CN115619383A - 一种基于知识图谱的故障诊断方法、装置及计算设备 - Google Patents
一种基于知识图谱的故障诊断方法、装置及计算设备 Download PDFInfo
- Publication number
- CN115619383A CN115619383A CN202211628948.2A CN202211628948A CN115619383A CN 115619383 A CN115619383 A CN 115619383A CN 202211628948 A CN202211628948 A CN 202211628948A CN 115619383 A CN115619383 A CN 115619383A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge
- information
- diagnosed
- entity
- 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
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供了一种基于知识图谱的故障诊断方法、装置及计算设备,涉及故障处理技术领域,该方法包括:根据故障信息的多源知识,构建知识图谱;其中,多源知识包括专家经验知识、案例知识、数据流信息;知识图谱中包括对应故障信息的实体及实体间的关系;获取待诊断故障信息;利用预先训练的故障模型对待诊断故障信息进行诊断,得到诊断结果;其中,诊断结果包括故障原因和预警信息;基于知识图谱确定与故障原因存在关系的实体;其中,实体包括故障案例、解决方案、预警信息。本方案提供的基于知识图谱的故障诊断方法实现了基于多源异构信息的智能化故障诊断处理。
Description
技术领域
本发明涉及故障处理技术领域,尤其涉及风洞动力系统故障处理技术领域,特别涉及一种基于知识图谱的故障诊断方法、装置及计算设备。
背景技术
风洞和动力保障系统常年满负荷运行,其设备组成各不相同,非标设备多,覆盖了洞体、管路系统、数据采集系统、纹影系统、阀门系统、加热器系统等,且不同风洞运行原理也具有差异,同一座风洞还具有不同的试验工况。目前,对风洞和动力保障系统的日常运维,主要依靠专家经验知识,但由于检修保障人员流动性较大,专家经验知识不成体系,且专家经验知识的传承性受到影响,检修保障人员的培训周期长,因此一旦检修保障人员流失,难以保证新上岗人员快速掌握运维要诀;同时故障处理的实际效果直接取决于检修保障人员对系统运行特性的认识、对故障预案的熟悉、对调度规程的理解和灵活运用,无法实现全面且智能化的故障诊断处理。
发明内容
本发明提供了一种基于知识图谱的故障诊断方法、装置及计算设备,该方法实现了基于多源异构信息的智能化故障诊断处理。
第一方面,本发明实施例提供了一种基于知识图谱的故障诊断方法,包括:
根据故障信息的多源知识,构建知识图谱;其中,所述多源知识包括专家经验知识、案例知识、数据流信息;所述知识图谱中包括对应所述故障信息的实体及实体间的关系;
获取待诊断故障信息;
利用预先训练的故障模型对所述待诊断故障信息进行诊断,得到诊断结果;其中,所述诊断结果包括故障原因和预警信息;
基于所述知识图谱确定与所述故障原因存在关系的实体;其中,所述实体包括故障案例、解决方案、所述预警信息。
可选地,所述利用预先训练的故障模型对所述待诊断故障信息进行诊断,得到诊断结果,包括:
根据所述待诊断故障信息,确定特征信息;
根据所述特征信息,确定与所述待诊断故障信息匹配的所述预先训练的故障模型;
利用所述预先训练的故障模型对所述待诊断故障信息进行诊断,得到包括至少两种所述故障原因和所述预警信息的诊断结果;其中,所述诊断结果中包括每个故障原因的故障等级重要度;所述预警信息用于指示由所述待诊断故障信息引发的严重故障信息。
可选地,在所述得到包括至少两种所述故障原因的诊断结果之后,还包括:
根据专家经验知识,对所述故障原因进行筛选,得到优选故障原因;
基于所述优选故障原因,利用所述预先训练的故障模型对所述待诊断故障信息进行诊断,得到目标故障原因。
可选地,所述得到诊断结果,包括:
判断所述待诊断故障信息是否为顶事件的故障信息;
若否,利用所述预先训练的故障模型对所述待诊断故障信息进行推理,得到包括所述顶事件和所述顶事件发生概率的诊断结果;
判断所述顶事件发生概率是否大于预设阈值;
若是,则发出告警信息。
可选地,在所述得到诊断结果之后,在所述基于所述知识图谱确定与所述故障原因存在关系的实体之前,还包括:
根据所述故障原因,确定至少两个相似故障案例;其中,所述相似故障案例的第一故障原因与所述故障原因的相似度大于预设相似度阈值;
获取每个所述相似故障案例的第一解决方案;
基于预设评分规则对每个相似故障案例的第一解决方案进行评分,得到综合评分;
将所述综合评分作为所述相似故障案例对应的实体在所述知识图谱中的属性。
可选地,所述基于所述知识图谱确定与所述故障原因存在关系的实体,包括:
在所述知识图谱中查找所述故障原因对应的目标实体,确定与所述目标实体连接的所述实体、连接关系和所述实体的属性;
将所述目标实体、所述实体进行图谱结构化展示。
可选地,该方法还包括:
根据与所述故障原因存在关系的实体,将获取到的所述解决方案发送给用户;
按照所述解决方案对各节点进行检修,获得检修日志;其中,针对每个节点,获取与该节点相关的专家知识,利用所述解决方案和该专家知识对该节点进行检修;
根据所述检修日志对用户发出反馈信息;
根据所述反馈信息获取培训知识;其中,所述培训知识用于对检修人员进行培训。
可选地,该方法还包括:根据所述待诊断故障信息和所述诊断结果,更新所述知识图谱。
第二方面,本发明实施例还提供了一种基于知识图谱的故障诊断装置,包括:
构建模块,用于根据故障信息的多源知识,构建知识图谱;其中,所述多源知识包括专家经验知识、案例知识、数据流信息;所述知识图谱中包括对应所述故障信息的实体及实体间的关系;
获取模块,用于获取待诊断故障信息;
诊断模块,用于利用预先训练的故障模型对所述待诊断故障信息进行诊断,得到诊断结果;其中,所述诊断结果包括故障原因和预警信息;
知识关联模块,用于基于所述知识图谱确定与所述故障原因存在关系的实体;其中,所述实体包括故障案例、解决方案、所述预警信息。
第三方面,本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现上述任一项所述的基于知识图谱的故障诊断方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行上述任一项所述的基于知识图谱的故障诊断方法。
本发明实施例提供了一种基于知识图谱的故障诊断方法、装置及计算设备,该方法通过对多源知识进行整合形成了故障诊断的知识图谱,利用故障模型对待诊断故障信息进行诊断后,自动分析得到诊断结果,根据该诊断结果从知识图谱中快速准确地获取到与当前故障信息存在关联关系的故障案例、解决方案和预警信息,实现智能化决策辅助服务,提高设备运维人员的工作效率。如此,本发明对专家经验知识进行有效利用,并将故障相关知识通过知识图谱进行相互关联,避免知识孤岛,最终实现了基于多源异构信息的智能化故障诊断处理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,下面描述中的附图是本发明的一些实施例,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是本发明一实施例提供的一种基于知识图谱的故障诊断方法的流程图;
图2是本发明一实施例提供的一种多源知识处理流程的示意图;
图3是本发明一实施例提供的一种计算设备的硬件架构图;
图4是本发明一实施例提供的一种基于知识图谱的故障诊断装置结构图;
图5是本发明一实施例提供的一种故障诊断分析流程的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,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,都属于本发明保护的范围。
虽然现有日常的装备运维主要依靠专家经验知识,但故障诊断方面的专家经验知识缺乏有效的总结沉淀,运维人员缺乏知识共享意识,造成有价值的知识流失;而且当前故障诊断知识相互之间的关联性较弱,故障诊断知识与具体业务融合不足;现有故障诊断知识离散分布各个系统,形成知识孤岛,知识的使用方式单一,仍处于人找知识的传统模式,而非知识找知识或知识找人的模式,现有知识未能完全应用于具体的故障诊断业务中去,只是作为一个简单的存储管理服务。因此,针对以上不足,本发明提出了基于多源知识构建的知识图谱的故障诊断方法。
以下为本发明的具体构思,请参考图1,本发明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:
步骤100,根据故障信息的多源知识,构建知识图谱;其中,多源知识包括专家经验知识、案例知识、数据流信息;知识图谱中包括对应故障信息的实体及实体间的关系;
步骤102,获取待诊断故障信息;
步骤104,利用预先训练的故障模型对待诊断故障信息进行诊断,得到诊断结果;其中,诊断结果包括故障原因和预警信息;
步骤106,基于知识图谱确定与故障原因存在关系的实体;其中,实体包括故障案例、解决方案、预警信息。
本发明实施例中,该方法通过对多源知识进行整合形成了故障诊断的知识图谱,利用故障模型对待诊断故障信息进行诊断后,自动分析得到诊断结果,根据该诊断结果从知识图谱中快速准确地获取到与当前故障信息存在关联关系的故障案例、解决方案和预警信息,实现智能化决策辅助服务,提高设备运维人员的工作效率。如此,本发明对专家经验知识进行有效利用,并将故障相关知识通过知识图谱进行相互关联,避免知识孤岛,最终实现了基于多源异构信息的智能化故障诊断处理。
下面描述图1所示的各个步骤的执行方式。
首先,针对步骤100,根据故障信息的多源知识,构建知识图谱;其中,多源知识包括专家经验知识、案例知识、数据流信息;知识图谱中包括对应故障信息的实体及实体间的关系。
需要说明的是,实体包括故障信息、故障原因、故障案例、解决方案、预警信息、预案信息和故障业务等;其中,故障业务用于表征当前设备的工况条件。
具体地,针对多源知识的获取包括:(1)基于知识模板的在线编辑:根据故障知识类型的不同,预置多种知识模板,方便快速创建标准化的故障诊断知识,比如故障树知识、专家经验知识、故障诊断的经典案例知识、针对具体故障的预案知识等,通过知识模板快速灵活创建装备故障检修时所需的专家知识;(2)外部已有知识的上传:对于常年积累下来的已有知识文档,如检修手册、历史检修记录信息、设备的故障汇编信息等等,可以直接上传这些知识文档进行快速入库,通过对这些知识进行标准化处理,与其他知识进行统一管理;(3)其他系统接口对接:对于其他系统中可用于诊断分析或故障检修的数据知识(即数据流信息),可通过这些系统提供的数据接口快速获取这类数据知识,并通过标准化处理后存入系统进行统一管理。
更具体地,对多源知识的统一管理包括:由于多源知识存在多途径、多种类、标准不一的问题,涵盖结构化、半结构化和非结构化数据,要完成整个知识体系的构建,必须保证待处理知识的完整性,保障知识符合统一规范的知识标准,尽量对知识进行结构化处理,相关的处理操作包括知识的清洗、知识解析、知识实体抽取、知识属性抽取、知识关系映射等,对于获取到的非结构专家知识,可以通过自然语言处理技术实现对这类知识的结构化处理,完成故障诊断专家知识的抽取工作。同时考虑到可能存在多数据源下的同一对象数据融合问题,因此需要对各类知识在同一框架规范下进行异构数据整合、消歧、加工、推理验证和更新等操作,最终实现目标关系融合。
更具体地,如图2所示,原始知识文本即多源知识,将多源知识经过预处理、分词处理和句法分析后,获得特征知识信息,将特征知识信息输入包括语言资源组件、处理资源组件和可视化资源组件的GATE信息抽取接口,并基于词典/规则、机器学习和复合方法进行知识实体抽取(即实体识别)、知识属性抽取、知识关系映射(即关系抽取),最终实现知识目标关系的融合。
在一个优选的实施方式中,对多源知识赋予哈希值,并将哈希值作为溯源标签;其中,不同的多源知识的哈希值不同。
在本发明中,通过对每条多源知识赋予唯一的哈希值以标识作为溯源标签。
在本发明中,通过知识图谱实现了对现有各类分散知识的统一规范化管理,实现从故障诊断知识的全生命周期的综合管理。借助该套知识管理体系,形成长久有效的专家经验知识库,能够更好地帮助用户或运维人员对故障诊断方面的专家经验知识进行沉淀积累,确保有价值的知识得以传承和利用,而不会随着专家的流失而流失。
在本发明中,结合具体的业务需求,借助相应的技术手段,将故障检修手册、检修预案信息、经典案例信息、故障记录信息等传统纸质信息进行电子化处理,甚至专家头脑中的一些经验知识也可以通过系统梳理成标准化的知识加以应用。同时还通过知识图谱的三元组信息实现了知识与知识、知识与业务之间的强关联。
在本发明中,知识图谱实现了有效的数据融合以及海量关系数据的存储,并通过图计算实现数据分析、知识挖掘;通过语义层的规则推理,从零散专家经验知识、案例知识、数据流信息等中发现知识,从已有关系中挖掘潜在关系;结合自然语言处理技术,实现智能检索、智能推荐、智能问答、智能分析等功能,更快更准确定位到用户所需知识以及提供更深层次的知识分析挖掘服务。
然后,针对步骤102,获取待诊断故障信息。具体地,待诊断故障信息包括但不限于故障代码、外部导入的故障数据;该待诊断故障信息中还包括设备信息、设备归属的组织机构信息等;该待诊断故障信息可以为结构化、半结构化或非结构化数据。
在步骤104中,利用预先训练的故障模型对待诊断故障信息进行诊断,得到诊断结果,包括:
根据待诊断故障信息,确定特征信息;
根据特征信息,确定与待诊断故障信息匹配的预先训练的故障模型;
利用预先训练的故障模型对待诊断故障信息进行诊断,得到包括至少两种故障原因和预警信息的诊断结果;其中,诊断结果中包括每个故障原因的故障等级重要度;预警信息用于指示由待诊断故障信息引发的严重故障信息;
根据专家经验知识,对故障原因进行筛选,得到优选故障原因;
基于优选故障原因,利用预先训练的故障模型对待诊断故障信息进行诊断,得到目标故障原因。
需要说明的是,故障模型包括基于故障树的模型和/或基于诊断规则的故障模型,前者主要针对半结构化或非结构化数据,后者主要针对结构化数据。其中,预先训练的故障模型还可以由运维人员根据经验直接确定。
具体地,针对故障树模型,经过故障树模型对待诊断故障信息的推理诊断后,将推送出可能引起该故障现象发生的底层故障原因,并将这些故障原因按照发生概率大小(即故障等级重要度,一般越经常发生的故障原因的故障等级重要度越高)进行排序展示;同时故障树模型还会根据最小割集,推理出至少一个易导致严重故障的事件项,并提醒用户要对与该事件项相关的设备进行定期检查,即为针对该事件项的预警信息。更进一步地,本发明提供给的故障诊断方法还提供交互式排故操作,即在第一次诊断分析结果的基础上,用户可以选择去掉一些不可能的故障原因后,再次进行诊断或者多次进行诊断,得到新的分析结果,进一步缩小诊断的范围,得到更精准的故障原因(即得到目标故障原因),提高该故障诊断方法的诊断精确性。
具体地,针对基于诊断规则的故障模型,经过规则的推理诊断后,会得到相关推理结果,若检测到该结果为其他规则的判断条件,则继续进行匹配推理,直至得到最终的推理结果;推理过程中的中间结果或最终推理结果均可能是故障原因;若最终推理结果与故障树模型的输入现象事件匹配的话,则继续根据该最终推理结果进行基于故障树模型的诊断,得到至少两种故障原因和预警信息的诊断结果。
在一个优选的实施方式中,步骤104包括:
判断待诊断故障信息是否为顶事件的故障信息;
若否,利用预先训练的故障模型对待诊断故障信息进行推理,得到包括顶事件和顶事件发生概率的诊断结果;
判断顶事件发生概率是否大于预设阈值;
若是,则发出告警信息。
具体地,若输入预先训练的故障模型的待诊断故障信息不是顶事件的故障信息,则会继续推理得到该待诊断故障信息可能引起的顶层严重故障(即顶事件)的概率,如果该概率超过预设阀值,那么系统会进行告警,并触发知识图谱推送与该顶事件相对应的预案、解决方案以及以往的案例信息以供参考。
在一个更优选的实施方式中,在发出告警信息之后,还包括,基于知识图谱确定与该告警信息存在关系的目标实体;其中,该目标实体包括故障案例和解决方案。
在一个优选的实施方式中,在步骤104之后,在步骤106之前,还包括:
根据故障原因,确定至少两个相似故障案例;其中,相似故障案例的第一故障原因与故障原因的相似度大于预设相似度阈值;
获取每个相似故障案例的第一解决方案;
基于预设评分规则对每个相似故障案例的第一解决方案进行评分,得到综合评分;
将综合评分作为相似故障案例对应的实体在知识图谱中的属性。
具体地,针对任一个故障原因,均可确定至少两个相似故障案例。根据该故障原因的内容,该方法还能通过对比故障案例的相似度来获取与当前待诊断信息相类似的相似故障案例,通过预设评分规则对各相似故障案例及其对应的第一解决方案进行评分,得到每个相似故障案例的综合评分,将该综合评分作为对应相似故障案例的属性值存入知识图谱中,以便后续基于所构建的知识图谱直接将各相似故障案例按照综合评分的大小排序推送给用户。其中,综合评分越高的相似故障案例优先推送给用户,用户可以通过限定综合评分阈值或相似故障案例的数量阈值对推送的相似故障案例数量进行限定。在本发明中,预设评分规则可以综合考虑用户评分、实体规则、第一解决方案与相似故障案例的匹配正确率进行综合计算得到。
接着,针对步骤106,基于知识图谱确定与故障原因存在关系的实体,包括:
在知识图谱中查找故障原因对应的目标实体,确定与目标实体连接的实体、连接关系和实体的属性;
将目标实体、实体进行图谱结构化展示。
由于知识图谱以可视化图谱的方式展示知识实体,节点表示知识实体,边表示的是知识实体间的关系。实体包括但不限于运维人员、设备、故障信息、故障原因、故障案例、解决方案、预警信息、预案信息、故障业务、组织机构、故障检修所需的资源等等,边则是各实体之间的相互关系。因此基于输入的待诊断故障信息,便能够从大量的知识信息中获取更多关联的实体,进而将对应故障案例、解决方案、预警信息等实体进行图谱结构化展示,以便于用户或检修人员更直观根据这些信息进行故障处理。
最后,在步骤106之后,还包括:
根据与故障原因存在关系的实体,将获取到的解决方案发送给用户;
按照解决方案对各节点进行检修,获得检修日志;其中,针对每个节点,获取与该节点相关的专家知识,利用解决方案和该专家知识对该节点进行检修;
根据检修日志对用户发出反馈信息;
根据反馈信息获取培训知识;其中,培训知识用于对检修人员进行培训。
具体地,将由知识图谱获取到的与故障原因关联的解决方案实体发送给用户,该解决方案还可以转化为流程图的方式进行可视化表达,以便于用户(包括设备管理人员或设备检修人员)按照流程图逐步进行检修;检修过程中,还能记录用户的操作情况(包括每个节点所使用的时间、所执行操作节点的位置、是否解决对应的故障问题等),生成检修日志,以便进行回溯检查,同时基于检修日志数据对用户在整个处理流程中是否存在薄弱环节进行大致判断,若在之后处置操作中遇到相同的薄弱环节时,会重点对该薄弱环节的具体操作进行提示(即反馈信息)。更重要地,检修过程中,针对每个节点,获取与该节点相关的专家知识,利用解决方案和该专家知识相互辅助对该节点进行检修。当然,用户也可以自行基于知识图谱检索与该节点相关的知识信息,以便快速完成对该节点的检修。
更具体地,根据检修日志对用户发出反馈信息,根据反馈信息获取培训知识,包括:检修完成后,对该解决方案和用户的操作进行评分,解决方案由用户进行评分,用户的执行情况由任务审批人员根据用户的实际执行情况进行评分。评分指标用于对以后的解决方案推荐和用户安排有影响,评分越低的解决方案越难被系统推荐,评分越低的用户则需要根据薄弱环节,针对性学习推荐的相关性专家知识(即培训知识),并利用该相关性专家知识对用户进行培训;若发现解决方法的路径有问题,则及时向该流程创建人员进行问题反馈,有助于检修流程的优化。除此之外,针对检修过程中用户存在的问题,还包括:根据用户的画像信息(包括岗位、日常知识检索行为、历史负责的故障检修日志等信息维度),从已构建好的知识图谱中发现员工需要掌握的知识技能,利用智能推荐、智能问答等技术实现智能交互式、专业系统化的培训,除了可以主动进行知识检索学习外,还会根据该当前该员工自身进技能薄弱项进行个性化智能推送知识。日常技能巩固,岗前培训学习,提升工作人员装备检修技能水平。
在一些优选的实施方式中,在步骤106之后,还包括:根据待诊断故障信息和诊断结果,更新知识图谱。
在本发明中,通过在使用过程中逐步对知识图谱进行更新,进一步使得本发明的故障诊断方法更加全面、智能且准确。同时在使用过程中不断沉淀新的专家知识,迭代优化知识图谱,为以后设备运维专家人才的培养提供知识服务支撑。
综上,本发明针对多源异构的知识进行结构化处理操作,实现各类故障诊断知识的标准化入库,得到知识图谱,为基于知识图谱的故障诊断分析以及后续的知识图谱的补充扩展打下了基础。其次,本发明基于知识融合技术,完成了用户、知识、故障诊断业务间的关系构建,实现三者的强关联,基于此关系的构建,便能快速根据上传的故障现象,定位到相应故障原因;并针对性推荐相关故障预案或案例知识给指定检修人员,辅助其对故障问题进行处理。
如图3、图4所示,本发明实施例提供了一种基于知识图谱的故障诊断装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图3所示,为本发明实施例提供的一种基于知识图谱的故障诊断装置所在计算设备的一种硬件架构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的计算设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图4所示,作为一个逻辑意义上的装置,是通过其所在计算设备的CPU将非易失性存储器中对应的计算机程序读取到内存中运行形成的。本实施例提供的一种基于知识图谱的故障诊断装置,包括:构建模块400、获取模块402、诊断模块404和知识关联模块406;
构建模块400,用于根据故障信息的多源知识,构建知识图谱;其中,多源知识包括专家经验知识、案例知识、数据流信息;知识图谱中包括对应故障信息的实体及实体间的关系;
获取模块402,用于获取待诊断故障信息;
诊断模块404,用于利用预先训练的故障模型对待诊断故障信息进行诊断,得到诊断结果;其中,诊断结果包括故障原因和预警信息;
知识关联模块406,用于基于知识图谱确定与故障原因存在关系的实体;其中,实体包括故障案例、解决方案、预警信息。
在一些具体的实施方式中,构建模块400可用于执行上述步骤100,获取模块402可用于执行上述步骤102,诊断模块404可用于执行上述步骤104,知识关联模块406可用于执行上述步骤106。
在一些具体的实施方式中,诊断模块404还用于执行如下操作:
根据待诊断故障信息,确定特征信息;
根据特征信息,确定与待诊断故障信息匹配的预先训练的故障模型;
利用预先训练的故障模型对待诊断故障信息进行诊断,得到包括至少两种故障原因和预警信息的诊断结果;其中,诊断结果中包括每个故障原因的故障等级重要度;预警信息用于指示由待诊断故障信息引发的严重故障信息;
根据专家经验知识,对故障原因进行筛选,得到优选故障原因;
基于优选故障原因,利用预先训练的故障模型对待诊断故障信息进行诊断,得到目标故障原因。
在一些具体的实施方式中,诊断模块404还用于执行如下操作:
判断待诊断故障信息是否为顶事件的故障信息;
若否,利用预先训练的故障模型对待诊断故障信息进行推理,得到包括顶事件和顶事件发生概率的诊断结果;
判断顶事件发生概率是否大于预设阈值;
若是,则发出告警信息。
在一些具体的实施方式中,该装置还包括推荐处理模块,该推荐处理模块用于执行如下操作:
根据故障原因,确定至少两个相似故障案例;其中,相似故障案例的第一故障原因与故障原因的相似度大于预设相似度阈值;
获取每个相似故障案例的第一解决方案;
基于预设评分规则对每个相似故障案例的第一解决方案进行评分,得到综合评分;
将综合评分作为相似故障案例对应的实体在知识图谱中的属性。
在一些具体的实施方式中,知识关联模块406还用于执行如下操作:
在知识图谱中查找故障原因对应的目标实体,确定与目标实体连接的实体、连接关系和实体的属性;
将目标实体、实体进行图谱结构化展示。
在一些具体的实施方式中,该装置还包括流程反馈模块,该流程反馈模块用于执行如下操作:
根据与故障原因存在关系的实体,将获取到的解决方案发送给用户;
按照解决方案对各节点进行检修,获得检修日志;其中,针对每个节点,获取与该节点相关的专家知识,利用解决方案和该专家知识对该节点进行检修;
根据检修日志对用户发出反馈信息;
根据反馈信息获取培训知识;其中,培训知识用于对检修人员进行培训。
在一些具体的实施方式中,该装置还包括更新模块,该更新模块用于执行如下操作:
根据待诊断故障信息和诊断结果,更新知识图谱。
在本发明中,多种知识引擎技术相结合,保障故障诊断知识真正被使用起来,而不只是作为“死知识”存储起来,核心关键技术包括:知识图谱、自然语言处理技术、故障模型诊断模块、推荐处理模块、流程反馈模块、更新模块。
在一个更优选的实施方式中,如图5所示,故障树库中包括若干预先训练的故障树模型,规则库中包括若干基于诊断规则的故障模型,对于待诊断故障信息,分别采用故障树模型和基于诊断规则的故障模型进行诊断推理,得到对应该故障现象的故障原因和故障影响,然后根据待诊断故障信息、故障原因和故障影响,基于推荐处理模块从构建好的知识图谱中将匹配到的与之对应的故障案例、预案信息等推荐给流程反馈模块,在问题解决后,更新模块根据待诊断故障信息和诊断结果,更新知识图谱,以实现对知识模型的优化。需要说明的是,图5中的文档库、案例库和预案库分别为知识图谱中对应的文档库实体、案例库实体和预案库实体,例如,案例库实体中包括若干故障案例实体,预案库实体中包括若干预案实体。
本发明实现了多源知识的有机融合,构建起一套完整有效的故障诊断专家知识体系,充分发挥专家知识在故障诊断中的价值,实现了故障诊断知识的集中统一化管理,将故障诊断方面的专家经验知识按标准固化下来,并提供技术手段帮助检修新手快速学习知识,实现新老员工间知识的传承,避免一些有价值的专家知识随着人员的离开而丢失。同时实现故障诊断知识高效智能化应用,帮助检修人员快速获取相应知识,指导其准确定位装备故障并及时进行故障引导处置,提高整个装备故障诊断及维修保障的工作效率,实现基于专家知识的故障处理辅助决策。
可以理解的是,本发明实施例示意的结构并不构成对一种基于知识图谱的故障诊断装置的具体限定。在本发明的另一些实施例中,一种基于知识图谱的故障诊断装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种计算设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现本发明任一实施例中的一种基于知识图谱的故障诊断方法。
本发明实施例还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上存储有计算机程序,所述计算机程序在被处理器执行时,使所述处理器执行本发明任一实施例中的一种基于知识图谱的故障诊断方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个…”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;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中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
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:
根据故障信息的多源知识,构建知识图谱;其中,所述多源知识包括专家经验知识、案例知识、数据流信息;所述知识图谱中包括对应所述故障信息的实体及实体间的关系;
获取待诊断故障信息;
利用预先训练的故障模型对所述待诊断故障信息进行诊断,得到诊断结果;其中,所述诊断结果包括故障原因和预警信息;
基于所述知识图谱确定与所述故障原因存在关系的实体;其中,所述实体包括故障案例、解决方案、所述预警信息。
2.根据权利要求1所述的方法,其特征在于,所述利用预先训练的故障模型对所述待诊断故障信息进行诊断,得到诊断结果,包括:
根据所述待诊断故障信息,确定特征信息;
根据所述特征信息,确定与所述待诊断故障信息匹配的所述预先训练的故障模型;
利用所述预先训练的故障模型对所述待诊断故障信息进行诊断,得到包括至少两种所述故障原因和所述预警信息的诊断结果;其中,所述诊断结果中包括每个故障原因的故障等级重要度;所述预警信息用于指示由所述待诊断故障信息引发的严重故障信息。
3.根据权利要求2所述的方法,其特征在于,在所述得到包括至少两种所述故障原因的诊断结果之后,还包括:
根据专家经验知识,对所述故障原因进行筛选,得到优选故障原因;
基于所述优选故障原因,利用所述预先训练的故障模型对所述待诊断故障信息进行诊断,得到目标故障原因。
4.根据权利要求1所述的方法,其特征在于,所述得到诊断结果,包括:
判断所述待诊断故障信息是否为顶事件的故障信息;
若否,利用所述预先训练的故障模型对所述待诊断故障信息进行推理,得到包括所述顶事件和所述顶事件发生概率的诊断结果;
判断所述顶事件发生概率是否大于预设阈值;
若是,则发出告警信息。
5.根据权利要求1所述的方法,其特征在于,在所述得到诊断结果之后,在所述基于所述知识图谱确定与所述故障原因存在关系的实体之前,还包括:
根据所述故障原因,确定至少两个相似故障案例;其中,所述相似故障案例的第一故障原因与所述故障原因的相似度大于预设相似度阈值;
获取每个所述相似故障案例的第一解决方案;
基于预设评分规则对每个相似故障案例的第一解决方案进行评分,得到综合评分;
将所述综合评分作为所述相似故障案例对应的实体在所述知识图谱中的属性。
6.根据权利要求1所述的方法,其特征在于,所述基于所述知识图谱确定与所述故障原因存在关系的实体,包括:
在所述知识图谱中查找所述故障原因对应的目标实体,确定与所述目标实体连接的所述实体、连接关系和所述实体的属性;
将所述目标实体、所述实体进行图谱结构化展示。
7.根据权利要求1至6中任一所述的方法,其特征在于,还包括:
根据与所述故障原因存在关系的实体,将获取到的所述解决方案发送给用户;
按照所述解决方案对各节点进行检修,获得检修日志;其中,针对每个节点,获取与该节点相关的专家知识,利用所述解决方案和该专家知识对该节点进行检修;
根据所述检修日志对用户发出反馈信息;
根据所述反馈信息获取培训知识;其中,所述培训知识用于对检修人员进行培训;
和/或,
根据所述待诊断故障信息和所述诊断结果,更新所述知识图谱。
8.一种基于知识图谱的故障诊断装置,其特征在于,包括:
构建模块,用于根据故障信息的多源知识,构建知识图谱;其中,所述多源知识包括专家经验知识、案例知识、数据流信息;所述知识图谱中包括对应所述故障信息的实体及实体间的关系;
获取模块,用于获取待诊断故障信息;
诊断模块,用于利用预先训练的故障模型对所述待诊断故障信息进行诊断,得到诊断结果;其中,所述诊断结果包括故障原因和预警信息;
知识关联模块,用于基于所述知识图谱确定与所述故障原因存在关系的实体;其中,所述实体包括故障案例、解决方案、所述预警信息。
9.一种计算设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211628948.2A CN115619383B (zh) | 2022-12-19 | 2022-12-19 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211628948.2A CN115619383B (zh) | 2022-12-19 | 2022-12-19 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619383A true CN115619383A (zh) | 2023-01-17 |
CN115619383B CN115619383B (zh) | 2023-07-18 |
Family
ID=84880508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211628948.2A Active CN115619383B (zh) | 2022-12-19 | 2022-12-19 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619383B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116009517A (zh) * | 2023-01-18 | 2023-04-25 | 北京控制工程研究所 | 航天器控制系统性能-故障关系图谱的构建方法和装置 |
CN116203926A (zh) * | 2023-01-18 | 2023-06-02 | 北京控制工程研究所 | 基于性能-故障关系图谱的航天器故障分级诊断方法 |
CN116360388A (zh) * | 2023-01-18 | 2023-06-30 | 北京控制工程研究所 | 基于图神经网络的性能-故障关系图谱的推理方法和装置 |
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 |
CN117240616A (zh) * | 2023-11-13 | 2023-12-15 | 机械工业仪器仪表综合技术经济研究所 | 威胁攻击视角下网络物理生产系统一体化风险分析方法 |
CN117341781A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市鼎善信息科技有限公司 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209131A (zh) * | 2019-12-30 | 2020-05-29 | 航天信息股份有限公司广州航天软件分公司 | 一种基于机器学习确定异构系统的故障的方法和系统 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
CN112183773A (zh) * | 2020-08-25 | 2021-01-05 | 珠海格力电器股份有限公司 | 一种故障数据处理方法、装置、设备及存储介质 |
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
CN114037079A (zh) * | 2021-11-25 | 2022-02-11 | 江苏科技大学 | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 |
WO2022083540A1 (zh) * | 2020-10-20 | 2022-04-28 | 华为技术有限公司 | 故障恢复预案确定方法、装置及系统、计算机存储介质 |
-
2022
- 2022-12-19 CN CN202211628948.2A patent/CN115619383B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209131A (zh) * | 2019-12-30 | 2020-05-29 | 航天信息股份有限公司广州航天软件分公司 | 一种基于机器学习确定异构系统的故障的方法和系统 |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
CN112183773A (zh) * | 2020-08-25 | 2021-01-05 | 珠海格力电器股份有限公司 | 一种故障数据处理方法、装置、设备及存储介质 |
WO2022083540A1 (zh) * | 2020-10-20 | 2022-04-28 | 华为技术有限公司 | 故障恢复预案确定方法、装置及系统、计算机存储介质 |
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
CN114037079A (zh) * | 2021-11-25 | 2022-02-11 | 江苏科技大学 | 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116009517A (zh) * | 2023-01-18 | 2023-04-25 | 北京控制工程研究所 | 航天器控制系统性能-故障关系图谱的构建方法和装置 |
CN116203926A (zh) * | 2023-01-18 | 2023-06-02 | 北京控制工程研究所 | 基于性能-故障关系图谱的航天器故障分级诊断方法 |
CN116360388A (zh) * | 2023-01-18 | 2023-06-30 | 北京控制工程研究所 | 基于图神经网络的性能-故障关系图谱的推理方法和装置 |
CN116203926B (zh) * | 2023-01-18 | 2023-08-04 | 北京控制工程研究所 | 基于性能-故障关系图谱的航天器故障分级诊断方法 |
CN116009517B (zh) * | 2023-01-18 | 2023-08-29 | 北京控制工程研究所 | 航天器控制系统性能-故障关系图谱的构建方法和装置 |
CN116360388B (zh) * | 2023-01-18 | 2023-09-08 | 北京控制工程研究所 | 基于图神经网络的性能-故障关系图谱的推理方法和装置 |
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 |
CN117240616A (zh) * | 2023-11-13 | 2023-12-15 | 机械工业仪器仪表综合技术经济研究所 | 威胁攻击视角下网络物理生产系统一体化风险分析方法 |
CN117240616B (zh) * | 2023-11-13 | 2024-03-22 | 机械工业仪器仪表综合技术经济研究所 | 威胁攻击视角下网络物理生产系统一体化风险分析方法 |
CN117341781A (zh) * | 2023-12-04 | 2024-01-05 | 深圳市鼎善信息科技有限公司 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
CN117341781B (zh) * | 2023-12-04 | 2024-03-22 | 深圳市鼎善信息科技有限公司 | 轨道交通故障处理方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115619383B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115619383B (zh) | 一种基于知识图谱的故障诊断方法、装置及计算设备 | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
US20160103837A1 (en) | System for, and method of, ranking search results obtained by searching a body of data records | |
US20170199882A1 (en) | Discrepancy Curator for Documents in a Corpus of a Cognitive Computing System | |
CN111709235A (zh) | 一种基于自然语言处理的文本数据统计分析系统及方法 | |
CN112036842B (zh) | 一种科技服务智能匹配装置 | |
Fantoni et al. | Text mining tool for translating terms of contract into technical specifications: Development and application in the railway sector | |
CN113434634A (zh) | 知识图谱构建方法、装置 | |
CN111177322A (zh) | 一种领域知识图谱的本体模型构建方法 | |
CN113204967B (zh) | 简历命名实体识别方法及系统 | |
CN113468296A (zh) | 可配置业务逻辑的模型自迭代式智能客服质检系统与方法 | |
CN112036129A (zh) | 一种配电网应急演练方案数字化辅助设计系统及方法 | |
CN113487211A (zh) | 核电装备质量追溯方法、系统、计算机设备及介质 | |
CN114969363A (zh) | 一种基于知识图谱风险等级的数控机床安全部件分析方法 | |
CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及系统 | |
CN114579720A (zh) | 一种基于文本挖掘的水电工程进度智能评估方法 | |
CN116432965B (zh) | 基于知识图谱的岗位能力分析方法及树状图生成方法 | |
Ninaus et al. | Content-based recommendation techniques for requirements engineering | |
CN116974799A (zh) | 一种基于知识图谱的照明系统的故障诊断方法及系统 | |
CN109242431B (zh) | 一种基于数据体系的企业管理方法及其系统 | |
Terblanche et al. | Ontology‐based employer demand management | |
CN106407271B (zh) | 一种智能客服系统及其智能客服知识库的更新方法 | |
Leopold | Business process management | |
Banerjee et al. | Neural language model based intelligent semantic information retrieval on NCDOT projects for knowledge management | |
US8019716B2 (en) | Reflective processing of TMK hierarchies |
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 |