铁路故障的知识抽取分析方法及装置制造方法及图纸

本发明专利技术提供一种铁路故障的知识抽取分析方法及装置，该方法包括：基于故障记录文本，获取铁路故障信息；将铁路故障信息输入到故障分析模型中，输出与铁路故障信息对应的故障分析图谱。本发明专利技术提供的铁路故障的知识抽取分析方法及装置，基于故障记录文本提取出有效的铁路故障信息，以铁路故障信息作为铁路故障分析模型的输入，输出的结果为故障分析图谱。实现通过神经网络从高速铁路信号设备故障信息中，以抽取故障致因和处理方法知识为目的，对故障原因分析文本数据识别、发现和推断事件之间的复杂关系，能够有效辅助现场分析故障致因，为故障处理给予强有力的理论支持。障处理给予强有力的理论支持。障处理给予强有力的理论支持。

【技术实现步骤摘要】
铁路故障的知识抽取分析方法及装置


[0001]本专利技术涉及铁路安全
，尤其涉及一种铁路故障的知识抽取分析方法及装置。

技术介绍

[0002]随着我国铁路运输的高速发展，高速铁路、普速铁路、货运铁路、重载铁路、城市轨道交通等铁路运输的运营里程也在飞速增长中，各类铁路的使用与铁路设备维护维修息息相关。当前我国铁路各类设备、设施日常运维故障维修作业中，通常是由人工全面记载了电务信号故障发生的详细信息后，凭借经验以及纸质版的铁路维修作业指导书和铁路维修作业安全管理实施细则等各类规章制度为依据进行维修操作的，其对于故障发生的原因和处理措施过于依赖主观判断，容易引起故障判断和处理上的误判。

技术实现思路

[0003]本专利技术提供一种铁路故障的知识抽取分析方法及装置，用以解决现有技术中故障处理缺乏理论支持的缺陷。
[0004]本专利技术提供一种铁路故障的知识抽取分析方法，包括：
[0005]基于故障记录文本，获取铁路故障信息；
[0006]将所述铁路故障信息输入到故障分析模型中，输出与所述铁路故障信息对应的故障分析图谱；
[0007]其中，所述故障分析图谱用于展示所述故障记录文本中的故障原因及故障整改链路；所述故障分析模型是根据历史故障记录，以及从所述历史故障记录提取出的实体和实体关系训练得到的；所述实体和实体关系是根据铁路故障知识结构确定的。
[0008]根据本专利技术提供的一种铁路故障的知识抽取分析方法，所述故障分析模型包括知识标注层、知识抽取层和图谱匹配层；<br/>[0009]将所述铁路故障信息输入至所述知识标注层进行统一标注，获取标注序列集合；
[0010]将所述标注序列集合输入至知识抽取层，获取知识三元组；
[0011]将所述知识三元组输入至图谱匹配层，构建所述故障分析图谱。
[0012]根据本专利技术提供的一种铁路故障的知识抽取分析方法，所述将所述标注序列集合输入至知识抽取层，获取知识数据，包括：
[0013]基于所述标注序列集合，获取第一特征向量和第二特征向量；
[0014]将第一特征向量输入至实体识别模型，获取各实体对应的实体内容；
[0015]基于所述实体内容、所述第二特征向量输入至关系抽取模型，获取所述知识三元组；
[0016]其中，所述实体识别模型是基于所述历史故障记录及其标注出的实体训练得到的，所述关系抽取模型是基于所述历史故障记录及其标注出的实体关系训练得到的。
[0017]根据本专利技术提供的一种铁路故障的知识抽取分析方法，所述标注序列集合包括原
文序列、索引序列、命名实体序列、关系序列和关系索引序列；
[0018]所述基于所述文本特征向量，获取第一特征向量和第二特征向量，具体包括：
[0019]基于所述原文序列和所述命名实体序列，获取所述第一特征向量；
[0020]基于所述标注序列集合，获取所述第二特征向量。
[0021]根据本专利技术提供的一种铁路故障的知识抽取分析方法，所述将第一特征向量输入至实体识别模型，获取各实体对应的实体内容，包括：
[0022]将所述第一特征向量输入至所述实体识别模型中的嵌入层，输出第一词向量；
[0023]利用双向长短期记忆网络Bi
‑
LSTM对所述第一词向量进行处理，获取第二词向量；
[0024]利用条件随机场CRF对第二词向量进行解码，获取所述实体内容。
[0025]根据本专利技术提供的一种铁路故障的知识抽取分析方法，所述基于所述实体内容、所述第二特征向量输入至关系抽取模型，获取所述知识三元组，包括：
[0026]将所述第二特征向量输入至所述关系抽取模型中的嵌入层，输出第三词向量；
[0027]利用多头注意力机制对所述第三词向量，输出实体依赖关系；
[0028]基于所述实体依赖关系和所述实体内容进行处理，获取所述知识三元组。
[0029]本专利技术还提供一种铁路故障的知识抽取分析装置，包括：
[0030]数据获取模块，用于基于故障记录文本，获取铁路故障信息；
[0031]故障分析模块，用于将所述铁路故障信息输入到故障分析模型中，输出与所述铁路故障信息对应的故障分析图谱；
[0032]其中，所述故障分析图谱用于展示所述故障记录文本中的故障原因及故障整改链路；所述故障分析模型是根据历史故障记录，以及从所述历史故障记录提取出的实体和实体关系训练得到的；所述实体和实体关系是根据铁路故障知识结构确定的。
[0033]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述铁路故障的知识抽取分析方法。
[0034]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述铁路故障的知识抽取分析方法。
[0035]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述铁路故障的知识抽取分析方法。
[0036]本专利技术提供的铁路故障的知识抽取分析方法及装置，基于故障记录文本提取出有效的铁路故障信息，以铁路故障信息作为铁路故障分析模型的输入，输出的结果为故障分析图谱。实现通过神经网络从高速铁路信号设备故障信息中，以抽取故障致因和处理方法知识为目的，对故障原因分析文本数据识别、发现和推断事件之间的复杂关系，能够有效辅助现场分析故障致因，为故障处理给予强有力的理论支持。
附图说明
[0037]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。
[0038]图1是本专利技术提供的铁路故障的知识抽取分析方法的流程示意图；
[0039]图2是本专利技术提供的铁路故障的知识结构示意图；
[0040]图3是本专利技术提供的铁路故障的知识抽取分析方法的模型示意图之一；
[0041]图4是本专利技术提供的铁路故障的知识抽取分析方法的模型示意图之二；
[0042]图5是本专利技术提供的铁路故障的知识抽取分析方法的模型示意图之三；
[0043]图6是本专利技术提供的铁路故障的知识抽取分析装置的结构示意图；
[0044]图7是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0045]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0046]本申请的说明书中的术语“第一”、“第二”等是用于区别类似的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种铁路故障的知识抽取分析方法，其特征在于，包括：基于故障记录文本，获取铁路故障信息；将所述铁路故障信息输入到故障分析模型中，输出与所述铁路故障信息对应的故障分析图谱；其中，所述故障分析图谱用于展示所述故障记录文本中的故障原因及故障整改链路；所述故障分析模型是根据历史故障记录，以及从所述历史故障记录提取出的实体和实体关系训练得到的；所述实体和实体关系是根据铁路故障知识结构确定的。2.根据权利要求1所述的铁路故障的知识抽取分析方法，其特征在于，所述故障分析模型包括知识标注层、知识抽取层和图谱匹配层；将所述铁路故障信息输入至所述知识标注层进行统一标注，获取标注序列集合；将所述标注序列集合输入至知识抽取层，获取知识三元组；将所述知识三元组输入至图谱匹配层，构建所述故障分析图谱。3.根据权利要求2所述的铁路故障的知识抽取分析方法，其特征在于，所述将所述标注序列集合输入至知识抽取层，获取知识数据，包括：基于所述标注序列集合，获取第一特征向量和第二特征向量；将第一特征向量输入至实体识别模型，获取各实体对应的实体内容；基于所述实体内容、所述第二特征向量输入至关系抽取模型，获取所述知识三元组；其中，所述实体识别模型是基于所述历史故障记录及其标注出的实体训练得到的，所述关系抽取模型是基于所述历史故障记录及其标注出的实体关系训练得到的。4.根据权利要求3所述的铁路故障的知识抽取分析方法，其特征在于，所述标注序列集合包括原文序列、索引序列、命名实体序列、关系序列和关系索引序列；所述基于所述文本特征向量，获取第一特征向量和第二特征向量，具体包括：基于所述原文序列和所述命名实体序列，获取所述第一特征向量；基于所述标注序列集合，获取所述第二特征向量。5.根据权利要求3所述的铁路故障的知识抽取分析方法，其特征在于，所述将第一特征向量输入至实...

【专利技术属性】
技术研发人员：李新琴，代明睿，杜文然，李国华，史维峰，马小宁，徐贵红，
申请(专利权)人：中国铁道科学研究院集团有限公司电子计算技术研究所北京经纬信息技术有限公司，
类型：发明
国别省市：