CN113723632B 一种基于知识图谱的工业设备故障诊断方法 （北京邮电大学）

102.一种基于知识图谱的工业设备故障诊断方法本发明提供了一种基于知识图谱的工业设备故障维修保养使用手册的电子数据中抽取故2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-关步骤三、根据知识库中的三元组构建设备的故障维修所述故障原因的判断方法为：先将输入的传感器数据通过AI诊断模型进行故障原对应的候选故障原因实体关联的故障现象进行语义相似度计算，筛选出超过设定阈值2的的传感器数据计算余弦相似度，并按照余弦相似度大小输出故障原因及故障原因的置信步骤五、根据步骤四判断出的故障原因，从设备的故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3度分别为CD1,CD2,..CDN；当原因判断：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4[0003]目前工厂中机器设备的故障预测与健康管理主要依靠专[0005]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5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；原因实体关联的故障现象进行语义相似度计算，筛选出超过设定阈值2的故障原因；进一6[0019](1)本发明方法不单纯依赖于故障现象对应的经验模型或传感器数据对应的AI模[0020](2)本发明方法可以有效地利用工业设备故障历史维修记录、设备维修保养使用[0021](3)本发明方法能够随时间根据设备故障维修事件不断更新设备故障维修知识图[0022]图1是本发明提供的基于知识图谱的工业设备故障诊断方法的第一个实现流程7养数据都会以电子版的形式存在工厂的电脑服务器中。历史维修记录的数据包括但不限8识图谱中的实体，使用基于规则的方法和基于深度学习的方法从步骤1的文本数据中抽取的方法从结构数据和半结构数据中抽取故障诊断相关的多个实体和实体之间的关系并存的实体和实体之间的关系进行提取，使用包括命名实体识别和实体关系抽取两种关键算抽取实体使用的方法则是近几年来较为流行的深度学习BiLSTM+CRF模型，BiLSTM(双向长短期记忆网络)模型结构可以更好的理解一段语言文本中的上下文之间的联系并保持长期9单词的联系通过一个计算步骤直接联系起来，所以远距离依赖特征之间的距离被极大缩[0039]深度学习的方案相比较于传统的机器学习方法改进之处在于能够通过复杂的神经网络结构来学习数据的特征，并且可以由低层次至高层次自动地学习特征的层次结构，[0041]本发明使用word2vector算法计算抽取出的故障现象实体、故障原因实体之间的将文本数据中的实体与知识图谱中的实体进行链接，实体链接方法使用句子相似度计算。[0044]步骤4、根据多个所述实体和多个所述实体之间的实体关系构建设备维修知识图[0045]将经过步骤3实体相似度计算合并之后的三元组数据存入图数据库中，将实体作[0047]Neo4J图数据库能将实体和关系通过图形的方式显示出来。它支持事务操作，展，可以减少负载增大给数据库带来的压力。单个Neo4j实例可以存储几十亿个结点及关对故障现象文本与知识图谱中的故障现象实体关联分析以及对于设备传感器参数的AI深[0058]由历史设备故障传感器参数训练得到的AI深度学习分类判别模型的构建方法之理并采用支持向量机SVM进行训练获得判类型所关联的故障现象，将输入的故障现象与关联的故障现象进行文本语义相似度比较，能概率值。这种模型可以在保证准确度损失较少的情况下有效的提高判别模型的运行速备故障传感器参数训练得到的AI深度学习分类判别模型中得到候选的可能概率值较大的将混淆矩阵作为计算各分类器识别能力的依据。根据SVM的后验概率和分类器的局部可信数据输入AI模型n输出的第m类故障的概率为pn,m，根据历史数据统计可以得到每个AI模型