基于人工智能的设备健康分析及故障诊断的方法及系统

摘要

本发明提供了一种基于人工智能的设备健康分析及故障诊断系统，包括以下部分：设备信息采集模块、设备信息处理模块、设备信息存储模块、设备健康知识库、用户评分接口、评分转化模块、设备健康分析模块、故障监测模块和故障诊断模块，采用的设备故障知识图谱采用人工智能算法，从海量的设备运行数据、设备故障诊断报告等信息中学习总结出的设备健康知识图谱，所述设备健康知识图谱包含设备相关的所有知识。借助知识图谱中的关联关系，基于用户反馈的设备补充信息，快速且准确的进行设备健康状况分析，并进行故障诊断。

权利要求

1.基于人工智能的设备健康分析及故障诊断系统，其特征在于，包括以下部分：设备信息采集模块、设备信息处理模块、设备信息存储模块、设备健康知识库、用户评分接口、评分转化模块、设备健康分析模块、故障监测模块和故障诊断模块；

所述设备信息采集模块，用于采集设备实时信息和历史运维案例信息，设备信息采集模块将历史运维案例信息通过数据传输的方式发送给设备信息处理模块，将设备实时信息通过数据传输的方法发送给故障监测模块；

所述设备信息处理模块，用于对获取的每个案例中的信息进行预处理，提取每个案例的信息特征，为信息特征分配初始特征标签，通过数据传输的方式发送给设备信息存储模块；

所述设备信息存储模块，用于存储信息特征，将信息特征通过数据传输的方式发送给设备健康知识库；

所述设备健康知识库，用于对标记后的信息特征采用知识图谱神经网络模型进行深度训练，提取出设备健康知识图谱；设备健康知识库将设备健康知识图谱通过数据传输的方式发送给设备健康分析模块和故障监测模块；

所述用户评分接口，用于接收用户的补充信息，所述用户补充信息包括用户对设备情况的评价和其他补充说明；将用户补充信息通过数据传输的方式发送给评分转化模块；

所述评分转化模块，用于根据补充信息中不同用户对设备的评价信息，计算设备的综合评价，将用户评价转化为知识图谱中三元组的权重值；

其中，计算三元组的权重值的具体方式为：首先根据不同用户对于设备评分的信息熵计算不同设备 的等效评分：其中， 表示设备 的等效评分， 和 表示第u个用户和第v个用户分别对设备评分的总数， ， ， ， 和 分别表示第u个用户和第v个用户对设备 的评分，表示评分的概率分布；然后计算以不同设备为实体的三元组的权重值：

其中，J表示设备总数；

评分转化模块将三元组的权重值通过数据传输的方式发送给设备健康分析模块；

所述设备健康分析模块，用于对设备健康进行分析，并将设备健康知识网和健康等级通过数据传输的方式发送给设备信息存储模块；

所述故障监测模块，用于实时监测设备中能引起设备故障的因素，并将所述因素作为分布参数构造设备故障函数，实时监测设备故障函数的动态变化，若达到阈值范围，表明设备存在故障风险或已经发生故障，将设备故障函数通过数据传输的方式发送给故障诊断模块；

所述故障诊断模块，用于根据设备健康知识图谱和设备故障函数，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障部件点、故障风险源、故障影响和故障修复措施信息，完成故障诊断，将诊断结果发送给设备信息存储模块。

2.一种如权利要求1所述系统的基于人工智能的设备健康分析及故障诊断方法，其特征在于，所述方法包括以下步骤：S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；

S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；

S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。

3.如权利要求2所述基于人工智能的设备健康分析及故障诊断方法，其特征在于，所述步骤S2中，设置设备健康等级划分规则为：若设备健康知识网中包含高危信息，所述高危信息包括但不限于重大故障、役龄超限或维修次数超限信息，则将该设备健康等级划分为高危；若设备健康知识网中包含低危信息，所述低危信息包括但不限于中级故障、役龄或维修次数达到预设阈值信息，则将该设备健康等级划分为低危；其他设备的健康等级可划分为正常。

4.根据权利要求2所述的基于人工智能的设备健康分析及故障诊断方法，其特征在于，所述步骤S3包括：

将设备历史运维数据中能引起设备故障的因素作为设备故障函数的分布参数，设立有m个因素可以引发设备故障，所述故障监测模块构造分布参数为 形式的设备故障函数，根据设备故障率对分布参数进行估计：其中， ， ， 为参数估计目标函数，即设备故障函数，表示设备故障率， ， 表示设备的等效役龄，n表示等效役龄分级的最大级数；

对目标函数进行求解，首先计算 针对参数A的求解方向： ，其中， 表示 的逆矩阵， 为 的黑塞矩阵， 为梯度向量；针对参数A沿方向 以步长B进行搜索，所述步长由实验获得；

迭代计算寻找最优参数： ；

若满足 ，则终止迭代，为预设的迭代控制因子，输出 为最优参数；所述故障监测模块根据所述设备信息采集模块采集的实时数据，实时监测设备故障函数 的动态变化，若 ，表明设备存在故障风险或已经发生故障，需要根据设备健康知识图谱对设备进行故障诊断。

说明书

基于人工智能的设备健康分析及故障诊断的方法及系统

技术领域

[0001] 本申请属于计算机和智能化领域，特别涉及基于人工智能的设备健康分析及故障诊断的方法及系统。

背景技术

[0002] 随着工业信息化技术的不断发展进步,机电设备越来越向着精密化,复杂化以及智能化方向发展,其在给人类生产生活创造便利的同时,也给设备的故障预测和健康管理
带来新的挑战。如何在设备的运维过程中实时监测设备健康状态，并快速、准确的找到故障
原因是设备安全稳定运行的关键。

[0003] 现有的设备健康分析和故障诊断方法主要有很多，张展等人提出的一种集成多种智能算法的制冷系统故障诊断方法，主要包括：通过模拟冷水机组故障实验，采集得到多个
实验数据；选取多个不同的成员诊断器，分别得到多个不同的成员诊断器的诊断模型；对多
个不同的诊断模型进行集成，形成集成诊断器模型；使用样本训练集数据对集成诊断器模
型进行训练，得到训练好的集成诊断器模型；使用测试样本集在训练好的集成诊断器模型
对冷水机组进行故障诊断，得到故障诊断结果；对成员诊断器与集成诊断器的故障诊断结
果进行对比。但该方法采集的数据量少，并且采用决策树、SDG模型等传统的数据挖掘方式
进行故障诊断，诊断效果不好、效率低，且无法获知设备的日常健康状况，对于存在故障风
险的设备无法及时做出诊断。

[0004] 鉴于此，需要提供基于人工智能的设备健康分析及故障诊断的方法及系统，能够解决上述问题。

发明内容

[0005] 本申请所要解决的技术问题是：由于传统方法无法获知设备的日常健康状况，且对于存在故障风险的设备无法及时做出诊断，因此，提供基于人工智能的设备健康分析及
故障诊断的方法及系统。

[0006] 本发明技术方案如下：

[0007] 基于人工智能的设备健康分析及故障诊断系统，包括以下部分：

[0008] 设备信息采集模块、设备信息处理模块、设备信息存储模块、设备健康知识库、用户评分接口、评分转化模块、设备健康分析模块、故障监测模块和故障诊断模块；

[0009] 所述设备信息采集模块，用于采集设备实时信息和历史运维案例信息，设备信息采集模块将历史运维案例信息通过数据传输的方式发送给设备信息处理模块，将设备实时
信息通过数据传输的方法发送给故障监测模块；

[0010] 所述设备信息处理模块，用于对获取的每个案例中的信息进行预处理，提取每个案例的信息特征，为信息特征分配初始特征标签，通过数据传输的方式发送给设备信息存
储模块；

[0011] 所述设备信息存储模块，用于存储信息特征，将信息特征通过数据传输的方式发送给设备健康知识库；

[0012] 所述设备健康知识库，用于对标记后的信息特征采用知识图谱神经网络模型进行深度训练，提取出设备健康知识图谱；设备健康知识库将设备健康知识图谱通过数据传输
的方式发送给设备健康分析模块和故障监测模块；

[0013] 所述用户评分接口，用于接收用户的补充信息，所述用户补充信息包括用户对设备情况的评价和其他补充说明；将用户补充信息通过数据传输的方式发送给评分转化模
块；

[0014] 所述评分转化模块，用于根据补充信息中不同用户对设备的评价信息，计算设备的综合评价，将用户评价转化为知识图谱中三元组的权重值；评分转化模块将三元组的权
重值通过数据传输的方式发送给设备健康分析模块；

[0015] 所述设备健康分析模块，用于对设备健康进行分析，并将设备健康知识网和健康等级通过数据传输的方式发送给设备信息存储模块；

[0016] 所述故障监测模块，用于实时监测设备中能引起设备故障的因素，并将所述因素作为分布参数构造设备故障函数，实时监测设备故障函数的动态变化，若达到阈值范围，表
明设备存在故障风险或已经发生故障，将设备故障函数通过数据传输的方式发送给故障诊
断模块；

[0017] 所述故障诊断模块，用于根据设备健康知识图谱和设备故障函数，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障部件点、故障风险源、故障
影响和故障修复措施等信息，完成故障诊断，将诊断结果发送给设备信息存储模块。

[0018] 基于人工智能的设备健康分析及故障诊断方法，所述方法包括以下步骤：

[0019] S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；

[0020] S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；

[0021] S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。

[0022] 优选的，所述步骤S2中，计算三元组的权重值的具体步骤为：

[0023] 首先根据不同用户对于设备评分的信息熵计算不同设备 的等效评分：

[0024]

[0025] 其中， 表示设备 的等效评分， 和 表示第u个用户和第v个用户分别对设备评分的总数， ， ， ， 和 分别表示第u个用户和第v
个用户对设备 的评分，表示评分的概率分布；

[0026] 然后计算以不同设备为实体的三元组的权重值：

[0027]

[0028] 其中，J表示设备总数。

[0029] 优选的，所述步骤S2中，设置设备健康等级划分规则为：若设备健康知识网中包含高危信息，所述高危信息包括但不限于重大故障、役龄超限或维修次数超限等信息，则将该
设备健康等级划分为高危；若设备健康知识网中包含低危信息，所述低危信息包括但不限
于中级故障、役龄或维修次数达到预设阈值等信息，则将该设备健康等级划分为低危；其他
设备的健康等级可划分为正常。

[0030] 优选的，所述步骤S3包括：

[0031] 将设备历史运维数据中能引起设备故障的因素作为设备故障函数的分布参数，设立有m个因素可以引发设备故障，所述故障监测模块构造分布参数为 形式的
设备故障函数，根据设备故障率对分布参数进行估计：

[0032]

[0033] 其中， ， ， 为参数估计目标函数，即设备故障函数，表示设备故障率， ， 表示设备
的等效役龄，n表示等效役龄分级的最大级数；

[0034] 对目标函数进行求解，首先计算 针对参数A的求解方向：，其中， 表示 的逆矩阵， 为 的黑塞矩阵， 为梯度向量；针对参数A
沿方向 以步长B进行搜索，所述步长由实验获得；

[0035] 迭代计算寻找最优参数： ；

[0036] 若满足 ，则终止迭代，为预设的迭代控制因子，输出为最优参数；所述故障监测模块根据所述设备信息采集模块采集的实时数据，实
时监测设备故障函数 的动态变化，若 ，表明设备存在故障风
险或已经发生故障，需要根据设备健康知识图谱对设备进行故障诊断。

[0037] 本发明至少具有以下有益效果：

[0038] 1.本发明所述的设备故障知识图谱采用人工智能算法，从海量的设备运行数据、设备故障诊断报告等信息中学习总结出的设备健康知识图谱，所述设备健康知识图谱包含
设备相关的所有知识。借助知识图谱中的关联关系，基于用户反馈的设备补充信息，快速且
准确的进行设备健康状况分析，并进行故障诊断。

[0039] 2.利用深度学习的强大表达能力在设备信息中抽取出实体，只需提取标注一些批量数据，训练模型后便可直接提取所有数据，免去了人工对文本信息筛选的繁琐。以知识图
谱的形式将设备的各类信息存储在知识库中，基于知识图谱的强关联性，可以更加直观的
了解设备的健康状况。

[0040] 3.通过用户对设备情况的补充信息对设备健康知识图谱进行完善，得到知识图谱中不同实体三元组的权重值，增加了人为评分，为知识图谱的丰富和完善提供保障，弥补了
单一构建的不足，不仅能够了解详细的设备健康信息，还通过设备健康等级划分规则确定
设备健康等级，便于用户管理。

[0041] 4.根据设备故障函数及时发现存在故障风险的设备，并直接通过设备健康知识图谱获得故障类型、修复措施等相关信息，降低设备故障产生的负面影响，减少企业损失。

附图说明

[0042] 图1 本发明所述的基于人工智能的设备健康分析及故障诊断系统结构图；

[0043] 图2 本发明所述的知识图谱神经网络模型图。

具体实施方式

[0044] 为了更清楚的说明本发明，下面将结合说明书附图和具体实施例来做详细说明。

[0045] 本发明所述的基于人工智能的设备健康分析及故障诊断系统包括以下部分：

[0046] 设备信息采集模块10、设备信息处理模块20、设备信息存储模块30、设备健康知识库40、用户评分接口50、评分转化模块60、设备健康分析模块70、故障监测模块80和故障诊
断模块90；

[0047] 本发明所述基于人工智能的设备健康分析及故障诊断的方法包括以下步骤：

[0048] S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；

[0049] S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；

[0050] S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。

[0051] 参照图1，本发明所述的基于人工智能的设备健康分析及故障诊断系统包括以下部分：

[0052] 设备信息采集模块10、设备信息处理模块20、设备信息存储模块30、设备健康知识库40、用户评分接口50、评分转化模块60、设备健康分析模块70、故障监测模块80和故障诊
断模块90；

[0053] 所述设备信息采集模块10，用于采集设备实时信息和历史运维案例信息，所述运维案例信息包括但不限于设备运行信息、事件信息、工况信息、工单信息、调度信息、环境信
息和运营商信息等。设备信息采集模块10将历史运维案例信息通过数据传输的方式发送给
设备信息处理模块20，将设备实时信息通过数据传输的方法发送给故障监测模块80；

[0054] 所述设备信息处理模块20，用于对获取的每个案例中的信息进行预处理，提取每个案例的信息特征，为信息特征分配初始特征标签，通过数据传输的方式发送给设备信息
存储模块30；

[0055] 所述设备信息存储模块30，用于存储信息特征。将信息特征通过数据传输的方式发送给设备健康知识库40；

[0056] 所述设备健康知识库40，用于对标记后的信息特征采用知识图谱神经网络模型进行深度训练，提取出设备健康知识图谱。设备健康知识库40将设备健康知识图谱通过数据
传输的方式发送给设备健康分析模块70和故障监测模块80；

[0057] 所述用户评分接口50，用于接收用户的补充信息，所述用户补充信息包括用户对设备情况的评价和其他补充说明。将用户补充信息通过数据传输的方式发送给评分转化模
块60；

[0058] 所述评分转化模块60，用于根据补充信息中不同用户对设备的评价信息，计算设备的综合评价，将用户评价转化为知识图谱中三元组的权重值。评分转化模块60将三元组
的权重值通过数据传输的方式发送给设备健康分析模块70；

[0059] 所述设备健康分析模块70，用于对设备健康进行分析，首先确定需要进行健康分析的设备名称或型号作为第一实体，按照三元组权重值的顺序由大到小依次遍历知识图谱
中与该设备相关的知识，得到该设备的全部运维信息，将首尾相同的三元组相连接，形成设
备健康知识链。若干设备健康知识链连接，形成该设备的健康知识网。设置设备健康等级划
分规则对设备健康进行等级划分，将设备健康知识网和健康等级通过数据传输的方式发送
给设备信息存储模块30；

[0060] 所述故障监测模块80，用于实时监测设备中能引起设备故障的因素，并将所述因素作为分布参数构造设备故障函数，实时监测设备故障函数的动态变化，若达到阈值范围，
表明设备存在故障风险或已经发生故障，将设备故障函数通过数据传输的方式发送给故障
诊断模块90；

[0061] 所述故障诊断模块90，用于根据设备健康知识图谱和设备故障函数，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障部件点、故障风险源、故
障影响和故障修复措施等信息，完成故障诊断，将诊断结果发送给设备信息存储模块30。

[0062] 本发明所述基于人工智能的设备健康分析及故障诊断的方法包括以下步骤：

[0063] S1.根据设备历史运维案例信息提取信息特征，构造知识图谱神经网络模型组建设备健康知识图谱；

[0064] S11.设备信息采集模块10采集历史运维案例信息，所述历史运维案例信息包括但不限于设备运行信息、事件信息、工况信息、工单信息、调度信息、环境信息和运营商信息
等。所述设备信息处理模块20对获取的每个案例中的信息进行预处理，提取每个案例的信
息特征 ，M表示信息特征的数量。提取设备信息特征含有设备基础信息、
实时运行数据、故障类型、故障部件点、故障风险源、故障影响和故障修复措施等信息，基本
包含实体的所有信息。为信息特征分配初始特征标签，存储到设备信息存储模块30中。所述
数据的预处理和特征提取方法均采用现有技术。将标记后的信息特征采用知识图谱神经网
络模型进行训练，提取出设备健康知识图谱，所述设备健康知识图谱包含若干“实体‑关系‑
实体”或“实体‑关系‑值”形式的三元组，存储于设备健康知识库40中。

[0065] S12.所述知识图谱神经网络模型的输入为提取的信息特征 ，通过神经网络的深度学习，最终输出设备健康知识图谱三元组。所述知识图谱神经网络模型包括输入层、双曲
映射层、局部置信层、整体置信层、循环层和输出层，如图2所示。

[0066] 输入层输入数据特征X，输入层包含M个神经元，每个特征对应一个神经元，输入层将数据特征发送给双曲映射层。

[0067] 双曲映射层将数据特征 投影到双曲空间中，获得双曲空间的特征：

[0068]

[0069] 其中， 为双曲空间的曲率， 表示范式。经过映射后的M个特征存在于双曲映射层的不同神经元中，将映射后的特征H分别发送给局部置信层和整体置信层。

[0070] 局部置信层计算双曲特征之间的局部置信度，得到当前神经元对应特征与其他特征的置信度：

[0071]

[0072] 其中，表示特征分布概率，表示转置，B表示可训练的对角矩阵参数， 表示注意力机制求得的特征 的权重， ， ， ， 表示任意一个特征。局部
置信层将 发送给循环层。

[0073] 整体置信层计算双曲特征之间的整体置信度，得到当前神经元对应特征与全局特征的置信度：

[0074]

[0075] 其中，表示可训练的对角矩阵参数。整体置信层将 发送给循环层。

[0076] 循环层对输入的局部置信度和整体置信度进行迭代训练，挖掘特征之间的关联关系，抽取设备运维数据中的实体关系，得到每个神经元对应的特征与其他特征的置信度：

[0077]

[0078]

[0079]

[0080] 其中， 表示特征 与特征 第r次循环的置信度， 表示局部置信度在第r次循环中所占的权重， 表示整体置信度在第r次循环中所占的权重， 为循环调控因子，
r为循环次数， 为局部置信度循环调控因子， 为整体置信度循环调控因子。当 达到
预设的阈值时，循环结束，将此时各神经元中特征与其他特征的置信度发送给输出层。

[0081] 输出层对每个特征与其他特征的置信度进行排序，选取与每个特征的置信度较高的前两个特征与该特征组成一个三元组 ，输出M个三元组，组成设备健康知识
图谱。对设备健康知识图谱中的三元组合并重复的实体，以减少不必要的空间开销。

[0082] 所述知识图谱神经网络模型的有益效果为：利用深度学习的强大表达能力在设备信息中抽取出实体，只需提取标注一些批量数据，训练模型后便可直接提取所有数据，免去
了人工对文本信息筛选的繁琐。以知识图谱的形式将设备的各类信息存储在知识库中，基
于知识图谱的强关联性，可以更加直观的了解设备的健康状况。

[0083] S2.通过不同用户根据实际情况对设备情况的补充信息对设备健康知识图谱进行完善，计算得到三元组的权重值，设置设备健康等级划分规则划分设备健康等级；

[0084] S21.所述用户评分接口50接收用户根据实际情况对设备情况的补充信息，通过不同用户补充信息对步骤S1得到的设备健康知识图谱进行完善。所述用户补充信息包括用户
对设备情况的评价和其他补充说明。所述评分转化模块60根据补充信息中不同用户对设备
的评价信息，计算设备的综合评价，将用户评价作为知识图谱中三元组的权重值，具体步骤
为：

[0085] 首先根据不同用户对于设备评分的信息熵计算不同设备 的等效评分：

[0086]

[0087] 其中， 表示设备 的等效评分， 和 表示第u个用户和第v个用户分别对设备评分的总数， ， ， ， 和 分别表示第u个用户和第v
个用户对设备 的评分，表示评分的概率分布。然后计算以不同设备为实体的三元组的
权重值：

[0088]

[0089] 其中，J表示设备总数。

[0090] S22.为了不影响设备使用，所述设备健康分析模块70定时对设备健康进行分析，首先确定需要进行健康分析的设备名称或型号作为第一实体，按照三元组权重值的顺序由
大到小依次遍历知识图谱中与该设备相关的知识，得到该设备 的全部运维信息，设立为
，对于任意一个三元组 ， ，其中，
表示“实体‑关系‑实体”或“实体‑关系‑值”。将首尾相同的三元组相连
接，形成设备健康知识链。若干设备健康知识链连接，形成该设备的健康知识网。

[0091] S23.设置设备健康等级划分规则：若设备健康知识网中包含高危信息，所述高危信息包括但不限于重大故障、役龄超限或维修次数超限等信息，则将该设备健康等级划分
为高危；若设备健康知识网中包含低危信息，所述低危信息包括但不限于中级故障、役龄或
维修次数达到预设阈值等信息，则将该设备健康等级划分为低危；其他设备的健康等级可
划分为正常。

[0092] 所述采用用户补充信息进行健康分析的有益效果为：通过用户对设备情况的补充信息对设备健康知识图谱进行完善，得到知识图谱中不同实体三元组的权重值，增加了人
为评分，为知识图谱的丰富和完善提供保障，弥补了单一构建的不足，不仅能够了解详细的
设备健康信息，还通过设备健康等级划分规则确定设备健康等级，便于用户管理。

[0093] S3.以设备故障因素为分布参数构建设备故障函数，实时监测设备故障函数的动态变化，确定故障风险，根据设备健康知识图谱对设备进行故障诊断。

[0094] S31.本发明将设备历史运维数据中能引起设备故障的因素作为设备故障函数的分布参数，设立有m个因素可以引发设备故障，所述故障监测模块80构造分布参数为
形式的设备故障函数，根据设备故障率对分布参数进行估计：

[0095]

[0096] 其中， ， ， 为参数估计目标函数，即设备故障函数，表示设备故障率， ， 表示设备
的等效役龄，n表示等效役龄分级的最大级数。对目标函数进行求解，首先计算 针对参
数A的求解方向：

[0097]

[0098] 其中， 表示 的逆矩阵， 为 的黑塞矩阵， 为梯度向量。针对参数A沿方向 以步长B进行搜索，所述步长由实验获得。迭代计算寻找最优参数：

[0099]

[0100] 若满足 ，则终止迭代。为预设的迭代控制因子，输出为最优参数。所述故障监测模块80根据所述设备信息采集模块10采集的实时数
据，实时监测设备故障函数 的动态变化，若 ，表明设备存在故
障风险或已经发生故障，需要根据设备健康知识图谱对设备进行故障诊断。

[0101] S32.所述故障诊断模块90对设备进行故障诊断的具体步骤为：当设备发生故障时，首先根据步骤S2中的方法得到当前设备的健康知识网，然后根据当前设备故障函数
的参数 中，与正常值偏离最大的故障因素 所在的三元组作为
查找方向，通过深度优先算法查找故障路径，得到该故障的所有信息，包括故障类型、故障
部件点、故障风险源、故障影响和故障修复措施等信息。所述深度优先算法为现有技术，本
发明在此不做过多阐述。从而完成设备的故障诊断。

[0102] 所述根据设备故障函数进行故障诊断的有益效果为：根据设备故障函数及时发现存在故障风险的设备，并直接通过设备健康知识图谱获得故障类型、修复措施等相关信息，
降低设备故障产生的负面影响，减少企业损失。

[0103] 综上所述，便完成了本发明所述的基于人工智能的设备健康分析及故障诊断的方法及系统。

[0104] 可以理解的是，以上仅是本发明的较佳实施例，任何基于本发明的精神所做的改动均应在本发明的保护范围之内。