基于知識圖譜的水電站設備故障根因分析方法

摘要：水電站設備故障成因復雜、關聯性強，研究故障之間的成因關系及發生概率有助于快速確定故障原因和制定排查計劃。根據專家經驗與歷史故障數據構建了水電站設備知識圖譜，設計了基于知識圖譜的智能故障診斷算法，利用Noisy Or模型實現一種近似推理算法，實現了根因的定量分析，并基于圖推理分析相關現象和熵理論實現了排查建議的優化計算。該系統可給出全面、詳細的建議和解釋信息，允許用戶自由交互，可以幫助用戶快速開展排查故障。系統具有不依賴歷史數據、準確性高、可解釋性強、可動態更新等優點，為智慧水電站建設提供了先進平臺。

關 鍵 詞：水電站設備； 故障診斷； 知識圖譜； 圖推理； 熵

中圖法分類號： TP277 文獻標志碼： A DOI：10.16232/j.cnki.1001-4179.2024.02.034

0 引 言

近年來，中國水電建設事業飛速發展，2022年水電裝機容量達到4.135億kW，水力發電已成為發電產業中的中堅力量［1］。隨著水電站裝機容量的提升，水電設備的維修保養和故障診斷也越來越重要，對機組的檢修、維護、運行、管理提出了更高的要求［2］。水電站工作者需要對水電站的機電設備進行定期的維護檢修以保障機電設備的正常運行［3］。傳統的人工巡檢費時費力，容易導致漏檢，且存在諸多限制條件，效率低、成本高［4-5］。同時，水電站設備故障機理復雜，受水力、電氣、機械及環境等多種因素影響，一旦出現故障，如果不能及時查找故障原因并及時處理，將帶來嚴重的后果。此外，水電站設備之間關系密切，相互耦合構成有機整體，設備分析與診斷需要關聯相關設備狀態［6］。因此，對水電站維修巡檢方案進行統計分析，考慮設備、故障之間的關聯，結合專家經驗建立故障根因分析方法對水電設備的檢修和維護具有重要意義。

知識圖譜是人工智能領域的一個重要分支，其以結構化的形式描述客觀世界中概念、實體及其之間的關系，將信息表達成更接近人類認知世界的形式［7］。知識圖譜提供了一種更好地組織、管理和利用知識的能力，廣泛應用于智能搜索、智能問答、輔助決策、風險預警等領域。

由于知識圖譜技術良好的可解釋性，以及可以有效地利用專家知識，減少對故障數據的依賴性，在故障診斷領域越來越受到重視。劉鑫［8］、劉瑞宏［9］等在故障診斷分析領域引入知識圖譜相關技術思想，提出了基于本體的故障知識圖譜構建方法，解決了故障知識與故障數據自動對接、自動推理生成故障傳播鏈、按圖索驥查詢故障傳播可解釋性知識等問題。許祺［10］、耿慧［11］、喬驥［12］、Yun［13］等將知識圖譜技術引入電力、航空等領域，提出了基于知識圖譜的故障分析框架和實現手段，建立了智能故障診斷或智能問答系統。Yang［14］、Sun［15］等針對復雜的工業過程或設備，提出了基于知識圖譜和貝葉斯網絡的故障診斷方法，將經驗知識融入到智能診斷過程中，實現了多源故障檢測和診斷框架。當前的研究以基于知識圖譜的定性推理為主，缺少對相關現象及排查建議的分析。

本文基于專家經驗與歷史故障數據構建了水電站設備知識圖譜，設計了基于知識圖譜的智能故障診斷算法，實現了定量的根因分析。根據圖推理分析相關現象和熵理論實現了排查建議的優化計算，系統能給出全面、詳細的建議和解釋信息，允許用戶自由交互，幫助用戶快速排查故障。

1 知識圖譜設計

用知識圖譜表達故障之間的影響關系，可以采用簡化的Noisy Or［16］模型表示。當多個原因導致同一個后果時，假設多個原因之間相互獨立。如圖1所示，左側Noisy Or模型描述了3個故障的關系，表示當A發生時，有0.6的概率導致C發生，當B發生時，有0.8的概率導致C發生，當A與B均不發生時，C不會發生，那么當A與B均發生時，C發生的概率為：

P（C|A，B）=1－（1－0.8）×（1－0.6）=0.92（1）

因此，該模型與具有右側條件概率表（CPT）的貝葉斯模型等價。

基于專家經驗及歷史故障數據，如系統故障數據庫、相關的專業領域文獻資料、各類傳感器數據等，構建了水電站設備故障知識圖譜，以有向無環圖描述所有設備故障之間的影響關系。在Neo4j圖數據庫中完成了建模，以機組軸承溫度升高故障為例，圖譜如圖2所示。該圖描述了機組軸承溫度升高可能的根因及相關故障現象，黃色節點表示根因，藍色節點表示非根因故障。

表1是圖2中所有根因的先驗概率，故障a的先驗概率記為w（a）。基于先驗概率、圖結構及邊的權重，即可針對任意給定的一個或多個故障狀態，計算每個根因的后驗概率，進行定量的故障診斷。

2 根因分析

故障診斷的第一個關鍵問題是分析可能導致故障的根因，并定量地給出其可能性。

4 故障診斷應用

基于水電站知識圖譜及故障診斷算法，開發了智能故障診斷系統，流程如圖5所示。用戶選擇一個故障后，系統進入診斷流程，根據已發現、已排除現象集合，分別進行根因推理、根因排序、排查建議推理、建議排序。用戶根據排查建議，選擇其中一項進行檢查，反饋檢查結果。將檢查結果加入到已發現、已排除現象集合，如此循環，直到幫助用戶找到導致故障的根因。系統給出全面、詳細的建議和解釋信息，用戶可以自由交互，任意選擇排查項進行檢查并反饋結果。

以圖2所示圖譜為例，選擇“軸承溫度升高”進行診斷，排除“管道故障”“振動異?！眱蓚€相關現象后，系統給出的可能根因及排查建議（前5項）如表2所列，排查建議與可能根因可以是多對多關系。大多數情況下診斷結果符合專家預期，顯示出良好的性能。

在知識圖譜的構建過程中，由于知識收集的有限性，無法窮舉所有可能的根因。此外，不同水電站的設備信息、地區、工作環境不同，有可能用戶檢查完所有的待排查項后仍然找不到正確的根因，導致診斷失敗。此時用戶可點擊“專家求助”，在專家指導下解決問題后可向系統反饋正確的根因。系統維護人員可以根據用戶反饋結果完善對應的知識圖譜，實現知識圖譜的動態更新。

5 結 語

本文針對水電站設備故障的復雜成因及關聯關系，提出了基于知識圖譜的設備故障根因分析方法，得出了以下成果及結論：

（1） 基于專家經驗及歷史故障數據，構建了水電站設備知識圖譜。

（2） 設計了基于知識圖譜的故障根因分析算法，實現了定量的根因分析，基于圖推理分析相關現象及應用信息論實現了排查建議的優化計算。

（3） 基于知識圖譜技術的水電站設備智能故障根因分析方法的成功研發和系統應用，實現了排查建議的優化計算，給出了全面、詳細的建議和解釋信息。研究成果為水電站故障的快速識別和精準定位提供了堅實基礎，也為水電系統的智慧建設做了積極探索。

參考文獻：

［1］王漢輝，翁永紅，丁剛.水電工程特高陡環境邊坡高效防治關鍵技術［J］.水利水電快報，2022，43（7）：6-7.

［2］胡勇健，肖志懷，周云飛，等.基于貝葉斯網絡Noisy Or模型的水電機組故障診斷研究［J］.水力發電學報，2015，34（6）：197-203.

［3］廖熙仲.淺談水電站機電設備維護檢修與管理［J］.技術與市場，2017，24（1）：100，102.

［4］王波，趙遠，劉喜泉，等.智能巡檢機器人在大壩廊道運維中的應用［J］.人民長江，2022，53（7）：227-231.

［5］趙薛強，凌峻.無人機自動巡檢智慧監控系統研究與應用［J］.人民長江，2022，53（6）：235-241.

［6］楊賢.面向智能水電站的遠程監測與分析系統［D］.武漢：華中科技大學，2012.

［7］朱小燕，李晶.人工智能：知識圖譜前沿技術［M］.北京：電子工業出版社，2020.

［8］劉鑫.面向故障分析的知識圖譜構建技術研究［D］.北京：北京郵電大學，2019.

［9］劉瑞宏，謝國強，苑宗港，等.基于知識圖譜的智能故障診斷研究［J］.郵電設計技術，2020（10）：30-35.

［10］許祺.基于知識圖譜的CNC故障診斷系統［D］.北京：北京郵電大學，2020.

［11］耿慧.基于知識圖譜的整機線纜檢測故障診斷系統研究［D］.杭州：浙江大學，2020.

［12］喬驥，王新迎，閔睿，等.面向電網調度故障處理的知識圖譜框架與關鍵技術初探［J］.中國電機工程學報，2020，40（18）：5837-5849.

［13］YUN F，FENG Z，BAOFENG L，et al.Research on intelligent fault diagnosis of power acquisition based on knowledge graph［C］∥2019 3rd International Conference on Electronic Information Technology and Computer Engineering，2019：1737-1740.

［14］YANG N，ZHANG G，WANG J.Research on knowledge graph and bayesian network in fault diagnosis of steam turbine［C］∥2020 Global Reliability and Prognostics and Health Management，2020.

［15］SUN T，WANG Q.Multi-source fault detection and diagnosis based on multi-level knowledge graph and Bayesian theory reasoning［C］∥31th International Conference on Software Engineering and Knowledge Engineering.KSI，Pittsburgh，2019：177-180.

［16］AGNIESZKA.Learning bayesian network parameters from small data sets application of Noisy—OR Gates［J］.International Journal of Approximate Reasoning，2001，27（2）：165-182.

［17］COVER T M，THOMAS J A.信息論基礎［M］.阮吉壽，張華，譯.北京：機械工業出版社，2007.

（編輯：鄭 毅）

Root cause analysis method for equipment failure of hydropower stations

based on knowledge graphTAN Qun MIAO Honglei2，QIN Zheng1，ZHU Xi2，GAO Zhenya2

（1.College of Computer Science and Electronic Engineering，Hunan University，Changsha 410082，China； 2.HNAC Technology Co.，Ltd.，Changsha 410000，China）

Abstract： The causes of equipment failures of hydropower stations are complex and highly correlated，so the study on the sequence relationship and probability of failure is helpful to quickly determining the cause of failure and making a troubleshooting plan.According to the expert experience and historical fault data，a knowledge graph of hydropower equipment was constructed，and an intelligent fault diagnosis algorithm based on the knowledge graph was designed.An approximate reasoning algorithm was implemented by using the Noisy Or model to realize the quantitative analysis of root causes，and the optimization calculation of troubleshooting suggestions was realized based on the graph reasoning analysis of related phenomena and entropy theory.The system provides comprehensive and detailed suggestions and explanation information，allows users to interact freely，and helps users quickly find faults.The system has the advantages of being independent on historical data，high accuracy，strong interpretability and dynamic updating，which provide an advanced platform for construction of intelligent hydropower stations.

Key words： equipment of hydropower station；fault diagnosis；knowledge graph；graph reasoning；entropy

收稿日期：2023-01-08；接受日期：2023-04-12

基金項目：國家自然科學基金項目（U20A20174）；長沙市科技計劃項目（kh2204007）

作者簡介：談 群，男，高級工程師，博士，主要從事大數據、人工智能、設備故障診斷與預測等方面研究。E-mail：39906860@qq.com