CN116244444A - 设备故障诊断方法和装置 - Google Patents
设备故障诊断方法和装置 Download PDFInfo
- Publication number
- CN116244444A CN116244444A CN202211701278.2A CN202211701278A CN116244444A CN 116244444 A CN116244444 A CN 116244444A CN 202211701278 A CN202211701278 A CN 202211701278A CN 116244444 A CN116244444 A CN 116244444A
- Authority
- CN
- China
- Prior art keywords
- equipment
- fault
- knowledge graph
- fault information
- real
- 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 100
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000012423 maintenance Methods 0.000 claims abstract description 79
- 230000008439 repair process Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 208000037408 Device failure Diseases 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 41
- 238000001514 detection method Methods 0.000 abstract description 19
- 238000004364 calculation method Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003292 glue Substances 0.000 description 3
- 238000010030 laminating Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005662 electromechanics Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种设备故障诊断方法和装置,属于知识图谱领域。所述设备故障诊断方法,包括:获取待测设备的实时工作参数;基于实时工作参数与待测设备对应的设备知识图谱,确定待测设备对应的故障信息;设备知识图谱为基于先验知识确定的;基于故障信息,输出目标维修策略。本申请的设备故障诊断方法,通过构建设备知识图谱,在实际应用过程中基于待测设备的实时工作参数,基于设备知识图谱确定该待测设备对应的故障信息以及目标维修策略,自动化程度高,计算速率快,且最终得到的结果的准确度和精确度较高,能够显著提高检测效率和检测效果,从而提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生成效率。
Description
技术领域
本申请属于知识图谱领域,尤其涉及一种设备故障诊断方法和装置。
背景技术
自动化生产设备的监测,维护及管理是制造企业的重要需求所在,设备故障的快速排查及维修能力也是提升生产效率的核心,自动化组装设备属于复杂机电系统,包含大量组件单元和零部件,结构复杂而紧凑。相关技术中,主要依靠人工进行设备的日常维护操作和故障识别处理,在确定设备故障的情况下,需人工给出维修策略,以上方法依赖于维修人员的主观判断以及工作经验,影响维修效率以及维修结果的准确率。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种设备故障诊断方法和装置,提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生产效率。
第一方面,本申请提供了一种设备故障诊断方法,该方法包括:
获取待测设备的实时工作参数;
基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息;所述设备知识图谱为基于先验知识确定的;
基于所述故障信息,输出目标维修策略。
根据本申请的设备故障诊断方法,通过构建设备知识图谱,在实际应用过程中基于待测设备的实时工作参数,基于设备知识图谱确定该待测设备对应的故障信息以及目标维修策略,无需用户手动检查,自动化程度高,计算速率快,且最终得到的结果的准确度和精确度较高,能够显著提高检测效率和检测效果,从而提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生产效率。
根据本申请的一个实施例,所述基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息,包括:
对所述实时工作参数进行预处理,获取目标数据;
基于所述目标数据,从所述设备知识图谱中获取与所述目标数据匹配的故障信息。
根据本申请的一个实施例,所述基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息,包括:
基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障类型、故障位置、关联故障以及故障溯源中的至少一种。
根据本申请的一个实施例,所述基于所述故障信息,输出目标维修策略,包括:
基于所述故障信息,预测得到所述故障信息对应的第一候选维修策略;
基于所述故障信息,从所述设备知识图谱中获取与所述故障信息匹配的第二候选维修策略;
基于所述第一候选维修策略和所述第二候选维修策略中的至少一种,确定所述目标维修策略。
根据本申请的设备故障诊断方法,通过设备知识图谱或机器学习等至少一种方式确定与故障信息对应的目标维修策略,计算速率快且准确度高。
根据本申请的一个实施例,所述基于所述故障信息,预测得到所述故障信息对应的第一候选维修策略,包括:
将所述故障信息输入至目标模型,获取所述目标模型输出的与所述故障信息对应的第一候选维修策略,其中,所述目标模型为以样本故障信息为样本,以与所述样本故障信息对应的样本维修策略为样本标签,训练得到。
根据本申请的一个实施例,在所述获取待测设备的实时工作参数之前,所述方法包括:
获取目标设备的显性数据和隐性数据;
基于所述显性数据和所述隐性数据,构建所述设备知识图谱。
根据本申请的设备故障诊断方法,通过设备信息、工艺信息、生产信息、故障信息以及专家知识等信息构建知识图谱,数据量大,涵盖范围广,能够有效表示各数据之间的关联关系,有助于提高所构建的知识图谱的准确性、精确性和全面性。
第二方面,本申请提供了一种设备故障诊断装置,该装置包括:
第一处理模块,用于获取待测设备的实时工作参数;
第二处理模块,用于基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息;所述设备知识图谱为基于先验知识确定的;
第三处理模块,用于基于所述故障信息,输出目标维修策略。
根据本申请的设备故障诊断装置,通过构建设备知识图谱,在实际应用过程中基于待测设备的实时工作参数,基于设备知识图谱确定该待测设备对应的故障信息以及目标维修策略,无需用户手动检查,自动化程度高,计算速率快,且最终得到的结果的准确度和精确度较高,能够显著提高检测效率和检测效果,从而提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生产效率。
第三方面,本申请提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的设备故障诊断方法。
第四方面,本申请提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的设备故障诊断方法。
第五方面,本申请提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的设备故障诊断方法。
第六方面,本申请提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的设备故障诊断方法。
本申请实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
通过构建设备知识图谱,在实际应用过程中基于待测设备的实时工作参数,基于设备知识图谱确定该待测设备对应的故障信息以及目标维修策略,无需用户手动检查,自动化程度高,计算速率快,且最终得到的结果的准确度和精确度较高,能够显著提高检测效率和检测效果,从而提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生产效率。
进一步的,通过对实时工作参数进行预处理得到目标数据,并基于目标数据与设备知识图谱获取故障信息,能够降低误差数据对最终所获取的故障信息的影响,从而提高所获取的故障信息的准确性。
更进一步的,通过设备知识图谱或机器学习等至少一种方式确定与故障信息对应的目标维修策略,计算速率快且准确度高。
更进一步的,通过设备信息、工艺信息、生产信息、故障信息以及专家知识等信息构建知识图谱,数据量大,涵盖范围广,能够有效表示各数据之间的关联关系,有助于提高所构建的知识图谱的准确性、精确性和全面性。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本申请实施例提供的设备故障诊断方法的流程示意图之一;
图2是本申请实施例提供的设备故障诊断方法的流程示意图之二;
图3是本申请实施例提供的设备故障诊断方法的界面示意图;
图4是本申请实施例提供的设备故障诊断装置的结构示意图;
图5是本申请实施例提供的电子设备的结构示意图;
图6是本申请实施例提供的电子设备的硬件示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不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,以便本申请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,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的设备故障诊断方法、设备故障诊断装置、电子设备和可读存储介质进行详细地说明。
其中,设备故障诊断方法可应用于终端,具体可由,终端中的硬件或软件执行。
该终端包括但不限于的移动电话或平板电脑等便携式通信设备。还应当理解的是,在某些实施例中,该终端可以不是便携式通信设备,而是台式计算机。
以下各个实施例中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和控制杆的一个或多个其它物理用户接口设备。
本申请实施例提供的设备故障诊断方法,该设备故障诊断方法的执行主体可以为电子设备或者电子设备中能够实现该设备故障诊断方法的功能模块或功能实体,本申请实施例提及的电子设备包括但不限于手机、平板电脑、电脑、相机和可穿戴设备等,下面以电子设备作为执行主体为例对本申请实施例提供的设备故障诊断方法进行说明。
如图1所示,该设备故障诊断方法包括:步骤110、步骤120和步骤130。
步骤110、获取待测设备的实时工作参数;
在该步骤中,实时工作参数即待测设备的实时工况数据。
在实际执行过程中,可通过传感器或从数据库中调取等方式获取实时工作参数。
步骤120、基于实时工作参数与待测设备对应的设备知识图谱,确定待测设备对应的故障信息;设备知识图谱为基于先验知识确定的;
在该步骤中,设备知识图谱为基于先验知识预先建立的知识图谱。
设备知识图谱可以表征设备的当前运行状态与故障之间的对应关系。
在实际执行过程中,在获取实时工作参数后,通过查找设备知识图谱,即可从设备知识图谱中获取到与实时工作参数匹配的故障信息。
在一些实施例中,步骤120可以包括:基于实时工作参数与待测设备对应的设备知识图谱,确定待测设备对应的故障类型、故障位置、关联故障以及故障溯源中的至少一种。
在该实施例中,故障信息包括故障类型、故障位置、关联故障以及故障溯源中的至少一种。
其中,故障溯源即发生该故障的根本原因。
关联故障即与该故障相关的其他故障,关联故障可能为已经发生的故障,或者可能为尚未发生但有大概率将要发生的故障等。
在一些实施例中,步骤120可以包括:
对实时工作参数进行预处理,获取目标数据;
基于目标数据,从设备知识图谱中获取与目标数据匹配的故障信息。
在该实施例中,目标数据为对实时工作参数进行数据清洗以及预处理等处理后的数据。
例如,可以根据待测设备运行所涉及的各种来源及类型的数据(即实时工作参数),首先进行数据清洗与预处理,得到目标数据;进而结合实时设备工艺参数,视觉检测系统信息以及异常Log记录等特征数据,在先期构建的设备知识图谱基础上,结合人机料法环多变量等数据进行关联分析与故障溯源,识别异常模式,确定故障信息。
根据本申请实施例提供的设备故障诊断方法,通过对实时工作参数进行预处理得到目标数据,并基于目标数据与设备知识图谱获取故障信息,能够降低误差数据对最终所获取的故障信息的影响,从而提高所获取的故障信息的准确性。
步骤130、基于故障信息,输出目标维修策略。
在该步骤中,目标维修策略为用于解决待测设备的当前故障情况的策略。
输出目标维修策略可以表现为如下至少一种输出形式:
其一、文本输出
在实施例中,可以通过文本等形式输出目标维修策略以供用户查阅。
其二、图像输出
在该实施例中,可以通过可视化显示的方式,显示目标维修策略。
其三、语音输出
在该实施例中,可以通过语音播报等形式输出目标维修策略。
当然,在其他实施例中,目标维修策略也可以表现为其他输出形式,本申请在此不作限定。
在实际执行过程中,可以构建设备故障诊断系统来执行上述步骤,该设备故障诊断系统中包括设备知识图谱。
该设备故障诊断系统可提供直观的设备状态监测与设备异常与故障分析功能。
该设备故障诊断系统可以包括:设备运行状态展示模块、设备关键参数监控模块以及设备异常分析模块。
其中,设备运行状态展示模块用于展示待测设备的运行的关键指标与生产状态。
设备关键参数监控模块用于监控与潜在故障相关的关键参数变化趋势以及设备异常检测历史记录。
设备异常分析模块用于输出异常类型识别、异常事件分级、故障根因分析以及故障处理建议等,如图2所示。
根据本申请实施例提供的设备故障诊断方法,通过构建设备知识图谱,在实际应用过程中基于待测设备的实时工作参数,基于设备知识图谱确定该待测设备对应的故障信息以及目标维修策略,无需用户手动检查,自动化程度高,计算速率快,且最终得到的结果的准确度和精确度较高,能够显著提高检测效率和检测效果,从而提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生产效率。
在一些实施例中,步骤130可以包括:
基于故障信息,预测得到故障信息对应的第一候选维修策略;
基于故障信息,从设备知识图谱中获取与故障信息匹配的第二候选维修策略;
基于第一候选维修策略和第二候选维修策略中的至少一种,确定目标维修策略。
在该实施例中,第一候选维修策略为基于机器学习技术预测得到的。
第二候选维修策略为基于设备知识图谱获取的。
在实际执行过程中,可以基于第一候选维修策略和第二候选维修策略中的至少一种,确定目标维修策略。
继续以上述实施例为例,在基于设备知识图谱确定目标维修策略的情况下,可以根5据待测设备运行所涉及的各种来源及类型的数据(即实时工作参数),首先进行数据清
洗与预处理,得到目标数据;进而结合实时设备工艺参数,视觉检测系统信息以及异常Log记录等特征数据,在先期构建的设备知识图谱基础上,结合人机料法环多变量等数据进行关联分析与故障溯源,识别异常模式。然后基于设备知识图谱中包含的工艺知识及故障排查知识等,给出针对当前具体故障特征的对策建议。
0如图3所示,以图节点(A供应商、202103批次、M号胶水,7号贴合机、同心度
等实体概念)与边知识(7号贴合机出现同心度超标缺陷,5号点胶机使用M号背胶,M号背胶来自202103批次等关联关系)为基础,可以实现知识推理挖掘,缺陷溯源分析(例如:7号贴合机贴合不准推测与XX因素有关)与操作决策建议(例如:建议9号机台更换XX零件)。
5在一些实施例中,基于故障信息,预测得到故障信息对应的第一候选维修策略,可
以包括:
将故障信息输入至目标模型,获取目标模型输出的与故障信息对应的第一候选维修策略,其中,目标模型为以样本故障信息为样本,以与样本故障信息对应的样本维修策略为样本标签,训练得到。
0在该实施例中,目标模型为预训练的模型。
例如,目标模型可以为神经网络模型。
在训练过程中,可以样本故障信息为样本,以与样本故障信息对应的样本维修策略为样本标签,训练得到目标模型。
在后续应用过程中,只需将故障信息输入至目标模型,即可获取目标模型自动预测5得到的与该故障信息相匹配的第一候选维修策略。
在实际执行过程中,用户可以综合第一候选维修策略和第二候选维修策略,选择最佳的维修策略作为目标维修策略。
根据本申请实施例提供的设备故障诊断方法,通过设备知识图谱或机器学习等至少一种方式确定与故障信息对应的目标维修策略,计算速率快且准确度高。
0下面对设备知识图谱的构建方法进行说明。
在一些实施例中,在获取待测设备的实时工作参数之前,该方法还可以包括:
获取目标设备的显性数据和隐性数据;
基于显性数据和隐性数据,构建设备知识图谱。
在该实施例中,目标设备可以为任意自动化生产设备。
目标设备的数量为多个,且多个目标设备可以对应不同的类型。
显性数据为包含在设备使用说明、设备维护手册以及生产物料清单等文件及数据中的数据。
隐性数据为总结并包含于设备故障排查手册及专家系统规则中,或者为依赖人工的经验,或者为包含在以往故障维护记录中的数据。
显性数据和隐性数据可以表现为任意形式,如文本、图像、音频或字符等,本申请不作限定。
实际执行过程中,显性数据和隐性数据主要以工艺文档的形式存在,其中包括设备结构与机电等各类说明、设备操作规范、设备异常定义以及故障排查流程等,主要体现为文本表单说明与专家系统规则等。
显性数据和隐性数据可以通过传感器采集,或者可以从数据库中调取,或者也可以通过其他方式获取,本申请不作限定。
需要说明的是,本申请的显性数据和隐性数据,可以为历史数据,也可为当前正在发生的实时数据。
可以理解的是,设备在运行过程中,各组件与动作单元均会持续生成大量参数与日志记录,包括但不限于:设备关键传感器参数、机械臂动作位置、视觉检测图像以及异常状态报警等各类信息。
对于离散制造行业,除传感器参数以及图像测量值等外,大部分数据可以为文本或表单形式存储的非结构化数据。
在一些实施例中,显性数据可以包括设备信息、工艺信息、生产信息、故障信息以及维修信息中的至少一种;隐性数据可以包括专家知识和用户经验中的至少一种。
在该实施例中,显性数据可以包括设备信息、工艺信息、生产信息、故障信息以及维修信息。
其中,设备信息为用于表征设备的基本信息的相关参数等,如基本参数以及设备构成参数等。
设备构成参数包括:设备结构组成参数和零部件清单等。
工艺信息为用于表征生产工艺原理的信息,包括:工艺参数、产品特性、物料清单以及工单排程等。
生产信息为用于表征设备或产品整个生产周期的信息,包括:设备实时产能/良率/OEE、设备异常报警、传感器测量值以及视觉检测图像等等。
故障信息为用于表征设备发生的故障相关情况的信息,如可以包括:设备常见的故障类型、故障成因及对策描述、故障上报及处理流程以及故障表现描述等。
维修信息可以包括:维修记录以及常见的检修策略等。
隐性数据可以包括专家知识、失效分析、操作流程、维修策略和用户经验等。
其中,隐性数据所包括的维修策略,可以为有经验的操作工及工程师基于个人经验所积累的故障分析方法及维修对策等。
专家知识可以包括:专家系统规则、操作规范以及人工经验等。
在一些实施例中,基于显性数据和隐性数据,构建设备知识图谱,可以包括:
基于显性数据和隐性数据,确定目标设备对应的个体信息、流程及依赖信息以及描述信息;
基于个体信息、流程及依赖信息以及描述信息,构建目标设备对应的设备知识图谱。
在该实施例中,个体信息可以包括目标设备对应的产品、设备、零部件以及物料中的至少一种。
描述信息可以包括数值、文本、图像和音频中的至少一种。
在实际执行过程中,可以采用人工知识标注、文本知识抽取以及结构化数据知识获取等方式对显性数据和隐性数据进行处理,以得到个体信息、流程及依赖信息以及描述信息等。
对于典型离散制造行业所涉及的数据,大部分表现为文本或表单形式存储的非结构化数据。对于该类数据,可以采用基于图的结构进行数据的组织和关联,将分散的非结构化的设备知识与人工经验,以设备知识图谱的结构进行固化,进行设备知识图谱的构建。
在一些实施例中,基于个体信息、流程及依赖信息以及描述信息,构建目标设备对应的设备知识图谱,可以包括:以个体信息为节点,以流程及依赖信息为边,以描述信息为属性,构建设备知识图谱。
例如,在实际执行过程中,以产品/设备/零部件/物料等为节点,流程及依赖关系为边,数值及图像文本等数据等为属性,以图数据库整合不同来源及类型数据,并应用知识图谱技术实现各模块核心算法及功能,包括知识问答,故障诊断与工艺改进等。
根据本申请实施例提供的设备知识图谱的构建方法,通过设备信息、工艺信息、生产信息、故障信息以及专家知识等信息构建知识图谱,数据量大,涵盖范围广,能够有效表示各数据之间的关联关系,有助于提高所构建的知识图谱的准确性、精确性和全面性。
本申请实施例提供的设备故障诊断方法,执行主体可以为设备故障诊断装置。本申请实施例中以设备故障诊断装置执行设备故障诊断方法为例,说明本申请实施例提供的设备故障诊断装置。
本申请实施例还提供一种设备故障诊断装置。
如图4所示,该设备故障诊断装置包括:第一处理模块410、第二处理模块420和第三处理模块430。
第一处理模块410,用于获取待测设备的实时工作参数;
第二处理模块420,用于基于实时工作参数与待测设备对应的设备知识图谱,确定待测设备对应的故障信息;设备知识图谱为基于先验知识确定的;
第三处理模块430,用于基于故障信息,输出目标维修策略。
根据本申请实施例提供的设备故障诊断装置,通过构建设备知识图谱,在实际应用过程中基于待测设备的实时工作参数,基于设备知识图谱确定该待测设备对应的故障信息以及目标维修策略,无需用户手动检查,自动化程度高,计算速率快,且最终得到的结果的准确度和精确度较高,能够显著提高检测效率和检测效果,从而提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生产效率。
在一些实施例中,第二处理模块420,还可以用于:
对实时工作参数进行预处理,获取目标数据;
基于目标数据,从设备知识图谱中获取与目标数据匹配的故障信息。
根据本申请实施例提供的设备知识图谱的构建装置,通过对实时工作参数进行预处理得到目标数据,并基于目标数据与设备知识图谱获取故障信息,能够降低误差数据对最终所获取的故障信息的影响,从而提高所获取的故障信息的准确性。
在一些实施例中,第二处理模块420,还可以用于:
基于实时工作参数与待测设备对应的设备知识图谱,确定待测设备对应的故障类型、故障位置、关联故障以及故障溯源中的至少一种。
在一些实施例中,第三处理模块430,还可以用于:
基于故障信息,预测得到故障信息对应的第一候选维修策略;
基于故障信息,从设备知识图谱中获取与故障信息匹配的第二候选维修策略;
基于第一候选维修策略和第二候选维修策略中的至少一种,确定目标维修策略。
根据本申请实施例提供的设备知识图谱的构建装置,通过设备知识图谱或机器学习等至少一种方式确定与故障信息对应的目标维修策略,计算速率快且准确度高。
在一些实施例中,第三处理模块430,还可以用于:
将故障信息输入至目标模型,获取目标模型输出的与故障信息对应的第一候选维修策略,其中,目标模型为以样本故障信息为样本,以与样本故障信息对应的样本维修策略为样本标签,训练得到。
在一些实施例中,该装置还可以包括:
第四处理模块,用于在获取待测设备的实时工作参数之前,获取待测设备的显性数据和隐性数据;
第五处理模块,用于基于显性数据和隐性数据,构建设备知识图谱。
根据本申请实施例提供的设备知识图谱的构建装置,通过设备信息、工艺信息、生产信息、故障信息以及专家知识等信息构建知识图谱,数据量大,涵盖范围广,能够有效表示各数据之间的关联关系,有助于提高所构建的知识图谱的准确性、精确性和全面性。
本申请实施例中的设备故障诊断装置可以是电子设备,也可以是电子设备中的部件,例如集成电路或芯片。该电子设备可以是终端,也可以为除终端之外的其他设备。示例性的,电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device,MID)、增强现实(augmented reality,AR)/虚拟现实(virtual reality,VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobilepersonal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,还可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的设备故障诊断装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为IOS操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的设备故障诊断装置能够实现图1至图3的方法实施例实现的各个过程,为避免重复,这里不再赘述。
在一些实施例中,如图5所示,本申请实施例还提供一种电子设备500,包括处理器501、存储器502及存储在存储器502上并可在处理器501上运行的计算机程序,该程序被处理器501执行时实现上述设备故障诊断方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。
图6为实现本申请实施例的一种电子设备的硬件结构示意图。
该电子设备600包括但不限于:射频单元601、网络模块602、音频输出单元603、输入单元604、传感器605、显示单元606、用户输入单元607、接口单元608、存储器609以及处理器610等部件。
本领域技术人员可以理解,电子设备600还可以包括给各个部件供电的电源(比如电池),电源可以通过电源管理系统与处理器610逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图6中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置,在此不再赘述。
其中,处理器610,用于:
获取待测设备的实时工作参数;
基于实时工作参数与待测设备对应的设备知识图谱,确定待测设备对应的故障信息;设备知识图谱为基于先验知识确定的;
基于故障信息,输出目标维修策略。
根据本申请实施例提供的电子设备,通过构建设备知识图谱,在实际应用过程中基于待测设备的实时工作参数,基于设备知识图谱确定该待测设备对应的故障信息以及目标维修策略,无需用户手动检查,自动化程度高,计算速率快,且最终得到的结果的准确度和精确度较高,能够显著提高检测效率和检测效果,从而提高维修效率以及维修结果的准确率,降低意外故障导致的停机时间与经济损失,提高生产效率。
在一些实施例中,处理器610,还可以用于:
对实时工作参数进行预处理,获取目标数据;
基于目标数据,从设备知识图谱中获取与目标数据匹配的故障信息。
根据本申请实施例提供的电子设备,通过对实时工作参数进行预处理得到目标数据,并基于目标数据与设备知识图谱获取故障信息,能够降低误差数据对最终所获取的故障信息的影响,从而提高所获取的故障信息的准确性。
在一些实施例中,处理器610,还可以用于:
基于实时工作参数与待测设备对应的设备知识图谱,确定待测设备对应的故障类型、故障位置、关联故障以及故障溯源中的至少一种。
在一些实施例中,处理器610,还可以用于:
基于故障信息,预测得到故障信息对应的第一候选维修策略;
基于故障信息,从设备知识图谱中获取与故障信息匹配的第二候选维修策略;
基于第一候选维修策略和第二候选维修策略中的至少一种,确定目标维修策略。
在一些实施例中,处理器610,还可以用于:
将故障信息输入至目标模型,获取目标模型输出的与故障信息对应的第一候选维修策略,其中,目标模型为以样本故障信息为样本,以与样本故障信息对应的样本维修策略为样本标签,训练得到。
根据本申请实施例提供的电子设备,通过设备知识图谱或机器学习等至少一种方式确定与故障信息对应的目标维修策略,计算速率快且准确度高。
在一些实施例中,处理器610,还可以用于:
在获取待测设备的实时工作参数之前,获取待测设备的显性数据和隐性数据;
基于显性数据和隐性数据,构建设备知识图谱。
根据本申请实施例提供的电子设备,通过设备信息、工艺信息、生产信息、故障信息以及专家知识等信息构建知识图谱,数据量大,涵盖范围广,能够有效表示各数据之间的关联关系,有助于提高所构建的知识图谱的准确性、精确性和全面性。
应理解的是,本申请实施例中,输入单元604可以包括图形处理器(GraphicsProcessing Unit,GPU)6041和麦克风6042,图形处理器6041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元606可包括显示面板6061,可以采用液晶显示器、有机发光二极管等形式来配置显示面板6061。用户输入单元607包括触控面板6071以及其他输入设备6072中的至少一种。触控面板6071,也称为触摸屏。触控面板6071可包括触摸检测装置和触摸控制器两个部分。其他输入设备6072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
存储器609可用于存储软件程序以及各种数据。存储器609可主要包括存储程序或指令的第一存储区和存储数据的第二存储区,其中,第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外,存储器609可以包括易失性存储器或非易失性存储器,或者,存储器609可以包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DRRAM)。本申请实施例中的存储器609包括但不限于这些和任意其它适合类型的存储器。
处理器610可包括一个或多个处理单元;处理器610集成应用处理器和调制解调处理器,其中,应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作,调制解调处理器主要处理无线通信信号,如基带处理器。可以理解的是,上述调制解调处理器也可以不集成到处理器610中。
本申请实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述设备故障诊断方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述设备故障诊断方法。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。
本申请实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述设备故障诊断方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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计算机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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种设备故障诊断方法,其特征在于,包括:
获取待测设备的实时工作参数;
基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息;所述设备知识图谱为基于先验知识确定的;
基于所述故障信息,输出目标维修策略。
2.根据权利要求1所述的设备故障诊断方法,其特征在于,所述基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息,包括:
对所述实时工作参数进行预处理,获取目标数据;
基于所述目标数据,从所述设备知识图谱中获取与所述目标数据匹配的故障信息。
3.根据权利要求1所述的设备故障诊断方法,其特征在于,所述基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息,包括:
基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障类型、故障位置、关联故障以及故障溯源中的至少一种。
4.根据权利要求1-3任一项所述的设备故障诊断方法,其特征在于,所述基于所述故障信息,输出目标维修策略,包括:
基于所述故障信息,预测得到所述故障信息对应的第一候选维修策略;
基于所述故障信息,从所述设备知识图谱中获取与所述故障信息匹配的第二候选维修策略;
基于所述第一候选维修策略和所述第二候选维修策略中的至少一种,确定所述目标维修策略。
5.根据权利要求4所述的设备故障诊断方法,其特征在于,所述基于所述故障信息,预测得到所述故障信息对应的第一候选维修策略,包括:
将所述故障信息输入至目标模型,获取所述目标模型输出的与所述故障信息对应的第一候选维修策略,其中,所述目标模型为以样本故障信息为样本,以与所述样本故障信息对应的样本维修策略为样本标签,训练得到。
6.根据权利要求1-3任一项所述的设备故障诊断方法,其特征在于,在所述获取待测设备的实时工作参数之前,所述方法包括:
获取目标设备的显性数据和隐性数据;
基于所述显性数据和所述隐性数据,构建所述设备知识图谱。
7.一种设备故障诊断装置,其特征在于,包括:
第一处理模块,用于获取待测设备的实时工作参数;
第二处理模块,用于基于所述实时工作参数与所述待测设备对应的设备知识图谱,确定所述待测设备对应的故障信息;所述设备知识图谱为基于先验知识确定的;
第三处理模块,用于基于所述故障信息,输出目标维修策略。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6任一项所述设备故障诊断方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6任一项所述的设备故障诊断方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述设备故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211701278.2A CN116244444A (zh) | 2022-12-28 | 2022-12-28 | 设备故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211701278.2A CN116244444A (zh) | 2022-12-28 | 2022-12-28 | 设备故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244444A true CN116244444A (zh) | 2023-06-09 |
Family
ID=86628738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211701278.2A Pending CN116244444A (zh) | 2022-12-28 | 2022-12-28 | 设备故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244444A (zh) |
-
2022
- 2022-12-28 CN CN202211701278.2A patent/CN116244444A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
Lee et al. | Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications | |
Alves et al. | Deployment of a smart and predictive maintenance system in an industrial case study | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
US7313502B2 (en) | System and method to combine and weight multiple sensors with overlapping sensing range to create a measurement system utilized in a high integrity or safety environment | |
US20120116827A1 (en) | Plant analyzing system | |
US11972398B2 (en) | Machine learning powered anomaly detection for maintenance work orders | |
Cattaneo et al. | A framework to integrate novelty detection and remaining useful life prediction in Industry 4.0-based manufacturing systems | |
da Silva Arantes et al. | A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance | |
Borissova et al. | An integrated framework of designing a decision support system for engineering predictive maintenance | |
CN114595113A (zh) | 应用系统中的异常检测方法和装置、异常检测功能设置方法 | |
Lee et al. | Intelligent factory agents with predictive analytics for asset management | |
CN117129815A (zh) | 一种基于物联网的多劣化绝缘子综合检测方法和系统 | |
Borissova et al. | A concept of intelligent e-maintenance decision making system | |
CN116244444A (zh) | 设备故障诊断方法和装置 | |
US20220147039A1 (en) | Event analytics in modular industrial plants | |
CN116205623A (zh) | 设备维护方法、装置、系统、电子设备及存储介质 | |
CN112904807B (zh) | 工业分析系统、方法和非暂态计算机可读介质 | |
de León Hijes et al. | Assessment of functional condition of equipment in industrial plants based on multiple measurements | |
CN114676021A (zh) | 作业日志监控方法、装置、计算机设备和存储介质 | |
Foster et al. | Making quality assurance smart | |
Almadhoun et al. | A novel hybrid artificial intelligence predictive multi-stages model for gas compressors based on multi-factors | |
Yuan et al. | Issues of intelligent data acquisition and quality for manufacturing decision-support in an Industry 4.0 context | |
Dunn | Big data, predictive analytics and maintenance |
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 |