CN113254468B - 一种装备的故障查询及推理方法 - Google Patents
一种装备的故障查询及推理方法 Download PDFInfo
- Publication number
- CN113254468B CN113254468B CN202110424720.0A CN202110424720A CN113254468B CN 113254468 B CN113254468 B CN 113254468B CN 202110424720 A CN202110424720 A CN 202110424720A CN 113254468 B CN113254468 B CN 113254468B
- Authority
- CN
- China
- Prior art keywords
- fault
- case
- solution
- query
- database
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
- G06F16/2445—Data retrieval commands; View definitions
-
- 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
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种装备的故障查询及推理方法,包括:1、建立Mysql数据库并录入数据;2、利用protege建模工具进行本体建模;3、利用d2rq工具把Mysql中的数据转为RDF格式;4、输入故障特征,系统生成RDF查询语言SPARQL,将查询语句发送给Fuseki服务器,服务器返回查询结果;5、对于案例库中没有的案例,需要推理出查询结果。本发明推理使用聚类算法及径向基函数神经网络,计算出新案例的各个特征与案例库中已有案例各个特征的相似度,给出相似度最高的几种解决方案特征,修正解决方案特征后,作为一条新的案例录入数据库。
Description
技术领域
本发明属于人工智能领域,具体涉及一种装备的故障查询及推理方法。
背景技术
某型装备包含大量机械、液压、电气等部件、零件、元件,其故障形式、机理、维修方式各不相同,如单纯使用故障维修手册,则难以实现高效、快捷检索,难以适应作战场景下的装备维修节奏;同时,装备故障形式多样,难以对故障维修手册中未出现的故障形式提出维修建议,且以故障维修手册为蓝本的维修方式难以实现后期不断的更新、印发。因此,开发一套能够实现智能查询、案例积累、数据扩充以及故障推理的装备维修系统尤为重要。
为高效排除故障,人们把控制理论、信息理论和电子技术、传感器技术及识别技术等进行结合并应用于装备故障诊断,形成了很多新的诊断方法。总体来看,装备故障诊断技术大致可分为主观诊断法、数学模型与信息处理诊断法和智能技术诊断法三类。
主观诊断法相对比较传统,主要凭相关领域的专家和技术人员通过自身丰富的工作经验、扎实的故障机理知识,利用相关检测仪器,对故障原因及故障部件进行判断,并提出相应的排除方法。主观诊断法在实际运用中,有操作简单、效率高、可行性强的良好特点,但诊断结果常带有主观倾向性,过于依赖技术人员的经验,只能对故障进行简单的定性分析,做不到定量分析。
基于数学模型与信息处理的诊断法主要借助一定的数学模型、图表等描述液压系统各类设备构件的一系列特征值与故障之间关联,并通过分析与处理此类关联来判断液压系统存在的故障。该诊断方法需要对系统建模,而机电液耦合产生的非线性环节,使系统建模比较困难。所以此故障诊断法在液压系统故障诊断应用中受到了一定的限制,有待于进一步改进。
智能诊断技术通过运用故障智能诊断系统,能模仿人脑对问题进行思考和分析,是故障诊断技术和计算机技术共同融合的成果,也是当前故障诊断领域研究的重点。智能故障诊断技术是从数据源收集大量、类型多样且内容真实的故障信息和数据,并以此作为研究对象,以数据库、数据挖掘和深度学习等算法为分析工具,从中找出与故障有关的未知的相关关系、诊断规则以及其它有用信息,最后将诊断结果利用可视化等技术展现出来,从而实现故障诊断的一个过程,其核心是数据分析算法。
目前,基于智能技术的故障诊断法主要有基于神经网络的诊断法、基于专家系统的诊断法以及将多种不同的诊断技术相互融合而形成的综合智能诊断技术等。该方法在目前的故障诊断中应用比较广泛,特别是基于技术融合的诊断技术。该方法能够快速识别、诊断故障,但知识获取困难、难于理解。
发明内容
为克服传统的基于规则的推理方法的缺点,本发明提供了一种装备的故障查询及推理方法,使用聚类算法及径向基函数神经网络计算各个案例特征之间的相似度,学习收敛速度快,训练简洁。
本发明采用如下技术方案来实现的:
一种装备的故障查询及推理方法,包括以下步骤:
步骤1)建立数据库、录入数据
建立Mysql数据库并录入故障特征及解决方案,数据库的建立为本体建模提供思路;
步骤2)本体建模
使用Protege建模工具对知识图谱中的类和对象属性进行本体建模,构建了知识图谱的本体结构;
步骤3)生成RDF文档
利用d2rq工具把步骤1中Mysql的数据转为RDF格式并上传至fuseki服务器,构成知识图谱,生成的RDF格式文件用于下一步骤中的sparsql语言查询;
步骤4)输入故障特征利用知识图谱查询解决方案
输入故障特征,生成sparsql查询语句,发送给fuseki服务器,利用知识图谱查询解决方案;
步骤5)推理数据库中没有的故障解决方案
利用聚类算法及径向基函数神经网络推理数据库中没有的即步骤4中查询不到的故障解决方案。
本发明进一步的改进在于,所述步骤1)建立Mysql数据库并录入故障特征及解决方案的方法如下:
首先建立Mysql数据库,分别建立“故障特征表”、“解决方案特征表”和故障特征与解决方案之间的“关系表”;再获取大量故障与解决方案的案例描述,利用正则表达式匹配的方法提取出装备类型、装备型号、温度、盐度、海拔、盐度、昼夜温差等故障特征,再利用TF-IDF算法获取每条案例中词频高且语料库其他案例中词频低的关键词,将二者结合作为一条案例的故障特征;最后将故障特征关键词、解决方案特征关键词与二者之间的关系录入数据库。
本发明进一步的改进在于,所述步骤2)本体建模的方法如下:
使用protege建模工具进行本体建模,首先,创建两个类:“故障特征”类和“解决方案特征”类,再创建两个对象属性:“fea2sol”表示某故障特征对应某解决方案特征,“sol2fea”表示某解决方案特征对应某故障特征,这两个属性互为逆属性,最后将结果导出上传至fuseki服务器。
本发明进一步的改进在于,所述步骤3)利用d2rq工具把Mysql中的数据转为RDF格式的方法:
利用d2rq工具把Mysql中的数据转为RDF格式,首先执行generate-mapping命令生成默认的mapping文件,再把默认的映射词汇改为我们本体中的词汇,最后把修改后的mapping文件导出成三元组的格式,上传至fuseki服务器。
本发明进一步的改进在于,所述步骤4)输入故障特征利用知识图谱查询解决方案:
输入要查询的故障特征后,系统生成用于查询RDF格式数据的SPARQL语句,将查询语句发送给Fuseki服务器,服务器返回结果,结合d3框架,将结果展示在前端界面上,若用知识图谱没有查询到已有的解决方案特征,则需进入故障推理模块。
本发明进一步的改进在于,所述步骤5)推理数据库中没有的故障解决方案的方法如下:
当一个待解决的新问题出现时,这个新问题就是目标案例;利用目标案例的描述信息查询过去相似的案例,即对案例库进行检索,得到与目标案例相类似的源案例,由此获得对新问题的一些解决方案;如果这个解答方案失败将对其进行调整,以获得一个能保存的成功案例,这个过程结束后,能够获得目标案例的较完整的解决方案;若源案例未能给出正确合适的解,则通过案例修正并保存能够获得一个新的源案例;
在对案例库进行检索,得到与目标案例相似的源案例时,使用聚类算法及径向基函数神经网络,计算出新案例的各个特征与数据库中已有案例各个特征的相似度,给出相似度最高的几种解决方案特征作为推理结果。
本发明进一步的改进在于,使用聚类算法及径向基函数神经网络进行推理具体操作如下:
首先选取合适的中心点个数,将案例库中所有文本转化成词向量后进行聚类,与输入的需要的查询特征属于一类的就是与查询案例最相似的一些案例,径向基函数神经网络的隐藏层就相当于一个相似度计算网络,因此,网络被看作是一个相似性检测器,将聚类结果中,所有与查询特征词为同一类的案例特征向量作为径向基函数神经网络的隐藏层,查询故障特征词向量作为输入层,故障特征词权重作为网络的权重,使用高斯函数作为隐藏层激活函数,输出值越大则相似度越大,将输出值从大到小排列,选取前几个相似度最大的案例解决方法作为结果参考,并在修正之后保存成为一个新的源案例。
本发明至少具有如下有益的技术效果:
本发明提供的一种装备的故障查询及推理方法,首先构建知识图谱进行查询,再在知识图谱构建的基础上搭建径向基函数神经网络,径向基函数神经网络的输入提前经过了聚类函数做处理。由于使用了聚类算法及径向基函数神经网络进行基于案例的推理,所以不需要完整获取知识的规则,因而不再受到知识获取的瓶颈问题的困扰。另外,由于径向基函数神经网络收敛速度快,学习能力强,因而具备快速地问题推理、查询和求解性能。而且在输入径向基函数神经网络前,首先使用聚类算法,大大减少了计算量,提高了查询响应速度。
进一步,首先建立Mysql数据库,分别建立“故障特征表”、“解决方案特征表”和故障特征与解决方案之间的“关系表”,这种数据库构建方式为知识图谱的构建提供了便利;再获取大量故障与解决方案的案例描述,利用正则表达式匹配的方法提取出装备类型、装备型号、温度、盐度、海拔、盐度、昼夜温差等故障特征,再利用TF-IDF算法获取每条案例中词频高且语料库其他案例中词频低的关键词,将二者结合作为一条案例的故障特征,因为天气特征对某型装备故障存在一定程度的影响,TF-IDF算法可以区别相似案例,为查询推理提供精确度保障;最后将故障特征关键词、解决方案特征关键词与二者之间的关系录入数据库。
进一步,使问题抽象化,方便知识图谱的建立,而使用知识图谱进行查询与推理比一般的关系型数据库更加简洁、高效。
进一步,将关系数据库中的数据转化为三元组形式,使用sparql查询语言查询,不用做大量的关系数据库表连接。
进一步,使用知识图谱可以在查询的基础上做推理,比使用关系型数据库做查询功能更强大。
进一步,使用聚类算法及径向基函数神经网络进行推理:聚类可以大大减少神经网络计算量,径向基函数收敛速度快,学习能力强,推理结果准确度高。
与传统的知识处理方式相比,基于案例推理的方式只根据需要从案例库中检索出最为相似的已有案例而不需要完整获取知识的规则,因而不再受到知识获取的瓶颈问题的困扰。另外,由于基于案例的推理具有记忆功能,在面临相同的决策问题时,能够直接去调用上一次的推理结果而无需重新按照规则进行再次匹配,因而具备快速地问题推理、查询和求解性能。
通过上述分析可知,基于案例的推理技术适用于将过去已有的大量诊断案例作为知识的来源,决策者只需要在相应的案例库中找到类似的故障案例就可以解决问题的系统。考虑到实装人员在装备维修维护理论知识掌握程度问题,使用基于案例的推理系统相较于基于规则的推理系统更具有优势。
径向基函数神经网络是一种只含有一个隐层的神经网络,具有良好的生物学背景和函数逼近能力,不仅学习速度快,而且具有全局收敛的性质。
RBF神经网络结构由三层组成:输入层、隐藏层、输出层。其中隐藏层由历史案例库中的计算单元组成,利用混合学习过程在非监督方式下训练实现。选取高斯函数作为隐藏层的激活函数。高斯函数图像是两边衰减且径向对称的,当选取的中心与输入数据很接近时,才对输入有真正的映射作用,若中心与查询点很远,输出的结果趋近于零。所以,网络可被看作是一个相似性检测器。因此,使用径向基函数神经网络作为推理过程的关键,具有很多优点。
附图说明
图1为本发明的流程示意图。
图2为构建本体的示意图。
图3为构建数据库录入数据示意图。
图4为生成sparql查询语句示意图。
图5为sparql查询语句查询结果示意图。
图6为查询案例库已有案例故障解决方案的示意图。
图7为新案例推理结果的示意图。
具体实施方式
下面结合附图和实施例对本发明做详细说明;
如图1所示,本发明提供的一种装备的故障查询及推理方法,包括以下步骤:步骤一:建立数据库并录入数据;步骤二:本体建模;步骤三:生成RDF文档;步骤四:输入故障特征利用知识图谱查询解决方案特征;步骤五:推理数据库中没有的故障解决方案。本发明具有学习速度快,训练简单,性能良好的优点。
某型装备的故障查询及推理方法步骤如下:
第一步、建立数据库并录入数据
首先建立Mysql数据库,分别建立“故障特征表”、“解决方案特征表”和故障特征与解决方案之间的“关系表”。“故障特征表”包含特征编号、故障特征、案例编号、权重四个字段,“解决方案特征表”包含解决方案编号、解决方案、案例编号三个字段。“关系表”包含故障特征编号与解决方案编号两个字段。之后再获取大量故障与解决方案的案例描述,因为天气因素对某型装备有一定程度上的影响,所以需要利用正则表达式匹配的方法提取出装备类型、装备型号、温度、盐度、海拔、盐度、昼夜温差等故障特征,再利用TF-IDF算法获取每条案例中词频高且语料库其他案例中词频低的关键词,将二者结合作为一条案例的故障特征。最后将故障特征关键词、解决方案特征关键词与二者之间的关系录入数据库;
第二步、本体建模
使用protege建模工具进行本体建模。首先,创建两个类:“故障特征”类和“解决方案特征”类。再创建两个对象属性:“fea2sol”表示某故障特征对应某解决方案特征,“sol2fea”表示某解决方案特征对应某故障特征,这两个属性互为逆属性,最后将结果导出上传至fuseki服务器,本体建模结果如图2所示;
第三步、生成RDF文档
利用d2rq工具把Mysql中的数据转为RDF格式。首先执行generate-mapping命令生成默认的mapping文件,再把默认的映射词汇改为我们本体中的词汇,最后把修改后的mapping文件导出成三元组的格式,上传至fuseki服务器;
第四步、输入故障特征利用知识图谱查询解决方案
输入故障特征后,系统会生成RDF查询语言SPARQL,将查询语句发送给Fuseki服务器,服务器返回结果,结合前端d3框架,将结果展示在前端页面上,若数据库中没有查询到已有的解决方案特征,则需进入故障推理模块。
如图3所示,开发某型装备案例录入与故障推理系统,将若干故障描述分词后录入数据库构成故障案例数据库,在查询时将查询的故障特征转化为如图4所示的sparql查询语句发送至fuseki服务器,服务器返回如图5所示的查询结果。图6为某案例的查询结果使用前端d3框架显示在页面的结果。
第五步、推理数据库中没有的故障解决方案
当一个待解决的新问题出现时,这个新问题就是目标案例;利用目标案例的描述信息查询过去相似的案例,即对案例库进行检索,得到与目标案例相类似的源案例,由此获得对新问题的一些解决方案;如果这个解答方案失败将对其进行调整,以获得一个能保存的成功案例。这个过程结束后,可以获得目标案例的较完整的解决方案;若源案例未能给出正确合适的解,则通过案例修正并保存可以获得一个新的源案例。
在对案例库进行检索,得到与目标案例相似的源案例时,使用聚类算法及径向基函数神经网络,计算出新案例的各个特征与数据库中已有案例各个特征的相似度,给出相似度最高的几种解决方案特征。具体步骤如下:
首先选取合适的中心点个数,将案例库中所有文本转化成词向量后进行聚类,与输入的需要的查询特征属于一类的就是与查询案例最相似的一些案例。径向基函数神经网络的隐藏层就相当于一个相似度计算网络,因此,网络可被看作是一个相似性检测器。将聚类结果中,所有与查询特征词为同一类的案例特征向量作为径向基函数神经网络的隐藏层,查询故障特征词向量作为输入层,故障特征词权重作为网络的权重,使用高斯函数作为隐藏层激活函数,输出值越大则相似度越大,将输出值从大到小排列,选取前几个相似度最大的案例解决方法作为结果参考,并在修正之后保存成为一个新的源案例。
下表为输入某案例的推理结果:
图7为某输入案例的三个相似案例。
Claims (4)
1.一种装备的故障查询及推理方法,其特征在于,包括以下步骤:
步骤1)建立数据库、录入数据
建立Mysql数据库并录入故障特征及解决方案,数据库的建立为本体建模提供数据依据;
步骤2)本体建模
使用Protege建模工具对知识图谱中的类和对象属性进行本体建模,构建了知识图谱的本体结构;
步骤3)生成RDF文档
利用d2rq工具把步骤1中Mysql的数据转为RDF格式并上传至fuseki服务器,构成知识图谱,生成的RDF格式文件用于下一步骤中的sparsql语言查询;利用d2rq工具把Mysql中的数据转为RDF格式的方法为:
利用d2rq工具把Mysql中的数据转为RDF格式,首先执行generate-mapping命令生成默认的mapping文件,再把默认的映射词汇改为本体中的词汇,最后把修改后的mapping文件导出成三元组的格式,上传至fuseki服务器;
步骤4)输入故障特征利用知识图谱查询解决方案
输入故障特征,生成sparsql查询语句,发送给fuseki服务器,利用知识图谱查询解决方案;若用知识图谱没有查询到已有的解决方案特征,则进入步骤5);
步骤5)推理数据库中没有的故障解决方案
利用聚类算法及径向基函数神经网络推理数据库中没有的即步骤4)中查询不到的故障解决方案;
推理数据库中没有的故障解决方案的方法如下:
当一个待解决的新问题出现时,这个新问题就是目标案例;利用目标案例的描述信息查询过去相似的案例,即对案例库进行检索,得到与目标案例相类似的源案例,由此获得对新问题的一些解决方案;如果这个解答方案失败将对其进行调整,以获得一个能保存的成功案例,这个过程结束后,能够获得目标案例的较完整的解决方案;若源案例未能给出正确合适的解,则通过案例修正并保存能够获得一个新的源案例;
在对案例库进行检索,得到与目标案例相似的源案例时,使用聚类算法及径向基函数神经网络,计算出新案例的各个特征与数据库中已有案例各个特征的相似度,给出相似度最高的几种解决方案特征作为推理结果;
其中,使用聚类算法及径向基函数神经网络进行推理具体操作如下:
首先选取合适的中心点个数,将案例库中所有文本转化成词向量后进行聚类,与输入的需要的查询特征属于一类的就是与查询案例最相似的一些案例,径向基函数神经网络的隐藏层就相当于一个相似度计算网络,因此,网络被看作是一个相似性检测器,将聚类结果中,所有与查询特征词为同一类的案例特征向量作为径向基函数神经网络的隐藏层,查询故障特征词向量作为输入层,故障特征词权重作为网络的权重,使用高斯函数作为隐藏层激活函数,输出值越大则相似度越大,将输出值从大到小排列,选取前几个相似度最大的案例解决方法作为结果参考,并在修正之后保存成为一个新的源案例。
2.根据权利要求1所述的一种装备的故障查询及推理方法,其特征在于,所述步骤1)建立Mysql数据库并录入故障特征及解决方案的方法如下:
首先建立Mysql数据库,分别建立“故障特征表”、“解决方案特征表”和故障特征与解决方案之间的“关系表”;再获取大量故障与解决方案的案例描述,利用正则表达式匹配的方法提取出装备类型、装备型号、温度、盐度、海拔和昼夜温差故障特征,再利用TF-IDF算法获取每条案例中词频高且语料库其他案例中词频低的关键词,将二者结合作为一条案例的故障特征;最后将故障特征关键词、解决方案特征关键词与二者之间的关系录入数据库。
3.根据权利要求1所述的一种装备的故障查询及推理方法,其特征在于,所述步骤2)本体建模的方法如下:
使用protege建模工具进行本体建模,首先,创建两个类:“故障特征”类和“解决方案特征”类,再创建两个对象属性:“fea2sol”表示某故障特征对应某解决方案特征,“sol2fea”表示某解决方案特征对应某故障特征,这两个属性互为逆属性,最后将结果导出上传至fuseki服务器。
4.根据权利要求1所述的一种装备的故障查询及推理方法,其特征在于,所述步骤4)输入故障特征利用知识图谱查询解决方案:
输入要查询的故障特征后,系统生成用于查询RDF格式数据的SPARQL语句,将查询语句发送给Fuseki服务器,服务器返回结果,结合d3框架,将结果展示在前端界面上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424720.0A CN113254468B (zh) | 2021-04-20 | 2021-04-20 | 一种装备的故障查询及推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424720.0A CN113254468B (zh) | 2021-04-20 | 2021-04-20 | 一种装备的故障查询及推理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113254468A CN113254468A (zh) | 2021-08-13 |
CN113254468B true CN113254468B (zh) | 2023-03-31 |
Family
ID=77221673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110424720.0A Active CN113254468B (zh) | 2021-04-20 | 2021-04-20 | 一种装备的故障查询及推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113254468B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136540A (zh) * | 2013-03-19 | 2013-06-05 | 中国科学院自动化研究所 | 一种基于隐结构推理的行为识别方法 |
CN104598881A (zh) * | 2015-01-12 | 2015-05-06 | 中国科学院信息工程研究所 | 基于特征压缩与特征选择的歪斜场景文字识别方法 |
WO2019101720A1 (en) * | 2017-11-22 | 2019-05-31 | Connaught Electronics Ltd. | Methods for scene classification of an image in a driving support system |
CN109948207A (zh) * | 2019-03-06 | 2019-06-28 | 西安交通大学 | 一种航空发动机高压转子装配误差预测方法 |
CN112215279A (zh) * | 2020-10-12 | 2021-01-12 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
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 |
-
2021
- 2021-04-20 CN CN202110424720.0A patent/CN113254468B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136540A (zh) * | 2013-03-19 | 2013-06-05 | 中国科学院自动化研究所 | 一种基于隐结构推理的行为识别方法 |
CN104598881A (zh) * | 2015-01-12 | 2015-05-06 | 中国科学院信息工程研究所 | 基于特征压缩与特征选择的歪斜场景文字识别方法 |
WO2019101720A1 (en) * | 2017-11-22 | 2019-05-31 | Connaught Electronics Ltd. | Methods for scene classification of an image in a driving support system |
CN109948207A (zh) * | 2019-03-06 | 2019-06-28 | 西安交通大学 | 一种航空发动机高压转子装配误差预测方法 |
CN112215279A (zh) * | 2020-10-12 | 2021-01-12 | 国网新疆电力有限公司 | 一种基于免疫rbf神经网络的电网故障诊断方法 |
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 |
Non-Patent Citations (2)
Title |
---|
"Supervised Classification by RBF Networks With Self-Constructing Clustering";Ching-Sheng Tu et al.;《International Conference on Fuzzy Systems and Knowledge Discovery》;20190411;全文 * |
"减聚类自适应径向基神经网络压滤机故障诊断";舒服华 等;《万方数据知识服务平台》;20070726;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113254468A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723632B (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
CN112286751B (zh) | 一种基于边云协同的高端装备故障智能诊断系统及方法 | |
CN111337768B (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN112015868B (zh) | 基于知识图谱补全的问答方法 | |
CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN113934887B (zh) | 一种基于语义解耦的无提议时序语言定位方法 | |
Lin et al. | Deep structured scene parsing by learning with image descriptions | |
CN112785015B (zh) | 基于案例推理的装备故障诊断方法 | |
CN113673244B (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
CN112949740A (zh) | 一种基于多级度量的小样本图像分类方法 | |
CN113095074A (zh) | 中文电子病历的分词方法及系统 | |
CN116126569A (zh) | 智能运维方法及装置 | |
CN113254468B (zh) | 一种装备的故障查询及推理方法 | |
CN114169408A (zh) | 一种基于多模态注意力机制的情感分类方法 | |
Nematipour et al. | Relevance feedback optimization in content based image retrieval via enhanced radial basis function network | |
CN115797795A (zh) | 基于强化学习的遥感影像问答式检索系统及方法 | |
CN115129842A (zh) | 一种用于户外变电站的智能问答方法及置于户外的机器人 | |
CN111401519B (zh) | 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 | |
Sai et al. | New rules generation from measurement data using an expert system in a power station | |
Tajouo et al. | Procedure for the Contextual, Textual and Ontological Construction of Specialized Knowledge Bases | |
CN117251599B (zh) | 一种视频语料智能测试优化方法、装置和存储介质 | |
CN117290519A (zh) | 基于知识图谱的妇产科数据分析方法 | |
Yan et al. | Adaptive Local Reinforce Attention Network for Few-shot Learning | |
CN118069867A (zh) | 一种运维数据分析方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |