CN117406689A - 一种数据驱动与知识引导的故障诊断方法及系统 - Google Patents

Abstract

设备故障诊断技术是指通过设备运行过程中记录的相关信息来判断其当前状态是否正常，识别故障的性质和位置，定位故障产生原因，并给出相应应对策略。本发明公提出了一种数据驱动与知识引导的故障诊断方法及系统，通过实时采集分析工业设备运行状态数据，采用大数据异常检测方法发现设备异常状态，基于构建的多模态故障知识图谱实现故障源头的快速定位，并开展潜在故障风险预测预警，有助于设备故障的及时检测、快速准确诊断以及预警，提高设备鲁棒性和使用效率，实现企业降本增效。

Description

一种数据驱动与知识引导的故障诊断方法及系统

技术领域

本发明属于设备故障诊断技术领域，具体涉及一种数据驱动与知识引导的故障诊断方法及系统。

背景技术

随着社会信息化的持续发展和科学技术的不断进步，工业设备的生产效率和自动化程度越来越高，工作强度不断增大。同时设备复杂度和精细化程度也越来越高，各组成部分关联更加密切，从而往往会出现故障的连锁反应，即使是潜在的隐患或微小故障也有可能导致整个设备故障甚至产生更大的灾难性破坏，例如环境污染等，后果极其严重。因此，设备故障诊断技术的作用越来越明显，可以早期发现设备已有或将有故障，并能快速定位故障原因、给出处理方案以及预测故障发展趋势，从而大大减少故障发现维修时间，提高维修质量，节约维修成本，进一步提高设备可用性和健壮性。

设备故障诊断技术是指通过设备运行过程中记录的相关信息来判断其当前状态是否正常，识别故障的性质和位置，定位故障产生原因，并给出相应应对策略。随着现代工业设备以及系统的日益大型化和复杂化，其可靠性、可用性、可维护性和安全性问题也随之凸显，从而促进了人们对故障诊断机理及故障诊断技术的研究。当前故障诊断方法主要有专家系统、遗传算法、数据挖掘、人工神经网络、模糊集理论等，但随着设备规模的不断扩大以及故障类型的多样性增多，任何单一故障诊断技术都难以适应现代复杂系统故障诊断的需要。因此，当前迫切需要在已有故障诊断方法的基础上，探索新型智能化故障诊断技术，以提高故障发现、快速诊断以及排故能力，并能提前预测潜在故障风险，满足当前对故障诊断方法及系统的新要求。

鉴于此，亟需一种基于新一代人工智能技术的数据驱动与知识引导的故障诊断方法及系统，实现可靠、可解释的设备故障快速检测、准确诊断以及事前预警，提高设备鲁棒性和使用效率。

发明内容

为克服现有技术中的不足，本发明提出一种数据驱动与知识引导的故障诊断方法及系统，旨在解决现有技术无法充分利用设备相关多源多模态运行状态数据，面对大量故障信息难以快速准确地定位故障源头，以及难以实现故障诊断、预测结果的可靠性和可解释性的问题。

本发明的一种数据驱动与知识引导的故障诊断方法，包括以下步骤：

S10.持续获取设备运行状态数据，实时记录设备多源多模态运行状态信息。

S20.实时分析处理采集记录的设备运行状态数据，挖掘识别异常状态信息，并同步从数据中抽取故障相关知识。

S30.根据异常状态信息，基于多模态故障知识图谱进行故障诊断以及故障预测，分析推理其为故障，隐患或风险，并实现故障源头的精准定位。

S40.基于可视化界面显示故障诊断、预测结果以及诊断依据。

进一步地，所述步骤S10具体包括：设备运行状态来自多个数据源，包括传感器、系统日志和人工输入，数据格式为图像、音频、视频、文本以及结构化记录；针对多源多模态数据，基于多模态数据融合方法，实现多源数据在语义层面上的信息融合关联，从多个维度记录设备实时运行状态。

进一步地，所述步骤S20具体包括：通过实时监测多源多模态时序数据，采用Transformer实现面向时序数据的异常检测，挖掘出多源多模态数据中潜在的异常信息。

进一步地，针对设备组成、故障模式进行本体建模，同时建立设备内部各组成模块之间的依赖或包含关系、与故障模式的对应关系，端口输入输出关系以及各故障模式之间的相互影响关系，并将其与预先构建的故障知识图谱进行子图匹配关联融合，并按需针对当前已有知识图谱进行知识更新操作。

进一步地，所述步骤S30在具体包括：针对检测出的异常信息，基于预先构建的故障知识图谱，开展故障诊断及溯源，实现故障源头的快速定位，并给出解决办法；同时开展故障预测推理，实现设备潜在风险或故障提前预警。

进一步地，基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，通过图计算方法实现面向多点故障的快速溯源，精准定位真正地故障源头，并记录诊断推理依据，确保诊断结果的可靠性和可解释性。已构建的多模态故障知识图谱是一个大型有向图，设备故障模式编码是其中的实体属性。针对N个故障模式编码，首先在故障知识图谱中分别进行路径向上搜索，生成N个对应路径P₁,P₂,......,P_N；然后，针对所述N个路径进行子图匹配，得到M(M≤N)个子图；最后，在所述M个子图中，分别进行根节点搜索，所得K(K≤M)个节点，即为当前N个故障对应的源头故障点。

进一步地，通过认知推理网络进行故障预测推理，基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，结合各故障历史发生概率，通过因果推理方法，预测潜在隐患或风险异常信息，输出其将来可能产生的故障点，并生成分析推理依据，确保推理结果的可靠性和可解释性。认知推理网络是一个有向无环图(Directed Acyclic Graph，DAG)，记为三元组G＝{V,E,F}，其中顶点集V为图中节点的非空集合；边集为图中有向边的集合，每一条边用节点对表示为(x,y)，称x为起点，y为终点；F是关系的集合，每一个关系F(x,y)对应一个节点对(x,y)之间的关系。

进一步地，所述步骤S40具体包括：通过可视化界面显示设备故障现象、原因以及处理方法，针对故障预测推理出的潜在隐患或风险异常信息，显示其将来可能产生的故障点及故障模式，并通过推理链方式可视化展现预测依据。

进一步地，基于设备所属领域故障知识特点，构建故障本体模型，采用自上而下和自下而上相结合的方式，实现故障知识SPO(主谓宾，Subject-Predicate-Object)三元组的自动抽取，持续构建故障知识图谱。故障知识图谱表现为(实体,关系,实体)或(实体,关系,属性)三元组形式，其中图片、音频、视频等多模态信息可以作为单独实体，也可以作为实体属性。基于本体模型，建立设备组成及层次结构与故障模式之间的关联，以及故障模式彼此之间的因果影响关系，同时提供某一故障历史发生概率统计属性(包括故障发生次数、发生概率两个属性)，并通过文本、图像、音频以及视频等多模态信息互为补充实现故障模式语义描述的完整性。对于每个用三元组表示的设备故障关系，有四个基本属性，即共现次数(co-occurrence)、共现概率(probability)、特异度(specificity)、可信度(reliability)。

本发明的一种数据驱动与知识引导的故障诊断系统，能够实现数据驱动与知识引导的故障诊断方法，包括以下部分：

数据采集模块，持续采集记录设备运行状态相关的多源多模态数据。

故障检测模块，实时分析处理采集记录的设备运行状态数据，识别异常状态信息。

知识抽取模块，从关联处理后的数据中提取出故障相关知识，持续更新已构建的多模态故障知识图谱。

故障诊断模块，根据异常状态，基于多模态故障知识图谱进行故障诊断、故障溯源以及故障预测，分析推理其为故障，隐患或风险。

故障展现模块，基于可视化界面展现故障诊断、溯源、预测结果以及可解释性的诊断依据。

本发明的有益效果在于

1.能从海量的设备运行状态数据中，分析挖掘出设备故障模式知识，可以实现故障知识图谱的持续构建与知识更新；同时基于历史数据统计出设备每个组成模块的故障发生概率，从而进一步提升故障诊断与预测准确率。

2.基于多模态知识图谱，进行设备故障诊断与预测，可以从多个维度进行故障事件相关知识的获取并实现统一表征，相比传统知识图谱，该方法可显著提升故障发现时效性和准确性。

3.基于实体和事件融合的多模态知识图谱开展设备故障认知推理，不仅可以显著提升故障诊断与预测时效性和准确性，而且进一步增加了诊断与预测结果的可靠性和可解释性。

附图说明

图1为本发明的故障诊断方法流程图。

图2为本发明的故障诊断系统组成图。

图3为本发明的故障知识图谱本体模型示例图。

图4为本发明的故障预测证据链示例图。

具体实施方式

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明的数据驱动与知识引导的故障诊断方法包括以下步骤：

S10.持续获取设备运行状态数据，实时记录设备多源多模态运行状态信息。

S20.实时分析处理采集记录的设备运行状态数据，挖掘识别异常状态信息。

S30.根据异常状态信息，基于多模态故障知识图谱进行故障诊断以及故障预测，分析推理其为故障，隐患或风险，并实现故障源头的快速精准定位。

S40.基于可视化界面显示故障诊断、预测结果以及诊断依据，实现结果的可靠性和可解释性。

如图2所示，本发明所述数据驱动与知识引导的故障诊断系统包括以下部分：

数据采集模块，持续采集记录设备运行状态相关的多源多模态数据。

故障检测模块，实时分析处理采集记录的设备运行状态数据，识别异常状态信息。

知识抽取模块，从关联处理后的数据中提取出故障相关知识，持续更新已构建的故障知识图谱。

故障诊断模块，根据异常状态，基于故障知识图谱进行故障诊断、故障溯源以及故障预测，分析推理其为故障，隐患或风险。

故障展现模块，基于可视化界面展现故障诊断、溯源、预测结果以及可解释性的诊断依据。

具体地，所述步骤S10在数据采集模块中执行，详细实现过程如下：

实时记录多源多模态设备运行状态信息。设备运行状态可以来自多个数据源，包括传感器、系统日志和人工输入等，数据格式可以是图像、音频、视频、文本以及结构化记录等。针对多源多模态数据，数据采集模块基于多模态数据融合方法，实现多源数据在语义层面上的信息融合关联，从多个维度记录设备实时运行状态。在充分利用多源多模态数据互补性的情况下，实现设备故障现象的多维度立体表示。

针对设备种类的多样性和结构组成的复杂性，每类设备及其组成部分均具有一个唯一的ID编号，以示区分。数据采集模块在实时采集解析设备多源多模态运行状态数据时，通过ID将属于同一设备或组成结构的运行状态信息进行关联处理，然后将关联后的多模态运行状态数据发送至故障检测和知识抽取模块。

具体地，所述步骤S20在故障检测和知识抽取模块中执行，详细实现过程如下：

实时分析处理设备运行状态数据。通过实时监测多源多模态时序数据，采用Transformer实现面向时序数据的异常检测，挖掘出多源多模态数据中潜在地异常信息。某一时刻设备异常状态由多种模态数据描述，通过多模态表示学习与融合，实现同一异常不同模态在语义层面上的统一，并对同一异常表示进行互补性描述，形成异常事件实时抽取能力，并将异常事件转换为故障模式。

从设备运行状态数据中抽取组成结构以及端口输入输出关系，实现知识图谱的知识更新。通过解析数据，从中识别出设备相关的组成结构名称以及上下位关系，形成多个三元组(模块A,依赖,模块B)或(模块A,包含,模块B)；同时从数据中解析出设备内部或设备之间端口输入输出关系，形成端口输入输出关系三元组(端口A,输入,端口B)。针对以上从设备运行状态数据中抽取出的三元组，将其与已构建的故障知识图谱进行子图匹配关联融合，并按需针对当前已有知识图谱进行知识更新操作。

具体地，所述步骤S20中的知识抽取操作基于事先设计的本体模型进行，该本体模型的详细实现过程如下：

结合设备所述领域特点，针对设备组成、故障模式进行本体建模，同时建立设备内部各组成模块之间的依赖或包含关系、与故障模式的对应关系，端口输入输出关系以及各故障模式之间的相互影响关系。所述本体模型示例如图3所示。特别地，针对每种类型的故障增加故障发生次数、发生概率两个属性，定义如下：

发生次数：N(F_i)，表示故障F_i的出现次数。

发生概率：其中，F表示故障集合，|F|表示故障总数。

对于每个用三元组表示的设备故障关系，有四个基本属性，即共现次数(co-occurrence)、共现概率(probability)、特异度(specificity)、可信度(reliability)。共现次数N(S_i,O_ij)代表在给定关系R的前提下，主语实体S_i与宾语实体O_ij共同出现的故障次数。

共现概率用于衡量给定主语实体的前提下宾语实体发生的概率，公式定义为：

特异度表示宾语实体O_ij与主语实体S_i的共现概率在O_ij与所有主语实体S的共现概率中的占比，即：

且

其中，i＝1,2,…,|S|；j＝1,2,…,J_i，且J_i为给定关系R的前提下与S_i相关的宾语实体的个数。

相对于原始的共现概率，特异度使用了概率值的相对值，能够捕捉到宾语实体相对于主语实体的重要性。

可信度用于衡量S_i和O_ij关系的可信程度，定义为：

其中，是最小共现次数(例如取值10)，C是基础信任值(例如取值1)。该定义表示共现次数N(S_i,O_ij)越高可信度越高，然而，当两个不同关系的共现次数都比较大时可信度不应该有较大差别。

一个故障可能具有多种现象，并且通常也会对应于多种解决方法。因此，为了更好地定位故障问题，可以对主题相关的实体进行排序。

通常利用TF/IDF作为给定关系R的前提下(S_i,O_ij)的排序函数，即：

TFIDF(S_i,O_ij)＝TF(S_i,O_ij)×IDF(O_ij)，

其中对于全部的i和j，即S_ij是和O_ij相关的主语实体的集合。

在故障诊断领域，当提到两个实体之间的关系强度时，将同时考虑共现概率和特异度。由于两个值都是基于统计的，因此还需要考虑这些值的可靠性，从而需要一个新的打分函数PSR，具体定义为：

PSR(S_i,O_ij)＝P(S_i,O_ij)×Speci(S_i,O_ij)×reliability(S_i,O_ij)

PSR函数用于在给定主语实体的前提下对相关宾语实体进行排序和抽取。

对于排查项的检验结果异常与故障的关系，需要对PSR函数进行如下优化，即：

PSR(S_i,O_ij)＝P(S_i,O_ij)×RAR(S_i,O_ij)，其中

N_abn(S_i,O_ij)代表S_i和O_ij

共同出现且O_ij排查结果异常的故障次数。需要注意：

(1)AR(S_i,O_ij)表示排查项O_ij相对于故障S_i的异常率。

(2)表示排查项O_ij相对于故障S_i之外的其它全部故障的异常率。

(3)RAR(S_i,O_ij)代表上述两个数值的比值，比值越高，排查项O_ij相对于故障S_i的诊断就越重要。

其中，或者/>可能为0。

每种故障的发生次数、发生概率取值均采用数据驱动方式，从积累的历史数据中统计所得出。

具体地，所述步骤S30在故障诊断模块中执行，详细实现过程如下：

根据设备异常状态信息进行故障溯源及预测推理。针对检测出的异常信息，基于预先构建的多模态故障知识图谱，开展故障诊断及溯源，实现故障源头的快速定位，并给出解决办法；同时开展故障预测推理，实现设备潜在风险或故障提前预警。

通过图计算方式实现故障溯源。已构建的故障知识图谱是一个大型有向图，设备故障模式编码是其中的实体属性。针对N个故障模式编码，首先在故障知识图谱中分别进行路径向上搜索，生成N个对应路径P₁,P₂,......,P_N；然后，针对所述N个路径进行子图匹配，得到M(M≤N)个子图；最后，在所述M个子图中，分别进行根节点搜索，所得K(K≤M)个节点，即为当前N个故障对应的源头故障点。

通过认知推理网络进行故障预测推理。认知推理网络是一个有向无环图(Directed Acyclic Graph，DAG)，记为三元组G＝{V,E,F}，其中顶点集V为图中节点的非空集合；边集为图中有向边的集合，每一条边用节点对表示为(x,y)，称x为起点，y为终点；F是关系的集合，每一个关系F(x,y)对应一个节点对(x,y)之间的关系。

推理网络的节点包括推理结果R_r、子特征分类器结果R₁～R_n、R₁～R_n的相关参数、规则库K及K的相关参数，它们是集合V的组成元素。其中，子特征分类器结果R_i的相关参数，包括子特征分类器C_i观察R_i的概率值P_i，其在验证集上的灵敏度(sensitivity)M_i和特异度(specificity)Y_i；规则库K的相关参数是人为对K可靠性的评估值K_r，它的取值区间为[0,1]。认知推理网络G通过知识图谱KG表示，采用自顶向下的方法创建该知识图谱：

(1)将推理结果R_r与子特征分类器结果R₁～R_n之间分别建立三元组<R_r,F(R_r,R_i),R_i>,i＝1,...,n。

(2)将R_r与基于的规则库K之间建立三元组<R_r,F(R_i,Y_i),Y_i>。

(3)将子特征分类器结果R_i与它的相关参数之间分别建立三元组，即：<R_i,F(R_i,P_i),P_i>，<R_i,F(R_i,M_i),M_i>，<R_i,F(R_i,Y_i),Y_i>。

(4)将规则库K与它的可靠性评估值K_r之间建立三元组<K,F(K,K_r),K_r>。

表示设备故障预测证据链G的知识图谱KG结构如图4所示，其中存储了推理得到R_r过程中一些重要的参数值。

具体地，所述步骤S40在故障展现模块中执行，详细实现过程如下：

可视化展现故障诊断及预测结果。通过可视化展现界面，显示设备故障现象、原因以及处理方法等信息，并通过推理链方式可视化展现诊断推理依据；针对故障预测推理出的潜在隐患或风险异常信息，显示其将来可能产生的故障点及故障模式，并通过推理链方式可视化展现预测依据。

使用DS证据理论来计算推理结果可信度T_Rr。DS证据理论是一种不精确推理理论，被广泛应用于证据(数据)合成方面。DS证据理论首先设辨识框架θ，它包含了所有假设；然后为每一个假设分配概率，分配函数称为Mass函数；最后基于Dempster规则融合结果，即：

其中，为归一化系数。

首先计算每个结果的灵敏度M_i和特异度Y_i参数值。假设真阳性数量为TP，假阳性数量为FP，真阴性数量为TN，假阴性数量为FN，灵敏度M和特异度Y的计算公式如下：即灵敏度为正确判断阳性的概率，而特异度为正确判断阴性的概率。然后，对/>进行计算，如下：

(1)定义映射函数来表示每个R_i与其相关参数之间的映射关系，即：P_i＝m₁(R_i)，M_i＝m₂(R_i)，Y_i＝m₃(R_i)。

(2)求归一化系统S：其中，n为R_i的个数。

(3)融合子特征分类结果R₁～R_n的参数，计算机器学习部分的可信度T_e：

其中，为R_i对应子特征f_i的权重；

(4)融合机器学习部分的可信度T_e、规则库K的评估值K_r，计算可信度

本发明不局限于上述具体的实施方式，本发明可以有各种更改和变化。凡是依据本发明的技术实质对以上实施方式所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围。

Claims (10)

1.一种数据驱动与知识引导的故障诊断方法，其特征在于：包括以下步骤：

S10.持续获取设备运行状态数据，实时记录设备多源多模态运行状态信息；

S20.实时分析处理采集记录的设备运行状态数据，挖掘识别异常状态信息，并同步从数据中抽取故障相关知识；

S30.根据异常状态信息，基于多模态故障知识图谱进行故障诊断以及故障预测，分析推理其为故障，隐患或风险，并实现故障源头的精准定位；

S40.基于可视化界面显示故障诊断、预测结果以及诊断依据。

2.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤S10具体包括：设备运行状态来自多个数据源，包括传感器、系统日志和人工输入，数据格式为图像、音频、视频、文本以及结构化记录；针对多源多模态数据，基于多模态数据融合方法，实现多源数据在语义层面上的信息融合关联，从多个维度记录设备实时运行状态。

3.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤S20具体包括：通过实时监测多源多模态时序数据，采用Transformer实现面向时序数据的异常检测，挖掘出多源多模态数据中潜在的异常信息。

4.根据权利要求3所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：针对设备组成、故障模式进行本体建模，同时建立设备内部各组成模块之间的依赖或包含关系、与故障模式的对应关系，端口输入输出关系以及各故障模式之间的相互影响关系，并将其与预先构建的故障知识图谱进行子图匹配关联融合，并按需针对当前已有知识图谱进行知识更新操作。

5.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤S30在具体包括：针对检测出的异常信息，基于预先构建的故障知识图谱，开展故障诊断及溯源，实现故障源头的快速定位，并给出解决办法；同时开展故障预测推理，实现设备潜在风险或故障提前预警。

6.根据权利要求5所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，通过图计算方法实现面向多点故障的快速溯源，精准定位真正地故障源头，并记录诊断推理依据，确保诊断结果的可靠性和可解释性。

7.根据权利要求5所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：通过认知推理网络进行故障预测推理，基于预先构建的多模态故障知识图谱，针对出现的若干故障点信息，结合各故障历史发生概率，通过因果推理方法，预测潜在隐患或风险异常信息，输出其将来可能产生的故障点，并生成分析推理依据，确保推理结果的可靠性和可解释性。

8.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：所述步骤S40具体包括：通过可视化界面显示设备故障现象、原因以及处理方法，针对故障预测推理出的潜在隐患或风险异常信息，显示其将来可能产生的故障点及故障模式，并通过推理链方式可视化展现预测依据。

9.根据权利要求1所述的一种数据驱动与知识引导的故障诊断方法，其特征在于：构建所述多模态故障知识图谱具体为：基于设备所属领域故障知识特点，构建故障本体模型，采用自上而下和自下而上相结合的方式，实现故障知识SPO三元组的自动抽取，持续构建故障知识图谱，故障知识图谱表现为(实体,关系,实体)或(实体,关系,属性)三元组形式；基于故障本体模型，建立设备组成及层次结构与故障模式之间的关联，以及故障模式彼此之间的因果影响关系，同时提供某一故障历史发生概率统计属性，并通过多模态信息互为补充实现故障模式语义描述的完整性。

10.一种数据驱动与知识引导的故障诊断系统，其特征在于：实现权利要求1至9任一项所述的数据驱动与知识引导的故障诊断方法，包括以下部分：

数据采集模块，持续采集记录设备运行状态相关的多源多模态数据；

故障检测模块，实时分析处理采集记录的设备运行状态数据，识别异常状态信息；

知识抽取模块，从关联处理后的数据中提取出故障相关知识，持续更新已构建的多模态故障知识图谱；

故障诊断模块，根据异常状态，基于多模态故障知识图谱进行故障诊断、故障溯源以及故障预测，分析推理其为故障，隐患或风险；

故障展现模块，基于可视化界面展现故障诊断、溯源、预测结果以及可解释性的诊断依据。