一种面向数控机床设备维护的知识图谱关系补全方法技术

本发明专利技术公开了一种面向数控机床设备维护的知识图谱关系补全方法，特点是构建知识图谱和候选关系文本并获取训练三元组集；通过路径排序算法枚举出每个训练三元组对应的所有完整关系路径；构建知识图谱补全模型；从候选关系文本中选择任意一个查询关系，并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中，将大于或等于设定的补全阈值的概率分数对应的查询关系和实体对组成三元组并补全进知识图谱中；优点是利用了知识图谱的知识推理能力，通过已有故障解决方案推理出新故障的解决方案，将数据整合到一起，有效消除了数据孤岛的问题，对不完整的知识图谱进行补全，填补了数控机床设备维护领域的图谱补全方法的空白。

【技术实现步骤摘要】
一种面向数控机床设备维护的知识图谱关系补全方法
本专利技术涉及数控机床设备维护领域，尤其是一种面向数控机床设备维护的知识图谱关系补全方法。
技术介绍
数控机床设备是生产活动的物质技术基础，保证设备健康持续地运行，减少风险和故障的发生，是每一个制造业企业能够正常运行的前提，但是随着经济全球化的发展，企业之间的竞争在不断地加大，设备也变得越来越机械化、自动化和智能化，与此同时，设备系统结构复杂性日益增加，设备的故障检测、诊断、预测和日常综合维护等工作难度也不断的加大，设备系统中任何一个部件出现故障，都将影响整个设备系统的正常运行。现有的数控机床设备维护技术采用一般检索方式，但由于数据分散、繁杂，采用一般检索方式得到的效果非常不理想；且各个数据之间其实是存在关联的，如设备和各个故障维修方法，两者是存在着紧密联系，而一般检索方式对于这些数据没有进行一定的关联，导致数据与数据之间关联性较差；另外一般检索方式都是依赖维护人员的经验知识以及维护文档，知识非常零散，当设备出现故障时，维护工作难以快速、有效的展开。
技术实现思路
本专利技术所要解决的技术问题是提供一种面向数控机床设备维护的知识图谱关系补全方法，不但提高了数据之间的关联性，得到了理想的效果，而且使得维护工作得以快速、有效的展开。本专利技术解决上述技术问题所采用的技术方案为：一种面向数控机床设备维护的知识图谱关系补全方法，包括以下步骤：①利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系，基于实体及不同实体间的关系构建知识图谱，从知识图谱中获取训练三元组集，每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系，基于不同实体间的关系构建候选关系文本，候选关系文本包括查询关系、伴随关系、原因关系；②通过路径排序算法在知识图谱中执行随机游走，枚举出每个训练三元组对应的所有完整关系路径，其中，枚举出任意一个训练三元组对应的所有完整关系路径的具体过程如下：②-1根据实体获取实体的类型，在知识图谱中，从该训练三元组中的源实体的类型开始通过随机游走方式一直到达目标实体的类型，同时记录从源实体的类型到目标实体的类型的关系和对应的中间实体，获得所有从源实体的类型到目标实体的类型之间关系组成的关系路径；②-2获取每条关系路径的随机游走概率，获取其中的最大概率值，并在随机游走概率大于最大概率值的80％的关系路径中添加对应的中间实体得到该训练三元组对应的所有完整关系路径，并将该训练三元组对应的完整关系路径的总数记为n；③构建知识图谱补全模型，包括依次连接的嵌入层、CNN层、BiGRU层、Attention层和输出层；④从候选关系文本中选择任意一个查询关系，并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中，得到查询关系和实体对之间的概率分数，具体过程如下：④-1将查询关系和对应的训练三元组的每条完整关系路径输入到嵌入层中，得到查询关系对应的关系向量和每条完整关系路径对应的路径序列；④-2将每条路径序列输入到CNN层中，经过卷积运算提取每条路径序列对应的特征向量，其中，经过卷积运算提取第i条路径序列对应的特征向量的具体过程如下：④-2-1采用一维卷积运算在第i条路径序列上依次滑动k个窗口大小为3的一维过滤器，其中，k表示一维过滤器的总数，k的取值范围为1≤k≤50，令Wa∈R3×d表示第a个窗口的大小为3、维数为d的一维过滤器，其中，1≤a≤k，Wa的移动步长为1，将由Wa得到的第i条路径序列的第j个窗口对应的特征记为cj，a，其中，b表示ReLU非线性激活函数的默认偏置项，f表示ReLU非线性激活函数，表示向下取整，L表示第i条路径序列的长度，1≤i≤n；④-2-2将由k个一维过滤器得到的第i条路径序列的第j个窗口对应的特征进行级联得到第i条路径序列的第j个窗口对应的特征向量cj＝[cj，1，cj，2，...，cj，a，...，ci，k]，其中cj∈Rd，d表示维度；将第i条路径序列对应的特征向量记为{c1，c2，...，cj，...，cL}；④-3将每条路径序列对应的特征向量输入到BiGRU层中，经过处理得到每条路径序列对应的嵌入向量，BiGRU层包括前向GRU单元和后向GRU单元，其中，经过处理得到第i条路径序列对应的嵌入向量的具体过程如下：④-3-1设置前向GRU单元和后向GRU单元的隐藏状态数量为④-3-2使用前向GRU单元和后向GRU单元对第i条路径序列对应的特征向量{c1，c2，...，cj，...，cL}进行处理，得到第i条路径序列对应的前向隐藏状态序列和第i条路径序列对应的后向隐藏状态序列其中，GRU(·)表示GRU函数，④-3-3将第i条路径序列对应的前向隐藏状态序列的最后一个隐藏状态和第i条路径序列对应的后向隐藏状态序列的第一个隐藏状态进行连接，得到第i条路径序列对应的嵌入向量mi，④-4将查询关系对应的关系向量和每条路径序列对应的嵌入向量输入到Attention层中，利用Attention机制获取查询关系和实体对之间的概率分数，其中，获取查询关系和实体对之间的概率分数的具体过程如下：④-4-1将查询关系对应的关系向量记为u，将u和第i条路径序列对应的嵌入向量mi的语义相似度记为αi，其中，exp表示指数函数，1≤g≤n，va∈Rd表示第一权重参数，T表示转置，tanh表示双曲正切函数，Wa∈Rd×2d表示第二权重参数，[mi；u]表示将mi和u拼接在一起；④-4-2将实体对记为(es，et)，将u和(es，et)的概率分数记为P(u|es，et)，P(u|es，et)＝sigmoid(Wp(o+u))，其中，sigmoid表示概率函数，Wp∈Rd表示可学习参数，④-5通过输出层输出查询关系和实体对之间的概率分数；⑤设定补全阈值，将大于或等于设定的补全阈值的概率分数对应的查询关系和实体对组成三元组并补全进知识图谱中。在所述的步骤④-1还包括：对于不同长度的路径序列，以最长长度的路径序列为基准，将长度短于最长长度的路径序列的路径序列通过添加零向量的方式进行填充，直至每条路径序列的长度相同。所述的va和Wa为keras开源人工神经网络库中Dense层的默认参数。所述的步骤⑤中所述的补全阈值的范围为0.7-0.9。与现有技术相比，本专利技术的优点在于利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系，基于实体及不同实体间的关系构建知识图谱，从知识图谱中获取训练三元组集，每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系，基于不同实体间的关系构建候选关系文本，候选关系文本包括查询关系、伴随关系、原因关系；通过路径排序算法在知识图谱中执行随机游走，枚举出每个训练三元组对应的所有完整关系路径本文档来自技高网...

【技术保护点】
1.一种面向数控机床设备维护的知识图谱关系补全方法，其特征在于包括以下步骤：/n①利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系，基于实体及不同实体间的关系构建知识图谱，从知识图谱中获取训练三元组集，每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系，基于不同实体间的关系构建候选关系文本，候选关系文本包括查询关系、伴随关系、原因关系；②通过路径排序算法在知识图谱中执行随机游走，枚举出每个训练三元组对应的所有完整关系路径，其中，枚举出任意一个训练三元组对应的所有完整关系路径的具体过程如下：/n②-1根据实体获取实体的类型，在知识图谱中，从该训练三元组中的源实体的类型开始通过随机游走方式一直到达目标实体的类型，同时记录从源实体的类型到目标实体的类型的关系和对应的中间实体，获得所有从源实体的类型到目标实体的类型之间关系组成的关系路径；/n②-2获取每条关系路径的随机游走概率，获取其中的最大概率值，并在随机游走概率大于最大概率值的80％的关系路径中添加对应的中间实体得到该训练三元组对应的所有完整关系路径，并将该训练三元组对应的完整关系路径的总数记为n；/n③构建知识图谱补全模型，包括依次连接的嵌入层、CNN层、BiGRU层、Attention层和输出层；/n④从候选关系文本中选择任意一个查询关系，并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中，得到查询关系和实体对之间的概率分数，具体过程如下：/n④-1将查询关系和对应的训练三元组的每条完整关系路径输入到嵌入层中，得到查询关系对应的关系向量和每条完整关系路径对应的路径序列；/n④-2将每条路径序列输入到CNN层中，经过卷积运算提取每条路径序列对应的特征向量，其中，经过卷积运算提取第i条路径序列对应的特征向量的具体过程如下：/n④-2-1采用一维卷积运算在第i条路径序列上依次滑动k个窗口大小为3的一维过滤器，其中，k表示一维过滤器的总数，k的取值范围为1≤k≤50，令W...

【技术特征摘要】
1.一种面向数控机床设备维护的知识图谱关系补全方法，其特征在于包括以下步骤：
①利用知识抽取手段对特定的多种数控机床设备维护案例手册进行实体的抽取及不同实体间的关系抽取得到实体及不同实体间的关系，基于实体及不同实体间的关系构建知识图谱，从知识图谱中获取训练三元组集，每个训练三元组包括一个源实体和该源实体对应的一个目标实体组成的实体对及该源实体与目标实体间的关系，基于不同实体间的关系构建候选关系文本，候选关系文本包括查询关系、伴随关系、原因关系；②通过路径排序算法在知识图谱中执行随机游走，枚举出每个训练三元组对应的所有完整关系路径，其中，枚举出任意一个训练三元组对应的所有完整关系路径的具体过程如下：
②-1根据实体获取实体的类型，在知识图谱中，从该训练三元组中的源实体的类型开始通过随机游走方式一直到达目标实体的类型，同时记录从源实体的类型到目标实体的类型的关系和对应的中间实体，获得所有从源实体的类型到目标实体的类型之间关系组成的关系路径；
②-2获取每条关系路径的随机游走概率，获取其中的最大概率值，并在随机游走概率大于最大概率值的80％的关系路径中添加对应的中间实体得到该训练三元组对应的所有完整关系路径，并将该训练三元组对应的完整关系路径的总数记为n；
③构建知识图谱补全模型，包括依次连接的嵌入层、CNN层、BiGRU层、Attention层和输出层；
④从候选关系文本中选择任意一个查询关系，并将查询关系和对应的训练三元组的所有完整关系路径输入到知识图谱补全模型中，得到查询关系和实体对之间的概率分数，具体过程如下：
④-1将查询关系和对应的训练三元组的每条完整关系路径输入到嵌入层中，得到查询关系对应的关系向量和每条完整关系路径对应的路径序列；
④-2将每条路径序列输入到CNN层中，经过卷积运算提取每条路径序列对应的特征向量，其中，经过卷积运算提取第i条路径序列对应的特征向量的具体过程如下：
④-2-1采用一维卷积运算在第i条路径序列上依次滑动k个窗口大小为3的一维过滤器，其中，k表示一维过滤器的总数，k的取值范围为1≤k≤50，令Wa∈R3×d表示第a个窗口的大小为3、维数为d的一维过滤器，其中，1≤a≤k，Wa的移动步长为1，将由Wa得到的第i条路径序列的第j个窗口对应的特征记为cj，a，其中，b表示ReLU非线性激活函数的默认偏置项，f表示ReLU非线性激活函数，表示向下取整，L表示第i条路径序列的长度，1≤i≤n；
④-2-2将由k个一维过滤器得到的第i条路径序列的第j个窗口对应的特征进行级联得到第i条路径序列的第j个窗口对应的特征向量cj＝[cj，1，cj，2，...，cj，a，...，cj，k]，其中cj...

【专利技术属性】
技术研发人员：贝毅君，周勇，王林鑫，赵晨，
申请(专利权)人：浙江大学软件学院宁波管理中心宁波软件教育中心，
类型：发明
国别省市：浙江;33