CN115638875A - 基于图谱分析的电厂设备故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种基于图谱分析的电厂设备故障诊断方法及系统，包括：获取电厂设备的多维运行特征，构建多维运行数据集；根据多维运行数据集获取对应运行状态图谱，根据图谱特征获取电厂设备运行状况；将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；获取电厂设备当前运行状况，将当前运行状况导入故障诊断模型中获取电厂设备故障识别结果。本发明通过图谱分析基于电厂设备的异常运行进行故障的诊断及定位，实现了潜在故障的早期诊断预警，同时利用故障的精确定位提高了设备故障处理的效率。

Description

基于图谱分析的电厂设备故障诊断方法及系统

技术领域

本发明涉及故障诊断评估技术领域，更具体的，涉及一种基于图谱分析的电厂设备故障诊断方法及系统。

背景技术

随着社会的发展进步，各类高新技术、产品不断面世、落地、推广，人们的生活越来越便利，而支撑着这一切的关键便是电能。目前，电力企业建设的日益成熟，规模的日益扩大，电力企业设备的维护工作也越来越繁重，电力企业经营生产过程中需要投入大量固定资产和设备保障电力设备正常运转，提高设备运行稳定性和使用年限，降低维护和管理成本，提高固定资产综合利用效率，不断促进企业综合经营效益增长。

设备故障诊断技术对于发电厂日常安全生产至关重要，它不仅关系到电厂日常生产安排和设备检修，还能发现设备隐性故障及时排除，避免重要设备突发性故障影响发电厂整体安全及稳定，大型电厂的设备和系统十分复杂，需要监测的参数繁多，参数的变化也比较频繁，参数之间的耦合性比较强，从单个参数的变化很难第一时间分辨出状态是否异常，而很多第三方的分析工具又要求很强的专业性，这无疑给机组的稳定运行及设备状态和性能分析等工作带来了很大的困难。因此如何识别出电厂设备运行时发生的异常，尽早发现设备的劣化趋势，并选取特征参数进行故障诊断，对故障进行精准定位是现阶段亟需解决的问题。

发明内容

为了解决上述技术问题，本发明提出了一种基于图谱分析的电厂设备故障诊断方法及系统。

本发明第一方面提供了一种基于图谱分析的电厂设备故障诊断方法，包括：

获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集；

根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，通过所述图谱特征获取电厂设备运行状况；

将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；

获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果。

本方案中，获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集，具体为：

获取电厂设备的多维状态监测信号，将所述多维状态监测信号进行数据清洗，对数据清洗后的多维状态监测信号标准化处理，利用主成分分析获取多维状态监测信号与故障的相关性；

求取协方差矩阵获取特征向量，根据特征向量计算特征根生成特征值，将所述特征值按照大小顺序进行排序，根据排序结果选取预设数量的特征值作为主成分计算贡献率；

判断主成分的贡献率是否大于预设贡献率阈值，若大于，则将多维状态监测信号通过新的主成分进行特征重构，输出电厂设备的多维运行特征；

基于电厂的多维运行特征获取电厂设备运行状态的评价指标，获取各个评价指标的监测数据构建多维运行数据集。

本方案中，根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，具体为：

获取多维运行数据集中各个监测数据序列对应正常运行情况下的标准数据集，将所述标准数据集构建的矩阵中各列参数进行均值计算获取多维运行数据集的标准数据值序列；

计算多维运行数据集中各个监测数据序列与标准数据集序列的差值，根据差值获取各评价指标的监测数据随时序的差值变化水平可视图，构建的电厂设备运行状态图谱；

提取电厂设备运行状态图谱的图谱指标，通过所述图谱指标的相关性及单调性进行综合评价，根据综合评价结果对图谱指标进行优选，根据优选后的图谱指标生成对应图谱特征。

本方案中，将电厂设备的运行状况与故障信息进行匹配获取故障特征集，具体为：

获取电厂设备正常及异常运行状况下的多维运行数据，将所述多维运行数据转化为水平可视图提取对应图谱特征，生成样本数据，通过所述样本数据进行训练学习；

计算目标样本数据与不同运行状况下所有样本数据的马氏距离，获取马氏距离最小的样本数据，将马氏距离最小的样本数据的运行状况作为目标样本数据的运行状况；

当目标样本数据的运行状况为异常运行状况时，则根据目标样本数据的运行状况通过大数据检索获取相似度符合预设相似度标准的故障信息，获取相似度最高的故障信息对应的故障类型；

根据所述故障类型匹配目标样本数据对应的图谱特征，设置故障类型标签，将图谱特征作为该故障类型的故障特征，将各故障类型对应的图谱特征进行汇总获取故障特征集。

本方案中，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型，具体为：

获取电厂设备各个结构的装配关系，根据装配关系获取各故障之间的耦合影响程度，基于各故障之间的耦合影响程度、故障类型、故障特征、故障部位构建若干三元组；

根据若干三元组形成电厂设备故障知识图谱，基于图神经网络对所述故障知识图谱中三元组的关联关系，构建故障诊断模型，获取故障信息划分为测试集训练集；

基于训练集中训练数据的相似度计算获取故障特征实体对应的电厂设备故障知识图谱中所有的三元组构成三元组集合，根据所述三元组集合构建电厂设备故障知识图谱子图，获取电厂设备故障知识图谱子图的图结构；

根据所述图结构获取训练数据的故障类型及故障部位，并通过测试集对故障诊断模型的故障诊断结果进行准确性测试，当所述准确性达到预设阈值时，则将故障诊断模型进行输出，否则，则对故障诊断模型进行误差补偿。

本方案中，获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果，具体为：

基于当前电厂设备的多维运行数据生成图谱特征判断当前运行状况，将当前运行状况判定为异常时，将所述图谱特征导入所述故障诊断模型进行低维向量表示获取对应图结构；

根据所述图结构基于消息传播及邻居节点聚合建立故障特征与故障类型及故障部位的潜在联系；

根据所述潜在关系获取带有故障特征描述故障类型及故障部位的编码表示，将所述编码表示进行融合基于知识图谱生成电厂设备最终故障类型及故障部位作为故障识别结果。

本发明第二方面还提供了一种基于图谱分析的电厂设备故障诊断系统，该系统包括：存储器、处理器，所述存储器中包括一种基于图谱分析的电厂设备故障诊断方法程序，所述一种基于图谱分析的电厂设备故障诊断方法程序被所述处理器执行时实现如下步骤：

获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集；

根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，通过所述图谱特征获取电厂设备运行状况；

将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；

获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果。

本发明公开了一种基于图谱分析的电厂设备故障诊断方法及系统，包括：获取电厂设备的多维运行特征，构建多维运行数据集；根据多维运行数据集获取对应运行状态图谱，根据图谱特征获取电厂设备运行状况；将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；获取电厂设备当前运行状况，将当前运行状况导入故障诊断模型中获取电厂设备故障识别结果及故障位置信息。本发明通过图谱分析基于电厂设备的异常运行进行故障的诊断及定位，实现了潜在故障的早期诊断预警，同时利用故障的精确定位提高了设备故障处理的效率。

附图说明

图1示出了本发明一种基于图谱分析的电厂设备故障诊断方法的流程图；

图2示出了本发明根据多维运行数据集获取图谱特征的方法流程图；

图3示出了本发明基于电厂设备故障知识图谱及深度学习构建故障诊断模型的方法流程图；

图4示出了本发明一种基于图谱分析的电厂设备故障诊断系统的框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于图谱分析的电厂设备故障诊断方法的流程图。

如图1所示，本发明第一方面提供了一种基于图谱分析的电厂设备故障诊断方法，包括：

S102，获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集；

S104，根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，通过所述图谱特征获取电厂设备运行状况；

S106，将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；

S108，获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果。

需要说明的是，获取电厂设备的多维状态监测信号，主要监测的信号有振动信号、声发射信号，以及油液信息、转速、温度和扭振等其他信号，将所述多维状态监测信号进行数据清洗，对数据清洗后的多维状态监测信号标准化处理，利用主成分分析获取多维状态监测信号与故障的相关性；求取协方差矩阵获取特征向量，根据特征向量计算特征根生成特征值，将所述特征值按照大小顺序进行排序，根据排序结果选取预设数量的特征值作为主成分计算贡献率；判断主成分的贡献率是否大于预设贡献率阈值，若大于，则将多维状态监测信号通过新的主成分进行特征重构，输出电厂设备的多维运行特征；基于电厂的多维运行特征获取电厂设备运行状态的评价指标，获取各个评价指标的监测数据构建多维运行数据集。

图2示出了本发明根据多维运行数据集获取图谱特征的方法流程图。

根据本发明实施例，根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，具体为：

S202，获取多维运行数据集中各个监测数据序列对应正常运行情况下的标准数据集，将所述标准数据集构建的矩阵中各列参数进行均值计算获取多维运行数据集的标准数据值序列；

S204，计算多维运行数据集中各个监测数据序列与标准数据集序列的差值，根据差值获取各评价指标的监测数据随时序的差值变化水平可视图，构建的电厂设备运行状态图谱；

S206，提取电厂设备运行状态图谱的图谱指标，通过所述图谱指标的相关性及单调性进行综合评价，根据综合评价结果对图谱指标进行优选，根据优选后的图谱指标生成对应图谱特征。

需要说明的是，合适的图谱指标应该随着故障加深而单调递增或递减，具有一定的趋势性。在实际应用中故障程度随时间的推进而不断增大，且故障程度无法实时测量，因此图谱指标应该具有随着时间变化单调递增或递减的特性，并且对故障严重程度敏感，所述图谱指标包括图能量指标、拉普拉斯能量，绝对值偏差等，采用相关性及单调性对图谱指标进行优先，其综合评价结果z的计算公式为：

，

为预设权重，

分别为单调性及相关性；

获取电厂设备正常及异常运行状况下的多维运行数据，将所述多维运行数据转化为水平可视图提取对应图谱特征，生成样本数据，通过所述样本数据进行训练学习；计算目标样本数据与不同运行状况下所有样本数据的马氏距离，其计算公式为：

其中，

表示目标样本数据i与第j个运行状况下样本数据的马氏距离，

表示目标样本数据i对应的图谱特征，

分别表示第j个运行状况下所有样本数据的平均数及方差；

获取马氏距离最小的样本数据，将马氏距离最小的样本数据的运行状况作为目标样本数据的运行状况；当目标样本数据的运行状况为异常运行状况时，则根据目标样本数据的运行状况通过大数据检索获取相似度符合预设相似度标准的故障信息，获取相似度最高的故障信息对应的故障类型；根据所述故障类型匹配目标样本数据对应的图谱特征，设置故障类型标签，将图谱特征作为该故障类型的故障特征，将各故障类型对应的图谱特征进行汇总获取故障特征集。

图3示出了本发明基于电厂设备故障知识图谱及深度学习构建故障诊断模型的方法流程图。

根据本发明实施例，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型，具体为：

S302，获取电厂设备各个结构的装配关系，根据装配关系获取各故障之间的耦合影响程度，基于各故障之间的耦合影响程度、故障类型、故障特征、故障部位构建若干三元组；

S304，根据若干三元组形成电厂设备故障知识图谱，基于图神经网络对所述故障知识图谱中三元组的关联关系，构建故障诊断模型，获取故障信息划分为测试集训练集；

S306，基于训练集中训练数据的相似度计算获取故障特征实体对应的电厂设备故障知识图谱中所有的三元组构成三元组集合，根据所述三元组集合构建电厂设备故障知识图谱子图，获取电厂设备故障知识图谱子图的图结构；

S308，根据所述图结构获取训练数据的故障类型及故障部位，并通过测试集对故障诊断模型的故障诊断结果进行准确性测试，当所述准确性达到预设阈值时，则将故障诊断模型进行输出，否则，则对故障诊断模型进行误差补偿。

需要说明的是，基于当前电厂设备的多维运行数据生成图谱特征判断当前运行状况，将当前运行状况判定为异常时，将所述图谱特征导入所述故障诊断模型进行低维向量表示获取对应图结构；根据所述图结构基于消息传播及邻居节点聚合建立故障特征与故障类型及故障部位的潜在联系；根据所述潜在关系获取带有故障特征描述故障类型及故障部位的编码表示，将所述编码表示进行融合基于知识图谱生成电厂设备最终故障类型及故障部位作为故障识别结果。

其中某个故障特征实体节点初始向量化表示

经过邻居结合编码表示

的具体公式为：

其中，

表示激活函数，

表示特征变换的参数矩阵，

表示故障特征实体节点u的故障类型实体节点l邻居节点集合，

表示与故障特征实体节点u存在关系的故障类型实体节点l的初始向量化表示，

表示故障特征实体节点u的故障部位实体节点b邻居节点集合，

表示与故障特征实体节点u存在关系的故障部位实体节点l的初始向量化表示，

表示可训练参数。

根据本发明实施例，根据故障特征设置权重信息，对故障诊断模型进行训练，具体为：

获取电厂设备异常运行状态的图谱特征，将故障类型与不同异常运行状态的图谱特征进行匹配获取故障特征；

通过大数据检索统计当前图谱特征下发生的所有故障信息，根据各故障类型的历史发生频次获取图谱特征的权重信息集合；

在电厂设备故障知识图谱中基于所述权重信息集合为该故障特征下对应的故障类型实体及故障部位实体设置初始权重；

通过电厂设备的运行监测数据及故障数据对所述权重信息集合进行更新，对故障诊断模型进行补偿训练。

图4示出了本发明一种基于图谱分析的电厂设备故障诊断系统的框图。

本发明第二方面还提供了一种基于图谱分析的电厂设备故障诊断系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于图谱分析的电厂设备故障诊断方法程序，所述一种基于图谱分析的电厂设备故障诊断方法程序被所述处理器执行时实现如下步骤：

获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集；

根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，通过所述图谱特征获取电厂设备运行状况；

将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；

获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果。

需要说明的是，获取电厂设备的多维状态监测信号，主要监测的信号有振动信号、声发射信号，以及油液信息、转速、温度和扭振等其他信号，将所述多维状态监测信号进行数据清洗，对数据清洗后的多维状态监测信号标准化处理，利用主成分分析获取多维状态监测信号与故障的相关性；求取协方差矩阵获取特征向量，根据特征向量计算特征根生成特征值，将所述特征值按照大小顺序进行排序，根据排序结果选取预设数量的特征值作为主成分计算贡献率；判断主成分的贡献率是否大于预设贡献率阈值，若大于，则将多维状态监测信号通过新的主成分进行特征重构，输出电厂设备的多维运行特征；基于电厂的多维运行特征获取电厂设备运行状态的评价指标，获取各个评价指标的监测数据构建多维运行数据集。

根据本发明实施例，根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，具体为：

获取多维运行数据集中各个监测数据序列对应正常运行情况下的标准数据集，将所述标准数据集构建的矩阵中各列参数进行均值计算获取多维运行数据集的标准数据值序列；

计算多维运行数据集中各个监测数据序列与标准数据集序列的差值，根据差值获取各评价指标的监测数据随时序的差值变化水平可视图，构建的电厂设备运行状态图谱；

提取电厂设备运行状态图谱的图谱指标，通过所述图谱指标的相关性及单调性进行综合评价，根据综合评价结果对图谱指标进行优选，根据优选后的图谱指标生成对应图谱特征。

需要说明的是，合适的图谱指标应该随着故障加深而单调递增或递减，具有一定的趋势性。在实际应用中故障程度随时间的推进而不断增大，且故障程度无法实时测量，因此图谱指标应该具有随着时间变化单调递增或递减的特性，并且对故障严重程度敏感，所述图谱指标包括图能量指标、拉普拉斯能量，绝对值偏差等，采用相关性及单调性对图谱指标进行优先，其综合评价结果z的计算公式为：

，

为预设权重，

分别为单调性及相关性；

获取电厂设备正常及异常运行状况下的多维运行数据，将所述多维运行数据转化为水平可视图提取对应图谱特征，生成样本数据，通过所述样本数据进行训练学习；计算目标样本数据与不同运行状况下所有样本数据的马氏距离，其计算公式为：

其中，

表示目标样本数据i与第j个运行状况下样本数据的马氏距离，

表示目标样本数据i对应的图谱特征，

分别表示第j个运行状况下所有样本数据的平均数及方差；

获取马氏距离最小的样本数据，将马氏距离最小的样本数据的运行状况作为目标样本数据的运行状况；当目标样本数据的运行状况为异常运行状况时，则根据目标样本数据的运行状况通过大数据检索获取相似度符合预设相似度标准的故障信息，获取相似度最高的故障信息对应的故障类型；根据所述故障类型匹配目标样本数据对应的图谱特征，设置故障类型标签，将图谱特征作为该故障类型的故障特征，将各故障类型对应的图谱特征进行汇总获取故障特征集。

根据本发明实施例，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型，具体为：

获取电厂设备各个结构的装配关系，根据装配关系获取各故障之间的耦合影响程度，基于各故障之间的耦合影响程度、故障类型、故障特征、故障部位构建若干三元组；

根据若干三元组形成电厂设备故障知识图谱，基于图神经网络对所述故障知识图谱中三元组的关联关系，构建故障诊断模型，获取故障信息划分为测试集训练集；

基于训练集中训练数据的相似度计算获取故障特征实体对应的电厂设备故障知识图谱中所有的三元组构成三元组集合，根据所述三元组集合构建电厂设备故障知识图谱子图，获取电厂设备故障知识图谱子图的图结构；

根据所述图结构获取训练数据的故障类型及故障部位，并通过测试集对故障诊断模型的故障诊断结果进行准确性测试，当所述准确性达到预设阈值时，则将故障诊断模型进行输出，否则，则对故障诊断模型进行误差补偿。

需要说明的是，基于当前电厂设备的多维运行数据生成图谱特征判断当前运行状况，将当前运行状况判定为异常时，将所述图谱特征导入所述故障诊断模型进行低维向量表示获取对应图结构；根据所述图结构基于消息传播及邻居节点聚合建立故障特征与故障类型及故障部位的潜在联系；根据所述潜在关系获取带有故障特征描述故障类型及故障部位的编码表示，将所述编码表示进行融合基于知识图谱生成电厂设备最终故障类型及故障部位作为故障识别结果。

其中某个故障特征实体节点初始向量化表示

经过邻居结合编码表示

的具体公式为：

其中，

表示激活函数，

表示特征变换的参数矩阵，

表示故障特征实体节点u的故障类型实体节点l邻居节点集合，

表示与故障特征实体节点u存在关系的故障类型实体节点l的初始向量化表示，

表示故障特征实体节点u的故障部位实体节点b邻居节点集合，

表示与故障特征实体节点u存在关系的故障部位实体节点l的初始向量化表示，

表示可训练参数。

本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于图谱分析的电厂设备故障诊断方法程序，所述一种基于图谱分析的电厂设备故障诊断方法程序被处理器执行时，实现如上述任一项所述的一种基于图谱分析的电厂设备故障诊断方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。

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于计算机可读取存储介质中，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：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于图谱分析的电厂设备故障诊断方法，其特征在于，包括以下步骤：

获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集；

根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，通过所述图谱特征获取电厂设备运行状况；

将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；

获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果。

2.根据权利要求1所述的一种基于图谱分析的电厂设备故障诊断方法，其特征在于，获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集，具体为：

获取电厂设备的多维状态监测信号，将所述多维状态监测信号进行数据清洗，对数据清洗后的多维状态监测信号标准化处理，利用主成分分析获取多维状态监测信号与故障的相关性；

求取协方差矩阵获取特征向量，根据特征向量计算特征根生成特征值，将所述特征值按照大小顺序进行排序，根据排序结果选取预设数量的特征值作为主成分计算贡献率；

判断主成分的贡献率是否大于预设贡献率阈值，若大于，则将多维状态监测信号通过新的主成分进行特征重构，输出电厂设备的多维运行特征；

基于电厂的多维运行特征获取电厂设备运行状态的评价指标，获取各个评价指标的监测数据构建多维运行数据集。

3.根据权利要求1所述的一种基于图谱分析的电厂设备故障诊断方法，其特征在于，根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，具体为：

获取多维运行数据集中各个监测数据序列对应正常运行情况下的标准数据集，将所述标准数据集构建的矩阵中各列参数进行均值计算获取多维运行数据集的标准数据值序列；

计算多维运行数据集中各个监测数据序列与标准数据集序列的差值，根据差值获取各评价指标的监测数据随时序的差值变化水平可视图，构建的电厂设备运行状态图谱；

提取电厂设备运行状态图谱的图谱指标，通过所述图谱指标的相关性及单调性进行综合评价，根据综合评价结果对图谱指标进行优选，根据优选后的图谱指标生成对应图谱特征。

4.根据权利要求1所述的一种基于图谱分析的电厂设备故障诊断方法，其特征在于，将电厂设备的运行状况与故障信息进行匹配获取故障特征集，具体为：

获取电厂设备正常及异常运行状况下的多维运行数据，将所述多维运行数据转化为水平可视图提取对应图谱特征，生成样本数据，通过所述样本数据进行训练学习；

计算目标样本数据与不同运行状况下所有样本数据的马氏距离，获取马氏距离最小的样本数据，将马氏距离最小的样本数据的运行状况作为目标样本数据的运行状况；

当目标样本数据的运行状况为异常运行状况时，则根据目标样本数据的运行状况通过大数据检索获取相似度符合预设相似度标准的故障信息，获取相似度最高的故障信息对应的故障类型；

根据所述故障类型匹配目标样本数据对应的图谱特征，设置故障类型标签，将图谱特征作为该故障类型的故障特征，将各故障类型对应的图谱特征进行汇总获取故障特征集。

5.根据权利要求1所述的一种基于图谱分析的电厂设备故障诊断方法，其特征在于，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型，具体为：

获取电厂设备各个结构的装配关系，根据装配关系获取各故障之间的耦合影响程度，基于各故障之间的耦合影响程度、故障类型、故障特征、故障部位构建若干三元组；

根据若干三元组形成电厂设备故障知识图谱，基于图神经网络对所述故障知识图谱中三元组的关联关系，构建故障诊断模型，获取故障信息划分为测试集训练集；

基于训练集中训练数据的相似度计算获取故障特征实体对应的电厂设备故障知识图谱中所有的三元组构成三元组集合，根据所述三元组集合构建电厂设备故障知识图谱子图，获取电厂设备故障知识图谱子图的图结构；

根据所述图结构获取训练数据的故障类型及故障部位，并通过测试集对故障诊断模型的故障诊断结果进行准确性测试，当所述准确性达到预设阈值时，则将故障诊断模型进行输出，否则，则对故障诊断模型进行误差补偿。

6.根据权利要求1所述的一种基于图谱分析的电厂设备故障诊断方法，其特征在于，获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果，具体为：

基于当前电厂设备的多维运行数据生成图谱特征判断当前运行状况，将当前运行状况判定为异常时，将所述图谱特征导入所述故障诊断模型进行低维向量表示获取对应图结构；

根据所述图结构基于消息传播及邻居节点聚合建立故障特征与故障类型及故障部位的潜在联系；

根据所述潜在关系获取带有故障特征描述故障类型及故障部位的编码表示，将所述编码表示进行融合基于知识图谱生成电厂设备最终故障类型及故障部位作为故障识别结果。

7.一种基于图谱分析的电厂设备故障诊断系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于图谱分析的电厂设备故障诊断方法程序，所述一种基于图谱分析的电厂设备故障诊断方法程序被所述处理器执行时实现如下步骤：

获取电厂设备的多维运行特征，将所述多维运行特征进行预处理，构建多维运行数据集；

根据多维运行数据集获取对应运行状态图谱，对所述运行状态图谱进行分析获取图谱特征，通过所述图谱特征获取电厂设备运行状况；

将电厂设备的运行状况与故障信息进行匹配获取故障特征集，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型；

获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果。

8.根据权利要求7所述的一种基于图谱分析的电厂设备故障诊断系统，其特征在于，将电厂设备的运行状况与故障信息进行匹配获取故障特征集，具体为：

获取电厂设备正常及异常运行状况下的多维运行数据，将所述多维运行数据转化为水平可视图提取对应图谱特征，生成样本数据，通过所述样本数据进行训练学习；

计算目标样本数据与不同运行状况下所有样本数据的马氏距离，获取马氏距离最小的样本数据，将马氏距离最小的样本数据的运行状况作为目标样本数据的运行状况；

当目标样本数据的运行状况为异常运行状况时，则根据目标样本数据的运行状况通过大数据检索获取相似度符合预设相似度标准的故障信息，获取相似度最高的故障信息对应的故障类型；

根据所述故障类型匹配目标样本数据对应的图谱特征，设置故障类型标签，将图谱特征作为该故障类型的故障特征，将各故障类型对应的图谱特征进行汇总获取故障特征集。

9.根据权利要求7所述的一种基于图谱分析的电厂设备故障诊断系统，其特征在于，根据故障信息及故障特征构建电厂设备故障知识图谱，基于电厂设备故障知识图谱及深度学习构建故障诊断模型，具体为：

获取电厂设备各个结构的装配关系，根据装配关系获取各故障之间的耦合影响程度，基于各故障之间的耦合影响程度、故障类型、故障特征、故障部位构建若干三元组；

根据若干三元组形成电厂设备故障知识图谱，基于图神经网络对所述故障知识图谱中三元组的关联关系，构建故障诊断模型，获取故障信息划分为测试集训练集；

基于训练集中训练数据的相似度计算获取故障特征实体对应的电厂设备故障知识图谱中所有的三元组构成三元组集合，根据所述三元组集合构建电厂设备故障知识图谱子图，获取电厂设备故障知识图谱子图的图结构；

根据所述图结构获取训练数据的故障类型及故障部位，并通过测试集对故障诊断模型的故障诊断结果进行准确性测试，当所述准确性达到预设阈值时，则将故障诊断模型进行输出，否则，则对故障诊断模型进行误差补偿。

10.根据权利要求7所述的一种基于图谱分析的电厂设备故障诊断系统，其特征在于，获取电厂设备当前运行状况，将所述当前运行状况导入故障诊断模型中获取电厂设备故障识别结果，具体为：

基于当前电厂设备的多维运行数据生成图谱特征判断当前运行状况，将当前运行状况判定为异常时，将所述图谱特征导入所述故障诊断模型进行低维向量表示获取对应图结构；

根据所述图结构基于消息传播及邻居节点聚合建立故障特征与故障类型及故障部位的潜在联系；

根据所述潜在关系获取带有故障特征描述故障类型及故障部位的编码表示，将所述编码表示进行融合基于知识图谱生成电厂设备最终故障类型及故障部位作为故障识别结果。

Images