[发明专利]一种基于深度学习与知识图谱的设备故障智能诊断方法

权利要求书

1.一种基于深度学习与知识图谱的设备故障智能诊断方法，其特征在于：包括如下步骤：

（1）对设备的数据源进行数据采集、获取并进行数据预处理，得到数据集，数据源主要来自于传感器检测数据，将数据集进行划分，划分为训练集，测试集和验证集；

（2）构建了基于1D卷积神经网络，GRU以及注意力机制的深度学习模型，将训练集输入深度学习模型中，提取隐藏特征后进行训练，并输出诊断结果；

（3）通过获取设备以及设备故障相关信息，使用protege建模工具构建设备故障本体模型；通过jena解析技术，添加本体实例，构建出设备故障知识图谱，通过Neo4j数据库将故障图谱的展现出来；

（4）构建映射表，将深度学习模型与设备故障图谱通过映射表结合起来，获取更多故障相关信息，实现设备故障智能诊断。

2.根据权利要求1所述的一种基于深度学习与知识图谱的设备故障智能诊断方法，其特征在于：所述步骤（2）中所述构建基于1D卷积神经网络，GRU以及注意力机制的深度学习模型，分为以下4个步骤：

（2.1）构建一维卷积神经网络，对一维故障时间序列数据进行首次特征提取，卷积神经网络由卷积层，Batch Normalizaion层以及池化层组成；

（2.2）使用GRU对卷积之后的时间序列进行二次故障特征提取；

（2.3）为GRU输出的特征图添加注意力机制；

（2.4）将最终结果使用Flatten实现网络的平铺，最终通过全连接层实现故障分类。

3.根据权利要求2所述的一种基于深度学习与知识图谱的设备故障智能诊断方法，其特征在于：所述步骤（2.3）中所述GRU输出的特征图添加注意力机制的步骤，分为以下3个步骤：

（2.3.1）将GRU经过卷积池化最后所输出的特征通道作为注意力机制的输入，使用均值池化Average-Pooling1D作用于特征通道；

（2.3.2）使用两层全连接层，为特征通道分配生成权重；

（2.3.3）将生成的权重作为每个特征通道的重要程度，作乘法加权，乘到每个特征通道上。

4.根据权利要求1所述的一种基于深度学习与知识图谱的设备故障智能诊断方法，其特征在于：所述步骤（3）中所述设备故障知识图谱构建方法，分为以下3个步骤：

（3.1）通过七步法与METHONTOLOGY结合的本体建模方法进行设备故障本体的建模；

（3.2）构建了本体框架之后，通过信息提取技术，使用jena本体解析技术进行本体解析，将获取到的结构化文本以及半结构化EXCEL表格信息填充到本体中，构建故障知识图谱；

（3.3）将构建好的图谱通过Neo4j数据库实现持久化保存并展现。

5.根据权利要求1所述的一种基于深度学习与知识图谱的设备故障智能诊断方法，其特征在于：所述步骤（4）中提到的将深度学习模型与设备故障图谱相结合，分为以下3个步骤：

（4.1）通过获取到的设备故障数据集进行模型的训练，最终能够获得n种固定的设备故障分类结果，n取10；

（4.2）将（4.1）中的所有故障类型与图谱中的故障实例通过构建映射表联系起来；

（4.3）通过映射表，深度学习模型的结果映射到故障知识图谱中的某一节点。