CN113722494A - 一种基于自然语言理解的设备故障定位方法 - Google Patents

Abstract

本申请提供一种基于自然语言理解的设备故障定位方法，所述方法包括：获取历史故障数据，根据所述历史故障数据建立标准故障数据库；根据所述标准故障数据库，构建故障描述表和故障类别关系对应表；根据故障描述表和故障类别关系对应表，基于深度学习的方法构建分类模型，并利用分类模型进行故障类别分类。

Description

一种基于自然语言理解的设备故障定位方法

技术领域

本发明属于设备故障诊断领域，涉及一种基于自然语言理解的设备故障定位方法。

背景技术

随着工业及科学技术的迅速发展，设备的结构日趋复杂，这给传统故障诊断及分析方法带来了巨大困难。

同时，设备使用人员受限于对设备的认知水平，其对设备的故障描述，以使用自然语言为主，水平参差不齐，且有可能缺乏故障定位所需的一些关键信息，给故障定位带来一定的困难；如何有效利用设备使用人员的故障描述信息，确定故障描述和故障定位之间的关系，提高维修的效率，是迫切需要解决的问题。

发明内容

本发明要解决的问题是：提供一种基于自然语言理解的设备故障定位方法，辅助维修人员进行快速故障定位，以解决现有设备维修时，对维修人员知识要求高、故障定位难；已有知识经验难以传承的问题。

本申请提供一种基于自然语言理解的设备故障定位方法，所述方法包括：

获取历史故障数据，根据所述历史故障数据建立标准故障数据库；根据所述标准故障数据库，抽取故障描述表，并基于先验规则人为构建故障类别关系对应表；

根据故障描述表和故障类别关系对应表，基于深度学习的方法构建分类模型，并利用分类模型进行故障类别分类。

优选的，基于深度学习的方法构建分类模型，具体包括:

将故障描述表中的历史故障数据输入分类模型，以便作为分类模型的训练数据，训练分类模型，不断优化分类模型参数。

优选的，分类模型包括基于注意力机制的文本分类算法分类器。

优选的，根据所述标准故障数据库，构建故障描述表和故障类别关系对应表，具体包括：

根据标准故障数据库，抽取并归纳数据库中故障类别，并基于先验规则，人为构建故障类别对应表；其次，通过聚类算法对故障数据库进行清洗和过滤，并抽取故障描述表。

优选的，通过对标准故障数据库中的数据进行聚类，并对按类标聚类后每一类故障数据归纳整理得到故障描述表和故障类别关系表，具体包括：

针对标准故障数据库的数据，利用结巴分词，对故障数据进行分词操作，利用TF-IDF，得到故障描述文本特征，进行聚类处理，并构建故障描述表和故障类别关系表。

优选的，故障描述表为经过聚类方法清洗及过滤后具有代表性的典型故障数据。

优选的，故障类别关系表为基于先验规则人为制定的故障标签与故障描述对应表。先验规则依据设备原理及维修经验，由专业维修人员人为确定。

本发明的有益效果是：本发明利用自然语言的故障描述，只需要描述设备故障现象，系统便可辅助实现故障设备的智能化定位，提高设备检修效率。

附图说明

图1为本申请提供的一种基于自然语言理解的设备故障定位方法的流程示意图；

图2为本申请提供的一种CBOW模型的示意图；

图3为本申请提供的一种L-BiGRU的示意图；

图4为本申请提供的一种故障类别的示意图；

图5为本申请提供的一种出现频率最高的词语的饼状分布图。

具体实施方式

下面对本发明方法的实施方式做详细说明。

实施例一

如图1所示，本发明的技术方案是：一种基于自然语言理解的设备故障定位方法，包括以下步骤：

步骤1：获取历史故障数据，根据所述历史故障数据建立标准故障数据库；根据所述标准故障数据库，构建故障描述表和故障类别关系对应表；

标准故障数据库中包含产品代号、产品编号、故障描述、故障部位、故障发生时间、故障原因、纠正措施和故障定位等信息。

具体的，根据所述标准故障数据库，构建故障描述表和故障类别关系对应表，包括：依据先验规则，对所述标准故障数据库中的历史故障数据进行数据抽取建模与入库操作，故障类别关系对应表，参见表1-表3。

需要说明的是，先验规则根据设备原理和维修人员的维修经验，由人工标注产生，作为训练分类器的标准。

表1：标准故障数据库

表2：故障描述表

表3故障类别关系对应表

步骤2：

利用聚类方法清洗并过滤故障数据库，得到故障描述表，步骤二具体包括：步骤201分词去停用词处理：

从故障描述表抽取出所有故障描述样本，每一条样本包含了该故障描述和与其对应的故障部位及相关的字段信息。我们希望文本处理的最小单位粒度是词语，首先通过结巴分词器对句子进行分词处理，分词后会发现有一些对文本特征没有任何贡献作用的字词，比如标点符号、语气、人称等一些词。根据故障设备的特有场景，构建故障设备专用场景下的停用词表，通过循环遍历每一个故障描述样本，过滤掉故障描述中无用的词语。

步骤202关键词提取：

由于我们通过分词后的结果得到的是很多词语，其中有些词语是无足轻重的，有些词语却是在文本中处于一个关键词的地位，它们的权重不一样，所以我们通过实现TF-IDF的步骤来得到关键词的权重

词频(TF):结合该实例来讲，即某一个给定的词语在该故障描述段落中出现的频率。n_i,j指该词t_i在段落d_j中出现次数，分母为段落d_j中所有字词的出现次数之和。TF由下式定义：

逆向文件频率(I DF):是一个词语普遍重要性的度量。某一特定词语的I DF，可以由故障描述总段落数目除以包含该词语之段落的数目，再将得到的商取对数得到。I DF由下式定义：

其中|D|为语料库中故障描述句子段落总数，|{j:t_i∈d_j}|为包含词语t_i的段落数目。

TF-IDF＝TF_i,j×IDF_i

通过以上处理，我们已经得到了每个故障描述样本的向量化表示，作为聚类算法的预处理数据。

步骤203 K-Means聚类算法：

K-Means算法是一种迭代求解的聚类分析算法，其步骤是随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类，没有(或最小数目)聚类中心再发生变化，误差平方和局部最小。

针对设备每一个故障类别，我们拿到该故障类标下的所有故障描述，给定参数k，最终该故障类标下的所有故障描述被划分为k个簇。我们选取离簇心最近的前n条故障描述作为典型案例数据，最终构建典型故障案例库。

步骤2：根据故障描述表和故障类别关系对应表，基于深度学习的方法构建分类模型，并利用分类模型进行故障类别分类。

具体的，基于深度学习的方法构建分类模型，包括:将标准故障数据库的历史故障数据输入分类模型，以便作为分类模型的训练数据，训练分类模型，不断优化分类模型参数。

举例来说，分类模型包括基于注意力机制的文本分类算法分类器。

可以理解的是，通过训练分类模型，不断优化分类模型参数，最终实现每条故障描述(故障现象)通过文本分类算法分类器实现准确有效的故障类别分类、故障定位。

实施例二

在进行完数据抽取与建模后，本文利用故障描述数据来对故障类别进行判别。整体方法分为词语特征向量的生成以及故障诊断模型的构建两步，具体内容如下：

步骤1：词语特征向量的生成

深度学习模型需要规范的、结构性的特征作为模型的输入，因此为了本文对文本数据进行向量化，得到词语特征向量从而为后续深度学习模型对特征的训练奠定基础。由于TF-I DF方法生成的特征并未考虑到文本描述的上下文语义信息，因此本文在结巴分词技术的基础上，采用word2vec模型针对所有故障数据(包括维修方案数据、故障描述数据、原因分析数据、外场电话数据等)进行建模，学习到能够代表设备故障描述中词语信息的词向量vi.

Word2vec模型本身利用了三层神经网络进行建模，为了丰富词语的语义信息利用了词语的上下文信息，并用维数更小的向量来表示词语的特征，该方法能够很好地解决在语料库较大时传统独热向量表示方法中维数灾难的问题。Word2vec模型包括两种方法:连续词袋模型(CBOW)以及Ski p-gram模型。CBOW的目标是根据上下文来预测当前词语的概率，而Skip-gram利用当前词语预测上下文的概率。故障描述中的词语关系复杂，因此当前词的词向量特征中不仅需要得到当前词语特征信息，更需要得到包含上下文关系的词语特征信息，从而丰富当前词的语义特征。

如图2所示，本文采用CBOW模型来对整体故障数据进行训练。

模型根据当前词w_t周围的词语...w_t-2,w_t-1,w_t+1,w_t+2...来预测当前词w_t，其中...v_t-2,v_t-1,v_t+1,v_t+2...为上述词语的词向量，最初为随机分配的向量。等模型收敛后，...v_t-2,v_t-1,v_t+1,v_t+2...即为每个词语的特征向量。

步骤2故障诊断模型的构建：

本小节主要分为一下两个阶段：基于深度学习的粗粒度故障预测及基于KNN的细粒度故障预测，具体步骤如下：

步骤201：

如图3所示，该阶段旨在定位到一级标签位置。考虑故障描述数据的复杂性，文本构建了L-BiGRU网络学习故障描述数据的特征表示。双向门限神经网络(BiGRU)是一种能够同时学习特征正向与反向序列关系的一种神经网络模型，本文中模型将故障描述的向量化词语特征拼接后输入到BiGRU中，学习到具有深层语义关系的词语特征，再利用标签计算出每个词与标签对应的注意力权重值，对深层语义特征在此权重基础上进行加权求和，进而得到故障描述的特征向量。

首先，我们利用双向GRU网络，学习到每个单词对应的深层语义表示：

其中h_i代表经过双向GRU后的深层语义表示，S为故障描述文本的长度，v_i为故障描述中第i个词向量。

进而，我们利用标签嵌入向量的信息，即故障类别对应标签所对应的词向量特征，对每个词语对应的深层语义表示计算注意力权重值β:

u_s＝RELU(G_s-r:s+rW₁+b₁)

m_s＝max pooling(u_s)

β＝soft max(m)

z＝∑_sβ_iv_i

其中C为标签嵌入向量，z为最终故障描述的特征向量。并经过softmax函数，得到故障类别的概率分布e：

e＝soft max(W_outz+b_out)

至此，我们的模型构建完成。该模型经过训练集训练，可以用于设备故障一级标签的故障定位。

阶段二：完成阶段一后，该阶段以及阶段一的定位结果针对一级故障标签进一步的故障定位。在此本文利用余弦相似度计算由阶段一得到的待测试文本与训练故障描述特征向量之间的距离：

d＝cos(test,train)

选取所要定位的型号之后，利用KNN算法，即K最邻近法{若一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于该类别}。

选取与测试样本距离最大的k个固定型号的训练样本，将k个训练样本中出现最多的标签作为最终的测试样本标签，即最终的二级故障定位结果。

实施例三

如图4所示，举例来说，以性能不满足要求为例，输入“性能差”，利用分类模型进行故障类别分类，得到故障类别。

则维修人员可依据故障类别，按照可能性大小依次对“陀螺性能差”、“加计性能差”、“使用问题”进行进一步的定位排除。

实施例四

本发明的技术方案是：一种基于自然语言理解的设备故障定位方法，还包括：

步骤1：对于故障现象的描述，通过自然语言学习的方法得到高频词；

步骤2：根据高频词，构建故障描述表。

为进一步提高使用维护人员的维修能力，该系统还具有一定的学习功能，如对于故障现象的描述，通过自然语言学习的方法得到高频词如下，可提示在输入界面中，使用维护人员可通过点击选择或手动在输入框中输入关键词，即可得到最近几次故障的处理结果供学习参考。

如图5所示，举例来说，选择“对准不通过”，则左下角给出最近几次的处理情况，右下角给出出现频率最高的词语的饼状分布图。

综上所述，本发明利用自然语言的故障描述，只需要描述设备故障现象，系统便可辅助实现故障设备的智能化定位，提高设备检修效率。

最后应该说明的是：以上实施例仅用以说明本发明的技术方案，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明揭露的技术范围内，可以轻易想到各种等效的修改或者替换，这些修改或者替换都应该涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于自然语言理解的设备故障定位方法，其特征在于，所述方法包括：

获取历史故障数据，根据所述历史故障数据建立标准故障数据库；根据所述标准故障数据库，构建故障描述表和故障类别关系对应表；

根据故障描述表和故障类别关系对应表，基于深度学习的方法构建分类模型，并利用分类模型进行故障类别分类。

2.根据权利要求1所述的方法，其特征在于，基于深度学习的方法构建分类模型，具体包括:

将标准故障数据库的历史故障数据输入分类模型，以便作为分类模型的训练数据，训练分类模型，不断优化分类模型参数。

3.根据权利要求1所述的方法，其特征在于，分类模型包括基于注意力机制的文本分类算法分类器。

4.根据权利要求1所述的方法，其特征在于，根据所述标准故障数据库，构建故障描述表和故障类别关系对应表，具体包括：

依据先验规则，对所述标准故障数据库中的历史故障数据进行数据抽取建模与入库操作，构建故障描述表和故障类别关系对应表。

5.根据权利要求1所述的方法，其特征在于，标准故障数据库中包含产品代号、故障描述、故障部位、故障发生时间、故障原因、纠错措施和故障定位信息。

6.根据权利要求1所述的方法，其特征在于，根据所述标准故障数据库，构建故障类别关系对应表，具体包括：

基于先验规则，构建故障类别关系对应表。先验规则依据设备原理和专业人员的维修经验，由人工标注产生。

7.根据权利要求1所述的方法，其特征在于，通过对标准故障数据库中的数据进行聚类，并对按类标聚类后每一类故障数据中归纳整理得到故障描述表，具体包括：

针对已抽取的故障描述表，利用结巴分词，对故障数据进行分词操作，得到故障描述文本特征；

利用TF-IDF计算关键词权重，得到故障描述样本的向量化表示，用于进行聚类操作。

8.根据权利要求1所述的方法，其特征在于，故障描述表为经过聚类抽取后具有代表性的典型故障数据。

9.根据权利要求1所述的方法，其特征在于，故障类别关系表为基于先验规则人为制定的故障标签与故障描述对应表。

Images