【技术实现步骤摘要】
本专利技术属于故障诊断领域，具体涉及一种基于文本分类对纺织络筒机等纺织设备故障辅助处理方法。
技术介绍
1、现阶段纺织设备故障诊断主要还是依靠人工诊断，在人工诊断后会留存下大量维修记录，而记录中包含了故障问题信息、故障检修方法及故障原因等关键特征。当前这些宝贵的维修记录却没有被充分利用，因此本课题旨在将保存的维修记录充分发挥价值，并且减少了对于维修人员的知识层面的要求，降低了人工依赖度；同时对于纺织设备发生故障能够快速定位并给出相应解决措施，实现了纺织设备故障诊断智能，提高生产效率，减少停机时间。
2、因此如何将纺织设备故障诊断智能化是现阶段纺织企业所需要研究的难题，本专利技术通过文本分类技术快速辅助维修人员进行设备维修。
技术实现思路
1、专利技术目的：本专利技术的目的在于提供一种基于自然语言处理的文本分类对纺织络筒机等纺织设备故障辅助处理方法，首先依据纺织设备故障维修文本获取设备故障信息；接着构建albert-bigru-rcnn纺织设备模型结构；其次依据预训练连续方法进行模型学习；最后纺织设备通过文本分类辅助处理故障方法布置应用。其中本专利技术可以对于企业维修留下的维修记录进行充分利用，并且对于维修人员要求低，可应用于实际大规模的纺织生产行业。
2、技术方案：为实现上述目标，本专利技术提供了一种基于文本分类对络筒机等其他纺织设备故障辅助处理的方法，属于故障诊断领域；其技术方案为：包括以下步骤：
3、步骤s1、基于保存的维修文本，通过文本预处
4、步骤s2、把预训练文本输入到构建的文本分类模型中，利用所述文本分类模型的词特征提取网络对所述训练文本进行处理，得到词特征融合向量；
5、步骤s3、根据所述初始文本分类模型和所述初始提示特征，对所述样本文本进行文本分类，得到所述样本文本的预测类别，纺织设备通过文本分类辅助处理故障方法布置应用。
6、作为优化：所述的步骤s1具体包括如下步骤：
7、s11：将保存的维修记录通过手动输入，编辑预处理文本，根据专家知识及人工经验通过人工标注故障原因，构建故障数据库和故障原因数据库；
8、s12：将标注好的预处理文本进行文本预处理，对于同一事物但不同原因通过归一化进行处理，再对文本进行清洗，停用词过滤作以便后续整体分析，将语料库根据故障特性分成五大类：传动系统、机头控制箱与机架、络纱锭、辅助控制装置、自动换管装置，得到训练文本。
9、作为优化：所述的步骤s2具体包括如下步骤：
10、s21：对训练文本进行序列化，将文本数据中的每个词转化为其在字典中所一一对应的编号；
11、s22：利用多层双向transformer编码器对序列化的训练文本进行特征表示。通过使用transformer编码器，可以得到当前短句中每个词与其他词之间的联系，不断调整每个词之间联系的权重，获取新的表达，从而使模型可以学到同一零件在不同部位发生故障时的语义表达；
12、s23：在预训练过程中加入下一句预测任务，使模型提高了对于语义与句法的表征能力，并且通过层参数共享和与嵌入层因式分解的方法降低了模型参数；
13、s24：通过前三个步骤，albert层输出向量为t＝{t1,t2,…,tn}，albert层输出的维度为(batch_size，hidden_size)，其中batch_size表示为每一次所训练的样本容量，而hidden_size表示为albert隐藏层的层数。
14、s25：将s24中albert特征输出向量作为特征输入，输入到bigru中再次进行特征提取。
15、作为优化：所述的步骤s3具体包括bigru和rcnn两个部分：
16、s31：文本词向量作为bigru层的输入向量。bigru层的目的主要是对输入的文本向量进行文本深层次特征的提取。通过bigru神经网络模型，将bigru模型分为由向前gru和反向gru两部分组成，由此可以更加充分地学习上下文之间的关系，进行语义编码；
17、s32：计算每个词向量应分配的概率权重。这个步骤主要是为不同的词向量分配相应的概率权重，进一步提取文本特征，突出文本的关键信息，再一次深度学习到上下文的联系，是模型正确认识到语义，提高模型分类准确率；
18、s33：通过上述两个步骤，将bigru层特征输出u＝{u1,u2,…,un}作为特征输入，输入到rcnn中，进行局部特征提取并分类。
19、s34：rcnn模型通过候选区域选择、cnn特征提取和分类与边界回归再次特征提取。首先将字向量矩阵u＝{u1,u2,…,un}作为rcnn的输入；
20、s35：候选区域选择是一种传统的区域提取方法，方法用的是选择性搜索(selective search，ss)方法，ss用来查看现有的小区域，合并两个最有可能的区域，然后重复操作，最后输出候选区域。候选区域一般为1k～2k左右，可理解为将信息划分为1k～2k个网格，之后再对网络进行特征提取或卷积操作；
21、s36：cnn特征提取可以再次提取文本中的关键信息及深层结构信息，且cnn可以并行运行，能够加快训练速度。卷积层会将输出的向量提取出不同长度词语的信息和结构信息，充分学习到故障文本的局部特征；
22、s37：通过池化层对卷积层获得的特征值进行特征映射处理，由于不同尺寸的卷积核得到的特征值大小是不一样的，因此池化层会对每个特征图使用池化函数，使得它们的维度相同，最常用的就是最大池化层，提取出特征图句子的最大值，这样卷积核得到的特征就是一个值，然后对所有的卷积核使用最大池化层，最后经过全连接层把所有卷积核连接起来，最终可以获得故障文本所对应的特征提取向量。为了防止过拟合，全连接层还引入了drop out机制；
23、s38：分类与边界回归共有两个子步骤：第一个是对前一步的输出向量进行分类；第二个是通过边界回归框回归获得精确的区域的信息。目的是准确定位和合并完成分类的预期目标，并避免多重检测。
24、有益效果：与现有技术相比，本专利技术具有以下有益效果：
25、1、本专利技术对于日常维修保留下的维修记录进行了充分学习利用，使得维修人员减少人为主观性，并且减少了对于维修人员的知识层面的要求，实现了纺织设备纺织智能化，有利于提高基于知识的故障诊断的自主化程度、可解释性和诊段。
26、2、本专利技术可以解决传统分类算法分类时间长的劣势，采用albert算法，模型参数量得到大幅度地减少，并且性能不变，大大减少了运行时间。
27、3、本专利技术适用于短文本的分类任务，通过albert和bigru模型对于故障文本深度学习到上下文语义联系，解决了相同事物的不同语义问题，并且利用rcnn模型对于局部特征也充分提取到，提高了分类准确率，具有更广泛的应用场景。
28、4、本本文档来自技高网...
【技术保护点】
1.一种基于文本分类对纺织络筒机等纺织设备故障辅助处理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于文本分类对纺织络筒机等纺织设备故障辅助处理方法，其特征在于：所述的步骤S1具体包括如下步骤：
3.根据权利要求1所述的基于文本分类对纺织络筒机等纺织设备故障辅助处理方法，其特征在于：所述的步骤S2具体包括如下步骤：
4.根据权利要求1所述的基于文本分类对纺织络筒机等纺织设备故障辅助处理方法，其特征在于：所述的步骤S3具体包括BiGRU和RCNN两个部分：
【技术特征摘要】
1.一种基于文本分类对纺织络筒机等纺织设备故障辅助处理方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于文本分类对纺织络筒机等纺织设备故障辅助处理方法，其特征在于：所述的步骤s1具体包括如下步骤：
3.根据权利要求1所...
【专利技术属性】
技术研发人员：胡建华，华亮，袁银龙，顾金玺，
申请(专利权)人：南通崇天纺纱有限公司，
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。