基于图嵌入的卫星故障诊断方法、装置、设备及存储介质

技术领域

本发明涉及卫星故障诊断技术领域，尤其涉及基于图嵌入的卫星故障诊断方法、装置、设备及存储介质。

背景技术

近年来，随着航天技术的快速发展，全球发射了多种类型的卫星，包括通信卫星、导航卫星、遥感卫星等，这些卫星在通信、导航、气象等行业有着重要的作用。卫星一旦发生故障会对民生带来很大影响，导致通信服务，气象服务等基础服务的中断，造成重大的经济损失。如何快速定位卫星故障知识进而辅助故障诊断，已经成为目前航天领域内重要的研究目标对提高卫星的可靠性与时效性具有重要的意义。

卫星在轨运行的过程中，为了记录故障解决过程，形成了大量的故障归零报告。现有技术中通常有基于传统规则的方法和基于深度学习训练的方法。在基于传统规则的方案中，通常是获取到实时的设备运行数据，必须根据专家人为制定的故障规则进行匹配，根据不同的阈值来确定出故障的原因，或者直接就根据设备运行中的一些关键指标信息来进行判断故障导致的原因。在基于深度学习的方案中，需要根据相应的知识图谱去构建出相应故障现象的特征，根据特征工程训练出故障诊断模型。

但是，基于传统规则进行故障诊断，由于规则太局限的原因，无法适应规则外的故障信息，关键指标也无法代表整个故障产生的原因，故障诊断结果不够准确；在基于深度学习的方案中，对于新的故障报告每次都需要进行训练，耗费大量的算力资源，并且需要大量的数据才能训练出高质量的故障诊断模型，通过模型得出的故障原因可解释性不强。

发明内容

本发明提供了一种基于图嵌入的卫星故障诊断方法、装置、设备及存储介质，以解决卫星故障诊断结果不准确、耗费资源以及可解释性不强的问题。

根据本发明的一方面，提供了一种基于图嵌入的卫星故障诊断方法，包括：

获取故障现象查询语句，对所述故障现象查询语句进行分析，确定故障要素；

基于各所述故障要素构建虚拟子图，并基于各所述故障要素结合预先构建的卫星故障知识图谱确定候选子图，确定所述虚拟子图对应的第一目标向量以及各所述候选子图对应的第二目标向量，并计算所述第一目标向量和各所述第二目标向量的相似度，得到各所述候选子图与所述虚拟子图的相似度；其中，所述第一目标向量和第二目标向量基于图嵌入算法确定；

基于各所述候选子图对应的相似度结合所述卫星故障知识图谱进行故障诊断，得到故障诊断结果。

根据本发明的另一方面，提供了一种基于图嵌入的卫星故障诊断装置，包括：

查询语句获取模块，用于获取故障现象查询语句，对所述故障现象查询语句进行分析，确定故障要素；

子图相似度计算模块，用于基于各所述故障要素构建虚拟子图，并基于各所述故障要素结合预先构建的卫星故障知识图谱确定候选子图，确定所述虚拟子图对应的第一目标向量以及各所述候选子图对应的第二目标向量，并计算所述第一目标向量和各所述第二目标向量的相似度，得到各所述候选子图与所述虚拟子图的相似度；其中，所述第一目标向量和第二目标向量基于图嵌入算法确定；

故障诊断模块，用于基于各所述候选子图对应的相似度结合所述卫星故障知识图谱进行故障诊断，得到故障诊断结果。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器，以及与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于图嵌入的卫星故障诊断方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于图嵌入的卫星故障诊断方法。

本发明实施例的技术方案，通过获取故障现象查询语句，对故障现象查询语句进行分析，确定故障要素；通过故障要素构建虚拟子图和候选子图，实现以图搜图，并进一步基于图嵌入算法确定虚拟子图对应的第一目标向量以及各候选子图对应的第二目标向量，实现节点向同一空间向量的转换，方便后续故障诊断；通过计算第一目标向量和各第二目标向量的相似度，得到各候选子图与虚拟子图之间的相似度，进而通过卫星故障知识图谱进行故障诊断，解决了卫星故障诊断结果不准确、耗费资源以及可解释性不强的问题；诊断过程基于卫星故障知识图谱实现，不局限于规则即可实现卫星故障的诊断，故障诊断结果更加准确；并且卫星故障知识图谱构建一次即可，无需训练模型，节省算力资源，且通过卫星故障知识图谱进行卫星故障诊断，故障原因可解释性较强，可以帮助相关人员快速定位到对应的故障原因。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的一种基于图嵌入的卫星故障诊断方法的流程图；

图2是根据本发明实施例二提供的一种基于图嵌入的卫星故障诊断方法的流程图；

图3是根据本发明实施例二提供的一种候选子图检索的实现示例图；

图4是根据本发明实施例二提供的一种卫星故障知识图谱的构建流程示例图；

图5是根据本发明实施例二提供的一种卫星故障知识图谱的结构示例图；

图6是根据本发明实施例二提供的一种图嵌入算法的过程示意图；

图7是根据本发明实施例二提供的一种故障诊断树的示例图；

图8是根据本发明实施例二提供的一种卫星故障诊断的整体实现示例图；

图9是根据本发明实施例三提供的一种基于图嵌入的卫星故障诊断装置的结构示意图；

图10是实现本发明实施例的基于图嵌入的卫星故障诊断方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供的一种基于图嵌入的卫星故障诊断方法的流程图，本实施例可适用于对卫星故障进行准确诊断的情况，该方法可以由基于图嵌入的卫星故障诊断装置来执行，该基于图嵌入的卫星故障诊断装置可以采用硬件和/或软件的形式实现，该基于图嵌入的卫星故障诊断装置可配置于电子设备中。如图1所示，该方法包括：

S101、获取故障现象查询语句，对故障现象查询语句进行分析，确定故障要素。

在本实施例中，故障现象查询语句具体可以理解为包括描述卫星故障的语句，故障现象查询语句可以由用户输入，例如，在卫星运行时，监测卫星的状态、参数等信息，若检测到异常，则可以认为卫星运行过程中产生了故障，此时可以实时对卫星的故障进行分析，工作人员可以通过卫星所产生的故障现象形成故障现象查询语句。故障要素具体可以理解为描述故障的信息，例如，设备的名称、参数、参数现象等等。

本申请实施例所提供的一种基于图嵌入的卫星故障诊断方法可以部署在系统或者平台，系统或者平台具有信息接收功能，可以为用户提供一个信息输入的窗口或者按钮等，用户输入故障现象查询语句，系统或者平台作为本执行设备接收故障现象查询语句。对故障现象查询语句进行解析，抽取故障现象查询语句中的要素信息，并基于分词模型利用专业词典作为分词词典对抽取信息进行补充，在对两部分信息进行信息融合，得到故障要素。

示例性的，以故障现象查询语句为“北分流器壳温异常”为例，基于UIE信息抽取模型抽取出故障现象查询语句中对应的要素信息，抽取出对应的信息为(北分流器，设备)、(异常，参数现象)等，基于LAC分词模型利用专业词典作为分词字典对抽取信息进行补充，最后对两部分信息进行信息融合，得到故障要素。采用UIE信息抽取模型，可以基于少量的文本语料训练出高质量的抽取模型。

S102、基于各故障要素构建虚拟子图，并基于各故障要素结合预先构建的卫星故障知识图谱确定候选子图，确定虚拟子图对应的第一目标向量以及各候选子图对应的第二目标向量，并计算第一目标向量和各第二目标向量的相似度，得到各候选子图与虚拟子图的相似度；其中，第一目标向量和第二目标向量基于图嵌入算法确定。

在本实施例中，虚拟子图具体可以理解为描述故障发生的相关信息的结构图，由故障要素构成，虚拟子图有可能在卫星故障知识图谱中存在，也可能不存在。候选子图具体可以理解为与虚拟子图可能存在一定相似性或者相关性的结构图，用于辅助虚拟子图进行故障诊断。卫星故障知识图谱具体可以理解为根据卫星故障的相关信息所构建的知识图谱，卫星故障知识图谱中包含大量卫星故障的相关信息，可用于对卫星故障进行诊断。第一目标向量具体可以理解为虚拟子图向量化后得到的向量，通常是多维向量；第二目标向量具体可以理解为候选子图进行向量化后得到的向量，通常也是多维向量，第一目标向量和第二目标向量的维度相同。

预先获取卫星故障的相关信息，例如，卫星故障的相关报告，通过对卫星故障的相关信息进行分析，形成三元组，并进一步基于三元组构建卫星故障知识图谱。基于各故障要素构建虚拟子图时可以通过全部的故障要素构建虚拟子图，也可以从中筛选重要的故障要素构建虚拟子图，例如，同一类型的参数选择更为重要的构建虚拟子图。基于各故障要素搜索卫星故障知识图谱，得到不同的候选子图，在搜索卫星故障知识图谱时，可以基于全部的故障要素进行搜索，也可以选择部分故障要素进行搜索，得到不同的虚拟子图。对虚拟子图中的每个节点进行向量化得到对应的第一目标向量，或者预先对不同的节点进行向量化，并对向量化的结果进行存储，在卫星故障诊断时，直接查询得到对应的向量作为第一目标向量。同理，对候选子图中的节点进行向量化得到第二目标向量，或者查询预先进行向量化的向量化结果得到第二目标向量。在对节点进行向量化时通过图嵌入算法实现，即预先通过图嵌入算法对节点进行向量化并存储，或者在故障诊断时通过图嵌入算法对节点进行向量化，通过图嵌入算法对节点进行向量化实现了数据到向量空间的转化，方便后续数据处理计算。基于相似度计算方法计算第一目标向量和每个第二目标向量的相似度，相应得到每个候选子图与虚拟子图的相似度。

示例性，本申请实施例提供一种相似度计算方法。当虚拟子图和候选子图分别构建好向量表征之后，两个向量表征在同一向量空间维度下，即第一目标相似度和第二目标相似度在同一向量空间维度下。采用余弦相似度来进行两个子图之间的相似度计算，余弦相似度(Cosine Similarity)余弦相似度是一种比较句子相似度的常用度量方式。假设A和B分别表示第一目标向量和第二目标向量，则余弦相似度的计算方法如下：

其中，·表示两个向量的点积运算，|| ||表示向量的模。

S103、基于各候选子图对应的相似度结合卫星故障知识图谱进行故障诊断，得到故障诊断结果。

在本实施例中，故障诊断结果可以是故障原因、故障概率等等，也可以包含相应的处理措施，故障诊断结果可以以文档、文字等形式输出并展示，也可以以故障树等形式展示，更加直观。

基于各候选子图对应的相似度可以实现对候选子图的筛选，例如，筛选出相似度最高的候选子图作为最佳子图，根据最佳子图查询卫星故障知识图谱确定对应的故障报告，进而分析故障原因。或者，将每个候选子图均查询卫星故障知识图谱确定对应的故障报告，分析故障原因，并基于相似度等计算每个故障原因的概率，形成故障树等等。通过卫星故障知识图谱对卫星故障进行诊断，得到相应的故障诊断结果，故障诊断结果可以辅助工作人员进行故障排查和维修。

本发明实施例提供了一种基于图嵌入的卫星故障诊断方法，通过获取故障现象查询语句，对故障现象查询语句进行分析，确定故障要素；通过故障要素构建虚拟子图和候选子图，实现以图搜图，并进一步基于图嵌入算法确定虚拟子图对应的第一目标向量以及各候选子图对应的第二目标向量，实现节点向同一空间向量的转换，方便后续故障诊断；通过计算第一目标向量和各第二目标向量的相似度，得到各候选子图与虚拟子图之间的相似度，进而通过卫星故障知识图谱进行故障诊断，解决了卫星故障诊断结果不准确、耗费资源以及可解释性不强的问题；诊断过程基于卫星故障知识图谱实现，不局限于规则即可实现卫星故障的诊断，故障诊断结果更加准确；并且卫星故障知识图谱构建一次即可，无需训练模型，节省算力资源，且通过卫星故障知识图谱进行卫星故障诊断，故障原因可解释性较强，可以帮助相关人员快速定位到对应的故障原因。

实施例二

图2为本发明实施例二提供的一种基于图嵌入的卫星故障诊断方法的流程图，本实施例在上述实施例的基础上进行细化。如图2所示，该方法包括：

S201、获取故障现象查询语句，对故障现象查询语句进行分析，确定故障要素。

S202、将各故障要素作为虚拟子图的节点，将虚拟子图中的各节点进行连接，得到虚拟子图。

将所有的故障要素均作为虚拟子图的一个节点，得到虚拟子图的多个节点，将各节点进行连接，连接方式可以是两两连接，得到的结构图即为虚拟子图。

S203、查询向量数据库，确定虚拟子图中每个节点对应的第一向量，向量数据库基于图嵌入算法构建。

预先基于图嵌入算法构建向量数据库，通过图嵌入算法对节点进行向量化，得到每个节点对应的向量，并存储到向量数据库中；向量数据库中存储不同节点对应的向量。在构建好虚拟子图后，按照虚拟子图中的每个节点查询向量数据库，对于每个节点，确定此节点在向量数据库中匹配的节点，将与其匹配的节点对应的向量作为第一向量。在查询向量数据库确定匹配的节点的过程中，可以确定与虚拟子图的节点完全一致的节点作为匹配的节点，或者在没有完全一致的节点的情况下确定相似的节点作为匹配的节点，等等。

S204、基于各第一向量确定第一目标向量。

在得到每个节点对应的第一向量后，将各第一向量进行处理，得到一个第一目标向量。基于各第一向量确定第一目标向量的方式可以是对各第一向量进行加权求和、求平均等，例如，第一向量为d维向量，将各第一向量的每个维度分别进行求平均，得到第一目标向量。

示例性的，故障现象查询语句中对应的故障要素(北分流器，设备)、(壳温，参数)、(异常，参数现象)在向量库中对应的向量分别为v

S205、确定至少一个子图节点数量。

在本实施例中，子图节点数量具体可以理解为构建候选子图时候选子图中的节点的数量，即选取多少个故障要素构建候选子图。子图节点数量可以预先设置，子图节点数量可以设置为固定值，例如，1、2、3；也可以根据故障要素的数量进行设置，当故障要素的数量较多时，设置的子图节点数量可以相对较大，当故障要素的数量较少时，设置的子图节点数量可以相对较小。子图节点数量的数量也可以设置为固定值，例如，子图节点数量的数量为3，子图节点数量分别为1、2和3，共3个；或者根据故障要素的数量进行设置，故障要素的数量为7个，子图节点数量的数量为4个，子图节点数量分别为1、2、3和4，共4个，故障要素的数量为8个，子图节点数量的数量为5个，子图节点数量分别为1、2、3、4和5个，共5个，等等。

S206、针对每个子图节点数量，根据子图节点数量对各故障要素进行抽取，得到至少一个候选要素集合，并基于各候选要素集合中的候选故障要素查询卫星故障知识图谱，得到对应的候选子图。

在本实施例中，候选故障要素具体可以理解为用于确定候选子图的故障要素；候选要素集合具体可以理解为由候选故障要素构成的集合。

对于每个子图节点数量，按照子图节点数量从各故障要素中抽取同数量的候选故障要素，形成候选要素集合，同一个子图节点数量对应的候选要素集合的数量可以是一个或者多个，与故障要素的总数量相关，在抽取候选要素集合时，可以抽取所有故障要素的组合，也可以仅抽取部分组合，可以通过设置候选要素集合的数量规则实现。对于每个候选要素集合，查询卫星故障知识图谱，得到此候选要素集合对应的候选子图，此时得到的候选子图的数量可以是一个或者多个。每个候选要素集合所查询得到的候选子图可以构成一个候选子图集合。

S207、查询向量数据库，确定候选子图中每个节点对应的第二向量，向量数据库基于图嵌入算法构建。

预先基于图嵌入算法构建向量数据库，将不同节点及其对应的向量存储在向量数据库中。基于候选子图中的每个节点查询向量数据库，对于每个节点，确定此节点在向量数据库中匹配的节点，将与其匹配的节点对应的向量作为第二向量。在查询向量数据库确定匹配的节点的过程中，可以确定与候选子图的节点完全一致的节点作为匹配的节点，或者在没有完全一致的节点的情况下确定相似的节点作为匹配的节点，等等。

S208、根据候选子图对应的子图节点数量确定权重。

由于候选子图时是根据子图节点数量形成候选要素集合并查询卫星故障知识图谱得到的，因此，在确定候选子图的同时，可以确定候选子图与子图节点数量的对应关系。预先根据子图节点数量设置权重，例如，子图节点数量越多，权重越大。在确定候选子图后，基于预先设置的子图节点数量与权重的关系，以及候选子图与子图节点数量的关系，确定候选子图对应的权重。

S209、基于权重对各第二向量进行加权运算，得到第二目标向量。

对各第二向量通过权重进行加权运算，将多个第二向量加权求和，得到一个第二目标向量。

示例性的，故障现象查询语句为0A星北分流器壳温异常，通过UIE抽取模型和LAC分词模型得到的故障要素实体为(0A星，星)、(北分流器，设备)、(壳温，参数)、(异常，参数现象)。由于知识模型中星与设备是一一对应关系，上述的故障要素为设备，参数，参数现象的组合形式进行查询子图，具体查询过程如下：

为了保证候选子图召回率，查询方式为对应抽取故障要素的组合，示例性的采用G

候选要素集合G

根据上述查询出来的候选子图去故障节点向量库中去查询每个候选子图集合中的候选子图对应的节点的向量即：S:

本申请实施例中，确定第一目标向量和第二目标向量可以并行执行，也可以依次执行，没有严格的先后顺序，图2以并行执行为例。

S210、计算第一目标向量和各第二目标向量的相似度，得到各候选子图与虚拟子图的相似度。

示例性的，图3提供了一种候选子图检索的实现示例图：故障现象查询语句31为“北分流器壳温异常”，通过UIE信息抽取模型32对故障现象查询语句进行分析；通过LAC分词模型33结合专业词典34对故障现象查询语句进行分析，然后进行抽取信息融合，通过抽取信息融合得到故障要素。基于故障要素构建虚拟子图35，基于故障要素，查询卫星故障知识图谱36生成候选子图37。对虚拟子图35和候选子图37计算相似度。根据相似度还可以选择最佳子图。

作为本实施例的一个可选实施例，本可选实施例进一步对卫星故障知识图谱的构建进行优化，包括步骤A1-A5：

A1、获取卫星归零报告。

在本实施例中，卫星归零报告具体可以理解为记录卫星故障相关信息的文件，卫星在轨运行过程中，为了记录卫星故障解决过程，形成了大量的卫星归零报告。卫星归零报告预先通过对卫星运行过程进行记录生成，在生成后可以保存在云端、存储器等存储空间。在构建卫星故障知识图谱时，根据存储地址读取卫星归零报告。

A2、对卫星归零报告进行标题拆分，得到至少一个标题。

卫星归零报告按照标题进行拆分，根据文档解析算法结构化出相应的报告内容，标题可以是问题名称、问题概述、问题描述、问题项、问题子项、问题定位、事件原因、检测结果、机理分析、处置措施或下一步工作。

标题的类型可以是结构化，也可以是非结构化，即标题对应的内容可以是结构化数据，也可以是非结构化数据。对于每个标题通过判断其为结构化还是非结构化，采取A3或者A4的方式进行处理，得到对应的三元组。

A3、若标题的类型为非结构化，将标题对应的内容进行信息抽取，根据抽取得到的知识内容构建三元组。

若标题的类型为非结构化，将标题对应的内容输入到信息抽取模型中，通过信息抽取模型对标题对应的内容进行信息抽取，例如，故障现象所对应的星、分系统、设备、参数以及参数现象，简称五要素。对抽取的知识内容组成相应的三元组。

A4、若标题的类型为结构化，根据标题对应的内容构建三元组。

若标题的类型为结构化，则标题对应的内容具有一定规则，可直接拆分得到需要的内容构建三元组。

A5、基于各三元组进行知识融合，形成卫星故障知识图谱。

示例性的，通上述的各标题中只有问题项的类型为非结构化，其余标题的类型为结构化。在构建卫星故障知识图谱时，可直接判断标题是否为问题项，如果是，将问题项的内容输入到信息抽取模型进行五要素内容抽取，对抽取的知识内容组成相应的三元组，如果不是问题项的内容就将其余的部分与故障报告进行组合为相应的故障报告三元组。

示例性的，图4提供了一种卫星故障知识图谱的构建流程示例图，包括如下步骤：

S401、获取卫星归零报告。

S402、对卫星归零报告进行标题拆分。

S403、依次判断每个标题是否为问题项，若是，执行S404；否则，执行S406。

S404、进行信息抽取。

S405、抽取为故障三元组，执行S408。

示例性的，故障三元组可以是(故障现象，故障现象_参数，参数)、(故障现象，故障现象_设备，设备)、(星，星_分系统，分系统)等等。

S406、进行结构化拆分。

S407、拆分为故障报告三元组。

示例性的，故障报告三元组可以是(故障报告，故障报告_底事件，底事件)、(故障报告，故障报告_故障分类，故障分类)、(故障报告，报告对应文档，报告文档)等等。

S408、知识融合。

示例性的，知识融合得到的可以是(故障现象，故障报告_故障现象，故障报告)。

S409、形成卫星故障知识图谱。

示例性的，图5提供了一种卫星故障知识图谱的结构示例图，图中仅示例性的展示故障报告、故障现象等卫星故障知识图谱中的节点。

作为本实施例的一个可选实施例，本可选实施例进一步优化包括了：基于图嵌入算法对卫星故障知识图谱中的节点进行向量化，得到各节点及其对应的向量，并对应存储至向量数据库中。

在完成卫星故障知识图谱的构建之后，需要捕捉到构成故障现象的五要素子图的结构性以及同质性，从而形成高质量的图特征向量。本申请实施例通过图嵌入算法对卫星故障知识图谱中的节点进行有条件的游走采样序列之后再对其向量化，对卫星故障知识图谱中的节点产生同一维度的向量，并将节点及其对应的向量存储至向量数据库中。

示例性的，以图嵌入算法为Node2vec为例。Node2vec是指节点向量化，该模型是DeepWalk算法的改进版，采用了Skip-Gram模型来学习节点的表征，图6提供了一种图嵌入算法的过程示意图。

下面阐述如何对于卫星故障知识图谱中故障现象节点以及五要素组成的子图进行训练从而得到具有复合卫星结构要素特性的图嵌入模型。首先该模型主要通过设置两个游走参数如上图所示，p和q来控制游走的倾向度，然后根据设置的偏向程度来进行游走采样，最后将采样的序列进行词嵌入训练，算法原理可以分为以下3步：

(1)将节点在卫星故障知识图谱上进行随机游走，从而生成一组节点序列。

(2)在随机游走过程中，采用一些概率分布来确定下一个要访问的节点，从而保证了随机游走的多样性。

(3)将节点序列作为输入，利用Skip-Gram模型来学习节点的表征。

Node2vec将NLP任务中Skip-Gram模型扩展到络学习中，目的是优化以下目标函数：

上述公式中，V表示网络中的节点集合，f为对应节点集合V中的节点到特征表示R

在扩展的Skip-Gram学习过程中，每个节点都被表示为同维度的向量，其基本目标是通过学习每个节点的表征向量，使得这个向量能够预测某一特定节点周围的邻居节点，通过最大化邻居节点的条件概率来训练节点表征向量，为了保证特征空间的对称性，因此将每个源节点和邻域节点对的似然建模为softmax单元如下表示：

其中，V是整个节点集合，v

S211、基于各候选子图对应的相似度结合卫星故障知识图谱进行故障诊断，得到故障诊断结果。

故障诊断阶段，完成子图匹配后，可以通过故障原因概率模型，推理得到可能的故障原因及其概率以及建议的处理措施，帮助工作人员在发现故障现象后及时定位至故障点位并以推送的建议处理措施为指引，结合专业判断，快速解决故障问题，使卫星恢复正常工作。

可选的，故障诊断结果包括故障诊断树和故障报告；

作为本实施例的一个可选实施例，本可选实施例进一步将基于各候选子图对应的相似度结合卫星故障知识图谱进行故障诊断，得到故障诊断结果优化为B1-B2：

B1、将各候选子图按照相似度进行排序，查询卫星故障知识图谱确定候选子图对应故障现象的故障报告中的底事件，计算底事件的概率值。

在卫星故障树分析模型下，故障原因通常是以底事件的方式呈现。将各候选子图首先按照相似度进行排序，方便用户快速定位最相近的故障原因，查询卫星故障知识图谱确定候选子图对应的故障现象，进据故障现象与故障报告之间的关系确定故障报告，进而确定故障报告中的底事件，某个底事件导致对应故障现象发生概率是取决于该底事件对应现象的数量与该现象产生了多少个底事件比值，通过分析确定每个底事件发生的概率。

本申请实施例中所查询得到的底事件可以构成底事件集合，由于底事件集合中相应的某个底事件导致对应故障现象发生概率是取决于该底事件对应现象的数量与该现象产生了多少个底事件比值，其符合贝叶斯条件概率的计算原理，可使用贝叶斯概率图方式展示故障现象和可能导致该故障事件发生的底事件之间的关系。

下面说明故障树和底事件发生的概率的原理：

假设有N个随机向量X＝{x

x

P(x

其中，P(x

B2、基于各底事件的概率值形成故障诊断树，并确定每个底事件对应的故障报告。

将各底事件按照层级关系以及概率值形成故障诊断树，同时确定每个底事件对应的故障报告，将故障诊断树和故障报告作为故障诊断结果反馈给用户，协助用户解决故障问题。

示例性的，图7提供了一种故障诊断树的示例图，图中示例性展示了不同相似故障现象对应的底事件，以及底事件对应的概率，其中，相似故障现象可以根据虚拟子图与候选子图的相似度确定，图中的p1、p2、p3、p11、p21-p25为对应的概率。

示例性的，图8提供了一种卫星故障诊断的整体实现示例图。卫星故障诊断总体分为四个阶段，预处理阶段、图嵌入阶段、子图检索阶段和故障诊断阶段。在预处理阶段，对卫星的故障报告进行分析处理，经过文本抽取模块抽取出相关的故障知识，构建出卫星故障知识图谱，其中，文本抽取模块包括UIE抽取模型和LAC分词模型。在图嵌入阶段，基于复合卫星要素图嵌入算法对整个卫星故障知识图谱进行图嵌入，将相应的节点转化为同一空间向量并存储在向量数据库中。在子图检索阶段，基于文本抽取模块，对故障现象查询语句进行抽取相关实体之后通过子图构建算法，构建出虚拟子图以及相应的候选子图，最后根据相似度算法计算虚拟子图和候选子图的相似度得分并排序。故障诊断阶段，根据子图检索阶段召回的相关候选子图中对应故障现象的故障报告中底事件来计算该故障现象对应的底事件的故障诊断树以及相应得分。

本发明实施例提供了一种基于图嵌入的卫星故障诊断方法，解决了卫星故障诊断结果不准确、耗费资源以及可解释性不强的问题；通过引入无监督的图嵌入算法结合卫星故障知识图谱，能够快速的捕捉到图谱中相应故障节点的要素结构特性，根据不同的诊断任务可以根据参数来调整模型更偏向于同质性和结构性，从而不需要繁琐的特征工程，训练出的图嵌入模型具备复合卫星结构要素特性。结合报告中底事件的结构化知识可以动态的生成对应故障的故障树，从而能帮助相关人员快速的定位到对应的故障原因。

实施例三

图9为本发明实施例三提供的一种基于图嵌入的卫星故障诊断装置的结构示意图。如图9所示，该装置包括：查询语句获取模块51、子图相似度计算模块52和故障诊断模块53。

其中，查询语句获取模块51，用于获取故障现象查询语句，对所述故障现象查询语句进行分析，确定故障要素；

子图相似度计算模块52，用于基于各所述故障要素构建虚拟子图和候选子图，确定所述虚拟子图对应的第一目标向量以及各所述候选子图对应的第二目标向量，并计算所述第一目标向量和各所述第二目标向量的相似度，得到各所述候选子图的相似度；其中，所述第一目标向量和第二目标向量基于图嵌入算法确定；

故障诊断模块53，用于基于各所述候选子图的相似度结合预先构建的卫星故障知识图谱进行故障诊断，得到故障诊断结果。

本发明实施例提供了一种基于图嵌入的卫星故障诊断方法，通过获取故障现象查询语句，对故障现象查询语句进行分析，确定故障要素；通过故障要素构建虚拟子图和候选子图，实现以图搜图，并进一步基于图嵌入算法确定虚拟子图对应的第一目标向量以及各候选子图对应的第二目标向量，实现节点向同一空间向量的转换，方便后续故障诊断；通过计算第一目标向量和各第二目标向量的相似度，得到各候选子图与虚拟子图之间的相似度，进而通过卫星故障知识图谱进行故障诊断，解决了卫星故障诊断结果不准确、耗费资源以及可解释性不强的问题；诊断过程基于卫星故障知识图谱实现，不局限于规则即可实现卫星故障的诊断，故障诊断结果更加准确；并且卫星故障知识图谱构建一次即可，无需训练模型，节省算力资源，且通过卫星故障知识图谱进行卫星故障诊断，故障原因可解释性较强，可以帮助相关人员快速定位到对应的故障原因。

可选的，子图相似度计算模块52包括：

虚拟子图确定单元，用于将各所述故障要素作为虚拟子图的节点，将所述虚拟子图中的各节点进行连接，得到虚拟子图。

可选的，子图相似度计算模52包括：

节点数量确定单元，用于确定至少一个子图节点数量；

候选子图确定单元，用于针对每个子图节点数量，根据所述子图节点数量对各所述故障要素进行抽取，得到至少一个候选要素集合，并基于各所述候选要素集合中的候选故障要素查询卫星故障知识图谱，得到对应的候选子图。

可选的，子图相似度计算模块52包括：

第一向量确定单元，用于查询向量数据库，确定所述虚拟子图中每个节点对应的第一向量，所述向量数据库基于图嵌入算法构建；

第一目标向量确定单元，用于基于各所述第一向量确定第一目标向量。

可选的，子图相似度计算模块52包括：

第二向量确定单元，用于查询向量数据库，确定所述候选子图中每个节点对应的第二向量，所述向量数据库基于图嵌入算法构建；

权重确定单元，用于根据所述候选子图对应的子图节点数量确定权重；

第二目标向量确定单元，用于基于所述权重对各所述第二向量进行加权运算，得到第二目标向量。

可选的，该装置还包括：

卫星报告获取模块，用于获取卫星归零报告；

标题拆分模块，用于对所述卫星归零报告进行标题拆分，得到至少一个标题；

第一构建模块，用于若所述标题的类型为非结构化，将所述标题对应的内容进行信息抽取，根据抽取得到的知识内容构建三元组；

第二构建模块，用于若所述标题的类型为结构化，根据所述标题对应的内容构建三元组；

图谱生成模块，用于基于各所述三元组进行知识融合，形成卫星故障知识图谱。

可选的，该装置还包括：

向量化模块，用于基于图嵌入算法对卫星故障知识图谱中的节点进行向量化，得到各所述节点及其对应的向量，并对应存储至向量数据库中。

可选的，所述故障诊断结果包括故障诊断树和故障报告；

可选的，故障诊断模块53包括：

底事件概率计算模块，用于将各所述候选子图按照相似度进行排序，查询卫星故障知识图谱确定所述候选子图对应故障现象的故障报告中的底事件，计算所述底事件的概率值；

故障诊断树确定模块，用于基于各所述底事件的概率值形成故障诊断树，并确定每个底事件对应的故障报告。

本发明实施例所提供的基于图嵌入的卫星故障诊断装置可执行本发明任意实施例所提供的基于图嵌入的卫星故障诊断方法，具备执行方法相应的功能模块和有益效果。

实施例四

图10示出了可以用来实施本发明的实施例的电子设备60的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图10所示，电子设备60包括至少一个处理器61，以及与至少一个处理器61通信连接的存储器，如只读存储器(ROM)62、随机访问存储器(RAM)63等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器61可以根据存储在只读存储器(ROM)62中的计算机程序或者从存储单元68加载到随机访问存储器(RAM)63中的计算机程序，来执行各种适当的动作和处理。在RAM 63中，还可存储电子设备60操作所需的各种程序和数据。处理器61、ROM 62以及RAM 63通过总线64彼此相连。输入/输出(I/O)接口65也连接至总线64。

电子设备60中的多个部件连接至I/O接口65，包括：输入单元66，例如键盘、鼠标等；输出单元67，例如各种类型的显示器、扬声器等；存储单元68，例如磁盘、光盘等；以及通信单元69，例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理，例如基于图嵌入的卫星故障诊断方法。

在一些实施例中，基于图嵌入的卫星故障诊断方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元68。在一些实施例中，计算机程序的部分或者全部可以经由ROM 62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到RAM 63并由处理器61执行时，可以执行上文描述的基于图嵌入的卫星故障诊断方法的一个或多个步骤。备选地，在其他实施例中，处理器61可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于图嵌入的卫星故障诊断方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。