摘要：水電站設(shè)備故障成因復(fù)雜、關(guān)聯(lián)性強(qiáng)，研究故障之間的成因關(guān)系及發(fā)生概率有助于快速確定故障原因和制定排查計(jì)劃。根據(jù)專家經(jīng)驗(yàn)與歷史故障數(shù)據(jù)構(gòu)建了水電站設(shè)備知識圖譜，設(shè)計(jì)了基于知識圖譜的智能故障診斷算法，利用Noisy Or模型實(shí)現(xiàn)一種近似推理算法，實(shí)現(xiàn)了根因的定量分析，并基于圖推理分析相關(guān)現(xiàn)象和熵理論實(shí)現(xiàn)了排查建議的優(yōu)化計(jì)算。該系統(tǒng)可給出全面、詳細(xì)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(tǒng)具有不依賴歷史數(shù)據(jù)、準(zhǔn)確性高、可解釋性強(qiáng)、可動(dòng)態(tài)更新等優(yōu)點(diǎn)，為智慧水電站建設(shè)提供了先進(jìn)平臺(tái)。

關(guān) 鍵 詞：水電站設(shè)備； 故障診斷； 知識圖譜； 圖推理； 熵

中圖法分類號： TP277 文獻(xiàn)標(biāo)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(shè)事業(yè)飛速發(fā)展，2022年水電裝機(jī)容量達(dá)到4.135億kW，水力發(fā)電已成為發(fā)電產(chǎn)業(yè)中的中堅(jiān)力量［1］。隨著水電站裝機(jī)容量的提升，水電設(shè)備的維修保養(yǎng)和故障診斷也越來越重要，對機(jī)組的檢修、維護(hù)、運(yùn)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(jī)電設(shè)備進(jìn)行定期的維護(hù)檢修以保障機(jī)電設(shè)備的正常運(yùn)行［3］。傳統(tǒng)的人工巡檢費(fèi)時(shí)費(fèi)力，容易導(dǎo)致漏檢，且存在諸多限制條件，效率低、成本高［4-5］。同時(shí)，水電站設(shè)備故障機(jī)理復(fù)雜，受水力、電氣、機(jī)械及環(huán)境等多種因素影響，一旦出現(xiàn)故障，如果不能及時(shí)查找故障原因并及時(shí)處理，將帶來嚴(yán)重的后果。此外，水電站設(shè)備之間關(guān)系密切，相互耦合構(gòu)成有機(jī)整體，設(shè)備分析與診斷需要關(guān)聯(lián)相關(guān)設(shè)備狀態(tài)［6］。因此，對水電站維修巡檢方案進(jìn)行統(tǒng)計(jì)分析，考慮設(shè)備、故障之間的關(guān)聯(lián)，結(jié)合專家經(jīng)驗(yàn)建立故障根因分析方法對水電設(shè)備的檢修和維護(hù)具有重要意義。

知識圖譜是人工智能領(lǐng)域的一個(gè)重要分支，其以結(jié)構(gòu)化的形式描述客觀世界中概念、實(shí)體及其之間的關(guān)系，將信息表達(dá)成更接近人類認(rèn)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(yīng)用于智能搜索、智能問答、輔助決策、風(fēng)險(xiǎn)預(yù)警等領(lǐng)域。

由于知識圖譜技術(shù)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(shù)據(jù)的依賴性，在故障診斷領(lǐng)域越來越受到重視。劉鑫［8］、劉瑞宏［9］等在故障診斷分析領(lǐng)域引入知識圖譜相關(guān)技術(shù)思想，提出了基于本體的故障知識圖譜構(gòu)建方法，解決了故障知識與故障數(shù)據(jù)自動(dòng)對接、自動(dòng)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(shù)引入電力、航空等領(lǐng)域，提出了基于知識圖譜的故障分析框架和實(shí)現(xiàn)手段，建立了智能故障診斷或智能問答系統(tǒng)。Yang［14］、Sun［15］等針對復(fù)雜的工業(yè)過程或設(shè)備，提出了基于知識圖譜和貝葉斯網(wǎng)絡(luò)的故障診斷方法，將經(jīng)驗(yàn)知識融入到智能診斷過程中，實(shí)現(xiàn)了多源故障檢測和診斷框架。當(dāng)前的研究以基于知識圖譜的定性推理為主，缺少對相關(guān)現(xiàn)象及排查建議的分析。

本文基于專家經(jīng)驗(yàn)與歷史故障數(shù)據(jù)構(gòu)建了水電站設(shè)備知識圖譜，設(shè)計(jì)了基于知識圖譜的智能故障診斷算法，實(shí)現(xiàn)了定量的根因分析。根據(jù)圖推理分析相關(guān)現(xiàn)象和熵理論實(shí)現(xiàn)了排查建議的優(yōu)化計(jì)算，系統(tǒng)能給出全面、詳細(xì)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(shè)計(jì)

用知識圖譜表達(dá)故障之間的影響關(guān)系，可以采用簡化的Noisy Or［16］模型表示。當(dāng)多個(gè)原因?qū)е峦粋€(gè)后果時(shí)，假設(shè)多個(gè)原因之間相互獨(dú)立。如圖1所示，左側(cè)Noisy Or模型描述了3個(gè)故障的關(guān)系，表示當(dāng)A發(fā)生時(shí)，有0.6的概率導(dǎo)致C發(fā)生，當(dāng)B發(fā)生時(shí)，有0.8的概率導(dǎo)致C發(fā)生，當(dāng)A與B均不發(fā)生時(shí)，C不會(huì)發(fā)生，那么當(dāng)A與B均發(fā)生時(shí)，C發(fā)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(cè)條件概率表（CPT）的貝葉斯模型等價(jià)。

基于專家經(jīng)驗(yàn)及歷史故障數(shù)據(jù)，如系統(tǒng)故障數(shù)據(jù)庫、相關(guān)的專業(yè)領(lǐng)域文獻(xiàn)資料、各類傳感器數(shù)據(jù)等，構(gòu)建了水電站設(shè)備故障知識圖譜，以有向無環(huán)圖描述所有設(shè)備故障之間的影響關(guān)系。在Neo4j圖數(shù)據(jù)庫中完成了建模，以機(jī)組軸承溫度升高故障為例，圖譜如圖2所示。該圖描述了機(jī)組軸承溫度升高可能的根因及相關(guān)故障現(xiàn)象，黃色節(jié)點(diǎn)表示根因，藍(lán)色節(jié)點(diǎn)表示非根因故障。

表1是圖2中所有根因的先驗(yàn)概率，故障a的先驗(yàn)概率記為w（a）?；谙闰?yàn)概率、圖結(jié)構(gòu)及邊的權(quán)重，即可針對任意給定的一個(gè)或多個(gè)故障狀態(tài)，計(jì)算每個(gè)根因的后驗(yàn)概率，進(jìn)行定量的故障診斷。

2 根因分析

故障診斷的第一個(gè)關(guān)鍵問題是分析可能導(dǎo)致故障的根因，并定量地給出其可能性。

4 故障診斷應(yīng)用

基于水電站知識圖譜及故障診斷算法，開發(fā)了智能故障診斷系統(tǒng)，流程如圖5所示。用戶選擇一個(gè)故障后，系統(tǒng)進(jìn)入診斷流程，根據(jù)已發(fā)現(xiàn)、已排除現(xiàn)象集合，分別進(jìn)行根因推理、根因排序、排查建議推理、建議排序。用戶根據(jù)排查建議，選擇其中一項(xiàng)進(jìn)行檢查，反饋檢查結(jié)果。將檢查結(jié)果加入到已發(fā)現(xiàn)、已排除現(xiàn)象集合，如此循環(huán)，直到幫助用戶找到導(dǎo)致故障的根因。系統(tǒng)給出全面、詳細(xì)的建議和解釋信息，用戶可以自由交互，任意選擇排查項(xiàng)進(jìn)行檢查并反饋結(jié)果。

以圖2所示圖譜為例，選擇“軸承溫度升高”進(jìn)行診斷，排除“管道故障”“振動(dòng)異?！眱蓚€(gè)相關(guān)現(xiàn)象后，系統(tǒng)給出的可能根因及排查建議（前5項(xiàng)）如表2所列，排查建議與可能根因可以是多對多關(guān)系。大多數(shù)情況下診斷結(jié)果符合專家預(yù)期，顯示出良好的性能。

在知識圖譜的構(gòu)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(shè)備信息、地區(qū)、工作環(huán)境不同，有可能用戶檢查完所有的待排查項(xiàng)后仍然找不到正確的根因，導(dǎo)致診斷失敗。此時(shí)用戶可點(diǎn)擊“專家求助”，在專家指導(dǎo)下解決問題后可向系統(tǒng)反饋正確的根因。系統(tǒng)維護(hù)人員可以根據(jù)用戶反饋結(jié)果完善對應(yīng)的知識圖譜，實(shí)現(xiàn)知識圖譜的動(dòng)態(tài)更新。

5 結(jié) 語

本文針對水電站設(shè)備故障的復(fù)雜成因及關(guān)聯(lián)關(guān)系，提出了基于知識圖譜的設(shè)備故障根因分析方法，得出了以下成果及結(jié)論：

（1） 基于專家經(jīng)驗(yàn)及歷史故障數(shù)據(jù)，構(gòu)建了水電站設(shè)備知識圖譜。

（2） 設(shè)計(jì)了基于知識圖譜的故障根因分析算法，實(shí)現(xiàn)了定量的根因分析，基于圖推理分析相關(guān)現(xiàn)象及應(yīng)用信息論實(shí)現(xiàn)了排查建議的優(yōu)化計(jì)算。

（3） 基于知識圖譜技術(shù)的水電站設(shè)備智能故障根因分析方法的成功研發(fā)和系統(tǒng)應(yīng)用，實(shí)現(xiàn)了排查建議的優(yōu)化計(jì)算，給出了全面、詳細(xì)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(zhǔn)定位提供了堅(jiān)實(shí)基礎(chǔ)，也為水電系統(tǒng)的智慧建設(shè)做了積極探索。

參考文獻(xiàn)：

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

［2］胡勇健，肖志懷，周云飛，等.基于貝葉斯網(wǎng)絡(luò)Noisy Or模型的水電機(jī)組故障診斷研究［J］.水力發(fā)電學(xué)報(bào)，2015，34（6）：197-203.

［3］廖熙仲.淺談水電站機(jī)電設(shè)備維護(hù)檢修與管理［J］.技術(shù)與市場，2017，24（1）：100，102.

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

［5］趙薛強(qiáng)，凌峻.無人機(jī)自動(dòng)巡檢智慧監(jiān)控系統(tǒng)研究與應(yīng)用［J］.人民長江，2022，53（6）：235-241.

［6］楊賢.面向智能水電站的遠(yuǎn)程監(jiān)測與分析系統(tǒng)［D］.武漢：華中科技大學(xué)，2012.

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

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

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

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

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

［12］喬驥，王新迎，閔睿，等.面向電網(wǎng)調(diào)度故障處理的知識圖譜框架與關(guān)鍵技術(shù)初探［J］.中國電機(jī)工程學(xué)報(bào)，2020，40（18）：5837-5849.

［13］YUN F，F(xiàn)ENG 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(chǔ)［M］.阮吉壽，張華，譯.北京：機(jī)械工業(yè)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(xiàng)目：國家自然科學(xué)基金項(xiàng)目（U20A20174）；長沙市科技計(jì)劃項(xiàng)目（kh2204007）

作者簡介：談 群，男，高級工程師，博士，主要從事大數(shù)據(jù)、人工智能、設(shè)備故障診斷與預(yù)測等方面研究。E-mail：39906860@qq.com