一种设备故障诊断方法、装置及终端设备与流程

1.本发明涉及故障诊断技术领域，尤其涉及一种设备故障诊断方法、装置及终端设备。


背景技术：

2.设备在一定环境长期使用的状态下会因为其内部元器件老化或外力导致运行异常，这些运行异常的特征，即故障现象，是故障诊断的重要依据。但是故障现象和故障源的关系复杂，为了获得精准的故障源判断，必须考虑所有故障现象对设备可能存在的故障源进行综合推理的。目前通常使用智能诊断技术，如神经网络、贝叶斯网络、证据推理和专家系统等方法处理此类问题，提高诊断准确率。并且，在基于综合故障诊断模型的诊断过程中，输入模型的证据越多，诊断结果越接近真实情况，故障概率的估计也就越准确。
3.一般的综合故障诊断模型将计算所有的故障源节点发生概率，增加了计算量和计算时间。


技术实现要素：

4.本发明的主要目的在于提出一种设备故障诊断方法、装置及终端设备，以解决现有技术中的综合故障诊断模型计算所有故障源节点发生概率，对冗余的故障模式也进行了推理，增加了设备故障诊断的时间的问题。
5.为实现上述目的，本发明实施例第一方面提供一种设备故障诊断方法，包括：
6.获取当前故障现象信息，以及所述当前故障现象信息所表示的故障现象与各故障源之间的发生概率；
7.根据当前故障信息所表示的故障现象与发生概率最高的故障源构成当前故障现象信息的节点子图；
8.根据当前故障现象信息的节点子图获得贝叶斯网络，并标记出所述贝叶斯网络中各网络节点的发生概率，生成基于各网络节点的发生概率表；
9.根据所述贝叶斯网络和所述发生概率表获得基于所述当前故障信息的故障源候选集，及基于所述故障源候选集的故障源概率列表；
10.若所述故障源概率列表中的最高故障概率大于预设阈值，则根据大于预设阈值的最高故障源概率所对应的故障源提出设备故障检修方案发送给工程师。
11.可选地，若所述故障源概率列表中的最高故障概率小于预设阈值，则导出所述故障源候选集中的所有故障源发送给工程师，并提示工程师补充故障信息。
12.可选地，获取当前故障现象信息，以及所述当前故障现象信息所表示的故障现象与各故障源之间的发生概率之前，包括：
13.通过neo4j图数据库建立故障知识图谱，故障知识图谱包括设备故障现象至故障源的指向路径。
14.可选地，接收当前故障信息时，还接收当前用户的历史订单信息；
15.根据所述历史订单信息在所述节点子图中排除已经检修过的故障源；
16.更新所述节点子图，以根据更新后的节点子图获得贝叶斯网络。
17.可选地，若无法接收到当前用户的历史订单信息，则新建当前用户的历史订单信息。
18.可选地，所述故障源概率列表中的最高故障概率大于预设阈值时，根据大于预设阈值的最高故障源概率所对应的故障源提出设备故障检修方案发送给工程师之后，若所述故障检修方案成功，则将所述设备故障检修方案、故障现象信息和故障源加入当前用户的历史订单信息；
19.若所述故障检修方案失败，则更新所述故障源候选集及所述故障概率列表。
20.可选地，所述更新所述故障源候选集及所述故障概率列表，包括：
21.在所述节点子图中删除当前故障信息所对应的发生概率最高的故障源，得到新的节点子图；
22.返回根据当前故障现象信息的新的节点子图获得贝叶斯网络，并标记出所述贝叶斯网络中各网络节点的发生概率，生成基于各网络节点的发生概率表；
23.根据所述贝叶斯网络和所述发生概率表更新基于所述当前故障信息的故障源候选集，及基于所述故障源候选集的故障源概率列表。
24.本发明实施例第二方面提供一种设备故障检修装置，包括：
25.当前故障现象信息获取模块，用于获取当前故障现象信息，以及所述当前故障现象信息所表示的故障现象与各故障源之间的发生概率；
26.节点子图构建模块，用于根据当前故障信息所表示的故障现象与发生概率最高的故障源构成当前故障现象信息的节点子图；
27.贝叶斯网络构建模块，用于根据当前故障现象信息的节点子图获得贝叶斯网络，并标记出所述贝叶斯网络中各网络节点的发生概率，生成基于各网络节点的发生概率表；
28.故障源候选集获取模块，用于根据所述贝叶斯网络和所述发生概率表获得基于所述当前故障信息的故障源候选集，及基于所述故障源候选集的故障源概率列表；
29.设备故障检修方案输出模块，用于当所述故障源概率列表中的最高故障概率大于预设阈值时，根据大于预设阈值的最高故障源概率所对应的故障源提出设备故障检修方案发送给工程师。
30.本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上第一方面所提供的方法的步骤。
31.本发明实施例的第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上第一方面所提供的方法的步骤。
32.本发明实施例提出一种设备故障诊断方法，通过当前故障现象信息锁定多个故障源，并确定两者之间的权重，作为节点及权重导出节点子图作为贝叶斯网络的推理结构；从而通过贝叶斯网络的各网络节点的发生概率表，推理得到故障源的发生概率，帮助工程师定位最可能的故障源并提供设备故障检修方案，其中，通过建立故障现象与各故障源之间的对应关系，以及最终获得的贝叶斯网络，实现动态学习的设备故障诊断方案，即当前故障
现象更换后，最终获得不同的贝叶斯网络，从而不断增加推理精度及效率，提高工程师检修设备效率。
附图说明
33.图1为本发明实施例提供的设备故障诊断方法的实现流程图；
34.图2为本发明实施例提供的节点子图的结构示意图；
35.图3为本发明实施例提供的设备故障诊断装置的组成结构示意图。
36.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
37.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
38.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
39.在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
40.如图1所示，本发明实施例提供一种设备故障诊断方法，包括但不限于如下步骤：
41.s101、获取当前故障现象信息，以及所述当前故障现象信息所表示的故障现象与各故障源之间的发生概率。
42.在上述步骤s101中，当前故障现象信息所表示的故障现象与各故障源之间的发生概率根据预先构建的故障知识图谱获得，每获取一次当前故障现象信息时，通过上述步骤s101和下述步骤s102构建节点子图。
43.在一个实施例中，上述步骤s101之前，包括：
44.通过neo4j图数据库建立故障知识图谱，故障知识图谱包括设备故障现象至故障源的指向路径。
45.s102、根据当前故障信息所表示的故障现象与发生概率最高的故障源构成当前故障现象信息的节点子图。
46.本发明实施例中，上述步骤s102中的节点子图构建过程为：
47.s1、然后根据当前故障现象信息，在故障知识图谱中相应位置的值标记为1；
48.s2、从故障知识图谱中，选出与标记为1的节点相关联的所有源节点，构建故障源候选节点集合，根据当前故障现象信息所表示的故障现象与各故障源之间的发生概率p(source|feat)，计算故障源候选节点集合中各个故障源节点的权重，其中，对于已经检修过的源节点，不再计算其可能发生的概率，将其权值置为-1，如公式；
[0049][0050]
其中，s
feat
表示故障现象集合，表示第j个故障现象的标记值，weight(i)表示
第i个故障源的发生概率权重。
[0051]
s4、选取故障源候选节点集合中权重最大且大于0的k个节点，并结合标记为1的节点构建基于当前故障现象信息的节点子图。
[0052]
如图2所示，本发明实施例还示例性的示出了节点子图的结构示意图，图2中，假设当前待诊断的设备为空调，并假设当前故障现象信息为漏水，则首先将漏水这一故障现象信息标记为1，而与标记为1的节点相关联的所有源节点包括缺氟和水管破裂。
[0053]
s103、根据当前故障现象信息的节点子图获得贝叶斯网络，并标记出所述贝叶斯网络中各网络节点的发生概率，生成基于各网络节点的发生概率表；
[0054]
s104、根据所述贝叶斯网络和所述发生概率表获得基于所述当前故障信息的故障源候选集，及基于所述故障源候选集的故障源概率列表。
[0055]
在一个实施例中，收当前故障信息时，还接收当前用户的历史订单信息；
[0056]
根据所述历史订单信息在所述节点子图中排除已经检修过的故障源；
[0057]
更新所述节点子图，以根据更新后的节点子图获得贝叶斯网络。
[0058]
需要说明的是，本发明实施例中所创建的贝叶斯网络为动态结构，可以通过历史订单信息排除故障源，减少计算资源的消耗。
[0059]
而上述步骤s102的详细实现中，也示出了根据当前故障现象信息所表示的故障现象与各故障源之间的发生概率，计算故障源候选节点集合中各个故障源节点的权重时，不计算已经检修过的源节点，并写入权重公式中。因此，上述的更新节点子图的过程实际为，在构建基于当前故障现象信息的节点子图时，重新计算故障源候选节点集合中各个故障源节点的权重。
[0060]
其中，若无法接收到当前用户的历史订单信息，则新建当前用户的历史订单信息。
[0061]
s105、若所述故障源概率列表中的最高故障概率大于预设阈值，则根据大于预设阈值的最高故障源概率所对应的故障源提出设备故障检修方案发送给工程师。
[0062]
在上述步骤s105中，预设阈值可以为根据大量实验数据获得的数值。
[0063]
在一个实施例中，若所述故障源概率列表中的最高故障概率小于预设阈值，则导出所述故障源候选集中的所有故障源发送给工程师，并提示工程师补充故障信息。
[0064]
在本发明实施例中，上述步骤s101至s105所提供的设备故障检修方案，用于引导工程师进行故障排查和维修，而每次检修后，会根据检修结果更新当前用户的历史订单信息或更新最初构建贝叶斯网络所使用的节点子图，重新获得设备故障检修方案。
[0065]
因此，在一个实施例中，故障源概率列表中的最高故障概率大于预设阈值时，根据大于预设阈值的最高故障源概率所对应的故障源提出设备故障检修方案发送给工程师之后，还包括：
[0066]
若所述故障检修方案成功，则将所述设备故障检修方案、故障现象信息和故障源加入当前用户的历史订单信息；
[0067]
若所述故障检修方案失败，则更新所述故障源候选集及所述故障概率列表。
[0068]
其中，所述更新所述故障源候选集及所述故障概率列表，包括：
[0069]
在所述节点子图中删除当前故障信息所对应的发生概率最高的故障源，得到新的节点子图；
[0070]
返回根据当前故障现象信息的新的节点子图获得贝叶斯网络，并标记出所述贝叶
斯网络中各网络节点的发生概率，生成基于各网络节点的发生概率表；
[0071]
根据所述贝叶斯网络和所述发生概率表更新基于所述当前故障信息的故障源候选集，及基于所述故障源候选集的故障源概率列表。
[0072]
通过上述步骤，对贝叶斯网络的输出进行反馈，提升本方法所提供的设备故障检修方案的准确率。
[0073]
如图3所示，本发明实施例提供一种设备故障检修装置30，包括：
[0074]
当前故障现象信息获取模块31，用于获取当前故障现象信息，以及所述当前故障现象信息所表示的故障现象与各故障源之间的发生概率；
[0075]
节点子图构建模块32，用于根据当前故障信息所表示的故障现象与发生概率最高的故障源构成当前故障现象信息的节点子图；
[0076]
贝叶斯网络构建模块33，用于根据当前故障现象信息的节点子图获得贝叶斯网络，并标记出所述贝叶斯网络中各网络节点的发生概率，生成基于各网络节点的发生概率表；
[0077]
故障源候选集获取模块34，用于根据所述贝叶斯网络和所述发生概率表获得基于所述当前故障信息的故障源候选集，及基于所述故障源候选集的故障源概率列表；
[0078]
设备故障检修方案输出模块35，用于当所述故障源概率列表中的最高故障概率大于预设阈值时，根据大于预设阈值的最高故障源概率所对应的故障源提出设备故障检修方案发送给工程师。
[0079]
本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例中所述的设备故障诊断方法中的各个步骤。
[0080]
本发明实施例还提供一种存储介质，所述存储介质为计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述实施例中所述的设备故障诊断方法中的各个步骤。
[0081]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。