[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

说明书

本发明公开了一种基于深度学习与知识图谱的设备故障智能诊断方法，属于设备故障诊断领域。该方法包括如下步骤：1、通过设备传感器获得设备运转实时振动数据，进行数据预处理；2、通过CNN与GRU以及Attention机制的结合使用构建深度学习模型，通过训练，构建出设备故障诊断深度学习模型，实现故障类型result的判断；3、通过Protege建模工具构建设备故障本体模型，丰富故障本体模型中的实例，构建出设备故障图谱。通过Cypher语句将图谱导入到图数据库Neo4j中，实现图谱可视化；4、构造result与知识库中实例的映射表，以实例作为查询条件查询出故障现象相关信息。本发明可以解决传统故障诊断方法存在的特征提取能力不足，诊断效率不高以及故障诊断结果单一的问题。

技术领域

本发明公开了一种基于深度学习与知识图谱的设备故障智能诊断方法，属于设备故障诊断领域。

背景技术

随着现代生产的发展和科学技术的进步，设备的结构复杂程度越来越高，自动化程度也越来越高。在复杂的设备工作环境下，设备故障越来越难以诊断。准确、高效、完整的故障诊断解决方案是设备发展的客观要求。

传统上可以将故障诊断方法分为两类:定性分析，如专家系统和故障树；定量分析，如小波变换、谱分析和粗糙集。这些传统的故障诊断方法可以在一定程度上解决一些故障诊断问题。但是也存在不足，传统故障诊断方法存在的问题大致总结为：(1)一些故障诊断方法过于依赖专家经验。(2)人工提取特征后，用传统的机器学习方法进行故障分类和识别。过程分为两部分，可能会浪费很多时间。(3)诊断结果不具有信息性，通常只指示故障是否或哪一部分发生，缺乏更完整的故障诊断过程。将深度学习方法应用于故障诊断可以解决传统故障诊断方法中存在的问题，如依赖专家经验、特征提取与故障分类过程分离、特征提取能力弱、分类性能差等，并且能够实现设备故障端到端一个完整的紧密的诊断过程。但仍然存在诊断结果单一的问题。通常深度学习诊断出的结果只是一个故障类型，仅仅是一个故障类型并不能对设备故障诊断提供充足的诊断信息，这是需要解决的问题之一，同时深度学习模型准确率也有待提高。

发明内容

本发明提出一种基于深度学习与知识图谱的设备故障智能诊断方法，该方法充分利用深度学习模型的较好的特征提取能力和分类能力以及知识图谱对知识的重组能力，解决传统故障诊断方法存在的特征提取能力不足，诊断效率不高以及故障诊断结果单一的问题。

本发明为解决其技术问题采用如下技术方案：

一种基于深度学习与知识图谱的设备故障智能诊断方法，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，将训练集输入诊断模型中，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protégé(本体开发工具)建模工具构建设备故障本体模型；通过jena(语义网应用框架)解析技术，添加本体实例，构建出设备故障知识图谱，通过Neo4j(图形数据库)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。

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；