采用如下方式进行故障原因判断:利用AI诊断模型对输入的传感器数据进行故障原因判断,获取的故障原因作为判别结果一;利用故障维修知识图谱对输入的故障现象进行文本相似度比较,获得的故障原因作为判别结果二;将判别结果一和判别结果二的故障原因的置信度进行加权求和,获取最终的故障原因及置信度。
7.根据权利要求1所述的方法,其特征在于,所述的步骤四中,利用不同历史传感器数据构建不同的AI诊断模型,所述AI诊断模型采用支持向量机SVM模型;设设备相关的AI诊断模型有N个,故障原因有M种,将采集的传感器数据输入AI诊断模型n输出的故障原因m的概率为pn,m,根据历史数据统计得到AI诊断模型n对故障原因m的诊断准确度概率为Cn,m,n=1,2,…N,m=1,2,…M,N和M均为正整数;将设备的故障维修知识图谱作为一个分类器,其中故障现象对应故障原因的置信度作为分类器的概率,设利用设备的故障维修知识图谱对输入的故障现象和传感器数据进行判断,得到为故障原因m的概率为p0,m,准确度概率为C0,m;利用SVM的后验概率和分类器的局部可信度建立基本概率赋值函数,再通过D-S证据理论融合输出最终判断的故障原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995175.0A CN113723632B (zh) | 2021-08-27 | 2021-08-27 | 一种基于知识图谱的工业设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995175.0A CN113723632B (zh) | 2021-08-27 | 2021-08-27 | 一种基于知识图谱的工业设备故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723632A true CN113723632A (zh) | 2021-11-30 |
CN113723632B CN113723632B (zh) | 2024-03-05 |
Family
ID=78678482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995175.0A Active CN113723632B (zh) | 2021-08-27 | 2021-08-27 | 一种基于知识图谱的工业设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723632B (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114218302A (zh) * | 2021-12-28 | 2022-03-22 | 北京百度网讯科技有限公司 | 信息处理方法、装置、设备以及存储介质 |
CN114218402A (zh) * | 2021-12-17 | 2022-03-22 | 迈创企业管理服务股份有限公司 | 一种计算机硬件故障更换件推荐的方法 |
CN114358288A (zh) * | 2022-02-25 | 2022-04-15 | 北京百度网讯科技有限公司 | 生成知识图谱的方法、信息推荐方法、装置及电子设备 |
CN114412773A (zh) * | 2022-01-18 | 2022-04-29 | 青岛埃恩斯信息技术科技有限公司 | 机泵群故障智能诊断系统 |
CN114461784A (zh) * | 2022-01-18 | 2022-05-10 | 中国科学院大学 | 一种非结构化设备故障知识的分类及知识萃取方法 |
CN114492807A (zh) * | 2022-02-10 | 2022-05-13 | 杭州和利时自动化有限公司 | 一种基于知识图谱的产生式推理实现方法、装置及系统 |
CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114625837A (zh) * | 2022-03-09 | 2022-06-14 | 西南交通大学 | 一种铁路车站联锁系统智能运维方法及系统 |
CN115293379A (zh) * | 2022-09-26 | 2022-11-04 | 北京理工大学 | 一种基于知识图谱的在轨航天器设备异常检测方法 |
CN115619383A (zh) * | 2022-12-19 | 2023-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
CN115766404A (zh) * | 2022-10-24 | 2023-03-07 | 浪潮通信信息系统有限公司 | 一种基于智能分析的通信运营商网络故障管理方法及系统 |
CN115860435A (zh) * | 2023-02-20 | 2023-03-28 | 国网湖北省电力有限公司经济技术研究院 | 带agv的电力设备预防性维修动态柔性调度方法及系统 |
CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
CN116303421A (zh) * | 2022-12-30 | 2023-06-23 | 武汉品致汽车技术有限公司 | 一种故障诊断手册辅助开发系统 |
CN116340530A (zh) * | 2023-02-17 | 2023-06-27 | 江苏科技大学 | 基于机械知识图谱的智能设计方法 |
CN116451122A (zh) * | 2023-04-23 | 2023-07-18 | 北京思维实创科技有限公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN116611593A (zh) * | 2023-07-21 | 2023-08-18 | 蘑菇物联技术(深圳)有限公司 | 用于预测空压机的故障的方法、设备和介质 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
WO2023206520A1 (zh) * | 2022-04-29 | 2023-11-02 | 西门子股份公司 | 故障排查及解决方案的推荐方法、装置和存储介质 |
CN117009789A (zh) * | 2023-09-27 | 2023-11-07 | 通用技术集团机床工程研究院有限公司 | 机床的故障预测方法、装置、电子设备及存储介质 |
CN117151570A (zh) * | 2023-10-31 | 2023-12-01 | 南通百源制冷设备有限公司 | 冷链运输用箱体的冷源管路监测方法 |
WO2023230788A1 (zh) * | 2022-05-30 | 2023-12-07 | 西门子股份公司 | 半自动知识图谱构建的方法、装置、计算机设备 |
CN117708720A (zh) * | 2023-12-12 | 2024-03-15 | 衢州砖助科技有限责任公司 | 一种基于知识图谱的设备故障诊断系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400505A (zh) * | 2020-03-13 | 2020-07-10 | 国家电网有限公司 | 一种用电信息采集系统匹配故障消缺方案的方法及系统 |
CN112859822A (zh) * | 2021-04-25 | 2021-05-28 | 北京邮电大学 | 基于人工智能的设备健康分析及故障诊断的方法及系统 |
CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
-
2021
- 2021-08-27 CN CN202110995175.0A patent/CN113723632B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111400505A (zh) * | 2020-03-13 | 2020-07-10 | 国家电网有限公司 | 一种用电信息采集系统匹配故障消缺方案的方法及系统 |
CN112906892A (zh) * | 2021-03-08 | 2021-06-04 | 南京航空航天大学 | 一种基于深度学习与知识图谱的设备故障智能诊断方法 |
CN112859822A (zh) * | 2021-04-25 | 2021-05-28 | 北京邮电大学 | 基于人工智能的设备健康分析及故障诊断的方法及系统 |
Non-Patent Citations (1)
Title |
---|
赵倩: "数控设备故障知识图谱的构建与应用", 《航空制造技术》, vol. 63, no. 03, 1 February 2020 (2020-02-01), pages 96 - 102 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114218402B (zh) * | 2021-12-17 | 2024-05-28 | 迈创企业管理服务股份有限公司 | 一种计算机硬件故障更换件推荐的方法 |
CN114218402A (zh) * | 2021-12-17 | 2022-03-22 | 迈创企业管理服务股份有限公司 | 一种计算机硬件故障更换件推荐的方法 |
CN114218302A (zh) * | 2021-12-28 | 2022-03-22 | 北京百度网讯科技有限公司 | 信息处理方法、装置、设备以及存储介质 |
CN114461784A (zh) * | 2022-01-18 | 2022-05-10 | 中国科学院大学 | 一种非结构化设备故障知识的分类及知识萃取方法 |
CN114412773A (zh) * | 2022-01-18 | 2022-04-29 | 青岛埃恩斯信息技术科技有限公司 | 机泵群故障智能诊断系统 |
CN114412773B (zh) * | 2022-01-18 | 2024-05-28 | 青岛埃恩斯信息技术科技有限公司 | 机泵群故障智能诊断系统 |
CN114492807A (zh) * | 2022-02-10 | 2022-05-13 | 杭州和利时自动化有限公司 | 一种基于知识图谱的产生式推理实现方法、装置及系统 |
CN114358288A (zh) * | 2022-02-25 | 2022-04-15 | 北京百度网讯科技有限公司 | 生成知识图谱的方法、信息推荐方法、装置及电子设备 |
CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114579875B (zh) * | 2022-03-03 | 2022-09-27 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114625837A (zh) * | 2022-03-09 | 2022-06-14 | 西南交通大学 | 一种铁路车站联锁系统智能运维方法及系统 |
WO2023206520A1 (zh) * | 2022-04-29 | 2023-11-02 | 西门子股份公司 | 故障排查及解决方案的推荐方法、装置和存储介质 |
WO2023230788A1 (zh) * | 2022-05-30 | 2023-12-07 | 西门子股份公司 | 半自动知识图谱构建的方法、装置、计算机设备 |
CN115293379A (zh) * | 2022-09-26 | 2022-11-04 | 北京理工大学 | 一种基于知识图谱的在轨航天器设备异常检测方法 |
CN115766404A (zh) * | 2022-10-24 | 2023-03-07 | 浪潮通信信息系统有限公司 | 一种基于智能分析的通信运营商网络故障管理方法及系统 |
CN115619383A (zh) * | 2022-12-19 | 2023-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
CN116303421A (zh) * | 2022-12-30 | 2023-06-23 | 武汉品致汽车技术有限公司 | 一种故障诊断手册辅助开发系统 |
CN116303421B (zh) * | 2022-12-30 | 2024-04-09 | 武汉品致汽车技术有限公司 | 一种故障诊断手册辅助开发系统 |
CN116340530A (zh) * | 2023-02-17 | 2023-06-27 | 江苏科技大学 | 基于机械知识图谱的智能设计方法 |
CN115860435A (zh) * | 2023-02-20 | 2023-03-28 | 国网湖北省电力有限公司经济技术研究院 | 带agv的电力设备预防性维修动态柔性调度方法及系统 |
CN116009480A (zh) * | 2023-03-24 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床的故障监测方法、装置、设备及存储介质 |
CN116451122A (zh) * | 2023-04-23 | 2023-07-18 | 北京思维实创科技有限公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN116451122B (zh) * | 2023-04-23 | 2024-03-05 | 北京磁浮有限公司 | 一种故障确定方法、装置、电子设备及存储介质 |
CN116611593A (zh) * | 2023-07-21 | 2023-08-18 | 蘑菇物联技术(深圳)有限公司 | 用于预测空压机的故障的方法、设备和介质 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN116893924B (zh) * | 2023-09-11 | 2023-12-01 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN117009789A (zh) * | 2023-09-27 | 2023-11-07 | 通用技术集团机床工程研究院有限公司 | 机床的故障预测方法、装置、电子设备及存储介质 |
CN117151570B (zh) * | 2023-10-31 | 2023-12-29 | 南通百源制冷设备有限公司 | 冷链运输用箱体的冷源管路监测方法 |
CN117151570A (zh) * | 2023-10-31 | 2023-12-01 | 南通百源制冷设备有限公司 | 冷链运输用箱体的冷源管路监测方法 |
CN117708720A (zh) * | 2023-12-12 | 2024-03-15 | 衢州砖助科技有限责任公司 | 一种基于知识图谱的设备故障诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113723632B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723632B (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
CN114579875B (zh) | 基于知识图谱的设备故障诊断与维修知识推荐系统 | |
US8903756B2 (en) | System and method for knowledge pattern search from networked agents | |
CN111460167A (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN106054858A (zh) | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 | |
CN111221920A (zh) | 变电设备运维装置的案例库构建方法、装置及计算机存储介质 | |
CN115511118A (zh) | 一种基于人工智能的供热系统故障辅助决策方法及系统 | |
CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
Chen et al. | Knowledge graph embeddings for dealing with concept drift in machine learning | |
CN116126569A (zh) | 智能运维方法及装置 | |
CN112966259A (zh) | 电力监控系统运维行为安全威胁评估方法及设备 | |
Xu et al. | Data-driven causal knowledge graph construction for root cause analysis in quality problem solving | |
CN116225760A (zh) | 一种基于运维知识图谱的实时根因分析方法 | |
CN116010619A (zh) | 一种复杂装备知识图谱构建过程中的知识抽取方法 | |
Xu et al. | Solution knowledge mining and recommendation for quality problem-solving | |
CN114328663A (zh) | 一种基于数据挖掘的高维剧场数据降维可视化处理方法 | |
CN112100395B (zh) | 一种专家合作可行性分析方法 | |
CN117852541A (zh) | 一种实体关系三元组抽取方法、系统及计算机设备 | |
CN117151222A (zh) | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 | |
CN113254468B (zh) | 一种装备的故障查询及推理方法 | |
CN115239153A (zh) | 一种用于化工园区事故的应急指挥决策方法、系统及介质 | |
Junhuai et al. | Fault detection method based on adversarial reinforcement learning | |
CN112579667B (zh) | 数据驱动的发动机多学科知识机器学习方法及装置 | |
Rao | Case-based reasoning (cbr) in condition monitoring & diagnostic engineering management (comadem): a literature survey |
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 |