基于无监督制造技术

本发明专利技术公开了一种基于无监督

【技术实现步骤摘要】
基于无监督NLP语音对话工具的制造设备维保方法


[0001]本专利技术涉及设备维保工作数据处理
，特别是一种基于无监督
NLP
语音对话工具的制造设备维保方法
。

技术介绍

[0002]设备是制造业的核心资产，是生产的基础
。
设备的正常运转对于生产效率
、
产品质量
、
企业形象等方面都有着重要的影响
。
因此，设备维保工作是制造业中不可或缺的一部分
。
通过定期检查
、
保养
、
维修等手段，可以确保设备的正常运转，延长设备的使用寿命，提高生产效率，降低生产成本，针对设备维保工作，制造企业往往采用建立线上的维保知识库来实现业务支撑
。
[0003]然而，以往的系统存在以下缺陷：
[0004]1、
使用查询非常不便，需要自己先在在设备系统中找到对应功能板块，然后根据自己需求查找需要维保的设备类型，再选择设备名称，之后还要选择维保工作任务类型，最终才能定位到维保知识库
。
[0005]2、
作为传统的计算机软件操作系统，对维保工作人员需要一定量的计算机使用基础才能完成以上操作，且需要打开电脑，对于善于线下操作的工厂人员，这种传统的软件操作并不适用，造成该模块使用率极低，因使用率极低问题，同时连带造成维保知识库无人进行维护
。
[0006]综上，传统的方法存在不高效
、
不便捷，以及设备维保功能易用性不强，使用效率低，工作经验价值转化率不足等问题
。

技术实现思路

[0007]为解决现有技术中存在的问题，本专利技术的目的是提供一种基于无监督
NLP
语音对话工具的制造设备维保方法，本专利技术大大提升维保效率，降低维保工作门槛
。
[0008]为实现上述目的，本专利技术采用的技术方案是：一种基于无监督
NLP
语音对话工具的制造设备维保方法，包括以下步骤：
[0009]步骤
1、
收集工作经验，提取所述工作经验中的标签词并对所述标签词进行同义词映射；
[0010]步骤
2、
根据所述标签词以及映射的同义词，建立标签词库，对标签词关联的工作经验，建立答案库；
[0011]步骤
3、
在对话工具中随机输入问题，分析问题的文本句子结构，在所述标签词库中匹配相关标签词，再进行工作经验匹配，根据标签词在答案库中匹配相关答案进行展示，形成匹配算法模型；
[0012]步骤
4、
将用户的问题语音转化为文本信息，并输入所述匹配算法模型运行，对匹配结果在对话工具上进行即时输出，并对输出文本信息转化为语音信息播放
。
[0013]作为本专利技术的进一步改进，在步骤1中，收集工作经验具体包括：组织设备维保师
收集大量设备维保工作经验以及对应的标准问题及关联的设备类型
。
[0014]作为本专利技术的进一步改进，在步骤1中，提取所述工作经验中的标签词具体包括：
[0015]对工作经验的文本进行
NLP
无监督学习模型训练，提取文本标签，将工作经验文本单个词的词频表示为
TFg
，则计算公式为：
[0016]TFg
＝
f/w
[0017]其中，
f
为该词出现的次数，
w
为该词相关的文本总次数；
[0018]计算工作经验文本单个词的逆文档频率
IDFg
：
[0019][0020]其中，
Nw
为工作经验文本库的文本总数，
Ww
为包含该词的文本数；
[0021]计算
TFg
‑
IDFg
的值：
[0022]TFg
‑
IDFg
＝
TFg
×
IDFg
[0023]取
TFg
‑
IDFg
的值从大到小排列的前
N
个词为标签词
。
[0024]作为本专利技术的进一步改进，在步骤1中，对所述标签词进行同义词映射具体包括：通过爬虫技术，获取百度百科对标签词关联的别称
、
又称及俗称的词数据
。
[0025]作为本专利技术的进一步改进，步骤3中，在所述标签词库中匹配相关标签词时，优先对动词
、
名词进行标签词匹配
。
[0026]本专利技术的有益效果是：
[0027]1、
本专利技术利用非监督
NLP
算法的技术，对工作经验文本数据进行标签化处理，以语音对话的形式匹配标签及对应的工作经验库，对于相关工作经验能够进行最大程度的利用，大大提升维保效率，降低维保工作门槛
。
[0028]2、
本专利技术通过简单对话工具，模拟正常人语音讲话的形式，对相关工作人员开展设备维保工作经验的传授，作为工具使用门槛极低，只需要打开工具开口讲话便能进行操作，此外对于企业内部的设备维保工作经验能够得到最大程度的利用
。
附图说明
[0029]图1为本专利技术实施例的流程图
。
具体实施方式
[0030]下面结合附图对本专利技术的实施例进行详细说明
。
[0031]实施例1[0032]如图1所示，一种基于无监督
NLP
语音对话工具的制造设备维保方法，包括：
[0033]步骤一
、
收集工作经验：
[0034]组织设备维保师收集大量设备维保工作经验以及对应的标准问题及关联的设备类型
(
即为数据标签
)
，主要面向于制造业常见的核心制造设备，尤其对于维保重点设备
。
[0035]步骤二
、
工作经验标签提取：
[0036]判断一个词再一篇文章中是否重要，一个重要的衡量指标就是词频，重要的词往往在文本中出现的频率也非常高，由于工作经验文本中专有名词比较多，故对工作经验文本，进行
NLP
无监督学习模型训练，提取文本标签，在该模型，将工作经验文本单个词的词频
表示为
TFg
，则计算公式为：
[0037]TFg
＝
f/w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0038]其中，
f
为该词出现的次数，
w
为该词相关的文本总次数
。
[0039]另一方面，不是出现次数越多的词就一定重要，因为有些词在各个文本中都频繁出现，那它的重要性肯定不如那些只在某篇文章中频繁出现的词重要性强
。
从统计学的角度，就是给予那些不常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于无监督
NLP
语音对话工具的制造设备维保方法，其特征在于，包括以下步骤：步骤
1、
收集工作经验，提取所述工作经验中的标签词并对所述标签词进行同义词映射；步骤
2、
根据所述标签词以及映射的同义词，建立标签词库，对标签词关联的工作经验，建立答案库；步骤
3、
在对话工具中随机输入问题，分析问题的文本句子结构，在所述标签词库中匹配相关标签词，再进行工作经验匹配，根据标签词在答案库中匹配相关答案进行展示，形成匹配算法模型；步骤
4、
将用户的问题语音转化为文本信息，并输入所述匹配算法模型运行，对匹配结果在对话工具上进行即时输出，并对输出文本信息转化为语音信息播放
。2.
根据权利要求1所述的基于无监督
NLP
语音对话工具的制造设备维保方法，其特征在于，在步骤1中，收集工作经验具体包括：组织设备维保师收集大量设备维保工作经验以及对应的标准问题及关联的设备类型
。3.
根据权利要求1所述的基于无监督
NLP
语音对话工具的制造设备维保方法，其特征在于，在步骤1中，提取所述工作经验中的标签词具体包括：对工作经验的文本进行
NLP
无监督学习模型训练，提取文本标签，将工作经验文本单个词的词频表示为
TFg
，...

【专利技术属性】
技术研发人员：刘坤，毕可骏，徐庭锐，
申请(专利权)人：四川启睿克科技有限公司，
类型：发明
国别省市：