CN116611523A - 涡轮风扇发动机的可解释故障预测方法及系统 - Google Patents
涡轮风扇发动机的可解释故障预测方法及系统 Download PDFInfo
- Publication number
- CN116611523A CN116611523A CN202310875540.3A CN202310875540A CN116611523A CN 116611523 A CN116611523 A CN 116611523A CN 202310875540 A CN202310875540 A CN 202310875540A CN 116611523 A CN116611523 A CN 116611523A
- Authority
- CN
- China
- Prior art keywords
- network
- fault
- trained
- prediction
- turbofan engine
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004913 activation Effects 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000036541 health Effects 0.000 claims abstract description 31
- 210000002569 neuron Anatomy 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Abstract
本发明涉及机械故障预测技术领域，公开了涡轮风扇发动机的可解释故障预测方法及系统，其中方法包括：获取涡轮风扇发动机的工作参数；将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；将故障子概念的健康指数，输入到改进的拓扑排序算法，在构建的实体‑事件知识图谱上进行推理，得到故障预测结果的可解释信息；故障的自然语言描述和子知识图谱。实现了在故障预测准确率高的同时获得预测结果的解释性信息。
Description
技术领域
本发明涉及机械故障预测技术领域，特别是涉及涡轮风扇发动机的可解释故障预测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
在实际使用场景中，机械设备需要长期使用并且经受各种环境作用，必然会发生性能与功能上的变化，从而引发故障。开展早期故障预测可以在设备停机之前做好防范工作。同时，也可以在故障发生之后快速隔离故障和重组系统功能。
随着人工智能的发展，统计机器学习和深度学习在机械故障预测领域的研究发展卓有成效，能够做到对机械部件进行故障预测。但在实际应用中不难发现，人工智能模型的准确率和解释性通常成反比，决策过程的不透明性导致难以做到对决策结果进行解释，以至于带来不易察觉的错误隐患。
现有技术无法做到让神经网络模型在故障预测准确率高的同时获得预测结果的解释性信息，所述解释性信息，包括：故障发生的部件和故障发生的原因。
发明内容
为了解决现有技术的不足，本发明提供了涡轮风扇发动机的可解释故障预测方法及系统；在深度神经网络有效预测机械部件故障的基础上，深入探究故障预测结果的可解释性，弥补当前机械故障预测领域的不足，实现了在故障预测准确率高的同时获得预测结果的解释性信息。
第一方面，本发明提供了涡轮风扇发动机的可解释故障预测方法；
涡轮风扇发动机的可解释故障预测方法，包括：
获取涡轮风扇发动机的工作参数；
将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；
从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；
将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息，所述可解释信息，包括：故障的自然语言描述和子知识图谱。
第二方面，本发明提供了涡轮风扇发动机的可解释故障预测系统；
涡轮风扇发动机的可解释故障预测系统，包括：
获取模块，其被配置为：获取涡轮风扇发动机的工作参数；
输入模块，其被配置为：将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；
处理模块，其被配置为：从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；
推理模块，其被配置为：将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息，所述可解释信息，包括：故障的自然语言描述和子知识图谱。
与现有技术相比，本发明的有益效果是：
1、本发明在深度神经网络有效预测机械部件故障的基础上，深入探究故障预测结果的可解释性，弥补当前机械故障预测领域的不足，实现了在故障预测准确率高的同时获得预测结果的解释性信息。
2、本发明定义了预测网络，它将神经网络的激活模式映射到代表知识或事件的概念，建立了神经网络内部和概念之间的对应关系。为每个故障子概念都建立一个与之对应的映射网络，每个映射网络的输入数据为预测网络神经元的激活值，输出对应故障子概念的健康指数。
3、将人工神经网络与实体知识图谱、事件知识图谱和知识推理相结合，对人工神经网络做出的预测结果给出自然语言描述和可视化解释。为预测性维护的进一步发展提供有利条件，同时为可解释人工智能提供了一种新的解释方法。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明提供的一种融合数据与知识的可解释故障预测方法的流程图；
图2是本发明工作原理示意图；
图3是本发明提供的基于实体-事件知识图谱的推理机制示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，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
本实施例提供了涡轮风扇发动机的可解释故障预测方法；
如图1和图2所示，涡轮风扇发动机的可解释故障预测方法，包括：
S101：获取涡轮风扇发动机的工作参数；
S102：将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；
S103：从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；
S104：将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱(Entity-Event knowledge graph,以下简称EEKG)上进行推理，得到故障预测结果的可解释信息，所述可解释信息，包括：故障的自然语言描述和子知识图谱。
进一步地，所述S101：获取涡轮风扇发动机的工作参数，工作参数包括：设备工作条件描述、设备运行过程中传感器采集的运行数据。
其中，涡轮风扇发动机的工作参数，具体包括：风扇的工作参数、高压涡轮机的工作参数、低压涡轮机的工作参数、高压压气机的工作参数以及低压压气机等部件的工作参数。
所述涡轮风扇发动机的工作参数通过传感器进行采集。
进一步地，所述S102：将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果，其中，预测网络和训练后的预测网络，其网络结构是一致的，训练后的预测网络，其网络结构包括：
依次连接的卷积层L1、卷积层L2、卷积层L3、全连接层L4和全连接层L5。采用L2正则化来提高卷积神经网络的泛化能力。
进一步地，所述S102：将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果，其中，训练后的预测网络，其训练过程包括：
构建第一训练集，所述第一训练集包括：已知涡轮风扇发动机剩余寿命的涡轮风扇发动机历史工作参数；
将第一训练集，输入到预测网络中，对其进行训练，当预测网络的损失函数值不再下降时，或者，训练迭代次数超过设定阈值时，停止训练，得到训练后的预测网络。
进一步地，所述S103：从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数，其中，解释网络与训练后的解释网络，其网络结构是一样的；所述训练后的解释网络，采用第一种网络结构来实现或者采用第二种网络结构来实现；
所述第一种网络结构，包括：
输入层、第一全连接层、第一激活函数层、第二全连接层、第二激活函数层、第三全连接层、第三激活函数层和输出层；
所述第二种网络结构，包括：
输入层、第四全连接层、第四激活函数层和输出层。
进一步地，所述S103：从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数，其中，训练后的解释网络，训练过程包括：
构建第二训练集，所述第二训练集为已知故障子概念健康指数的涡轮风扇发动机历史工作参数；所述故障子概念，是指设备最小组成部件各项指数的退化；
将第二训练集中的涡轮风扇发动机历史工作参数输入到训练后的预测网络中，从训练后的预测网络中提取出神经元激活值；
将神经元激活值作为解释网络的输入值，将对应故障子概念健康指数作为解释网络的输出值，对解释网络进行训练，当解释网络的损失函数值不再下降时，停止训练，得到训练后的解释网络；
当训练后的解释网络采用第一种网络结构来实现时，得到第一预测精度；
当训练后的解释网络采用第二种网络结构来实现时，得到第二预测精度；
比较第一预测精度与第二预测精度的大小，选择预测精度值大的网络结构作为训练后的解释网络的网络结构。
应理解地，解释网络，用以建立预测网络的神经元所产生的激活值和子概念之间的映射关系，获知子概念是否被预测网络所识别，从而通过子概念提取输入数据中的知识。提取预测网络中神经元的激活值，并将其转换成Numpy库中的ndarray对象作为解释网络的输入数据，输出故障子概念的健康指数。
所述解释网络提出了两种简单神经网络结构用于得到机械故障的解释信息，基于解释数据分别对多个故障子概念的两种解释网络进行训练，通过计算准确率保留效果较好的网络模型用于健康指数的获取。
进一步地，所述故障子概念，包括：风扇流量、风扇效率、高压涡轮机流量、高压涡轮机效率、低压涡轮机流量、低压涡轮机效率、高压压气机流量、高压压气机效率、低压压气机流量和低压压气机效率。
应理解地，所述故障子概念实际意义在于为故障解释提供基础，构建其与预测网络的神经元所产生的激活值之间的映射关系。
进一步地，所述S104：将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息；其中，实体-事件知识图谱，构建过程包括：
构建实体知识图谱，将涡轮风扇发动机的领域本体作为实体知识图谱的节点，根据领域本体之间的关系建立实体知识图谱节点之间的连接线；
在实体知识图谱的基础上，按照一阶谓词逻辑构建事件知识图谱，将事件和事件状态将作为事件知识图谱的节点，根据事件与事件之间的关系，事件与事件状态之间的关系，建立节点之间的连接线。
应理解地，构建实体知识图谱。一方面从技术文档中提取有关工业预测性维护的领域知识；另一方面根据真实数据集，学习关于不同类型的相关参数/特征机械异常。最后使用 middle-out方法构建一个名为Turbofan Engine本体的领域本体。通过基于本体的数据库集成，将数据集数据填充到图谱中，作为图谱的数据层，完成图谱的构建。
在实体知识图谱的基础上按照一阶谓词逻辑构建事件知识图谱，事件在图谱中的存在形式有两种，一种是instance，另一种是status event[]（系统状态，部件状态，子部件状态，最小子部件退化状态），instance和status event具有以下两种关系：
1、将状态事件看作事件总体E，共存在n个互斥事件个体，在图谱中称之为实例。则，任意多个事件的析取是事件总体的子事件。将事件个体表示为instance，Subevent表示子事件。有如下式子：
2、在实现状态的转变时，将低层状态事件作为上层实例的触发条件。即，对于一个上层事件个体，共存在n个下层状态事件的事件总体能够将其触发。上层事件个体表示为；下层状态事件的事件总体表示为/>；Trigger表示触发。有如下式子：
为实现对预测结果的解释推理，同时更好地组织和展示实体之间的关系和状态事件的发生与转换。融合实体知识图谱和事件知识图谱的特征，构建实体-事件知识图谱用于知识描述和推理。
所述实体-事件知识图谱，是一种将知识和事件结合起来的图谱，它通过对实体、事件和它们之间的关系进行建模，既能充分描述静态的、确定性的事实知识，也能描述事件的动态演变过程以及事件间的关联关系。
进一步地，所述S104：将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息，具体包括：
S104-1：输入子概念是否已经发生的事实列表Ef、包含所有关系的关系库Rb、为拓扑拓展准备的事件队列Er、记录一个事件指向触发关系数量的列表It、用于记录通过触发关系指向一个已获取事件的事件数量的列表Ih；
S104-2：遍历Ef列表中的每一个元素u，将其加入到队列Er和集合Eh中；
S104-3：从队列Er中取出一个元素u；
S104-4：遍历关系库Rb中所有以节点u为起点的关系 (u, v, trigger)，v表示关系的终点，对于每个关系执行以下步骤：
S104-4-1：将 It[v]加1，表示有一个触发关系指向了v；It[v]表示记录指向v的触发关系数量的列表；
S104-4-2：如果Ih[v] = It[v]，说明v所有的触发关系都已经被触发，将v加入队列Er和集合 Eh中，遍历所有以v为终点的关系 (w, v) 并将其加入列表Ru；w表示所有以v为终点的关系的起点；Ih[v]表示记录通过触发关系指向v的事件数量的列表；
S104-5：遍历关系库Rb中所有的以节点u为起点的实例关系，对于每个关系执行以下步骤：
S104-5-1：如果v已经在集合 Eh中，则将v加入队列Er中；
S104-5-1：将以u为起点的实例关系加入列表 Ru中；
S104-6：循环执行S104-3- S104-5，直到队列Er为空；
S104-7：输出包含已经获取的事件集合Eh和用于推理事件的所有现有关系的列表Ru，包含已经获取的事件集合Eh生成故障的自然语言描述，基于用于推理事件的所有现有关系的列表Ru生成子知识图谱。
本发明在现有的故障预测技术的基础上，进一步探索如何实现预测结果的可解释，有利于满足本领域发展的技术需求。
使用拓扑排序的改进算法在构建的包含所有事件之间关系的实体-事件图谱获得预测结果的解释信息。使用获得的所有原子概念是否存在的事实，通过拓扑排序的改进算法自下而上推理出所有存在的事件，输出推理中事件之间的所使用到的关系。这将会生成一个事件知识图谱的子图，将该子图与实体知识图谱相连，半自动化构建一个新的实体-事件知识图谱(EEKG＇),EEKG＇是EEKG的一个子图，即()。
进行异常定位，用于故障原因的可视化分析；EEKG能根据事件的共指、时序以及因果关系分析事件的演变趋势，自上而下地逐层给出事理逻辑的自然语言描述。
基于EEKG自下而上地根据部件的拓扑关系向上逐级推理，构建出EEKG的子图谱，用于故障原因的可视化分析；根据事件的共指、时序以及因果关系分析事件的演变趋势，自上而下地逐解释层给出事理逻辑的解释。
本发明以人工智能的可解释为中心,针对故障预测方面展开研究。在应用多隐层人工神经网络进行机械故障预测的基础上,提出人工神经网络输出的可解释问题的解决方案。本方法计划将神经网络与知识事件图谱和知识推理相结合，对深度神经网络做出的预测结果给出人类所能理解的解释。提出了以下创新：构建和训练解释网络；知识推理生成针对故障预测结果的理由；基于实体-事件图谱对神经网络模型的决策结果进行可视化解释。
在使用深度神经网络技术进行机械故障预测的基础上，使用预测网络并结合实体知识图谱、事件知识图谱和知识推理实现对预测结果的解释，在得到预测结果的同时增加了结果的可信度。
采用涡轮风扇发动机数据集进行实例化，以下称为N-CMAPSS数据集。N-CMPSS数据集包含来自128个单元的8组数据和影响所有旋转子部件的流量(F)和效率(E)的7种不同故障模式，故障模式在各组数据均有标注。此次实验选取前7组数据作为实验数据集，以用来测试所述的一种融合数据与知识的可解释故障预测方法的表现。
在本实施例中，涡扇发动机的健康状况包含正常情况和两种故障情况，两种故障状态分别由故障(Fault)和磨损(Wear)表示。同时发动机的所有旋转子部件都会受到流量偏差和效率下降的影响，将流量(F)和效率(E)作为衡量部件健康状况的指标。
在N-CMAPSS数据集上，对于涡扇发动机定义10个故障子概念：低压压气机(LPC)、高压压气机(HPC)、低压涡轮机(LPT)、高压涡轮机(HPT)和风扇(Fan) 5个部件各自的流量(F)和效率(E)。两种故障状态为：故障(Fault)和磨损(Wear)。
使用训练好的预测网络和解释网络，预测数据输入到故障预测模型中进行分析和处理，预测设备剩余使用寿命。同时，提取预测神经网络中指定层神经元节点的激活值，并将其作为输入传递到解释网络中，获取知识。通过EEKG多层推理模型得到故障的可视化解释和自然语言描述。
基于EEKG的推理机制详见图3。
选择DS02数据集中的一条运行数据作为故障预测模型的输入，根据故障预测模型的输出结果可知，当前设备的剩余使用寿命为70.736。依据解释网络的预测结果可以了解到设备的HPT效率出现偏差，LPT的效率和流量都有偏差，其他关键部件状态良好。
现结合图3提供从下到上的故障推理示例：因为LPT效率和流量都出现偏差，HPT效率出现偏差，所以LPT退化类型是故障，HPT的退化类型是磨损；进一步地，故障部件是Turbine；设备发生一维故障。
示例性地，自然语言描述为：预测网络的结果显示涡轮风扇发动机的剩余寿命周期为71；根据解释网络对预测网络的判断，通过事件和知识推理获得以下信息：确定为一维故障，特别是，涡轮机机组出现故障，而其他机组正常。此外，对于涡轮机机组，低压涡轮机即将发生故障，导致效率和流量出现偏差。与此同时，高压涡轮机即将磨损，导致效率出现偏差。因此，请尽快对涡轮机机组中的低压涡轮机和高压涡轮机进行安全检查。
实施例二
本实施例提供了涡轮风扇发动机的可解释故障预测系统；
涡轮风扇发动机的可解释故障预测系统，包括：
获取模块，其被配置为：获取涡轮风扇发动机的工作参数；
输入模块，其被配置为：将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；
处理模块，其被配置为：从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；
推理模块，其被配置为：将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息，所述可解释信息，包括：故障的自然语言描述和子知识图谱。
此处需要说明的是，上述获取模块、输入模块、处理模块和推理模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.涡轮风扇发动机的可解释故障预测方法，其特征是，包括：
获取涡轮风扇发动机的工作参数；
将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；
从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；
将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息，所述可解释信息，包括：故障的自然语言描述和子知识图谱。
2.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果，其中，训练后的预测网络，其训练过程包括：
构建第一训练集，所述第一训练集包括：已知涡轮风扇发动机剩余寿命的涡轮风扇发动机历史工作参数；将第一训练集，输入到预测网络中，对其进行训练，当预测网络的损失函数值不再下降时，或者，训练迭代次数超过设定阈值时，停止训练，得到训练后的预测网络。
3.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，
从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数，其中，解释网络与训练后的解释网络，其网络结构是一样的；所述训练后的解释网络，采用第一种网络结构来实现或者采用第二种网络结构来实现；所述第一种网络结构，包括：输入层、第一全连接层、第一激活函数层、第二全连接层、第二激活函数层、第三全连接层、第三激活函数层和输出层；所述第二种网络结构，包括：输入层、第四全连接层、第四激活函数层和输出层。
4.如权利要求3所述的涡轮风扇发动机的可解释故障预测方法，其特征是，
从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数，其中，训练后的解释网络，训练过程包括：
构建第二训练集，所述第二训练集为已知故障子概念健康指数的涡轮风扇发动机历史工作参数；所述故障子概念，是指设备最小组成部件各项指数的退化；
将第二训练集中的涡轮风扇发动机历史工作参数输入到训练后的预测网络中，从训练后的预测网络中提取出神经元激活值；
将神经元激活值作为解释网络的输入值，将对应故障子概念健康指数作为解释网络的输出值，对解释网络进行训练，当解释网络的损失函数值不再下降时，停止训练，得到训练后的解释网络；
当训练后的解释网络采用第一种网络结构来实现时，得到第一预测精度；
当训练后的解释网络采用第二种网络结构来实现时，得到第二预测精度；
比较第一预测精度与第二预测精度的大小，选择预测精度值大的网络结构作为训练后的解释网络的网络结构。
5.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息；其中，实体-事件知识图谱，构建过程包括：
构建实体知识图谱，将涡轮风扇发动机的领域本体作为实体知识图谱的节点，根据领域本体之间的关系建立实体知识图谱节点之间的连接线；
在实体知识图谱的基础上，按照一阶谓词逻辑构建事件知识图谱，将事件和事件状态将作为事件知识图谱的节点，根据事件与事件之间的关系，事件与事件状态之间的关系，建立节点之间的连接线。
6.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息，具体包括：
（1）：输入子概念是否已经发生的事实列表Ef、包含所有关系的关系库Rb、为拓扑拓展准备的事件队列Er、记录一个事件指向触发关系数量的列表It、用于记录通过触发关系指向一个已获取事件的事件数量的列表Ih；
（2）：遍历Ef 列表中的每一个元素u，将其加入到队列Er和集合Eh中；
（3）：从队列Er中取出一个元素u；
（4）：遍历关系库Rb中所有以节点u为起点的关系 (u, v, trigger)，v表示关系的终点，对于每个关系执行以下步骤：
（4-1）：将 It[v]加1，表示有一个触发关系指向了v；It[v]表示记录指向v的触发关系数量的列表；
（4-2）：如果Ih[v] = It[v]，说明v所有的触发关系都已经被触发，将v加入队列 Er和集合 Eh中，遍历所有以v为终点的关系 (w, v) 并将其加入列表Ru；w表示所有以v为终点的关系的起点；Ih[v]表示记录通过触发关系指向v的事件数量的列表；
（5）：遍历关系库Rb中所有的以节点u为起点的实例关系，对于每个关系执行以下步骤：
（5-1）：如果v已经在集合 Eh中，则将v加入队列Er中；
（5-2）：将以u为起点的实例关系加入列表 Ru中；
（6）：循环执行（3）- （5），直到队列Er为空；
（7）：输出包含已经获取的事件集合Eh和用于推理事件的所有现有关系的列表Ru，包含已经获取的事件集合Eh生成故障的自然语言描述，基于用于推理事件的所有现有关系的列表Ru生成子知识图谱。
7.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，获取涡轮风扇发动机的工作参数，工作参数包括：设备工作条件描述、设备运行过程中传感器采集的运行数据。
8.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果，其中，预测网络和训练后的预测网络，其网络结构是一致的，训练后的预测网络，其网络结构包括：依次连接的卷积层L1、卷积层L2、卷积层L3、全连接层L4和全连接层L5。
9.如权利要求1所述的涡轮风扇发动机的可解释故障预测方法，其特征是，所述故障子概念，包括：风扇流量、风扇效率、高压涡轮机流量、高压涡轮机效率、低压涡轮机流量、低压涡轮机效率、高压压气机流量、高压压气机效率、低压压气机流量和低压压气机效率。
10.涡轮风扇发动机的可解释故障预测系统，其特征是，包括：
获取模块，其被配置为：获取涡轮风扇发动机的工作参数；
输入模块，其被配置为：将涡轮风扇发动机的工作参数，输入到训练后的预测网络中输出故障预测结果；
处理模块，其被配置为：从训练后的预测网络中，提取神经元激活值；将神经元激活值，分别输入到若干个训练后的解释网络中，每个训练后的解释网络输出对应故障子概念的健康指数；其中，训练后的解释网络与故障子概念之间是一一对应的；
推理模块，其被配置为：将故障子概念的健康指数，输入到改进的拓扑排序算法，改进的拓扑排序算法在构建的实体-事件知识图谱上进行推理，得到故障预测结果的可解释信息，所述可解释信息，包括：故障的自然语言描述和子知识图谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875540.3A CN116611523B (zh) | 2023-07-18 | 2023-07-18 | 涡轮风扇发动机的可解释故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875540.3A CN116611523B (zh) | 2023-07-18 | 2023-07-18 | 涡轮风扇发动机的可解释故障预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116611523A true CN116611523A (zh) | 2023-08-18 |
| CN116611523B CN116611523B (zh) | 2023-09-26 |
Family
ID=87675025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310875540.3A Active CN116611523B (zh) | 2023-07-18 | 2023-07-18 | 涡轮风扇发动机的可解释故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611523B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117742303A (zh) * | 2024-02-07 | 2024-03-22 | 珠海市运泰利电子有限公司 | 一种生产自动化设备检测方法、系统和介质 |
| CN117742303B (zh) * | 2024-02-07 | 2024-05-14 | 珠海市运泰利电子有限公司 | 一种生产自动化设备检测方法、系统和介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079430A (zh) * | 2019-10-21 | 2020-04-28 | 国家电网公司华中分部 | 一种组合深度学习和概念图谱的电力故障事件抽取方法 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
| WO2021173715A1 (en) * | 2020-02-24 | 2021-09-02 | The Board Of Regents Of The University Of Texas System | Methods and systems to train neural networks |
| CN114218932A (zh) * | 2021-11-26 | 2022-03-22 | 中国航空综合技术研究所 | 基于故障因果图谱的航空故障文本摘要生成方法及其装置 |
| WO2022101515A1 (en) * | 2020-11-16 | 2022-05-19 | UMNAI Limited | Method for an explainable autoencoder and an explainable generative adversarial network |
| CN114580263A (zh) * | 2021-12-02 | 2022-06-03 | 国家电网有限公司信息通信分公司 | 基于知识图谱的信息系统故障预测方法及相关设备 |
| CN115357726A (zh) * | 2022-08-15 | 2022-11-18 | 云南电网有限责任公司玉溪供电局 | 基于知识图谱的故障处置预案数字化模型建立方法 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| WO2023115761A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京邮电大学 | 基于时序知识图谱的事件检测方法和装置 |
-
2023
- 2023-07-18 CN CN202310875540.3A patent/CN116611523B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN111079430A (zh) * | 2019-10-21 | 2020-04-28 | 国家电网公司华中分部 | 一种组合深度学习和概念图谱的电力故障事件抽取方法 |
| WO2021173715A1 (en) * | 2020-02-24 | 2021-09-02 | The Board Of Regents Of The University Of Texas System | Methods and systems to train neural networks |
| WO2022101515A1 (en) * | 2020-11-16 | 2022-05-19 | UMNAI Limited | Method for an explainable autoencoder and an explainable generative adversarial network |
| CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
| WO2023065545A1 (zh) * | 2021-10-19 | 2023-04-27 | 平安科技（深圳）有限公司 | 风险预测方法、装置、设备及存储介质 |
| CN114218932A (zh) * | 2021-11-26 | 2022-03-22 | 中国航空综合技术研究所 | 基于故障因果图谱的航空故障文本摘要生成方法及其装置 |
| CN114580263A (zh) * | 2021-12-02 | 2022-06-03 | 国家电网有限公司信息通信分公司 | 基于知识图谱的信息系统故障预测方法及相关设备 |
| WO2023115761A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京邮电大学 | 基于时序知识图谱的事件检测方法和装置 |
| CN115357726A (zh) * | 2022-08-15 | 2022-11-18 | 云南电网有限责任公司玉溪供电局 | 基于知识图谱的故障处置预案数字化模型建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨杰, 叶晨洲, 李国正: "基于概念层级和分层挖掘的非单调数据挖掘算法", 上海交通大学学报, no. 11 * |
| 魏长流, 敖世奇: "基于神经网络专家系统的炮兵射击指挥系统故障诊断", 兵工自动化, no. 05 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117742303A (zh) * | 2024-02-07 | 2024-03-22 | 珠海市运泰利电子有限公司 | 一种生产自动化设备检测方法、系统和介质 |
| CN117742303B (zh) * | 2024-02-07 | 2024-05-14 | 珠海市运泰利电子有限公司 | 一种生产自动化设备检测方法、系统和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116611523B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Bayesian networks in fault diagnosis | |
| Xia et al. | Toward cognitive predictive maintenance: A survey of graph-based approaches | |
| Isermann et al. | Process fault diagnosis based on process model knowledge: Part I—Principles for fault diagnosis with parameter estimation | |
| Lefebvre et al. | Stochastic Petri net identification for the fault detection and isolation of discrete event systems | |
| Abele et al. | Combining knowledge modeling and machine learning for alarm root cause analysis | |
| CN112101431A (zh) | 电子设备故障诊断系统 | |
| Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
| Fentaye et al. | Gas turbine gas path diagnostics: A review | |
| Waghen et al. | Multi-level interpretable logic tree analysis: A data-driven approach for hierarchical causality analysis | |
| Gu et al. | Fault diagnosis of gearbox based on improved DUCG with combination weighting method | |
| Lazarova-Molnar et al. | Automating reliability analysis: Data-driven learning and analysis of multi-state fault trees | |
| Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
| Hess et al. | The maintenance aware design environment: Development of an aerospace phm software tool | |
| Karlsson et al. | Detection and interactive isolation of faults in steam turbines to support maintenance decisions | |
| CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
| Ragab et al. | Remaining useful life prognostics using pattern-based machine learning | |
| Hekmat et al. | Real time fault detection and isolation: a comparative study | |
| Yildiz | Development of a hybrid intelligent system for on-line real-time monitoring of nuclear power plant operations | |
| Bouarroudj et al. | An ILP Approach to Learn MKNF+ Rules for Fault Diagnosis | |
| Chakrabarti et al. | A First-Order Stochastic Prognostic System for the Diagnosis of Helicopter Rotor Systems for the US Navy. | |
| Zhang et al. | Joint probability inference algorithms of a Bayesian network and reliability analysis of electronic products | |
| Bonissone et al. | A systematic PHM approach for anomaly resolution: A hybrid neural fuzzy system for model construction | |
| Klusch et al. | iCM-Hydraulic: Semantics-empowered condition monitoring of hydraulic machines | |
| Saxena | Knowledge-based architecture for integrated condition based maintenance of engineering systems | |
| Liu et al. | Survey on Foundation Models for Prognostics and Health Management in Industrial Cyber-Physical Systems |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |