一种基于知识图谱的知识推理和故障诊断方法技术

本发明专利技术涉及一种基于知识图谱的知识推理和故障诊断方法，包括获取故障记录信息和数据知识，去除冗余和重复信息，进行数据清洗，获取关系路径以及实体关系三元组，构建案例资源知识图谱；将关系路径信息嵌入卷积编码器中，获取路径特征向量，然后输入BiLSTM网络中，得到关系路径表示向量，再输入ATT模型中，经过多步推理补全关系路径；提取故障属性特征信息；计算各属性的权重值，并通过神经网络计算当前案例与历史案例的总体相似度，完成CBRDA

A method of knowledge reasoning and fault diagnosis based on Knowledge Map

【技术实现步骤摘要】
一种基于知识图谱的知识推理和故障诊断方法


[0001]本专利技术涉及知识图谱处理
，尤其是涉及一种基于知识图谱的知识推理和故障诊断方法。

技术介绍

[0002]知识图谱自提出以来，已经被广泛用于知识萃取、业务查询等领域。知识图谱可以将复杂的领域知识通过数据挖掘、信息处理等方式显示出来，解释领域知识的发展规律，为学科研究提供有价值的信息。考虑知识图谱这一实际特点和发展情况，在复杂环境下的工业生产领域，如何利用生产过程数据进行知识图谱构建、推理与决策，是未来工业大数据环境下的重要研究问题。通过对已有的生产知识进行抽取，构建知识图谱，之后利用知识图谱进行后续的知识推理、智能决策与优化可以实现知识的有效融合，帮助企业解决复杂制造环境下决策与优化面临的挑战，推动企业实现综合决策与智能生产模式的转变。
[0003]当前的装设备故障诊断方法较多，但大多应用机器学习算法进行参数预测和故障分类等，结合知识图谱进行故障诊断可以在保证推荐结果准确率的同时发挥技术人员的专业能力，使诊断结果兼具主观性和客观性。Pancho等人提出了一种利用推理图可视化表示模糊推理过程的Fingrams方法。它通过由多个节点和链接组成的推理图，在推理层次上描述了模糊规则之间的交互作用。然而，Fingrams方法不能在复杂模糊干扰系统中建模复杂的模糊规则库，这在某些情况下需要一个良好的推理过程和训练数据中有限的规则。Lan等人提出了一种利用知识图谱进行复杂模糊推理决策的方法，在训练阶段根据规则集的语言标签及其关系，将规则库表示为模糊知识图，通过生成一个相邻的模糊知识图谱矩阵(FKG)进行推理。当给出测试数据集中的一个记录时，它将被模糊化和标记。记录中的每个组件都由FKG使用近似推理中的推理机制进行检查。然后通过最大最小算子推导出新记录的标签。这种机制不仅有助于加速检查的速度，而且还可以使用规则库没有推断出的新记录进行推断。
[0004]虽然之前也有相关的故障诊断和推理方法，但仍然存在一些问题。首先，单纯的知识推理方法应用性不强，而故障诊断方法的展示性也欠佳，此外在进行诊断时忽略了结合现代人工智能技术和技术人员的专业知识，这就导致最终的推荐结果准确率不高。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于知识图谱的知识推理和故障诊断方法，以对工业生产过程中的故障案例进行实时、快速、准确的诊断及更新。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于知识图谱的知识推理和故障诊断方法，包括：获取实际故障案例信息，并载入预先构建并训练好的CBRDA
‑
KG决策模型中，得出故障诊断结果；
[0008]所述CBRDA
‑
KG决策模型的数据处理过程包括以下步骤：
[0009]S1：获取故障记录信息和数据知识，标注故障信息的实体以及实体间的关系；
[0010]S2：对获取的数据进行数据清洗后，获取实体间所有关系路径以及实体关系三元组，构建案例资源知识图谱；
[0011]S3：将获取的关系路径信息嵌入卷积编码器中，获取路径特征向量，将该路径特征向量输入BiLSTM网络中，得到关系路径表示向量，将该关系路径表示向量输入ATT模型中，经过多步推理得到隐藏三元组路径推理结果，补全所述案例资源知识图谱；
[0012]S4：提取所述案例资源知识图谱中故障的属性特征信息；
[0013]S5：计算所述属性特征信息中各个属性的权重值，并通过神经网络计算当前数据对应的案例与预设的历史案例的总体相似度，完成CBRDA
‑
KG决策模型的构建。
[0014]进一步地，步骤S3中，所述ATT模型的表达式为：
[0015]s(p
i
,r)＝tanh(p
i
W
s
)r
[0016][0017][0018]P(r|e
s
,e
t
)＝f(W
P
(c+r))
[0019]式中，s(p
i
,r)为语义相关度得分，p
i
为第i个隐藏层的输出值，W
s
为权值矩阵，r为概率得分，α
i
为路径i的独立权重，n为词数，为softmax函数，c为加权计算后得到的候选关系状态向量，P(r|e
s
,e
t
)为头尾实体的概率得分，e
s
为头实体，e
t
为尾实体，W
P
(c+r)为概率权重，f为激活函数；
[0020]所述ATT模型经过加权运算之后集合路径基本信息，在丢弃与候选关系相关度较低的路径的同时保留相关性强的路径；
[0021]所述ATT模型的损失函数为：
[0022][0023]式中，L(θ)为为ATT模型的损失函数，N为实验次数，为目标函数，λ为正则化率，θ为正则化参数；
[0024]所述ATT模型采用Adam优化器进行训练，当训练误差最低时，分别为正例三元组和负例三元组赋予较高和较低的值，调整参数后采用L2范数正则化的方式防止出现过拟合，得出隐藏三元组路径推理结果。
[0025]进一步地，步骤S4具体包括以下步骤：
[0026]S41：采用分词法对所述案例资源知识图谱中的文本进行分词；
[0027]S42：采用Word2vec方法对分词后的文本进行故障属性特征提取，根据类别建立故障信息表。
[0028]进一步地，步骤S41具体包括以下步骤：
[0029]S411：采用jieba分词法对案例资源知识图谱中的故障部位和故障现象进行分词，将不同类型的特征进行分类，并进行分词筛选；
[0030]S412：对分词后的数据，以数据表的形式创建案例库。
[0031]进一步地，步骤S42具体包括以下步骤：
[0032]S421：针对故障案例信息中故障部位和故障现象故障要素，进行故障特征提取，并存入故障特征表；
[0033]S422：构建故障特征词库和停用词库；
[0034]S423：使用Wordvec算法在对分词后的数据去除停用词后抽取出可表示案例的关键词。
[0035]进一步地，步骤S5具体包括以下步骤：
[0036]S51：依据模糊偏好关系确定属性的主观权重；
[0037]S52：根据案例资源知识图谱确定属性的客观权重；
[0038]S53：根据所述主观权重和客观权重计算属性的综合权重；
[0039]S54：根据综合权重，通过神经网络计算当前数据对应的案例与预设的历史案例的总体相似度；
[0040]S55：完成CBRDA
‑
KG决策模型的构建。
[0041]进一步地，步骤S51具体包括以下步骤：
[0042]S511：建立模糊偏好关系矩阵Y＝(y
ij
...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的知识推理和故障诊断方法，其特征在于，包括：获取实际故障案例信息，并载入预先构建并训练好的CBRDA
‑
KG决策模型中，得出故障诊断结果；所述CBRDA
‑
KG决策模型的数据处理过程包括以下步骤：S1：获取故障记录信息和数据知识，标注故障信息的实体以及实体间的关系；S2：对获取的数据进行数据清洗后，获取实体间所有关系路径以及实体关系三元组，构建案例资源知识图谱；S3：将获取的关系路径信息嵌入卷积编码器中，获取路径特征向量，将该路径特征向量输入BiLSTM网络中，得到关系路径表示向量，将该关系路径表示向量输入ATT模型中，经过多步推理得到隐藏三元组路径推理结果，补全所述案例资源知识图谱；S4：提取所述案例资源知识图谱中故障的属性特征信息；S5：计算所述属性特征信息中各个属性的权重值，并通过神经网络计算当前数据对应的案例与预设的历史案例的总体相似度，完成CBRDA
‑
KG决策模型的构建。2.根据权利要求1所述的一种基于知识图谱的知识推理和故障诊断方法，其特征在于，步骤S3中，所述ATT模型的表达式为：s(p
i
,r)＝tanh(p
i
W
s
)r)rP(r|e
s
,e
t
)＝f(W
P
(c+r))式中，s(p
i
,r)为语义相关度得分，p
i
为第i个隐藏层的输出值，W
s
为权值矩阵，r为概率得分，α
i
为路径i的独立权重，n为词数，为softmax函数，c为加权计算后得到的候选关系状态向量，P(r|e
s
,e
t
)为头尾实体的概率得分，e
s
为头实体，e
t
为尾实体，W
P
(c+r)为概率权重，f为激活函数；所述ATT模型经过加权运算之后集合路径基本信息，在丢弃与候选关系相关度较低的路径的同时保留相关性强的路径；所述ATT模型的损失函数为：式中，L(θ)为为ATT模型的损失函数，N为实验次数，为目标函数，λ为正则化率，θ为正则化参数；所述ATT模型采用Adam优化器进行训练，当训练误差最低时，分别为正例三元组和负例三元组赋予较高和较低的值，调整参数后采用L2范数正则化的方式防止出现过拟合，得出隐藏三元组路径推理结果。3.根据权利要求1所述的一种基于知识图谱的知识推理和故障诊断方法，其特征在于，步骤S4具体包括以下步骤：S41：采用分词法对所述案例资源知识图谱中的文本进行分词；
S42：采用Word2vec方法对分词后的文本进行故障属性特征提取，根据类别建立故障信息表。4.根据权利要求3所述的一种基于知识图谱的知识推理和故障诊断方法，其特征在于，步骤S41具体包括以下步骤：S411：采用jieba分词法对案例资源知识图谱中的故障部位和故障现象进行分词，将不同类型的特征进行分类，并进行分词筛选；S412：对分词后的数据，以数据表的形式创建案例库。5.根据权利要求4所述的一种基于知识图谱的知识推理和故障诊断方法，其特征在于，步骤S42具体包括以下步骤：S421：针对故障案例信息中故障部位和故障现象故障要素，进行故障特征提取，并存入故障特征表；S422：构建故障特征词库和停用词库；S423：使用Wordvec算法在对分词后的数据去除...

【专利技术属性】
技术研发人员：阎曼婷，王坚，韩慧慧，
申请(专利权)人：同济大学，
类型：发明
国别省市：