[發明專利]基于有限狀態機和圖神經網絡的故障定位方法

有效

• 申請號: 202010798687.3
• 申請日: 2020-08-11
• 公開（公告）號: CN111966076B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 程良倫;王德培;張偉文
• 申請（專利權）人: 廣東工業大學
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 李鵬

1.基于有限狀態機和圖神經網絡的故障定位方法，其特征在于：其包括將故障信息轉換為圖結構數據，并通過圖神經網絡模型對所述圖結構數據進行推理的過程，所述轉換通過有限狀態機模型實現；

其中，所述有限狀態機模型包括現態、條件和次態3個因素，以故障名稱為節點，故障原因為邊，其模型設置為：

M＝(Q，Reason，δ，q₀，F)，其中，Q＝{q₁，q₂，...q_n}表示有限狀態集合，q_n表示一個確定故障的狀態，Reason＝{r₁，r₂，...r_i}表示故障原因集合，r_i表示一個確定的故障原因，δ表示狀態轉移函數，q₀∈Q表示初始狀態，F∈Q表示最終狀態；

其還包括：當產生新的故障時，對所述有限狀態機模型進行更新，所述更新包括根據新的故障的名稱增加所述有限狀態機的節點，根據所述新的故障的原因增加所述有限狀態機的邊；所述新的故障來自實時故障信息采集，其判斷包括：將獲得的故障的名稱通過詞向量轉換模型進行詞向量轉換，計算其對應的詞向量與所述有限狀態機模型中已有節點的余弦相似度，當相似度小于0.4時，該故障為新的故障。

2.根據權利要求1所述的方法，其特征在于：當所述故障信息包括新的故障時，在通過所述轉換前，先對該故障信息進行預處理，所述預處理包括對所述故障信息通過命名實體識別模型進行命名實體識別和關系抽取，其中，所述命名實體為故障名稱，所述關系為故障原因。

3.根據權利要求2所述的方法，其特征在于：所述命名實體識別模型為通過訓練集訓練后的CRF++模型。

4.根據權利要求1所述的方法，其特征在于：所述圖神經網絡模型為圖卷積神經網絡模型，其通過隨機游走算法對所述圖結構數據進行采樣。

5.根據權利要求4所述的方法，其特征在于：所述圖卷積神經網絡模型包括2個圖卷積層，位于2個圖卷積層之間的1個隨機失活層，及位于第2個圖卷積層之后的softmax層。

6.根據權利要求1-5中任一項所述的方法，其特征在于：其中，模型的訓練通過以下過程進行：

獲得所述故障信息的文本數據集；

將所述文本數據集中的文本進行分詞和停用詞去除，得到其字典集；

通過所述字典集對所述詞向量轉換模型進行訓練；

另外將標注后的所述文本數據集切分為訓練集和測試集，通過所述字典集與所述訓練集對命名實體識別模型進行訓練，通過所述測試集對其進行測試；

另外將所述文本數據集通過所述有限狀態機模型轉換為圖結構數據，對所述圖神經網絡模型進行訓練；

其中，所述命名實體識別模型用于進行命名實體識別和關系抽取，具體采用CRF++模型，所述命名實體為故障名稱，所述關系為故障原因。

7.根據權利要求6所述的方法，其特征在于：所述詞向量轉換模型為CBOW模型。