CN114358012A - 一种设备异常语义识别方法、装置、设备及介质 - Google Patents
一种设备异常语义识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114358012A CN114358012A CN202111396841.5A CN202111396841A CN114358012A CN 114358012 A CN114358012 A CN 114358012A CN 202111396841 A CN202111396841 A CN 202111396841A CN 114358012 A CN114358012 A CN 114358012A
- Authority
- CN
- China
- Prior art keywords
- text
- data
- obtaining
- neural network
- features
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 22
- 238000010248 power generation Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明提供一种设备异常语义识别方法、装置、设备及介质,用以解决现有技术中设备异常语义识别的数据单一,识别率不高的技术问题,该方法包括:获取设备的异常数据;基于所述异常数据,通过预先训练好的神经网络模型得到文本特征;根据所述文本特征,得到识别结果并展示。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种设备异常语义识别方法、装置、设备及介质。
背景技术
随着深度学习与自然语言技术在新能源、电力设备中的应用落地,对室外发电设备光伏组串的异常识别具有重要意义。现有技术中,仅考虑到发电设备本身数据异常识别,忽视了发电设备外部环境数据的考虑,并且也没有结合这两项发电设备数据异常识别。现阶段的发电设备本身数据主要通过传感器、智能仪表以及人工抽检进行获取,外部环境数据主要是气象数据和地震数据,在实际应用中,对于发电设备异常识别不仅需要考虑本身数据进行识别,还需要结合其外部环境数据识别。
因此,针对所获取内外数据对发电设备异常识别这一解决方案,亟需一种方案,用于获取文本数据的上下文语义信息、如何体现内外数据本身的内部相关性、内外数据间关联性及上下文信息的不同部分权重。
发明内容
本发明提供一种设备异常语义识别的方法、装置、设备及介质,用以解决设备异常语义识别的数据单一,识别率不高的技术问题。
第一方面,本发明实施例提供一种设备异常语义识别的方法,包括:
获取设备的异常数据;
基于异常数据,通过预先训练好的神经网络模型得到文本特征;
根据文本特征,得到识别结果并展示。
在一种可能实施的方式中,本发明实施例提供的方法中,基于异常数据,通过预先训练好的神经网络模型得到文本特征,包括:
对异常数据进行句子建模,得到异常数据对应的词向量;
将词向量输入到预习训练好的神经网络模型,得到文本特征。
在一种可能实施的方式中,本发明实施例提供的方法中,根据文本特征,得到识别结果并展示,包括:
对文本特征进行特征融合,得到多模态融合特征,多模态融合特征用于表述单一模态数据的重要性和关联性;
基于多模态融合特征得到识别结果,并展示识别结果。
在一种可能实施的方式中,本发明实施例提供的方法中,在根据文本特征,得到识别结果并展示之前,包括:
通过注意力机制对文本特征进行处理。
在一种可能实施的方式中,本发明实施例提供的方法中,通过注意力机制对文本特征进行处理,包括:
将文本特征映射到共享语义空间,得到文本特征对应的相关性信息;
基于相关性信息,通过注意力机制对文本特征进行处理。
在一种可能实施的方式中,本发明实施例提供的方法中,神经网络模型采用以下步骤训练生成:
获取多个包含文本特征的样本数据;
基于样本数据、以及每个样本数据对应的训练标签,采用深度神经网络训练生成神经网络模型。
在一种可能实施的方式中,本发明实施例提供的方法中,得到识别结果并展示,包括:
得到识别结果;
在触发结果展示时,展示识别结果;
其中,触发结果展示的触发方式包括至少以下一种:指示灯提醒、文字提醒、语音提醒、外呼、短信送达、语音唤醒、显示屏展示。
第二方面,本发明实施例提供一种设备异常语义识别的装置,该装置包括:
获取单元,用于获取设备的异常数据;
处理单元,用于基于异常数据,通过预先训练好的神经网络模型得到文本特征;
识别单元,用于根据文本特征,得到识别结果并展示。
在一种可能实施的方式中,本发明实施例提供的装置中,处理单元具体用于:
对异常数据进行句子建模,得到异常数据对应的词向量;
将词向量输入到预习训练好的神经网络模型,得到文本特征。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元具体用于:
对文本特征进行特征融合,得到多模态融合特征,多模态融合特征用于表述单一模态数据的重要性和关联性;
基于多模态融合特征得到识别结果,并展示识别结果。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元具体用于:
通过注意力机制对文本特征进行处理。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元具体用于:
将文本特征映射到共享语义空间,得到文本特征对应的相关性信息;
基于相相关性信息,通过注意力机制对文本特征进行处理。
在一种可能实施的方式中,本发明实施例提供的装置中,处理单元采样如下步骤训练神经网络模型:
获取多个包含文本特征的样本数据;
基于样本数据、以及每个样本数据对应的训练标签,采用深度神经网络训练生成神经网络模型。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元具体用于:
得到识别结果;
在触发结果展示时,展示识别结果;
其中,触发结果展示的触发方式包括至少以下一种:指示灯提醒、文字提醒、语音提醒、外呼、短信送达、语音唤醒、显示屏展示。
第三方面,本发明实施例提供一种电子设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如本发明实施例第一方面所提供的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如本发明实施例第一方面所提供的方法。
利用本发明提供的设备异常语义的识别的方法、装置、设备及介质,具有以下有益效果:首先获取设备的异常数据,然后基于所述异常数据,通过预先训练好的神经网络模型得到文本特征,再根据所述文本特征,得到识别结果并展示。本发明通过对异常数据的处理,通过构建异构数据的多模态融合模型,提高了设备异常识别率和识别效率,不仅有效降低及减少设备的运营成本,而且避免出现设备异常漏报、误报、预警错报等,为新一代新能源智能运维提供了较好的解决案例。
附图说明
图1为本发明实施例提供的一种设备异常语义识别的方法的流程示意图;
图2为本发明实施例提供的一种设备异常语义识别的方法的具体流程示意图;
图3为本发明实施例提供的一种设备异常语义识别的方法的流程示意图;
图4为本发明实施例提供的一种设备异常语义识别的装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面对文中出现的一些词语进行解释:
1、本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、BiLSTM(Bi-directional Long Short-Term Memory,BiLSTM),一种神经网络模型,通常用于在自然语言处理任务中建模上下文信息。
3、注意力机制(Attention Mechanism),源于对人类视觉的研究。在认知科学中,由于信息处理的瓶颈,人类会选择性地关注所有信息的一部分,同时忽略其他可见的信息。上述机制通常被称为注意力机制。
4、softmax函数,又称归一化指数函数。它是二分类函数sigmoid在多分类上的推广,目的是将多分类的结果以概率的形式展现出来。
随着深度学习与自然语言技术在新能源、电力设备中的应用落地,对室外发电设备光伏组串的异常识别具有重要意义。现有技术中,仅考虑到发电设备本身数据异常识别,忽视了发电设备外部环境数据的考虑,并且也没有结合这两项发电设备数据异常识别。现阶段的发电设备本身数据主要通过传感器、智能仪表以及人工抽检进行获取,外部环境数据主要是气象数据和地震数据,在实际应用中,对于发电设备异常识别不仅需要考虑本身数据进行识别,还需要结合其外部环境数据识别。
因此,针对所获取内外数据对发电设备异常识别这一解决方案,亟需一种方案,用于获取文本数据的上下文语义信息、如何体现内外数据本身的内部相关性、内外数据间关联性及上下文信息的不同部分权重。
综合上述,本发明提出了一种设备异常语义识别方法、系统、装置及计算机设备,构建了异构数据的多模态融合模型对发电设备异常识别,提高了设备异常识别率和识别效率。
下面结合附图和实施例对本发明提供的设备异常语义的识别的方法、装置、设备及介质进行更详细地说明。
本发明实施例提供一种设备异常语义识别的方法,如图1所示,包括:
步骤101,获取设备的异常数据。
具体实施时,不仅获取设备本身的内部数据,还获取设备外部的环境数据。设备本身内部数据包括实时采集多种来源并进行数据处理,包括清洗及相应的数据解析。设备外部环境数据:实时采集到地震数据、气象数据,并进行数据解析及格式转化。
当然,还包括一些其他相关数据,例如光伏组串异常日期最近60天内数据,包括组串电流、电压和组串日异常标签,本发明实施例对此不作限定。
步骤102,基于异常数据,通过预先训练好的神经网络模型得到文本特征。
具体实施时,先对异常数据进行句子建模,得到异常数据对应的词向量,然后将词向量输入到预习训练好的神经网络模型,得到文本特征。
需要说明的是,神经网络模型采用以下步骤训练生成:
获取多个包含文本特征的样本数据,然后基于样本数据、以及每个样本数据对应的训练标签,采用深度神经网络训练生成神经网络模型。
步骤103,根据文本特征,得到识别结果并展示。
具体实施时,首先将文本特征映射到共享语义空间,得到文本特征对应的相关性信息,然后基于相关性信息,其中相关性信息用于体现文本特征的互关性与关联性。通过注意力机制对文本特征进行处理。再对文本特征进行特征融合,得到多模态融合特征,该多模态融合特征用于表述单一模态数据的重要性和关联性,最后基于多模态融合特征得到识别结果,并展示识别结果。
需要说明的是,触发方式包括但不限于以下一种或多种:指示灯提醒、文字提醒、语音提醒、外呼、短信送达、语音唤醒、显示屏展示等。
下面结合图2和图3,对本发明实施例提供的设备异常语义的识别的具体过程,进行详细说明:
步骤201,获取设备的异常数据。
具体实施时,不仅获取设备本身的内部数据,还获取设备外部的环境数据。设备本身内部数据包括实时采集多种来源并进行数据处理,包括清洗及相应的数据解析。设备外部环境数据:实时采集到地震数据、气象数据,并进行数据解析及格式转化。
当然,还包括一些其他相关数据,例如光伏组串异常日期最近60天内数据,包括组串电流、电压和组串日异常标签,本发明实施例对此不作限定。
步骤202,基于异常数据,通过预先训练好的神经网络模型得到文本特征。
首先对异构数据进行句子建模得到带有词性和位置的双词向量,便于被计算机处理的二进制向量。
再利用BiLSTM神经网络模型进行异构数据的文本编码得到带有上下文信息的文本特征。当然,这里也可以利用卷积神经网络CNN获得文本的局部和全局特征,也可以使用其他模型获取特征。
步骤203,将文本特征映射到共享语义空间,得到文本特征对应的相关性信息。
具体实施时,分别对异构数据所得的文本特征映射到共享语义空间,从而够较容易得到单一模态数据文本特征内部的相关性信息,其中相关性信息用于体现文本特征的互关性与关联性。
步骤204,通过注意力机制对文本特征进行处理。
具体实施时,获得文本交互特征,增加了文本特征的不同部分权重信息。
需要说明的是,为了得到异构数据的文本交互特征,通过需求设置不同的权重,经过注意力机制后较易得到带上下文信息和交互特征的不同部分权重信息。
步骤205,对文本特征进行特征融合,得到多模态融合特征。
在实施时,通过特征融合得到异构数据中单一模态数据文本交互特征和权重信息,用以表明异构数据中单一模态数据的重要性和关联性。
步骤206,基于多模态融合特征得到识别结果。
对得到多模态融合特征通过softmax函数,通过结果归一化操作还原大小等方式计算设备异常识别得分结果。
步骤207,展示识别结果。
具体实施时,对所得识别结果进行信息触发,需要说明的是,触发方式包括但不限于以下一种或多种:指示灯提醒、文字提醒、语音提醒、外呼、短信送达、语音唤醒、显示屏展示等。
上述步骤的具体实施流程如图3所示。
如图4所示,基于设备异常语义的识别的方法同样的发明构思,本发明还提供一种设备异常语义识别的装置,包括:
获取单元401,用于获取设备的异常数据;
处理单元402,用于基于异常数据,通过预先训练好的神经网络模型得到文本特征;
识别单元403,用于根据文本特征,得到识别结果并展示。
在一种可能实施的方式中,本发明实施例提供的装置中,处理单元402具体用于:
对异常数据进行句子建模,得到异常数据对应的词向量;
将词向量输入到预习训练好的神经网络模型,得到文本特征。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元403具体用于:
对文本特征进行特征融合,得到多模态融合特征,多模态融合特征用于表述单一模态数据的重要性和关联性;
基于多模态融合特征得到识别结果,并展示识别结果。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元403具体用于:
通过注意力机制对文本特征进行处理。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元403具体用于:
将文本特征映射到共享语义空间,得到文本特征对应的相关性信息;
基于相关性信息,通过注意力机制对文本特征进行处理。
在一种可能实施的方式中,本发明实施例提供的装置中,处理单元402采样如下步骤训练神经网络模型:
获取多个包含文本特征的样本数据;
基于样本数据、以及每个样本数据对应的训练标签,采用深度神经网络训练生成神经网络模型。
在一种可能实施的方式中,本发明实施例提供的装置中,识别单元403具体用于:
得到识别结果;
在触发结果展示时,展示识别结果;
其中,触发结果展示的触发方式包括至少以下一种:指示灯提醒、文字提醒、语音提醒、外呼、短信送达、语音唤醒、显示屏展示。
另外,结合图1-图4描述的本发明实施例的设备异常语义的识别的方法和装置可以由电子设备来实现。图5示出了本发明实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器502可在数据处理装置的内部或外部。在特定实施例中,存储器502是非易失性固态存储器。在特定实施例中,存储器502包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现上述实施例中的任意一种设备异常语义识别的方法。
在一个示例中,电子设备还可包括通信接口503和总线510。其中,如图5所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
该电子设备可以基于接收到的语音信息,执行本发明实施例中的设备异常语义的识别的方法,从而实现结合图1-图4描述的设备异常语义的识别的方法和装置。
另外,结合上述实施例中的电子设备,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种设备异常语义识别的方法。
利用本发明提供的设备异常语义的识别的方法、装置、设备及介质,具有以下有益效果:
首先获取设备的异常数据,然后基于所述异常数据,通过预先训练好的神经网络模型得到文本特征,再根据所述文本特征,得到识别结果并展示。本发明通过对异常数据的处理,通过构建异构数据的多模态融合模型,提高了设备异常识别率和识别效率,不仅有效降低及减少设备的运营成本,而且避免出现设备异常漏报、误报、预警错报等,为新一代新能源智能运维提供了较好的解决案例。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (16)
1.一种设备异常语义识别方法,其特征在于,包括:
获取设备的异常数据;
基于所述异常数据,通过预先训练好的神经网络模型得到文本特征;
根据所述文本特征,得到识别结果并展示。
2.根据权利要求1所述的方法,其特征在于,所述基于所述异常数据,通过预先训练好的神经网络模型得到文本特征,包括:
对所述异常数据进行句子建模,得到所述异常数据对应的词向量;
将所述词向量输入到预习训练好的神经网络模型,得到文本特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述文本特征,得到识别结果并展示,包括:
对所述文本特征进行特征融合,得到多模态融合特征,所述多模态融合特征用于表述单一模态数据的重要性和关联性;
基于所述多模态融合特征得到识别结果,并展示所述识别结果。
4.根据权利要求3所述的方法,其特征在于,在所述根据所述文本特征,得到识别结果并展示之前,包括:
通过注意力机制对所述文本特征进行处理。
5.根据权利要求4所述的方法,其特征在于,所述利用注意力机制对所述文本特征进行处理,包括:
将所述文本特征映射到共享语义空间,得到所述文本特征对应的相关性信息;
基于所述相关性信息,通过注意力机制对所述文本特征进行处理。
6.根据权利要求1所述的方法,其特征在于,所述神经网络模型采用以下步骤训练生成:
获取多个包含文本特征的样本数据;
基于所述样本数据、以及每个样本数据对应的训练标签,采用深度神经网络训练生成所述神经网络模型。
7.根据权利要求1所述的方法,其特征在于,所述得到识别结果并展示,包括:
得到识别结果;
在触发结果展示时,展示所述识别结果;
其中,所述触发结果展示的触发方式包括至少以下一种:指示灯提醒、文字提醒、语音提醒、外呼、短信送达、语音唤醒、显示屏展示。
8.一种设备异常语义识别的装置,其特征在于,包括:
获取单元,用于获取设备的异常数据;
处理单元,用于基于所述异常数据,通过预先训练好的神经网络模型得到文本特征;
识别单元,用于根据所述文本特征,得到识别结果并展示。
9.根据权利要求8所述的装置,其特征在于,所述处理单元具体用于:
对所述异常数据进行句子建模,得到所述异常数据对应的词向量;
将所述词向量输入到预习训练好的神经网络模型,得到文本特征。
10.根据权利要求8所述的装置,其特征在于,所述识别单元具体用于:
对所述文本特征进行特征融合,得到多模态融合特征,所述多模态融合特征用于表述单一模态数据的重要性和关联性;
基于所述多模态融合特征得到识别结果,并展示所述识别结果。
11.根据权利要求10所述的装置,其特征在于,所述识别单元具体用于:
通过注意力机制对所述文本特征进行处理。
12.根据权利要求11所述的装置,其特征在于,所述识别单元具体用于:
将所述文本特征映射到共享语义空间,得到所述文本特征对应的相关性信息;
基于所述相关性信息,通过注意力机制对所述文本特征进行处理。
13.根据权利要求8所述的装置,其特征在于,所述处理单元采样如下步骤训练所述神经网络模型:
获取多个包含文本特征的样本数据;
基于所述样本数据、以及每个样本数据对应的训练标签,采用深度神经网络训练生成所述神经网络模型。
14.根据权利要求8所述的装置,其特征在于,所述识别单元具体用于:
得到识别结果;
在触发结果展示时,展示所述识别结果;
其中,所述触发结果展示的触发方式包括至少以下一种:指示灯提醒、文字提醒、语音提醒、外呼、短信送达、语音唤醒、显示屏展示。
15.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396841.5A CN114358012A (zh) | 2021-11-23 | 2021-11-23 | 一种设备异常语义识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396841.5A CN114358012A (zh) | 2021-11-23 | 2021-11-23 | 一种设备异常语义识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358012A true CN114358012A (zh) | 2022-04-15 |
Family
ID=81095895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396841.5A Pending CN114358012A (zh) | 2021-11-23 | 2021-11-23 | 一种设备异常语义识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358012A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392304A (zh) * | 2017-08-04 | 2017-11-24 | 中国电力科学研究院 | 一种风电机组异常数据识别方法及装置 |
US20180260561A1 (en) * | 2017-03-08 | 2018-09-13 | General Electric Company | Generic framework to detect cyber threats in electric power grid |
CN112288050A (zh) * | 2020-12-29 | 2021-01-29 | 中电科新型智慧城市研究院有限公司 | 一种异常行为识别方法、识别装置、终端设备及存储介质 |
CN112860976A (zh) * | 2021-03-11 | 2021-05-28 | 合肥工业大学 | 一种基于多模态层次注意力机制的欺诈网站检测方法 |
CN113591909A (zh) * | 2021-06-23 | 2021-11-02 | 北京智芯微电子科技有限公司 | 电力系统的异常检测方法、异常检测装置以及存储介质 |
-
2021
- 2021-11-23 CN CN202111396841.5A patent/CN114358012A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180260561A1 (en) * | 2017-03-08 | 2018-09-13 | General Electric Company | Generic framework to detect cyber threats in electric power grid |
CN107392304A (zh) * | 2017-08-04 | 2017-11-24 | 中国电力科学研究院 | 一种风电机组异常数据识别方法及装置 |
CN112288050A (zh) * | 2020-12-29 | 2021-01-29 | 中电科新型智慧城市研究院有限公司 | 一种异常行为识别方法、识别装置、终端设备及存储介质 |
CN112860976A (zh) * | 2021-03-11 | 2021-05-28 | 合肥工业大学 | 一种基于多模态层次注意力机制的欺诈网站检测方法 |
CN113591909A (zh) * | 2021-06-23 | 2021-11-02 | 北京智芯微电子科技有限公司 | 电力系统的异常检测方法、异常检测装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112185348B (zh) | 多语种语音识别方法、装置及电子设备 | |
CN112086086B (zh) | 语音合成方法、装置、设备及计算机可读存储介质 | |
CN112001175B (zh) | 流程自动化方法、装置、电子设备及存储介质 | |
CN110720124A (zh) | 监测患者语言的使用以识别潜在的言语和相关的神经障碍 | |
CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
EP3979098A1 (en) | Data processing method and apparatus, storage medium, and electronic apparatus | |
CN114416943B (zh) | 对话模型的训练方法、装置、电子设备及存储介质 | |
CN113205814B (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
CN114021582B (zh) | 结合语音信息的口语理解方法、装置、设备及存储介质 | |
CN110991175A (zh) | 多模态下的文本生成方法、系统、设备及存储介质 | |
CN113704410A (zh) | 情绪波动检测方法、装置、电子设备及存储介质 | |
CN112509554A (zh) | 语音合成方法、装置、电子设备及存储介质 | |
CN115002491A (zh) | 基于智能机器的网络直播方法、装置、设备及存储介质 | |
CN115132174A (zh) | 一种语音数据处理方法、装置、计算机设备及存储介质 | |
CN114155832A (zh) | 基于深度学习的语音识别方法、装置、设备及介质 | |
CN112489628B (zh) | 语音数据选择方法、装置、电子设备及存储介质 | |
US20240061998A1 (en) | Concept-conditioned and pretrained language models based on time series to free-form text description generation | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN114358012A (zh) | 一种设备异常语义识别方法、装置、设备及介质 | |
CN115565186B (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN113051958A (zh) | 基于深度学习的驾驶员状态检测方法、系统、设备及介质 | |
CN114186028A (zh) | 咨诉工单处理方法、装置、设备及存储介质 | |
CN113887414A (zh) | 目标检测方法、装置、电子设备和存储介质 |
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 |