[发明专利]一种基于知识图谱的工业设备故障诊断方法

权利要求书

1.一种基于知识图谱的工业设备故障诊断方法，其特征在于，包括如下步骤：

步骤一、将故障设备、故障零部件、传感器、故障现象、故障原因和故障解决办法作为知识图谱中的实体，从设备故障历史维修记录和设备故障维修保养使用手册的电子数据中抽取实体以及实体之间的关系，构建实体-关系-实体的三元组结构数据；

其中，所述实体关系包括设备零部件之间的连接关系、零部件与故障现象的关系、故障现象与故障原因的关系、故障原因与解决办法的关系；

步骤二、为了消除描述的多样性，根据语义相似度，对获取的实体-关系-实体的三元组结构数据进行重复数据的合并和删除后再存入知识库，包括：

对获得的故障产生原因或故障现象实体，经分词后表示为词向量相加的形式，计算两个同类实体的相似度，将相似度超过设置阈值的两个实体采用同一实体表示，对实体-关系-实体的三元组结构数据进行重复数据的合并和删除；

步骤三、根据知识库中的三元组构建设备的故障维修知识图谱；设备的故障维修知识图谱是根据设备零部件之间的物理连接关系，故障涉及到的零部件、传感器、现象、原因和解决办法之间的逻辑关系构建出；其中，将所述实体作为故障维修知识图谱中的节点，将所述实体之间的关系作为故障维修知识图谱中的边，边的权重代表实体关系的置信度；对于同一个实体，故障维修知识图谱中仅用一个节点表示；

当有故障发生时，维修操作人员记录故障日志，获取该故障日志，提取实体以及实体关系，并更新实体关系的置信度；

步骤四、当用户需要查找故障原因时，输入故障现象以及采集的传感器数据，利用设备的故障维修知识图谱以及AI诊断模型进行故障原因判断；其中，AI诊断模型由历史采集的设备故障传感器数据训练得到；

所述故障原因的判断方法为：将输入的故障现象与故障维修知识图谱中的故障现象文本进行语义相似度计算，获取超过设定阈值的故障现象实体，再从故障维修知识图谱中找到所获取的故障现象实体关联的传感器数据与故障原因，由传感器数据确定相应的AI诊断模型；将所获得的故障原因与输入的传感器数据加入训练数据集重新对所确定的AI诊断模型进行训练；最后利用训练好的AI诊断模型对输入的传感器数据进行判别，输出故障原因及其置信度；

步骤五、根据步骤四判断出的故障原因，从设备的故障维修知识图谱中找到与输入故障现象和所述故障原因关联的故障零部件和解决办法实体，展示给用户。

2.根据权利要求1所述的方法，其特征在于，所述的步骤一中，获取的设备故障历史维修记录中记载设备型号、故障现象、发生故障的零部件、故障产生原因、故障解决办法、故障时间和故障具体部位；获取的设备故障维修保养使用手册记载设备零部件之间的连接关系、故障现象、故障产生原因和故障解决办法。

3.根据权利要求1所述的方法，其特征在于，所述的步骤一中，在从电子数据中提取实体以及实关系时，对于结构化数据和半结构化数据，采用基于规则的方法抽取实体和实体关系，对于非结构化数据，采用深度学习模型BiLSTM+CRF抽取实体，采用深度学习模型BiLSTM+自注意力机制抽取实体关系，BiLSTM代表双向长短期记忆网络，CRF代表条件随机场。

4.根据权利要求1所述的方法，其特征在于，所述的步骤三中，更新实体关系的置信度，采用如下方式：

设当前获取的故障日志中的故障现象与N个故障原因A₁,A₂,..A_N关联，故障原因的置信度分别为CD₁,CD₂,..CD_N；当前获取的故障日志中该故障现象的故障原因为A_i，则更新各故障原因的置信度CD_j如下：

其中，δ为预先配置的参数；j＝1,2,…N。