本發(fā)明屬于船舶動力系統(tǒng)設(shè)備的智能故障診斷領(lǐng)域，特別是一種基于知識圖譜與卷積神經(jīng)網(wǎng)絡(luò)的船舶動力系統(tǒng)設(shè)備故障診斷方法。

背景技術(shù)：

1、隨著船舶工業(yè)的快速發(fā)展，船舶動力系統(tǒng)的復(fù)雜性和技術(shù)水平不斷提高，對其故障診斷的需求也日益增加。船舶動力系統(tǒng)作為船舶的核心組成部分，其穩(wěn)定性和可靠性直接關(guān)系到船舶的安全性和經(jīng)濟性。然而，由于船舶動力系統(tǒng)設(shè)備種類繁多、結(jié)構(gòu)復(fù)雜、運行環(huán)境惡劣，傳統(tǒng)的故障診斷方法往往難以滿足實際需求。因此，如何提高船舶動力系統(tǒng)故障診斷的準(zhǔn)確性和效率，成為當(dāng)前研究的熱點和難點。傳統(tǒng)的船舶動力系統(tǒng)故障診斷方法主要依賴于專家經(jīng)驗和規(guī)則庫，但這種方法存在一定的局限性。首先，基于經(jīng)驗的診斷方法需要大量的專家知識積累，且診斷結(jié)果易受主觀因素影響；其次，規(guī)則庫的構(gòu)建和維護需要耗費大量的人力和時間，且難以應(yīng)對系統(tǒng)復(fù)雜性和環(huán)境多變性的挑戰(zhàn)。隨著人工智能和大數(shù)據(jù)技術(shù)的發(fā)展，基于數(shù)據(jù)驅(qū)動的故障診斷方法逐漸成為研究的重點。

2、知識圖譜通過節(jié)點和線來表示實體和關(guān)系，能夠?qū)崿F(xiàn)對知識的結(jié)構(gòu)化表示及推理，知識圖譜可以有效整合各類設(shè)備之間的關(guān)系和各種故障類型，實現(xiàn)文本數(shù)據(jù)的可視化；深度學(xué)習(xí)具有強大的數(shù)據(jù)處理能力，對于船舶動力系統(tǒng)設(shè)備所產(chǎn)生的大量多維數(shù)據(jù)，能夠有效提取數(shù)據(jù)特征并加以利用，通過模型的訓(xùn)練從而實現(xiàn)高精度的故障診斷和預(yù)測。

技術(shù)實現(xiàn)思路

1、本發(fā)明主要針對船舶動力系統(tǒng)設(shè)備的故障診斷問題，在對船舶動力系統(tǒng)設(shè)備歷史數(shù)據(jù)進行特征提取的基礎(chǔ)上，通過融合知識圖譜和卷積神經(jīng)網(wǎng)絡(luò)，對船舶動力系統(tǒng)設(shè)備多維數(shù)據(jù)中的有用信息進行數(shù)據(jù)分析，并建立故障診斷模型；

2、一種基于知識圖譜與卷積神經(jīng)網(wǎng)絡(luò)的船舶動力系統(tǒng)設(shè)備故障診斷方法，其主要步驟包括：

3、s1：對船舶動力系統(tǒng)設(shè)備上的傳感器和監(jiān)測設(shè)備所獲取的大量歷史運行數(shù)據(jù)進行預(yù)處理，包括對錯誤數(shù)據(jù)的剔除和數(shù)據(jù)特征的提取。

4、s2：針對處理后的數(shù)據(jù)進行知識圖譜實體和關(guān)系的抽取，同時訓(xùn)練關(guān)系預(yù)測模型，得到知識圖譜的三元組元素，構(gòu)建知識圖譜。

5、s3：對構(gòu)建好的知識圖譜進行訓(xùn)練，將數(shù)據(jù)特征轉(zhuǎn)換為實體向量作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進行訓(xùn)練，得到船舶動力系統(tǒng)的故障診斷和故障預(yù)測模型，保存模型訓(xùn)練參數(shù)和結(jié)果。

6、s4：給出用戶端查詢指令，利用訓(xùn)練好的模型進行實時數(shù)據(jù)預(yù)測，調(diào)整模型參數(shù)，使模型能更好適用于實際場景。

7、進一步的，在s1中，船舶動力系統(tǒng)設(shè)備的大量歷史數(shù)據(jù)預(yù)處理具體步驟如下：

8、s1.1：收集維修手冊，結(jié)合專家經(jīng)驗對船舶動力系統(tǒng)故障領(lǐng)域知識進行預(yù)處理，定義知識抽取需要的數(shù)據(jù)集。

9、s1.2：將船舶動力系統(tǒng)設(shè)備的大量歷史數(shù)據(jù)劃分成結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。

10、s1.3：進行數(shù)據(jù)清洗，包括缺失值的處理、噪聲去除和異常值檢測；進行數(shù)據(jù)特征提取，以作為模型的訓(xùn)練數(shù)據(jù)。

11、進一步的，在s2中，知識圖譜的構(gòu)建具體步驟如下：

12、s2.1：對于結(jié)構(gòu)化數(shù)據(jù)，可直接將表格中的內(nèi)容視為實體屬性、實體名稱和關(guān)系名稱，作為知識圖譜構(gòu)建所需數(shù)據(jù)的一部分。

13、s2.2：對于非結(jié)構(gòu)化數(shù)據(jù)，需要進行實體識別模型的訓(xùn)練，將數(shù)據(jù)中的實體屬性提取出來作為知識圖譜三元組的組成元素。

14、s2.3：對于非結(jié)構(gòu)化數(shù)據(jù)，需要進行關(guān)系抽取模型的訓(xùn)練，此步驟將數(shù)據(jù)中的實體關(guān)系抽取出來以構(gòu)建完整的知識圖譜。

15、s2.4：整合結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)中提取出的全部有效數(shù)據(jù)，將數(shù)據(jù)分成頭實體、尾實體和關(guān)系三種類別存入neo4j數(shù)據(jù)庫中，實現(xiàn)文本數(shù)據(jù)的可視化。

16、s2.5：對s2中構(gòu)建好的知識圖譜進一步進行知識推理，加強數(shù)據(jù)之間的關(guān)聯(lián)性，挖掘數(shù)據(jù)潛在信息。

17、進一步的，在s2.2和s2.3中對非結(jié)構(gòu)化數(shù)據(jù)進行實體識別和關(guān)系抽取時，首先對整合好的非結(jié)構(gòu)化數(shù)據(jù)進行文本的標(biāo)注。

18、進一步的，采用bert-bilstm-mha-crf模型命名實體識別。bert-bilstm-mha-crf模型分為三層：bert層、bilstm層和crf層，bert層作為詞嵌入層構(gòu)建文本向量，通過學(xué)習(xí)輸入的文本數(shù)據(jù)，找到命名實體和數(shù)據(jù)標(biāo)簽之間的規(guī)律特征，為實體的抽取和關(guān)系的預(yù)測做準(zhǔn)備；bilstm層由多層神經(jīng)網(wǎng)絡(luò)構(gòu)成，主要用于處理上下文信息，進行文本的實體抽取；crf層通過學(xué)習(xí)標(biāo)簽之間的聯(lián)系，建立命名實體及對應(yīng)關(guān)系標(biāo)簽的遷移規(guī)則，最后實現(xiàn)抽取結(jié)果標(biāo)簽的預(yù)測。

19、進一步的，在s2.5對已構(gòu)建好的知識圖譜進行知識推理時，將知識庫數(shù)據(jù)導(dǎo)入apache?jena?fuseki推理工具中，手動設(shè)定需推理的規(guī)則，完成知識圖譜的推理。

20、進一步的，在s3融合知識圖譜與卷積神經(jīng)網(wǎng)絡(luò)，并對神經(jīng)網(wǎng)絡(luò)進行模型的訓(xùn)練，具體步驟如下：

21、s3.1：利用transd方法實現(xiàn)船舶動力系統(tǒng)設(shè)備知識圖譜嵌入，具體內(nèi)容為：對于船舶動力系統(tǒng)知識圖譜的三元組(h,r,t)，通過投影矩陣mr將三元組中的頭實體h和尾實體t映射到關(guān)系r的空間中，獲得知識圖譜低維嵌入向量ci∈rk×1。

22、s3.2：針對船舶動力系統(tǒng)某設(shè)備的故障信息t＝w1n＝[w1,w2…,wn]，將其特征向量w1n＝[w1w2…wn]∈rd×n與低維嵌入向量組合得到w＝[w1w2…wnc1c2…]，作為cnn卷積層的輸入，過濾器h∈rd×l的激活函數(shù)為：

23、

24、然后，經(jīng)過最大池化操作得到最優(yōu)向量數(shù)據(jù)，同時將所有的特征進行組合，最后的組合結(jié)果用e(t)表示，具體公式如下：

25、

26、其中，p為卷積核的數(shù)量。

27、進一步的，增加三元組向量提供更多訓(xùn)練數(shù)據(jù)，公式如下：

28、

29、其中，context(c)是節(jié)點c的相鄰節(jié)點集，然后將ci和進行非線性轉(zhuǎn)換：

30、

31、其中，g是實體鏈接的轉(zhuǎn)換函數(shù)，其公式為：

32、g(e)＝tanh(me+b)

33、其中，m∈rd×k是映射矩陣，b∈rk×l是偏差，通過tanh函數(shù)將三個向量輸入到cnn模型中，具體過程為：

34、

35、重復(fù)上述最大池化操作，將最后組合后的特征輸入到softmax函數(shù)，得到船舶動力系統(tǒng)設(shè)備故障診斷結(jié)果：

36、

37、其中，sj和bj分別表示輸出yj的參數(shù)和偏置，n表述故障類別數(shù)量。

38、發(fā)明優(yōu)點：

39、知識圖譜和卷積神經(jīng)網(wǎng)絡(luò)都是人工智能領(lǐng)域的重要工具，本發(fā)明通過構(gòu)建知識圖譜，提取故障文本信息，實現(xiàn)船舶動力系統(tǒng)設(shè)備的故障數(shù)據(jù)的可視化；將構(gòu)建好的知識圖譜與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，訓(xùn)練得到船舶動力系統(tǒng)設(shè)備的故障診斷模型，提高故障預(yù)測和診斷結(jié)果的準(zhǔn)確率。

40、本發(fā)明通過將知識圖譜和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立了一種能夠?qū)崟r監(jiān)測、快速響應(yīng)的船舶動力系統(tǒng)設(shè)備故障診斷模型。