CN115658930A - 一种基于知识图谱的产线故障分析方法、装置与存储介质 - Google Patents
一种基于知识图谱的产线故障分析方法、装置与存储介质 Download PDFInfo
- Publication number
- CN115658930A CN115658930A CN202211673098.8A CN202211673098A CN115658930A CN 115658930 A CN115658930 A CN 115658930A CN 202211673098 A CN202211673098 A CN 202211673098A CN 115658930 A CN115658930 A CN 115658930A
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- production line
- equipment
- log information
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 51
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 9
- 238000003379 elimination reaction Methods 0.000 claims description 9
- 238000013024 troubleshooting Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于知识图谱的产线故障分析方法、装置与存储介质,方法包括:获取产线设备运行过程中的日志信息,并对日志信息进行分析,确定日志信息中的关键信息,关键信息用于反映日志信息中与故障相关的设备、故障发生时间以及故障编码信息;获取预设的语言模型,基于语言模型,对关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息;基于预设的故障知识图谱库,确定与故障发生设备信息以及故障发生原因信息匹配的故障处置方案。本发明可基于语言模型来分析出故障发生的设备以及故障发生的时间,并且基于知识图谱库来自动匹配出对应的故障处置方案,便于实现对产线设备的故障监控,提高故障分析的效率。
Description
技术领域
本发明涉及故障分析技术领域,尤其涉及一种基于知识图谱的产线故障分析方法、装置与存储介质。
背景技术
目前,各个生产设备的故障信息的详细介绍均分散存储在故障手册、说明书等文档中,当识别到生产设备发生故障时,无法有效且及时的获取相关故障信息的详细介绍来进行故障分析,导致现有技术中对于生产设备的故障分析效率较低,不适用于产业场景。
因此,现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于知识图谱的产线故障分析方法、装置与存储介质,旨在解决现有技术中当识别到生产设备发生故障时,无法有效且及时的获取相关故障信息的详细介绍来进行故障分析,导致现有技术中对于生产设备的故障分析效率较低的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
第一方面,本发明提供一种基于知识图谱的产线故障分析方法,其特征在于,所述方法包括:
获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息;
获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息;
基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。
在一种实现方式中,所述获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,包括:
对所述产线设备的运行过程进行实时信息采集,得到所述日志信息;
对所述日志信息进行预处理,得到所述日志信息所对应的文本信息;
对所述文本信息进行关键词提取,并进行向量化表示,得到所述关键信息。
在一种实现方式中,所述对所述日志信息进行预处理,得到所述日志信息所对应的文本信息,包括:
对所述日志信息进行句子提取、并对提取到的句子进行分词处理;
对分词后得到的词语进行停用词消除处理,得到所述文本信息。
在一种实现方式中,所述语言模型的训练过程包括:
获取原始语料,所述原始语料来自产线设备的操作手册或者故障检修手册;
基于所述原始语料进行句子提取、句子分词、停用词消除,得到关键词,并对最终得到的每个关键词进行向量化表示,得到文本向量;
对所述原始语料进行标注,确定所述原始语料中各个实体之间的关联关系,所述关联关系包括故障与设备之间的关系以及故障与原因之间的关系;
将所述文本向量与所述关联关系进行匹配,得到输入向量,并将所述输入向量输入至BERT模型中进行训练,得到所述语言模型。
在一种实现方式中,所述语言模型的训练过程,还包括:
将所述文本向量输入至所述语言模型中,输出一个维度相同的输出向量,所述输出向量用于反映与所述文本向量所对应的故障发生预测设备以及故障发生预测原因;
获取所述原始语料中与所述文本向量的故障发生真实设备以及故障发生真实原因;
将所述原始语料与所述输出向量进行匹配,确定所述输出向量与所述原始语料之间的真实性误差,并基于所述真实性误差对所述语言模型进行参数调优。
在一种实现方式中,所述故障知识图谱库的构建过程包括:
预先获取与所述故障发生设备信息以及所述故障发生原因信息分别对应的潜在关系,所述潜在关系包括:属性关系与因果关系,其中,所述属性关系用于反映所述故障发生设备信息所对应的设备类别或者所述故障发生原因信息所对应的因素类别,所述因果关系用于反映所述故障发生设备信息与所述故障发生原因信息之间的关系;
基于潜在关系,设置各个故障发生设备信息以及各个故障发生原因信息对应的故障处置方案,形成所述故障知识图谱库。
在一种实现方式中,所述日志信息包括:故障发生时间、顺序、涉及设备以及故障编码,其中,所述故障编码用于从故障说明手册中获取对应的故障详情。
在一种实现方式中,所述实体包括:故障名、类型、原因以及故障产生过程涉及的工具、人员、工种、操作步骤。
第二方面,本发明实施例还提供一种基于知识图谱的产线故障分析装置,其中,所述装置包括:
日志分析模块,用于获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息;
故障分析模块,用于获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息;
故障处置模块,用于基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。
第三方面,本发明实施例还提供一种终端设备,其中,所述终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于知识图谱的产线故障分析程序,所述处理器执行所述基于知识图谱的产线故障分析程序时,实现上述方案中任一项所述的基于知识图谱的产线故障分析方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有基于知识图谱的产线故障分析程序,所述基于知识图谱的产线故障分析程序被处理器执行时,实现上述方案中任一项所述的基于知识图谱的产线故障分析方法的步骤。
有益效果:与现有技术相比,本发明提供了一种基于知识图谱的产线故障分析方法,本发明首先获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息。然后,获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息。最后,基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。本发明可基于语言模型来分析出故障发生的设备以及故障发生的时间,并且基于知识图谱库来自动匹配出对应的故障处置方案,便于实现对产线设备的故障监控,提高故障分析的效率。
附图说明
图1为本发明实施例提供的基于知识图谱的产线故障分析方法的具体实施方式的流程示意图。
图2为本发明实施例提供的基于知识图谱的产线故障分析装置的原理框图。
图3为本发明实施例提供的终端设备的原理图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本实施例还提供一种基于知识图谱的产线故障分析方法,具体实施时,本实施例首先获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息。然后,获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息。最后,基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。本实施例可基于语言模型来分析出故障发生的设备以及故障发生的时间,并且基于知识图谱库来自动匹配出对应的故障处置方案,便于实现对产线设备的故障监控,提高故障分析的效率。
示例性方法
本实施例的基于知识图谱的产线故障分析方法可应用于终端设备中,所述终端设备可为电脑终端、手机终端等智能化产品终端。具体实施时,如图1中所示,本实施例中的基于知识图谱的产线故障分析方法包括如下步骤:
步骤S100、获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息。
本实施例中产线设备在运行过程中是会被实时监控的,本实施例可实时获取各个产线设备在运行过程中的工作情况数据,并基于工作情况数据来生成日志信息,日志信息中包括各个产线设备在运行时的记录信息,包括每一个时刻所对应的运行记录,比如A设备在B时刻加工了C工件,并且整个加工时长为3分钟。只要产线设备开始启动,每个产线设备的加工过程都会被记录,因此,本实施例的日志信息可记录每个产线设备的全过程。当得到日志信息后,本实施例可对该日志信息进行分析,确定出该日志信息中的关键信息,本实施例的关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息。由于日志信息记录的是产线设备的整个加工过程,因此,一旦加工过程中出现故障就会被记录,当对日志信息进行分析时,就可以得到与故障相关的关键信息。
在一种实现方式中,本实施例对日志信息进行分析时,包括如下步骤:
步骤S101、对所述产线设备的运行过程进行实时信息采集,得到所述日志信息;
步骤S102、对所述日志信息进行预处理,得到所述日志信息所对应的文本信息;
步骤S103、对所述文本信息进行关键词提取,并进行向量化表示,得到所述关键信息。
具体地,本实施例首先对所述产线设备的运行过程进行实时信息采集,得到所述日志信息。由于该日志信息记录的是产线设备的整个加工过程,因此,该日志信息至少包括:故障发生时间、顺序、涉及设备以及故障编码,其中,所述故障编码用于从故障说明手册中获取对应的故障详情。然后,对所述日志信息进行预处理,得到所述日志信息所对应的文本信息。在进行预处理时,本实施例对所述日志信息进行句子提取、并对提取到的句子进行分词处理。接着,本实施例再对分词后得到的词语进行停用词消除处理,得到所述文本信息。该文本信息都是产线设备在运行过程中的关键内容,因此本实施例可对文本信息进行关键词提取,该关键词可为与故障相关的特征词,比如与故障发生时间相关的词或者与故障发生设备相关的词,当提取到关键词后,本实施例可对提取到的关键词进行向量化表示,就可以得到关键信息。
在本实施例中,关键信息的提取之间,本实施例可对文本信息再进行进一步的筛选,由于文本信息在确定时已经进行停用词消除,本实施例还可以对文本信息中的一些无用词进行筛除,并且,本实施例还可以对文本信息中与故障相关的特征词进行初步标注,以便在后续步骤中更为方便地提取所述关键词。在本实施例中,当对关键词进行向量化表示时,本实施例可采用Xiaver初始化方法对从每个句子中提取到的关键词进行初始向量化表示,即一个句子表示为一组,比如若某个句子中的关键词字数为N,则该句子的长度为N,进行向量表示后得到的向量(即关键信息)的维度与原先句子的维度相同,比如维度均为K,最终得到的关键信息即为N*K。
步骤S200、获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息。
本实施例在获取到关键信息后,可对关键信息进行分析,分析的目的是明确出故障发生设备信息与故障发生原因信息。该故障发生设备信息指的是产生故障的设备,故障发生原因信息指的是引起故障的原因。本实施例使用预设的语音模型,该语言模型可对关键信息进行分析,由于本实施例的语言模型可对关键信息进行实体抽取与故障关系抽取,实体抽取的目的就是确定故障发生设备信息,故障关系抽取的目的就是确定故障发生原因信息。
在一种实现方式中,本实施例的语言模型的训练过程如下:
步骤S201、获取原始语料,所述原始语料来自产线设备的操作手册或者故障检修手册;
步骤S202、基于所述原始语料进行句子提取、句子分词、停用词消除,得到关键词,并对最终得到的每个关键词进行向量化表示,得到文本向量;
步骤S203、对所述原始语料进行标注,确定所述原始语料中各个实体之间的关联关系,所述关联关系包括故障与设备之间的关系以及故障与原因之间的关系;
步骤S204、将所述文本向量与所述关联关系进行匹配,得到输入向量,并将所述输入向量输入至BERT模型中进行训练,得到所述语言模型。
具体地,本实施例首先根据产线设备的操作手册或者故障检修手册获取原始语料,所述原始语料为从操作手册中记载的各个产线设备的操作说明或者从故障检修手册中记载的各个产线设备在运行过程中出现的异常情况提取到的语句信息。同样地,本实施例在获取到原始语料后,进行句子提取、句子分词、停用词消除,得到关键词,并对最终得到的每个关键词进行向量化表示,得到文本向量。接着,本实施例对原始语料进行标注,确定原始语料中各个实体之间的关联关系。本实施例中的所述实体包括:故障名、类型、原因以及故障产生过程涉及的工具、人员、工种、操作步骤。由于原始语料是从各个产线设备的操作说明以及各个产线设备的异常情况中提取到的,因此,本实施例可对原始语料中与故障有关的产线设备进行标注,并且还可根据操作说明,将与故障有关的操作进行标注这些操作可能会是产生故障的原因,这样当出现故障时,就可以确定故障与设备之间的关系以及故障与原因之间的关系。接着,本实施例将所述文本向量与所述关联关系进行匹配,得到输入向量。本实施例在将文本向量与关联关系进行匹配时,就是将从原始语料中提取到的关键词与故障与设备之间的关系或者故障与原因之间的关系进行匹配,找到每个关键词是与哪一个关系是可以成功匹配的,这样就建立起了关键词与故障之间的联系,其中包括关键词与故障之间的联系是产线设备与故障之间的联系还是故障与原因之间的联系。最后,本实施例将输入向量输入至BERT(Bidirectional Encoder Representation fromTransformers)模型中进行训练,得到所述语言模型。本实施例训练得到的语言模型可以自动基于关键词去匹配出对应的关联关系,该关联关系可为产线设备与故障之间的关系或者故障与原因之间的关系。
基于此,当本实施例将关键信息输入至该语言模型后,语言模型就可以对所述关键信息进行实体抽取与故障关系抽取,实质上是将关键信息中的各个关键词与关联关系(即故障与设备之间的关系或者故障与原因之间的关系)进行匹配,从而依次找出每个关键词所对应的关联关系,这样就知道每个关键词是与哪一个关系是可以成功匹配的,这样就可以确定出故障发生设备信息以及故障发生原因信息。
在一种实现方式中,本实施例在训练语言模型时,还将所述文本向量输入至所述语言模型中,输出一个维度相同的输出向量,所述输出向量用于反映与所述文本向量所对应的故障发生预测设备以及故障发生预测原因。然后本实施例获取所述原始语料中与所述文本向量的故障发生真实设备以及故障发生真实原因。接着,本实施例将所述原始语料与所述输出向量进行匹配,确定所述输出向量与所述原始语料之间的真实性误差,并基于所述真实性误差对所述语言模型进行参数调优。
步骤S300、基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。
本实施例在确定出故障发生设备信息以及所述故障发生原因信息后,调取预设的故障知识图谱库,基于该故障知识图谱库确定出与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案,从而实现对产线设备的故障监控与处置。
在一种实现方式中,本实施例的故障知识图谱库的构建方式包括如下步骤:
步骤S301、预先获取与所述故障发生设备信息以及所述故障发生原因信息分别对应的潜在关系,所述潜在关系包括:属性关系与因果关系,其中,所述属性关系用于反映所述故障发生设备信息所对应的设备类别或者所述故障发生原因信息所对应的因素类别,所述因果关系用于反映所述故障发生设备信息与所述故障发生原因信息之间的关系;
步骤S302、基于潜在关系,设置各个故障发生设备信息以及各个故障发生原因信息对应的故障处置方案,形成所述故障知识图谱库。
具体地,本实施例首先获取与所述故障发生设备信息以及所述故障发生原因信息分别对应的潜在关系,所述潜在关系包括:属性关系与因果关系,其中,所述属性关系用于反映所述故障发生设备信息所对应的设备类别或者所述故障发生原因信息所对应的因素类别,该潜在关系就可以定位出具体引发故障的是哪一个类别的产线设备,或者定位出是什么原因导致的故障。而所述因果关系用于反映所述故障发生设备信息与所述故障发生原因信息之间的关系。因此根据该因果关系就可以确定出设备与故障原因是否存在必然的联系,这样也就进一步精准确定出了产生故障的产线设备。为此,本实施例可基于潜在关系,设置各个故障发生设备信息以及各个故障发生原因信息对应的故障处置方案,形成所述故障知识图谱库。基于此,本实施例就可以基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。比如,确定出的故障发生设备信息为电磁阀,故障发生原因信息为左L板模组工位升降气缸上升位置偏差,因此,此时就可以基于故障知识图谱库确定出对应的故障处置方案,来解决电磁阀不工作的问题。
综上,本实施例首先获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息。然后,获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息。最后,基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。本实施例可基于语言模型来分析出故障发生的设备以及故障发生的时间,并且基于知识图谱库来自动匹配出对应的故障处置方案,便于实现对产线设备的故障监控,提高故障分析的效率。
示例性装置
基于上述实施例,本发明还提供一种基于知识图谱的产线故障分析装置,如图2中所示,所述装置包括:日志分析模块10、故障分析模块20以及故障处置模块30。具体地,本实施例所述日志分析模块10,用于获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息。所述故障分析模块20,用于获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息。所述故障处置模块30,用于基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。
在一种实现方式中,所述日志分析模块10包括:
信息采集单元,用于对所述产线设备的运行过程进行实时信息采集,得到所述日志信息;
预处理单元,用于对所述日志信息进行预处理,得到所述日志信息所对应的文本信息;
关键词提取单元,用于对所述文本信息进行关键词提取,并进行向量化表示,得到所述关键信息。
在一种实现方式中,所述预处理单元,包括:
分词处理子单元,用于对所述日志信息进行句子提取、并对提取到的句子进行分词处理;
停用词消除单元,用于对分词后得到的词语进行停用词消除处理,得到所述文本信息。
在一种实现方式中,所述装置包括语言模型训练模块,所述语言模型训练模块包括:
语料获取单元,用于获取原始语料,所述原始语料来自产线设备的操作手册或者故障检修手册;
向量化表示单元,用于基于所述原始语料进行句子提取、句子分词、停用词消除,得到关键词,并对最终得到的每个关键词进行向量化表示,得到文本向量;
语料标注单元,用于对所述原始语料进行标注,确定所述原始语料中各个实体之间的关联关系,所述关联关系包括故障与设备之间的关系以及故障与原因之间的关系;
模型训练单元,用于将所述文本向量与所述关联关系进行匹配,得到输入向量,并将所述输入向量输入至BERT模型中进行训练,得到所述语言模型。
在一种实现方式中,所述语言模型训练模块,还包括:
预测信息输出模块,用于将所述文本向量输入至所述语言模型中,输出一个维度相同的输出向量,所述输出向量用于反映与所述文本向量所对应的故障发生预测设备以及故障发生预测原因;
真实信息获取单元,用于获取所述原始语料中与所述文本向量的故障发生真实设备以及故障发生真实原因;
参数调优单元,用于将所述原始语料与所述输出向量进行匹配,确定所述输出向量与所述原始语料之间的真实性误差,并基于所述真实性误差对所述语言模型进行参数调优。
在一种实现方式中,所述装置包括故障知识图谱库构建模块,所述故障知识图谱库构建模块包括:
潜在关系确定单元,用于预先获取与所述故障发生设备信息以及所述故障发生原因信息分别对应的潜在关系,所述潜在关系包括:属性关系与因果关系,其中,所述属性关系用于反映所述故障发生设备信息所对应的设备类别或者所述故障发生原因信息所对应的因素类别,所述因果关系用于反映所述故障发生设备信息与所述故障发生原因信息之间的关系;
知识图谱库构建单元,用于基于潜在关系,设置各个故障发生设备信息以及各个故障发生原因信息对应的故障处置方案,形成所述故障知识图谱库。
本实施例的基于知识图谱的产线故障分析装置中各个模块的工作原理与上述方法实施例中各个步骤的原理相同,此处不再赘述。
基于上述实施例,本发明还提供了一种终端设备,所述终端设备的原理框图可以如3所示。终端设备可以包括一个或多个处理器100(图3中仅示出一个),存储器101以及存储在存储器101中并可在一个或多个处理器100上运行的计算机程序102,例如, 基于知识图谱的产线故障分析的程序。一个或多个处理器100执行计算机程序102时可以实现基于知识图谱的产线故障分析的方法实施例中的各个步骤。或者,一个或多个处理器100执行计算机程序102时可以实现基于知识图谱的产线故障分析的装置实施例中各模块/单元的功能,此处不作限制。
在一个实施例中,所称处理器100可以是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在一个实施例中,存储器101可以是电子设备的内部存储单元,例如电子设备的硬盘或内存。存储器101也可以是电子设备的外部存储设备,例如电子设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,存储器101还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端设备的限定,具体的终端设备以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双运营数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于知识图谱的产线故障分析方法,其特征在于,所述方法包括:
获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息;
获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息;
基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。
2.根据权利要求1所述的基于知识图谱的产线故障分析方法,其特征在于,所述获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,包括:
对所述产线设备的运行过程进行实时信息采集,得到所述日志信息;
对所述日志信息进行预处理,得到所述日志信息所对应的文本信息;
对所述文本信息进行关键词提取,并进行向量化表示,得到所述关键信息。
3.根据权利要求2所述的基于知识图谱的产线故障分析方法,其特征在于,所述对所述日志信息进行预处理,得到所述日志信息所对应的文本信息,包括:
对所述日志信息进行句子提取、并对提取到的句子进行分词处理;
对分词后得到的词语进行停用词消除处理,得到所述文本信息。
4.根据权利要求2所述的基于知识图谱的产线故障分析方法,其特征在于,所述语言模型的训练过程包括:
获取原始语料,所述原始语料来自产线设备的操作手册或者故障检修手册;
基于所述原始语料进行句子提取、句子分词、停用词消除,得到关键词,并对最终得到的每个关键词进行向量化表示,得到文本向量;
对所述原始语料进行标注,确定所述原始语料中各个实体之间的关联关系,所述关联关系包括故障与设备之间的关系以及故障与原因之间的关系;
将所述文本向量与所述关联关系进行匹配,得到输入向量,并将所述输入向量输入至BERT模型中进行训练,得到所述语言模型。
5.根据权利要求4所述的基于知识图谱的产线故障分析方法,其特征在于,所述语言模型的训练过程,还包括:
将所述文本向量输入至所述语言模型中,输出一个维度相同的输出向量,所述输出向量用于反映与所述文本向量所对应的故障发生预测设备以及故障发生预测原因;
获取所述原始语料中与所述文本向量的故障发生真实设备以及故障发生真实原因;
将所述原始语料与所述输出向量进行匹配,确定所述输出向量与所述原始语料之间的真实性误差,并基于所述真实性误差对所述语言模型进行参数调优。
6.根据权利要求4所述的基于知识图谱的产线故障分析方法,其特征在于,所述故障知识图谱库的构建过程包括:
预先获取与所述故障发生设备信息以及所述故障发生原因信息分别对应的潜在关系,所述潜在关系包括:属性关系与因果关系,其中,所述属性关系用于反映所述故障发生设备信息所对应的设备类别或者所述故障发生原因信息所对应的因素类别,所述因果关系用于反映所述故障发生设备信息与所述故障发生原因信息之间的关系;
基于潜在关系,设置各个故障发生设备信息以及各个故障发生原因信息对应的故障处置方案,形成所述故障知识图谱库。
7.根据权利要求1所述的基于知识图谱的产线故障分析方法,其特征在于,所述日志信息包括:故障发生时间、顺序、涉及设备以及故障编码,其中,所述故障编码用于从故障说明手册中获取对应的故障详情;
所述实体包括:故障名、类型、原因以及故障产生过程涉及的工具、人员、工种、操作步骤。
8.一种基于知识图谱的产线故障分析装置,其特征在于,所述装置包括:
日志分析模块,用于获取产线设备运行过程中的日志信息,并对所述日志信息进行分析,确定所述日志信息中的关键信息,所述关键信息用于反映所述日志信息中与故障相关的设备、故障发生时间以及故障编码信息;
故障分析模块,用于获取预设的语言模型,基于所述语言模型,对所述关键信息进行实体抽取与故障关系抽取,确定故障发生设备信息以及故障发生原因信息;
故障处置模块,用于基于预设的故障知识图谱库,确定与所述故障发生设备信息以及所述故障发生原因信息匹配的故障处置方案。
9.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于知识图谱的产线故障分析程序,所述处理器执行所述基于知识图谱的产线故障分析程序时,实现如权利要求1-7任一项所述的基于知识图谱的产线故障分析方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于知识图谱的产线故障分析程序,所述基于知识图谱的产线故障分析程序被处理器执行时,实现如权利要求1-7任一项所述的基于知识图谱的产线故障分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211673098.8A CN115658930A (zh) | 2022-12-26 | 2022-12-26 | 一种基于知识图谱的产线故障分析方法、装置与存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211673098.8A CN115658930A (zh) | 2022-12-26 | 2022-12-26 | 一种基于知识图谱的产线故障分析方法、装置与存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115658930A true CN115658930A (zh) | 2023-01-31 |
Family
ID=85022408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211673098.8A Pending CN115658930A (zh) | 2022-12-26 | 2022-12-26 | 一种基于知识图谱的产线故障分析方法、装置与存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115658930A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129892A (zh) * | 2022-06-24 | 2022-09-30 | 武汉大学 | 配电网故障处置知识图谱构建方法及装置 |
CN115366157A (zh) * | 2022-10-24 | 2022-11-22 | 北京奔驰汽车有限公司 | 工业机器人维护方法及装置 |
-
2022
- 2022-12-26 CN CN202211673098.8A patent/CN115658930A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115129892A (zh) * | 2022-06-24 | 2022-09-30 | 武汉大学 | 配电网故障处置知识图谱构建方法及装置 |
CN115366157A (zh) * | 2022-10-24 | 2022-11-22 | 北京奔驰汽车有限公司 | 工业机器人维护方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
CN117192373B (zh) * | 2023-08-08 | 2024-05-07 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021042503A1 (zh) | 信息分类抽取方法、装置、计算机设备和存储介质 | |
CN108256074B (zh) | 校验处理的方法、装置、电子设备和存储介质 | |
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN110704633A (zh) | 命名实体识别方法、装置、计算机设备及存储介质 | |
CN110457302B (zh) | 一种结构化数据智能清洗方法 | |
CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
CN111581090B (zh) | 一种基于nlp和rf框架的自动化测试用例生成方法及系统 | |
CN111522708B (zh) | 一种日志记录方法、计算机设备及存储介质 | |
CN113627168B (zh) | 一种元器件封装冲突的检查方法、装置、介质及设备 | |
CN115658930A (zh) | 一种基于知识图谱的产线故障分析方法、装置与存储介质 | |
CN111783460A (zh) | 一种企业简称提取方法、装置、计算机设备及存储介质 | |
CN105630656A (zh) | 基于日志模型的系统健壮性分析方法及装置 | |
CN114547318A (zh) | 故障信息获取方法、装置、设备和计算机存储介质 | |
US10782942B1 (en) | Rapid onboarding of data from diverse data sources into standardized objects with parser and unit test generation | |
CN117436440A (zh) | 一种日志识别方法、系统、终端设备及存储介质 | |
CN113935443A (zh) | 异构设备多域联合故障预测方法、装置、终端及存储介质 | |
CN117591659A (zh) | 基于ChatGLM运维场景的信息处理方法、装置、设备及介质 | |
CN111767213A (zh) | 数据库检查点的测试方法、装置、电子设备及存储介质 | |
CN111178037A (zh) | 重复缺陷报告识别方法、装置及电子设备 | |
CN114969334B (zh) | 异常日志检测方法、装置、电子设备及可读存储介质 | |
CN109344385B (zh) | 自然语言处理方法、装置、计算机设备和存储介质 | |
CN112115362B (zh) | 一种基于相似代码识别的编程信息推荐方法及装置 | |
CN112749079B (zh) | 软件测试的缺陷分类方法、装置及计算设备 | |
CN112733517A (zh) | 需求模板符合性检查的方法、电子设备及存储介质 | |
CN113204957B (zh) | 缺陷信息处理方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230131 |
|
RJ01 | Rejection of invention patent application after publication |