CN114491037A - 基于知识图谱的故障诊断方法、装置、设备及介质 - Google Patents
基于知识图谱的故障诊断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114491037A CN114491037A CN202210093848.8A CN202210093848A CN114491037A CN 114491037 A CN114491037 A CN 114491037A CN 202210093848 A CN202210093848 A CN 202210093848A CN 114491037 A CN114491037 A CN 114491037A
- Authority
- CN
- China
- Prior art keywords
- fault
- equipment
- diagnosis
- historical
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种基于知识图谱的故障诊断方法、装置、设备及介质。其中方法包括:在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的;确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度;将最高相似度对应历史故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并推送所述诊断结果对应的解决方案给所述当前故障设备。本申请能够提高设备故障诊断的准确性,改善设备故障诊断效果。
Description
技术领域
本申请实施例涉及故障诊断技术,特别涉及一种基于知识图谱的故障诊断方法、装置、设备及介质。
背景技术
设备故障诊断是对设备运行状态和异常情况作出诊断,并根据诊断结果为设备故障恢复提供依据。
目前,对设备进行故障诊断时,常常通过获取设备运行过程中的运行数据,并将运行数据与人为制定的故障规则进行匹配,以确定设备故障的真正原因;或者基于设备运行过程中的运行数据计算关键指标,并根据关键指标确定设备故障的真正原因。然而,上述故障诊断方式的诊断准确性较差,导致设备故障的诊断效果不佳。
发明内容
本申请实施例提供一种基于知识图谱的故障诊断方法、装置、设备及介质,能够提高设备故障诊断的准确性,改善设备故障诊断效果。
第一方面,本申请实施例提供了一种基于知识图谱的故障诊断方法,该方法包括:
在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的;
确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度;
将最高相似度对应历史故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并推送所述诊断结果对应的解决方案给所述当前故障设备。
第二方面,本申请实施例提供了一种基于知识图谱的故障诊断装置,该装置包括:
特征向量确定模块,用于在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的;
相似度确定模块,用于确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度;
诊断结果确定模块,用于将最高相似度对应故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并推送所述诊断结果对应的解决方案给所述当前故障设备。
第三方面,本申请实施例提供了一种电子设备,包括:
处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,以执行第一方面实施例所述的基于知识图谱的故障诊断方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,用于存储计算机程序,所述计算机程序使得计算机执行第一方面实施例所述的基于知识图谱的故障诊断方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现第一方面实施例所述的基于知识图谱的故障诊断方法。
本申请实施例公开的技术方案,具有如下有益效果:
在设备出现故障时,通过基于设备故障知识图谱确定当前故障设备的特征向量,并确定当前故障设备的特征向量与设备故障知识图谱中每个历史故障设备的特征向量间的相似度,然后从所有相似度中选择最高相似度,以将最高相似度对应历史故障设备的诊断结果,确定为当前故障设备的诊断结果,并将诊断结果对应的解决方案推送给当前故障设备,从而实现利用设备故障知识图谱对设备故障进行诊断,以提高设备故障诊断的准确性,改善设备故障诊断效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的构建设备故障知识图谱的流程示意图;
图2是本申请实施例提供的设备故障知识图谱的示意图;
图3是本申请实施例提供的一种基于知识图谱的故障诊断方法的流程示意图;
图4是本实施例提供的另一种基于知识图谱的故障诊断方法的流程示意图;
图5是本申请实施例提供的一种基于知识图谱的故障诊断装置的示意性框图;
图6是本申请实施例提供的一种电子设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请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、产品或服务器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。
本申请适用于对设备进行故障诊断时,通过分析设备运行过程中运行数据与预设故障规则之间的匹配情况,确定设备故障的真正原因,或者基于设备运行数据计算关键指标,以根据关键指标确定设备故障的真正原因,存在的诊断准确性较差,导致设备故障的诊断效果不佳的问题,因此本申请设计一种基于知识图谱对设备的故障原因进行准确诊断的方法,以提高设备故障诊断的准确性,从而改善设备故障诊断效果。
为了清楚说明本申请实施例提供的基于知识图谱的故障诊断方法的实现过程。首先对本申请实施例中设备故障知识图谱的构建过程进行说明。
图1是本申请实施例提供的构建设备故障知识图谱的流程示意图。本申请实施例提供的构建设备故障知识图谱,可由基于知识图谱的故障诊断装置来执行,且该装置可由硬件和/或软件组成,并可集成于电子设备中。如图1所示,该方法包括如下步骤:
S101,从经过分类处理的每个历史故障设备的故障诊断数据中,提取实体和实体之间的关系,以生成实体-关系-实体的三元组。
本申请实施例中,历史故障设备的数量为多个,且历史故障设备的故障诊断数据为故障诊断文本数据。其中该故障诊断文本数据中可包括故障类型、故障现象、故障原因以及故障解决方案等数据。
由于故障诊断文本数据中包括不同类型的数据,那么为了充分利用这些不同类型数据,以构建出诊断准确率高的设备故障知识图谱。本申请可对每个历史故障设备的故障诊断文本数据按照数据类型进行分类,以得到多个分类数据。例如,若故障文本数据包括的数据类型为:故障类型、故障现象、故障原因以及故障解决方案,则按照故障类型、故障现象、故障原因以及故障解决方案,对每个历史故障设备的故障诊断文本数据进行分类,以得到上述四种类型数据。
进一步的,考虑到设备故障知识图谱是基于节点和节点之间的连接关系构建的,因此对每个历史故障设备的故障诊断文本数据进行分类后,可从每个类别的故障诊断文本数据中抽取实体和实体之间的关系,以生成实体-关系-实体的三元组,从而可将实体-关系-实体三元组中的实体作为节点,实体之间的关系作为节点之间的连接关系,用于构建设备故障知识图谱。其中,实体-关系-实体三元组中的实体包括:历史故障设备标识、故障类型、故障现象、故障原因和故障解决方案;三元组中的实体之间的关系包括:历史故障设备标识与故障类型的关系、历史故障设备标识与故障现象的关系、历史故障设备标识与故障原因的关系,以及历史故障设备标识和解决方案的关系。
具体的,从每个类别的故障诊断文本数据中抽取实体和实体之间的关系,可基于TF-IDF(Term Frequency–Inverse Document Frequency,词频-逆向文件频率)算法,或者基于深度学习等方式实现。其中提取实体和实现之间的关系为常规技术,此处对其不作过多赘述。
抽取到实体和实体之间的关系后,可根据实体和实体之间关系,生成实体-关系-实体的三元组。例如,制冷设备1-故障类型-网络异常,制冷设备1-故障现象-环境温度高于30度,制冷设备1-故障原因-制冷液过少,制冷设备1-故障解决方案-添加制冷液。本实施例中,实体-关系-实体的三元组,可表示为(h,r,t)。其中,h表示头实体、r表示头实体和尾实体之间的关系,t表示尾实体。
S102,对所述实体-关系-实体的三元组进行数据合并处理,得到新实体-关系-实体的三元组。
由于自然语言描述的多样性,可能会导致属于同一个故障的故障现象、故障原因和故障解决方案等描述存在差异,并且出现相同故障原因导致不同故障现象,或者同一故障现象对应不同部位故障的情况。因此,本申请实施例基于实体-关系-实体的三元组构建设备故障知识图谱之前,可根据语义相似度对实体-关系-实体的三元组进行重复数据合并和重复数据删除处理,得到新实体-关系-实体的三元组,以避免将相同故障现象和相同故障原因等进行多次存储,从而增加设备故障知识图谱的数据量。
具体的,通过对三元组中故障现象实体、故障原因实体和故障解决方案实体等描述进行分词,将分词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,从而可计算任意两个实体之间的语义相似度。然后,将相语义似度与语义相似度阈值进行比较。若语义相似度大于语义相似度阈值,则说明上述两种描述的是同一个故障现象或者同一个故障原因或者同一个故障解决方案。否则,说明上述两种描述的是不同故障现象或者不同故障原因或者不同故障解决方案。本实施例中语义相似度阈值可根据实际应用需求进行设置。
其中,当确定两种描述的是同一个故障现象或者同一个故障原因或者同一个故障解决方案时,可将上述两种描述对应的实体链接到设备故障知识图谱中的实体(节点)上,并使用同一个实体进行表示,同时删除重复的实体数据。
S103,根据所述新实体-关系-实体的三元组,构建所述设备故障知识图谱。
考虑到设备故障知识图谱是由节点和节点之间的连接关系组成,因此可将新实体-关系-实体的三元组中实体作为节点,将所述新实体-关系-实体的三元组中实体之间的关系作为节点之间的连接关系,构建设备故障知识图谱,具体如图2所示。然后,将构建好的设备故障知识图谱存储至数据库中,以为后续基于该设备故障知识图谱进行设备故障诊断奠定基础。
由于历史故障设备的故障诊断数据规模不是很大,因此本申请实施例中可选用mysql关系型数据库存储设备故障知识图谱,以保证后续基于设备故障知识图谱进行设备故障诊断的稳定性和便捷性。
本申请实施例提供的技术方案,通过对历史故障设备的故障诊断数据进行分类,并从每类故障诊断数据中提取实体和实体之间的关系,以生成实体-关系-实体的三元组,然后对实体-关系-实体的三元组进行数据合并处理,得到新实体-关系-实体的三元组,进而根据新实体-关系-实体的三元组,构建设备故障知识图谱,从而基于该设备故障知识图谱对故障设备进行准确诊断提供条件。
通过上述描述可知,本申请实施例通过对生成的实体-关系-实体的三元组进行数据合并处理,以得到新实体-关系-实体的三元组,并基于新实体-关系-实体的三元组构建设备故障知识图谱。构建好设备故障知识图谱之后,即可利用该设备故障知识图谱对出现故障的设备进行故障诊断操作。那么下面就基于上述实施例构建的设备故障知识图谱,对本申请实施例提供的基于知识图谱的故障诊断方法进行详细说明。
图3是本申请实施例提供的一种基于知识图谱的故障诊断方法的流程示意图。如图3所示,该方法包括如下步骤:
S301,在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的。
考虑到设备在运行过程中,随时会出现故障或运行异常,那么为了能够第一时间确定设备是否出现故障,本申请实施例可通过监测系统对设备的运行进行实时监测。当监测系统监测到设备出现故障或者运行异常时,即可触发对当前故障设备的故障诊断流程。
因为对当前故障设备进行故障诊断是基于前述实施例构建的设备故障知识图谱实现的,而利用设备故障知识图谱进行故障诊断时需要使用故障设备的特征向量,因此需要确定当前故障设备的特征向量。本申请确定当前故障设备的特征向量时,可首先基于构建好的设备故障知识图谱,确定与当前故障设备位置相邻的邻居历史故障设备集合,并确定邻居历史故障设备集合的特征向量,然后根据邻居历史故障设备集合的特征向量,确定当前故障设备的特征向量。
其中,确定邻居历史故障设备集合的特征向量时,可通过如下步骤实现:
S11,利用注意力机制,确定邻居历史故障设备集合中每个邻居历史故障设备特征向量的传递权重。
具体的,利用注意力机制,确定每个邻居历史故障设备特征向量的传递权重,可通过下述公式(1)实现:
σ(h,r,t)=(Wret)Ttanh((Wreh+er))…………………………(1)
其中,σ(h,r,t)表示每个邻居历史故障设备特征向量的传递权重,h表示头节点、r表示头节点和尾节点之间的关系,t表示尾节点,Wr表示第一权重,且该第一权重是设备故障知识图谱采用贝叶斯个性化排序损失(Bayesian Personalized Ranking loss,简称:BPR loss)函数进行学习得到的,T表示转置,tanh表示激活函数,et表示设备故障知识图谱中尾节点的特征向量,eh表示设备故障知识图谱中头节点的特征向量,er表示设备故障知识图谱中头节点和尾节点之间连接关系的特征向量。本申请实施例中eh、et以及er可分别基于TransR方法确定。
为了使得每个邻居历史故障设备特征向量的传递权重能够统一,本申请实施例还可对利用注意力机制确定的每个邻居历史故障设备特征向量的传递权重进行归一化处理,具体实现如下公式(2):
其中,σ(h,r,t)表示经过归一化处理的每个邻居历史故障设备特征向量的传递权重,h表示头节点、r表示头节点和尾节点之间的关系,t表示尾节点,exp(x)表示数学运算ex,∑表示求和符号,NF1表示邻居历史故障设备集合,t′表示与头节点h位置相邻的邻居节点,r′表示头节点h与邻居节点t′之间的关系,以及σ(h,r′,t′)表示与头节点h位置相邻的邻居节点的传递权重。
S12,根据每个所述邻居历史故障设备特征向量的传递权重和所述设备故障知识图谱中尾节点的特征向量,确定所述邻居历史故障设备集合的特征向量。
具体的,确定所述邻居历史故障设备集合的特征向量,可通过下述公式(3)实现:
其中,表示邻居历史故障设备集合的特征向量,NF1表示邻居历史故障设备集合,∑表示求和符号,σ(h,r,t)表示经过归一化处理的每个邻居历史故障设备特征向量的传递权重,h表示头节点、r表示头节点和尾节点之间的关系,t表示尾节点以及et表示设备故障知识图谱中尾节点的特征向量。
需要说明的是,本申请通过上述公式(1)和公式(2)来度量节点h和节点t在关系空间r上的相对距离来求解注意力机制。这种方法能够有效的保证节点之间“亲密关系”的计算,即相对距离越近,节点之前的相似性越高,那么在上述公式(3)中传递的信息就会越多,从而为设备故障诊断的高准确性提供条件。
进一步的,确定出邻居历史故障设备集合的特征向量之后,即可根据邻居历史故障设备集合的特征向量,确定当前故障设备的特征向量,具体实现时可采用如下公式(4):
EF1=LeakyReLU(W(EF1||ENF1))…………………(4)
其中,EF1表示当前故障设备的特征向量,LeakyReLU表示激活函数,W表示第二权重,且该第二权重是设备故障知识图谱采用BPR loss函数进行学习得到的,符号||表示向量连接操作运算符以及ENF1表示邻居历史故障设备集合的特征向量。
S302,确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度。
考虑到确定相似度时需要利用到设备故障知识图谱中每个历史故障设备的特征向量,因此本实施例在执行S302之前可依据前述步骤S301中确定当前故障设备的特征向量的相同原理,确定出每个历史故障设备的特征向量。具体实现过程可参见前述步骤S301,此处对其不作过多赘述。
进一步的,确定当前故障设备的特征向量与设备故障知识图谱中每个历史故障设备的特征向量之间的相似度,示例性的可采用如下方式:
sim(F1,Fi)=EF1 e EFi
其中,sim(F1,Fi)表示当前故障设备的特征向量与设备故障知识图谱中第i个历史故障设备的特征向量之间的相似度,F1表示当前故障设备,Fi表示设备故障知识图谱中第i个历史故障设备,EF1表示当前故障设备的特征向量,EFi表示设备故障知识图谱中第i个历史故障设备的特征向量,以及e表示计算特征向量EF1和特征向量EFi之间相似度的运算符,i为大于2的正整数。
S303,将最高相似度对应历史故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并推送所述诊断结果对应的解决方案给所述当前故障设备。
当计算出的相似度越高,说明设备之间的故障原因越相似,因此在确定出当前故障设备的特征向量与每个历史故障设备的特征向量之间的相似度之后,本申请实施例可从所有相似度中选择出最高相似度,以将最高相似度对应的历史故障设备的诊断结果,确定为当前故障设备的诊断结果,相应的将诊断结果对应的解决方案确定为当前故障设备的解决方案。然后,将解决方案推送给当前故障设备,以使当前故障设备根据解决方案进行故障恢复。
考虑到确定出的相似度数量为多个,那么从所有相似度中选择最高相似度时,可首先对所有相似度按照从小到大的顺序进行排序,或者从大到小的顺序进行排序,然后从排序结果中直接获取最高相似度,进而根据最高相似度确定对应诊断结果,并将诊断结果对应的解决方案推送给当前故障设备,以提高故障诊断效率。
本申请实施例提供的技术方案,在设备出现故障时,通过基于设备故障知识图谱确定当前故障设备的特征向量,并确定当前故障设备的特征向量与设备故障知识图谱中每个历史故障设备的特征向量间的相似度,然后从所有相似度中选择最高相似度,以将最高相似度对应历史故障设备的诊断结果,确定为当前故障设备的诊断结果,并将诊断结果对应的解决方案推送给当前故障设备,从而实现利用设备故障知识图谱对设备故障进行诊断,以提高设备故障诊断的准确性,改善设备故障诊断效果。
作为本申请实施例的一种可选实现方案,由于设备自身机理的复杂性以及设备在不同环境下运行的不确定性等原因,使得根据设备故障知识图谱对故障设备进行故障诊断不够实时和有效。因此,为了确保对故障设备进行故障诊断时的实时性和有效性,本申请可利用设备故障知识图谱进行故障诊断的基础上,结合具有故障诊断有效性和实时性的其他故障诊断方法,对当前故障设备进行故障诊断,从而提高设备故障诊断的准确性、有效性以及实时性。
下面结合图4,对本申请实施例利用设备故障知识图谱进行故障诊断的基础上,结合具有有效性和实时性的其他故障诊断方法,对当前故障设备进行联合故障诊断的具体过程进行详细说明。如图4所示,该方法包括如下步骤:
S401,在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的。
S402,确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度。
S403,将最高相似度对应历史故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并将所述诊断结果对应的解决方案确定为所述当前故障设备的解决方案。
S404,基于其他故障诊断方法,确定所述当前故障设备的诊断结果和解决方案,其中每个其他故障诊断方法对应一种诊断结果和解决方案。
本申请实施例中,其他故障诊断方法包括:基于规则的故障诊断方法和基于设备运行数据的故障诊断方法。
也就是说,本申请可基于规则的故障诊断方法,对当前故障设备进行故障诊断,以确定当前故障设备的诊断结果和解决方案,以及基于设备运行数据的故障诊断方法,对当前故障设备进行故障诊断,以确定当前故障设备的诊断结果和解决方案。
具体的,基于规则的故障诊断方法,对当前故障设备进行故障诊断,以确定当前故障设备的诊断结果和解决方案,可采用下述方式:计算当前故障设备的故障诊断数据与故障诊断规则库中每条规则之间的相似度;若任一相似度大于相似度阈值,则将该相似度对应规则的诊断结果和解决方案,确定为当前故障设备的诊断结果和解决方案。
其中,故障诊断规则库中存储的是导致异常出现的规则或者潜在因素的描述,且该规则库可基于专家经验事先制定好。可选的,故障诊断规则库可用函数Z→A:f(A)表示,其中Z→A:f(A)表示故障诊断规则库中的规则函数,Z表示规则前置条件集合,A表示异常集合,f(A)表示异常诊断的解决方案集合。
例如,对于aj∈A,zj→aj:f(aj)表示第j条故障诊断规则,其中zj表示故障诊断规则产生的前置条件,aj表示基于zj规则产生的结果,f(aj)表示针对诊断出的异常aj,所采取的解决方案。示例性的,对于制冷设备而言,假设zj={温度>30℃}、那么根据故障诊断规则库可确定aj={设备过热}、f(aj)={增加制冷液,提升降温效率}。
也就是说,基于规则确定当前故障设备的诊断结果和解决方案时,可根据故障信息出现的现象在故障诊断规则库中查找对应的规则,然后根据查找到的规则去找对应的解决方案。例如假设P表示故障现象集合,那么首先对故障现象pk∈P和任意规则zk∈Z,计算pk和zk的相似度:其中表示故障现象pk的特征向量,表示规则zk的特征向量。然后,当sim(pk,zk)>θ时,表示故障现象pk与规则zk是匹配的,进而根据规则zk找到对应的故障解决方案:其中,θ是固定常量,可根据需要进行设置,通常可设置为0.5。
进一步的,基于设备运行数据的故障诊断方法,对当前故障设备进行故障诊断,以确定当前故障设备的诊断结果和解决方案,可采用下述方式:根据当前故障设备的日志数据,计算当前故障设备的关键绩效指标;根据关键绩效指标,确定当前故障设备的诊断结果和解决方案。
其中,关键绩效指标(Key Performance Indicators,简称:KPI指标)具体根据设备类型确定。例如,最简单的KPI指标,可为设备数据传输速率s、设备数据丢失频率a和设备宕机频率b。
也就是说,基于设备运行数据确定当前故障设备的诊断结果和解决方案时,可首先基于当前故障设备产生的实时日志数据分别计算不同的KPI指标,然后将每个KPI指标与对应指标阈值进行比较。当任意KPI指标不满足对应指标阈值时,即可将KPI指标对应诊断结果和解决方案确定为当前故障设备的诊断结果和解决方案。
例如,首先基于设备产生的实时的日志数据分别计算KPI指标为:s、a、b。然后,将s和指标阈值φ1,a和指标阈值φ2,以及b和指标阈值φ3进行比较。当s、a、b中的任意一个KPI指标满足条件:y=h(s)<φ1&h(s)>φ2&h(s)>φ3为真时,确定设备发生了故障,且诊断结果和解决方案对应为:
S405,确定基于知识图谱的故障诊断方法和每个所述其它故障诊断方法的诊断准确率。
可选的,可按照如下公式(5),确定基于知识图谱的故障诊断方法的诊断准确率,以及每个其他故障诊断方法的诊断准确率:
其中,precision表示诊断准确率,n1表示诊断正确的次数,n2表示诊断不正确的次数。
举例说明,假设基于知识图谱的故障诊断方法确定某个故障的诊断结果和解决方案为:基于规则的故障诊断方法确定该故障的诊断结果和解决方案为:以及基于设备运行数据确定该故障的诊断结果和解决方案为:那么利用上述公式(5)可分别计算出上述三种故障诊断方法对该故障诊断的诊断准确率为:以及
S406,根据所述诊断准确率,对基于知识图谱的故障诊断方法确定的诊断结果和解决方案,和基于其他故障诊断方法确定的诊断结果和解决方案进行排序,并将排序结果发送给所述当前故障设备。
继续以上述示例进行说明,首先根据P1,P2和P3,按照从大到小的顺序进行排序,得到排序结果为P1>P2>P3。其次,按照排序结果将上述三种故障诊断方法对当前故障设备的诊断结果和解决方案进行排序,即诊断准确率越高,对应诊断结果和解决方案的优先级越高。最后将排序后的结果:发送给当前故障设备,以使当前故障设备根据接收到的排序结果进行故障恢复。
本申请实施例提供的技术方案,在设备出现故障时,通过将基于设备故障知识图谱的故障诊断方法、基于规则的故障诊断方法和基于设备运行数据的故障诊断方法这三种故障诊断方法相结合,对当前故障设备进行故障诊断,这样既保证了故障诊断过程中充分利用专家经验规则的有效性、又能利用设备运行数据进行故障诊断的实时性,同时还能有效利用基于设备故障知识图谱进行故障诊断的准确性,以达到同时提高设备故障诊断的准确性、实时性和有效性的目的。
下面参照附图5,对本申请实施例提出的一种基于知识图谱的故障诊断装置进行描述。图5是本申请实施例提供的一种基于知识图谱的故障诊断装置的示意性框图。
如图5所示,该装置500可以包括:特征向量确定模块510、相似度确定模块520和诊断结果确定模块530。
其中,特征向量确定模块510,用于在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的;
相似度确定模块520,用于确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度;
诊断结果确定模块530,用于将最高相似度对应故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并推送所述诊断结果对应的解决方案给所述当前故障设备。
本申请实施例的一种可选实现方式,该装置500还包括:知识图谱构建模块;
其中,知识图谱构建模块,用于从经过分类处理的每个历史故障设备的故障诊断数据中,提取实体和实体之间的关系,以生成实体-关系-实体的三元组;对所述实体-关系-实体的三元组进行数据合并处理,得到新实体-关系-实体的三元组;根据所述新实体-关系-实体的三元组,构建所述设备故障知识图谱。
本申请实施例的一种可选实现方式,所述三元组中的实体包括:历史故障设备标识、故障类型、故障现象、故障原因和故障解决方案;
所述三元组中的实体之间的关系包括:历史故障设备标识与故障类型的关系、历史故障设备标识与故障现象的关系、历史故障设备标识与故障原因的关系、历史故障设备标识和解决方案的关系。
本申请实施例的一种可选实现方式,特征向量确定模块510,包括:
第一确定单元,用于基于所述设备故障知识图谱,确定所述当前故障设备的邻居历史故障设备集合;
第二确定单元,用于确定所述邻居历史故障设备集合的特征向量;
第三确定单元,用于根据所述邻居历史故障设备集合的特征向量,确定所述当前故障设备的特征向量。
本申请实施例的一种可选实现方式,第二确定单元,具体用于:
利用注意力机制,确定所述邻居历史故障设备集合中每个邻居历史故障设备特征向量的传递权重;
根据每个所述邻居历史故障设备特征向量的传递权重和所述设备故障知识图谱中尾节点的特征向量,确定所述邻居历史故障设备集合的特征向量。
本申请实施例的一种可选实现方式,该装置500还包括:第一确定模块、第二确定模块和处理模块;
其中,第一确定模块,用于基于其他故障诊断方法,确定所述当前故障设备的诊断结果和解决方案;其中每个其他故障诊断方法对应一种诊断结果和解决方案;
第二确定模块,用于确定基于知识图谱的故障诊断方法和每个所述其它故障诊断方法的诊断准确率;
处理模块,用于根据所述诊断准确率,对基于知识图谱的故障诊断方法确定的诊断结果和解决方案,和基于其他故障诊断方法确定的诊断结果和解决方案进行排序,并将排序结果发送给所述当前故障设备。
本申请实施例提供的技术方案,在设备出现故障时,通过基于设备故障知识图谱确定当前故障设备的特征向量,并确定当前故障设备的特征向量与设备故障知识图谱中每个历史故障设备的特征向量间的相似度,然后从所有相似度中选择最高相似度,以将最高相似度对应历史故障设备的诊断结果,确定为当前故障设备的诊断结果,并将诊断结果对应的解决方案推送给当前故障设备,从而实现利用设备故障知识图谱对设备故障进行诊断,以提高设备故障诊断的准确性,改善设备故障诊断效果。
应理解的是,基于知识图谱的故障诊断装置实施例与基于知识图谱的故障诊断方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,图5所示的基于知识图谱的故障诊断装置500可以执行图3对应的方法实施例,并且基于知识图谱的故障诊断装置500中的各个模块的前述和其它操作和/或功能分别为了实现图3中的各个方法中的相应流程,为了简洁,在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的基于知识图谱的故障诊断装置500。应理解,该功能模块可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过硬件和软件模块组合实现。具体地,本申请实施例中的基于知识图谱的故障诊断方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的基于知识图谱的故障诊断方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。可选地,软件模块可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例中的步骤。
图6是本申请实施例提供的一种电子设备600的示意性框图。如图6所示,该电子设备600可包括:
存储器610和处理器620,该存储器610用于存储计算机程序,并将该程序代码传输给该处理器620。换言之,该处理器620可以从存储器610中调用并运行计算机程序,以实现本申请实施例中的基于知识图谱的故障诊断方法。
例如,该处理器620可用于根据该计算机程序中的指令执行上述基于知识图谱的故障诊断方法实施例。
在本申请的一些实施例中,该处理器620可以包括但不限于:
通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
在本申请的一些实施例中,该存储器610包括但不限于:
易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在本申请的一些实施例中,该计算机程序可以被分割成一个或多个模块,该一个或者多个模块被存储在该存储器610中,并由该处理器620执行,以完成本申请提供的方法。该一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述该计算机程序在该电子设备中的执行过程。
如图6所示,该电子设备600还可包括:
收发器630,该收发器630可连接至该处理器620或存储器610。
其中,处理器620可以控制该收发器630与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发器630可以包括发射机和接收机。收发器630还可以进一步包括天线,天线的数量可以为一个或多个。
应当理解,该电子设备600中的各个组件通过总线系统相连,其中,总线系统除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。
本申请还提供了一种计算机存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得该计算机能够执行上述实施例的基于知识图谱的故障诊断方法。或者说,本申请实施例还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述方法实施例的方法。
当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的模块及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,该模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。例如,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以该权利要求的保护范围为准。
Claims (10)
1.一种基于知识图谱的故障诊断方法,其特征在于,包括:
在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的;
确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度;
将最高相似度对应历史故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并推送所述诊断结果对应的解决方案给所述当前故障设备。
2.根据权利要求1所述的方法,其特征在于,所述设备故障知识图谱通过如下方式构建:
从经过分类处理的每个历史故障设备的故障诊断数据中,提取实体和实体之间的关系,以生成实体-关系-实体的三元组;
对所述实体-关系-实体的三元组进行数据合并处理,得到新实体-关系-实体的三元组;
根据所述新实体-关系-实体的三元组,构建所述设备故障知识图谱。
3.根据权利要求2所述的方法,其特征在于,所述三元组中的实体包括:历史故障设备标识、故障类型、故障现象、故障原因和故障解决方案;
所述三元组中的实体之间的关系包括:历史故障设备标识与故障类型的关系、历史故障设备标识与故障现象的关系、历史故障设备标识与故障原因的关系、历史故障设备标识和解决方案的关系。
4.根据权利要求1所述的方法,其特征在于,基于设备故障知识图谱确定当前故障设备的特征向量,包括:
基于所述设备故障知识图谱,确定所述当前故障设备的邻居历史故障设备集合;
确定所述邻居历史故障设备集合的特征向量;
根据所述邻居历史故障设备集合的特征向量,确定所述当前故障设备的特征向量。
5.根据权利要求4所述的方法,其特征在于,确定所述邻居历史故障设备集合的特征向量,包括:
利用注意力机制,确定所述邻居历史故障设备集合中每个邻居历史故障设备特征向量的传递权重;
根据每个所述邻居历史故障设备特征向量的传递权重和所述设备故障知识图谱中尾节点的特征向量,确定所述邻居历史故障设备集合的特征向量。
6.根据权利要求1所述的方法,其特征在于,将最高相似度对应的历史故障设备的诊断结果,确定为所述当前故障设备的诊断结果之后,所述方法还包括:
基于其他故障诊断方法,确定所述当前故障设备的诊断结果和解决方案;其中每个其他故障诊断方法对应一种诊断结果和解决方案;
确定基于知识图谱的故障诊断方法和每个所述其它故障诊断方法的诊断准确率;
根据所述诊断准确率,对基于知识图谱的故障诊断方法确定的诊断结果和解决方案,和基于其他故障诊断方法确定的诊断结果和解决方案进行排序,并将排序结果发送给所述当前故障设备。
7.一种基于知识图谱的故障诊断装置,其特征在于,包括:
特征向量确定模块,用于在设备故障时,基于设备故障知识图谱确定当前故障设备的特征向量,所述设备故障知识图谱基于历史故障设备的故障诊断数据构建的;
相似度确定模块,用于确定所述当前故障设备的特征向量与所述设备故障知识图谱中每个历史故障设备的特征向量之间的相似度;
诊断结果确定模块,用于将最高相似度对应故障设备的诊断结果,确定为所述当前故障设备的诊断结果,并推送所述诊断结果对应的解决方案给所述当前故障设备。
8.一种电子设备,其特征在于,包括:
处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,以执行权利要求1至6中任一项所述的基于知识图谱的故障诊断方法。
9.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1至6中任一项所述的基于知识图谱的故障诊断方法。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现如权利要求1至6中任一项所述的基于知识图谱的故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210093848.8A CN114491037A (zh) | 2022-01-26 | 2022-01-26 | 基于知识图谱的故障诊断方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210093848.8A CN114491037A (zh) | 2022-01-26 | 2022-01-26 | 基于知识图谱的故障诊断方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491037A true CN114491037A (zh) | 2022-05-13 |
Family
ID=81476119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210093848.8A Pending CN114491037A (zh) | 2022-01-26 | 2022-01-26 | 基于知识图谱的故障诊断方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491037A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114867052A (zh) * | 2022-06-10 | 2022-08-05 | 中国电信股份有限公司 | 无线网络故障诊断方法、装置、电子设备和介质 |
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 |
-
2022
- 2022-01-26 CN CN202210093848.8A patent/CN114491037A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114867052A (zh) * | 2022-06-10 | 2022-08-05 | 中国电信股份有限公司 | 无线网络故障诊断方法、装置、电子设备和介质 |
CN114867052B (zh) * | 2022-06-10 | 2023-11-07 | 中国电信股份有限公司 | 无线网络故障诊断方法、装置、电子设备和介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8280835B2 (en) | Method for automated distributed diagnostics for networks | |
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
US20190034766A1 (en) | Machine learning predictive labeling system | |
CN114491037A (zh) | 基于知识图谱的故障诊断方法、装置、设备及介质 | |
US11314616B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
US11151463B2 (en) | Distributable event prediction and machine learning recognition system | |
US11886285B2 (en) | Cross-correlation of metrics for anomaly root cause identification | |
US9454457B1 (en) | Software test apparatus, software test method and computer readable medium thereof | |
CA2713736A1 (en) | System and method for automated distributed diagnostics for networks | |
CN114792089A (zh) | 用于管理计算机系统的方法、设备和程序产品 | |
Dolzhenkova et al. | Method of consequences inference from new facts in case of an incomplete knowledge base | |
CN114257493B (zh) | 网络节点的故障预警方法、装置、介质及电子设备 | |
US20180067831A1 (en) | Fine-Grained Causal Anomaly Inference for Complex System Fault Diagnosis | |
Jin et al. | Data-driven resiliency solutions for boards and systems | |
CN114867052B (zh) | 无线网络故障诊断方法、装置、电子设备和介质 | |
Li et al. | Natural language processing-based model for log anomaly detection | |
Makri et al. | On ℓ-overlapping runs of ones of length k in sequences of independent binary random variables | |
US20230061280A1 (en) | Root cause analysis for deterministic machine learning model | |
Chakraborty et al. | ESRO: Experience Assisted Service Reliability against Outages | |
Xu et al. | Data mining–based intelligent fault diagnostics for integrated system health management to avionics | |
CN112860652A (zh) | 作业状态预测方法、装置和电子设备 | |
CN112559578A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
Feng et al. | Optimal sensor placement based on multiattribute decision-making considering the common cause failure | |
Yu et al. | Anomaly Detection for Cloud Systems with Dynamic Spatiotemporal Learning. | |
CN115858821B (zh) | 知识图谱处理方法、装置及知识图谱处理模型的训练方法 |
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 |