[0001] 本发明属于知识图谱技术领域，涉及基于知识图谱的煤矿设备运行风险分析方法及系统。

[0002] 在煤矿生产过程中，煤矿设备的安全是保障生产顺利进行的关键因素之一。为了确保煤矿生产设备的安全运行，进行煤矿设备运行风险分析是必不可少的。通过煤矿设备运行风险分析，可以及时发现设备的风险、故障，并及时作出故障应对，从而提高煤矿设备的安全性和稳定性。

[0003] 目前，煤矿设备运行风险分析的方法包括基于物理模型的风险分析和基于数据驱动的风险分析。其中，基于物理模型的风险分析需要对煤矿设备的结构、原理等有非常清晰的认识，随着煤矿设备日益复杂，该方法缺点越来越明显。基于数据驱动的风险诊断主要是对获取的运行数据进行处理以获得诊断结果，国内主要通过设备运行记录或者与设备工程师交流获得煤矿设备的运行数据，采用小波包变换等特征提取方法进行分类，同时采用叠加降噪自编码器提取数据特征，实现设备风险的诊断。然而，此方法存在风险分析的效率和准确率较低的问题。

[0018] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。显然，此处所描述的具体实施例仅仅用于解释本发明，是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术普通人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0019] 实施例1第一方面，本发明提供了基于知识图谱的煤矿设备运行风险分析方法，如图1‑图4所示，包括以下步骤：
步骤S1：设备数据采集：实时采集煤矿设备的运行数据，所述运行数据包括温度、振动数据和声纹数据。

[0020] 具体地，本发明使用硬件单元实时采集煤矿设备的运行数据，该硬件单元为一款高性能的开发板，该开发板集成了多种外设接口和通信模块，支持多种物联网协议和云平台，可用于快速开发各种物联网应用，具有高度集成、低功耗、易开发、兼容性强等特点，适合作为煤矿设备工作状况监测系统的核心控制器。

[0021] 步骤S2：设备风险分析：采用VMD和CNN‑Transformer复合算法对所述煤矿设备的运行数据进行风险分析与诊断。

[0022] 具体地，风险分析与诊断方法为：首先，将煤矿设备的运行数据通过VMD进行分解，得到多个IMF；然后，将每个IMF作为CNN的输入，在CNN中学习该IMF的特征，进行卷积池化操作提取煤矿设备的运行数据的特征序列，增加数据维度，缩短序列长度；接下来，将CNN提取的特征序列输入到Transformer模型中。Transformer模型通过自注意力机制来学习数据序列的全局依赖关系，从而增强运行数据的整体特征；最后，通过Transformer模型输出的结果进行风险分析和故障诊断。

[0023] 步骤S3：相似度匹配：将风险分析诊断结果与煤矿设备知识图谱中的风险数据集进行相似度计算，并返回相似度最高的匹配结果。

[0024] 具体地，首先，加载并缓存Word2Vec预训练词向量模型；读取煤矿设备知识图谱中的风险数据集，使用Jieba和自定义词典进行分词预处理，并将分词结果存储在Pandas库的DataFrame中；其次，使用Jieba和自定义词典对所述风险分析诊断结果进行分词；遍历所述风险分析诊断结果中的每个词，如果该词在预先制定的同义词表中，则将其替换为其对应的标准词汇，将替换后的词列表重新组成字符串，对所述字符串进行分词；反之，判断分词后的风险分析诊断结果存在所述Pandas库中，若是，直接返回风险内容；若否，将分词后的风险分析诊断结果转化为向量，并在Pandas库中匹配到相似度最高的风险内容进行返回。

[0025] 步骤S4：知识图谱辅助决策：根据相似度匹配结果，在煤矿设备知识图谱中检索相应的故障原因及故障解决方法。

[0026] 具体地，预先构建煤矿设备知识图谱，所述煤矿设备知识图谱的结构为自顶向下，自顶向下模式从最顶层开始构建概念，然后逐步向下细化分支，以确保层次结构的严密性，随后将已收集到的实体逐一添加到预先构建好的概念中。

[0027] 煤矿设备知识图谱由本体层和数据层两个层级构成，本体层是知识图谱的顶层，包括概念、关系和属性，以及它们之间的语义和约束；数据层是知识图谱的底层，包含了实际的数据和事实。

[0028] 首先根据煤矿设备有关资料，将煤矿设备的概念分为“设备类”、“风险类”、“故障类”、“原因类”、“解决方案类”、“标准规范类”6大类别。然后在每个类别中定义概念或子类别，以更详细地描述领域内的实体。接着对概念定义属性以描述特征，搭建出层级关系清晰的知识体系。最后定义概念之间的关系类型，以描述它们之间的联系和依赖关系，如风险和故障之间有“导致”的关系，故障和解决方案之间有“对应”的关系。完成煤矿设备知识图谱构建后，就代表着已经有了完整的煤矿设备知识库。匹配到相似度最高的风险内容返回到知识图谱辅助决策，例如，以该风险内容为头节点，首先利用知识图谱中“风险”——“可能引发”——“故障”的三元组找到对应的故障并返回；接着再以该故障内容为头节点，利用“故障”——“原因是”——“故障原因”和“故障”——“解决”——“解决方法”两组三元组找到对应的故障原因和解决方法并返回。做到同时展示风险、故障、故障原因、解决方法四类信息，全面且高效。

[0029] 实施例2本发明实施例2提供的一种基于知识图谱的煤矿设备运行风险分析系统，如图5所示，该系统具体包括：
设备数据采集模块：实时采集煤矿设备的运行数据，所述运行数据包括温度、振动数据和声纹数据；
设备风险分析模块：采用VMD和CNN‑Transformer复合算法对所述煤矿设备的运行数据进行风险分析与诊断；
相似度匹配模块：将风险分析诊断结果与煤矿设备知识图谱中的风险数据集进行相似度计算，并返回相似度最高的匹配结果；
知识图谱辅助决策模块：根据相似度匹配结果，在煤矿设备知识图谱中检索相应的故障原因及故障解决方法；
决策信息展示模块：展示辅助决策信息，所述辅助决策信息包括风险、故障、故障原因、故障解决方法。

[0030] 上述的实施例仅表达了本发明的实施优选方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。