CN112163681A - 设备故障原因确定方法、存储介质以及电子设备 - Google Patents
设备故障原因确定方法、存储介质以及电子设备 Download PDFInfo
- Publication number
- CN112163681A CN112163681A CN202011105875.XA CN202011105875A CN112163681A CN 112163681 A CN112163681 A CN 112163681A CN 202011105875 A CN202011105875 A CN 202011105875A CN 112163681 A CN112163681 A CN 112163681A
- Authority
- CN
- China
- Prior art keywords
- fault
- determining
- equipment
- keywords
- text information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims description 48
- 208000024891 symptom Diseases 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 208000037408 Device failure Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Abstract
本发明公开了一种设备故障原因确定方法、存储介质以及电子设备,涉及知识图谱技术领域,该方法包括:获取用于描述设备故障的文本信息;从文本信息中提取关键词以及确定所述关键词在文本信息中对应的词性;根据文本信息,确定提取到的关键词之间的关联关系;在预先构建的故障知识图谱中查找与该关键词、该关键词对应的词性以及该关联关系均匹配的故障描述路径;在故障知识图谱中查找与故障描述路径相关联的故障类型节点;输出故障类型节点对应的设备故障原因。本发明的有益效果是:可以充分挖掘文本信息中的字面语义和隐含语义,从而实现精准化搜索。通过利用知识图谱技术,构建具有语义理解的知识图谱,实现简单、高效、精准的故障搜索技术。
Description
技术领域
本发明属于知识图谱技术领域,尤其涉及一种设备故障原因确定方法、存储介质以及电子设备。
背景技术
家电设备发生故障后,用户一般通过拨打售后电话进行故障询问,客服需要通过与用户的语音交互进行设备故障的初步诊断,以便技术人员在上门诊断维修前进行故障解决方案的初步制定。但是在这一过程中,用户语音描述设备故障不清楚,会导致客户难以诊断出设备的故障原因。同时,客服工作人员对技术不了解,难以引导用户正确描述故障,导致无法正确诊断设备故障原因。
发明内容
本发明正是基于现有的设备故障诊断方法需要具备专业知识才能正确诊断出设备故障原因的技术问题,提出了一种设备故障原因确定方法、存储介质以及电子设备。
第一方面,本发明实施例提供了一种设备故障原因确定方法,包括:
获取用于描述设备故障的文本信息;
从所述文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词在所述文本信息中对应的词性;
根据所述文本信息,确定提取到的关键词之间的关联关系;
基于所述关键词、所述关键词对应的词性以及提取到的关键词之间的关联关系,在预先构建的故障知识图谱中查找与该关键词、该关键词对应的词性以及该关联关系均匹配的故障描述路径;
在所述故障知识图谱中查找与所述故障描述路径相关联的故障类型节点;
输出所述故障类型节点对应的设备故障原因。
可选地,通过以下步骤预先构建所述故障知识图谱,包括:
获取包括多个故障描述文本的数据集;其中,每个所述故障描述文本包括设备故障症状以及对应的设备故障原因;
基于所述数据集,构建所述故障知识图谱。
可选地,所述基于所述数据集,构建所述故障知识图谱,包括:
针对每个故障描述文本,从所述故障描述文本中提取用于表示设备故障症状的关键词以及确定所述关键词在所述故障描述文本中的词性;以及
对所述故障描述文本进行句法分析,以确定所述故障描述文本的句法类型;
针对提取到的每个关键词,根据预设的编码规则,将所述关键词以及所述关键词在所述故障描述文本中的词性编码为词向量;
针对每个确定到的句法类型,根据预设的编码规则,将所述句法类型编码为句向量;
将所述词向量作为待构建的知识图谱的实体节点,将所述句向量作为对应的实体节点的关联关系,以及将表示设备故障原因的故障类型节点关联至对应的实体节点中,从而构建所述故障知识图谱。
可选地,所述故障知识图谱还包括与所述故障类型节点相关联的表示故障解决方案的维修节点;
所述方法还包括:
在所述故障知识图谱中查找与所述故障类型节点相关联的维修节点;
输出所述维修节点对应的故障解决方案。
可选地,所述方法还包括:
当根据查找到的故障描述路径无法查找到唯一的故障类型节点时,输出所有查找到的故障描述路径,以指示设备故障查询者筛选出正确的故障描述路径。
可选地,从所述文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词对应的词性,包括:
对所述文本信息进行分词处理,从分词结果中提取用于反映设备故障症状的关键词;以及
利用词性字典确定提取到的关键词对应的词性。
可选地,所述根据所述文本信息,确定提取到的关键词之间的关联关系,包括:
对所述文本信息进行句法分析,确定所述文本信息对应的句法类型,并将所述句法类型确定为提取到的关键词之间的关联关系。
可选地,获取用于描述设备故障的文本信息,包括:
获取用于描述设备故障的语音信息;
将所述语音信息转换为所述文本信息。
第二方面,本发明实施例提供了一种存储介质,所述存储介质上存储有程序代码,所述程序代码被处理器执行时,实现如上述实施例中任一项所述的设备故障原因确定方法。
第三方面,本发明实施例提供了一种电子设备,所述电子设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现如上述实施例中任一项所述的设备故障原因确定方法。
在本发明实施例提供的一种设备故障原因确定方法、存储介质以及电子设备,通过从文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词在所述文本信息中对应的词性,以及根据文本信息,确定提取到的关键词之间的关联关系,从而在预先构建的故障知识图谱中查找与该关键词、该关键词对应的词性以及该关联关系均匹配的故障描述路径,并查找与所述故障描述路径相关联的故障类型节点,获得设备故障原因。可见,本发明实施例提供的设备故障原因确定方法,对描述故障的文本信息进行词语以及整个文本的语义理解,可以充分挖掘文本信息中的字面语义和隐含语义,从而实现精准化搜索,得到精准的故障诊断结果。通过利用知识图谱技术,构建具有语义理解的知识图谱,实现简单、高效、精准的故障搜索技术。
附图说明
通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是:
图1示出了本发明实施例一提出的一种设备故障原因确定方法的流程示意图;
图2示出了句法树的示意图;
图3示出了本发明实施例提出的故障知识图谱的节点连接示意图;
图4示出了本发明实施例提出的故障知识图谱的示意图;
图5示出了本发明实施例二提出的一种设备故障原因确定方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将结合附图及实施例来详细说明本发明的实施方法,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
根据本发明的实施例,提供了一种设备故障原因确定方法,图1示出了本发明实施例一提出的一种设备故障原因确定方法的流程示意图,如图1所示,该设备故障原因确定方法可以包括:步骤110至步骤160。
在步骤110中,获取用于描述设备故障的文本信息。
这里,文本信息是可以指用于描述设备故障文字信息,如用户通过向智能客服发生“空调内机运行时产生噪音”的文字信息。
在一个可选的实施方式中,步骤110中,获取用于描述设备故障的文本信息,包括:
步骤111,获取用于描述设备故障的语音信息;
步骤112,将所述语音信息转换为所述文本信息。
这里,用户可以通过拨打客服电话接入人工智能客服,人工智能客服通过接收用户描述设备故障的语音信息,并将语音信息转换为文本信息,从而获得用于描述设备故障的文本信息。
在步骤120中,从所述文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词在所述文本信息中对应的词性。
这里,关键词指的是能够反映设备故障症状的词语,例如,“我的空调内机发生噪音”的文本信息中,关键词为“空调”、“内机”以及“噪音”。而关键词“空调”、“内机”以及“噪音”对应的词性分别是名词、名词以及名词。
在一个可选的实施方式中,步骤120中,从所述文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词对应的词性,包括:
步骤121,对所述文本信息进行分词处理,从分词结果中提取用于反映设备故障症状的关键词;
步骤122,利用词性字典确定提取到的关键词对应的词性。
这里,步骤121中,可以对文本信息进行预处理,预处理包括去除无意义词、对文本信息进行分词,形成词语列表,然后通过实体字典、BiLSTM-CRF神经网络或隐马尔科夫模型去提取用于反映设备故障症状的关键词。同时,利用词性字典确定提取到的关键词对应的词性。其中,该词性字典包括不同的词语以及对应的词性。
在步骤130中,根据所述文本信息,确定提取到的关键词之间的关联关系。
这里,关键词之间的关联关系指的是在该文本信息中词语之间的依存关系。例如,“空调内机产生噪音”,则关键词“空调”、“内机”以及“噪音”之间存在一定的关联关系。
在一个可选的实施方式中,步骤130中,根据所述文本信息,确定提取到的关键词之间的关联关系,包括:
对所述文本信息进行句法分析,确定所述文本信息对应的句法类型,并将所述句法类型确定为提取到的关键词之间的关联关系。
这里,句法分析的目的是确定文本信息的句子的语法结构或句子中词汇之间的依存关系,句法分析可以采用基于规则的分析方法或采用基于统计的分析方法。其中,可以通过基于规则和RvNN网络相结合的方式,从故障描述文本中提取句法树,从而根据句法树确定所述故障描述文本的句法类型。
其中,图2示出了句法树的示意图,如图2所示,对“我永远十八岁”进行句法树提取,可以得到图2所示的句法树,其中,NP是名词短语、VP是动词短语。在句法树提取分钟,可能会得到多个句法树,因此可以将句法树中的所有概率相乘得到每棵句法树的整体概率,然后选择概率最大的句法树作为最佳的句法结构。
在步骤140中,基于所述关键词、所述关键词对应的词性以及提取到的关键词之间的关联关系,在预先构建的故障知识图谱中查找与该关键词、该关键词对应的词性以及该关联关系均匹配的故障描述路径。
在一个可选的实施方式中,通过以下步骤预先构建所述故障知识图谱,包括:
步骤101,获取包括多个故障描述文本的数据集;其中,每个所述故障描述文本包括设备故障症状以及对应的设备故障原因;
步骤102,基于所述数据集,构建所述故障知识图谱。
这里,数据集可以包括大规模的文本数据集,该文本数据集可以是收集用户日常描述设备故障的常用语言形成的,通过将该数据集结构化为知识图谱,得到故障知识图谱。
在一个可选的实施方式中,步骤102中,基于所述数据集,构建所述故障知识图谱,包括:步骤1021至步骤1025。
在步骤1021中,针对每个故障描述文本,从所述故障描述文本中提取用于表示设备故障症状的关键词以及确定所述关键词在所述故障描述文本中的词性。
这里,针对数据集中的每个故障描述文本,都从所述故障描述文本中提取用于表示设备故障症状的关键词以及确定所述关键词在所述故障描述文本中的词性。其中,可以通过训练好的用于故障症状关键词提取的隐马尔科夫模型提取从故障描述文本中提取关键词,关键词的词性则可以通过词性字典进行确定。
在步骤1022中,对所述故障描述文本进行句法分析,以确定所述故障描述文本的句法类型。
这里,句法分析的目的是确定文本信息的句子的语法结构或句子中词汇之间的依存关系,句法分析可以采用基于规则的分析方法或采用基于统计的分析方法。其中,句法分析的具体过程已在上述实施方式中进行了详细说明,在此不再赘述。
在步骤1023中,针对提取到的每个关键词,根据预设的编码规则,将所述关键词以及所述关键词在所述故障描述文本中的词性编码为词向量。
这里,通过预设的编码规则来对所述关键词以及所述关键词在所述故障描述文本中的词性进行向量编码,得到对应的词向量。其中,预设的编码规则可以是预先建立的句子编码库,该句子编码库中每个不同的词语、句法向量分别对应一个向量编码。该句子编码库用于将词语与句法进行结合,为后续查询请求的文本编码提供基准。例如,词向量为100维的向量,其中,前50维可以是表示关键词的词性的向量,后50维可以是表示关键词的文字向量。
在步骤1024中,针对每个句法类型,根据预设的编码规则,将所述句法类型编码为句向量。
在步骤1025中,将所述词向量作为待构建的知识图谱的实体节点,将所述句向量作为对应的实体节点的关联关系,以及将表示设备故障原因的故障类型节点关联至对应的实体节点中,从而构建所述故障知识图谱。
这里,在编码后,将词语级的词向量转化为知识图谱中的实体节点,将句子级的句向量转化为知识图谱中实体节点间的关系,从而构建一个具有语义理解能力的知识图谱。
图3示出了本发明实施例提出的故障知识图谱的节点连接示意图,如图3所、示,故障知识图谱中的节点可以包括“词1”、“词2”、“词3”、“词4”、“词5”、“词6”。其中,节点“词1”为关键词1及其词性形成的向量编码,节点“词4”为关键词4及其词性形成的向量编码,节点“词1”与“词4”之间的关联关系为句向量“(x1,v)”。
图4示出了本发明实施例提出的故障知识图谱的示意图,如图4所示,“空调”作为故障知识图谱的设备名称节点,空调的“内机”、“外机”作为空调的子节点,“噪音”、“不运行”作为分别描述“内机”和“外机”的故障症状的节点,“可控硅坏”、“通信故障”分别作为“噪音”和“不运行”的设备故障症状对应的故障类型节点。
这里,步骤140中,在进行故障描述路径查找前,先按照预设的编码规则将关键词以及关键词对应的词性编码为一个词向量,以及将提取到的关键词之间的关联关系编码为一个句向量。然后,基于编码好的词向量以及句向量在故障知识图谱中进行故障描述路径查找。例如,获取到的文本信息为“我的空调在运行时内机出现噪音”时,通过提取关键词、确定关键词的词性以及句法分析,得到的关键词为空调、内机、噪音,则在图4的故障知识图谱中查询到的故障描述路径为“空调---内机---噪音”。
在步骤150中,在所述故障知识图谱中查找与所述故障描述路径相关联的故障类型节点。
这里,在得到故障描述路径之后,再在该故障知识图谱中查询与所述故障描述路径相关联的故障类型节点。其中,故障类型节点表示该故障描述路径的故障类型。如在图4所示的故障知识图谱中的故障描述路径“空调---内机---噪音”对应的故障类型节点为“可控硅坏”。则根据“我的空调在运行时内机出现噪音”的信息,可以确定用户的空调发生了“可控硅坏”的故障。
在步骤160中,输出所述故障类型节点对应的设备故障原因。
这里,在确定故障原因之后,可以通过语音输出所述故障类型节点对应的设备故障原因。例如,获取到空调发生了“可控硅坏”的故障原因之后,通过向用户发送“您的空调内机发生可控硅损坏”的语音信息。当然,也可以通过显示界面向用户显示“您的空调内机发生可控硅损坏”的文字信息。
在一个可选的实施方式中,所述故障知识图谱还包括与所述故障类型节点相关联的表示故障解决方案的维修节点;
所述方法还包括:
在所述故障知识图谱中查找与所述故障类型节点相关联的维修节点;
输出所述维修节点对应的故障解决方案。
这里,如图4所示,在故障知识图谱中还包括表示故障解决方案的维修节点,其中,该维修节点作为故障类型节点的子节点。在输出故障类型节点对应的设备故障原因的同时,也可以输出与该故障类型节点相关联的维修节点对应的故障解决方案,从而给用户通过相应的设备维修方案。例如,确定用户的空调发生了“可控硅坏”的故障时,该“可控硅坏”的故障类型节点与“换主控板”的维修节点相关联,从而可以输出“换主控板”的故障解决方案。
在一个可选的实施方式中,所述方法还包括:
当根据查找到的故障描述路径无法查找到唯一的故障类型节点时,输出所有查找到的故障描述路径,以指示设备故障查询者筛选出正确的故障描述路径。
这里,用户在描述设备故障症状时可能出现表达不清晰的情况,如用户输入的文本信息为“空调发生噪音”,如空调的内机与外机节点同时存在噪音这一子节点,则无法判断是空调的内机还是外机出现故障。因此,得到的故障描述路径包括“空调---内机---噪音”以及“空调---外机---噪音”,而不同的故障描述路径对应的故障类型节点也可能不同,假设“空调---内机---噪音”的故障描述路径对应的故障类型节点。
实施例二
在上述实施例的基础上,本发明的实施例二还可以提供一种设备故障原因确定方法。图5示出了本发明实施例二提出的一种设备故障原因确定方法的流程示意图,如图5所示,该设备故障原因确定方法可以包括两个部分。
第一部分为构建故障知识图谱,具体过程如下:
获取包含多个故障描述文本的数据集,该数据集可以包含大规模通用文本数据集。
对故障描述文本进行预处理;其中,预处理分为两个层级,包括词语层级的处理和句子级的处理。
其中,词语层级的处理主要针对故障描述文本中的词语的处理,具体是对故障描述文本进行分词,得到分词结果,并从分词结果中确定提取用于表示设备故障症状的关键词,以及提取关键词在所述故障描述文本中的词性。在得到关键词和词性之后,通过预设的编码规则,将关键词以及关键词在故障描述文本中的词性进行向量编码,得到词向量。例如,关键词对应的实体节点为100维的向量,其中,前50维可以是表示词性的向量,后50维可以是表示关键词的文字向量。
句子级的处理主要是针对文本整体进行处理,提取故障描述文本对应的句法类型,从而对整句故障描述文本进行语义理解。在提取到句法之后,根据预设的编码规则,对所述句法类型进行向量编码,得到对应的句向量。
值得说明的是,预设的编码规则可以是预先建立的句子编码库,该句子编码库中每个不同的词语、句法向量分别对应一个向量编码。该句子编码库用于将词语与句法进行结合,为后续查询请求的文本编码提供基准。
然后,将词语层级的词向量转化为知识图谱中的实体节点,将句子层级的向量编码转化为知识图谱中实体节点间的关系,得到故障知识图谱。其中,该故障知识图谱如图4所示。
第二部分为设备故障诊断部分,具体过程如下:
获取用于描述设备故障的语音信息;
将所述语音信息转换为文本信息;
对所述文本信息进行文本处理;其中,文本处理分为两个层级,包括词语层级的处理和句子级的处理。词语层级的处理具体包括进行分词处理,提取出用于反映设备故障症状的关键词以及确定关键词的词性以及提取到的句法类型。句子级的处理则是提取文本的句法结构,从而确定文本的句法类型。
按照预设的编码规则对关键词以及关键词对应的词性进行向量编码,得到对应的实体向量编码,即词向量。以及对提取到的关键词之间的关联关系(即句法类型)进行向量编码,得到对应的关系向量编码,即句向量。
知识图谱查询;利用实体向量编码以及关系向量编码在故障知识图谱中进行搜索,获得故障描述路径,然后在所述故障知识图谱中查找与所述故障描述路径相关联的故障类型节点,从而获得所述故障类型节点对应的设备故障原因以及与所述故障类型节点相关联的维修节点对应的故障解决方案,实现设备故障的智能化检修。
实施例三
根据本发明的实施例,还提供了一种存储介质,所述存储介质上存储有程序代码,所述程序代码被处理器执行时,实现如上述实施例任一项所述的设备故障原因确定方法。
实施例四
根据本发明的实施例,还提供了一种电子设备,所述电子设备包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现如上述实施例任一项所述的设备故障原因确定方法。
以上结合附图详细说明了本发明的技术方案,考虑到相关技术中,现有的设备故障诊断方法需要具备专业知识才能正确诊断出设备故障原因。本发明提供一种设备故障原因确定方法、存储介质以及电子设备,通过从文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词在所述文本信息中对应的词性,以及根据文本信息,确定提取到的关键词之间的关联关系,从而在预先构建的故障知识图谱中查找与该关键词、该关键词对应的词性以及该关联关系均匹配的故障描述路径,并查找与所述故障描述路径相关联的故障类型节点,获得设备故障原因。通过对描述故障的文本信息进行词语以及整个文本的语义理解,可以充分挖掘文本信息中的字面语义和隐含语义,从而实现精准化搜索,得到精准的故障诊断结果。通过利用知识图谱技术,构建具有语义理解的知识图谱,实现简单、高效、精准的故障搜索技术。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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,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。
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发明实施例方案的目的。
另外,在本发明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,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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电子设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种设备故障原因确定方法,其特征在于,包括:
获取用于描述设备故障的文本信息;
从所述文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词在所述文本信息中对应的词性;
根据所述文本信息,确定提取到的关键词之间的关联关系;
基于所述关键词、所述关键词对应的词性以及提取到的关键词之间的关联关系,在预先构建的故障知识图谱中查找与该关键词、该关键词对应的词性以及该关联关系均匹配的故障描述路径;
在所述故障知识图谱中查找与所述故障描述路径相关联的故障类型节点;
输出所述故障类型节点对应的设备故障原因。
2.根据权利要求1所述的设备故障原因确定方法,其特征在于,通过以下步骤预先构建所述故障知识图谱,包括:
获取包括多个故障描述文本的数据集;其中,每个所述故障描述文本包括设备故障症状以及对应的设备故障原因;
基于所述数据集,构建所述故障知识图谱。
3.根据权利要求2所述的设备故障原因确定方法,其特征在于,所述基于所述数据集,构建所述故障知识图谱,包括:
针对每个故障描述文本,从所述故障描述文本中提取用于表示设备故障症状的关键词以及确定所述关键词在所述故障描述文本中的词性;以及
对所述故障描述文本进行句法分析,以确定所述故障描述文本的句法类型;
针对提取到的每个关键词,根据预设的编码规则,将所述关键词以及所述关键词在所述故障描述文本中的词性编码为词向量;
针对每个确定到的句法类型,根据预设的编码规则,将所述句法类型编码为句向量;
将所述词向量作为待构建的知识图谱的实体节点,将所述句向量作为对应的实体节点的关联关系,以及将表示设备故障原因的故障类型节点关联至对应的实体节点中,从而构建所述故障知识图谱。
4.根据权利要求1所述的设备故障原因确定方法,其特征在于,所述故障知识图谱还包括与所述故障类型节点相关联的表示故障解决方案的维修节点;
所述方法还包括:
在所述故障知识图谱中查找与所述故障类型节点相关联的维修节点;
输出所述维修节点对应的故障解决方案。
5.根据权利要求1所述的设备故障原因确定方法,其特征在于,所述方法还包括:
当根据查找到的故障描述路径无法查找到唯一的故障类型节点时,输出所有查找到的故障描述路径,以指示设备故障查询者筛选出正确的故障描述路径。
6.根据权利要求1所述的设备故障原因确定方法,其特征在于,从所述文本信息中提取用于反映设备故障症状的关键词以及确定所述关键词对应的词性,包括:
对所述文本信息进行分词处理,从分词结果中提取用于反映设备故障症状的关键词;以及
利用词性字典确定提取到的关键词对应的词性。
7.根据权利要求1所述的设备故障原因确定方法,其特征在于,所述根据所述文本信息,确定提取到的关键词之间的关联关系,包括:
对所述文本信息进行句法分析,确定所述文本信息对应的句法类型,并将所述句法类型确定为提取到的关键词之间的关联关系。
8.根据权利要求1所述的设备故障原因确定方法,其特征在于,获取用于描述设备故障的文本信息,包括:
获取用于描述设备故障的语音信息;
将所述语音信息转换为所述文本信息。
9.一种存储介质,其特征在于,所述存储介质上存储有程序代码,所述程序代码被处理器执行时,实现如权利要求1至8中任一项所述的设备故障原因确定方法。
10.一种电子设备,其特征在于,所述电子设备包括存储器、处理器,所述存储器存储有可在所述处理器上运行的程序代码,所述程序代码被所述处理器执行时,实现如权利要求1至8任一项所述的设备故障原因确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011105875.XA CN112163681A (zh) | 2020-10-15 | 2020-10-15 | 设备故障原因确定方法、存储介质以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011105875.XA CN112163681A (zh) | 2020-10-15 | 2020-10-15 | 设备故障原因确定方法、存储介质以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163681A true CN112163681A (zh) | 2021-01-01 |
Family
ID=73867233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011105875.XA Pending CN112163681A (zh) | 2020-10-15 | 2020-10-15 | 设备故障原因确定方法、存储介质以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163681A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064999A (zh) * | 2021-03-19 | 2021-07-02 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于it设备运维的知识图谱构建算法、系统、设备及介质 |
CN113486151A (zh) * | 2021-07-13 | 2021-10-08 | 盛景智能科技(嘉兴)有限公司 | 故障维修知识点查询方法、装置、电子设备和存储介质 |
CN113901763A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 一种表格描述文本生成方法、装置、设备及存储介质 |
CN114358288A (zh) * | 2022-02-25 | 2022-04-15 | 北京百度网讯科技有限公司 | 生成知识图谱的方法、信息推荐方法、装置及电子设备 |
CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
WO2022267865A1 (zh) * | 2021-06-24 | 2022-12-29 | 中兴通讯股份有限公司 | 工作流创建方法、系统、电子设备和计算机可读存储介质 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN117252351A (zh) * | 2023-11-20 | 2023-12-19 | 上海熠源数据科技有限公司 | 基于ai大模型的生产质量辅助决策方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101583A (zh) * | 2018-07-23 | 2018-12-28 | 上海斐讯数据通信技术有限公司 | 一种针对非结构化文本的知识图谱构建方法及系统 |
CN111435366A (zh) * | 2019-01-14 | 2020-07-21 | 阿里巴巴集团控股有限公司 | 设备故障诊断方法、装置和电子设备 |
-
2020
- 2020-10-15 CN CN202011105875.XA patent/CN112163681A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101583A (zh) * | 2018-07-23 | 2018-12-28 | 上海斐讯数据通信技术有限公司 | 一种针对非结构化文本的知识图谱构建方法及系统 |
CN111435366A (zh) * | 2019-01-14 | 2020-07-21 | 阿里巴巴集团控股有限公司 | 设备故障诊断方法、装置和电子设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064999A (zh) * | 2021-03-19 | 2021-07-02 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于it设备运维的知识图谱构建算法、系统、设备及介质 |
CN113064999B (zh) * | 2021-03-19 | 2023-12-15 | 南方电网调峰调频发电有限公司信息通信分公司 | 基于it设备运维的知识图谱构建算法、系统、设备及介质 |
WO2022267865A1 (zh) * | 2021-06-24 | 2022-12-29 | 中兴通讯股份有限公司 | 工作流创建方法、系统、电子设备和计算机可读存储介质 |
CN113486151A (zh) * | 2021-07-13 | 2021-10-08 | 盛景智能科技(嘉兴)有限公司 | 故障维修知识点查询方法、装置、电子设备和存储介质 |
CN113901763A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 一种表格描述文本生成方法、装置、设备及存储介质 |
CN114358288A (zh) * | 2022-02-25 | 2022-04-15 | 北京百度网讯科技有限公司 | 生成知识图谱的方法、信息推荐方法、装置及电子设备 |
CN115184807A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池的故障检测方法、装置、设备、介质和产品 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN116893924B (zh) * | 2023-09-11 | 2023-12-01 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN117252351A (zh) * | 2023-11-20 | 2023-12-19 | 上海熠源数据科技有限公司 | 基于ai大模型的生产质量辅助决策方法及系统 |
CN117252351B (zh) * | 2023-11-20 | 2024-02-02 | 上海熠源数据科技有限公司 | 基于ai大模型的生产质量辅助决策方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163681A (zh) | 设备故障原因确定方法、存储介质以及电子设备 | |
US9390087B1 (en) | System and method for response generation using linguistic information | |
US7035789B2 (en) | Supervised automatic text generation based on word classes for language modeling | |
JP4945086B2 (ja) | 論理形式のための統計的言語モデル | |
US7957968B2 (en) | Automatic grammar generation using distributedly collected knowledge | |
US20100057463A1 (en) | System and Method for Generating Natural Language Phrases From User Utterances in Dialog Systems | |
US20060277028A1 (en) | Training a statistical parser on noisy data by filtering | |
JP2012520528A (ja) | 自然言語テキストの自動的意味ラベリングのためのシステム及び方法 | |
CN106570180A (zh) | 基于人工智能的语音搜索方法及装置 | |
Chang et al. | GPSM: A generalized probabilistic semantic model for ambiguity resolution | |
Mariani et al. | Semantic matching of gui events for test reuse: are we there yet? | |
CN113255295B (zh) | 一种自然语言到pptl形式化规约自动生成方法及系统 | |
CN112200664A (zh) | 基于ernie模型和dcnn模型的还款预测方法 | |
CN111190873B (zh) | 一种用于云原生系统日志训练的日志模式提取方法及系统 | |
Yu et al. | Unsupervised slot schema induction for task-oriented dialog | |
CN114580383A (zh) | 日志分析模型训练方法、装置、电子设备以及存储介质 | |
CN111651528A (zh) | 基于生成式对抗网络的开放式实体关系抽取方法 | |
Lhioui et al. | A combined method based on stochastic and linguistic paradigm for the understanding of arabic spontaneous utterances | |
CN115115432B (zh) | 基于人工智能的产品信息推荐方法及装置 | |
CN114091464B (zh) | 一种融合五维特征的高普适性多对多关系三元组抽取方法 | |
CN114970516A (zh) | 数据增强方法及装置、存储介质、电子设备 | |
Huang et al. | Language understanding component for Chinese dialogue system. | |
CN108877781B (zh) | 一种智能语音搜索影片的方法及系统 | |
Jebbor et al. | Overview of knowledge extraction techniques in five question-answering systems | |
Xu et al. | Dense Retrieval as Indirect Supervision for Large-space Decision Making |
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 |