故障处理方法、装置及计算机可读存储介质与流程

1.本发明涉及故障处理技术领域，特别是涉及一种故障处理方法、装置及计算机可读存储介质。


背景技术：

2.随着工业4.0时代的到来，智能制造成为传统制造业加速转型的重要方向，智能制造体现在生产模式上，就是以智能工厂为载体，以关键制造环节的智能化为核心，以端到端数据流为基础，以网通互联为支撑，其主要内容包括智能产品、智能生产、智能工厂、智能物流等。智能制造体现在商业模式上，则是通过实现智能服务，来获取更多的附加价值，而售后故障诊修服务作为智能服务的重要组成部分，因此，将故障诊修服务数字化、智能化，对降低产品维修成本等方面有重要的促进作用。故障诊断技术是指应用测试分析手段和诊断理论方法对运行中的设备所出现的故障的机理、原因、部位和故障程度等进行识别和诊断，并根据诊断结论，进一步确定机械设备的维修方案或预防措施，其目的是降低维修成本、为制定合理的检修制度提供决策依据，从而最大限度地提高设备的使用效率。
3.传统的故障诊断技术包括专家系统、基于故障树的故障诊断方法和神经网络故障诊断方法等。然而，上述故障诊断方法的定位故障效率低，非常依赖专家能力，投入人力大，运维成本高，并且诊断规则和诊断流程是硬编码，不能灵活、快速地应对现场各种故障诊断场景。


技术实现要素：

4.本技术的目的在于提供一种故障处理方法、装置及计算机可读存储介质，能够提升故障诊断的智能性，降低维修知识壁垒，缩短故障诊断时间，同时降低运维成本。
5.为达到上述目的：
6.第一方面，本技术实施例提供了一种故障处理方法，所述方法包括：
7.获取机械设备的目标故障现象和对应的目标工况数据；
8.基于所述目标故障现象和所述目标工况数据，通过已训练的双层故障诊断模型进行故障诊断处理，获得包括有目标故障零部件和目标故障模式的故障诊断结果；所述双层故障诊断模型是基于所述机械设备的故障知识图谱生成的，其中第一层故障诊断模型用于预测所述机械设备中故障所在的目标零部件子系统，第二层故障诊断模型用于在所述目标零部件子系统内部进行故障诊断；
9.输出所述故障诊断结果。
10.可选地，所述获取机械设备的目标故障现象和对应的目标工况数据之前，还包括：
11.获取所述机械设备的零部件结构树和故障树库；所述故障树库包括至少一个故障现象对应的故障树，所述故障树包括故障零部件、故障模式、故障现象；
12.从所述零部件结构树中提取故障实体，并将所述故障实体与对应的所述故障树进行关联，以建立所述故障知识图谱。
13.可选地，所述获取机械设备的目标故障现象和对应的目标工况数据之前，还包括：
14.获取对所述机械设备的历史维修方案，所述历史维修方案包括历史故障现象对应的历史故障解决方案；
15.所述建立所述故障知识图谱，包括：将所述历史维修方案与对应的所述故障树进行关联。
16.可选地，所述获取机械设备的目标故障现象和对应的目标工况数据，包括：
17.获取机械设备的目标故障描述信息；
18.对所述目标故障描述信息进行语义分析，根据获得的语义分析结果进行故障现象匹配，确定所述机械设备的目标故障现象。
19.可选地，所述双层故障诊断模型的训练步骤包括：
20.获取从多种真实环境下采集的所述机械设备的历史维修数据和对应的历史工况数据，所述历史维修数据包括历史故障现象和历史故障诊断结果；
21.根据所述历史维修数据和对应的所述历史工况数据生成训练样本，所述训练样本包括已标注所述历史故障诊断结果的样本标签；
22.通过初始的双层故障诊断模型对所述训练样本进行故障诊断处理，得到对所述训练样本的预测故障诊断结果；所述初始的双层故障诊断模型是基于所述故障知识图谱构建的；
23.基于所述预测故障诊断结果和所述样本标签间的差异，调整所述初始的双层故障诊断模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的双层故障诊断模型。
24.可选地，所述初始的双层故障诊断模型的构建步骤包括：
25.根据所述故障知识图谱，获取各故障现象节点与所述机械设备的各故障零部件子系统节点之间的第一关联关系，以及各故障现象节点与各故障零部件节点、各故障模式节点之间的第二关联关系；
26.根据所述第一关联关系建立初始的第一层故障诊断模型，并根据所述第二关联关系以及各故障现象与对应工况特征之间的第三关联关系，建立针对各零部件子系统的初始的第二层故障诊断模型。
27.可选地，还包括：
28.获取对所述故障诊断结果的反馈结果；
29.根据所述反馈结果和所述故障诊断结果，调整所述双层故障诊断模型的参数。
30.第二方面，本技术实施例提供一种故障处理装置，包括：
31.获取模块，用于获取机械设备的目标故障现象和对应的目标工况数据；
32.处理模块，用于基于所述目标故障现象和所述目标工况数据，通过已训练的双层故障诊断模型进行故障诊断处理，获得包括有目标故障零部件和目标故障模式的故障诊断结果；所述双层故障诊断模型是基于所述机械设备的故障知识图谱生成的，其中第一层故障诊断模型用于预测所述机械设备中故障所在的目标零部件子系统，第二层故障诊断模型用于在所述目标零部件子系统内部进行故障诊断；
33.输出模块，用于输出所述故障诊断结果。
34.第三方面，本技术实施例提供一种故障处理装置，包括：处理器和存储有计算机程
序的存储器，在所述处理器运行所述计算机程序时，实现上述故障处理方法的步骤。
35.第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述故障处理方法的步骤。
36.本技术实施例提供的故障处理方法、装置及计算机可读存储介质，所述方法包括：获取机械设备的目标故障现象和对应的目标工况数据；基于目标故障现象和目标工况数据，通过已训练的双层故障诊断模型进行故障诊断处理，获得包括有目标故障零部件和目标故障模式的故障诊断结果；双层故障诊断模型是基于机械设备的故障知识图谱生成的，其中第一层故障诊断模型用于预测机械设备中故障所在的目标零部件子系统，第二层故障诊断模型用于在目标零部件子系统内部进行故障诊断；输出故障诊断结果。如此，机械设备的目标故障现象和对应的目标工况数据，通过采用基于机械设备的故障知识图谱生成的双层故障诊断模型进行故障诊断处理，能够提升故障诊断的智能性，降低维修知识壁垒，缩短故障诊断时间，同时降低运维成本。
附图说明
37.图1为本发明实施例提供的故障处理方法的流程示意图；
38.图2为本发明实施例提供的故障处理装置的结构示意图一；
39.图3为本发明实施例提供的故障处理系统的结构示意图；
40.图4为本发明实施例中故障样本数据采集的过程示意图；
41.图5为本发明实施例中故障知识图谱的构建示意图；
42.图6为本发明实施例中故障推理的过程示意图；
43.图7为本发明实施例提供的故障处理装置的结构示意图二。
具体实施方式
44.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
45.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素，此外，本技术不同实施例中具有同样命名的部件、特征、要素可能具有相同含义，也可能具有不同含义，其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
46.应当理解，尽管在本文可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本文范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语"如果"可以被解释成为"在
……
时"或"当
……
时"或"响应于确定"。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数
形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
47.应该理解的是，虽然本技术实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
48.需要说明的是，在本文中，采用了诸如s101、s102等步骤代号，其目的是为了更清楚简要地表述相应内容，不构成顺序上的实质性限制，本领域技术人员在具体实施时，可能会先执行s102后执行s101等，但这些均应在本技术的保护范围之内。
49.应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本技术的说明，其本身没有特定的意义。因此，“模块”、“部件”或者“单元”可以混合地使用。
51.参阅图1，为本技术实施例提供的一种故障处理方法，该故障处理方法可以由本技术实施例提供的一种故障处理装置来执行，该故障处理装置可以采用软件和/或硬件的方式来实现，该故障处理装置具体可以为机械设备、服务器等，在此不做具体限定。本实施例提供的故障处理方法包括：
52.步骤s101：获取机械设备的目标故障现象和对应的目标工况数据。
53.可选地，所述机械设备为需要进行故障诊断的设备，包括但不限于工程机械设备、农业机械设备、起重机械设备、工矿车辆等。可选地，所述目标故障现象用于描述机械设备需要诊断的故障的具体分类，如变幅动作慢、发动机失败等。所述目标工况数据可以通过安装于机械设备上的传感器进行采集，比如温度传感器采集的水温数据、液位传感器采集的油位高度数据等。需要说明的是，所述目标工况数据可以为机械设备运行时所有的工况数据，也可以为机械设备运行时与目标故障现象相关的工况数据。
54.在一实施方式中，所述获取机械设备的目标故障现象和对应的目标工况数据，包括：
55.获取机械设备的目标故障描述信息；
56.对所述目标故障描述信息进行语义分析，根据获得的语义分析结果进行故障现象匹配，确定所述机械设备的目标故障现象。
57.可选地，用户在发现机械设备的故障后，对机械设备所发生的故障进行描述，从而形成故障描述信息。由于目标故障描述信息通常不够专业化或偏口语化，因此，需要对所述目标故障描述信息进行语义分析，以获取包括故障描述关键词的语义分析结果，并根据获得的语义分析结果进行故障现象匹配，从而确定所述机械设备的目标故障现象。以机械设
备为挖掘机为例，示例性地，故障描述信息可以为：“液压力有点小了”，通过语义分析，可获取语义分析结果“液压力小”，对应的故障现象分类是“液压力小”。如此，通过对故障描述信息进行语义分析，可准确且快速获取对应的故障现象，进一步提高故障诊断的效率和准确性。
58.步骤s102：基于所述目标故障现象和所述目标工况数据，通过已训练的双层故障诊断模型进行故障诊断处理，获得包括有目标故障零部件和目标故障模式的故障诊断结果；所述双层故障诊断模型是基于所述机械设备的故障知识图谱生成的，其中第一层故障诊断模型用于预测所述机械设备中故障所在的目标零部件子系统，第二层故障诊断模型用于在所述目标零部件子系统内部进行故障诊断。
59.具体地，将所述目标故障现象和所述目标工况数据输入已训练的双层故障诊断模型，通过所述双层故障诊断模型中的第一层故障诊断模型预测所述机械设备中故障所在的目标零部件子系统后，再通过所述双层故障诊断模型中的第二层故障诊断模型在所述目标零部件子系统内部进行故障诊断，以确定目标故障零部件和目标故障模式。
60.需要说明的是，所述双层故障诊断模型可以是基于机器学习算法构建的，包括但不限于贝叶斯算法、遗传算法等。若所述双层故障诊断模型是基于贝叶斯算法建立的，对所述双层故障诊断模型的训练可以认为是利用所述双层故障诊断模型进行学习，而通过所述双层故障诊断模型进行预测可以认为是利用所述双层故障诊断模型进行推理。这里，与全局建模进行故障诊断的方式相比，通过分层级进行故障诊断，有效减少了计算工作量，加快了故障诊断速度。此外，当用户根据以往经验能确定故障现象发生的零部件子系统时，可以通过将故障现象发生的零部件子系统在该故障现象中进行描述，以更准确且快速地定位故障零部件和对应的故障模式。
61.在一实施方式中，所述双层故障诊断模型的训练步骤包括：
62.获取从多种真实环境下采集的所述机械设备的历史维修数据和对应的历史工况数据，所述历史维修数据包括历史故障现象和历史故障诊断结果；
63.根据所述历史维修数据和对应的所述历史工况数据生成训练样本，所述训练样本包括已标注所述历史故障诊断结果的样本标签；
64.通过初始的双层故障诊断模型对所述训练样本进行故障诊断处理，得到对所述训练样本的预测故障诊断结果；所述初始的双层故障诊断模型是基于所述故障知识图谱构建的；
65.基于所述预测故障诊断结果和所述样本标签间的差异，调整所述初始的双层故障诊断模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的双层故障诊断模型。
66.这里，可采集真实环境下所述机械设备出现故障时的维修数据和工况数据，该维修数据包括故障现象和故障诊断结果，该工况数据为出现对应故障现象时对应的工况信息，从而获取从多种真实环境下采集的所述机械设备的历史维修数据和对应的历史工况数据。此外，维修数据还可包括故障码、故障零部件所属的子系统等。需要说明的是，在获取所述历史工况数据后，可以先从历史工况数据中选取能够直接导致相应故障发生的特征变量，同时对特征变量进行阈值分析和数值转换后，再与历史维修数据一起进行清洗和整合，从而生成训练样本。根据所述历史维修数据和对应的所述历史工况数据可生成多个训练样
本，而每个训练样本包括已标注对应的历史故障诊断结果的样本标签。通过初始的双层故障诊断模型对所述训练样本进行故障诊断处理，可得到对所述训练样本的预测故障诊断结果，而基于所述预测故障诊断结果和所述样本标签间的差异，调整所述初始的双层故障诊断模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的双层故障诊断模型，从而完成对双层故障诊断模型的训练。这里，所述训练条件可以根据实际情况需要进行设置，在此不做具体限定。
67.在一实施方式中，所述初始的双层故障诊断模型的构建步骤包括：
68.根据所述故障知识图谱，获取各故障现象节点与所述机械设备的各故障零部件子系统节点之间的第一关联关系，以及各故障现象节点与各故障零部件节点、各故障模式节点之间的第二关联关系；
69.根据所述第一关联关系建立初始的第一层故障诊断模型，并根据所述第二关联关系以及各故障现象与对应工况特征之间的第三关联关系，建立针对各零部件子系统的初始的第二层故障诊断模型。
70.可选地，由于所述故障知识图谱记录有不同故障现象以及每个故障现象对应出现故障的零部件和该零部件对应的故障模式，同时还记录有各零部件子系统节点以及每个零部件子系统节点所包括的零部件，因此，根据所述故障知识图谱，可以获知各故障现象节点与所述机械设备的各故障零部件子系统节点之间的第一关联关系，以及各故障现象节点与各故障零部件节点、各故障模式节点之间的第二关联关系，进而根据所述第一关联关系建立初始的第一层故障诊断模型。同时，在出现不同故障现象时，对应着不同的工况数据，从工况数据中选取能够直接导致相应故障发生的工况特征，并可基于专家经验将工况特征与故障现象进行关联，从而获得各故障现象与对应工况特征之间的第三关联关系，进而可根据所述第二关联关系和所述第三关联关系建立针对各零部件子系统的初始的第二层故障诊断模型。需要说明的是，若所述双层故障诊断模型是基于贝叶斯算法构建的，则将工况特征作为贝叶斯网络的额外节点，并基于专家经验添加该工况特征节点与故障现象节点的依赖关系，以获得所述第三关联关系。如此，通过分层建模，能够提高模型进行故障诊断处理的速度和准确性。
71.在一实施方式中，所述方法还包括：
72.获取所述机械设备的零部件结构树和故障树库；所述故障树库包括至少一个故障现象对应的故障树，所述故障树包括故障零部件、故障模式、故障现象；
73.从所述零部件结构树中提取故障实体，并将所述故障实体与对应的所述故障树进行关联，以建立所述故障知识图谱。
74.可选地，所述机械设备的零部件结构树可包括组成所述机械设备的零部件子系统、零部件以及零部件子系统与零部件之间、零部件之间的关联关系。需要说明的是，所述零部件既可包括部件，也可包括零件。示例性地，对于机械设备中的发动机子系统，其包括的零部件可包括活塞、点火线圈等。所述故障树库包括至少一个故障现象对应的故障树，而每个故障现象对应的故障树可包括故障零部件、故障模式、故障现象。此外，每个故障现象对应的故障树还可包括故障码等。其中，故障零部件表示导致发生故障现象的零部件，故障模式表示零部件的具体故障原因，如损坏、烧毁等。这里，可以将所述零部件结构树中的各零部件子系统、各零部件分别作为故障实体，而通过将所述故障实体与对应的所述故障树
进行关联，并建立所述故障知识图谱，可以实现通过所述故障知识图谱获知与出现某种故障现象可能相关的零部件子系统和零部件等，从而能够为故障诊断提供帮助。
75.在一实施方式中，所述方法还包括：
76.获取对所述机械设备的历史维修方案，所述历史维修方案包括历史故障现象对应的历史故障解决方案；
77.所述建立所述故障知识图谱，包括：将所述历史维修方案与对应的所述故障树进行关联。
78.可选地，所述对所述机械设备的历史维修方案可以是通过对历史维修案例和专家经验进行结合获得的。可以理解，对于机械设备的每个历史故障现象，可以获取维修人员解决该历史故障现象所采用的故障解决方案，由于不同人员解决同一故障现象所采用的方式可能存在不同，此时为了提高故障解决的全面性和可靠性，还可以结合专家经验形成对该历史故障现象对应的历史故障解决方案。此外，通过将所述历史维修方案与对应的所述故障树进行关联，可以实现通过所述故障知识图谱快速且准确获知解决出现的某种故障现象所对应的故障解决方案，相应的，在根据所述目标故障现象和所述目标工况数据对机械设备进行故障诊断处理时，对应的故障诊断结果可包括目标故障解决方案。如此，通过将包括不同历史故障现象对应的历史故障解决方案的维修方案与对应的故障树进行关联，可使得建立的故障知识图谱更加全面且多样化，为快速且准确解决故障提供有力帮助，进一步提高故障处理效率。
79.步骤s103：输出所述故障诊断结果。
80.可选地，所述故障诊断结果可通过所述机械设备的人机交互界面进行输出，也可通过其它设备如维修辅助设备的人机交互界面进行输出。所述故障诊断结果的输出方式可以为文字，也可以为文字和语音，还可以为图形和文字，比如在机械设备的零部件结构树图上标识出故障零部件和对应的故障模式等。
81.综上，上述实施例提供的故障处理方法中，通过采用基于机械设备的故障知识图谱生成的双层故障诊断模型进行故障诊断处理，能够提升故障诊断的智能性，降低维修知识壁垒，缩短故障诊断时间，同时降低运维成本。
82.在一实施方式中，所述方法还包括：获取对所述故障诊断结果的反馈结果；根据所述反馈结果和所述故障诊断结果，调整所述双层故障诊断模型的参数。
83.可选地，在所述双层故障诊断模型为采用贝叶斯网络模型建立的时，根据所述目标故障现象和所述目标工况数据，贝叶斯网络模型会从多个零部件中计算每个零部件可能出现故障的概率，进而根据概率大小输出相应的故障诊断结果。在输出所述故障诊断结果时，可通过文字或语音等方式要求用户确认是否为某个零部件出现故障和/或零部件是否出现某种故障模式，而用户可基于实际情况进行反馈，即生成对所述故障诊断结果的反馈结果，为了后续更准确且快速地进行故障诊断，相应可根据所述反馈结果和所述故障诊断结果，调整所述双层故障诊断模型的参数。如此，通过获取对故障诊断结果的反馈结果，进而对双层故障诊断模型的参数进行调整，进一步提高了故障诊断的准确性和快速性。
84.基于前述实施例相同的发明构思，参阅图2，本技术实施例提供了一种故障处理装置，包括：
85.获取模块，用于获取机械设备的目标故障现象和对应的目标工况数据；
86.处理模块，用于基于所述目标故障现象和所述目标工况数据，通过已训练的双层故障诊断模型进行故障诊断处理，获得包括有目标故障零部件和目标故障模式的故障诊断结果；所述双层故障诊断模型是基于所述机械设备的故障知识图谱生成的，其中第一层故障诊断模型用于预测所述机械设备中故障所在的目标零部件子系统，第二层故障诊断模型用于在所述目标零部件子系统内部进行故障诊断；
87.输出模块，用于输出所述故障诊断结果。
88.综上，上述实施例提供的故障处理装置中，通过采用基于机械设备的故障知识图谱生成的双层故障诊断模型进行故障诊断处理，能够提升故障诊断的智能性，降低维修知识壁垒，缩短故障诊断时间，同时降低运维成本。
89.在一实施方式中，
90.所述获取模块，还用于获取所述机械设备的零部件结构树和故障树库；所述故障树库包括至少一个故障现象对应的故障树，所述故障树包括故障零部件、故障模式、故障现象；
91.所述处理模块，还用于从所述零部件结构树中提取故障实体，并将所述故障实体与对应的所述故障树进行关联，以建立所述故障知识图谱。
92.在一实施方式中，所述获取模块，还用于获取对所述机械设备的历史维修方案，所述历史维修方案包括历史故障现象对应的历史故障解决方案；
93.所述处理模块，具体用于将所述历史维修方案与对应的所述故障树进行关联。
94.如此，通过将包括不同历史故障现象对应的历史故障解决方案的维修方案与对应的故障树进行关联，可使得建立的故障知识图谱更加全面且多样化，为快速且准确解决故障提供有力帮助，进一步提高故障处理效率。
95.在一实施方式中，所述获取模块，具体用于获取机械设备的目标故障描述信息；对所述目标故障描述信息进行语义分析，根据获得的语义分析结果进行故障现象匹配，确定所述机械设备的目标故障现象。
96.如此，通过对故障描述信息进行语义分析，可准确且快速获取对应的故障现象，进一步提高故障诊断的效率和准确性。
97.在一实施方式中，
98.所述获取模块，还用于获取从多种真实环境下采集的所述机械设备的历史维修数据和对应的历史工况数据，所述历史维修数据包括历史故障现象和历史故障诊断结果；
99.所述处理模块，还用于根据所述历史维修数据和对应的所述历史工况数据生成训练样本，所述训练样本包括已标注所述历史故障诊断结果的样本标签；通过初始的双层故障诊断模型对所述训练样本进行故障诊断处理，得到对所述训练样本的预测故障诊断结果；所述初始的双层故障诊断模型是基于所述故障知识图谱构建的；基于所述预测故障诊断结果和所述样本标签间的差异，调整所述初始的双层故障诊断模型的参数并继续训练，直至满足训练条件时停止训练，得到已训练的双层故障诊断模型。
100.在一实施方式中，
101.所述获取模块，还用于根据所述故障知识图谱，获取各故障现象节点与所述机械设备的各故障零部件子系统节点之间的第一关联关系，以及各故障现象节点与各故障零部件节点、各故障模式节点之间的第二关联关系；
102.所述处理模块，还用于根据所述第一关联关系建立初始的第一层故障诊断模型，并根据所述第二关联关系以及各故障现象与对应工况特征之间的第三关联关系，建立针对各零部件子系统的初始的第二层故障诊断模型。
103.如此，通过分层建模，能够提高模型进行故障诊断处理的速度和准确性。
104.在一实施方式中，
105.所述获取模块，还用于获取对所述故障诊断结果的反馈结果；
106.所述处理模块，还用于根据所述反馈结果和所述故障诊断结果，调整所述双层故障诊断模型的参数。
107.如此，通过获取对故障诊断结果的反馈结果，进而对双层故障诊断模型的参数进行调整，进一步提高了故障诊断的准确性和快速性。
108.基于前述实施例相同的发明构思，下面通过一具体示例对前述实施例进行详细说明。
109.参阅图3，为本实施例提供的故障处理系统的结构示意图，基于图3所示的故障处理系统，本实施例提供的故障处理方法通过将贝叶斯网络等机器学习技术应用于故障诊断，提升故障诊断的智能性，降低维修知识壁垒，缩短故障诊断时间。同时，采用知识图谱技术，通过自然语言处理、数据挖掘等算法，结合领域专家经验，形成故障知识图谱，实现运维知识经验的积累和可视化，从而降低运维成本，提高维修知识传授效率。
110.本实施例提供的故障处理方法主要包括以下过程：
111.1)数据采集与分析
112.参阅图4，在模型训练阶段，故障诊断推理模型训练数据主要来自两个方面，一个是服务工程师维修记录历史数据，简称crm数据，一个是机械设备传感器数据，简称工况数据。crm数据主要包括：故障征兆描述、故障检修结果、故障码、故障码所属子系统、部件、零件以及失效形式。工况数据描述了设备运行时自身状态及其工作环境状况。采集得到crm数据后，首先通过文本分析技术对故障征兆描述进行故障现象分类和匹配，并将零部件和失效形式作为目标标签，随后在工况数据中选取能够直接导致相应故障发生的因素作为额外特征变量，同时对相应的特征变量进行阈值分析和数值变换，最后对两种数据进行清洗和整合，形成结构化的训练数据集，写入故障数据样本库。
113.在模型推理阶段，故障推理模型的输入主要是人机交互界面的文本输入以及实时工况数据，根据人机交互界面输入的故障现象，自动选择相关的工况数据变量作为特征。
114.2)故障知识管理
115.故障知识管理模块基于成熟的知识图谱能力平台，结合领域专家经验，进行故障知识的知识抽取、融合、存储和管理，如图5所示。
116.故障知识图谱实体主要包含由零部件结构树抽取出的故障实体，以及由每个故障现象构建的故障树，故障树由故障模式(也可称为失效模式)、故障现象或故障码等节点构成，将其关联在汽车零部件树故障实体节点上，同时，基于故障树关联相应的维修知识，形成结构化知识图谱。
117.3)故障推理引擎构建
118.故障推理引擎构建模块为本实施例的核心，研究实现3个主要功能：模型构建、模型训练、模型推理。
119.在本实施例中，贝叶斯网络模型基础骨架主要依据故障知识图谱中故障树所包含的故障模式、故障现象及传播关系等信息，基于贝叶斯网络生成算法自动调整构建。在此网络骨架的基础上，添加从工况数据中提取出来的特征作为贝叶斯网络的额外节点，基于专家经验添加新增节点与其他节点的依赖关系(边)。
120.针对用户应用场景需求，从两个层级进行建模，一个是全局层级，一个是子系统层级。全局层级建模依据故障知识图谱中故障树信息，采用图搜索算法，找到所有可能的疑似故障根因(失效模式)；子系统层级建模则先通过与故障知识图谱中零部件结构树中子系统节点进行关联，选取与出现某故障现象最可能的子系统集合，再找出该子系统下的所有可能故障根因。这样分层级建模的目的是当用户根据以往业务经验能确定该现象发生在某个子系统时，能更精确的定位故障根因。
121.模型训练模块利用故障样本历史数据对模型参数进行学习，学习方法选用贝叶斯估计，贝叶斯估计就是先假设其参数服从某个先验分布，在本实施例中先验分布取多项dirichlet(狄利克雷)分布，在先验的基础上用数据求后验，以完成贝叶斯网络的离线训练。
122.贝叶斯网络推理模型结构及离线训练后的参数表存储在结构化数据库中，同时为了提升系统故障定位的准确率，本实施例还支持在线训练能力，即基于不断更新的故障数据，定期对贝叶斯网络进行在线训练。通过模型的在线训练，让系统具备自学习能力。
123.模型推理模块的数据输入为人机交互界面输入的故障现象以及部分工况数据节点值，待推理目标为零部件位置及失效模式。推理模块根据贝叶斯网络规模实时选取不同的模型推理算法进行推理，当网络规模较小时，选择联接树推理等精确推理算法，当网络规模较大时，选择基于采样的近似推理算法，推理结果输出为故障可能原因的概率，其中故障推理引擎进行故障诊断流程如图6所示。
124.4)人机交互及可视化
125.人机交互及可视化模块主要实现3个业务功能，一个是作为用户或服务工程师的查询入口，以及推理结果的输出终端；同时作为知识图谱管理前端和贝叶斯网络及贝叶斯网络故障推理路径的展示界面；另一方面，通过交互式的排故问询，实时更新推理模型输入的证据变量值，从而提高推理结果的准确性。
126.本实施例提供的故障处理方法，主要创新点包括：1)采用贝叶斯网络作为多源信息的不确定性推理模型，基于概率论的严格推理，给出了故障可能原因的优先级排序；2)实现了人机交互故障查询，系统能根据测试节点反馈结果调整推理模型参数，逐步推导出精确的故障原因；3)构建的推理模型具有可扩展性，具备多故障现象对应多故障原因的查询诊断能力；4)使用机器学习算法对工况数据进行特征提取及阈值分析，将工况数据特征变量与故障现象融合推理，从而缩小排故区间；5)构建的推理模型具备自学习能力，随着故障样本数的增加，故障定位准确性随之增加。
127.综上，本实施例提供的故障处理方法中，通过对贝叶斯网络等机器学习技术研究，提升故障诊断的智能性，降低维修知识壁垒，缩短故障诊断时间。同时采用知识图谱技术，通过自然语言处理、数据挖掘等算法，结合领域专家经验，形成故障知识图谱，实现运维知识经验的积累和可视化，从而降低运维成本，提高维修知识传授效率。
128.基于前述实施例相同的发明构思，本发明实施例提供了一种故障处理装置，如图7
所示，该装置包括：处理器310和存储有计算机程序的存储器311；其中，图7中示意的处理器310并非用于指代处理器310的个数为一个，而是仅用于指代处理器310相对其他器件的位置关系，在实际应用中，处理器310的个数可以为一个或多个；同样，图7中示意的存储器311也是同样的含义，即仅用于指代存储器311相对其他器件的位置关系，在实际应用中，存储器311的个数可以为一个或多个。在所述处理器310运行所述计算机程序时，实现应用于上述装置的所述故障处理方法。
129.该装置还可包括：至少一个网络接口312。该装置中的各个组件通过总线系统313耦合在一起。可理解，总线系统313用于实现这些组件之间的连接通信。总线系统313除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图7中将各种总线都标为总线系统313。
130.其中，存储器311可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，electrically erasable programmable read-only memory)、磁性随机存取存储器(fram，ferromagnetic random access memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(ram，random access memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(sram，static random access memory)、同步静态随机存取存储器(ssram，synchronous static random access memory)、动态随机存取存储器(dram，dynamic random access memory)、同步动态随机存取存储器(sdram，synchronous dynamic random access memory)、双倍数据速率同步动态随机存取存储器(ddrsdram，double data rate synchronous dynamic random access memory)、增强型同步动态随机存取存储器(esdram，enhanced synchronous dynamic random access memory)、同步连接动态随机存取存储器(sldram，synclink dynamic random access memory)、直接内存总线随机存取存储器(drram，direct rambus random access memory)。本发明实施例描述的存储器311旨在包括但不限于这些和任意其它适合类型的存储器。
131.本发明实施例中的存储器311用于存储各种类型的数据以支持该装置的操作。这些数据的示例包括：用于在该装置上操作的任何计算机程序，如操作系统和应用程序；联系人数据；电话簿数据；消息；图片；视频等。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序，例如媒体播放器(media player)、浏览器(browser)等，用于实现各种应用业务。这里，实现本发明实施例方法的程序可以包含在应用程序中。
132.基于前述实施例相同的发明构思，本实施例还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，计算机存储介质可以是磁性随机存取存储器(fram，ferromagnetic random access memory)、只读存储器(rom，read only memory)、可编程只读存储器(prom，programmable read-only memory)、可擦除可编程只读存储器(eprom，erasable programmable read-only memory)、电可擦除可编程只读存储器(eeprom，
electrically erasable programmable read-only memory)、快闪存储器(flash memory)、磁表面存储器、光盘、或只读光盘(cd-rom，compact disc read-only memory)等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机存储介质中存储的计算机程序被处理器运行时，实现应用于上述装置的所述故障处理方法。所述计算机程序被处理器执行时实现的具体步骤流程请参考图1所示实施例的描述，在此不再赘述。
133.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
134.在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
135.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。