CN117708720A - 一种基于知识图谱的设备故障诊断系统 - Google Patents

Abstract

本发明公开了一种基于知识图谱的设备故障诊断系统，具体涉及知识图谱技术领域，包括数据采集模块、数据预处理模块、分类模块、知识图谱构建模块、数据处理模块，以及故障显示模块；通过分类模块对故障样本进行初步分类，并计算故障综合指数，然后进行二次分类得到特定故障模式类别的故障样本数据，能够更准确地识别和归类不同类型的故障；通过知识图谱构建模块分别在云端和边缘设备构建独立的知识图谱，实现知识图谱的快速构建；通过多级分类和基于特定故障模式的知识图谱构建，能够更准确地表示不同故障模式的知识，有助于提高故障诊断的准确性和可靠性，并及时地识别故障位置、提供解决方案，从而提高设备的维护和运行效率。

Description

一种基于知识图谱的设备故障诊断系统

技术领域

本发明涉及知识图谱技术领域，更具体地说，本发明涉及一种基于知识图谱的设备故障诊断系统。

背景技术

随着科技的发展，各种设备在生产和生活中的作用越来越大，设备的正常运行对于生产效率和生活质量有着重要影响。

基于知识图谱的设备故障诊断系统的优点主要体现在提升故障诊断的准确性和效率，将设备故障相关的知识和数据进行整合，形成一个结构化的知识图谱，从而可以有效地对设备故障进行更加准确和高效的诊断。

然而，这种系统同样也存在一些缺点，例如，构建知识图谱的过程需要大量的人工投入，增加了系统的开发和维护成本；无法全面考虑不同故障类型之间的关联和交互，从而造成构建过程耗费时间长，系统响应慢；由于设备故障类型的多样性和复杂性，知识图谱的更新和维护工作相当繁重，而知识图谱的表达方式可能无法充分捕捉到某些复杂故障模式，导致系统在诊断这些情况下效果不佳。

发明内容

为了克服现有技术的上述缺陷，本发明提供一种基于知识图谱的设备故障诊断系统，通过分类模块使用文本分类算法对故障样本进行初步分类，并计算故障综合指数，然后进行二次分类得到特定故障模式类别的故障样本数据，能够更准确地识别和归类不同类型的故障；通过知识图谱构建模块，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱，实现知识图谱的快速构建；通过数据处理模块，引入边缘计算处理单元可以将知识图谱与实时监测数据进行关联和分析，减少响应时间和网络延迟，并能够在边缘设备上进行故障诊断和决策，提高了系统的实时性和响应能力；通过多级分类和基于特定故障模式的知识图谱构建，能够更准确地表示不同故障模式的知识，并提供更精确的故障诊断和决策，有助于提高故障诊断的准确性和可靠性，并能够更及时地识别故障位置、提供解决方案，从而提高设备的维护和运行效率，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于知识图谱的设备故障诊断系统，包括：

数据采集模块：用于收集设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据；所述实时监测数据具体是指通过传感器实时采集的设备运行参数、设备环境参数和设备各个部位的实时图像；

数据预处理模块：用于对收集的设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据进行预处理操作；

分类模块：用于使用文本分类算法将待分类的故障样本进行初步分类，计算故障样本的故障综合指数，并依据故障综合指数，将故障样本进行二次分类得到若干个特定故障模式类别的故障样本数据；其中特定故障模式类别的故障样本数据，是指在进行故障分类后，属于同一故障模式类别的故障样本的数据集合；

知识图谱构建模块：用于接收分类模块传输的若干个特定故障模式类别的故障样本数据，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱；

数据处理模块包括云计算处理单元和边缘计算处理单元，所述云计算处理单元用于在云端进行知识图谱的查询、更新和维护任务，提供与其他系统的接口和集成；所述边缘计算处理单元用于在边缘设备上将知识图谱与实时监测数据进行关联和分析，进行故障诊断和决策；

故障显示模块：用于在前端页面显示故障原因、故障位置和决策结果，并基于决策结果采取相应的措施。

在一个优选的实施方式中，所述分类模块的具体分类过程为：

A1、使用文本分类算法来判断待分类的故障样本所属的领域、设备类型和故障部位，将数据进行初步分类；

A2、针对每个类别下的故障样本，从设备维修记录中获取故障所涉及的设备部件数量、维修时长、维修成本、影响范围，以及故障发生的概率；从故障原因中获取故障产生的根本原因的种类数量；从故障解决方案中获取故障解决方案的复杂度；

A3、根据获取的数据计算每个类别下的故障样本的故障复杂度系数、故障处理难度系数和故障频发程度系数；

A4、根据故障复杂度系数FZd、故障处理难度系数Nx和故障频发程度系数PFc，计算故障样本的故障综合指数GQ；

A5、使用聚类算法将每个类别下的故障样本的故障综合指数进行聚类分析，实现对故障进行二次分类，根据聚类结果将故障样本划分为不同簇，每个簇代表一类特定故障模式。

在一个优选的实施方式中，所述将数据进行初步分类的处理过程如下：

A11、准备标注好的训练数据集，其中训练数据集中包含已经分类好的故障样本，已经分类好的故障样本所属的领域、设备类型和故障部位；其中已经分类好的故障样本可以由领域专家或者相关人员进行标注；

A12、使用TF-IDF方法对训练数据集进行特征提取和表示，将文本转化为数值特征；

A13、使用朴素贝叶斯文本分类算法，通过训练数据集进行分类模型训练；

A14、将待分类的故障样本进行文本预处理，同样采用TF-IDF方法提取相应的文本特征；

A15、使用训练好的分类模型，对提取到的文本特征进行分类预测，确定故障所属的领域、设备类型和故障部位。

在一个优选的实施方式中，所述故障复杂度系数FZd的计算公式为：其中Bm表示故障所涉及的设备部件数量Bm、Gm表示故障产生的根本原因的种类数量，α表示权重因子；

所述故障处理难度系数Nx的计算公式为：

其中Wh、Wc分别表示故障所涉及的维修时长、维修成本，Fz表示故障解决方案的复杂度，β表示权重因子，κ表示调整因子；

所述故障频发程度系数PFc的计算公式为：PFc＝γ×(e^Yx+lnBF)，其中Yx表示故障所涉及的影响范围，BF表示故障发生的概率，γ表示权重因子。

在一个优选的实施方式中，所述故障样本的故障综合指数的计算公式为：GQ＝FZd×x1+Nx×x2+PFc×x3，其中FZd表示故障复杂度系数，Nx表示故障处理难度系数，PFc表示故障频发程度系数，x1、x2、x3分别表示各项的比例系数。

在一个优选的实施方式中，所述知识图谱构建模块的具体构建过程为：

B1、计算每个特定故障模式类别的故障样本数据的平均故障综合指数PGQ，其中GQi表示第i个故障样本的故障综合指数，n表示故障样本的数量；

B2、将平均故障综合指数PGQ，和预先设定的平均故障综合指数阈值PGQ阈进行判断对比，若PGQ≥PGQ阈，则将该特定故障模式类别的故障样本数据传输至云端，进行知识图谱的构建；若PGQ<PGQ阈，则将该特定故障模式类别的故障样本数据传输至边缘设备，进行知识图谱的构建。

在一个优选的实施方式中，所述边缘计算处理单元的具体处理过程为：

C1、将数据预处理模块传输的实时监测数据，映射到知识图谱中的实体和属性；

C2、将映射后的数据，通过匹配数据的特征和属性与知识图谱中的实体和关系进行比较，从而实现关联；所述通过匹配数据的特征和属性，具体是指根据数据的特征和属性与故障模式的相似性，判断当前发生的故障是否与某个故障模式相匹配；

C3、基于知识图谱和关联的数据，使用机器学习算法进行分析和推理；

C4、根据故障模式的匹配和推理结果，确定故障原因并生成相应的决策。

本发明的技术效果和优点：

本发明通过数据采集模块采集多维度数据，提高了诊断的准确性和可靠性；通过数据预处理模块对数据进行预处理，提高了数据质量和准确性，为后续的故障分类和知识图谱构建提供了可靠的基础；通过分类模块使用文本分类算法对故障样本进行初步分类，并计算故障综合指数，然后进行二次分类得到特定故障模式类别的故障样本数据，能够更准确地识别和归类不同类型的故障；通过知识图谱构建模块，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱，实现知识图谱的快速构建；通过数据处理模块，引入边缘计算处理单元可以将知识图谱与实时监测数据进行关联和分析，减少响应时间和网络延迟，并能够在边缘设备上进行故障诊断和决策，提高了系统的实时性和响应能力；通过故障显示模块在前端页面显示故障原因、故障位置和决策结果，并基于决策结果采取相应的措施；通过多级分类和基于特定故障模式的知识图谱构建，能够更准确地表示不同故障模式的知识，并提供更精确的故障诊断和决策，有助于提高故障诊断的准确性和可靠性，并能够更及时地识别故障位置、提供解决方案，从而提高设备的维护和运行效率。

附图说明

图1为本发明的整体结构框图。

图2为本发明的数据处理模块的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，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。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。

本发明提供了如图1所示的一种基于知识图谱的设备故障诊断系统，包括数据采集模块、数据预处理模块、分类模块、知识图谱构建模块、数据处理模块，以及故障显示模块；

所述数据采集模块用于收集设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据；所述实时监测数据具体是指通过传感器实时采集的设备运行参数、设备环境参数和设备各个部位的实时图像；

所述数据预处理模块用于对收集的设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据进行预处理操作，以提高数据质量；其中对于文本数据，可以包括文本清洗、去噪、分词和词性标注操作；对于实时监测数据，可以进行异常值检测、插值填充操作，以确保数据质量符合构建知识图谱的需求；对于故障部位图像和设备各个部位的实时图像，可以进行图像去除噪声、调整亮度和对比度操作，以提升图像质量和准确性；所述对收集的设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据进行预处理操作，属于现有技术手段，因此本实施例未做出具体说明；

所述分类模块用于使用文本分类算法将待分类的故障样本进行初步分类，计算故障样本的故障综合指数，并依据故障综合指数，将故障样本进行二次分类得到若干个特定故障模式类别的故障样本数据；其中特定故障模式类别的故障样本数据，是指在进行故障分类后，属于同一故障模式类别的故障样本的数据集合；

本实施需要具体说明的是，所述分类模块的具体分类过程为：

A1、使用文本分类算法来判断待分类的故障样本所属的领域、设备类型和故障部位，将数据进行初步分类；其处理过程如下：

A11、准备标注好的训练数据集，其中训练数据集中包含已经分类好的故障样本，已经分类好的故障样本所属的领域、设备类型和故障部位；其中已经分类好的故障样本可以由领域专家或者相关人员进行标注；

A12、使用TF-IDF方法对训练数据集进行特征提取和表示，将文本转化为数值特征；其处理过程如下：

A121、基于训练数据集，构建一个包含所有文本中出现的单词或短语的词汇表；

A122、统计每个单词或短语在整个训练数据集中出现的次数，记作文档频率DF；

A123、根据文档频率计算每个单词或短语的逆文档频率IDF，其中N是训练集中的文档总数；

A124、对于每个故障样本，使用TF-IDF公式计算每个单词或短语在当前文本中的权重；所述TF-IDF公式具体为TF-IDF＝TF×IDF，其中TF表示词频，即每个单词或短语在当前文本中出现的次数，IDF表示每个单词或短语的逆文档频率；

A13、使用朴素贝叶斯文本分类算法，通过训练数据集进行分类模型训练；其中朴素贝叶斯文本分类算法属于现有技术手段，因此本实施例未做出具体说明；

A14、将待分类的故障样本进行文本预处理，同样采用TF-IDF方法提取相应的文本特征；

A15、使用训练好的分类模型，对提取到的文本特征进行分类预测，确定故障所属的领域、设备类型和故障部位；

A2、针对每个类别下的故障样本，从设备维修记录中获取故障所涉及的设备部件数量、维修时长、维修成本、影响范围，以及故障发生的概率；从故障原因中获取故障产生的根本原因的种类数量；从故障解决方案中获取故障解决方案的复杂度；其中设备部件数量，具体是统计故障涉及的设备部件个数；影响范围具体是指故障对其他系统或设备造成的影响范围大小；故障发生的概率，具体是指同一故障在整个设备群体中发生的频率；故障解决方案的复杂度，具体是指维修措施的繁琐程度或技术要求；

A3、根据获取的数据计算每个类别下的故障样本的故障复杂度系数、故障处理难度系数和故障频发程度系数；

所述故障复杂度系数FZd的计算公式为：其中Bm表示故障所涉及的设备部件数量Bm、Gm表示故障产生的根本原因的种类数量，α表示权重因子，具体的权重因子可以根据实际问题和领域知识进行设置；故障复杂度系数可以反映设备故障涉及的广度和深度，有助于更准确地定位和处理故障；

所述故障处理难度系数Nx的计算公式为：

其中Wh、Wc分别表示故障所涉及的维修时长、维修成本，Fz表示故障解决方案的复杂度，β表示权重因子，κ表示调整因子，具体的权重因子和调整因子可以根据实际问题和领域知识进行设置；故障处理难度系数能帮助量化故障处理的难度，从而进行更有效的故障管理，例如，较高的Nx值可能意味着故障处理过程复杂且成本高昂，需要优先投入资源进行处理；

所述故障频发程度系数PFc的计算公式为：PFc＝γ×(e^Yx+lnBF)，其中Yx表示故障所涉及的影响范围，BF表示故障发生的概率，γ表示权重因子，具体的权重因子可以根据实际问题和领域知识进行设置；具有较高频发程度的故障可能需要采取更严格的预防措施，以降低其对设备性能和生产效率的影响；

A4、根据故障复杂度系数FZd、故障处理难度系数Nx和故障频发程度系数PFc，计算故障样本的故障综合指数GQ，所述故障样本的故障综合指数的计算公式为：GQ＝FZd×x1+Nx×x2+PFc×x3，其中x1、x2、x3分别表示各项的比例系数，比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于比例系数的大小，只要不影响参数与量化后数值的比例关系即可；

A5、使用聚类算法将每个类别下的故障样本的故障综合指数进行聚类分析，实现对故障进行二次分类，根据聚类结果将故障样本划分为不同簇，每个簇代表一类特定故障模式；其中聚类算法属于现有技术手段，因此本实施例未做出具体说明；

需要说明的是，在故障分类过程中，通过对故障样本进行分析和判断，可以将它们归类到不同的故障模式类别中，每个类别代表一种特定的故障模式，可能与设备的某个部件、系统的特定操作或环境相关；例如，对于一台机器，其中的故障模式类别可能包括电源故障、传感器故障和通信故障等；特定故障模式类别的故障样本数据集合中的每个样本都与该类别的故障模式有关，这些样本可能包含有关故障发生的时间、设备部件受损情况、故障现象描述和维修行动记录等信息；通过对特定故障模式类别的故障样本数据进行分析和挖掘，可以发现不同故障模式之间的共性和差异；

所述知识图谱构建模块用于接收分类模块传输的若干个特定故障模式类别的故障样本数据，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱；

本实施需要具体说明的是，所述知识图谱构建模块的具体构建过程为：

B1、计算每个特定故障模式类别的故障样本数据的平均故障综合指数PGQ，其中GQi表示第i个故障样本的故障综合指数，n表示故障样本的数量；

B2、将平均故障综合指数PGQ，和预先设定的平均故障综合指数阈值PGQ阈进行判断对比，若PGQ≥PGQ阈，则将该特定故障模式类别的故障样本数据传输至云端，进行知识图谱的构建；若PGQ<PGQ阈，则将该特定故障模式类别的故障样本数据传输至边缘设备，进行知识图谱的构建；其中预先设定的平均故障综合指数阈值PGQ阈，可依据具体情况具体设定，本实施例不对具体数据做具体限定；

所述知识图谱的构建，具体构建过程如下：

B21、利用自然语言处理技术从故障样本数据中提取有关故障模式的关键信息；所述关键信息包括但不限于故障描述信息、设备维修记录、设备部件受损情况，以及设备故障原因；所述自然语言处理技术属于现有技术手段，因此本实施例未做出具体说明；

B22、使用命名实体识别、关系抽取方法，对抽取的关键信息进行实体识别和关系抽取，识别故障模式名称、设备部件和维修动作实体，并识别它们之间的关系；其中识别的实体还包括厂商信息、维修人员和维修工具；

B23、基于实体和关系的识别结果，构建知识图谱，将实体表示为节点，关系表示为边，并使用适当的属性对节点和边进行标注；通过组织、链接和增强图谱中的信息，形成一个结构化的、可查询的故障模式知识库；

B24、将构建好的知识图谱存储在图数据库中，利用图数据库提供的查询功能，可以根据实体名称、属性值、关系进行高效的查询和检索操作，从知识图谱中快速获取与特定故障模式相关的信息；

需要说明的是，为保持知识图谱的一致性，需要确保边缘构建和云端构建的知识图谱进行数据同步和更新，可以定期或实时将边缘设备构建的部分知识图谱与云端的知识图谱进行数据同步，确保两者保持最新的状态；

所述数据处理模块包括云计算处理单元和边缘计算处理单元，所述云计算处理单元用于在云端进行知识图谱的查询、更新和维护任务，提供与其他系统的接口和集成；所述边缘计算处理单元用于在边缘设备上将知识图谱与实时监测数据进行关联和分析，进行故障诊断和决策，减少响应时间和网络延迟，以准确识别故障位置并提供解决方案；

本实施需要具体说明的是，所述云计算处理单元用于在云端进行知识图谱的查询、更新和维护任务，具体是指收集与故障模式相关的数据源，并将其整理成适合知识图谱的格式，以便可以直接用于知识图谱的更新；根据新的数据源或领域专家的意见，执行知识图谱的更新操作；所述更新操作包括新增、修改或删除实体、关系或属性；对于新增操作，需要将新的实体和关系添加到知识图谱中，并根据现有的知识模式进行关联；对于修改或删除操作，需要相应地更新或删除现有的实体、关系或属性；检查新添加的实体是否符合预定义的知识模式，确保删除操作不会破坏已有的关联关系；采用基于规则引擎技术定期进行知识图谱的更新、验证和修复；所述基于规则引擎技术属于现有技术手段，因此本实施例未做出具体说明；

本实施需要具体说明的是，所述边缘计算处理单元的具体处理过程为：

C1、将数据预处理模块传输的实时监测数据，映射到知识图谱中的实体和属性；

C2、将映射后的数据，通过匹配数据的特征和属性与知识图谱中的实体和关系进行比较，从而实现关联；所述通过匹配数据的特征和属性，具体是指根据数据的特征和属性与故障模式的相似性，判断当前发生的故障是否与某个故障模式相匹配；

C3、基于知识图谱和关联的数据，使用机器学习算法进行分析和推理；可以根据历史数据和已有知识，对当前的监测数据进行预测和判断，以发现潜在的问题或异常；所述机器学习算法属于现有技术手段，因此本实施例未做出具体说明；

C4、根据故障模式的匹配和推理结果，确定故障原因并生成相应的决策；例如，如果检测到某个设备出现异常，系统可以生成报警信息或维修建议，以便进一步处理；

所述故障显示模块用于在前端页面显示故障原因、故障位置和决策结果，并基于决策结果采取相应的措施；例如触发报警系统、通知相关人员和调度维修人员。

最后：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，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。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种基于知识图谱的设备故障诊断系统，其特征在于：包括：

数据采集模块：用于收集设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据；所述实时监测数据具体是指通过传感器实时采集的设备运行参数、设备环境参数和设备各个部位的实时图像；

数据预处理模块：用于对收集的设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据进行预处理操作；

分类模块：用于使用文本分类算法将待分类的故障样本进行初步分类，计算故障样本的故障综合指数，并依据故障综合指数，将故障样本进行二次分类得到若干个特定故障模式类别的故障样本数据；其中特定故障模式类别的故障样本数据，是指在进行故障分类后，属于同一故障模式类别的故障样本的数据集合；

知识图谱构建模块：用于接收分类模块传输的若干个特定故障模式类别的故障样本数据，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱；

数据处理模块包括云计算处理单元和边缘计算处理单元，所述云计算处理单元用于在云端进行知识图谱的查询、更新和维护任务，提供与其他系统的接口和集成；所述边缘计算处理单元用于在边缘设备上将知识图谱与实时监测数据进行关联和分析，进行故障诊断和决策；

故障显示模块：用于在前端页面显示故障原因、故障位置和决策结果，并基于决策结果采取相应的措施。

2.根据权利要求1所述的一种基于知识图谱的设备故障诊断系统，其特征在于：所述分类模块的具体分类过程为：

A1、使用文本分类算法来判断待分类的故障样本所属的领域、设备类型和故障部位，将数据进行初步分类；

A2、针对每个类别下的故障样本，从设备维修记录中获取故障所涉及的设备部件数量、维修时长、维修成本、影响范围，以及故障发生的概率；从故障原因中获取故障产生的根本原因的种类数量；从故障解决方案中获取故障解决方案的复杂度；

A3、根据获取的数据计算每个类别下的故障样本的故障复杂度系数、故障处理难度系数和故障频发程度系数；

A4、根据故障复杂度系数FZd、故障处理难度系数Nx和故障频发程度系数PFc，计算故障样本的故障综合指数GQ；

A5、使用聚类算法将每个类别下的故障样本的故障综合指数进行聚类分析，实现对故障进行二次分类，根据聚类结果将故障样本划分为不同簇，每个簇代表一类特定故障模式。

3.根据权利要求2所述的一种基于知识图谱的设备故障诊断系统，其特征在于：所述将数据进行初步分类的处理过程如下：

A11、准备标注好的训练数据集，其中训练数据集中包含已经分类好的故障样本，已经分类好的故障样本所属的领域、设备类型和故障部位；其中已经分类好的故障样本可以由领域专家或者相关人员进行标注；

A12、使用TF-IDF方法对训练数据集进行特征提取和表示，将文本转化为数值特征；

A13、使用朴素贝叶斯文本分类算法，通过训练数据集进行分类模型训练；

A14、将待分类的故障样本进行文本预处理，同样采用TF-IDF方法提取相应的文本特征；

A15、使用训练好的分类模型，对提取到的文本特征进行分类预测，确定故障所属的领域、设备类型和故障部位。

4.根据权利要求2所述的一种基于知识图谱的设备故障诊断系统，其特征在于：所述故障复杂度系数FZd的计算公式为：其中Bm表示故障所涉及的设备部件数量Bm、Gm表示故障产生的根本原因的种类数量，α表示权重因子；

所述故障处理难度系数Nx的计算公式为：

其中Wh、Wc分别表示故障所涉及的维修时长、维修成本，Fz表示故障解决方案的复杂度，β表示权重因子，κ表示调整因子；

所述故障频发程度系数PFc的计算公式为：其中Yx表示故障所涉及的影响范围，BF表示故障发生的概率，γ表示权重因子。

5.根据权利要求1所述的一种基于知识图谱的设备故障诊断系统，其特征在于：所述故障样本的故障综合指数的计算公式为：

GQ＝FZd×x1+Nx×x2+PFc×x3，其中FZd表示故障复杂度系数，Nx表示故障处理难度系数，PFc表示故障频发程度系数，x1、x2、x3分别表示各项的比例系数。

6.根据权利要求1所述的一种基于知识图谱的设备故障诊断系统，其特征在于：所述知识图谱构建模块的具体构建过程为：

B1、计算每个特定故障模式类别的故障样本数据的平均故障综合指数PGQ，其中GQi表示第i个故障样本的故障综合指数，n表示故障样本的数量；

B2、将平均故障综合指数PGQ，和预先设定的平均故障综合指数阈值PGQ阈进行判断对比，若PGQ≥PGQ阈，则将该特定故障模式类别的故障样本数据传输至云端，进行知识图谱的构建；若PGQ<PGQ阈，则将该特定故障模式类别的故障样本数据传输至边缘设备，进行知识图谱的构建。

7.根据权利要求1所述的一种基于知识图谱的设备故障诊断系统，其特征在于：所述边缘计算处理单元的具体处理过程为：

C1、将数据预处理模块传输的实时监测数据，映射到知识图谱中的实体和属性；

C2、将映射后的数据，通过匹配数据的特征和属性与知识图谱中的实体和关系进行比较，从而实现关联；所述通过匹配数据的特征和属性，具体是指根据数据的特征和属性与故障模式的相似性，判断当前发生的故障是否与某个故障模式相匹配；

C3、基于知识图谱和关联的数据，使用机器学习算法进行分析和推理；

C4、根据故障模式的匹配和推理结果，确定故障原因并生成相应的决策。