一种基于知识图谱的发动机智能工艺检索及匹配方法组成比例

本发明专利技术涉及一种基于知识图谱的发动机智能工艺检索及匹配方法，属于发动机工艺设计技术领域，包括以下步骤：对工艺文本进行预处理并实现主题建模；利用综合向量表示法实现工艺文本信息的知识表征；构造工艺知识子图，并利用知识图谱嵌入模型对工艺知识子图进行表示学习，学习到实体向量；以实体向量作为输入，通过卷积神经网络模型和基于k

【技术实现步骤摘要】
一种基于知识图谱的发动机智能工艺检索及匹配方法


[0001]本专利技术涉及发动机工艺设计
，尤其涉及一种基于知识图谱的发动机智能工艺检索及匹配方法。

技术介绍

[0002]当前，发动机动力系统研制周期缩短、科研型号剧增、新结构工艺复杂、产品需求及工艺应用难、制造反馈差等研制现状未发生变化，仍然是制约发动机研制质量提升与研制周期缩短的“瓶颈”。发动机复杂构件研制过程中仍然存在工艺知识覆盖制造要素少、工艺知识可复用率低、工艺设计与验证周期长、质量不稳定等问题。

技术实现思路

[0003]针对现有技术中在发动机复杂构件研制过程中存在的工艺知识覆盖制造要素少、工艺知识可复用率低、工艺设计与验证周期长、质量不稳定等问题，本专利技术提供一种基于知识图谱的发动机智能工艺检索及匹配方法，目的在于能快速检索并自适应修改过去的工艺实例，使之能应用到新零件的工艺中来，提高工艺的复用率以及检索效率。本专利技术将文本向量表示法与结构表示法向量结合，形成工艺知识的综合向量表示，对工艺人员提出的自然语言问题，进行问句分析、结构化知识提取、输出优化匹配的工艺知识，进而将识别的需求向量按照相应的相似度分析规则匹配出相似实例，并基于工艺规则对实例进行修改。本专利技术包括融合工艺文本信息的知识表征方法、基于深度学习的工艺知识检索技术、基于知识图谱的工艺知识匹配方法三部分内容，实现工艺知识的快速检索以及匹配。
[0004]为实现上述目的，本专利技术采取如下的技术方案：
[0005]一种基于知识图谱的发动机智能工艺检索及匹配方法，包括以下步骤：
[0006]步骤1：对铸造、机加、装配三类工艺文本分别进行预处理形成文本向量，并根据关键词进行主题建模；
[0007]步骤2：将所述文本向量以及知识图谱结构表示向量进行综合训练，获得知识的综合向量表示；
[0008]步骤3：利用实体链接技术获得工艺知识图谱中的相关实体知识，构造工艺知识子图，并利用知识图谱嵌入模型对工艺知识子图进行表示学习，学习到实体向量；
[0009]步骤4：构建卷积神经网络模型，将步骤3学习到的实体向量作为卷积神经网络模型的输入，基于k
‑
NN的检索策略实现实例的检索；
[0010]步骤5：文本预处理并经过自然语言处理工具处理后，使用基于语义相似度计算方法以及基于因果推理的知识需求预测方法进行场景工艺知识需求意图识别，得到识别的需求向量；
[0011]步骤6：将识别的需求向量按照相应的相似度分析规则计算出与实例模板的相似度，根据相似度进行实例匹配，并设置相似度阈值，超过所述相似度阈值的匹配实例组成相似实例集合；
[0012]步骤7：依据推荐性设计规则和原理性设计规则修改所述相似实例集合中工艺实例的参数，获得修改后的相似知识图谱。
[0013]与现有技术相比，本专利技术具有如下有益效果：
[0014](1)本专利技术将文本向量与结构表示向量结合，形成工艺知识的综合向量表示法，更加准确、全面地描述了工艺知识，提高了工艺知识的准确性和完整性；
[0015](2)本专利技术将深度学习技术应用到工艺知识检索当中，构建了卷积神经网络模型，基于k
‑
NN的检索策略实现了知识的检索；
[0016](3)基于语义相似度计算方法以及因果推理技术实现了多场景工艺知识需求意图识别；
[0017](4)将推荐性设计规则和原理性设计规则相结合对工艺实例的参数进行修改，对比单一规则的修改发方法，本专利技术提供的修改方法更加快速、准确。
附图说明
[0018]图1为本专利技术实施例提供的一种基于知识图谱的发动机智能工艺检索及匹配方法的整体流程图；
[0019]图2为融合工艺文本信息的知识表征方法的流程图；
[0020]图3为CBOW模型的结构示意图；
[0021]图4为基于知识图谱的工艺知识匹配方法总体技术路线图；
[0022]图5为基于因果推理的知识需求预测流程图。
具体实施方式
[0023]为了更加清晰的表述专利技术要解决的技术问题、技术方案和优点，下面结合附图和具体实施例进行详细描述。
[0024]本专利技术提供一种基于知识图谱的智能工艺检索技术，将综合向量表示法、问句分析法、结构化知识提取法、相似度计算法以及深度学习技术相结合，实现了工艺实例的快速检索以及修改，使旧实例经过规则的自动修改能应用到新零件的工艺中来，节约了时间成本并提高了生产效率。如图1所示，本专利技术实施例提供的一种基于知识图谱的发动机智能工艺检索及匹配方法包括以下步骤：
[0025]步骤1：对铸造、机加、装配三类工艺文本分别进行预处理，预处理包括格式处理、词频统计、判定工艺参数等操作，形成文本向量，并根据关键词进行主题建模。步骤1以及步骤2的总体流程图如图2所示。
[0026]具体地，步骤1主要完成工艺文本的预处理以及主题建模，其中：
[0027]工艺文本的预处理指工艺语料库需要进行预处理操作，包括对工艺文本进行分词、词性标注、句法分析、去除语料的停用词并进行词干化等。文本中出现次数过多或过少的词与建模联系很少，所以去掉部分词汇。
[0028]由于工艺文本词汇的主题信息可以看成是语义分类信息，例如可以将工艺信息分为铸造、机加、部件装配、整体装配等主题，每个主题包含多个标识词，例如铸造主题下的标识词为铸造、铸铁、充型、分型面、浇铸等。因此主题建模的步骤为：从文本中获取候选关键词，再根据词性选取候选关键词；根据大规模语料学习得到隐含主题模型；根据得到的隐含
主题模型，计算文本的主题分布和候选关键词分布；计算文本和候选关键词的主题相似度并排序，选取前n个词作为关键词。
[0029]进一步地，基于LDA算法实现主题建模，其包括以下步骤：通过用主题建模算法LDA(算法中的采样算法是Gibbs)训练获取部分主题及其所包含的词汇获取主题后，应用主题丰富实体描述文本语义，即对文本中词汇赋予多个主题以扩展文本语义，部分主题的文本扩展如表1所示。
[0030]表1主题文本扩展
[0031]主题标识词铸造铸造、铸铁、充型、分型面、浇铸机加机床、车削、铣削、钻孔、磨削部件装配配气机构、曲柄连杆机构、螺纹联接、过盈配合整体装配整体装配、总装图、装配顺序
…………
[0032]LDA算法假设文本中主题的先验分布和主题中词的先验分布都服从狄利克雷分布。通过对已有数据集的统计，就可以得到每篇文本中主题的多项式分布和每个主题对应词的多项式分布。进一步可以通过先验的狄利克雷分布和观测数据得到的多项式分布，得到一组Dirichlet
‑
multi共轭，并据此来推断文本中主题的后验分布。那么具体的LDA模型结合Gibbs采样的训练过程一般如下：
[0033]①
随机初始化，对语料中每篇文本中的每个词w，随机地赋予一个topic编号z；
[0034]②
重新扫描语料库，对每个词w按照Gibbs采样公式重新采样它的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的发动机智能工艺检索及匹配方法，其特征在于，包括以下步骤：步骤1：对铸造、机加、装配三类工艺文本分别进行预处理形成文本向量，并根据关键词进行主题建模；步骤2：将所述文本向量以及知识图谱结构表示向量进行综合训练，获得知识的综合向量表示；步骤3：利用实体链接技术获得工艺知识图谱中的相关实体知识，构造工艺知识子图，并利用知识图谱嵌入模型对工艺知识子图进行表示学习，学习到实体向量；步骤4：构建卷积神经网络模型，将步骤3学习到的实体向量作为卷积神经网络模型的输入，基于k
‑
NN的检索策略实现实例的检索；步骤5：文本预处理并经过自然语言处理工具处理后，使用基于语义相似度计算方法以及基于因果推理的知识需求预测方法进行场景工艺知识需求意图识别，得到识别的需求向量；步骤6：将识别的需求向量按照相应的相似度分析规则计算出与实例模板的相似度，根据相似度进行实例匹配，并设置相似度阈值，超过所述相似度阈值的匹配实例组成相似实例集合；步骤7：依据推荐性设计规则和原理性设计规则修改所述相似实例集合中工艺实例的参数，获得修改后的相似知识图谱。2.根据权利要求1所述的一种基于知识图谱的发动机智能工艺检索及匹配方法，其特征在于，所述预处理包括对存储在工艺语料库中的工艺文本进行分词、词性标注、句法分析、去除语料的停用词并进行词干化。3.根据权利要求1所述的一种基于知识图谱的发动机智能工艺检索及匹配方法，其特征在于，根据关键词进行主题建模的过程包括以下步骤：对工艺文本进行分词后，获取候选关键词，或者根据词性选取候选关键词；根据大规模语料学习得到隐含主题模型；根据得到的隐含主题模型计算文本的主题分布和候选关键词分布；计算文本和候选关键词的主题相似度并排序，选取前n个词作为关键词。4.根据权利要求1所述的一种基于知识图谱的发动机智能工艺检索及匹配方法，其特征在于，文本的向量表示模型由嵌入层、双向LSTM层和注意力层三层构成；知识图谱结构表示向量直接利用TransE进行训练获取。5.根据权利要求1所述的一种基于知识图谱的发动机智能工艺...

【专利技术属性】
技术研发人员：张大舜，郭克，孙溯辉，范悦，杜娟，苗立琴，王静，
申请(专利权)人：长春设备工艺研究所，
类型：发明
国别省市：