一种基于知识图谱的复杂装备多模态故障数据库分析方法与流程

本发明涉及数据分析，具体涉及一种基于知识图谱的复杂装备多模态故障数据库分析方法。

背景技术：

1、当前，复杂装备维修一线仍然主要依赖于维修工程师的个人知识储备和经验积累实施故障诊断。但是由于装备的复杂性，故障诊断是一种典型的知识密集型活动，维修工程师需要耗费大量时间翻阅相关文本资料，掌握相关系统的功能结构、工作原理等知识，才能分析出可能的故障原因，然后再根据自身的理解采取观察、测量等测试手段逐步定位到故障单元。该方式诊断效率低下，经常造成装备长期故障停机，严重制约装备完好率。实际上，通过信息管理措施，积累了规模十分庞大的故障文档资料库等。这些资源对于复杂装备故障诊断来说是十分宝贵的知识源泉，但由于其具有多源异构、非结构化的特点，导致这些故障资料虽然形式上存储在一起，但实际上是相互割裂的“信息孤岛”，没有真正地实现知识共享，从而成为一种资源浪费。

2、知识图谱，是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。

3、由于复杂装备在运行维护和故障检修，已积累大量的故障数据，但这些故障数据具有分布广泛、数据量庞大、多种数据模态等特点，且文本中存在描述不规范等问题，加重故障知识的复杂性，导致维修人员难以利用现有的文本知识数据进行故障维修，进而导致设备的维护难以高效展开的问题，容易导致重大产品损失。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种基于知识图谱的复杂装备多模态故障数据库分析方法，通过对已有的故障知识数据进行分析处理，并利用知识图谱技术实现对复杂装备的故障知识数据的聚类分析，用以作为复杂装备实施故障维护的辅助数据信息，帮助提高故障维修的效率，减少故障发生对设备的停机时间的影响。

2、为了解决上述技术问题，本发明采用了如下技术方案：

3、一种基于知识图谱的复杂装备多模态故障数据库分析方法，包括如下步骤：

4、s1、采集复杂装备的各模态的故障知识数据，对所述故障知识数据进行信息抽取；

5、s2、对信息抽取后的故障知识数据进行分类，并对数据进行预处理；

6、s3、根据预处理后的故障知识数据进行知识融合，根据融合结果构建复杂装备知识图谱，通过所述复杂装备知识图谱可视化输出复杂装备的故障知识数据聚类分析结果。

7、作为优选方案，步骤s1中，所述采集复杂装备的各模态的故障知识数据，对所述故障知识数据进行信息抽取包括：

8、利用预设的复杂装备采集参数，通过信号采集器实时采集获取复杂装备的各模态的故障知识数据；

9、将所述故障知识数据通过信号采集器进行放大和滤波处理，并转换为数字信号；

10、对转换后的故障知识数据进行信息抽取，获得语义信息数据、运行日志数据和故障数据。

11、作为优选方案，步骤s2中，对抽取后的故障知识数据进行分类，并对数据进行预处理包括：

12、对信息抽取后的故障知识数据根据复杂设备的数据特点进行分类，将其分类为静态数据、实时数据和流数据；

13、根据预设规则对每一类故障知识数据进行处理，并剔除除符合预设规则外的故障知识数据；

14、对处理后的故障知识数据采用自然语言处理操作进行知识抽取，抽取出与故障有关的实体、属性以及关系。

15、作为优选方案，所述预设规则处理包括格式匹配、字符串逻辑检查、内容为空检查、重复记录检查、范围内检查、表外键关联检查、逻辑检查、复合逻辑检查以及自定义逻辑检查。

16、作为优选方案，步骤s2之后，所述方法还包括：

17、根据采集到的各模态的故障知识数据，计算各模态的故障知识数据权重，并根据所述各模态的故障知识数据权重对各模态的故障知识数据进行实时动态分配。

18、作为优选方案，所述计算各模态的故障知识数据权重通过如下公式计算：

19、

20、式中，px标表示模态x的权重值，nx表示模态x的故障知识数据量，n表示所有模态的故障知识数据量。

21、作为优选方案，步骤s3中，所述根据预处理后的故障知识数据进行知识融合的具体流程为：

22、s301、通过知识抽取出的实体与属性，分别计算概念名称相似度和属性相似度，并根据所述概念名称相似度与属性相似度计算得到概念综合相似度；

23、s302、根据所述概念综合相似度，当概念综合相似度大于或等于预设阈值时，则判定实体具有相同含义，将实体进行知识融合；当概念综合相似度小于预设阈值时，则判定实体不具有相同含义，将实体分别储存。

24、作为优选方案，步骤s301中，所述概念名称相似度采用isub字符串映射算法判定概念名称相似度，具体公式为：

25、

26、isub(bg,bl)＝comm(bg,bl)-diff(bg,bl)+winkler(bg,bl)；

27、式中，表示概念名称的相似度，cg表示全局本体概念，cl表示局部本体概念，nbg，nbl分别表示cg和ol在cg，og中的名称，bg表示全局本体中概念字符串，bl表示局部本体中概念字符串，comm(bg,bl)是概念字符相同的部分；diff(bg,bl)表示概念字符不同的部分，winkler(bg,bl)是修正系数；

28、所述属性相似度为当复杂装备的故障知识数据的全局本体模型中其中一个概念与其局部本体模型中的其中一个概念具有相似的属性或相同的属性时，判定这两个概念相同或相似，其中局部本体概念属性集合为全局本体概念属性集合为具体公式为：

29、

30、式中，sa表示属性相似度；wi表示属性权重；

31、所述概念综合相似度为根据概念名称相似度与属性相似度，计算综合相似度，具体公式为：

32、

33、式中，sf(cl,cg)表示概念综合相似度，wn表示概念名称相似度权值；wa表示属性相似度权值。

34、作为优选方案，所述步骤s3中，构建复杂装备知识图谱后，采用neo4j图数据库对所述复杂装备知识图谱进行可视化，输出复杂装备的故障知识数据聚类分析结果。

35、与现有技术相比，本发明具有以下技术效果：

36、本发明通过公开了一种基于知识图谱的复杂装备多模态故障数据库的可视化分析方法，能够为复杂装备的长期、稳定的正常运行提供数据支持，进而帮助维修人员对同类故障进行快速定位，正确分析故障诱因，提高故障维修的效率，减少故障发生对设备的停机时间的影响。本发明从已有的故障知识数据中利用预设的采集参数进行故障知识数据采集，提高了数据的可靠性，避免不必要的数据采集；将采集的不同类型和不用来源的故障知识数据进行分类和对故障知识数据的结构、完整性和准确性进行预处理，同时计算不同模态数据的数据占比，实时动态的分配存储和计算资源，解决数据分配不均导致数据检索计算效率低的问题；通过根据实体的概念名称相似度、属性相似度和概念综合相似度进行知识融合，使来源不同的故障知识数据在相同的框架下进行数据加工和消歧，以形成高质量的复杂装备知识图谱，并通过neo4j图数据库实现复杂装备知识图谱的可视化，以此作为复杂装备的故障知识数据的聚类分析结果，能够提升故障指数数据的读写能力。将由此得到的复杂装备的故障知识数据的聚类分析结果用以作为复杂装备实施故障维护的辅助数据信息，能够帮助提高故障维修的效率，减少故障发生对设备的停机时间的影响。