一种基于知识图谱的设备故障诊断系统的制作方法

本发明涉及知识图谱，更具体地说，本发明涉及一种基于知识图谱的设备故障诊断系统。

背景技术：

1、随着科技的发展，各种设备在生产和生活中的作用越来越大，设备的正常运行对于生产效率和生活质量有着重要影响。

2、基于知识图谱的设备故障诊断系统的优点主要体现在提升故障诊断的准确性和效率，将设备故障相关的知识和数据进行整合，形成一个结构化的知识图谱，从而可以有效地对设备故障进行更加准确和高效的诊断。

3、然而，这种系统同样也存在一些缺点，例如，构建知识图谱的过程需要大量的人工投入，增加了系统的开发和维护成本；无法全面考虑不同故障类型之间的关联和交互，从而造成构建过程耗费时间长，系统响应慢；由于设备故障类型的多样性和复杂性，知识图谱的更新和维护工作相当繁重，而知识图谱的表达方式可能无法充分捕捉到某些复杂故障模式，导致系统在诊断这些情况下效果不佳。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供一种基于知识图谱的设备故障诊断系统，通过分类模块使用文本分类算法对故障样本进行初步分类，并计算故障综合指数，然后进行二次分类得到特定故障模式类别的故障样本数据，能够更准确地识别和归类不同类型的故障；通过知识图谱构建模块，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱，实现知识图谱的快速构建；通过数据处理模块，引入边缘计算处理单元可以将知识图谱与实时监测数据进行关联和分析，减少响应时间和网络延迟，并能够在边缘设备上进行故障诊断和决策，提高了系统的实时性和响应能力；通过多级分类和基于特定故障模式的知识图谱构建，能够更准确地表示不同故障模式的知识，并提供更精确的故障诊断和决策，有助于提高故障诊断的准确性和可靠性，并能够更及时地识别故障位置、提供解决方案，从而提高设备的维护和运行效率，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于知识图谱的设备故障诊断系统，包括：

3、数据采集模块：用于收集设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据；所述实时监测数据具体是指通过传感器实时采集的设备运行参数、设备环境参数和设备各个部位的实时图像；

4、数据预处理模块：用于对收集的设备维修记录、设备故障原因、故障描述信息、故障解决方案、故障部位图像，以及实时监测数据进行预处理操作；

5、分类模块：用于使用文本分类算法将待分类的故障样本进行初步分类，计算故障样本的故障综合指数，并依据故障综合指数，将故障样本进行二次分类得到若干个特定故障模式类别的故障样本数据；其中特定故障模式类别的故障样本数据，是指在进行故障分类后，属于同一故障模式类别的故障样本的数据集合；

6、知识图谱构建模块：用于接收分类模块传输的若干个特定故障模式类别的故障样本数据，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱；

7、数据处理模块包括云计算处理单元和边缘计算处理单元，所述云计算处理单元用于在云端进行知识图谱的查询、更新和维护任务，提供与其他系统的接口和集成；所述边缘计算处理单元用于在边缘设备上将知识图谱与实时监测数据进行关联和分析，进行故障诊断和决策；

8、故障显示模块：用于在前端页面显示故障原因、故障位置和决策结果，并基于决策结果采取相应的措施。

9、在一个优选的实施方式中，所述分类模块的具体分类过程为：

10、a1、使用文本分类算法来判断待分类的故障样本所属的领域、设备类型和故障部位，将数据进行初步分类；

11、a2、针对每个类别下的故障样本，从设备维修记录中获取故障所涉及的设备部件数量、维修时长、维修成本、影响范围，以及故障发生的概率；从故障原因中获取故障产生的根本原因的种类数量；从故障解决方案中获取故障解决方案的复杂度；

12、a3、根据获取的数据计算每个类别下的故障样本的故障复杂度系数、故障处理难度系数和故障频发程度系数；

13、a4、根据故障复杂度系数fzd、故障处理难度系数nx和故障频发程度系数pfc，计算故障样本的故障综合指数gq；

14、a5、使用聚类算法将每个类别下的故障样本的故障综合指数进行聚类分析，实现对故障进行二次分类，根据聚类结果将故障样本划分为不同簇，每个簇代表一类特定故障模式。

15、在一个优选的实施方式中，所述将数据进行初步分类的处理过程如下：

16、a11、准备标注好的训练数据集，其中训练数据集中包含已经分类好的故障样本，已经分类好的故障样本所属的领域、设备类型和故障部位；其中已经分类好的故障样本可以由领域专家或者相关人员进行标注；

17、a12、使用tf-idf方法对训练数据集进行特征提取和表示，将文本转化为数值特征；

18、a13、使用朴素贝叶斯文本分类算法，通过训练数据集进行分类模型训练；

19、a14、将待分类的故障样本进行文本预处理，同样采用tf-idf方法提取相应的文本特征；

20、a15、使用训练好的分类模型，对提取到的文本特征进行分类预测，确定故障所属的领域、设备类型和故障部位。

21、在一个优选的实施方式中，所述故障复杂度系数fzd的计算公式为：其中bm表示故障所涉及的设备部件数量bm、gm表示故障产生的根本原因的种类数量，α表示权重因子；

22、所述故障处理难度系数nx的计算公式为：

23、其中wh、wc分别表示故障所涉及的维修时长、维修成本，fz表示故障解决方案的复杂度，β表示权重因子，κ表示调整因子；

24、所述故障频发程度系数pfc的计算公式为：pfc＝γ×(eyx+lnbf)，其中yx表示故障所涉及的影响范围，bf表示故障发生的概率，γ表示权重因子。

25、在一个优选的实施方式中，所述故障样本的故障综合指数的计算公式为：gq＝fzd×x1+nx×x2+pfc×x3，其中fzd表示故障复杂度系数，nx表示故障处理难度系数，pfc表示故障频发程度系数，x1、x2、x3分别表示各项的比例系数。

26、在一个优选的实施方式中，所述知识图谱构建模块的具体构建过程为：

27、b1、计算每个特定故障模式类别的故障样本数据的平均故障综合指数pgq，其中gqi表示第i个故障样本的故障综合指数，n表示故障样本的数量；

28、b2、将平均故障综合指数pgq，和预先设定的平均故障综合指数阈值pgq阈进行判断对比，若pgq≥pgq阈，则将该特定故障模式类别的故障样本数据传输至云端，进行知识图谱的构建；若pgq<pgq阈，则将该特定故障模式类别的故障样本数据传输至边缘设备，进行知识图谱的构建。

29、在一个优选的实施方式中，所述边缘计算处理单元的具体处理过程为：

30、c1、将数据预处理模块传输的实时监测数据，映射到知识图谱中的实体和属性；

31、c2、将映射后的数据，通过匹配数据的特征和属性与知识图谱中的实体和关系进行比较，从而实现关联；所述通过匹配数据的特征和属性，具体是指根据数据的特征和属性与故障模式的相似性，判断当前发生的故障是否与某个故障模式相匹配；

32、c3、基于知识图谱和关联的数据，使用机器学习算法进行分析和推理；

33、c4、根据故障模式的匹配和推理结果，确定故障原因并生成相应的决策。

34、本发明的技术效果和优点：

35、本发明通过数据采集模块采集多维度数据，提高了诊断的准确性和可靠性；通过数据预处理模块对数据进行预处理，提高了数据质量和准确性，为后续的故障分类和知识图谱构建提供了可靠的基础；通过分类模块使用文本分类算法对故障样本进行初步分类，并计算故障综合指数，然后进行二次分类得到特定故障模式类别的故障样本数据，能够更准确地识别和归类不同类型的故障；通过知识图谱构建模块，针对每个特定故障模式，计算故障样本数据的平均故障综合指数，将其和预先设定的平均故障综合指数阈值进行判断对比，根据判断结果分别在云端和边缘设备构建独立的知识图谱，实现知识图谱的快速构建；通过数据处理模块，引入边缘计算处理单元可以将知识图谱与实时监测数据进行关联和分析，减少响应时间和网络延迟，并能够在边缘设备上进行故障诊断和决策，提高了系统的实时性和响应能力；通过故障显示模块在前端页面显示故障原因、故障位置和决策结果，并基于决策结果采取相应的措施；通过多级分类和基于特定故障模式的知识图谱构建，能够更准确地表示不同故障模式的知识，并提供更精确的故障诊断和决策，有助于提高故障诊断的准确性和可靠性，并能够更及时地识别故障位置、提供解决方案，从而提高设备的维护和运行效率。