(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211138068.7 (22)申请日 2022.09.19 (71)申请人 常州英集动力科技有限公司 地址 213002 江苏省常州市新北区华 山路8 号-5号楼 (72)发明人 金鹤峰　谢金芳　裘天阅　 (74)专利代理 机构 郑州博派知识产权代理事务 所(特殊普通 合伙) 41137 专利代理师 荣永辉 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 50/06(2012.01) G06F 16/36(2019.01) G06N 7/00(2006.01) (54)发明名称 基于知识图谱和贝叶斯的供热系统智能诊 断方法及系统 (57)摘要 本发明公开了一种基于知识图谱和贝叶斯 的供热系统智能诊断方法， 包括： 获取供热系统 的多元数据； 基于获取的供热系统多元数据， 分 别进行实体识别、 知识抽取和知识融合处理后建 立供热系统故障知识图谱； 基于供热系统故障知 识图谱进行系统故障检索， 并根据检索获得的故 障知识图谱查询子图构建贝叶斯网络； 确定故障 原因发生的先验概率 以及贝叶斯网络中各个节 点的条件概率， 利用贝叶斯网络进行推理获得引 发故障现象的故障原因， 实现供热系统智能诊 断； 能够综合运用知识图谱和贝 叶斯网络技术， 将零散的人工经验及庞杂的文本知识有效进行 关联和故障推理， 实现故障根因推理定位， 辅助 解决供热系统故障诊断问题。 权利要求书3页 说明书9页 附图2页 CN 115511119 A 2022.12.23 CN 115511119 A 1.一种基于知识图谱和贝叶斯的供 热系统智能诊断方法， 其特 征在于， 它包括： 步骤S1、 获取 供热系统的多元 数据； 步骤S2、 基于获取的供热系统多元数据， 分别进行实体识别、 知识抽取和知识融合处理 后建立供 热系统故障知识图谱； 步骤S3、 基于供热系统故障知识图谱进行系统故障检索， 并根据检索获得的故障知识 图谱查询子图构建贝叶斯网络； 步骤S4、 确定故障原因发生的先验概率以及贝叶斯网络中各个节点的条件概率， 利用 贝叶斯网络进行推理获得引发 故障现象的故障原因， 实现供 热系统智能诊断。 2.根据权利要求1所述的供热系统智能诊断方法， 其特征在于， 所述步骤S1中， 获取供 热系统的多元 数据， 包括： 获取供热系统热源、 热网和热用户的基本数据和故障数据； 所述基本数据至少包括热 源、 网络和热用户的设备型号、 管道规格和系统运行中设备的压力、 流量、 温度数据； 所述 故 障数据至少包括历史故障类型、 故障表现、 故障成因分析和故障处 理。 3.根据权利要求1所述的供热系统智能诊断方法， 其特征在于， 所述步骤S2中， 基于获 取的供热系统多元 数据， 进行实体识别， 包括： 将获取的供热系统多元数据划分为故障结构化数据、 故障半结构化数据和故障非结构 化数据； 对所述故障结构化数据进行实体识别： 通过供热系统热源、 热网和热用户各设备间的 拓扑属性、 连接节点、 结合设备名称、 设备耦合关系、 设备运行状态数据和故障类型， 并结合 存储的关系型 数据库进行 数据分析， 获得 供热系统实体识别 信息； 对所述故障半结构化数据进行实体识别： 根据供热系统热源、 热网和热用户各设备运 行数据和故障数据存储的规范化结构， 去除无效数据字 符， 将关键数据进 行提取分析， 获得 供热系统实体识别 信息； 对所述故障非结构化数据进行实体识别： 将 非结构化数据文本转化按照预先定义的实 体类型进 行语料标注； 将语料标注后生 成的标注信息转化为BIOES集格式； 对语料标注后的 数据文本进 行数据增强和预 处理； 将数据增强和预 处理后的数据文本通过设置的BERT模型 转换为向量形式， 表明单个词语在整个语句的关系以及词语和词语之间的相互关系； 设置 双向神经网络BiLSTM模型以BERT生成的词向量作为输入， 通过自动捕获上下文特征， 获得 深层语义信息； 设置条件随机场CRF模 型， 根据上下文语义信息， 在 对应输入条件下， 获得最 大概率输出的标注序列， 并根据标注序列提取文本中的供 热系统故障实体识别 信息。 4.根据权利要求3所述的供热系统智能诊断方法， 其特征在于， 所述故障结构化数据至 少包括供热系统设备拓扑结构、 型号、 管道规格确定性数据和各设备运行状态、 故障数据， 以关系型数据库进行存储； 所述 故障半结构化数据包括各设备运行数据和故障数据中设备 存储信息结构不一致的数据； 所述故障非结构化数据包括各设备运行数据和故障数据中没 有结构的数据。 5.根据权利要求3所述的供热系统智能诊断方法， 其特征在于， 所述热源的实体包括热 源概况、 燃烧设备、 烟风系统、 补水系统、 水循环系统和热源故障类型； 所述热网的实体包括 热网节点、 管段、 阀门、 补偿器、 检查井和热网故障类型； 所述热用户的实体包括换热器、 水 泵、 水箱、 过 滤器、 阀门和热用户故障类型。权　利　要　求　书 1/3 页 2 CN 115511119 A 26.根据权利要求1所述的供热系统智能诊断方法， 其特征在于， 所述基于获取的供热系 统多元数据， 进行知识抽取， 包括： 对实体识别后的供热系统数据进行实体、 实体属性， 以及实体与实体， 实体与属性间的 关系抽取； 基于实体、 实体属性， 以及实体与实体， 实体与属性间的关系， 形成热源故障子图模型、 热网故障子图模型和热用户故障子图模型； 所述热源故障子图模型包括承压元件故障、 锅 炉燃烧异常、 辅助设备故障实体， 以及描述实体的故障表现形式、 故障成因和故障处理属 性； 所述热网故障子图模型包括管道内外腐蚀、 焊缝破裂、 管壁撕裂、 机械碰撞、 阀门故障、 补偿器故障和管道阻塞故障实体， 以及描述实体的故障表现形式、 故障成因和故障处理属 性； 所述热用户故障子图模型 的实体为包括换热器故障、 水泵故障、 阀门故障实体， 以及描 述实体的故障表现形式、 故障成因和故障处 理属性。 7.根据权利要求1所述的供热系统智能诊断方法， 其特征在于， 所述基于获取的供热系 统多元数据， 进行知识融合， 包括： 对知识抽取 的热源故障子图模型、 热网故障子图模型和 热用户故障子图模型进 行包括实体对齐、 类型对齐、 属性对齐， 建立关联关系的故障知识融 合， 形成供 热系统故障知识图谱。 8.根据权利要求1所述的供热系统智能诊断方法， 其特征在于， 所述步骤S3中， 基于供 热系统故障知识图谱进行系统故障检索， 并根据检索获得的故障知识图谱查询子图构建贝 叶斯网络， 包括： 将故障信息进行预处理后， 通过供热系统故障知识图谱查找搜索具有相同故障现象的 故障节点， 以及查找搜索出这些故障节点的故障设备定位、 故障成因和故障处 理方式； 根据故障节点、 故障设备定位、 故障成因和故障处 理方式建立故障知识图谱查询子图； 基于故障知识图谱查询子图， 采用贝叶斯网络可视化方法进行贝叶斯网络结构建模。 9.根据权利要求1所述的供热系统智能诊断方法， 其特征在于， 所述步骤S4中， 确定故 障原因发生的先验概率以及贝叶斯网络中各个节 点的条件概率， 利用贝叶斯网络进行推理 获得引发 故障现象的故障原因， 实现供 热系统智能诊断， 包括： 根据贝叶斯定理计算获得故障原因r引发 故障现象p的概 率， 表示为： 故障原因r发生的先验概 率， 表示为： 采用noisy‑OR方法计算节点之间的关联强度， 表示 为： 贝叶斯网络中各个节点的条件概 率， 表示为： 权　利　要　求　书 2/3 页 3 CN 115511119 A 3