CN113112164A - 基于知识图谱的变压器故障诊断方法、装置及电子设备 - Google Patents
基于知识图谱的变压器故障诊断方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113112164A CN113112164A CN202110422008.7A CN202110422008A CN113112164A CN 113112164 A CN113112164 A CN 113112164A CN 202110422008 A CN202110422008 A CN 202110422008A CN 113112164 A CN113112164 A CN 113112164A
- Authority
- CN
- China
- Prior art keywords
- search
- fault
- knowledge graph
- knowledge
- transformer fault
- 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 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 230000000875 corresponding effect Effects 0.000 claims abstract description 37
- 230000002596 correlated effect Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 11
- 230000004927 fusion Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- 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
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
- 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
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (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变压器故障诊断方法、装置及电子设备,其中方法包括:根据变压器故障案例构建变压器故障知识图谱,其中,所述故障案例包括相互关联的故障数据;接收输入的变压器故障问题搜索词;基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果;将所述搜索结果对应的相互关联的故障数据作为诊断结果输出。本发明基于变压器故障特征及相关的历史故障案例,通过深度学习、知识图谱、自然语言处理等人工智能技术,实现电力企业电力设备检修、故障分析预警、电力设备自动化维护等功能,提升设备故障运检风险管控水平。
Description
技术领域
本发明涉及电力设备运检领域,具体涉及一种基于知识图谱的变压器故障诊断方法、装置及电子设备。
背景技术
电力企业在开展变压器设备日常运检过程中,变压器设备的功能较以往更加复杂,其日常的运行维护,包括故障诊断,也更加依赖于专门的电力知识,这些电力知识及其应用的丰富经验往往只由少数老员工掌握,知识传承靠的是老员工与新员工之间传帮带的形式,难以迅速被新员工吸收,容易造成经验传承损失、知识资产流失,对企业运作产生不利影响。
而且,即便电力企业已经积累了一定规模的变压器设备技术文档,也常常存在大量电力知识的非结构化文本数据难以利用、全口径数据难以深度融合、设备知识应用深度较浅等问题,解决这些问题成为电力企业亟待满足的需求。
发明内容
本发明的主要目的在于提供一种基于知识图谱的变压器故障诊断方法及装置,以解决现有大量电力知识的非结构化文本数据难以利用、全口径数据难以深度融合、设备知识应用深度较浅的问题。
为了实现上述目的,本发明的第一方面提供了一种基于知识图谱的变压器故障诊断方法,包括:
根据变压器故障案例构建变压器故障知识图谱,其中,所述故障案例包括相互关联的故障数据;
接收输入的变压器故障问题搜索词;
基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果;
将所述搜索结果对应的相互关联的故障数据作为诊断结果输出。
可选地,所述方法还包括:
基于所述知识图谱对所述搜索词进行案例检索,获得与所述搜索词对应的检索结果;
将所述检索结果对应的故障案例作为诊断结果输出。
可选地,所述根据变压器故障案例构建变压器故障知识图谱包括:
根据变压器故障案例,定义变压器故障知识图谱中的实体、实体的属性和实体间的关系;
从所述故障案例中抽取已定义的实体、实体的属性和实体间的关系,并将抽取出的知识在同一框架规范下进行融合,融合后集成到所述知识图谱中;
将抽取出的知识连接映射文件中的关系型数据库,并将所述关系型数据库的结构化数据中的表格映射成所述知识图谱中的实体和实体的属性。
可选地,所述基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果,包括:
将所述知识图谱作为分词算法词库,构建基于知识图谱的领域分词模型,对所述搜索词进行分词理解;
基于所述知识图谱对分词后的搜索词进行意图识别,识别分词后的搜索词中的实体,并利用知识图谱对分词后的搜索词中的实体进行语义理解;
将语义理解后的搜索词转化为半结构化查询表达式;
利用所述半结构化查询表达式执行初步搜索,以提升搜索的召回率;
针对初步搜索的结果进行业务聚合和业务分类;
根据业务加权特征调整业务的权重,将初步搜索的结果通过排序算法进行排序,获得搜索结果。
进一步地,所述将初步搜索的结果通过排序算法进行排序包括:
将初步搜索的结果通过BM25排序算法,经过意图识别调整搜索词属性域,生成文档匹配候选集;
在确定文档匹配候选集后,根据排序规则获取每个要素的排序分数,根据排序分数得出搜索结果。
进一步地,所述生成文档匹配候选集包括:
根据所述搜索词,按下式确定文档匹配的结果集对应的分数score(D,Q):
其中,n是总文档数,f(qi,D)是词qi在文档中的词频,此处单个词经过去重取值为1,|D|是文档中词的个数,avgdl是所有文档中词的平均个数,k1是经验参数,b是调整参数,按下式确定逆文档频率IDF(qi):
其中,n(qi)是包含词qi的文档个数;
按照文档匹配的所有结果集对应的分数,从所有结果集中选出文档匹配候选集。
进一步地,所述在确定文档匹配候选集后,根据排序规则获取每个要素的排序分数,根据排序分数得出搜索结果,包括:
将所述文档匹配候选集按照下述排序规则计算得分score:
score=c*BM25+d*x+e*y+…
其中,BM25、x、y分别表示业务规则,c、d、e分别表示每个业务规则所在场景的影响权重;通过搜索运营系统动态配置BM25、x、y,根据业务调整c、d、e的值;
根据所有文档匹配候选集的得分进行排序,并将最高分对应的文档匹配候选集作为搜索结果。
进一步地,所述基于所述知识图谱对所述搜索词进行案例检索包括:
将所述知识图谱中的实体所属概念作为相似度计算特征,按下式确定实体A和实体B之间的相似度Sim(A,B):
其中,A0、B0分别表示知识图谱中实体A、B所属概念的类型,Ar、Br分别表示知识图谱中实体A、B所属概念下第r个数值属性的值,Aj、Bj分别表示知识图谱中实体A、B所属概念下第j个对象属性的值,s、m分别表示知识图谱中实体所属概念下的数值属性个数和对象属性个数,u、v、w分别表示知识图谱中实体所属概念的类型、所属概念下的数值属性、所属概念下的对象属性在相似度计算中的权重值,u+v+w=1。
本发明的第二方面提供了一种基于知识图谱的变压器故障诊断装置,包括:
构建单元,用于根据变压器故障案例构建变压器故障知识图谱,其中,所述故障案例包括相互关联的故障数据;
接收单元,用于接收输入的变压器故障问题搜索词;
语义理解搜索单元,用于基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果;
输出单元,用于将所述搜索结果对应的相互关联的故障数据作为诊断结果输出。
本发明的第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行第一方面任意一项提供的基于知识图谱的变压器故障诊断方法。
本发明的第四方面提供了一种电子设备,所述电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行第一方面任意一项提供的基于知识图谱的变压器故障诊断方法。
在本发明实施例中,更深层地分析充分挖掘设备缺陷文本价值,完成变压器缺陷自动分级;进一步基于文本匹配与信息抽取技术,提升变压器状态评价可解释性,实现异构数据的融合应用;最后基于理论研究与实际项目开发相应的软件系统,提升变压器故障诊断与状态评价智能化水平;
基于变压器故障特征及相关的历史故障案例,通过深度学习、知识图谱、自然语言处理等人工智能技术,实现电力企业电力设备检修、故障分析预警、电力设备自动化维护等功能,提升设备故障运检风险管控水平。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,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的附图。
图1为本发明实施例提供的变压器故障诊断方法流程示意图;
图2为本发明实施例提供的语义理解搜索方法流程示意图;
图3为本发明实施例提供的变压器故障诊断装置框图;
图4为本发明实施例提供的电子设备框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中,术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
并且,上述部分术语除了可以用于表示方位或位置关系以外,还可能用于表示其他含义,例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言,可以根据具体情况理解这些术语在本发明中的具体含义。
此外,术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如,可以是固定连接,可拆卸连接,或整体式构造;可以是机械连接,或电连接;可以是直接相连,或者是通过中间媒介间接相连,又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
电力企业在开展变压器设备日常运检过程中,变压器设备的功能较以往更加复杂,其日常的运行维护,包括故障诊断,也更加依赖于专门的电力知识,这些电力知识及其应用的丰富经验往往只由少数老员工掌握,知识传承靠的是老员工与新员工之间传帮带的形式,难以迅速被新员工吸收,容易造成经验传承损失、知识资产流失,对企业运作产生不利影响。而且,即便电力企业已经积累了一定规模的变压器设备技术文档,也常常存在大量电力知识的非结构化文本数据难以利用、全口径数据难以深度融合、设备知识应用深度较浅等问题,解决这些问题成为电力企业亟待满足的需求。
为了解决上述问题,本发明实施例提供的变压器故障知识图谱,把人工智能技术中的知识图谱应用于电力设备运检领域,实现让机器理解设备运行检修专家的经验知识,从而让机器利用知识去丰富智能化运检手段。既可以整合电力设备故障检修领域内的海量、离散知识点,将变压器设备故障知识进行体系化建设,形成通用、可学习的知识,又能根据形成的故障知识通过图谱推理形成发现新的知识,大幅度地降低企业智能化转型的成本;利用交互式机器学习技术,将知识图谱中刻画变压器各部件的各维度知识转换为特征进行统计学习,支持根据推理、纠错、标注等交互动作的学习功能,不断沉淀知识逻辑和模型,提高系统智能性,将知识沉淀在企业内部,降低对经验的依赖
本发明实施例提供的一种基于知识图谱的变压器故障诊断方法,如图1所示,该方法包括如下的步骤S101至步骤S104:
步骤S101:根据变压器故障案例构建变压器故障知识图谱,其中,所述故障案例包括相互关联的故障数据;根据电力企业变压器故障案例报告建模构建知识图谱全局知识分类体系,从不同来源、不同结构的数据中进行知识提取,形成知识存入到知识图谱;在格式内容复杂的故障案例报告数据中,进行实体抽取、关联标注、概念消歧等,从变压器设备部件、故障现象、故障原因、故障类型、故障分析方法、故障处理措施分类等角度构建变压器故障知识图谱。
具体的,所述步骤S101包括:
根据变压器故障案例,定义变压器故障知识图谱中的实体、实体的属性和实体间的关系;进行本体建模,对知识图谱中存在的实体类型、以及各实体的基本属性进行定义,包括根据提供的数据以及应用的需求对知识图谱中的数据模式进行合理定义,明确图谱中的实体、关系、以及各实体及关系的属性;具体包括:(1)分析已有变压器设备故障体系,构建电力设备故障领域概念体系;(2)定义变压器故障图谱场景中故障、设备、部件、预警现象、变量、故障原因、试验方法等实体的基本属性,包括型号、容量、电压等级等;(3)定义故障运检场景中故障、设备、部件、预警现象、故障原因等实体间的关系,包括故障关联部件、故障关联现象等。
从所述故障案例中抽取已定义的实体、实体的属性和实体间的关系,并将抽取出的知识在同一框架规范下进行融合,融合后集成到所述知识图谱中;抽取出的知识包括从故障案例中抽取出的已定义的实体、实体的属性和实体间的关系;依次进行知识抽取与融合,即在通过多渠道获取到了变压器故障相关数据和本体建模完成之后,通过知识抽取技术根据本体建模步骤中所定义的实体和关系,从已有非结构化和半结构化数据中获取实体、关系以及实体属性信息;另外,知识抽取工作完成后再通过知识融合技术使来自不同知识源的知识在同一框架规范下进行异构数据整合、去冗余、消歧、加工、推理验证、更新等步骤,形成高质量的企业知识库。
上述知识抽取与融合具体包括:(1)知识抽取:从不同数据来源,如设备概况、运行情况、故障详情、故障原因分析等,从中抽取本体建模中定义的实体、属性以及实体间关系;其中,①实体抽取:通过加入电力领域词典,使用Bi-LSTM+CRF模型;②属性抽取:与实体抽取相同,通过加入电力领域词典,使用Bi-LSTM+CRF模型;③关系抽取:使用远程监督方法,从现有知识库中抽取存在关系的实体对,然后从非结构化文本中抽取含有实体对的句子作为训练样例来训练关系提取器;
(2)知识融合:将多个数据源抽取的知识进行融合后集成到知识图谱中。在进行知识融合时,需要解决多种类型的数据冲突问题,如,包括一个短语对应多个实体、故障现象名不一致、属性缺失、属性值不一致、属性值一对多映射等情况;知识融合阶段主要对数据进行本体对齐和实体匹配。
将抽取出的知识连接映射文件中的关系型数据库,并将所述关系型数据库的结构化数据中的表格映射成所述知识图谱中的实体和实体的属性。其中,映射为D2R映射,把关系型数据库中的数据转化为RDF三元组形式的语义数据,需要制定一组从关系型数据库映射到语义数据的映射规范,并用XML语言描述,即D2RML;对结构化数据进行知识映射的关键之处在于充分理解结构化数据中的基本结构,包括每个表格的含义及表格之间的关联,以及知识图谱的结构,使用D2RML把结构化数据中的表格与知识图谱中的概念或实体关联起来。知识抽取服务连接映射文件中的目标数据库,读取相应表格中的数据,把关系型数据库中的表和列数据分别映射成概念的实体以及实体的属性,然后把这些映射得到的知识存储到变压器故障知识图谱中。
步骤S102:接收输入的变压器故障问题搜索词;接收用户输入的变压器故障问题搜索词,其中,搜索词包括故障部件、故障类型、故障原因、故障现象、运行年限、电压等级等信息中的任意一种或多种。
步骤S103:基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果;其中,所述搜索结果包括至少一组相互关联的故障数据;基于知识图谱对变压器故障信息主体间的多维度信息进行关联,形成故障分析的全流程逻辑,通过变压器故障知识图谱中各类设备、部件、故障现象与故障原因的关联,进行推理分析,以实现变压器故障预警。从大量故障数据中,通过输入故障部件、故障类型、故障原因、故障现象等信息,搜索出相关的其他数据,并通过知识图谱查看其关联性。
本发明实施例还提供了一种基于知识图谱的语义理解搜索方法,如图2所示,主要包含基于知识图谱意图识别的分词技术、基于知识图谱的排序策略,其中,就分词技术而言,相对于传统的中文分词算法,基于知识图谱的智能搜索引擎提供了多种分词插件,并可以根据用户具体使用领域,提供领域词典的配置,实现个性化的分词策略,主要提供的分词插件包括:IK、Ansj分词插件、拼音分词插件、同义词分词插件、优化阶段针对电力行业单独优化领域分词模型;
然后,进行语义理解,即语义搜索(Semantic Search),基于知识图谱的搜索服务,与基于关键词匹配的传统网络搜索引擎相比,知识图谱搜索能够支持用户更口语化query(查询、疑问)的识别;采用知识图谱的方式查询相比传统搜索引擎简单字符串匹配,让搜索结果与查询内容更加智能,同时知识图谱的构建源自海量数据的整合处理,也避免了跨领域问题查询偏差。也就是说,在知识图谱的基础上,通过各种逻辑算法分析处理自然语言实现抓住最符合问题的关键匹配知识图谱,从而找出答案。
具体的,所述步骤S103包括:
将所述知识图谱作为分词算法词库,构建基于知识图谱的领域分词模型,对所述搜索词进行分词理解;基于知识图谱的分词,对用户的故障问题搜索词进行分词理解,以最大程度上地划分和理解用户的问题;
基于所述知识图谱对分词后的搜索词进行意图识别,识别分词后的搜索词中的实体,并利用知识图谱对分词后的搜索词中的实体进行语义理解;基于知识图谱的实体、概念、属性等识别,对分词之后的用户问题进行命名实体识别包括识别知识图谱中的实体、概念、属性、操作符等,并利用知识图谱对用户问题中的分词实体进行语义消歧、语义扩展;
将语义理解后的搜索词转化为半结构化查询表达式;即查询转换,将语义理解和解析之后的用户问题转化为半结构化查询表达式,如转化为关键词与特定域检索的组合;
利用所述半结构化查询表达式执行初步搜索,以提升搜索的召回率;在粗排阶段,以提升搜索的召回率(Recall)为目标,将半结构化查询表达式,执行初步的检索,包括关键词的相似度(similarity)计算打分及模型、图谱识别确定域结果的查询;
针对初步搜索的结果进行业务聚合和业务分类;按照业务计算聚合操作,并且实现分类导航业务;
根据业务加权特征调整业务的权重,将初步搜索的结果通过排序算法进行排序,获得搜索结果。在精排阶段,根据业务加权特征将返回结果执行排序和返回,并进行内存数据库的缓存;根据业务加权特征调整业务的权重时,加权的规则包含:利用意图识别的结果、同义词、搜索词的长度或位置信息、业务数据、用户搜索日志的反馈信息进行加权。
其中,所述将初步搜索的结果通过排序算法进行排序包括:
将初步搜索的结果通过BM25排序算法,经过意图识别调整搜索词属性域,生成文档匹配候选集;基于知识图谱的智能搜索引擎中包含多种排序算法,同时支持用户自定义修改排序算法的参数,达到个性化的搜索应用,其中主要的排序算法包括BM25排序算法;
在确定文档匹配候选集后,根据排序规则获取每个要素的排序分数,根据排序分数得出搜索结果。
其中,所述生成文档匹配候选集包括:
根据所述搜索词,按下式确定文档匹配的结果集对应的分数score(D,Q):
其中,n是总文档数,f(qi,D)是词qi在文档中的词频,此处单个词经过去重取值为1,|D|是文档中词的个数,avgdl是所有文档中词的平均个数,k1是经验参数,b是调整参数,b为0时即不考虑文档长度的影响,经验表明b=0.75左右效果比较好,但是也要根据相应的场景进行调整,b越大对文档长度的惩罚越大,经验参数k1用于调整词频,极限情况下k1=0,则第二部分退化成1,及词频特征失效,可以证明k1越大词频的作用越大;
按下式确定逆文档频率IDF(qi):
其中,n(qi)是包含词qi的文档个数;逆文档频率IDF(qi)是一个词语普遍重要性的度量,它的大小与一个词的常见程度成反比,计算方法是语料库的文档总数除以语料库中包含该词语的文档数量,再将得到的商取对数;
按照文档匹配的所有结果集对应的分数,从所有结果集中选出文档匹配候选集。
其中,所述在确定文档匹配候选集后,根据排序规则获取每个要素的排序分数,根据排序分数得出搜索结果,包括:
将所述文档匹配候选集按照下述排序规则计算得分score:
score=c*BM25+d*x+e*y+…
其中,BM25、x、y分别表示业务规则,c、d、e分别表示每个业务规则所在场景的影响权重;通过搜索运营系统动态配置BM25、x、y,根据业务调整c、d、e的值,并在后期结合搜索日志进行机器学习;业务规则包括变压器场景部件、具体部件、电压等级、气体浓度等,根据电压等级和/或气体浓度高低赋值业务权重;
根据所有文档匹配候选集的得分进行排序,并将最高分对应的文档匹配候选集作为搜索结果。基于BM25的搜索模型,首先经过意图识别调整boost,在确定候选集后,根据规则score=c*BM25+d*x+e*y+…获取每个要素的排序分数,根据排序分数,更新排序结果。
步骤S104:将所述搜索结果对应的相互关联的故障数据作为诊断结果输出。由于搜索结果包括至少一组相互关联的故障数据,因此,在进行输出、显示给用户时,将搜索结果对应的所有相互关联的故障数据作为诊断结果返回给用户。
具体的,所述方法还包括:
基于所述知识图谱对所述搜索词进行案例检索,获得与所述搜索词对应的检索结果;
将所述检索结果对应的故障案例作为诊断结果输出。
进一步的,根据部件、故障类型、故障原因、运行年限、电压等级等条件进行历史故障案例检索,基于知识图谱图相似度算法是在已有的故障案例数据中,对用户提供的故障案例,通过相似度计算模型进行对比计算,根据变压器故障案例的信息要素,包括故障部件、故障类型、故障现象、故障原因、电压等级、运行年限等,为用户提供相似的案例进行推荐。本方案提供了基于故障案例知识图谱相似度计算模型,主要根据图谱中建立好的信息要素,如故障部件、故障类型、故障现象、故障原因、电压等级、运行年限等,作为相似度计算特征。
其中,所述基于所述知识图谱对所述搜索词进行案例检索包括:
将所述知识图谱中的实体所属概念作为相似度计算特征,按下式确定实体A和实体B之间的相似度Sim(A,B):
其中,A0、B0分别表示知识图谱中实体A、B所属概念的类型,Ar、Br分别表示知识图谱中实体A、B所属概念下第r个数值属性的值,Aj、Bj分别表示知识图谱中实体A、B所属概念下第j个对象属性的值,s、m分别表示知识图谱中实体所属概念下的数值属性个数和对象属性个数,u、v、w分别表示知识图谱中实体所属概念的类型、所属概念下的数值属性、所属概念下的对象属性在相似度计算中的权重值,u+v+w=1。
从以上的描述中,可以看出,本发明实现了如下技术效果:
采用知识图谱的方式查询相比传统搜索引擎简单字符串匹配,让搜索结果与查询内容更加智能,同时知识图谱的构建源自海量数据的整合处理,也避免了跨领域问题查询偏差。也就是说,在知识图谱的基础上,通过各种逻辑算法分析处理自然语言实现抓住最符合问题的关键匹配知识图谱,从而找出答案;
在本发明实施例中,更深层地分析充分挖掘设备缺陷文本价值,完成变压器缺陷自动分级;进一步基于文本匹配与信息抽取技术,提升变压器状态评价可解释性,实现异构数据的融合应用;最后基于理论研究与实际项目开发相应的软件系统,提升变压器故障诊断与状态评价智能化水平;
基于变压器故障特征及相关的历史故障案例,通过深度学习、知识图谱、自然语言处理等人工智能技术,实现电力企业电力设备检修、故障分析预警、电力设备自动化维护等功能,提升设备故障运检风险管控水平。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明实施例还提供了一种用于实施上述基于知识图谱的变压器故障诊断方法的基于知识图谱的变压器故障诊断装置,如图3所示,该装置包括:
构建单元31,用于根据变压器故障案例构建变压器故障知识图谱,其中,所述故障案例包括相互关联的故障数据;
接收单元32,用于接收输入的变压器故障问题搜索词;
语义理解搜索单元33,用于基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果;
输出单元34,用于将所述搜索结果对应的相互关联的故障数据作为诊断结果输出。
本发明实施例还提供了一种电子设备,如图4所示,该电子设备包括一个或多个处理器41以及存储器42,图4中以一个处理器41为例。
该控制器还可以包括:输入装置43和输出装置44。
处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器41可以为中央处理器(Central Processing Unit,简称为CPU),处理器41还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,简称为DSP)、专用集成电路(Application Specific Integrated Circuit,简称为ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称为FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合,通用处理器可以是微处理器或者任何常规的处理器。
存储器42作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的控制方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的基于知识图谱的变压器故障诊断方法。
存储器42可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器42可选包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置43可接收输入的数字或字符信息,以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。
一个或者多个模块存储在存储器42中,当被一个或者多个处理器41执行时,执行如图1所示的方法。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各电机控制方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,简称为ROM)、随机存储记忆体(RandomAccessMemory,简称为RAM)、快闪存储器(FlashMemory,简称为FM)、硬盘(HardDiskDrive,简称为HDD)或固态硬盘(Solid-StateDrive,简称为SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于知识图谱的变压器故障诊断方法,其特征在于,包括:
根据变压器故障案例构建变压器故障知识图谱,其中,所述故障案例包括相互关联的故障数据;
接收输入的变压器故障问题搜索词;
基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果;
将所述搜索结果对应的相互关联的故障数据作为诊断结果输出。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述知识图谱对所述搜索词进行案例检索,获得与所述搜索词对应的检索结果;
将所述检索结果对应的故障案例作为诊断结果输出。
3.根据权利要求1所述的方法,其特征在于,所述根据变压器故障案例构建变压器故障知识图谱包括:
根据变压器故障案例,定义变压器故障知识图谱中的实体、实体的属性和实体间的关系;
从所述故障案例中抽取已定义的实体、实体的属性和实体间的关系,并将抽取出的知识在同一框架规范下进行融合,融合后集成到所述知识图谱中;
将抽取出的知识连接映射文件中的关系型数据库,并将所述关系型数据库的结构化数据中的表格映射成所述知识图谱中的实体和实体的属性。
4.根据权利要求1所述的方法,其特征在于,所述基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果,包括:
将所述知识图谱作为分词算法词库,构建基于知识图谱的领域分词模型,对所述搜索词进行分词理解;
基于所述知识图谱对分词后的搜索词进行意图识别,识别分词后的搜索词中的实体,并利用知识图谱对分词后的搜索词中的实体进行语义理解;
将语义理解后的搜索词转化为半结构化查询表达式;
利用所述半结构化查询表达式执行初步搜索,以提升搜索的召回率;
针对初步搜索的结果进行业务聚合和业务分类;
根据业务加权特征调整业务的权重,将初步搜索的结果通过排序算法进行排序,获得搜索结果。
5.根据权利要求4所述的方法,其特征在于,所述将初步搜索的结果通过排序算法进行排序包括:
将初步搜索的结果通过BM25排序算法,经过意图识别调整搜索词属性域,生成文档匹配候选集;
在确定文档匹配候选集后,根据排序规则获取每个要素的排序分数,根据排序分数得出搜索结果。
7.根据权利要求5所述的方法,其特征在于,所述在确定文档匹配候选集后,根据排序规则获取每个要素的排序分数,根据排序分数得出搜索结果,包括:
将所述文档匹配候选集按照下述排序规则计算得分score:
score=c*BM25+d*x+e*y+…
其中,BM25、x、y分别表示业务规则,c、d、e分别表示每个业务规则所在场景的影响权重;通过搜索运营系统动态配置BM25、x、y,根据业务调整c、d、e的值;
根据所有文档匹配候选集的得分进行排序,并将最高分对应的文档匹配候选集作为搜索结果。
9.一种基于知识图谱的变压器故障诊断装置,其特征在于,包括:
构建单元,用于根据变压器故障案例构建变压器故障知识图谱,其中,所述故障案例包括相互关联的故障数据;
接收单元,用于接收输入的变压器故障问题搜索词;
语义理解搜索单元,用于基于所述知识图谱对所述搜索词进行语义理解搜索,获得与所述搜索词对应的搜索结果;
输出单元,用于将所述搜索结果对应的相互关联的故障数据作为诊断结果输出。
10.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-8任意一项所述的基于知识图谱的变压器故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422008.7A CN113112164A (zh) | 2021-04-19 | 2021-04-19 | 基于知识图谱的变压器故障诊断方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422008.7A CN113112164A (zh) | 2021-04-19 | 2021-04-19 | 基于知识图谱的变压器故障诊断方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112164A true CN113112164A (zh) | 2021-07-13 |
Family
ID=76718570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110422008.7A Pending CN113112164A (zh) | 2021-04-19 | 2021-04-19 | 基于知识图谱的变压器故障诊断方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112164A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821621A (zh) * | 2021-09-28 | 2021-12-21 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服系统 |
CN113836280A (zh) * | 2021-08-31 | 2021-12-24 | 上海欣能信息科技发展有限公司 | 基于知识图谱技术的电网运检知识语音问答方法及系统 |
CN113870046A (zh) * | 2021-09-07 | 2021-12-31 | 国网河北省电力有限公司电力科学研究院 | 电力设备故障诊断方法及设备 |
CN114138982A (zh) * | 2021-12-02 | 2022-03-04 | 华北电力大学(保定) | 一种用于干式变压器故障诊断的知识图谱的构建方法 |
CN114153949A (zh) * | 2021-12-11 | 2022-03-08 | 北京信立方科技发展股份有限公司 | 一种分词检索方法及系统 |
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 |
CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114625843A (zh) * | 2022-04-06 | 2022-06-14 | 山东省科院易达科技咨询有限公司 | 基于知识图谱的查询方法及装置 |
CN114792140A (zh) * | 2022-03-30 | 2022-07-26 | 云智慧(北京)科技有限公司 | 一种基于知识图谱的变电站缺陷分析系统 |
CN114818671A (zh) * | 2022-03-10 | 2022-07-29 | 中国电子科技集团公司第十研究所 | 一种融合价值堆叠的异构知识动态表示学习方法 |
CN114867052A (zh) * | 2022-06-10 | 2022-08-05 | 中国电信股份有限公司 | 无线网络故障诊断方法、装置、电子设备和介质 |
CN116091045A (zh) * | 2023-02-28 | 2023-05-09 | 武汉烽火技术服务有限公司 | 一种基于知识图谱的通信网络运维方法和运维装置 |
CN116521700A (zh) * | 2023-06-28 | 2023-08-01 | 广州泓盈信息科技有限公司 | 一种电力系统检修信息库更新方法、系统及存储介质 |
WO2023184185A1 (zh) * | 2022-03-29 | 2023-10-05 | 西门子股份公司 | 应用程序的编排方法及装置 |
WO2024114643A1 (zh) * | 2022-11-30 | 2024-06-06 | 北京航天数据股份有限公司 | 一种基于知识图谱的故障诊断方法、装置及电子设备 |
CN118194214A (zh) * | 2024-05-20 | 2024-06-14 | 江西博微新技术有限公司 | 一种输电立体巡检方法、系统、计算机及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941725A (zh) * | 2019-11-29 | 2020-03-31 | 国网湖南省电力有限公司 | 一种基于知识图谱的水电机组故障诊断方法及系统 |
KR20200097031A (ko) * | 2019-02-07 | 2020-08-18 | 건국대학교 글로컬산학협력단 | 탐색어 개념확장 기반의 정보검색 장치 및 방법 |
CN112269901A (zh) * | 2020-09-14 | 2021-01-26 | 合肥中科类脑智能技术有限公司 | 一种基于知识图谱的故障判别推理方法 |
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 |
CN112632224A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 基于案例知识图谱的案件推荐方法、装置和电子设备 |
-
2021
- 2021-04-19 CN CN202110422008.7A patent/CN113112164A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200097031A (ko) * | 2019-02-07 | 2020-08-18 | 건국대학교 글로컬산학협력단 | 탐색어 개념확장 기반의 정보검색 장치 및 방법 |
CN110941725A (zh) * | 2019-11-29 | 2020-03-31 | 国网湖南省电力有限公司 | 一种基于知识图谱的水电机组故障诊断方法及系统 |
CN112269901A (zh) * | 2020-09-14 | 2021-01-26 | 合肥中科类脑智能技术有限公司 | 一种基于知识图谱的故障判别推理方法 |
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 |
CN112632224A (zh) * | 2020-12-29 | 2021-04-09 | 天津汇智星源信息技术有限公司 | 基于案例知识图谱的案件推荐方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
青十五: "《策略产品经理:模型与方法论》", vol. 1, 机械工业出版社, pages: 195 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836280A (zh) * | 2021-08-31 | 2021-12-24 | 上海欣能信息科技发展有限公司 | 基于知识图谱技术的电网运检知识语音问答方法及系统 |
CN113870046A (zh) * | 2021-09-07 | 2021-12-31 | 国网河北省电力有限公司电力科学研究院 | 电力设备故障诊断方法及设备 |
CN113821621A (zh) * | 2021-09-28 | 2021-12-21 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服系统 |
CN113821621B (zh) * | 2021-09-28 | 2023-10-27 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服系统 |
CN114138982A (zh) * | 2021-12-02 | 2022-03-04 | 华北电力大学(保定) | 一种用于干式变压器故障诊断的知识图谱的构建方法 |
CN114153949A (zh) * | 2021-12-11 | 2022-03-08 | 北京信立方科技发展股份有限公司 | 一种分词检索方法及系统 |
CN114153949B (zh) * | 2021-12-11 | 2022-12-13 | 北京信立方科技发展股份有限公司 | 一种分词检索方法及系统 |
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 |
CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114579875B (zh) * | 2022-03-03 | 2022-09-27 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
CN114818671A (zh) * | 2022-03-10 | 2022-07-29 | 中国电子科技集团公司第十研究所 | 一种融合价值堆叠的异构知识动态表示学习方法 |
CN114818671B (zh) * | 2022-03-10 | 2023-05-26 | 中国电子科技集团公司第十研究所 | 一种融合价值堆叠的异构知识动态表示学习方法 |
WO2023184185A1 (zh) * | 2022-03-29 | 2023-10-05 | 西门子股份公司 | 应用程序的编排方法及装置 |
CN114792140A (zh) * | 2022-03-30 | 2022-07-26 | 云智慧(北京)科技有限公司 | 一种基于知识图谱的变电站缺陷分析系统 |
CN114625843A (zh) * | 2022-04-06 | 2022-06-14 | 山东省科院易达科技咨询有限公司 | 基于知识图谱的查询方法及装置 |
CN114867052A (zh) * | 2022-06-10 | 2022-08-05 | 中国电信股份有限公司 | 无线网络故障诊断方法、装置、电子设备和介质 |
CN114867052B (zh) * | 2022-06-10 | 2023-11-07 | 中国电信股份有限公司 | 无线网络故障诊断方法、装置、电子设备和介质 |
WO2024114643A1 (zh) * | 2022-11-30 | 2024-06-06 | 北京航天数据股份有限公司 | 一种基于知识图谱的故障诊断方法、装置及电子设备 |
CN116091045A (zh) * | 2023-02-28 | 2023-05-09 | 武汉烽火技术服务有限公司 | 一种基于知识图谱的通信网络运维方法和运维装置 |
CN116091045B (zh) * | 2023-02-28 | 2024-07-19 | 武汉烽火技术服务有限公司 | 一种基于知识图谱的通信网络运维方法和运维装置 |
CN116521700B (zh) * | 2023-06-28 | 2023-09-08 | 广州泓盈信息科技有限公司 | 一种电力系统检修信息库更新方法、系统及存储介质 |
CN116521700A (zh) * | 2023-06-28 | 2023-08-01 | 广州泓盈信息科技有限公司 | 一种电力系统检修信息库更新方法、系统及存储介质 |
CN118194214A (zh) * | 2024-05-20 | 2024-06-14 | 江西博微新技术有限公司 | 一种输电立体巡检方法、系统、计算机及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112164A (zh) | 基于知识图谱的变压器故障诊断方法、装置及电子设备 | |
CN107993724B (zh) | 一种医学智能问答数据处理的方法及装置 | |
CN111930784B (zh) | 一种电网知识图谱构建方法及其系统 | |
JP6309644B2 (ja) | スマート質問回答の実現方法、システム、および記憶媒体 | |
CN107220295B (zh) | 一种人民矛盾调解案例搜索和调解策略推荐方法 | |
CN112699246B (zh) | 基于知识图谱的领域知识推送方法 | |
CN107180045B (zh) | 一种互联网文本蕴含地理实体关系的抽取方法 | |
CN104408173B (zh) | 一种基于b2b平台的核心关键词自动提取方法 | |
CN110019732B (zh) | 一种智能问答方法以及相关装置 | |
CN111967761B (zh) | 一种基于知识图谱的监控预警方法、装置及电子设备 | |
CN109447266B (zh) | 一种基于大数据的农业科技服务智能分拣方法 | |
CN112800170A (zh) | 问题的匹配方法及装置、问题的回复方法及装置 | |
CN109947952B (zh) | 基于英语知识图谱的检索方法、装置、设备及存储介质 | |
CN111125334A (zh) | 一种基于预训练的搜索问答系统 | |
CN106708929B (zh) | 视频节目的搜索方法和装置 | |
CN110162768B (zh) | 实体关系的获取方法、装置、计算机可读介质及电子设备 | |
CN112507109A (zh) | 一种基于语义分析与关键词识别的检索方法和装置 | |
CN113722478B (zh) | 多维度特征融合相似事件计算方法、系统及电子设备 | |
CN110704577A (zh) | 一种电网调度数据的搜索方法及系统 | |
CN109522396B (zh) | 一种面向国防科技领域的知识处理方法及系统 | |
CN112581327B (zh) | 基于知识图谱的法律推荐方法、装置和电子设备 | |
CN112883182A (zh) | 一种基于机器阅读的问答匹配方法及装置 | |
CN115905487A (zh) | 文档问答方法、系统、电子设备及存储介质 | |
CN110727769A (zh) | 语料库生成方法及装置、人机交互处理方法及装置 | |
CN106570196B (zh) | 视频节目的搜索方法和装置 |
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 |