CN114791954A - 设备故障诊断方法及装置 - Google Patents

Abstract

本公开涉及故障诊断技术领域，提供了设备故障诊断方法及装置。该方法包括：获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据；标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；利用诊断模型对故障设备进行诊断。

Description

设备故障诊断方法及装置

技术领域

本公开涉及故障诊断技术领域，尤其涉及一种设备故障诊断方法及装置。

背景技术

目前对设备故障的诊断方法，常用的是利用设备故障领域的专家知识进行判断故障设备的故障原因，比如故障树，或者使用知识图谱诊断故障设备的故障原因。但是，无论是利用设备故障领域的专家知识还是知识图谱诊断故障设备的故障原因，都存在效率低和准确率低的问题。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下技术问题：对设备故障的诊断，存在效率低和准确率低的问题。

发明内容

有鉴于此，本公开实施例提供了一种设备故障诊断方法、装置、电子设备和计算机可读的存储介质，以解决现有技术中，对设备故障的诊断，存在效率低和准确率低的问题。

本公开实施例的第一方面，提供了一种设备故障诊断方法，包括：获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据，其中，第一神经网络模型已通过训练，学习并保存有设备故障记录数据和第三诊断数据之间的对应关系；标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；利用诊断模型对故障设备进行诊断。

本公开实施例的第二方面，提供了一种设备故障诊断装置，包括：获取模块，被配置为获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；第一处理模块，被配置为基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；第二处理模块，被配置为基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；第三处理模块，被配置为通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据，其中，第一神经网络模型已通过训练，学习并保存有设备故障记录数据和第三诊断数据之间的对应关系；训练模块，被配置为标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；构建模块，被配置为利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；诊断模块，被配置为利用诊断模型对故障设备进行诊断。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据，其中，第一神经网络模型已通过训练，学习并保存有设备故障记录数据和第三诊断数据之间的对应关系；标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；利用诊断模型对故障设备进行诊断。采用上述技术手段，可以解决现有技术中，对设备故障的诊断，存在效率低和准确率低的问题，进而提高对设备故障诊断的效率和准确率。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术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公开的一些实施例，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它的附图。

图1是本公开实施例的应用场景的场景示意图；

图2是本公开实施例提供的一种设备故障诊断方法的流程示意图；

图3是本公开实施例提供的一种设备故障诊断装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种设备故障诊断方法和装置。

图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、2和3、服务器4以及网络5。

终端设备1、2和3可以是硬件，也可以是软件。当终端设备1、2和3为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1、2和3为软件时，其可以安装在如上的电子设备中。终端设备1、2和3可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1、2和3上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。

服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。

需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1、2和3提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1、2和3提供各种服务的多个软件或软件模块，也可以是为终端设备1、2和3提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。

网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near FieldCommunication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。

用户可以通过终端设备1、2和3经由网络5与服务器4建立通信连接，以接收或发送信息等。需要说明的是，终端设备1、2和3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。

图2是本公开实施例提供的一种设备故障诊断方法的流程示意图。图2的设备故障诊断方法可以由图1的终端设备或服务器执行。如图2所示，该设备故障诊断方法包括：

S201，获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；

S202，基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；

S203，基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；

S204，通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据，其中，第一神经网络模型已通过训练，学习并保存有设备故障记录数据和第三诊断数据之间的对应关系；

S205，标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；

S206，利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；

S207，利用诊断模型对故障设备进行诊断。

设备故障记录数据是记录了大量设备发生故障时的信息，包括：每个设备的状态信息、参数信息和故障事件的信息等。设备故障诊断数据是多个设备发生故障并已诊断出具体的故障原因的数据。设备故障诊断数据的规模可以小于设备故障记录数据，将设备故障诊断数据作为“本体知识”，通过知识图谱推理方法快速生成大量的具有实用性的关于设备诊断方面的知识，进而根据生成的知识构建知识图谱诊断模型。本体(Ontology)包含某个学科内的基本实体和实体之间的关系，是描述领域知识的通用概念模型。本体知识，包括：设备故障诊断数据中的设备故障的信息和设备故障诊断数据中的设备故障的信息对应的故障原因。生成的知识，也包括：设备故障的信息和设备故障的信息对应的故障原因。生成的知识的规模要比设备故障诊断数据的规模大得多。第一神经网络模型和第二神经网络模型可以是常见的任意一种神经网络模型。

标注第一诊断数据、第二诊断数据和第三诊断数据，可以是标注第一诊断数据、第二诊断数据和第三诊断数据中每条诊断数据是否正确。第二神经网络模型经过标注结果训练，所以第二神经网络模型可以判断出设备机理诊断模型、知识图谱诊断模型和第一神经网络模型诊断哪种类型的设备、哪种故障事件和哪种场景等更加准确。

根据本公开实施例提供的技术方案，获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据，其中，第一神经网络模型已通过训练，学习并保存有设备故障记录数据和第三诊断数据之间的对应关系；标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；利用诊断模型对故障设备进行诊断。采用上述技术手段，可以解决现有技术中，对设备故障的诊断，存在效率低和准确率低的问题，进而提高对设备故障诊断的效率和准确率。

在步骤S202中，基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，包括：基于专家诊断知识库，确定多个故障事件和每个故障事件对应的一个或多个原因事件；基于多个故障事件和每个故障事件对应的一个或多个原因事件，通过设备机理分析方法生成故障树；根据故障树，构建设备机理诊断模型。

专家诊断知识库包括大量设备故障诊断领域的诊断知识，比如一种设备的一种故障事件可能对应的故障原因。故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。故障事件包括对设备发生故障的现象的描述，原因事件包括对设备发生故障的原因的描述。因为专家诊断知识库中存在冗余信息、重复的信息、存在冲突的信息，设备机理分析方法可以辅助故障事件与原因事件的对应关系，使得故障事件与原因事件的对应关系更加明确。或者设备机理分析方法还可以理解为对专家诊断知识库的应用。故障树存在多个故障事件与原因事件的对应关系，那么设备机理诊断模型就是基于专家诊断知识库借助数学公式实现多个故障事件与原因事件的对应关系，比如给设备机理诊断模型输入一个故障事件，就可以输出一个对应的原因事件。

在步骤S202中，利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据，包括：根据设备故障记录数据，确定每个设备的参数数据，其中，参数数据，包括：低压压力值、制热低压卸载值、主膨胀阀的开度值和低压压力变化值；根据每个设备的参数数据，确定每个设备的诊断结果，以得到第一诊断数据。

举例说明：一个设备的机组进入到除霜模式除霜时出现的低压开关报警，获取报警时间点前后30分钟内采集到的该设备的参数数据。如果除霜时的低压压力＞制热低压卸载值，主膨胀阀的开度值＞400步，那么报警原因可能是物联链路出错；如果，低压压力＜制热低压卸载值，主膨胀阀的开度值＞400步，那么报警原因可能是低压开关损害或虚接，那么解决办法更换或检查线虚接部分。如果存在一个低压压力变化值过大，那么可能物联链路出错，如果不存在低压压力变化值过大，也就是低压压力值平稳变化，那么可能是系统无法识别操作。物联链路出错，可以是物联网链路出错。

在步骤S203中，基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，包括：对设备故障诊断数据进行知识抽取处理，得到抽取结果；对抽取结果进行知识融合处理，得到融合结果；对抽取结果进行知识加工处理，得到设备知识图谱；基于设备知识图谱，构建知识图谱诊断模型。

知识抽取处理，包括：实体抽取、关系抽取、属性抽取。实体抽取：也称为命名实体识别(Named Entity Recognition,NER)，是指从文本预料中自动识别出命名实体。关系抽取：文本语料经过实体抽取之后，得到一系列离散的命名实体。为了得到语义信息，需要从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，形成网状的知识结构。属性抽取：从不同信息源中采集特定实体的属性信息。

通过知识抽取获得的信息具有以下两个问题：信息之间关系扁平化，缺乏层次性与逻辑性；存在大量冗余信息。采用知识融合解决上述问题，主要包含两个部分：实体链接、知识合并，其中，实体链接涉及共指消解、实体消歧两种技术。

知识加工主要包括三个方面的内容：本体构建、知识推理、质量评估。本体(Ontology)包含某个学科内的基本实体和实体之间的关系，是描述领域知识的通用概念模型。知识图谱在完成本体构建后已经初具雏形，但知识之间的关系存在残缺，采用知识推理进一步知识发现，从而对知识图谱的知识进行补全。知识推理主要分为三大类：基于规则的推理、基于图的推理、基于深度学习的推理。质量评估也是知识库构建技术的重要组成部分，用于对知识的可信度进行量化，通过舍弃置信度较低的知识来保障知识图谱的质量。

知识图谱诊断模型就是基于知识图谱借助数学公式实现多个故障事件与原因事件的对应关系，比如给知识图谱诊断模型输入一个故障事件，就可以输出一个对应的原因事件。

在步骤S203中，利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据，包括：根据设备故障记录数据，确定每个设备的设备属性信息和每个设备对应的一个或多个故障事件；根据每个设备的设备属性信息和每个设备对应的一个或多个故障事件，确定确定每个设备的诊断结果，以得到第二诊断数据。

设备属性信息，包括：设备的从属关系、设备同组关系。因为在一个设备集群中，一个设备的故障往往和其他和该设备有关系的设备有关，本公开实施例，借助知识图谱诊断模型，找到每个设备的设备属性信息和每个设备对应的一个或多个故障事件，以及每个设备的故障原因之间的关系。

对第一神经网络模型进行训练，可以是深度学习训练，因为模型训练是现有技术，在此不再赘述。

在步骤S206中，利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型，包括：将设备机理诊断模型、知识图谱诊断模型和第一神经网络模型以并联的方式组成分支网络；利用分支网络前接第二神经网络模型，以构建诊断模型。

在诊断模型中，先使用第二神经网络模型，根据待诊断的设备的设备信息，判断设备机理诊断模型、知识图谱诊断模型和第一神经网络模型中哪一个模型诊断待诊断的设备的准确率高，再使用判断出的模型诊断待诊断的设备。待诊断的设备的设备信息，包括该设备的类型、该设备历史故障信息和该设备所属应用场景。

在步骤S207中，利用诊断模型对故障设备进行诊断，包括：获取故障设备的设备信息；利用第二神经网络模型对设备信息进行处理，得到处理结果，其中，处理结果用于确定目标模型，其中，目标模型，包括：设备机理诊断模型、知识图谱诊断模型和第一神经网络模型；利用目标模型对设备信息进行处理，以得到故障设备的诊断结果。

可选地，处理结果还可以用于表示在设备故障诊断中，设备机理诊断模型、知识图谱诊断模型和第一神经网络模型的诊断结果之间的权值。然后分别利用设备机理诊断模型、知识图谱诊断模型和第一神经网络模型对设备信息进行处理，得到三种诊断结果，然后基于三种诊断结果和三种诊断结果各自对应的权值，确认最终的诊断结果。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种设备故障诊断装置的示意图。如图3所示，该设备故障诊断装置包括：

获取模块301，被配置为获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；

第一处理模块302，被配置为基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；

第二处理模块303，被配置为基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；

第三处理模块304，被配置为通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据，其中，第一神经网络模型已通过训练，学习并保存有设备故障记录数据和第三诊断数据之间的对应关系；

训练模块305，被配置为标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；

构建模块306，被配置为利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；

诊断模块307，被配置为利用诊断模型对故障设备进行诊断。

设备故障记录数据是记录了大量设备发生故障时的信息，包括：每个设备的状态信息、参数信息和故障事件的信息等。设备故障诊断数据是多个设备发生故障并已诊断出具体的故障原因的数据。设备故障诊断数据的规模可以小于设备故障记录数据，将设备故障诊断数据作为“本体知识”，通过知识图谱推理方法快速生成大量的具有实用性的关于设备诊断方面的知识，进而根据生成的知识构建知识图谱诊断模型。本体(Ontology)包含某个学科内的基本实体和实体之间的关系，是描述领域知识的通用概念模型。本体知识，包括：设备故障诊断数据中的设备故障的信息和设备故障诊断数据中的设备故障的信息对应的故障原因。生成的知识，也包括：设备故障的信息和设备故障的信息对应的故障原因。生成的知识的规模要比设备故障诊断数据的规模大得多。第一神经网络模型和第二神经网络模型可以是常见的任意一种神经网络模型。

标注第一诊断数据、第二诊断数据和第三诊断数据，可以是标注第一诊断数据、第二诊断数据和第三诊断数据中每条诊断数据是否正确。第二神经网络模型经过标注结果训练，所以第二神经网络模型可以判断出设备机理诊断模型、知识图谱诊断模型和第一神经网络模型诊断哪种类型的设备、哪种故障事件和哪种场景等更加准确。

根据本公开实施例提供的技术方案，获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；基于专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用设备机理诊断模型处理设备故障记录数据，得到第一诊断数据；基于设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用知识图谱诊断模型处理设备故障记录数据，得到第二诊断数据；通过第一神经网络模型处理设备故障记录数据，得到第三诊断数据，其中，第一神经网络模型已通过训练，学习并保存有设备故障记录数据和第三诊断数据之间的对应关系；标注第一诊断数据、第二诊断数据和第三诊断数据，得到标注结果，利用标注结果训练第二神经网络模型；利用第二神经网络模型、设备机理诊断模型、知识图谱诊断模型和第一神经网络模型构建诊断模型；利用诊断模型对故障设备进行诊断。采用上述技术手段，可以解决现有技术中，对设备故障的诊断，存在效率低和准确率低的问题，进而提高对设备故障诊断的效率和准确率。

可选地，第一处理模块302还被配置为基于专家诊断知识库，确定多个故障事件和每个故障事件对应的一个或多个原因事件；基于多个故障事件和每个故障事件对应的一个或多个原因事件，通过设备机理分析方法生成故障树；根据故障树，构建设备机理诊断模型。

专家诊断知识库包括大量设备故障诊断领域的诊断知识，比如一种设备的一种故障事件可能对应的故障原因。故障树是一种特殊的倒立树状逻辑因果关系图，它用事件符号、逻辑门符号和转移符号描述系统中各种事件之间的因果关系。故障事件包括对设备发生故障的现象的描述，原因事件包括对设备发生故障的原因的描述。因为专家诊断知识库中存在冗余信息、重复的信息、存在冲突的信息，设备机理分析方法可以辅助故障事件与原因事件的对应关系，使得故障事件与原因事件的对应关系更加明确。或者设备机理分析方法还可以理解为对专家诊断知识库的应用。故障树存在多个故障事件与原因事件的对应关系，那么设备机理诊断模型就是基于专家诊断知识库借助数学公式实现多个故障事件与原因事件的对应关系，比如给设备机理诊断模型输入一个故障事件，就可以输出一个对应的原因事件。

可选地，第一处理模块302还被配置为根据设备故障记录数据，确定每个设备的参数数据，其中，参数数据，包括：低压压力值、制热低压卸载值、主膨胀阀的开度值和低压压力变化值；根据每个设备的参数数据，确定每个设备的诊断结果，以得到第一诊断数据。

举例说明：一个设备的机组进入到除霜模式除霜时出现的低压开关报警，获取报警时间点前后30分钟内采集到的该设备的参数数据。如果除霜时的低压压力＞制热低压卸载值，主膨胀阀的开度值＞400步，那么报警原因可能是物联链路出错；如果，低压压力＜制热低压卸载值，主膨胀阀的开度值＞400步，那么报警原因可能是低压开关损害或虚接，那么解决办法更换或检查线虚接部分。如果存在一个低压压力变化值过大，那么可能物联链路出错，如果不存在低压压力变化值过大，也就是低压压力值平稳变化，那么可能是系统无法识别操作。物联链路出错，可以是物联网链路出错。

可选地，第二处理模块303还被配置为对设备故障诊断数据进行知识抽取处理，得到抽取结果；对抽取结果进行知识融合处理，得到融合结果；对抽取结果进行知识加工处理，得到设备知识图谱；基于设备知识图谱，构建知识图谱诊断模型。

知识抽取处理，包括：实体抽取、关系抽取、属性抽取。实体抽取：也称为命名实体识别(Named Entity Recognition,NER)，是指从文本预料中自动识别出命名实体。关系抽取：文本语料经过实体抽取之后，得到一系列离散的命名实体。为了得到语义信息，需要从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，形成网状的知识结构。属性抽取：从不同信息源中采集特定实体的属性信息。

通过知识抽取获得的信息具有以下两个问题：信息之间关系扁平化，缺乏层次性与逻辑性；存在大量冗余信息。采用知识融合解决上述问题，主要包含两个部分：实体链接、知识合并，其中，实体链接涉及共指消解、实体消歧两种技术。

知识加工主要包括三个方面的内容：本体构建、知识推理、质量评估。本体(Ontology)包含某个学科内的基本实体和实体之间的关系，是描述领域知识的通用概念模型。知识图谱在完成本体构建后已经初具雏形，但知识之间的关系存在残缺，采用知识推理进一步知识发现，从而对知识图谱的知识进行补全。知识推理主要分为三大类：基于规则的推理、基于图的推理、基于深度学习的推理。质量评估也是知识库构建技术的重要组成部分，用于对知识的可信度进行量化，通过舍弃置信度较低的知识来保障知识图谱的质量。

知识图谱诊断模型就是基于知识图谱借助数学公式实现多个故障事件与原因事件的对应关系，比如给知识图谱诊断模型输入一个故障事件，就可以输出一个对应的原因事件。

可选地，第二处理模块303还被配置为根据设备故障记录数据，确定每个设备的设备属性信息和每个设备对应的一个或多个故障事件；根据每个设备的设备属性信息和每个设备对应的一个或多个故障事件，确定确定每个设备的诊断结果，以得到第二诊断数据。

设备属性信息，包括：设备的从属关系、设备同组关系。因为在一个设备集群中，一个设备的故障往往和其他和该设备有关系的设备有关，本公开实施例，借助知识图谱诊断模型，找到每个设备的设备属性信息和每个设备对应的一个或多个故障事件，以及每个设备的故障原因之间的关系。

对第一神经网络模型进行训练，可以是深度学习训练，因为模型训练是现有技术，在此不再赘述。

可选地，构建模块306还被配置为将设备机理诊断模型、知识图谱诊断模型和第一神经网络模型以并联的方式组成分支网络；利用分支网络前接第二神经网络模型，以构建诊断模型。

在诊断模型中，先使用第二神经网络模型，根据待诊断的设备的设备信息，判断设备机理诊断模型、知识图谱诊断模型和第一神经网络模型中哪一个模型诊断待诊断的设备的准确率高，再使用判断出的模型诊断待诊断的设备。待诊断的设备的设备信息，包括该设备的类型、该设备历史故障信息和该设备所属应用场景。

可选地，诊断模块307还被配置为获取故障设备的设备信息；利用第二神经网络模型对设备信息进行处理，得到处理结果，其中，处理结果用于确定目标模型，其中，目标模型，包括：设备机理诊断模型、知识图谱诊断模型和第一神经网络模型；利用目标模型对设备信息进行处理，以得到故障设备的诊断结果。

可选地，处理结果还可以用于表示在设备故障诊断中，设备机理诊断模型、知识图谱诊断模型和第一神经网络模型的诊断结果之间的权值。然后分别利用设备机理诊断模型、知识图谱诊断模型和第一神经网络模型对设备信息进行处理，得到三种诊断结果，然后基于三种诊断结果和三种诊断结果各自对应的权值，确认最终的诊断结果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、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(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

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单元及算法步骤，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公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本公开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。

集成的模块/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存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种设备故障诊断方法，其特征在于，包括：

获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；

基于所述专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用所述设备机理诊断模型处理所述设备故障记录数据，得到第一诊断数据；

基于所述设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用所述知识图谱诊断模型处理所述设备故障记录数据，得到第二诊断数据；

通过第一神经网络模型处理所述设备故障记录数据，得到第三诊断数据，其中，所述第一神经网络模型已通过训练，学习并保存有所述设备故障记录数据和所述第三诊断数据之间的对应关系；

标注所述第一诊断数据、所述第二诊断数据和所述第三诊断数据，得到标注结果，利用所述标注结果训练第二神经网络模型；

利用所述第二神经网络模型、所述设备机理诊断模型、所述知识图谱诊断模型和所述第一神经网络模型构建诊断模型；

利用所述诊断模型对故障设备进行诊断。

2.根据权利要求1所述的方法，其特征在于，所述基于所述专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，包括：

基于所述专家诊断知识库，确定多个故障事件和每个故障事件对应的一个或多个原因事件；

基于多个故障事件和每个故障事件对应的一个或多个原因事件，通过设备机理分析方法生成故障树；

根据所述故障树，构建设备机理诊断模型。

3.根据权利要求1所述的方法，其特征在于，所述利用所述设备机理诊断模型处理所述设备故障记录数据，得到第一诊断数据，包括：

根据所述设备故障记录数据，确定每个设备的参数数据，其中，所述参数数据，包括：低压压力值、制热低压卸载值、主膨胀阀的开度值和低压压力变化值；

根据每个设备的参数数据，确定每个设备的诊断结果，以得到第一诊断数据。

4.根据权利要求1所述的方法，其特征在于，所述基于所述设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，包括：

对所述设备故障诊断数据进行知识抽取处理，得到抽取结果；

对所述抽取结果进行知识融合处理，得到融合结果；

对所述抽取结果进行知识加工处理，得到设备知识图谱；

基于所述设备知识图谱，构建知识图谱诊断模型。

5.根据权利要求1所述的方法，其特征在于，所述利用所述知识图谱诊断模型处理所述设备故障记录数据，得到第二诊断数据，包括：

根据所述设备故障记录数据，确定每个设备的设备属性信息和每个设备对应的一个或多个故障事件；

根据每个设备的设备属性信息和每个设备对应的一个或多个故障事件，确定确定每个设备的诊断结果，以得到第二诊断数据。

6.根据权利要求1所述的方法，其特征在于，所述利用所述第二神经网络模型、所述设备机理诊断模型、所述知识图谱诊断模型和所述第一神经网络模型构建诊断模型，包括：

将所述设备机理诊断模型、所述知识图谱诊断模型和所述第一神经网络模型以并联的方式组成分支网络；

利用所述分支网络前接所述第二神经网络模型，以构建诊断模型。

7.根据权利要求1所述的方法，其特征在于，所述利用所述诊断模型对故障设备进行诊断，包括：

获取所述故障设备的设备信息；

利用所述所述第二神经网络模型对所述设备信息进行处理，得到处理结果，其中，所述处理结果用于确定目标模型，其中，所述目标模型，包括：所述设备机理诊断模型、所述知识图谱诊断模型和所述第一神经网络模型；

利用所述目标模型对所述设备信息进行处理，以得到所述故障设备的诊断结果。

8.一种设备故障诊断装置，其特征在于，包括：

获取模块，被配置为获取设备故障记录数据、设备故障诊断数据和专家诊断知识库；

第一处理模块，被配置为基于所述专家诊断知识库，通过设备机理分析方法构建设备机理诊断模型，并利用所述设备机理诊断模型处理所述设备故障记录数据，得到第一诊断数据；

第二处理模块，被配置为基于所述设备故障诊断数据，通过知识图谱推理方法构建知识图谱诊断模型，并利用所述知识图谱诊断模型处理所述设备故障记录数据，得到第二诊断数据；

第三处理模块，被配置为通过第一神经网络模型处理所述设备故障记录数据，得到第三诊断数据，其中，所述第一神经网络模型已通过训练，学习并保存有所述设备故障记录数据和所述第三诊断数据之间的对应关系；

训练模块，被配置为标注所述第一诊断数据、所述第二诊断数据和所述第三诊断数据，得到标注结果，利用所述标注结果训练第二神经网络模型；

构建模块，被配置为利用所述第二神经网络模型、所述设备机理诊断模型、所述知识图谱诊断模型和所述第一神经网络模型构建诊断模型；

诊断模块，被配置为利用所述诊断模型对故障设备进行诊断。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。

Images