[发明专利]基于知识图谱的智能电厂典型设备故障诊断知识库构建方法

说明书

本发明公开了一种基于知识图谱的面向智能电厂典型设备的故障诊断知识库构建方法。该方法直接面向智能电厂典型设备故障诊断领域，将源于工厂和互联网的多模态故障诊断数据与专家知识结合设计构建了故障诊断知识图谱，存储在知识库中，有效提升了故障诊断的自动化水平。本发明重新设计了“双层——三要素”形式的塔形知识图谱架构，表意能力强的同时便于检索应用。本发明通过使用双向GRU模型无监督构建了知识图谱中文本的描述向量，包含文本的语义信息，可用于优化故障诊断知识图谱，提升推理计算效率，对于故障诊断知识图谱落地应用具有重要意义。

技术领域

本发明属于电厂生产设备运行故障诊断领域，包含故障诊断知识图谱的设计与构建方法，以及知识库的应用方案，知识库的更新策略。

背景技术

智能电厂是在信息化与工业化深度融合的背景下提出的，旨在提升电力行业的智能化水平，实现无人巡检、自动故障诊断与处理、大数据分析与智能控制等技术提升。其中，故障诊断与处理对维持发电过程稳定进行、保障生产安全至关重要。对智能电厂关键设备的故障诊断，关键是构造故障诊断知识库，实现自动、可靠的故障诊断。通过对故障案例的收集和分析，利用知识图谱等前沿技术，有效处理自然语言，构建故障诊断知识库，可为实现智能电厂典型设备故障诊断提供基础。

知识图谱技术在2012年由Google公司率先应用于其搜索引擎中，极大提升了其搜索结果的质量。近年来，知识图谱与各行业开始进行深度融合，旨在解决行业痛点问题、降低人力成本。例如，临床数据相对受限的医疗领域也建立了相应的医学知识图谱，用于诊断常见的儿科疾病与部分危急重症，这种AI诊断模型对儿科疾病的临床平均准确率达90％，其表现可媲美低年资的主治医生。通过构建故障诊断知识库，可以实现智能电厂日常运行过程中自动、可靠、高效的故障诊断，从而形成高度智能化的决策，主动为电厂操作人员提供具体、有效的指导建议。当下，积累下来的故障诊断知识大多为非结构化数据，直接应用起来较为困难，需要重新梳理成各部分有机联系的知识图谱形式，从而对知识的存储、检索、推理、应用都具有重要意义。

近年来自然语言处理技术蓬勃发展，例如情感分析、文本摘要等有监督任务的表现都在不断提高。seq2seq等端到端的机器翻译模型也显著改进了当下的机器翻译效果。然而对于工业故障诊断文本的特征提取，常常是没有标签或者获取标签是十分昂贵的。并且，已有的故障诊断知识图谱方法通常以某种设备或具体故障术语为节点，以参数、表征、原因等几种特定的类型为边构建三元组，这种方法受到三元组自身的表意能力限制，描述具有复杂原因、复杂解决方案的能力受限。因此本发明采用了自监督学习的思想结合编码器——解码器模型来获取知识图谱中节点中的文本的特征向量，为之后需要高效计算和推理的任务提供支持。

发明内容

本发明的目的在于将机器学习和知识图谱技术应用于智能电厂典型设备故障诊断领域，通过设计针对故障诊断领域的知识图谱架构，构建智能电厂故障诊断知识库，为智能电厂故障诊断中涉及到的知识存储、检索、推理、应用、更新提供支持。

本发明的目的是通过以下技术方案来实现的：基于知识图谱的智能电厂典型设备故障诊断知识库构建方法，该方法包括以下步骤：

步骤1)收集原始数据。数据的来源包括互联网和合作电厂。合作电厂的数据质量高但数量少；互联网上数据多但质量较差。足够充足的数据来源一方面可以增大知识库的规模，另一方面也为之后的训练提供充足的训练样本。

步骤2)对多模态数据进行针对性的预处理，将非文本数据转换为文本数据。

步骤3)对文本数据进行处理，构建“双层——三要素”的知识图谱。“双层”指设备层、故障层。既便于故障诊断的落地应用，也利于使用设备检索故障。设备层基于专家提供、领域术语词典、TF-IDF算法提取出的关键词构建。故障层包括故障诊断的“三要素”：故障描述、故障诊断、处理意见。从而得到了故障诊断知识图谱；

步骤4)对故障描述文本、故障诊断文本、处理意见文本进行进一步处理，包括分句、分词、BPE处理，构建用于双向GRU网络提取文本特征的训练集；