CN116485361A - 一种基于知识图谱的水电厂辅助设备故障诊断方法 - Google Patents
一种基于知识图谱的水电厂辅助设备故障诊断方法 Download PDFInfo
- Publication number
- CN116485361A CN116485361A CN202310048498.8A CN202310048498A CN116485361A CN 116485361 A CN116485361 A CN 116485361A CN 202310048498 A CN202310048498 A CN 202310048498A CN 116485361 A CN116485361 A CN 116485361A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge
- graph
- auxiliary equipment
- hydropower plant
- 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 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000005516 engineering process Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及水电厂辅助设备故障诊断技术领域，具体提出了一种基于知识图谱的水电厂辅助设备故障诊断方法。该方法运用知识图谱这一简单高效的知识存储方式，采用空间映射，将知识表示抽象，采用语义匹配模型，从知识图谱中预测推理出有效的三元关系，并采用基于路径打分的搜索技术，推理最可能的故障原因。本发明能够将大量信息以拓扑结构的形式进行整合，并且不断进行迭代更新，可以充分反应各个测点之间的关联，从而能够处理多测点关联故障问题，同时将设备运行状态、故障发生位置、故障现象、故障根因、故障处置意见等建立清晰的关联，从而通过推理技术自动进行一系列的故障排查、定位，可以显著提高故障诊断的准确率和效率。
Description
技术领域
本发明涉及水电厂辅助设备故障诊断技术领域，尤其涉及到基于知识图谱的水电厂辅助设备故障诊断方法。
背景技术
水利发电是生活以及工业用电重要的一环，水电厂生产工作中往往会因为设施老旧、阀门管道的异常导致故障的发生，其中水电厂辅助系统是保证机组稳定工作的重要部分。最初的水电厂辅助设备实行人工故障诊断机制，也就是每当设备发生功能性故障时，都需要维修人员根据故障现象、工作经验对所有相关的部件进行逐一的故障排查、定位以及提出相应的处置建议，检修排查范围大，对人工依赖性过高，并且效率低下，目前随着社会生产规模的不断扩大，此方法已经严重滞后。
随着物联网技术的发展，水电厂开始配备状态监测系统，利用机组运行时的各种各样的传感器实时监测设备的运行状况，从而在设备发生故障时作为故障诊断的重要依据，通常可以采用基于动态数学模型的方法，为设备的运行参数建立数学模型，推算出偏离正常值的测点，进而找出故障根源；或者采用基于信号分析的方法，对测点运行曲线进行时域或频域分析，发现突变点、周期性波动等，进而判断变化趋势，检测出机组故障。尽管这样的方法一定程度上降低了故障定位的复杂程度，然而模型准确性极易受噪声数据的影响，也难以处理复杂的多测点关联故障问题，故障的处置意见也仍然需要由人工提出。
随着大数据分析技术和人工智能技术的发展，出现了基于人工智能的故障诊断方法，首先获取大量有效的设备历史运行数据，通过支持向量机、神经网络等模型对历史数据进行学习，从而实现较为准确的故障诊断，然而此种方法无法处理历史数据中未出现的故障，也无法自动提供可能的故障原因指导。目前，利用基于知识库的方法可以综合设备运行的历史数据、专家的经验知识、理论符号等大量信息，进一步提高故障诊断的准确性，且知识库可以不断迭代更新。但这种基于知识库的故障诊断方法对知识的存储和组织方式不够合理，无法实现对知识的充分挖掘和利用，限制了故障诊断的准确性和效率，同时也没有对故障根因和处置意见进行关联分析，无法自动提供故障的处置意见。
总之，目前还没有一种系统、完善、准确、高效的水电厂辅助设备故障诊断方法。
发明内容
本发明所要解决的技术问题是提出一种基于知识图谱的水电厂辅助系统故障诊断技术，运用知识图谱这一简单高效的知识存储方式，采用空间映射，将知识表示抽象，采用语义匹配模型，从知识图谱中预测推理出有效的三元关系，并采用基于路径打分的搜索技术，推理最可能的故障原因，为辅助系统故障诊断提供有效指导。
为解决上述技术问题，本发明提出一种基于知识图谱的水电厂辅助系统故障诊断技术，包括以下步骤：
S1：从设备故障检修文档、规程文档中初步抽取的结果表示为知识图谱；
S2：在构建的知识图谱上，采用知识表示技术，进行故障与故障原因，故障与处置建议的边预测，补充在日志中未出现的可能故障范式；
S3：当故障发生时，采用基于带路径得分的搜索方法，搜索推理出一系列可能故障原因，将所述一系列可能故障原因按可能性排序，然后选取前2至4个可能性高的可能故障原因与处置方法，作为结果反馈。
所述步骤S2具体包括：
S21：对构建好的水电厂助设备知识图谱，抽象为形式化的语言描述，即采用三元组的形式G＝(E，R，S)，其中E表示实体集合，R表示关系集合，S表示三元组的集合，S＝(h，r，t)，其中h表示头实体，r表示关系，t表示尾实体；
S22：将三元组集合进行数值向量表示，将头实体h、尾实体r以及关系r都投影到同一向量空间；
S23：采用语义匹配能量模型计算得到事实的可信性评分。对于事实三元组(h,r,t)，首先将实体和关系投影到输入层中得到嵌入向量，然后，将关系r与头实体h组合得到gu(h,r)，并与尾实体t组合，得到隐藏层中的gv(t,r)。该事实的可信性分数fr(h,t)定义为二者的点积。具体计算公式如下：
fr(h,t)＝gu(h,r)Tgv(t,r)
其中，Mu 1、Mu 2、Mv 1、Mv 2是权重矩阵，用以表示头尾实体在向量表示中的贡献度，而bu、bv,是跨不同关系共享的偏差向量，采用随机初始化的方式，由训练得到最终的矩阵参数；
S24：根据步骤S23得到的事实合理性得分，保留得分达到或超过设定阈值的关系实体组合，丢弃低于设定阈值的关系实体组合；
S25：对于日志中未记录到的故障记录，对确实故障、故障原因及处置方法实体增加关联链接，进行故障知识图谱的补全。
进一步的，所述步骤S3具体包括：
S31：对于每个故障文本，使用分词技术抽取出关键词，并采用Word2Vec预训练向量表示，与知识图谱表示阶段得到的表示进行欧式距离的匹配，得到可能故障节点的候选集；
S32：对于候选集中每个实体，进行基于路径打分的搜索策略，根据计算的路径得分，将路径得分降序排列的前M个下一跳节点所对应的故障原因作为候选故障原因，M为路径得分选取阈值；
S33：将候选故障原因及其处置方法反馈至前端平台。
进一步的，在步骤S33之后，根据现场检查反馈状况，将最新的检修结果反馈至后台。
最佳的，现场检修之后，根据检修结果，更新所述知识图谱中的链接关系，剔除预测不准确的边。
本发明具备下列突出特点：
(1)针对现有的水电厂辅助设备系统故障诊断仅靠人工经验以及巡场检修等方式，效率低下，资源浪费等问题，提出一种基于知识图谱的故障诊断技术，根据报警自动推理出可能的故障原因，给工作人员提供检修建议。
(2)针对现有系统故障推理方法中所涉及的推理机仅使用知识库进行匹配推理，未进行事实合理性判断，无法预测未知故障的原因等问题，采用知识图谱表示学习方式，动态学习节点表示，并进行有效的关系剔除与补全。
(3)提出一种基于路径打分的搜索策略，动态实现在故障知识图谱中进行故障原因推理，实现结合故障语义以及概率得分的故障推理方案。
综上，本发明基于知识图谱的水电厂辅助设备故障诊断技术能够将大量信息以拓扑结构的形式进行整合，并且不断进行迭代更新，可以充分反应各个测点之间的关联，从而能够处理多测点关联故障问题，同时将设备运行状态、故障发生位置、故障现象、故障根因、故障处置意见等建立清晰的关联，从而通过推理技术自动进行一系列的故障排查、定位，可以显著提高故障诊断的准确率和效率。
附图说明
下面结合附图和具体实施方式对本发明的技术方案作进一步具体说明。
图1为知识图谱的补全完善流程示意图。
具体实施方式
本发明涉及一种基于知识图谱的水电厂辅助设备故障诊断方法，用于推理可能的故障原因，其整体流程包括以下步骤：
S1：从设备故障检修文档、规程文档中初步抽取的结果表示为知识图谱；
S2：在构建的知识图谱上，采用知识表示技术，进行故障与故障原因，故障与处置建议的边预测，补充在日志中未出现的可能故障范式；
S3：当故障发生时，采用基于带路径得分的搜索方法，搜索推理出一系列可能故障原因，将所述一系列可能故障原因按可能性排序，然后选取前2至4个可能性高的可能故障原因与处置方法，作为结果反馈。
对于步骤S2，在从水电厂辅助系统相关源文件初步构建的知识图谱上，采用知识表示技术，进行故障与故障原因，故障与处置建议的边剔除与预测，补充在日志中未出现的可能故障范式，精简并完善图谱知识；
结合图1所示，步骤S2具体步骤描述如下：
S21：对构建好的水电厂助设备知识图谱，抽象为形式化的语言描述，即采用三元组的形式G＝(E，R，S)，其中E表示实体集合，R表示关系集合，S表示三元组的集合，S＝(h，r，t)，其中h表示头实体，r表示关系，t表示尾实体；
S22：接着，将三元组集合进行数值向量表示，采用Word2Vec预训练模型表示头实体h、尾实体r以及关系实体r，将头尾实体和关系都投影到同一向量空间；
S23：采用语义匹配能量模型计算得到事实的可信性评分。对于事实三元组(h,r,t)，首先将实体和关系投影到输入层中得到嵌入向量，然后，将关系r与头实体h组合得到gu(h,r)，并与尾实体t组合，得到隐藏层中的gv(t,r)。该事实的可信性分数fr(h,t)定义为二者的点积。具体计算公式如下：
fr(h,t)＝gu(h,r)Tgv(t,r)
其中，Mu 1、Mu 2、Mv 1、Mv 2是权重矩阵，而bu、bv,是跨不同关系共享的偏差向量，采用随机初始化的方式，由模型学习得到最终的矩阵参数。
S24：根据S23得到的事实合理性得分，保留得分超过0.7的关系实体组合，丢弃低于0.7的关系实体组合；
S25：对于日志中未记录到的故障记录，需要对确实故障、故障原因及处置方法实体增加关联链接。
对于缺失尾实体的三元组(h,r,？)，将所有实体作为候选尾实体，采用距离公式f(h,t)＝||h+r-t||/2，即使用头实体向量加上关系向量，减去尾实体向量得到头尾实体有关系r的相关性得分，分数越小则说明相关性越大，根据得分按升序排序，选取相关性得分小于等于1作为保留阈值，得到候选尾实体列表，增添在构建时未添加的实体-实体边；
同样的，对于关系和头实体确实的三元组，也进行类似上述的边预测，进行故障知识图谱的补全，从而更新得到水电厂辅助系统知识图谱。
对于步骤S3，在故障发生时，采用基于路径打分的搜索技术，结合语义和逻辑关联性，推理出可能性最高的前几个个可能故障原因，反馈给系统展示。具体步骤包括：
S31：对于每个故障文本，使用分词技术抽取出关键词，并采用Word2Vec预训练向量表示，与知识图谱表示阶段得到的表示进行欧式距离的匹配，得到可能故障节点的候选集；
S32：对于候选集中每个实体，进行基于路径打分的搜索策略，根据计算的路径得分，将路径得分降序排列的前2名次的下一跳节点所对应的故障原因作为候选故障原因；
具体地，认为基于知识图谱的推理类似于问答，对于query(sub，rel，？)来说，可以通过找到具有等价关系的三元组路径(hop＝1)来直接回答问题，也可以通过等价的多跳路径(hop>1)逐步回答问题，具体包括逐跳搜索路径，更新每条路径的剩余问题，并根据问题匹配度、答案完成度和路径置信度三个指标为路径打分，过滤出最佳答案。
具体的，路径得分模型包括(1)、(2)、(3)三个模块：
(1)路径搜索模块：从头实体sub开始，找到所有相关的三元组P(sub)，构建hop＝1的一阶路径，然后从一阶路径的尾实体开始，继续构建hop＝2的二阶路径，以此类推。
(2)问题更新模块：基于多跳路径的推理相当于一步步回答复杂的问题，因此，需要根据路径的最后一跳更新问题，重点是找到未解决的部分，包括：
2-1)实体表示：将每个实体嵌入表示为e＝act(MLP([estatic))。其中，estatic表示静态嵌入，捕获知识图谱中的特征和全局依赖，MLP()表示多层感知器，act()表示激活函数，这里选择LeakyReLU函数。
2-2)问题更新：每条路径都由一组不同的关系组成，在每一跳之后，问题需要丢弃已经处理过的语义，得到问题剩余的实体和关系表示。具体地，第i跳后问题的实体和关系表示更新为eq_i＝eq_i-1+rpi，rq_i＝
rq_i-1-rpi。其中，eq_i和rq_i分别表示第i跳后问题剩余的实体和关系表示，rpi表示第i跳的关系，i是每条路径中的跳数。
(3)路径打分模块：从以下的问题匹配度、答案完成度和路径置信度三个方面评价搜索得到的路径，衡量推理路径的合理性：
3-1)问题匹配度：对于路径搜索找到的尾实体，需要衡量尾实体与原始问题的匹配度，即问题匹配度。对于路径搜索得到的实体ei，它和问题(es,rq,？)组成了新的三元组(es,rq,ei)。问题匹配度fqmd基于TransE算法计算了构建的三元组的距离，路径中第i跳的问题匹配度计算为
3-2)答案完成度：在通往正确尾实体的路径中，有些路径与问题的语义无关。尽管这些路径可以推断出尾实体，但这些路径在语义上与问题无关，所以其实是无效的。因此，采用答案完成度fac来衡量路径和问题之间的语义相关性。具体地，把问题的剩余关系作为答案完成度，路径中第i跳的答案完成度计算为
3-3)路径置信度：最终推理得到的路径要尽量保证具有同一实体具有相似的属性，采用路径置信度fpc表示由长度为i的路径更新的问题的剩余实体表示eq_i和由i阶路径推理得到的尾实体ei之间的误差，路径中第i跳的路径置信度计算为每条路径的最终分数f表示为f＝MLP([fpc||fac||fqmd])。
S33：将候选故障原因反馈至前端平台，并根据现场检查反馈状况，将最新的检修结果反馈至后台；
完成现场检查后，根据检修结果，更新上述构建知识图谱中的链接关系，剔除预测不准确的边。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，包括以下步骤：
S1：从设备故障检修文档、规程文档中初步抽取的结果表示为知识图谱；
S2：在构建的知识图谱上，采用知识表示技术，进行故障与故障原因，故障与处置建议的边预测，补充在日志中未出现的可能故障范式；
S3：当故障发生时，采用基于带路径得分的搜索方法，搜索推理出一系列可能故障原因，将所述一系列可能故障原因按可能性排序，然后选取可能性高的前若干个可能故障原因与处置方法，作为结果反馈。
2.根据权利要求1所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，所述步骤S2具体包括：
S21：对构建好的水电厂助设备知识图谱，抽象为形式化的语言描述，即采用三元组的形式G＝(E，R，S)，其中E表示实体集合，R表示关系集合，S表示三元组的集合，S＝(h，r，t)，其中h表示头实体，r表示关系，t表示尾实体；
S22：将三元组集合进行数值向量表示，将头实体h、尾实体t以及关系r都投影到同一向量空间；
S23：采用语义匹配能量模型计算得到事实的可信性评分；
S24：对于日志中未记录到的故障记录，对确实故障、故障原因及处置方法实体增加关联链接，进行故障知识图谱的补全。
3.根据权利要求2所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，在所述S23之后、步骤S24之前，根据步骤S23得到的事实的可信性评分，保留得分达到或超过设定阈值的关系实体组合，丢弃低于设定阈值的关系实体组合。
4.根据权利要求2或3所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，所述步骤S23具体包括：
对于事实三元组(h,r,t)，首先将实体和关系投影到输入层中得到嵌入向量，然后，将关系r与头实体h组合得到gu(h,r)，并与尾实体t组合，得到隐藏层中的gv(t,r)；该事实的可信性分数fr(h,t)定义为二者的点积；具体计算公式如下：
fr(h,t)＝gu(h,r)Tgv(t,r)
其中，Mu 1、Mu 2、Mv 1、Mv 2是权重矩阵，用以表示头尾实体在向量表示中的贡献度，而bu、bv,是跨不同关系共享的偏差向量，采用随机初始化的方式，由训练得到最终的矩阵参数。
5.根据权利要求4所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，所述步骤S3包括：
S31：对于每个故障文本，使用分词技术抽取出关键词，并采用Word2Vec预训练向量表示，与知识图谱表示阶段得到的表示进行欧式距离的匹配，得到可能故障节点的候选集。
6.根据权利要求5所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，所述步骤S31之后，执行步骤
S32：对于所述候选集中每个实体，进行基于路径打分的搜索策略，根据计算的路径得分，将路径得分降序排列的前M个下一跳节点所对应的故障原因作为候选故障原因，M为路径得分选取阈值。
7.根据权利要求6所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，所述步骤S32之后，执行步骤
S33：将候选故障原因及其处置方法反馈至前端平台。
8.根据权利要求7所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，在步骤S33之后，根据现场检查反馈状况，将最新的检修结果反馈至后台。
9.根据权利要求8所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，现场检修之后，根据检修结果，更新所述知识图谱中的链接关系，剔除预测不准确的边。
10.根据权利要求1所述的基于知识图谱的水电厂辅助设备故障诊断方法，其特征在于，在所述步骤3中，选取可能性高的前2至4个可能故障原因与处置方法，作为结果反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310048498.8A CN116485361A (zh) | 2023-01-31 | 2023-01-31 | 一种基于知识图谱的水电厂辅助设备故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310048498.8A CN116485361A (zh) | 2023-01-31 | 2023-01-31 | 一种基于知识图谱的水电厂辅助设备故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485361A true CN116485361A (zh) | 2023-07-25 |
Family
ID=87223860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310048498.8A Pending CN116485361A (zh) | 2023-01-31 | 2023-01-31 | 一种基于知识图谱的水电厂辅助设备故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485361A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252351A (zh) * | 2023-11-20 | 2023-12-19 | 上海熠源数据科技有限公司 | 基于ai大模型的生产质量辅助决策方法及系统 |
-
2023
- 2023-01-31 CN CN202310048498.8A patent/CN116485361A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252351A (zh) * | 2023-11-20 | 2023-12-19 | 上海熠源数据科技有限公司 | 基于ai大模型的生产质量辅助决策方法及系统 |
| CN117252351B (zh) * | 2023-11-20 | 2024-02-02 | 上海熠源数据科技有限公司 | 基于ai大模型的生产质量辅助决策方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723632B (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
| Ebisu et al. | Generalized translation-based embedding of knowledge graph | |
| Aydin et al. | Using LSTM networks to predict engine condition on large scale data processing framework | |
| Tang et al. | Transfer-learning based gas path analysis method for gas turbines | |
| CN111311059B (zh) | 基于知识图谱的水车室故障诊断方法 | |
| US11625540B2 (en) | Encoder, system and method for metaphor detection in natural language processing | |
| CN111427775B (zh) | 一种基于Bert模型的方法层次缺陷定位方法 | |
| CN106919982A (zh) | 一种面向半导体工艺设备的故障诊断方法 | |
| Zheng et al. | Subgraph-aware few-shot inductive link prediction via meta-learning | |
| CN114386312A (zh) | 一种设备故障诊断方法 | |
| CN116485361A (zh) | 一种基于知识图谱的水电厂辅助设备故障诊断方法 | |
| Ding et al. | Mechatronics equipment performance degradation assessment using limited and unlabeled data | |
| Gao et al. | Mechanical equipment health management method based on improved intuitionistic fuzzy entropy and case reasoning technology | |
| Chen et al. | Tele-knowledge pre-training for fault analysis | |
| Naqvi et al. | CBR-based decision support system for maintenance text using NLP for an aviation case study | |
| Chatterjee et al. | A dual transformer model for intelligent decision support for maintenance of wind turbines | |
| Wang et al. | Comprehensive Dynamic Structure Graph Neural Network for Aero-engine Remaining Useful Life Prediction | |
| Pradeep et al. | Optimal Predictive Maintenance Technique for Manufacturing Semiconductors using Machine Learning | |
| Grimalt et al. | BERTicsson: A Recommender System For Troubleshooting. | |
| Sai et al. | New rules generation from measurement data using an expert system in a power station | |
| CN112365014A (zh) | 一种基于ga-bp-cbr的工业设备故障诊断系统及方法 | |
| Shao et al. | Research on Equipment Management Decision Model based on Semantic Analysis | |
| Yang et al. | Test case reuse based on software testing knowledge graph and collaborative filtering recommendation algorithm | |
| Djeddi et al. | Introducing artificial neural network in ontologies alignment process | |
| Shi et al. | Research on food safety multi-hop reasoning question answering based on cognitive graph |
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 |