CN116226644A - 设备故障类型的确定方法、装置、电子设备及存储介质 - Google Patents
设备故障类型的确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116226644A CN116226644A CN202310305209.8A CN202310305209A CN116226644A CN 116226644 A CN116226644 A CN 116226644A CN 202310305209 A CN202310305209 A CN 202310305209A CN 116226644 A CN116226644 A CN 116226644A
- Authority
- CN
- China
- Prior art keywords
- fault
- determining
- type
- feature set
- reliability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000013024 troubleshooting Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 27
- 230000000694 effects Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 34
- 230000004927 fusion Effects 0.000 description 22
- 238000005259 measurement Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种设备故障类型的确定方法、装置、电子设备及存储介质。该方法包括:通过确定与待测配电设备相对应的至少一个故障特征;基于故障特征和预先构建的语义网络,确定与故障特征相关联的故障类型,在故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个故障类型所对应的关联故障特征集;基于多个关联故障特征集确定待测配电设备的目标故障类型。解决了现有技术中通过人工基于设备故障记录诊断设备故障类型,导致故障诊断成本该、精度差,效率低的问题,实现降低故障诊断的成本,提高故障诊断的准确性和效率,达到提高电网运行安全性和稳定性的效果。
Description
技术领域
本发明涉及计算机处理技术领域,尤其涉及一种设备故障类型的确定方法、装置、电子设备及存储介质。
背景技术
随着我国电力系统的不断发展,配电网规模随之日渐扩大,配电网中各终端设备的各类故障频有发生。此时需要快速准确地辨识配电网故障,以针对识别出的配电网故障准确制定修复方案,及时恢复系统稳定运行、保障用户电能质量、降低故障所造成的损失等。
目前,现有技术中对于终端故障诊断方式通常是依赖于专家经验分析终端工作状态、缺陷记录等信息,评估故障类型。这种人工主观评估的方式,不仅消耗成本高,还存在故障诊断精度差,效率低的问题,进而导致配电网运行不稳定的问题。
发明内容
本发明提供了一种设备故障类型的确定方法、装置、电子设备及存储介质,以实现在降低确定故障类型的成本的同时,提高故障诊断的准确性和效率,达到提高电网运行安全性和稳定性的技术效果。
根据本发明的一方面,提供了一种设备故障类型的确定方法,该方法包括:
确定与待测配电设备相对应的至少一个故障特征;
基于所述故障特征和预先构建的语义网络,确定与所述故障特征相关联的故障类型,其中,所述语义网络中包括结点和边,所述边表征结点间的关联关系,所述结点表征待匹配故障特征和待匹配故障类型;
在所述故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个所述故障类型所对应的关联故障特征集;
基于多个所述关联故障特征集确定所述待测配电设备的目标故障类型。
根据本发明的另一方面,提供了一种设备故障类型的确定装置,该装置包括:
故障特征确定模块,用于确定与待测配电设备相对应的至少一个故障特征;
故障类型确定模块,用于基于所述故障特征和预先构建的语义网络,确定与所述故障特征相关联的故障类型,其中,所述语义网络中包括结点和边,所述边表征结点间的关联关系,所述结点表征待匹配故障特征和待匹配故障类型;
关联故障特征集确定模块,用于在所述故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个所述故障类型所对应的关联故障特征集;
目标故障类型确定模块,用于基于多个所述关联故障特征集确定所述待测配电设备的目标故障类型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的设备故障类型的确定方法。
根据本发明的另一方面,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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的设备故障类型的确定方法。
本发明实施例的技术方案,通过确定与待测配电设备相对应的至少一个故障特征;基于故障特征和预先构建的语义网络,确定与故障特征相关联的故障类型,在故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个故障类型所对应的关联故障特征集;基于多个关联故障特征集确定待测配电设备的目标故障类型,解决了现有技术中通过人工基于设备故障记录诊断设备故障类型,导致故障诊断成本该、精度差,效率低的问题,实现了通过基于量化各种故障发生概率的语义网络进行待测配电设备故障诊断,通过每个故障类型所对应的关联故障特征集对故障类型进行不确定性度量,确定待测配电设备的目标故障类型,提高故障诊断速度的同时降低确定故障类型的成本的同时,提高故障诊断的准确性和效率,达到提高电网运行安全性和稳定性的技术效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种设备故障类型的确定方法的流程图;
图2是根据本发明实施例一所设备故障类型的确定方法的示意图;
图3是根据本发明实施例一所语义网络示意图;
图4是根据本发明实施例二提供的一种设备故障类型的确定方法的流程图;
图5是根据本发明实施例四提供的一种设备故障类型的确定装置的结构示意图;
图6是实现本发明实施例的设备故障类型的确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种设备故障类型的确定方法的流程图,本实施例可适用于对设备进行故障诊断的情况,该方法可以由设备故障类型的确定装置来执行,该设备故障类型的确定装置可以采用硬件和/或软件的形式实现,该设备故障类型的确定装置可配置于计算设备中。如图1所示,该方法包括:
S110、确定与待测配电设备相对应的至少一个故障特征。
其中,待测配电设备可以为配电监测终端,如配电物联融合终端,也可以为。故障特征可以表征为发生故障时的故障现象,例如,设备停机、错误提示、数据上传失败、错误码、数据无回传、指令丢失、指示灯异常、线缆异常、高延迟等等故障特征。
在本实施例中,可以当检测到待测配电设备发生故障时,实时获取待测配电设备中存在的多个故障现象作为故障特征,或者,通过加载在对待测配电设备进行故障缺陷巡检时所生成的文本记录实例,得到文本记录实例中所记录的多个故障特征,以基于各故障特征对待测配电设备故障进行诊断。
S120、基于故障特征和预先构建的语义网络,确定与故障特征相关联的故障类型。
其中,语义网络中包括结点和边。边表征结点间的关联关系,例如,关联关系可以为物理关系(如A包含B、A是B的成分)、空间关系(如A包围B、A接近于B)、功能关系(如A引起B、A是B的结果)、时间关系(如A与B同时、A先于B)、概念关系(如A对B的评价、A对B作用的评价)等多种。结点表征待匹配故障特征和待匹配故障类型。待匹配故障类型可以包括一种或多种,例如,故障类型可以为软件故障、通信故障、硬件系统故障等。
在本实施例中,在确定待测配电设备的故障特征之后,可以基于各故障特征和语义网络进行匹配,从语义网络中查找与各故障特征相匹配的待匹配故障类型并标记。在语义网络中与标记好的待匹配故障类型存在关联关系的待匹配故障类型即为与该故障特征相关联的故障类型。相应的,可以确定出与各故障特征相关联的故障类型,此时的故障类型可能存在一种,也可能存在多种。如果存在一种,那么可以将该故障类型作为待测配电设备的目标故障类型。如果存在多种,那么可以执行S130步骤,以从该多种故障类型中确定出最终的目标故障类型。
需要说明的是,还可以是在检测到待测配电设备发生故障时,基于预先构建的语义网络和与待测配电设备对应的至少一个故障特征,确定与语义网络中的各待匹配故障类型相对应的故障特征集;在不为空的故障特征集的数量为两个或两个以上的情况下,将不为空的故障特征集作为故障类型的关联故障特征集,以基于关联故障特征集确定待测配电设备的目标故障类型。
具体的,可以检查待测配电设备是否出现与语义网络中各待匹配故障类型相关联的故障特征,将出现的故障特征打标,得到各待匹配故障类型所对应的打标故障特征集。示例性的,待测配电设备出现的软件故障类型的故障特征(如包括设备停机、错误提示、数据上传失败、错误码等)列为集合A1,出现的通信故障类型的故障特征(如包括线缆异常、高延迟)列为集合A2,出现的硬件故障类型的故障特征(如包括平台无响应、指令丢失、电源失灵、端口无响应等)列为集合A3。集合可能为空,也可能不为空,如果不为空的故障特征集的数量为一个,则不为空的故障特征集对应的故障类型即为目标故障类型。如果不为空的故障特征集的数量为两个或两个以上,可以说明待测配电设备的故障特征相关联的故障类型的数量为两种或两种以上,此时可以将不为空的故障特征集作为待测配电设备的故障类型的关联故障特征集,以基于每个故障类型所对应的关联故障特征集确定待测配电设备的目标故障类型。
在本实施例中,还包括:构建语义网络;构建语义网络的实现方式可以是:获取历史故障文本信息;历史故障文本信息中包括多个故障属性和故障属性对应的参考故障类型;基于故障属性和其所关联的关联对象间的关联关系以及关联关系对应的相关度,构建语义网络。
其中,关联对象包括故障属性和参考故障类型。故障属性与待匹配故障特征相对应,参考故障类型与待匹配故障类型相对应。关联关系包括确定关系、物理关系、空间关系、功能关系、时间关系和概念关系中的至少一种。相关度可以用于表征关联关系的强度。
具体的,可以获取与待测配电设备的设备类型相一致的历史故障巡检记录,作为历史故障文本信息,在历史故障文本信息中包括多个故障属性和故障属性对应的参考故障类型。可以将故障属性和参考故障类型作为语义网络中的结点,配置好与每个故障属性相关联的关联故障属性和/或关联参考故障类型的相关度,关联故障属性和关联参考故障类型即为关联对象。可以用相关度表征关联关系的强度,在结点和结点之间的边上添加上相关度,相应的,得到语义网络。
在本实施例中,可以通过UMLS(Unified Medical Language System,统一医学语言系统)语义类型表构建配电物联融合终端故障案例的语义网络。示例性的,可以参见图2,将配电物联融合终端典型故障缺陷巡检文本记录按照包括线路、站房、类型、终端ID、终端用户以及运维人员的巡检记录,时间、故障特征、故障等级、故障成因和消缺方案等语义信息进行划分,构建包括各语义信息的语义网络。进一步的,对语义网络中各语义信息的关系进行人工判断,将不同语义信息的关系分为“确定关系”、“物理关系”、“空间关系”、“功能关系”、“时间关系”和“概念关系”这六类,其中,物理关系(physically-related-to)包括:A是B的一部分(part of)、A是B的组成(contains of)、A包含B(contains)、A与B相连(connected to)、A是B的分支(branch of)、A是B的附属(tributary of)、A是B的成分(ingradient of);空间关系(spatially-related-to)包括:A定位于B(location of)、A接近于B(adjacent to)、A包围B(surrounds)、A嵌入B(traverses);功能关系(functionally-related-to)包括:A影响B(affects)、A引起B(causes)、A显示B(exhibits)、A出现B(occursin)、A采用B(uses)、A表明B(manifestation of)、A提示B(indicates)、A是B的结果(resultof);时间关系(temporally-related-to)包括:A与B同时(co-occurs with)、A先于B(precedes);概念关系(conceptually-related-to)包括:A对B的评价(evaluation of)、A的B程度(degree of)、A进行B(analyzes)、A对B作用的评价(assesses effect of)。再进一步的,可以将配电物联融合终端典型故障缺陷巡检文本记录中各功能故障特征、故障成因和消缺方案的相关发生概率(即相关度),将相关度添加到表示语义信息相关的弧线上,用以量化配电物联融合终端故障案例的语义信息间关联关系的强度,通过语义强度表示终端巡检和运营维护中的各类不确定性因素,构建出树状配电物联融合终端故障案例的语义网络。示例性的,语义网络的示意图可以参见图3。以基于语义网络确定待测配电设备的各故障特征相关联的故障类型,以及故障类型所对应的关联故障特征集。
S130、在故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个故障类型所对应的关联故障特征集。
在本实施例中,如果故障特征相关联的故障类型的数量为两种或两种以上,那么可以将每个故障类型下所关联的故障特征进行集合处理,此时可以得到每个故障类型所对应的关联故障特征集。
S140、基于多个关联故障特征集确定待测配电设备的目标故障类型。
在本实施例中,关联故障特征集中包括多个故障特征,可以基于多个故障特征和其相关联的故障类型之间的相关度,确定对应于每个故障类型的故障可信度,可以将故障可信度最大值所对应的故障类型作为目标故障类型。
本实施例的技术方案,通过确定与待测配电设备相对应的至少一个故障特征;基于故障特征和预先构建的语义网络,确定与故障特征相关联的故障类型,在故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个故障类型所对应的关联故障特征集;基于多个关联故障特征集确定待测配电设备的目标故障类型,解决了现有技术中通过人工基于设备故障记录诊断设备故障类型,导致故障诊断成本该、精度差,效率低的问题,实现了通过基于量化各种故障发生概率的语义网络进行待测配电设备故障诊断,通过每个故障类型所对应的关联故障特征集对故障类型进行不确定性度量,确定待测配电设备的目标故障类型,提高故障诊断速度的同时,降低确定故障类型的成本的同时,提高故障诊断的准确性和效率,达到提高电网运行安全性和稳定性的技术效果。
实施例二
图4是根据本发明实施例二提供的一种设备故障类型的确定方法的流程图,在前述实施例的基础上,对S140作进一步的细化。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
如图4所示,该方法具体包括如下步骤:
S210、确定与待测配电设备相对应的至少一个故障特征。
S220、基于故障特征和预先构建的语义网络,确定与故障特征相关联的故障类型。
S230、在故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个故障类型所对应的关联故障特征集。
S240、针对每个故障类型,基于多个关联故障特征集确定与故障类型所对应的至少一个待使用故障特征集。
需要说明的是,确定每个故障类型所对应的至少一个待使用故障特征集的实现方式均相同,可以以确定其中一个故障类型的待使用故障特征集来进行介绍。
在本实施例中,对于某一个故障类型,可以将该故障类型的关联故障特征集作为该故障类型的待使用故障特征集。还可以通过确定其他故障类型下的关联故障特征集中的故障特征,是否与该故障类型下的关联故障特征集中的故障特征存在重合。如果存在重合,那么也可以将该其他故障类型的关联故障特征集作为该故障类型的待使用故障特征集。相应的,可以确定出每个故障类型所对应的至少一个待使用故障特征集。
在本实施例中,多个关联故障特征集确定与故障类型所对应的至少一个待使用故障特征集的过程中,可以确定与故障类型对应的每两个关联故障特征集的交集;基于交集确定与故障类型所对应的至少一个待使用故障特征集。
在本实施例中,可以将各关联故障特征集进行分组划分,每两个关联故障特征集作为一组,确定每两个关联故障特征集的交集。基于交集可知该交集对应的两种故障类型的关联故障特征集是否存在重合,如果存在重合,那么可以认为其中一种故障类型可能和另一种故障类型对应的关联故障特征集存在关联,也认为存在该关联故障特征集中的故障特征由其中一种故障类型导致而出现的可能性。可以将另一种故障类型对应的关联故障特征集作为其中一种故障类型的待使用故障特征集。具体来说,基于交集确定与各故障类型所对应的至少一个待使用故障特征集的实现方式可以是:在两种故障类型对应的关联故障特征集的交集不为空的情况下,将一种故障类型对应的关联故障特征集作为另一种故障类型对应的区别故障特征集;基于故障类型对应的关联故障特征集和区别故障特征集,确定与各故障类型所对应的至少一个待使用故障特征集。
其中,关联故障特征集的处理优先级高于区别故障特征集。
在本实施例中,确定两种故障类型对应的关联故障特征集的交集,如果交集为空,那么将各自的关联故障特征集作为自身的待使用故障特征集。如果交集不为空,那么可以将一种故障类型对应的关联故障特征集作为另一种故障类型对应的区别故障特征集。需要说明的是,一种故障类型和另一种故障类型是相对而言的,例如,可以将软件故障类型作为一种故障类型,也可以将软件故障类型作为另一种故障类型。可以将故障类型的关联故障特征集和区别故障特征集均作为待使用故障特征集,待使用故障特征集的数量可以为一个,或多个。
示例性的,继续参见图2,在确定关联故障特征集之后,如果软件故障类型的关联故障特征集A1与通信故障类型的关联故障特征集A2的交集不为空,那么可能存在A1中故障特征的发生可能是由通信故障类型导致而成的,也可能A2中故障特征的发生可能是由软件故障类型导致而成的。可以将A1、A2均作为软件故障类型的待使用故障特征集,将A1、A2也均作为通信故障类型的待使用故障特征集,以基于待使用故障特征集评估故障类型的故障可信度,提高评估的准确性。如果交集为空,软件故障类型的待使用故障特征集则只有A1,通信故障类型的待使用故障特征集则只有A2。
S250、基于故障类型与待使用故障特征集中的故障特征之间的相关度,确定故障类型的故障可信度。
其中,故障可信度可以表征出现的故障特征是该类故障的可能性。例如,故障可信度越高,说明此次故障是该类故障的可能性越高,故障可信度越低,说明此次故障是该类故障的可能性越小。
在实际应用中,可以将故障类型的待使用故障特征集中的故障特征的相关度进行加权求和处理,得到该故障类型对应的故障可信度。还可以将两个故障类型对应的故障可信度进行加权求和处理,得到这两个故障类型的综合故障可信度,综合故障可信度表征此次故障是这两类故障的可能性。
示例性的,将待测配电设备出现的软件故障特征列出作为软件故障特征集A1,对各软件故障特征的相关度进行加权求和得到软件故障的故障可信度B1。将出现的通信模块故障特征列出作为通信故障特征集A2,将出现的硬件系统故障特征列出作为硬件故障特征集A3。对A2的相关度和A3的相关度进行加权求和得到通信模块和硬件系统故障的故障可信度B2。以比较B1和B2确定目标故障类型。
需要说明的是,在本实施例中,每种故障类型的排查优先级可能不同,排查优先级可以理解为进行故障诊断的前后顺序。可选的,故障类型可以包括软件故障类型、通信故障类型和硬件故障类型。其中,软件故障类型的排查优先级为第一优先级,通信故障类型和硬件故障类型的排查优先级为第二优先级,在通信故障类型和硬件故障类型下可以再对排查优先级进行细分,例如,通信故障类型的排查优先级高于硬件故障类型。可以先确定软件故障类型的故障可信度,再确定通信故障类型和硬件故障类型的故障可信度。
在本实施例中,基于故障类型与待使用故障特征集中的故障特征之间的相关度,确定排查优先级为第一优先级的故障类型的故障可信度的实现方式可以是:分别获取故障类型与至少一个待使用故障特征集对应的联合可信度;基于故障类型与待使用故障特征集中的故障特征之间的相关度以及相关度对应的权重,确定与至少一个待使用故障特征集相对应的初始可信度;基于同一待使用故障特征集对应的联合可信度和初始可信度,确定待使用故障特征集的待使用可信度;基于至少一个待使用故障特征集对应的待使用可信度,确定与故障类型对应的故障可信度。
其中,联合可信度可以是根据历史经验数据预先配置的,其表征联合分布概率。例如,故障类型B1的待使用故障特征集A1的联合可信度CTR(B1,A1),表征在待使用故障特征集A1为真(出现)的情况下,故障类型B1为真的可信程度。
在本实施例中,可以通过查表法分别获取故障类型与各待使用故障特征集所对应的联合可信度,例如,CTR(B1,A1)为0.4,CTR(B1,A2)=0.6。将故障类型与待使用故障特征集中的每个故障特征之间的相关度和相关度对应的权重进行加权求和处理,可将得到的和值作为初始可信度。需要说明的是,为了保证能够通过初始可信度表征该种故障类型的可能程度,每个故障特征对应的相关度之和为1。进一步的,可以将同一待使用故障特征集对应的联合可信度和初始可信度进行乘积处理,可以将乘积值作为该故障类型在此待使用故障特征集下的待使用可信度。例如,故障类型B1下待使用故障特征集A1对应的初始可信度为CTR(A1)=0.5×0.3+0.6×0.3+0.3×0.1+0.3×0.1+0.3×0.1+0.4×0.1=0.79。待使用可信度CTR(A1→B1)=0.4×0.79=0.32。如果待使用故障特征集中仅包括关联故障特征集,那么可以说明待使用故障特征集仅为一个,此时可以将该待使用故障特征集的待使用可信度作为故障可信度。示例性的,故障可信度CTR(B1|A1)=0.32,其表征通过A1证明B1为故障的可信度。
在本实施例中,如果待使用故障特征集中包括关联故障特征集和区别故障特征集,那么基于至少一个待使用故障特征集对应的待使用可信度,确定与故障类型对应的故障可信度的实现方式可以是:基于关联故障特征集对应的待使用可信度和预设参数,确定第一中间值;基于第一中间值和区别故障特征集对应的待使用可信度,确定第二中间值;基于关联故障特征集对应的待使用可信度和第二中间值,确定与故障类型对应的故障可信度。
其中,预设参数可以为1。
在本实施例中,对于待使用故障特征集中包括关联故障特征集和区别故障特征集,可以对预设参数和关联故障特征集的待使用可信度做差处理,将差值作为第一中间值。可以对第一中间值和区别故障特征集的待使用可信度作乘积处理,得到的乘积值作为第二中间值。可以将第二中间值和关联故障特征集对应的待使用可信度作累加处理,将和值作为故障类型对应的故障可信度,以基于故障可信度评估是该类故障的可信程度,提高故障诊断的准确性。
示例性的,继续参见图2,可使用故障推理方式确定故障类型的故障可信度。假设故障类型B1下的待使用故障特征集包括关联故障特征集A1和区别故障特征集A2,故障类型B1下基于A1计算得到的初始可信度为CTR(A1)=0.79。A1对应的待使用可信度CTR(A1→B1)=0.4×0.79=0.32。故障类型B1下基于A2计算得到的初始可信度为CTR(A2)=0.5×0.5+0.6×0.5=0.55。A2对应的待使用可信度CTR(A2→B1)=0.6×0.55=0.33。故障类型B1对应的故障可信度CTR(B1|A1∪A2)=0.32+0.33×(1-0.32)=0.54,其表征通过A1和A2证明B1为故障的可信度。
在本实施例中,基于故障类型与待使用故障特征集中的故障特征之间的相关度,确定排查优先级为第二优先级的故障类型的故障可信度的实现方式可以是:获取故障类型在待使用故障特征集下的协同可信度;基于故障类型与待使用故障特征集中的故障特征之间的相关度以及相关度对应的权重,确定与各待使用故障特征集相对应的起始可信度;若待使用故障特征集中包括第一优先级故障类型的关联故障特征集,则基于第一优先级故障类型的故障可信度和起始可信度,确定待处理可信度;基于待处理可信度和协同可信度,确定待应用可信度,以基于待应用可信度,确定所述故障类型的故障可信度。
其中,协同可信度与联合可信度相对应,也可以是根据历史经验数据预先配置的,其也表征联合分布概率。
需要说明的是,在确定排查优先级为第二优先级的故障类型的故障可信度时,该类的故障类型可能存在多个(如包括通信故障类型和硬件通信类型),此时可以基于这两个类的故障类型与待使用故障特征集中的故障特征之间的相关度,综合确定表征排查优先级为第二优先级下的故障类型的故障可信度,还可以分别确定在各类的故障类型下的故障可信度。
在本实施例中,可以通过查表法获取故障类型在各待使用故障特征集下的协同可信度,例如,CTR(B2,B1∩A3)=0.9,其表征在软件故障B1发生后,且具有软件故障特征集A1,发生原因是通信和硬件系统综合故障B2的联合分布概率,此时的综合故障B2的关联故障特征集与A1之间的交集不为空。如果综合故障B2的关联故障特征集与A1之间的交集为空,故障类型在各待使用故障特征集下的协同可信度,可以为CTR(B2,A2∪A3),其表征出现通信故障特征集A2和硬件故障特征集A3时是综合故障B2的可信程度。进一步的,可以将故障类型与待使用故障特征集中的每个故障特征之间的相关度和相关度对应的权重进行加权求和处理,可将得到的和值作为起始可信度。如果待使用故障特征集中包括第一优先级故障类型的关联故障特征集,那么可以将第一优先级故障类型的故障可信度和排查优先级最低的故障类型(如硬件类型)的关联故障特征集(如A3)的起始可信度进行比较,取两者最小值,将最小值作为待处理可信度。如,待处理可信度CTR(B1∩A3)=min{CTR(B1),CTR(A3)}=min{0.54,0.81}=0.54。进一步的,可以对协同可信度和待处理可信度作乘积处理,得到的乘积值作为待应用可信度,最开始没有证据证明该故障类型(如通信模块和硬件系统故障B2),即CTR(B2)=0,可以将待应用可信度作为该故障类型的故障可信度。
在本实施例中,如果待使用故障特征集中未包括第一优先级故障类型的关联故障特征集,则基于各待使用故障特征集的起始可信度,确定与故障类型对应的故障可信度。例如,可以将各待使用故障特征集的起始可信度进行加权求和处理,将结果值作为故障可信度。
S260、基于各故障类型以及故障类型对应的故障可信度,确定待测配电设备的目标故障类型。
在本实施例中,可以将各故障类型对应的故障可信度进行比对,确定出其中最大的故障可信度。进一步的,可将最大故障可信度所对应的故障类型作为待测配电设备的目标故障类型。例如,软件故障类型的故障可信度为0.54,通信和硬件系统综合故障的故障可信度为0.49,0.54大于0.49,即认为目标故障类型为件故障类型。
本实施例的技术方案,通过针对每个故障类型,基于多个关联故障特征集确定与故障类型所对应的至少一个待使用故障特征集;基于故障类型与待使用故障特征集中的故障特征之间的相关度,确定故障类型的故障可信度,实现提高对故障类型的可信度的度量准确性,进而基于各故障类型以及故障类型对应的故障可信度,确定待测配电设备的目标故障类型,达到提高故障诊断精度。
实施例三
作为上述实施例的一可选实施例,为了使本领域技术人员进一步清楚本发明实施例的技术方案,给出具体的应用场景实例。具体的,可以参见下述具体内容。
需要说明的是,鉴于配电物联融合终端故障的诊断过程中包含了大量的不确定性因素,一种故障类型可能有多种故障特征,缺乏经验的巡检人员难以对真实故障成因进行判断,为了提高故障诊断的准确性可以本技术方案应用基于配电物联融合终端故障案例的语义网络进行不确定性推理以实现配电物联融合终端故障的诊断。例如,对规则A→B进行不确定性度量,其中A是推理的前提表征故障特征集,B为结论表征故障类型,通过可信度CTR(B,A)来度量规则A→B的不确定性,如下公式(1)所示:
其中,P(B)表示B为真的概率,P(B|A)表示在规则A→B下,当证据集(即故障特征集)A为真时结论B为真的概率。CTR(B,A)表示当证据A为真时A对于B为真的可信程度。
在实际应用中,对证据进行不确定性度量,在证据A为真的时,CTR(A)=1,当证据A为假时,CTR(A)=-1,当证据A为无效时,CTR(A)=0。因此当CTR(A)>0时,表示证据A为真的程度,当CTR(A)<0时,表示证据A为假的程度,初始证据的不确定性度量CTR值需要根据巡检记录和专家经验进行主观提供。基于规则A→B的不确定性度量和证据的不确定性度量进行推理,所需推理计算公式为:
CTR(B)=CTR(B,A)×max{0,CTR(A)}
CTR(~A)=CTR(A)
CTR(A1∩A2)=min{CTR(A1),CTR(A2)}
CTR(A1∪A2)=max{CTR(A1),CTR(A2)}
在本实施例中,可以通过UMLS(Unified Medical Language System,统一医学语言系统)语义类型表构建配电物联融合终端故障案例的语义网络。在实际应用中,将配电物联融合终端典型故障缺陷巡检文本记录实例加载至语义网络中,对配电物联融合终端(即待测配电设备)故障进行诊断。诊断过程可以分为三个阶段,第一步检查配电物联融合终端是否出现软件故障特征,第二步检查语义网络是否具有配电物联融合终端出现的通信模块故障特征,第三步检查语义网络是否具有配电物联融合终端出现的硬件系统故障特征,并将所有不确定性因素标注在语义网络的弧线上,可参见图3。假设配电物联融合终端出现的软件故障特征列出作为证据集A1,可对软件故障类型与各软件故障特征之间的相关度和相关度的权重进行加权求和得到软件故障的故障可信度CTR(B1);配电物联融合终端出现的通信模块故障特征列出作为证据集A2,配电物联融合终端出现的硬件系统故障特征列出作为证据集A3,可对A2和A3的故障特征对应的相关度和相关度的权重进行加权求和,得到通信模块和硬件系统故障的可信度CTR(B2),以通过比较CTR(B1)和CTR(B2)的数值大小,确定配电物联融合终端的目标故障类型。
示例性的,A1、A2、A3的可信度CTR(A1)、CTR(A2)和CTR(A3)为已知人工统计量,可通过规则R1、R2和R3来求取软件故障类型的故障可信度CTR(B1)和通信硬件故障类型的故障可信度CTR(B2),具体规则和经过人工统计的故障可信度可以为:
R1:A1→B1,CTR(B1,A1)=0.4
R2:A2→B1,CTR(B1,A2)=0.6
R3:B1∩A3→B2,CTR(B2,B1∩A3)=0.9
其中,CTR(B1,A1)为由软件故障特征A1导致软件故障B1的联合分布概率,CTR(B1,A2)为由通信模块故障特征A2导致软件故障B1的联合分布概率,CTR(B2,B1∩A3)表示在软件故障B1发生后,且具有软件故障特征A1,发生原因是通信模块和硬件系统故障的联合分布概率。
可根据规则R1和语义网络,确定A1在语义网络中的初始可信度和待使用可信度。如:初始可信度为CTR(A1)=0.5×0.3+0.6×0.3+0.3×0.1+0.3×0.1+0.3×0.1+0.4×0.1=0.79;待使用可信度为CTR(A1→B1)=0.4×0.79=0.32。
可根据规则R2和语义网络,确定A2在语义网络中的初始可信度和待使用可信度。如:CTR(A2)=0.5×0.5+0.6×0.5=0.55。待使用可信度CTR(A2→B1)=0.6×0.55=0.33。
CTR(B1|A1)=CTR(B1)+CTR(B,A)×(1-CTR(B1))=0+0.32×(1-0)=0.32。最开始没有证据证明软件故障特征B1,即CTR(B1)=0。进一步的,令CTR(B1|A1)=CTR(B1)。
CTR(B1|A1∪A2)=CTR(B1)+CTR(A2→B1)×(1-CTR(B1))=0.32+0.33×
(1-0.32)=0.54。令CTR(B1|A1∪A2)=CTR(B1)=0.54,即软件故障类型的故障可信度为0.54。
进一步的,可根据规则R3和语义网络,确定A3在语义网络中的初始可信度和待处理可信度。如:初始可信度CTR(A3)=0.9×0.7+0.6×0.3=0.81;待处理可信度CTR(B1∩A3)=min{CTR(B1),CTR(A3)}=min{0.54,0.81}=0.54。
待应用可信度CTR(B1∩A3→B2)=0.9×0.54=0.49。
初始故障可信度CTR(B2)=0,CTR(B2|B1∩A3)=CTR(B2)+CTR(B1∩A3→B2)×(1-CTR(B2))=0+0.49*(1-0)=0.49,令CTR(B2|B1∩A3)=CTR(B2),即通信模块和硬件系统故障的故障可信度为0.49,鉴于CTR(B2)<CTR(B1),可根据本次配电物联融合终端故障巡检记录,推理出终端软件故障的可信度较高,可以将软件故障类型作为目标故障类型。
本发明所提供的技术方案通过基于语义网络的配电物联融合终端故障诊断,按照语义信息划分并添加相关概率,实现在量化各种故障发生概率的同时,构建出树状配电物联融合终端故障案例的语义网络,并对证据和规则进行不确定性度量,推理出终端各类故障的可信度,提高故障诊断准确性和效率。
实施例四
图5是根据本发明实施例四提供的一种设备故障类型的确定装置的结构示意图。如图5所示,该装置包括:故障特征确定模块310、故障类型确定模块320、关联故障特征集确定模块330和目标故障类型确定模块340。
其中,故障特征确定模块310,用于确定与待测配电设备相对应的至少一个故障特征;故障类型确定模块320,用于基于所述故障特征和预先构建的语义网络,确定与所述故障特征相关联的故障类型,其中,所述语义网络中包括结点和边,所述边表征结点间的关联关系,所述结点表征待匹配故障特征和待匹配故障类型;关联故障特征集确定模块330,用于在所述故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个所述故障类型所对应的关联故障特征集;目标故障类型确定模块340,用于基于多个所述关联故障特征集确定所述待测配电设备的目标故障类型。
本实施例的技术方案,通过确定与待测配电设备相对应的至少一个故障特征;基于故障特征和预先构建的语义网络,确定与故障特征相关联的故障类型,在故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个故障类型所对应的关联故障特征集;基于多个关联故障特征集确定待测配电设备的目标故障类型,解决了现有技术中通过人工基于设备故障记录诊断设备故障类型,导致故障诊断成本该、精度差,效率低的问题,实现了通过基于量化各种故障发生概率的语义网络进行待测配电设备故障诊断,通过每个故障类型所对应的关联故障特征集对故障类型进行不确定性度量,确定待测配电设备的目标故障类型,提高故障诊断速度的同时降低确定故障类型的成本的同时,提高故障诊断的准确性和效率,达到提高电网运行的安全性和稳定性的技术效果。
在上述装置的基础上,可选的,所述目标故障类型确定模块340,包括待使用故障特征集确定单元、故障可信度确定单元和目标故障类型确定单元。
待使用故障特征集确定单元,用于针对每个所述故障类型,基于多个所述关联故障特征集确定与所述故障类型所对应的至少一个待使用故障特征集;
故障可信度确定单元,用于基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度,确定所述故障类型的故障可信度;
目标故障类型确定单元,用于基于各所述故障类型以及所述故障类型对应的所述故障可信度,确定所述待测配电设备的目标故障类型。
在上述装置的基础上,可选的,所述待使用故障特征集确定单元,包括交集确定子单元和待使用故障特征集确定子单元。
交集确定子单元,用于确定与所述故障类型对应的每两个所述关联故障特征集的交集;
待使用故障特征集确定子单元,用于基于所述交集确定与所述故障类型所对应的至少一个待使用故障特征集。
在上述装置的基础上,可选的,所述待使用故障特征集确定子单元,包括区别故障特征集确定子单元和待使用故障特征集确定小单元。
区别故障特征集确定小单元,用于在两种所述故障类型对应的关联故障特征集的交集不为空的情况下,将一种所述故障类型对应的关联故障特征集作为另一种所述故障类型对应的区别故障特征集;
待使用故障特征集确定小单元,用于基于所述故障类型对应的关联故障特征集和所述区别故障特征集,确定与所述故障类型所对应的至少一个待使用故障特征集,其中,所述关联故障特征集的处理优先级高于所述区别故障特征集。
在上述装置的基础上,可选的,所述故障类型的排查优先级为第一优先级,所述故障可信度确定单元,包括联合可信度确定子单元、初始可信度确定子单元、待使用可信度确定子单元和故障可信度确定第一子单元。
联合可信度确定子单元,用于分别获取所述故障类型与至少一个待使用故障特征集对应的联合可信度;
初始可信度确定子单元,用于基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度以及所述相关度对应的权重,确定与所述至少一个待使用故障特征集相对应的初始可信度;
待使用可信度确定子单元,用于基于同一待使用故障特征集对应的联合可信度和初始可信度,确定所述待使用故障特征集的待使用可信度;
故障可信度确定第一子单元,用于基于所述至少一个待使用故障特征集对应的待使用可信度,确定与所述故障类型对应的故障可信度。
在上述装置的基础上,可选的,所述待使用故障特征集中包括关联故障特征集和区别故障特征集,所述故障可信度确定第一子单元,包括第一中间值确定小单元、第二中间值确定小单元和故障可信度确定小单元。
第一中间值确定小单元,用于基于所述关联故障特征集对应的待使用可信度和预设参数,确定第一中间值;
第二中间值确定小单元,用于基于所述第一中间值和所述区别故障特征集对应的待使用可信度,确定第二中间值;
故障可信度确定小单元,用于基于所述关联故障特征集对应的待使用可信度和所述第二中间值,确定与所述故障类型对应的故障可信度。
在上述装置的基础上,可选的,所述故障类型的排查优先级为第二优先级,所述故障可信度确定单元,包括协同可信度确定子单元、起始可信度确定子单元、待处理可信度确定子单元和故障可信度确定第二子单元。
协同可信度确定子单元,用于获取所述故障类型在所述待使用故障特征集下的协同可信度;
起始可信度确定子单元,用于基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度以及所述相关度对应的权重,确定与各所述待使用故障特征集相对应的起始可信度;
待处理可信度确定子单元,用于若所述待使用故障特征集中包括第一优先级故障类型的关联故障特征集,则基于所述第一优先级故障类型的故障可信度和所述起始可信度,确定待处理可信度;
故障可信度确定第二子单元,用于基于所述待处理可信度和所述协同可信度,确定待应用可信度,以基于所述待应用可信度,确定所述故障类型的故障可信度。
在上述装置的基础上,可选的,所述装置还包括:语义网络构建模块,所述语义网络构建模块包括历史故障文本信息确定单元和语义网络确定单元。
历史故障文本信息确定单元,用于获取历史故障文本信息;其中,所述历史故障文本信息中包括多个故障属性和所述故障属性对应的参考故障类型,所述故障属性与所述待匹配故障特征相对应,所述参考故障类型与所述待匹配故障类型相对应;
语义网络确定单元,用于基于所述故障属性和其所关联的关联对象间的关联关系以及所述关联关系对应的相关度,构建所述语义网络;
其中,所述关联对象包括所述故障属性和所述参考故障类型,所述关联关系包括确定关系、物理关系、空间关系、功能关系、时间关系和概念关系中的至少一种。
本发明实施例所提供的设备故障类型的确定装置可执行本发明任意实施例所提供的设备故障类型的确定方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6是实现本发明实施例的设备故障类型的确定方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如设备故障类型的确定方法。
在一些实施例中,设备故障类型的确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的设备故障类型的确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行设备故障类型的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种设备故障类型的确定方法,其特征在于,包括:
确定与待测配电设备相对应的至少一个故障特征;
基于所述故障特征和预先构建的语义网络,确定与所述故障特征相关联的故障类型,其中,所述语义网络中包括结点和边,所述边表征结点间的关联关系,所述结点表征待匹配故障特征和待匹配故障类型;
在所述故障特征相关联的故障类型的数量为两种或两种以上的情况下,确定每个所述故障类型所对应的关联故障特征集;
基于多个所述关联故障特征集确定所述待测配电设备的目标故障类型。
2.根据权利要求1所述的方法,其特征在于,所述基于多个所述关联故障特征集确定所述待测配电设备的目标故障类型,包括:
针对每个所述故障类型,基于多个所述关联故障特征集确定与所述故障类型所对应的至少一个待使用故障特征集;
基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度,确定所述故障类型的故障可信度;
基于各所述故障类型以及所述故障类型对应的所述故障可信度,确定所述待测配电设备的目标故障类型。
3.根据权利要求2所述的方法,其特征在于,所述基于多个所述关联故障特征集确定与所述故障类型所对应的至少一个待使用故障特征集,包括:
确定与所述故障类型对应的每两个所述关联故障特征集的交集;
基于所述交集确定与所述故障类型所对应的至少一个待使用故障特征集。
4.根据权利要求3所述的方法,其特征在于,所述基于所述交集确定与所述故障类型所对应的至少一个待使用故障特征集,包括:
在两种所述故障类型对应的关联故障特征集的交集不为空的情况下,将一种所述故障类型对应的关联故障特征集作为另一种所述故障类型对应的区别故障特征集;
基于所述故障类型对应的关联故障特征集和所述区别故障特征集,确定与所述故障类型所对应的至少一个待使用故障特征集,其中,所述关联故障特征集的处理优先级高于所述区别故障特征集。
5.根据权利要求2所述的方法,其特征在于,所述故障类型的排查优先级为第一优先级,所述基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度,确定所述故障类型的故障可信度,包括:
分别获取所述故障类型与至少一个待使用故障特征集对应的联合可信度;
基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度以及所述相关度对应的权重,确定与所述至少一个待使用故障特征集相对应的初始可信度;
基于同一待使用故障特征集对应的联合可信度和初始可信度,确定所述待使用故障特征集的待使用可信度;
基于所述至少一个待使用故障特征集对应的待使用可信度,确定与所述故障类型对应的故障可信度。
6.根据权利要求5所述的方法,其特征在于,所述待使用故障特征集中包括关联故障特征集和区别故障特征集,基于所述至少一个待使用故障特征集对应的待使用可信度,确定与所述故障类型对应的故障可信度,包括:
基于所述关联故障特征集对应的待使用可信度和预设参数,确定第一中间值;
基于所述第一中间值和所述区别故障特征集对应的待使用可信度,确定第二中间值;
基于所述关联故障特征集对应的待使用可信度和所述第二中间值,确定与所述故障类型对应的故障可信度。
7.根据权利要求5所述的方法,其特征在于,所述故障类型的排查优先级为第二优先级,所述基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度,确定所述故障类型的故障可信度,包括:
获取所述故障类型在所述待使用故障特征集下的协同可信度;
基于所述故障类型与所述待使用故障特征集中的故障特征之间的相关度以及所述相关度对应的权重,确定与各所述待使用故障特征集相对应的起始可信度;
若所述待使用故障特征集中包括第一优先级故障类型的关联故障特征集,则基于所述第一优先级故障类型的故障可信度和所述起始可信度,确定待处理可信度;
基于所述待处理可信度和所述协同可信度,确定待应用可信度,以基于所述待应用可信度,确定所述故障类型的故障可信度。
8.根据权利要求1所述的方法,其特征在于,还包括:
构建语义网络;其中,
所述构建语义网络,包括:
获取历史故障文本信息;其中,所述历史故障文本信息中包括多个故障属性和所述故障属性对应的参考故障类型,所述故障属性与所述待匹配故障特征相对应,所述参考故障类型与所述待匹配故障类型相对应;
基于所述故障属性和其所关联的关联对象间的关联关系以及所述关联关系对应的相关度,构建所述语义网络;
其中,所述关联对象包括所述故障属性和所述参考故障类型,所述关联关系包括确定关系、物理关系、空间关系、功能关系、时间关系和概念关系中的至少一种。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的设备故障类型的确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的设备故障类型的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305209.8A CN116226644A (zh) | 2023-03-24 | 2023-03-24 | 设备故障类型的确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310305209.8A CN116226644A (zh) | 2023-03-24 | 2023-03-24 | 设备故障类型的确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116226644A true CN116226644A (zh) | 2023-06-06 |
Family
ID=86582585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310305209.8A Pending CN116226644A (zh) | 2023-03-24 | 2023-03-24 | 设备故障类型的确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226644A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117092445A (zh) * | 2023-10-19 | 2023-11-21 | 盛隆电气集团有限公司 | 基于大数据的配电系统的故障检测方法及系统 |
-
2023
- 2023-03-24 CN CN202310305209.8A patent/CN116226644A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117092445A (zh) * | 2023-10-19 | 2023-11-21 | 盛隆电气集团有限公司 | 基于大数据的配电系统的故障检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN115396289B (zh) | 一种故障告警确定方法、装置、电子设备及存储介质 | |
CN116089231B (zh) | 一种故障告警方法、装置、电子设备及存储介质 | |
CN116226644A (zh) | 设备故障类型的确定方法、装置、电子设备及存储介质 | |
CN117273450A (zh) | 一种电力系统风险评估方法、装置、设备及存储介质 | |
CN115906135B (zh) | 目标数据泄露路径的溯源方法、装置、电子设备和存储介质 | |
CN116405408A (zh) | 设备自动巡检方法、装置、设备及存储介质 | |
CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
CN114398200A (zh) | 一种系统报错处理方法、装置、电子设备及存储介质 | |
CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
CN116112339B (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
CN116820826B (zh) | 一种基于调用链的根因定位方法、装置、设备及存储介质 | |
CN117493127B (zh) | 一种应用程序检测方法、装置、设备及介质 | |
CN118278284A (zh) | 一种继电保护装置的可靠性评估方法、装置、设备及介质 | |
CN118074625A (zh) | 设备故障检测方法、装置、设备及存储介质 | |
CN117493060A (zh) | 数据库组件异常检测方法、装置、设备及介质 | |
CN116909863A (zh) | 一种服务评估方法、装置、电子设备及存储介质 | |
CN117216699A (zh) | 一种基于样本数据的异常检测方法、装置、设备及介质 | |
CN117608904A (zh) | 一种故障定位方法、装置、电子设备和存储介质 | |
CN118244055A (zh) | 配电网故障处理方法、装置、设备以及存储介质 | |
CN117471238A (zh) | 一种电网系统稳定性的确定方法、装置及电子设备 | |
CN116567115A (zh) | 一种报文检测方法、装置、电子设备及介质 | |
CN117389828A (zh) | 供电服务器管理方法、装置、系统、设备以及存储介质 | |
CN118333610A (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
CN118068210A (zh) | 一种电芯衰减评估方法、装置、设备及介质 |
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 |