1. 课程导入

在流程工业、能源电力、轨道交通、智能制造等场景中，设备故障诊断长期面临一个尴尬现实：传感器越来越多，数据越来越密，但真正能在故障早期给出准确判断的专家却越来越少。传统诊断依赖老师傅经验、阈值报警和单点信号分析，当设备结构复杂、工况多变、故障耦合时，这些方法往往力不从心。本课程要解决的核心问题是：如何把分散的故障知识、设备结构、运行数据和诊断经验组织成可计算、可推理、可复用的知识图谱，并以此支撑工程化的故障诊断。

一、设备故障诊断的现实挑战

先看一个典型场景。某化工厂循环水泵出现振动超标，DCS 报警后，运维人员依次排查：轴承温度正常、电流无明显波动、出口压力略降。有人判断是叶轮结垢，有人怀疑联轴器对中不良，还有人认为是管道共振。三天后拆机发现是轴承内圈轻微剥落。问题不在于数据不足，而在于数据之间没有形成可推理的关联：振动频谱中的特征频率、轴承型号、历史检修记录、同类设备故障案例，这些信息分散在不同系统、不同人脑中。

归纳起来，设备故障诊断面临五类挑战：

• 知识碎片化：故障机理在论文里，检修记录在工单系统，设备结构在图纸中，专家经验在个人头脑里，彼此割裂。
• 数据多源异构：振动、温度、压力、电流、油液、声发射等信号采样率、量纲、时间尺度差异巨大。
• 故障耦合性强：一个振动异常可能由不平衡、不对中、松动、共振、轴承缺陷等多种原因引起，且常并发。
• 专家依赖度高：诊断结论高度依赖少数资深工程师，难以规模化复制和传承。
• 可解释性差：纯数据驱动模型给出“故障概率 0.87”，但运维人员需要知道“为什么”和“下一步查什么”。

二、知识图谱的价值：让诊断知识可计算

知识图谱的本质，是用实体—关系—属性的方式把领域知识显式建模成图结构。放到设备故障诊断中，它可以表达为：设备、部件、测点、信号、特征、故障模式、故障原因、维修措施、案例等实体，以及“包含”“监测”“表现为”“由…引起”“对应…措施”等关系。

它的价值体现在四个层面：

1. 关联整合：把设备台账、BOM 结构、测点布置、历史工单、故障案例统一到一张图中，形成“设备—部件—测点—信号—故障”的完整链路。
2. 推理诊断：基于图谱路径进行因果追溯，例如从“振动 2 倍频突出”沿关系链推理到“不对中”，再关联到“联轴器对中检查”措施。
3. 知识复用：一次诊断形成的故障路径可沉淀为图谱子图，供同类设备复用，降低对个别专家的依赖。
4. 可解释输出：诊断结论以子图路径呈现，运维人员能看到推理依据，而不是一个黑箱概率。

下面这张图展示了本节的核心逻辑：从多源挑战出发，经过知识图谱建模，最终支撑诊断推理与工程应用。

三、课程目标与整体框架

本课程不是单纯讲知识图谱理论，也不是单纯讲信号处理，而是围绕“设备知识图谱故障诊断工程”这条主线，把知识建模、数据接入、图谱构建、推理诊断和工程落地串起来。学完本课程，你应当能够：

• 理解设备故障诊断的知识体系与图谱化表达方法；
• 掌握从设备结构、测点、信号到故障模式的本体建模流程；
• 能够设计并实现面向典型设备（如泵、风机、电机、齿轮箱）的故障诊断知识图谱；
• 掌握基于图谱路径、规则和嵌入的故障推理方法；
• 具备将图谱诊断与现有运维系统集成的工程能力。

课程整体分为六个模块，如下表所示：

四、一个最小案例：从报警到图谱推理

假设某电机驱动端振动速度有效值从 2.1 mm/s 升至 4.8 mm/s，报警阈值 4.5 mm/s。传统做法是通知检修。图谱诊断的做法是：

输入：电机M-101，驱动端测点V1，振动速度 4.8 mm/s，2倍频突出
图谱查询路径：
  M-101 → 包含 → 驱动端轴承 → 监测 → V1
  V1 → 特征 → 2倍频突出
  2倍频突出 → 表现为 → 不对中
  不对中 → 原因 → 联轴器对中偏差
  联轴器对中偏差 → 措施 → 激光对中检查与调整
输出：疑似不对中，建议检查联轴器对中，置信度0.82

这个例子说明，图谱的价值不在于替代信号分析，而在于把信号特征、设备结构、故障机理和维修措施连成一条可追溯的推理链。运维人员看到的不是孤立报警，而是一条有依据的诊断路径。

设备故障诊断的难点，从来不是缺少数据，而是缺少把数据、结构和知识组织起来的方法。知识图谱提供了一种显式、可推理、可解释的组织方式。接下来的课程，将沿着“建模—构建—推理—落地”的路径，逐步把这张图变成可运行的系统。