CN113689111A - 故障识别模型训练方法、故障识别方法、装置和电子设备 - Google Patents

故障识别模型训练方法、故障识别方法、装置和电子设备 Download PDF

Info

Publication number
CN113689111A
CN113689111A CN202110963367.3A CN202110963367A CN113689111A CN 113689111 A CN113689111 A CN 113689111A CN 202110963367 A CN202110963367 A CN 202110963367A CN 113689111 A CN113689111 A CN 113689111A
Authority
CN
China
Prior art keywords
fault
failure
recognition model
sample
loss function
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
CN202110963367.3A
Other languages
English (en)
Other versions
CN113689111B (zh
Inventor
孙卓
杨天行
杨晨
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110963367.3A priority Critical patent/CN113689111B/zh
Publication of CN113689111A publication Critical patent/CN113689111A/zh
Priority to US17/867,680 priority patent/US20220350690A1/en
Priority to EP22187028.0A priority patent/EP4134877A1/en
Application granted granted Critical
Publication of CN113689111B publication Critical patent/CN113689111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0709—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in a distributed system consisting of a plurality of standalone computer nodes, e.g. clusters, client-server systems
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/151—Transformation
    • G06F40/157—Transformation using dictionaries or tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • 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
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language
    • G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种故障识别模型的训练方法与装置、故障识别方法与装置、电子设备和介质，涉及人工智能，尤其涉及深度学习领域。一种故障识别模型的训练方法包括获取第一故障数据集；根据第一故障数据集生成第一样本集，第一样本集中的每个样本包括故障描述文本和对应的故障部件与故障类型；以及将第一样本集中的样本的故障描述文本作为故障识别模型的输入，并且对故障识别模型的参数进行调整，使得故障识别模型输出第一标签和第二标签，第一标签是与输入的故障描述文本对应的故障部件，并且第二标签是与故障部件对应的故障类型。

Description

故障识别模型训练方法、故障识别方法、装置和电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习，具体涉及一种故障识别模型的训练方法与装置、故障识别方法与装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术：人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。期望能够通过人工智能技术获得识别故障类型的方法，以减少对技术人员人工识别设备故障的依赖。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种故障识别模型的训练方法与装置、故障识别方法与装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种故障识别模型的训练方法，包括：获取第一故障数据集，所述第一故障数据集中的每个故障数据至少包括故障现象和识别的故障结果；根据所述第一故障数据集生成第一样本集，所述第一样本集中的每个样本包括故障描述文本和对应的故障部件与故障类型；以及使用所述第一样本集的子集训练故障识别模型，使得获得这样一种故障识别模型：所述故障识别模型在接收第一文本作为输入时，能够输出第一标签和第二标签作为结果，所述第一标签是与所述第一文本对应的故障部件，并且所述第二标签是与该故障部件对应的故障类型。
根据本公开的另一方面，提供了一种故障识别方法，包括：获取第一文本，所述第一文本是对故障现象的描述文本；将所述第一文本输入到根据本公开的实施例的故障识别模型的训练方法训练的故障识别模型，以获取输出结果，其中，所述输出结果包括故障部件和对应于该故障部件的故障类型。
根据本公开的另一方面，提供了一种故障识别模型的训练装置，包括：工单获取单元，用于获取第一故障数据集；样本生成单元，用于根据所述第一故障数据集生成第一样本集，所述第一样本集中的每个样本包括故障描述文本和对应的故障部件与故障类型；以及模型训练单元，用于使用所述第一样本集的子集训练故障识别模型，使得获得这样一种故障识别模型：所述故障识别模型在接收第一文本作为输入时，能够输出第一标签和第二标签作为结果，所述第一标签是与所述第一文本对应的故障部件，并且所述第二标签是与该故障部件对应的故障类型。
根据本公开的另一方面，提供了一种故障识别装置，包括：文本获取单元，用于获取第一文本，所述第一文本是对故障现象的描述文本；以及故障识别单元，用于将所述第一文本输入到根据本公开的实施例的装置训练的故障识别模型，以获取输出结果，其中，所述输出结果包括故障部件和对应于该故障部件的故障类型。
根据本公开的另一方面，提供了一种电子设备，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指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开的实施例的故障识别模型的训练方法或根据本公开的实施例的故障识别方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开的实施例的故障识别模型的训练方法或根据本公开的实施例的故障识别方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的实施例的故障识别模型的训练方法或根据本公开的实施例的故障识别方法。
根据本公开的一个或多个实施例，可以基于故障现象描述来有效地识别故障，并且输出的结果可以是故障部件和归属于或对应于该故障部件的故障类型。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的故障识别模型的训练方法的流程图；
图3示出了根据本公开的实施例的故障识别方法的流程图；
图4示出了根据本公开的另外的实施例的故障识别模型训练与使用的流程图；
图5示出了根据本公开的实施例的故障识别模型的训练装置的结构框图；
图6示出了根据本公开的实施例的故障识别装置的结构框图；以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行故障识别模型训练方法或故障识别方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来输入训练数据诸如工单、训练故障识别模型、执行故障识别、查看识别结果以及对结果进行调整或反馈等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
下面参考图2描述根据本公开的实施例的故障识别模型的训练方法200。
在步骤210处，获取第一故障数据集。第一故障数据集中的每个故障数据至少包括故障现象和识别的故障结果。
在步骤220处，根据第一故障数据集生成第一样本集。第一样本集中的每个样本包括故障描述文本和对应的故障部件与故障类型。
在步骤230处，将第一样本集中的至少一个样本和第二样本集中的至少一个样本的故障描述文本作为故障识别模型的输入，再次对所述故障识别模型的参数进行调整。
通过上述方法200，能够基于故障现象描述来有效地识别故障，并且输出的结果可以是故障部件和归属于或对应于该故障部件的故障类型。能够获得这样一种故障识别模型：所述故障识别模型在接收第一文本作为输入时，能够输出第一标签和第二标签作为结果，所述第一标签是与所述第一文本对应的故障部件，并且所述第二标签是与该故障部件对应的故障类型
作为一个常见的非限制性示例，第一故障数据集可以是历史工单数据集，例如维修工单、检修工单、设备保修单、报错现象记录单等等。在自然语言处理的行业化应用场景中，针对设备(例如，电厂设备)的维修检查场景，常常会累积大量的工单信息。工单信息会针对特定的设备类别，记录其故障部件与故障现象，标明其检修及实验记录、真实故障原因和最后的解决方案，更详细者也会记录检修时间、检修员工、设备编号等。更具体地，第一故障数据集中的每个数据(例如，工单)可以是已经确定了故障现象与故障结果的数据记录。这样的确定可以是由一线运维处理人员、工单记录者、故障处理专家或其他技术人员凭借自身经验确定的，或者是根据其它方式确定的，并且可以理解的是，本公开不限于此。
表1示出了在电厂设备的示例场景下一些示例的部件名称与对应的故障类型(或者称为失效模式)。在这样的示例中，第一标签和第二标签可以分别对应于“电动机-失速”、“传动机构-卡涩”、“阀杆-变形”等。第一标签和第二标签也可以被称为父标签和子标签，或者第一标签和第二标签可以被合并称为“两级标签结构”等。可以理解的是，以上均为示例，并且本公开不限于此。
表1
Figure BDA0003223053290000071
Figure BDA0003223053290000081
通常，当设备出现故障时，一线运维处理人员将现场的故障现象与实验记录(例如，以故障数据或工单的形式)传回系统并存储，由故障处理专家或技术人员凭借自身经验根据一线运维处理人员传回的工单信息进行分析并定位故障部件，最后给出标准的故障原因与解决方案。当一线运维人员无法直接处理现场故障情况时，需要在线联系相应的故障处理专家或技术人员，口头或文字转述现场情况。这样会耗费大量的时间和人力，大大降低了故障处理效率，整体故障解决周期较长。不同用户(例如，不同现场)的同类设备可能出现的部件故障问题往往十分相似，也常会被检修人员以相似的表述方式描述出来，这样将会在系统中留存过多的重复工单。当重复情况出现时，一线人员仍需要强依赖可能位于后台处理的专家，这种重复过程极其耗费人力。此外，一线处理运维人员往往不具备太过强硬的归纳能力，因此工单库中通常会有各类不同的口语化现象描述，对同一类现象有多次重复的数据记录，且最终处理结果非常依赖一线人员的表达能力。
相反，根据本公开的实施例，能够使用已有的故障数据(例如，现有的历史工单库)，获得能够根据输入的故障现象来判断所涉及故障部件及故障类型的模型。由此，能够节省技术人员的判断时间，更准确地提供解决方案，也方便非技术人员快速定位问题所在。尤其是，即使在故障现象文本是口语化的文本时，也能够准确地识别故障部件和故障类型。
下面描述根据本公开的实施例的故障识别模型训练方法的变型例。
根据一些实施例，训练故障识别模型可以包括利用至少第一损失函数和第二损失函数来训练故障识别模型，其中第一损失函数用于标识模型输出的标签与真实标签之间的差异，并且第二损失函数用于标识模型输出的第一标签和第二标签的参数的差异。在这样的实施例中，除了监督分类的损失函数(“第一损失函数”)之外，还增加了一个额外的损失函数，用来确保输出的第一标签和第二标签(例如，二级层次结构的结果中父标签与子标签)参数的相似性。由此，可以保证这样获取的二级分类结果中，故障类型的分类结果是特定于故障部件的分类结果，也即不会出现故障部件下出现该故障部件不会出现的故障类型等。
根据一些实施例，第一损失函数可以是交叉熵损失函数。第二损失函数可以是最小平方误差(L2)损失函数。使用交叉熵损失函数可以使得不同分类结果的距离尽量远，相同分类结果尽可能相似，而使用附加的L2损失函数可以保证第一标签与第二标签的参数尽可能接近，从而保证输出的二级标签或二级列表的有序性。
下面给出了设定损失函数的一个示例。对于输出的每一对标签，并且为了区分称为父标签和子标签，计算其参数差param_diffresult＝(Sum((parent_params–child_params)^2))^0.5，其中parent_params是神经网络获得的父标签的参数，child_params是子标签的参数。
随后，更新损失函数L2loss＝L2loss+param_diffresult。
作为一个示例，可以将神经网络的总损失函数记为Loss＝cross_entropy+penalty*L2loss，其中cross_entropy为分类模型部分的交叉熵。作为一个更具体的示例，可以设定惩罚值penalty＝1e-5。本领域人员将能够理解的是，这里的函数类型和参数值的选取等均为示例，并且本公开不限于此。
本领域技术人员将理解的是，本文中的故障识别模型可以由各种常见的文字处理模型与分类模型来实现。例如，故障识别模型可以由适合文字处理的神经网络语言模型与全连接层构成。这样的神经网络通过训练可以获得文字之间的语义联系，例如实体类别、实体关系等，从而能够基于描述性文字来实现故障分类。
根据一些实施例，根据第一故障数据集生成第一样本集可以包括通过处理第一故障数据集的故障数据中的识别的故障结果，确定多个故障部件以及与多个故障部件中的每个故障部件对应的故障类型。例如，可以生成多个两级标签结构，其中的每个两级标签结构的父标签是故障部件，并且子标签是特定于该故障部件的故障类型。接下来，方法可以包括通过将第一故障数据集的故障数据中的故障描述文本与对应的故障部件和故障类型相关联作为样本，生成第一样本集。
处理第一故障数据集的故障数据中的识别的故障结果可以包括对故障部件与故障模式进行规范化处理，例如去重、合并相似表达等。由此能够获得汇总后的部件列表与各故障模式列表。之后，从故障数据中提取设备故障现象，将其与真实故障部件及故障模式等数据按照整合为训练集数据(以及开发集数据与测试集数据等)。
根据一些实施例，生成第一样本集还可以包括：响应于其中取值为特定的故障部件和故障类型的样本数量小于阈值，通过使用以下方法中的至少一项来针对该特定值补充关联的故障描述文本：同义词替换、中英转译、字词顺序交换、插入字词、删除字词等。可以理解的是，本公开不限于此，并且本领域技术人员将理解，其他对文字进行近义转换的文字处理方式也可适用于根据本公开的实施例所述的方法。
针对样本不均衡等现象，使用数据增强方法补充小类别数据。由此，可以使得每个故障部件与对应部件下的故障类型的数据量满足训练要求。
例如，针对样本中二级标签结构取值为“电动机-绕组接地故障”的数量小于阈值(例如，10，50，100等)，则通过对已有的现象描述(例如“出现火花”)等进行转译、同义词替换、字词增加删除等处理，生成更多的现象描述文本，并且将这样的现象描述文本与二级标签结构关联生成样本，以增加样本数量，从而增加整个样本集的数据均衡程度。
根据一些实施例，训练方法还可以包括：在训练故障识别模型之后，获取第二故障数据集。第二故障数据集不同于第一故障数据集。随后，根据第二故障数据集生成第二样本集合，并且使用第一样本集的子集与第二样本集合的子集再次训练故障识别模型。
通过引入在线学习与增量学习的思路，在遇到新的情况发生、出现历史工单中从未出现过的部件时，也可以根据专家反馈实时的在新的数据流中训练并不断更新模型。模型可以利用在旧类别上学习得到的先验知识，在学习新类别的同时保留曾经学过的旧类别的知识，最终在新旧部件上都能得到良好的表现。
根据本公开的一个或多个实施例，通过文本的多分类技术，结合自然语言处理和深度学习能力，能够实现基于故障数据例如历史工单库来对现场故障工单所涉及故障部件与故障原因的快速判断方法。由于已积累了大量的工单库数据，无需再次进行人工标注，便可实现模型的训练。
下面参考图3描述根据本公开的实施例的故障识别方法300。
在步骤310处，获取第一文本。第一文本是对故障现象的描述文本。例如，第一文本可以是从待处理工单提取的故障描述文本，或者可以是来自现场工人的描述的其他形式的转述文本。
在步骤320处，将第一文本输入到根据本公开的实施例的方法训练的故障识别模型，以获取输出结果。输出结果包括故障部件和对应于该故障部件的故障类型。
根据训练的模型对故障进行识别，能够实现快速的故障部件与故障模式的自动识别，从而缩短设备故障问题的解决周期，提高问题处理效率，减少人工思考的时间，解放了大量人力。通过使用这样的方法，一线运维人员能够在现场根据设备故障情况第一时间确定具体故障部件与故障模式。根据一些可选的实施例，模型还可以被训练成还可以获取该故障部件与故障模式下的历史处置方法。此外，根据一些可选的实施例，还可以采用增量学习的思想，对于已经在历史工单库中得到良好训练的模型来说，针对于后续现场陆续得到的新工单，若出现在历史工单库中不存在的故障部件或故障类型，模型仍然可以对此进行学习，并能够做到在学习新知识的同时保留学到过的旧的模型能力。且由于同类设备可能出现的故障部件与故障现象往往十分相似，此方法具备较为通用的应用场景，在不同的设备类型和故障场景之间具有较高的可迁移性。
下面结合图4来描述根据本公开的另外的实施例的示例模型训练与使用的流程图。
在步骤410处，根据故障数据获得部件列表与各部件的故障类型列表。例如，可以根据历史工单信息获取设备故障现象记录、故障部件与部件故障类型，并且归纳得到部件列表与各部件的故障类型列表。例如，历史工单信息可以是读取电厂后台系统中的历史工单信息。工单信息可以包括真实的故障部件与规范的部件故障类型。
在步骤420处，获得样本数据集。例如，通过设备故障现象记录描述进行数据清洗，过滤掉工单编号、设备ID、处理时间等冗余信息，获得经清洗后的故障现象记录文本；随后，将其与真实故障部件及部件故障类型等数据按照一定比例整合为样本数据集，例如可以包括训练集数据、开发集数据与测试集数据等。
在步骤430处，补充小类别数据。如果存在样本不均衡的现象，可以使用同义词替换、中英转译等数据增强方法补充小类别数据，保证每个故障部件与每个部件下的故障类型的数据量满足训练要求。
在步骤440处，训练分类模型。可以使用基于语言识别模型与全连接层搭建的多标签分类模型，也可以适用其他适合的分类模型，针对以上训练集与开发集数据，训练、评估并选定最终的分类模型。
在步骤450处，使用模型识别故障，并且可选地，利用识别的故障补充故障数据库。例如，在实际使用中，一线人员将实验得到的设备故障现象输入该模型，即可现场得到模型的部件分类结果与故障类型分类结果。之后，还可以将新的工单内容与分类输入系统(例如，经过专家或技术人员进一步确定后)以补充工单信息库。
在步骤460处，根据新的数据更新模型。使用在线学习、增量学习的思想，在遇到新的情况发生，出现历史工单中从未出现过的部件时，可以根据专家反馈实时的在新的数据流中训练并不断更新模型。
根据本公开的实施例，能够缩短现场问题的响应时间，减轻对技术人员的依赖，并且提高了故障识别和排除的效率。
根据本公开的一个或多个实施例，通过读取历史工单库，能够自动获取故障部件(例如电池、传统机构、限位开关等)和故障类型(例如电量不足、损坏、拒动等)。根据本公开的实施例训练的层级分类模型可以从历史工单库中根据故障描述和实验记录，自动学习工单描述到故障部件与故障类型的映射过程。由此，实现了故障部件模式自动分类的能力，能够给出可能导致该现象的故障部件与故障类型。进一步，还可以训练模型返回历史建议处理方式。从而，能够在减少或者不依托行业专家的人工处理的情况下，达到快速响应并解决问题的目的，解放了行业专家的人力，提高现场故障处理的效率。此外，还能够避免完全依赖历史工单库，对工单库中未出现的部件无能为力的问题。
下面结合图5描述根据本公开的实施例的故障识别模型的训练装置500。装置500可以包括工单获取单元510、样本生成单元520和模型训练单元530。工单获取单元510可以用于获取第一故障数据集。样本生成单元520可以用于根据第一故障数据集生成第一样本集，第一样本集中的每个样本包括故障描述文本和对应的故障部件与故障类型。模型训练单元530可以用于将第一样本集中的至少一个样本和第二样本集中的至少一个样本的故障描述文本作为故障识别模型的输入，再次对所述故障识别模型的参数进行调整。
根据一些实施例，模型训练单元530可以包括用于利用至少第一损失函数和第二损失函数来训练故障识别模型的单元，其中第一损失函数用于标识模型输出的标签与真实标签之间的差异，并且第二损失函数用于标识模型输出的第一标签和第二标签的参数的差异。
根据一些实施例，第一损失函数可以是交叉熵损失函数，并且第二损失函数可以是L2损失函数。
根据一些实施例，故障识别模型可以包括语言识别模型与全连接层。
根据一些实施例，样本生成单元520可以包括：用于通过处理第一故障数据集的故障数据中的识别的故障结果，确定多个故障部件以及与多个故障部件中的每个故障部件对应的故障类型的单元，以及通过将所述第一故障数据集的故障数据中的故障描述文本与对应的故障部件和故障类型相关联作为样本，生成第一样本集的单元。
根据一些实施例，样本生成单元520还可以包括：用于响应于其中取值为特定的故障部件和故障类型的样本数量小于阈值，通过使用以下中的至少一项来针对该特定值补充关联的故障描述文本的单元：同义词替换、中英转译、顺序交换、插入、删除等。
根据一些实施例，装置500还可以包括用于在训练故障识别模型之后，获取第二故障数据集，第二故障数据集不同于第一故障数据集的单元；用于根据第二故障数据集生成第二样本集合的单元；以及用于使用第一样本集的子集与第二样本集合的子集再次训练故障识别模型的单元。
下面结合图6描述根据本公开的实施例的故障识别装置600。装置600可以包括文本获取单元610和故障识别单元620。文本获取单元610可以用于获取第一文本，第一文本是对故障现象的描述文本。故障识别单元620可以用于将第一文本输入到根据本公开的实施例的故障识别模型训练的故障识别模型，以获取输出结果。输出结果包括故障部件和对应于该故障部件的故障类型。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如方法200、300、400或其他变型例。例如，在一些实施例中，方法200、300、400或其他变型例可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法200、300、400或其他变型例的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、300、400或其他变型例。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种故障识别模型的训练方法，包括：
获取第一故障数据集，所述第一故障数据集中的每个故障数据至少包括故障现象和识别的故障结果；
根据所述第一故障数据集生成第一样本集，所述第一样本集中的每个样本包括故障描述文本和对应的故障部件与故障类型；以及
将第一样本集中的样本的故障描述文本作为故障识别模型的输入，并且对所述故障识别模型的参数进行调整，使得故障识别模型输出第一标签和第二标签，所述第一标签是与输入的故障描述文本对应的故障部件，并且所述第二标签是与故障部件对应的故障类型。
2.根据权利要求1所述的方法，其中，对所述故障识别模型的参数进行调整包括利用至少第一损失函数和第二损失函数来训练所述故障识别模型，其中所述第一损失函数用于标识所述故障识别模型输出的第一标签与真实标签之间的差异，并且所述第二损失函数用于标识所述故障识别模型输出的第一标签和第二标签的参数的差异。
3.根据权利要求2所述的方法，其中，所述第一损失函数是交叉熵损失函数，并且所述第二损失函数是最小平方误差损失函数。
4.根据权利要求1-3中任一项所述的方法，其中，根据所述第一故障数据集生成第一样本集包括：
通过处理所述第一故障数据集的故障数据中的识别的故障结果，确定多个故障部件以及与多个故障部件中的每个故障部件对应的故障类型；以及
通过将所述第一故障数据集的故障数据中的故障描述文本与对应的故障部件和故障类型相关联作为样本，生成第一样本集。
5.根据权利要求4所述的方法，其中，根据所述第一故障数据集生成第一样本集，还包括：
响应于其中取值为特定的故障部件和故障类型的样本数量小于阈值，通过使用以下方法中的至少一项来针对该特定的故障部件和故障类型补充关联的故障描述文本：同义词替换、中英转译、交换字词顺序和删除字词。
6.根据权利要求1-5中任一项所述的方法，还包括：
在对所述故障识别模型的参数进行调整之后，获取第二故障数据集，所述第二故障数据集不同于所述第一故障数据集；
根据所述第二故障数据集生成第二样本集；并且
将第一样本集中的至少一个样本和第二样本集中的至少一个样本的故障描述文本作为故障识别模型的输入，再次对所述故障识别模型的参数进行调整。
7.一种故障识别方法，包括：
获取第一文本，所述第一文本是对故障现象的描述文本；
将所述第一文本输入到根据权利要求1-6中任一项所述的方法训练的故障识别模型，以获取输出结果，
其中，所述输出结果包括故障部件和对应于该故障部件的故障类型。
8.一种故障识别模型的训练装置，包括：
获取单元，用于获取第一故障数据集，所述第一故障数据集中的每个故障数据至少包括故障现象和识别的故障结果；
样本生成单元，用于根据所述第一故障数据集生成第一样本集，所述第一样本集中的每个样本包括故障描述文本和对应的故障部件与故障类型；以及
模型训练单元，用于将第一样本集中的样本的故障描述文本作为故障识别模型的输入，并且对所述故障识别模型的参数进行调整，使得故障识别模型输出第一标签和第二标签，所述第一标签是与输入的故障描述文本对应的故障部件，并且所述第二标签是与故障部件对应的故障类型。
9.根据权利要求8所述的装置，其中，模型训练单元包括用于利用至少第一损失函数和第二损失函数来训练所述故障识别模型的单元，其中所述第一损失函数用于标识所述故障识别模型输出的标签与真实标签之间的差异，并且所述第二损失函数用于标识所述故障识别模型输出的第一标签和第二标签的参数的差异。
10.根据权利要求9所述的装置，其中，所述第一损失函数是交叉熵损失函数，并且所述第二损失函数是最小平方误差损失函数。
11.根据权利要求8-10中任一项所述的装置，其中，所述样本生成单元包括：
用于通过处理所述第一故障数据集的故障数据中的识别的故障结果，确定多个故障部件以及与多个故障部件中的每个故障部件对应的故障类型；以及
用于通过将所述第一故障数据集的故障数据中的故障描述文本与对应的故障部件和故障类型相关联作为样本，生成第一样本集的单元。
12.根据权利要求11所述的装置，其中，所述样本生成单元还包括：
用于响应于其中取值为特定的故障部件和故障类型的样本数量小于阈值，通过使用下列至少一项来针对该特定的故障部件和故障类型补充关联的故障描述文本的单元：同义词替换、中英转译、交换字词顺序和删除字词。
13.根据权利要求8-12中任一项所述的装置，还包括：
用于获取第二故障数据集的单元，所述第二故障数据集不同于所述第一故障数据集；
用于根据所述第二故障数据集生成第二样本集的单元；以及
用于将第一样本集中的至少一个样本和第二样本集中的至少一个样本的故障描述文本作为故障识别模型的输入，再次对所述故障识别模型的参数进行调整的单元。
14.一种故障识别装置，包括：
文本获取单元，用于获取第一文本，所述第一文本是对故障现象的描述文本；以及
故障识别单元，用于将所述第一文本输入到根据权利要求8-13中任一项所述的装置训练的故障识别模型，以获取输出结果，
其中，所述输出结果包括故障部件和对应于该故障部件的故障类型。
15.一种电子设备，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指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
CN202110963367.3A 2021-08-20 2021-08-20 故障识别模型训练方法、故障识别方法、装置和电子设备 Active CN113689111B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110963367.3A CN113689111B (zh) 2021-08-20 2021-08-20 故障识别模型训练方法、故障识别方法、装置和电子设备
US17/867,680 US20220350690A1 (en) 2021-08-20 2022-07-18 Training method and apparatus for fault recognition model, fault recognition method and apparatus, and electronic device
EP22187028.0A EP4134877A1 (en) 2021-08-20 2022-07-26 Training method and apparatus for fault recognition model, fault recognition method and apparatus, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110963367.3A CN113689111B (zh) 2021-08-20 2021-08-20 故障识别模型训练方法、故障识别方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN113689111A true CN113689111A (zh) 2021-11-23
CN113689111B CN113689111B (zh) 2022-11-11

Family

ID=78581102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110963367.3A Active CN113689111B (zh) 2021-08-20 2021-08-20 故障识别模型训练方法、故障识别方法、装置和电子设备

Country Status (3)

Country Link
US (1) US20220350690A1 (zh)
EP (1) EP4134877A1 (zh)
CN (1) CN113689111B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221892A (zh) * 2022-07-12 2022-10-21 中国电信股份有限公司 工单数据处理方法及装置、存储介质及电子设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116089520B (zh) * 2022-12-04 2023-11-10 四川九天惯通科技有限公司 一种基于区块链和大数据的故障识别方法及通用计算节点
CN116484262B (zh) * 2023-05-06 2023-12-08 南通大学 一种基于文本分类对纺织设备故障辅助处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245233A (zh) * 2019-06-19 2019-09-17 北京航空航天大学 一种故障确定方法及装置
CN111428008A (zh) * 2020-06-11 2020-07-17 北京百度网讯科技有限公司 用于训练模型的方法、装置、设备以及存储介质
CN111651601A (zh) * 2020-06-02 2020-09-11 全球能源互联网研究院有限公司 用于电力信息系统的故障分类模型的训练方法及分类方法
US20210055719A1 (en) * 2019-08-21 2021-02-25 Hitachi, Ltd. System for predictive maintenance using generative adversarial networks for failure prediction
CN112560912A (zh) * 2020-12-03 2021-03-26 北京百度网讯科技有限公司 分类模型的训练方法、装置、电子设备和存储介质
CN112560997A (zh) * 2020-12-29 2021-03-26 珠海拓芯科技有限公司 故障识别模型训练方法、故障识别方法及相关装置
CN112613584A (zh) * 2021-01-07 2021-04-06 国网上海市电力公司 一种故障诊断方法、装置、设备及存储介质
CN112884018A (zh) * 2021-01-28 2021-06-01 广东电网有限责任公司 电网线路故障识别模型训练方法和电网线路巡检方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245233A (zh) * 2019-06-19 2019-09-17 北京航空航天大学 一种故障确定方法及装置
US20210055719A1 (en) * 2019-08-21 2021-02-25 Hitachi, Ltd. System for predictive maintenance using generative adversarial networks for failure prediction
CN111651601A (zh) * 2020-06-02 2020-09-11 全球能源互联网研究院有限公司 用于电力信息系统的故障分类模型的训练方法及分类方法
CN111428008A (zh) * 2020-06-11 2020-07-17 北京百度网讯科技有限公司 用于训练模型的方法、装置、设备以及存储介质
CN112560912A (zh) * 2020-12-03 2021-03-26 北京百度网讯科技有限公司 分类模型的训练方法、装置、电子设备和存储介质
CN112560997A (zh) * 2020-12-29 2021-03-26 珠海拓芯科技有限公司 故障识别模型训练方法、故障识别方法及相关装置
CN112613584A (zh) * 2021-01-07 2021-04-06 国网上海市电力公司 一种故障诊断方法、装置、设备及存储介质
CN112884018A (zh) * 2021-01-28 2021-06-01 广东电网有限责任公司 电网线路故障识别模型训练方法和电网线路巡检方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
包萍等: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 《电子测量与仪器学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221892A (zh) * 2022-07-12 2022-10-21 中国电信股份有限公司 工单数据处理方法及装置、存储介质及电子设备
CN115221892B (zh) * 2022-07-12 2024-02-27 中国电信股份有限公司 工单数据处理方法及装置、存储介质及电子设备

Also Published As

Publication number Publication date
EP4134877A1 (en) 2023-02-15
CN113689111B (zh) 2022-11-11
US20220350690A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
CN113689111B (zh) 故障识别模型训练方法、故障识别方法、装置和电子设备
CN113836333A (zh) 图文匹配模型的训练方法、实现图文检索的方法、装置
CN205247194U (zh) 一种自动控制智能专家故障诊断系统
CN113656668A (zh) 多模态信息库的检索方法、管理方法、装置、设备和介质
CN113656587A (zh) 文本分类方法、装置、电子设备及存储介质
CN115114424A (zh) 查询请求的应答方法及装置
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
CN115168562A (zh) 一种智能问答系统的构建方法、装置、设备及介质
CN113342946B (zh) 客服机器人的模型训练方法、装置、电子设备及介质
CN115759100A (zh) 数据处理方法、装置、设备及介质
CN112905743B (zh) 文本对象检测的方法、装置、电子设备和存储介质
CN115719066A (zh) 基于人工智能的搜索文本理解方法、装置、设备和介质
CN114238745A (zh) 一种提供搜索结果的方法及装置、电子设备和介质
JP6894461B2 (ja) 情報処理装置、プログラム、及び情報処理方法
CN114185641A (zh) 虚拟机冷迁移方法、装置、电子设备及存储介质
CN112860681A (zh) 数据清洗方法及装置、计算机设备和介质
CN113704314A (zh) 数据的分析方法及装置、电子设备和存储介质
CN113554062A (zh) 多分类模型的训练方法、设备和存储介质
CN112381167A (zh) 训练任务分类模型的方法、任务分类方法和装置
CN112954025B (zh) 基于分层知识图谱推送信息方法、装置、设备、介质
CN113963234B (zh) 数据标注处理方法、装置、电子设备和介质
CN115168577B (zh) 模型更新方法、装置、电子设备及存储介质
CN114186032A (zh) 一种识别异常搜索语句的方法及装置、电子设备和介质
CN117909235A (zh) 代码风险检测方法、深度学习模型的训练方法和装置
CN114169440A (zh) 模型训练方法、数据处理方法、装置、电子设备及介质

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