CN112541600A - 一种基于知识图谱的辅助维修决策方法 - Google Patents

一种基于知识图谱的辅助维修决策方法 Download PDF

Info

Publication number
CN112541600A
CN112541600A CN202011430252.XA CN202011430252A CN112541600A CN 112541600 A CN112541600 A CN 112541600A CN 202011430252 A CN202011430252 A CN 202011430252A CN 112541600 A CN112541600 A CN 112541600A
Authority
CN
China
Prior art keywords
entity
equipment
neural network
relation
knowledge
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
CN202011430252.XA
Other languages
English (en)
Inventor
杜建飞
司春宁
陈成
王克斌
沈峰
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.)
Shanghai Seari Intelligent System Co Ltd
Original Assignee
Shanghai Seari Intelligent System Co Ltd
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 Shanghai Seari Intelligent System Co Ltd filed Critical Shanghai Seari Intelligent System Co Ltd
Priority to CN202011430252.XA priority Critical patent/CN112541600A/zh
Publication of CN112541600A publication Critical patent/CN112541600A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱的辅助维修决策方法，包括实体关系抽取、知识图谱构建、循环神经网络训练，使用结构化数据实体、关系构建特征向量，使用循环神经网络序列标注，根据标注结果完成知识单元关系识别，将具有不同标识实体单代表同一对象的实体归并为具有全局唯一标识的实体对象添加到知识图谱中，通过使用循环神经网络自动提取设备特征，将故障信息映射到同一个向量空间，使用相似度计算，计算故障相似度并得到故障处理方案推荐。提出了适用设备维护领域的特征的知识图谱方案，保证抽取出的知识单元和单元关系准确性和全面性。

Description

一种基于知识图谱的辅助维修决策方法
技术领域
本发明涉及一种基于知识图谱的辅助维修决策方法，尤其是一种用于轨道交通综合监控系统的基于知识图谱的辅助维修决策方法。
背景技术
随着轨道交通行业的发展,新线路不断并网与运行,大量城市轨道交通设备及其控制装置的接入,暴露了以传统方式对轨道交通设备维护维修的调度、调控、控制等方面存在诸多问题。传统方式由于维护设备种类众多、数量庞大、故障内容多样化,维保人员现场排查故障设备效率不高,设备故障处理不及时。如单个设备重复上报故障,问题多次排查影响工效。
地铁设备的传统维修模式暴露出问题处理不及时、维修方式不合理等缺陷,故障设备的响应不够及时,维修方式过于单一。预防维修、状态维修等方式也受到传统方式的局限,从而不能很好的应用,一线维修人员依靠经验以及行业规程指定的维修决策进行维修,前者过于武断,过于依靠个人,后者则不够灵活,采用设备管理系统和维修支持决策系统的方式少之又少。
发明内容
本发明要解决的技术问题是：地铁设备的传统维修模式依赖经验或行业规程指定导致维修方式不合理的问题。
为了解决上述问题，本发明的技术方案是提供了一种基于知识图谱的辅助维修决策方法，其特征在于，包括如下步骤：
步骤1:采集设备结构化数据及非结构化数据，根据地铁设备维护知识,构建地铁设备领域的专业词典,用于对专业术语添加特殊词性以及词性标注；对采集到的设备数据使用HanLP自然语言处理工具进行分词处理,将设备结构化数据及非结构化数据转为单词/词性序列。
步骤2:将采集到的设备数据中的结构化数据及非结构化数据抽取分成知识抽取实体及关系抽取两步进行，训练适用于设备维护的神经网络；通过对实体的构造得到实体特征向量,根据序列标注的结果对训练集进行标注,得到一个可以对非结构化数据分词得到的词进行标注的循环神经网络,根据标注结果完成知识单元关系识别；将具有不同标识实体单代表同一对象的实体归并为具有全局唯一标识的实体对象添加到知识图谱中，以有明确尾实体的头实体作为神经网络的输入,根据尾实体输出结果进行权重调整,对重要的实体进行加权操作；将结构化数据通过D2R转换建立设备维护数据实体-关系-实体三元组,抽取为相应的实体关系。过滤重复的实体关系,直到未出现重复实体关系,将抽取到的无重复的实体关系存入NEO4J图数据库；
步骤3:将循环神经网络自动提取的设备特征及故障信息映射到同一个向量空间,使用相似度得分计算,得到相似度得分排行，完成处理方案推荐。
步骤4:设计轨道交通设备故障诊断与辅助决策系统,用于设备故障诊断及故障辅助决策，包括设备故障内容录入、设备信息明细、故障维修决策返回、故障填报、设备定位、故障处理推荐。
优选地，所述步骤2非结构化数据抽取包括抽取文本中原子信息元素，具体为定义一套种子模板,定义两个实体为X1、X2,关系为Y,则实体关系为(X1,Y,X2),实体Xn+1、Xn+2,关系为Yn,则实体关系为(Xn+1,Yn,Xn+2)；将实体Xn+1、关系Yn、实体Xn+2中的关系Yn添加为触发词,根据触发词分别找出关系Yn在专业词典中添加的实体的参与方Xn+1,Xn+2；
通过完成触发词的关系抽取,构建RDF格式的实体与关系的数据集；提取数据中所有候选实体,构建包含候选实体A、关系、候选实体B的三元组关系。
优选地，所述步骤2中训练设备神经网络包括：分词后根据词性标注为A、B、C,标注完成构成训练数据集,采用训练数据集对神经网络模型进行训练,以两个实体词向量和其分别在句子窗口中的词向量连接起来作为神经网络模型的输入,以这两个实体关系中的一位有效编码标识向量作为神经网络模型的输出,判断神经网络模型输出数据的正确率,预期效果为正确率大于预设阈值,未达到预期效果时,进行权重调整，将训练好的神经网络模型保存为可用模型。
优选地，所述权重调整包括计算当前神经网络模型的输出，然后根据输出与预期之前的差值,采用多次多样本的迭代算法，具体在所有样本输入后,计算网络的总误差,根据总误差计算各层误差信号,反方向改变前面各层的权值,再次采用迭代算法,将多样本输入,计算网络总误差,验证权值是否达到预期,重复此步骤直至网络收敛稳定,达到预期效果。
优选地，所述步骤3中相似度计算的过程为:令数据库中实体组的符号为β,关系为R,则RDF三元组的形式为β＝(A，R，B),A∈β位于头实体,R∈β表示A与B的关系,B∈β位于尾实体，将数据集中每个实体对(A,B)定义一个潜在的关系向量RAB来表示实体向量A到实体向量B之间的关联,具体形式为RAB＝B-A；则三元组(A，R，B)可以定义成:((A,R,B),θR,θE)，其中θR为模型关系参数,θE为模型实体参数；
将上述模型用于链路预测,将其中的θE、θR对应实体中所有关系嵌入,将(A,R,B)作为预测模型的输入,相似的,对于所有关系RAB中不同的头实体、尾实体允许不对称建模,依此嵌入评分函数可以方便的交叉验证,来进行预测实体之间的联系或者多边关系，构建用于接收实体对,并将实体对在知识图谱中相似度计算的神经网络。
优选地，所述轨道交通设备故障诊断与辅助决策系统设计成WEB页面，包含查询功能、检索具体设备的设备信息、设备维修历史、设备厂商信息，能够输入并识别用户输入语句，根据用户输入语句分词处理并得到设备名、故障名、车站名、位置名、故障内容信息,通过相似度计算,按照相似度排行返回故障处理方案的推荐。
与现有技术相比，本发明的有益效果是：
本发明使用结构化数据实体、关系构建特征向量，使用循环神经网络序列标注，根据标注结果完成知识单元关系识别，将具有不同标识实体单代表同一对象的实体归并为具有全局唯一标识的实体对象添加到知识图谱中。通过使用循环神经网络自动提取设备特征,将故障信息映射到同一个向量空间,使用相似度计算,计算故障相似度并得到故障处理方案推荐。
本发明使用的迭代算法为多次多样本的迭代算法,单次单样本训练遵循的是只顾眼前样本数据产生的误差而进行的权重调整,后果是当训练数据很多时,计算量就会急剧增加,导致收敛速度过慢,样本数据的单一导致数据误差的问题。
本发明包含故障维修查询功能,可以检索具体设备的设备信息、设备维修历史、设备厂商信息。可以识别输入语句中的故障内容,查找同类故障处理,给维护人员提供具有价值的参考信息。
本发明垂直于设备维护领域,提出适用设备维护领域的特征的知识图谱方案,保证抽取出的知识单元和单元关系准确性和全面性。
附图说明
图1为本发明实施例中构建的知识图谱关系图；
图2为神经网络模型训练流程图。
具体实施方式
为使本发明更明显易懂，兹以优选实施例，并配合附图作详细说明如下。
如图1所示，本发明一种基于知识图谱的辅助维修决策方法包括知识抽取、知识图谱构建、循环神经网络训练。
知识抽取是指从非结构化或半结构化文本数据中抽取出各个实体之间的关系。本实施例中具体是指从设备领域的描述文本中抽取出设备类型、设备信息、设备故障历史、设备维修记录之间的对应关系。从文本中识别具有特定类别的实体，具体指设备名、故障名、车站名、地点名等。命名实体识别在深度学习领域通常使用序列标注的方法实现。序列标注是指对序列中每个符号赋予一个特定的标签。实体识别的序列标注则对每个词给出一个特定的标签来表明该词是某个实体的开始词，结束词或中间词，或者表明该词单独是一个实体，或者表明该词不是任何实体中的词。实体识别和关系抽取包括从结构化、半结构化文本中获取
知识图谱(KnowledgeGraph)构建的本质是构建一种语义网络，由节点和节点之间的关系组成。在本发明中是一种知识管理与服务模式，能够将设备类型、设备档案、维修记录等零散的知识相互连接，建立关系，并组成语义网络。本发明将知识图谱专注、具体、深度应用在设备维护信息检索、辅助维修决策的智能系统中，仅针对设备辅助决策领域，实体、概念及关系限定于该领域，保证了对该领域信息的完全收录与及时更新，保证了实体、概念的细致及关系的深入。
循环神经网络(RNN)本质指含多隐层及多层感知器的一种结构，神经网络的构建是一个点-线-面的构造过程。本发明中所训练的神经网络，数据集为结构化数据，得到用于关系分类的模型，对于数据集中任意两个实体词向量和其分别在句子窗口中的词向量连接起来作为神经网络输入，以这两个实体关系中的一位有效编码标识向量作为神经网络输出。
下面以本发明在轨道交通综合监控系统中的应用为例进行介绍，具体包括如下步骤：
步骤1、采集线路名、车站名、位置名、设备类、设备名、设备档案、故障记录、维修记录、维护记录等结构化数据及非结构化数据，根据地铁设备维护知识，构建地铁设备领域的专业词典,主要用于对专业术语添加特殊词性以及词性标注，对采集到的数据使用HanLP自然语言处理工具进行分词处理，将线路名、车站名、位置名、设备类、设备名、厂商名、故障名、维修方式等专业词汇或术语，转为单词/词性序列。
其中设备维护领域的专业词典为地铁领域专用设备，如“爱国路站环控机房回排风机HPF-I1通信故障”这一句话，其中“爱国路”为车站名，“环控机房”为位置名，“回排风机”为设备类型，“HPF-I1”为设备名，“通信故障”为故障内容。完成添加专业术语，为后续命名实体识别、训练神经网络等操作提供可靠的实体支撑，建立的专业领域词典确保了分词、词性标注的正确性、全面性。
步骤2、将采集到的设备数据中车站名、位置名、设备类型、设备名等结构化数据,以及设备类型、设备名、故障内容、设备档案、维修记录等非结构化数据分为知识抽取实体及关系抽取两步进行。训练适用于设备维护的神经网络,通过对实体的构造得到实体特征向量,根据序列标注的结果对训练集进行标注,得到一个可以对非结构化数据分词得到的词进行标注的循环神经网络,根据标注结果完成知识单元关系识别。将具有不同标识实体单代表同一对象的实体归并为具有全局唯一标识的实体对象添加到知识图谱中。以有明确尾实体的头实体作为神经网络的输入,根据尾实体输出结果进行权重调整,对重要的实体进行加权操作。将结构化数据通过D2R转换建立设备维护数据(实体-关系-实体)三元组,将设备类型、设备档案、维修记录等抽取为相应的实体关系。过滤重复的实体关系,直到未出现重复实体关系,将抽取到的无重复的实体关系存入NEO4J图数据库。
具体实施方式为,分词后根据词性标注为A、B、C等,标注完成构成训练数据集,采用训练数据集对神经网络模型进行训练,如图2所示，以两个实体词向量和其分别在句子窗口中的词向量连接起来作为神经网络模型的输入,以这两个实体关系中的一位有效编码标识向量作为神经网络模型的输出,判断神经网络模型输出数据的正确率,预期效果为正确率大于预设阈值,未达到预期效果时,进行权重调整，将训练好的神经网络模型保存为可用模型。
优化该神经网络,以有明确尾实体的头实体作为神经网络的输入,根据尾实体输出结果再次进行权重调整,重复此步骤直到再次达到预期效果。
非结构化数据具体抽取过程:
抽取文本中原子信息元素，是基于模板触发词的方法,具体为定义一套种子模板,定义两个实体为X1、X2,关系为Y,则实体关系为(X1,Y,X2),类推实体Xn+1、Xn+2,关系为Yn,则实体关系为(Xn+1,Yn,Xn+2)。将实体Xn+1、关系Yn、实体Xn+2中的关系Yn添加为触发词,根据触发词分别找出关系Yn在专业词典中添加的实体的参与方Xn+1,Xn+2。通过完成触发词的关系抽取,构建RDF格式的实体与关系的数据集；提取数据中所有候选实体,构建包含候选实体A、关系、候选实体B的三元组关系。
权重调整具体过程:
计算当前神经网络模型的输出，然后根据输出与预期之前的差值,采用迭代算法。本发明中迭代算法为多次多样本的迭代算法,单次单样本训练遵循的是只顾眼前样本数据产生的误差而进行的权重调整,后果是当训练数据很多时,计算量就会急剧增加,导致收敛速度过慢,样本数据的单一导致数据误差的问题。具体执行方式为在所有样本输入后,计算网络的总误差,根据总误差计算各层误差信号,反方向改变前面各层的权值,再次采用迭代算法,将多样本输入,计算网络总误差,验证权值是否达到预期,重复此步骤直至网络收敛稳定,达到预期效果。
步骤3:将循环神经网络自动提取的设备特征及故障信息映射到同一个向量空间,使用相似度得分计算,得到相似度得分排行完成处理方案推荐。
相似度计算具体过程：
NEO4J数据库具有RDF(ResourceDescriptionFramework)特性,令数据库中实体组的符号为β,关系为R,则RDF三元组的形式为β＝(A，R，B),A∈β位于头实体,R∈β表示A与B的关系,B∈β位于尾实体。将数据集中每个实体对(A,B),定义一个潜在的关系向量RAB来表示实体向量A到实体向量B之间的关联,具体形式为RAB＝B-A。对于三元组(A，R，B),是有对应的存在具体的关系R来描述A与B之间的关系的,因此,三元组可以定义成:((A,R,B),θR,θE)，其中θR为模型关系参数,θE为模型实体参数。
将上述模型用于链路预测,将其中的θE、θR对应实体中所有关系嵌入,将(A,R,B)作为预测模型的输入,相似的,对于所有关系RAB中不同的头实体、尾实体允许不对称建模,依此嵌入评分函数可以方便的交叉验证,来进行预测实体之间的联系或者多边关系。构建了能够用于接收实体对,并将实体对在知识图谱中相似度计算的神经网络。
步骤4:设计上海轨道交通设备故障诊断与辅助决策系统,核心功能为设备故障诊断及故障辅助决策(设备故障内容录入-->设备信息明细-->故障维修决策返回),集设备故障填报、设备定位、故障处理推荐等一体的设备故障诊断体系。拓展功能为登录及权限管理、设备树、设备维护计划/记录、故障维修记录、故障数据分析等功能。
核心功能具体为:
设计WEB页面并包含查询功能,检索具体设备的设备信息、设备维修历史、设备厂商信息。能够输入并识别用户输入语句，根据用户输入语句分词处理并得到设备名、故障名、车站名、位置名、故障内容等信息,通过相似度计算,按照相似度排行返回故障处理方案的推荐。

Claims (6)

1.一种基于知识图谱的辅助维修决策方法，其特征在于，包括如下步骤：
步骤1:采集设备结构化数据及非结构化数据，根据地铁设备维护知识,构建地铁设备领域的专业词典,用于对专业术语添加特殊词性以及词性标注；对采集到的设备数据使用HanLP自然语言处理工具进行分词处理,将设备结构化数据及非结构化数据转为单词/词性序列；
步骤2:将采集到的设备数据中的结构化数据及非结构化数据抽取分成知识抽取实体及关系抽取两步进行，训练适用于设备维护的神经网络；通过对实体的构造得到实体特征向量,根据序列标注的结果对训练集进行标注,得到一个可以对非结构化数据分词得到的词进行标注的循环神经网络,根据标注结果完成知识单元关系识别；将具有不同标识实体单代表同一对象的实体归并为具有全局唯一标识的实体对象添加到知识图谱中，以有明确尾实体的头实体作为神经网络的输入,根据尾实体输出结果进行权重调整,对重要的实体进行加权操作；将结构化数据通过D2R转换建立设备维护数据实体-关系-实体三元组,抽取为相应的实体关系；过滤重复的实体关系,直到未出现重复实体关系,将抽取到的无重复的实体关系存入NEO4J图数据库；
步骤3:将循环神经网络自动提取的设备特征及故障信息映射到同一个向量空间,使用相似度得分计算,得到相似度得分排行，完成处理方案推荐；
步骤4:设计轨道交通设备故障诊断与辅助决策系统,用于设备故障诊断及故障辅助决策，包括设备故障内容录入、设备信息明细、故障维修决策返回、故障填报、设备定位、故障处理推荐。
2.如权利要求1所述的一种基于知识图谱的辅助维修决策方法，其特征在于：所述步骤2非结构化数据抽取包括抽取文本中原子信息元素，具体为定义一套种子模板,定义两个实体为X1、X2,关系为Y,则实体关系为(X1,Y,X2),实体Xn+1、Xn+2,关系为Yn,则实体关系为(Xn+1,Yn,Xn+2)；将实体Xn+1、关系Yn、实体Xn+2中的关系Yn添加为触发词,根据触发词分别找出关系Yn在专业词典中添加的实体的参与方Xn+1,Xn+2；
通过完成触发词的关系抽取,构建RDF格式的实体与关系的数据集；提取数据中所有候选实体,构建包含候选实体A、关系、候选实体B的三元组关系。
3.如权利要求1所述的一种基于知识图谱的辅助维修决策方法，其特征在于：所述步骤2中训练设备神经网络包括：分词后根据词性标注为A、B、C,标注完成构成训练数据集,采用训练数据集对神经网络模型进行训练,以两个实体词向量和其分别在句子窗口中的词向量连接起来作为神经网络模型的输入,以这两个实体关系中的一位有效编码标识向量作为神经网络模型的输出,判断神经网络模型输出数据的正确率,预期效果为正确率大于预设阈值,未达到预期效果时,进行权重调整，将训练好的神经网络模型保存为可用模型。
4.如权利要求3所述的一种基于知识图谱的辅助维修决策方法，其特征在于：所述权重调整包括计算当前神经网络模型的输出，然后根据输出与预期之前的差值,采用多次多样本的迭代算法，具体在所有样本输入后,计算网络的总误差,根据总误差计算各层误差信号,反方向改变前面各层的权值,再次采用迭代算法,将多样本输入,计算网络总误差,验证权值是否达到预期,重复此步骤直至网络收敛稳定,达到预期效果。
5.如权利要求1所述的一种基于知识图谱的辅助维修决策方法，其特征在于：所述步骤3中相似度计算的过程为:令数据库中实体组的符号为β,关系为R,则RDF三元组的形式为β＝(A，R，B),A∈β位于头实体,R∈β表示A与B的关系,B∈β位于尾实体，将数据集中每个实体对(A,B)定义一个潜在的关系向量RAB来表示实体向量A到实体向量B之间的关联,具体形式为RAB＝B-A；则三元组(A，R，B)可以定义成:((A,R,B),θR,θE)，其中θR为模型关系参数,θE为模型实体参数；
将上述模型用于链路预测,将其中的θE、θR对应实体中所有关系嵌入,将(A,R,B)作为预测模型的输入,相似的,对于所有关系RAB中不同的头实体、尾实体允许不对称建模,依此嵌入评分函数可以方便的交叉验证,来进行预测实体之间的联系或者多边关系，构建用于接收实体对,并将实体对在知识图谱中相似度计算的神经网络。
6.如权利要求1所述的一种基于知识图谱的辅助维修决策方法，其特征在于：所述轨道交通设备故障诊断与辅助决策系统设计成WEB页面，包含查询功能、检索具体设备的设备信息、设备维修历史、设备厂商信息，能够输入并识别用户输入语句，根据用户输入语句分词处理并得到设备名、故障名、车站名、位置名、故障内容信息,通过相似度计算,按照相似度排行返回故障处理方案的推荐。
CN202011430252.XA 2020-12-07 2020-12-07 一种基于知识图谱的辅助维修决策方法 Pending CN112541600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011430252.XA CN112541600A (zh) 2020-12-07 2020-12-07 一种基于知识图谱的辅助维修决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011430252.XA CN112541600A (zh) 2020-12-07 2020-12-07 一种基于知识图谱的辅助维修决策方法

Publications (1)

Publication Number Publication Date
CN112541600A true CN112541600A (zh) 2021-03-23

Family

ID=75019704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011430252.XA Pending CN112541600A (zh) 2020-12-07 2020-12-07 一种基于知识图谱的辅助维修决策方法

Country Status (1)

Country Link
CN (1) CN112541600A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191074A (zh) * 2021-04-13 2021-07-30 北京中大科慧科技发展有限公司 一种用于数据中心的机房供电参数检测方法
CN113407737A (zh) * 2021-06-21 2021-09-17 环荣电子(惠州)有限公司 文件重要信息撷取方法
CN113420162A (zh) * 2021-06-24 2021-09-21 国网天津市电力公司 一种基于知识图谱的设备运行链状态监测方法
CN113569026A (zh) * 2021-07-26 2021-10-29 青岛海尔工业智能研究院有限公司 一种设备故障问答方法、装置、计算机设备及介质
CN113610112A (zh) * 2021-07-09 2021-11-05 中国商用飞机有限责任公司上海飞机设计研究院 飞机装配质量缺陷辅助决策方法
CN113761927A (zh) * 2021-08-31 2021-12-07 国网冀北电力有限公司 电网故障处置实时辅助决策方法、系统、设备及存储介质
CN113887823A (zh) * 2021-10-21 2022-01-04 赵爱华 一种基于知识推理故障停电线路自适应提取方法
CN114037079A (zh) * 2021-11-25 2022-02-11 江苏科技大学 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法
CN114385782A (zh) * 2021-12-08 2022-04-22 核动力运行研究所 一种基于知识图谱的核电厂维修辅助决策方法
CN114912637A (zh) * 2022-05-21 2022-08-16 重庆大学 人机物知识图谱制造产线运维决策方法及系统、存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362660A (zh) * 2019-07-23 2019-10-22 重庆邮电大学 一种基于知识图谱的电子产品质量自动检测方法
CN110929149A (zh) * 2019-11-12 2020-03-27 广东工业大学 一种工业设备故障维修推荐方法和系统
CN111079430A (zh) * 2019-10-21 2020-04-28 国家电网公司华中分部 一种组合深度学习和概念图谱的电力故障事件抽取方法
CN111311059A (zh) * 2020-01-16 2020-06-19 成都大汇物联科技有限公司 基于知识图谱的水车室故障诊断方法
CN111414477A (zh) * 2020-03-11 2020-07-14 科大讯飞股份有限公司 车辆故障自动诊断方法、装置以及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362660A (zh) * 2019-07-23 2019-10-22 重庆邮电大学 一种基于知识图谱的电子产品质量自动检测方法
CN111079430A (zh) * 2019-10-21 2020-04-28 国家电网公司华中分部 一种组合深度学习和概念图谱的电力故障事件抽取方法
CN110929149A (zh) * 2019-11-12 2020-03-27 广东工业大学 一种工业设备故障维修推荐方法和系统
CN111311059A (zh) * 2020-01-16 2020-06-19 成都大汇物联科技有限公司 基于知识图谱的水车室故障诊断方法
CN111414477A (zh) * 2020-03-11 2020-07-14 科大讯飞股份有限公司 车辆故障自动诊断方法、装置以及设备

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191074B (zh) * 2021-04-13 2023-11-21 北京中大科慧科技发展有限公司 一种用于数据中心的机房供电参数检测方法
CN113191074A (zh) * 2021-04-13 2021-07-30 北京中大科慧科技发展有限公司 一种用于数据中心的机房供电参数检测方法
CN113407737A (zh) * 2021-06-21 2021-09-17 环荣电子(惠州)有限公司 文件重要信息撷取方法
CN113407737B (zh) * 2021-06-21 2024-01-05 环荣电子(惠州)有限公司 文件重要信息撷取方法
CN113420162A (zh) * 2021-06-24 2021-09-21 国网天津市电力公司 一种基于知识图谱的设备运行链状态监测方法
CN113610112A (zh) * 2021-07-09 2021-11-05 中国商用飞机有限责任公司上海飞机设计研究院 飞机装配质量缺陷辅助决策方法
CN113610112B (zh) * 2021-07-09 2024-04-16 中国商用飞机有限责任公司上海飞机设计研究院 飞机装配质量缺陷辅助决策方法
CN113569026A (zh) * 2021-07-26 2021-10-29 青岛海尔工业智能研究院有限公司 一种设备故障问答方法、装置、计算机设备及介质
CN113761927A (zh) * 2021-08-31 2021-12-07 国网冀北电力有限公司 电网故障处置实时辅助决策方法、系统、设备及存储介质
CN113761927B (zh) * 2021-08-31 2024-02-06 国网冀北电力有限公司 电网故障处置实时辅助决策方法、系统、设备及存储介质
CN113887823A (zh) * 2021-10-21 2022-01-04 赵爱华 一种基于知识推理故障停电线路自适应提取方法
CN114037079A (zh) * 2021-11-25 2022-02-11 江苏科技大学 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法
CN114037079B (zh) * 2021-11-25 2024-08-06 江苏科技大学 基于图神经网络与知识图谱的气缸盖多故障整体诊断方法
CN114385782A (zh) * 2021-12-08 2022-04-22 核动力运行研究所 一种基于知识图谱的核电厂维修辅助决策方法
CN114912637A (zh) * 2022-05-21 2022-08-16 重庆大学 人机物知识图谱制造产线运维决策方法及系统、存储介质
CN114912637B (zh) * 2022-05-21 2023-08-29 重庆大学 人机物知识图谱制造产线运维决策方法及系统、存储介质

Similar Documents

Publication Publication Date Title
CN112541600A (zh) 一种基于知识图谱的辅助维修决策方法
CN107239529B (zh) 一种基于深度学习的舆情热点类别划分方法
CN110413788B (zh) 会话文本的场景类别的预测方法、系统、设备和存储介质
CN109471793B (zh) 一种基于深度学习的网页自动化测试缺陷定位方法
CN112487143A (zh) 一种基于舆情大数据分析的多标签文本分类方法
CN111709244B (zh) 一种用于矛盾纠纷事件因果关系识别的深度学习方法
CN113191148B (zh) 一种基于半监督学习和聚类的轨道交通实体识别方法
CN113138920B (zh) 基于知识图谱与语义角色标注的软件缺陷报告分派方法及装置
CN113868432A (zh) 一种用于钢铁制造企业的知识图谱自动构建方法和系统
CN107103363A (zh) 一种基于lda的软件故障专家系统的构建方法
CN116975256B (zh) 抽水蓄能电站地下厂房施工过程多源信息的处理方法及系统
CN116484024A (zh) 一种基于知识图谱的多层次知识库构建方法
CN115964273A (zh) 基于深度学习的航天器测试脚本自动生成方法
CN113095050A (zh) 一种智能成票方法、系统、设备及存储介质
CN117236677A (zh) 一种基于事件抽取的rpa流程挖掘方法及装置
CN113742733A (zh) 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置
CN116861924A (zh) 基于人工智能的项目风险预警方法及系统
CN115936001A (zh) 基于BERT-BiLSTM-CRF模型和注意力的电网IT运维实体识别方法及系统
CN117151222A (zh) 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质
CN116523284A (zh) 基于机器学习的业务操作流程自动化评估方法、系统
CN114492460A (zh) 基于衍生提示学习的事件因果关系抽取方法
CN113361259A (zh) 一种服务流程抽取方法
CN116611813B (zh) 一种基于知识图谱的智能运维管理方法及系统
CN117312562A (zh) 内容审核模型的训练方法、装置、设备及存储介质
CN116362247A (zh) 一种基于mrc框架的实体抽取方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210323