结合知识图谱的双视角工业故障诊断方法及系统
本技术属于诊断领域,尤其涉及一种结合知识图谱的双视角工业故障诊断方法及系统。
背景技术:
1、工业设备内部包含了成百上千个相互关联的组件,并配备了大量的传感器以实时监测所述工业设备的运行状态,从而产生了海量的时序监测数据。如何利用这些高维的时序数据,并结合设备固有的物理结构与专家知识,实现快速且可解释的故障诊断,已成为保障工业生产安全、提高设备可靠性、降低运维成本的关键挑战。传统的故障诊断方法依赖于机理模型或专家系统,前者建模难度大且无法适应复杂工况,后者则存在知识库构建困难、维护成本高、泛化能力差等问题。而单纯基于深度学习的数据驱动方法,如循环神经网络或卷积神经网络,虽然在从时序数据中提取故障特征方面表现出色,但模型决策过程不透明无法融入设备拓扑结构、故障传导路径等先验的结构化知识,导致诊断结果不具备可解释性。
2、知识图谱能够以“实体-关系-实体”的三元组形式,建模工业设备组件、故障模式及设备组件和故障模式之间的物理连接、因果关联等复杂结构化知识。在此基础上,结合图神经网络进行表示学习,能够自动学习知识图谱中实体与关系的低维向量表示,从而检测深层次的结构与语义信息。在消息传递与节点更新过程中,现有模型大多采用共享的参数或简化的聚合方式来处理不同类型的关系,未顾及不同关系所具有的独特语义与影响权重,这种同质化的处理方式会导致信息损失,无法精确建模异构关系下的故障传播机制。现有方法通常将静态的知识图谱构建与动态的时序数据处理相割裂,图谱的嵌入向量一旦训练完成便趋于固定,无法与设备实时的运行状态深度耦合,导致诊断模型对变化的工况敏感度不足,诊断的实时性与准确性受限。因此,亟需一种能够融合实时监测数据,并能对知识图谱中异构关系进行差异化建模的故障诊断新方法。
技术实现思路
1、本发明提出一种结合知识图谱的双视角工业故障诊断方法,用于解决现有故障诊断方法无法融合实时监测数据,且不能对知识图谱中异构关系进行差异化建模的问题,包括以下步骤:
2、获取工业设备在预设时间窗口内的时序监测数据、以及包含设备拓扑与故障机理的结构化数据;构建以设备组件为实体、以拓扑与故障机理为关系的知识图谱;并利用一维卷积网络和门控循环单元处理所述时序监测数据,提取表示各设备组件在所述时间窗口内运行状态的时序动态向量,将所述时序动态向量作为知识图谱中对应实体节点的初始特征;
3、在聚合更新节点特征时,对知识图谱中的每一三元组,由超网络为三元组生成投影矩阵与门控权重;利用投影矩阵对关系的嵌入向量进行变换,并利用所述门控权重调节从头实体向尾实体传递的消息强度,更新节点的嵌入向量;通过优化用于评估三元组成立可能性的评分函数训练整个模型,从而获得与设备实时运行状态相耦合的实体与关系嵌入向量;
4、通过持续监测各设备组件的时序动态向量识别状态异常的组件;将识别出的异常设备组件实体作为起始节点,将预定义的故障类型实体作为目标节点集合,在嵌入向量空间中,以上述评分函数为路径评估标准执行束搜索,寻找从起始节点到任一目标节点的最优路径;将所述最优路径的终点实体作为故障诊断结果,并将所述路径作为故障传导的解释。
5、可选地,所述利用一维卷积网络和门控循环单元处理所述时序监测数据,提取表示各设备组件在所述时间窗口内运行状态的时序动态向量,将所述时序动态向量作为知识图谱中对应实体节点的初始特征,包括:
6、将时间窗口内长度为t、特征维度为f的时序监测数据表示为矩阵;
7、将所述矩阵输入至一个包含64个卷积核、核尺寸为3的一维卷积层,并应用修正线性单元激活函数;
8、将一维卷积层的输出传递给一个具有128个隐藏单元的门控循环单元层;
9、取所述门控循环单元在最后一个时间步的隐藏状态输出,作为维度为128的时序动态向量。
10、可选地,所述由超网络为三元组生成投影矩阵与门控权重,包括:
11、将头实体、关系实体与尾实体的d维嵌入向量沿特征维度进行拼接,得到一个3d维的输入向量;
12、将所述3d维输入向量输入至一个双层全连接神经网络构成的超网络,其中隐藏层维度为4d,输出层分为两个分支;
13、第一分支输出一个d×d的向量,并将所述向量重塑为d行d列的投影矩阵;
14、第二分支输出一个标量值,并通过sigmoid激活函数将所述标量值映射到0至1区间,作为门控权重。
15、可选地,所述利用投影矩阵对关系的嵌入向量进行变换,包括:
16、在处理三元组时,从超网络获取对所述三元组的d行d列投影矩阵;
17、将关系的d维嵌入向量与所述投影矩阵进行矩阵-向量乘法运算,得到变换后的关系向量。
18、可选地,所述利用所述门控权重调节从头实体向尾实体传递的消息强度,更新节点的嵌入向量,包括:
19、通过对头实体嵌入向量和变换后的关系向量应用预设的消息函数,计算从头实体经由关系到尾实体的消息向量;
20、从超网络获取对所述三元组的门控权重;
21、将消息向量与门控权重进行标量乘法,得到加权后的消息向量;
22、在聚合邻居节点信息时,使用加权后的消息向量更新尾实体的节点嵌入向量。
23、可选地,所述通过优化用于评估三元组成立可能性的评分函数训练整个模型,从而获得与设备实时运行状态相耦合的实体与关系嵌入向量,包括:
24、采用transe模型结合指数函数作为评分函数,评分为头实体嵌入向量与变换后的关系嵌入向量之和减去尾实体嵌入向量所得差向量的范数的负指数;
25、采用带有负采样的交叉熵损失函数作为优化目标,对每一个正三元组,通过随机替换头实体或尾实体的方式构造预设数量的负三元组;
26、使用adam优化器进行网络参数的训练。
27、可选地,所述将识别出的异常设备组件实体作为起始节点,将预定义的故障类型实体作为目标节点集合,在嵌入向量空间中,以上述评分函数为路径评估标准执行束搜索,寻找从起始节点到任一目标节点的最优路径,包括:
28、将束宽度设置为一个预设整数;
29、从异常设备组件对应的起始节点开始,在第一步中,计算从所述节点出发的所有可能三元组的得分,保留得分最高的若干个三元组,得到初始路径;
30、在后续的每一步迭代中,对当前所有路径的终点实体进行扩展,计算所有新生成路径的总得分,所述总得分为路径所述总得分为路径上各三元组得分的乘积,或者等价地为各三元组得分的对数值之和,并从所有扩展路径中选择总得分最高的若干条作为新的候选路径;
31、重复前述迭代步骤,直至路径长度达到预设的最大深度,或者路径终点到达目标故障类型实体集合中的任一实体。
32、此外,本发明还涉及一种结合知识图谱的双视角工业故障诊断系统,包括以下模块:
33、提取模块,用于获取工业设备在预设时间窗口内的时序监测数据、以及包含设备拓扑与故障机理的结构化数据;构建以设备组件为实体、以拓扑与故障机理为关系的知识图谱;并利用一维卷积网络和门控循环单元处理所述时序监测数据,提取表示各设备组件在所述时间窗口内运行状态的时序动态向量,将所述时序动态向量作为知识图谱中对应实体节点的初始特征;
34、更新模块,用于在聚合更新节点特征时,对知识图谱中的每一三元组,由超网络为三元组生成投影矩阵与门控权重;利用投影矩阵对关系的嵌入向量进行变换,并利用所述门控权重调节从头实体向尾实体传递的消息强度,更新节点的嵌入向量;通过优化用于评估三元组成立可能性的评分函数训练整个模型,从而获得与设备实时运行状态相耦合的实体与关系嵌入向量;
35、执行模块,用于通过持续监测各设备组件的时序动态向量识别状态异常的组件;将识别出的异常设备组件实体作为起始节点,将预定义的故障类型实体作为目标节点集合,在嵌入向量空间中,以上述评分函数为路径评估标准执行束搜索,寻找从起始节点到任一目标节点的最优路径;将所述最优路径的终点实体作为故障诊断结果,并将所述路径作为故障传导的解释。
36、优选地,所述利用一维卷积网络和门控循环单元处理所述时序监测数据,提取表示各设备组件在所述时间窗口内运行状态的时序动态向量,将所述时序动态向量作为知识图谱中对应实体节点的初始特征,包括:
37、将时间窗口内长度为t、特征维度为f的时序监测数据表示为矩阵;
38、将所述矩阵输入至一个包含64个卷积核、核尺寸为3的一维卷积层,并应用修正线性单元激活函数;
39、将一维卷积层的输出传递给一个具有128个隐藏单元的门控循环单元层;
40、取所述门控循环单元在最后一个时间步的隐藏状态输出,作为维度为128的时序动态向量。
41、优选地,所述由超网络为三元组生成投影矩阵与门控权重,包括:
42、将头实体、关系实体与尾实体的d维嵌入向量沿特征维度进行拼接,得到一个3d维的输入向量;
43、将所述3d维输入向量输入至一个双层全连接神经网络构成的超网络,其中隐藏层维度为4d,输出层分为两个分支;
44、第一分支输出一个d×d的向量,并将所述向量重塑为d行d列的投影矩阵;
45、第二分支输出一个标量值,并通过sigmoid激活函数将所述标量值映射到0至1区间,作为门控权重。
46、优选地,所述利用投影矩阵对关系的嵌入向量进行变换,包括:
47、在处理三元组时,从超网络获取对所述三元组的d行d列投影矩阵;
48、将关系的d维嵌入向量与所述投影矩阵进行矩阵-向量乘法运算,得到变换后的关系向量。
49、优选地,所述利用所述门控权重调节从头实体向尾实体传递的消息强度,更新节点的嵌入向量,包括:
50、通过对头实体嵌入向量和变换后的关系向量应用预设的消息函数,计算从头实体经由关系到尾实体的消息向量;
51、从超网络获取对所述三元组的门控权重;
52、将消息向量与门控权重进行标量乘法,得到加权后的消息向量;
53、在聚合邻居节点信息时,使用加权后的消息向量更新尾实体的节点嵌入向量。
54、优选地,所述通过优化用于评估三元组成立可能性的评分函数训练整个模型,从而获得与设备实时运行状态相耦合的实体与关系嵌入向量,包括:
55、采用transe模型结合指数函数作为评分函数,评分为头实体嵌入向量与变换后的关系嵌入向量之和减去尾实体嵌入向量所得差向量的范数的负指数;
56、采用带有负采样的交叉熵损失函数作为优化目标,对每一个正三元组,通过随机替换头实体或尾实体的方式构造预设数量的负三元组;
57、使用adam优化器进行网络参数的训练。
58、优选地,所述将识别出的异常设备组件实体作为起始节点,将预定义的故障类型实体作为目标节点集合,在嵌入向量空间中,以上述评分函数为路径评估标准执行束搜索,寻找从起始节点到任一目标节点的最优路径,包括:
59、将束宽度设置为一个预设整数;
60、从异常设备组件对应的起始节点开始,在第一步中,计算从所述节点出发的所有可能三元组的得分,保留得分最高的若干个三元组,得到初始路径;
61、在后续的每一步迭代中,对当前所有路径的终点实体进行扩展,计算所有新生成路径的总得分,所述总得分为路径所述总得分为路径上各三元组得分的乘积,或者等价地为各三元组得分的对数值之和,并从所有扩展路径中选择总得分最高的若干条作为新的候选路径;
62、重复前述迭代步骤,直至路径长度达到预设的最大深度,或者路径终点到达目标故障类型实体集合中的任一实体。
63、本发明将表示设备实时运行状态的时序特征融入知识图谱实体节点,实现了对工业系统状态的精准、即时表示。规划的表示学习模型能够对具体的三元组,生成关系特异性的投影与权重,从而深入发掘并识别实体间复杂且多样的交互作用,提升了实体与关系嵌入向量的表达能力和准确性。通过在高质量的嵌入空间中搜索故障传导路径,不仅能够精确锁定故障根源,提高了故障诊断的可靠性,而且能够清晰地表示故障的传导机理,增强了诊断结果的可解释性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com