CN113610112A - 飞机装配质量缺陷辅助决策方法 - Google Patents

飞机装配质量缺陷辅助决策方法 Download PDF

Info

Publication number
CN113610112A
CN113610112A CN202110778414.7A CN202110778414A CN113610112A CN 113610112 A CN113610112 A CN 113610112A CN 202110778414 A CN202110778414 A CN 202110778414A CN 113610112 A CN113610112 A CN 113610112A
Authority
CN
China
Prior art keywords
vocabulary
assembly quality
aircraft assembly
node
word
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.)
Granted
Application number
CN202110778414.7A
Other languages
English (en)
Other versions
CN113610112B (zh
Inventor
陈震
楼林
汪含
袁博
郝澜宇
潘尔顺
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.)
Comac Shanghai Aircraft Design & Research Institute
Shanghai Jiaotong University
Commercial Aircraft Corp of China Ltd
Original Assignee
Comac Shanghai Aircraft Design & Research Institute
Shanghai Jiaotong University
Commercial Aircraft Corp of China 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 Comac Shanghai Aircraft Design & Research Institute, Shanghai Jiaotong University, Commercial Aircraft Corp of China Ltd filed Critical Comac Shanghai Aircraft Design & Research Institute
Priority to CN202110778414.7A priority Critical patent/CN113610112B/zh
Publication of CN113610112A publication Critical patent/CN113610112A/zh
Application granted granted Critical
Publication of CN113610112B publication Critical patent/CN113610112B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种飞机装配质量缺陷辅助决策方法，将专家知识与机器学习算法相结合，提高了特征提取的准确度和智能性；计算新问题与历史案例的各属性匹配度时，将专家知识与KNN模型相结合，由专家制定权重，对于文本向量计算余弦值，对于结构化数据相同取1不同取0，从而计算案例相似度。完成非结构化文本到结构化数据的准确高效的转化，充分利用历史数据匹配相似案例，为工作人员快速给出处理意见提供参考，从而提高飞机装配阶段质量问题的处理效率。

Description

飞机装配质量缺陷辅助决策方法
技术领域
本发明涉及的是一种飞机制造领域的技术，具体是一种基于文本挖掘的飞机装配质量缺陷辅助决策方法。
背景技术
现有关于民用飞机故障诊断与维修的研究，大多数是通过监测获取数值型故障特征数据及故障时间序列数据进行，但很多装配故障信息是以表单、记录案例文本形式存在。而实际中飞机装配故障信息多是以故障表单、故障记录案例长文本形式存在，因此需要先对非结构化的文本进行处理。现有设备故障诊断方法，在提取特征标签时，单纯依赖人工无法处理大批量数据，单纯依赖算法无法准确性较低。
发明内容
本发明针对现有技术单纯利用机器学习方法造成的不可靠性，提出一种飞机装配质量缺陷辅助决策方法，将专家知识与机器学习算法相结合，提高了特征提取的准确度和智能性；计算新问题与历史案例的各属性匹配度时，将专家知识与KNN模型相结合，由专家制定权重，对于文本向量计算余弦值，对于结构化数据相同取1不同取0，从而计算案例相似度。完成非结构化文本到结构化数据的准确高效的转化，充分利用历史数据匹配相似案例，为工作人员快速给出处理意见提供参考，从而提高飞机装配阶段质量问题的处理效率。
本发明是通过以下技术方案实现的：
本发明涉及一种飞机装配质量缺陷辅助决策方法，包括：
第一步、从原始数据库收集有效的故障表单，通过特征修剪选取飞机装配质量缺陷相关的属性；
所述的有效的故障表单是指：通过从包含飞机原始故障表单的原始数据库中获取表单信息完整且可识别、符合表单故障完全相同的情况下处理结果需相同条目的表单。
所述的特征修剪是指：根据专家知识来判别和提取与质量缺陷处理处置密切相关的属性，例如偏差描述、零件名称、不合格代码。
所述的飞机装配质量缺陷相关的属性包括：编号、零件名称、不合格代码、偏差描述和处置说明。
第二步、将飞机装配质量缺陷相关的属性中的零件名称和不合格代码进行编码转换、将飞机装配质量缺陷相关的属性中的偏差描述，针对飞机装配情境建立专有词典，运用基于最大逆向匹配算法的jieba分词器对故障表单中的中文文本进行分词处理，得到词汇的集合；
所述的编码转换是指：将结构化属性转换为可供计算机识别的编码。
所述的专有词典包括：飞机零件词库、偏离词库以及停用词库，分别包含飞机装配中的零件名称、装配质量缺陷相关的词汇以及连词、副词、标点符号和与表达内容无关的词汇，通过不断完善词库可以提高分词效率与准确性。
第三步、采用textrank算法通过词汇之间的相邻关系搭建词汇网络，每个词汇对应于网络中的节点并计算第二步得到的所有节点的重要性指标并进行排序，提取出排序靠前的词语作为关键词；
所述的重要性指标，具体为：节点Vi的权值
Figure BDA0003156724380000021
Figure BDA0003156724380000022
其中：d为平滑处理参数，In(Vi)为节点Vi的前驱节点集合，Out(Vi)为节点Vi的后继节点集合，Vj和Vk为其他节点，wjk为权重项，表示两词汇链接的重要性指标；该节点Vi的权值经迭代计算直到收敛后作为词汇的重要性指标，即权重。
所述的迭代计算的过程是指：逐次逼近，先取一个粗糙的近似值，利用递推公式反复校正，直到达到预定精度为止。
所述的收敛是指：可用权重表示关键词，即在文本中重要程度较高，能更具代表性地表达文本含义的节点的重要程度。
第四步、基于专家建立词汇类型及对应的权重，并对关键词进行人工标注。
所述的专家知识是指：飞机制造企业专家的自身经验知识，基于此可以对词汇进行分类，分别为产品、部位、动作、现象、物料信息，并为不同类别划分重要性级。
第五步、使用word2vec算法，将第二步中的每个词汇转化为词向量，参照第四步中标注后的词汇并依据待计算词汇与标注词汇间的向量距离，对间距离较小的其他词向量自动标注特征。
所述的自动标注特征是指：根据向量距离对临近基点的其他词汇进行自动标注，其特征与基点词汇特征相同，即可完成对大多数词汇特征标注的覆盖。当某一词汇出现在多个基点的覆盖范围内时，则对词汇同时标注多个分类，权重则根据距离的不同进行加权平均。
第六步、以第五步得到的词向量和特征标注为基础，对每段文本中的各个词向量进行赋权累加，最终得到代表整段文本的向量。
所述的赋权累加，其权重是将词汇进行特征标注后分类得到的，在偏差描述中重要度越高的权重越大。
第七步、使用KNN算法计算待查询案例与历史数据库中各个案例的相似度指标，工程人员根据相似度指标降序对应的历史案例的处理方法，作为解决新案例的质量问题。
所述的相似度指标
Figure BDA0003156724380000031
其中vi是第i个质量问题描述属性对应的权重，
Figure BDA0003156724380000032
是待检索案例p的第i个属性与历史案例q的第i个属性之间的相似度。
所述的相似度指标的计算中，对于数值结构化属性，不同取0，相同取1；对于向量化的文本属性，计算向量间余弦值。
技术效果
本发明整体解决了现有技术的处理效率低下和诊断精度不高的缺陷/不足；本发明将word2vec机器学习方法与专家知识规则的结合，为飞机新发故障提供迅速和较为准确的参考处理建议，减轻人员工作负担，切实提高了维修团队效率。
附图说明
图1为本发明流程图。
具体实施方式
如图1所示，为本实施例涉及一种基于知识工程的飞机装配质量缺陷检测方法，包括以下步骤：
第一步，从原始数据库收集有效的故障表单，通过特征修剪选取飞机装配质量缺陷相关的属性；
第二步，对飞机装配质量缺陷相关的属性中的结构化数据，即零件名称和不合格代码属性进行编码转换，对于非结构化文本数据，即偏差描述属性，针对飞机装配情境建立专有词典，运用基于最大逆向匹配算法的jieba分词器对中文文本进行分词处理，得到词汇的集合；
第三步，通过TextRank算法计算所有词汇在文本中的重要性指标并进行排序，提取出排序前500的词汇作为关键词；
TextRank算法通过词汇之间的相邻关系搭建词汇网络，将文本(即词汇序列)中某一词汇与其前后指定个数的词汇看作具有图相邻关系的节点，并将不同词汇对的不同贡献当作无向图边的权值，具体为：节点Vi的权值
Figure BDA0003156724380000033
其中：d为平滑处理参数，为In(Vi)节点Vi的前驱节点集合，为Out(Vi)节点Vi的后继节点集合，Vj和Vk为其他节点，wjk为权重项，表示两词汇链接的重要性指标；该节点Vi的权值经迭代计算直到收敛后作为词汇的重要性指标，即权重。
第四步，专家建立特征标注的规则如表1所示，并对关键词进行人工标注；
表1中提供了基于专家知识的特征标注规则；
表1
Figure BDA0003156724380000034
Figure BDA0003156724380000041
第五步，使用word2vec算法，将每个词汇转化为词向量，根据已标注的词汇并依据其与待计算词汇之间的向量距离，对临近的其他词向量自动标注特征，其特征与基点词汇特征相同，即可完成对大多数词汇特征标注的覆盖。当某一词汇出现在多个基点的覆盖范围内时，则对词汇同时标注多个分类，权重则根据距离的不同进行加权平均。
优选地，本实施例自动标注过程中，当某一词汇出现在多个基点的覆盖范围内时，则对词汇同时标注多个分类，权重则根据向量距离的不同进行加权平均，距离越近权重越大，距离越远权重越小。
所述的基点是指：根据专家建立的特征标注规则已标注完成的词汇。
所述的分类是指：以各个基点为标准的词汇均分为一类。
在本实施例中，设置word2vec算法的词向量的维度参数为100，设置训练窗口参数为5，即某一词汇作为输出时其前后各5个词汇作为输入，设置最低参与词频参数为2，设置采样的阈值参数为0.001，设置估计方式为hierarchical softmax，训练完成后将得到的训练网络各节点权重参数作为权重矩阵进行存储，而后将各词汇代入到权重矩阵中就实现了向量化表示，得到了100维的词向量；
第六步，以词向量和特征标注为基础，对每段文本中的各个词向量进行赋权累加，具体为：
Figure BDA0003156724380000042
其中：n为文本中有效词汇的总个数，xi为各个词向量，权重暐i是将词汇进行特征标注后分类得到的，最终得到代表整段文本的向量；
第七步，将待查询案例的故障表单中各项质量缺陷描述相关的属性与历史表单相匹配，结合各属性相似度指标计算两两案例间的相似程度并排序，质量缺陷辅助决策系统将从案例库中查找相似性最高的若干历史案例，其解决方案被提供给工程人员。
具体的，第七步中KNN算法的相似度指标
Figure BDA0003156724380000043
其中：vi是第i个故障描述属性对应的权重，
Figure BDA0003156724380000044
是待检索案例n的第i个属性与历史案例o的第i个属性之间的相似度指标。
当存在2个n维文本向量A与B，即A＝(a1,a2,…,an)，B＝(b1,b2,…,bn)，则根据欧式点积公式计算其余弦值
Figure BDA0003156724380000051
其中：ai和bi指向量A与B中的各个分量。
本实施例中对飞机装配质量缺陷相关的属性中的结构化数据，即零件名称和不合格代码的属性匹配值计算简化为：相同则相似度指标为1，反之为0；
表2中提供了飞机装配过程故障诊断结果。
表2
Figure BDA0003156724380000052
表3中提供了飞机装配过程故障诊断与现有人工诊断的效果对比。
表3
指标 人工诊断 本项目诊断
故障检测率 90％ 95％
故障诊断时间 0.47天 8s
处理容量 60份/天 无限制
经过具体实践，在0051的参数设置下，基于javascript和python建立网页端智能系统平台，经测试：数据库案例45821条，累计测试案例检索368项，其中341项可通过智能诊断系统获取正确的处置建议案例，剩余27项匹配错误或未找到合适的匹配案例，主要原因为关键词过少及权重系数分配不合理导致，匹配测试准确率为92.67％，平均搜索时间为0.8分钟。
与现有技术相比，本方法对故障诊断准确率明显提升，故障诊断时间大幅度下降，且处理容量可达到无限制。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (7)

1.一种飞机装配质量缺陷辅助决策方法，其特征在于，包括：
第一步、从原始数据库收集有效的故障表单，通过特征修剪选取飞机装配质量缺陷相关的属性；
第二步、将飞机装配质量缺陷相关的属性中的零件名称和不合格代码进行编码转换、将飞机装配质量缺陷相关的属性中的偏差描述，针对飞机装配情境建立专有词典，运用基于最大逆向匹配算法的jieba分词器对故障表单中的中文文本进行分词处理，得到词汇的集合；
第三步、采用textrank算法通过词汇之间的相邻关系搭建词汇网络，每个词汇对应于网络中的节点并计算第二步得到的所有节点的重要性指标并进行排序，提取出排序靠前的词语作为关键词；
第四步、基于专家建立词汇类型及对应的权重，并对关键词进行人工标注；
第五步、使用word2vec算法，将第二步中的每个词汇转化为词向量，参照第四步中标注后的词汇并依据待计算词汇与标注词汇间的向量距离，对间距离较小的其他词向量自动标注特征；
第六步、以第五步得到的词向量和特征标注为基础，对每段文本中的各个词向量进行赋权累加，最终得到代表整段文本的向量；
第七步、使用KNN算法计算待查询案例与历史数据库中各个案例的相似度指标，工程人员根据相似度指标降序对应的历史案例的处理方法，作为解决新案例的质量问题；
所述的有效的故障表单是指：通过从包含飞机原始故障表单的原始数据库中获取表单信息完整且可识别、符合表单故障完全相同的情况下处理结果需相同条目的表单；
所述的特征修剪是指：根据专家知识来判别和提取与质量缺陷处理处置密切相关的属性，例如偏差描述、零件名称、不合格代码；
所述的飞机装配质量缺陷相关的属性包括：编号、零件名称、不合格代码、偏差描述和处置说明；
所述的专有词典包括：飞机零件词库、偏离词库以及停用词库，分别包含飞机装配中的零件名称、装配质量缺陷相关的词汇以及连词、副词、标点符号和与表达内容无关的词汇，通过不断完善词库可以提高分词效率与准确性。
2.根据权利要求1所述的飞机装配质量缺陷辅助决策方法，其特征是，所述的重要性指标，具体为：节点Vi的权值
Figure FDA0003156724370000011
其中：d为平滑处理参数，In(Vi)为节点Vi的前驱节点集合，Out(Vi)为节点Vi的后继节点集合，Vj和Vk为其他节点，wjk为权重项，表示两词汇链接的重要性指标；该节点Vi的权值经迭代计算直到收敛后作为词汇的重要性指标，即权重。
3.根据权利要求2所述的飞机装配质量缺陷辅助决策方法，其特征是，所述的迭代计算的过程是指：逐次逼近，先取一个粗糙的近似值，利用递推公式反复校正，直到达到预定精度为止；
所述的收敛是指：可用权重表示关键词，即在文本中重要程度较高，能更具代表性地表达文本含义的节点的重要程度。
4.根据权利要求1所述的飞机装配质量缺陷辅助决策方法，其特征是，所述的自动标注特征是指：根据向量距离对临近基点的其他词汇进行自动标注，其特征与基点词汇特征相同，即可完成对大多数词汇特征标注的覆盖；当某一词汇出现在多个基点的覆盖范围内时，则对词汇同时标注多个分类，权重则根据距离的不同进行加权平均。
5.根据权利要求1所述的飞机装配质量缺陷辅助决策方法，其特征是，所述的赋权累加，其权重是将词汇进行特征标注后分类得到的，在偏差描述中重要度越高的权重越大。
6.根据权利要求1所述的飞机装配质量缺陷辅助决策方法，其特征是，所述的相似度指标
Figure FDA0003156724370000021
其中vi是第i个质量问题描述属性对应的权重，
Figure FDA0003156724370000022
是待检索案例p的第i个属性与历史案例q的第i个属性之间的相似度。
7.根据权利要求6所述的飞机装配质量缺陷辅助决策方法，其特征是，所述的相似度指标的计算中，对于数值结构化属性，不同取0，相同取1；对于向量化的文本属性，计算向量间余弦值。
CN202110778414.7A 2021-07-09 2021-07-09 飞机装配质量缺陷辅助决策方法 Active CN113610112B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110778414.7A CN113610112B (zh) 2021-07-09 2021-07-09 飞机装配质量缺陷辅助决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110778414.7A CN113610112B (zh) 2021-07-09 2021-07-09 飞机装配质量缺陷辅助决策方法

Publications (2)

Publication Number Publication Date
CN113610112A true CN113610112A (zh) 2021-11-05
CN113610112B CN113610112B (zh) 2024-04-16

Family

ID=78304329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110778414.7A Active CN113610112B (zh) 2021-07-09 2021-07-09 飞机装配质量缺陷辅助决策方法

Country Status (1)

Country Link
CN (1) CN113610112B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114416988A (zh) * 2022-01-17 2022-04-29 国网福建省电力有限公司 基于自然语言处理的缺陷自动评级及处置建议推送方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108874984A (zh) * 2018-06-11 2018-11-23 浙江大学 一种对质量较差电网设备缺陷文本的质量提升方法
WO2019210820A1 (zh) * 2018-05-03 2019-11-07 华为技术有限公司 一种信息输出方法及装置
WO2020151634A1 (zh) * 2019-01-25 2020-07-30 北京创新者信息技术有限公司 一种专利评价方法和系统
CN111949759A (zh) * 2019-05-16 2020-11-17 北大医疗信息技术有限公司 病历文本相似度的检索方法、系统及计算机设备
CN112541600A (zh) * 2020-12-07 2021-03-23 上海电科智能系统股份有限公司 一种基于知识图谱的辅助维修决策方法
CN112949304A (zh) * 2021-03-24 2021-06-11 中新国际联合研究院 一种施工案例知识重用查询方法及其装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019210820A1 (zh) * 2018-05-03 2019-11-07 华为技术有限公司 一种信息输出方法及装置
CN108874984A (zh) * 2018-06-11 2018-11-23 浙江大学 一种对质量较差电网设备缺陷文本的质量提升方法
WO2020151634A1 (zh) * 2019-01-25 2020-07-30 北京创新者信息技术有限公司 一种专利评价方法和系统
CN111949759A (zh) * 2019-05-16 2020-11-17 北大医疗信息技术有限公司 病历文本相似度的检索方法、系统及计算机设备
CN112541600A (zh) * 2020-12-07 2021-03-23 上海电科智能系统股份有限公司 一种基于知识图谱的辅助维修决策方法
CN112949304A (zh) * 2021-03-24 2021-06-11 中新国际联合研究院 一种施工案例知识重用查询方法及其装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
何永勃;王丽哲;杨燕辉;: "基于CBR的飞机引气系统故障诊断案例库构造", 中国民航大学学报, no. 06, 15 December 2013 (2013-12-15) *
刘彤;李少岩;顾雪平;王铁强;吴一敌;王维;: "基于文本挖掘的电网检修工作票辅助决策方法研究", 电测与仪表, no. 02, 31 December 2020 (2020-12-31) *
刘海江;景施博;: "基于案例推理的航天大型薄壁件加工过程质量追溯", 制造业自动化, no. 04, 25 April 2018 (2018-04-25) *
晏震乾;曹磊;陈金;: "基于案例推理和粗糙集的商用飞机故障诊断研究", 计算机测量与控制, no. 08, 25 August 2020 (2020-08-25) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114416988A (zh) * 2022-01-17 2022-04-29 国网福建省电力有限公司 基于自然语言处理的缺陷自动评级及处置建议推送方法

Also Published As

Publication number Publication date
CN113610112B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN112732934B (zh) 电网设备分词词典和故障案例库构建方法
CN108564136B (zh) 一种基于模糊推理的空域运行态势评估分类方法
CN107145516B (zh) 一种文本聚类方法及系统
CN116737967B (zh) 一种基于自然语言的知识图谱构建和完善系统及方法
CN112785015B (zh) 基于案例推理的装备故障诊断方法
US10460240B2 (en) Apparatus and method for tag mapping with industrial machines
CN113254507B (zh) 一种数据资产目录智能构建盘点方法
CN111966825A (zh) 一种基于机器学习的电网设备缺陷文本分类方法
CN113590396A (zh) 一次设备的缺陷诊断方法、系统、电子设备及存储介质
CN116342167B (zh) 基于序列标注命名实体识别的智能成本度量方法和装置
CN108877880A (zh) 基于病历文本的病人相似性度量装置及方法
CN112667806B (zh) 一种使用lda的文本分类筛选方法
CN115292518A (zh) 基于知识型信息抽取的配电网故障处理方法及系统
CN114860889A (zh) 一种基于钢材知识图谱的钢材潜在知识推理方法及系统
CN114398891B (zh) 基于日志关键词生成kpi曲线并标记波段特征的方法
CN112800232A (zh) 基于大数据的案件自动分类、优化方法及训练集修正方法
CN117807232A (zh) 商品分类方法、商品分类模型构建方法及装置
CN113610112A (zh) 飞机装配质量缺陷辅助决策方法
Zhang et al. Similarity judgment of civil aviation regulations based on Doc2Vec deep learning algorithm
CN113722494A (zh) 一种基于自然语言理解的设备故障定位方法
CN117725904A (zh) 一种面向ctc系统操作日志数据的分析方法
CN110909138B (zh) 一种用户意图识别方法及系统
Rabcan et al. Classification by fuzzy decision trees inducted based on Cumulative Mutual Information
RU2546555C1 (ru) Способ автоматической классификации формализованных документов в системе электронного документооборота
CN116304726A (zh) 一种基于语义库和知识图谱的物资相似性分析方法

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
GR01 Patent grant
GR01 Patent grant