基于知识图谱的风电机组诊断系统构建与应用

针对风力发电机故障诊断与维修过程不明确以及历史故障数据记录大量遗留等问题,提出一种以知识图谱的方式构建的风力发电机故障诊断系统。首先,通过改进的命名实体识别模型BERT-BiLSTM-CRF对故障文本进行知识抽取。数据集采用了近10年来的风力发电机故障案例、事故分析等文本数据。实验结果表明：在风力发电机故障领域中,改进的实体识别方法相比于传统模型效果提升了2.54%。其次,对抽取的知识实体进行结构化分析,由于传统故障树在实际故障推理中缺乏目的性,且每个底事件相对于顶事件的重要性不同,提出以故障的特征属性为分支条件引入到故障树推理中,完成故障树定性与定量分析,并结合故障模式影响和危害性分析(FMECA)完善故障领域知识模型;再对知识结构完成本体化建模,使用Protégé开发工具对故障树结构完成了基于六元组概念的本体建模,使构建的本体知识库满足推理的前提条件。最后,通过Neo4j实现知识模型的可视化,并提升了知识数据的读写能力。     

基于深度动态密度估计的轴承异常检测

针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题，提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先，训练该压缩网络时只需要从正常样本中提取特征，得到原始数据的低维表示；接着将其进一步输入到高斯混合模型(GMM)中，对正常数据进行动态密度估计；然后，利用估计网络来促进模型的参数学习，以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数；最后，采用高斯混合模型的预测能量值作为异常分数，模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析，验证了该方法的有效性和优越性。