CN115841323A - 一种基于知识图谱的故障排查方法和系统 - Google Patents
一种基于知识图谱的故障排查方法和系统 Download PDFInfo
- Publication number
- CN115841323A CN115841323A CN202211475669.7A CN202211475669A CN115841323A CN 115841323 A CN115841323 A CN 115841323A CN 202211475669 A CN202211475669 A CN 202211475669A CN 115841323 A CN115841323 A CN 115841323A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- troubleshooting
- value
- abnormal
- 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
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于知识图谱的故障排查方法和系统,包括以下步骤:获取分析对象的故障模式分析数据和状态监测数据;基于故障模式分析数据和状态监测数据构建知识图谱;对故障模式分析数据和状态监测数据进行处理,获得时序数据;基于知识图谱和时序数据进行故障排查,以确定分析对象的故障模式和故障对象。本发明的故障排查方法具有通用性,可以适用于设备种类较多的应用场合,而且故障排查速度快,基于知识图谱的多层快速查询,可以显著提高故障排查速率,排查结果可具体到系统、设备部件的故障模式及发生概率。另外,本发明的排查方法从监测数据到最终的故障对象、故障模式,排查过程逻辑清晰明确。
Description
技术领域
本发明涉及故障诊断的技术领域,更具体地说,涉及一种基于知识图谱的故障排查方法和系统。
背景技术
核电站的系统、设备众多,而设备又由众多的零部件构成。这些设备及其零部件的故障,会造成核电机组安全、运行功能的严重退化,停机、停堆风险陡增,强迫损失及其发生概率骤然升高。由此可知,对于核电站而言,故障排查技术对于核电站的安全、可靠、经济运行起着至关重要的作用,是核电站保持高端稳定运行的关键技术之一。
现有核电站中,核电技术人员的故障排查主要依赖故障模式分析数据和状态监测数据,但如果想要完整分析核电站内的重要设备,将产生巨大的数据量和数据关系,这将严重影响故障排查的速度,而且通用性差。另一方面,非核电技术人员往往依赖状态监测数据和数据分析技术进行故障排查,但由于数据量巨大及数据间关系的复杂,排查结果往往指向多个对象,并且不能详细说明可能的故障模式。因此,现有的故障排查方法存在:故障排查速度慢,人工排查工作量大,机器排查计算速度不满足要求,排查结果不具体,不能给出具体的故障对象范围及故障模式范围;而且排查过程逻辑模糊,排查过程依赖的是数据间的相关性,没有给出详细的因果关系推到逻辑。
发明内容
本发明要解决的技术问题在于,针对现有技术的缺陷,提供一种基于知识图谱的故障排查方法和系统。
本发明解决其技术问题所采用的技术方案是:构造一种基于知识图谱的故障排查方法,包括以下步骤:
获取分析对象的故障模式分析数据和状态监测数据;
基于所述故障模式分析数据和状态监测数据构建知识图谱;
对所述故障模式分析数据和状态监测数据进行处理,获得时序数据;
基于所述知识图谱和所述时序数据进行故障排查,以确定所述分析对象的故障模式和故障对象。
在本发明所述的基于知识图谱的故障排查方法中,所述故障模式分析数据和状态监测数据包括:分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值以及标准值;
所述基于所述故障模式分析数据和状态监测数据构建知识图谱包括:
以所述分析对象、所述故障模式、所述故障现象、所述监测参数、所述测量点、所述测量值、所述测量时间、所述阈值和所述标准值建立图谱的点;
以所述分析对象、所述故障模式、所述故障现象、所述监测参数、所述测量点、所述测量值、所述测量时间、所述阈值以及所述标准值之间的关联关系建立图谱的边;
基于所述图谱的点和所述图谱的边构建所述知识图谱。
在本发明所述的基于知识图谱的故障排查方法中,所述对所述故障模式分析数据和状态监测数据进行处理,获得时序数据包括:
根据所述故障模式分析数据和所述状态监测数据,获取分析对象的测量点、与所述测量点对应的测量值和测量时间;
对所述与所述测量点对应的测量值进行标准化和归一化处理,获得标准测量值;
基于所述测量点、所述标准测量值和所述测量时间构建时间序列矩阵。
在本发明所述的基于知识图谱的故障排查方法中,所述基于所述知识图谱和所述时序数据进行故障排查,以确定所述分析对象的故障模式和故障对象包括:
基于所述知识图谱对所述时序数据中的测量值进行异常识别,获得异常的测量值;
根据所述异常的测量值进行监测参数异常识别,获得异常的监测参数;
基于所述异常的监测参数进行识别,确定故障排查的自变量;
基于所述自变量和所述知识图谱进行故障排查,识别与所述自变量所有相关的故障模式和故障现象;所述与所述自变量所有相关的故障模式和故障现象为所述分析对象的故障模式和故障现象。
在本发明所述的基于知识图谱的故障排查方法中,所述基于所述知识图谱对所述时序数据中的测量值进行异常识别,获得异常的测量值包括:
基于所述知识图谱对所述时序数据中的测量点对应的选定测量值、阈值和标准值;所述选定测量值为与所述测量点对应的最新测量时间的测量值;
计算所述选定测量值与所述阈值的偏差,获得第一偏差值;
计算所述选定测量值与所述标准值的偏差,获得第二偏差值;
根据所述第一偏差值和所述第二偏差值,识别所述异常的测量值。
在本发明所述的基于知识图谱的故障排查方法中,所述根据所述异常的测量值进行监测参数异常识别,获得异常的监测参数包括:
根据所述异常的测量值确定与所述异常的测量值对应的测量点;
获取所述与所述异常的测量值对应的测量点的历史趋势数据;
根据所述异常的测量值和所述历史趋势数据判断所述与所述异常的测量值对应的测量点状态是否正常;
若是,根据所述知识图谱对所述与所述异常的测量值对应的测量点的监测参数进行异常识别,获得所述异常的监测参数。
在本发明所述的基于知识图谱的故障排查方法中,所述基于所述异常的监测参数进行识别,确定故障排查的自变量包括:
获取所述异常的监测参数的异常时间;
根据所述异常时间识别出第一异常监测参数;所述第一异常监测参数为最先发生异常的一个或者多个监测参数;
将所述第一异常监测参数确定为所述故障排查的自变量。
在本发明所述的基于知识图谱的故障排查方法中,所述方法还包括:
根据所述分析对象的故障模式,计算所述分析对象的故障模式的发生概率;
根据所述发生概率对所述分析对象的故障模式进行排序,获得故障模式排序结果;
对所述分析对象的每一个故障对象的所有故障模式的发生概率进行相加求和,获得每一个故障对象的发生概率;
根据所述每一个故障对象的发生概率对所述分析对象的故障对象进行排序,获得故障对象排序结果。
在本发明所述的基于知识图谱的故障排查方法中,所述方法还包括:
获取所述与所述异常的测量值对应的测量点;
获取所述异常的监测参数;
获取所述分析对象的故障模式和故障现象;
获取所述故障模式排序结果和所述故障现象排序结果;
基于所述与所述异常的测量值对应的测量点、所述异常的监测参数、所述故障模式、所述故障现象、所述故障模式排序结果和所述故障现象排序结果形成故障排查的图谱。
本发明还提供一种基于知识图谱的故障排查系统,包括:
获取单元,用于获取分析对象的故障模式分析数据和状态监测数据;
知识图谱构建单元,用于基于所述故障模式分析数据和状态监测数据构建知识图谱;
数据处理单元,用于对所述故障模式分析数据和状态监测数据进行处理,获得时序数据;
故障排查单元,用于基于所述知识图谱和所述时序数据进行故障排查,以确定所述分析对象的故障模式和故障对象。
实施本发明的基于知识图谱的故障排查方法和系统,具有以下有益效果:包括以下步骤:获取分析对象的故障模式分析数据和状态监测数据;基于故障模式分析数据和状态监测数据构建知识图谱;对故障模式分析数据和状态监测数据进行处理,获得时序数据;基于知识图谱和时序数据进行故障排查,以确定分析对象的故障模式和故障对象。本发明的故障排查方法具有通用性,可以适用于设备种类较多的应用场合,而且故障排查速度快,基于知识图谱的多层快速查询,可以显著提高故障排查速率,排查结果可具体到系统、设备部件的故障模式及发生概率。另外,本发明的排查方法从监测数据到最终的故障对象、故障模式,排查过程逻辑清晰明确。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例提供的基于知识图谱的故障排查方法的流程示意图;
图2是本发明实施例提供的知识图谱的示意图;
图3是本发明实施例提供的异常的监测参数判断流程图;
图4是本发明实施例提供的故障排查的图谱的示意图;
图5是本发明实施例提供的基于知识图谱的故障排查系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅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。
参考图1,图1为本发明提供的基于知识图谱的故障排查方法一可选实施例的流程示意图。该基于知识图谱的故障排查方法可以对核电站系统、设备部件等分析对象进行故障,且故障排查逻辑清晰、故障排查速度快,同时还可以准确给出具备的故障对象及故障模式。
具体的,如图1所示,该基于知识图谱的故障排查方法包括以下步骤:
步骤S101、获取分析对象的故障模式分析数据和状态监测数据。
具体的,本发明实施例中,故障模式分析数据和状态监测数据包括:分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值以及标准值。本发明实施例中,分析对象包括:系统、设备及部件。测量点用Xi表示,其为执行具体测量任务且有明确的编码或者名称的传感器。测量值用于xi表示,其为包括数值和单位名称的数据。测量时间用ti表示,阈值用xt表示,标准值用xs表示。其中阈值和标准值可以由用户设定,也可以根据实际应用选择确定。其中,i表示测量点的编码。
步骤S102、基于故障模式分析数据和状态监测数据构建知识图谱。
具体的,本发明实施例中,基于故障模式分析数据和状态监测数据构建知识图谱包括:以分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值和标准值建立图谱的点;以分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值以及标准值之间的关联关系建立图谱的边;基于图谱的点和图谱的边构建知识图谱。
具体的,如图2所示,为本发明所构建的知识图谱的示意图。其中,该知识图谱以图数据库的形式进行存储。
步骤S103、对故障模式分析数据和状态监测数据进行处理,获得时序数据。
一些实施例中,对故障模式分析数据和状态监测数据进行处理,获得时序数据包括:根据故障模式分析数据和状态监测数据,获取分析对象的测量点、与测量点对应的测量值和测量时间;对与测量点对应的测量值进行标准化和归一化处理,获得标准测量值;基于测量点、标准测量值和测量时间构建时间序列矩阵。
具体的,首先对测量值进行标准化和归一化处理,然后以测量点为横轴、以测量时间为纵轴,在交叉点处填入测量值,从而可以得到时间序列矩阵。具体如下表所示:
可选的,本发明实施例中,对测量值的标准化可采用将测量值的数值和单位换算为标准的格式、补齐缺失数据,以得到标准数据,然后利用最大值和最小值进行归一化,得到标准测量值。
步骤S104、基于知识图谱和时序数据进行故障排查,以确定分析对象的故障模式和故障对象。
一些实施例中,基于知识图谱和时序数据进行故障排查,以确定分析对象的故障模式和故障对象包括:基于知识图谱对时序数据中的测量值进行异常识别,获得异常的测量值;根据异常的测量值进行监测参数异常识别,获得异常的监测参数;基于异常的监测参数进行识别,确定故障排查的自变量;基于自变量和知识图谱进行故障排查,识别与自变量所有相关的故障模式和故障现象;与自变量所有相关的故障模式和故障现象为分析对象的故障模式和故障现象。
本发明实施例中,基于知识图谱对时序数据中的测量值进行异常识别,获得异常的测量值包括:基于知识图谱对时序数据中的测量点对应的选定测量值、阈值和标准值;选定测量值为与测量点对应的最新测量时间的测量值;计算选定测量值与阈值的偏差,获得第一偏差值;计算选定测量值与标准值的偏差,获得第二偏差值;根据第一偏差值和第二偏差值,识别异常的测量值。
具体的,利用知识图谱查询测量点相关的最新测量时间的测量值(即选定测量值)、阈值和标准值;然后将选定测量值与阈值作差,获得第一偏差值,将选定测量值与标准值作差,获得第二偏差值;接着分别判断第一偏差值和第二偏差值是否满足条件,即第一偏差值是否大于第一偏差范围,或者第二偏差值是否大于第二偏差范围,或者第一偏差值和第二偏差值是否分别大于第一偏差范围和第二偏差范围,如果是,则判定该选定测量值为异常的测量值,即第一偏差值和第二偏差值中的任意一个或者两个大于偏差范围,均可判定该选定测量值为异常的测量值。
本发明实施例中,根据异常的测量值进行监测参数异常识别,获得异常的监测参数包括:根据异常的测量值确定与异常的测量值对应的测量点;获取与异常的测量值对应的测量点的历史趋势数据;根据异常的测量值和历史趋势数据判断与异常的测量值对应的测量点状态是否正常;若是,根据知识图谱对与异常的测量值对应的测量点的监测参数进行异常识别,获得异常的监测参数。
具体的,对于已识别出的异常的测量值,可以确定与该异常的测量值对应的测量点(即故障测量点);接着先判断该测量点状态是否正常,如果异常,则作为异常状态处理,如果正常,则作为正常状态处理。且只有在确定该测量点状态正常时,才进一步地判断该测量点所测量的监测参数是否异常。即如图3所示,对于已识别出的异常的测量值分为两步处理:第一步,通过与该测量点的历史趋势进行比较(Xia(识别出的异常测量值)与xih(历史趋势)比较)判断是否为偶发异常,如果在给定时间段内异常次数少于用户规定的数量则认为是测量点或监测参数偶发异常,作为正常状态处理;如果在给定时间段内异常次数大于用户规定的数量,则认为是该测量点或者监测参数步的频发异常,作为异常状态处理。第二步:利用知识图谱先反向查询该测量点对应的监测参数、故障现象、故障模式、分析对象,再正向查询这些分析对象、故障模式、故障现象、监测参数相关的测量点,通过与相关测量点的测量值与历史趋势(Xia(识别出的异常测量值)与xja(历史趋势)比较),如果仅该测量点的测量值异常,则认为是该测量点异常(或者故障),如果多个测量点的测量值均异常,则认为是真实的监测参数异常。一般地,对于仅用一个测量点测量的监测参数,则只要该测量点的测量值异常即认为是监测参数异常。
本发明实施例中,基于异常的监测参数进行识别,确定故障排查的自变量包括:获取异常的监测参数的异常时间;根据异常时间识别出第一异常监测参数;第一异常监测参数为最先发生异常的一个或者多个监测参数;将第一异常监测参数确定为故障排查的自变量。
具体的,针对已识别的所有异常的监测参数,通过比较各个监测参数的异常时间,识别出最先发生异常的一个或者多个监测参数,并将该最先发生异常的一个或者多个监测参数作为故障排查的自变量。
本发明实施例中,在获得故障排查的自变量后,将所得到的自变量作为查询条件,利用知识图谱查询所有相关的故障模式和故障对象,并记录所查询得到的故障模式和故障对象,所记录的故障模式和故障对象即为所分析的分析对象(系统、设备或者部件)所有的故障模式和故障对象。
进一步地,本发明实施例中,该基于知识图谱的故障排查方法还包括:根据分析对象的故障模式,计算分析对象的故障模式的发生概率;根据发生概率对分析对象的故障模式进行排序,获得故障模式排序结果;对分析对象的每一个故障对象的所有故障模式的发生概率进行相加求和,获得每一个故障对象的发生概率;根据每一个故障对象的发生概率对分析对象的故障对象进行排序,获得故障对象排序结果。
具体的,通过利用知识图谱,以所得到的自变量进行查询得到分析对象所有的故障模式和故障对象后,按照最大值最小值方法先进行归一化,以1为最小值,以该故障模式对应的所有监测参数的数量为最大值,计算归一化后的故障模式的发生概率,在此基础上对所查询得到的所有的故障模式按照发生概率由大到小的顺序进行排序,获得故障模式的排序结果。而对于每一个故障对象的所有故障模式的发生概率进行相加求和,所得到的和作为该故障对象的发生概率,在此基础上对所有的故障对象按照发生概率由大到小的顺序进行排序,获得故障对象的排序结果。
进一步地,本发明实施例中,该基于知识图谱的故障排查方法还包括:获取与异常的测量值对应的测量点;获取异常的监测参数;获取分析对象的故障模式和故障现象;获取故障模式排序结果和故障现象排序结果;基于与异常的测量值对应的测量点、异常的监测参数、故障模式、故障现象、故障模式排序结果和故障现象排序结果形成故障排查的图谱。
具体的,将所识别出的故障测量点、识别出的异常监测参数、所查询得到的可能的故障模式和故障对象,所得到的故障模式排序结果和故障对象排序结果,依次按列进行对应的连线,形成故障排查的图谱。具体展示如图4所示。
参考图5,图5为本发明提供的基于知识图谱的故障排查系统一可选实施例的结构示意图。该基于知识图谱的故障排查系统可应用于本发明实施例公开的基于知识图谱的故障排查方法。
具体的,如图5所示,该基于知识图谱的故障排查系统包括:
获取单元501,用于获取分析对象的故障模式分析数据和状态监测数据。
具体的,本发明实施例中,故障模式分析数据和状态监测数据包括:分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值以及标准值。本发明实施例中,分析对象包括:系统、设备及部件。测量点用Xi表示,其为执行具体测量任务且有明确的编码或者名称的传感器。测量值用于xi表示,其为包括数值和单位名称的数据。测量时间用ti表示,阈值用xt表示,标准值用xs表示。其中阈值和标准值可以由用户设定,也可以根据实际应用选择确定。其中,i表示测量点的编码。
知识图谱构建单元502,用于基于故障模式分析数据和状态监测数据构建知识图谱。
具体的,本发明实施例中,基于故障模式分析数据和状态监测数据构建知识图谱包括:以分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值和标准值建立图谱的点;以分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值以及标准值之间的关联关系建立图谱的边;基于图谱的点和图谱的边构建知识图谱。
数据处理单元503,用于对故障模式分析数据和状态监测数据进行处理,获得时序数据。
故障排查单元504,用于基于知识图谱和时序数据进行故障排查,以确定分析对象的故障模式和故障对象。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
Claims (10)
1.一种基于知识图谱的故障排查方法,其特征在于,包括以下步骤:
获取分析对象的故障模式分析数据和状态监测数据;
基于所述故障模式分析数据和状态监测数据构建知识图谱;
对所述故障模式分析数据和状态监测数据进行处理,获得时序数据;
基于所述知识图谱和所述时序数据进行故障排查,以确定所述分析对象的故障模式和故障对象。
2.根据权利要求1所述的基于知识图谱的故障排查方法,其特征在于,所述故障模式分析数据和状态监测数据包括:分析对象、故障模式、故障现象、监测参数、测量点、测量值、测量时间、阈值以及标准值;
所述基于所述故障模式分析数据和状态监测数据构建知识图谱包括:
以所述分析对象、所述故障模式、所述故障现象、所述监测参数、所述测量点、所述测量值、所述测量时间、所述阈值和所述标准值建立图谱的点;
以所述分析对象、所述故障模式、所述故障现象、所述监测参数、所述测量点、所述测量值、所述测量时间、所述阈值以及所述标准值之间的关联关系建立图谱的边;
基于所述图谱的点和所述图谱的边构建所述知识图谱。
3.根据权利要求2所述的基于知识图谱的故障排查方法,其特征在于,所述对所述故障模式分析数据和状态监测数据进行处理,获得时序数据包括:
根据所述故障模式分析数据和所述状态监测数据,获取分析对象的测量点、与所述测量点对应的测量值和测量时间;
对所述与所述测量点对应的测量值进行标准化和归一化处理,获得标准测量值;
基于所述测量点、所述标准测量值和所述测量时间构建时间序列矩阵。
4.根据权利要求1所述的基于知识图谱的故障排查方法,其特征在于,所述基于所述知识图谱和所述时序数据进行故障排查,以确定所述分析对象的故障模式和故障对象包括:
基于所述知识图谱对所述时序数据中的测量值进行异常识别,获得异常的测量值;
根据所述异常的测量值进行监测参数异常识别,获得异常的监测参数;
基于所述异常的监测参数进行识别,确定故障排查的自变量;
基于所述自变量和所述知识图谱进行故障排查,识别与所述自变量所有相关的故障模式和故障现象;所述与所述自变量所有相关的故障模式和故障现象为所述分析对象的故障模式和故障现象。
5.根据权利要求4所述的基于知识图谱的故障排查方法,其特征在于,所述基于所述知识图谱对所述时序数据中的测量值进行异常识别,获得异常的测量值包括:
基于所述知识图谱对所述时序数据中的测量点对应的选定测量值、阈值和标准值;所述选定测量值为与所述测量点对应的最新测量时间的测量值;
计算所述选定测量值与所述阈值的偏差,获得第一偏差值;
计算所述选定测量值与所述标准值的偏差,获得第二偏差值;
根据所述第一偏差值和所述第二偏差值,识别所述异常的测量值。
6.根据权利要求4所述的基于知识图谱的故障排查方法,其特征在于,所述根据所述异常的测量值进行监测参数异常识别,获得异常的监测参数包括:
根据所述异常的测量值确定与所述异常的测量值对应的测量点;
获取所述与所述异常的测量值对应的测量点的历史趋势数据;
根据所述异常的测量值和所述历史趋势数据判断所述与所述异常的测量值对应的测量点状态是否正常;
若是,根据所述知识图谱对所述与所述异常的测量值对应的测量点的监测参数进行异常识别,获得所述异常的监测参数。
7.根据权利要求4所述的基于知识图谱的故障排查方法,其特征在于,所述基于所述异常的监测参数进行识别,确定故障排查的自变量包括:
获取所述异常的监测参数的异常时间;
根据所述异常时间识别出第一异常监测参数;所述第一异常监测参数为最先发生异常的一个或者多个监测参数;
将所述第一异常监测参数确定为所述故障排查的自变量。
8.根据权利要求6所述的基于知识图谱的故障排查方法,其特征在于,所述方法还包括:
根据所述分析对象的故障模式,计算所述分析对象的故障模式的发生概率;
根据所述发生概率对所述分析对象的故障模式进行排序,获得故障模式排序结果;
对所述分析对象的每一个故障对象的所有故障模式的发生概率进行相加求和,获得每一个故障对象的发生概率;
根据所述每一个故障对象的发生概率对所述分析对象的故障对象进行排序,获得故障对象排序结果。
9.根据权利要求8所述的基于知识图谱的故障排查方法,其特征在于,所述方法还包括:
获取所述与所述异常的测量值对应的测量点;
获取所述异常的监测参数;
获取所述分析对象的故障模式和故障现象;
获取所述故障模式排序结果和所述故障现象排序结果;
基于所述与所述异常的测量值对应的测量点、所述异常的监测参数、所述故障模式、所述故障现象、所述故障模式排序结果和所述故障现象排序结果形成故障排查的图谱。
10.一种基于知识图谱的故障排查系统,其特征在于,包括:
获取单元,用于获取分析对象的故障模式分析数据和状态监测数据;
知识图谱构建单元,用于基于所述故障模式分析数据和状态监测数据构建知识图谱;
数据处理单元,用于对所述故障模式分析数据和状态监测数据进行处理,获得时序数据;
故障排查单元,用于基于所述知识图谱和所述时序数据进行故障排查,以确定所述分析对象的故障模式和故障对象。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211475669.7A CN115841323A (zh) | 2022-11-23 | 2022-11-23 | 一种基于知识图谱的故障排查方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211475669.7A CN115841323A (zh) | 2022-11-23 | 2022-11-23 | 一种基于知识图谱的故障排查方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841323A true CN115841323A (zh) | 2023-03-24 |
Family
ID=85575960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211475669.7A Pending CN115841323A (zh) | 2022-11-23 | 2022-11-23 | 一种基于知识图谱的故障排查方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841323A (zh) |
-
2022
- 2022-11-23 CN CN202211475669.7A patent/CN115841323A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
CN109725220B (zh) | 一种变压器油冷却回路的检测方法、系统及装置 | |
CN111624986A (zh) | 基于案例库的故障诊断方法和系统 | |
CN115311829B (zh) | 一种基于海量数据的精准告警方法及系统 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN115980531A (zh) | 一种特定环境下的gis开关柜质量检测方法及系统 | |
CN115034094B (zh) | 一种金属加工机床运行状态预测方法及系统 | |
CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
CN115018220A (zh) | 一种基于知识图谱的家电故障预测方法和系统 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN111797533A (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN118070199A (zh) | 一种电力设备检测方法及检测系统 | |
CN117436569A (zh) | 基于随机森林的核电设备故障预测和智能标定方法及系统 | |
CN114328147B (zh) | 一种测试异常处理方法、装置、电子设备及存储介质 | |
CN116380228A (zh) | 衡器运行监测方法、系统、终端及存储介质 | |
CN115841323A (zh) | 一种基于知识图谱的故障排查方法和系统 | |
US7366639B2 (en) | Methods for establishing alerts and/or alert limits for monitoring mechanical devices | |
CN113591909B (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 | |
CN112737120B (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
CN115190039A (zh) | 一种设备健康评测方法、系统、设备以及存储介质 | |
CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 |
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 |