Device fault diagnosis method based on knowledge graph and multi-task learning

doi:10.11772/j.issn.1001-9081.2024040484

Abstract

Abstract:

To address the issue of insufficient intelligent analysis and autonomous decision-making capabilities as well as low fault diagnosis efficiency in building equipment operation and maintenance processes， a novel fault diagnosis method based on knowledge graphs and multi-task learning was proposed. Firstly， an operation and maintenance-oriented knowledge graph was constructed， and multi-source heterogeneous data were extracted from building equipment systems by using natural language processing and entity linking techniques， thereby obtaining rich knowledge representation. Secondly， in the case of few-shot labeling， multi-source symptom associated identification was explored. And unlabeled data were used to optimize the model parameters iteratively through self-training and co-training strategies， so as to improve generalization capability of the model. Finally， when designing fault root cause localization technology based on deep knowledge reasoning， a probabilistic graphical model was utilized to trace the fault propagation paths in complex equipment systems， thereby enhancing the accuracy and interpretability of fault analysis. Simultaneously， fusion mechanism was introduced into multi-task learning framework， thereby improving performance of the proposed method on fault diagnosis tasks. Experimental results demonstrate that the proposed method achieves a fault diagnosis accuracy of 92% with an average diagnosis time of 6.5 seconds per case， outperforming the comparison models in evaluation metrics such as accuracy， precision， and recall.

Key words: knowledge graph, building equipment, fault diagnosis, multi-task learning, operation and maintenance optimization

摘要：

针对建筑设备运维过程中的智能分析与自主决策能力不足、故障诊断效率低等问题，提出一种基于知识图谱和多任务学习的设备故障诊断方法。首先，构建面向运维的知识图谱，利用自然语言处理和实体链接技术提取建筑设备系统的多源异构数据，从而获取丰富的知识表示。其次，在小样本标注的情况下，探索多源症状关联识别，并把未标注数据通过自训练和协同训练策略迭代优化模型参数，提高模型泛化能力。最后，在设计基于深度知识推理的故障根因定位技术时，借助概率图模型追溯复杂设备系统的故障传播路径，提高故障分析的准确性和可解释性。同时，引入多任务学习框架融合机制，提升所提方法在故障诊断任务上的性能。实验结果显示，所提方法的故障诊断准确率达92%，平均每条记录诊断时间达6.5 s，在准确率、精确率和召回率等评估指标上均优于对比模型。

关键词: 知识图谱, 建筑设备, 故障诊断, 多任务学习, 运维优化

CLC Number:

TP391

Haigang JIANG, Min ZHU, Xiaoqiang JIANG. Device fault diagnosis method based on knowledge graph and multi-task learning[J]. Journal of Computer Applications, 0, (): 72-78.

蒋海刚, 朱敏, 蒋小强. 基于知识图谱和多任务学习的设备故障诊断方法[J]. 《计算机应用》唯一官方网站, 0, (): 72-78.

Figures/Tables 14

References 31

1	陈晓宇，贾琨，张振国，等. 基于元数据的建筑机电系统智能运维［J］. 建筑科学， 2023， 39（10）： 144-149.
2	胡振中，冷烁，袁爽. 基于BIM和数据驱动的智能运维管理方法［J］. 清华大学学报（自然科学版）， 2022， 62（2）： 199-207.
3	魏伟，赵小强，范亮亮. 基于DBN-HD的车载设备故障诊断［J］. 振动、测试与诊断， 2023， 43（2）：363-370， 414.
4	CHEN X， AN Z， HUANG L， et al. Surface defect detection of electric power equipment in substation based on improved YOLOV4 algorithm［C］// Proceedings of the 10th International Conference on Power and Energy Systems. Piscataway： IEEE， 2020： 256-261.
5	LI Q， FENG B， TANG X， et al. MuLAN： multi-level attention-enhanced matching network for few-shot knowledge graph completion［J］. Neural Networks， 2024， 174： No.106222.
6	卞嘉楠，冒泽慧，姜斌，等. 基于知识图谱和多任务学习的工业生产关键设备故障诊断方法［J］. 中国科学：信息科学， 2023， 53（4）：699-714.
7	肖发龙，吴岳忠，沈雪豪，等. 基于深度学习和知识图谱的变电站设备故障智能诊断［J］. 电力建设， 2022， 43（3）： 66-74.
8	赵振兵，王睿，赵文清，等. 基于图知识推理的输电线路缺销螺栓识别方法［J］. 智能系统学报， 2023， 18（2）： 372-380.
9	CAO X， SHI Y， YU H， et al. DEKR： description enhanced knowledge graph for machine learning method recommendation［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 203-212.
10	LI C， WANG B. A knowledge graph method towards power system fault diagnosis and classification［J］. Electronics， 2023， 12（23）： No.4808.
11	SAUTER D， BOUKHOBZA T， AUBRUN C. Data-based Fault diagnosis using causality graph models derived from Transfer Entropy Computation［J］. IFAC-PapersOnLine， 2023， 56（2）： 2921-2926.
12	喻波，王志海，孙亚东，等. 非结构化文档敏感数据识别与异常行为分析［J］. 智能系统学报， 2021， 16（5）： 931-939.
13	黄金杰，赵轩伟，张昕尧，等. 基于领域知识图谱的短文本实体链接［J］. 计算机工程与应用， 2022， 58（1）： 165-174.
14	曾宇涛，林谢雄，靳小龙，等. 基于多维信息融合的知识库问答实体链接［J］. 模式识别与人工智能， 2019， 32（7）： 642-651.
15	SAXENA A， CHAKRABARTI S， TALUKDAR P. Question answering over temporal knowledge graphs［C］// Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing （Volume 1： Long Papers）. Stroudsburg： ACL， 2021： 6663-6676.
16	蒋汶娟，过弋，付娇娇. 融合图注意力的复杂时序知识图谱推理问答模型［J］. 计算机应用， 2024， 44（10）： 3047-3057.
17	梁书晴，蒋运承. 基于元路径的图Transformer神经网络［J］. 计算机系统应用， 2022， 31（11）： 1-9.
18	LIN Z， HU Z， PENG J， et al. Dynamic-scale graph neural network for fault detection［J］. Process Safety and Environmental Protection， 2022， 168： 953-970.
19	LV M， LI Y， LIANG H， et al. A spatial-temporal variational graph attention autoencoder using interactive information for fault detection in complex industrial processes［J］. IEEE Transactions on Neural Networks and Learning Systems， 2024， 35（3）： 3062-3076.
20	LI J， LIN M， LI Y， et al. Transfer learning with limited labeled data for fault diagnosis in nuclear power plants［J］. Nuclear Engineering and Design， 2022， 390： No.111690.
21	REN H， LESKOVEC J. Beta embeddings for multi-hop logical reasoning in knowledge graphs［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2020： 19716-19726.
22	YANG B， WAN F， LIU C， et al. Part-based semantic transform for few-shot semantic segmentation［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 33（12）： 7141-7152.
23	YAO J， LU B， WENG C. Bearing fault diagnosis using fast temporal graph convolutional networks［C］// Proceedings of the 2021 Global Reliability and Prognostics and Health Management. Piscataway： IEEE， 2021： 1-6.
24	KHORRAM A， KHALOOEI M， REZGHI M. End-to-end CNN + LSTM deep learning approach for bearing fault diagnosis［J］. Applied Intelligence， 2021， 51（2）： 736-751.
25	GAO Z， CECATI C， DING S X. A survey of fault diagnosis and fault-tolerant techniques - part I： fault diagnosis with model-based and signal-based approaches［J］. IEEE Transactions on Industrial Electronics， 2015， 62（6）： 3757-3767.
26	LI Z， LI Z， GU F. Intelligent diagnosis method for machine faults based on federated transfer learning［J］. Applied Soft Computing， 2024，163： No.111922.
27	KUCULO T. Comprehensive event representations using event knowledge graphs and natural language processing［C］// Companion Proceedings of the Web Conference 2022. New York： ACM，2022： 359-363.
28	MADANI N， JOSEPH K， SRIHARI R K. Domain specific question answering over knowledge graphs using logical programming and large language models［EB/OL］. ［2023-08-23］..
29	LIU H， WANG S， CHEN C， et al. Few-shot knowledge graph relational reasoning via subgraph adaptation［C］// Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies （Volume 1： Long Papers）. Stroudsburg： ACL， 2024： 3346-3356.
30	夏子芳，于亚新，王子腾，等. 融合协同知识图谱与反事实推理的可解释推荐机制［J］. 计算机应用， 2023， 43（7）： 2001-2009.
31	QI T， WU F， WU C， et al. Personalized news recommendation with knowledge-aware interactive matching［C］// Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2021： 61-70.

特征	本文方法	传统方法
数据依赖性	利用元学习，在小样本情况下初始化训练症状关联模型，减少对大量标注数据的依赖	需要大量标注数据进行训练
模型泛化能力	结合自训练和协同训练等策略，利用未标注数据迭代优化模型参数，不断提高模型的泛化能力	模型泛化能力取决于训练数据的质量和数量
数据扩增	融入基于规则的数据扩增思路，根据领域知识构造更多潜在的症状组合样本，进一步增强模型的泛化能力	通常不考虑数据扩增策略
知识共享和传递	构建了2个初始视角不同的基础模型，并使用Boosting和Bagging等策略训练这2个模型，得到2个专家模型，实现知识的共享和传递，提高整体的预测性能	通常只使用单个模型，不考虑知识共享和传递

特征	本文方法	传统方法
数据依赖性	利用元学习，在小样本情况下初始化训练症状关联模型，减少对大量标注数据的依赖	需要大量标注数据进行训练
模型泛化能力	结合自训练和协同训练等策略，利用未标注数据迭代优化模型参数，不断提高模型的泛化能力	模型泛化能力取决于训练数据的质量和数量
数据扩增	融入基于规则的数据扩增思路，根据领域知识构造更多潜在的症状组合样本，进一步增强模型的泛化能力	通常不考虑数据扩增策略
知识共享和传递	构建了2个初始视角不同的基础模型，并使用Boosting和Bagging等策略训练这2个模型，得到2个专家模型，实现知识的共享和传递，提高整体的预测性能	通常只使用单个模型，不考虑知识共享和传递

方法	标注数据量	方法	标注数据量
支持向量机	5 500	逻辑回归	2 700
随机森林	3 200	本文方法	200
决策树	2 100

方法	标注数据量	方法	标注数据量
支持向量机	5 500	逻辑回归	2 700
随机森林	3 200	本文方法	200
决策树	2 100

方法	准确率	精确率	召回率	F1值
支持向量机	0.85	0.82	0.88	0.85
随机森林	0.90	0.88	0.91	0.89
决策树	0.82	0.80	0.84	0.82
逻辑回归	0.78	0.76	0.80	0.78
本文方法	0.88	0.86	0.90	0.88