风电机组故障诊断知识库的管理方法、系统及介质与流程

1.本技术涉及风力发电技术领域，尤其涉及一种风电机组故障诊断知识库的管理方法、系统及介质。


背景技术：

2.随着风力发电技术的发展，通过风电机组进行风力发电已经成为当前主要的发电方式之一，为了保证风力发电机组的正常运行，对风电机组运行过程中出现的故障进行准确的诊断是风力发电中的重要环节。
3.传统的故障诊断方法大致分为三类，包括：基于数据的方法、基于知识的方法、基于解析模型的方法。其中，由于目前很多陆上风电机组投产时间长、设备老化和运行状态设计值偏离较大等原因，很难建立准确的数学模型，而基于数据进行诊断时需要大量的风电机组的运行数据，成本较高且诊断误差较大，所以基于解析模型和基于数据的方法在风力发电的工程领域并不适用。而基于知识的诊断方法通常以对当前运行状态下系统设备进行分析所得到的各类知识为基础，比如，其中比较有代表性的专家系统故障诊断方法、故障树诊断方法和图论模型诊断方法等。
4.相关技术中，采用基于知识的诊断方法对风电机组进行故障诊断时，需要建立故障诊断知识库作为诊断的基础。然而，申请人发现，相关技术中基于知识的风电机组的故障诊断方法，缺少对故障诊断知识库进行准确和有效的管理，诊断知识库内包含的故障诊断知识无法满足实际应用中的诊断需求，导致通过故障诊断知识库进行机组故障诊断时，诊断结果的准确性较低。


技术实现要素：

5.本技术旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本技术的第一个目的在于提出一种风电机组故障诊断知识库的管理方法，该方法针对基于知识的故障诊断方法，结合语义网络，将非结构化的设备、系统知识用计算机可识别的语言结构化表达出来，并根据各台风机的运行情况和故障案例不断更新调整故障诊断知识库，对诊断知识库的创建、应用和更新的整个流程进行管理，有利于提高风机诊断的准确性。
7.本技术的第二个目的在于提出一种风电机组故障诊断知识库的管理系统；
8.本技术的第三个目的在于提出一种非临时性计算机可读存储介质。
9.为达上述目的，本技术的第一方面实施例在于提出一种风电机组故障诊断知识库的管理方法，该方法包括以下步骤：
10.基于本体的语义，在预设的应用工具中通过相应的本体语言构建风电机组的故障诊断知识库；
11.针对故障诊断中的不确定性，构建服从leaky noisy-or假设的结构性因果模型scm表示故障与征兆之间的因果关系，并向所述结构性因果模型scm中引入激励节点和两类
外部隐变量节点，将与或门逻辑应用至所述结构性因果模型scm中的结构性等式，以构建风电机组的故障诊断模型；
12.通过所述故障诊断模型对风电机组进行诊断，并向所述故障诊断知识库中批量导入核验后的历史故障诊断案例；
13.对导入的多个所述案例进行分析，根据每个所述案例的诊断数据对应更新所述故障诊断知识库中的因果知识和所述故障诊断模型，并整合多个所述案例对隐变量的伯努利分布参数的影响。
14.可选地，在本技术的一个实施例中，两类外部隐变量节点包括充分性例外节点和必要性例外节点，其中，所述充分性例外节点表示在故障发生的条件下，若所述充分性例外节点发生则征兆出现，所述充分性例外节点等于0的概率等价于leaky noisy-or中的失效概率；所述必要性例外节点包括故障的必要性例外节点和征兆的必要性例外节点，所述必要性例外节点表示在征兆或者故障不发生的条件下所述必要性例外节点不发生，所述征兆的必要性例外节点等于1的概率等价于leaky noisy-or中的泄露概率。
15.可选地，在本技术的一个实施例中，根据每个所述案例的诊断数据对应更新所述故障诊断知识库中的因果知识和所述故障诊断模型,包括:在所述案例中包括所述故障诊断知识库未出现的新的故障、新的征兆或者新的因果关系的情况下，将所述新的故障、所述新的征兆或者所述新的因果关系添加至所述故障诊断知识库中作为新的因果知识，并初始化隐变量的概率值；在所述案例中包括的故障、征兆和故障与征兆之间的因果关系已存在于所述故障诊断知识库的情况下，更新所述故障的必要性例外节点的概率值和所述因果关系对应的所述充分性节点概率值；在所述案例中包括的征兆未诊断出确定的模式或原因的情况下，更新所述征兆的必要性节点的概率值。
16.可选地，在本技术的一个实施例中，通过以下公式计算引入的所述隐变量节点的数量:
17.n(hidden)＝n(node) n(relation)
18.其中，n(hidden)表示引入的隐变量节点数，n(node)表示故障和征兆的数目，n(relation)表示故障和征兆间二元因果关系的数目。
19.可选地，在本技术的一个实施例中，将与或门逻辑应用至所述结构性因果模型scm中的结构性等式，包括：
20.设置所述激励节点受故障节点和所述充分性例外节点的共同作用，服从以下公式所示的与门逻辑：
[0021][0022]
其中，o为激励节点，f为故障节点，uo为充分性例外节点；
[0023]
设置征兆节点受所述激励节点和所述征兆的必要性例外节点的共同作用，服从以下公式所示的或门逻辑：
[0024][0025]
其中，s为征兆节点，oi为任一激励节点，us为征兆的必要性例外节点。
[0026]
可选地，在本技术的一个实施例中，整合多个所述案例对隐变量的伯努利分布参数的影响，包括:选取贝塔beta分布作为所述隐变量的伯努利分布参数的先验分布，并基于贝塔beta分布，结合所述案例中出现故障的次数和所述案例中未出现故障的次数确定所述隐变量的伯努利分布参数的后验分布；根据多个所述案例导入所述故障诊断知识库中的顺序依次更新所述隐变量的伯努利分布参数，包括：将本次更新的后验概率作为下一次更新的先验概率；通过以下公式计算更新后所述隐变量发生的后验概率：
[0027][0028]
其中，u是隐变量，μ是伯努利分布参数，e是期望值。
[0029]
为达上述目的，本技术的第二方面实施例还提出了一种风电机组故障诊断知识库的管理系统，包括以下模块:
[0030]
第一构建模块，用于基于本体的语义，在预设的应用工具中通过相应的本体语言构建风电机组的故障诊断知识库；
[0031]
第二构建模块，用于针对故障诊断中的不确定性，构建服从leaky noisy-or假设的结构性因果模型scm表示故障与征兆之间的因果关系，并向所述结构性因果模型scm中引入激励节点和两类外部隐变量节点，将与或门逻辑应用至所述结构性因果模型scm中的结构性等式，以构建风电机组的故障诊断模型；
[0032]
诊断模块，用于通过所述故障诊断模型对风电机组进行诊断，并向所述故障诊断知识库中批量导入核验后的历史故障诊断案例；
[0033]
更新模块，用于对导入的多个所述案例进行分析，根据每个所述案例的诊断数据对应更新所述故障诊断知识库中的因果知识和所述故障诊断模型，并整合多个所述案例对隐变量的伯努利分布参数的影响。
[0034]
可选地，在本技术的一个实施例中，两类外部隐变量节点包括充分性例外节点和必要性例外节点，其中，所述充分性例外节点表示在故障发生的条件下，若所述充分性例外节点发生则征兆出现，所述充分性例外节点等于0的概率等价于leaky noisy-or中的失效概率；所述必要性例外节点包括故障的必要性例外节点和征兆的必要性例外节点，所述必要性例外节点表示在征兆或者故障不发生的条件下所述必要性例外节点不发生，所述征兆的必要性例外节点等于1的概率等价于leaky noisy-or中的泄露概率。
[0035]
可选地，在本技术的一个实施例中，更新模块，具体用于：在所述案例中包括所述故障诊断知识库未出现的新的故障、新的征兆或者新的因果关系的情况下，将所述新的故障、所述新的征兆或者所述新的因果关系添加至所述故障诊断知识库中作为新的因果知识，并初始化隐变量的概率值；在所述案例中包括的故障、征兆和故障与征兆之间的因果关系已存在于所述故障诊断知识库的情况下，更新所述故障的必要性例外节点的概率值和所述因果关系对应的所述充分性节点概率值；在所述案例中包括的征兆未诊断出确定的模式或原因的情况下，更新所述征兆的必要性节点的概率值。
[0036]
本技术的实施例提供的技术方案至少带来以下有益效果：本技术先基于本体概念，结合语义网络，将非结构化的风电机组相关设备、系统知识通过计算机可识别的结构化语言表达出来，构建了全面、准确的故障诊断知识库，为提高风电机组故障诊断的准确性提供了基础。再通过故障诊断知识库中构建的故障诊断模型对风电机组进行故障诊断。然后，
向故障诊断知识库中定期批量录入故障诊断案例，实时更新数据库，从而可以根据历史故障发生频次以及补充征兆，不断完善故障诊断知识库中的故障与征兆间的因果关系等诊断知识和故障诊断模型，根据实际的诊断案例实时调整故障诊断模型中隐变量的概率值，有利于进一步提高风机诊断的准确性。由此，本技术对风电机组故障诊断知识库的创建、基于知识库的诊断应用和更新的整个流程进行了全方位的管理，通过对故障诊断知识库的准确和有效的管理，可以提高风机诊断的效率和准确性。
[0037]
为了实现上述实施例，本技术第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的风电机组故障诊断知识库的管理方法。
[0038]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0039]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0040]
图1为本技术实施例提出的一种风电机组故障诊断知识库的管理方法的流程图；
[0041]
图2为本技术实施例提出的一种故障与征兆之间的因果图；
[0042]
图3为本技术实施例提出的一种具体的服从leaky noisy-or假设的结构性因果模型的示意图；
[0043]
图4为本技术实施例提出的一种具体的故障诊断模型的示意图；
[0044]
图5为本技术实施例提出的一种具体的风电机组故障诊断知识库的管理方法的流程图；
[0045]
图6为本技术实施例提出的一种风电机组故障诊断知识库的管理系统的结构示意图。
具体实施方式
[0046]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0047]
需要说明的是，基于知识的风电机组故障诊断中，归纳、总结各台风机的共性问题，分析、收集单台风机的个性问题，建立完备、准确的故障诊断知识库，是做好故障诊断工作所必不可少的一步。诊断知识库内包含的故障诊断知识是对风电机组异常状态预警以及智能故障诊断的基础，然而，相关技术中的诊断方式无法建立完备诊断知识库。并且，在实际现场工作中，故障诊断工作离不开历史诊断案例带来的经验，例如，在一些环境恶劣，风沙较多的环境下，双馈风机齿轮箱故障较多，往往风机发出异常噪音时，现场运维工作人员根据以往诊断案例中的经验就会首先排查齿轮箱故障。但是在相关技术中的知识库推理中，异常征兆出现的同时，诊断模型只会给出语义关系中对应的所有结果，导致故障排查效率偏低。
[0048]
为此，本技术提出一种风电机组故障诊断知识库的管理方法，该方法对风电机组
故障诊断知识库的创建、诊断应用和更新的整个流程进行了全方位的管理，结合故障案例不断更新调整故障诊断知识库，有利于提高风机诊断的准确性和效率。
[0049]
下面参考附图描述本发明实施例所提出的一种风电机组故障诊断知识库的管理方法、系统。
[0050]
图1为本技术实施例提出的一种风电机组故障诊断知识库的管理方法的流程图，如图1所示，该方法包括以下步骤：
[0051]
步骤101，基于本体的语义，在预设的应用工具中通过相应的本体语言构建风电机组的故障诊断知识库。
[0052]
其中，本体是一种特殊的结构化语义，用来表达特定领域内各个概念的属性及其相互关系，而对于风电机组的故障诊断知识本体，是对风电机组的故障演变因果链的知识进行语义性表示的术语集。故障诊断知识库包含各种故障知识，比如，可以包括故障模式、故障征兆、故障原因、故障影响和维护措施等各类知识。
[0053]
具体的，由于实际应用中获取到的风电机组的故障诊断知识可能是非结构化的，不利于读取和应用，因此，本技术在通过不同的方式获取到风电机组的故障诊断知识后，基于本体的概念构建风电机组的故障诊断知识库。具体构建时，作为一种可能的实现方式，先结合语义网络，将非结构化的风电机组中的设备、系统的故障知识用计算机可识别的语言结构化表达出来。然后，在预设的应用工具中通过相应的计算机语言进行建模，基于转换后的各种与风机故障相关的结构化知识生成基于本体的风电机组的故障诊断知识库。
[0054]
在本技术一个实施例中，预设的应用工具是本体编辑和知识获取的应用软件，比如，prot
égé
软件，也可以根据实际需求选择其他类型的本体开发工具，此处不做限制。在本体构建的过程中，知识的概念和关系需要合适的描述语言进行描述才能实现，对于目前常采用的形式化语言、半形式化语言和非形式化语言这三种语言应用于本体构建时各有所长。其中，由于本体表达能力与推理能力之间是存在矛盾的，形式化语言适合高自动化的计算机处理，非形式化语言使得使用者之间的交流更加顺畅，而对于风电机组故障诊断知识库来说，诊断功能模块需要使用计算机进行推理，形式化程度应该是越来越高，因此，本技术针对于风电机组故障诊断的应用场景，选择兼顾语言表达能力与计算机自动化推理能力的相关本体语言来构建本体知识库。
[0055]
举例而言，可以选取网络本体语言描述逻辑(web ontology language description logic，简称owl dl)来构建本体知识库，owl dl将可判定推理能力和较强表达能力作为首要目标，提供了描述逻辑的推理功能，更适用于本技术构建风电机组的本体知识库。在本示例中使用的owl dl的语法内容如下表1所示：
[0056][0057][0058]
表1
[0059]
需要说明的是，在本实施例中，在prot
égé
软件中构建本体时，还可以根据实际情况选择其他本体语言来描述本体，比如，还可以使用xml、rdf、owl lite和owl full等语言，此处不做限制。并且，还可以在prot
égé
软件中通过嵌入相应的插件来实现语言转换、本体可视化等其他拓展功能，从而可以更加快速、便捷的构建的故障诊断知识库。
[0060]
由此，本技术先基于本体的概念，在prot
égé
等应用软件中通过相关本体语言的类、属性和实例来进行本体构建，生成了完备、准确的风电机组故障诊断知识库。
[0061]
步骤102，针对故障诊断中的不确定性，构建服从leaky noisy-or假设的结构性因果模型scm表示故障与征兆之间的因果关系，并向结构性因果模型scm中引入激励节点和两类外部隐变量节点，将与或门逻辑应用至结构性因果模型scm中的结构性等式，以构建风电机组的故障诊断模型。
[0062]
其中，故障与征兆之间的因果关系是指某一故障对应的征兆之间的逻辑关系，在故障诊断过程中，在获取风电机组的征兆后根据对应的因果关系可以确定机组当前发生的故障，在本技术中可以通过故障与征兆间的因果图表示故障与征兆之间的因果关系，比如，如图2所示的故障与征兆间的因果图，图中的f表示故障，s表示征兆，如图2所示，在风机故障诊断的实际应用中，多个故障可能存在共因并且同一故障可能存在多个征兆，导致风电机组故障诊断较为复杂。
[0063]
需要说明的是，风电机组故障诊断的复杂性还体现在证据和故障知识的不确定性上。证据的不确定性主要源于客观条件上证据搜集的不完备，知识的不确定性主要源于经验知识本身具有不确定性。经验知识的形成，无论是依靠归纳推理、类比推理和演绎推理，还是似然推理，都只是真实因果关系的相似性建模。此外，在利用已经获取到的知识进行知识库构建的过程中，由于将自然语言作为知识载体带来的模糊性，以及忽略某些潜在的因
素，也会产生不确定性。利用这些不确定的证据和知识进行推理，会在诊断中引入不确定性。不确定性的度量可以采用概率进行表示，并通过相关的方法进行解释。
[0064]
因此，针对风电机组故障诊断中的不确定性，本技术先构建服从leaky noisy-or假设的结构性因果模型scm表示故障与征兆之间的因果关系。
[0065]
其中，结构性因果模型也叫结构性等式模型(structural causal models,简称scm)是用于表达因果知识的数学语言框架。scm模型将因果关系视为确定的，不确定性仅来源于外部变量自身，这种特性决定了模型的语义性和可解释性，并且是基于scm的反事实推理，可以提供一个更完整清晰的解释，因此，本技术采用scm模型表示故障与征兆之间的因果关系。
[0066]
还需说明的是，对于风电机组的故障诊断，故障对征兆的影响在诊断过程中可以看作是独立的，故障间的相互作用不会减弱对征兆的影响，只要征兆的一个故障发生，征兆就会出现。而noisy-or假设常用来表示故障与征兆间的这种特性，leaky noisy-or假设保证了在对网络进行概率赋值的过程中只需独立地衡量每个父节点对子节点的失效概率以及每个子节点的泄露概率，减轻了赋值的压力，且符合专家评估故障影响的过程。作为一种示例，本技术构建的服从leaky noisy-or假设的结构性因果模型如图3所示，图3是两故障三征兆的因果图，在图3中以故障节点f为父节点，以征兆节点s为子节点，其中，故障f1发生是征兆s1和征兆s2出现的直接原因，故障f2发生是征兆s2和征兆s3出现的直接原因，征兆s2的状态受到故障f1和f2的影响，图中的1-qi表示失效概率，λi表示泄露概率。
[0067]
进一步的，由上述描述可知，scm节点间的因果关系是确定的，为了体现风电机组故障诊断的不确定性，通过对隐变量的概率赋值引入不确定性，即本技术为了建立服从leaky noisy-or假设的scm诊断模型，对故障与征兆间的因果图进行调整，具体是向结构性因果模型scm中引入激励节点和两类外部隐变量节点，将与或门逻辑应用至结构性因果模型scm中的结构性等式。
[0068]
在本技术一个实施例中，引入的两类外部隐变量节点包括充分性例外节点和必要性例外节点，其中，充分性例外节点表示在故障发生的条件下，若充分性例外节点发生则征兆出现，充分性例外节点等于0的概率等价于leaky noisy-or中的失效概率；必要性例外节点包括故障的必要性例外节点和征兆的必要性例外节点，必要性例外节点表示在征兆或者故障不发生的条件下必要性例外节点不发生，征兆的必要性例外节点等于1的概率等价于leaky noisy-or中的泄露概率。
[0069]
作为一种示例，继续对以图3所示的因果图进行调整，为了通过隐变量表示失效概率和泄露概率的语义性，引入了激励节点和两类外部隐变量节点，并通过与或门逻辑构建等价的scm模型，从而将图3所示的模型调整转换为图4，获得了图4所示的故障诊断模型。
[0070]
图4中的各个uf、us和uo节点表示外部隐变量节点。其中，uo定义为充分性例外节点，其含义表明在故障发生的条件下，只要uo发生则征兆一定出现。uo的物理意义反映为阻断故障对征兆产生影响的外部事件，p(uo＝0)等价于leaky noisy-or中的失效概率1-qi。阻碍故障激励征兆发生的例外事件有很多，包括运行工况、故障发生的严重程度和征兆的检测手段等。
[0071]
uf、us定义为必要性例外节点，其含义表明在征兆或者故障不发生的条件下，必要性例外节点一定不发生。uf和us的物理意义反映了除目标事件外其他影响故障或征兆发生
的例外事件。故障根节点的必要性例外节点uf也可以视作先验概率，与机组服役时间、所处的运行工况、机组类型、历史维修记录以及故障自身风险有关。征兆的必要性例外节点us包括了负荷等边界条件的变化对征兆产生影响的事件，p(us＝1)等价于leaky noisy-or中的泄露概率λi。
[0072]
在本实施例中，在scm中引入的隐变量节点数目与故障和征兆的节点数及其节点间的二元关系数有关，即可以通过以下公式计算引入的隐变量节点的数量:
[0073]
n(hidden)＝n(node) n(relation)
[0074]
其中，n(hidden)表示引入的隐变量节点数，n(node)表示故障和征兆的数目，n(relation)表示故障和征兆间二元因果关系的数目。
[0075]
由此，本技术通过隐变量节点显示地表达了失效概率、泄露概率以及先验概率反映的例外事件。
[0076]
然后，本实施例还在隐变量节点的基础上，在故障和征兆间二元因果关系中引入激励节点o，通过激励节点表示故障对征兆产生影响的激励状态，并基于激励节点，将与或门逻辑应用至结构性因果模型scm中的结构性等式，即采用与或门逻辑表示scm结构性等式中的函数类型。
[0077]
作为一种可能的实现方式，首先，对于与门逻辑，设置激励节点o受故障f和充分性例外节点uo的共同作用，只有故障和充分例外节点同时发生，激励才发生，即服从以下公式所示的与门逻辑：
[0078][0079]
其中，o为激励节点，f为故障节点，uo为充分性例外节点。
[0080]
根据与门逻辑，提高充分性例外节点uo发生的概率，故障对征兆的充分性因果解释加强。特别地，当故障发生时，则征兆出现，此时故障是征兆发生的充分条件。
[0081]
其次，对于或门逻辑，设置征兆节点s受激励o和必要性例外节点us的共同作用，只要有任一激励发生或者必要性例外节点发生，征兆就会出现，即服从以下公式所示的或门逻辑：
[0082][0083]
其中，s为征兆节点，oi为任一激励节点，us为征兆的必要性例外节点。
[0084]
而故障根节点f只与必要性例外节点uf有关，对应的结构性等式如下公式所示：
[0085][0086]
根据或门逻辑，提高必要性例外节点us不发生的概率，故障对征兆的必要性因果解释加强。特别地，当所有的激励节点都不发生时，征兆就不发生，全部已知故障的激励构成了征兆发生的必要条件。
[0087]
由此，本技术基于故障诊断知识库中的知识搭建故障与征兆间的因果图，并对因果图进行调整，引入了激励节点和两类外部隐变量节点，通过与或门逻辑构建等价的scm模型，从而可以在故障诊断知识库中构建风电机组的故障诊断模型。
[0088]
步骤103，通过故障诊断模型对风电机组进行诊断，并向故障诊断知识库中批量导入核验后的历史故障诊断案例。
[0089]
在本技术实施例中，通过调用知识库中的故障诊断模型可以对待诊断的目标风电机组进行诊断。举例而言，将检测得到的目标风电机组的征兆数据输入知识库中的故障诊断模型，故障诊断模型根据因果知识确定该征兆对应的故障模式并输出。具体实施时，作为一种示例，本技术可以通过sparql语言查询当前征兆对应于何种故障模式，在故障诊断知识库的诊断模型中查询出征兆对应的故障，并获取sparql语句返回的查询结果。
[0090]
进一步的，向故障诊断知识库中批量导入核验后的历史故障诊断案例，即本技术当诊断任务结束后，将经核验的诊断案例存入故障诊断知识库的案例库中，以根据诊断案例实时更新故障诊断知识库。其中，经核验的诊断案例可以是通过人工检测等方式确定的诊断正确的案例。
[0091]
作为其中一种可能的实现方式，本技术通过调用上述预设的应用工具中的导入模块将诊断案例导入故障诊断知识库，以上述实施例中的prot
égé
软件而言，通过python程序中的rdflib包定期批量录入故障诊断案例，在达到录入案例的预设时间点后，将当前时段内累计的多个故障诊断案例通过rdflib包批量录入故障诊断知识库中。
[0092]
步骤104，对导入的多个案例进行分析，根据每个案例的诊断数据对应更新故障诊断知识库中的因果知识和故障诊断模型，并整合多个案例对隐变量的伯努利分布参数的影响。
[0093]
其中，诊断数据包括案例中最终诊断确定的故障、参与诊断过程的征兆以及因果关系等与故障诊断相关的数据。
[0094]
具体的，在批量导入案例后，对导入的多个案例进行分析，即将每个案例中的上述诊断数据与故障诊断知识库中的知识进行比较，分析每个案例中的诊断数据是否已存在于故障诊断知识库中。再根据分析结果，基于每个案例的诊断数据依次对应更新故障诊断知识库中的因果知识和故障诊断模型。
[0095]
作为其中一种可能的实现方式，本技术根据分析结果，在某一案例中包括故障诊断知识库未出现的新的故障、新的征兆或者新的因果关系的情况下，将新的故障、新的征兆或者新的因果关系添加至故障诊断知识库中作为新的因果知识，并初始化隐变量的概率值。在案例中包括的故障、征兆和故障与征兆之间的因果关系已存在于故障诊断知识库的情况下，更新故障的必要性例外节点的概率值和因果关系对应的充分性节点概率值。在案例中包括的征兆未诊断出确定的模式或原因的情况下，更新征兆的必要性节点的概率值。
[0096]
进一步的，在故障案例被记录后，故障案例中出现的故障和征兆会加强或者减弱其对应隐变量的概率分布，因此，本技术还整合批量导入的多个案例对隐变量的伯努利分布参数的影响。
[0097]
作为其中一种可能的实现方式，本技术选取贝塔beta分布作为隐变量的伯努利分布参数的先验分布，并基于贝塔beta分布，结合案例中出现故障的次数和案例中未出现故障的次数确定隐变量的伯努利分布参数的后验分布。然后，根据多个案例导入故障诊断知识库中的顺序依次更新所述隐变量的伯努利分布参数，包括：将本次更新的后验概率作为下一次更新的先验概率，通过以下公式计算更新后隐变量发生的后验概率：
[0098][0099]
其中，u是隐变量，μ是伯努利分布参数，e是期望值。
[0100]
具体而言，在本示例中，为了整合案例对隐变量伯努利分布参数μ的影响，假定参数μ是随机变量，在观测案例e后利用贝叶斯定理更新参数μ的后验分布p(μ)。为了形成封闭形式的后验分布表达，本技术避免使用mcmc等采样方法求解后验分布，选用beta分布作为隐变量u伯努利分布参数μ的先验分布，表达式如下公式所示：
[0101][0102]
其中，a和b是beta分布中的两个参数，参数μ的期望如以下公式所示：
[0103][0104]
需要说明的是，beta分布是伯努利的共轭先验分布，与伯努利分布具有相似的形式，因此伯努利分布的后验概率的形式同样是beta分布，记做：beta(a m,b n)，其中m表示故障案例中出现相应故障的次数，n表示不出现的次数。由于案例是逐条记录的，因此参数μ也是采用顺序学习的方式更新的，即用这一次更新的后验概率作为下一次的先验概率。因此，更新后隐变量u发生的后验概率的计算如下式所示。
[0105][0106]
由以上公式可知，在本技术实施例中，当故障案例正向激励了隐变量分布，即m＝1，n＝0，则隐变量发生的概率更新为p(u＝1)＝(a 1)/(a b 1)；当故障案例反向激励了隐变量的分布，即m＝0，n＝1，则隐变量发生的概率更新为
[0107]
由此，本技术还结合诊断案例对故障诊断知识库的后续更新进行管理，可以根据历史故障发生频次，以及补充征兆，更新实时数据库，提高故障诊断的精确度。
[0108]
综上所述，本技术实施例的风电机组故障诊断知识库的管理方法，先基于本体概念，结合语义网络，将非结构化的风电机组相关设备、系统知识通过计算机可识别的结构化语言表达出来，构建了全面、准确的故障诊断知识库，为提高风电机组故障诊断的准确性提供了基础。再通过故障诊断知识库中构建的故障诊断模型对风电机组进行故障诊断。然后，向故障诊断知识库中定期批量录入故障诊断案例，实时更新数据库，从而可以根据历史故障发生频次以及补充征兆，不断完善故障诊断知识库中的故障与征兆间的因果关系等诊断知识和故障诊断模型，根据实际的诊断案例实时调整故障诊断模型中隐变量的概率值，有利于进一步提高风机诊断的准确性。由此，该方法对风电机组故障诊断知识库的创建、基于知识库的诊断应用和更新的整个流程进行了全方位的管理，通过对故障诊断知识库的准确和有效的管理，可以显著提高风机诊断的准确性。
[0109]
为了更加清楚地说明本技术实施例的风电机组故障诊断知识库的管理方法，下面以一个具体的对能效诊断知识库进行管理的实施例进行详细说明。图5为本技术实施例提出的一种具体的风电机组故障诊断知识库的管理方法的流程示意图。
[0110]
如图5所示，该方法包括以下步骤：
[0111]
步骤s501，通过ontology表示故障诊断知识。
[0112]
步骤s502，在prot
égé
应用中构建本体故障诊断知识库。
[0113]
在本步骤中，在prot
égé
软件中构建本体时，可以使用xml、rdf、owl等语言来描述本体，此外，还可以通过嵌入插件来实现语言转换、本体可视化等其他拓展功能。prot
égé
软件中的本体构建主要是通过类、属性、实例来体现。并且，通过protege里的数据属性可以用来表征每个故障发生时历史案例中，各个征兆出现的次数都可以附在查询结果中
[0114]
步骤s503，通过owl语言保存故障诊断知识库。
[0115]
在本步骤中，通过owl语言描述故障诊断知识的概念和关系，prot
égé
软件借助owl语言的语法构建本体，保存构建的故障诊断知识库。并基于故障诊断知识库中的故障知识构建故障诊断模型。
[0116]
步骤s504，通过sparql语句查询故障诊断知识库中的信息。
[0117]
在本步骤中，可以通过sparql语言实现本体查询和基于本体的数据访问的功能需求。举例而言，可以通过sparql语句查询待检测的风电机组的当前征兆对应于何种故障模式，或者，在构建故障诊断模型或者故障诊断过程中，还可以通过sparql语句查询所需的信息，比如，征兆出现的次数等。
[0118]
步骤s505，在python中调用rdflib模块按照owl结构批量增加故障案例。
[0119]
在本步骤中，通过python程序中的rdflib包可以定期批量录入故障案例，更新实时数据库，具体导入案例时，rdflib模块按照步骤s503中所应用的owl语言的对应结构，批量增加故障案例，以使增加的故障案例也符合故障诊断知识库的描述语言，保证故障诊断知识库中数据的一致性。
[0120]
需要说明的是，本实施例的方法中各步骤的具体实现方式可参照上述实施例的相关描述，实现原理类似，此处不再赘述。
[0121]
由此，该方法针对基于知识的故障诊断方法，结合语义网络，将非结构化的设备、系统知识用计算机可识别的语言结构化表达出来，并根据各台风机的设备类型、当前运行情况、故障案例不断更新调整故障诊断知识库，提高故障诊断的精确度。
[0122]
为了实现上述实施例，本技术还提出了一种风电机组故障诊断知识库的管理系统，图6为本技术实施例提出的一种风电机组故障诊断知识库的管理系统的结构示意图，如图6所示，该系统包括第一构建模块100、第二构建模块200、诊断模块300和更新模块400。
[0123]
其中，第一构建模块100，用于基于本体的语义，在预设的应用工具中通过相应的本体语言构建风电机组的故障诊断知识库。
[0124]
第二构建模块200，用于用于针对故障诊断中的不确定性，构建服从leaky noisy-or假设的结构性因果模型scm表示故障与征兆之间的因果关系，并向结构性因果模型scm中引入激励节点和两类外部隐变量节点，将与或门逻辑应用至结构性因果模型scm中的结构性等式，以构建风电机组的故障诊断模型。
[0125]
诊断模块300，用于通过故障诊断模型对风电机组进行诊断，并向故障诊断知识库中批量导入核验后的历史故障诊断案例。
[0126]
更新模块400，用于对导入的多个案例进行分析，根据每个案例的诊断数据对应更新故障诊断知识库中的因果知识和故障诊断模型，并整合多个案例对隐变量的伯努利分布参数的影响。
[0127]
可选地，在本技术的一个实施例中，两类外部隐变量节点包括充分性例外节点和
必要性例外节点，其中，充分性例外节点表示在故障发生的条件下，若充分性例外节点发生则征兆出现，充分性例外节点等于0的概率等价于leaky noisy-or中的失效概率；必要性例外节点包括故障的必要性例外节点和征兆的必要性例外节点，必要性例外节点表示在征兆或者故障不发生的条件下必要性例外节点不发生，征兆的必要性例外节点等于1的概率等价于leaky noisy-or中的泄露概率。
[0128]
可选地，在本技术的一个实施例中，更新模块400具体用于：在案例中包括故障诊断知识库未出现的新的故障、新的征兆或者新的因果关系的情况下，将新的故障、新的征兆或者新的因果关系添加至故障诊断知识库中作为新的因果知识，并初始化隐变量的概率值；在案例中包括的故障、征兆和故障与征兆之间的因果关系已存在于故障诊断知识库的情况下，更新故障的必要性例外节点的概率值和因果关系对应的充分性节点概率值；在案例中包括的征兆未诊断出确定的模式或原因的情况下，更新征兆的必要性节点的概率值。
[0129]
可选地，在本技术的一个实施例中，第二构建模块200具体用于通过以下公式计算引入的所述隐变量节点的数量:
[0130]
n(hidden)＝n(node) n(relation)
[0131]
其中，n(hidden)表示引入的隐变量节点数，n(node)表示故障和征兆的数目，n(relation)表示故障和征兆间二元因果关系的数目。
[0132]
可选地，在本技术的一个实施例中，第二构建模块200还用于：设置激励节点受故障节点和充分性例外节点的共同作用，服从以下公式所示的与门逻辑：
[0133][0134]
其中，o为激励节点，f为故障节点，uo为充分性例外节点；
[0135]
设置征兆节点受激励节点和征兆的必要性例外节点的共同作用，服从以下公式所示的或门逻辑：
[0136][0137]
其中，s为征兆节点，oi为任一激励节点，us为征兆的必要性例外节点。
[0138]
可选地，在本技术的一个实施例中，更新模块400还用于选取贝塔beta分布作为隐变量的伯努利分布参数的先验分布，并基于贝塔beta分布，结合案例中出现故障的次数和案例中未出现故障的次数确定隐变量的伯努利分布参数的后验分布；根据多个案例导入故障诊断知识库中的顺序依次更新所述隐变量的伯努利分布参数，包括：将本次更新的后验概率作为下一次更新的先验概率；通过以下公式计算更新后隐变量发生的后验概率：
[0139][0140]
其中，u是隐变量，μ是伯努利分布参数，e是期望值。
[0141]
需要说明的是，前述对风电机组故障诊断知识库的管理方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述
[0142]
综上所述，本技术实施例的风电机组故障诊断知识库的管理系统，先基于本体概念，结合语义网络，将非结构化的风电机组相关设备、系统知识通过计算机可识别的结构化语言表达出来，构建了全面、准确的故障诊断知识库，为提高风电机组故障诊断的准确性提
供了基础。再通过故障诊断知识库中构建的故障诊断模型对风电机组进行故障诊断。然后，向故障诊断知识库中定期批量录入故障诊断案例，实时更新数据库，从而可以根据历史故障发生频次以及补充征兆，不断完善故障诊断知识库中的故障与征兆间的因果关系等诊断知识和故障诊断模型，根据实际的诊断案例实时调整故障诊断模型中隐变量的概率值，有利于进一步提高风机诊断的准确性。由此，该系统对风电机组故障诊断知识库的创建、基于知识库的诊断应用和更新的整个流程进行了全方位的管理，通过对故障诊断知识库的准确和有效的管理，可以显著提高风机诊断的准确性。
[0143]
为了实现上述实施例，本技术还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的风电机组故障诊断知识库的管理方法。
[0144]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0145]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0146]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0147]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0148]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述
实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0149]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0150]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0151]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。