[发明专利]一种基于知识图谱的工业设备故障诊断方法

说明书

本发明提供了一种基于知识图谱的工业设备故障诊断方法，属于工业设备故障诊断技术领域。本发明包括：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故障设备、故障现象、原因和解决办法等实体及实体间关系，构建三元组数据；对三元组数据合并和删除后，根据设备零部件间的物理连接关系及实体间关系构建设备的故障维修知识图谱；根据新故障的日志更新实体及实体关系；根据输入的故障现象、采集的传感器数据，利用图谱及AI深度学习分类判别模型综合判断故障原因，并输出关联的实体信息。本发明实现对设备故障诊断的辅助分析，提高了工业设备故障诊断的准确率和效率，并减少了工作人员频繁重复的故障分析工作。

技术领域

本发明属于工业设备故障诊断技术领域，具体涉及一种基于知识图谱的工业设备故障诊断方法。

背景技术

随着经济与科技的快速发展，我国工业领域机械化程度越来越高，大型机器已经成为工业生产中的关键设备，一旦机器设备发生故障，就可能导致整个生产过程的停机，给工厂造成巨大的经济损失。因此在设备的运行过程中，确定其整体或局部正常或异常，早期发现故障及其原因，及时快速的对机器设备出现的故障进行故障诊断，分析故障产生的原因并进行修复，对现代工业具有重要意义。

目前工厂中机器设备的故障预测与健康管理主要依靠专家多年的机器维修经验，通过对机器各方面进行检测，找到机器故障的原因并进行修复。这种依靠专家经验的检测方法需要消耗大量的人力和时间，建立一套智能化的机器故障诊断辅助分析工具，既可以减少频繁重复的分析检测工作，还可以更准确、全面的诊断分析机器故障的部位和产生故障的原因，对于工业设备的故障诊断具有重要的意义。目前大多数工厂对机器设备的维修记录都有详细的文本记录数据，从已经发生过的设备故障现象与原因记录中吸取经验可以提高故障诊断与原因分析的效率与准确性。但这些文本数据众多、记录人员对故障原因与现象描述并不统一，直接使用这些记录进行分析很难实现。因此如何能够有效的借鉴设备故障历史维修记录与原因分析，快速实现对设备的故障诊断，是提升工厂生产效率的一个关键性问题。

知识图谱的概念由Google公司在2012年提出，最初的目的是用于提升搜索引擎性能、丰富搜索内容的知识库。知识图谱的出现是人工智能对知识需求所导致的必然结果，但其发展又得益于很多其他的研究领域，涉及专家系统、语言学、语义网、数据库，以及信息抽取等众多领域，是交叉融合的产物而非一脉相承。知识图谱本质上是语义网络，是一种基于图的数据结构，由节点和边组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。知识图谱就是把所有不同类型的信息连接在一起而得到的一个关系网络，它提供了从“关系”的角度去分析问题的能力。

现有技术中利用知识图谱和自然语言处理技术研究和设计了面向特定领域的设备故障诊断辅助决策构建方法，实现了基于知识图谱的故障告警信息解析判别和智能辅助决策，为设备监控人员对故障快速处理提供了参考。现有设备故障诊断方案分为两大类。第一种方案先构建设备故障现象、故障类型和内在原因等关联因素的知识图谱，然后利用实际运行中设备故障现象的描述去故障知识图谱中进行搜索匹配，从而辅助进行故障类型诊断。如参考文献1(赵倩.数控设备故障知识图谱的构建与应用[J].航空制造技术,2020,063(003):96-102.)公开的一种数控设备故障知识图谱的构建与应用。第二种方案利用设备自带的状态数据、现装和后装的各种传感器数据和带标记的故障类型进行机器学习模型训练，通过分类等方法确定设备可能潜在的故障类型。这两种方案各有自己的优缺点，第一种方案能够直观展示故障类型、故障现象和设备部件之前的潜在关系，所以能快捷的进行故障判断，但是精确性不高。第二种方法准确性高，但是可解释性差，对设备各种状态数据的要求高，前期需要有大量的数据积累，需要频繁重复的故障分析工作。

发明内容

本发明的目的是提供一种基于知识图谱的工业设备故障诊断方法，将实际中设备故障现象和设备传感器参数结合用于辅助诊断和判断故障，以解决目前工业设备故障诊断中的故障诊断精确度不高、对设备状态数据要求高、需要频繁重复的故障分析工作等问题。