[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

说明书

本发明提供基于知识图谱的协同故障诊断方法及系统，属于机械故障诊断技术领域，分布式子节点构建本地故障知识图谱；中心节点对各本地故障知识图谱进行聚合，对各故障检测模型进行选择和聚合；聚合后的全局故障知识图谱下发给各分布式子节点，根据本地故障知识图谱和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，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。本发明克服现有故障诊断过程中故障数据的大规模、高维度、处理困难以及故障信息的非结构化、知识利用率较低的问题，与实际分布式场景中的故障诊断结合紧密，与数据集中式上传的故障诊断方式相比，有效保护数据隐私，节约通信带宽，具有更强的实用性。

技术领域

本发明涉及机械故障诊断技术领域，具体涉及一种基于双层知识图谱架构的分布式协同故障诊断方法。

背景技术

故障诊断是指系统在一定的工作环境下判断并能够定位和分析异常状态发生的部位，同时能够查明导致系统不正常的具体原因，判断故障的类别和等级，甚至可以进行自动修复或者给出相应修复的建议的过程。其中，如何进行大规模、高维度故障数据的处理以及如何从非结构化故障信息中进行故障知识的提取和检索是故障诊断所面临的难题。

深度学习和知识图谱这两大技术的提出可以有效解决上述故障诊断过程中所面临的问题。其中，深度学习技术因具有强大的特征学习和复杂建模能力，在处理大数据方面展现出极大的优势；知识图谱技术因具有细粒度、图形化的知识表示结构，在故障知识检索和推理方面具备极大的潜力。

在分布式场景中，以无人值守机房场景为例，无人值守机房的出现实现了机房设备监控，减轻了机房维护人员的负担，提高了系统的可靠性。然而机房故障诊断这一过程通常对运维人员的专业程度和经验积累要求较高，大型单位内无人值守机房数量众多且异地分散，像大规模集中式机房那样组建一只随时待命的高专业运维团队是不切实际的。

因此，如何实现分布式场景下的故障诊断是亟需考虑的，同时由于分布式场景的特殊性，故障诊断过程还面临以下挑战：基于深度学习的故障诊断方式通常需要大量的数据集进行故障检测模型的训练，但是部分节点中存储的数据集规模较小，最终会导致这些节点中故障检测模型的性能较差。如果将各节点中的数据进行汇总并进行集中的模型训练，固然可以提高各节点模型的故障检测能力，但是数据集传输会占用大量通信资源而且存在本地数据泄露导致的隐私保护问题。在故障成因分析环节，常采用故障树模型和贝叶斯网络相结合的方式，可以有效提升模型的反向推理能力，但是模型的构建复杂度并没有得到降低。同时考虑到各节点的具体环境和故障发生频率具有一定差异，如果仅仅按照全局的故障统计数据进行成因分析，有时并不能进行故障的准确定位。

发明内容

本发明的目的在于提供一种能够在分布式场景下的故障诊断过程中，在保护数据隐私的前提下实现各节点中故障诊断能力的提升、在降低故障成因模型构建复杂度的同时实现故障成因的差异化分析的基于双层知识图谱架构的分布式协同故障诊断方法，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种基于双层知识图谱架构的分布式协同故障诊断方法，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。