CN110245233A - 一种故障确定方法及装置 - Google Patents

一种故障确定方法及装置 Download PDF

Info

Publication number
CN110245233A
CN110245233A CN201910533413.9A CN201910533413A CN110245233A CN 110245233 A CN110245233 A CN 110245233A CN 201910533413 A CN201910533413 A CN 201910533413A CN 110245233 A CN110245233 A CN 110245233A
Authority
CN
China
Prior art keywords
failure
text
text feature
model
description text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910533413.9A
Other languages
English (en)
Inventor
徐星星
周晟瀚
常文兵
肖依永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201910533413.9A priority Critical patent/CN110245233A/zh
Publication of CN110245233A publication Critical patent/CN110245233A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本申请提供了一种故障确定方法及装置，包括：获取目标装备的故障描述文本；基于所述故障描述文本，确定所述故障描述文本的文本特征；基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。与现有技术中的故障确定方法相比，本申请实施例提供的故障确定方法及装置，可以通过非结构化数据确定装备的故障类型，简化故障确定的过程。

Description

一种故障确定方法及装置
技术领域
本申请涉及故障确定技术领域，尤其是涉及一种故障确定方法及装置。
背景技术
各种仪器、装备的故障不可避免，故障确定是故障检修中必不可少的一环。
虽然通过检测故障装备的结构化数据和与装备相关的知识可以确定设备、装备的故障类型，然而，测量故障装备的数据需要测量设备，在缺少测量工具时，只依靠对故障装备的文字描述等非结构化数据很难确定故障类型，并且，依靠专家判断的人力方式也受到经验、时间等因素的限制。
发明内容
有鉴于此，本申请的目的在于提供一种故障确定方法及装置，可以通过非结构化数据确定装备的故障类型，简化故障确定的过程。
本申请实施例提供了一种故障确定方法，所述故障确定方法包括：
获取目标装备的故障描述文本；
基于所述故障描述文本，确定所述故障描述文本的文本特征；
基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
进一步的，所述基于所述故障描述文本，确定所述故障描述文本的文本特征，包括：
对所述故障描述文本进行分词和去停用词处理；
确定所述分词和去停用词处理后的故障描述文本的文本特征。
进一步的，所述确定所述分词和去停用词处理后的故障描述文本的文本特征，包括：
使用词频-逆文档频度模型确定所述处理后的故障描述文本的文本特征。
进一步的，所述故障确定方法还包括训练故障确定模型的步骤：
获取多个故障描述文本的训练样本，其中，所述故障描述文本的训练样本包括该训练样本中故障实际类型的标注信息；
基于所述故障描述文本的训练样本，确定所述训练样本的文本特征；
基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同；
基于调整数量后的文本特征和所述标注信息，训练所述故障确定模型。
进一步的，所述训练故障确定模型的步骤还包括：
验证所述故障确定模型的输出结果是否正确，并对所述故障确定模型进行评估，确定所述故障确定模型的可信度；
当所述可信度高于或等于预设可信度阈值时，停止训练所述故障确定模型。
进一步的，所述基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同，包括：
基于所述标注信息，对所述训练样本的文本特征进行聚类；
基于所述聚类后的文本特征，分别计算每类文本特征的过采样权重；
基于所述过采样权重，调整每类文本特征的数量至相同。
本申请实施例还提供了一种故障确定装置，所述故障确定装置包括：
获取模块，用于获取目标装备的故障描述文本；
特征确定模块，用于基于所述故障描述文本，确定所述故障描述文本的文本特征；
故障确定模块，用于基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
进一步的，所述特征确定模块包括：
文本处理单元，用于对所述故障描述文本进行分词和去停用词处理；
特征确定单元，用于确定所述分词和去停用词处理后的故障描述文本的文本特征。
进一步的，所述文本处理单元具体用于：
使用词频-逆文档频度模型确定所述处理后的故障描述文本的文本特征。
进一步的，所述故障确定装置还包括模型训练模块，所述模型训练模块具体用于：
获取多个故障描述文本的训练样本，其中，所述故障描述文本的训练样本包括该训练样本中故障实际类型的标注信息；
基于所述故障描述文本的训练样本，确定所述训练样本的文本特征；
基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同；
基于调整数量后的文本特征和所述标注信息，训练所述故障确定模型。
进一步的，所述模型训练模块还用于：
验证所述故障确定模型的输出结果是否正确，并对所述故障确定模型进行评估，确定所述故障确定模型的可信度；
当所述可信度高于或等于预设可信度阈值时，停止训练所述故障确定模型。
进一步的，所述模型训练模块在基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同时，具体用于：
基于所述标注信息，对所述训练样本的文本特征进行聚类；
基于所述聚类后的文本特征，分别计算每类文本特征的过采样权重；
基于所述过采样权重，调整每类文本特征的数量至相同。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的故障确定方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的故障确定方法的步骤。
本申请实施例提供的故障确定方法及装置，获取目标装备的故障描述文本；基于所述故障描述文本，确定所述故障描述文本的文本特征；基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
与现有技术中的故障确定方法相比，本申请实施例提供的故障确定方法及装置，可以通过非结构化数据确定装备的故障类型，简化故障确定的过程。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种故障确定方法的流程图；
图2示出了本申请实施例所提供的另一种故障确定方法的流程图；
图3示出了本申请实施例所提供的一种故障确定装置的结构示意图之一；
图4示出了本申请实施例所提供的一种故障确定装置的结构示意图之二；
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于基于故障描述文本数据对设备或装备进行故障定位、故障识别的场景，比如，柴油机发生故障后，技术人员将柴油机的各种特征与现象以文字的形式记录下来，通过这些文本数据对柴油机的故障进行识别、定位。
经研究发现，虽然通过检测故障装备的结构化数据和与装备相关的知识可以确定设备、装备的故障类型，然而，测量故障装备的数据需要测量设备，在缺少测量工具时，只依靠对故障装备的文字描述等非结构化数据很难确定故障类型，并且，依靠专家判断的人力方式也受到经验、时间等因素的限制。
基于此，本申请实施例提供了一种故障确定方法，可以通过非结构化数据确定装备的故障类型，简化故障确定的过程。
请参阅图1，图1为本申请实施例所提供的一种故障确定方法的流程图。所如图1中所示，本申请实施例提供的故障确定方法，包括：
S101、获取目标装备的故障描述文本。
该步骤中，故障确定装置可以从数据库中读取目标装备的故障描述文本，也可以根据目标装备的录像、音频等信息生成目标装备的故障描述文本，当然，也可以通过故障确定装置的使用者输入故障描述文本。
其中，故障描述文本的内容是不低于一个的语句，可以包括中文、英文、数字等，故障描述文本中的文本数据可以包括装备的运行状态、有无异常、异常现象等。
比如，故障描述文本中可以包括“凸轮轴齿轮压板的螺丝松动，导致凸轮轴转动失常”、“发动机启动不起来,离心开关不好”、“柴油机齿轮箱振动幅度不正常，表面温度上升”、“感温部分渗油，不明”、“喷油器的压力太小，导致雾化效果极差”、“活塞肖与连杆衬套磨损严重，配合间隙过大”等文本数据。
S102、基于所述故障描述文本，确定所述故障描述文本的文本特征。
该步骤中，可以将故障描述文本中与故障相关度高的文本特征提取出来，具体的，可以先提取出故障描述文本能够表示故障信息的词句，再将这些词句转化为能表示其在文本中重要程度的文本特征。
其中，故障描述文本的文本特征可以是以像向量形式表示的。
这样，可以从非结构化的故障描述文本中提取出结构化的文本特征，进而将其用于故障的确定。
S103、基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
该步骤中，可以将文本特征输入至训练好的故障确定模型中，故障确定模型经过相应的计算，即可输出目标装备的故障位置、故障类型。
其中，故障确定模型可以为支持向量机模型(SVM)。支持向量机模型的原理的公式为：
其中，M为样本的数量，i、j为第i、j个样本，并计正类为yi＝1、负类yi＝-1，b为常数，(xixj)为核函数。核函数可以是线性函数、多项式函数、sigmoid函数、径向基函数等。
本申请实施例提供的故障确定方法，获取目标装备的故障描述文本；基于所述故障描述文本，确定所述故障描述文本的文本特征；基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
与现有技术中的故障确定方法相比，本申请实施例提供的故障确定方法及装置，可以通过非结构化数据确定装备的故障类型，简化故障确定的过程。
请参阅图2，图2为本申请另一实施例提供的故障确定方法的流程图。如图2中所示，本申请实施例提供的故障确定方法，包括：
S201、获取目标装备的故障描述文本。
S202、对所述故障描述文本进行分词和去停用词处理。
在该步骤中，可以对故障描述文本中的中文文本数据进行分词、去停用词的处理。
分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。
停用词是指在信息检索中，为节省存储空间和提高搜索效率，在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词，这些字或词即被称为Stop Words(停用词)，在提取文本体征时，也可以使用去停用词的方式来精简故障描述文本，去掉对故障确定没有用处的词句。
其中，可以使用结巴分词方法等方式对故障描述文本进行分词处理；停用词可以根据故障确定的实际情况设置。
这样，正确分析故障描述文本的语义，并去除故障文本中的无关因素，便于进行下一步的特征提取。
S203、确定所述分词和去停用词处理后的故障描述文本的文本特征。
在该步骤中，可以计算经过分词和去停用词处理后的故障描述文本中每个词项在其对应的语句中的重要程度，取其重要程度高于预设阈值的词作为文本特征。
其中，文本特征是一个多元的向量，可以输入进故障确定模型当中。
这样，可以从非结构化故障描述文本中提取出可以用于故障确定的文本体征向量，进而确定故障的类型、位置。
S204、基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
其中，S201、S204的描述可以参照S101、S103的描述，并且能达到相同的技术效果，对此不做赘述。
可选的，所述确定所述分词和去停用词处理后的故障描述文本的文本特征，包括：
使用词频-逆文档频度模型确定所述处理后的故障描述文本的文本特征。
在该步骤中，词频-逆文档频度模型可以分别计算每个词项在其对应的文本语句中的词频(Term Frequency，TF)和逆文本频率(Inverse Document Frequency，IDF)，确定词频-逆文本频率值(Term Frequency-Inverse Document Frequency，TF-IDF)，词频-逆文本频率值反应其词项在故障描述文本中的重要程度。最后，基于词频-逆文本频率值确定文本特征。
其中，可以通过以下公式确定逆文本频率值：
其中，w为词项，wi为第i个词项，IDF为逆文本频率，n(w)为包含词项w的文本语句的数量；TF-IDF为词频-逆文本频率；df(wi)为包含wi的文本语句的数量。
可选的，所述故障确定方法还包括训练故障确定模型的步骤：
获取多个故障描述文本的训练样本，其中，所述故障描述文本的训练样本包括该训练样本中故障实际类型的标注信息；
基于所述故障描述文本的训练样本，确定所述训练样本的文本特征；
基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同；
基于调整数量后的文本特征和所述标注信息，训练所述故障确定模型。
在该步骤中，可以从数据库中获取多个故障描述文本的训练样本，训练样本是经过专家分析确定故障类型的故障描述文本，标注信息注明了与其对应的故障描述文本中故障的实际类型。
确定训练样本文本特征的步骤与确定故障描述文本的文本特征的步骤相同，在此不再赘述。
进一步的，为了使故障确定模型更加精确，可以将确定的训练样本的文本特征按照标签中的故障类型进行分层聚类，按数据的内在相似性将数据集划分为多个类别，使类别内的数据相似度较大而类别间的数据相似度较小，其中，可以使用凝聚层次聚类或分裂层次聚类对文本特征分层聚类。
更进一步的，可以生成数量较少的类型的文本特征，使每类的文本特征数量相等，调整其数量，达到各类文本数量上均衡的状态，并将调整数量后的文本特征作为训练集，令故障确定模型对其挖掘与学习，训练故障确定模型。
可选的，所述训练故障确定模型的步骤还包括：
验证所述故障确定模型的输出结果是否正确，并对所述故障确定模型进行评估，确定所述故障确定模型的可信度；
当所述可信度高于或等于预设可信度阈值时，停止训练所述故障确定模型。
在该步骤中，可以计算故障模型输出结果的精度、召回率和F-度量值，并将F-度量值作为故障确定模型的可信度。
其中，每个文本特征j所属的类别i的精度P(i，j)、召回率R(i，j)和F-度量值F(i，j)及文本特征整体的F-度量值F的计算公式如下：
其中，TP为true positives，即正类判定为正类；FN为false negatives，即正类判定为负类；FP为false positives，即负类判定为正类；TN为true negatives，即负类判定为负类；n为相应的文本特征的数量，即ni为TP类文本特征的数量，nij为TP+FN类文本特征的数量；α为参数，可以取α＝1。
可选的，所述基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同，包括：
基于所述标注信息，对所述训练样本的文本特征进行聚类；
基于所述聚类后的文本特征，分别计算每类文本特征的过采样权重；
基于所述过采样权重，调整每类文本特征的数量至相同。
该步骤中，可以计算聚类后文本特征的错分率和过采样权重，并基于数量较少一类的文本特征的概率分布和过采样权重，对数量较少一类的文本特征进行过采样，从每一类文本特征中随机抽取训练样本数据，调整每类文本特征的数量至相同。
其中，错分率Error(Cmint)的计算公式为:
其中,lt表示数量少的一类文本特征Cmint中错误分类的样本数量，ht表示数量少的一类文本特征Cmint中所有的样本数量。
进一步的，过采样权重的计算公式为：
其中，Qmax原始故障文本中数量较多的一类文本特征中样本数量；Qmin原始故障文本中数量较少的一类文本特征中样本数量；β∈[0,1]表示过采样率。
进一步的，数量较少一类的文本特征的概率分布计算公式为：
其中，D表示数量较少一类的文本特征的概率分布，λ为参数，yt表示x的第t个数量较多一类文本特征近邻，1≤t≤l，dxyt表示数量较少一类文本特征中样本x与数量较多一类文本特征yt之间的欧氏距离，n表示数量较少一类文本特征中样本个数，l表示近邻样本个数。
本申请实施例提供的故障确定方法，获取目标装备的故障描述文本；对所述故障描述文本进行分词和去停用词处理；确定所述分词和去停用词处理后的故障描述文本的文本特征；基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
与现有技术中的故障确定方法相比，本申请实施例提供的故障确定方法，可以通过非结构化数据确定装备的故障类型，简化故障确定的过程。
请参阅图3、图4，图3为本申请实施例所提供的一种故障确定装置的结构示意图之一，图4为本申请实施例所提供的另一种故障确定装置的结构示意图之二。如图3中所示，所述故障确定装置300包括：
获取模块310，用于获取目标装备的故障描述文本；
特征确定模块320，用于基于所述故障描述文本，确定所述故障描述文本的文本特征；
故障确定模块330，用于基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
进一步的，如图4所示，所述特征确定模块320包括：
文本处理单元321，用于对所述故障描述文本进行分词和去停用词处理；
特征确定单元322，用于确定所述分词和去停用词处理后的故障描述文本的文本特征。
进一步的，所述文本处理单元321具体用于：
使用词频-逆文档频度模型确定所述处理后的故障描述文本的文本特征。
进一步的，所述故障确定装置300还包括模型训练模块340，所述模型训练模块340具体用于：
获取多个故障描述文本的训练样本，其中，所述故障描述文本的训练样本包括该训练样本中故障实际类型的标注信息；
基于所述故障描述文本的训练样本，确定所述训练样本的文本特征；
基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同；
基于调整数量后的文本特征和所述标注信息，训练所述故障确定模型。
进一步的，所述模型训练模块340还用于：
验证所述故障确定模型的输出结果是否正确，并对所述故障确定模型进行评估，确定所述故障确定模型的可信度；
当所述可信度高于或等于预设可信度阈值时，停止训练所述故障确定模型。
进一步的，所述模型训练模块340在基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同时，具体用于：
基于所述标注信息，对所述训练样本的文本特征进行聚类；
基于所述聚类后的文本特征，分别计算每类文本特征的过采样权重；
基于所述过采样权重，调整每类文本特征的数量至相同。
本申请实施例提供的故障确定装置，获取目标装备的故障描述文本；对所述故障描述文本进行分词和去停用词处理；确定所述分词和去停用词处理后的故障描述文本的文本特征；基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
与现有技术中的故障确定方法装置，本申请实施例提供的故障确定及装置，可以通过非结构化数据确定装备的故障类型，简化故障确定的过程。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1以及图2所示方法实施例中的故障确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的故障确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种故障确定方法，其特征在于，所述故障确定方法包括：
获取目标装备的故障描述文本；
基于所述故障描述文本，确定所述故障描述文本的文本特征；
基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
2.根据权利要求1所述的故障确定方法，其特征在于，所述基于所述故障描述文本，确定所述故障描述文本的文本特征，包括：
对所述故障描述文本进行分词和去停用词处理；
确定所述分词和去停用词处理后的故障描述文本的文本特征。
3.根据权利要求2所述的故障确定方法，其特征在于，所述确定所述分词和去停用词处理后的故障描述文本的文本特征，包括：
使用词频-逆文档频度模型确定所述处理后的故障描述文本的文本特征。
4.根据权利要求1所述的故障确定方法，其特征在于，所述故障确定方法还包括训练故障确定模型的步骤：
获取多个故障描述文本的训练样本，其中，所述故障描述文本的训练样本包括该训练样本中故障实际类型的标注信息；
基于所述故障描述文本的训练样本，确定所述训练样本的文本特征；
基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同；
基于调整数量后的文本特征和所述标注信息，训练所述故障确定模型。
5.根据权利要求4所述的故障确定方法，其特征在于，所述训练故障确定模型的步骤还包括：
验证所述故障确定模型的输出结果是否正确，并对所述故障确定模型进行评估，确定所述故障确定模型的可信度；
当所述可信度高于或等于预设可信度阈值时，停止训练所述故障确定模型。
6.根据权利要求4所述的故障确定方法，其特征在于，所述基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同，包括：
基于所述标注信息，对所述训练样本的文本特征进行聚类；
基于所述聚类后的文本特征，分别计算每类文本特征的过采样权重；
基于所述过采样权重，调整每类文本特征的数量至相同。
7.一种故障确定装置，其特征在于，所述故障确定包括：
获取模块，用于获取目标装备的故障描述文本；
特征确定模块，用于基于所述故障描述文本，确定所述故障描述文本的文本特征；
故障确定模块，用于基于所述文本特征和训练好的故障确定模型，确定所述目标装备的故障类型。
8.根据权利要求7所述的故障确定装置，其特征在于，所述特征确定模块包括：
文本处理单元，用于对所述故障描述文本进行分词和去停用词处理；
特征确定单元，用于确定所述分词和去停用词处理后的故障描述文本的文本特征。
9.根据权利要求7所述的故障确定装置，其特征在于，所述故障确定装置还包括模型训练模块，所述模型训练模块具体用于：
获取多个故障描述文本的训练样本，其中，所述故障描述文本的训练样本包括该训练样本中故障实际类型的标注信息；
基于所述故障描述文本的训练样本，确定所述训练样本的文本特征；
基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同；
基于调整数量后的文本特征和所述标注信息，训练所述故障确定模型。
10.根据权利要求9所述的故障确定装置，其特征在于，所述模型训练模块在基于所述标注信息，对与所述标注信息对应的训练样本的文本特征进行分类，并调整每类文本特征的数量至相同时，具体用于：
基于所述标注信息，对所述训练样本的文本特征进行聚类；
基于所述聚类后的文本特征，分别计算每类文本特征的过采样权重；
基于所述过采样权重，调整每类文本特征的数量至相同。
CN201910533413.9A 2019-06-19 2019-06-19 一种故障确定方法及装置 Pending CN110245233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910533413.9A CN110245233A (zh) 2019-06-19 2019-06-19 一种故障确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910533413.9A CN110245233A (zh) 2019-06-19 2019-06-19 一种故障确定方法及装置

Publications (1)

Publication Number Publication Date
CN110245233A true CN110245233A (zh) 2019-09-17

Family

ID=67888289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910533413.9A Pending CN110245233A (zh) 2019-06-19 2019-06-19 一种故障确定方法及装置

Country Status (1)

Country Link
CN (1) CN110245233A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429155A (zh) * 2020-03-25 2020-07-17 中国银行股份有限公司 银行卡争议处理方法及装置
CN113689111A (zh) * 2021-08-20 2021-11-23 北京百度网讯科技有限公司 故障识别模型训练方法、故障识别方法、装置和电子设备
CN113722494A (zh) * 2021-09-10 2021-11-30 中国航空工业集团公司西安飞行自动控制研究所 一种基于自然语言理解的设备故障定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679159A (zh) * 2017-09-28 2018-02-09 百度在线网络技术（北京）有限公司 故障诊断类问题答复的生成方法、装置、服务器及存储介质
CN108646725A (zh) * 2018-07-31 2018-10-12 河北工业大学 基于动态加权的双模型故障诊断方法
CN109766277A (zh) * 2019-01-02 2019-05-17 北京航空航天大学 一种基于迁移学习与dnn的软件故障诊断方法
CN109902283A (zh) * 2018-05-03 2019-06-18 华为技术有限公司 一种信息输出方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679159A (zh) * 2017-09-28 2018-02-09 百度在线网络技术（北京）有限公司 故障诊断类问题答复的生成方法、装置、服务器及存储介质
CN109902283A (zh) * 2018-05-03 2019-06-18 华为技术有限公司 一种信息输出方法及装置
CN108646725A (zh) * 2018-07-31 2018-10-12 河北工业大学 基于动态加权的双模型故障诊断方法
CN109766277A (zh) * 2019-01-02 2019-05-17 北京航空航天大学 一种基于迁移学习与dnn的软件故障诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429155A (zh) * 2020-03-25 2020-07-17 中国银行股份有限公司 银行卡争议处理方法及装置
CN113689111A (zh) * 2021-08-20 2021-11-23 北京百度网讯科技有限公司 故障识别模型训练方法、故障识别方法、装置和电子设备
CN113722494A (zh) * 2021-09-10 2021-11-30 中国航空工业集团公司西安飞行自动控制研究所 一种基于自然语言理解的设备故障定位方法

Similar Documents

Publication Publication Date Title
CN108717408B (zh) 一种敏感词实时监控方法、电子设备、存储介质及系统
US11544459B2 (en) Method and apparatus for determining feature words and server
CN107463605B (zh) 低质新闻资源的识别方法及装置、计算机设备及可读介质
KR101754473B1 (ko) 문서를 이미지 기반 컨텐츠로 요약하여 제공하는 방법 및 시스템
CN112860943A (zh) 一种教学视频审核方法、装置、设备及介质
CN112597283B (zh) 通知文本信息实体属性抽取方法、计算机设备及存储介质
CN110245233A (zh) 一种故障确定方法及装置
CN111831790A (zh) 一种基于低门限集成与文本内容匹配的虚假新闻识别方法
CN112035620B (zh) 医疗查询系统的问答管理方法、装置、设备及存储介质
Ramdhani et al. Indonesian news classification using convolutional neural network
CN110134777B (zh) 问题去重方法、装置、电子设备和计算机可读存储介质
CN109635157A (zh) 模型生成方法、视频搜索方法、装置、终端及存储介质
CN110858217A (zh) 微博敏感话题的检测方法、装置及可读存储介质
CN109697676B (zh) 基于社交群的用户分析及应用方法和装置
Lehinevych et al. Discovering similarities for content-based recommendation and browsing in multimedia collections
Tang et al. Towards discovering the effectiveness of moderately confident samples for semi-supervised learning
CN114461783A (zh) 关键词生成方法、装置、计算机设备、存储介质和产品
CN114676346A (zh) 新闻事件处理方法、装置、计算机设备和存储介质
CN114282513A (zh) 文本语义相似度的匹配方法、系统、智能终端及存储介质
CN114328800A (zh) 文本处理方法、装置、电子设备和计算机可读存储介质
CN111767404B (zh) 一种事件挖掘方法和装置
CN112800226A (zh) 用于获取文本分类模型的方法、用于文本分类的方法、装置及设备
Auer et al. Relevance feedback models for content-based image retrieval
Tuo et al. Trigger or not trigger: Dynamic thresholding for few shot event detection
CN115858780A (zh) 一种文本聚类方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190917

RJ01 Rejection of invention patent application after publication