System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及装备故障知识管理,具体涉及一种装备故障知识的智能交互方法及系统。
技术介绍
1、随着知识图谱、大数据、神经网络等信息化智能化技术在装备领域的不断创新应用,装备在使用、维修保障等过程中产生的故障数据类型与量级呈现指数增长趋势。据相关研究机构调查结果显示,装备产生的故障数据有80%以上是非(半)结构化数据。因此,开展研究装备非(半)结构化故障数据的转化和应用工作,已成为热点的研究课题。目前,在装备维修保障工作中,很难将浩如烟海的非(半)结构化装备故障数据转化为准确有效的故障知识,尚未实现人机智能交互过程中故障知识的实体识别、关系抽取、意图识别等层面的科学运用。特别是基于非(半)结构化数据的故障知识交互过程中意图识别难、准确率不高等问题,已成为充分挖掘非(半)结构化装备故障数据利用价值的紧要难题。
2、为解决基于半(非)结构化数据的故障知识交互过程中意图识别难,准确率不高问题,国内外研究学者按照故障数据的结构特点,致力研究一种基于知识图谱的非(半)结构化智能交互方法,从而实现对非(半)结构化故障数据的精细化管理和深度关联分析运用等。现有专利技术专利申请文献如表1所示。
3、
4、现有专利文献对实体识别、关系抽取的模型各有异同,特别是意图识别的算法或模型更是不尽相同。公布号为cn116644192a的现有专利技术专利申请文献《基于航空器部件可靠性的知识图谱构建方法》应用朴素贝叶斯模型进行意图识别,但存在意图分类效果不好、预测效果不佳以及存在较大错误率等问题;公布号为cn115700512
5、综上,目前复杂装备故障知识交互方法及系统存在故障知识意图识别准确率较低、智能问答人机交互性差、模型对设备性能和使用环境要求较高的问题。
技术实现思路
1、本专利技术所要解决的技术问题在于:解决目前复杂装备故障知识交互方法及系统存在故障知识意图识别准确率较低、智能问答人机交互性差、模型对设备性能和使用环境要求较高的问题。
2、本专利技术是采用以下技术方案解决上述技术问题,一种装备故障知识智能交互方法包括:
3、s1、综合利用双向transformer神经网络和mask语言模型对输入的文本信息进行特征提取和分词处理,并利用[cls]和[sep]等特殊标记进行标注和分隔,从而使输出的每个词都包含字向量、句向量和位置向量等丰富语义特征;
4、s2、实体识别和关系抽取采用bert-bilstm-crf模型结构,以预训练模型bert作为位置信息转化为特征向量的模型结构,而后将bert模型转化的特征向量作为bilstm网络模型的输入,利用bilstm网络模型的正、反向作用将隐藏向量转化为定长的文本向量,最后将该文本向量输入至条件随机场crf模型中,利用crf中的状态转移矩阵捕捉实体标签之间的依赖性,从而提高实体识别的效果,并找到位置信息的最佳标签;
5、具体地,标注语料经过bert预训练语言模型获得相应的词向量,再把词向量输入到bilstm模型中做进一步处理;利用bilstm模型的前向lstml依次输入“bert预训练语言模型获得相应的词向量”得到相应的正向向量,同时利用bilstm模型的后向lstmr依次反向输入“bert预训练语言模型获得相应的词向量”得到相应的反向向量;将前向lstml隐含层输出的向量(隐向量)和后向lstmr隐含层输出的向量(隐向量)进行拼接得到具有前、后向向量(隐向量)的组合向量矩阵,并转化为定长文本向量;将所述定长文本向量输入条件随机场crf模型,利用所述条件随机场crf模型中的状态转移矩阵,捕捉实体标签之间的依赖性,获取位置信息最佳标签;
6、s3、意图识别采用electra模型结构,并对其参数进行微调。在微调过程中,调整的是判别器部分的权重参数,不断学习训练数据集中的语义信息,让生成的向量和隐藏向量之间尽可能相似,这个过程旨在帮助模型学习到真实文本数据的语言特征,同时提高模型在判断不真实文本数据时的鲁棒性和准确性。
7、s4、根据装备故障数据的海量性、复杂性以及故障知识的专业性、准确性要求,按照知识本体构建、关系抽取、知识融合、知识存储以及知识加工等步骤进行构建装备故障知识图谱。
8、s5、综合运用关系抽取、知识融合、相似度匹配等算法,支持装备故障知识智能交互方法及系统实现对故障问题的智能咨询与智慧检索服务功能,据以生成故障问题的精确问答信息;
9、s6、根据预置平台数据、装备故障知识图谱、预置编程环境信息、编辑器以及模型训练框架,采用基于paddlespeech+recorder.js插件的语音识别作为系统实现语音智能交互技术,完成装备故障知识智能交互系统的环境搭建操作,以进行装备故障知识的智能交互。
10、本专利技术根据装备故障数据的海量性、复杂性、预构性以及故障知识的专业性、准确性要求,构建出基于bert-bilstm-crf-electra模型和故障知识图谱的装备故障知识智能交互方法及系统。该方法及系统能够有效管理和利用装备产生的大量状态数据、故障数据以及故障先验知识,形成具有某型装备故障知识更新迭代特色的数据管理系统,能够满足装备的维修保障需求,为解决装备维修保障专业知识缺乏和故障数据资源浪费严重的问题提供一种有效手段。
11、在更具体的技术方案中,步骤s1包括:
12、s11、利用下述逻辑,对字向量矩阵进行线性映射:
13、
14、multihead(a,b,c)=concat(head1,…,headn)wo
15、headi=attention(awia,bwib,cwic)
16、式中:a,b,c为字向量矩阵;dk为k维度的调节平滑因子;awai、awbi、awci为单头计算中,输入参数经过线性变换后得到可变参数的矩阵;wo为可以学习的矩阵,随着训练的变化其参数也随之变化。
17、本文档来自技高网...
【技术保护点】
1.一种装备故障知识智能交互方法及系统,其特征在于,所述方法包括:
2.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤S1包括:
3.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤S2包括:
4.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤S3包括:
5.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤S4包括:
6.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤S5中,利用下述逻辑,计算自注意力层计算特征词的权重、实体关系概率分布p:
7.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤S6包括:
8.一种装备故障智能交互系统,其特征在于,所述系统包括:
【技术特征摘要】
1.一种装备故障知识智能交互方法及系统,其特征在于,所述方法包括:
2.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤s1包括:
3.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤s2包括:
4.根据权利要求1所述的一种装备故障知识智能交互方法,其特征在于,所述步骤s3包括:
5.根据权利要求1所...
【专利技术属性】
技术研发人员:沈延安,杨克泉,张明义,戴文瑞,郭凯,黄荣凯,陈强,
申请(专利权)人:中国人民解放军陆军炮兵防空兵学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。