CN113094512B - 一种工业生产制造中故障分析系统及方法 - Google Patents
一种工业生产制造中故障分析系统及方法 Download PDFInfo
- Publication number
- CN113094512B CN113094512B CN202110377790.5A CN202110377790A CN113094512B CN 113094512 B CN113094512 B CN 113094512B CN 202110377790 A CN202110377790 A CN 202110377790A CN 113094512 B CN113094512 B CN 113094512B
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- entity
- knowledge graph
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 85
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 238000009776 industrial production Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims description 16
- 238000010276 construction Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 33
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000012634 fragment Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011058 failure modes and effects analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/374—Thesaurus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- 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
- 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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Animal Behavior & Ethology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种工业生产制造中故障分析系统及方法,该系统包括故障知识图谱构建模块、故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块,通过该系统进行故障分析,利用故障信息捕获模块获取故障信息,将该故障信息解析后与故障知识图谱构建模块构建的故障知识图谱匹配得到故障子图,借助该故障子图找出故障原因和解决办法。通过本发明的工业生产制造中故障分析系统及方法能够快速确定故障原因及解决方案,减少对现场工程师的经验依赖,提升分析效果和分析效率。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种工业生产制造中故障分析系统及方法。
背景技术
在工业领域,生产制造是一个企业把产品生产出来并送达消费者使用的最核心的环节,而生产制造过程中,对产品质量的控制则是生命线,需要严格把控产品质量。而当今对产品的生产制造中大量依托机器来生产,生产过程中的数十个环节都是依靠机器来自动运行。
但是由于各种因素,机器在运行过程中都会发生各种故障,包括机械的、电子的、电气的、人为错误操作的、工艺的、管理方面的、测量方法的、原材料的、环境温湿度的等等因素的变化都能够导致生产制造过程的故障的发生,并因这些故障的发生导致所生产的产品不合格。
当这些故障发生时,传统的方法都是依托于现场工程师的经验来解决的,或者依托于工程师的经验,结合从操作手册、内部文档、企业内部资料库以及互联网的信息来解决的。
完全依赖现场工程师进行故障分析不能保证故障发生时可以快速分析原因进而解决问题,需要提出一种解决办法减少对现场工程师的依赖,使得故障分析可以自动或者半自动进行。
发明内容
为了实现上述技术目的,本发明提供了一种工业生产制造中故障分析系统、方法和装置,借助人工智能实现故障的分析,提升故障分析效率,本发明的技术目的是通过以下技术方案实现的:
一种工业生产制造中故障分析系统,该系统包括故障知识图谱构建模块、故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块;
故障知识图谱构建模块用以构建生成故障知识图谱;
故障信息捕获模块用以捕获故障信息将捕获的故障信息并将故障信息转化为文本信息;
故障信息解析模块用以将故障信息捕获模块捕获转化的文本信息解析为实体集合和本体词汇集合;
故障知识匹配模块用以将故障信息解析模块解析得到的实体集合和本体词汇集合分别与故障知识图谱内的信息进行匹配,匹配生成故障知识图谱的子图;
故障分析结果输出模块用以输出故障知识图谱的子图,追溯原始文件并输出原始文件。
一种工业生产制造中故障分析的方法,该方法依赖于上述的工业生产制造中故障分析系统,该方法包括故障知识图谱构建、捕获故障信息、解析故障信息、解析后的故障信息和故障知识图谱匹配、故障分析结果输出。
进一步地,故障知识图谱构建包括:
S1、故障分析文档收集;
S2、将收集的故障分析分档转化为rdf文档;
S3、利用自动标注模块对rdf文档进行标注,标记结果输入已标注文档库;
S4、通过已标注文档库进行模型训练,生成知识抽取模型;
S5、通过知识抽取模型进行知识抽取,根据推理规则或推理模型判断抽取模型抽取的知识是否已存在于故障知识图谱,若存在则将该抽取的知识融合到故障知识图谱中,若不存在则增加到故障知识图谱;
S6、对S5的判断的结果进行审核,判断是否将知识抽取模型所抽取的知识融合或者增加到知识图谱中。
进一步地,S3中对rdf文档进行标注时,输入故障分析文档,对所输入的故障分析文档进行标注,标注按照(实体、关系、实体)三元组和(实体、属性、属性值)三元组中至少一种三元组进行标记输出。
进一步地,解析故障信息时从故障信息捕获模块输出的文本信息中提取本体词汇、实体信息;本体词汇提取形成本体词汇集合,实体信息提取形成实体集合。
进一步地,提取本体词汇包括:
S7、对故障信息捕获模块输出的文本信息进行分词,分词获取故障信息捕获模块输出的文本信息中的原始输入词汇;
S8、同义词匹配,获取原始输入词汇的同义词;
S9、提取出同义词中和故障知识图谱中相同或相似的词汇,形成本体词汇集合;从同义词中提取与故障知识图谱中相关的实体、关系、属性、属性值放入实体集合。
进一步地,实体信息提取还包括对故障信息捕获模块输出的文本信息进行翻译,提取翻译后的文本信息中的实体信息。
进一步地,解析后的故障信息和故障知识图谱匹配借助信息检索算法,包括以下步骤:
S10、提取故障知识图谱中的实体条目,包括实体、关系、属性、属性值;
S11、以所提取的实体条目创建索引;
S12、借助检索工具的API从所创建的索引中分别对实体集合和本体词汇集合中的每个词进行检索,得到检索结果;
S13、检索结果汇总,根据故障知识图谱进行子图重建,生成故障子图;
S14、故障子图输入到故障分析结果输出模块。
进一步地,S12中检索包括模糊检索和精确检索;模糊检索时分别检索出索引中与本体词汇集合中每个词相关的词汇以及索引中与实体集合中每个词相关的词汇、以及索引中相关的三元组,计算每个结果的发生的概率,根据每个结果的发生概率计算相关词汇和原始输入词汇的语义相似度,设定阈值筛选语义相似度符合要求的相关词汇作为检索结果。
一种故障知识图谱的构建方法,该方法包括:
S1、故障分析文档收集;
S2、将收集的故障分析分档转化为rdf文档;
S3、利用自动标注模块对rdf文档进行三元组标注,标记结果输入已标注文档库;
S4、通过已标注文档库进行模型训练,生成知识抽取模型;
S5、通过知识抽取模型进行知识抽取,根据推理规则或推理模型判断抽取模型抽取的知识是否已存在于故障知识图谱,若存在则将该抽取的知识融合到故障知识图谱中,若不存在则增加到故障知识图谱;
S6、对S5的判断的结果进行审核,判断是否将知识抽取模型所抽取的知识融合或者增加到知识图谱中。
相比现有技术,本发明的有益效果在于,生产制造中故障发生时,借助该工业生产制造中故障分析系统及方法能够快速确定故障原因及解决方案,减少对现场工程师的经验的依赖,提升分析效果和分析效率。
附图说明
图1是本发明的工业生产制造中故障分析系统结构示意图。
图2是本发明中故障知识图谱构建流程图。
图3是本发明中解析故障信息流程示意图。
图4是本发明中解析后的故障信息和故障知识图谱匹配流程示意图。
图5是本发明中自动标注模块对rdf文档自动标注模型图。
图6是本发明中模糊检索语义相似度计算模型图。
具体实施方式
下面结合具体实施方式对本发明的技术方案进行进一步描述:
一种工业生产制造中故障分析系统,如图1所示,该系统包括故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块、故障知识图谱构建模块;
故障知识图谱构建模块用以构建生成故障知识图谱;
故障信息捕获模块从故障现场获取故障发生的各种信息,获取的方法包括多种,比如通过人工输入,可以是人工编辑文本输入、语音输入,语音输入通过语音转文本技术转化为文本进行输入;也可以是通过摄像头、手机拍照等光学器件对现场进行拍摄,并以图片或者视频的方式进行输入,图片或者视频通过OCR等技术来提取文字;通过故障信息捕获模块捕获故障信息并将故障信息转化为设备可以理解的文本信息;
故障信息解析模块用以将故障信息捕获模块捕获转化的文本信息解析为实体集合和本体词汇集合;
故障知识匹配模块用以将故障信息解析模块解析得到的实体集合和本体词汇集合分别与故障知识图谱内的信息进行匹配,匹配生成故障知识图谱的子图;
故障分析结果输出模块用以输出故障知识图谱的子图,追溯原始文件并输出原始文件。
一种工业生产制造中故障分析的方法,该方法借助上述工业生产制造中故障分析系统,包括故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块、故障知识图谱构建模块,该方法包括故障知识图谱构建、捕获故障信息、解析故障信息、解析后的故障信息和故障知识图谱匹配、故障分析结果输出,如图1所示。
具体地,故障知识图谱构建如图2所示,一种故障知识图谱的构件方法,通过故障知识图谱构建模块来构建故障知识图谱,包括以下步骤:
S1、故障分析文档收集,收集各类故障分析相关的文档,故障分析相关的文档包括但不限于图1中所示的类型,如FTA、FMEA、失效分析文档、论文、论坛文章、公众号文章、新闻舆情等,所有涉及故障分析的文章都可以用于构建故障知识图谱。
S2、收集的文档的格式可能有多种,比如pdf、word、ppt、excel、txt、html、jpg、png等各类专业的文档格式,将所有类型的文档全部转化为rdf文档,rdf文档支持文本以及在文本中嵌入多媒体,如果原始文档是图片格式或者原始文档中嵌入了图片,对图片格式的文档通过OCR进行文字识别。
S3、利用自动标注模块对rdf文档进行自动标注,自动标注采用故障知识图谱远程监督的方式进行,如图5所示,借助神经网络对输入的rdf文档以及rdf文档中的三元组(S-P-O)进行训练,当输入的rdf文档较长时,还可以将该rdf文档切割成若干文档片段,rdf文档和rdf文档片段均计做A进行输入,对A进行分词得到若干token(A1、A2、A3…An),判断输入的所有文档片段A以及三元组(S-P-O)中是否存在与故障知识图谱中三元组存在对应的关系或属性P;比如在故障知识图谱中存在“中国的首都是北京”,其三元组表示为SPO:(中国,首都,北京);
比如输入的文档是“日本的首都是东京”,将“日本的首都是东京”这一文档A进行分词可以得到A1:“日”,A2:“本“,A3:“的”,A4:“首”,A5:“都”,A6:“是”,A7:“东”,A8:“京”;起始实体用S标注,结束实体或者属性值用O标注,其他则用N标注;
判断该文档中是否存在输入三元组对应的关系或属性P,其三元组表示为SPO:(日本,首都,东京),存在对应的关系P,按照每个token的位置对输入的文档进行标注,对“日本的首都是东京”标注为:日:S;本:S;的:N;首:N;都:N;是:N;东:O;京:O。
将其作为一个样本,输出保存在已标注文档库中,通过自动标注不断获取样本,丰富已标注文档库,为模型训练提供较多的样本,其中三元组包括实体-关系-实体三元组和实体-属性-属性值三元组中的至少一个。
S4、通过已标注文档库的内容进行训练,得到知识抽取模型;
S5、知识抽取的模型不限,现有的实体抽取模型、关系抽取模型、属性抽取模型都可使用,通过知识抽取模型进行知识抽取,抽取得到实体-关系-实体三元组或者实体-属性-属性值三元组。抽取出来的知识需要根据已有的故障知识图谱进行融合,使用知识推理规则或者推理模型来判断所抽取的知识是否存在于现有的故障知识图谱中,推理规则或者推理模型会根据具体情况来编写或者研发;如果故障知识图谱中已存在,将所抽取的知识和已有的故障知识图谱融合;如果故障知识图谱中不存在该知识,将所抽取的知识作为新增的知识增加到故障知识图谱中。
S6、为了增加故障分析的准确性,人工对所抽取的知识进行审核,通过人工审核选择保留或者丢弃S5中抽取的知识。
具体地,解析故障信息时,如图3所示,通过故障信息解析模块对故障信息捕获模块捕获输出的文本信息同时进行分词、实体抽取、翻译;分词获取文本信息中的原始输入词汇,分词包括:
S7、分词获取故障信息捕获模块输出的文本信息中的原始输入词汇;
S8、同义词匹配,同义词的来源可以是同义词词库,也可以是同义词模块,获取原始输入词汇的同义词;
S9、提取出同义词中和故障知识图谱中相同或相似的词汇,并将提取出的同义词放入本体词汇集合中形成本体词汇集合;从S8中获取的原始输入词汇的同义词中进行实体提取,提取出其中的实体、关系、属性、属性值,放入实体集合中。
对故障信息捕获模块捕获输出的文本信息进行实体抽取,抽取其中的实体、关系、属性、属性值,并放入实体集合中;对故障信息捕获模块捕获输出的文本信息进行翻译,翻译成统一的语言,翻译后同样进行实体抽取,抽取其中的实体、关系、属性、属性值,并放入实体集合中。
解析完成后故障知识匹配模块将故障解析模块解析到的实体集合和本体词汇集合分别与故障知识图谱内的信息进行匹配,匹配借助信息检索算法完成,匹配时如图4所示。
S10、提取条目,将故障知识图谱中的所有实体、关系三元组(实体-关系-实体三元组)、属性三元组(实体-属性-属性值三元组)提取出来。
S11、创建索引,将所提取的条目创建成信息检索的索引,创建索引的工具可以使用ElasticSearch、ApacheSolr、ApacheLucene等工具或者能够实现类似功能的工具等。
S12、从所创建的索引中分别对实体集合和本体词汇集合进行检索,检索包括精确检索和模糊检索;精确检索和模糊检索可以利用ElasticSearch、Apache Solr、ApacheLucene等工具或者类似功能的工具的API来实现。
精确检索如本体词汇中为“a”,则在索引中检索“a”;模糊检索包括从索引中对实体集合进行检索以及对本体词汇集合进行检索。通过模糊检索检索出索引中与本体词汇集合中每个相关词汇相关的词汇,以及索引中与实体集合中每个词相关的词汇,以及索引中包含的相关的三元组(S-P-O);如图6所示,将每个模糊检索的结果计做A(A1、A2、A3…An),原始输入词汇计做B(B1、B2、B3…Bn),计算每个模糊检索的结果A与原始输入词汇B的语义相似度,也即A1与B1的语义相似度、A1与B2的语义相似度、A1与B3的语义相似度…A1与Bm的语义相似度,以及A2与B1的语义相似度、A2与B2的语义相似度、A2与B3的语义相似度…A2与Bm的语义相似度,以及A3与B1的语义相似度、A3与B2的语义相似度、A3与B3的语义相似度…A3与Bm的语义相似度,以及An与B1的语义相似度、An与B2的语义相似度、An与B3的语义相似度…An与Bm的语义相似度,得到mn个结果,每个结果计做P(P1、P2、P3…Pmn-1、Pmn),通过的通过设定阈值剔除语义相似度低于阈值的结果;每个模糊检索的结果A与原始输入词汇B的相似度P设定阈值筛除语义相似度低于阈值的结果。
S13、检索结果汇总后,根据故障知识图谱进行子图重建,通过子图重建得到故障子图。
S14、故障子图输出到故障分析结果输出模块,故障分析结果输出模块一方面输出故障子图,支持可视化和交互式分析;另外一方面还可以根据故障子图追溯到原始捕获的故障信息,将原始捕获的故障信息的文本信息输出给用户;通过故障子图和原始捕获的故障信息的文本信息可以快速判定故障原因及解决方法。故障分析结果输出模块可以支持web、客户端、手机或平板app的方式,也可以是其他专用设备。
本实施例只是对本发明的进一步解释,并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性的修改,但是只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种工业生产制造中故障分析系统,其特征在于,该系统包括故障知识图谱构建模块、故障信息捕获模块、故障信息解析模块、故障知识匹配模块、故障分析结果输出模块;
所述故障知识图谱构建模块用以构建生成故障知识图谱;将收集的故障分析分档转化为rdf文档,利用自动标注模块对rdf文档进行标注,对rdf文档进行标注时,输入故障分析文档,对所输入的故障分析文档进行标注,标注按照(实体、关系、实体)三元组和(实体、属性、属性值)三元组中至少一种三元组进行标记输出,标记结果输入已标注文档库;通过已标注文档库进行模型训练,生成知识抽取模型;通过知识抽取模型进行知识抽取,根据推理规则或推理模型判断抽取模型抽取的知识是否已存在于故障知识图谱,若存在则将该抽取的知识融合到故障知识图谱中,若不存在则增加到故障知识图谱;对判断的结果进行审核,判断是否将知识抽取模型所抽取的知识融合或者增加到知识图谱中;
所述故障信息捕获模块用以捕获故障信息并将故障信息转化为文本信息;
所述故障信息解析模块用以将故障信息捕获模块捕获转化的文本信息解析为实体集合和本体词汇集合;解析故障信息时从故障信息捕获模块输出的文本信息中提取本体词汇、实体信息;本体词汇提取形成本体词汇集合,实体信息提取形成实体集合;
实体信息提取还包括对故障信息捕获模块输出的文本信息进行翻译,提取翻译后的文本信息中的实体信息;
提取本体词汇包括:对故障信息捕获模块输出的文本信息进行分词,分词获取故障信息捕获模块输出的文本信息中的原始输入词汇;同义词匹配,获取原始输入词汇的同义词;提取出同义词中和故障知识图谱中相同或相似的词汇,形成本体词汇集合;从同义词中提取与故障知识图谱中相关的实体、关系、属性、属性值放入实体集合;
所述故障知识匹配模块用以将故障信息解析模块解析得到的实体集合和本体词汇集合分别与故障知识图谱内的信息进行匹配,匹配生成故障知识图谱的子图;匹配时提取故障知识图谱中的实体条目,包括实体、关系、属性、属性值;以所提取的实体条目创建索引;借助检索工具的API从所创建的索引中分别对实体集合和本体词汇集合中的每个词进行检索,得到检索结果;检索结果汇总,根据故障知识图谱进行子图重建,生成故障子图;故障子图输入到故障分析结果输出模块;
所述故障分析结果输出模块用以输出故障知识图谱的子图,根据故障知识图谱的子图追溯原始文件并输出原始文件。
2.一种工业生产制造中故障分析的方法,其特征在于,该方法依赖于权利要求1中的工业生产制造中故障分析系统,该方法包括故障知识图谱构建、捕获故障信息、解析故障信息、解析后的故障信息和故障知识图谱匹配、故障分析结果输出,输出故障知识图谱的子图,根据故障知识图谱的子图追溯原始捕获的故障信息,将原始捕获的故障信息的文本信息输出给用户;
所述故障知识图谱构建包括:
S1、故障分析文档收集;
S2、将收集的故障分析分档转化为rdf文档;
S3、利用自动标注模块对rdf文档进行标注,对rdf文档进行标注时,输入故障分析文档,对所输入的故障分析文档进行标注,标注按照(实体、关系、实体)三元组和(实体、属性、属性值)三元组中至少一种三元组进行标记输出,标记结果输入已标注文档库;
S4、通过已标注文档库进行模型训练,生成知识抽取模型;
S5、通过知识抽取模型进行知识抽取,根据推理规则或推理模型判断抽取模型抽取的知识是否已存在于故障知识图谱,若存在则将该抽取的知识融合到故障知识图谱中,若不存在则增加到故障知识图谱;
S6、对S5的判断的结果进行审核,判断是否将知识抽取模型所抽取的知识融合或者增加到知识图谱中;
解析故障信息时从故障信息捕获模块输出的文本信息中提取本体词汇、实体信息;本体词汇提取形成本体词汇集合,实体信息提取形成实体集合;实体信息提取还包括对故障信息捕获模块输出的文本信息进行翻译,提取翻译后的文本信息中的实体信息;
提取本体词汇包括:
S7、对故障信息捕获模块输出的文本信息进行分词,分词获取故障信息捕获模块输出的文本信息中的原始输入词汇;
S8、同义词匹配,获取原始输入词汇的同义词;
S9、提取出同义词中和故障知识图谱中相同或相似的词汇,形成本体词汇集合;从同义词中提取与故障知识图谱中相关的实体、关系、属性、属性值放入实体集合;
解析后的故障信息和故障知识图谱匹配借助信息检索算法,包括以下步骤:
S10、提取故障知识图谱中的实体条目,包括实体、关系、属性、属性值;
S11、以所提取的实体条目创建索引;
S12、借助检索工具的API从所创建的索引中分别对实体集合和本体词汇集合中的每个词进行检索,得到检索结果;
S13、检索结果汇总,根据故障知识图谱进行子图重建,生成故障子图;
S14、故障子图输入到故障分析结果输出模块。
3.根据权利要求2所述的一种工业生产制造中故障分析的方法,其特征在于,S12中检索包括模糊检索和精确检索;模糊检索时分别检索出索引中与本体词汇集合中每个词相关的词汇以及索引中与实体集合中每个词相关的词汇、以及索引中相关的三元组,计算每个结果的发生的概率,根据每个结果的发生概率计算相关词汇和原始输入词汇的语义相似度,设定阈值筛选语义相似度符合要求的相关词汇作为检索结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377790.5A CN113094512B (zh) | 2021-04-08 | 2021-04-08 | 一种工业生产制造中故障分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110377790.5A CN113094512B (zh) | 2021-04-08 | 2021-04-08 | 一种工业生产制造中故障分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094512A CN113094512A (zh) | 2021-07-09 |
CN113094512B true CN113094512B (zh) | 2024-05-24 |
Family
ID=76675494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110377790.5A Active CN113094512B (zh) | 2021-04-08 | 2021-04-08 | 一种工业生产制造中故障分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094512B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114265930A (zh) * | 2021-11-19 | 2022-04-01 | 国电南京自动化股份有限公司 | 一种基于事件抽取的低压用户故障报修合并处理方法 |
CN114328963A (zh) * | 2021-12-29 | 2022-04-12 | 安徽继远软件有限公司 | 基于知识图谱的故障处置辅助决策系统及方法 |
CN114723059A (zh) * | 2022-06-07 | 2022-07-08 | 达而观数据(成都)有限公司 | 基于知识推理的故障归因系统及方法 |
CN116129551B (zh) * | 2022-12-09 | 2024-08-27 | 浙江凌骁能源科技有限公司 | 汽车故障根因分析方法、装置、计算机设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015194831A (ja) * | 2014-03-31 | 2015-11-05 | 株式会社日立システムズ | 障害現象情報分析装置及び障害現象情報分析方法 |
CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答系统 |
CN110825885A (zh) * | 2019-11-13 | 2020-02-21 | 南方电网科学研究院有限责任公司 | 一种电力设备知识图谱应用系统 |
CN111474444A (zh) * | 2020-04-14 | 2020-07-31 | 国网山东省电力公司电力科学研究院 | 一种基于知识图谱的线路故障复电决策方法 |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN111860882A (zh) * | 2020-06-17 | 2020-10-30 | 国网江苏省电力有限公司 | 一种电网调度故障处理知识图谱的构建方法及装置 |
WO2021008180A1 (zh) * | 2019-07-16 | 2021-01-21 | 扬州大学 | 面向软件缺陷知识的知识搜索方法 |
CN112307218A (zh) * | 2020-10-21 | 2021-02-02 | 浙江大学 | 基于知识图谱的智能电厂典型设备故障诊断知识库构建方法 |
CN112416645A (zh) * | 2020-12-03 | 2021-02-26 | 广州云岫信息科技有限公司 | 一种基于人工智能的故障根因推断定位方法及装置 |
WO2021042546A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 知识图谱链接错误的查修方法、装置及存储介质 |
CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100592293C (zh) * | 2007-04-28 | 2010-02-24 | 李树德 | 基于智能本体的知识搜索引擎及其实现方法 |
EP3223180A1 (en) * | 2016-03-24 | 2017-09-27 | Fujitsu Limited | A system and a method for assessing patient risk using open data and clinician input |
US10679007B2 (en) * | 2018-08-30 | 2020-06-09 | Intelligent Fusion Technology, Inc. | Method and system for pattern discovery and real-time anomaly detection based on knowledge graph |
US20200084084A1 (en) * | 2018-09-06 | 2020-03-12 | Ca, Inc. | N-gram based knowledge graph for semantic discovery model |
-
2021
- 2021-04-08 CN CN202110377790.5A patent/CN113094512B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015194831A (ja) * | 2014-03-31 | 2015-11-05 | 株式会社日立システムズ | 障害現象情報分析装置及び障害現象情報分析方法 |
CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答系统 |
WO2021008180A1 (zh) * | 2019-07-16 | 2021-01-21 | 扬州大学 | 面向软件缺陷知识的知识搜索方法 |
WO2021042546A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 知识图谱链接错误的查修方法、装置及存储介质 |
CN110825885A (zh) * | 2019-11-13 | 2020-02-21 | 南方电网科学研究院有限责任公司 | 一种电力设备知识图谱应用系统 |
CN111474444A (zh) * | 2020-04-14 | 2020-07-31 | 国网山东省电力公司电力科学研究院 | 一种基于知识图谱的线路故障复电决策方法 |
CN111860882A (zh) * | 2020-06-17 | 2020-10-30 | 国网江苏省电力有限公司 | 一种电网调度故障处理知识图谱的构建方法及装置 |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN112307218A (zh) * | 2020-10-21 | 2021-02-02 | 浙江大学 | 基于知识图谱的智能电厂典型设备故障诊断知识库构建方法 |
CN112416645A (zh) * | 2020-12-03 | 2021-02-26 | 广州云岫信息科技有限公司 | 一种基于人工智能的故障根因推断定位方法及装置 |
CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
CN112596495A (zh) * | 2020-12-07 | 2021-04-02 | 中科蓝智(武汉)科技有限公司 | 一种基于知识图谱的工业设备故障诊断方法及系统 |
Non-Patent Citations (4)
Title |
---|
Failure Prediction of Elevator Running System Based on Knowledge Graph;Jinglin Hou et al.;ACM;20200826;第53–58页 * |
基于语义分析的设备监控告警信息知识图谱构建研究;施正钗等;浙江电力;20200825(第8期);第87-91页 * |
数控设备故障知识图谱的构建与应用;赵倩;航空制造技术;20200201(第3期);第80-96 * |
面向电网调度故障处理的知识图谱框架与关键技术初探;乔骥等;中国电机工程学报(第18期);第135-147页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113094512A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094512B (zh) | 一种工业生产制造中故障分析系统及方法 | |
CN111753099B (zh) | 一种基于知识图谱增强档案实体关联度的方法及系统 | |
US11861320B1 (en) | Text reduction and analysis interface to a text generation modeling system | |
US11860914B1 (en) | Natural language database generation and query system | |
CN116628173B (zh) | 一种基于关键字提取的智能客服信息生成系统及生成方法 | |
CN104346480A (zh) | 信息挖掘方法和装置 | |
CN114239588A (zh) | 文章处理方法、装置、电子设备及介质 | |
CN111460114A (zh) | 检索方法、装置、设备及计算机可读存储介质 | |
CN116468009A (zh) | 文章生成方法、装置、电子设备和存储介质 | |
CN115687572A (zh) | 一种数据信息的检索方法、装置、设备及存储介质 | |
US20240289561A1 (en) | Large language model artificial intelligence text evaluation system | |
CN111831624A (zh) | 数据表创建方法、装置、计算机设备及存储介质 | |
CN114911893A (zh) | 基于知识图谱的自动化构建知识库的方法及系统 | |
CN109977370B (zh) | 一种基于文档结构树的问答对自动构建方法 | |
CN115438142B (zh) | 一种对话式交互数据分析报告系统 | |
CN113378024A (zh) | 一种基于深度学习面向公检法领域的相关事件识别方法 | |
CN116523041A (zh) | 装备领域知识图谱构建方法、检索方法、系统及电子设备 | |
CN114238735B (zh) | 一种互联网数据智能采集方法 | |
CN111753540B (zh) | 一种对于文本数据进行收集以进行自然语言处理nlp的方法及系统 | |
CN115168543A (zh) | 一种基于非结构化文本的考题自动生成设计方法 | |
Kumar et al. | Generalized named entity recognition framework | |
Chaudhari et al. | Comprehensive Survey of Abstractive Text Summarization Techniques | |
CN117828007B (zh) | 基于自然语言处理的建设征地移民档案管理方法及系统 | |
CN118170933B (zh) | 一种面向科学领域多模态语料数据的构建方法和装置 | |
CN111241827B (zh) | 一种基于句子检索模式的属性抽取方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 201203 rooms 301, 303 and 304, block B, 112 liangxiu Road, Pudong New Area, Shanghai Applicant after: Daguan Data Co.,Ltd. Address before: 201203 rooms 301, 303 and 304, block B, 112 liangxiu Road, Pudong New Area, Shanghai Applicant before: DATAGRAND INFORMATION TECHNOLOGY (SHANGHAI) Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |