[發(fā)明專利]基于深度學習的挖掘機故障知識圖譜的構建方法在審
| 申請?zhí)枺?/td> | 202110660314.4 | 申請日： | 2021-06-15 |
| 公開（公告）號： | CN113449072A | 公開（公告）日： | 2021-09-28 |
| 發(fā)明（設計）人： | 冒澤慧;卞嘉楠;馬亞杰;姜斌 | 申請（專利權）人： | 南京航空航天大學 |
| 主分類號： | G06F16/33 | 分類號： | G06F16/33;G06F16/35;G06F16/36;G06F40/295;G06K9/62;G06N3/04;G06N3/08;G06N5/02;G06Q10/00 |
| 代理公司： | 江蘇圣典律師事務所 32237 | 代理人： | 蘇一幟 |
| 地址： | 211106 江*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 深度 學習 挖掘機 故障 知識 圖譜 構建 方法 | ||
1.一種基于深度學習的挖掘機故障知識圖譜構建方法，其特征在于，包括：
接收客戶端上報的故障工單，從故障工單中提取實體文本并進行標注；
利用標注后的實體文本進行模型訓練；
構建RDF三元組并導入知識圖譜數(shù)據(jù)庫，其中，所構建的RDF三元組包括：頭實體、關系和尾實體；
針對當前待處理的挖掘機故障，利用所述知識圖譜數(shù)據(jù)庫針進行知識搜索，得到故障診斷結果。
2.根據(jù)權利要求1所述的方法，其特征在于，所述從故障工單中提取實體文本并進行標注，包括：
通過文字識別，從所述故障工單實體中提取表示故障描述、處理措施和處理結果的文本數(shù)據(jù)；
對所提取的文本數(shù)據(jù)進行預處理，獲取實體文本；
對實體文本按照類別進行標注。
3.根據(jù)權利要求2所述的方法，其特征在于，所述類別至少包括：零部件、故障詞、故障現(xiàn)象、故障原因、挖掘機類型、挖掘機型號和維修方法。
4.根據(jù)權利要求1所述的方法，其特征在于，還包括：
對標注后的實體文本進行分類，得到訓練集、驗證集和測試集，所述訓練集用于訓練卷積神經網絡模型，所述驗證集用于訓練循環(huán)神經網絡模型，所述測試集驗證模型的準確性。
5.根據(jù)權利要求4所述的方法，其特征在于，所述利用標注后的實體文本進行模型訓練，包括：
構建文本CNN網絡模型和文本RNN網絡模型，并按照優(yōu)化的目標設定損失函數(shù)；
對所構建的CNN網絡模型和文本RNN網絡模型進行迭代運算，直至損失函數(shù)穩(wěn)定，并得到網絡模型的參數(shù)結果；
通過測試集驗證所構建的CNN網絡模型和文本RNN網絡模型，在所得到的參數(shù)結果下的準確率。
6.根據(jù)權利要求1所述的方法，其特征在于，構建RDF三元組的過程中，包括：
從挖掘機現(xiàn)場作業(yè)時發(fā)生故障的文字描述中提取實體文本并進行標注后，輸入訓練好的CNN網絡模型和文本RNN網絡模型，得到實體文本所屬類型的預測結果：
其中，hw(xi)為樣本xi屬于各標簽的概率，wj是訓練好的網絡參數(shù)w的第j個分量值，i為正整數(shù)，p為xi所屬類別的概率，y為真實標簽，預測標簽
7.根據(jù)權利要求1或6所述的方法，其特征在于，所述構建RDF三元組并導入知識圖譜數(shù)據(jù)庫，包括：
根據(jù)預設規(guī)則，將十種不同的實體文本用十六種關系構建RDF三元組并存儲為csv文件；
通過py2neo庫搭建接口，將所得到的csv文件導入Neo4j知識圖譜數(shù)據(jù)庫。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京航空航天大學，未經南京航空航天大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110660314.4/1.html，轉載請聲明來源鉆瓜專利網。
