基于知识图谱和工业数据的根因诊断新框架：Root-KGD
人工智能
2024-06-21 v1
摘要
随着智能制造的发展和工业生产复杂度的增加，根因诊断逐渐成为工业故障诊断领域的重要研究方向。然而，现有研究方法难以有效地结合领域知识和工业数据，无法为工业过程提供准确、在线且可靠的根因诊断结果。为此，本文提出一种基于知识图谱和工业数据的新型故障根因诊断框架，称为 Root-KGD。Root-KGD 使用知识图谱来表示领域知识，采用数据驱动方法从工业数据中提取故障特征。随后，将知识图谱与数据特征相结合，进行知识图谱推理以实现根因识别。该方法的性能通过两个工业案例——田纳西东曼过程（TEP）和多相流设施（MFF）进行验证。与现有方法相比，Root-KGD 不仅提供更准确的根因变量诊断结果，还能通过将故障定位到知识图谱中的相应物理实体（如设备和流路）来提供可解释的故障相关信息。此外，结合其轻量级特点，Root-KGD 在在线工业应用中更为有效。
引用
@article{arxiv.2406.13664,
title = {Root-KGD: A Novel Framework for Root Cause Diagnosis Based on Knowledge Graph and Industrial Data},
author = {Jiyu Chen and Jinchuan Qian and Xinmin Zhang and Zhihuan Song},
journal= {arXiv preprint arXiv:2406.13664},
year = {2024}
}