(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210036763.6 (22)申请日 2022.01.13 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 吴昊　李昌松　周毅喆　 (74)专利代理 机构 北京市商 泰律师事务所 11255 代理人 邹芳德 (51)Int.Cl. G06F 11/07(2006.01) G06F 16/36(2019.01) G06N 5/02(2006.01) G06N 7/00(2006.01) (54)发明名称 基于双层知识图谱架构的分布式协同故障 诊断方法 (57)摘要 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。 权利要求书2页 说明书16页 附图4页 CN 114385403 A 2022.04.22 CN 114385403 A 1.一种基于双 层知识图谱架构的分布式协同故障诊断方法， 其特 征在于， 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。 2.根据权利要求1所述的基于双层知识图谱架构的分布式协同故障诊断方法， 其特征 在于， 各分布式子节点的本地故障知识图谱构建完成后， 将本地故障检测模型 的结构参数 以及性能指标， 作为各子节点的属性信息存 储在本地故障知识图谱中。 3.根据权利要求1所述的基于双层知识图谱架构的分布式协同故障诊断方法， 其特征 在于， 本地故障知识图谱聚合之前， 需要对知识表示进行规范化和统一化并进行故障知识 对齐， 所述 故障知识对齐包括 故障实体对齐、 故障关系对齐以及故障属性对齐； 本地 故障知 识图谱聚合过程包括故障实体聚合、 故障关系聚合以及故障属性聚合； 故障检测模型的选择过程中， 考虑模型的故障识别种类数、 模型使用的数据集规模大 小、 模型的识别准确 率、 模型的故障识别种类数 的增量以及模型所使用的故障数据集规模 的增量这 五个因素经过选择和聚合， 将得到的全局故障检测模型的模型参数添加进聚合后 的全局故障知识图谱。 4.根据权利要求1所述的基于双层知识图谱架构的分布式协同故障诊断方法， 其特征 在于， 构建所述故障树模型 的过程中， 将由全局故障知识图谱梳理好的故障实体与故障原 因间的因果关系以及故障原因间的逻辑关系直接进行导入， 并结合双层故障知识图谱中的 全局属性和局部属 性信息， 对所述故障树模型中的各基本事件进行定量分析， 以求取所述 基本事件的故障率。 5.根据权利要求4所述的基于双层知识图谱架构的分布式协同故障诊断方法， 其特征 在于， 以求取 所述基本事 件的故障率， 包括： 所述故障树模型中底事 件的故障率的计算公式如下： 其中， λb_k表示分布式子节点Ek的第b个底事件的故障率， mbg表示所有分布式子节点所 统计的全部历史记录 中第b个底事件发生的累计故障频次， mbl_k表示在当前第k个子节点Ek 的本地历史记录中第b个底事件发生的故障频次， Tg表示故障设备在所有分布式子节点中 的累计总运行时长， Tl_k表示故障设备在子节点Ek中的总运行时长， wg表示全局属性在公式 中所占据的权 重值， wl表示局部属性在公式 中所占据的权 重值； 设分布式子节点Ek中某故障模式的故障树模型中底事件的个数为n， 它们的故障率分别 表示为λb_k(b＝1， 2， ...， n)； 当所述故障树模型中， 相邻两级事件均为 “与”逻辑关系时， 顶 事件的故障率 λ(T)的计算公式如下：权　利　要　求　书 1/2 页 2 CN 114385403 A 2当所述故障树模型中， 相邻两级事件均为 “或”逻辑关系时， 顶事件 的故障率λ(T)的计 算公式如下： 6.根据权利要求5所述的基于双层知识图谱架构的分布式协同故障诊断方法， 其特征 在于， 权重参数wl和wg的具体计算公式如下： wg＝1‑wl 其中， mHg表示在所有分布式子节点所统计的全部历史记录中故障模式H发生的累计故 障频次， mHl_k表示在当前第k个子节 点Ek的本地历史记录中故障模式H发生的故障频次， Tg表 示故障设备在所有分布式子节点中的累计总运行时长， Tl_k表示故障设备在子节点Ek本地 中的总运行时长 。 7.根据权利要求5所述的基于双层知识图谱架构的分布式协同故障诊断方法， 其特征 在于， 各子节点利用所述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， 包括： 贝叶斯网络中具有连接关系的相邻节点间的条件概率的计算 公式如下： 其中， Pij表示贝叶斯网络中具有连接关系的相邻节点Bi和节点Bj之间的条件概率， mig 表示在所有分布式子节点的历史记录中贝叶斯网络节点Bi发生的累计故障频次， mjg表示在 所有分布式子节点的历史记录 中贝叶斯网络节点Bj发生的累计故障频次， mil_k表示在当前 第k个子节点Ek的历史记录中贝叶斯网络节点Bi发生的故障频次， mjl_k表示在当前第k个子 节点Ek的历史记录中贝叶斯网络节点Bj发生的故障频次； 根据故障树中底事件故障率以及贝叶斯网络 中邻接节点间的条件概率， 并结合贝叶斯 公式， 当同一种故障发生于不同的节 点时， 各节 点会因本地的故障成因的发生频次不同， 从 而实现差异化的故障成因分析。 8.一种计算机设备， 包括存储器和处理器， 所述处理器和所述存储器相互通信， 所述存 储器存储有可被所述处理器执行的程序指 令， 所述处理器调用所述程序指 令执行如权利要 求1‑7任一项所述的基于双 层知识图谱架构的分布式协同故障诊断方法。 9.一种电子设备， 其特征在于， 包括存储器和处理器， 所述处理器和所述存储器相互通 信， 所述存储器存储有可被所述处理器执行 的程序指令， 所述处理器调用所述程序指令执 行如权利要求1 ‑7任一项所述的基于双 层知识图谱架构的分布式协同故障诊断方法。 10.一种计算机可读存储介质， 其特征在于， 其存储有计算机程序， 所述计算机程序被 处理器执行时实现如权利要求 1‑7任一项所述的基于双层知识图谱架构的分布式协同故障 诊断方法。权　利　要　求　书 2/2 页 3 CN 114385403 A 3