设备异常诊断、维护的三元数据知识抽取模型及三元数据融合方法技术

一种设备异常诊断、维护的三元数据融合方法，包括如下步骤：步骤一：根据设备运维的领域特点，对人机物三元数据进行具体定义，包括数据的来源、特点及三元数据之间的内在联系；步骤二：采用自顶向下的方式构建本体模型；步骤三：基于本体模型进行联合实体和关系抽取任务，采用三元数据知识抽取模型从句子中抽取所有的三元组；步骤四：基于三元组构建设备运维人机物知识图谱，实现人机物三元数据的融合。本发明专利技术设备异常诊断、维护的三元数据知识抽取模型及三元数据融合方法，针对人机物三元数据多样性、多源性和异构性的数据特点设计并开发了设备运维人机物本体，同时利用三元数据知识抽取模型抽取三元组，以更好地利用相关过程的文本信息。文本信息。文本信息。

【技术实现步骤摘要】
设备异常诊断、维护的三元数据知识抽取模型及三元数据融合方法


[0001]本专利技术属于设备故障的异常诊断和维护
，具体的为一种设备异常诊断、维护的三元数据知识抽取模型及三元数据融合方法。

技术介绍

[0002]在工业现场，设备运行状态直接影响着产品质量、生产效率和安全性。进行设备状态监测、异常诊断、缺陷识别和运维决策是减少意外停机、延长设备寿命、保证生产效能的关键，具有十分重要的研究意义和实用价值。目前，设备运维领域的相关研究主要可分为数据驱动的设备健康状态分析及知识驱动的设备运维智能决策两个方面。数据驱动的设备状态分析是指基于统计分析、机器学习、深度学习等方法对监测信号进行分析、分类和预测，从而实现设备运行状态和故障的监测和诊断。知识驱动的运维决策是指利用知识工程技术对专家运维经验进行规范化表达和重用，通过构建知识库和专家系统来实现设备运维方案的智能搜索、智能问答和智能决策。在实际的工程应用中，数据驱动的方法精度很高，但想要保证结果的准确性，往往要求现场工人具备较高的信息处理能力，即需要人工经验加以辅助；知识驱动的方法通用性较强，但常常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种设备异常诊断、维护的三元数据知识抽取模型，其特征在于：包括：嵌入层，用于对输入句子编码、并将输入句子转换为句子向量；编码层，针对上下文字词信息影响对字词进行联合编码以从所述句子向量中提取文本序列特征，得到前向输入向量；混合注意力层，对所述前向输入向量进行特征加权得到前向特征向量，以提升向量的表征能力；s_model模块，包括第一卷积层和第一解码层，所述第一卷积层用于减小所述前向特征向量的大小，所述第一解码层用于识别句子中所有潜在的主语；po_model模块，包括融合层、第二卷积层和第二解码层，所述融合层用于将所述第一解码层随机采样的一组主语实体与所述前向特征向量进行特征融合、得到特征融合向量，所述特征融合向量经所述第二卷积层后由所述第二解码层识别出在给定类别关系下与主语相关的宾语、并最终输出三元组。2.根据权利要求1所述设备异常诊断、维护的三元数据知识抽取模型，其特征在于：所述编码层采用双向LSTM编码层。3.根据权利要求1所述设备异常诊断、维护的三元数据知识抽取模型，其特征在于：所述混合注意力层内联合使用局部注意力与线性注意力。4.一种设备异常诊断、维护的三元数据融合方法，其特征在于：包括如下步骤：步骤一：三元数据定义：根据设备运维的领域特点，对人机物三元数据进行具体定义，包括数据的来源、特点及三元数据之间的内在联系；步骤二：本体模型构建：采用自顶向下的方式构建本体模型；步骤三：基于本体模型进行联合实体和关系抽取任务，采用如权利要求1
‑
3任一项所述的三元数据知识抽取模型从句子中抽取所有的三元组；步骤四：基于三元组构建设备运维人机物知识...

【专利技术属性】
技术研发人员：杨波，申小玉，王时龙，何彦，
申请(专利权)人：重庆大学，
类型：发明
国别省市：