CN115858807A - 一种基于航空装备故障知识图谱的问答*** - Google Patents
一种基于航空装备故障知识图谱的问答*** Download PDFInfo
- Publication number
- CN115858807A CN115858807A CN202211523824.8A CN202211523824A CN115858807A CN 115858807 A CN115858807 A CN 115858807A CN 202211523824 A CN202211523824 A CN 202211523824A CN 115858807 A CN115858807 A CN 115858807A
- Authority
- CN
- China
- Prior art keywords
- fault
- knowledge
- question
- unit
- event
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于航空装备故障知识图谱的问答***,包括故障知识图谱模块和故障知识问答模块,所述故障知识图谱模块包括故障知识建模、故障知识抽取、故障知识图谱存储等模块,故障知识图谱模块面向故障诊断业务需求构建了知识图谱模式层,并从海量的、多源异构的故障文本资料中抽取故障知识构建故障知识图谱,存储到ArangoDB图数据库中。所述故障知识问答模块包括问句预处理模块、问句分析模块、图谱检索模块以及答案生成模块,故障知识问答模块处理分析用户提出的问题,匹配到相应的意图模板,映射成图查询语句,检索出相关故障知识图谱,生成问题答案并返回。
Description
技术领域
本发明属于知识图谱技术领域,具体涉及一种基于航空装备故障知识图谱的问答***。
背景技术
当前,航空装备维修一线仍然主要依赖于维修工程师的个人知识储备和经验积累实施故障诊断。但是由于飞机的复杂性,故障诊断是一种典型的知识密集型活动,维修工程师需要耗费大量时间翻阅相关文本资料,掌握相关***的功能结构、工作原理等知识,才能分析出可能的故障原因,然后再根据自身的理解采取观察、测量、串件等测试手段逐步定位到故障单元。该方式诊断效率低下,经常造成装备长期故障停机,严重制约装备完好率,是基层单位的一大痛点。实际上,通过信息管理措施,积累了规模十分庞大的故障文档资料库,包括装备维护保障教材、装备测试诊断记录、装备质量控制数据、装备维修保障记录、故障分析与研究报告等等。这些资源对于航空装备故障诊断来说是十分宝贵的知识源泉,但由于其具有多源异构、非结构化的特点,导致这些故障资料虽然形式上存储在一起,但实际上是相互割裂的“信息孤岛”,没有真正地实现知识共享,从而成为一种资源浪费。
知识图谱是谷歌于2012年提出来的一个概念,基本组成是<实体-关系-实体>三元组,实体表示为节点,关系表示为边,节点和边的相互连接形成规模庞大的语义网络。谷歌提出知识图谱的概念旨在从海量的网页信息中挖掘出实体和实体之间的关系,将网页上零碎的信息连接一个有机的语义网络,提高搜索引擎的智能能力,增强用户的搜索质量和体验。借助于知识图谱技术,可以从海量的、多源异构的、非结构化的故障文档数据中挖掘故障知识,整合成结构化的、相互联系的故障知识图谱,为故障知识共享和应用提供了途径。
传统知识图谱是以名词类实体为节点的语义网络,可以很好地描述装备的功能结构、信号参数等,但是对故障、检测等描述能力不足。
发明内容
针对上述存在的问题,本发明在传统知识图谱的技术上引入事件,构建故障知识图谱,并基于故障知识图谱提出一种基于航空装备故障知识图谱的问答***,以对故障、检测等进行更完备的描述。
实现本发明的技术解决方案为:
一种基于航空装备故障知识图谱的问答***,其特征在于,包括故障知识图谱模块和故障知识问答模块;所述故障知识图谱模块用于从故障文本资料中抽取故障知识并构建知识图谱,其包括故障知识建模单元、知识抽取单元、知识图谱存储单元和知识图谱人机交互单元;
所述故障知识问答模块包括问句预处理单元、问句分析单元、图谱检索单元、答案生成单元以及人机交互单元,用于处理用户输入的问句,并检索出相应的知识图谱,生成问题答案返回给用户。
进一步地,所述故障知识图谱模块包括故障知识建模单元、知识抽取单元、知识图谱存储单元、和人机交互单元;
故障知识建模单元,用于面向故障诊断业务需求构建知识图谱模式层;
知识抽取单元,用于从海量的海量的故障文档数据中抽取出与故障有关的实体、事件、属性以及其关系,并对故障知识进行融合;
知识图谱存储单元,采用ArangoDB图数据库存储抽取出来的结构化的故障知识;
知识图谱人机交互单元,用于将知识图谱通过可视化界面进行展示。
进一步地,所述故障知识建模单元构建知识图谱模式层包括以下步骤:
步骤1:确定故障诊断知识要素和范围;
步骤2:定义故障知识的核心概念、事件类型、关系模式和属性;
步骤3:根据标准对步骤2定义的故障知识概念进行规范化处理;
步骤4:对故障有关的实体类型、事件类型、关系模式和属性进行描述,构建故障知识模型。
进一步地,所述知识图谱模式层包括装备结构模型以及装备故障模型,且装备结构模型包括组成单元和信号参数名词类实体类型为核心的静态知识;装备故障模型为以故障案例、故障事件、检查方法和排除方法事件类实体类型为核心的动态知识;装备结构模型和装备故障模型通过事件的论元角色将事件类实体链接到名词类实体上进行融合。
进一步地,所述论元角色为事件论元在事件中充当的角色,所述事件论元指构成事件的所有参与者。
进一步地,所述知识抽取单元包括名词类实体识别子单元、事件类实体识别子单元以及关系抽取子单元;
名词类实体识别子单元,采用BERT-BiLSTM-CRF模型从故障文档中识别出与故障有关的组成单元、信号参数以及事件类实体中的触发词和论元;
事件类实体识别子单元,用于通过实体识别、事件确认和论元确认三个步骤识别出所有实体类型以及所有事件类型的触发词,事件类型、实体类型;
关系抽取子单元,用于通过基于规则的抽取方法获取两个故障事件之间的关系,并结合深度学习的方法对关系进行抽取。
进一步地,所述问句预处理单元,用于对输入的问句进行拼写纠错、分词、词性标注的预处理操作,获取基板粒度的问句信息;
所述问句分析单元,包括词槽提取单元和意图识别单元,用于对预处理后的问句进行词槽提取和意图识别,得到意图模板;
所述图谱检索单元,用于根据问句分析模块得到的意图模板从知识图谱模块中检索出相关的故障信息;
所述答案生成单元,用于将图谱检索模块得到的故障信息进行转换、组合、排序,最终返回问答结果集合;
所述人机交互单元,用于通过可视化界面与用户进行交互,将问答结果展示给用户。
进一步地,所述词槽提取单元用于从预处理后的问句中利用预定义的模板进行匹配,得到问句分析结果,并从分析结果中得到实体槽、模式槽、属性槽、条件槽的槽位信息;
意图识别单元用于将得到的所述槽位信息匹配到预定义的意图模板。
本发明与现有技术相比,具有以下有益效果:
第一,本发明基于航空装备故障知识图谱部署在航空装备大数据中心,通过从航空装备大数据中心获取故障现象、故障原因分析、故障排除经验等信息,从故障信息中自动抽取故障知识,便于在维修保障一线的维修工程师遇到未知的故障时,仅需将故障现象输入本***就能响应维修工程师的问题,辅助基层维修工程师迅速定位到故障单元。
第二,本发明将事件引入故障知识图谱的模式层,通过事件类型的论元角色将事件类型和实体类型进行关联融合,能够克服传统知识图谱只能构建以名词为核心节点的知识库这一缺点,从而可以更完备地描述故障、检测以及修理等动态性的知识;
第三,本发明设计了一种实体抽取和事件抽取相结合的故障知识抽取方法,可以提高故障事件、检查方法等事件类实体的抽取准确率和召回率,有利于提高故障知识图谱的质量。
附图说明
图1为故障事件与组成单元的关联图;
图2为本发明的故障知识图谱的模式层;
图3为BERT-BiLSTM-CRF模型的结构图;
图4为故障知识问答的架构图;
图5为故障知识图谱建模的过程图;
图6为本***的问题检索界面;
图7为本***的失效分析/失效归因展示界面。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
1、航空装备故障知识图谱构建
故障知识图谱的构建包括五个层次,即故障资料层、知识抽取层、知识图谱层及人机交互层。
故障资料层主要指装备全寿命周期类所积累的海量的、多源异构的、非结构化的故障文档数据,如装备维护保障教材、装备维修保障履历、故障分析与研究报告等等。知识抽取层主要指利用机器学习的方法从海量的非结构化故障文本资料中识别出与故障有关的实体、事件及其关系,并且对上述知识进行融合以构建结构化的、相互联系的故障知识图谱。知识图谱层指采用ArangoDB图数据库存储抽取出来的结构化故障知识。应用技术层指利用语义检索、知识推理、问题理解等技术,根据故障场景匹配到相似的故障案例,推理出可能的故障原因,并生成问题答案等。人机交互层指直接面向维修工程师的可视化界面,包括故障知识图谱的可视化展示和智能问答的交互界面等。
行业领域的知识图谱构建一般采用自上而下的构建方式,即首先面向领域应用需求设计一个模式层,定义图谱中可能存在的实体类型及关系类型等,该过程通常被称为知识建模。只有在模式层的约束指导下,才能从非结构化的文档资料中自动抽取知识并构建知识图谱。航空装备故障知识图谱是一种典型的行业领域知识图谱,所以采用自上而下的构建方式。因此,首先要面向智能辅助诊断的业务需求,进行故障知识建模,即构建故障知识图谱的模式层,即进行故障知识建模。由于故障知识模型是故障知识图谱的上层模式,它将决定故障知识图谱的形态,会直接影响故障图谱的质量以及在辅助诊断中的应用效果。因此故障知识模型的构建非常重要,是决定知识图谱技术能否成功应用到航空装备故障诊断领域的一个关键。
进一步地,故障知识建模采用一种“评价迭代法”来实现,依靠专家评价等措施,不断迭代完善故障知识模型,最终构建一个领域内专家共同认可的、面向故障诊断业务需求的故障知识模型。
所述故障知识图谱建模的具体过程包括:
①在故障知识模型构建之初,与领域内专家和装备保障人员共同探讨装备故障诊断领域所包含的知识要素,并分析这些知识的类型和特点;
②构建故障诊断领域的概念体系,定义故障知识的实体类型、事件类型、关系模式和属性;
③为了使故障知识标准化、规范化,收集、借鉴故障领域相关的国家标准、国家军用标准以及行业标准等对专业术语的定义,对故障知识模型中的相关概念进行规范化处理;
④对故障有关的实体类型、事件类型、关系模式和属性进行描述,构建故障知识模型;
⑤采用问卷调查的方式,收集领域专家、基层保障人员对故障知识模型的评价和改进意见;
⑥回到第②步,对故障知识模型进行修正和改进。通过多次迭代,最终构建一个领域内专家共同认可的、具有实用性的故障知识模型,用于指导和规范故障知识图谱的自动化构建。
为了能够更完备地描述故障和检查等知识,将事件类型引入知识图谱模式层。
(1)事件概念
事件是指特定环境下的状态变化,比如一个动作、一个活动或者所处状态都是事件。由于事件的定义比较抽象、模糊,不便于领域共同讨论和协作,因此自然语言处理领域规范了事件相关的概念,包括事件描述、事件类型、时间触发词、事件论元以及论元角色等。其内涵和相关举例如表1所示。
表1
(2)名词类实体与事件类实体的融合
以名词性实体为核心的传统知识图谱非常适合描述装备的***结构、信号参数等静态知识,而利用事件可以更好地描述故障、检测、维修等动态知识。为了将上述两类知识进行融合,本发明提出基于论元角色的“事件类实体—名词类实体”融合机制,即通过事件类型的论元角色将事件类实体链接到名词类实体上,先定义事件类型及其论元角色,再定义实体类型,最后将事件类型通过其论元角色与实体类型关联起来。例如定义了“故障事件”的事件类型,在该事件类型中定义了“故障位置”的论元角色,在装备结构知识模型中定义了“组成单元”这一实体类型,“故障事件”通过“故障位置”这一论元与“组成单元”关联起来,如图1所示。
(3)故障图谱的模式层
如附图2所示,所述故障知识图谱的模式层分为两个大的部分,一部分是装备结构模型,是以组成单元和信号参数等实体为核心的静态知识,一部分是装备故障模型,以故障案例、故障事件和检查方法等事件为核心的动态知识,这两部分只是模型通过论元角色进行融合;
模式层中的实体类型包括“组成单元”和“信号参数”。其中“组成单元”指属于***某一特定级别(如子***、组件、部件、零件等)的一个实体元素,一个单元可以由若干子单元组成,也可以是更大单元的子单元。“信号参数”指可以被测量到的参数,有很多故障可能表征为信号的异常。模式层中所有的事件类型及关系类型的定义分别如表2和表3所示。值得注意的是,该模式并未区分故障现象、故障模式、故障原因,而是将它们统一定义为“故障事件”。这是因为在非结构化的文本中,这三类事件的表述方式非常相似,例如故障现象“右发慢车转速过高”和故障原因“右发FRV无法打开”。因此,机器学习无法基于上下文语境特征分辨出这三者。此外,在故障诊断中区分这三者意义不大,因为故障事件A和故障事件B之间如果存在“引起”的关系,就可以断定故障事件A是故障事件B的原因了。而且有时故障会形成一条传播链,A故障可能是B故障的原因,B故障又可能是C故障的原因,此时需要沿着故障因果链按图索骥找到故障所在的单元。如果定义“故障原因”为一种事件类型,则无法对故障传播链进行描述。综上,定义了“故障事件”及指向本身的“引起”关系。
表2
表3
(4)故障知识抽取
故障知识图谱构建的关键在于故障知识抽取,包括实体及其关系的识别。基本的方法主要包括两类:基于启发式规则的方法和基于深度学习的方法。基于启发式规则的方法,需要足够的先验知识,以设计合理的提取规则,但是抽取的准确率非常高。基于深度学习的方法,拥有处理海量数据的能力,可以在少量或者没有先验知识的情况下,自动地从未标记的文本数据中提取特征,刻画文本数据的丰富内在信息,无需对这些特征进行特别的设计,能够避免人为设计特征造成的不完备性。为了充分利用这两种方法的优势,综合采用了以深度学习为主、启发规则为辅的故障抽取方法,即对于大部分非结构化故障文档采用深度学习方法进行抽取,而对于具有一定结构特性的半结构化数据、表格或者规范文档等采用启发式规则进行抽取;
(4.1)名词类实体识别
名词类实体识别的目标是从故障文档中准确的识别出与故障有关的组成单元、信号参数以及事件类实体中的触发词和论元等。实体识别可以转换成句子序列标注的问题,标注方法采用BIOE集,B(Begin)表示实体开始,I(Inside)表示实体中间,O(Other)表示非实体的其他部分,E(End)表示实体结束。B-、I-、O-、E-后的字母表示实体类型。例如实体类型“组成单元”用字母U(Unit)表示,B-U、I-U、E-U则分别表示“组成单元”的开始、中间和结束。为了实现上述目标,采用了经典的BERT-BiLSTM-CRF模型,如图3所示。该模型的第一层是BERT层,它是一个语言预训练模型,负责将文字转换为向量形式。模型的第二层是双向长短期记忆神经网络(BiLSTM),BiLSTM能够很好反映过去和未来的内容对当前内容的影响,用于提取句子这类跟上下文存在联系的序列特征具有优势。模型的最后一层是条件随机场(CRF)算法,用于解码和标注。
为了提高实体识别的准确率,对数据进行做归一化处理,将所有的数字都修改为n,汉字数字修改为N,因为这些数字一般和要抽取的东西没有语义上的相关,把这些都统一之后,上下文中无用的语义信息就少了。
(4.2)事件类实体抽取
事件类实体相对于名词类实体,边界更加模糊,长度变化更大,词字构成更加复杂。以故障模式为例,可能表述为“XX零部件+异常状态”(如“VBV活门卡滞”)、“XX信号+异常状态”(如“滑油温度超限”)、“XX部件+XX信号+异常状态”(如“电磁阀驱动电流畸变”)等。直接采用BERT-BILSTM-CRF等名词类实体的识别方法,很难准确将上述事件识别出来。因此对于此类事件的抽取,我们采取了深度学习和启发规则相结合的抽取方法,将抽取过程分为实体识别、事件确认和论元确认三个步骤。
步骤一,利用名词类实体识别技术,识别出故障知识模型中预定义的所有名词类实体类型以及所有事件类型的触发词。例如句子“告警***持续反映下降阶段右发转速过高”,识别出“组成单元”有“告警***”和“右发”,信号参数有“转速”,故障事件的触发词有“过高”。步骤二,确认句子中是否存在触发词所对应的事件类型。以上面的句子为例,识别出了故障事件的触发词“过高”,但仅凭该触发词无法断定该句是否包含一个故障事件,还需要结合组成单元、信号参数等实体信息进一步确认。如果存在组成单元、信号参数等实体和触发词连续出现的情况,那么就确定该句包含一个故障事件。否则,将实体识别得到的信息向量化,通过Conditional Layer Normalization(CLN)层融合到句子序列向量,再通过文本卷积的方法提取句子层次的特征向量,实现事件确认二分类,得到事件确认结果。步骤三,确认名词类实体是否是事件预定义的论元角色。如果存在组成单元、信号参数等实体和触发词连续出现的情况,则直接将组成单元、信号参数和触发词进行拼接,作为一个故障事件。否则,将句子、事件类型、实体、实体类型以及实体离触发词的相对位置进行向量化,并拼接成一个长向量,然后通过全连接层提取较短的特征向量,实现论元确认二分类,从而抽取事件中的论元。
(4.3)关系抽取
关系抽取采用了基于规则和基于模型相结合的方式。基于规则的抽取方法主要基于我们对故障数据及故障知识逻辑的理解,人工编写一些规则、正则表达式及模板等进行抽取。例如在装备技术文档中,依托于各组成单元的目录关系直接抽取出故障组成单元之间的组成关系;再如同一个句子中两个故障事件之间存在“导致”、“造成”、“引起”词,就可以认定两个故障事件之间存在因果关系。通过这种简单的规则,可以准确地抽取到非常多的关系,简单有效。
除了启发规则的方法外,还采用了深度学习的方法对关系进行抽取。该方法将关系抽取转换成二分类问题。首先找到包含实体对或者事件对的段落,并通过“BERT+BiLSTM+卷积+池化”提取每个句子的特征向量,然后再通过“卷积+池化”提取段落级别的特征向量,将包含实体对或者事件对的句子特征向量和段落特征句子进行拼接,作为预定义关系是否存在的分类模型输入。例如一个段落“…,告警***持续反映下降阶段右发转速过高,后对调油位传感器控制组件故障转移,…,其原因就是因为油位传感器控制组件故障,使得…”。这两个句子均包含一个故障事件,将这两个句子的特征向量和段落的特征向量进行拼接,然后经过分类模型确认这两者之间是否存在“引起”的因果关系。
2、基于航空装备故障知识图谱的故障问答***
如图4所示,本发明提出了一种基于航空装备故障知识图谱的问答***,其包括:航空装备大数据中心、知识图谱模块、问句预处理模块、问句分析模块、图谱检索模块以及答案生成模块,所述航空装备大数据中心用于汇聚基层维修工程师在线填写故障现象、故障原因分析、故障排除经验的信息;
知识图谱模块,用于从航空装备大数据中心的故障信息中抽取故障知识构建故障知识图谱;
问句预处理模块,用于对输入的问句进行拼写纠错、分词、词性标注的预处理操作,获取基板粒度的问句信息;
问句分析模块,包括词槽提取单元和意图识别单元,用于对预处理后的问句进行词槽提取和意图识别,得到意图模板;词槽提取基于问句预处理获取的词语、实体、短句等,利用模板进行精确或模糊匹配,从问题中分析相关槽位信息,包括实体槽、模式槽、属性槽、条件槽(总共)等。例如“振动传感器有几种故障模式?”,从该问句中可以提取出实体槽“振动传感器”,模式槽“故障模式”,条件槽“几种”;
图谱检索模块,用于根据问句分析模块得到的意图模板从知识图谱模块中检索出相关的故障信息;其通过规则启发和模板匹配将意图模板信息映射成AQL查询语句,并且连接ArangoDB,从数据库中检索出实体名称、关系名称、属性名称、属性值等。同时,也会通过实体检索到相关的故障文档;
答案生成模块,用于将图谱检索模块得到的故障信息进行转换、组合、排序,最终返回问答结果集合;其是基于答案模板对数据库中查询到的结果进行转换、组合,并对答案进行排序,返回答案集合及相关文档。
进一步地,所述词槽提取单元用于从预处理后的问句中利用模板进行匹配,得到问句分析结果,并从分析结果中得到实体槽、模式槽、属性槽、条件槽的槽位信息;
意图识别单元用于将得到的所述槽位信息匹配到预定义的意图模板;其采用了模板匹配和深度学习分类模型相结合的方法,模板匹配通过句法分析,将实体、模式、属性、条件等槽位信息匹配到预先定义的意图模板,当抽取的槽位信息无法直接与固定的意图模板进行匹配时,将采用深度学习判别模型,该方法将问句的意图识别当成句子分类问题,即利用BERT模型将句子向量化,然后分类到预定义的意图模板。
当故障知识图谱构建完成之后,实现一种基于航空装备故障知识图谱的问答***,基于人机交互界面能够针对用户提出的相关问题检索出相关故障知识图谱,生成问题答案并返回,也可引导用户逐步缩小故障范围进而准确定位到故障单元,该***的功能界面如图6-7所示。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明,对于本领域的技术人员来说,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,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于航空装备故障知识图谱的问答***,其特征在于,包括故障知识图谱模块和故障知识问答模块;所述故障知识图谱模块用于从故障文本资料中抽取故障知识并构建知识图谱,其包括故障知识建模单元、知识抽取单元、知识图谱存储单元和知识图谱人机交互单元;
所述故障知识问答模块包括问句预处理单元、问句分析单元、图谱检索单元、答案生成单元以及人机交互单元,用于处理用户输入的问句,并检索出相应的知识图谱,生成问题答案返回给用户。
2.根据权利要求1所述的一种基于航空装备故障知识图谱的问答***,其特征在于,所述故障知识图谱模块包括故障知识建模单元、知识抽取单元、知识图谱存储单元、和人机交互单元;
故障知识建模单元,用于面向故障诊断业务需求构建知识图谱模式层;
知识抽取单元,用于从海量的海量的故障文档数据中抽取出与故障有关的实体、事件、属性以及其关系,并对故障知识进行融合;
知识图谱存储单元,采用ArangoDB图数据库存储抽取出来的结构化的故障知识;
知识图谱人机交互单元,用于将知识图谱通过可视化界面进行展示。
3.根据权利要求2所述的一种基于航空装备故障知识图谱的问答***,其特征在于,所述故障知识建模单元构建知识图谱模式层包括以下步骤:
步骤1:确定故障诊断知识要素和范围;
步骤2:定义故障知识的核心概念、事件类型、关系模式和属性;
步骤3:根据标准对步骤2定义的故障知识概念进行规范化处理;
步骤4:对故障有关的实体类型、事件类型、关系模式和属性进行描述,构建故障知识模型。
4.根据权利要求3所述的一种基于航空装备故障知识图谱的问答***,其特征在于,所述知识图谱模式层包括装备结构模型以及装备故障模型,且装备结构模型包括组成单元和信号参数名词类实体类型为核心的静态知识;装备故障模型为以故障案例、故障事件、检查方法和排除方法事件类实体类型为核心的动态知识;装备结构模型和装备故障模型通过事件的论元角色将事件类实体链接到名词类实体上进行融合。
5.根据权利要求4所述的一种基于航空装备故障知识图谱的问答***,其特征在于,所述论元角色为事件论元在事件中充当的角色,所述事件论元指构成事件的所有参与者。
6.根据权利要求5所述的一种基于航空装备故障知识图谱的问答***,其特征在于,所述知识抽取单元包括名词类实体识别子单元、事件类实体识别子单元以及关系抽取子单元;
名词类实体识别子单元,采用BERT-BiLSTM-CRF模型从故障文档中识别出与故障有关的组成单元、信号参数以及事件类实体中的触发词和论元;
事件类实体识别子单元,用于通过实体识别、事件确认和论元确认三个步骤识别出所有实体类型以及所有事件类型的触发词,事件类型、实体类型;
关系抽取子单元,用于通过基于规则的抽取方法获取两个故障事件之间的关系,并结合深度学习的方法对关系进行抽取。
7.根据权利要求1所述的一种基于航空装备故障知识图谱的问答***,其特征在于,
所述问句预处理单元,用于对输入的问句进行拼写纠错、分词、词性标注的预处理操作,获取基板粒度的问句信息;
所述问句分析单元,包括词槽提取单元和意图识别单元,用于对预处理后的问句进行词槽提取和意图识别,得到意图模板;
所述图谱检索单元,用于根据问句分析模块得到的意图模板从知识图谱模块中检索出相关的故障信息;
所述答案生成单元,用于将图谱检索模块得到的故障信息进行转换、组合、排序,最终返回问答结果集合;
所述人机交互单元,用于通过可视化界面与用户进行交互,将问答结果展示给用户。
8.根据权利要求7所述的一种基于航空装备故障知识图谱的问答***,其特征在于,所述词槽提取单元用于从预处理后的问句中利用预定义的模板进行匹配,得到问句分析结果,并从分析结果中得到实体槽、模式槽、属性槽、条件槽的槽位信息;
意图识别单元用于将得到的所述槽位信息匹配到预定义的意图模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211523824.8A CN115858807A (zh) | 2022-11-30 | 2022-11-30 | 一种基于航空装备故障知识图谱的问答*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211523824.8A CN115858807A (zh) | 2022-11-30 | 2022-11-30 | 一种基于航空装备故障知识图谱的问答*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115858807A true CN115858807A (zh) | 2023-03-28 |
Family
ID=85668479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211523824.8A Pending CN115858807A (zh) | 2022-11-30 | 2022-11-30 | 一种基于航空装备故障知识图谱的问答*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115858807A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644192A (zh) * | 2023-05-30 | 2023-08-25 | 中国民用航空飞行学院 | 基于航空器部件可靠性的知识图谱构建方法 |
-
2022
- 2022-11-30 CN CN202211523824.8A patent/CN115858807A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644192A (zh) * | 2023-05-30 | 2023-08-25 | 中国民用航空飞行学院 | 基于航空器部件可靠性的知识图谱构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121829B (zh) | 面向软件缺陷的领域知识图谱自动化构建方法 | |
Velardi et al. | A taxonomy learning method and its application to characterize a scientific web community | |
Al-Hroob et al. | The use of artificial neural networks for extracting actions and actors from requirements document | |
Ansari | Cost-based text understanding to improve maintenance knowledge intelligence in manufacturing enterprises | |
CN113191148B (zh) | 一种基于半监督学习和聚类的轨道交通实体识别方法 | |
CN110765277B (zh) | 一种基于知识图谱的移动端的在线设备故障诊断方法 | |
Fantoni et al. | Text mining tool for translating terms of contract into technical specifications: Development and application in the railway sector | |
CN113806563A (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN114970508A (zh) | 基于数据多源融合的电力文本知识发现方法及设备 | |
Wang et al. | NLP-based query-answering system for information extraction from building information models | |
KR102421904B1 (ko) | 재난사고 원인분석의 고도화 방법 | |
Wang et al. | Neural related work summarization with a joint context-driven attention mechanism | |
Verma et al. | A novel approach for text summarization using optimal combination of sentence scoring methods | |
CN113919366A (zh) | 一种面向电力变压器知识问答的语义匹配方法和装置 | |
Sun | A natural language interface for querying graph databases | |
Li et al. | Neural factoid geospatial question answering | |
CN115858807A (zh) | 一种基于航空装备故障知识图谱的问答*** | |
CN113610626A (zh) | 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质 | |
Osman et al. | Generate use case from the requirements written in a natural language using machine learning | |
Xiao et al. | Information extraction from the web: System and techniques | |
Kanev et al. | Metagraph knowledge base and natural language processing pipeline for event extraction and time concept analysis | |
CN117094390A (zh) | 一种面向海洋工程领域的知识图谱构建及智能搜索方法 | |
CN116974799A (zh) | 一种基于知识图谱的照明***的故障诊断方法及*** | |
CN114091464B (zh) | 一种融合五维特征的高普适性多对多关系三元组抽取方法 | |
Kishimoto et al. | Improving crowdsourcing-based annotation of japanese discourse relations |
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 |