CN116893924A - 设备故障处理方法、装置、电子设备和存储介质 - Google Patents
设备故障处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116893924A CN116893924A CN202311161422.2A CN202311161422A CN116893924A CN 116893924 A CN116893924 A CN 116893924A CN 202311161422 A CN202311161422 A CN 202311161422A CN 116893924 A CN116893924 A CN 116893924A
- Authority
- CN
- China
- Prior art keywords
- fault
- target
- equipment
- network layer
- acquiring
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 68
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 32
- 238000010586 diagram Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013024 troubleshooting Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims 7
- 230000002596 correlated effect Effects 0.000 claims 1
- 208000037408 Device failure Diseases 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000000825 pharmaceutical preparation Substances 0.000 description 2
- 229940127557 pharmaceutical product Drugs 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及设备管理技术领域，提供一种设备故障处理方法、装置、电子设备和存储介质。电子设备对用户输入的表示设备故障现象的待处理文本进行预处理，获得目标故障关键词；然后利用设备故障诊断模型中的编码层、第一网络层、第二网络层、第三网络层和分类网络层对目标故障关键词进行故障诊断，获得目标故障类别；最后根据设备故障知识图谱，获取目标故障类别关联的目标故障处理信息，以使用户执行故障处理操作。通过采用设备故障诊断模型中的第二网络层和第三网络层分别进行多尺度特征提取和特征筛选以确定故障类别，并结合设备故障知识图谱获得故障处理信息，提高了故障诊断的准确性并提高了设备故障处理效率。
Description
技术领域
本发明涉及设备管理技术领域，具体而言，涉及一种设备故障处理方法、装置、电子设备和存储介质。
背景技术
随着科学技术的不断进步和工业化进程的加速，现代工业体系拥有更高的生产效率和更先进的制造技术，为人们的生活和经济发展提供了更多的支持。在医药制造领域中，设备故障是常见的问题，如果在生产流水线上的设备出现故障并不能及时检测和修复，将会导致严重的经济损失。因此，对医药产品线上出现故障的设备进行诊断和处理具有非常重要的意义。
发明内容
有鉴于此，本发明的目的在于提供一种设备故障处理方法、装置、电子设备和存储介质。
为了实现上述目的，本发明采用的技术方案如下：
第一方面，本发明提供一种设备故障处理方法，应用于电子设备，所述电子设备存储有设备故障诊断模型和设备故障知识图谱，所述设备故障知识图谱包括每种故障类别关联的故障处理信息，所述设备故障诊断模型包括编码层、第一网络层、第二网络层、第三网络层和分类网络层，所述第二网络层包括多个不同大小的卷积核，所述多个不同大小的卷积核按照多行多列排布，所述第三网络层是采用SENet注意力机制的网络层，所述设备故障处理方法包括：
获取待处理文本，所述待处理文本是用户输入的表示设备故障现象的文本；
对所述待处理文本进行预处理，获得目标故障关键词；
利用所述设备故障诊断模型中的编码层对所述目标故障关键词进行编码，获得目标编码向量；
利用所述设备故障诊断模型中的第一网络层对所述目标编码向量进行特征提取和归一化，获得初始特征向量；
利用所述设备故障诊断模型中第二网络层的每个卷积核对所述初始特征向量进行卷积操作，获得中间特征向量，所述中间特征向量包括每个所述卷积核对应尺度的特征；
利用所述设备故障诊断模型中的第三网络层对所述中间特征向量进行筛选，获得目标特征向量；
利用所述设备故障诊断模型中的分类网络层对所述目标特征向量进行分类识别，获得目标故障类别；
根据所述设备故障知识图谱，获取所述目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于所述目标故障处理信息执行故障处理操作。
在可选的实施方式中，所述故障处理信息包括故障解决标签及其关联的故障解决方案；
所述根据所述设备故障知识图谱，获取所述目标故障类别关联的故障处理信息，得到目标故障处理信息的步骤，包括：
在所述设备故障知识图谱中，获取所述目标故障类别关联的每个故障解决标签，获得每个目标故障解决标签；
在所述设备故障知识图谱中，获取每个所述目标故障解决标签关联的故障解决方案，获得每个目标故障解决方案，得到包括全部目标故障解决标签和全部目标故障解决方案的目标故障处理信息。
在可选的实施方式中，所述设备故障知识图谱还包括每种故障类别关联的故障原因以及所述故障原因关联的故障原因标准代码和故障原因分析，所述设备故障处理方法还包括：
在所述设备故障知识图谱中，获取所述目标故障类别关联的每个故障原因，获得每个目标故障原因；
在所述设备故障知识图谱中，获取每个所述目标故障原因关联的故障原因标准代码，获得每个目标故障原因标准代码；
在所述设备故障知识图谱中，获取每个所述目标故障原因关联的故障原因分析，获得每个目标故障原因分析，得到包含全部目标故障原因、全部目标故障原因标准代码以及全部目标故障原因分析的目标故障原因信息，以使用户基于所述目标故障原因信息执行故障排查操作。
在可选的实施方式中，所述设备故障诊断模型是按照以下方式训练得到的：
获取多个历史业务工单；
对每个所述历史业务工单中表示设备故障现象的文本进行预处理，获得每个所述历史业务工单的故障关键词；
将每个所述历史业务工单中的故障类别作为其故障关键词的标签，获得每个训练样本；
利用全部训练样本对待训练设备故障诊断模型进行训练，获得所述设备故障诊断模型。
在可选的实施方式中，所述设备故障知识图谱是按照以下方式建立的：
获取预先建立的本体关系图，所述本体关系图表示类别本体分别与原因本体和解决标签本体关联、所述原因本体与原因标准代码本体和原因分析本体关联以及所述解决标签本体与解决方案本体关联；
获取多个历史业务工单，并将任意一个所述历史业务工单作为待处理业务工单；
将所述待处理业务工单中的故障类别、故障原因、故障原因标准代码、故障原因分析、故障解决标签、故障解决方案，分别作为所述类别本体对应的实体、所述原因本体对应的实体、所述原因标准代码本体对应的实体、所述原因分析本体对应的实体、所述解决标签本体对应的实体和所述解决方案本体对应的实体，并按照所述本体关系图建立实体之间的关联关系；
遍历每个所述历史业务工单，获得每种故障类别关联的故障解决标签及其关联的故障解决方案和每种故障类别关联的故障原因以及所述故障原因关联的故障原因标准代码和故障原因分析，得到所述设备故障知识图谱。
第二方面，本发明提供一种设备故障处理装置，应用于电子设备，所述电子设备存储有设备故障诊断模型和设备故障知识图谱，所述设备故障知识图谱包括每种故障类别关联的故障处理信息，所述设备故障诊断模型包括编码层、第一网络层、第二网络层、第三网络层和分类网络层，所述第二网络层包括多个不同大小的卷积核，所述多个不同大小的卷积核按照多行多列排布，所述第三网络层是采用SENet注意力机制的网络层，所述设备故障处理装置包括：
预处理模块，用于获取待处理文本，所述待处理文本是用户输入的表示设备故障现象的文本；
对所述待处理文本进行预处理，获得目标故障关键词；
故障诊断模块，用于利用所述设备故障诊断模型中的编码层对所述目标故障关键词进行编码，获得目标编码向量；
利用所述设备故障诊断模型中的第一网络层对所述目标编码向量进行特征提取和归一化，获得初始特征向量；
利用所述设备故障诊断模型中第二网络层的每个卷积核对所述初始特征向量进行卷积操作，获得中间特征向量，所述中间特征向量包括每个所述卷积核对应尺度的特征；
利用所述设备故障诊断模型中的第三网络层对所述中间特征向量进行筛选，获得目标特征向量；
利用所述设备故障诊断模型中的分类网络层对所述目标特征向量进行分类识别，获得目标故障类别；
故障处理模块，用于根据所述设备故障知识图谱，获取所述目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于所述目标故障处理信息执行故障处理操作。
第三方面，本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现前述实施方式中任一项所述的设备故障处理方法。
第四方面，本发明提供一种存储介质，所述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，实现前述实施方式中任一项所述的设备故障处理方法。
本发明提供的设备故障处理方法、装置、电子设备和存储介质，电子设备存储有设备故障诊断模型和设备故障知识图谱，设备故障知识图谱包括每种故障类别关联的故障处理信息，并且设备故障诊断模型包括编码层、第一网络层、第二网络层、第三网络层和分类网络层，第二网络层包括多个不同大小的卷积核且这多个不同大小的卷积核按照多行多列排布，第三网络层是采用SENet注意力机制的网络层；获取用户输入的表示设备故障现象的文本即得到待处理文本，并对待处理文本进行预处理，获得目标故障关键词；然后利用设备故障诊断模型中的编码层、第一网络层、第二网络层、第三网络层和分类网络层对目标故障关键词进行故障诊断，获得目标故障类别；最后根据设备故障知识图谱，获取目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于目标故障处理信息执行故障处理操作。通过采用设备故障诊断模型中第二网络层的多个不同大小的卷积核进行多尺度特征提取，和采用第三网络层对特征进行筛选以确定故障类别，提高了故障诊断的准确性，并基于故障类别结合设备故障知识图谱获得故障处理信息，能够快速地提供设备故障处理方案，提高了设备故障处理效率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本发明实施例提供的电子设备的示意图；
图2示出了本发明实施例提供的设备故障处理方法的流程示意图；
图3示出了本发明实施例提供的设备故障诊断模型的结构示意图；
图4示出了本发明实施例提供的一种设备故障诊断模型的训练方式的流程示意图；
图5示出了本发明实施例提供的一种设备故障知识图谱的建立方式的流程示意图；
图6示出了本发明实施例提供的本体关系图的示例图；
图7示出了本发明实施例提供的设备故障处理装置的一种功能模块图。
图标：100-电子设备；110-总线；120-处理器；130-存储器；150-I/O模块；170-通信接口；300-设备故障处理装置；310-预处理模块；330-故障诊断模块；350-故障处理模块；370-模型训练模块，390-图谱建立模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1，是本发明实施例提供的一种电子设备100的方框示意图。电子设备100包括总线110、处理器120、存储器130、I/O模块150、通信接口170。
总线110可以是将上述元件相互连接并在上述元件之间传递通信(例如控制消息)的电路。
处理器120可以通过总线110从上述其它元件(例如存储器130、I/O模块150、通信接口170等)接收命令，可以解释接收到的命令，并可以根据所解释的命令来执行计算或数据处理。
处理器120可以是一种集成电路芯片，具有信号处理能力。该处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器130可以存储从处理器120或其它元件(例如I/O模块150、通信接口170等)接收的命令或数据或者由处理器120或其它元件产生的命令或数据。
存储器130可以是但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）。
I/O模块150可以接收经由输入-输出手段(例如，传感器、键盘、触摸屏等)从用户输入的命令或数据，并可以通过总线110向处理器120或存储器130传送接收到的命令或数据。并且用于显示从上述元件接收、存储、处理的各种信息(例如多媒体数据、文本数据)，可以向用户显示视频、图像、数据等。
通信接口170可用于与其他节点设备进行信令或数据的通信。
可以理解的是，图1所示的结构仅为电子设备100的结构示意图，电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例提供的电子设备100可以是智能手机、个人计算机、平板电脑、可穿戴设备、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等。本发明实施例不做任何限制。
需要说明的是，电子设备100存储有预先训练好的设备故障诊断模型和预先构建的设备故障知识图谱。
下面将以上述的电子设备100作为执行主体，执行本发明实施例提供的各个方法中的各个步骤，并实现对应技术效果。
请参阅图2，图2是本发明实施例提供的一种设备故障处理方法的流程示意图。
步骤S202，获取待处理文本，待处理文本是用户输入的表示设备故障现象的文本；
步骤S204，对待处理文本进行预处理，获得目标故障关键词；
在本实施例中，如果医药产品线上的运维人员发现存在异常的故障设备，可以通过电子设备输入用于描述设备故障现象的文本，电子设备获取该文本即得到待处理文本，然后可以对待处理文本进行预处理，即采用分词工具对待处理文本中的词语进行划分，并且去除一些对文本内容影响不大的停用词如符号、数组等，还有一些无关词，即得到目标故障关键词。
例如，假设用户输入的用于描述设备故障现象的文本是“加料1伺服异常报错频繁，老是停机”，即得到待处理文本，然后对待处理文本进行预处理，获得的目标故障关键词为“伺服”“报错”“停机”。
步骤S206，利用设备故障诊断模型中的编码层对目标故障关键词进行编码，获得目标编码向量；
步骤S208，利用设备故障诊断模型中的第一网络层对目标编码向量进行特征提取和归一化，获得初始特征向量；
步骤S210，利用设备故障诊断模型中第二网络层的每个卷积核对初始特征向量进行卷积操作，获得中间特征向量，中间特征向量包括每个卷积核对应尺度的特征；
步骤S212，利用设备故障诊断模型中的第三网络层对中间特征向量进行筛选，获得目标特征向量；
步骤S214，利用设备故障诊断模型中的分类网络层对目标特征向量进行分类识别，获得目标故障类别；
在本实施例中，设备故障诊断模型是预先训练的用于诊断设备的故障类别的模型，其是基于大量的训练样本训练得到的。
获取目标故障关键词后，可以将目标故障关键词输入到设备故障诊断模型中，并利用设备故障诊断模型根据这个目标故障关键词进行故障诊断，即确定设备的故障类别，得到目标故障类别。
例如，继续以上述示例进行说明，将目标故障关键词即“伺服”“报错”“停机”输入到设备故障诊断模型中，并利用设备故障诊断模型进行故障诊断，获得目标故障类别如PM02。可以理解为是，为了便于设备标准化管理，故障类别可以采用预先约定的编号表示。
设备故障诊断模型包括编码层、特征提取层和分类网络层。为了便于理解，本发明实施例提供了一个设备故障诊断模型的结构示意图，请参阅图3。其中编码层包括输入层即Input Layer和嵌入层即Embedding，该编码层用于将文本形式的信息编码为模型可处理的向量形式；特征提取层用于从编码层输出的向量中提取出特征；分类网络层包括激活层即Activation、全局平均池化层即Global Average Pooling、正则化层即Dropout和全连接层即Dense，该分类网络层用于基于特征提取层提取出的特征确定故障类别。
为了便于理解，下面继续以上述的示例进行说明。将目标故障关键词即“伺服”“报错”“停机”输入到设备故障诊断模型中，并利用设备故障诊断模型中的编码层，对目标故障关键词进行编码，即获得目标编码向量；然后利用设备故障诊断模型中的特征提取层，对目标编码向量进行特征提取，即获得目标特征向量；再利用设备故障诊断模型中的分类网络层，对目标特征向量进行分类识别，即获得目标故障类别即PM02。
请继续参阅图3，其中特征提取层包括第一网络层、第二网络层和第三网络层。第一网络层包括两组卷积层、BN（Batch Normalization）层和池化层；第二网络层包括多个不同大小的卷积核且这多个不同大小的卷积核按照多行多列排布，可选地，这多个不同大小的卷积核可以按照三行四列的方式排布；第三网络层是采用SENet（Squeeze-and-Excitation Network）注意力机制的网络层。
可以理解的是，第一网络层中的卷积层具有局部感知机制和参数共享机制，其中局部感知机制可以提取语句中的重要特征，参数共享机制可以提升模型的泛化性能；第一网络层中的BN层可以解决在训练过程中，中间层数据分布发生改变的问题，以防止梯度消失或爆炸，避免模型过拟合，加快模型的收敛速度；第一网络层中的池化层可以对数据进行降维处理以减少模型的计算量。
第二网络层中不同大小的卷积核可以提取出关键特征以更好的捕捉局部相关性。并且，第二网络层是为了解决较大卷积核计算复杂度大和单一卷积核提取特征不充分的问题，该第二网络层首先使用小尺寸卷积核来减少特征的通道数，然后对特征进行相应的卷积运算，也就相应的减少了计算量。由于某些特征的相关性可能相差较大，该网络层也设置了大尺寸卷积核来学习较远距离的特征。
虽然存在计算的数据量较大的情况，但是通过第二网络层中的卷积核提取不同尺度的特征，并采用第三网络层的注意力机制以聚焦重要的特征，从而可以避免特征冗余，提升模型的收敛速度，并且该第三网络层可以自适应调整通道权重，避免人工设置参数的缺陷。
为了便于理解，继续以上述示例进行说明。获得目标编码向量后，可以将其输入到第一网络层，并利用第一网络层对目标编码向量进行特征提取和归一化，即获得初始特征向量；然后利用第二网络层中的每个卷积核对该初始特征向量进行卷积操作，获得每个卷积核对应尺度的特征，即得到中间特征向量；最后利用第三网络层对中间特征向量进行筛选，即获得目标特征向量。
步骤S216，根据设备故障知识图谱，获取目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于目标故障处理信息执行故障处理操作；
在本实施例中，设备故障知识图谱是预先建立的用于提供设备故障处理方案的知识图谱，其是基于大量的业务数据建立的。设备故障知识图谱中包括每种故障类别关联的故障处理信息。
获得目标故障类别后，可以根据设备故障知识图谱，获取与该目标故障类别关联的故障处理信息，即获得目标故障处理信息，用户就可以基于这个目标故障处理信息对故障设备执行故障处理操作。
可见基于上述步骤，电子设备存储有设备故障诊断模型和设备故障知识图谱，设备故障知识图谱包括每种故障类别关联的故障处理信息，并且设备故障诊断模型包括编码层、第一网络层、第二网络层、第三网络层和分类网络层，第二网络层包括多个不同大小的卷积核且这多个不同大小的卷积核按照多行多列排布，第三网络层是采用SENet注意力机制的网络层；获取用户输入的表示设备故障现象的文本即得到待处理文本，并对待处理文本进行预处理，获得目标故障关键词；然后利用设备故障诊断模型中的编码层、第一网络层、第二网络层、第三网络层和分类网络层对目标故障关键词进行故障诊断，获得目标故障类别；最后根据设备故障知识图谱，获取目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于目标故障处理信息执行故障处理操作。通过采用设备故障诊断模型中第二网络层的多个不同大小的卷积核进行多尺度特征提取，和采用第三网络层对特征进行筛选以确定故障类别，提高了故障诊断的准确性，并基于故障类别结合设备故障知识图谱获得故障处理信息，能够快速地提供设备故障处理方案，提高了设备故障处理效率。
可选地，对于步骤S216，本发明实施例提供了一种可能的实现方式。
步骤 S216-1，在设备故障知识图谱中，获取目标故障类别关联的每个故障解决标签，获得每个目标故障解决标签；
步骤 S216-3，在设备故障知识图谱中，获取每个目标故障解决标签关联的故障解决方案，获得每个目标故障解决方案，得到包括全部目标故障解决标签和全部目标故障解决方案的目标故障处理信息。
在本实施例中，设备故障知识图谱中的故障处理信息包括故障解决标签及其关联的故障解决方案。
为了便于理解，下面继续以上述示例进行说明。获得目标故障类别即PM02后，可以在设备故障知识图谱中，获取目标故障类别关联的每个故障解决标签，得到每个目标故障解决标签。
例如，假设在设备故障知识图谱中与目标故障类别即PM02关联的故障解决标签只有一个，则得到一个目标故障解决标签如维护；然后在设备故障知识图谱中，获取该目标故障解决标签关联的故障解决方案，得到目标故障解决方案如先采用一个相同型号或规格的零部件进行更换伺服电机，然后联系厂家以通过远程协助的方式导入程序即可以正常运行。
获得目标故障解决标签和目标故障解决方案，即得到目标故障类别PM02的故障处理信息，那么用户就可以基于这个故障处理信息对故障设备执行故障处理操作。
可选地，在步骤 S216之后，本发明实施例提供了一种可能的实现方式。
步骤 S218，在设备故障知识图谱中，获取目标故障类别关联的每个故障原因，获得每个目标故障原因；
步骤 S220，在设备故障知识图谱中，获取每个目标故障原因关联的故障原因标准代码，获得每个目标故障原因标准代码；
步骤 S222，在设备故障知识图谱中，获取每个目标故障原因关联的故障原因分析，获得每个目标故障原因分析，得到包含全部目标故障原因、全部目标故障原因标准代码以及全部目标故障原因分析的目标故障原因信息，以使用户基于目标故障原因信息执行故障排查操作。
在本实施例中，设备故障知识图谱还包括每种故障类别关联的故障原因以及故障原因关联的故障原因标准代码和故障原因分析。
为了便于理解，下面继续以上述示例进行说明。获得目标故障类别即PM02后，可以在设备故障知识图谱中，获取目标故障类别关联的每个故障原因，得到每个目标故障原因。
例如，假设在设备故障知识图谱中与目标故障类别即PM02关联的故障原因只有一个，则得到一个目标故障原因如伺服驱动器因信号干扰会频繁报警停机；然后在设备故障知识图谱中，获取该目标故障原因关联的故障原因标准代码，得到目标故障原因标准代码如PM02-0205；并且在设备故障知识图谱中，获取该目标故障原因关联的故障原因分析，得到目标故障原因分析如设备常规故障。
获得目标故障原因、目标故障原因标准代码以及目标故障原因分析，即得到目标故障类别PM02的故障原因信息，那么用户就可以基于这个故障原因信息对故障设备执行故障排查操作。
可选地，基于上述实施例中的设备故障诊断模型，本发明实施例提供了一种设备故障诊断模型的训练方式，请参阅图4。
步骤 S224，获取多个历史业务工单；
步骤 S226，对每个历史业务工单中表示设备故障现象的文本进行预处理，获得每个历史业务工单的故障关键词；
步骤 S228，将每个历史业务工单中的故障类别作为其故障关键词的标签，获得每个训练样本；
步骤 S230，利用全部训练样本对待训练设备故障诊断模型进行训练，获得设备故障诊断模型。
在本实施例中，可以从多个已经解决设备故障的历史业务工单中，获取用于训练设备故障诊断模型的样本集。可以理解的是，基于每个历史业务工单获得训练样本的方式类似，为了简要，下面将以基于一个历史业务工单获得一个训练样本为例进行说明。
历史业务工单中具有故障现象描述这个业务字段，可以获取这个业务字段对应的文本，即得到表示设备故障现象的文本并对其进行预处理，即采用分词工具对这个文本中的词语进行划分，并且去除一些对文本内容影响不大的停用词如符号、数组等，还有一些无关词，即得到历史业务工单的故障关键词。历史业务工单中还具有用于标记故障类别的业务字段，可以将这个业务字段对应的信息作为其故障关键词的标签，即得到训练样本。
例如，第一历史业务工单中表示设备故障现象的文本为“请问下料刀片错位是什么原因？”，对该文本进行预处理后，获得的故障关键词为“下料刀片”“错位”；并且将第一历史业务工单中的故障类别如PM05作为其故障关键词的标签，即得到第一训练样本。
第二历史业务工单中表示设备故障现象的文本为“请问带干机温度异常，前三段温度值达不到设定温度是什么原因？”，对该文本进行预处理后，获得的故障关键词为“带干机”“温度异常”“前三段温度值”“设定温度”；并且将第二历史业务工单中的故障类别如PM06作为其故障关键词的标签，即得到第二训练样本。
第三历史业务工单中表示设备故障现象的文本为“请问高压水枪电机不启动是什么原因？”，对该文本进行预处理后，获得的故障关键词为“高压水枪”“电机”“不启动”；并且将第三历史业务工单中的故障类别如PM08作为其故障关键词的标签，即得到第三训练样本。
按照上述类似的方式，对每个历史业务工单进行处理，即可以得到多个训练样本。利用这多个训练样本对待训练设备故障诊断模型进行训练，则可以得到设备故障诊断模型。
可选地，基于上述实施例中的设备故障知识图谱，本发明实施例提供了一种设备故障知识图谱的建立方式，请参阅图5。
步骤S232，获取预先建立的本体关系图，本体关系图表示类别本体分别与原因本体和解决标签本体关联、原因本体与原因标准代码本体和原因分析本体关联以及解决标签本体与解决方案本体关联；
步骤S234，获取多个历史业务工单，并将任意一个历史业务工单作为待处理业务工单；
步骤S236，将待处理业务工单中的故障类别、故障原因、故障原因标准代码、故障原因分析、故障解决标签、故障解决方案，分别作为类别本体对应的实体、原因本体对应的实体、原因标准代码本体对应的实体、原因分析本体对应的实体、解决标签本体对应的实体和解决方案本体对应的实体，并按照本体关系图建立实体之间的关联关系；
步骤S238，遍历每个历史业务工单，获得每种故障类别关联的故障解决标签及其关联的故障解决方案和每种故障类别关联的故障原因以及故障原因关联的故障原因标准代码和故障原因分析，得到设备故障知识图谱。
在本实施例中，可以基于业务工单中的业务字段建立本体关系图，该本体关系图表示多个本体之间的关联关系。为了便于理解，本发明实施例提供一个本体关系图的示例图，请参阅图6。其中本体关系图表示类别本体分别与原因本体和解决标签本体关联、原因本体与原因标准代码本体和原因分析本体关联、还有解决标签本体与解决方案本体关联，那么就可以基于多个历史业务工单获取实体，并按照本体关系图建立实体之间的关联关系，即可以得到设备故障知识图谱。
可以理解的是，对每个历史业务工单进行处理的方式类似，为了简要，下面将以一个任意历史业务工单作为待处理业务工单来进行示例说明。
假设将上述第一历史业务工单作为待处理业务工单，那么先将第一历史业务工单中的故障类别即PM05作为类别本体对应的实体、将第一历史业务工单中的故障原因如自然劣化故障作为原因本体对应的实体、将第一历史业务工单中的故障原因标准代码如PM05-0501作为原因标准代码本体对应的实体、将第一历史业务工单中故障原因分析如下料皮带磨损致下料错位作为原因分析本体对应的实体、将第一历史业务工单中故障解决标签如维修作为解决标签本体对应的实体、将第一历史业务工单中故障解决方案如按照检修规程对设备进行的标准化局部修理作为解决方案本体对应的实体。
然后按照本体关系图建立实体之间的关联关系，将故障类别即PM05与故障原因即自然劣化故障关联，并且将故障原因即自然劣化故障与故障原因标准代码即PM05-0501和故障原因分析即下料皮带磨损致下料错位关联，还有将故障类别即PM05与故障解决标签即维修关联，以及将故障解决标签即维修与故障解决方案即按照检修规程对设备进行的标准化局部修理关联。
按照上述类似的方式，对每个历史业务工单进行处理，可以获得每种故障类别关联的故障解决标签以及故障解决标签关联的故障解决方案，还有每种故障类别关联的故障原因以及故障原因关联的故障原因标准代码和故障原因分析，即得到设备故障知识图谱。
可以理解的是，设备故障知识图谱可以是利用Python代码构建的，即通过py2neo操作neo4j图数据库得到的，该设备故障知识图谱可以保存在neo4j图数据库中。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种设备故障处理装置的实现方式。请参阅图7，图7为本发明实施例提供的一种设备故障处理装置的功能模块图。需要说明的是，本实施例提供的设备故障处理装置300，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例未提及之处，可参考上述实施例中相应的内容。该设备故障处理装置300包括：
预处理模块310，用于获取待处理文本，待处理文本是用户输入的表示设备故障现象的文本；
对待处理文本进行预处理，获得目标故障关键词；
故障诊断模块330，用于利用设备故障诊断模型中的编码层对目标故障关键词进行编码，获得目标编码向量；利用设备故障诊断模型中的第一网络层对目标编码向量进行特征提取和归一化，获得初始特征向量；利用设备故障诊断模型中第二网络层的每个卷积核对初始特征向量进行卷积操作，获得中间特征向量，中间特征向量包括每个卷积核对应尺度的特征；利用设备故障诊断模型中的第三网络层对中间特征向量进行筛选，获得目标特征向量；利用设备故障诊断模型中的分类网络层对目标特征向量进行分类识别，获得目标故障类别；
故障处理模块350，用于根据设备故障知识图谱，获取目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于目标故障处理信息执行故障处理操作。
可选地，故障处理模块350，还用于：在设备故障知识图谱中，获取目标故障类别关联的每个故障解决标签，获得每个目标故障解决标签；在设备故障知识图谱中，获取每个目标故障解决标签关联的故障解决方案，获得每个目标故障解决方案，得到包括全部目标故障解决标签和全部目标故障解决方案的目标故障处理信息。
可选地，故障处理模块350，还用于：在设备故障知识图谱中，获取目标故障类别关联的每个故障原因，获得每个目标故障原因；在设备故障知识图谱中，获取每个目标故障原因关联的故障原因标准代码，获得每个目标故障原因标准代码；在设备故障知识图谱中，获取每个目标故障原因关联的故障原因分析，获得每个目标故障原因分析，得到包含全部目标故障原因、全部目标故障原因标准代码以及全部目标故障原因分析的目标故障原因信息，以使用户于基于目标故障原因信息执行故障排查操作。
可选地，设备故障处理装置300还包括模型训练模块370，用于：获取多个历史业务工单；对每个历史业务工单中表示设备故障现象的文本进行预处理，获得每个历史业务工单的故障关键词；将每个历史业务工单中的故障类别作为其故障关键词的标签，获得每个训练样本；利用全部训练样本对待训练设备故障诊断模型进行训练，获得设备故障诊断模型。
可选地，设备故障处理装置300还包括图谱建立模块390，用于：获取预先建立的本体关系图，本体关系图表示类别本体分别与原因本体和解决标签本体关联、原因本体与原因标准代码本体和原因分析本体关联以及解决标签本体与解决方案本体关联；获取多个历史业务工单，并将任意一个历史业务工单作为待处理业务工单；将待处理业务工单中的故障类别、故障原因、故障原因标准代码、故障原因分析、故障解决标签、故障解决方案，分别作为类别本体对应的实体、原因本体对应的实体、原因标准代码本体对应的实体、原因分析本体对应的实体、解决标签本体对应的实体和解决方案本体对应的实体，并按照本体关系图建立实体之间的关联关系；遍历每个历史业务工单，获得每种故障类别关联的故障解决标签及其关联的故障解决方案和每种故障类别关联的故障原因以及故障原因关联的故障原因标准代码和故障原因分析，得到设备故障知识图谱。
本发明实施例还提供了一种电子设备，包括处理器和存储器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明实施例揭示的设备故障处理方法。
本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本发明实施例揭示的设备故障处理方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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、程序段或代码的一部分，所述模块、程序段或代码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。也应当注意，在有些作为替换的实现方式中，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。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
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 (8)
1.一种设备故障处理方法，其特征在于，应用于电子设备，所述电子设备存储有设备故障诊断模型和设备故障知识图谱，所述设备故障知识图谱包括每种故障类别关联的故障处理信息，所述设备故障诊断模型包括编码层、第一网络层、第二网络层、第三网络层和分类网络层，所述第二网络层包括多个不同大小的卷积核，所述多个不同大小的卷积核按照多行多列排布，所述第三网络层是采用SENet注意力机制的网络层，所述设备故障处理方法包括：
获取待处理文本，所述待处理文本是用户输入的表示设备故障现象的文本；
对所述待处理文本进行预处理，获得目标故障关键词；
利用所述设备故障诊断模型中的编码层对所述目标故障关键词进行编码，获得目标编码向量；
利用所述设备故障诊断模型中的第一网络层对所述目标编码向量进行特征提取和归一化，获得初始特征向量；
利用所述设备故障诊断模型中第二网络层的每个卷积核对所述初始特征向量进行卷积操作，获得中间特征向量，所述中间特征向量包括每个所述卷积核对应尺度的特征；
利用所述设备故障诊断模型中的第三网络层对所述中间特征向量进行筛选，获得目标特征向量；
利用所述设备故障诊断模型中的分类网络层对所述目标特征向量进行分类识别，获得目标故障类别；
根据所述设备故障知识图谱，获取所述目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于所述目标故障处理信息执行故障处理操作。
2.根据权利要求1所述的设备故障处理方法，其特征在于，所述故障处理信息包括故障解决标签及其关联的故障解决方案；
所述根据所述设备故障知识图谱，获取所述目标故障类别关联的故障处理信息，得到目标故障处理信息的步骤，包括：
在所述设备故障知识图谱中，获取所述目标故障类别关联的每个故障解决标签，获得每个目标故障解决标签；
在所述设备故障知识图谱中，获取每个所述目标故障解决标签关联的故障解决方案，获得每个目标故障解决方案，得到包括全部目标故障解决标签和全部目标故障解决方案的目标故障处理信息。
3.根据权利要求1所述的设备故障处理方法，其特征在于，所述设备故障知识图谱还包括每种故障类别关联的故障原因以及所述故障原因关联的故障原因标准代码和故障原因分析，所述设备故障处理方法还包括：
在所述设备故障知识图谱中，获取所述目标故障类别关联的每个故障原因，获得每个目标故障原因；
在所述设备故障知识图谱中，获取每个所述目标故障原因关联的故障原因标准代码，获得每个目标故障原因标准代码；
在所述设备故障知识图谱中，获取每个所述目标故障原因关联的故障原因分析，获得每个目标故障原因分析，得到包含全部目标故障原因、全部目标故障原因标准代码以及全部目标故障原因分析的目标故障原因信息，以使用户基于所述目标故障原因信息执行故障排查操作。
4.根据权利要求1所述的设备故障处理方法，其特征在于，所述设备故障诊断模型是按照以下方式训练得到的：
获取多个历史业务工单；
对每个所述历史业务工单中表示设备故障现象的文本进行预处理，获得每个所述历史业务工单的故障关键词；
将每个所述历史业务工单中的故障类别作为其故障关键词的标签，获得每个训练样本；
利用全部训练样本对待训练设备故障诊断模型进行训练，获得所述设备故障诊断模型。
5.根据权利要求1所述的设备故障处理方法，其特征在于，所述设备故障知识图谱是按照以下方式建立的：
获取预先建立的本体关系图，所述本体关系图表示类别本体分别与原因本体和解决标签本体关联、所述原因本体与原因标准代码本体和原因分析本体关联以及所述解决标签本体与解决方案本体关联；
获取多个历史业务工单，并将任意一个所述历史业务工单作为待处理业务工单；
将所述待处理业务工单中的故障类别、故障原因、故障原因标准代码、故障原因分析、故障解决标签、故障解决方案，分别作为所述类别本体对应的实体、所述原因本体对应的实体、所述原因标准代码本体对应的实体、所述原因分析本体对应的实体、所述解决标签本体对应的实体和所述解决方案本体对应的实体，并按照所述本体关系图建立实体之间的关联关系；
遍历每个所述历史业务工单，获得每种故障类别关联的故障解决标签及其关联的故障解决方案和每种故障类别关联的故障原因以及所述故障原因关联的故障原因标准代码和故障原因分析，得到所述设备故障知识图谱。
6.一种设备故障处理装置，其特征在于，应用于电子设备，所述电子设备存储有设备故障诊断模型和设备故障知识图谱，所述设备故障知识图谱包括每种故障类别关联的故障处理信息，所述设备故障诊断模型包括编码层、第一网络层、第二网络层、第三网络层和分类网络层，所述第二网络层包括多个不同大小的卷积核，所述多个不同大小的卷积核按照多行多列排布，所述第三网络层是采用SENet注意力机制的网络层，所述设备故障处理装置包括：
预处理模块，用于获取待处理文本，所述待处理文本是用户输入的表示设备故障现象的文本；
对所述待处理文本进行预处理，获得目标故障关键词；
故障诊断模块，用于利用所述设备故障诊断模型中的编码层对所述目标故障关键词进行编码，获得目标编码向量；
利用所述设备故障诊断模型中的第一网络层对所述目标编码向量进行特征提取和归一化，获得初始特征向量；
利用所述设备故障诊断模型中第二网络层的每个卷积核对所述初始特征向量进行卷积操作，获得中间特征向量，所述中间特征向量包括每个所述卷积核对应尺度的特征；
利用所述设备故障诊断模型中的第三网络层对所述中间特征向量进行筛选，获得目标特征向量；
利用所述设备故障诊断模型中的分类网络层对所述目标特征向量进行分类识别，获得目标故障类别；
故障处理模块，用于根据所述设备故障知识图谱，获取所述目标故障类别关联的故障处理信息，得到目标故障处理信息，以使用户基于所述目标故障处理信息执行故障处理操作。
7.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至5中任一项所述的设备故障处理方法。
8.一种存储介质，其特征在于，所述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，实现权利要求1至5中任一项所述的设备故障处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311161422.2A CN116893924B (zh) | 2023-09-11 | 2023-09-11 | 设备故障处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311161422.2A CN116893924B (zh) | 2023-09-11 | 2023-09-11 | 设备故障处理方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116893924A true CN116893924A (zh) | 2023-10-17 |
| CN116893924B CN116893924B (zh) | 2023-12-01 |
Family
ID=88312451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311161422.2A Active CN116893924B (zh) | 2023-09-11 | 2023-09-11 | 设备故障处理方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116893924B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117880055A (zh) * | 2024-03-12 | 2024-04-12 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Citations (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170220972A1 (en) * | 2014-03-13 | 2017-08-03 | Bugwolf Pty Ltd | Evaluation system and method |
| CN111472754A (zh) * | 2019-12-23 | 2020-07-31 | 北京国双科技有限公司 | 抽油机井的故障处理方法、装置、存储介质及电子设备 |
| CN112163681A (zh) * | 2020-10-15 | 2021-01-01 | 珠海格力电器股份有限公司 | 设备故障原因确定方法、存储介质以及电子设备 |
| CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
| CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
| CN113255210A (zh) * | 2021-05-13 | 2021-08-13 | 燕山大学 | 一种风电机组联邦故障诊断方法及系统 |
| CN113268538A (zh) * | 2021-05-17 | 2021-08-17 | 哈尔滨工业大学（威海） | 一种基于领域知识图谱的复杂装备故障溯源方法及系统 |
| 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 |
| CN113553420A (zh) * | 2020-04-22 | 2021-10-26 | 国网电力科学研究院有限公司 | 基于知识图谱的电网故障处理规程推荐方法和系统 |
| 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 |
| WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
| US20220138032A1 (en) * | 2020-10-30 | 2022-05-05 | EMC IP Holding Company LLC | Analysis of deep-level cause of fault of storage management |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
| CN114756687A (zh) * | 2022-03-30 | 2022-07-15 | 同济大学 | 基于自学习实体关系联合抽取的钢铁产线设备诊断方法 |
| CN114841347A (zh) * | 2022-04-02 | 2022-08-02 | 中国工商银行股份有限公司 | 基于知识图谱的自助故障诊断方法及装置 |
| CN114970326A (zh) * | 2022-05-08 | 2022-08-30 | 东北石油大学 | 一种基于改进胶囊神经网络的油井故障诊断方法 |
| CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
| CN115048492A (zh) * | 2022-06-17 | 2022-09-13 | 广东电网有限责任公司 | 电力设备缺陷信息的处理方法、装置、设备及存储介质 |
| CN115526202A (zh) * | 2022-08-07 | 2022-12-27 | 北京华能新锐控制技术有限公司 | 基于数据驱动的海上风机故障诊断系统及其诊断方法 |
| CN115718802A (zh) * | 2022-11-14 | 2023-02-28 | 长城汽车股份有限公司 | 一种故障诊断方法、系统、设备及存储介质 |
| CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
| CN115860259A (zh) * | 2022-12-27 | 2023-03-28 | 中科云谷科技有限公司 | 故障处理方法、装置及计算机可读存储介质 |
| CN116010619A (zh) * | 2022-12-31 | 2023-04-25 | 西南交通大学 | 一种复杂装备知识图谱构建过程中的知识抽取方法 |
| CN116127297A (zh) * | 2023-02-15 | 2023-05-16 | 广东工业大学 | 机电设备故障诊断方法和系统 |
| CN116186270A (zh) * | 2023-03-31 | 2023-05-30 | 重庆长安汽车股份有限公司 | 一种车辆故障原因诊断方法、装置、设备及存储介质 |
| CN116245513A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市联合信息技术有限公司 | 基于规则库的自动化运维系统及其方法 |
| CN116307672A (zh) * | 2022-09-08 | 2023-06-23 | 中国农业银行股份有限公司 | 一种故障诊断方法、装置、电子设备及介质 |
| CN116337448A (zh) * | 2023-02-28 | 2023-06-27 | 徐州徐工挖掘机械有限公司 | 基于宽度多尺度时空注意力的迁移学习轴承故障诊断方法、装置及存储介质 |
| CN116484262A (zh) * | 2023-05-06 | 2023-07-25 | 南通大学 | 一种基于文本分类对纺织设备故障辅助处理方法 |
| CN116502175A (zh) * | 2023-03-15 | 2023-07-28 | 华南理工大学 | 一种图神经网络故障诊断方法、装置和存储介质 |
-
2023
- 2023-09-11 CN CN202311161422.2A patent/CN116893924B/zh active Active
Patent Citations (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170220972A1 (en) * | 2014-03-13 | 2017-08-03 | Bugwolf Pty Ltd | Evaluation system and method |
| CN111472754A (zh) * | 2019-12-23 | 2020-07-31 | 北京国双科技有限公司 | 抽油机井的故障处理方法、装置、存储介质及电子设备 |
| CN113553420A (zh) * | 2020-04-22 | 2021-10-26 | 国网电力科学研究院有限公司 | 基于知识图谱的电网故障处理规程推荐方法和系统 |
| WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
| CN112163681A (zh) * | 2020-10-15 | 2021-01-01 | 珠海格力电器股份有限公司 | 设备故障原因确定方法、存储介质以及电子设备 |
| US20220138032A1 (en) * | 2020-10-30 | 2022-05-05 | EMC IP Holding Company LLC | Analysis of deep-level cause of fault of storage management |
| CN112231493A (zh) * | 2020-11-10 | 2021-01-15 | 泽恩科技有限公司 | 基于知识图谱的机房故障诊断方法、装置、设备及介质 |
| CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
| CN113255210A (zh) * | 2021-05-13 | 2021-08-13 | 燕山大学 | 一种风电机组联邦故障诊断方法及系统 |
| CN113268538A (zh) * | 2021-05-17 | 2021-08-17 | 哈尔滨工业大学（威海） | 一种基于领域知识图谱的复杂装备故障溯源方法及系统 |
| 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 |
| CN114528897A (zh) * | 2021-07-27 | 2022-05-24 | 河北工业大学 | 一种基于知识和数据融合驱动的设备故障诊断方法 |
| 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 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
| CN114756687A (zh) * | 2022-03-30 | 2022-07-15 | 同济大学 | 基于自学习实体关系联合抽取的钢铁产线设备诊断方法 |
| CN114841347A (zh) * | 2022-04-02 | 2022-08-02 | 中国工商银行股份有限公司 | 基于知识图谱的自助故障诊断方法及装置 |
| CN114970326A (zh) * | 2022-05-08 | 2022-08-30 | 东北石油大学 | 一种基于改进胶囊神经网络的油井故障诊断方法 |
| CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
| CN115048492A (zh) * | 2022-06-17 | 2022-09-13 | 广东电网有限责任公司 | 电力设备缺陷信息的处理方法、装置、设备及存储介质 |
| CN115526202A (zh) * | 2022-08-07 | 2022-12-27 | 北京华能新锐控制技术有限公司 | 基于数据驱动的海上风机故障诊断系统及其诊断方法 |
| CN116307672A (zh) * | 2022-09-08 | 2023-06-23 | 中国农业银行股份有限公司 | 一种故障诊断方法、装置、电子设备及介质 |
| CN115718802A (zh) * | 2022-11-14 | 2023-02-28 | 长城汽车股份有限公司 | 一种故障诊断方法、系统、设备及存储介质 |
| CN115860259A (zh) * | 2022-12-27 | 2023-03-28 | 中科云谷科技有限公司 | 故障处理方法、装置及计算机可读存储介质 |
| CN116010619A (zh) * | 2022-12-31 | 2023-04-25 | 西南交通大学 | 一种复杂装备知识图谱构建过程中的知识抽取方法 |
| CN116127297A (zh) * | 2023-02-15 | 2023-05-16 | 广东工业大学 | 机电设备故障诊断方法和系统 |
| CN116337448A (zh) * | 2023-02-28 | 2023-06-27 | 徐州徐工挖掘机械有限公司 | 基于宽度多尺度时空注意力的迁移学习轴承故障诊断方法、装置及存储介质 |
| CN115858825A (zh) * | 2023-03-02 | 2023-03-28 | 山东能源数智云科技有限公司 | 基于机器学习的设备故障诊断知识图谱构建方法和装置 |
| CN116502175A (zh) * | 2023-03-15 | 2023-07-28 | 华南理工大学 | 一种图神经网络故障诊断方法、装置和存储介质 |
| CN116186270A (zh) * | 2023-03-31 | 2023-05-30 | 重庆长安汽车股份有限公司 | 一种车辆故障原因诊断方法、装置、设备及存储介质 |
| CN116484262A (zh) * | 2023-05-06 | 2023-07-25 | 南通大学 | 一种基于文本分类对纺织设备故障辅助处理方法 |
| CN116245513A (zh) * | 2023-05-11 | 2023-06-09 | 深圳市联合信息技术有限公司 | 基于规则库的自动化运维系统及其方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHIBO LI等: "Bearing Fault Diagnosis Method Based on Convolutional Neural Network and Knowledge Graph", 《ENTROPY》, pages 1 - 18 * |
| 李雪松: "基于深度学习的轴承故障诊断", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 3, pages 029 - 201 * |
| 杨永灿等: "基于注意力机制的多尺度卷积神经网络电机轴承故障诊断", 《云南水力发电》, vol. 39, no. 6, pages 51 - 56 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117880055A (zh) * | 2024-03-12 | 2024-04-12 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
| CN117880055B (zh) * | 2024-03-12 | 2024-05-31 | 灵长智能科技(杭州)有限公司 | 基于传输层指标的网络故障诊断方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116893924B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114065613B (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
| CN111552609B (zh) | 一种异常状态检测方法、系统、存储介质、程序、服务器 | |
| CN111475804B (zh) | 一种告警预测方法及系统 | |
| US10552727B2 (en) | Methods and systems for data traffic analysis | |
| US20190034766A1 (en) | Machine learning predictive labeling system | |
| US20190050368A1 (en) | Machine learning predictive labeling system | |
| CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
| CN116893924B (zh) | 设备故障处理方法、装置、电子设备和存储介质 | |
| CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
| CN110110804B (zh) | 基于cnn和lstm的飞控系统剩余寿命预测方法 | |
| CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
| Gao et al. | A process fault diagnosis method using multi‐time scale dynamic feature extraction based on convolutional neural network | |
| CN112465045A (zh) | 一种基于孪生神经网络的供应链例外事件检测方法 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN110766100B (zh) | 轴承故障诊断模型构建方法、诊断方法及电子设备 | |
| CN113326177A (zh) | 一种指标异常检测方法、装置、设备及存储介质 | |
| CN113947076A (zh) | 保单数据的检测方法、装置、计算机设备及存储介质 | |
| CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
| Alauddin et al. | A robust neural network model for fault detection in the presence of mislabelled data | |
| CN114416467A (zh) | 一种异常检测方法及装置 | |
| CN113469247B (zh) | 网络资产异常检测方法 | |
| Sillitti et al. | Providing proactiveness: data analysis techniques portfolios | |
| CN117435441B (zh) | 一种基于日志数据的故障诊断方法及装置 | |
| Rosengarten et al. | SOM-based anomaly detection and localization for space subsystems | |
| US20220188669A1 (en) | Prediction method for system errors |
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 |