CN112579789A - 一种设备故障诊断的方法和装置及设备 - Google Patents
一种设备故障诊断的方法和装置及设备 Download PDFInfo
- Publication number
- CN112579789A CN112579789A CN202011410022.7A CN202011410022A CN112579789A CN 112579789 A CN112579789 A CN 112579789A CN 202011410022 A CN202011410022 A CN 202011410022A CN 112579789 A CN112579789 A CN 112579789A
- Authority
- CN
- China
- Prior art keywords
- fault
- text data
- event
- map
- knowledge
- 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 64
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 17
- 230000001364 causal effect Effects 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 239000000969 carrier Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000037408 Device failure Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005406 washing 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
- G06F16/36—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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种设备故障诊断的方法和装置及设备,所述方法包括:获取描述设备故障状况的文本数据;对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。利用本发明公开的方法,可以根据描述设备故障状况的文本数据,进行故障类型的判断,降低设备故障诊断的技术门槛。
Description
技术领域
本发明涉及故障诊断领域,尤其涉及一种设备故障诊断的方法和装置及设备。
背景技术
随着科技的迅猛发展,越来越多的设备进入人们的工作和生活,提升了人们的生活水平,但是同时,设备的结构越来越复杂,在设备产生故障时,维修的难度也大大提升。传统的设备故障的诊断依赖于维修人员的经验判断,而上述故障诊断的方法,存在(1)故障事件的复杂度高,难以知识化存储;(2)故障类型判断对维修人员的技术和经验要求较高等问题。
知识图谱,即知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。事件推理为在逻辑学上,根据事件的一个或多个已知判断或前提推导出新判断的过程。目前,缺少将知识图谱与事件推理结合起来的进行故障诊断方案,无法克服上述故障诊断的不足。
发明内容
本发明提供一种设备故障诊断的方法和装置及设备,解决现有的故障诊断的方案存在的难以知识化存储故障事件以及诊断故障类型对维修人员的技术和经验要求较高的问题。
第一方面,本发明提供一种设备故障诊断的方法,该方法包括:
获取描述设备故障状况的文本数据;
对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
可选地,所述图谱元素包括故障描述事件及所述故障描述事件之间的事件关系,所述方法还包括:
从描述不同故障类型的故障状况的样本文本数据集中,抽取故障描述事件及所述故障描述事件之间的事件关系;
利用知识图谱构建语法,构建映射所述故障描述事件及所述事件关系的拓扑结构,并将与所述拓扑结构对应的故障类型作为故障类型事件,构建连接所述故障类型事件与所述拓扑结构的关联关系;
利用知识图谱存储工具,存储所述拓扑结构及相关联的故障类型事件,获得知识图谱。
可选地,查找与抽取的图谱元素相匹配的目标图谱元素,包括:
确定所述抽取的图谱元素映射的拓扑结构;
从所述知识图谱的拓扑结构中,查找匹配度最高的目标拓扑结构。
可选地,所述事件关系对应的故障描述事件作为两个不同的对象,或者关联关系对应的所述拓扑结构与故障类型作为两个不同的对象,包括如下至少一个关系:
从其中一个对象演化到另一个对象的顺序关系及演化概率;
其中一个对象的发生导致另一个对象发生的因果关系,及所述因果关系的置信度;
其中一个对象是另一个对象发生条件的条件关系,及有条件关系的概率;
其中一个对象包含另一个对象的父子关系及父子关系强度值。
可选地,所述方法还包括:
确定所述目标图谱元素在所述知识图谱中关联的故障类型为多个,进行故障类型查找失败提示;
获取对所述文本数据增加补充数据后的新文本数据,基于所述新文本数据重新确定故障类型。
可选地,从文本数据/样本文本数据中抽取故障描述事件之间的事件关系,包括:
提取所述文本数据/样本文本数据中的关键词,并筛除所述关键词中无意义的关键词,获得有效关键词;
从预设的映射不同有效关键词之间事件关系的字典中,查找所述有效关键词之间的事件关系;
若未查找到,将所述有效关键词输入分类模型,得到所述有效关键词之间的事件关系,所述分类模型为预先根据不同有效关键词及其之间的事件关系训练得到。
可选地,确定所述抽取的图谱元素对应的故障类型之后,还包括:
将所述文本数据增加到所述样本文本数据集,得到更新的样本文本数据集;
确定满足知识图谱更新条件时,利用更新的样本文本数据集,重新构建知识图谱。
可选地,获取描述设备故障状况的文本数据,包括以下至少一项:
采集用户反馈的描述设备故障状况的音频数据,并根据所述音频数据提取文本数据;
采集用户反馈的描述设备故障状况的文本数据;
采集设备上报的描述设备故障状况的文本数据。
可选地,从文本数据/样本文本数据中抽取故障描述事件,包括:
使用双向长短时记忆BiLSTM+条件随机场算法CRF,对文本数据/样本文本数据进行分析处理,抽取故障描述事件。
第二方面,本发明提供一种设备故障诊断的设备,包括存储器和处理器,其中:
所述存储器用于存储计算机程序;
所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取描述设备故障状况的文本数据;
对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
可选地,所述图谱元素包括故障描述事件及所述故障描述事件之间的事件关系,所述处理器还用于:
从描述不同故障类型的故障状况的样本文本数据集中,抽取故障描述事件及所述故障描述事件之间的事件关系;
利用知识图谱构建语法,构建映射所述故障描述事件及所述事件关系的拓扑结构,并将与所述拓扑结构对应的故障类型作为故障类型事件,构建连接所述故障类型事件与所述拓扑结构的关联关系;
利用知识图谱存储工具,存储所述拓扑结构及相关联的故障类型事件,获得知识图谱。
可选地,所述处理器查找与抽取的图谱元素相匹配的目标图谱元素,包括:
确定所述抽取的图谱元素映射的拓扑结构;
从所述知识图谱的拓扑结构中,查找匹配度最高的目标拓扑结构。
可选地,所述事件关系对应的故障描述事件作为两个不同的对象,或者关联关系对应的所述拓扑结构与故障类型作为两个不同的对象,包括如下至少一个关系:
从其中一个对象演化到另一个对象的顺序关系及演化概率;
其中一个对象的发生导致另一个对象发生的因果关系,及所述因果关系的置信度;
其中一个对象是另一个对象发生条件的条件关系,及有条件关系的概率;
其中一个对象包含另一个对象的父子关系及父子关系强度值。
可选地,所述处理器还用于:
确定所述目标图谱元素在所述知识图谱中关联的故障类型为多个,进行故障类型查找失败提示;
获取对所述文本数据增加补充数据后的新文本数据,基于所述新文本数据重新确定故障类型。
可选地,所述处理器从文本数据/样本文本数据中抽取故障描述事件之间的事件关系,包括:
提取所述文本数据/样本文本数据中的关键词,并筛除所述关键词中无意义的关键词,获得有效关键词;
从预设的映射不同有效关键词之间事件关系的字典中,查找所述有效关键词之间的事件关系;
若未查找到,将所述有效关键词输入分类模型,得到所述有效关键词之间的事件关系,所述分类模型为预先根据不同有效关键词及其之间的事件关系训练得到。
可选地,所述处理器确定所述抽取的图谱元素对应的故障类型之后,还包括:
将所述文本数据增加到所述样本文本数据集,得到更新的样本文本数据集;
确定满足知识图谱更新条件时,利用更新的样本文本数据集,重新构建知识图谱。
可选地,所述处理器获取描述设备故障状况的文本数据,包括以下至少一项:
采集用户反馈的描述设备故障状况的音频数据,并根据所述音频数据提取文本数据;
采集用户反馈的描述设备故障状况的文本数据;
采集设备上报的描述设备故障状况的文本数据。
可选地,所述处理器从文本数据/样本文本数据中抽取故障描述事件,包括:
使用双向长短时记忆BiLSTM+条件随机场算法CRF,对文本数据/样本文本数据进行分析处理,抽取故障描述事件。
第三方面,本发明提供一种设备故障诊断的装置,包括:
数据获取单元,用于获取描述设备故障状况的文本数据;
数据处理单元,用于对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
图谱查找单元,用于在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
故障诊断单元,用于根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
可选地,所述图谱元素包括故障描述事件及所述故障描述事件之间的事件关系,所述图谱查找单元还用于:
从描述不同故障类型的故障状况的样本文本数据集中,抽取故障描述事件及所述故障描述事件之间的事件关系;
利用知识图谱构建语法,构建映射所述故障描述事件及所述事件关系的拓扑结构,并将与所述拓扑结构对应的故障类型作为故障类型事件,构建连接所述故障类型事件与所述拓扑结构的关联关系;
利用知识图谱存储工具,存储所述拓扑结构及相关联的故障类型事件,获得知识图谱。
可选地,所述图谱查找单元查找与抽取的图谱元素相匹配的目标图谱元素,包括:
确定所述抽取的图谱元素映射的拓扑结构;
从所述知识图谱的拓扑结构中,查找匹配度最高的目标拓扑结构。
可选地,所述事件关系对应的故障描述事件作为两个不同的对象,或者关联关系对应的所述拓扑结构与故障类型作为两个不同的对象,包括如下至少一个关系:
从其中一个对象演化到另一个对象的顺序关系及演化概率;
其中一个对象的发生导致另一个对象发生的因果关系,及所述因果关系的置信度;
其中一个对象是另一个对象发生条件的条件关系,及有条件关系的概率;
其中一个对象包含另一个对象的父子关系及父子关系强度值。
可选地,所述故障诊断单元还用于:
确定所述目标图谱元素在所述知识图谱中关联的故障类型为多个,进行故障类型查找失败提示;
获取对所述文本数据增加补充数据后的新文本数据,基于所述新文本数据重新确定故障类型。
可选地,所述数据处理单元从文本数据/样本文本数据中抽取故障描述事件之间的事件关系,包括:
提取所述文本数据/样本文本数据中的关键词,并筛除所述关键词中无意义的关键词,获得有效关键词;
从预设的映射不同有效关键词之间事件关系的字典中,查找所述有效关键词之间的事件关系;
若未查找到,将所述有效关键词输入分类模型,得到所述有效关键词之间的事件关系,所述分类模型为预先根据不同有效关键词及其之间的事件关系训练得到。
可选地,所述故障诊断单元确定所述抽取的图谱元素对应的故障类型之后,还包括:
将所述文本数据增加到所述样本文本数据集,得到更新的样本文本数据集;
确定满足知识图谱更新条件时,利用更新的样本文本数据集,重新构建知识图谱。
可选地,所述数据获取单元获取描述设备故障状况的文本数据,包括以下至少一项:
采集用户反馈的描述设备故障状况的音频数据,并根据所述音频数据提取文本数据;
采集用户反馈的描述设备故障状况的文本数据;
采集设备上报的描述设备故障状况的文本数据。
可选地,所述数据处理单元从文本数据/样本文本数据中抽取故障描述事件,包括:
使用双向长短时记忆BiLSTM+条件随机场算法CRF,对文本数据/样本文本数据进行分析处理,抽取故障描述事件。
第四方面,本发明提供一种计算机程序介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面提供的一种设备故障诊断的方法的步骤。
本发明提供的一种设备故障诊断的方法和装置及设备,具有以下有益效果:
利用本发明公开的方法,通过知识图谱知识化存储故障事件,通过对描述设备故障状况的文本数据进行分析处理,使用知识图谱进行故障类型的判断,降低设备故障诊断的技术门槛。
附图说明
图1为本发明实施例提供的一种设备故障诊断的方法的流程图;
图2为本发明实施例提供的一种构建知识图谱的示意图;
图3为本发明实施例提供的一种知识图谱的示意图;
图4为本发明实施例提供的一种设备故障诊断的示意图;
图5为本发明实施例提供一种设备故障诊断的设备的示意图;
图6为本发明实施例提供一种设备故障诊断的装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
随着科技的迅猛发展,越来越多的设备进入人们的工作和生活,提升了人们的生活水平,但是同时,设备的结构越来越复杂,在设备产生故障时,维修的难度也大大提升。传统的设备故障的诊断依赖于维修人员的经验判断,而上述故障诊断的方法,存在(1)故障事件的复杂度高,难以知识化存储;(2)故障类型判断对维修人员的技术和经验要求较高等问题。
知识图谱,即知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
事件推理为在逻辑学上,根据事件的一个或多个已知判断或前提推导出新判断的过程。
目前,缺少将知识图谱与事件推理结合起来的进行故障诊断方案,无法克服上述故障诊断的不足。
针对上述问题,本申请实施例提供了一种设备故障诊断的方法和装置及设备,通过对描述设备故障状况的文本数据进行分析处理,使用知识图谱进行故障类型的判断,从而降低诊断故障类型对维修人员的技术和经验要求。下面给出本发明实施例提供的一种设备故障诊断的方法和装置及设备的实施方式。
实施例1
本发明实施例提供一种设备故障诊断的方法的流程图,如图1所示,包括:
步骤S101,获取描述设备故障状况的文本数据;
可以通过如下方式中的至少一种方式进行文本数据的采集:
采集用户反馈的描述设备故障状况的音频数据,并根据所述音频数据提取文本数据;
采集用户反馈的描述设备故障状况的文本数据;
采集设备上报的描述设备故障状况的文本数据。
上述采集用户反馈的音频数据或文本数据,可以通过例如在线联系、电话联系等任意可以实现音频数据或文本数据采集的方式实现,本申请对此不做限定。
上述根据所述音频数据提取文本数据,可以通过任意形式的语音转文本技术实现,不是本申请的重点,不再赘述。
上述设备上报的描述设备故障状况的文本数据,可以为设备运行信息,设备故障报警信息等。
步骤S102,对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
需要说明的是,图谱元素的信息类型为预定义的,例如,事件,关系,时间等,在具体实施时,可以进行图谱元素的适应性的更改。
在构建知识图谱时,根据预定义的不同类型的图谱元素对应的内容构建知识图谱,相应的,在对所述文本数据进行分析处理时,要抽取相同类型的图谱元素的内容,其中预定义的图谱元素的信息类型可以为一个,也可以为多个。
需要说明的是,上述图谱元素包括故障描述事件及所述故障描述事件之间的事件关系。
其中,故障描述事件为描述设备故障的信息,包括设备的名称,例如,空调,冰箱,洗衣机等;还包括故障现象,例如,有异响,红灯亮,部件损坏或脱落等。
所述故障描述事件之间的事件关系,将所述事件关系对应的故障描述事件作为两个不同的对象,包括如下至少一个关系:
从其中一个对象演化到另一个对象的顺序关系,及演化概率;
其中一个对象的发生导致另一个对象发生的因果关系,及所述因果关系的置信度;
其中一个对象是另一个对象发生条件的条件关系,及有条件关系的概率;
其中一个对象包含另一个对象的父子关系及父子关系强度值。
上述事件关系分为两部分,一部分为具体的事件关系的名称,即上述的顺序关系,另一部分为表征关系强度的标识。
其中,上述演化概率、因果关系的置信度及父子关系强度值,可以使用具体的数值表征概率大小,置信度高低,强度值大小,例如,以[0,1]范围的数值表征,0表示可能性最低,1表示可能性最高;也可以使用等级表征,例如将可能性划分为低,较低,中,较高,高五个等级,直接使用上述五个等级的文字,或者映射为1至5的数值表征。
上述有条件关系的概率,只有有条件关系和无条件关系两种情况,可以使用具体的数值表征概率大小,例如0表示无条件关系,1表示有条件关系,或者直接使用文字表征。
需要说明的是,上述事件关系只作为本发明实施例的一种举例,任意描述事件之间逻辑关系的事件关系都可以应用到本发明实施例中,本发明实施例并不对此做出限定,同样的,上述表征事件关系强度的标识,也可以使用其他的形式。
需要说明的是,在对所述文本数据进行分析处理,可能仅抽取到部分图谱元素,例如仅抽取到故障描述事件,也可以抽取故障描述事件及所述故障描述事件之间的事件关系。
对于抽取故障描述事件,作为一种可选的实施方式,使用双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)+条件随机场算法(conditional randomfield algorithm,CRF),对文本数据进行分析处理,抽取故障描述事件。
双向长短时记忆由前向长短时记忆与后向长短时记忆组合而成,长短时记忆是循环神经网络(Recurrent Neural Network,RNN)的一种,其设计的特点,非常适合用于对文本数据的建模,在自然语言处理任务中常被用来建模上下文信息。条件随机场算法是一种鉴别式机率模型,是随机场的一种,常用于标注或分析自然语言文字。
需要说明的是,任意可以实现故障描述事件的实施方式都可以应用到本发明实施例中,例如,(1)基于机器学习的方法,例如:隐马尔可夫模型(Hidden Markov model,HMM)、最大熵马尔科夫模型(Maximum Entropy Markov Model,MEMM)、条件随机场(ConditionalRandom Fields,CRF)、支持向量机(Support Vector Machine,SVM);(2)基于深度学习的方法,例如:卷积神经网络(Convolutional Neural Network,CNN);(3)基于半监督/迁移学习的方法;(4)基于预训练模型的方法,例如:自然语言处理(Natural Language Processing,NLP)。
对于抽取故障描述事件之间的事件关系,作为一种可选的实施方式,从文本数据抽取故障描述事件之间的事件关系,包括:
提取所述文本数据中的关键词,并筛除所述关键词中无意义的关键词,获得有效关键词;
从预设的映射不同有效关键词之间事件关系的字典中,查找所述有效关键词之间的事件关系;
若未查找到,将所述有效关键词输入分类模型,得到所述有效关键词之间的事件关系,所述分类模型为预先根据不同有效关键词及其之间的事件关系训练得到。
上述提取所述文本数据中的关键词,例如,文本数据为空调的红灯亮了,在上述文本数据中提取出空调,的,红灯亮,了四个关键词;筛除所述关键词中无意义的关键词,例如,筛除上述四个关键词中的连接词“的”和语气助词“了”,获得“空调”,“红灯亮”两个有效关键词。
上述字典中存储有常见的有效关键词和不同有效关键词之间事件关系。
如果提取出的有效关键词在上述字典中并未查找到,将所述有效关键词输入分类模型。上述分类模型是自主设计的深度学习网络,主要由卷积神经网络(ConvolutionalNeural Network,CNN)和全连接层组成;分类模型将上述有效关键词转化为值向量,并将值向量拼接到一起,进行分析处理,输出事件关系。
步骤S103,在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
上述知识图谱的构建采用自底向上(bottom-up)的构建方式。自底向上指的是从一些开放链接数据中提取出实体,选择其中置信度较高的加入到知识库,再构建实体与实体之间的联系。
作为一种可选的实施方式,构建知识图谱,包括:
从描述不同故障类型的故障状况的样本文本数据集中,抽取故障描述事件及所述故障描述事件之间的事件关系;
利用知识图谱构建语法,构建映射所述故障描述事件及所述事件关系的拓扑结构,并将与所述拓扑结构对应的故障类型作为故障类型事件,构建连接所述故障类型事件与所述拓扑结构的关联关系;
利用知识图谱存储工具,存储所述拓扑结构及相关联的故障类型事件,获得知识图谱。
需要说明的是,上述样本文本数据集通过故障数据库和维修人员的经验知识获取,其中数据的形式包括结构数据、半结构数据和非结构数据。
上述拓扑结构是由抽取的故障描述事件及连接故障描述事件的事件关系映射得到的,例如在下图3中,由圆圈表征的事件1至事件6为映射的故障描述事件,连接事件的箭头与关系强度的标识为事件关系的映射。
需要说明的是,上述抽取故障描述事件及所述故障描述事件之间的事件关系的实施方式与上述抽取文本数据的故障描述事件及所述故障描述事件之间的事件关系的实施方式相同,在此不再赘述。
知识图谱中的事件关系,不仅包括上述故障描述事件之间的事件关系,还包括拓扑结构与故障类型之间的关联关系,其中将关联关系对应的拓扑结构与故障类型作为两个不同的对象,上述关联关系和上述事件关系相同,在此不再赘述。
如图2所示,本发明实施例提供一种构建知识图谱的示意图。
将样本文本数据集中的文本数据通过文本预处理,进行故障描述事件及所述故障描述事件之间的事件关系的抽取,其中,事件关系包括顺序关系,因果关系,条件关系和父子关系,故障描述事件包括主体和客体,主体为实践活动和认识活动的承担者,客体为主体实践活动和认识活动的对象。并利用知识图谱构建语法,构建知识图谱,利用知识图谱存储工具,存储知识图谱。
如图3所示,本发明实施例提供一种知识图谱的示意图。
其中,a、b、c、d分别表示顺序、因果、条件、父子关系,v表示对应的关系值。上述图3中的事件1至事件6中的任一事件可能为故障描述事件,也可能为故障类型。上述知识图谱中的图谱元素为故障描述事件和事件关系构成的拓扑结构,一个故障描述事件通过不同的事件关系和一个或者多个故障描述事件连接,组成拓扑网络。知识图谱中的不同故障类型通过不同的事件关系和一个或者多个拓扑结构连接。
在上述知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,包括:
确定所述抽取的图谱元素映射的拓扑结构;
从所述知识图谱的拓扑结构中,查找匹配度最高的目标拓扑结构。
需要说明的是,匹配度的计算需要同时考虑(1)故障描述事件的匹配度(2)故障描述事件之间的故障关系的匹配度。
下面根据上述图3进行匹配度的具体说明。例如,假设上述图3中的事件1至事件6全部为故障描述事件。确定的所述抽取的图谱元素映射的拓扑结构包括事件7和事件8以及上述事件7和事件8之间的事件关系(b,v),则此时,根据所述事件关系匹配度,确定匹配度较高的拓扑结构为:(1)拓扑结构1:事件2和事件4以及事件关系(b,v);(2)拓扑结构2:事件3和事件4以及事件关系(b,v);综合故障描述事件的匹配度,若事件7和事件2的匹配度为0.8,事件7和事件3的匹配度为0.3,事件8和事件4的匹配度为0.7,则确定匹配度最高的拓扑结构1为目标拓扑结构。
需要说明的是,上述匹配度的计算过程仅为本发明实施例的示例性说明,并不对本发明实施例进行限定。
上述查找与抽取的图谱元素相匹配的目标图谱元素,根据抽取的图谱元素的不同情况,分为两种实施方式。
实施方式1:抽取的图谱元素为故障描述事件:
直接比较上述抽取出的故障描述事件与知识图谱中的故障描述事件,查找匹配度最高的故障描述事件为目标故障描述事件。
需要说明的是,上述抽取的故障描述事件,可能为一个也可能为多个。
如果是一个故障描述事件,直接将上述一个故障描述事件与知识图谱中的故障描述事件进行匹配,确定匹配率最高的为目标故障描述事件;
如果是多个故障描述事件,确定与上述多个故障描述事件中的每一个故障描述事件匹配率最高的故障描述事件为目标故障描述事件,即确定多个目标故障描述事件;或者,在此基础上,进一步的根据上述多个目标故障描述事件之间的关联关系,筛除其中关联关系较弱的目标故障描述事件。
实施方式2:抽取的图谱元素为故障描述事件及所述故障描述事件之间的事件关系:
结合故障描述事件和事件关系,确定所述抽取的图谱元素映射的拓扑结构,然后比较上述拓扑结构和知识图谱中的拓扑结构,查找匹配度最高的拓扑结构为目标拓扑结构。需要说明的是,本发明实施例提供故障事件推理能力:知识图谱的查询还包括查询故障描述事件之间的事件关系,和查询拓扑结构与故障类型之间的关联关系。
例如,从文本中提取了故障描述事件1和故障描述事件2,利用知识图谱查询语句,输入故障描述事件1和故障描述事件2,得到故障描述事件1和故障描述事件2之间的事件关系。
步骤S104,根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
确定与上述目标故障描述事件或目标拓扑结构关联的故障类型,为上述文本数据对应的故障类型。
在进行故障类型查询的时候,例如上述图3中的事件1至事件5为故障描述事件,事件6为故障类型事件,则确定上述事件6为故障类型。
又例如,上述图3中的事件3为故障描述事件,其他事件全部为故障类型事件,则确定上述事件1和事件4为故障类型。
上述确定所述抽取的图谱元素对应的故障类型,根据抽取的图谱元素的不同情况,分为两种实施方式。
实施方式1:抽取的图谱元素为故障描述事件:
确定与上述目标故障描述事件关联的故障类型,为上述文本数据对应的故障类型。
例如,确定目标故障描述事件1,通过查询与上述目标故障描述事件1具有的顺序或因果或条件或父子关系的故障类型事件1,确定上述故障类型事件1为故障类型。
实施方式2:抽取的图谱元素为故障描述事件及所述故障描述事件之间的事件关系:
确定与上述目标拓扑结构关联的故障类型,为上述文本数据对应的故障类型。
例如,确定目标拓扑结构1包括故障描述事件1、故障描述事件2和上述故障描述事件1和故障描述事件2之间的事件关系1,通过查询与上述目标拓扑结构1具有的顺序或因果或条件或父子关系的故障类型1,确定上述故障类型1为故障类型。
如图4所示,本发明实施例提供一种设备故障诊断的示意图。
获取描述设备故障状况的文本数据,对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素,在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
需要说明的是,因为获取的文本数据的质量不同,确定的故障类型可能为一个或多个,当确定所述目标图谱元素在所述知识图谱中关联的故障类型为多个,进行故障类型查找失败提示;
获取对所述文本数据增加补充数据后的新文本数据,基于所述新文本数据重新确定故障类型。
在具体实施时,可以设置显示查找失败提示的故障类型数量的阈值,例如设置阈值为3,当输出的故障类型的数量大于三个时,进行故障类型查找失败提示。
本发明实施例的知识图谱会根据获取的文本数据进行知识图谱的更新,以扩大知识图谱的涵盖内容,增强实用性。
具体的,确定所述抽取的图谱元素对应的故障类型之后,还包括:
将所述文本数据增加到所述样本文本数据集,得到更新的样本文本数据集;
确定满足知识图谱更新条件时,利用更新的样本文本数据集,重新构建知识图谱。
上述知识图谱更新条件包括但不限于:知识图谱的查询次数大于预设阈值;故障类型查找失败提示的次数大于预设阈值;知识图谱的查询时间大于预设阈值;无条件。
本发明实施例提供的一种设备故障诊断的方法,将故障数据知识化,并提供故障类型判断,形成数据-知识-服务自动化运行,实现集成化、交互式故障推理技术,达到或超越领域专家/专业从业人员的服务水平,实现自动化、标准化的故障诊断。
实施例2
本发明实施例提供一种设备故障诊断的设备500,包括存储器501和处理器502,如图5所示,其中:
所述存储器用于存储计算机程序;
所述处理器用于读取所述存储器中的程序并执行如下步骤:
获取描述设备故障状况的文本数据;
对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
可选地,所述图谱元素包括故障描述事件及所述故障描述事件之间的事件关系,所述处理器还用于:
从描述不同故障类型的故障状况的样本文本数据集中,抽取故障描述事件及所述故障描述事件之间的事件关系;
利用知识图谱构建语法,构建映射所述故障描述事件及所述事件关系的拓扑结构,并将与所述拓扑结构对应的故障类型作为故障类型事件,构建连接所述故障类型事件与所述拓扑结构的关联关系;
利用知识图谱存储工具,存储所述拓扑结构及相关联的故障类型事件,获得知识图谱。
可选地,所述处理器查找与抽取的图谱元素相匹配的目标图谱元素,包括:
确定所述抽取的图谱元素映射的拓扑结构;
从所述知识图谱的拓扑结构中,查找匹配度最高的目标拓扑结构。
可选地,所述事件关系对应的故障描述事件作为两个不同的对象,或者关联关系对应的所述拓扑结构与故障类型作为两个不同的对象,包括如下至少一个关系:
从其中一个对象演化到另一个对象的顺序关系及演化概率;
其中一个对象的发生导致另一个对象发生的因果关系,及所述因果关系的置信度;
其中一个对象是另一个对象发生条件的条件关系,及有条件关系的概率;
其中一个对象包含另一个对象的父子关系及父子关系强度值。
可选地,所述处理器还用于:
确定所述目标图谱元素在所述知识图谱中关联的故障类型为多个,进行故障类型查找失败提示;
获取对所述文本数据增加补充数据后的新文本数据,基于所述新文本数据重新确定故障类型。
可选地,所述处理器从文本数据/样本文本数据中抽取故障描述事件之间的事件关系,包括:
提取所述文本数据/样本文本数据中的关键词,并筛除所述关键词中无意义的关键词,获得有效关键词;
从预设的映射不同有效关键词之间事件关系的字典中,查找所述有效关键词之间的事件关系;
若未查找到,将所述有效关键词输入分类模型,得到所述有效关键词之间的事件关系,所述分类模型为预先根据不同有效关键词及其之间的事件关系训练得到。
可选地,所述处理器确定所述抽取的图谱元素对应的故障类型之后,还包括:
将所述文本数据增加到所述样本文本数据集,得到更新的样本文本数据集;
确定满足知识图谱更新条件时,利用更新的样本文本数据集,重新构建知识图谱。
可选地,所述处理器获取描述设备故障状况的文本数据,包括以下至少一项:
采集用户反馈的描述设备故障状况的音频数据,并根据所述音频数据提取文本数据;
采集用户反馈的描述设备故障状况的文本数据;
采集设备上报的描述设备故障状况的文本数据。
可选地,所述处理器从文本数据/样本文本数据中抽取故障描述事件,包括:
使用双向长短时记忆BiLSTM+条件随机场算法CRF,对文本数据/样本文本数据进行分析处理,抽取故障描述事件。
本发明实施例提供一种设备故障诊断的装置的示意图,如图6所示,包括:
数据获取单元601,用于获取描述设备故障状况的文本数据;
数据处理单元602,用于对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
图谱查找单元603,用于在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
故障诊断单元604,用于根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
可选地,所述图谱元素包括故障描述事件及所述故障描述事件之间的事件关系,所述图谱查找单元还用于:
从描述不同故障类型的故障状况的样本文本数据集中,抽取故障描述事件及所述故障描述事件之间的事件关系;
利用知识图谱构建语法,构建映射所述故障描述事件及所述事件关系的拓扑结构,并将与所述拓扑结构对应的故障类型作为故障类型事件,构建连接所述故障类型事件与所述拓扑结构的关联关系;
利用知识图谱存储工具,存储所述拓扑结构及相关联的故障类型事件,获得知识图谱。
可选地,所述图谱查找单元查找与抽取的图谱元素相匹配的目标图谱元素,包括:
确定所述抽取的图谱元素映射的拓扑结构;
从所述知识图谱的拓扑结构中,查找匹配度最高的目标拓扑结构。
可选地,所述事件关系对应的故障描述事件作为两个不同的对象,或者关联关系对应的所述拓扑结构与故障类型作为两个不同的对象,包括如下至少一个关系:
从其中一个对象演化到另一个对象的顺序关系及演化概率;
其中一个对象的发生导致另一个对象发生的因果关系,及所述因果关系的置信度;
其中一个对象是另一个对象发生条件的条件关系,及有条件关系的概率;
其中一个对象包含另一个对象的父子关系及父子关系强度值。
可选地,所述故障诊断单元还用于:
确定所述目标图谱元素在所述知识图谱中关联的故障类型为多个,进行故障类型查找失败提示;
获取对所述文本数据增加补充数据后的新文本数据,基于所述新文本数据重新确定故障类型。
可选地,所述数据处理单元从文本数据/样本文本数据中抽取故障描述事件之间的事件关系,包括:
提取所述文本数据/样本文本数据中的关键词,并筛除所述关键词中无意义的关键词,获得有效关键词;
从预设的映射不同有效关键词之间事件关系的字典中,查找所述有效关键词之间的事件关系;
若未查找到,将所述有效关键词输入分类模型,得到所述有效关键词之间的事件关系,所述分类模型为预先根据不同有效关键词及其之间的事件关系训练得到。
可选地,所述故障诊断单元确定所述抽取的图谱元素对应的故障类型之后,还包括:
将所述文本数据增加到所述样本文本数据集,得到更新的样本文本数据集;
确定满足知识图谱更新条件时,利用更新的样本文本数据集,重新构建知识图谱。
可选地,所述数据获取单元获取描述设备故障状况的文本数据,包括以下至少一项:
采集用户反馈的描述设备故障状况的音频数据,并根据所述音频数据提取文本数据;
采集用户反馈的描述设备故障状况的文本数据;
采集设备上报的描述设备故障状况的文本数据。
可选地,所述数据处理单元从文本数据/样本文本数据中抽取故障描述事件,包括:
使用双向长短时记忆BiLSTM+条件随机场算法CRF,对文本数据/样本文本数据进行分析处理,抽取故障描述事件。
本发明还提供一种计算机程序介质,其上存储有计算机程序,该程序被处理器执行时实现上述实施例1中提供的一种设备故障诊断的方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上对本申请所提供的技术方案进行了详细介绍,本申请中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种设备故障诊断的方法,其特征在于,包括:
获取描述设备故障状况的文本数据;
对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
2.根据权利要求1所述的方法,其特征在于,所述图谱元素包括故障描述事件及所述故障描述事件之间的事件关系,还包括:
从描述不同故障类型的故障状况的样本文本数据集中,抽取故障描述事件及所述故障描述事件之间的事件关系;
利用知识图谱构建语法,构建映射所述故障描述事件及所述事件关系的拓扑结构,并将与所述拓扑结构对应的故障类型作为故障类型事件,构建连接所述故障类型事件与所述拓扑结构的关联关系;
利用知识图谱存储工具,存储所述拓扑结构及相关联的故障类型事件,获得知识图谱。
3.根据权利要求2所述的方法,其特征在于,查找与抽取的图谱元素相匹配的目标图谱元素,包括:
确定所述抽取的图谱元素映射的拓扑结构;
从所述知识图谱的拓扑结构中,查找匹配度最高的目标拓扑结构。
4.根据权利要求2所述的方法,其特征在于,所述事件关系对应的故障描述事件作为两个不同的对象,或者关联关系对应的所述拓扑结构与故障类型作为两个不同的对象,包括如下至少一个关系:
从其中一个对象演化到另一个对象的顺序关系及演化概率;
其中一个对象的发生导致另一个对象发生的因果关系,及所述因果关系的置信度;
其中一个对象是另一个对象发生条件的条件关系,及有条件关系的概率;
其中一个对象包含另一个对象的父子关系及父子关系强度值。
5.根据权利要求1或2所述的方法,其特征在于,还包括:
确定所述目标图谱元素在所述知识图谱中关联的故障类型为多个,进行故障类型查找失败提示;
获取对所述文本数据增加补充数据后的新文本数据,基于所述新文本数据重新确定故障类型。
6.根据权利要求2所述的方法,其特征在于,从文本数据/样本文本数据中抽取故障描述事件之间的事件关系,包括:
提取所述文本数据/样本文本数据中的关键词,并筛除所述关键词中无意义的关键词,获得有效关键词;
从预设的映射不同有效关键词之间事件关系的字典中,查找所述有效关键词之间的事件关系;
若未查找到,将所述有效关键词输入分类模型,得到所述有效关键词之间的事件关系,所述分类模型为预先根据不同有效关键词及其之间的事件关系训练得到。
7.根据权利要求2所述的方法,其特征在于,确定所述抽取的图谱元素对应的故障类型之后,还包括:
将所述文本数据增加到所述样本文本数据集,得到更新的样本文本数据集;
确定满足知识图谱更新条件时,利用更新的样本文本数据集,重新构建知识图谱。
8.根据权利要求1所述的方法,其特征在于,获取描述设备故障状况的文本数据,包括以下至少一项:
采集用户反馈的描述设备故障状况的音频数据,并根据所述音频数据提取文本数据;
采集用户反馈的描述设备故障状况的文本数据;
采集设备上报的描述设备故障状况的文本数据。
9.根据权利要求2所述的方法,其特征在于,从文本数据/样本文本数据中抽取故障描述事件,包括:
使用双向长短时记忆BiLSTM+条件随机场算法CRF,对文本数据/样本文本数据进行分析处理,抽取故障描述事件。
10.一种设备故障诊断的设备,其特征在于,包括存储器和处理器,其中:
所述存储器用于存储计算机程序;
所述处理器用于读取所述存储器中的程序并执行权利要求1~9任一所述的设备故障诊断的方法。
11.一种设备故障诊断的装置,其特征在于,包括:
数据获取单元,用于获取描述设备故障状况的文本数据;
数据处理单元,用于对所述文本数据进行分析处理,抽取与故障类型相关的图谱元素;
图谱查找单元,用于在预先构建的知识图谱中,查找与抽取的图谱元素相匹配的目标图谱元素,其中所述知识图谱包括不同故障类型及其关联的图谱元素;
故障诊断单元,用于根据所述目标图谱元素在所述知识图谱中关联的故障类型,确定所述抽取的图谱元素对应的故障类型。
12.一种计算机程序介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1~9任一所述一种设备故障诊断的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410022.7A CN112579789A (zh) | 2020-12-04 | 2020-12-04 | 一种设备故障诊断的方法和装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410022.7A CN112579789A (zh) | 2020-12-04 | 2020-12-04 | 一种设备故障诊断的方法和装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112579789A true CN112579789A (zh) | 2021-03-30 |
Family
ID=75128248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410022.7A Pending CN112579789A (zh) | 2020-12-04 | 2020-12-04 | 一种设备故障诊断的方法和装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112579789A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094512A (zh) * | 2021-04-08 | 2021-07-09 | 达而观信息科技(上海)有限公司 | 一种工业生产制造中故障分析***及方法 |
CN114978946A (zh) * | 2022-05-17 | 2022-08-30 | 中国电信股份有限公司 | 节点故障诊断方法、装置、电子设备及存储介质 |
CN116468214A (zh) * | 2023-03-07 | 2023-07-21 | 德联易控科技(北京)有限公司 | 一种基于故障事件处理过程的证据电子化方法及电子设备 |
CN116560894A (zh) * | 2023-07-10 | 2023-08-08 | 天之翼(苏州)科技有限公司 | 应用机器学习的无人机故障数据分析方法、服务器及介质 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
WO2023206520A1 (zh) * | 2022-04-29 | 2023-11-02 | 西门子股份公司 | 故障排查及解决方案的推荐方法、装置和存储介质 |
WO2024021603A1 (zh) * | 2022-07-29 | 2024-02-01 | 中兴通讯股份有限公司 | 故障处理方法、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
WO2020143326A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 知识数据存储方法、装置、计算机设备和存储介质 |
CN111435366A (zh) * | 2019-01-14 | 2020-07-21 | 阿里巴巴集团控股有限公司 | 设备故障诊断方法、装置和电子设备 |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
-
2020
- 2020-12-04 CN CN202011410022.7A patent/CN112579789A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020143326A1 (zh) * | 2019-01-11 | 2020-07-16 | 平安科技(深圳)有限公司 | 知识数据存储方法、装置、计算机设备和存储介质 |
CN111435366A (zh) * | 2019-01-14 | 2020-07-21 | 阿里巴巴集团控股有限公司 | 设备故障诊断方法、装置和电子设备 |
CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094512A (zh) * | 2021-04-08 | 2021-07-09 | 达而观信息科技(上海)有限公司 | 一种工业生产制造中故障分析***及方法 |
CN113094512B (zh) * | 2021-04-08 | 2024-05-24 | 达观数据有限公司 | 一种工业生产制造中故障分析***及方法 |
WO2023206520A1 (zh) * | 2022-04-29 | 2023-11-02 | 西门子股份公司 | 故障排查及解决方案的推荐方法、装置和存储介质 |
CN114978946A (zh) * | 2022-05-17 | 2022-08-30 | 中国电信股份有限公司 | 节点故障诊断方法、装置、电子设备及存储介质 |
CN114978946B (zh) * | 2022-05-17 | 2023-10-03 | 中国电信股份有限公司 | 节点故障诊断方法、装置、电子设备及存储介质 |
WO2024021603A1 (zh) * | 2022-07-29 | 2024-02-01 | 中兴通讯股份有限公司 | 故障处理方法、设备和存储介质 |
CN116468214A (zh) * | 2023-03-07 | 2023-07-21 | 德联易控科技(北京)有限公司 | 一种基于故障事件处理过程的证据电子化方法及电子设备 |
CN116468214B (zh) * | 2023-03-07 | 2023-12-15 | 德联易控科技(北京)有限公司 | 一种基于故障事件处理过程的证据电子化方法及电子设备 |
CN116560894A (zh) * | 2023-07-10 | 2023-08-08 | 天之翼(苏州)科技有限公司 | 应用机器学习的无人机故障数据分析方法、服务器及介质 |
CN116560894B (zh) * | 2023-07-10 | 2023-09-01 | 天之翼(苏州)科技有限公司 | 应用机器学习的无人机故障数据分析方法、服务器及介质 |
CN116893924A (zh) * | 2023-09-11 | 2023-10-17 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
CN116893924B (zh) * | 2023-09-11 | 2023-12-01 | 江西南昌济生制药有限责任公司 | 设备故障处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112579789A (zh) | 一种设备故障诊断的方法和装置及设备 | |
CN113381890B (zh) | 告警信息关联方法、装置、电子设备和可读存储介质 | |
CN108932945B (zh) | 一种语音指令的处理方法及装置 | |
KR102353545B1 (ko) | 재난대응 추천방법 및 그 장치 | |
CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及*** | |
CN113779272A (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN111045902A (zh) | 服务器的压力测试方法及装置 | |
CN115278741A (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
CN107111609A (zh) | 用于神经语言行为识别***的词法分析器 | |
CN115330268A (zh) | 一种应对矿山灾难的综合性应急指挥方法及*** | |
CN110046279A (zh) | 视频文件特征的预测方法、介质、装置和计算设备 | |
CN116771576A (zh) | 水电机组故障综合诊断方法 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN117632654A (zh) | 一种运维风险等级评估方法、装置、电子设备及存储介质 | |
CN117708746B (zh) | 一种基于多模态数据融合的风险预测方法 | |
CN113986643A (zh) | 分析日志文件的方法、电子设备和计算机程序产品 | |
CN114996936A (zh) | 设备运维方法、设备运维装置、设备运维设备及存储介质 | |
CN114416573A (zh) | 一种应用程序的缺陷分析方法、装置、设备及介质 | |
CN113837545A (zh) | 一种具有实时监控服务质量的电力客服*** | |
CN117891631A (zh) | 运维故障根因分析方法、装置、电子设备、存储介质 | |
CN113590772A (zh) | 异常评分的检测方法、装置、设备及计算机可读存储介质 | |
CN116828109A (zh) | 一种电话客服服务质量智能评估方法及*** | |
CN110582091B (zh) | 定位无线质量问题的方法和装置 | |
CN116611813A (zh) | 一种基于知识图谱的智能运维管理方法及*** | |
CN114429140A (zh) | 一种基于相关图信息进行因果推断的案由认定方法及*** |
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 |