CN116164822A - 基于知识图谱的流量计故障诊断方法、装置、介质 - Google Patents
基于知识图谱的流量计故障诊断方法、装置、介质 Download PDFInfo
- Publication number
- CN116164822A CN116164822A CN202310360785.2A CN202310360785A CN116164822A CN 116164822 A CN116164822 A CN 116164822A CN 202310360785 A CN202310360785 A CN 202310360785A CN 116164822 A CN116164822 A CN 116164822A
- Authority
- CN
- China
- Prior art keywords
- fault
- flowmeter
- fault diagnosis
- flow meter
- graph
- 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
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
- G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of flowmeters
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明的一种基于知识图谱的流量计故障诊断方法,包括:获取被监测流量计的监测信号;在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;对所述故障日志进行预处理,得到被监测流量计的故障特征向量;基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建。本发明在流量计出现故障时,通过基于流量计故障知识图谱确定当前流量计的故障诊断结果,从而实现利用流量计故障知识图谱对流量计故障进行诊断,以提高流量计故障诊断的准确性,改善流量计故障诊断效果。
Description
技术领域
本发明涉及智能仪表故障监测技术领域,具体涉及一种基于知识图谱的流量计故障诊断方法、装置、机器可读介质。
背景技术
现目前,对于流量计的健康监测是通过获取流量计运行过程中的运行数据,并将运行数据与人为制定的故障规则进行匹配,以确定流量计故障的真正原因;或者基于流量计运行过程中的运行数据计算故障指标,并根据故障指标确定流量计故障的真正原因;或者是故障后,靠经验对各个部件进行检测判断故障。然而,上述故障诊断方式准确性较差,导致设备故障的诊断效率低、成本损耗大;另一方面没有对故障现象和原因形成知识,便于以后仪表的故障诊断和运维。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于知识图谱的流量计故障诊断方法、装置、机器可读介质,用于解决现有技术存在的问题。
为实现上述目的及其他相关目的,本发明提供一种基于知识图谱的流量计故障诊断方法,包括:
获取被监测流量计的监测信号;
在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;
对所述故障日志进行预处理,得到被监测流量计的故障特征向量;
基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。
于本发明一实施例中,所述故障诊断数据包括:流量计报警类别、流量计报警事件、报警关联的部件;
所述流量计报警类别包括:初期报警、突发报警和磨损报警;
所述流量计报警事件包括:故障发现方式、故障发生时间、报警事件内容、报警关联部件、故障发现人员;
所述流量计故障知识图谱的实体包括:流量计名称、流量计类别、部件、报警事件、报警类别、报警关联的部件。
于本发明一实施例中,所述方法还包括:
识别所述当前故障诊断数据中携带的报警类别;
若所述报警类别为磨损报警,则根据所述被监测流量计的故障诊断数据与预先训练好的流量计健康状态预测模型对流量计的健康状态进行预测。
于本发明一实施例中,所述根据所述被监测流量计的故障诊断数据与预先训练好的流量计健康状态预测模型对流量计的健康状态进行预测,包括:
通过流量计健康状态预测模型中的CNN卷积神经网络对所述故障诊断数据进行特征提取,得到第一特征;
通过流量计健康状态预测模型中的LSTM长短期记忆神经网络对所述故障诊断数据进行特征提取,得到第二特征;
通过流量计健康状态预测模型中的特征融合层对所述第一特征与所述第二特征进行特征融合,得到融合特征;
通过流量计健康状态预测模型中的在分类层基于所述融合特征对被检测流量计的健康状态预测。
于本发明一实施例中,所述CNN卷积神经网络包括多个依次连接的特征提取层,所述特征提取层包括依次设置的卷积层、批标准化层、最大池化层,其中,最后一个特征提取层还包括全局平均池化层,所述全局平均池化层连接在最大池化层之后。
于本发明一实施例中,预先构建的流量计故障知识图谱的步骤包括:
获取历史故障流量计的故障日志;
对所述故障诊断数据进行实体提取,得到实体以及实体与实体之间的关系;
根据所述实体以及实体与实体之间的关系生成三元组;
基于所述三元组构建所述流量计故障知识图谱。
于本发明一实施例中,所述方法还包括:
对所述三元组进行数据合并处理,得到新的三元组;在构建流量计故障知识图谱时,基于新的三元组进行构建。
为实现上述目的及其他相关目的,本发明还提供一种基于知识图谱的流量计故障诊断装置,包括:
信号采集模块,用于采集被监测流量计的监测信号;
故障日志获取模块,用于在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;
特征提取模块,用于对所述故障日志进行预处理,得到被监测流量计的故障特征向量;
故障诊断模块,用于基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。
为实现上述目的及其他相关目的,本发明还提供一种设备,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行前述的一个或多个所述的基于知识图谱的流量计故障诊断方法。
为实现上述目的及其他相关目的,本发明还提供一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得设备执行前述的一个或多个所述的基于知识图谱的流量计故障诊断方法。
如上所述,本发明提供的一种基于知识图谱的流量计故障诊断方法、装置、机器可读介质,具有以下有益效果:
本发明的一种基于知识图谱的流量计故障诊断方法,包括:采集被监测流量计的监测信号;在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;对所述故障日志进行预处理,得到被监测流量计的故障特征向量;基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。本发明在流量计出现故障时,通过基于流量计故障知识图谱确定当前流量计的故障诊断结果,从而实现利用流量计故障知识图谱对流量计故障进行诊断,以提高流量计故障诊断的准确性,改善流量计故障诊断效果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一示例性实施例基于知识图谱的流量计故障诊断方法实施环境的示意图;
图2为本申请一示例性实施例示出的一种基于知识图谱的流量计故障诊断方法的流程图;
图3为本申请一示例性实施例示出的通过流量计健康状态预测模型来对流量计的健康状态进行预测的流程图;
图4为本申请一示例性实施例示出的CNN卷积神经网络的结构框图;
图5为本申请一示例性实施例示出的建量流量计故障知识图谱的流程图;
图6为本申请一示例性实施例示出的基于知识图谱的流量计故障诊断装置的框图;
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中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。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
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。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
图1是本申请一种示例性一种基于知识图谱的流量计故障诊断方法实施环境的示意图。请参阅图1,该实施环境中包括终端设备102和服务器103,终端设备102和服务器103之间通过有线或者无线网络进行通信。终端设备可以采集被监测流量计101的监测信号;在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;对所述故障日志进行预处理,得到被监测流量计的故障特征向量;基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。
其中,终端设备102对应客户端,其可以是任意具有用户输入接口的电子设备,包括但不限于智能手机、平板、笔记本电脑、计算机、车载电脑等等,其中,用户输入接口包括但不限于触摸屏、键盘、物理按键、音频拾取装置等。
其中,服务器103对应服务端,其可以是提供各种服务的服务器,其可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDeliveryNetwork,内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器,本处不对此进行限制。
终端设备102可以通过3G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络与服务端103进行通信,本处也不对此进行限制。
本申请的实施例分别提出一种基于知识图谱的流量计故障诊断方法、一种基于知识图谱的流量计故障诊断装置、一种电子设备、一种计算机可读存储介质,以下将对这些实施例进行详细描述。
请参阅图2,图2是本申请的一示例性实施例示出的一种基于知识图谱的流量计故障诊断方法的流程图。该方法可以应用于图1所示的实施环境,并由该实施环境中的终端设备102具体执行。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
请参阅图2,图2为本申请一示例性的一种基于知识图谱的流量计故障诊断方法的流程图,该基于知识图谱的流量计故障诊断方法至少包括步骤S210至步骤S230,详细介绍如下:
步骤S210,采集被监测流量计的监测信号;
需要说明的是,被监测流量计指的是需要进行故障诊断的流量计,被监测流量计可以是某一个流量计,也可以某一些流量计,在本实施例中不对被监测流量计的数量和类型进行限定。
对流量计的监测主要是对传感器和转换器的监测;其中,对传感器的监测主要包括励磁电流主和电极间内阻的监测;而对转换器的监测主要包括对静态RAM、静态堆栈、静态ROM、PC指针、时钟异常、动态堆栈、动态ROM、动态RAM、按键短接、关键参数、电源、输出电流、外部存储器、流量等的监测。而监测信号指的是对上述传感器或/和转换器进行监测而产生的信号。比如,对输出电流进行监测,则产生电流信号,具体可以是取样电流信号;若对流量进行监测,则产生流量信号。
步骤S220,在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;
在本实施例中,对流量计的监测是一直持续不断的,在监测信号超过设定条件时,认为此时流量计产生了故障,相应地会生成故障日志,此时才采集因监测信号超过设定条件而产生的故障日志。具体地,比如在对输出电流进行监测时,若输出电流超过设定的电流阈值,则流量计生成过流的故障日志,在该故障日志中至少包含了过流的故障信息。
也就是说,在本申请中是在发生故障时才获取故障日志,而不是一直都对故障日志进行获取,从而减少了对数据的处理量。
步骤S230,对所述故障日志进行预处理,得到被监测流量计的故障特征向量;
一般来说,故障日志是一种文本文件,而且该文本文件是记录的文本信息有一部分是非结构文本信息,而非结构化的文本信息是不能用于与流量计故障知识图谱进行匹配的。因此,需要先对故障日志进行预处理来得到利用与流量计故障知识图谱进行匹配的特征,其中,故障特征向量是可以进行机器识别和处理的标准化内容。
对于故障日志的预处理,在获取到上述故障日志后,首先对故障日志进行解析后得到日志模板和日志内容,具体的,通过删除故障日志中的无效字符、将故障日志中的多种术语转换为标准术语、对故障日志中的变量进行统一替换,并生成日志模板列。在解析生成日志内容的过程中,由于日志变量的特征具有以下的规律:字符串带有数字,字符串为无意义的序列,以及字符串位于特定标点符号附近等,例如位于各类括号、引号内、冒号后、运算符前后等,因此在解析的过程中,可以基于正则表达式、分词等文本分析技术对故障日志中的文本进行识别,在上述生成的日志模板的基础上,将模板字符所在的日志语句剔除,保留其余整句部分作为日志内容列,即获得了日志内容,从而将故障日志转换为可以进行机器识别和处理的标准化内容。
通过对故障日志进行格式、内容上的转换和处理,从而将文本化、指令化的故障日志转换为机器可以识别和处理的标准化日志数据,提高了后续故障预测的准确性。
步骤S240,基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。
在得到故障特征向量后,将故障特征向量作为流量计故障知识图谱的输入,输入到流量计故障知识图谱中与流量计故障知识图谱进行匹配,从而完成对被监测流量计的故障进行诊断,经过将故障特征向量与流量计故障知识图谱进行匹配,从而得到流量计的故障诊断数据。其中,故障数据包括流量计报警类别、流量计报警事件、报警关联的部件。
需要说明的是,所述流量计报警类别包括:初期报警、突发报警和磨损报警;对于初期报警是发生在调试运行阶段;
所述流量计报警事件包括:故障发现方式、故障发生时间、报警事件内容、报警关联部件、故障发现人员;对于故障发现方式可以包括检修、状态监测;
所述流量计故障知识图谱的实体包括:流量计、部件、报警事件、报警类别、报警关联的部件,其中报警关联的部件为与报警部件关联的部件。
在一实施例事,所述方法还包括:识别所述当前故障诊断数据中携带的报警类别;若所述报警类别为磨损报警,则根据所述当前故障诊断数据与预先训练好的流量计健康状态预测模型对流量计的健康状态进行预测。
在完成对流量计的故障诊断后,得到故障诊断数据后,会对故障诊断数据进行分析,识别出该故障诊断数据中的报警类别是什么类别。若识别的报警类型为磨损报警,则需要根据进一步判断发生报警的流量计在后续的时间段内是否会发生报警。在一实施例中,通过训练一个神经网络模型来预测流量计的健康状态。即通过预先训练一个流量计健康状态预测模型来对流量计的健康状态进行预测。
请参阅图3,图3为本申请一示例性实施例示出的通过流量计健康状态预测模型来对流量计的健康状态进行预测的流程图。在图3中,所述根据所述当前故障诊断数据与预先训练好的流量计健康状态预测模型对流量计的健康状态进行预测的步骤包括步骤S310~步骤S340,详细介绍如下:
步骤S310,通过流量计健康状态预测模型中的CNN卷积神经网络对所述故障诊断数据进行特征提取,得到第一特征;
步骤S320,通过流量计健康状态预测模型中的LSTM长短期记忆神经网络对所述故障诊断数据进行特征提取,得到第二特征;
步骤S330,通过流量计健康状态预测模型中的特征融合层对所述第一特征与所述第二特征进行特征融合,得到融合特征;
步骤S340,通过流量计健康状态预测模型中的在分类层基于所述融合特征对被检测流量计的健康状态预测。
在本发明中,采用一维CNN提取故障诊断数据中的空间特征信息;因此利用LSTM直接处理故障诊断数据,以获取故障诊断数据的时序信息特征;特征融合层的作用是将故障诊断数据的时间特征和空间特征进行融合,融合层采用的Concatenate融合机制;输出层是根据融合后的特征对流量计的健康状态进行预测。其中,健康状态的预测包括该流量计在未来的时间段内可能发生故障,以及可能发生哪些故障。
请参阅图4,图4为本申请一示例性实施例示出的CNN卷积神经网络的结构框图。在图4中,所述CNN卷积神经网络包括多个依次连接的特征提取层,所述特征提取层包括依次设置的卷积层、批标准化层、最大池化层,其中,最后一个特征提取层还包括全局平均池化层,所述全局平均池化层连接在最大池化层之后。
在本实施例中,经过卷积、池化后的数据的维度降低,为了充分提取该数据中所隐藏的特征,采用3个卷积层对故障信息进行特征提取。为了减少训练时间以及避免梯度消失梯度爆炸问题,在卷积层之后采用了批标准化进行处理。通常在分类层前是全连接层,但是全连接层的参数超多,会使模型变得非常臃肿,甚至产生过拟合,因此利用全局平均池化代替全连接层,实现降维的同时又极大的减少了网络参数,提高模型收敛速度。
请参阅图5,图5为本申请一示例性实施例示出的建量流量计故障知识图谱的流程图。在图5中,预先构建的流量计故障知识图谱的步骤包括步骤S510~步骤S540,具体介绍如下:
步骤S510,获取历史故障流量计的故障日志;
步骤S520,对所述故障诊断数据进行实体提取,得到实体以及实体与实体之间的关系;
步骤S530,根据所述实体以及实体与实体之间的关系生成三元组;
步骤S540,基于所述三元组构建所述流量计故障知识图谱。
流量计故障知识图谱是基于节点和节点之间的连接关系构建的,因此可以从历史故障流量计的故障日志中抽取实体和实体之间的关系,以生成实体-关系-实体的三元组,从而可将实体-关系-实体三元组中的实体作为节点,实体之间的关系作为节点之间的连接关系,用于构建流量计故障知识图谱。
具体的,从历史故障流量计的故障日志中抽取实体和实体之间的关系,可基于TF-IDF(TermFrequency–InverseDocumentFrequency,词频-逆向文件频率)算法,或者基于深度学习等方式实现。其中提取实体和实体之间的关系为常规技术,此处对其不作过多赘述。具体地,对于对故障日志的预处理,在获取到上述故障日志后,首先对故障日志进行解析后得到日志模板和日志内容,具体的,通过删除故障日志中的无效字符、将故障日志中的多种术语转换为标准术语、对故障日志中的变量进行统一替换,并生成日志模板列。在解析生成日志内容的过程中,由于日志变量的特征具有以下的规律:字符串带有数字,字符串为无意义的序列,以及字符串位于特定标点符号附近等,例如位于各类括号、引号内、冒号后、运算符前后等,因此在解析的过程中,可以基于正则表达式、分词等文本分析技术对故障日志中的文本进行识别,在上述生成的日志模板的基础上,将模板字符所在的日志语句剔除,保留其余整句部分作为日志内容列,即获得日志内容,从而将故障日志转换为可以进行机器识别和处理的标准化内容。
通过上述方法完成对实体提取,得到实体以及实体与实体之间的关系。
抽取到实体和实体之间的关系后,可根据实体和实体之间关系,生成实体-关系-实体的三元组。本实施例中,实体-关系-实体的三元组,可表示为(h,r,t)。其中,h表示头实体、r表示头实体和尾实体之间的关系,t表示尾实体。
考虑到流量计故障知识图谱是由节点和节点之间的连接关系组成,因此可将新实体-关系-实体的三元组中实体作为节点,将所述新实体-关系-实体的三元组中实体之间的关系作为节点之间的连接关系,构建流量计故障知识图谱。然后,将构建好的流量计故障知识图谱存储至数据库中,以为后续基于该流量计故障知识图谱进行设备故障诊断奠定基础。
由于历史故障设备的故障诊断数据规模不是很大,因此本申请实施例中可选用MySQL关系型数据库存储流量计故障知识图谱,以保证后续基于流量计故障知识图谱进行设备故障诊断的稳定性和便捷性。
在一实施例中,所述方法还包括:
对所述三元组进行数据合并处理,得到新的三元组;在构建流量计故障知识图谱时,基于新的三元组进行构建。
由于自然语言描述的多样性,可能会导致属于同一个内容的描述存在差异。因此,本申请实施例基于实体-关系-实体的三元组构建流量计故障知识图谱之前,可根据语义相似度对实体-关系-实体的三元组进行重复数据合并和重复数据删除处理,得到新实体-关系-实体的三元组,以避免将相同内容进行多次存储,从而增加流量计故障知识图谱的数据量。
在一实施例中,还可以构建一个方案解决数据库,该方案解决数据库内存储有大量的故障解决方案,每一种故障诊断数据都可以对应一个故障解决方案。在通过上述步骤S210~步骤S240后,得到了故障诊断数据后,可以将通过流量计故障知识图谱得到的故障诊断数据与方案解决数据库中的故障诊断数据进行相似度计算,将相似度最高的故障诊断数据作为目标故障诊断数据,同时获取与目标故障诊断数据具有对应关系的目标故障解决方案,从而可以将目标故障解决方案推送到维修人来,由维修人员根据目标故障解决方案来解决相应的流量计故障。
在本发明中,通过采集被监测流量计的监测信号;在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;对所述故障日志进行预处理,得到被监测流量计的故障特征向量;基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。本发明在流量计出现故障时,通过基于流量计故障知识图谱确定当前流量计的故障诊断结果,还可以并将故障诊断结果对应的解决方案推送给用户,从而实现利用流量计故障知识图谱对流量计故障进行诊断,以提高流量计故障诊断的准确性,改善流量计故障诊断效果。
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,而不应对本发明实施例的实施过程构成任何限定。
图6是本申请一示例性实施例示出的基于知识图谱的流量计故障诊断装置的框图。该装置可以应用于图1所示的实施环境,并具体配置在智能终端中。该装置也可以适用于其它的示例性实施环境,并具体配置在其它设备中,本实施例不对该装置所适用的实施环境进行限制。
请参阅图6,基于知识图谱的流量计故障诊断装置包括:
信号采集模块610,用于采集被监测流量计的监测信号;
故障日志获取模块620,用于在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;
特征提取模块630,用于对所述故障日志进行预处理,得到被监测流量计的故障特征向量;
故障诊断模块640,用于基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。
需要说明的是,上述实施例所提供的基于知识图谱的流量计故障诊断装置与上述实施例所提供的基于知识图谱的流量计故障诊断方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述各个实施例中提供的基于知识图谱的流量计故障诊断方法。
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图7示出的电子设备的计算机系统700仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CentralProcessingUnit,CPU)701,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)702中的程序或者从储存部分708加载到随机访问存储器(RandomAccessMemory,RAM)703中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM703中,还存储有系统操作所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出(Input/Output,I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CathodeRayTube,CRT)、液晶显示器(LiquidCrystalDisplay,LCD)等以及扬声器等的输出部分707;包括硬盘等的储存部分708;以及包括诸如LAN(LocalAreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入储存部分708。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图2所示的基于知识图谱的流量计故障诊断方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ErasableProgrammableReadOnly Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(CompactDisc Read-OnlyMemory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面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,该计算机程序被计算机的处理器执行时,使计算机执行如前所述的基于知识图谱的流量计故障诊断方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的基于知识图谱的流量计故障诊断方法。
上述实施例仅示例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,但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流量计故障诊断方法,其特征在于,包括:
采集被监测流量计的监测信号;
在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;
对所述故障日志进行预处理,得到被监测流量计的故障特征向量;
基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。
2.根据权利要求1所述的基于知识图谱的流量计故障诊断方法,其特征在于,所述故障诊断数据包括:流量计报警类别、流量计报警事件、报警关联的部件;
所述流量计报警类别包括:初期报警、突发报警和磨损报警;
所述流量计报警事件包括:故障发现方式、故障发生时间、报警事件内容、报警关联部件、故障发现人员;
所述流量计故障知识图谱的实体包括:流量计名称、流量计类型、部件、报警事件、报警类别、报警关联的部件。
3.根据权利要求2所述的基于知识图谱的流量计故障诊断方法,其特征在于,所述方法还包括:
识别所述当前故障诊断数据中携带的报警类别;
若所述报警类别为磨损报警,则根据所述被监测流量计的故障诊断数据与预先训练好的流量计健康状态预测模型对流量计的健康状态进行预测。
4.根据权利要求3所述的基于知识图谱的流量计故障诊断方法,其特征在于,所述根据所述被监测流量计的故障诊断数据与预先训练好的流量计健康状态预测模型对流量计的健康状态进行预测,包括:
通过流量计健康状态预测模型中的CNN卷积神经网络对所述故障诊断数据进行特征提取,得到第一特征;
通过流量计健康状态预测模型中的LSTM长短期记忆神经网络对所述故障诊断数据进行特征提取,得到第二特征;
通过流量计健康状态预测模型中的特征融合层对所述第一特征与所述第二特征进行特征融合,得到融合特征;
通过流量计健康状态预测模型中的在分类层基于所述融合特征对被检测流量计的健康状态预测。
5.根据权利要求4所述的基于知识图谱的流量计故障诊断方法,其特征在于,所述CNN卷积神经网络包括多个依次连接的特征提取层,所述特征提取层包括依次设置的卷积层、批标准化层、最大池化层,其中,最后一个特征提取层还包括全局平均池化层,所述全局平均池化层连接在最大池化层之后。
6.根据权利要求1所述的基于知识图谱的流量计故障诊断方法,其特征在于,预先构建的流量计故障知识图谱的步骤包括:
获取历史故障流量计的故障日志;
对所述故障诊断数据进行实体提取,得到实体以及实体与实体之间的关系;
根据所述实体以及实体与实体之间的关系生成三元组;
基于所述三元组构建所述流量计故障知识图谱。
7.根据权利要求5所述的基于知识图谱的流量计故障诊断方法,其特征在于,所述方法还包括:
对所述三元组进行数据合并处理,得到新的三元组;在构建流量计故障知识图谱时,基于新的三元组进行构建。
8.一种基于知识图谱的流量计故障诊断装置,其特征在于,包括:
信号采集模块,用于采集被监测流量计的监测信号;
故障日志获取模块,用于在所述监测信号超过设定条件时,获取因所述监测信号超过设定条件而生成的故障日志;
特征提取模块,用于对所述故障日志进行预处理,得到被监测流量计的故障特征向量;
故障诊断模块,用于基于所述故障特征向量以及预先构建的流量计故障知识图谱对被监测流量计的故障进行诊断,得到被监测流量计的故障诊断数据,其中,所述流量计故障知识图谱是基于故障流量计的故障日志构建的。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;和其上存储有指令的一个或多个机器可读介质,当所述一个或多个处理器执行时,使得所述设备执行如权利要求1-7中一个或多个所述的基于知识图谱的流量计故障诊断方法。
10.一个或多个机器可读介质,其特征在于,其上存储有指令,当由一个或多个处理器执行时,使得设备执行如权利要求1-7中一个或多个所述的基于知识图谱的流量计故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310360785.2A CN116164822A (zh) | 2023-04-06 | 2023-04-06 | 基于知识图谱的流量计故障诊断方法、装置、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310360785.2A CN116164822A (zh) | 2023-04-06 | 2023-04-06 | 基于知识图谱的流量计故障诊断方法、装置、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116164822A true CN116164822A (zh) | 2023-05-26 |
Family
ID=86413415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310360785.2A Pending CN116164822A (zh) | 2023-04-06 | 2023-04-06 | 基于知识图谱的流量计故障诊断方法、装置、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116164822A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756250A (zh) * | 2023-06-06 | 2023-09-15 | 电子科技大学 | 故障相关数据的处理方法、装置、计算机设备及存储介质 |
-
2023
- 2023-04-06 CN CN202310360785.2A patent/CN116164822A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756250A (zh) * | 2023-06-06 | 2023-09-15 | 电子科技大学 | 故障相关数据的处理方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717408B (zh) | 一种敏感词实时监控方法、电子设备、存储介质及系统 | |
CN111881983B (zh) | 基于分类模型的数据处理方法、装置、电子设备及介质 | |
CN111881398B (zh) | 页面类型确定方法、装置和设备及计算机存储介质 | |
CN115357470B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN113986864A (zh) | 日志数据处理方法、装置、电子设备及存储介质 | |
CN116164822A (zh) | 基于知识图谱的流量计故障诊断方法、装置、介质 | |
CN113762973A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN112560461A (zh) | 新闻线索的生成方法、装置、电子设备及存储介质 | |
CN116361147A (zh) | 测试用例根因定位方法及其装置、设备、介质、产品 | |
US20230252295A1 (en) | Method of generating multimodal set of samples for intelligent inspection, and training method | |
CN116561748A (zh) | 一种组件子序列相关性感知的日志异常检测装置 | |
CN116864128A (zh) | 基于身体活动行为模式监测的心理状态评估系统及其方法 | |
CN116225848A (zh) | 日志监测方法、装置、设备和介质 | |
CN116795978A (zh) | 一种投诉信息处理方法、装置、电子设备及介质 | |
Tian et al. | An event knowledge graph system for the operation and maintenance of power equipment | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN115587007A (zh) | 基于RoBERTa的网络日志安全检测方法及系统 | |
CN114969334A (zh) | 异常日志检测方法、装置、电子设备及可读存储介质 | |
CN114612246A (zh) | 对象集合识别方法、装置、计算机设备及存储介质 | |
CN113807920A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
Alzaidi et al. | Arabic Location Named Entity Recognition for Tweets using a Deep Learning Approach | |
CN112948825B (zh) | 社交网络中网络信息发生病毒性传播的预测方法、装置 | |
CN115116594B (zh) | 医疗装置有效性的检测方法及装置 | |
CN117874236A (zh) | 错误日志的处理方法、装置、电子设备及可读存储介质 |
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 |