CN116611593A - 用于预测空压机的故障的方法、设备和介质 - Google Patents
用于预测空压机的故障的方法、设备和介质 Download PDFInfo
- Publication number
- CN116611593A CN116611593A CN202310902368.6A CN202310902368A CN116611593A CN 116611593 A CN116611593 A CN 116611593A CN 202310902368 A CN202310902368 A CN 202310902368A CN 116611593 A CN116611593 A CN 116611593A
- Authority
- CN
- China
- Prior art keywords
- air compressor
- graph
- fault
- air
- knowledge
- 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 40
- 238000007906 compression Methods 0.000 claims abstract description 38
- 230000006835 compression Effects 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims description 22
- 208000024891 symptom Diseases 0.000 claims description 16
- 238000013024 troubleshooting Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 239000003921 oil Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000013523 data management Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000010687 lubricating oil Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002244 precipitate Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本公开的实施例涉及一种用于预测空压机的故障的方法、设备和介质,空压站中包括一个或多个空压机并且所述空压机包括一个或多个不同类型的零件,所述方法包括:构建关于每一个空压机的、基于多个实体‑关系‑属性的三元组;基于所述三元组,构建关于所述空压站的知识图谱,其中所述知识图谱的节点为实体和属性,并且节点与节点之间通过关系连接;基于所获取的空压机的运行数据,经由机器学习模型,为知识图谱中的、用于连接节点与节点的关系赋予权重值;以及基于经赋予权重值的知识图谱,预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息。
Description
技术领域
本公开总体上涉及空压机的控制,并且具体地,涉及用于控制用于预测空压站中空压机的故障的方法、计算设备和计算机存储介质。
背景技术
空气压缩机(简称为“空压机)用于提供气源动力,是气动系统的核心设备。目前,空压机已经普遍运用于各个行业,成为相关企业设备中的核心装置之一。通常一个空压站中可能包括多台不同型号的空压机,并且每台空压机的型号不同。
空压站以机械装备为主,重点关注物理和功能安全。但是空压站的生产设备数字化、信息化、网络化、智能化水平不断提升;生产环节中人机交互过程逐渐减少甚至消失,这种生产环境往往会导致安全隐患难以发觉,从而导致空压站的安全事故。空压站中空压机的质量缺陷、材料老化等状态都是连续变化的,这些故障引起的连锁反应会导致整个生产过程无法正常进行,然而由于空压站中的生产设备过于复杂往往难以定位故障。
综上,传统用于预测空压站中空压机的故障的方案存在不能准确定位空压站中空压机以及空压机中各类部件故障的问题。
发明内容
针对上述问题,本公开提供了一种用于预测空压机的故障的方法、计算设备和计算机可读存储介质,其结合知识图谱分析空压机中可能的故障,其可以用图数据库实现知识库的创建和管理,使知识库的维护更新、规则的增删查改便捷高效;同时,知识图谱的构建和推理主要基于对专家经验的梳理,不需要大量数据训练模型,冷启动友好;知识图谱可结合专家经验和机器学习,机器学习做关键指标的异常检测,图数据库根据专家经验完成根因分析和路径推导,既利用了先验知识又深度利用数据;最后本公开的方案实现了空压机故障的因果分析。
根据本公开的第一方面,提供了一种用于预测空压站中空压机的故障的方法,所述空压站中包括一个或多个空压机并且所述空压机包括一个或多个不同类型的零件,所述方法包括:构建关于每一个空压机的、基于多个实体-关系-属性的三元组;基于所述三元组,构建关于所述空压站的知识图谱,其中所述知识图谱的节点为实体和属性,并且节点与节点之间通过关系连接;基于所获取的空压机的运行数据,经由机器学习模型,为知识图谱中的、用于连接节点与节点的关系赋予权重值;以及基于经赋予权重值的知识图谱,预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中计算机指令用于使计算机执行本公开的第一方面的方法。
在一个实施例中,所述知识图谱中的实体包括以下各项中的一项或多项:空压站、空压机、空压机的零部件、空压机的运行参数、空压机运行的故障症状指示信息、空压机运行的故障原因信息以及空压机运行故障检修信息。
在一个实施例中,所述知识图谱中的关系包括以下各项中的一项或多项:从属关系、故障症状关系、故障原因关系以及故障检修关系。
在一个实施例中,所述知识图谱中的属性包括以下各项中的一项或多项:空压机来源属性、空压机型号、空压机类别、空压机电机额定功率以及空压机容积流量。
在一个实施例中,预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息包括:监控空压站以及空压机的运行数据;响应于所述运行数据超过报警阈值,将所述运行数据带入到所述经赋予权重值的知识图谱,从而获取对应于所述运行数据的知识图谱子图;基于图相似度算法,比较所获取的知识图谱子图与关于故障的标准图谱,从而获取子图与标准图谱的比较结果;以及响应于所述比较结果高于或等于图相似度阈值,则基于所述标准图谱,确定空压站中空压机的故障以及与所述故障相应的故障检修信息。
在一个实施例中,预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息还包括:响应于所述比较结果低于图相似度阈值,则确定知识图谱子图中连接节点与节点的关系的权重值;基于所确定的权重值,计算属性对应于实体的权重,从而将所计算的权重最高的属性确定为空压站中空压机的故障;以及基于所计算的权重最高的属性,确定与所述故障相应的故障检修信息。
在一个实施例中,为知识图谱中的、用于连接节点与节点的关系赋予权重值包括:基于空压机的历史运行数据,构建空压机故障诊断模型;基于所构建的空压机故障诊断模型,确定实体-属性之间的关联概率值;以及基于所获取的概率值,为用于连接节点与节点的关系赋予权重值。
在一个实施例中,为知识图谱中的、用于连接节点与节点的关系赋予权重值还包括:基于预测的空压机故障以及故障检修信息,确定空压机的实际故障;以及基于所确定的空压机实际故障,更新用于连接节点与节点的关系的权重值。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本发明的实施例的用于控制空压站的空压机的方法的系统100的示意图。
图2示出了根据本公开的实施例的用于预测空压站中空压机的故障的方法200的流程图。
图3示出了根据本发明实施例的三元组构建的知识图谱节点的示意图。
图4示出了根据本发明实施例的三元组构建的知识图谱的示意图。
图5示出了根据本公开的实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于预测空压站中空压机的故障的方案。具体来说,知识图谱是一种更先进的专家系统,用图数据库实现知识库的创建和管理,使知识库的维护更新、规则的增删查改非常便捷高效;知识图谱的构建和推理主要基于对专家经验的梳理,不需要大量数据训练模型,冷启动友好;知识图谱可结合专家经验和机器学习,机器学习做关键指标的异常检测,图数据库根据专家经验完成根因分析和路径推导,既利用了先验知识又深度利用数据;实现了因果分析。
图1示出了用于实现根据本发明的实施例的用于控制空压站的空压机的方法的系统100的示意图。如图1中所示,系统100包括计算设备110和空压机数据管理设备130和网络140。计算设备110、空压机数据管理设备130可以通过网络140(例如,因特网)进行数据交互。
空压机数据管理设备130,其例如可以存储并获取多类不同的空压机数据,例如,例如获取用于检测空压站中的母管的瞬间流量的流量传感器的传感器数据并将其存储。流量传感器可以根据所设置的预定时间间隔,例如,30s、1分钟、5分钟采集空压站中的母管的瞬间流量。如上所述,虽然空压站实时的产气量与用气需求量是存在差异的,但是如果将观察的时间窗口放大到半小时或一小时以上,这时候的空压站实际产气量与用气量几乎是一致的。因此,空压站中的母管的瞬间流量可以约等于当前所需要的产气量。基于此原理,可以通过时间序列模型,从空压站的历史用气数据中,自动挖掘出对应工况下的用气需求特征,并基于用气需求特征,以最优的方式组合空压机来供气,最终达到节能的目的。空压机数据管理设备130还可以接收来自计算设备110确定的空压机调整指令,从而对空压站的空压机进行调整,使空压站保持在最佳工作状态。
关于计算设备110,其例如用于接收来自空压机数据管理设备130的空压机数据,例如对应于预定时间间隔的空压站的母管的瞬间流量;从而基于所获取的流量预测空压机的产气量。计算设备110可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个计算设备110上也可以运行着一个或多个虚拟机。在一些实施例中,计算设备110与空压机数据管理设备130可以集成在一起,也可以是彼此分立设置。在一些实施例中,计算设备110例如包括获取模块112、移位模块114、抽取模块116、确定模块118以及映射模块120。
构建模块112,所述构建模块112配置成构建关于每一个空压机的、基于多个实体-关系-属性的三元组。
知识图谱模块114,所述知识图谱模块114配置成基于所述三元组,构建关于所述空压站的知识图谱,其中所述知识图谱的节点为实体和属性,并且节点与节点之间通过关系连接。
赋值模块116,所述赋值模块116配置成基于所获取的空压机的运行数据,经由机器学习模型,为知识图谱中的、用于连接节点与节点的关系赋予权重值。
预测模块118,所述预测模块118配置成基于经赋予权重值的知识图谱,预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息。
图2示出了根据本公开的实施例的用于预测空压站中空压机的故障的方法200的流程图。方法200可由如图1所示的计算设备110执行,也可以在图5所示的电子设备600处执行。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在本公开中,空压站中包括一个或多个空压机并且所述空压机包括一个或多个不同类型的零件。空压站例如T工厂1号空压站,其中包括1#空压机、3#变频机,每台空压机包括冷却器、空气过滤器、电机负荷端。对应的零件参数包括温度、压力、振动烈度。零件的故障症状可能包括排气温度过高、高温停机、电机堵转。对应的故障原因可能包括机组润滑油不够,供油不足;温度传感器故障,跳动失灵并且对应的故障检修建议包括更换高品质润滑油;检查温度传感器。
知识图谱旨在描述客观世界的概念、实体、事件及其间的关系,它本质上是一种语义网络,将客观经验沉淀在巨大的网络中。知识图谱将互联网的信息表达成更接近人类认知世界的形式,提供了一种更好地组织、管理和理解互联网海量信息的能力。在涉及到结构信息时,知识图谱可以看作是一个图;当涉及到形式语义时,它可以作为解释和推断事实的知识库。知识图谱的出现改变了传统的知识获取模式,将知识工程“ 自上而下”方式转变为挖掘数据、抽取知识的“ 自下而上”方式。经过长期的理论创新与实践探索,知识图谱已经具备体系化的构建与推理方法。
在步骤202中,计算设备110可以构建关于每一个空压机的、基于多个实体-关系-属性的三元组。
三元组中的实体可以包括以下项中的一项或多项:空压站、空压机、空压机零部件、空压机的运行参数、空压机运行的故障症状、空压机运行的故障原因以及空压机运行故障检修建议等。
在一个实施例中,空压站或站房可以是T工厂1号空压站、G工厂空压站等。空压机或设备可以是1#空压机、3#变频机等。空压机零部件或零部件可以是冷却器、空气过滤器、电机负荷端等。空压机的运行参数或参数可以是温度、压力、振动烈度等。空压机运行的故障症状或症状可以是排气温度过高、高温停机、电机堵转等。空压机运行的故障原因或故障原因可以是机组润滑油不够,供油不足;温度传感器故障,跳动失灵等。空压机运行故障检修建议或检修建议可以是更换高品质润滑油;检查温度传感器等。
三元组中的关系可以包括以下项中的一项或多项:从属关系、故障症状关系、故障原因关系以及故障建议关系等。
在一个实施例中,从属关系或属于可以是1#空压机<属于>T工厂1号空压站。故障症状关系或症状关系可以是空气过滤器<症状有>压差异常。故障原因关系或原因关系可以是高温停机<原因是>机组润滑油不够,供油不足。故障建议关系或建议关系可以是机组润滑油不够,供油不足<建议是>更换高品质润滑油。
三元组中的属性可以包括以下项中的一项或多项:空压机品牌、空压机型号、空压机类别、空压机电机额定功率以及空压机容积流量等。
在一个实施例中,空压机品牌或品牌属性可以是英格索兰。空压机型号或型号属性可以是MK234。空压机类别或类别属性可以是螺杆定频空压机。空压机电机额定功率或电机额定功率可以是22kW。空压机容积流量或公称容积流量可以是3m3/min。
在步骤204中,计算设备110可以基于所述三元组,构建关于所述空压站的知识图谱,其中所述知识图谱的节点为实体和属性,并且节点与节点之间通过关系连接。
在一个实施例中,计算设备可以基于所述三元组,为所述空压站构建知识图谱节点,再基于节点构建整体的知识图谱或知识图谱树。
图3示出了根据本发明实施例的三元组构建的知识图谱节点的示意图。如图3所示,计算设备110可以利用例如图谱Schema设计来设计包括实体、关系及相应属性的三元组节点。零部件节点可以属于设备,即空压机,再进一步从属于站房,即空压站。零部件可以通过症状关系连接到症状属性,症状属性又可以进一步通过原因关系连接到故障原因属性并且最终连接到检修建议。
图4示出了根据本发明实施例的三元组构建的知识图谱的示意图。计算设备110可以基于以上确定的节点,针对一个新空压站站房,创建知识图谱实例或知识图谱树,其包括实体创建(站房、设备、部件、症状、故障原因、检修建议)、关系创建、实体和关系的属性创建、导入图数据库,知识图谱或知识图谱树的节点为实体和属性并且节点与节点之间通过关系连接。如图4所示,基于所创建的知识图谱,计算设备110可以进行知识推理,即对关键指标(如压力、温度、振动)进行监测,如果检测到异常,则调用图谱实例进行知识推理。从异常实体出发进行路径推导,如症状->故障原因->检修建议,从而实现根因分析和故障定位。
在步骤206中,计算设备110可以基于所获取的空压机的运行数据,经由机器学习模型,为知识图谱中的、用于连接节点与节点的关系赋予权重值。
计算设备可以基于机器学习模型计算连接节点与节点之间的权重值。机器学习模型可以例如为深度学习分类判别模型,其由历史采集的设备相关传感器数据训练得到,机器学习模型的输入是传感器数据,输出是故障类型概率,即边的权重值。边的权重值代表节点与节点或节点与属性之间归属于该关系的概率。
在一个实施例中,计算设备110可以基于空压机的历史运行数据,构建空压机故障诊断的机器学习模型;基于所构建的空压机故障诊断模型,确定实体-属性之间的关联概率值;以及基于所获取的概率值,为连接节点与节点的关系赋权重值。
具体来说,边的权重值或赋值可以通过如下方式计算:将输入的空压机故障现象与故障维修知识图谱中的故障现象文本进行语义相似度计算,获取超过设定阈值的故障现象实体,再从故障维修知识图谱中找到所获取的故障现象实体关联的传感器数据与故障原因,由传感器数据确定相应的机器学习模型;将所获得的故障原因与输入的传感器数据加入训练数据集重新对所确定的机器学习模型进行训练;最后利用训练好的机器学习模型对输入的传感器数据进行判别,输出预测故障原因及其权重值。
在一个实施例中,计算设备110还可以基于预测的空压机故障以及故障检修建议,确定空压机的实际故障;以及基于所确定的空压机实际故障,更新连接节点与节点的关系的权重值。
在步骤208中,计算设备110可以基于经赋予权重值的知识图谱,预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息。
在一个实施例中,计算设备110可以监控空压站以及空压机的运行数据,例如空压机的运行压力。响应于所述运行数据超过报警阈值,将所述运行数据带入到所述带权重值的知识图谱,从而获取对应于所述运行数据的知识图谱子图。知识图谱子图是与监测到的预警数据相关的知识图谱的一部分。
计算设备110的数据库中可以预存有多个故障的标准图谱,标准图谱具有特定的症状、参数和故障原因以及检修建议。计算设备110可以基于图相似度算法,比较所获取的知识图谱子图与故障的标准图谱,从而获取子图与标准图谱的比较结果。例如可以设定一个图相似度阈值,在该阈值以上,则任务子图可以对应于标准图谱。
计算设备110响应于所述比较结果高于或等于图相似度阈值,则基于所述标准图谱,确定空压站中空压机的故障以及与所述故障相应的故障检修建议。
在另一个实施例中,计算设备110可以响应于所述比较结果低于图相似度阈值,则确定知识图谱子图中连接节点与节点的关系的权重值。基于权重值,计算属性对应于实体的权重,从而将权重最高的属性确定为空压站中空压机的故障。并且基于所确定的属性确定空压站中空压机的故障以及与所述故障相应的故障检修建议。
在另一个实施例中,计算设备110可以将输入的空压机传感器数据通过机器学习模型进行故障原因判断,得到超过设定阈值1的候选的故障原因;再将输入的故障现象,与故障维修知识图谱中对应的候选故障原因实体关联的故障现象进行语义相似度计算,筛选出超过设定阈值2的故障原因;进一步,将筛选出的故障原因在故障维修知识图谱中关联的传感器数据,与输入的传感器数据计算余弦相似度,并按照余弦相似度大小输出故障原因及故障原因的置信度。
在另一个实施例中,计算设备110可以利用机器学习模型对输入的传感器数据进行故障原因判断,获取的故障原因作为判别结果一;利用故障维修知识图谱对输入的故障现象进行文本相似度比较,获得的故障原因作为判别结果二;将判别结果一和判别结果二的故障原因的边的权重值进行加权求和,获取最终的故障原因,其中故障原因是加权求和值最大的故障原因。
在一个实施例中,计算设备110可以利用不同历史空压机传感器数据构建不同的机器学习模型,所述机器学习模型采用支持向量机SVM模型;设设备相关的机器学习模型有N个,故障原因有M种,将采集的传感器数据输入机器学习模型n输出的故障原因m的概率为pn,m,根据历史数据统计得到机器学习模型n对故障原因m的诊断准确度概率为Cn,m,其中n=1,2,…N,m=1,2,…M,N和M均为正整数;将设备的故障维修知识图谱作为一个分类器,其中故障现象对应故障原因的置信度作为分类器的概率,设利用设备的故障维修知识图谱对输入的故障现象和传感器数据进行判断,得到为故障原因m的概率为p0,m,准确度概率为C0,m;利用SVM的后验概率和分类器的局部可信度建立基本概率赋值函数,再通过D-S证据理论融合输出最终判断的故障原因。
在一个实施例中,计算设备110创建图谱时,边的权重可由机器学习模型学习得到。异常检测时,报警阈值可由机器学习模型学习得到。知识推理时,如果有相似的标准案例,可以用图相似度检测算法进行案例推断;如果没有,可用图谱路径推理。同时标准图谱案例和空压机的历史运行数据可从例如云智控数据等平台导出故障案例进行人工标注。
利用以上技术手段,可以实现支持丰富的推导模型的图数据库,通过推导模型就可以在图数据库中找到根因。维护好模型就维护好复杂规则库,降低了规则的维护难度。同时知识图谱的Schema是基于专家经验设计出来的,而不是纯数据驱动,所以困扰机器学习的“小数据”问题在知识图谱上不存在。
通过引入图数据库,将故障数据以知识图谱的方式来存储,既方便查询,也方便展示。知识图谱可以在图数据库上进行知识推导,所以有因果分析、根因分析能力,可解释性强。
图5示出了可以用来实施本公开内容的实施例的示例电子设备500的示意性框图。例如,如图1所示的计算设备110可以由电子设备500来实施。如图所示,电子设备500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机存取存储器(RAM)503中的计算机程序指令,来执行各种适当的动作和处理。在随机存取存储器503中,还可存储电子设备500操作所需的各种程序和数据。中央处理单元501、只读存储器502以及随机存取存储器503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至输入/输出接口505,包括:输入单元506,例如键盘、鼠标、麦克风等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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。
上文所描述的各个过程和处理,例如方法200可由中央处理单元501执行。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由只读存储器502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到随机存取存储器503并由中央处理单元501执行时,可以执行上文描述的方法200的一个或多个动作。
本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种用于预测空压站中空压机的故障的方法,所述空压站中包括一个或多个空压机并且所述空压机包括一个或多个不同类型的零件,所述方法包括:
构建关于每一个空压机的、基于多个实体-关系-属性的三元组;
基于所述三元组,构建关于所述空压站的知识图谱,其中所述知识图谱的节点为实体和属性,并且节点与节点之间通过关系连接;
基于所获取的空压机的运行数据,经由机器学习模型,为知识图谱中的、用于连接节点与节点的关系赋予权重值;以及
基于经赋予权重值的知识图谱,预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息。
2.根据权利要求1所述的方法,其中所述知识图谱中的实体包括以下各项中的一项或多项:
空压站、空压机、空压机的零部件、空压机的运行参数、空压机运行的故障症状指示信息、空压机运行的故障原因信息以及空压机运行故障检修信息。
3.根据权利要求2所述的方法,其中所述知识图谱中的关系包括以下各项中的一项或多项:
从属关系、故障症状关系、故障原因关系以及故障检修关系。
4.根据权利要求3所述的方法,其中所述知识图谱中的属性包括以下各项中的一项或多项:
空压机来源属性、空压机型号、空压机类别、空压机电机额定功率以及空压机容积流量。
5.根据权利要求1或4所述的方法,其中预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息包括:
监控空压站以及空压机的运行数据;
响应于所述运行数据超过报警阈值,将所述运行数据带入到所述经赋予权重值的知识图谱,从而获取对应于所述运行数据的知识图谱子图;
基于图相似度算法,比较所获取的知识图谱子图与关于故障的标准图谱,从而获取子图与标准图谱的比较结果;以及
响应于所述比较结果高于或等于图相似度阈值,则基于所述标准图谱,确定空压站中空压机的故障以及与所述故障相应的故障检修信息。
6.根据权利要求5所述的方法,其中预测空压站中空压机的故障,以便基于所预测的故障推荐与所述故障相应的故障检修信息还包括:
响应于所述比较结果低于图相似度阈值,则确定知识图谱子图中连接节点与节点的关系的权重值;
基于所确定的权重值,计算属性对应于实体的权重,从而将所计算的权重最高的属性确定为空压站中空压机的故障;以及
基于所计算的权重最高的属性,确定与所述故障相应的故障检修信息。
7.根据权利要求1或6所述的方法,其中为知识图谱中的、用于连接节点与节点的关系赋予权重值包括:
基于空压机的历史运行数据,构建空压机故障诊断模型;
基于所构建的空压机故障诊断模型,确定实体-属性之间的关联概率值;以及
基于所获取的概率值,为用于连接节点与节点的关系赋予权重值。
8. 根据权利要求5所述的方法,其中为知识图谱中的、用于连接节点与节点的关系赋予权重值还包括:
基于预测的空压机故障以及故障检修信息,确定空压机的实际故障;以及
基于所确定的空压机实际故障,更新用于连接节点与节点的关系的权重值。
9.一种计算设备,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;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令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中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902368.6A CN116611593A (zh) | 2023-07-21 | 2023-07-21 | 用于预测空压机的故障的方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902368.6A CN116611593A (zh) | 2023-07-21 | 2023-07-21 | 用于预测空压机的故障的方法、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611593A true CN116611593A (zh) | 2023-08-18 |
Family
ID=87685807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310902368.6A Pending CN116611593A (zh) | 2023-07-21 | 2023-07-21 | 用于预测空压机的故障的方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611593A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009789A (zh) * | 2023-09-27 | 2023-11-07 | 通用技术集团机床工程研究院有限公司 | 机床的故障预测方法、装置、电子设备及存储介质 |
CN117193273A (zh) * | 2023-11-07 | 2023-12-08 | 广东鑫钻节能科技股份有限公司 | 一种数字能源空压站的定位溯源系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
CN114491037A (zh) * | 2022-01-26 | 2022-05-13 | 东软集团股份有限公司 | 基于知识图谱的故障诊断方法、装置、设备及介质 |
CN114756686A (zh) * | 2022-03-30 | 2022-07-15 | 同济大学 | 一种基于知识图谱的知识推理和故障诊断方法 |
CN115619383A (zh) * | 2022-12-19 | 2023-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
CN115630157A (zh) * | 2022-10-25 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 隔离开关故障知识图谱构建方法、系统、装置及存储介质 |
CN116225760A (zh) * | 2023-02-07 | 2023-06-06 | 宁波大学 | 一种基于运维知识图谱的实时根因分析方法 |
-
2023
- 2023-07-21 CN CN202310902368.6A patent/CN116611593A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
CN113723632A (zh) * | 2021-08-27 | 2021-11-30 | 北京邮电大学 | 一种基于知识图谱的工业设备故障诊断方法 |
CN114491037A (zh) * | 2022-01-26 | 2022-05-13 | 东软集团股份有限公司 | 基于知识图谱的故障诊断方法、装置、设备及介质 |
CN114756686A (zh) * | 2022-03-30 | 2022-07-15 | 同济大学 | 一种基于知识图谱的知识推理和故障诊断方法 |
CN115630157A (zh) * | 2022-10-25 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 隔离开关故障知识图谱构建方法、系统、装置及存储介质 |
CN115619383A (zh) * | 2022-12-19 | 2023-01-17 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种基于知识图谱的故障诊断方法、装置及计算设备 |
CN116225760A (zh) * | 2023-02-07 | 2023-06-06 | 宁波大学 | 一种基于运维知识图谱的实时根因分析方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009789A (zh) * | 2023-09-27 | 2023-11-07 | 通用技术集团机床工程研究院有限公司 | 机床的故障预测方法、装置、电子设备及存储介质 |
CN117193273A (zh) * | 2023-11-07 | 2023-12-08 | 广东鑫钻节能科技股份有限公司 | 一种数字能源空压站的定位溯源系统及方法 |
CN117193273B (zh) * | 2023-11-07 | 2024-01-12 | 广东鑫钻节能科技股份有限公司 | 一种数字能源空压站的定位溯源系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10733536B2 (en) | Population-based learning with deep belief networks | |
US10962968B2 (en) | Predicting failures in electrical submersible pumps using pattern recognition | |
US20190392098A1 (en) | Learning Expected Operational Behavior Of Machines From Generic Definitions And Past Behavior | |
CN116611593A (zh) | 用于预测空压机的故障的方法、设备和介质 | |
US8655830B2 (en) | Systems and methods for reporting a cause of an event or equipment state using causal relationship models in a building management system | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
CN112528519A (zh) | 发动机质量预警服务的方法、系统、可读介质和电子设备 | |
CN111160687B (zh) | 主动资产监控 | |
EP3183622B1 (en) | Population-based learning with deep belief networks | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
US10963797B2 (en) | System for analyzing machine data | |
JP6280862B2 (ja) | イベント分析システムおよび方法 | |
CN106209405A (zh) | 故障诊断方法及装置 | |
JP2017010263A (ja) | 異常予兆診断装置のプリプロセッサ及びその処理方法 | |
US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
EP4148523A1 (en) | Intelligent asset anomaly prediction via feature generation | |
CN113158664A (zh) | 用于神经语言行为识别系统的词法分析器 | |
EP3404589A1 (en) | Computer system and method for improved monitoring of the technical state of industrial systems | |
RU2687848C1 (ru) | Способ и система вибромониторинга промышленной безопасности динамического оборудования опасных производственных объектов | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
KR102311857B1 (ko) | 가스터빈 예열시간 예측 시스템 | |
Lakshmi et al. | Decision Trees for Secure and Transparent Equipment Failure Prediction in Cloud-Connected Manufacturing | |
CN117593868A (zh) | 针对工业过程警报的配置参数的规范性推荐的警报分析 | |
CN117670239A (zh) | 基于物联网的智慧校园数据监控应用系统 | |
CN117951309A (zh) | 一种基于知识图谱的燃气轮机气路故障推理方法及装置 |
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 |