CN116805014A - 可伸缩图结构的故障诊断与知识弹性索引编排方法及系统 - Google Patents
可伸缩图结构的故障诊断与知识弹性索引编排方法及系统 Download PDFInfo
- Publication number
- CN116805014A CN116805014A CN202310677602.XA CN202310677602A CN116805014A CN 116805014 A CN116805014 A CN 116805014A CN 202310677602 A CN202310677602 A CN 202310677602A CN 116805014 A CN116805014 A CN 116805014A
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- graph structure
- preset
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 238000010586 diagram Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 230000015654 memory Effects 0.000 claims description 39
- 230000002452 interceptive effect Effects 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012774 diagnostic algorithm Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis 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
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种可伸缩图结构的故障诊断与知识弹性索引编排方法及系统,包括:根据预设规则,基于开源图数据库设计低代码交互界面,构建可伸缩的图结构;根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,得到当前的故障类型;在预设图数据库中查询当前故障类型的诊断结果;根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排。本发明通过低代码半自动的方式构建可伸缩的图结构,通过图结构形式对故障诊断算法知识进行组织管理并存入图数据库,便于进行故障查询和相应诊断算法的推荐,以辅助诊断故障诊断分析,根据用户反馈进行图结构的伸缩与推荐结果动态编排。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及可伸缩图结构的故障诊断与知识弹性索引编排方法及系统。
背景技术
传统机械设备的故障诊断方法主要依靠专家的专业知识和维修经验,通过对机器各方面进行检测,找到故障的原因并修复,依靠专家经验的检测方法需要消耗大量的人力和时间,且易受到主观性影响。随着物联网与人工智能等技术的发展,数据驱动的诊断方式得到了广泛应用,其利用传感器监测的各种状态数据训练机器学习算法模型,通过分类和回归等任务分析设备的健康状态,以确定可能存在的故障类型。例如:利用CNN模型分析视觉图片检测表面磨损;使用VAE模型诊断滚动轴承和齿轮的故障类型;采用LSTM模型识别滚动轴承的故障振动信号等等。由于数据驱动的诊断方式不针对具体的对象、诊断精度较高且操作方便快速,在一定程度上实现了自动化和智能化诊断。然而,在实际中进行故障诊断的算法模型具有较强的针对性,在具体诊断问题训练的算法模型只能适用于特定部件的特定类型的信号数据分析。
现有技术中利用知识图谱和自然语言处理技术研究和设计了面向特定领域的设备故障诊断辅助决策构建方法,实现了基于知识图谱的故障告警信息解析判别和智能辅助决策,其方案一般先构建设备故障现象、故障类型和内在原因等关联因素的知识图谱,然后利用实际运行中设备故障现象的描述去故障知识图谱中进行搜索匹配,从而辅助进行故障类型诊断。其方案虽然能够直观展示故障现象、故障类型和设备部件之前的潜在关系,但在构建知识图谱时,知识的抽取通常较为困难,通过自动抽取实体和关系而构建出的图谱诊断的准确性不高,甚至在有些情况下故障日志文本缺失某些知识导致无法全面抽取出实体和关系,并且方法的实施过程需要训练NLP网络模型,要求设计人员具有较高的代码能力。如何建立一种可伸缩图结构的故障诊断知识索引编排方法是本领域技术人员亟需解决的问题。
发明内容
因此,本发明提供的一种可伸缩图结构的故障诊断与知识弹性索引编排方法及系统,克服了现有技术中设备在故障诊断过程中对专业人员过度依赖的缺陷。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供一种可伸缩图结构的故障诊断与知识弹性索引编排方法,包括:
根据预设规则,基于开源图数据库设计低代码交互界面,构建可伸缩的图结构;
根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,得到当前的故障类型;
在预设图数据库中查询当前故障类型的诊断结果;
根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排。
可选地,交互界面的初始画面是设备及其部件的节点连接图,节点代表设备或连接部件,在节点中上传相应故障图片和文字描述,展示各个部件及其连接关系,并通过交互界面增加、删除和修改节点,通过预先编写的GQL语句,将操作涉及操作对象的内容作为待填入参数,交互界面用于引导性提示用户输入信息,用户需关注节点与连接关系的内容输入而无需编写GQL代码。
可选地,开源图数据库的低代码交互界面包括:
在初始界面添加设备及其部件的节点,在设备节点输入设备的名称和描述信息,在部件节点输入部件的名称和描述信息,展示出设备和部件的连接关系;
选中预设部件的节点,跟随引导提示信息在弹出的子节点选项输入栏中填入预设的故障类型,以及与预设故障类型分别对应的现象描述、造成故障的预设原因、解决方案、传感信号的数据类型和故障诊断算法模型。
可选地,预设规则包括:故障设备与部件的连接关系、故障部件与传感信号数据类型的关系、算法模型与故障现象的关系、算法模型与数据类型的关系、故障类型和故障现象的关系、故障类型与预设原因、故障类型与解决方案之间的关系。
可选地,故障设备与部件的连接关系,故障部件与传感信号数据类型的关系均为匹配对应关系。
可选地,根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,包括:
用户根据当前的故障描述信息,利用可伸缩的图结构查询匹配对应的故障诊断算法模型,所述描述信息包括:故障部位、故障现象、传感数据类型;
根据图结构中的故障现象和当前输入故障现象的描述,计算两者的语义相似度;
判断故障现象和对应现象的算法模型是否匹配;
根据是否匹配,语义相似度与匹配置信度乘积的大小提取对应故障诊断算法模型。
可选地,根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排,包括:
根据图数据库中查询到的当前故障类型的诊断结果,所述诊断结果包括:故障出现的原因和解决方案;
根据诊断结果分别与算法诊断模型推荐的准确性、原因的符合程度和解决方案的准确性进行评分;
根据预设的评分规则,更新置信度,完成预设推荐诊断结果的动态索引编排。
第二方面,本发明实施例提供一种可伸缩图结构的故障诊断与知识弹性索引编排系统,包括:
可伸缩图结构构建模块,用于根据预设规则,基于开源图数据库设计低代码交互界面,构建可伸缩的图结构;
故障类型诊断模块,用于根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,得到当前的故障类型;
诊断结果查询模块,用于在预设图数据库中查询当前故障类型的诊断结果;
索引编排模块,用于根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排。
第三方面,本发明实施例提供一种终端,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执行本发明实施例第一方面所述的可伸缩图结构的故障诊断与知识弹性索引编排方法。
第四方面,本发明实施例提供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所述计算机执行本发明实施例第一方面所述的可伸缩图结构的故障诊断与知识弹性索引编排方法。
本发明技术方案,具有如下优点:
1.本发明提供的可伸缩图结构的故障诊断与知识弹性索引编排方法及系统,通过设计低代码交互界面引导专业人员录入故障诊断算法知识,并存储到图数据库,对使用者屏蔽了GQL代码的书写,且引导性的交互界面能提高构建可伸缩的图结构时录入信息的便捷性和效率。
2.本发明提供的交互界面引导专业人员半自动录入实体和关系以构建可伸缩的图结构,知识的表达能更有针对性和完整性,有助于解决在知识实体缺失或抽取不完整的情况下图谱诊断准确性不高的问题。
3.根据用户在使用中的反馈信息进行知识的补充和删减,且相关关系的置信度能根据用户的评分自适应地更新优化,实现推荐结果的动态编排,并提升推荐的个性化程度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种可伸缩图结构的故障诊断与知识弹性索引编排方法的一个具体示例的流程图;
图2为本发明实施例提供的通过低代码交互界面构建可伸缩的图结构的一个具体示例的示意图;
图3为本发明实施例提供的交互界面操作流程图;
图4为本发明实施例提供的知识录入界面的示意图;
图5为本发明实施例提供的查询当前故障情况并推荐适合的算法模型的流程图;
图6为本发明实施例提供的结构伸缩与动态编排推荐结果的实施实例示意图;
图7为本发明实施例提供的一种可伸缩图结构的故障诊断与知识弹性索引编排系统的模块组成图;
图8为本发明实施例提供的一种终端一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供的一种可伸缩图结构的故障诊断与知识弹性索引编排方法,通过低代码半自动的方式将设备故障诊断中的故障现象、故障部件、故障类型和诊断算法等各种知识用图结构的形式组织管理起来并存入图数据库,便于进行故障查询和相应诊断算法的推荐,以辅助诊断故障诊断分析,并根据用户反馈进行图结构的伸缩与推荐结果动态编排。
如图1所示,包括如下步骤:
步骤S1:根据预设规则,基于开源图数据库设计低代码交互界面,构建可伸缩的图结构。
在本发明实施例中,交互界面的初始画面是设备及其部件的节点连接图,节点代表设备或连接部件,在节点中上传相应故障图片和文字描述,展示各个部件及其连接关系,并通过交互界面增加、删除和修改节点。
在本发明实施例中,开源图数据库的低代码交互界面包括:在初始界面添加设备及其部件的节点,在设备节点输入设备的名称和描述信息,在部件节点输入部件的名称和描述信息,展示出设备和部件的连接关系。选中预设部件的节点,跟随引导提示信息在弹出的子节点选项输入栏中填入预设的故障类型,以及与预设故障类型分别对应的现象描述、造成故障的预设原因、解决方案、传感信号的数据类型和故障诊断算法模型。
在本发明实施例中,预设规则包括:故障设备与部件的连接关系、故障部件与传感信号数据类型的关系、算法模型与故障现象的关系、算法模型与数据类型的关系、故障类型和故障现象的关系、故障类型与预设原因、故障类型与解决方案之间的关系。其中,故障设备与部件的连接关系,故障部件与传感信号数据类型的关系均为匹配对应关系。
在本发明实施例中,针对目前设备智能故障诊断中知识管理程度不够且知识图谱构造困难的问题,设计以低代码方式操作图数据库的交互式界面,界面对使用者屏蔽了GQL代码的编写且具有可视化的画面和提示信息引导用户填入相关内容。预先编写常用的构图、查询和修改的GQL语句,将操作涉及操作对象的内容作为待填入参数,基于可视化组件开发引导性的UI界面接收传入参数并拼成完整语句后执行。
用户只需关注实体与关系的内容和操作逻辑,无需编写GQL代码,即可根据引导输入图结构中的节点、关系、属性和标签等信息构建图结构,提高构图时录入信息的便捷性和效率。
在图建立之后,通过交互界面输入需要查询的对象,将其作为查询语句的参数传入图数据库中进行搜索,从而得到以表格或图形形式返回的可视化结果。并且由于预先编写了修改操作的GQL语句,能够在后续使用过程中对实体和关系进行修改和扩展,以支持图结构的伸缩。
本实施例中选择Neo4j为图数据库,其使用节点和边的图结构来表示数据,每个节点和边具有唯一的标识符和一组属性,这些属性可以是基本类型、数组或自定义类型。其还使用基于内存的索引以及专为图数据库设计的查询语言CQL,提高了查询效率和灵活性。CQL以图形表示法来查询数据,提供了简单的方法查询复杂关系。此外,Neo4j还提供了支持UI MVC框架访问的Java脚本,并支持Cypher API和Native Java API两种API来开发Java应用程序。
如图2所示,专业人员通过本发明实施例提出的低代码交互界面来构建可伸缩的图结构的示意图,专业人员为熟知开源图数据库的工作人员。
低代码交互界面的设计思路是:首先编写执行常用增删改查功能的CQL代码或是调用其API执行CQL的程序,将其中涉及的实体、关系、属性、标签和查询条件等信息的内容作为待填入参数,通过接收使用者在交互界面输入的对应内容并将其传入到待填入位置组成完整的CQL语句,然后运行语句实现构图和查询的功能。
UI界面实现可基于Neo4j的可视化组件如Neo4j Browser来开发,其是一个基于Web的Neo4j可视化工具,支持交互式查询和可视化。并且可使用Neo4j Browser提供的JavaScript API和Cypher语言进行前端开发并嵌入到UI界面,UI界面通过JavaScript API访问Neo4j Browser的功能,例如:查询数据、添加节点、设置关系等,并使用Neo4j Browser的可视化功能得到以图和表形式展示的可视化结果。此外,其还可以考虑其它支持UI开发的Neo4j可视化组件如Neo4j Bloom、APOC和vis.js库等。
UI界面除了参数输入框和运行按钮等基本部件外,还通过添加引导性提示来帮助使用者输入相关内容。例如,交互界面初始画面是设备和常见故障部件的节点连接图,节点代表设备和其连接部件,可在节点里面上传相应图片和文字描述,可以直接展示各个部件及其连接关系,并且能操作界面来增加、删除和修改节点。然后,当录入某个部件的故障描述信息时,选中某个节点会弹出若干子节点选项,对于每个子节点选项带有标签和说明来提示需要填入的描述信息(如故障现象、传感信号数据类型、诊断算法模型、故障类型、推荐的解决方案)。交互界面收集填入的信息,并将其作为参数传送到相应的Cypher语句中,用于构建算法知识的图结构。
在一具体实施例中,如图3所示,根据本实施例的示例性交互界面操作流程。
专业人员在上述交互界面的引导下输入相关实体和关系以构建故障诊断算法知识的图结构。将实体的描述信息输入作为实体节点,并将实体之间的相互联系作为关系(图结构的边),输入Neo4j中并执行相应的CQL语句,构建出故障诊断算法知识的图结构并存储在图数据库中。通过交互界面操作,专业人员不需要考虑操作图数据库的CQL代码,只需关注实体描述信息和实体之间的逻辑关系,在界面引导下根据录入规则以半自动方式录入相关的实体和关系以构建出可伸缩的图结构。
具体录入流程示例:首先在初始界面添加设备节点和其部件节点,在设备节点输入设备名称和描述信息,在部件节点输入部件的名称和描述信息,从而展示出连接关系。然后,具体选中某个部件节点,跟随引导性提示在弹出的子节点选项输入栏中填入常见的故障类型以及其故障现象的描述、具体故障类型的可能原因和推荐的解决方案、传感信号数据类型以及常用的算法模型。上述过程完成了实体内容的输入,接着需要根据预设录入规则设置实体间的关系,主要包括:故障设备与部件的连接关系、故障部件与传感信号数据类型的关系、算法模型与故障现象和数据类型的关系、故障类型和故障现象的关系、故障类型与可能原因、故障类型与推荐解决方案之间的关系等。其中,故障设备与部件的连接关系、故障部件与传感信号数据类型的关系是匹配对应关系,在上述录入实体的过程中已经建立,具体表现为字符“设备包括…部件、部件常采集到的传感数据类型有…”;算法模型与故障现象之间的关系指的是针对具体故障现象推荐使用某种算法模型诊断的程度,用匹配置信度衡量,其初值由专业人员根据实际情况和经验预设;算法模型与数据类型之间则是匹配对应关系,具体表现为字符“模型的输入数据类型有…”;故障类型和故障现象的关系指的是具体故障现象和某一种故障类型的特征表现之间的符合程度,用关系的置信度衡量,由专业人员根据实际情况和经验预设大小;类似地,故障类型与故障可能原因和推荐的解决方案之间的关系也是如此:针对具体故障类型,专业人员根据历史经验填入几种可能原因和推荐的解决方案,并将其与故障类型之间的关系用置信度表示,其大小预先设置,之后可根据作用效果和用户评分反馈进行更新。
如图4所示根据本实施例的示例性算法知识录入界面。
步骤S2:根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,得到当前的故障类型。
在本发明实施例中,根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,包括:用户根据当前的故障描述信息,利用可伸缩的图结构查询匹配对应的故障诊断算法模型,所述描述信息包括:故障部位、故障现象、传感数据类型,仅以此举例,不以此为限在实际应用中根据实际情况获取相应的描述信息;根据图结构中的故障现象和当前输入故障现象的描述,计算两者的语义相似度;判断故障现象和对应现象的算法模型是否匹配;根据是否匹配,语义相似度与匹配置信度乘积的大小提取对应故障诊断算法模型。
如图5所示为查询当前故障情况并推荐适合的算法模型的流程图。其中,图结构推荐适合当前故障情况的诊断算法模型(可能多个)进行故障诊断。
查询推荐规则为:对于故障部位及其位置、信号数据类型进行查询匹配,对于故障现象进行语义相似度计算,并考虑故障现象和对应现象的算法模型关系的匹配置信度,根据是否匹配和相似度与匹配置信度乘积的大小推荐算法模型。对各个算法模型和当前故障情况的匹配程度进行排序,按照顺序从高至低选择预设数量的算法模型作为结果推荐给用户。为了便于计算语义相似度,关于故障现象的记录可预先细分成多个结构化字段,分别计算每个字段的相似度再取平均作为数值。
步骤S3:在预设图数据库中查询当前故障类型的诊断结果。
在本发明实施例中,诊断结果包括:故障出现的原因和解决方案,仅以此举例,不以此为限,在实际应用中根据实际情况获取相应的诊断结果,在利用算法模型诊断得到具体故障类型后,可在图数据库中查询故障可能原因和推荐的解决方案。用户可根据算法模型推荐的准确性、原因的符合程度和解决方案推荐效果进行评分,数据反馈后作为历史评分,用于更新相关的置信度(如故障类型与推测原因和推荐解决方案间关系的置信度、算法模型与故障现象之间关系的匹配置信度)。
步骤S4:根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排。
在本发明实施例中,根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排,包括:根据图数据库中查询到的当前故障类型的诊断结果,诊断结果包括:故障出现的原因和解决方案。根据诊断结果分别与算法诊断模型推荐的准确性、原因的符合程度和解决方案的准确性进行评分。根据预设的评分规则,更新置信度,完成预设推荐诊断结果的动态索引编排。
在利用算法模型诊断得到具体故障类型后,可在图数据库中查询故障可能原因和推荐的解决方案。用户可根据算法模型推荐的准确性、原因的符合程度和解决方案推荐效果进行评分,数据反馈后作为历史评分,用于更新相关的置信度(如故障类型分别与推测原因和推荐解决方案间关系的置信度、算法模型与故障现象之间关系的匹配置信度)。
如图6所示为本发明实施例图结构伸缩与动态编排推荐结果的实施实例示意图。根据用户反馈对图结构的内容和结构进行扩展与删减,并且关系的置信度由设计方和使用方双向绑定,能自适应更新优化,进而实现推荐结果的动态编排。
用户在实际使用过程中发现图数据库的知识有误或者有新的故障知识需要补充,都可以记录下来并反馈给专业人员,专业人员通过低代码交互界面增加、删减和修改实体与关系的内容,实现图结构的可伸缩性。此外,图数据库的推荐结果的优先顺序与图结构中关系的置信度有关,其数值大小由设计方和使用方双向绑定,可根据用户的评分进行更新优化。例如:故障类型与推测原因的关系、类型和推荐解决方案之间关系、类型和故障现象之间关系、算法模型与故障现象之间关系等,其权重的大小作为置信度,由专业人员根据专业知识设置初始值。当用户使用图结构辅助故障诊断后,可根据辅助效果对推测原因的符合程度、解决方案推荐效果、故障现象的相似程度和算法模型推荐的准确性进行评分。
评分反馈后用于更新置信度,更新的原则是若用户的评分高,则代表的结果有用,可以增强权值以便继续推荐,若评分低则降低权值,减少之后推荐。例如,本例引入机器学习中比较常用的sigmoid激活函数,其函数曲线平滑且单调递增,常被用作神经网络的激活函数将自变量映射到0到1之间,数学表达式如下,其中自变量x表示输入的实数值:
假设用户评分有三种情况(好、中等、差),用n代表更新次数(从0开始计数),Wi n表示第i个置信度在第n次更新后的大小,置信度可以按照下面公式进行更新:
Pi n代表的意义是使得第i个置信度为Wi n时对应的sigmoid函数自变量,Ki表示第i个置信度更新时的步长,Pi 0(置信度初始值)和Ki的值预先配置。m则代表用户的评分高低,当用户评价结果为好时m取值为1,为中等时m=0,为差时m=-1。以上更新公式利用sigmoid函数的单调性和压缩功能,实现了权重自适应更新:当用户评价结果为好时,权重会变大,对应的结果的推荐程度会增强;当评价中等时会保持不变,而当评价为差时候,置信度会减小,对应的结果的推荐程度会减弱。并且由于sigmoid将函数值范围压缩到[0,1]之间,置信度始终保持非负。
一方面,专业人员可跟据用户补充的知识和反馈建议对图结构的实体与关系进行修改;另一方面,关系置信度能根据用户评分自适应地更新优化从而影响推荐结果的优先级,根据用户实际使用情况调整推荐顺序,提升了推荐的个性化程度;通过上述两个方面实现图结构的伸缩与推荐结果的动态编排。
本发明实施例中提供的可伸缩图结构的故障诊断与知识弹性索引编排方法,通过低代码半自动的方式将设备故障诊断中的故障现象、故障部件、故障类型和诊断算法等各种知识用图结构的形式组织管理起来并存入图数据库,便于进行故障查询和相应诊断算法的推荐,以辅助诊断故障诊断分析,并根据用户反馈进行图结构的伸缩与推荐结果动态编排。有助于解决目前设备智能故障诊断中知识管理程度不够、利用知识图谱自动抽取实体和关系操作困难且抽取不完整导致诊断准确性不高的问题、知识图谱扩展性不好且实时更新性差等问题。提升知识推荐的准确性与全面性,增强推理预测结果的可用性和个性化。
实施例2
本发明实施例提供一种可伸缩图结构的故障诊断与知识弹性索引编排系统,如图7所示,包括:
可伸缩图结构构建模块1,用于根据预设规则,基于开源图数据库设计低代码交互界面,构建可伸缩的图结构;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
故障类型诊断模块2,用于根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,得到当前的故障类型;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
诊断结果查询模块3,用于在预设图数据库中查询当前故障类型的诊断结果;此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
索引编排模块4,用于根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排;此模块执行实施例1中的步骤S4所描述的方法,在此不再赘述。
本发明实施例提供一种可伸缩图结构的故障诊断与知识弹性索引编排系统,通过建立一种可扩展的故障诊断算法知识索引编排系统,既可以快速推荐适合当前故障现象的诊断算法,还可以准确和全面地分析故障的部位和产生故障的相关原因,减少在设备运维过程中对专业人员的依赖性。
实施例3
本发明实施例提供一种终端,如图8所示,包括:至少一个处理器401,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口403,存储器404,至少一个通信总线402。其中,通信总线402用于实现这些组件之间的连接通信。其中,通信接口403可以包括显示屏(Display)、键盘(Keyboard),可选通信接口403还可以包括标准的有线接口、无线接口。存储器404可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。存储器404可选的还可以是至少一个位于远离前述处理器401的存储装置。其中处理器401可以执行实施例1中的可伸缩图结构的故障诊断与知识弹性索引编排方法。存储器404中存储一组程序代码,且处理器401调用存储器404中存储的程序代码,以用于执行实施例1中的可伸缩图结构的故障诊断与知识弹性索引编排方法。其中,通信总线402可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture,简称EISA)总线等。通信总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:harddisk drive,缩写:HDD)或固降硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。其中,处理器401可以是中央处理器(英文:centralprocessing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,存储器404可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器404还可以包括上述种类的存储器的组合。
其中,处理器401可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器404还用于存储程序指令。处理器401可以调用程序指令,实现如本申请执行实施例1中的可伸缩图结构的故障诊断与知识弹性索引编排方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机可执行指令,该计算机可执行指令可执行实施例1中的可伸缩图结构的故障诊断与知识弹性索引编排方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种可伸缩图结构的故障诊断与知识弹性索引编排方法,其特征在于,包括:
根据预设规则,基于开源图数据库设计低代码交互界面,构建可伸缩的图结构;
根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,得到当前的故障类型;
在预设图数据库中查询当前故障类型的诊断结果;
根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排。
2.根据权利要求1所述的可伸缩图结构的故障诊断与知识弹性索引编排方法,其特征在于,交互界面的初始画面是设备及其部件的节点连接图,节点代表设备或连接部件,在节点中上传相应故障图片和文字描述,展示各个部件及其连接关系,并通过交互界面增加、删除和修改节点,通过预先编写的GQL语句,将操作涉及操作对象的内容作为待填入参数,交互界面用于引导性提示用户输入信息,用户需关注节点与连接关系的内容输入而无需编写GQL代码。
3.根据权利要求2所述的可伸缩图结构的故障诊断与知识弹性索引编排方法,其特征在于,开源图数据库的低代码交互界面包括:
在初始界面添加设备及其部件的节点,在设备节点输入设备的名称和描述信息,在部件节点输入部件的名称和描述信息,展示出设备和部件的连接关系;
选中预设部件的节点,跟随引导提示信息在弹出的子节点选项输入栏中填入预设的故障类型,以及与预设故障类型分别对应的现象描述、造成故障的预设原因、解决方案、传感信号的数据类型和故障诊断算法模型。
4.根据权利要求3所述的可伸缩图结构的故障诊断与知识弹性索引编排方法,其特征在于,预设规则包括:故障设备与部件的连接关系、故障部件与传感信号数据类型的关系、算法模型与故障现象的关系、算法模型与数据类型的关系、故障类型和故障现象的关系、故障类型与预设原因、故障类型与解决方案之间的关系。
5.根据权利要求4所述的可伸缩图结构的故障诊断与知识弹性索引编排方法,故障设备与部件的连接关系,故障部件与传感信号数据类型的关系均为匹配对应关系。
6.根据权利要求5所述的可伸缩图结构的故障诊断与知识弹性索引编排方法,其特征在于,根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,包括:
用户根据当前的故障描述信息,利用可伸缩的图结构查询匹配对应的故障诊断算法模型,所述描述信息包括:故障部位、故障现象、传感数据类型;
根据图结构中的故障现象和当前输入故障现象的描述,计算两者的语义相似度;
判断故障现象和对应现象的算法模型是否匹配;
根据是否匹配,语义相似度与匹配置信度乘积的大小提取对应故障诊断算法模型。
7.根据权利要求6所述的可伸缩图结构的故障诊断与知识弹性索引编排方法,其特征在于,根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排,包括:
根据图数据库中查询到的当前故障类型的诊断结果,所述诊断结果包括:故障出现的原因和解决方案;
根据诊断结果分别与算法诊断模型推荐的准确性、原因的符合程度和解决方案的准确性进行评分;
根据预设的评分规则,更新置信度,完成预设推荐诊断结果的动态索引编排。
8.一种可伸缩图结构的故障诊断与知识弹性索引编排系统,其特征在于,包括:
可伸缩图结构构建模块,用于根据预设规则,基于开源图数据库设计低代码交互界面,构建可伸缩的图结构;
故障类型诊断模块,用于根据当前的故障信息,利用可伸缩的图结构提取对应故障诊断算法模型进行诊断,得到当前的故障类型;
诊断结果查询模块,用于在预设图数据库中查询当前故障类型的诊断结果;
索引编排模块,用于根据用户对诊断结果的反馈,利用预设算法对可伸缩的图结构进行更新,完成预设推荐诊断结果的动态索引编排。
9.一种终端,其特征在于,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执行权利要求1-7任一所述的可伸缩图结构的故障诊断与知识弹性索引编排方法。
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所述计算机执行权利要求1-7任一所述的可伸缩图结构的故障诊断与知识弹性索引编排方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677602.XA CN116805014A (zh) | 2023-06-08 | 2023-06-08 | 可伸缩图结构的故障诊断与知识弹性索引编排方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677602.XA CN116805014A (zh) | 2023-06-08 | 2023-06-08 | 可伸缩图结构的故障诊断与知识弹性索引编排方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116805014A true CN116805014A (zh) | 2023-09-26 |
Family
ID=88079271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677602.XA Pending CN116805014A (zh) | 2023-06-08 | 2023-06-08 | 可伸缩图结构的故障诊断与知识弹性索引编排方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805014A (zh) |
-
2023
- 2023-06-08 CN CN202310677602.XA patent/CN116805014A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220171891A1 (en) | Automatic extraction of assets data from engineering data sources | |
CN109670054B (zh) | 知识图谱构建方法、装置、存储介质及电子设备 | |
CN108073760A (zh) | 用于获取分析模型编写知识的方法及系统 | |
Ming et al. | ProtoSteer: Steering deep sequence model with prototypes | |
CN107168705B (zh) | 图形界面语义描述系统及其建立方法和操作路径生成方法 | |
US11580124B2 (en) | Method and apparatus for mining competition relationship POIs | |
CN116719520B (zh) | 代码生成方法及装置 | |
CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障系统 | |
US20140310306A1 (en) | System And Method For Pattern Recognition And User Interaction | |
CN109144848B (zh) | 一种Verilog HDL代码白盒测试辅助平台及其工作过程 | |
Ramakrishna et al. | A dialogue between a lawyer and computer scientist: the evaluation of knowledge transformation from legal text to computer-readable format | |
CN116805014A (zh) | 可伸缩图结构的故障诊断与知识弹性索引编排方法及系统 | |
CN112749316B (zh) | 翻译质量的确定方法、装置、存储介质和处理器 | |
US9886666B2 (en) | Information processing device, information processing system, information processing method and computer-readable medium | |
CN112015912A (zh) | 一种基于知识图谱的指标智能可视化方法及装置 | |
CN117668259B (zh) | 基于知识图谱的内外规数据联动分析方法及装置 | |
JP7186411B1 (ja) | 情報処理システム、情報処理方法及び情報処理プログラム | |
US20240202212A1 (en) | Contextualizing data to augment processes using semantic technologies and artificial intelligence | |
US20220391816A1 (en) | Display method and information processing apparatus | |
CN115878817A (zh) | 基于知识图谱的核电信息推荐方法、系统与计算机设备 | |
CN117519702A (zh) | 基于低代码配置化的搜索页面设计方法及系统 | |
JPH02151000A (ja) | 故障診断装置及び故障診断システム | |
CN118312627A (zh) | 一种商用车整车故障知识图谱构建方法、诊修方法及系统 | |
WO2023110577A1 (en) | Context-aware interactive exploration of maintenance service reports | |
CN117519079A (zh) | 汽车诊断方法、电子设备及存储介质 |
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 |