CN114861362A - 基于知识图谱的机泵健康分析方法、装置、设备及介质 - Google Patents
基于知识图谱的机泵健康分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114861362A CN114861362A CN202210556297.4A CN202210556297A CN114861362A CN 114861362 A CN114861362 A CN 114861362A CN 202210556297 A CN202210556297 A CN 202210556297A CN 114861362 A CN114861362 A CN 114861362A
- Authority
- CN
- China
- Prior art keywords
- pump
- health
- real
- monitoring data
- time
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- 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
- 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]
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出一种基于知识图谱的机泵健康分析方法、装置、设备及介质,其中方法包括:获取机泵部件的实时监测数据、历史监测数据,将历史监测数据转化为文本信息,根据文本信息构建机泵健康知识图谱;根据实时监测数据与历史监测数据的相似度比对,通过机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;将机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。本发明基于知识图谱和健康状态分析模型对机泵健康状况进行实时分析,获取机泵整体和部件故障发生的时间、类型,提高分析结果准确性,降低整体运维成本。
Description
技术领域
本发明涉及设备监测技术领域,尤其涉及一种基于知识图谱的机泵健康分析方法、装置、设备及介质。
背景技术
在大型工业生产领域,如石油石化、金属冶炼、水力发电等领域中,机泵起到了液体传输和增压的作用。在这些领域中大量使用机泵的情况下,确保机泵设备的安全、长周期、稳定运行十分重要,可有效避免生产周期的延误、重大安全事故的发生。
机泵设备的日常维护目前主要以人工的定时巡检,通过对设备运行过程中的轴承温升、振动指标进行检查,根据以往经验来判断设备是否运行正常。这种通过人工巡检的方式不仅耗费大量人力成本、时间成本,巡检结果是否可靠还过于依赖专业人士的经验,没有一个准确的标准。
设备故障的常规维修方式多为在运行异常或设备发生故障时开展,根据故障类型对相关部件进行逐一排查,以确定发生故障的部件和原因,但是在检修过程中需要对设备进行非计划性停机,将会导致生产效率的降低。
当前数字化、网络化、智能化工业生产流程中,实时采集机泵设备的状态数据,当机泵发生故障时根据状态数据进行故障诊断,减少了信息采集所耗费的时间,提升故障诊断效率。
上述两种故障诊断方式都是在机泵发生故障时对机泵部件进行故障排查,分析故障原因以得到解决方法,仍然需要在正常生产阶段停机维修,无法在机泵运行过程中获得机泵健康信息,降低生产效率。
发明内容
鉴于以上现有技术存在的问题,本发明提出一种基于知识图谱的机泵健康分析方法、装置、设备及介质,主要解决现有技术中无法在机泵运行过程中获得机泵健康信息、降低生产效率的问题。
为了实现上述目的及其他目的,本发明采用的技术方案如下。
可选地,提供了一基于知识图谱的种机泵健康分析方法,包括:
获取机泵部件的实时监测数据、历史监测数据,将所述历史监测数据转化为文本信息,根据所述文本信息构建机泵健康知识图谱,所述机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态;
根据所述实时监测数据与所述历史监测数据的相似度比对,通过所述机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;
将所述机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
可选地,获取机泵部件的实时监测数据、历史监测数据,包括:
采集机泵部件的实时监测数据,所述实时监测数据包括振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据;
获取机泵部件的历史监测数据,所述历史监测数据包括振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据。
可选地,将所述历史监测数据转化为文本信息,包括:
获取所述历史监测数据映射于机泵整体健康状态和机泵部件健康状态的权重;
根据所述权重将所述历史监测数据转换为对应于预设的不同健康状态等级的文本信息。
可选地,根据所述文本信息构建机泵健康知识图谱,包括:
构建机泵实体、部件实体、实体之间的关系,形成本体模型;
从所述文本信息中识别出所述本体模型和实体的属性信息;
结合所述本体模型和实体的属性信息,构建所述机泵健康知识图谱。
可选地,所述机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态,包括:
通过所述机泵健康知识图谱获取故障分类和故障时间,得到所述机泵整体健康状态和机泵部件健康状态;
所述故障分类包括初期故障、突发故障和磨损故障,所述故障事件包括故障发现方式、故障内容、故障相关部件和故障发现人员。
可选地,根据所述实时监测数据与所述历史监测数据的相似度比对,通过所述机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征,包括:
计算所述实时监测数据与所述历史监测数据的相似度,将所述相似度与预设的相似度阈值进行比对,根据比对结果筛选所述历史监测数据,得到第一监测数据;
通过所述机泵健康知识图谱对所述第一监测数据进行检索匹配,得到所述机泵整体实时健康状态特征和机泵部件实时健康状态特征。
可选地,通过所述机泵健康知识图谱对所述第一监测数据进行检索匹配,得到所述机泵整体实时健康状态特征和机泵部件实时健康状态特征,包括:
通过所述机泵健康知识图谱对所述第一监测数据进行检索匹配,获取第一监测数据中的实体与机泵整体实时健康状态和机泵部件实时健康状态的对应关系;
根据所述对应关系,获取所述机泵健康知识图谱中的三元组,所述三元组包括所述机泵健康知识图谱中实体、关系、关系属性的三元组信息;
将所述三元组输入翻译模型中进行向量转化,得到机泵整体实时健康状态特征和机泵部件实时健康状态特征。
可选地,提供了一种基于知识图谱的机泵健康分析装置,包括:
知识图谱构建模块,用于获取机泵部件的实时监测数据、历史监测数据,将所述历史监测数据转化为文本信息,根据所述文本信息构建机泵健康知识图谱,所述机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态;
健康状态特征获取模块,用于根据所述实时监测数据与所述历史监测数据的相似度比对,通过所述机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;
分析模块,用于将所述机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
可选地,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述基于知识图谱的机泵健康分析方法的步骤。
可选地,提供了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,所述计算机程序被处理器执行时实现以下步骤:
获取机泵部件的实时监测数据、历史监测数据,将所述历史监测数据转化为文本信息,根据所述文本信息构建机泵健康知识图谱,所述机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态;
根据所述实时监测数据与所述历史监测数据的相似度比对,通过所述机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;
将所述机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
如上所述,本发明提供了一种基于知识图谱的机泵健康分析方法、装置、设备及介质,具有以下有益效果。
将机泵部件的历史监测数据转化为文本信息,根据文本信息构建机泵健康知识图谱,通过该知识图谱不仅能够得到机泵整体的预计使用寿命、故障发生状况,还能获得机泵部件的使用寿命、磨损情况等分析结果,能够找到机泵健康问题根源所在;基于预设的相似度阈值,根据实时监测数据与历史监测数据的相似度比对,在知识图谱中筛选历史监测数据,得到机泵整体和部件的健康状态特征,基于预设的相似度阈值从历史健康数据中筛选相似信息的手段能够提高分析结果的精确性;将机泵整体和部件的健康状态特征输入预先训练的机泵健康分析模型中,通过分析模型得到机泵整体和部件在预设时间范围内的健康分析结果,可根据该健康分析结果提供可行的维护和维修建议,避免因突发故障或故障检修的非计划性停机降低生产效率。
附图说明
图1为本发明一实施例中基于知识图谱的机泵健康分析方法的一流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在石化行业中,机泵工作状态中的各种故障将会导致生产作业的效率降低,如:温升,包括轴承、密封腔、机封压盖和润滑油温升,对机泵工作状态起主要影响的是轴承温升,轴承对机泵的转子部件起到支撑作用,因而承受着不同方向的载荷,如果轴承温度过高,会增加泵工作的不可靠度;振动,引起离心机泵振动的原因有很多,主要来自外部因素和机泵自身两个方面,其中外部因素主要是因为机泵安装时管口载荷过大,安装基础不平或强度不够,运行工况偏离允许工况范围等原因造成的,机泵本身因素包括铸造、加工、装配过程的问题,以及泵体和叶轮设计不合理引起的水力振动;噪音,产生噪声的原因主要是机泵发生气蚀、轴承损坏、转子部件如口环、平衡鼓等位置发生摩擦;泄露,泄漏主要是泵体和泵盖之间介质的泄漏、密封处的泄漏;转速,多用于变频电机或有变频柜的工作场合,用来判断转速对泵性能的影响,比如对流量和扬程的影响。而上述种种机泵的故障会因为部件位置、磨损程度等的不同而产生差异,因此需结合机泵各部件的状态对机泵整体的健康状态进行分析。
而目前对机泵设备的管理主要还是依赖检修人员采集设备运行参数,当设备出现故障或异常状态时进行停机维修,运用该方式得到的检测量不能形成直观的机组状态运行趋势图,数据挖掘深度不够,无法最大化设备采集数据的价值;机泵设备的运行健康状态无法实时获取,无法精准预测突发状况;工业生产现场机泵设备管理量较大,预备更换部件的库存占有率高,管理成本较高;运维管理模式效率较低,过分依赖检修人员。
本发明实施例中提供的基于知识图谱的机泵健康分析方法,可应用在包括客户端与服务端的应用环境中,其中,客户端通过网络与服务端进行数据传输。服务端从客户端获取机泵的历史监测数据,将历史监测数转化为文本信息,根据文本信息构建知识图谱,通过该知识图谱能够得到机泵整体和部件的健康状态;基于预设相似度阈值,比对实时监测数据与历史监测数据的相似度,并通过健康知识图谱得到机泵整体和部件的健康状态特征;将健康状态特征输入健康状态分析模型中,得到机泵整体和部件的健康状态分析结果;最后将机泵健康分析结果传输至客户端,现场工程师可根据客户端显示的健康分析结果提供可行的维护和维修建议,避免因突发故障或故障检修的非计划性停机降低生产效率。本发明中,将历史监测数据转化为文本信息,构建本体模型,从文本信息中是被出本体模型和实体的属性信息,结合本体模型和实体的属性信息构建知识图谱;本体模型包括机泵和部件的实体集合,还包括实体集合中实体之间的关系,使用上述方式构建的知识图谱进行机泵健康分析,能够得到机泵整体的预计使用寿命、故障发生状况,还能获得机泵部件的使用寿命、磨损情况等分析结果,以便及时找到机泵健康问题根源所在。其中,客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
参见图1,为本发明一实施例中基于知识图谱的机泵健康分析方法的一流程示意图,其包括如下步骤:
S1、获取数据,构建知识图谱
获取机泵部件的实时监测数据、历史监测数据,将历史监测数据转化为文本信息,根据文本信息构建机泵健康知识图谱,机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态。
本发明中的实时监测数据、历史监测数据包括结构化和半结构化数据,其中结构化数据可以通过固有键值获取的信息,如机泵部件监测数据、机泵中所含部件、故障之间的关系等;半结构化数据,可为XML和json数据。
在一实施例中,知识图谱包括节点和边,节点至少包括设备、故障部件、故障内容、故障类别;边包括实体之间的关系,实体之间的关系至少包括机泵部件之间的关系、故障类别之间的关系,其中实体之间的关系可由相关专业知识定义或使用挖掘算法进行挖掘。
采集机泵部件的实时监测数据,实时监测数据包括机泵部件的实时振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据;获取机泵部件的历史监测数据,历史监测数据包括机泵部件的历史振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据。机泵部件的振动是引起故障的主要因素,会发生振动的部件及其原因有如下几种:转子振动,可由转子的不平衡、不对中、轴弯曲、松动、磨损等原因造成;轴承振动,可由早期滚动轴承损伤、中期滚动轴承损伤、后期滚动轴承损伤、滚动轴承润滑不良等原因造成;流体流通部件振动,可由气蚀、抽空、紊流、喘振等原因造成;电机振动,可由定子故障、转子故障等原因造成;齿轮振动,可由齿轮磨损、齿轮早期裂纹、偏心、断齿等原因造成。根据机泵部件的实时监测数据对机泵进行分析,不仅能对机泵整体进行健康分析,预测机泵故障发生时间、故障发生位置等,还能够对部件的健康状态进行分析,得到部件的预计使用寿命、磨损程度等,提高了机泵健康分析的准确性,可以进一步降低部件的库存占有率,降低管理成本。
在一实施例中,知识图谱的构建过程如下:获取历史监测数据映射于机泵整体健康状态和机泵部件健康状态的权重;根据权重将历史监测数据转换为对应于预设的不同健康状态等级的文本信息;构建机泵实体、部件实体、实体之间的关系,形成本体模型;从文本信息中识别出本体模型和实体的属性信息;结合本体模型和实体的属性信息,构建机泵健康知识图谱。
上述步骤中,根据权重将历史监测数据转化为文本信息时,可预先将机泵健康状态进行等级划分并对不同等级的健康状态设定阈值,然后根据权重对历史监测数据进行语义化处理,以得到匹配不同等级健康状态的文本信息。本实施例中在构建知识图谱的过程中根据权重将监测数据转化为对应于预设的不同健康状态等级的文本信息,增加了监测数据与健康状态的相关性,即增加了部件与机泵整体健康状态的相关性,能显著提高健康分析结果的准确性;另外,该权重还可以运用到部件的设计、生产过程中,指导部件生产厂家将更多的研发经费、研发人员投入到权重较大的部件的设计生产中,以确保部件对机泵健康稳定性的支撑。
在一实施例中,也可通过直接映射或R2RML规则将文本信息映射成为知识图谱三元组,然后在结合本体模型完成知识图谱的构建。
通过上述机泵健康知识图谱能够获取机泵整体和部件的故障分类和故障时间,从而得到机泵整体健康状态和机泵部件健康状态;机泵故障分类包括初期故障、突发故障和磨损故障;机泵故障事件包括故障发现方式、故障内容、故障相关部件、故障发现人员。
S2、获取健康状态特征
根据实时监测数据与历史监测数据的相似度比对,通过机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征。
在一实施例中,计算实时监测数据与所述历史监测数据的相似度,将相似度与预设的相似度阈值进行比对,根据比对结果筛选历史监测数据,得到第一监测数据;通过机泵健康知识图谱对第一监测数据进行检索匹配,获取第一监测数据中的实体与机泵整体实时健康状态和机泵部件实时健康状态的对应关系;根据上述对应关系,获取机泵健康知识图谱中的三元组,该三元组包括机泵健康知识图谱中实体、关系、关系属性的三元组信息;将三元组输入翻译模型中进行向量转化,得到机泵整体实时健康状态特征和机泵部件实时健康状态特征。
本实施例中,可通过Trans系列翻译模型将机泵健康知识图谱中实体、关系、关系属性的三元组信息转化为连续的低维空间向量。Trans系列翻译模型将三元组中实体和关系表示在同一空间中,将关系向量作为头实体向量和尾实体向量之间的平移,通过平移不变性得到其他头、尾实体与相同关系的向量表示。
S3、机泵健康状态分析
将机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
在一实施例中,在进行健康分析前,将机泵整体健康状态训练样本、机泵部件健康状态训练样本输入预先构建的神经网络模型中,通过预设的目标函数对神经网络模型进行训练,调整模型的参数,得到训练后的机泵健康分析模型;然后将通过翻译模型翻译后得到的机泵整体实时健康状态特征和机泵部件实时健康状态特征输入上述训练后的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。在本实施例中,机泵健康分析模型可为LSTM预测模型,通过LSTM预测模型得到机泵整体将在何时发生故障、发生哪种故障;以及,通过LSTM预测模型得到机泵中哪种部件将会在何时发生故障、部件发生故障的内容。本实施例中的健康分析结果包括机泵整体和部件的健康分析结果,在实际生产过程中有可能会出现部分部件已发生故障但是机泵整体仍能正常运行的情况,但是若不排查出出现磨损或故障的部件,有可能导致在接下来的某一时间段内机泵整体出现严重突发故障,进而导致停机检修,因此部件健康状态的获取能够对机泵整体健康状态的分析提供依据。
在一实施例中,在机泵部件上安装用于采集不同类型监测数据的传感器,采集相应部件的监测数据(如轴承温度、泵振动值等),传感器可以采用有线或无线智能传感器,无线传感器具有安装便捷、快速等特点,结合设备的重要性和安装条件,可以综合考虑无线传感器与有线传感器来实现数据采集。预设预警监测参数类别以及阈值,当机泵部件的监测数据超过预设阈值时,发出健康状态预警,然后使用上述健康分析方法,将实时监测数据输入知识图谱中,得到机泵整体健康状态特征和部件健康状态特征。将机泵整体健康状态特征和部件健康状态特征输入预先训练好的机泵健康状态分析模型中,得到机泵的健康分析结果,通过该健康分析结果能对机泵整体在某一时间段将会发生哪种故障进行预测,以及对机泵中某一部件将会在何时发生哪种故障进行预测。
综上所述,本发明提供了一种基于知识图谱的机泵健康分析方法,获取机泵部件的实时监测数据、历史监测数据,将历史监测数据转化为文本信息,根据文本信息构建机泵健康知识图谱;根据实时监测数据与历史监测数据的相似度比对,通过机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;将机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。该方法基于相似度从知识图谱中获取机泵整体实时健康状态特征和机泵部件实时健康状态特征,提高了健康分析结果的精确性;通过知识图谱和健康预测模型实现实时的健康分析,在故障发生前的机泵运行过程中提前获得机泵整体和部件的健康分析结果,实时掌握机泵状况,避免停机检修,节约管控成本,提高了生产效率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
在一实施例中,提供一种基于知识图谱的机泵健康分析装置,该基于知识图谱的机泵健康分析装置与上述实施例中基于知识图谱的机泵健康分析方法一一对应。该基于知识图谱的机泵健康分析装置包括知识图谱构建模块、健康状态特征获取模块、分析模块。各功能模块详细说明如下:
知识图谱构建模块,用于获取机泵部件的实时监测数据、历史监测数据,将历史监测数据转化为文本信息,根据文本信息构建机泵健康知识图谱,机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态。本实施例中,通过机泵部件上的传感器获取实时监测数据和历史监测数据,实时监测数据包括机泵部件的实时振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据;历史监测数据包括机泵部件的历史振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据。获取历史监测数据映射于机泵整体健康状态和机泵部件健康状态的权重;根据权重将所述历史监测数据转换为对应于预设的不同健康状态等级的文本信息。构建机泵实体、部件实体、实体之间的关系,形成本体模型;从文本信息中识别出本体模型和实体的属性信息;结合本体模型和实体的属性信息,构建机泵健康知识图谱。通过机泵健康知识图谱获取故障分类和故障时间,得到机泵整体健康状态和机泵部件健康状态;故障分类包括初期故障、突发故障和磨损故障,故障事件包括故障发现方式、故障内容、故障相关部件和故障发现人员。
健康状态特征获取模块,用于根据实时监测数据与历史监测数据的相似度比对,通过机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征。本实施例中,计算实时监测数据与历史监测数据的相似度,将相似度与预设的相似度阈值进行比对,根据比对结果筛选历史监测数据,得到第一监测数据;通过机泵健康知识图谱对第一监测数据进行检索匹配,获取第一监测数据中的实体与机泵整体实时健康状态和机泵部件实时健康状态的对应关系;根据所述对应关系,获取机泵健康知识图谱中的三元组,三元组包括机泵健康知识图谱中实体、关系、关系属性的三元组信息;将三元组输入Trans系列翻译模型中进行向量转化,得到机泵整体实时健康状态特征和机泵部件实时健康状态特征。
分析模块,用于将机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。本实施例中,将机泵整体实时健康状态特征和机泵部件实时健康状态特征输入LSTM预测模型中,得到机泵整体和部件在预设时间范围内的健康分析结果;本实施例中的LSTM模型预先输入训练样本,根据预设的目标函数训练以调整参数。
本发明提供了一种基于知识图谱的机泵健康分析装置,该装置通过知识图谱构建模块将历史监测数据转化为文本信息,然后根据文本信息构建知识图谱;通过健康状态特征获取模块进行相似度对比获取健康状态特征;通过分析模块得到机泵整体和部件在预设时间范围内的健康分析结果。利用该装置进行机泵整体和部件的健康状态实时分析,提高了分析结果的准确性,节约管理成本,避免故障发生时的非计划性停机检修,提高生产效率。
关于基于知识图谱的机泵健康分析装置的具体限定可以参加上文中对机泵健康分析方法的限定,在此不再赘述。上述基于知识图谱的机泵健康分析装置中的各个模块或部分可全部通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是机泵数据处理端,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的机泵部件监测数据获取端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于知识图谱的机泵健康分析服务端侧的功能或步骤。处理器执行计算机程序时实现以下步骤:
获取机泵部件的实时监测数据、历史监测数据,获取历史监测数据映射于机泵整体健康状态和机泵部件健康状态的权重,根据权重将历史监测数据转换为对应于预设的不同健康状态等级的文本信息,构建机泵实体、部件实体、实体之间的关系,形成本体模型,从文本信息中识别出本体模型和实体的属性信息,结合本体模型和实体的属性信息,构建机泵健康知识图谱,本实施例中的机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态;
计算实时监测数据与所述历史监测数据的相似度,将相似度与预设的相似度阈值进行比对,根据比对结果筛选历史监测数据,得到第一监测数据,通过机泵健康知识图谱对第一监测数据进行检索匹配,得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;
将机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取机泵部件的实时监测数据、历史监测数据,将历史监测数据转化为文本信息,根据文本信息构建机泵健康知识图谱;
根据实时监测数据与所述历史监测数据的相似度比对,通过机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;
将机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例中,说明书对“本实施例”、“一实施例”、“另一实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。如果说明书描述了部件、特征、结构或特性“可以”、“或许”或“能够”被包括,则该特定部件、特征、结构或特性“可以”、“或许”或“能够”被包括,则该特定部件、特征、结构或特性不是必须被包括的。如果说明书或权利要求提及“一”元件,并非表示仅有一个元件。如果说明书或权利要求提及“一另外的”元件,并不排除存在多于一个的另外的元件。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于知识图谱的机泵健康分析方法,其特征在于,包括:
获取机泵部件的实时监测数据、历史监测数据,将所述历史监测数据转化为文本信息,根据所述文本信息构建机泵健康知识图谱,所述机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态;
根据所述实时监测数据与所述历史监测数据的相似度比对,通过所述机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;
将所述机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
2.根据权利要求1所述的基于知识图谱的机泵健康分析方法,其特征在于,获取机泵部件的实时监测数据、历史监测数据,包括:
采集机泵部件的实时监测数据,所述实时监测数据包括振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据;
获取机泵部件的历史监测数据,所述历史监测数据包括振动数据、应力波数据、温度数据、电流数据、压力数据、流量数据。
3.根据权利要求1所述的基于知识图谱的机泵健康分析方法,其特征在于,将所述历史监测数据转化为文本信息,包括:
获取所述历史监测数据映射于机泵整体健康状态和机泵部件健康状态的权重;
根据所述权重将所述历史监测数据转换为对应于预设的不同健康状态等级的文本信息。
4.根据权利要求1所述的基于知识图谱的机泵健康分析方法,其特征在于,根据所述文本信息构建机泵健康知识图谱,包括:
构建机泵实体、部件实体、实体之间的关系,形成本体模型;
从所述文本信息中识别出所述本体模型和实体的属性信息;
结合所述本体模型和实体的属性信息,构建所述机泵健康知识图谱。
5.根据权利要求1所述的基于知识图谱的机泵健康分析方法,其特征在于,所述机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态,包括:
通过所述机泵健康知识图谱获取故障分类和故障时间,得到所述机泵整体健康状态和机泵部件健康状态;
所述故障分类包括初期故障、突发故障和磨损故障,所述故障事件包括故障发现方式、故障内容、故障相关部件和故障发现人员。
6.根据权利要求1所述的基于知识图谱的机泵健康分析方法,其特征在于,根据所述实时监测数据与所述历史监测数据的相似度比对,通过所述机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征,包括:
计算所述实时监测数据与所述历史监测数据的相似度,将所述相似度与预设的相似度阈值进行比对,根据比对结果筛选所述历史监测数据,得到第一监测数据;
通过所述机泵健康知识图谱对所述第一监测数据进行检索匹配,得到所述机泵整体实时健康状态特征和机泵部件实时健康状态特征。
7.根据权利要求6所述的基于知识图谱的机泵健康分析方法,其特征在于,通过所述机泵健康知识图谱对所述第一监测数据进行检索匹配,得到所述机泵整体实时健康状态特征和机泵部件实时健康状态特征,包括:
通过所述机泵健康知识图谱对所述第一监测数据进行检索匹配,获取第一监测数据中的实体与机泵整体实时健康状态和机泵部件实时健康状态的对应关系;
根据所述对应关系,获取所述机泵健康知识图谱中的三元组,所述三元组包括所述机泵健康知识图谱中实体、关系、关系属性的三元组信息;
将所述三元组输入翻译模型中进行向量转化,得到机泵整体实时健康状态特征和机泵部件实时健康状态特征。
8.一种基于知识图谱的机泵健康分析装置,其特征在于,包括:
知识图谱构建模块,用于获取机泵部件的实时监测数据、历史监测数据,将所述历史监测数据转化为文本信息,根据所述文本信息构建机泵健康知识图谱,所述机泵健康知识图谱用于获取机泵整体健康状态和机泵部件健康状态;
健康状态特征获取模块,用于根据所述实时监测数据与所述历史监测数据的相似度比对,通过所述机泵健康知识图谱得到机泵整体实时健康状态特征和机泵部件实时健康状态特征;
分析模块,用于将所述机泵整体实时健康状态特征和机泵部件实时健康状态特征输入预先训练的机泵健康分析模型中,得到机泵整体和部件在预设时间范围内的健康分析结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器并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1-7任一项所述基于知识图谱的机泵健康分析方法的步骤。
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1-7任一项所述基于知识图谱的机泵健康分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556297.4A CN114861362A (zh) | 2022-05-19 | 2022-05-19 | 基于知识图谱的机泵健康分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210556297.4A CN114861362A (zh) | 2022-05-19 | 2022-05-19 | 基于知识图谱的机泵健康分析方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114861362A true CN114861362A (zh) | 2022-08-05 |
Family
ID=82639065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210556297.4A Pending CN114861362A (zh) | 2022-05-19 | 2022-05-19 | 基于知识图谱的机泵健康分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861362A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976859A (zh) * | 2023-08-11 | 2023-10-31 | 杭州学沃网络科技有限公司 | 基于大数据应用的智慧校园管理宿舍保修维护方法和系统 |
CN117435933A (zh) * | 2023-12-22 | 2024-01-23 | 浙江大学 | 融合预训练语言模型和图谱的变压器设备健康度评价方法 |
-
2022
- 2022-05-19 CN CN202210556297.4A patent/CN114861362A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976859A (zh) * | 2023-08-11 | 2023-10-31 | 杭州学沃网络科技有限公司 | 基于大数据应用的智慧校园管理宿舍保修维护方法和系统 |
CN117435933A (zh) * | 2023-12-22 | 2024-01-23 | 浙江大学 | 融合预训练语言模型和图谱的变压器设备健康度评价方法 |
CN117435933B (zh) * | 2023-12-22 | 2024-04-16 | 浙江大学 | 融合预训练语言模型和图谱的变压器设备健康度评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11401927B2 (en) | Status monitoring and failure diagnosis system for plunger pump | |
CN114861362A (zh) | 基于知识图谱的机泵健康分析方法、装置、设备及介质 | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
Yang et al. | VIBEX: an expert system for vibration fault diagnosis of rotating machinery using decision tree and decision table | |
CN107489464B (zh) | 汽轮发电机组故障预警方法及系统 | |
US9921577B2 (en) | Method and system for diagnostic rules for heavy duty gas turbines | |
CN111667198A (zh) | 石油钻机远程在线监测与预测性维护系统与评价方法 | |
CN106197996A (zh) | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 | |
CN110529202B (zh) | 基于电厂数据的汽轮机故障诊断检测及预警方法及系统 | |
CN111043023A (zh) | 一种压裂泵在线监测及故障诊断系统 | |
WO2021035638A1 (zh) | 旋转机械设备故障诊断方法、系统及存储介质 | |
CN110987166A (zh) | 旋转机械健康状态的预测方法、装置、设备及存储介质 | |
KR102206737B1 (ko) | 기계학습 기반 펌프수차 고장 진단 방법 및 시스템 | |
CN113705095B (zh) | 一种循环水泵数字孪生建模方法 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
Ramesh et al. | Implementation of predictive maintenance systems in remotely located process plants under industry 4.0 scenario | |
CN116628544A (zh) | 基于液压绞车状态在线监测的故障诊断方法 | |
CN115508703A (zh) | 一种多源信息融合的电机故障诊断方法及系统 | |
CN113375952A (zh) | 一种减摇鳍装置故障诊断及健康预报系统 | |
Jiang et al. | An expert system based on multi-source signal integration for reciprocating compressor | |
Milovzorov et al. | Diagnostics of the condition of sucker-rod pumping units after the analysis of dynamogram cards | |
Ren et al. | Revolutionizing Oil and Gas Production State Diagnosis with Digital Twin and Deep Learning Fusion Technology | |
CN112326255B (zh) | 一种发动机远程健康监护系统及监护方法 | |
CN117992859B (zh) | 配备scada系统的机电装备早期故障预警与辨识方法及装置 | |
CN115750304B (zh) | 绿能抽油机智慧管控系统 |
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 |