基于知識圖譜的IT 設備故障分析方法研究

鐘保強，鐘建栩，佘俊，譚毅愷，陳黎

（南方電網(wǎng)調峰調頻發(fā)電有限公司信息通信分公司，廣東廣州 511400）

隨著集成信息處理技術的發(fā)展，IT 設備集成化水平越來越高，IT 設備作為信息化產(chǎn)業(yè)的智能設備，需提高IT 設備輸出工況的穩(wěn)定性，從而確保IT 設備的正常穩(wěn)定運行，研究IT 設備的故障檢測方法[1]，對促進IT 產(chǎn)業(yè)的穩(wěn)定性發(fā)展具有重要意義，相關的IT設備故障檢測和特征分析方法研究也受到專家的極大關注。

在對IT 設備的故障工況特征參數(shù)分析和負載參數(shù)檢測基礎上，構建IT 設備故障參數(shù)分布式檢測和特征聚類分析模型，完成對IT 設備故障的分析。通過模糊信息檢測和特征優(yōu)化調度，實現(xiàn)對IT 設備故障的分析[2]。文獻[3]提出了基于模糊C 均值聚類的IT 設備故障分析方法。該方法結合IT 設備故障類別參數(shù)分析，采用工況參數(shù)融合檢測，實現(xiàn)IT 設備故障分析。但該IT 設備故障分析方法的特征聚類性不好，故障信息檢測識別能力不強。文獻[4]中提出基于模糊粗糙集特征匹配的IT 設備故障分析方法，結合子空間降噪，實現(xiàn)IT 設備故障檢測，但該方法的環(huán)境適應度水平不高。

針對以上問題，該文提出基于知識圖譜的IT 設備故障分析方法，構建IT 設備故障特征檢測模型。最后設計仿真實驗，測試結果表明該文方法在提高IT 設備故障分析和檢測能力方面具有優(yōu)越性。

1 IT設備故障參數(shù)采集和特征分析

1.1 IT設備故障參數(shù)采集

為實現(xiàn)基于知識圖譜的IT 設備故障分析方法，采用大數(shù)據(jù)分析方法實現(xiàn)對IT 設備故障參數(shù)的采集和大數(shù)據(jù)集成處理，提取IT 設備故障參數(shù)的聯(lián)合自相關統(tǒng)計特征分量，采用統(tǒng)計分析和故障診斷特征分析方法，分布式融合故障，結合工況狀態(tài)參數(shù)識別方法[5]，完成IT 設備故障狀態(tài)預測和分布式診斷，得到IT 設備故障參數(shù)采集模型如圖1 所示。

圖1 IT設備故障參數(shù)采集模型

根據(jù)圖1 所示的IT 設備故障參數(shù)采集模型，結合狀態(tài)參數(shù)識別的方法，得到IT 設備故障參數(shù)采集輸出的狀態(tài)特征量為s，結合時延參數(shù)估計的方法，在IT 設備故障狀態(tài)未知的情況下，采用自適應的系統(tǒng)輸入狀態(tài)變量檢測的方法，得到IT 設備故障分類檢測的閾值判斷模型[6]，表示為：

式中，t為故障分類檢測時長，t0為故障采集時長，r(t)為IT 設備故障的分類檢測門限，f(·)為IT 設備故障特征提取函數(shù)。采用反饋和前饋學習律，構建IT 設備故障類別參數(shù)識別的信息跟蹤和自適應判決模型，表示為：

其中，λ為IT 設備故障參數(shù)檢測的門限，當IT設備故障識別的時域波形x(t)出現(xiàn)兩次，采用迭代學習控制和多維參數(shù)識別的方法，結合時頻特征參數(shù)檢測，構建IT 設備故障參數(shù)檢測的統(tǒng)計分析模型為y(k)，得到IT 設備故障參數(shù)檢測輸出的聯(lián)合譜密度特征分量表示為：

其中，p(t)為多維參數(shù)識別模型，通過關聯(lián)維分析，設置IT 設備故障檢測的自適應學習控制模型，用χ*表示IT 設備故障參數(shù)的自相關分布系數(shù)，利用相似度融合的方法，建立IT 設備故障信號殘差統(tǒng)計特征量，得到IT 設備故障融合的差異度函數(shù)為：

其中，α為相似度融合參數(shù)。根據(jù)上述分析，結合穩(wěn)態(tài)工況特征分析方法，構建IT 設備的故障參數(shù)采集和預測模型，根據(jù)時域波形控制的方法，提高IT設備故障檢測的穩(wěn)定性[7]。

1.2 IT設備故障參數(shù)特征分析

采用大數(shù)據(jù)分析方法實現(xiàn)對IT 設備故障參數(shù)采集和大數(shù)據(jù)集成處理[8]，提取IT 設備故障參數(shù)的聯(lián)合自相關統(tǒng)計特征分量，IT 設備故障參數(shù)的聯(lián)合時域為：

式中，s(v)為IT 設備故障信息的特征指向函數(shù)，u(t)為IT 設備故障分布的狀態(tài)幅值，ω為IT 設備故障聯(lián)合參數(shù)識別的學習函數(shù)，采用復合能量函數(shù)檢測和周期性學習的方法，得到IT 設備故障參數(shù)檢測輸出結果為：

基于機器學習和神經(jīng)網(wǎng)絡控制的方法[9]，得到IT設備故障特征聚類中心函數(shù)為：

基于以上步驟，不斷修正跟蹤誤差和參數(shù)學習，建立IT 設備故障檢測的聯(lián)合平均統(tǒng)計分析函數(shù)，得到故障聚類的自相關學習目標函數(shù)為：

式中，m為柔性鉸鏈的變形誤差，R為IT 設備時域波形x(t) 出現(xiàn)兩次的故障數(shù)據(jù)樣本的測度距離，根據(jù)微分幾何關系得到故障檢測輸出的歐氏距離為：

基于末端點的坐標參數(shù)估計，結合知識圖譜學習[10]，得到IT 設備故障檢測的輸出知識圖譜類別函數(shù)為：

基于知識圖譜的參數(shù)融合和譜分解方法，得到IT 設備故障檢測的誤差收斂函數(shù)為：

采用非線性方程組檢測和均衡測量的方法，構建IT 設備故障檢測的信息聚類模型，得到輸出均值為：

其中，C為IT 設備故障特征篩選和自適應控制的聯(lián)合模糊度分辨系數(shù)，N為IT 設備故障特征總數(shù)。

2 IT設備故障分析

2.1 IT設備故障特征知識圖譜優(yōu)化提取

采用知識圖譜檢測方法，得到IT 設備故障的適應度評估模型為aj，當1 ≤j≤z-1 時，IT 設備故障參數(shù)識別的相似度檢測模型滿足下式：

建立IT 設備故障樣本分布的聯(lián)合特征分析模型為ρ，分析IT 設備故障的知識圖譜的差異度信息，結合沖激響應檢測，得到故障檢測的量化參數(shù)為δ。

當j≤k≤m時，根據(jù)中心移動至最終位置點的剛度分布，得到IT 設備故障檢測的圖譜密度的條件為b=0，根據(jù)測量精度估計，得到IT 設備故障檢測的圖譜融合聚類決策式滿足：

分析第ε個IT 設備故障樣本的知識圖譜分布特征量φ(ε)為：

在收斂控制下，得到IT 設備知識圖譜檢測的自適應跟蹤模板函數(shù)如下：

利用上述步驟，構建了IT 設備故障檢測的知識圖譜特征提取模型，根據(jù)特征提取結果實現(xiàn)IT 設備的故障分析[11]。

2.2 IT設備故障檢測結果

采用多尺度分解方法，分解IT 設備故障的知識圖譜特征，通過閾值判斷實現(xiàn)對IT 設備故障檢測過程中的譜分析[12]，IT 設備故障的知識圖譜分布空間分布函數(shù)為：

其中，σ為多尺度分解系數(shù)。設分布在第g個IT 設備故障屬性類別的知識圖譜特征為I，其中IT 設備故障的知識圖譜的關聯(lián)映射為X={X1,X2,…,Xn}，(h1,h2)為IT 設備故障圖譜特征定位點，結合知識圖譜的差異性分布，得到故障知識圖譜的定位結果為：

式中，υ1、υ2分別為IT 設備故障的知識圖譜的兩個不同時刻加速收斂因子，η1、η2分別為IT 設備故障樣本信息的兩個不同時刻的特征加權系數(shù)，采用機器學習，得到IT 設備故障特征的融合聚類模型：

式中引入的ξ、ξ*分別為IT 設備故障特征聚類系數(shù)與特征聚類系數(shù)的倒數(shù)，得到IT 設備故障知識圖譜的檢測輸出為：

其中，K(x,xi)表示IT 設備故障檢測的模糊隸屬度函數(shù)，且滿足：

3 仿真測試與結果分析

為驗證該文方法在實現(xiàn)IT 設備故障檢測和診斷分析的應用性能，設計仿真測試實驗。IT 設備故障信息采集的傳感節(jié)點數(shù)為120，故障樣本檢測的訓練節(jié)點數(shù)為24，特征采樣的頻率為15.9 kHz，IT 設備故障檢測的環(huán)境干擾強度為-15 dB，根據(jù)上述參數(shù)設定，得到IT 設備故障信息采集樣本輸出如圖2所示。

圖2 IT 設備故障信息采集樣本輸出

以圖2 采集的IT 設備故障信息為研究對象，檢測IT 設備故障知識圖譜，得到檢測到的IT 設備故障知識圖譜信息如圖3 所示。

圖3 IT設備故障知識圖譜檢測結果

分析圖3 得知，該文方法能有效實現(xiàn)對IT 設備故障知識圖譜的重構，提高故障圖譜檢測的準確性，測試IT 設備故障檢測的精度，得到對比結果如圖4所示。

分析圖4 得知，該文IT 設備故障檢測分析方法的精度較高、誤差較小，故障識別和診斷的能力得到提升。

圖4 故障檢測精度測試

4 結束語

文中提出了基于知識圖譜的IT 設備故障分析方法，結合故障融合參數(shù)分析方法，根據(jù)時域波形控制，提高了IT 設備故障檢測的穩(wěn)定性。通過閾值判斷實現(xiàn)了對IT 設備故障檢測過程中的譜分析，根據(jù)譜聚類結果，實現(xiàn)了對IT 設備故障的特征類別辨識和分類檢測識別。通過仿真結果可知，該文方法進行IT 設備故障檢測的精度較高，故障圖譜識別能力較好。