趙訓(xùn)新，王衛(wèi)玉，馬澤寧，陳啟卷

(1.五凌電力有限公司，湖南 長沙 410004；2.國家電力投資集團(tuán)水電產(chǎn)業(yè)創(chuàng)新中心，湖南 長沙 410004；3.武漢大學(xué)動力與機械學(xué)院，湖北 武漢 430072)

由于不斷增強的機組技術(shù)含量與系統(tǒng)復(fù)雜程度，水電設(shè)備與系統(tǒng)面臨越來越復(fù)雜的工作條件和運行環(huán)境，與維修有關(guān)的理論與技術(shù)也將不斷推陳出新。水電機組故障診斷可從機組正常運行特征著手研究，通過建立基于正常運行特征的健康樣本來實現(xiàn)水電機組的運行狀態(tài)診斷，其方法則側(cè)重于設(shè)備運行狀態(tài)的實時健康診斷[1]。在水電站智能化的發(fā)展中，故障檢修的理念已從由“故障后”轉(zhuǎn)向“故障前”，從“被動維修”、“事后檢修”的傳統(tǒng)觀念向“主動維修”、“事前預(yù)防”的方向發(fā)展。由此，故障檢修更加關(guān)注“故障前”的潛伏故障原因、風(fēng)險排查以及預(yù)防措施，而“故障后”更加關(guān)注故障原因、故障風(fēng)險以及檢修措施。過去基于人工智能方法的水電站故障診斷只能依據(jù)故障數(shù)據(jù)輸出故障結(jié)果，這對于故障檢修是遠(yuǎn)遠(yuǎn)不夠的。雖然已有水電站構(gòu)建了自己的專家故障庫，但是由于故障知識文本結(jié)構(gòu)較為復(fù)雜，來源多樣，知識標(biāo)準(zhǔn)不統(tǒng)一等，使得故障專家案例庫中的知識難以完善，因此，在研究故障診斷方法和故障預(yù)測模型的基礎(chǔ)上，需要融合更多的知識與方法，彌補當(dāng)前故障診斷結(jié)果對于故障維修支撐的不足。水電設(shè)備全生命周期中將許多信息通過相應(yīng)的信息管理系統(tǒng)記錄在數(shù)據(jù)庫中，這些信息對設(shè)備故障診斷具有重要意義，應(yīng)加以合理利用，主要包括以下類型。

1)資產(chǎn)配置信息。主要為設(shè)備銘牌、設(shè)備編碼、設(shè)備名稱、設(shè)備等級、電壓等級、制造廠商以及安裝時間等信息的設(shè)備靜態(tài)信息。

2)工作票和操作票。在工程、調(diào)試和運行階段由不同的系統(tǒng)產(chǎn)生，但由于工作票和操作票在整體結(jié)構(gòu)，語法規(guī)則和相對規(guī)范上無明顯差異，因此可將二者歸成一類。工作票是電站開展各類維修活動所必須的技術(shù)文件，是工作過程管理系統(tǒng)和隔離輔助系統(tǒng)的運作載體，在整個水電工程建設(shè)、調(diào)試過程中具有重要作用，一張工作票對應(yīng)現(xiàn)場一項維修活動，其內(nèi)容包括工作包首頁、工作指令、工作包風(fēng)險分析、工作包隔離指令、工作所需圖紙、檢修規(guī)程、質(zhì)量計劃、特殊工序控制文件和維修報告等。

3)工作日志。由調(diào)試、運維檢修人員在調(diào)試作業(yè)、檢修消缺、周期性巡視時發(fā)現(xiàn)的故障記錄的事件或缺陷情況。工作日志是典型的短文本，詞語中夾雜數(shù)字、符號、以及不規(guī)范的用語。日志記錄的內(nèi)容詳略不一，包含設(shè)備可能發(fā)生的故障時間、故障現(xiàn)象、故障的分析和設(shè)備狀態(tài)等，蘊含豐富的未被挖掘的故障信息。

4)語音、視頻及圖片。在調(diào)試及運維過程中，往往會通過視頻、圖片或語音的方式進(jìn)行工作過程及事故現(xiàn)象的記錄，并通過語音進(jìn)行多人之間的協(xié)同作業(yè)。

5)長文本。包括針對事件的事后分析報告、定期試驗報告、生產(chǎn)年報、財務(wù)年報等內(nèi)容。

6)標(biāo)準(zhǔn)及規(guī)程。包括水電站在調(diào)試、運維過程中所遵循的國家標(biāo)準(zhǔn)、行業(yè)標(biāo)準(zhǔn)、具體操作規(guī)程等。

本研究采用SPSS18.0統(tǒng)計學(xué)軟件進(jìn)行數(shù)據(jù)處理,計量資料用(±s)記錄并用t檢驗,計數(shù)資料用%記錄并用X2檢驗,若P值低于0.05,則差異具有統(tǒng)計學(xué)意義。

因此，研究基于知識圖譜的水電機組故障主動維護(hù)方法是十分必要的。首先，要對知識圖譜的技術(shù)架構(gòu)進(jìn)行研究，并對其構(gòu)建技術(shù)和相關(guān)流程的情況進(jìn)行分析，在此基礎(chǔ)上闡述知識圖譜與水電機組維護(hù)之間的耦合關(guān)系，并基于故障知識圖譜的技術(shù)架構(gòu)以及水電機組主動維護(hù)的更高目標(biāo)，構(gòu)建基于知識圖譜的主動維護(hù)體系，從故障數(shù)據(jù)層面，提供半結(jié)構(gòu)化故障數(shù)據(jù)、結(jié)構(gòu)化實時數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)三種類型，從專家案例庫構(gòu)建層面，構(gòu)建機組設(shè)備故障主動維護(hù)知識圖譜，并在分析圖譜過程中，補充事件本體以及抽取方法，完善水電機組專家故障案例庫。

1 知識圖譜

1.1 知識圖譜概念

知識圖譜(Knowledge Graph，KG)是把所有不同種類的信息連接在一起而得到的一個關(guān)系網(wǎng)絡(luò)。知識圖譜旨在從數(shù)據(jù)中識別、發(fā)現(xiàn)、篩選和推斷事物與概念之間復(fù)雜的相互關(guān)系，是事物關(guān)系的可計算模型。知識圖譜從本質(zhì)上來說是語義網(wǎng)絡(luò)，是一種基于圖的數(shù)據(jù)結(jié)構(gòu)[2]。知識圖譜可從知識建模、知識抽取、圖存儲、關(guān)系推理、實體融合等多方面技術(shù)角度支撐知識搜索、智能問答、語義理解、決策分析等應(yīng)用。知識圖譜就是把不同類別的信息整合為不同屬性的實體及各實體間的關(guān)系，由此可以獲得一個旨在從多種知識數(shù)據(jù)中反映事物之間的關(guān)系的復(fù)雜網(wǎng)絡(luò)，進(jìn)而高效完成存儲、查詢等關(guān)系運算和分析，在搜索引擎、社交網(wǎng)絡(luò)、醫(yī)療教育等領(lǐng)域都有著廣泛的應(yīng)用，同時在語義搜索、輔助智能問答、推薦計算、大數(shù)據(jù)分析等方面展現(xiàn)了豐富的研究價值[3]。

知識圖譜本質(zhì)上是一個知識庫，是一個將實體和屬性通過關(guān)系進(jìn)行聯(lián)結(jié)和組織的知識網(wǎng)絡(luò)。組成它的基本單元是“實體—關(guān)系—實體”或“實體—關(guān)系—屬性”三元組。知識圖譜是由節(jié)點和邊組成的語義網(wǎng)絡(luò)圖，含于豐富的語義知識圖譜中[4]，每個節(jié)點可以是實體，如一個水電站、一臺設(shè)備，也可以是抽象的概念，如一個故障事件、一個設(shè)備本體。還可以是實體的屬性，如水電設(shè)備名稱或是實體之間的關(guān)系，像包含、現(xiàn)象、故障嚴(yán)重程度等。

知識圖譜與水電機組故障主動維護(hù)具有大數(shù)據(jù)與人工智能特性，可以通過知識抽取、知識融合、知識加工形成知識圖譜。針對故障預(yù)測和故障診斷的預(yù)測結(jié)果，無論是結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)抑或是兩種數(shù)據(jù)的組合，均可以通過知識圖譜的相關(guān)技術(shù)進(jìn)行知識匹配及推理，并給出故障隱患、故障風(fēng)險、故障原因、檢修方法等關(guān)聯(lián)知識的推薦，完成全面的故障檢修，有利于故障維護(hù)體系的構(gòu)建。

知識圖譜是基于數(shù)據(jù)、知識支撐技術(shù)、方法的應(yīng)用，水電機組故障診斷與預(yù)測是基于方法來分析數(shù)據(jù)的，兩者處于互補的關(guān)系。

知識圖譜具有強大的知識組織及共享能力，水電機組故障主動維護(hù)知識圖譜能夠通過統(tǒng)一的知識空間把廣域分布的相關(guān)知識進(jìn)行智能聚合，并能夠通過基于本體論的知識表達(dá)機制實現(xiàn)語義互通的共享環(huán)境，有助于建立統(tǒng)一規(guī)范，解決知識的集成以對其理解，有助于專家知識庫的構(gòu)建與完善。

1.2 知識圖譜技術(shù)架構(gòu)

知識圖譜技術(shù)體系包含四個部分。即知識來源、知識抽取、知識融合、圖譜構(gòu)建，如圖1所示。

圖1 知識圖譜技術(shù)架構(gòu)

知識抽取通過自動化技術(shù)抽取可用的知識單元，主要針對開放關(guān)聯(lián)數(shù)據(jù)。其包含實體、關(guān)系和屬性三個要素，并在此基礎(chǔ)上推動后續(xù)的知識融合，從而達(dá)成對一系列用于構(gòu)建模式層的優(yōu)質(zhì)準(zhǔn)確的事實表達(dá)。知識抽取主要包含三個任務(wù)：

實體抽取：作為知識抽取最為基本和重要的一步，實體抽取是通過初始的語料數(shù)據(jù)對命名實體實現(xiàn)自動識別功能。對于在知識圖譜中抽取知識單元中的實體這一過程，其最基本元素能否保證完整、準(zhǔn)確以及召回率等將直接影響知識庫能否具有合格的價值。

關(guān)系抽?。鹤鳛榫S持實體之間含義表達(dá)完整和語句銜接連貫的關(guān)系抽取可用于對實體間關(guān)系進(jìn)行識別，在早期其主要是通過人為的方法實現(xiàn)對語句涵義規(guī)則和模板的構(gòu)造。隨著相關(guān)技術(shù)不斷發(fā)展成熟，其逐漸被能夠表達(dá)實體間的關(guān)系模型替代。

屬性抽?。簩傩猿槿≈饕峭ㄟ^實體所對應(yīng)的屬性來完成對實體的完整描述與勾畫。實體屬性可以被視為是連接實體與屬性值的一種名稱對應(yīng)關(guān)系，由此可知原本的屬性抽取問題可轉(zhuǎn)換為關(guān)系抽取問題。

知識融合：所抽取的知識信息存在由于數(shù)據(jù)源寬泛繁多引起的知識駁雜無序、數(shù)據(jù)源包融混合引起的知識相互重疊以及所得知識之間關(guān)系模糊等各種問題，而知識融合則是為解決上述弊端而采用對數(shù)據(jù)整合、消歧、加工、更新等手段與方式將各種知識信息統(tǒng)一于新的規(guī)范當(dāng)中，集中于同一框架之下，并在此基礎(chǔ)上形成的數(shù)據(jù)、經(jīng)驗、信息等集合在一起的高質(zhì)量高層次數(shù)據(jù)庫。實體消歧是對可能存在多種含義的實體名稱進(jìn)行不同含義的劃分，實體對齊是將在不同數(shù)據(jù)源中具有相同含義和具有指代意義的名詞或代詞的信息進(jìn)行合并。然后對實體、屬性和關(guān)系進(jìn)行整合，從而構(gòu)建起知識圖譜的原始框架。

知識圖譜的構(gòu)建過程是一個隨著不斷遞增的人類認(rèn)知能力、知識儲備以及業(yè)務(wù)需求而不斷變化的動態(tài)過程。因此，通用和行業(yè)知識圖譜都需要在應(yīng)用當(dāng)中擴展更新已知的知識，增加充實未知的知識，在修正和完善中構(gòu)建起知識圖譜的健全體系。

2 基于知識圖譜的水電機組主動維護(hù)體系

面對不斷發(fā)展的維修維護(hù)理論和技術(shù)與日趨復(fù)雜的設(shè)備技術(shù)和系統(tǒng)特性，水電機組在各種工況下都能夠安全可靠、經(jīng)濟高效地運行也逐漸成為人們關(guān)注的熱點，一方面，維修維護(hù)理念的聚焦點應(yīng)該從“故障后”的修復(fù)維護(hù)轉(zhuǎn)向“故障前”的預(yù)測診斷，另一方面，更應(yīng)該在各種狀態(tài)下，充分發(fā)揮大數(shù)據(jù)與人工智能的海量專家知識和技術(shù)優(yōu)勢，能夠迅速判斷事故發(fā)生或者潛在故障的原因以及所應(yīng)采取的措施。即從“被動維修”的傳統(tǒng)觀念向“主動維護(hù)”的理念轉(zhuǎn)型。

基于知識圖譜的故障主動維護(hù)體系整體包括三個部分，為別為專家故障案例庫、智能維護(hù)決策以及故障數(shù)據(jù)，下面分別進(jìn)行敘述。

2.1 故障數(shù)據(jù)層

故障數(shù)據(jù)層主要指除歷史故障樣本以外的新增數(shù)據(jù)，包含四種類型：①結(jié)構(gòu)化實時數(shù)據(jù)，主要來源于在線監(jiān)測系統(tǒng)，可針對在線監(jiān)測的實時數(shù)據(jù)進(jìn)行故障預(yù)測工作；②結(jié)構(gòu)化故障數(shù)據(jù)，是指設(shè)備發(fā)生故障后，通過在線監(jiān)測、離線試驗等手段獲取的設(shè)備故障數(shù)據(jù)，這部分?jǐn)?shù)據(jù)可通過基于結(jié)構(gòu)化數(shù)據(jù)的故障診斷方法進(jìn)行分析；③半結(jié)構(gòu)化故障數(shù)據(jù)，主要指通過巡視、檢修、調(diào)試等工作對所發(fā)現(xiàn)的缺陷、故障等情況新生成的日志記錄，這部分?jǐn)?shù)據(jù)可通過半結(jié)構(gòu)化文本故障診斷方法進(jìn)行分析；④故障檢修數(shù)據(jù)，是指針對設(shè)備發(fā)生潛在故障或已發(fā)生的故障，通過故障庫的專家答復(fù)進(jìn)行相關(guān)檢修工作后，對維修的結(jié)果進(jìn)行的整理，該部分?jǐn)?shù)據(jù)最終作為新的專家知識輸入到專家案例庫中。

2.2 專家支持層

考慮到領(lǐng)域的特殊性，在知識技術(shù)架構(gòu)技術(shù)上，結(jié)合水電機組故障診斷及維護(hù)的特點，完成對以知識圖譜為理論基礎(chǔ)的水電機組故障案例庫的建設(shè)工作。

在知識抽取中，因為水電機組故障診斷往往以故障事件為單位進(jìn)行分析，因此需要增加故障事件實體，并進(jìn)行故障事件的抽?。煌瑫r，對于領(lǐng)域知識，實體詞義僅限于電力行業(yè)，且有明確的應(yīng)用規(guī)范，因此實體歧義的問題基本不存在，可省去消岐這一步驟。

專家支持層是故障維護(hù)體系的數(shù)據(jù)基礎(chǔ)，也是知識基礎(chǔ)，共包含四個步驟。

第一步：收集歷史故障樣本，結(jié)構(gòu)化數(shù)據(jù)來源于在線監(jiān)測系統(tǒng)以及人工整理的事故分析報告，其中包含了豐富的結(jié)構(gòu)化故障數(shù)據(jù)以及趨勢數(shù)據(jù)。半結(jié)構(gòu)化和結(jié)構(gòu)化數(shù)據(jù)來自信息化系統(tǒng)。同時，知識圖譜關(guān)鍵語料信息和專家經(jīng)驗總結(jié)多為半結(jié)構(gòu)、非結(jié)構(gòu)化數(shù)據(jù)[5]。

第二步：知識抽取。該步驟針對知識進(jìn)行特征提取及分類，主要包括三個內(nèi)容，分別為基于CRO-TWSVM的結(jié)構(gòu)化故障數(shù)據(jù)分類方法、基于Word2vec(Word to vector)和TF-IDF加權(quán)文本向量的故障案例分類方法、基于Tessaract OCR識別的非結(jié)構(gòu)化文本提取方法。

對于結(jié)構(gòu)化故障數(shù)據(jù)，可采用化學(xué)反應(yīng)優(yōu)化(CRO)算法對雙支持向量機(TWSVM)的參數(shù)(懲罰因子和核參數(shù))進(jìn)行優(yōu)化，由訓(xùn)練樣本訓(xùn)練得到全局最優(yōu)SVM故障診斷模型，選擇最優(yōu)的訓(xùn)練參數(shù)。對于文本半結(jié)構(gòu)化數(shù)據(jù)，通過Word2Vec方法將文本轉(zhuǎn)化為分布式表示的特征向量，考慮詞匯間的語義關(guān)系，采用TIF-IDF對詞向量進(jìn)行權(quán)重分配，并生成文本向量，即Word2vec方法解決分類詞間的語義關(guān)系，TF-IDF解決詞匯的重要程度，將兩者結(jié)合，從而提高分類的準(zhǔn)確性。Word2Vec 模型是基于神經(jīng)網(wǎng)絡(luò)語言模型的一個改進(jìn)模型，是一種從原始語料中得到詞語分布式表示的無監(jiān)督模型，其中包含Skip-Gram模型和Continuous Bag-of-Words(CBOW)模型[6]。CBOW的核心思想是通過上下文詞預(yù)測中心詞，Skip-gram則是通過中心詞預(yù)測上下文詞[7]。TF-IDF是一種基于詞頻特征的統(tǒng)計方法，它包含TF(詞頻)和IDF(逆文檔頻率)兩部分，主要通過計算詞頻和逆文本頻率來計算特征權(quán)重[8]，用來體現(xiàn)一個詞語對文件的重要程度。針對非結(jié)構(gòu)化歷史數(shù)據(jù)，如存儲在紙質(zhì)文檔中的事故分析報告、檢修報告等，可通過基于tessaract的OCR識別方法進(jìn)行文本特征提取，轉(zhuǎn)化為半結(jié)構(gòu)化歷史數(shù)據(jù)后，再進(jìn)行進(jìn)一步處理，基于以上工作，完成初步的知識抽取。

第三步：事件抽取，關(guān)系抽取以及知識融合等進(jìn)一步的知識加工。關(guān)系抽取的工作是識別數(shù)據(jù)庫中未知的各實體或各屬性間的關(guān)系及與之相關(guān)聯(lián)的一些關(guān)系類型，如“包含”、“現(xiàn)象”、“措施”、“原因”等，結(jié)合實體/屬性的詞性對關(guān)系進(jìn)行限定。事件抽取的工作是自動抽取事件之間的邏輯關(guān)系。其以事件為基本的語義單元，所抽取的邏輯關(guān)系事件包含因果關(guān)系、時序關(guān)系以及共指關(guān)系等。事件關(guān)系的抽取和構(gòu)建可以總結(jié)事件發(fā)展趨勢與規(guī)律，掌握其脈絡(luò)與全貌，進(jìn)而進(jìn)行事件知識圖譜的建設(shè)工作。

本文將水電機組故障事件劃分為定轉(zhuǎn)子、空冷器、上導(dǎo)軸承、下導(dǎo)軸承、推力軸承、機架、主軸、水導(dǎo)軸承、過流部件、水輪機故障等故障事件，每個事件包含的內(nèi)容為事件標(biāo)題、故障原因、故障現(xiàn)象、內(nèi)容答復(fù)、臨時措施、關(guān)閉信息、設(shè)備、時間、人員等實體和屬性，其結(jié)構(gòu)比較規(guī)范；因此可以構(gòu)建事件本體進(jìn)行事件抽取，并且針對事件清單而言，由于邏輯結(jié)構(gòu)鮮明，可將關(guān)系簡化為包含關(guān)系，圖2展示了主軸故障所構(gòu)建的知識圖譜。

圖2 水電機組主軸故障事件本體

第四步：知識存儲。完成知識的抽取、融合等工作后，形成基于知識圖譜的專家故障案例庫，實現(xiàn)對出現(xiàn)故障的設(shè)備、數(shù)據(jù)、原因、現(xiàn)象、風(fēng)險及與故障對應(yīng)的檢修決策等知識的全面組織及融合。同時，隨著知識的不斷輸入，循環(huán)以上步驟，針對新增實體和關(guān)系進(jìn)行驗證及評估，保證故障知識圖譜的內(nèi)容一致性和準(zhǔn)確性。

故障預(yù)測將水電機組結(jié)構(gòu)化在線/離線數(shù)據(jù)，輸入到相應(yīng)預(yù)測模型中，進(jìn)行未來時間的趨勢預(yù)測。一方面，可通過區(qū)間寬度的變化針對不確定性較高的區(qū)間所在時間段進(jìn)行潛在故障預(yù)警并將預(yù)警結(jié)果輸入專家故障案例庫中進(jìn)行深入處理；另一方面，將預(yù)測結(jié)果輸入相關(guān)故障診斷模型中進(jìn)行診斷，若診斷出在未來時間段內(nèi)會發(fā)生故障，則將初步預(yù)測結(jié)果及故障數(shù)據(jù)輸入故障專家案例庫進(jìn)行進(jìn)一步處理。

基于結(jié)構(gòu)化數(shù)據(jù)的故障診斷將新發(fā)現(xiàn)的機組故障數(shù)據(jù)輸入相應(yīng)故障診斷模型中進(jìn)行診斷，并將初步診斷結(jié)果及故障數(shù)據(jù)輸入故障專家案例庫進(jìn)行升級處理。

基于半結(jié)構(gòu)化數(shù)據(jù)的故障診斷將半結(jié)構(gòu)化文本數(shù)據(jù)輸入相應(yīng)模型中進(jìn)行文本向量提取并進(jìn)行故障診斷，將初步診斷結(jié)果及故障數(shù)據(jù)輸入故障專家案例庫進(jìn)行進(jìn)一步處理。

專家答復(fù)通過故障預(yù)測、結(jié)構(gòu)化數(shù)據(jù)診斷以及半結(jié)構(gòu)化文本故障診斷所請求的初步診斷結(jié)果、故障特征、故障數(shù)據(jù)等內(nèi)容，通過在專家故障案例庫中進(jìn)行匹配及分析，可通過知識抽取及相似度計算等工作，給出專家診斷建議，內(nèi)容包括故障原因、故障隱患、故障風(fēng)險、檢修策略等內(nèi)容。進(jìn)行相關(guān)檢修工作后，對維修的結(jié)果進(jìn)行整理，該部分?jǐn)?shù)據(jù)最終作為新的專家知識輸入專家案例庫中。

2.3 主動維護(hù)層

主動維護(hù)層包括四個部分。分別為故障預(yù)測、基于結(jié)構(gòu)化數(shù)據(jù)的故障診斷、基于半結(jié)構(gòu)化數(shù)據(jù)的故障診斷和專家答復(fù)。

3 結(jié) 語

針對目前水電站故障維修向主動維修的發(fā)展迫切需求以及故障案例庫中由于故障知識文本結(jié)構(gòu)較為復(fù)雜、來源多樣、知識標(biāo)準(zhǔn)不統(tǒng)一等知識組織不足的現(xiàn)狀，導(dǎo)致故障專家案例庫中的知識難以提取的問題，本文初步探索了基于知識圖譜的水電機組故障主動維護(hù)體系，通過將知識圖譜的技術(shù)架構(gòu)與主動維護(hù)理論有機結(jié)合，構(gòu)建基于知識圖譜的水電機組故障主動維護(hù)體系，包括故障數(shù)據(jù)層、專家支持層和主動維護(hù)層三個部分。在故障數(shù)據(jù)層，提供了半結(jié)構(gòu)化故障數(shù)據(jù)、結(jié)構(gòu)化實時數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)三種類型，豐富了故障診斷的數(shù)據(jù)類型；在專家支持層，根據(jù)水電機組故障特點，基于知識圖譜技術(shù)架構(gòu)，構(gòu)建了專家故障案例庫；在主動維護(hù)層，通過將診斷、預(yù)測、分類模型的有機耦合，實現(xiàn)針對三種不同結(jié)構(gòu)及狀態(tài)數(shù)據(jù)的故障診斷及預(yù)測工作，提高了故障診斷的應(yīng)用范圍和價值，最終將結(jié)果輸入專家故障案例庫中，得出專家建議，并將最終檢修結(jié)果作為新的故障知識回送到故障案例庫中，實現(xiàn)從數(shù)據(jù)-故障預(yù)測-故障診斷-故障推理-檢修決策全過程的水電機組故障主動維護(hù)策略。