[发明专利]基于双层知识图谱架构的分布式协同故障诊断方法

权利要求书

1.一种基于双层知识图谱架构的分布式协同故障诊断方法，其特征在于，包括：

分布式子节点基于本地故障信息构建本地故障知识图谱，并将本地故障检测模型的结构参数以及性能指标添加到本地故障知识图谱中；

各分布式子节点定期将本地故障知识图谱上传至中心节点，所述中心节点对各本地故障知识图谱进行聚合，并对各故障检测模型进行选择和聚合；

中心节点将聚合后的全局故障知识图谱下发给各分布式子节点，各分布式子节点根据本地故障知识图谱和接收到的全局故障知识图谱构建本地故障树模型，并映射成贝叶斯网络，根据贝叶斯网络进行故障成因的差异化分析，并结合全局故障知识图谱进行处理措施推荐。

2.根据权利要求1所述的基于双层知识图谱架构的分布式协同故障诊断方法，其特征在于，各分布式子节点的本地故障知识图谱构建完成后，将本地故障检测模型的结构参数以及性能指标，作为各子节点的属性信息存储在本地故障知识图谱中。

3.根据权利要求1所述的基于双层知识图谱架构的分布式协同故障诊断方法，其特征在于，本地故障知识图谱聚合之前，需要对知识表示进行规范化和统一化并进行故障知识对齐，所述故障知识对齐包括故障实体对齐、故障关系对齐以及故障属性对齐；本地故障知识图谱聚合过程包括故障实体聚合、故障关系聚合以及故障属性聚合；

故障检测模型的选择过程中，考虑模型的故障识别种类数、模型使用的数据集规模大小、模型的识别准确率、模型的故障识别种类数的增量以及模型所使用的故障数据集规模的增量这五个因素经过选择和聚合，将得到的全局故障检测模型的模型参数添加进聚合后的全局故障知识图谱。

4.根据权利要求1所述的基于双层知识图谱架构的分布式协同故障诊断方法，其特征在于，构建所述故障树模型的过程中，将由全局故障知识图谱梳理好的故障实体与故障原因间的因果关系以及故障原因间的逻辑关系直接进行导入，并结合双层故障知识图谱中的全局属性和局部属性信息，对所述故障树模型中的各基本事件进行定量分析，以求取所述基本事件的故障率。

5.根据权利要求4所述的基于双层知识图谱架构的分布式协同故障诊断方法，其特征在于，以求取所述基本事件的故障率，包括：

所述故障树模型中底事件的故障率的计算公式如下：

其中，λ_{b_k}表示分布式子节点E_k的第b个底事件的故障率，m_bg表示所有分布式子节点所统计的全部历史记录中第b个底事件发生的累计故障频次，m_{bl_k}表示在当前第k个子节点E_k的本地历史记录中第b个底事件发生的故障频次，T_g表示故障设备在所有分布式子节点中的累计总运行时长，T_{l_k}表示故障设备在子节点E_k中的总运行时长，w_g表示全局属性在公式中所占据的权重值，w_l表示局部属性在公式中所占据的权重值；

设分布式子节点E_k中某故障模式的故障树模型中底事件的个数为n，它们的故障率分别表示为λ_{b_k}(b＝1，2，...，n)；当所述故障树模型中，相邻两级事件均为“与”逻辑关系时，顶事件的故障率λ(T)的计算公式如下：

当所述故障树模型中，相邻两级事件均为“或”逻辑关系时，顶事件的故障率λ(T)的计算公式如下：