CN115146081B - 生产设备的故障诊断知识图谱的构建方法及诊断方法 - Google Patents
生产设备的故障诊断知识图谱的构建方法及诊断方法 Download PDFInfo
- Publication number
- CN115146081B CN115146081B CN202211053217.XA CN202211053217A CN115146081B CN 115146081 B CN115146081 B CN 115146081B CN 202211053217 A CN202211053217 A CN 202211053217A CN 115146081 B CN115146081 B CN 115146081B
- Authority
- CN
- China
- Prior art keywords
- fault
- phenomena
- phenomenon
- similarity
- standard
- 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.)
- Active
Links
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Abstract
本发明公开了一种生产设备的故障诊断知识图谱的构建方法及诊断方法,该方法包括:获取故障维修文本;从故障维修文本中确定多个实体,并建立实体之间的关系,其中,实体包括故障现象;获取用户对故障诊断知识图谱推荐的各个故障现象的历史评分,并根据历史评分确定故障现象之间的相似度;根据多个实体、实体之间的关系以及故障现象之间的相似度对故障诊断知识图谱进行更新。由此,以在用户对相关故障案例进行搜索时,提高故障诊断知识图谱推荐故障案例的准确性和全面性。
Description
技术领域
本发明涉及知识图谱技术领域,尤其涉及一种生产设备的故障诊断知识图谱的构建方法及诊断方法。
背景技术
基于知识图谱的生产设备故障诊断方法,是利用领域专家经过长期实践积累起来的经验建立的知识库,并且拥有一套能够模拟人类专家的推理和决策过程的计算机程序,来实现对生产设备的故障诊断。因此,知识图谱得到了广泛的应用。
但是在构建知识图谱时,知识的获取通常较为困难,而面向生产设备领域的知识图谱的构建也缺乏完整的构建流程,因此,知识图谱的构建流程成为了生产设备故障诊断系统开发中的主要瓶颈;另外,由于构建得到的知识图谱较为庞大,因此存在搜索缓慢、搜索效率较低的问题,在知识图谱的推理过程中也会存在匹配冲突、推理效率较低等问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种生产设备的故障诊断知识图谱的构建方法,以在用户对相关故障案例进行搜索时,提高故障诊断知识图谱推荐故障案例的准确性和全面性。
本发明的第二个目的在于提出一种生产设备的故障诊断方法。
为达上述目的,本发明第一方面实施例提出了一种生产设备的故障诊断知识图谱的构建方法,该方法包括:
获取故障维修文本;从所述故障维修文本中确定多个实体,并建立所述实体之间的关系,其中,所述实体包括故障现象;获取用户对所述故障诊断知识图谱推荐的各个所述故障现象的历史评分,并根据所述历史评分确定所述故障现象之间的相似度;根据多个所述实体、所述实体之间的关系以及所述故障现象之间的相似度对所述故障诊断知识图谱进行更新。
本发明实施例的生产设备的故障诊断知识图谱的构建方法,通过从故障维修文本中确定多个实体,并建立实体之间的关系,来构建基础的故障诊断知识图谱;再获取用户对故障诊断知识图谱推荐的各个故障现象的历史评分,并根据历史评分确定故障现象之间的相似度,将故障现象之间的相似度融入构建的故障诊断知识图谱中,在用户搜索相关的故障案例时,不仅可以根据用户搜索的内容为用户推荐一些故障案例,还可以再根据故障现象之间的相似度为用户推荐一些故障案例,从而提高了故障诊断知识图谱推荐故障案例的准确性和全面性。
为达上述目的,本发明第二方面实施例提出了一种生产设备的故障诊断方法,该方法包括:
获取用户输入的故障描述文本;利用如本发明第一方面实施例提出的故障诊断知识图谱的构建方法构建的故障诊断知识图谱,得到多个第一标准故障现象和多个第二标准故障现象;根据所述第一标准故障现象和所述第二标准故障现象,为用户推荐与第一标准故障现象对应的诊断方案和与第二标准故障现象对应的诊断方案,以实现故障诊断。
本发明实施例的生产设备的故障诊断方法,通过构建好的故障诊断知识图谱对获取的故障描述文本进行分析,故障诊断知识图谱为用户推荐多个第一标准故障现象和多个第二标准故障现象,用户可以通过推荐的第一标准故障现象和第二标准故障现象查询相应的诊断方案,并参考查询出的诊断方案对生产设备进行故障诊断;由于故障诊断知识图谱融入了用户的历史评分,得到了故障现象和故障现象之间的相似度,从而能够得到与第一标准故障现象相似的第二标准故障现象,进而提高了故障诊断知识图谱推荐故障案例的准确性和全面性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明一个实施例的故障诊断知识图谱的构建方法的流程图;
图2是本发明实施例的从故障维修文本中确定实体的方法的流程图;
图3是本发明实施例的实体抽取模型的训练方法的流程图;
图4是本发明实施例的故障现象之间相似度的确定方法的流程图;
图5是本发明实施例的故障诊断知识图谱的配置方法的流程图;
图6是本发明实施例的第一标准故障现象的确定方法的流程图;
图7是本发明实施例的生产设备的故障诊断方法的流程图;
图8是本发明实施例的故障诊断知识图谱的构建装置的方框图;
图9是本发明一个实施例的电子设备的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例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例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的生产设备的故障诊断知识图谱的构建方法及诊断方法。
图1是本发明一个实施例的故障诊断知识图谱的构建方法的流程图。如图1所示,该方法包括:
步骤S110:获取故障维修文本。
在本实施例中,故障维修文本可以是所有生产设备的故障维修手册,也可以是由领域专家积累故障维修经验所转化的故障维修文本。
步骤S120:从故障维修文本中确定多个实体,并建立实体之间的关系,其中,实体包括故障现象。
需要说明的是,实体是指具有可区别性且独立存在的某种事物,例如,某一个物品、某一个人等。在本发明实施例中,实体包括(但不限于):故障现象、故障部位、机床型号、报警信号、用户操作、故障原因、用户。作为一个示例,从故障维修文本中确定的故障现象可以为设备停止运行,故障部位可以为设备控制器。
图2是本发明实施例的从故障维修文本中确定实体的方法的流程图。在一些实施方式中,该方法包括以下步骤:
步骤S210:构建故障诊断知识图谱的本体层。
步骤S220:利用训练好的实体抽取模型,根据本体层从故障维修文本中抽取多个实体。
具体地,在构建故障诊断知识图谱时,需要先构建故障诊断知识图谱的本体层。需要说明的是,本体是用来描述某个领域中各个概念以及概念间的关系的形式化表达。例如,“人”、“汽车”、“商品”等概念。构建本体层的方式可以为:基于专家的知识和经验,对故障诊断知识图谱进行本体建模,得到多个本体模型。在本实施例中,本体包括(但不限于):故障现象、故障部位、机床型号、报警信号、用户操作、故障原因、用户。
建立多个本体模型后,再基于专家的知识和经验,建立上述本体之间的关系。作为一个示例,以故障现象为中心,构建用户操作与故障现象之间的造成关系;构建故障部位与故障现象之间的发生关系;构建机床信号与故障现象之间的发生关系;构建报警信号与故障现象之间的发生关系;构建故障原因与故障现象之间的原因关系;构造用户与故障现象的评分关系;构造故障现象与故障现象之间的相关关系。
在构建了本体和本体之间的关系后,可以按照构建的本体层,利用训练好的实体抽取模型,从故障维修文本中抽取相应的实体;并按照构建的本体之间的关系,得到实体与实体之间的关系。
图3是本发明实施例的实体抽取模型的训练方法的流程图。在一些实施方式中,可以采用以下步骤来进行实体抽取模型的训练:
步骤S310:获取训练样本和测试样本。
步骤S320:对训练样本进行BMEO标注,并以经过BMEO标注的训练样本为输入,以标注结果为标签,训练双向长短期记忆网络模型,得到多个实体抽取模型。
步骤S330:利用测试样本对多个实体抽取模型进行测试,并选取测试结果最优的实体抽取模型作为训练好的实体抽取模型。
具体地,可以将上述的故障维修手册中的部分语料作为训练样本和测试样本。获得训练样本和测试样本后,先对训练样本和测试样本的内容进行BMEO标注。例如,对于故障现象实体类型,标签“B-故障现象”代表该实体的开始位置,标签“E-故障现象”代表该实体的结束位置,标签“M-故障现象”代表该实体的其余位置(或中间位置),O用于标记非实体的部分。
作为一个示例,将“设备停止运行”为一个故障现象,则对该故障现象进行的BMEO标注为:设/B-故障现象/备/M-故障现象/停/M-故障现象/止/M-故障现象/运/M-故障现象/行/E-故障现象。由此,根据设置的本体层对训练样本进行标注,以便于后续对实体的抽取过程。
对训练样本进行BMEO标注后,用标注后的训练样本作为输入,以标注结果为标签,训练双向长短期记忆网络模型。其中,双向长短期记忆网络模型可以使用目前已有的模型。在本实施例中,可以同时对多个双向长短期记忆网络模型进行训练;对多个双向长短期记忆网络模型进行训练后,能够得到多个实体抽取模型。
得到多个实体抽取模型后,再利用测试样本对多个实体抽取进行测试。测试的过程为:将经过BMEO标注的测试样本作为输入,利用上述实体抽取模型对测试样本进行实体抽取,根据每个实体抽取模型抽取的结果,在多个实体抽取模型中选出测试结果最优的实体抽取模型,来作为投入使用的实体抽取模型。
得到训练好的实体抽取模型后,利用实体抽取模型,根据构建的本体层从故障维修文本中抽取实体,并将抽取得到的实体添加至故障诊断知识图谱中。另外,还需按照上述建立的本体之间的关系类型,将抽取得到的实体组合成一个一个的(实体,关系,实体)三元组。
作为一个示例,根据构建的本体层,利用实体抽取模型从故障维修文本中抽取得到设备控制器、停止运行这两个实体,设备控制器对应的本体为故障部位,停止运行对应的本体为故障现象。按照预先建立的故障部位和故障现象这两个本体之间的关系类型,将设备控制器和停止运行组合成(设备控制器,发生,停止运行)三元组。
此外,在得到实体和实体之间关系的三元组后,还需要将不同故障案例之间的实体进行实体对齐,即将表征同一对象,但是来自于不同故障案例的实体进行合并,由此以避免该实体在故障诊断知识图谱中重复出现或实体的关系信息不完整等情况。需要说明的是,可以选择人工校验的方式将重复的实体进行人工合并,来完成实体对齐。
步骤S130:获取用户对故障诊断知识图谱推荐的各个故障现象的历史评分,并根据历史评分确定故障现象之间的相似度。
当用户需要对故障案例进行查询,查找相关的诊断方案时,故障诊断知识图谱会根据用户输入的故障描述文本,为用户推荐故障案例。并且本实施例的故障诊断知识图谱是以推荐故障现象的方式来推荐故障案例,用户可以根据推荐的故障现象查询相应的诊断方案。
本发明实施例的故障诊断知识图谱添加了用户节点,用户可以为故障诊断知识图谱推荐的故障现象进行评分,并且可以建立(用户、评分、故障现象)三元组于故障诊断知识图谱中,来将用户输入的评分存储在故障诊断知识图谱所在的系统中;将存储在系统中的评分作为历史评分,以在后续计算故障现象之间相似度时使用。
在一些实施方式中,可以设置一个评分标准集合R=[1,2,3,4,5],其中,1表示最低分,5表示最高分,用户可以根据该评分标准对故障诊断知识图谱推荐的故障现象进行评分。
图4是本发明实施例的故障现象之间相似度的确定方法的流程图。如图4所示,在一些实施方式中,步骤S130中根据历史评分确定故障现象之间的相似度的方法包括以下步骤:
步骤S410:将两个故障现象的文本进行分词和词汇去重处理,并统计故障现象的文本中所有词汇的词频。
步骤S420:根据两个故障现象的词频确定两个故障现象的初始相似度。
步骤S430:根据历史评分确定两个故障现象的权重系数。
步骤S440:根据初始相似度和权重系数得到故障现象之间的相似度。
在本实施例中,可以将故障诊断知识图谱中存储的所有故障现象的集合记为B,并且B={B1,B2…Bi…Bj…BM},其中,M为故障诊断知识图谱中存储的所有故障现象的数量,Bi为第i个故障现象,Bj为第j个故障现象。
在需要确定所有故障现象中,其中两个故障现象之间的相似度时,需要先对两个故障现象的描述文本进行分词处理,可以采用已有的分词方法对两个故障现象的描述文本进行分词。进行分词后,再取两个故障现象所有词汇的并集,即将两个故障现象的文本中出现的所有词汇放入一个集合中,得到词汇并集集合。得到词汇并集集合后,需要对该词汇并集集合进行词汇去重处理。需要说明的是,词汇去重处理即当存在相同的词汇时,只保留一个词汇。
对词汇并集集合进行词汇去重后,得到两个故障现象的词汇集合,可以将该词汇集合中所有词汇的数量记为n,n为整数;再根据词汇集合,分别统计两个故障现象的文本中所有词汇的词频,可以分别得到两个故障现象的词频向量。
作为一个示例,当需要确定故障现象Bi和故障现象Bj的相似度时,故障现象Bi对应的词频向量可以记为Bi={bi,1,bi,2…bi,k…bi,n},故障现象Bj对应的词频向量可以记为Bj={bj,1,bj,2…bj,k…bj,n},其中,bi,k为第i个故障现象的文本中第k个词汇的词频,bj,k为第j个故障现象的文本中第k个词汇的词频。
获得两个故障现象的词频后,根据故障现象的词频确定两个故障现象的初始相似度,即根据故障现象的描述文本是否相似,来得到两个故障现象的初始相似度。
在一些实施方式中,可以通过下式得到初始相似度:
其中,C为初始相似度,Bi为第i个故障现象,Bj为第j个故障现象,n为故障现象的文本经过分词和词汇去重后词汇的数量,k为第k个词汇,bi,k为第i个故障现象的文本中第k个词汇的词频,bj,k为第j个故障现象的文本中第k个词汇的词频。
再根据两个故障现象的历史评分,来计算两个故障现象之间的权重系数。在一些实施方式中,可以通过下式得到两个故障现象的权重系数:
其中,W(Bi,Bj)为第i个故障现象和第j个故障现象之间的权重系数,u为表示第u个用户,U为对第i个故障现象和第j个故障现象进行过评分的用户集合,Ru,Bi为第u个用户对第i个故障现象的历史评分,Ru,Bj为第u个用户对第j个故障现象的历史评分,为第u个用户对所有评分过的故障现象的评分均值。
本发明实施例中的故障诊断知识图谱,能够针对当前用户的不同,使用该用户对故障诊断知识图谱推荐的所有故障现象的历史评分,来确定针对该用户的故障现象之间的相似度。采用这种方式确定故障现象之间的相似度,使后续故障诊断知识图谱为用户推荐的故障现象更有针对性,提高了故障诊断知识图谱推荐故障案例的准确性。
在一些实施方式中,获得两个故障现象的初始相似度和两个故障现象的权重系数后,可以通过下式确定故障现象之间的相似度:
其中,L(Bi,Bj)为第i个故障现象和第j个故障现象之间的相似度。
可以使用上述方式,计算得到所有故障现象之间的相似度,并将每个故障现象之间的相似度,存储至故障诊断知识图谱中相应故障现象之间的关系中。具体地,在建立本体与本体之间的关系时,建立了故障现象与故障现象之间的关系;在得到故障现象之间的相似度后,可以建立(故障现象,相似度,故障现象)的三元组。
步骤S140:根据多个实体、实体之间的关系以及故障现象之间的相似度对故障诊断知识图谱进行更新。
由此,在得到多个实体、实体之间的关系以及故障现象之间的相似度后,将多个实体、实体之间的关系以及故障现象之间的相似度填充至故障诊断知识图谱中,得到构建好的故障诊断知识图谱。
在一些实施方式中,还可以不断获取新的故障维修文本,来得到多个新的实体和新的实体之间的关系,并用多个新的实体和新的实体之间的关系,来更新故障诊断知识图谱。此外,在用户使用故障诊断知识图谱查询相关故障案例后,获取用户对本次的查询结果进行的评分,并将该评分存储至故障诊断知识图谱中作为历史评分,以便于对故障诊断知识图谱中故障现象之间的相似度进行更新。
图5是本发明实施例的故障诊断知识图谱的配置方法的流程图。如图5所示,在一些实施方式中,可以采用以下步骤对更新好的故障诊断知识图谱进行配置:
步骤S510:获取用户输入的故障描述文本。
步骤S520:利用训练好的实体抽取模型对故障描述文本进行实体抽取,得到多个实体信息。
步骤S530:根据各个实体信息,在所有故障现象中确定多个第一标准故障现象。
步骤S540:根据各第一标准故障现象与其他故障现象之间的相似度,确定与各第一标准故障现象相关的第二标准故障现象。
步骤S550:将多个第一标准故障现象和多个第二标准故障现象推荐给用户。
具体地,更新好的故障诊断知识图谱可以获取用户输入的故障描述文本,其中,故障描述文本可以包括用户输入的用户操作的描述文本、故障现象的描述文本等。在本实施例中,可以将故障描述文本记为D。
利用上述训练好的实体抽取模型对故障描述文本进行实体抽取,得到多个实体信息;得到实体信息后,根据实体信息在所有故障现象中确定多个第一标准故障现象。
图6是本发明实施例的第一标准故障现象的确定方法的流程图。如图6所示,在一些实施方式中,步骤S530包括以下步骤:
步骤S610:根据各个实体信息确定与各个实体信息相似的故障现象集合。
步骤S620:对故障描述文本和故障现象集合中各个故障现象的文本进行分词和词汇去重处理,并统计故障描述文本中所有词汇的词频和各个故障现象的文本中所有词汇的词频。
步骤S630:根据故障描述文本中所有词汇的词频和各个故障现象的文本中所有词汇的词频,确定故障描述文本和各个故障现象之间的相似度。
步骤S640:根据故障描述文本和各个故障现象之间的相似度确定预设数量的第一标准故障现象。
具体地,得到实体信息后,故障诊断知识图谱可以根据每个实体信息在所有故障现象中,筛选出与各实体信息相关的故障现象,得到一个与该故障描述文本对应的故障现象集合。
作为一个示例,假设利用实体抽取模型对故障描述文本进行实体抽取,得到了故障部位相关实体、机床型号相关实体等,则可以根据故障部位与故障现象的关系,找到与该故障部位相关的所有故障现象,得到一个故障现象的集合,可以将该故障现象的集合记为A1。以此类推,再利用其他实体,得到故障现象的集合A2、A3等。将获得的所有故障现象的集合进行合并和去重处理得到集合A={A1,A2…At}={B1,B2…Bi…Bj…BN},其中,t为故障现象集合的总数量,N为筛选出来的故障现象的总数量。
在得到合并并去重后的故障现象集合A后,需要对故障描述文本和故障现象集合中每个故障现象的描述文本进行分词处理;进行分词后,再取故障描述文本和故障现象描述文本中所有词汇的并集,得到词汇并集集合。得到词汇并集集合后,需要对该词汇并集集合进行去重处理,得到故障描述文本和故障现象的描述文本之间的词汇集合;再根据词汇集合,分别统计故障描述文本和故障现象的描述文本中所有词汇的词频,获得故障描述文本故障现象的描述文本的词频向量。
作为一个示例,可以将故障描述文本的词频向量记为D={d1,d2…dk…dn},可以将故障现象Bi对应的词频向量记为Bi={bi,1,bi,2…bi,k…bi,n},其中,dk为故障描述文本中第k个词汇的词频,bi,k为第i个故障现象的文本中第k个词汇的词频,n为词汇集合中词汇的总数量。
得到故障描述文本和故障现象的词频后,可以使用计算故障现象之间的初始相似度的公式,来计算故障描述文本和故障现象之间的相似度。得到故障描述文本和故障现象之间的相似度后,可以按照相似度从大到小的顺序,将故障现象集合A中的所有故障现象进行排序;并且可以设置预设数量,即从相似度最大的故障现象开始,选择预设数量的故障现象,最终会得到一定数量的故障现象,将这些故障现象作为第一标准故障现象。需要说明的是,预设数量可以由故障诊断知识图谱的管理者根据需求进行设置,此处不做限制。
在步骤S540中,得到多个第一标准故障现象后,利用故障诊断知识图谱中故障现象与故障现象之间的相似度,确定与每个第一标准故障现象相似的第二标准故障现象。具体地,可以根据第一标准故障现象与其他故障现象之间的相似度,按照从大到小顺序进行排序,并从相似度最大处开始选择一定数量的、与第一标准故障现象相似的第二标准故障现象。
确定了与各第一标准故障现象相似的第二标准故障现象后,将筛选出来的多个第一标准故障现象和多个第二标准故障现象推荐给用户。这里,也可以设置一个阈值,使故障诊断知识图谱为用户推荐的第一标准故障现象和第二标准故障现象的总数目不超过该阈值。
由此,通过本发明实施例的故障诊断知识图谱的构建方法构建的故障诊断知识图谱,不仅能够根据用户输入的故障描述文本,按照初始相似度为用户推荐出第一标准故障现象;还可以结合用户的历史评分,利用故障现象之间的相似度,为用户推荐出第二标准故障现象,从而提高了故障诊断知识图谱推荐故障案例的准确性和全面性。用户可以根据第一标准故障现象和第二标准故障现象,从故障诊断知识图谱中分别获得相关的诊断方案,实现对生产设备的故障诊断。
图7是本发明实施例的生产设备的故障诊断方法的流程图。如图7所示,该方法包括以下步骤:
步骤 S710:获取用户输入的故障描述文本。
步骤 S720:利用如本发明第一方面实施例提出的故障诊断知识图谱的构建方法构建的故障诊断知识图谱,得到多个第一标准故障现象和多个第二标准故障现象。
步骤 S730:根据第一标准故障现象和第二标准故障现象,为用户推荐与第一标准故障现象对应的诊断方案和与第二标准故障现象对应的诊断方案,以实现故障诊断。
由此,通过构建好的故障诊断知识图谱对获取的故障描述文本进行分析,故障诊断知识图谱为用户推荐多个第一标准故障现象和多个第二标准故障现象,用户可以通过推荐的第一标准故障现象和第二标准故障现象查询相应的诊断方案,并参考查询出的诊断方案对生产设备进行故障诊断。由于故障诊断知识图谱融入了用户的历史评分,得到了故障现象和故障现象之间的相似度,从而能够得到与第一标准故障现象相似的第二标准故障现象,进而提高了故障诊断知识图谱推荐故障案例的准确性和全面性。
利用构建好的故障诊断知识图谱,获取第一标准故障现象和第二标准故障现象,以及根据第一标准故障现象和第二标准故障现象获取相关诊断方案的实现过程,可以参考本发明第一方面实施例提出的故障诊断知识图谱的构建方法中的实现过程,此处不在赘述。
图8是本发明实施例的故障诊断知识图谱的构建装置的方框图。
如图8所示,该装置包括:用于获取故障维修文本的获取模块;用于从故障维修文本中确定多个实体,并建立实体之间的关系的确定模块;用于获取用户对故障诊断知识图谱推荐的各个故障现象的历史评分,并根据历史评分确定故障现象之间的相似度的相似度确定模块;用于根据多个实体、实体之间的关系以及故障现象之间的相似度对故障诊断知识图谱进行更新的构建模块。
需要说明的是,实体包括(但不限于):故障现象、故障部位、机床型号、报警信号、用户操作、故障原因、用户。
由此,通过获取模块获取故障维修文本;确定模块从故障维修文本中确定多个实体,并建立实体之间的关系,来构建基础的故障诊断知识图谱;再通过相似度确定模块获取用户对故障诊断知识图谱推荐的各个故障现象的历史评分,并根据历史评分确定故障现象之间的相似度,构建模块将故障现象之间的相似度融入构建的故障诊断知识图谱中,在用户搜索相关的故障案例时,不仅可以根据用户搜索的内容为用户推荐一些故障案例,还可以再根据故障现象之间的相似度为用户推荐一些故障案例,从而提高了故障诊断知识图谱推荐故障案例的准确性和全面性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图9是本发明一个实施例的电子设备的结构框图。
如图9所示,图9所示的电子设备900包括:处理器901和存储器903。其中,处理器901和存储器903相连,如通过总线902相连。可选地,电子设备900还可以包括收发器904。需要说明的是,实际应用中收发器904不限于一个,该电子设备900的结构并不构成对本发明实施例的限定。
处理器901可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器901也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线902可包括一通路,在上述组件之间传送信息。总线902可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线902可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器903可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器903用于存储执行本发明申请方案的应用程序代码,并由处理器901来控制执行。处理器901用于执行存储器903中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备900包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备900仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种生产设备的故障诊断知识图谱的构建方法,其特征在于,包括:
获取故障维修文本;
从所述故障维修文本中确定多个实体,并建立所述实体之间的关系,其中,所述实体包括故障现象;
获取用户对所述故障诊断知识图谱推荐的各个所述故障现象的历史评分,并根据所述历史评分确定所述故障现象之间的相似度;
根据多个所述实体、所述实体之间的关系以及所述故障现象之间的相似度对所述故障诊断知识图谱进行更新;
所述根据所述历史评分确定所述故障现象之间的相似度,包括:
将两个所述故障现象的文本进行分词和词汇去重处理,并统计所述故障现象的文本中所有词汇的词频;
根据两个所述故障现象的词频确定两个所述故障现象的初始相似度;
根据所述历史评分确定两个所述故障现象的权重系数;
根据所述初始相似度和所述权重系数得到所述故障现象之间的相似度;
其中,更新好的所述故障诊断知识图谱被配置为:
获取用户输入的故障描述文本;
利用训练好的实体抽取模型对所述故障描述文本进行实体抽取,得到多个实体信息;
根据各个所述实体信息,在所有所述故障现象中确定多个第一标准故障现象;
根据各所述第一标准故障现象与其他所述故障现象之间的相似度,确定与各所述第一标准故障现象相关的第二标准故障现象;
将多个所述第一标准故障现象和多个所述第二标准故障现象推荐给用户。
2.根据权利要求1所述的故障诊断知识图谱的构建方法,其特征在于,所述从所述故障维修文本中确定多个实体,包括:
构建所述故障诊断知识图谱的本体层;
利用训练好的实体抽取模型,根据所述本体层从所述故障维修文本中抽取多个所述实体。
3.根据权利要求2所述的故障诊断知识图谱的构建方法,其特征在于,所述实体抽取模型的训练方法包括:
获取训练样本和测试样本;
对所述训练样本进行BMEO标注,并以经过BMEO标注的训练样本为输入,以标注结果为标签,训练双向长短期记忆网络模型,得到多个实体抽取模型;
利用所述测试样本对多个实体抽取模型进行测试,并选取测试结果最优的实体抽取模型作为所述训练好的实体抽取模型。
7.根据权利要求6所述的故障诊断知识图谱的构建方法,其特征在于,所述根据各个所述实体信息,在所有所述故障现象中确定多个第一标准故障现象,包括:
根据各个所述实体信息确定与各个所述实体信息相似的故障现象集合;
对所述故障描述文本和所述故障现象集合中各个故障现象的文本进行分词和词汇去重处理,并统计所述故障描述文本中所有词汇的词频和各个所述故障现象的文本中所有词汇的词频;
根据所述故障描述文本中所有词汇的词频和各个所述故障现象的文本中所有词汇的词频,确定所述故障描述文本和各个所述故障现象之间的相似度;
根据所述故障描述文本和各个所述故障现象之间的相似度确定预设数量的第一标准故障现象。
8.一种生产设备的故障诊断方法,其特征在于,包括:
获取用户输入的故障描述文本;
利用如权利要求1-7中任一项所述的故障诊断知识图谱的构建方法构建的故障诊断知识图谱,得到多个第一标准故障现象和多个第二标准故障现象;
根据所述第一标准故障现象和所述第二标准故障现象,为用户推荐与所述第一标准故障现象对应的诊断方案和与所述第二标准故障现象对应的诊断方案,以实现故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211053217.XA CN115146081B (zh) | 2022-08-31 | 2022-08-31 | 生产设备的故障诊断知识图谱的构建方法及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211053217.XA CN115146081B (zh) | 2022-08-31 | 2022-08-31 | 生产设备的故障诊断知识图谱的构建方法及诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146081A CN115146081A (zh) | 2022-10-04 |
CN115146081B true CN115146081B (zh) | 2022-12-09 |
Family
ID=83416294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211053217.XA Active CN115146081B (zh) | 2022-08-31 | 2022-08-31 | 生产设备的故障诊断知识图谱的构建方法及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146081B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117009789A (zh) * | 2023-09-27 | 2023-11-07 | 通用技术集团机床工程研究院有限公司 | 机床的故障预测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704743A (zh) * | 2019-09-30 | 2020-01-17 | 北京科技大学 | 一种基于知识图谱的语义搜索方法及装置 |
WO2021175009A1 (zh) * | 2020-03-02 | 2021-09-10 | 深圳壹账通智能科技有限公司 | 预警事件图谱的构建方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107295107A (zh) * | 2017-08-01 | 2017-10-24 | 深圳天珑无线科技有限公司 | 推荐方法、推荐装置以及移动终端 |
CN110929149B (zh) * | 2019-11-12 | 2023-04-07 | 广东工业大学 | 一种工业设备故障维修推荐方法和系统 |
CN113569026A (zh) * | 2021-07-26 | 2021-10-29 | 青岛海尔工业智能研究院有限公司 | 一种设备故障问答方法、装置、计算机设备及介质 |
CN114218406A (zh) * | 2022-02-17 | 2022-03-22 | 杭州杰牌传动科技有限公司 | 基于传动知识图谱的传动解决方案生成方法及系统 |
CN114723535A (zh) * | 2022-05-06 | 2022-07-08 | 华东交通大学 | 一种基于供应链与知识图谱的物品推荐方法、设备及介质 |
-
2022
- 2022-08-31 CN CN202211053217.XA patent/CN115146081B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110704743A (zh) * | 2019-09-30 | 2020-01-17 | 北京科技大学 | 一种基于知识图谱的语义搜索方法及装置 |
WO2021175009A1 (zh) * | 2020-03-02 | 2021-09-10 | 深圳壹账通智能科技有限公司 | 预警事件图谱的构建方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于知识图谱和协同过滤的电影推荐算法研究;袁泉等;《计算机工程与科学》;20200415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115146081A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8346701B2 (en) | Answer ranking in community question-answering sites | |
US20120323968A1 (en) | Learning Discriminative Projections for Text Similarity Measures | |
WO2018157625A1 (zh) | 基于强化学习的排序学习方法及服务器 | |
US20090187555A1 (en) | Feature selection for ranking | |
CN110674312B (zh) | 构建知识图谱方法、装置、介质及电子设备 | |
US20100318540A1 (en) | Identification of sample data items for re-judging | |
CN109241319B (zh) | 一种图片检索方法、装置、服务器和存储介质 | |
CN115146081B (zh) | 生产设备的故障诊断知识图谱的构建方法及诊断方法 | |
CN111563156A (zh) | 一种知识点智能诊断的方法、装置、电子设备及存储介质 | |
CN112182145A (zh) | 文本相似度确定方法、装置、设备和存储介质 | |
KR20160149050A (ko) | 텍스트 마이닝을 활용한 순수 기업 선정 장치 및 방법 | |
CN112580896A (zh) | 知识点预测方法、装置、设备及存储介质 | |
CN107844531B (zh) | 答案输出方法、装置和计算机设备 | |
CN107784069B (zh) | 一种用于智能诊断学生知识能力的方法 | |
CN116361306A (zh) | 面向开放域科普的问答库自动更新方法和装置 | |
CN114969387A (zh) | 文献作者信息消歧方法、装置及电子设备 | |
CN114281942A (zh) | 问答处理方法、相关设备及可读存储介质 | |
CN113919510A (zh) | 一种样本特征选择方法、装置、设备及介质 | |
CN104636636A (zh) | 蛋白质远程同源性检测方法及装置 | |
CN111898034A (zh) | 新闻内容推送方法、装置、存储介质及计算机设备 | |
CN111460808A (zh) | 同义文本识别及内容推荐方法、装置及电子设备 | |
CN112579841B (zh) | 一种多模态数据库建立方法、检索方法及系统 | |
CN113988085B (zh) | 文本语义相似度匹配方法、装置、电子设备及存储介质 | |
US20240028836A1 (en) | Method, apparatus, device and storage medium for information processing | |
CN111540363B (zh) | 关键词模型及解码网络构建方法、检测方法及相关设备 |
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 |