CN117951309A - 一种基于知识图谱的燃气轮机气路故障推理方法及装置 - Google Patents
一种基于知识图谱的燃气轮机气路故障推理方法及装置 Download PDFInfo
- Publication number
- CN117951309A CN117951309A CN202410157796.5A CN202410157796A CN117951309A CN 117951309 A CN117951309 A CN 117951309A CN 202410157796 A CN202410157796 A CN 202410157796A CN 117951309 A CN117951309 A CN 117951309A
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- reasoning
- knowledge graph
- gas turbine
- 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 69
- 238000012423 maintenance Methods 0.000 claims abstract description 64
- 239000002245 particle Substances 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 14
- 230000015556 catabolic process Effects 0.000 description 13
- 238000006731 degradation reaction Methods 0.000 description 12
- 230000002787 reinforcement Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 206010070245 Foreign body Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 208000034656 Contusions Diseases 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000034526 bruise Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于知识图谱的燃气轮机气路故障推理方法及装置，该方法包括：获取待处理燃气轮机对应的第一故障特征；根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果。通过本发明的方法，预先构建的知识图谱融合了故障判据、燃气轮机的物理结构、FMECA信息及维护决策等多元信息，高效地集成了异构的故障知识，可以提高故障知识和数据的管理效率和应用效果。
Description
技术领域
本发明涉及燃气轮机气路诊断技术领域，具体而言，本发明涉及一种基于知识图谱的燃气轮机气路故障推理方法及装置。
背景技术
由于燃气轮机系统在高温高压的环境条件下运行，其十分容易发生气路故障。燃机气路故障包括叶片结垢、磨损腐蚀、外来物击伤等。这些气路故障占燃气轮机故障的90％以上。因此，一个高效可靠的燃气轮机气路诊断方法对于保证燃气轮机稳定运行至关重要。燃气轮机故障诊断过程首先通过气路分析方法从燃气轮机现场数据(例如温度、压力、流量等)中获得燃气轮机的性能参数(效率降级、流量降级等)，然后根据燃气轮机性能参数确定燃汽轮机的故障模式，最后通过存储燃气轮机故障知识的专家系统为用户提供合适的维护决策。
然而，目前在实际应用过程中，由于燃气轮机部件众多，相互之间的关系复杂，依靠简单的规则开发出来的专家系统推理方法能力较弱，难以提供正确的维护策略。因此，如何基于统一的语义表达式高效地表示异构的故障知识，以提高故障推理能力成为一个挑战。
发明内容
本发明所要解决的技术问题是提供了一种基于知识图谱的燃气轮机气路故障推理方法及装置，旨在解决上述至少一个技术问题。
第一方面，本发明解决上述技术问题的技术方案如下：一种基于知识图谱的燃气轮机气路故障推理方法，该方法包括：
获取待处理燃气轮机对应的第一故障特征；
根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，所述推理规则为基于第二故障特征推理气路故障结果的推理方式；
其中，所述知识图谱是基于以下方式构建的：
获取所述气路故障信息，所述气路故障信息包括故障判据、物理结构、FMECA信息和维护决策；
根据所述气路故障信息，确定所述气路故障信息中的每个信息对应的细节信息、各个所述信息之间的对象属性以及每个所述细节信息的数据属性，对于每两个所述信息之间的对象属性，该对象属性表征了对应的两个信息之前的关联关系，对于每个所述细节信息，所述细节信息的数据属性表征了该细节信息的具体属性；
根据各个所述信息、各个所述细节信息、各个所述对象属性和各个所述数据属性，构建所述知识图谱，所述知识图谱中的每个父节点表征一个信息，每个所述父节点下的子节点表征该父节点对应的信息下的一个细节信息，每两个父节点之间的连线表征了该两个父节点之间的对象属性，每两个子节点之间的连线表征了该两个子节点之间的数据属性。
本发明的有益效果是：预先构建的知识图谱融合了故障判据、燃气轮机的物理结构、FMECA信息及维护决策等多元信息，高效地集成了异构的故障知识，可以提高故障知识和数据的管理效率和应用效果；基于该知识图谱可以构建不同的推理规则，以准确地基于待处理燃气轮机对应的第一故障特征，推理出更为全面的待处理燃气轮机的故障推理结果，该方案不仅支持编写推理规则来生成最终的维护决策，而且形成了一个完备的燃气轮机故障诊断体系。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，上述故障判据对应的细节信息包括第二故障特征和燃机故障模式；
所述物理结构对应的细节信息包括故障位置和故障影响；
所述FMECA信息对应的细节信息包括故障危害性、故障后果和故障可检测性；
所述维护决策对应的细节信息包括维护措施和维护策略的优先级。
采用上述进一步方案的有益效果是，从各个角度表征故障知识结构信息，以使得知识图谱可以更全面的表达不同的故障信息。
进一步，上述推理规则中包括不同的气路故障信息对应的推理规则，所述根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，包括：
根据所述第一故障特征，从所述知识图谱中的所述第二故障特征中确定与所述第一故障特征相匹配的目标故障特征；
基于所述目标故障特征，确定所述目标故障特征对应的目标推理规则；
基于所述第一故障特征，通过所述目标推理规则进行推理，得到所述待处理燃气轮机的故障推理结果。
采用上述进一步方案的有益效果是，采用与第一故障特征匹配的目标故障特征对应的目标推理规则，对第一故障特征进行推理，可得到准确全面的故障推理结果。
进一步，该方法还包括：
对所述知识图谱中的每个所述维护决策进行评估；
对于每个所述维护决策，若该维护决策的推理结果与实际结果存在偏差，则对所述推理规则进行动态更新。
采用上述进一步方案的有益效果是，对推理规则进行及时更新，可适应复杂变化的运行环境。
进一步，该方法还包括：
获取新发生故障的燃气轮机对应的新的气路故障信息；
根据所述新的气路故障信息，更新所述知识图谱。
采用上述进一步方案的有益效果是，及时基于新的气路故障信息更新知识图谱，可使得后续基于更新后的知识图谱进行更准确的故障推理结果推理。
进一步，该方法还包括：
基于粒子群优化算法优化所述推理规则。
采用上述进一步方案的有益效果是，采用如粒子群优化算法等先进技术，进一步提升了知识图谱构建及推理过程的性能。
进一步，上述故障推理结果包括燃机故障模式、故障位置、故障影响、故障危害性、故障后果、故障可检测性、维护措施和维护策略的优先级中的至少一项。
采用上述进一步方案的有益效果是，从各个角度全面的反映故障推理结果。
第二方面，本发明为了解决上述技术问题还提供了一种基于知识图谱的燃气轮机气路故障推理装置，该装置包括：
获取模块，用于获取待处理燃气轮机对应的第一故障特征；
推理模块，用于根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，所述推理规则为基于第二故障特征推理气路故障结果的推理方式；
其中，所述知识图谱是基于以下方式构建的：
获取所述气路故障信息，所述气路故障信息包括故障判据、物理结构、FMECA信息和维护决策；
根据所述气路故障信息，确定所述气路故障信息中的每个信息对应的细节信息、各个所述信息之间的对象属性以及每个所述细节信息的数据属性，对于每两个所述信息之间的对象属性，该对象属性表征了对应的两个信息之前的关联关系，对于每个所述细节信息，所述细节信息的数据属性表征了该细节信息的具体属性；
根据各个所述信息、各个所述细节信息、各个所述对象属性和各个所述数据属性，构建所述知识图谱，所述知识图谱中的每个父节点表征一个信息，每个所述父节点下的子节点表征该父节点对应的信息下的一个细节信息，每两个父节点之间的连线表征了该两个父节点之间的对象属性，每两个子节点之间的连线表征了该两个子节点之间的数据属性。
第三方面，本发明为了解决上述技术问题还提供了一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该计算机程序时实现本申请的基于知识图谱的燃气轮机气路故障推理方法。
第四方面，本发明为了解决上述技术问题还提供了一种计算机可读存储介质，该计算机可读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本申请的基于知识图谱的燃气轮机气路故障推理方法。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍。
图1为本发明一个实施例提供的一种基于知识图谱的燃气轮机气路故障推理方法的流程示意图；
图2为本发明一个实施例提供的一种燃气轮机知识图谱的结构示意图；
图3为本发明一个实施例提供的一种推理规则的执行流程示意图；
图4为本发明一个实施例提供的一种强化学习动态更新推理规则的流程示意图；
图5为本发明一个实施例提供的一种应用粒子群优化算法优化推理规则和参数的流程示意图；
图6为本发明一个实施例提供的一种基于知识图谱的燃气轮机气路故障推理装置的结构示意图；
图7为本发明一个实施例提供的一种电子设备的结构示意图。
具体实施方式
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面以具体实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
本发明实施例所提供的方案可以适用于任何需要对燃气轮机的气路故障进行推理的应用场景中。本发明实施例所提供的方案可以由任一电子设备执行，比如，可以是用户的终端设备，包括以下至少一项：智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能电视、智能车载设备。
本发明实施例提供了一种可能的实现方式，如图1所示，提供了一种基于知识图谱的燃气轮机气路故障推理方法的流程图，该方案可以由任一电子设备执行，例如，可以是终端设备，或者由终端设备和服务器共同执行。为描述方便，下面将以终端设备作为执行主体为例对本发明实施例提供的方法进行说明，如图1中所示的流程图，该方法可以包括以下步骤：
步骤S110，获取待处理燃气轮机对应的第一故障特征；
步骤S120，根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，所述推理规则为基于第二故障特征推理气路故障结果的推理方式；
其中，所述知识图谱是基于以下方式构建的：
获取所述气路故障信息，所述气路故障信息包括故障判据、物理结构、FMECA信息和维护决策；
根据所述气路故障信息，确定所述气路故障信息中的每个信息对应的细节信息、各个所述信息之间的对象属性以及每个所述细节信息的数据属性，对于每两个所述信息之间的对象属性，该对象属性表征了对应的两个信息之前的关联关系，对于每个所述细节信息，所述细节信息的数据属性表征了该细节信息的具体属性；
根据各个所述信息、各个所述细节信息、各个所述对象属性和各个所述数据属性，构建所述知识图谱，所述知识图谱中的每个父节点表征一个信息，每个所述父节点下的子节点表征该父节点对应的信息下的一个细节信息，每两个父节点之间的连线表征了该两个父节点之间的对象属性，每两个子节点之间的连线表征了该两个子节点之间的数据属性。
本发明的方法，通过预先构建的知识图谱融合了故障判据、燃气轮机的物理结构、FMECA信息及维护决策等多元信息，高效地集成了异构的故障知识，可以提高故障知识和数据的管理效率和应用效果；基于该知识图谱可以构建不同的推理规则，以准确地基于待处理燃气轮机对应的第一故障特征，推理出更为全面的待处理燃气轮机的故障推理结果，该方案不仅支持编写推理规则来生成最终的维护决策，而且形成了一个完备的燃气轮机故障诊断体系。
下面结合以下具体的实施例，对本发明的方案进行进一步的说明，在该实施例中，所提供的一种基于知识图谱的燃气轮机气路故障推理方法可以包括以下步骤：
步骤S110，获取待处理燃气轮机对应的第一故障特征；
其中，第一故障特征指的是可反映待处理燃气轮机故障的特征，可以是待处理燃气轮机的运行数据，比如，温度、压力、流量等，可通过对应的传感器获取。
步骤S120，根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，所述推理规则为基于第二故障特征推理气路故障结果的推理方式；
可选的，可通过Protégé内置的推理引擎执行推理规则得到相应的故障推理结果。
其中，所述知识图谱是基于以下方式构建的：
S10，获取所述气路故障信息，所述气路故障信息包括故障判据、物理结构、FMECA信息和维护决策；
其中，FMECA信息指的是针对发生故障的燃气轮机所有可能的故障，根据对故障模式的分析，确定每种故障模式对燃气轮机工作的影响，找出单点故障，并按故障模式的严重度及其发生概率确定其危害性所对应的相关信息。所谓单点故障指的是引起燃气轮机故障的，且没有冗余或替代的工作程序作为补救的局部故障。FMECA包括故障模式及影响分析(FMEA)和危害性分析(CA)。
其中，气路故障信息指的是发生不同故障的燃气轮机对应的故障相关信息。
S20，根据所述气路故障信息，确定所述气路故障信息中的每个信息对应的细节信息、各个所述信息之间的对象属性以及每个所述细节信息的数据属性，对于每两个所述信息之间的对象属性，该对象属性表征了对应的两个信息之前的关联关系，对于每个所述细节信息，所述细节信息的数据属性表征了该细节信息的具体属性；
可选的，上述故障判据对应的细节信息包括第二故障特征和燃机故障模式；所述物理结构对应的细节信息包括故障位置和故障影响；所述FMECA信息对应的细节信息包括故障危害性、故障后果和故障可检测性；所述维护决策对应的细节信息包括维护措施和维护策略的优先级。
其中，第二故障特征指的是发生所有可能的故障时对应的故障特征，则第二故障特征可以包括第一故障特征。
S30，根据各个所述信息、各个所述细节信息、各个所述对象属性和各个所述数据属性，构建所述知识图谱，所述知识图谱中的每个父节点表征一个信息，每个所述父节点下的子节点表征该父节点对应的信息下的一个细节信息，每两个父节点之间的连线表征了该两个父节点之间的对象属性，每两个子节点之间的连线表征了该两个子节点之间的数据属性。
可选的，上述S30的一种可实现方式为：
S301，根据各个信息和各个细节信息，构建知识图谱中的本体类结构，本体类结构包括本体中的类以及相应的子类，任一类即为信息，任一子类即为对应类下的细节信息；则上述本体类结构具体包括：
类：FaultCriteria(故障判据)、Physicalstructure(物理结构)、FMECA(FMECA信息)和MaintenanceAnalysis(维护决策)；
子类：FeatureCriteria(故障特征)、FaultMode(燃机故障模式)、FaultLocation(故障位置)、FaultEffect(故障影响)、FaultCriticality(故障危害性)、FualtConsequence(故障后果)、FaultDetectability(故障可检测性)、MaintenanceStrategy(维护措施)、MaintenancePriority(维护策略的优先级)。
具体可参见表1中所示的类和子类：
表1燃气轮机故障知识图谱类结构
S302，根据各个所述对象属性，构建知识图谱中的各个连线。
其中，任一对象属性用于描述对应的两个类之间的关联关系，任一数据属性用于描述对应的子类的具体属性，比如，子类为故障后果，则具体属性指的是故障后果具体包括哪几种后果，比如，隐蔽性后果、安全性后果、使用性后果、非使用性后果。
各个对象属性具体包括：FC_has_FMd(FeatureCriteria与FaultMode之间的关系)、FMd_has_FMs(FaultMode与MaintenanceStrategy之间的关系)、FMd_has_FDet(FaultMode与FaultDetectability之间的关系)、FMd_has_FCri(FaultMode与FaultDetectability之间的关系)、FMd_has_FE(FaultMode与FaultEffect之间的关系)、FMd_has_FCon(FaultMode与FualtConsequence之间的关系)、FE_has_FL(FaultEffect与FaultLocation之间的关系)、FMs_has_FMp(MaintenanceStrategy与MaintenancePriority之间的关系)、FCri_has_FMp(FaultCriticality与MaintenancePriority之间的关系)。
其中，各个对象属性可参见表2：
表2燃气轮机故障知识图谱对象属性及描述
各个数据属性具体包括：flow rate degradation(流量降级)、efficiencydegradation(效率降级)、component、subsystem(故障所处的部件)、system、local effect(故障所处的子系统)、higherlevel effect(故障所处的系统)、end effect(本地影响)、criticality(危害性，分为高、中、低三级)、consequence(故障后果，分为隐蔽性后果、安全性后果、使用性后果、非使用性后果等)、detectability(可检测性，分为是与否)、strategymethod(维护方法，分为周期性检查、周期性更换、视情维护、停机后维护等)、prioritylevel(优先等级，分为高、中、低三级)、hasHappened(此故障是否发生)。
各个数据属性可参见表3：
表3燃气轮机故障知识图谱数据属性及其描述
其中，每个子类还包含数据属性hasHappened以表示此故障是否发生，以帮助后期执行故障推理。
S303，根据各个所述类、各个所述子类、各个所述对象属性和各个所述数据属性，构建燃气轮机知识图谱，燃气轮机知识图谱中类结构、对象属性、数据属性之间的关系如图2所示。将本体中的类实例化，形成所述知识图谱。
可选的，实例化过程可以采用Protégé工具执行以构建知识图谱。
在本申请方案中，构建了知识图谱后，还要构建对应的推理规则，以根据具体的气路故障特征(第一故障特征)推理得到最终的维护决策、危害性、故障后果等故障推理结果。也即推理规则即为根据第二故障特征如何推理出对应的故障推理结果的处理方法。
基于不同的气路故障信息，可设置不同的推理规则，则上述推理规则中可包括不同的推理规则。可选的，可采用本体推理语言SWRL编写推理规则。
作为一个示例，不同的气路故障信息对应的推理规则和每个推理规则对应的相关参数可以包括：
1.故障检测规则：该规则包括如何基于特定的第二故障特征判断故障的存在。例如，推理规则是“如果压气机的流量降级超过0.01，则判断为特定故障”，该规则对应的相关参数为阈值0.01。
2.故障模式识别规则：该规则涉及如何从一系列故障迹象(第二故障特征)中识别特定的故障模式。例如，“如果效率降级超过0.05，且有外来物击伤迹象，则判断为外来物击伤故障模式”，该规则对应的相关参数包括效率降级的阈值和其他故障指标。
3.故障后果和危害度评估规则：该规则用于评估故障的严重性和可能的后果。例如，“如果故障模式是外来物击伤，且压气机部件受损，那么故障后果评定为高危害性”，该规则对应的相关参数包括故障模式和部件的具体状态。
4.维护策略决策规则：该规则决定了面对特定故障模式时应采取的维护策略。例如，“如果故障模式是外来物击伤，并且故障危害度高，采取视情维护策略”，该规则对应的相关参数包括故障模式和危害度等级。
可选的，上述故障推理结果包括燃机故障模式、故障位置、故障影响、故障危害性、故障后果、故障可检测性、维护措施和维护策略的优先级中的至少一项。
可选的，上述S120中，根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，具体包括：
S1201，根据所述第一故障特征，从所述知识图谱中的所述第二故障特征中确定与所述第一故障特征相匹配的目标故障特征；
S1202，基于所述目标故障特征，确定所述目标故障特征对应的目标推理规则；
S1203，基于所述第一故障特征，通过所述目标推理规则进行推理，得到所述待处理燃气轮机的故障推理结果。
作为一个示例，假如待处理燃气轮机对应的第一故障特征为：压气机部件的流量降级为0.01，效率降级为0.05。在推理之前，先将知识图谱中FlowrateDegradation数据属性的值为0.01，EfficiencyDegradation数据属性值为0.05的FeatureCriteria实例的hasHappened属性赋值为true。
基于该第一故障特征所确定的目标推理规则包括推理规则1，推理规则2、推理规则3和推理规则4。
基于推理规则1，主要将与hasHappened为true的FeatureCriteria实例相关联的FaultMode的hasHappened属性赋值为true，表示发生了此故障模式。
基于推理规则2，主要将hasHappened为true的FaultMode实例相关的FaultEffect、FaultCriticality、FualtConsequence、FaultDetectability实例的hasHappened属性赋值为true，以提供给用户发生的故障的故障影响、故障危害度、故障后果、故障监测性等。
基于推理规则3，主要根据hasHappened为true的FaultEffect实例将相关联的FaultLocation实例的hasHappened赋值为true，表示故障发生的位置。
基于推理规则4，主要依据逻辑决断表选择合适的故障决策，并将相应的MaintenanceStrategy实例的hasHappened赋值为true，从而给出发生此故障的相应的维护决策。
执行这些推理规则，相应的推理流程可如图3所示。根据故障推理结果可知，发生的故障模式为外来物击伤，此故障模式的可检测性为YES，故障后果为使用性后果。造成的故障影响包括：本地影响为降低压气机效率，更高一级影响为造成压气机损伤、减少压气机耗功，系统影响为降低系统经济性与寿命，所给出的维护策略为视情维护。
可选的，该方法还包括：
对所述知识图谱中的每个所述维护决策进行评估；
对于每个所述维护决策，若该维护决策的推理结果与实际结果存在偏差，则对所述推理规则进行动态更新。
本方案中，上述动态更新推理规则的过程可称为利用强化学习动态更新推理规则的过程，为了提升故障模式识别及推理系统的适应性和准确性，本方案中设置了强化学习算法，允许基于新的数据(新的气路故障信息)或新案例(反映新的故障的气路故障信息)的反馈来自主调整和学习。强化学习模型将评估每个维护决策的结果，若发现偏差，则更新推理规则，更准确地匹配故障模式和相应的维护策略。此外，系统将持续监控燃气轮机的运行性能，将新发现的故障案例整合入知识图谱中，以不断完善和丰富故障知识库。参见图4，利用强化学习动态更新推理规则”的详细实施步骤如下：
初始化强化学习模型：在该方案对应的系统首次运行时，使用预先定义的推理规则和案例库(发生各种故障的气路故障信息)来初始化强化学习模型，确保模型有一个基本的决策和学习起点。
收集运行数据：实时收集燃气轮机的运行数据，包括温度、压力、流量等传感器数据，以及异常报告和维护记录。
分析维护决策结果：将维护决策执行后的推理结果(如故障修复情况、性能恢复水平)与预期效果(实际结果)进行比较，以此评估决策结果的有效性。
奖励或惩罚反馈：强化学习模型根据维护决策的结果获取奖励(决策成功)或惩罚(决策失败)，并利用这些反馈来调整模型的权重，优化决策过程。
更新推理规则：利用强化学习模型的学习结果更新推理规则。若新的数据显示现有推理规则不足以准确推理，则调整或添加规则以提高未来决策的准确度。
整合新发现的故障案例：持续监控燃气轮机性能和故障模式，并将新发现的故障数据及相应的成功维护策略录入知识图谱，扩充知识库。
循环学习过程：以上步骤构成一个循环过程，不断通过新的数据和反馈进行学习和优化，不断改善推理规则和维护决策的质量。
可选的，该方法还包括：
获取新发生故障的燃气轮机对应的新的气路故障信息；
根据所述新的气路故障信息，更新所述知识图谱。
可选的，该方法还包括：
基于粒子群优化算法优化所述推理规则。
其中，优化算法的应用旨在改进知识图谱的结构，精炼推理过程，并最终提高诊断准确性。
参见图5，应用粒子群优化算法优化推理规则实施步骤：
定义优化目标：明确优化的目标函数为误判率最小。
编码粒子：在粒子群优化算法中，每个粒子代表一组推理规则和参数的组合。这些组合将基于现有的燃气轮机故障知识图谱和推理规则编码。
初始化粒子群：随机生成或基于先前知识初始化一组粒子，每个粒子代表一种可能的推理规则和相关参数设置。
评估粒子性能：通过将每个粒子(即每组推理规则和相关参数)应用于历史故障数据，评估其性能，如故障诊断的准确率和效率。
更新粒子位置：根据粒子的性能，使用粒子群优化算法的策略更新粒子的位置(即调整推理规则和相关参数)。
迭代优化：重复评估和更新粒子位置的步骤，直到达到预定的迭代次数或性能改善达到平台期。
应用最优解：从粒子群中选择性能最优的粒子，将其对应的推理规则和相关参数应用于实际的故障诊断系统中。
持续更新：根据新的故障数据和反馈，定期重新运行优化过程，以确保规则和相关参数的持续有效性。
在粒子群优化过程中，每个粒子代表了各个推理规则和各个相关参数对应的一个特定组合。通过评估其在实际故障数据上的性能，各个推理规则和各个相关参数可以根据诊断准确性、决策有效性等指标进行优化。最终，优化算法将识别出最优的推理规则和相关参数组合，以提高系统的整体性能。
本发明的方案与现有技术相比较，具有以下有益效果：
本发明的方法，通过预先构建的知识图谱融合了故障判据、燃气轮机的物理结构、FMECA信息及维护决策等多元信息，高效地集成了异构的故障知识，可以提高故障知识和数据的管理效率和应用效果；基于该知识图谱可以构建不同的推理规则，以准确地基于待处理燃气轮机对应的第一故障特征，推理出更为全面的待处理燃气轮机的故障推理结果，该方案不仅支持编写推理规则来生成最终的维护决策，而且形成了一个完备的燃气轮机故障诊断体系。
本发明构建了一个可以自我更新、优化、诊断与维护决策的方法。采用了最新的强化学习技术，及时更新故障模式与推理规则，适应复杂变化的运行环境。应用优化算法如粒子群优化进一步提升了知识图谱构建及推理过程的性能。整合这些先进技术，本发明在确保燃气轮机故障推理的准确性和维护决策的效率方面迈出了重要一步。
为了保证燃气轮机系统在各种运行条件下的性能，并应对不断变化的环境和故障模式，本发明不仅依赖于静态知识库，还引入了动态学习和优化机制。这些机制确保故障推理系统能够自我适应和进化，随着新数据的积累，提高其诊断故障的准确性和可靠性。
基于与图1中所示的方法相同的原理，本发明实施例还提供了一种基于知识图谱的燃气轮机气路故障推理装置20，如图6中所示，该基于知识图谱的燃气轮机气路故障推理装置20可以包括获取模块210和推理模块220，其中：
获取模块210，用于获取待处理燃气轮机对应的第一故障特征；
推理模块220，用于根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，所述推理规则为基于第二故障特征推理气路故障结果的推理方式；
其中，所述知识图谱是基于以下方式构建的：
获取所述气路故障信息，所述气路故障信息包括故障判据、物理结构、FMECA信息和维护决策；
根据所述气路故障信息，确定所述气路故障信息中的每个信息对应的细节信息、各个所述信息之间的对象属性以及每个所述细节信息的数据属性，对于每两个所述信息之间的对象属性，该对象属性表征了对应的两个信息之前的关联关系，对于每个所述细节信息，所述细节信息的数据属性表征了该细节信息的具体属性；
根据各个所述信息、各个所述细节信息、各个所述对象属性和各个所述数据属性，构建所述知识图谱，所述知识图谱中的每个父节点表征一个信息，每个所述父节点下的子节点表征该父节点对应的信息下的一个细节信息，每两个父节点之间的连线表征了该两个父节点之间的对象属性，每两个子节点之间的连线表征了该两个子节点之间的数据属性。
可选的，上述故障判据对应的细节信息包括第二故障特征和燃机故障模式；所述物理结构对应的细节信息包括故障位置和故障影响；所述FMECA信息对应的细节信息包括故障危害性、故障后果和故障可检测性；所述维护决策对应的细节信息包括维护措施和维护策略的优先级。
可选的，上述推理规则中包括不同的气路故障信息对应的推理规则，上述推理规则220在根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果时，具体用于：
根据所述第一故障特征，从所述知识图谱中的所述第二故障特征中确定与所述第一故障特征相匹配的目标故障特征；
基于所述目标故障特征，确定所述目标故障特征对应的目标推理规则；
基于所述第一故障特征，通过所述目标推理规则进行推理，得到所述待处理燃气轮机的故障推理结果。
可选的，该装置还包括：
第一更新模块，用于对所述知识图谱中的每个所述维护决策进行评估；对于每个所述维护决策，若该维护决策的推理结果与实际结果存在偏差，则对所述推理规则进行动态更新。
可选的，该装置还包括：
第二更新模块，用于获取新发生故障的燃气轮机对应的新的气路故障信息；根据所述新的气路故障信息，更新所述知识图谱。
可选的，该装置还包括：
优化模块，用于基于粒子群优化算法优化所述推理规则。
可选的，上述故障推理结果包括燃机故障模式、故障位置、故障影响、故障危害性、故障后果、故障可检测性、维护措施和维护策略的优先级中的至少一项。
本发明实施例的基于知识图谱的燃气轮机气路故障推理装置可执行本发明实施例所提供的基于知识图谱的燃气轮机气路故障推理方法，其实现原理相类似，本发明各实施例中的基于知识图谱的燃气轮机气路故障推理装置中的各模块、单元所执行的动作是与本发明各实施例中的基于知识图谱的燃气轮机气路故障推理方法中的步骤相对应的，对于基于知识图谱的燃气轮机气路故障推理装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于知识图谱的燃气轮机气路故障推理方法中的描述，此处不再赘述。
其中，上述基于知识图谱的燃气轮机气路故障推理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该基于知识图谱的燃气轮机气路故障推理装置为一个应用软件；该装置可以用于执行本发明实施例提供的方法中的相应步骤。
在一些实施例中，本发明实施例提供的基于知识图谱的燃气轮机气路故障推理装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的基于知识图谱的燃气轮机气路故障推理装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的基于知识图谱的燃气轮机气路故障推理方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC，Application Specific IntegratedCircuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)或其他电子元件。
在另一些实施例中，本发明实施例提供的基于知识图谱的燃气轮机气路故障推理装置可以采用软件方式实现，图6示出了存储在存储器中的基于知识图谱的燃气轮机气路故障推理装置，其可以是程序和插件等形式的软件，并包括一系列的模块，包括获取模块210和推理模块220，用于实现本发明实施例提供的基于知识图谱的燃气轮机气路故障推理方法。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
基于与本发明的实施例中所示的方法相同的原理，本发明的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本发明任一实施例所示的方法。
在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本发明实施例的限定。
处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器4003用于存储执行本发明方案的应用程序代码(计算机程序)，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备也可以是终端设备，图7示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
根据本发明的另一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种实施例实现方式中提供的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
应该理解的是，附图中的流程图和框图，图示了按照本发明各种实施例的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，该模块、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，两个接连地表示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操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。
本发明实施例提供的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于知识图谱的燃气轮机气路故障推理方法，其特征在于，包括：
获取待处理燃气轮机对应的第一故障特征；
根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，所述推理规则为基于第二故障特征推理气路故障结果的推理方式；
其中，所述知识图谱是基于以下方式构建的：
获取所述气路故障信息，所述气路故障信息包括故障判据、物理结构、FMECA信息和维护决策；
根据所述气路故障信息，确定所述气路故障信息中的每个信息对应的细节信息、各个所述信息之间的对象属性以及每个所述细节信息的数据属性，对于每两个所述信息之间的对象属性，该对象属性表征了对应的两个信息之前的关联关系，对于每个所述细节信息，所述细节信息的数据属性表征了该细节信息的具体属性；
根据各个所述信息、各个所述细节信息、各个所述对象属性和各个所述数据属性，构建所述知识图谱，所述知识图谱中的每个父节点表征一个信息，每个所述父节点下的子节点表征该父节点对应的信息下的一个细节信息，每两个父节点之间的连线表征了该两个父节点之间的对象属性，每两个子节点之间的连线表征了该两个子节点之间的数据属性。
2.根据权利要求1所述的方法，其特征在于，所述故障判据对应的细节信息包括第二故障特征和燃机故障模式；
所述物理结构对应的细节信息包括故障位置和故障影响；
所述FMECA信息对应的细节信息包括故障危害性、故障后果和故障可检测性；
所述维护决策对应的细节信息包括维护措施和维护策略的优先级。
3.根据权利要求2所述的方法，其特征在于，所述推理规则中包括不同的气路故障信息对应的推理规则，所述根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，包括：
根据所述第一故障特征，从所述知识图谱中的所述第二故障特征中确定与所述第一故障特征相匹配的目标故障特征；
基于所述目标故障特征，确定所述目标故障特征对应的目标推理规则；
基于所述第一故障特征，通过所述目标推理规则进行推理，得到所述待处理燃气轮机的故障推理结果。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
对所述知识图谱中的每个所述维护决策进行评估；
对于每个所述维护决策，若该维护决策的推理结果与实际结果存在偏差，则对所述推理规则进行动态更新。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
获取新发生故障的燃气轮机对应的新的气路故障信息；
根据所述新的气路故障信息，更新所述知识图谱。
6.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
基于粒子群优化算法优化所述推理规则。
7.根据权利要求1至3中任一项所述的方法，其特征在于，所述故障推理结果包括燃机故障模式、故障位置、故障影响、故障危害性、故障后果、故障可检测性、维护措施和维护策略的优先级中的至少一项。
8.一种基于知识图谱的燃气轮机气路故障推理装置，其特征在于，包括：
获取模块，用于获取待处理燃气轮机对应的第一故障特征；
推理模块，用于根据所述第一故障特征、预先基于气路故障信息构建的知识图谱和推理规则，确定所述待处理燃气轮机的故障推理结果，所述推理规则为基于第二故障特征推理气路故障结果的推理方式；
其中，所述知识图谱是基于以下方式构建的：
获取所述气路故障信息，所述气路故障信息包括故障判据、物理结构、FMECA信息和维护决策；
根据所述气路故障信息，确定所述气路故障信息中的每个信息对应的细节信息、各个所述信息之间的对象属性以及每个所述细节信息的数据属性，对于每两个所述信息之间的对象属性，该对象属性表征了对应的两个信息之前的关联关系，对于每个所述细节信息，所述细节信息的数据属性表征了该细节信息的具体属性；
根据各个所述信息、各个所述细节信息、各个所述对象属性和各个所述数据属性，构建所述知识图谱，所述知识图谱中的每个父节点表征一个信息，每个所述父节点下的子节点表征该父节点对应的信息下的一个细节信息，每两个父节点之间的连线表征了该两个父节点之间的对象属性，每两个子节点之间的连线表征了该两个子节点之间的数据属性。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法。
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上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410157796.5A CN117951309A (zh) | 2024-02-04 | 2024-02-04 | 一种基于知识图谱的燃气轮机气路故障推理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410157796.5A CN117951309A (zh) | 2024-02-04 | 2024-02-04 | 一种基于知识图谱的燃气轮机气路故障推理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117951309A true CN117951309A (zh) | 2024-04-30 |
Family
ID=90799891
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410157796.5A Pending CN117951309A (zh) | 2024-02-04 | 2024-02-04 | 一种基于知识图谱的燃气轮机气路故障推理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117951309A (zh) |
-
2024
- 2024-02-04 CN CN202410157796.5A patent/CN117951309A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zio | Prognostics and Health Management (PHM): Where are we and where do we (need to) go in theory and practice | |
| EP3239884B1 (en) | Domain level threat detection for industrial asset control system | |
| US20210334656A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
| Xia et al. | Toward cognitive predictive maintenance: A survey of graph-based approaches | |
| CN111160687B (zh) | 主动资产监控 | |
| US10990668B2 (en) | Local and global decision fusion for cyber-physical system abnormality detection | |
| US11170314B2 (en) | Detection and protection against mode switching attacks in cyber-physical systems | |
| US20230385186A1 (en) | Resilient estimation for grid situational awareness | |
| US20160116378A1 (en) | Population-based learning with deep belief networks | |
| CN112800116A (zh) | 一种业务数据的异常检测方法及装置 | |
| US20220329613A1 (en) | Attack detection and localization with adaptive thresholding | |
| Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
| US20210072740A1 (en) | Deep causality learning for event diagnosis on industrial time-series data | |
| US10318364B2 (en) | Methods and systems for problem-alert aggregation | |
| CN116611593A (zh) | 用于预测空压机的故障的方法、设备和介质 | |
| CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
| CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
| Lewis et al. | A comparison of DBN model performance in SIPPRA health monitoring based on different data stream discretization methods | |
| 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 | |
| US11334053B2 (en) | Failure prediction model generating apparatus and method thereof | |
| KR102350636B1 (ko) | 플랜트 고장 예지 장치 및 방법 | |
| Azimi et al. | The Impact of Data Completeness and Correctness on Explainable Machine Learning Models. | |
| Papataxiarhis et al. | Event correlation and forecasting over multivariate streaming sensor data | |
| Baysse et al. | Hidden Markov Model for the detection of a degraded operating mode of optronic equipment | |
| Zhang et al. | Anomaly detection method based on penalty least squares algorithm and time window entropy for Cyber–Physical Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication |