CN117251581A - 一种基于文本分析的设备故障信息诊断方法 - Google Patents
一种基于文本分析的设备故障信息诊断方法 Download PDFInfo
- Publication number
- CN117251581A CN117251581A CN202311273106.4A CN202311273106A CN117251581A CN 117251581 A CN117251581 A CN 117251581A CN 202311273106 A CN202311273106 A CN 202311273106A CN 117251581 A CN117251581 A CN 117251581A
- Authority
- CN
- China
- Prior art keywords
- fault
- text
- data
- model
- training
- 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 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012423 maintenance Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种基于文本分析的设备故障信息诊断方法,属于设备故障诊断技术领域,包括以下步骤:获取故障维护文本:获取故障文本数据并对文本数据进行预处理;故障文本分类:对获取的故障文本数据进行训练得到对应故障成因以及故障对应的专业类别;实体关系解析:将历史故障记录的故障描述与维护建议作为实验数据进行联合提取;故障查询文本转换:获得三元组后通过数据库提供查询接口;设备故障处理知识图谱:将三元组信息导入知识图谱中,进行可视化展示;文本生成:训练数据集执行文本生成任务;将结果存入数据库。本发明通过快速依据设备故障描述分类故障类型及专业类别,提高了设备维护的准确率和效率,同时实现高效的提取三元组。
Description
技术领域
本发明属于设备故障诊断技术领域,具体涉及一种基于文本分析的设备故障信息诊断方法。
背景技术
现有的基于文本分析的设备故障诊断技术中,大多仍停留在实现该功能点的基础上,对准确度的要求并不高。但是对于各种设备尤其是一些较为昂贵的机械设备而言,错误的维修诊断可能会为企业带来不可估量的损失;其次,现有技术目前只聚焦于设备的故障描述与对应解决方案之间的映射,即注重实体与关系的提取,然后将故障之间的关系用知识图谱的方式表达出来,但是在让计算机生成故障维护建议方面的研究却不够充分,只是提取出了关系,却没有生成维护建议,对于新手的理解和上手方面也增加了时间成本;同时,在该领域中主流的实体关系提取是分别提取实体和关系,将二者联合提取成三元组“实体-关系-实体”或者“实体-关系-属性”的形式在实际应用中还未广泛应用,而实体关系联合提取的效率要高于将二者分开提取,在面对大量的故障文本记录数据时,分开提取的时间成本和复杂度的劣势较为明显。
因此,亟需提供一种基于文本分析的设备故障信息诊断方法,快速依据设备故障描述分类故障类型及专业类别,提高设备维护准确率和效率,同时实现高效的提取三元组。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种基于文本分析的设备故障信息诊断方法,通过快速依据设备故障描述分类故障类型及专业类别,提高了设备维护的准确率和效率,同时实现高效的提取三元组。
本发明的目的可以通过以下技术方案实现:
一种基于文本分析的设备故障信息诊断方法,包括以下步骤:
S1、获取故障维护文本:获取故障文本数据,判断文本数据是否为结构化数据,若不是则对文本数据进行预处理;
S2、故障文本分类:通过对获取的故障文本数据进行训练得到对应故障成因以及故障对应的专业类别;
S3、实体关系解析:将历史故障记录的故障描述与维护建议作为实验数据,通过CASREL模型进行联合提取;
S4、故障查询文本转换:获得三元组后,通过Neo4j数据库提供查询接口;
S5、设备故障处理知识图谱:将三元组信息导入知识图谱中,进行可视化展示,并通过数据库查询得到故障诊断流程中的所需结果;
S6、文本生成:在步骤S2的基础上,训练数据集执行文本生成任务,得到故障的维护建议;
S7、结果返回:将步骤S5和S6的结果存入数据库,每次将新的诊断记录存储到数据库中作为新的历史数据加入训练模型。
进一步地,所述步骤S1中,故障文本数据包括已处理好的数据集、经过训练后产生的新数据以及待处理的历史数据。
进一步地,所述步骤S1中,获取故障维护文本包括以下步骤:
S11、数据清洗:根据数据特征选择Python中的正则表达式对文本数据进行干扰信息删除;
S12、分类标签制作:根据历史故障记录以及行业专业人士判别,将设备故障涉及的专业类别分为10类,故障成因分为13类,通过人工标注的方式制作标签数据集;
S13、数据集拆分:根据训练任务,将标注好的数据集分为子数据集,并按照训练集、验证集、测试集8:1:1的比例构成分类实验数据集;其中子数据集包括:
数据集一:专业类别——故障描述;
数据集二:故障成因——故障描述;
数据集三:故障描述——维护方法。
进一步地,所述步骤S2中,故障文本分类包括以下步骤:
S21、模型下载和导入:获取实验对应的版本模型,在模型的数据读取环节写入数据集目录;
S22、分类模型的训练:
载入数据集一,将得到的训练集类别标签和文本内容设置键值,选择模型,模型名称“ernie”,任务“seq-cls”,类别数选择数据预处理阶段统计的类别数,将得到的初始预训练模型通过实例化模型,完成数据的切分和编码;
数据集二采用与数据集一相同的训练步骤;
S23、模型效果对比与评估:将准确率作为评估模型的指标。
进一步地,所述步骤S23中,准确率Accuracy的计算公式为:
式中,TP为真正例,TN为真负例,FP为假正例,FN为假负例。
进一步地,所述步骤S3中,实体关系解析包括以下步骤:
S31、编码端编码:基于BERT的编码层获取上下文语义信息对字/词进行表征,得到一个输出结果作为解码器的输入;
S32、解码端头实体层识别:对编码层的结果进行解码,识别所有可能的头实体,并识别出实体的开始和结束位置,利用最近匹配原则将识别到的start和end配对获得候选头实体集合;
S33、解码端关系与尾实体联合识别:通过编码端的输出结合头实体的特征进行关系和尾实体的联合识别。
进一步地,所述步骤S6中,文本生成包括以下步骤:
S61、数据预处理:使用数据集三作为训练数据集,根据ERNIE-GEN模型的输入格式对数据集三进行微调;
S62、模型的导入与训练:采用“ernie-1.0”进行热启动,并构造模型需要的Attention Mask矩阵进行位置偏移。
进一步地,所述步骤S62中,模型的导入与训练还包括创建优化器,设置学习率先升后降,将优化后的模型采用beam search进行解码。
本发明的有益效果为:
本发明通过利用ERNIE模型,快速依据设备故障描述分类故障类型及专业类别,提高设备维护准确率。同时利用深度学习算法,通过ERNIE-GEN模型,让计算机依据故障描述自动生成对应的维护建议,提高设备维护效率。本发明面对海量的文本数据时,通过CASREL算法,改进在实际设备维护中算法的复杂度,更为高效的提取三元组。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明设备故障信息诊断方法的步骤示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
请参阅图1,一种基于文本分析的设备故障信息诊断方法,包括以下步骤:
S1、获取故障维护文本:获取故障文本数据,判断文本数据是否为结构化数据,若不是则对文本数据进行预处理;
需说明的是,故障文本数据包括已处理好的数据集、经过训练后产生的新数据以及待处理的历史数据,待处理的历史数据即非结构化数据。
其中,文本数据预处理包括以下步骤:
S11、数据清洗:根据数据特征选择Python中的正则表达式(“re”模块)对文本数据进行干扰信息删除。
可理解的是,原始的语料库中通常包含许多干扰信息,如特殊字符、乱码、无语义的语气词等。数据清洗将语料中无关内容清除并保留下有价值信息,数据清洗对于后续消除噪声和提高分类精度是至关重要的。
S12、分类标签制作:根据过往故障的记录以及由行业专业人士判别,将设备故障涉及的专业类别分为10类,故障成因分为13类,通过人工标注的方式制作标签数据集。
S13、数据集拆分:根据训练任务的不同,将标注好的数据集分为子数据集,并按照训练集、验证集、测试集8:1:1的比例构成最终的分类实验数据集。其中子数据集包括:
数据集一:专业类别——故障描述;
数据集二:故障成因——故障描述;
数据集三:故障描述——维护方法。
需说明的是,BERT的Transformer结构凭借其强大的特征提取能力,使得中文分词不再成为必要流程,BERT和ERNIE在进行特征学习时均是以单个字符Token作为基本单位输入分类模型中的,词级别的语义特征可以纳入特征内部进行学习。ERNIE本身保持基于字特征嵌入,使得模型在应用时不需要依赖其他信息,其泛化性和扩展性更强。相较于词特征嵌入,字特征可以学习到字的组合语义。因此本方法省略了中文分词的操作,使得数据处理阶段更为简单高效。
S2、故障文本分类:通过对获取的故障文本数据进行训练得到对应故障成因以及故障对应的专业类别。如:故障描述“脱硫废水泵远方无法操作”,预测的故障成因是“失灵”,预测的故障对应专业是“脱硫专业”;
所述故障文本分类包括以下步骤:
S21、模型下载和导入:获取实验对应的版本模型,在模型的数据读取环节写入数据集目录。
本方法所涉及的实验环境、模型及版本如表1所示:
表1
模型 | 版本 |
cuda | 11.0 |
cudnn | 8.0.2.39 |
python | 3.7.12 |
paddlepaddle-gpu | 2.0.2 |
ERNIE | 2.0.2 |
paddlehub | 2.0.0rc0 |
paddlenlp | 2.0.0b4 |
可理解的是,模型下载和导入首先在官网下载对应版本的模型,该实验在Windows操作***下进行构建,在下载paddle框架前,请确保电脑上已经安装对应版本的cuda、cudnn、以及pythin环境。由于paddle框架是开源框架,因此可以直接在其官网上下载对应回框架和模型。
数据的导入首先找到数据集所在目录,最好和项目放在同一个工程文件中,然后在模型的数据读取环节写入数据集目录,这样便可将数据导入模型中。
S22、分类模型的训练:
载入数据集一,得到的训练集为两列:第一列是类别标签,第二列是文本内容,为满足模型的输入格式,分别对两列数据设置键值:“labels”、“tokens”,中间以Tab键分割。
选择模型并进行微调,模型参数选择:模型名称“ernie”,任务“seq-cls”,类别数选择数据预处理阶段统计的类别数,将得到一个初始预训练模型通过实例化模型,完成数据的切分和编码。
数据集二也按照同样的步骤训练。模型训练参数设置如表2所示:
表2
参数 | 数值 |
Learningrate | 5e-5 |
Epoch | 30 |
Batchsize | 128 |
Maxsequencelength | 128 |
S23、模型效果对比与评估:将准确率作为评估模型的指标,计算公式为:
式中,TP为真正例,TN为真负例,FP为假正例,FN为假负例。
需说明的是,模型的优劣一般是通过消融实验进行比较,在一般的应用中,准确率可以作为评估模型好坏的一个指标。准确率是一个用于评估分类模型的指标。通俗来说,准确率是指我们的模型预测正确的结果所占的比例。上述计算公式在二元分类中,根据正类别与负类别得出。
本方法在同等参数下相较于中文BERT模型,在专业类别和故障成因两个分类任务中准确率方面从92.75%提升到96.39%,该对比实验表现出了ERNIE模型在该分类任务中的优越性,在设备故障分类中准确率的进一步提升,为之后的其他下游任务提供了更为可靠的预测结果,进一步缩小了在故障诊断中的误判率。
S3、实体关系解析:根据过往故障记录的故障描述与维护建议作为实验数据,通过CASREL模型进行联合提取。具体包括以下步骤:
S31、编码端编码:基于BERT的编码层获取上下文语义信息对字/词进行表征,得到一个输出结果作为解码器的输入;
S32、解码端头实体层识别:对编码层的结果进行解码,识别所有可能的头实体,并识别出实体的开始和结束位置,利用最近匹配原则将识别到的start和end配对获得候选头实体集合;
S33、解码端关系与尾实体联合识别:通过编码端的输出结合头实体的特征进行关系和尾实体的联合识别。
需说明的是,CASREL(Context-aware and Structure-aware RelationExtraction Model)作为一个关系抽取任务的模型,旨在从文本中识别实体之间的关系,并推断它们之间的语义联系。其核心思想是将实体和其上下文作为输入,通过建模上下文信息、语法结构和实体之间的相对位置关系,来预测实体之间的关系标签。CASREL模型使用上下文和结构信息来帮助更准确地抽取实体之间的关系。CASREL使用Transformer编码器来学习实体对的上下文表示。在关系分类阶段,它不仅考虑实体对之间的关系,还将上下文信息纳入考量。
具体而言,CASREL利用自注意力机制(Self-Attention)来建模实体对内部和实体对之间的关系。为了克服标注数据不足的问题,CASREL采用自我监督学习的方法进行预训练。它通过创建虚拟的关系标签(positive relation和negative relation)来生成伪造的训练样本。然后,通过最大化正样本的相似度和最小化负样本的相似度来优化模型。在关系分类阶段,CASREL将实体对的表示与其所在句子的上下文表示相融合,以捕捉更准确的语义关系。
在不同类型的三元组的对比下,CasRel在数据集三上相对稳定的表现说明了在多种类型的三元组的复杂场景下,其框架的有效性,在面对海量数据时,提取的效率要优于单独提取。
可理解的是,实体关系解析可以得到故障三元组展示出某故障设备出现故障的原因是因为破损,如:“故障设备名——因果关系——破损”。实体关系解析更注重故障描述中故障的表现和解决方法之间的关系,并可将关系可视化展示,更有助于检修人员的学习和理解。
S4、故障查询文本转换:通过上述方法得到的三元组后,通过Neo4j数据库提供查询接口。
S5、设备故障处理知识图谱:由步骤S4所得三元组信息导入知识图谱中,进行可视化展示,并通过数据库查询得到故障诊断流程中的所需结果。
需说明的是,本实施例采用知识图谱的方式直观的展示整个故障诊断中相关故障文本数据之间的关系。知识图谱的可视化采用的是Neo4j图数据库,它是一个开源的NoSQL图形数据库,提供原生的图数据存储、检索和处理;采用属性图模型(Property graphmodel),极大的完善和丰富图数据模型。
在本实施例中通过上述流程中涉及的实体关系联合提取任务所得的三元组信息,通过映射对应知识图谱中的“实体-关系-实体”或“实体-关系-属性”的结构,链接到Neo4j数据库中,实现可视化展示以及故障诊断流程的检索,通过输入故障描述,即可得到该描述对应的故障成因、故障对应的专业类别、对应的维护建议。还提供实时的更新功能,在发生新故障时,将维修处理的记录和结果重新录入故障设备维护记录中作为历史维护记录重新训练预测模型,提高准确率。
S6、文本生成:在步骤S2的基础上,训练数据集执行文本生成任务,得到故障的维护建议。具体包括以下步骤:
S61、数据预处理:使用数据集三作为训练数据集,因为本方法涉及的当前任务是映射式数据集,所以需要根据ERNIE-GEN模型的输入格式对数据集三进行微调,该模型的输入类似BERT的输入格式,需要准备切词等操作。
S62、模型的导入与训练:该任务采用“ernie-1.0”进行热启动,并构造模型需要的Attention Mask矩阵进行位置偏移。创建优化器,设置学习率先升后降,使得模型可以更好的收敛。将优化后的模型进行解码,本方法采用beam search(集束搜索)的方法进行解码。
需说明的是,通过测试所得结果与实际故障记录对比,预测效果和准确率较高。ERNIE-GEN(增强型多流预训练和微调框架),该框架通过填充生成机制和噪声感知生成方法弥补了训练和推理之间的差异。为了使生成更接近人类的写作模式,这个框架引入了一个逐个跨度的生成流程,训练模型连续预测语义完整的跨度,而不是逐个单词预测。与现有的预训练方法不同,ERNIE-GEN结合了多粒度目标采样来构建预训练数据,这增强了编码器和解码器之间的关联性。ERNIE-GEN建立在填充生成机制的基础上,采用“多流注意力”体系结构,以并行方式在逐字生成和逐块生成任务上训练模型。
S7、结果返回:将步骤S5和S6的结果存入数据库,每次将新的诊断记录存储到数据库中作为新的历史数据加入训练模型,使得模型更加准确,且具有时效性。
本发明通过利用ERNIE模型,快速依据设备故障描述分类故障类型及专业类别,提高设备维护准确率。同时利用深度学习算法,通过ERNIE-GEN模型,让计算机依据故障描述自动生成对应的维护建议,提高设备维护效率。
本发明面对海量的文本数据时,通过CASREL算法,改进在实际设备维护中算法的复杂度,更为高效的提取三元组。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于文本分析的设备故障信息诊断方法,其特征在于:包括以下步骤:
S1、获取故障维护文本:获取故障文本数据,判断文本数据是否为结构化数据,若不是则对文本数据进行预处理;
S2、故障文本分类:通过对获取的故障文本数据进行训练得到对应故障成因以及故障对应的专业类别;
S3、实体关系解析:将历史故障记录的故障描述与维护建议作为实验数据,通过CASREL模型进行联合提取;
S4、故障查询文本转换:获得三元组后,通过Neo4j数据库提供查询接口;
S5、设备故障处理知识图谱:将三元组信息导入知识图谱中,进行可视化展示,并通过数据库查询得到故障诊断流程中的所需结果;
S6、文本生成:在步骤S2的基础上,训练数据集执行文本生成任务,得到故障的维护建议;
S7、结果返回:将步骤S5和S6的结果存入数据库,每次将新的诊断记录存储到数据库中作为新的历史数据加入训练模型。
2.根据权利要求1所述的一种基于文本分析的设备故障信息诊断方法,其特征在于:所述步骤S1中,故障文本数据包括已处理好的数据集、经过训练后产生的新数据以及待处理的历史数据。
3.根据权利要求2所述的一种基于文本分析的设备故障信息诊断方法,其特征在于:所述步骤S1中,获取故障维护文本包括以下步骤:
S11、数据清洗:根据数据特征选择Python中的正则表达式对文本数据进行干扰信息删除;
S12、分类标签制作:将设备故障涉及的专业类别分为10类,故障成因分为13类,通过人工标注的方式制作标签数据集;
S13、数据集拆分:根据训练任务,将标注好的数据集分为子数据集,并按照训练集、验证集、测试集为8:1:1的比例构成分类实验数据集;其中子数据集包括:
数据集一:专业类别——故障描述;
数据集二:故障成因——故障描述;
数据集三:故障描述——维护方法。
4.根据权利要求1所述的一种基于文本分析的设备故障信息诊断方法,其特征在于:所述步骤S2中,故障文本分类包括以下步骤:
S21、模型下载和导入:获取实验对应的版本模型,在模型的数据读取环节写入数据集目录;
S22、分类模型的训练:
载入数据集一,将得到的训练集类别标签和文本内容设置键值,选择模型,模型名称“ernie”,任务“seq-cls”,类别数选择数据预处理阶段统计的类别数,将得到的初始预训练模型通过实例化模型,完成数据的切分和编码;
数据集二采用与数据集一相同的训练步骤;
S23、模型效果对比与评估:将准确率作为评估模型的指标。
5.根据权利要求4所述的一种基于文本分析的设备故障信息诊断方法,其特征在于:所述步骤S23中,准确率Accuracy的计算公式为:
式中,TP为真正例,TN为真负例,FP为假正例,FN为假负例。
6.根据权利要求1所述的一种基于文本分析的设备故障信息诊断方法,其特征在于:所述步骤S3中,实体关系解析包括以下步骤:
S31、编码端编码:基于BERT的编码层获取上下文语义信息对字/词进行表征,得到一个输出结果作为解码器的输入;
S32、解码端头实体层识别:对编码层的结果进行解码,识别所有可能的头实体,并识别出实体的开始和结束位置,利用最近匹配原则将识别到的start和end配对获得候选头实体集合;
S33、解码端关系与尾实体联合识别:通过编码端的输出结合头实体的特征进行关系和尾实体的联合识别。
7.根据权利要求1所述的一种基于文本分析的设备故障信息诊断方法,其特征在于:所述步骤S6中,文本生成包括以下步骤:
S61、数据预处理:使用数据集三作为训练数据集,根据ERNIE-GEN模型的输入格式对数据集三进行微调;
S62、模型的导入与训练:采用“ernie-1.0”进行热启动,并构造模型需要的AttentionMask矩阵进行位置偏移。
8.根据权利要求7所述的一种基于文本分析的设备故障信息诊断方法,其特征在于:所述步骤S62中,模型的导入与训练还包括创建优化器,设置学习率先升后降,将优化后的模型采用beam search进行解码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273106.4A CN117251581A (zh) | 2023-09-28 | 2023-09-28 | 一种基于文本分析的设备故障信息诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311273106.4A CN117251581A (zh) | 2023-09-28 | 2023-09-28 | 一种基于文本分析的设备故障信息诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251581A true CN117251581A (zh) | 2023-12-19 |
Family
ID=89131074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311273106.4A Pending CN117251581A (zh) | 2023-09-28 | 2023-09-28 | 一种基于文本分析的设备故障信息诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251581A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666546A (zh) * | 2024-01-31 | 2024-03-08 | 中核武汉核电运行技术股份有限公司 | 一种分布式控制***故障诊断方法及装置 |
-
2023
- 2023-09-28 CN CN202311273106.4A patent/CN117251581A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666546A (zh) * | 2024-01-31 | 2024-03-08 | 中核武汉核电运行技术股份有限公司 | 一种分布式控制***故障诊断方法及装置 |
CN117666546B (zh) * | 2024-01-31 | 2024-05-03 | 中核武汉核电运行技术股份有限公司 | 一种分布式控制***故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019263758B2 (en) | Systems and methods for generating a contextually and conversationally correct response to a query | |
CN109034368B (zh) | 一种基于dnn的复杂设备多重故障诊断方法 | |
US11210590B2 (en) | Generating free text representing semantic relationships between linked entities in a knowledge graph | |
CN112131861B (zh) | 基于层次化多头交互注意力的对话状态生成方法 | |
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 | |
CN114722839B (zh) | 人机协同对话交互***及方法 | |
CN111553159B (zh) | 一种问句生成方法及*** | |
CN110334208B (zh) | 基于贝叶斯信念网络的lkj故障预测诊断方法和*** | |
US12032565B2 (en) | Systems and methods for advanced query generation | |
CN117251581A (zh) | 一种基于文本分析的设备故障信息诊断方法 | |
Shalaby et al. | Building chatbots from large scale domain-specific knowledge bases: Challenges and opportunities | |
US11157246B2 (en) | Code recommender for resolving a new issue received by an issue tracking system | |
CN114492460B (zh) | 基于衍生提示学习的事件因果关系抽取方法 | |
CN116340530A (zh) | 基于机械知识图谱的智能设计方法 | |
CN117235281A (zh) | 基于知识图谱技术的多元数据管理方法及*** | |
CN116431806A (zh) | 自然语言理解方法及冰箱 | |
CN115238045A (zh) | 一种生成式事件论元抽取方法、***及存储介质 | |
Hashana et al. | Deep Learning in ChatGPT-A Survey | |
Ríos-Vila et al. | Evaluating simultaneous recognition and encoding for optical music recognition | |
CN110909174B (zh) | 一种基于知识图谱的简单问答中实体链接的改进方法 | |
CN116975161A (zh) | 电力设备局放文本的实体关系联合抽取方法、设备、介质 | |
CN116342167A (zh) | 基于序列标注命名实体识别的智能成本度量方法和装置 | |
CN115293133A (zh) | 一种基于抽取文本因子增强的车险欺诈行为识别方法 | |
Kåhrström | Natural Language Processing for Swedish Nuclear Power Plants: A study of the challenges of applying Natural language processing in Operations and Maintenance and how BERT can be used in this industry | |
CN118364336A (zh) | 一种易投诉用户预测方法、***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 |