一种非结构化设备故障知识的分类及知识萃取方法技术

本发明专利技术公开了一种非结构化设备故障知识的分类及知识萃取方法，该方法包括：采集待诊断设备的故障诊断知识并分类；基于故障诊断知识的分类，建立对应的知识萃取方法，进行第一次知识萃取，抽取概念、属性和不同概念属性之间的关联关系，形成局部知识；对局部知识进行第二次知识萃取，将得到的浅知识和深知识整合为复合式知识，形成全局知识库，实现多源信息的集成与融合。本发明专利技术的方法有效解决了目前设备故障诊断领域中对经验、资源重用率较低的问题，将大量非结构化故障数据和经验知识转换为机器可处理的诊断维护知识，实现了故障诊断中隐性知识显性化，显性知识规范化，具有完备、一致性好和精确的优点，以提高后续诊断准确度和维护决策效率。维护决策效率。维护决策效率。

【技术实现步骤摘要】
一种非结构化设备故障知识的分类及知识萃取方法


[0001]本专利技术属于设备故障诊断
，尤其涉及一种非结构化设备故障知识的分类及知识萃取方法。

技术介绍

[0002]随着设备大型化、结构复杂化、运行自动化和智能化等特点的突出、设备相关数据量的增加以及人工智能技术的迅速发展，设备故障诊断进入“大数据”和智能化管理时代。
[0003]知识萃取是从结构化和非结构化源中创建知识，所产生的知识需要采用机器可读和机器可解释的格式，并需要以一种人类也便于理解及逻辑推断的方式来表示。知识萃取应用于设备故障诊断领域，能够有效缩短故障诊断的响应时间，协助决策，提升设备维护的可操作性，提升设备诊断维修策略的可靠性和有效性。
[0004]但目前设备诊断中对经验、资源重用率较低且故障诊断知识存在非规范性，因此如何将经验数据、专家知识和知识萃取技术等结合在一起，更科学高效地萃取大量非结构化故障数据和经验知识，并转换为机器可处理的诊断维护知识，实现隐性知识显性化，显性知识规范化，提高诊断准确度和维护决策效率亟待研究。
[0005]在设备故障诊断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非结构化设备故障知识的分类及知识萃取方法，所述方法包括：步骤1)采集待诊断设备的故障诊断知识；步骤2)对故障诊断知识进行分类；步骤3)基于故障诊断知识的分类，建立对应的知识萃取方法，进行第一次知识萃取，抽取概念、属性和不同概念属性之间的关联关系，形成局部知识；步骤4)对局部知识进行第二次知识萃取，将得到的浅知识和深知识整合为复合式知识形成全局知识库，实现多源信息的集成与融合。2.根据权利要求1所述的非结构化设备故障知识的分类及知识萃取方法，其特征在于，所述步骤1)具体包括：收集检修专家的重要信息反馈、故障日报、分析报告和专家结论；收集应急故障手册、修程修制、用户手册和检修技术条件；采集设备实时检测得到的基础数据、运行数据、故障统计和其他设备实时信息。3.根据权利要求2所述的非结构化设备故障知识的分类及知识萃取方法，其特征在于，所述步骤2)具体包括：对故障诊断知识进行分类，其中，将检修专家的重要信息反馈、故障日报、分析报告和专家结论归为检修专家历史经验知识；将应急故障手册、修程修制、用户手册和检修技术条件归为检修专业技术文档；将设备实时检测采集的基础数据、运行数据、故障统计和其他设备实时信息归为设备实时检测采集信息。4.根据权利要求3所述的非结构化设备故障知识的分类及知识萃取方法，其特征在于，所述步骤3)具体包括：对于检修专家历史经验知识和检修专业技术文档，采用基于深度学习的命名实体识别技术进行设备故障的特征提取，以结构化形式呈现；对于设备实时检测采集的状态信息，采用Apriori算法进行关联规则挖掘，获得故障信息与状态信息的关联关系。5.根据权利要求4所述的非结构化设备故障知识的分类及知识萃取方法，其特征在于，所述对于检修专家历史经验知识和检修专业技术文档，采用基于深度学习的命名实体识别技术进行设备故障的特征提取，以结构化形式呈现；具体包括：对于检修专家历史经验知识和检修专业技术文档，将文档中的事故故障文本转换为段落，将段落转换为句子，将句子转化为人工标注的序列；通过word2vec将标注的序列转换为词向量，构建基于深度学习和统计学习的...

【专利技术属性】
技术研发人员：张玲玲，肖潇，季续国，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：