基于先验知识的工业故障诊断方法和系统

技术领域

本发明涉及电子信息工程技术领域，具体地，涉及一种基于先验知识的工业故障诊断方法和系统。

背景技术

在工业生产的历史上由于设备故障发生的惨案数不胜数，造成的损失不可估量。因此，针对工业故障的诊断系统就显得十分重要，这有利于规避工业流程中发生故障导致的重大风险，对于系统的安全性和稳定性有着十分重大的意义。复杂工业系统的各个部件之间以及系统运行中的各个变量往往都是互相关联，紧密耦合的，在进行故障预测时，有时需要对特定的某个变量或者某些变量进行分析，一些基于基本神经网络的预测方法，往往只关注历史数据的时序特性，从而忽略掉输入数据中各变量之间的潜在拓扑信息。传统的基于因果关系的故障诊断方法例如：图论、故障树、定性物理分析等技术往往会关注变量之间的关联，着重分析系统的内在拓扑结构的信息，但是此类定性的推断方法往往又忽略了数据本身所蕴含的信息，因而难以实现定量分析。因此在预测时需要同时把握数据中各变量之间的内在关联和数据序列的时序特性。

专利文献CN111898872A(申请号：202010658415.3)公开了一种基于微服务架构的电网故障诊断方法，属于电子信息工程技术领域。所述方法包括：微服务架构企业中台生成电网巡视任务信息，并将所述任务信息发送到PC指挥部，PC指挥部将所述任务信息发送给巡视机器人，巡视机器人对电网进行巡视，将巡视信息发送到PC指挥部，指挥部分析判断出是否出现故障以及出现故障的位置。

生产过程中获得的原始数据就是进行故障诊断的关键。传统的工业数据往往局限于一个部门或一个车间，导致信息孤立，形成信息孤岛。随着智能制造的兴起和工业4.0时代的到来，数据就是最宝贵的财富，可以充分利用数据，创造出新的价值。智能制造下的故障诊断，打破信息孤岛，从数据中挖掘出更多的价值。随着科技水平的高速发展，如今的工业系统规模越来越大，结构也越来越复杂。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于先验知识的工业故障诊断方法和系统。

根据本发明提供的基于先验知识的工业故障诊断方法，包括：

步骤1：利用符号有向图进行建模，构建工业知识的拓扑先验图；

步骤2：通过图卷积网络提取输入数据图结构中的局部特征；

步骤3：构建统计量进行故障诊断；

步骤4：在图卷积网络的基础上，使用图卷积长短时记忆循环神经网络，学习到工业数据中的动态时间特性，进行故障预测；

步骤5：将图卷积与长短时记忆网络结合，与SDG建模一起封装成微服务装置，以微服务的方式实现工业系统的故障诊断以及故障预测。

优选的，所述步骤1包括：

先列出工业系统的变量和相关部件，将变量作为模型的节点并进行定义；

然后依据经验知识确定变量之间的相互作用关系，得出影响方程组；

最后由影响方程组建立SDG模型，并利用工业数据对SDG进行验证、修正，最终得到工业过程SDG图。

优选的，所述步骤2包括：

图卷积网络的输入是一张完整的图，在第一个卷积层对图中每个节点的邻居节点进行一次卷积运算，得到的结果对该节点进行更新，接着利用激活函数进行非线性映射；重复上述过程，构建深度图卷积网络模型；

邻域矩阵A、输入数据x

优选的，所述步骤3包括：

定义图卷积网络的局部特征所张成的空间，称为特征子空间，根据特征的统计分布特性，基于局部特征G

H

对于任意输入样本，H

优选的，所述步骤4包括：

将图卷积的感受野从一阶邻域拓展到k阶领域，定义一种k阶图卷积算子：

其中，⊙为Hadamard乘积算子，即逐元素矩阵乘法算子；x

不同阶数的领域对应不同的图卷积特征，将不同阶数领域中提取到的图卷积特征拼接到一起：

根据本发明提供的基于先验知识的工业故障诊断系统，包括：

模块M1：利用符号有向图进行建模，构建工业知识的拓扑先验图；

模块M2：通过图卷积网络提取输入数据图结构中的局部特征；

模块M3：构建统计量进行故障诊断；

模块M4：在图卷积网络的基础上，使用图卷积长短时记忆循环神经网络，学习到工业数据中的动态时间特性，进行故障预测；

模块M5：将图卷积与长短时记忆网络结合，与SDG建模一起封装成微服务装置，以微服务的方式实现工业系统的故障诊断以及故障预测。

优选的，所述模块M1包括：

先列出工业系统的变量和相关部件，将变量作为模型的节点并进行定义；

然后依据经验知识确定变量之间的相互作用关系，得出影响方程组；

最后由影响方程组建立SDG模型，并利用工业数据对SDG进行验证、修正，最终得到工业过程SDG图。

优选的，所述模块M2包括：

图卷积网络的输入是一张完整的图，在第一个卷积层对图中每个节点的邻居节点进行一次卷积运算，得到的结果对该节点进行更新，接着利用激活函数进行非线性映射；重复上述过程，构建深度图卷积网络模型；

邻域矩阵A、输入数据x

优选的，所述模块M3包括：

定义图卷积网络的局部特征所张成的空间，称为特征子空间，根据特征的统计分布特性，基于局部特征G

H

对于任意输入样本，H

优选的，所述模块M4包括：

将图卷积的感受野从一阶邻域拓展到k阶领域，定义一种k阶图卷积算子：

其中，⊙为Hadamard乘积算子，即逐元素矩阵乘法算子；x

不同阶数的领域对应不同的图卷积特征，将不同阶数领域中提取到的图卷积特征拼接到一起：

与现有技术相比，本发明具有如下的有益效果：

本发明通过微服务实现工业系统的故障诊断以及故障预测，将工业系统的各个组成部分之间的互相关联与紧密耦合，使用微服务架构可以对工业系统进行解耦，将诸多业务划分为多个微服务，并且微服务之间相对独立，易于管理。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为GC-LSTM模型；

图2为基于拓扑先验的故障诊断模型；

图3为故障诊断以及故障预测流程图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

实施例：

本发明提供了一种基于先验知识的工业故障诊断方法，首先使用先验知识的符号有向图SDG建模方法对工业过程进行拓扑图的构建。然后使用图卷积实现先验的特征提取。构建H

具体包括如下步骤：

1.利用符号有向图建模构建工业知识的拓扑先验图

符号有向图SDG是一种用来描述复杂系统内部结点之间因果关系的拓扑模型，它由结点以及结点之间的有向边所构成，能够将复杂系统用图的形式进行直观地展示，这为研究复杂工业系统发生异常的危险和故障的传播、及时定位故障源提供了重要的模型依据。SDG具有极佳的完备性，能够囊括大量的信息。与传统的浅层经验模型——专家系统相比，SDG的知识模型层次更深，包含的信息也更加丰富全面。

本发明采用基于流程图和经验结合的方法对工业系统进行SDG建模。首先列出工业系统的重要变量(作为模型的节点)和涉及的相关部件，并将变量定义。然后依据经验知识确定变量之间的相互作用关系，得出影响方程组。最后由影响方程组建立SDG模型，并利用工业数据对SDG进行验证，修正，得到最终的工业过程SDG图。

2.图卷积实现先验的特征提取

传统的神经网络卷积层的核心思想是提取输入工业数据的局部特征，与传统卷积类似，图卷积的核心思想同样是提取输入数据图结构中的局部特征。图卷积网络的输入是一张完整的图，在第一个卷积层对图中每个节点的邻居节点进行一次卷积运算，得到的结果对该节点进行更新，接着利用激活函数进行非线性映射；重复上述过程，可以构建深度图卷积网络模型。因此，邻域矩阵A、输入数据x

3.构建统计量进行故障诊断

定义图卷积网络的局部特征所张成的空间称为特征子空间，根据特征的统计分布特性，基于局部特征G

H

对于任意输入样本，H

4.长短时记忆网络实现故障预测

在图卷积网络的基础上，使用了图卷积长短时记忆(GC-LSTM)循环神经网络，学习到工业数据中的动态时间特性，实现故障预测。

采用一阶领域，确定感受野的方式是有局限性的，它忽略了更远处的领域结点所包含的信息。为了避免这种局限性，需要将图卷积的感受野从一阶邻域拓展到k阶领域。因此，定义一种k阶图卷积算子：

其中，⊙为Hadamard乘积算子，即逐元素矩阵乘法算子，x

不同阶数的领域对应着不同的图卷积特征，为了丰富特征空间，将不同阶数领域中(从1到K)提取到的图卷积特征拼接到一起即：

5.故障诊断微服务方法和装置

将基于拓扑先验的工业故障诊断方法封装成微服务实现装置，微服务装置包括API网关、数据库、GC-LSTM模型等。

其中，API网关提供用户接口，既可以向API接口输入实时数据，也可以从API接口获得故障预测与诊断结果。

数据库存储工业系统中重要参数的历史数据，以及输入到微服务装置中的无故障实时数据。

GC-LSTM模型是故障诊断微服务装置的模型业务模块，用于实现故障诊断以及故障预测。

具体步骤如图3所示：

1、将工业系统的实时数据通过API接口输入故障诊断微服务装置；

2、选取工业系统中重要的参数，获取其历史数据存储到数据库中，并构建标准数据集。标准数据集基于先验知识和工业流程图，构建SDG图；

3、使用SDG图训练GC模型，得到最优参数；

4、提取特征，计算

5、利用

6、估计统计量控制阈值；

7、计算统计量并判断是否到达统计量阈值；

8、若达到阈值，则发生故障，并通过API接口输出故障诊断结果；若未达到阈值，则未发生故障，并将实时数据输入到数据库中。

如图1所示，GC-LSTM模型通过对工业过程的图信息进行卷积操作提取空间特征，同时借助LSTM又能学习到工业数据中的动态时间特性。模型中各个门结构以及隐层与基本LSTM保持一致，而输入则换成了图卷积特征向量。由于工业过程的SDG图中每个节点所对应的变量都会与其自身以及领域结点对应变量的历史状态有关，图中每个节点的LSTM细胞状态也会受到领域节点对应的细胞状态的影响。因此，需要在LSTM单元中加入了一个细胞状态门。

如图2所示，区别于普通预测模型的输入为各变量组成的向量序列，该模型带有拓扑先验并且输入为各变量之间关系图经过图卷积操作的特征图。因此能够从空间域中提取包含大量信息的模式和特征，提升故障预测的效果。

根据本发明提供的基于先验知识的工业故障诊断系统，包括：模块M1：利用符号有向图进行建模，构建工业知识的拓扑先验图；模块M2：通过图卷积网络提取输入数据图结构中的局部特征；模块M3：构建统计量进行故障诊断；模块M4：在图卷积网络的基础上，使用图卷积长短时记忆循环神经网络，学习到工业数据中的动态时间特性，进行故障预测；模块M5：将图卷积与长短时记忆网络结合，与SDG建模一起封装成微服务装置，以微服务的方式实现工业系统的故障诊断以及故障预测。

所述模块M1包括：先列出工业系统的变量和相关部件，将变量作为模型的节点并进行定义；然后依据经验知识确定变量之间的相互作用关系，得出影响方程组；最后由影响方程组建立SDG模型，并利用工业数据对SDG进行验证、修正，最终得到工业过程SDG图。

所述模块M2包括：图卷积网络的输入是一张完整的图，在第一个卷积层对图中每个节点的邻居节点进行一次卷积运算，得到的结果对该节点进行更新，接着利用激活函数进行非线性映射；重复上述过程，构建深度图卷积网络模型；邻域矩阵A、输入数据x

所述模块M3包括：定义图卷积网络的局部特征所张成的空间，称为特征子空间，根据特征的统计分布特性，基于局部特征G

所述模块M4包括：将图卷积的感受野从一阶邻域拓展到k阶领域，定义一种k阶图卷积算子：

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。