本发明涉及故障定位，尤其涉及一种故障定位方法、装置、电子设备和存储介质。
背景技术：
1、故障定位的相关技术通常采用基于规则的方法，即由专家根据经验编写相应的规则判断故障发生的部位，这种方法依赖于人类的知识和经验，且需要耗费大量的人力制定相关规则，局限性较大；近年来，一些研究人员开始采用大数据和深度学习的方式进行故障定位，这类方法解决了依赖人工规则的限制，然而模型往往限于已有的训练数据，数据需求较大，且无法利用人类已有的知识进行故障定位，准确性和可靠性不高。
技术实现思路
1、本发明提供一种故障定位方法、装置、电子设备和存储介质，可以融合已有的人类知识对设备故障进行定位，提高故障定位的准确性和可靠性。
2、本发明提供一种故障定位方法，包括：
3、获取动力系统的图神经网络模型，并基于大规模预训练语言模型获取所述动力系统中各个设备分别对应的向量化表示，其中，所述图神经网络模型用于表征所述动力系统中各个设备之间的关联关系；
4、在所述动力系统故障后，获取所述故障的向量化表示，并基于所述动力系统中各个设备分别对应的向量化表示、所述故障的向量化表示和所述动力系统的图神经网络模型，获得整体向量化表示；
5、将所述整体向量化表示输入训练完成的故障定位预测模型，获取所述训练完成的故障定位预测模型对所述故障的定位预测结果。
6、根据本发明提供的故障定位方法，所述基于大规模预训练语言模型获取所述动力系统中各个设备分别对应的向量化表示，包括：
7、获取所述动力系统中各个设备分别对应的描述文本；
8、将所述动力系统中各个设备分别对应的描述文本输入大规模预训练语言模型，获取所述大规模预训练语言模型输出的所述动力系统中各个设备分别对应的第一向量化表示；
9、将所述动力系统中各个设备分别对应的第一向量化表示输入所述动力系统的图神经网络模型，获得所述动力系统中各个设备分别对应的向量化表示。
10、根据本发明提供的故障定位方法，所述将所述动力系统中各个设备分别对应的第一向量化表示输入所述动力系统的图神经网络模型，获得所述动力系统中各个设备分别对应的向量化表示，包括：
11、计算所述动力系统的图神经网络模型中各个节点分别对应的邻接节点的权重；
12、基于所述动力系统中各个设备分别对应的第一向量化表示和所述权重，获得所述动力系统中各个设备分别对应的向量化表示。
13、根据本发明提供的故障定位方法，所述基于所述动力系统中各个设备分别对应的向量化表示、所述故障的向量化表示和所述动力系统的图神经网络模型，获得整体向量化表示，包括：
14、使用注意力机制，基于所述动力系统中各个设备分别对应的向量化表示、所述故障的向量化表示和所述动力系统的图神经网络模型，获得整体向量化表示。
15、根据本发明提供的故障定位方法，所述将所述整体向量化表示输入训练完成的故障定位预测模型，获取所述训练完成的故障定位预测模型对所述故障的定位预测结果，包括：将所述整体向量化表示经过所述训练完成的故障定位预测模型中的全连接网络和softmax层，获取所述动力系统中各个设备分别对应的存在故障的概率；
16、基于所述动力系统中各个设备分别对应的存在故障的概率，获取所述训练完成的故障定位预测模型对所述故障的定位预测结果。
17、根据本发明提供的故障定位方法，所述故障定位预测模型的训练过程包括：
18、重复执行第一过程，直至执行次数大于第一预设值，或错误损失小于第二预设值；
19、所述第一过程包括：
20、将训练集输入故障定位预测模型，获得预测结果；
21、将所述预测结果与故障真实数据进行比较，并通过损失函数计算错误损失；
22、通过反向传播算法对所述故障定位预测模型中的参数进行更新。
23、本发明还提供一种故障定位装置，包括：
24、第一获取模块，用于获取动力系统的图神经网络模型，并基于大规模预训练语言模型获取所述动力系统中各个设备分别对应的向量化表示，其中，所述图神经网络模型用于表征所述动力系统中各个设备之间的关联关系；
25、第二获取模块，用于在所述动力系统故障后，获取所述故障的向量化表示，并基于所述动力系统中各个设备分别对应的向量化表示、所述故障的向量化表示和所述动力系统的图神经网络模型，获得整体向量化表示；
26、故障定位模块，用于将所述整体向量化表示输入训练完成的故障定位预测模型，获取所述训练完成的故障定位预测模型对所述故障的定位预测结果。
27、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述故障定位方法。
28、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述故障定位方法。
29、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述故障定位方法。
30、本发明提供的一种故障定位方法、装置、电子设备和存储介质，使用大规模预训练语言模型获取所述动力系统中各个设备的向量化表示，并结合动力系统的图神经网络模型以及深度学习模型，可以融合已有的人类知识对设备故障进行定位，从而提高故障定位的准确性和可靠性。
1.一种故障定位方法，其特征在于，包括：
2.根据权利要求1所述的故障定位方法，其特征在于，所述基于大规模预训练语言模型获取所述动力系统中各个设备分别对应的向量化表示，包括：
3.根据权利要求2所述的故障定位方法，其特征在于，所述将所述动力系统中各个设备分别对应的第一向量化表示输入所述动力系统的图神经网络模型，获得所述动力系统中各个设备分别对应的向量化表示，包括：
4.根据权利要求1所述的故障定位方法，其特征在于，所述基于所述动力系统中各个设备分别对应的向量化表示、所述故障的向量化表示和所述动力系统的图神经网络模型，获得整体向量化表示，包括：
5.根据权利要求1所述的故障定位方法，其特征在于，所述将所述整体向量化表示输入训练完成的故障定位预测模型，获取所述训练完成的故障定位预测模型对所述故障的定位预测结果，包括：
6.根据权利要求1所述的故障定位方法，其特征在于，所述故障定位预测模型的训练过程包括：
7.一种故障定位装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述故障定位方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述故障定位方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述故障定位方法。
