[发明专利]一种基于知识图谱的工业故障分析专家系统

摘要

本发明提出了一种基于知识图谱(Knowledge Graph)的工业故障分析专家系统，包括以下步骤：专家经验知识获取以及预处理消除异常和补全缺失值；接下来进行知识数据模糊化，并以此运用语义网技术以及图计算引擎构建工业故障分析领域知识图谱；通过图谱动态自优化过程保证知识图谱结构的精简高效，提高计算效率；基于模糊推理方法对工业故障进行诊断分析，高效准确的判断数据或设备异常。

主权项

1.一种基于知识图谱的工业故障分析专家系统，其特征在于，知识获取模块、知识数据模糊化模块、知识图谱构建模块、图谱动态自优化模块、模糊推理模块，包括以下步骤：/n步骤(1)、在知识获取模块，接收工作人员输入的与故障诊断分析相关的专家经验知识。这些综合信息经过清洗、筛选、和特征提取，形成有效的故障特征相关信息；/n步骤(2)、在知识数据模糊化模块，对故障诊断分析相关的专家经验数据知识进行模糊化处理,得到相对应的故障征兆隶属度值；/n步骤(3)、在知识图谱构建模块，对模糊化的专家经验知识，利用图计算引擎和语义网技术实现工业故障分析领域相关知识图谱的解析、构建处理，通过语义网技术将各类型工业设备、故障特征数据以及故障处理方案的联系抽象为图，结合图数据半结构化的特征，采用以图顶点为中心、基于消息传递批处理的自适应并行化图计算引擎，进行运算优化，并建立关联化生产设备图谱、工业设备故障特征图谱；/n步骤(4)、在图谱动态自优化模块，不断进行图谱内容的持续扩充和知识的不断优化处理。对于系统中新增的工业生产设备、故障特征等，通过由知识图谱中已有的数据得到的深度学习模型进行分类，并根据数据特征建立起与现有知识图谱的关联，以此实现知识图谱的持续扩增。同时，通过不断消歧分析以及聚类分析对冗余数据特征进行分类精简，避免图谱冗余导致效率低下。/n步骤(5)、在模糊推理模块，对当前故障信息与知识库中已有的故障知识以及专家经验进行匹配推理，找出故障原因。首先输入故障特征。对输入的数据变量进行模糊化操作得到相应的故障指标模糊输入隶属函数变量；之后采用RETE匹配算法对知识图谱中的存储的故障知识与录入的故障特征进行循环模糊匹配，判断在知识图谱中有无可匹配知识。若有再进行判断是否需要冲突消解，按照预定义图谱知识匹配优先级别消除冲突后输出故障分析推理结果，结束推理过程。若已建立的知识图谱中无相应知识满足推理要求，输出无解。同时将此条故障事实作为一条新的知识输入到系统中，并通过人工方式为其配置相应的故障原因分析知识，结束推理过程。/n