基于知识图的建筑机械液压系统智能故障诊断方法

《ADVANCED ENGINEERING INFORMATICS》：An intelligent fault diagnosis approach for construction machinery hydraulic systems based on knowledge graph

本文针对工程机械液压系统故障诊断中存在的知识获取难、表达不一致、因果链复杂等问题，提出了一种基于知识图谱的智能诊断方法，结合主动学习、预训练语言模型和图神经网络技术，有效提升了故障诊断的准确性和效率，并通过混凝土摊铺机案例验证了其有效性。

　　

徐玉明|彭涛|钟瑞阳|林肯德里克

中国浙江省杭州市浙江大学机械工程学院流体动力部件与机电系统国家重点实验室，310058

摘要

建筑机械的安全风险对施工至关重要，其中大部分风险源于液压系统的故障。然而，进行此类故障诊断所需的知识极为复杂，而且现有的基于知识的方法严重依赖于工程经验，这些方法耗时且容易出错。为了解决这一挑战，我们提出了一种基于知识图的建筑机械液压系统智能故障诊断方法，该方法融合了新兴技术、主动学习、预训练语言模型和图神经网络，显著提升了知识图的性能。首先，开发了基于主动学习的BERT + Bi-LSTM + CRF故障知识提取方法，以解决获取大量手动标注语料库的难题。其次，基于词嵌入的故障实体对齐方法解决了相同或相似故障知识表达不一致的问题。第三，基于知识图嵌入的故障知识推理方法解决了复杂多跳因果链中的遗漏和错误。最后，基于词嵌入的故障知识检索方法解决了用户输入不一致的问题。与现有的故障诊断方法相比，所提出的方法扩展了故障覆盖范围，并提高了诊断结果的完整性和准确性。通过一个具体的摊铺机案例研究验证了改进后的性能。

引言

建筑机械在现代基础设施发展中发挥着基础性作用，是城市建设、交通网络、能源设施和采矿作业等大型项目的支柱[1]。随着全球建筑行业的持续扩张，对建筑机械的需求迅速增长[2]。建筑机械也是实现自动化和智能化操作的关键因素。它们涉及广泛的人机交互，覆盖大面积的操作区域，并且经常在恶劣的施工环境中运行[3]。因此，减少维护停机时间以降低风险至关重要。液压系统（通常包括液压缸、控制阀、泵和电机）的故障约占建筑机械故障的70%[4]。这些故障具有多样的类型、复杂的原因和解决方案以及复杂的相互关系。因此，在维护建筑机械的液压系统时，故障诊断是一个关键方面。

目前，建筑机械液压系统的故障诊断依赖于原始设备制造商（OEM）及其供应商的服务工程师进行的离线事后诊断。这种依赖经验的方法已无法满足故障诊断的准确性和及时性要求。因此，需要一种具有更高诊断准确性、更低停机时间和更低维护成本的建筑机械液压系统智能故障诊断方法。

事实上，建筑机械液压系统的故障诊断报告已被存档，其中包含故障描述、原因和解决方案。尽管这些报告具有重要的参考价值，但它们的利用效率低下。本文旨在从多个知识源构建故障知识图，既能表示领域特定故障语料库中的语义知识，也能表示复杂多跳因果链中的图结构知识。基于此，本文实现了智能故障诊断，利用了包括主动学习、预训练语言模型和图神经网络在内的新兴技术，显著提升了知识图和智能故障诊断的性能。在实际工程应用中，需要解决四个技术挑战：

(1) 需要标注领域特定的语料库来训练故障知识提取模型，但获取大量手动标注的语料库既困难又成本高昂。

标注对于训练知识提取模型至关重要，但在建筑机械液压系统故障诊断这一专门领域，获取足够的标注语料库具有挑战性。这是因为该领域涉及高度专业化的知识，需要专家工程师参与，且标注过程本身既耗时又昂贵。

(2) 故障诊断报告由不同的工程师记录，缺乏标准化指南，导致表达不一致。

由于缺乏记录故障、原因和解决方案的标准，加上不同工程师之间的表达差异，常常导致记录过于简洁、冗余或不一致。这些问题共同导致故障知识图中出现重复实体，降低了其整体质量。

(3) 智能故障诊断中的知识图包含复杂的多跳因果链，可能存在遗漏和错误。

建筑机械液压系统的故障涉及多个组件和复杂机制，具有多样的类型、原因和相互关系，这常常导致知识图中的复杂多跳因果链中出现遗漏和错误。

(4) 使用智能故障诊断系统时，不规则和不一致的用户输入会增加知识检索的难度。

即使有标准化指南，工程师记录故障的方式也常常不一致——这一问题在建筑机械领域比在许多其他工程领域更为严重。这阻碍了智能故障诊断系统完全理解工程师的输入并检索相应的故障知识。

因此，本文的主要研究贡献包括：

(1)

基于主动学习的BERT + Bi-LSTM + CRF故障知识提取。BERT + Bi-LSTM + CRF用于准确提取故障实体和关系，同时采用主动学习策略来解决获取大量手动标注语料库的难题。

(2)

基于词嵌入的故障实体对齐。引入了一种基于预训练语言模型的两阶段词嵌入技术，以充分学习故障实体的语义知识并生成词嵌入。这解决了相同或相似故障知识表达不一致的问题。

(3)

基于知识图嵌入的故障知识推理。提出了NSHPSAGE图嵌入模型，以充分捕获故障知识图中的图结构信息并生成图嵌入。多头注意力融合将词嵌入和图嵌入融合为节点嵌入，然后通过二元运算符生成链接嵌入。接着进行链接分类，以解决复杂多跳因果链中的遗漏和错误。

(4)

基于词嵌入的故障知识检索。所提出的词嵌入模型将工程师的输入转换为词嵌入，以检索最相关的“故障”节点并推荐相应的故障原因和解决方案，解决了用户输入不一致的问题。

此外，还使用了一个具体的摊铺机案例研究来验证所提出的智能故障诊断方法的可行性和性能。

本文的其余部分结构如下：第2节回顾了相关领域的现有研究。第3节详细介绍了所提出的智能故障诊断方法的方法论。第4节通过案例研究评估了该方法的有效性。第5节总结了本文并提出了进一步的研究方向。

章节摘录

建筑机械液压系统的智能故障诊断

作为全球经济的关键支柱，建筑行业近年来发展迅速，但传统方法已无法满足其快速增长的需求，面临着频繁事故和效率低下等重大挑战[5]。为了解决这些问题，一些研究和应用通过应用BIM、AI和IoT等数字技术来管理现场的关键要素，包括人员[6]、机械[7]等，从而改进了施工过程。

开发的方法论

本节详细介绍了所提出方法的方法论，包括知识提取、集成和推理，以及基于知识图的智能故障诊断。

案例研究

在本节中，从故障诊断报告中建立了故障知识图，并使用了一个具体的摊铺机案例研究来验证所提出的智能故障诊断方法的有效性。

结论

建筑机械相关的安全风险是施工中的一个关键问题，其中大部分风险源于液压系统的故障。本文针对建筑机械液压系统诊断效率低下和不准确的问题进行了探讨，这些问题在很大程度上依赖于工程师的经验和专业知识。本文提出了一种基于知识图的建筑机械液压系统智能故障诊断方法，该方法利用了

CRediT作者贡献声明

徐玉明：撰写——审稿与编辑、撰写——初稿、方法论、调查、形式分析、概念化。彭涛：撰写——审稿与编辑、验证、监督、项目管理、方法论、资金获取。钟瑞阳：撰写——审稿与编辑、资源获取、调查。林肯德里克：撰写——审稿与编辑、验证、资源获取、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本研究由浙江省重点研发计划（编号：2022C01039）资助。