CN113806478A - 一种基于图神经网络的挖掘机故障辅助决策方法 - Google Patents
一种基于图神经网络的挖掘机故障辅助决策方法 Download PDFInfo
- Publication number
- CN113806478A CN113806478A CN202111002291.4A CN202111002291A CN113806478A CN 113806478 A CN113806478 A CN 113806478A CN 202111002291 A CN202111002291 A CN 202111002291A CN 113806478 A CN113806478 A CN 113806478A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- excavator
- work order
- entity
- 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 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000003672 processing method Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 12
- 230000002776 aggregation Effects 0.000 description 10
- 238000004220 aggregation Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
-
- 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
- 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
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种基于图神经网络的挖掘机故障辅助决策方法,涉及挖掘机故障诊断领域,能够解决人工诊断和处理故障带来的时效性差、准确率低等问题。本发明包括:对接收到的挖掘机的故障工单进行预处理,并利用经过预处理的故障工单得到故障知识图谱;查询故障工单对应的处理方案数据,并根据所述故障工单和对应的处理方案数据,构建辅助决策矩阵;构建图神经网络模型,并通过所述故障知识图谱和所述辅助决策矩阵对所述图神经网络模型进行训练;接收当前发生故障的挖掘机上报的文本数据,输入经过训练的所述图神经网络模型,并输出针对当前发生故障的挖掘机的处理方案数据。
Description
技术领域
本发明涉及挖掘机故障诊断领域,尤其涉及一种基于图神经网络的挖掘机故障辅助决策方法。
背景技术
履带式挖掘机具有动力强劲,灵活性高等优点,是使用范围最广的挖掘机种类,素有“经济活动晴雨表”之称,广泛应用于民用施工建造、矿物开采、基础设施建设等各类工程活动中。履带式挖掘机作业条件较为严苛,工况复杂,诸多因素都可能会导致其发生故障。而履带式挖掘机的维修难度较高,若处理不得当,不仅会造成设备的二次损害,还会威胁到操作人员的人身安全。如果这些问题得不到解决,那么很有可能会限制履带式挖掘机发展。针对作业过程中常见挖掘机故障问题进行经验总结,在进行现场维修时选择最为适当的维修方式,能够在保障操作人员人生安全的基础上促进施工作业的顺利进行,并且有助于提升企业施工效率,延长挖掘机使用寿命,增加企业经济收益。因此,研究履带式挖掘机的故障诊断辅助决策方法具有至关重要的意义。
目前,履带式挖掘机相关的故障诊断领域缺乏完备可靠的知识库,能够辅助决策的推理策略亦有很大的发展空间。当挖掘机在作业现场发生故障时,仅依靠操作人员的经验排除故障效率低下、可靠性不高。
发明内容
本发明的实施例提供一种基于图神经网络的挖掘机故障辅助决策方法,能够解决人工诊断和处理故障带来的时效性差、准确率低等问题。
为达到上述目的,本发明的实施例采用如下技术方案:
S1、对接收到的挖掘机的故障工单进行预处理,并利用经过预处理的故障工单得到故障知识图谱;
S2、查询故障工单对应的处理方案数据,并根据所述故障工单和对应的处理方案数据,构建辅助决策矩阵;
S3、构建图神经网络模型,并通过所述故障知识图谱和所述辅助决策矩阵对所述图神经网络模型进行训练;
S4、接收当前发生故障的挖掘机上报的文本数据,输入经过训练的所述图神经网络模型,并输出针对当前发生故障的挖掘机的处理方案数据。
本发明实施例公开了一种基于图神经网络的挖掘机故障辅助决策方法,涉及履带式挖掘机的故障诊断领域。本发明包括:从半结构化的故障工单中抽取实体以及关系,构建挖掘机故障知识图谱;依据故障现象与处理故障的相应方法构建辅助决策矩阵;构建图神经网络框架,将故障知识图谱与辅助决策矩阵送入网络模型,优化模型中的待训练参数;获取挖掘机运行时的故障文本数据,经过预处理提取故障现象后,送入训练好的模型中可以预测出相应的故障处理方法。通过使用图神经网络的模型框架,可以有效地提高决策的效率和准确性,解决了人工诊断和处理故障带来的时效性差、准确率低等问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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例,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它的附图。
图1为本发明实施例提供的整体方法流程示意图;
图2为本发明实施例提供的挖掘机故障知识图谱局部示意图;
图3为本发明实施例提供的图神经网络接受域原理示意图;
图4为本发明实施例提供的图神经网络信息聚合框架示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
目前,履带式挖掘机相关的故障诊断领域缺乏完备可靠的知识库,能够辅助决策的推理策略亦有很大的发展空间。当挖掘机在作业现场发生故障时,仅依靠操作人员的经验排除故障效率低下、可靠性不高。本实施例给出的设计思路是:构建挖掘机故障知识图谱,并在此基础上设计推理算法,在故障发生时为操作人员提供高效可靠的处理建议,对挖掘机常见故障进行分析与排除,对确保挖掘机的安全工作、提高工作效率都具有重要意义。
本发明实施例提供一种基于图神经网络的挖掘机故障辅助决策方法,包括:
S1、对接收到的挖掘机的故障工单进行预处理,并利用经过预处理的故障工单得到故障知识图谱。
其中,可以使用已有的故障工单抽取实体以及关系,构建RDF三元组并存储为csv文件格式,导入Neo4j图数据库完成基础故障知识图谱的构建;之后将运行过程中新产生的故障工单经过预处理,对原有的故障知识图谱进行补全和完善。
S2、查询故障工单对应的处理方案数据,并根据所述故障工单和对应的处理方案数据,构建辅助决策矩阵。
其中,可以将故障工单中所描述的故障现象和对于此故障的处理方法提取出来,分别作为矩阵的行与列,构建辅助决策矩阵。
S3、构建图神经网络模型,并通过所述故障知识图谱和所述辅助决策矩阵对所述图神经网络模型进行训练。
其中,可以构建图神经网络框架,通过将知识图谱与辅助决策矩阵送入网络,优化参数以提升模型的性能,使用验证集检验准确性。
S4、接收当前发生故障的挖掘机上报的文本数据,输入经过训练的所述图神经网络模型,并输出针对当前发生故障的挖掘机的处理方案数据。
具体的,获取挖掘机运行时的故障文本数据,经过预处理,提取出故障现象文本数据,送入训练好的模型中可以预测出相应的故障处理方法以辅助操作人员进行决策。
本实施例设计了一种基于图神经网络的挖掘机故障辅助决策方案,使用故障工单中的经验和知识构建挖掘机故障知识图谱,并在实际使用中不断对原有图谱进行完善,为推理任务提供良好的知识库基础。在训练策略方面,将挖掘机故障知识图谱与辅助决策矩阵相结合,使用图神经网络框架来提高模型的泛化能力。本发明能够实现挖掘机的在线辅助故障诊断和处理决策功能,具有较高的可靠性和效率。
在本实施例中,在S1中,包括:从故障工单中提取实体文本数据和记录各类实体之间关系的文本数据。在通过文本卷积神经网络模型对实体进行分类后,生成实体与各类实体之间关系的RDF三元组。将所生成的RDF三元组导入Neo4j图数据库并进行知识图谱的搭建。
进一步的,还包括:当新的故障发生时,利用新的故障工单,对所搭建的知识图谱进行更新。
具体的,在故障知识图谱构建阶段,可以收集半结构化的挖掘机故障工单,从故障工单中抽取实体文本以及各类实体之间的关系文本。使用高效的文本卷积神经网络模型对实体进行分类,基于规则构建实体与关系的RDF三元组,将三元组导入Neo4j图数据库完成知识谱的搭建。当新的故障发生时,对故障文本数据进行预处理,使用训练好的卷积神经网络模型对实体进行自动分类并导入到原有的故障知识图谱中,对图谱进行补全和完善。
例如,在故障知识图谱构建的过程中:可以使用现存的故障工单构建挖掘机故障知识图谱。从故障工单中抽取实体以及关系并进行标注,训练用于实体分类的卷积神经网络,优化网络参数,为后续实体自动分类任务做好准备。将实体和关系构建RDF三元组并存储为csv文件格式,导入Neo4j图数据库完成基础故障知识图谱的构建。之后,则继续完善补充故障知识图谱。将运行过程中新产生的故障工单进行实体抽取,使用步骤1中训练好的卷积神经网络模型对实体进行自动分类,将分类结果依据规则构建RDF三元组,加入到原有的故障知识图谱中,对其进行补全和完善。
在本实施例中,在S2中,包括:
将处理方案和故障现象分别作为矩阵的行和列,得到辅助决策矩阵Y∈RM×N。当处理方案能解决当前故障现象时,所述辅助决策矩阵中对应的元素值为1,否则为0。
具体的,在离线训练阶段的过程中:需要先构建图神经网络;之后筛选样本,优选方案中按照6:2:2的比例划分训练集、验证集和测试集;使用训练集优化多任务学习模型的参数;使用验证集检验模型的准确性;训练完成的模型具有良好的泛化性,可以预测出新产生的故障现象所对应的可能的处理方法。
其中,每层图神经网络中主要包含两种运算,首先需要计算知识图谱中实体与关系的关联程度,为后续的聚合运算提供权重参考;另一种为聚合运算,将实体与其关联实体以向量表示的形式进行聚合,将特征信息向中心汇聚。
在本实施例中,在构建图神经网络模型的过程中,包括:
为了描述知识图谱中处理方法实体s的近似拓扑结构,需要计算s的邻域的关联度线性组合:
其中,W为网络待训练参数,b为偏置项,σ为ReLU激活函数。
在聚合之后,一个处理方法实体向量与其邻域的实体绑定在一起,聚合了所有的邻域实体的特征。
在本实施例中,对所述图神经网络模型进行训练的过程,包括:
为了提高计算效率,在训练过程中采用负采样策略,其中,在输入样本的每个批次上采用最小化损失函数:
其中,为交叉熵损失函数,P为负采样分布且服从均匀分布,Tf是故障现象f的负样本数,yfs表示在实际情况中相应的处理方案能够处理此类故障,表示处理方案有效的预测概率,表示处理方案负样本不能够处理此类故障,表示处理方案的负样本有效的预测概率,si表示故障处理方案负样本,表示故障处理方案负样本服从负采样分布。
当损失函数的值稳定不再下降后,停止训练。
具体的,在线测试阶段找中,获取挖掘机运行时产生的故障文本数据,经过预处理后,将故障信息增补到故障知识图谱中,将结构化的故障信息送入训练好的模型中,可以预测出相应的故障处理方法以辅助操作人员进行决策。
本发明实施例可以依据具体的场景调整应用方式,举例来说,在某些应用场景中,可以将方案分为2个阶段,如图1所示的,其中第一阶段,建立并训练图神经网络模型。第二阶段,在线辅助决策。其步骤包括:
具体的,在第一阶段,如图3所示的,1构建故障知识图谱,2构建辅助决策矩阵,3构建图神经网络模型框架,并训练模型。
具体的,所述1构建故障知识图谱,包括:
步骤1.1、使用现存的故障工单构建挖掘机故障知识图谱。从故障工单中抽取实体以及关系并进行标注,训练用于实体分类的卷积神经网络,优化网络参数,为后续实体自动分类任务做好准备。将实体和关系构建RDF三元组并存储为csv文件格式,导入Neo4j图数据库完成基础故障知识图谱的构建。
步骤1.2、完善补充故障知识图谱。将运行过程中新产生的故障工单进行实体抽取,使用训练好的卷积神经网络模型对实体进行自动分类,将分类结果依据规则构建RDF三元组,加入到原有的故障知识图谱中,对其进行补全和完善。
具体的,构建辅助决策矩阵,包括:
依据不同故障现象与处理故障的相应方法构建辅助决策矩阵。将M种故障现象描述为将N种处理方法描述为将故障现象和处理方法分别作为矩阵的行和列,可以得到辅助决策矩阵Y∈RM×N。当故障处理方法能解决当前故障时,矩阵中的对应元素值为1,否则为0。
具体的,构建图神经网络模型框架,并训练模型,包括:
步骤3.1、构建图神经网络。每层图神经网络中主要包含两种运算,首先需要计算知识图谱中实体与关系的关联程度,为后续的聚合运算提供权重参考。另一种为聚合运算,将实体与其关联实体以向量表示的形式进行聚合,将特征信息向中心汇聚。
(i)关联度算法:考虑辅助决策矩阵Y∈RM×N中的每一组故障现象f与处理方法s对,使用表示知识图谱中与处理方法实体相关联的所有实体,表示实体si和实体sj之间的关系。定义内积函数g来计算故障现象实体与关系之间的关联度:
为了近似描述知识图谱中处理方法实体s的拓扑结构,需要计算s的邻域的关联度线性组合:
其中W为网络待训练参数,b为偏置项,σ为ReLU激活函数。在聚合之后,一个处理方法实体向量与其邻域的实体绑定在一起,聚合了所有邻域实体特征。
步骤3.2、训练模型。为了提高计算效率,在训练过程中采用负采样策略。在输入样本的每个批次上最小化损失函数:
第二阶段,在线辅助决策:获取挖掘机运行时产生的故障文本数据,经过预处理后生成测试样例,将测试样例输入训练得到的辅助决策模型,得到预测的处理方法。
具体的,获取挖掘机运行时产生的故障文本数据,经过预处理后生成测试样例,将测试样例输入3中训练得到的辅助决策模型,得到预测的处理方法,包括:
获取挖掘机运行时产生的故障文本数据,经过预处理后,使用与前面相同的方法将故障信息增补到故障知识图谱中,将结构化的故障信息送入训练好的模型中,可以预测出相应的故障处理方法以辅助操作人员进行决策。
本实施例提出的基于多任务学习与知识图谱嵌入的挖掘机故障辅助决策系统,可以用来在挖掘机发生故障时为维修人员提供高效可靠的诊断建议。该方法通过对故障知识图谱中类别为故障现象的头实体文本以及辅助决策矩阵中对于该故障现象的处理方法文本的词向量进行交互运算,能够提取出两者相关联的潜在特征。通过使用图神经网络模型,可以提升模型的泛化能力并有效的解决冷启动和数据稀疏的问题。另外,此框架具有良好的可迁移性,当对其他机械故障做出辅助决策时,仍然具有较高的准确性。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.一种基于图神经网络的挖掘机故障辅助决策方法,其特征在于,包括:
S1、对接收到的挖掘机的故障工单进行预处理,并利用经过预处理的故障工单得到故障知识图谱;
S2、查询故障工单对应的处理方案数据,并根据所述故障工单和对应的处理方案数据,构建辅助决策矩阵;
S3、构建图神经网络模型,并通过所述故障知识图谱和所述辅助决策矩阵对所述图神经网络模型进行训练;
S4、接收当前发生故障的挖掘机上报的文本数据,输入经过训练的所述图神经网络模型,并输出针对当前发生故障的挖掘机的处理方案数据。
2.根据权利要求1所述的方法,其特征在于,在S1中,包括:
从故障工单中提取实体文本数据和记录各类实体之间关系的文本数据;
在通过文本卷积神经网络模型对实体进行分类后,生成实体与各类实体之间关系的RDF三元组;
将所生成的RDF三元组导入Neo4j图数据库并进行知识图谱的搭建。
3.根据权利要求2所述的方法,其特征在于,还包括:
当新的故障发生时,利用新的故障工单,对所搭建的知识图谱进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002291.4A CN113806478A (zh) | 2021-08-30 | 2021-08-30 | 一种基于图神经网络的挖掘机故障辅助决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002291.4A CN113806478A (zh) | 2021-08-30 | 2021-08-30 | 一种基于图神经网络的挖掘机故障辅助决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113806478A true CN113806478A (zh) | 2021-12-17 |
Family
ID=78894374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002291.4A Pending CN113806478A (zh) | 2021-08-30 | 2021-08-30 | 一种基于图神经网络的挖掘机故障辅助决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113806478A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
CN115077906A (zh) * | 2022-06-10 | 2022-09-20 | 潍柴动力股份有限公司 | 发动机高发故障起因件确定方法、装置、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3106283A1 (en) * | 2020-01-21 | 2021-07-21 | Royal Bank Of Canada | System and method for out-of-sample representation learning |
CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
-
2021
- 2021-08-30 CN CN202111002291.4A patent/CN113806478A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3106283A1 (en) * | 2020-01-21 | 2021-07-21 | Royal Bank Of Canada | System and method for out-of-sample representation learning |
CN113283027A (zh) * | 2021-05-20 | 2021-08-20 | 南京航空航天大学 | 一种基于知识图谱和图神经网络的机械故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114912637A (zh) * | 2022-05-21 | 2022-08-16 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
CN114912637B (zh) * | 2022-05-21 | 2023-08-29 | 重庆大学 | 人机物知识图谱制造产线运维决策方法及系统、存储介质 |
CN115077906A (zh) * | 2022-06-10 | 2022-09-20 | 潍柴动力股份有限公司 | 发动机高发故障起因件确定方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A novel multi-criteria decision-making method for selecting the site of an electric-vehicle charging station from a sustainable perspective | |
CN102765643B (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
CN113806478A (zh) | 一种基于图神经网络的挖掘机故障辅助决策方法 | |
CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
Zhang et al. | Analysis and prediction of employee turnover characteristics based on machine learning | |
CN111209472B (zh) | 一种铁路事故故障关联和事故故障原因分析方法及系统 | |
Zhao et al. | A review of sustainable maintenance strategies for single component and multicomponent equipment | |
Jiang et al. | Forecasting primary delay recovery of high-speed railway using multiple linear regression, supporting vector machine, artificial neural network, and random forest regression | |
CN105205326B (zh) | 一种电厂实时负荷在线预测方法 | |
CN102063119A (zh) | 一种基于点巡检数据和dcs在线数据的设备故障预测方法 | |
CN108873859A (zh) | 基于改进关联规则的桥式抓斗卸船机故障预测模型方法 | |
CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
Wenner et al. | The concept of digital twin to revolutionise infrastructure maintenance: The pilot project smartBRIDGE Hamburg | |
CN112577745A (zh) | 一种基于1d-cnn的滚动轴承故障诊断方法 | |
Gholami et al. | Maintenance scheduling using data mining techniques and time series models | |
CN107369120A (zh) | 一种智能企业管理、服务系统及企业活性分析方法 | |
CN113449072A (zh) | 基于深度学习的挖掘机故障知识图谱的构建方法 | |
CN110503209B (zh) | 一种基于大数据的钢轨分析预警模型构建方法与系统 | |
KR102315668B1 (ko) | 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치 | |
CN116611813B (zh) | 一种基于知识图谱的智能运维管理方法及系统 | |
Khalyasmaa et al. | Training samples construction for energy utilities operational assets management | |
Ali | Estimating the inspection frequencies of civil infrastructures using correlation networks and population analysis | |
CN115730255A (zh) | 基于迁移学习和多源信息融合的电机故障诊断分析方法 | |
CN116070176A (zh) | 设备状态分析方法、装置、电子设备及可读存储介质 | |
CN115496233A (zh) | 一种基于马尔可夫模型的数据中台运行故障预测方法 |
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 |