[发明专利]火电装备语义知识库、构建方法及零样本故障诊断方法

说明书

本发明公开了一种火电装备语义知识库、构建方法及零样本故障诊断方法。本发明从火力发电过程总结的含有专家知识的故障诊断案例文本中提取故障的属性信息，编码为属性向量，结合案例对应的数据训练属性判别器，从而建立数据与故障案例属性间的映射，建一个“数据—属性—属性判别器”三元语义知识库，并以此解决高端火电装备的零样本故障诊断问题。本发明创新性地将专家知识和数据驱动的方法相结合，当新的故障发生时，应用属性判别器判断其属性，并编码为属性向量，从而基于故障模式之间共享的属性来确定故障模式，实现故障间知识的迁移与共享。本发明对于没有训练数据的故障有较好的诊断效果，很好地解决了高端火电装备中遇到的零样本故障诊断问题。

技术领域

本发明属于火电装备故障诊断领域，尤其涉及火电装备语义知识库、构建方法及零样本故障诊断方法。

背景技术

随着我国经济的飞速发展，社会对于电力的需求日益增长，成为了我国国民经济中的支柱产业。未来二三十年，将是能源生产消费方式和能源结构调整变革的关键时期。但由于我国煤炭资源丰富，因此煤炭能源仍然是我国目前最主要的电力来源。据统计，截至2016年底，煤炭在我国一次能源消费结构中仍占60％以上。并且在较长时间内，我国以煤炭为主的生产现状不会发生改变。近年来,为了实现电力的可持续发展，火力发电行业积极开展结构调整,“上大压小”，以大容量、高参数、低能耗的超临界和超(超)临界机组取代高能耗小火电机组，基本形成了以超超临界机组为主体的电力能源结构。百万千瓦超超临界机组已经成为我国电力工业发展的代表性机组和主流方向。与常规火力发电装备相比较,百万千瓦超超临界机组具有许多特殊性,如单机容量大、热力参数高、系统规模庞大、参数耦合严重、非线性程度高、参数波动要求严格、安全可靠性要求高等，机组出现性能退化甚至故障是不可避免的，运行过程一旦发生重大故障将造成机组非停。因此对高端火电装备建立准确的故障诊断模型是十分必要的。

由于近些年故障诊断理论的发展和算力的提升，数据驱动的故障诊断方法被广泛地应用于故障诊断领域，建立基于数据的故障诊断模型而不依赖于任何复杂的领域知识，因而具有更强的泛化性。但以上方法非常依赖数据来进行建模，但在实际的工业生产过程中，故障模式的数据十分稀缺且难以获取，且具有明显的长尾分布特性，即少量的故障出现频次较高可以累积一些数据，而很多故障出现的频次很低甚至没有出现，没有其相应的训练数据。这限制了传统的数据驱动方法在实际过程中的应用。

在电厂生产过程中，往往积累了大量的包含专家知识的故障案例文本，然而当前这些具有“专家知识”的非结构化文本信息并没有得到充分地利用。因此一个切实可行的方法是将文本中关于各个故障模式的特征、属性由人工标注出来并将其向量化表示，建立从数据到属性之间的映射，使用故障属性而不是故障数据来确定故障类别。基于专家知识定义的属性可以被各个故障模式间共享，因此模型对于当前没有训练数据的故障模式也有很好的识别能力。

发明内容

本发明的目的在于针对现有火力发电故障诊断技术的不足，提供一种火电装备语义知识库、构建方法及零样本故障诊断方法。本发明根据火电厂生产过程中产生的专家知识文本提取故障模式的属性信息，建立一个高端火电装备的工业语义知识库。该方法利用已有数据的故障模式和语义知识库进行建模，创新性地通过“数据—属性—属性判别器”三元语义知识库将专家知识和数据驱动的方法相结合，将语义属性作为中介，基于故障模式之间共享的属性，获取故障数据与各个故障属性之间的映射关系，来获取对于没有训练数据的故障模式的识别能力，具有很好的可迁移性。

本发明的目的通过以下技术方案实现：

一种火电装备语义知识库构建方法，包括以下步骤：

收集原始故障案例，所述原始故障案例包括在高端火电装备工业历史运行中出现过和未在历史运行中出现过的故障案例，针对其中在历史运行中出现过的故障案例，每个故障案例采集若干对应的历史运行过程数据样本组成训练集。

对每个故障案例进行属性标注，每种属性的标注结果组成每个故障案例的属性语义向量，汇总所有故障案例的属性语义向量，得到火电装备语义知识库。