基于深度学习的挖掘机故障知识图谱的构建方法技术

本发明专利技术实施例公开了一种基于深度学习的挖掘机故障知识图谱构建方法，涉及挖掘机故障诊断领域，实时性好，适合进行在线故障诊断。本发明专利技术包括：接收客户端上报的故障工单，从故障工单中提取实体文本并进行标注；利用标注后的实体文本进行模型训练；构建RDF三元组并导入知识图谱数据库，其中，所构建的RDF三元组包括：头实体、关系和尾实体；针对当前待处理的挖掘机故障，利用所述知识图谱数据库针进行知识搜索，得到故障诊断结果。本发明专利技术适用于挖掘机故障在线诊断。故障在线诊断。故障在线诊断。

【技术实现步骤摘要】
基于深度学习的挖掘机故障知识图谱的构建方法


[0001]本专利技术涉及挖掘机故障诊断领域，尤其涉及一种基于深度学习的挖掘机故障知识图谱构建方法。

技术介绍

[0002]履带式挖掘机是民用建筑施工、水利工程、道路桥梁工程等基建工程中必不可少的工具。相比于轮式机械，履带式挖掘机在作业过程中面临的环境和振动情况会更加恶劣。长时间运行于恶劣环境中将会使履带式挖掘机容易发生故障，造成施工建设停滞，增加施工风险，严重影响施工进度，进而使相关企业的经济效益和施工人员的生命安全受到影响。因此，研究履带式挖掘机的故障诊断方法，减少故障诊断与维修时间，提高诊断的可靠性，对于保障挖掘机安全运行，促进安全管理工作的进行以及增加相关企业的经济效益具有至关重要的意义。
[0003]目前履带式挖掘机的故障诊断与维修大多依赖维修人员的技术水平和经验，并且从故障发生到维修人员到达作业现场诊断排除故障的间隔时间将会使施工停滞，上述现状会导致诊断准确率参差不齐，可靠性不高，效率低下等问题。另外，在大型机械故障诊断领域，目前的大部分研究所使用的方法实时性较差，不适合进行在线故障诊断。

技术实现思路

[0004]本专利技术的实施例提供一种基于深度学习的挖掘机故障知识图谱构建方法，实时性好，适合进行在线故障诊断。
[0005]为达到上述目的，本专利技术的实施例采用如下技术方案：
[0006]接收客户端上报的故障工单，从故障工单中提取实体文本并进行标注；利用标注后的实体文本进行模型训练；构建RDF三元组并导入知识图谱数据库，其中，所构建的RDF三元组包括：头实体、关系和尾实体；针对当前待处理的挖掘机故障，利用所述知识图谱数据库针进行知识搜索，得到故障诊断结果。
[0007]所述从故障工单中提取实体文本并进行标注，包括：通过文字识别，从所述故障工单实体中提取表示故障描述、处理措施和处理结果的文本数据；对所提取的文本数据进行预处理，获取实体文本；对实体文本按照类别进行标注。所述类别至少包括：零部件、故障词、故障现象、故障原因、挖掘机类型、挖掘机型号和维修方法。
[0008]对标注后的实体文本进行分类，得到训练集、验证集和测试集，所述训练集用于训练卷积神经网络模型，所述验证集用于训练循环神经网络模型，所述测试集验证模型的准确性。
[0009]所述利用标注后的实体文本进行模型训练，包括：构建文本CNN网络模型和文本RNN网络模型，并按照优化的目标设定损失函数；对所构建的CNN网络模型和文本RNN网络模型进行迭代运算，直至损失函数稳定，并得到网络模型的参数结果；通过测试集验证所构建的CNN网络模型和文本RNN网络模型，在所得到的参数结果下的准确率。
[0010]本专利技术实施例提供的基于深度学习的挖掘机故障知识图谱构建方法，从非结构化与半结构化挖掘机故障工单中抽取实体以及各类实体之间的关系；使用基于深度学习的神经网络模型对实体进行分类，基于规则构建实体与关系的三元组并完成知识谱的搭建；自动吸收用户提供的新知识，完善和更新故障知识图谱。挖掘机的故障主要发生在运行期间，需要操作人员具有丰富的维修经验，这也为挖掘机的故障诊断增加了难度，构建故障知识图谱可以降低诊断难度。根据本专利技术专利所述的技术方案，可以构建挖掘机故障知识图谱以辅助诊断决策，提升故障诊断的准确率和快速性。
附图说明
[0011]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0012]图1为本专利技术实施例提供的一种可能的实现方式中的逻辑流程的示意图；
[0013]图2为本专利技术实施例提供的文本CNN网络结构示意图；
[0014]图3为本专利技术实施例提供的文本RNN网络结构示意图；
[0015]图4为本专利技术实施例提供的故障知识图谱局部示意图；
[0016]图5为本专利技术实施例提供的方法流程示意图。
具体实施方式
[0017]为使本领域技术人员更好地理解本专利技术的技术方案，下面结合附图和具体实施方式对本专利技术作进一步详细描述。下文中将详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0018]目前，从故障工单、产品说明书等文本文件中抽取出知识，为现场作业人员构建易于操作，可实时搜索，知识完备，具有补充学习能力的故障诊断知识图谱极具意义。总的来说，当前的应用方案中对于如何高效构建挖掘机故障诊断知识图谱仍然缺乏切实可行的工程方法。因此，对于挖掘机故障诊断知识图谱的构建以及补全方法仍需要进一步研究发展。
[0019]本实施例的设计思路在于：基于深度学习的挖掘机故障知识图谱构建与补全方法。通过将知识图谱引入故障诊断领域，辅助现场作业人员的诊断决策；利用深度学习算法，搭建不同的实体分类网络模型，通过各个模型之间的竞争，最终选择效果最好的模型完成预测任务，以提高准确率；使用Neo4j图数据库存储所构建的故障知识图谱并基于Cypher查询语言进行知识搜索。利用该方法可以实现高效可靠的挖掘机故障知识图谱构建、存储、补全以及搜索。
[0020]本专利技术实施例提供一种基于深度学习的挖掘机故障知识图谱构建方法，如图5所示，包括：
[0021]S1、接收客户端上报的故障工单，从故障工单中提取实体文本并进行标注。
[0022]其中，故障工单中的信息至少应该包括：故障现象、相应的处理方法以及处理结果。
[0023]S2、利用标注后的实体文本进行模型训练。
[0024]具体的，对挖掘机运行过程中出现的故障进行文字描述、实体抽取及分类。当新的故障发生时，对故障进行文字描述以及实体抽取。通过训练效果最好的模型进行实体识别和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的挖掘机故障知识图谱构建方法，其特征在于，包括：接收客户端上报的故障工单，从故障工单中提取实体文本并进行标注；利用标注后的实体文本进行模型训练；构建RDF三元组并导入知识图谱数据库，其中，所构建的RDF三元组包括：头实体、关系和尾实体；针对当前待处理的挖掘机故障，利用所述知识图谱数据库针进行知识搜索，得到故障诊断结果。2.根据权利要求1所述的方法，其特征在于，所述从故障工单中提取实体文本并进行标注，包括：通过文字识别，从所述故障工单实体中提取表示故障描述、处理措施和处理结果的文本数据；对所提取的文本数据进行预处理，获取实体文本；对实体文本按照类别进行标注。3.根据权利要求2所述的方法，其特征在于，所述类别至少包括：零部件、故障词、故障现象、故障原因、挖掘机类型、挖掘机型号和维修方法。4.根据权利要求1所述的方法，其特征在于，还包括：对标注后的实体文本进行分类，得到训练集、验证集和测试集，所述训练集用于训练卷积神经网络模型，所述验证集用于训练循环神经网络模型，所述测试集验证模型的准确性。5.根据权利要求4所述的方法，其特征在于，所述利用标注后的实体文本进行模型训练，包括：构建文本CNN网络模型...

【专利技术属性】
技术研发人员：冒泽慧，卞嘉楠，马亚杰，姜斌，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：