[發明專利]基于圖神經網絡的錯因分析方法

有效

• 申請號: 202010832565.1
• 申請日: 2020-08-18
• 公開（公告）號: CN112016603B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 崔煒
• 申請（專利權）人: 上海松鼠課堂人工智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于圖神經網絡的錯因分析方法，其特征在于，其包括如下步驟：

步驟S1，收集不同類型的可解釋錯因信息，以此生成預設可解釋錯因信息集合，并根據所述預設可解釋錯因信息集合生成相應的預設錯因解決方法集合；

步驟S2，根據所述預設可解釋錯因信息集合，生成相應的錯因圖神經網絡模型；

步驟S3，對當前錯因信息進行預處理，并通過所述錯因圖神經網絡模型確定經過所述預處理后的所述當前錯因信息與所述預設可解釋錯因信息集合中包含的所有可解釋錯因信息之間的相關高低程度；

步驟S4，根據所述相關高低程度的確定結果，確定與所述當前錯因信息最匹配的一個可解釋錯因信息，再根據所述最匹配的一個可解釋錯因信息，從所述預設錯因解釋方法集合中尋找對應的預設錯因解決方法；其中，在所述步驟S1中，收集不同類型的可解釋錯因信息，以此生成預設可解釋錯因信息集合具體包括，

步驟S101A，對不同類型的可解釋錯因信息進行收集，并統計收集得到每一個可解釋錯因信息自身的信息字符長度；

步驟S102A，根據每一個可解釋錯因信息自身的信息字符長度，對每一個可解釋錯因信息進行標記，以此生成關于每一個可解釋錯因信息對應的預設錯因標簽，并對每一個預設錯因標簽進行編號；

步驟S103A，根據所有預設錯因標簽及其對應的編號，將所有可解釋錯因信息集成為所述預設可解釋錯因信息集合；

其中，在所述步驟S102A中，根據每一個可解釋錯因信息自身的信息字符長度，對每一個可解釋錯因信息進行標記，以此生成關于每一個可解釋錯因信息對應的預設錯因標簽，并對每一個預設錯因標簽進行編號具體包括，

步驟S1021A，按照可解釋錯因信息自身的信息字符長度由大到小的順序，對所有可解釋錯因信息進行排列；

步驟S1022A，對排列后的每一個可解釋錯因信息進行標記，以此生成關于每一個可解釋錯因信息對應的預設錯因標簽，并生成相應的預設錯因標簽序列；

步驟S1023A，對所述預設錯因標簽序列中的每一個預設錯因標簽依次進行由小到大的編號；

或者，

在所述步驟S103A中，根據所有預設錯因標簽及其對應的編號，將所有可解釋錯因信息集成為所述預設可解釋錯因信息集合具體包括，

將所述預設錯因標簽及其對應的編號作為所述預設可解釋錯因信息的索引代碼，再根據所述索引代碼，將所有可解釋錯因信息集成為所述預設可解釋錯因信息集合；

其中，在所述步驟S1中，根據所述預設可解釋錯因信息集合生成相應的預設錯因解決方法集合具體包括，

步驟S101B，對所述預設可解釋錯因信息集合進行錯因類型的識別處理，并根據識別得到的錯因類型，確定每一個所述預設可解釋錯因信息對應的預設錯因解決方法；

步驟S102B，將每一個所述預設可解釋錯因信息對應的預設錯因標簽相關添加到其對應的預設錯因解決方法中，從而將經過標簽相關添加后的所有預設錯因解決方法組成所述錯因解決方法集合。

2.如權利要求1所述的基于圖神經網絡的錯因分析方法，其特征在于：

在所述步驟S2中，根據所述預設可解釋錯因信息集合，生成相應的錯因圖神經網絡模型具體包括，

步驟S201，通過自動編碼器的模型對所述預設可解釋錯因信息集合中所有預設可解釋錯因信息對應的編號進行自動編碼轉換處理，并根據所述自動編碼轉換處理的結果，生成所述錯因圖神經網絡模型；

步驟S202，通過所述錯因圖神經網絡模型將所述預設可解釋錯因信息集合中所有預設可解釋錯因信息對應的預設錯因標簽轉換為預設錯因標簽特征碼。