WO2020244262A1 - 一种基于事件图谱技术的设备故障智能监控方法 - Google Patents

一种基于事件图谱技术的设备故障智能监控方法 Download PDF

Info

Publication number
WO2020244262A1
WO2020244262A1 PCT/CN2020/077987 CN2020077987W WO2020244262A1 WO 2020244262 A1 WO2020244262 A1 WO 2020244262A1 CN 2020077987 W CN2020077987 W CN 2020077987W WO 2020244262 A1 WO2020244262 A1 WO 2020244262A1
Authority
WO
WIPO (PCT)
Prior art keywords
event
fault
relationship
faults
equipment
Prior art date
Application number
PCT/CN2020/077987
Other languages
English (en)
French (fr)
Inventor
刘煜
孙再连
陈德忠
Original Assignee
厦门邑通软件科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 厦门邑通软件科技有限公司 filed Critical 厦门邑通软件科技有限公司
Publication of WO2020244262A1 publication Critical patent/WO2020244262A1/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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

Definitions

  • the invention relates to the technical field of equipment maintenance.
  • the existing equipment maintenance auxiliary system is relatively pure manual investigation, which can assist maintenance personnel to find the problem more quickly and propose corresponding maintenance plans.
  • the existing auxiliary system has poor accuracy, poor learning ability, and small coverage and cannot adapt New situations and new conditions make it difficult to quickly locate the cause of the fault, and the maintenance suggestions given are often wrong.
  • the present application proposes an intelligent monitoring method for equipment faults based on event graph technology, which can learn historical data and current data, and provide fault early warning and maintenance suggestions for equipment maintenance.
  • the method includes:
  • S10 Construct an event map through historical data analysis, the event map including event elements, and a network-like event map is formed between the event elements and the event elements through event relationships;
  • the event elements include core nodes and event attributes;
  • the core node corresponds to the fault of the device, including the name, type, keyword and description that can be distinguished from other faults;
  • the event attribute corresponds to the device state, including basic device information, fault occurrence time, and fault accompanying status information , Maintenance plan, location, person, equipment name, model, factory date, service life, installation date, maintenance cycle, etc., covering a wide range, that is, the event map is an open network, and event-related entities can be associated with the event element
  • the event map is a dynamic network, events are related to time, and time is a process of change, so the event map can better describe the dynamic changes of the event, and the event map can be applied to equipment failure analysis. Discovering the causes and consequences of incidents can play a greater role in the prevention and early warning of equipment failures.
  • S30 Update the event map in real time, learn new faults, new states and corresponding maintenance plans of the equipment.
  • the event map is a network that can be adjusted and optimized by itself, so the event map is more suitable for online learning.
  • the operating conditions are more complicated, and the faults generated are also more complex and changeable. Past experience is often unable to meet the current situation.
  • the system needs to be able to learn online, and dynamically adjust and optimize model parameters through online learning to improve the adaptability of the system Therefore, the event graph technology that can be used for online learning is selected, and it is easier to integrate the event graph with other algorithm technologies, such as cluster analysis, natural language understanding, reinforcement learning, deep learning, etc.
  • the comprehensive application of algorithms can improve the equipment Intelligent level of troubleshooting.
  • S40 According to the event element, determine the current equipment failure status, analyze the cause of the equipment failure, and provide a maintenance plan, and even provide an optimized operation method or production method of the equipment to reduce the occurrence of failures.
  • S50 According to the relationship between the event element and the event element in the event map, predict the possible failures of the current equipment, give an early warning of the failure, and give a maintenance plan or a prevention plan.
  • the maintenance plan or the prevention plan may be a text
  • the extraction technology extracts the troubleshooting records to form structured troubleshooting data, and finally adds the data to the event map.
  • the S10 includes S11: establishing a fault classification model, classifying fault descriptions, and reducing fault types; performing event extraction for each fault and forming event elements; using the fault classification model to identify event attributes, and the event attributes are also Including: fault type, related accompanying state parameters, and fault consequences.
  • the event relationship includes a subordination relationship, a sequence relationship, a condition relationship, a parallel relationship, a similar relationship, and a causal relationship.
  • Subordinate relations, causal relations, precedence relations, and conditional relations are represented by directed graphs, and similar relations and parallel relations are represented by undirected graphs. That is, the event graph is a mixed relationship network of directed graphs and undirected graphs.
  • causal relationship sequence the occurrence time of event elements, and define adjacent event elements as a sequence relationship. If a causal relationship between faults is found from the fault description, the sequence is defined as a causal relationship;
  • the similarity relationship if two faults are judged to be the same fault from the fault description, the two event elements are merged, and the corresponding different occurrence times are retained in the event attribute; if the two faults are judged to be similar faults from the fault description , The two faults are defined as similar relationships. If the two faults have a causal relationship setting, then the similar relationship setting is added.
  • the relationship between event elements and/or the relationship between core nodes and each event attribute is reinforced to obtain the strength of each relationship, and then the strength and weakness relationship between each fault and its accompanying fault and/ Or the strength and weakness relationship between each fault and its accompanying state; through the strength relationship between the faults, real-time analysis of the fault is carried out, and the accompanying state of the fault is analyzed. Through multi-dimensional analysis of the accompanying state, other possible faults can be found , To achieve real-time warning of failure;
  • a value from 0 to 1 is used to indicate the strength of the relationship. The larger the value, the stronger the relationship.
  • the calculation method is:
  • the strength of the relationship the number of occurrences of the relationship / the total number of occurrences of the corresponding fault. When the total number of occurrences of the fault is less than 100, the value is 100.
  • the status parameters of the equipment are tracked in real time, and when the status parameters change, the fault events corresponding to the corresponding status parameters are analyzed and compared in the event map in a multi-dimensional analysis, and processed in three situations:
  • the state parameter of the equipment is composed of the measurement point value of each single measurement point; the distribution of the value of the single measurement point is processed according to the normal distribution, and the measurement point vector of the equipment obeys the multi-dimensional normal distribution, and its mathematical expectation It is the fluctuation center vector.
  • the Euclidean distance is used to represent the distance between the device attribute vector and the device attribute fluctuation center vector.
  • the probability formula of normal distribution can be used to calculate whether the vector fluctuation is normal. When a small probability event occurs, it is judged to appear If an abnormal situation is detected, an early warning message is issued.
  • the accompanying state of the failure can be analyzed in a timely manner, and the real-time warning of the failure can be realized through the multi-dimensional analysis of the accompanying state;
  • Event graphs and other algorithm technologies are easier to achieve integration, such as cluster analysis, natural language understanding, reinforcement learning, deep learning, etc.
  • the comprehensive application of algorithms can improve the intelligent level of equipment troubleshooting.
  • An intelligent monitoring method for equipment failure based on event graph technology can establish a preliminary model based on historical data, and then learn current data in real time, continuously improve the model, and provide equipment with maintenance suggestions and failure warnings.
  • the method includes:
  • S10 Construct an event map through historical data analysis, the event map includes event elements, and a network-like event map is formed through event relationships between the event elements and the event elements.
  • the event element includes core nodes and event attributes.
  • the core node corresponds to the fault of the device, including the name, type, keyword and description that can be distinguished from other faults.
  • the event attributes correspond to the status of the equipment, including basic equipment information, time of occurrence of the fault, status information accompanying the fault, maintenance plan, location, person, equipment name, model, delivery date, service life, installation date, maintenance period, etc., visible, event Atlas is an open network with a wide range of coverage. Event-related entities can be associated with event elements.
  • event atlas is a dynamic network, events are related to time, and time is a changing process. Therefore, the event map can better describe the dynamic changes of the event. When the event map is applied to the analysis of equipment failure, it can find the cause and effect of the event and play a greater role in the prevention and early warning of equipment failure.
  • the event relationship includes subordination relationship, sequence relationship, condition relationship, parallel relationship, similarity relationship and causality relationship.
  • Subordinate relations, causal relations, precedence relations, and conditional relations are represented by directed graphs, and similar relations and parallel relations are represented by undirected graphs. That is, the event graph is a mixed relationship network of directed graphs and undirected graphs.
  • causal relationship sequence the occurrence time of event elements, and define adjacent event elements as a sequence relationship. If a causal relationship between faults is found from the fault description, the sequence is defined as a causal relationship;
  • the similarity relationship if two faults are judged to be the same fault from the fault description, the two event elements are merged, and the corresponding different occurrence times are retained in the event attribute; if the two faults are judged to be similar faults from the fault description , The two faults are defined as similar relationships. If the two faults have a causal relationship setting, then the similar relationship setting is added.
  • S40 According to the event element, determine the current equipment failure status, analyze the cause of the equipment failure, and provide a maintenance plan, and even provide an optimized operation method or production method of the equipment to reduce the occurrence of failures.
  • S50 According to the relationship between the event element and the event element in the event map, predict the possible failures of the current equipment, give an early warning of the failure, and give a maintenance plan or a prevention plan.
  • the maintenance plan or the prevention plan may be a text
  • the extraction technology extracts the troubleshooting records to form structured troubleshooting data, and finally enters the data into the event map.
  • the S10 includes S11: establish a fault classification model, classify fault descriptions, and reduce fault types; extract events for each fault and form event elements; use the fault classification model to identify event attributes,
  • the event attributes also include: fault type, related accompanying state parameters, and fault consequences.
  • Real-time analysis of the fault is carried out through the strong and weak relationship between the faults, and the accompanying state of the fault is analyzed.
  • the accompanying state of the fault is analyzed.
  • the similarity is greater than the threshold, judge the two faults It is the same fault.
  • the similarity is less than 80% of the threshold, it is judged as a different fault, and other conditions are regarded as similar faults.
  • a value from 0 to 1 is used to indicate the strength of the relationship. The larger the value, the stronger the relationship.
  • the calculation method is:
  • the strength of the relationship the number of occurrences of the relationship / the total number of occurrences of the corresponding fault. When the total number of occurrences of the fault is less than 100, the value is 100.
  • the state parameters of the device are tracked in real time, and when the state parameters change, the fault events corresponding to the corresponding state parameters are compared in a multi-dimensional analysis in the event map, Deal with three situations:
  • Embodiment 5 is a diagrammatic representation of Embodiment 5:
  • the state parameter of the device is composed of the measurement point value of each single measurement point.
  • the distribution of the value of the single measuring point is processed according to the normal distribution, the measuring point vector of the equipment obeys the multi-dimensional normal distribution, and its mathematical expectation is the fluctuation center vector.
  • the Euclidean distance is used to represent the equipment attribute vector and the equipment attribute fluctuation center.
  • the distance of the vector, and the probability formula of the normal distribution can be used to calculate whether the vector fluctuation is normal. When a small probability event occurs, it is judged that an abnormal condition has occurred, and an early warning message is issued.
  • the accompanying state of the failure can be analyzed in a timely manner, and the real-time warning of the failure can be realized through the multi-dimensional analysis of the accompanying state;
  • Event graphs and other algorithm technologies are easier to achieve integration, such as cluster analysis, natural language understanding, reinforcement learning, deep learning, etc.
  • the comprehensive application of algorithms can improve the intelligent level of equipment troubleshooting.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于事件图谱技术的设备故障智能监控方法，能够学习历史数据和当前数据，为设备维修提供维修建议和故障预警，所述方法包括：S10：通过历史数据分析，构建事件图谱，所述事件图谱包括事件元，所述事件元与事件元之间通过事件关系形成网络状的事件图谱；所述事件元包括核心节点和事件属性；S20：将当前的设备状态与事件图谱中的事件属性对比，匹配到相应的核心结点和事件元；S30：实时更新事件图谱，学习设备的新故障、新状态和对应的维修方案；S40：根据所述事件元，判断当前设备故障状况，分析设备故障产生原因，并给出维修方案；S50：根据所述事件图谱中事件元与事件元的关系，预测当前设备可能会出现的故障，给出故障预警。

Description

一种基于事件图谱技术的设备故障智能监控方法 技术领域
本发明涉及设备维修技术领域。
 背景技术
随着科技的发展和制造工艺的复杂化，影响设备的因素越来越多，进而造成故障排查困难，甚至需要行业专家参与，当设备出现故障时，通常无法及时响应和快速维修，不仅维修速度慢，维修成本还高。
技术问题
现有的设备维修辅助系统，相对纯人工排查，能够辅助维修人员更快发现问题所在，进而提出相应的维修方案，不过现有的辅助系统准确性差，同时学习能力差，覆盖范围小，无法适应新情况和新条件，造成难以快速定位故障原因，给出的维修建议往往存在错误。
根据上述存在的问题，亟需提出一种能够自动学习并积累知识的辅助维修设备的方法。
 技术解决方案
本发明为解决上述技术问题，本申请提出一种基于事件图谱技术的设备故障智能监控方法，能够学习历史数据和当前数据，为设备维修提供故障预警和维修建议。
 为实现上述技术效果，所述方法包括：
 S10：通过历史数据分析，构建事件图谱，所述事件图谱包括事件元，所述事件元与事件元之间通过事件关系形成网络状的事件图谱；所述事件元包括核心节点和事件属性；所述核心结点对应设备的故障，包括描述故障事件的名称、类型、关键字和能够区分于其它故障的描述；所述事件属性对应设备状态,包括设备基本信息、故障发生时间、故障伴随状态信息、检修方案、地点、人物、设备名称、型号、出厂日期、使用寿命、安装日期、检修周期等，覆盖范围广泛，即事件图谱是个开放式的网络，与事件有关的实体都可以与事件元关联，同时，可以看出，事件图谱是一个动态的网络，事件与时间相关，时间是一个变化的过程，所以事件图谱更能够描述事件的动态变化，把事件图谱应用于设备故障分析中，更能够发现事件的前因后果，对设备故障的预防预警能起到更大作用。
S20：将当前的设备状态与事件图谱中的事件属性对比，匹配到相应的核心结点，即事件元。
S30：实时更新事件图谱，学习设备的新故障、新状态和对应的维修方案，明显，事件图谱是一个可以自我调整和优化的网络，所以事件图谱更适合用于在线学习。对于复杂设备，运行情况较复杂，所产生的故障也较复杂多变，过往的经验往往无法满足当前的情况，需要系统能够在线学习，通过在线学习动态调整和优化模型参数，提高系统的适应性，故而选择能够进行在线学习的事件图谱技术，而且，事件图谱与其它算法技术更容易实现融合，如聚类分析、自然语言理解、强化学习、深度学习等，对算法的综合应用更能够提升设备故障检修的智慧化水平。
S40：根据所述事件元，判断当前设备故障状况，分析设备故障产生原因，并给出维修方案，甚至，还能够给出设备优化操作方法或生产方法，减少故障的产生。
S50：根据所述事件图谱中事件元与事件元的关系，预测当前设备可能会出现的故障，给出故障预警，并给出维修方案或预防方案，所述维修方案或预防方案可以是利用文本提取技术提取故障检修记录，形成结构化故障检修数据，最后将数据加入到事件图谱中。
进一步的，所述S10 包括S11：建立故障分类模型，对故障描述进行分类，减少故障种类；对每个故障进行事件抽取并形成事件元；利用故障分类模型识别出事件属性,所述事件属性还包括：故障种类、相关伴随状态参数、故障后果。
进一步的，建立故障分类模型时，结合专家知识和经验，利用自然语言理解技术和聚类算法对故障描述进行分类。
进一步的，所述事件关系包括从属关系、先后关系、条件关系、并列关系、相似关系和因果关系。将从属关系、因果关系、先后关系、条件关系采用有向图来表示，对于相似关系、并列关系则采用无向图来表示，即事件图谱是一个有向图和无向图的混合关系网络。
其中，所述因果关系；对事件元进行发生时间排序，将相邻的事件元定义为先后关系，若从故障描述中发现故障之间存在因果关系，则把该前后关系定义为因果关系；
所述相似关系：若从故障描述中判断两个故障为相同故障，则合并两个事件元，且在事件属性中保留对应的不同的发生时间；若从故障描述中判断两个故障为相似故障，则将两个故障定义为相似关系，若这两个故障已有因果关系的设定，则再加上相似关系的设定。通过事件元之间相似关系的分析，在对设备故障进行归类时，可以减少因故障种类描述方法的不同而导致故障种类过多，复杂，进而导致检修排查的困难；
进一步的，根据历史数据对事件元之间的关系和/或核心结点与各个事件属性的关系进行强化学习，得到各个关系的强弱，进而得到每个故障与其伴随故障的强弱关系和/或每个故障与其伴随状态的强弱关系；通过故障之间的强弱关系进行对故障实时分析，分析出故障的伴随状态，通过对伴随状态的多维度分析，可以发现可能还存在的其他故障，实现故障的实时预警；
通过故障与其伴随状态的强弱关系计算所述事件属性中每个维度的权重，根据权重和每个维度的相似性，得到两个故障的相似度，当相似度大于设定的阈值时，判断两个故障为相同故障，当相似度小于阈值的80%时，判断为不同故障，其它情况则认定为相似故障。
进一步的，所述强化学习中，用0 到1 的值表示关系的强弱，值越大，则关系越强，计算方法为：
关系强弱=该关系出现次数/对应故障的总出现次数，当故障总出现次数小于100 时，取值100。
进一步的，在所述S20 中，实时跟踪设备的状态参数，当状态参数发生变化时，在所述事件图谱中多维度分析比对相应状态参数所对应的故障事件，分三种情况进行处理：
A、当找到匹配的故障事件时，则进行故障报警，若该事件元存在相应的检修方案，则推送相应的检修方案；
B、若未匹配到故障事件，但发现状态参数变化趋势指向某个故障事件，则给出异常信号的预警，并报告可能会发生的故障事件；
C、若属于未识别的状态参数变化，则给出普通的异常信号预警，并提请人工进行判断。
进一步的，在所述S20 中，如果发现新故障，则在事件图谱中新增事件元，并分析新增事件元与在先的事件元的事件关系；如果发现的故障是已经存在的故障，则更新相应事件元的事件关系和事件元中的事件属性。
进一步的，所述设备的状态参数由各个单一测点的测点值组成；所述单一测点的值的分布按正态分布处理，则设备的测点向量服从多维正态分布，其数学期望就是波动中心向量，使用欧几里德距离表示设备属性向量与设备属性波动中心向量的距离，同时可以使用正态分布的概率公式计算向量波动是否正常，当发生小概率事件时，则判断为出现了非正常状况，即发出预警信息。
 有益效果
1、通过对事件元之间的相似关系分析，可以对设备故障进行归类，从而减少因故障种类描述方法的不同而导致检修排查的困难；
 2、通过对事件图谱中的关系分析，可以很容易发现故障产生的原因以及可能还存在的其它故障；
3、通过对事件图谱中各关系的在线强化学习，可以适时分析出故障的伴随状态，通过对伴随状态的多维度分析，可以实现故障的实时预警；
4、由于事件图谱中的网络可以实现实时更新，所以可以很容易实现新故障和新状态的在线学习，从而提升故障检修系统的适应性；
5、事件图谱与其它算法技术更容易实现融合，如聚类分析、自然语言理解、强化学习、深度学习等，对算法的综合应用更能够提升设备故障检修的智慧化水平。
 本发明的实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：
一种基于事件图谱技术的设备故障智能监控方法，能够根据历史数据建立初步模型，再实时学习当前数据，不断完善模型，为设备提供维修建议和故障预警。
为实现上述技术效果，所述方法包括：
S10：通过历史数据分析，构建事件图谱，所述事件图谱包括事件元，所述事件元与事件元之间通过事件关系形成网络状的事件图谱。
所述事件元包括核心节点和事件属性。其中，所述核心结点对应设备的故障，包括描述故障事件的名称、类型、关键字和能够区分于其它故障的描述。所述事件属性对应设备状态,包括设备基本信息、故障发生时间、故障伴随状态信息、检修方案、地点、人物、设备名称、型号、出厂日期、使用寿命、安装日期、检修周期等，可见，事件图谱是个开放式的网络，覆盖范围广泛，与事件有关的实体都可以与事件元关联，同时，也可以看出，事件图谱是一个动态的网络，事件与时间相关，时间是一个变化的过程，所以事件图谱更能够描述事件的动态变化，把事件图谱应用于设备故障分析中，更能够发现事件的前因后果，对设备故障的预防预警能起到更大作用。
所述事件关系包括从属关系、先后关系、条件关系、并列关系、相似关系和因果关系。将从属关系、因果关系、先后关系、条件关系采用有向图来表示，对于相似关系、并列关系则采用无向图来表示，即事件图谱是一个有向图和无向图的混合关系网络。
其中，所述因果关系；对事件元进行发生时间排序，将相邻的事件元定义为先后关系，若从故障描述中发现故障之间存在因果关系，则把该前后关系定义为因果关系；
所述相似关系：若从故障描述中判断两个故障为相同故障，则合并两个事件元，且在事件属性中保留对应的不同的发生时间；若从故障描述中判断两个故障为相似故障，则将两个故障定义为相似关系，若这两个故障已有因果关系的设定，则再加上相似关系的设定。通过事件元之间相似关系的分析，在对设备故障进行归类时，可以减少因故障种类描述方法的不同而导致故障种类过多，复杂，进而导致检修排查的困难；
S20：将当前的设备状态与事件图谱中的事件属性对比，匹配到相应的核心结点和事件元。
S30：实时更新事件图谱，学习设备的新故障、新状态和对应的维修方案，明显，事件图谱是一个可以自我调整和优化的网络，所以事件图谱更适合用于在线学习。一些设备的运行情况较复杂，所产生的故障也较复杂多变，过往的经验往往无法满足当前的情况，需要系统能够在线学习，通过在线学习动态调整和优化模型参数，提高系统的适应性，故而选择最优利于在线学习的事件图谱技术，而且，事件图谱与其它算法技术更容易实现融合，如聚类分析、自然语言理解、强化学习、深度学习等，对算法的综合应用更能够提升设备故障检修的智慧化水平。
S40：根据所述事件元，判断当前设备故障状况，分析设备故障产生原因，并给出维修方案，甚至，还能够给出设备优化操作方法或生产方法，减少故障的产生。
S50：根据所述事件图谱中事件元与事件元的关系，预测当前设备可能会出现的故障，给出故障预警，并给出维修方案或预防方案，所述维修方案或预防方案可以是利用文本提取技术提取故障检修记录，形成结构化故障检修数据，最后将数据录入到事件图谱中。
 实施例二：
在实施例一的基础上，所述S10 包括S11：建立故障分类模型，对故障描述进行分类，减少故障种类；对每个故障进行事件抽取并形成事件元；利用故障分类模型识别出事件属性,所述事件属性还包括：故障种类、相关伴随状态参数、故障后果。
[0045]具体的，建立故障分类模型时，结合专家知识和经验，利用自然语言理解技术和聚类算法对故障描述进行分类。
 实施例三：
在上述任一实施例的基础上，根据历史数据对事件元之间的关系和核心结点与各个事件属性的关系进行强化学习，得到各个关系的强弱，进而得到每个故障与其伴随故障的强弱关系和每个故障与其伴随状态的强弱关系。
通过故障之间的强弱关系进行对故障实时分析，分析出故障的伴随状态，通过对伴随状态的多维度分析，可以发现可能还存在的其他故障，实现故障的实时预警。通过故障与其伴随状态的强弱关系计算所述事件属性中每个维度的权重，根据权重和每个维度的相似性，得到两个故障的相似度，当相似度大于阈值时，判断两个故障为相同故障，当相似度小于阈值的80%时，判断为不同故障，其它情况则认定为相似故障。
具体的，所述强化学习中，用0 到1 的值表示关系的强弱，值越大，则关系越强，计算方法为：
关系强弱=该关系出现次数/对应故障的总出现次数，当故障总出现次数小于100 时，取值100。
实施例四：
在上述任一实施例的基础上，在所述S20 中，实时跟踪设备的状态参数，当状态参数发生变化时，在所述事件图谱中多维度分析比对相应状态参数所对应的故障事件，分三种情况进行处理：
D、当找到匹配的故障事件时，则进行故障报警，若该事件元存在相应的检修方案，则推送相应的检修方案；
E、若未匹配到故障事件，但发现状态参数变化趋势指向某个故障事件，则给出异常信号的预警，并报告可能会发生的故障事件；
F、若属于未识别的状态参数变化，则给出普通的异常信号预警，并提请人工进行判断。
在所述S20 中，如果发现新故障，则进入S30，在事件图谱中新增事件元，并分析新增事件元与在先的事件元的事件关系；如果发现的故障是已经存在的故障，则更新相应事件元的事件关系和事件元中的事件属性。
 实施例五：
在上述任一实施例的基础上，所述设备的状态参数由各个单一测点的测点值组成。所述单一测点的值的分布按正态分布处理，则设备的测点向量服从多维正态分布，其数学期望就是波动中心向量，使用欧几里德距离表示设备属性向量与设备属性波动中心向量的距离，同时可以使用正态分布的概率公式计算向量波动是否正常，当发生小概率事件时，则判断为出现了非正常状况，即发出预警信息。
由上述对本发明的描述可知，和现有技术相比，本发明提出的一种基于事件图谱技术的设备故障智能监控方法具有如下优点：
1、通过对事件元之间的相似关系分析，可以对设备故障进行归类，从而减少因故障种类描述方法的不同而导致检修排查的困难；
2、通过对事件图谱中的关系分析，可以很容易发现故障产生的原因以及可能还存在的其它故障；
3、通过对事件图谱中各关系的在线强化学习，可以适时分析出故障的伴随状态，通过对伴随状态的多维度分析，可以实现故障的实时预警；
4、由于事件图谱中的网络可以实现实时更新，所以可以很容易实现新故障和新状态的在线学习，从而提升故障检修系统的适应性；
5、事件图谱与其它算法技术更容易实现融合，如聚类分析、自然语言理解、强化学习、深度学习等，对算法的综合应用更能够提升设备故障检修的智慧化水平。
上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。
 

Claims (9)

  1. 一种基于事件图谱技术的设备故障智能监控方法，其特征在于，包括：
    S10：通过历史数据分析，构建事件图谱，所述事件图谱包括事件元，所述事件元与事件元之间通过事件关系形成网络状的事件图谱；所述事件元包括核心节点和事件属性；所述核心结点对应设备的故障，包括描述故障事件的名称、类型、关键字和能够区分于其它故障的描述；所述事件属性对应设备状态,包括设备基本信息、故障发生时间、故障伴随状态信息、检修方案；
     S20：将当前的设备状态与事件图谱中的事件属性对比，匹配到相应的核心结点和事件元；
     S30：实时更新事件图谱，学习设备的新故障、新状态和对应的维修方案；
     S40：根据所述事件元，判断当前设备故障状况，并给出维修方案；
     S50：根据所述事件图谱中事件元与事件元的关系，预测当前设备可能会出现的故障，给出故障预警，并给出维修方案或预防方案。
     
  2. 根据权利要求1 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，所述S10 包括S11：建立故障分类模型，对故障描述进行分类；
    对每个故障进行事件抽取并形成事件元；
    利用故障分类模型识别出事件属性,所述事件属性还包括：故障种类、相关伴随状态参数、故障后果。
     
  3. 根据权利要求2 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，建立故障分类模型时，结合专家知识和经验，利用自然语言理解技术和聚类算法对故障描述进行分类。
  4. 根据权利要求1 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，所述事件关系包括从属关系、先后关系、条件关系、并列关系、相似关系和因果关系；其中，所述因果关系：对事件元进行发生时间排序，将相邻的事件元定义为先后关系，若从故障描述中发现故障之间存在因果关系，则把该前后关系定义为因果关系；
    所述相似关系：若从故障描述中判断两个故障为相同故障，则合并两个事件元，且在事件属性中保留对应的不同的发生时间；若从故障描述中判断两个故障为相似故障，则将两个故障定义为相似关系，若这两个故障已有因果关系的设定，则再加上相似关系的设定。
  5. 根据权利要求1 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，根据历史数据对事件元之间的关系和/或核心结点与各个事件属性的关系进行强化学习，得到各个关系的强弱，进而得到每个故障与其伴随故障的强弱关系和/或每个故障与其伴随状态的强弱关系；通过故障之间的强弱关系进行故障实时分析和预警；通过故障与其伴随状态的强弱关系计算所述事件属性中每个维度的权重，根据权重和每个维度的相似性，得到两个故障的相似度，当相似度大于阈值时，判断两个故障为相同故障，当相似度小于阈值的80%时，判断为不同故障，其他情况则认定为相似故障。
  6. 根据权利要求5 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，所述强化学习中，用0 到1 的值表示关系的强弱，值越大，则关系越强，计算方法为：关系强弱=该关系出现次数/对应故障的总出现次数。
  7. 根据权利要求1 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，在所述S20 中，实时跟踪设备的状态参数，当状态参数发生变化时，在所述事件图谱中多维度分析比对相应状态参数所对应的故障事件，分三种情况进行处理：
    A、当找到匹配的故障事件时，则进行故障报警，若该事件元存在相应的检修方案，则推送相应的检修方案；
    B、若未匹配到故障事件，但发现状态参数变化趋势指向某个故障事件，则给出异常信号的预警，并报告可能会发生的故障事件；
    C、若属于未识别的状态参数变化，则给出普通的异常信号预警，并提请人工进行判断。
  8. 根据权利要求7 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，在所述S20 中，如果发现新故障，则在事件图谱中新增事件元，并分析新增事件元与在先的事件元的事件关系；如果发现的故障是已经存在的故障，则更新相应事件元的事件关系和事件元中的事件属性
  9. 根据权利要求7 所述的一种基于事件图谱技术的设备故障智能监控方法，其特征在于，所述设备的状态参数由各个单一测点的测点值组成；所述单一测点的值的分布按正态分布处理，则设备的测点向量服从多维正态分布，其数学期望就是波动中心向量， 使用欧几里德距离表示设备属性向量与设备属性波动中心向量的距离，同时可以使用正态分布的概率公式计算向量波动是否正常，当发生小概率事件时，则判断为出现了非正常状况，即发出预警信息。
     
     
PCT/CN2020/077987 2019-06-05 2020-03-05 一种基于事件图谱技术的设备故障智能监控方法 WO2020244262A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910485649.XA CN110110870B (zh) 2019-06-05 2019-06-05 一种基于事件图谱技术的设备故障智能监控方法
CN201910485649.X 2019-06-05

Publications (1)

Publication Number Publication Date
WO2020244262A1 true WO2020244262A1 (zh) 2020-12-10

Family

ID=67493884

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/077987 WO2020244262A1 (zh) 2019-06-05 2020-03-05 一种基于事件图谱技术的设备故障智能监控方法

Country Status (2)

Country Link
CN (1) CN110110870B (zh)
WO (1) WO2020244262A1 (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112671106A (zh) * 2020-12-31 2021-04-16 国网宁夏电力有限公司宁东供电公司 基于图理论的一二次设备的管控方法及系统
CN112882911A (zh) * 2021-02-01 2021-06-01 中电科网络空间安全研究院有限公司 异常性能行为检测方法、系统、装置及存储介质
CN112948552A (zh) * 2021-02-26 2021-06-11 北京信息科技大学 一种事理图谱在线扩展方法及装置
CN113379214A (zh) * 2021-06-02 2021-09-10 国网福建省电力有限公司 基于事理图谱的电网事故信息自动填报及辅助决策的方法
CN113792154A (zh) * 2021-08-30 2021-12-14 北京百度网讯科技有限公司 故障关联关系的确定方法、装置、电子设备及存储介质
CN113847267A (zh) * 2021-11-16 2021-12-28 西安热工研究院有限公司 一种应用于燃气轮机压气机拉杆螺栓的故障分析方法
CN114430365A (zh) * 2022-04-06 2022-05-03 北京宝兰德软件股份有限公司 故障根因分析方法、装置、电子设备和存储介质
CN114511112A (zh) * 2022-01-24 2022-05-17 北京通建泰利特智能系统工程技术有限公司 一种基于物联网的智慧运维方法、系统和可读存储介质
CN114689957A (zh) * 2020-12-30 2022-07-01 中国航天科工飞航技术研究院（中国航天海鹰机电技术研究院） 一种用于地面线圈模组故障监测的系统和方法
CN114707004A (zh) * 2022-05-24 2022-07-05 国网浙江省电力有限公司信息通信分公司 基于图像模型和语言模型的事理关系抽取处理方法及系统
CN115223092A (zh) * 2022-07-15 2022-10-21 南京福田文化传媒有限公司 一种大数据场景下的视频监控系统及方法
CN116578911A (zh) * 2023-07-13 2023-08-11 亚信科技（中国）有限公司 数据处理方法、装置、电子设备及计算机存储介质
CN117078232A (zh) * 2023-10-17 2023-11-17 山东沪金精工科技股份有限公司 一种基于大数据的加工设备故障预防系统及方法
CN117290764A (zh) * 2023-11-23 2023-12-26 湖南省交通科学研究院有限公司 基于数据特征分析的治超系统故障智能识别及诊断的方法
CN117613908A (zh) * 2024-01-24 2024-02-27 北京智芯微电子科技有限公司 基于配电网络的智能运维方法及系统
CN117973902A (zh) * 2024-03-28 2024-05-03 浙江大有实业有限公司杭州科技发展分公司 一种基于保电平台故障处置智能决策方法及系统

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110870B (zh) * 2019-06-05 2022-03-22 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法
CN110726676B (zh) * 2019-09-24 2022-05-20 厦门恳灏电气有限公司 一种基于光声光谱技术的智慧变电站在线运维系统
CN114341877A (zh) * 2019-09-24 2022-04-12 西门子（中国）有限公司 根本原因分析方法、装置、电子设备、介质以及程序产品
CN110727803A (zh) * 2019-10-10 2020-01-24 北京明略软件系统有限公司 文本事件抽取方法及装置
CN111179115A (zh) * 2019-12-25 2020-05-19 东软集团股份有限公司 故障处理辅助决策方法、装置、存储介质及电子设备
CN113515102A (zh) * 2020-04-10 2021-10-19 北京京东乾石科技有限公司 一种异常归因方法和装置
CN112328875A (zh) * 2020-10-30 2021-02-05 北京精密机电控制设备研究所 一种基于大数据的设备智能维修方案推荐方法
CN112583640A (zh) * 2020-12-02 2021-03-30 厦门渊亭信息科技有限公司 一种基于知识图谱的服务故障检测方法及装置
CN112596495B (zh) * 2020-12-07 2022-03-25 中科蓝智(武汉)科技有限公司 一种基于知识图谱的工业设备故障诊断方法及系统
CN112559745B (zh) * 2020-12-11 2023-01-17 科大讯飞股份有限公司 一种确定热点事件的方法和相关装置
CN112693310B (zh) * 2020-12-31 2022-05-06 中联重科股份有限公司 工程机械的限速方法和装置
CN113190421B (zh) * 2021-03-16 2024-03-29 北京中大科慧科技发展有限公司 一种用于数据中心的设备健康状态的检测分析方法
CN112948567B (zh) * 2021-05-13 2021-09-03 华自科技股份有限公司 一种收集设备故障信息的方法及系统
CN117355852A (zh) * 2021-05-31 2024-01-05 西门子（中国）有限公司 基于知识的装配工艺规划方法、装置和系统
CN113610315B (zh) * 2021-08-16 2023-10-13 傲林科技有限公司 一种基于事件网的预测方法、装置及电子设备
CN114817575B (zh) * 2022-06-24 2022-09-02 国网浙江省电力有限公司信息通信分公司 基于扩展模型的大规模电力事理图谱处理方法
CN116136985B (zh) * 2023-02-21 2023-09-05 北京思维实创科技有限公司 一种变电所安全风险在线识别方法及其系统
CN117332121A (zh) * 2023-09-26 2024-01-02 华能澜沧江水电股份有限公司 一种水电厂非电量保护逻辑图谱生成系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120008836A1 (en) * 2010-07-12 2012-01-12 International Business Machines Corporation Sequential event detection from video
CN109508473A (zh) * 2018-09-29 2019-03-22 北京国双科技有限公司 基于事理图谱的抽油井故障确定方法、抽油井故障事理图谱建立方法及相关装置
CN109670595A (zh) * 2019-03-04 2019-04-23 丽水学院 一种设备故障诊断方法
CN110110870A (zh) * 2019-06-05 2019-08-09 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101178703B (zh) * 2007-11-23 2010-05-19 西安交通大学 基于网络分割的故障诊断谱聚类方法
CN101520662B (zh) * 2009-02-18 2011-08-31 嘉兴学院 流程工业分布式设备故障诊断系统
CN104156623A (zh) * 2014-08-27 2014-11-19 湖南科技大学 一种机械复合故障的诊断方法
CN106019042B (zh) * 2016-04-29 2019-01-08 国网辽宁省电力有限公司电力科学研究院 一种基于特征图谱识别高压电缆内部绝缘缺陷类型的方法
CN107103363B (zh) * 2017-03-13 2018-06-01 北京航空航天大学 一种基于lda的软件故障专家系统的构建方法
CN107246959B (zh) * 2017-07-12 2019-06-04 西安因联信息科技有限公司 一种基于无线传感器的设备故障的诊断系统及方法
CN108875772B (zh) * 2018-03-30 2020-04-14 浙江大学 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120008836A1 (en) * 2010-07-12 2012-01-12 International Business Machines Corporation Sequential event detection from video
CN109508473A (zh) * 2018-09-29 2019-03-22 北京国双科技有限公司 基于事理图谱的抽油井故障确定方法、抽油井故障事理图谱建立方法及相关装置
CN109670595A (zh) * 2019-03-04 2019-04-23 丽水学院 一种设备故障诊断方法
CN110110870A (zh) * 2019-06-05 2019-08-09 厦门邑通软件科技有限公司 一种基于事件图谱技术的设备故障智能监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHOU, JINGYAN ET AL.: "Study on the Concept and Value of Intelligence Event Evolutionary Graph", JOURNAL OF INTELLIGENCE, vol. 37, no. 5, 31 May 2018 (2018-05-31), DOI: 20200513104049Y *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114689957A (zh) * 2020-12-30 2022-07-01 中国航天科工飞航技术研究院（中国航天海鹰机电技术研究院） 一种用于地面线圈模组故障监测的系统和方法
CN112671106A (zh) * 2020-12-31 2021-04-16 国网宁夏电力有限公司宁东供电公司 基于图理论的一二次设备的管控方法及系统
CN112671106B (zh) * 2020-12-31 2023-08-04 国网宁夏电力有限公司宁东供电公司 基于图理论的一二次设备的管控方法及系统
CN112882911A (zh) * 2021-02-01 2021-06-01 中电科网络空间安全研究院有限公司 异常性能行为检测方法、系统、装置及存储介质
CN112882911B (zh) * 2021-02-01 2023-12-29 中电科网络空间安全研究院有限公司 异常性能行为检测方法、系统、装置及存储介质
CN112948552B (zh) * 2021-02-26 2023-06-02 北京信息科技大学 一种事理图谱在线扩展方法及装置
CN112948552A (zh) * 2021-02-26 2021-06-11 北京信息科技大学 一种事理图谱在线扩展方法及装置
CN113379214A (zh) * 2021-06-02 2021-09-10 国网福建省电力有限公司 基于事理图谱的电网事故信息自动填报及辅助决策的方法
CN113792154A (zh) * 2021-08-30 2021-12-14 北京百度网讯科技有限公司 故障关联关系的确定方法、装置、电子设备及存储介质
CN113792154B (zh) * 2021-08-30 2023-06-23 北京百度网讯科技有限公司 故障关联关系的确定方法、装置、电子设备及存储介质
CN113847267A (zh) * 2021-11-16 2021-12-28 西安热工研究院有限公司 一种应用于燃气轮机压气机拉杆螺栓的故障分析方法
CN114511112A (zh) * 2022-01-24 2022-05-17 北京通建泰利特智能系统工程技术有限公司 一种基于物联网的智慧运维方法、系统和可读存储介质
CN114430365A (zh) * 2022-04-06 2022-05-03 北京宝兰德软件股份有限公司 故障根因分析方法、装置、电子设备和存储介质
CN114707004B (zh) * 2022-05-24 2022-08-16 国网浙江省电力有限公司信息通信分公司 基于图像模型和语言模型的事理关系抽取处理方法及系统
CN114707004A (zh) * 2022-05-24 2022-07-05 国网浙江省电力有限公司信息通信分公司 基于图像模型和语言模型的事理关系抽取处理方法及系统
CN115223092A (zh) * 2022-07-15 2022-10-21 南京福田文化传媒有限公司 一种大数据场景下的视频监控系统及方法
CN115223092B (zh) * 2022-07-15 2023-11-14 广东万龙科技有限公司 一种大数据场景下的视频监控系统及方法
CN116578911A (zh) * 2023-07-13 2023-08-11 亚信科技（中国）有限公司 数据处理方法、装置、电子设备及计算机存储介质
CN117078232A (zh) * 2023-10-17 2023-11-17 山东沪金精工科技股份有限公司 一种基于大数据的加工设备故障预防系统及方法
CN117078232B (zh) * 2023-10-17 2024-01-09 山东沪金精工科技股份有限公司 一种基于大数据的加工设备故障预防系统及方法
CN117290764A (zh) * 2023-11-23 2023-12-26 湖南省交通科学研究院有限公司 基于数据特征分析的治超系统故障智能识别及诊断的方法
CN117290764B (zh) * 2023-11-23 2024-02-09 湖南省交通科学研究院有限公司 基于数据特征分析的治超系统故障智能识别及诊断的方法
CN117613908A (zh) * 2024-01-24 2024-02-27 北京智芯微电子科技有限公司 基于配电网络的智能运维方法及系统
CN117613908B (zh) * 2024-01-24 2024-05-10 北京智芯微电子科技有限公司 基于配电网络的智能运维方法及系统
CN117973902A (zh) * 2024-03-28 2024-05-03 浙江大有实业有限公司杭州科技发展分公司 一种基于保电平台故障处置智能决策方法及系统

Also Published As

Publication number Publication date
CN110110870B (zh) 2022-03-22
CN110110870A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
WO2020244262A1 (zh) 一种基于事件图谱技术的设备故障智能监控方法
US20220137612A1 (en) Transformer fault diagnosis and positioning system based on digital twin
CN112926257A (zh) 往复式天然气压缩机故障诊断系统以及诊断方法
CN111179591B (zh) 一种路网交通时序特征数据质量诊断与修复方法
CN116610747B (zh) 一种基于三维数字的可视化智慧管理系统
US20230083078A1 (en) Method for intelligent fault detection and location of power distribution network
CN111695792B (zh) 基于多属性聚类的地铁照明系统异常能耗分析方法
CN109670584A (zh) 一种基于大数据的故障诊断方法及系统
CN115907446A (zh) 一种基建工程施工进度的智能管控评估系统
CN111994137A (zh) 一种基于铁路信号集中监测的报警分析方法
CN112241424A (zh) 一种基于知识图谱的空管设备应用系统及方法
CN116611593A (zh) 用于预测空压机的故障的方法、设备和介质
WO2020103682A1 (zh) 一种基于大数据驱动的城市电梯备件存储控制系统
CN113468022B (zh) 一种对产品集中监控的自动化运维方法
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN110426996A (zh) 基于大数据及人工智能的环境污染监测方法
CN110489404A (zh) 一种基于三层架构的配电网领域的全面数据质量管理方法
CN113484693A (zh) 基于图神经网络的变电站二次回路故障定位方法及系统
CN112803587A (zh) 一种基于诊断决策库的自动化设备状态智能巡视方法
CN103166322B (zh) 一种低频减载装置的监测方法及系统
CN107067801A (zh) 一种基于停车场数据的异常处理方法及装置
CN116545867A (zh) 一种监控通信网络网元性能指标异常的方法及装置
CN117560300B (zh) 一种智能物联网流量预测与优化系统
LU504183B1 (en) Internet-based engine production line operation and maintenance management system
Khalyasmaa et al. Fuzzy inference algorithms for power equipment state assessment

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20819180

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20819180

Country of ref document: EP

Kind code of ref document: A1