一种复杂装备知识图谱构建过程中的知识抽取方法技术

本发明专利技术提供了一种复杂装备知识图谱构建过程中的知识抽取方法，本发明专利技术提供的知识抽取方法，通过对不同数据类型的分类，采用了不同的方法进行抽取，大大的节省了知识抽取的时间，在最难处理的非结构化数据的抽取中，采用了多个深度学习模型及神经网络，通过多个不同的训练集，从海量异构数据标记，故障分类，实体识别，关系抽取，使非结构化数据的知识抽取更加方便，准确率更高，使复杂装备故障维修相关知识的查询更加全面、便捷。便捷。便捷。

【技术实现步骤摘要】
一种复杂装备知识图谱构建过程中的知识抽取方法


[0001]本专利技术属于复杂装备设计
，尤其涉及一种复杂装备知识图谱构建过程中知识抽取方法。

技术介绍

[0002]电力、工程机械、轨道交通等领域的产品是在长生命周期、复杂工况下安全可靠服役的典型复杂装备，其研发过程是一项复杂的系统工程。在其研发周期的各个阶段都会产生模型、业务和感知等各类数据，随着制造过程和运维过程各类感知数据的不断采集分析，数据呈现爆炸性的增长。装备数字孪生是是数据驱动的，多源数据的融合是首要解决的问题，但纯数据驱动的分析方法会忽略了经验知识，如何形成复杂装备的“大脑”，将这些多源数据进行融合，挖崛它们的潜在关系，对构建复杂装备数字孪生而言至关重要。
[0003]作为新一代人工智能技术的重要分支，知识图谱被称作“有学识的AI”，常常被用于融合多源数据来构建大规模知识库。知识图谱是一种语义网络，表达了实体之间的语义关系，适合于描述复杂装备多层系统、子系统、部件、零件的复杂空间结构化，通过多源异构时间序列感知数据的接入分析挖掘可以得到更全面时空关联知识。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂装备知识图谱构建过程中的知识抽取方法，其特征在于，包括：进行数据挖掘，获取知识数据类型，基于所述数据类型进行知识抽取；若所述数据类型为结构化数据，则调用关系数据库中的相关数据库表单对应保存的数据，获得对应第一知识数据；若所述数据类型为半结构化数据，则通过网络数据抽取模板和非网络数据抽取模板抽取对应第二知识数据；若所述数据类型为非结构化数据，则通过深度学习模型对数据进行标注、实体识别、文本分类和关系抽取，获得对应第三知识数据。2.根据权利要求1所述的方法，其特征在于，所述数据挖掘具体为：根据产品全生命周期各阶段数据的类型，进行分类；将各阶段的数据分为按数据结构化分为结构化数据、半结构化数据和非结构化数据。3.根据权利要求1所述的方法，其特征在于，调用关系数据库中的相关数据表单对应保存的数据具体为：用D2R工具进行转换，数据库表名直接映射到资源描述框架中的类，字段映射为类的属性，类之间的关系从表示关系的表中得出。4.根据权利要求1所述的方法，其特征在于，通过网络数据抽取模板和非网络数据抽取模板抽取对应知识数据具体为：将网络数据输入包装器中，抽取网络数据中的知识数据；所述包装器由标记语言和路径语言封装；将非网络数据输入至模板库中，进行模板匹配抽取非网络数据中的知识数据。5.根据权利要求4所述的方法，其特征在于，所述模板库形是由对复杂装备数据中的表格或工...

【专利技术属性】
技术研发人员：张海柱，丁国富，王淑营，郑庆，马自力，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：