【技术实现步骤摘要】
本申请涉及故障分析领域，特别涉及一种铁路动车组故障规则学习方法及其系统。
技术介绍
1、当前，随着高速铁路的不断发展，高铁动车已成为人们出行的重要方式之一。动车组在运行过程中会产生故障文本数据，这些数据记录了故障概况、故障原因、处理措施等相关故障信息，对这些数据进行处理分析能够帮助铁路运营部门了解故障发生情况和原因，并在未来运行过程中提供相关知识，保障铁路安全运行。
2、当前面临的一个主要挑战是如何及时准确地识别和提取故障信息。动车组故障信息通常包含在调查报告、维修日志等非结构化文本数据中，这使得相关动车组故障信息的提取变得困难且耗时。
3、目前仍然存在缺少为了提取动车组故障文本中的实体和关系链的方法，现有的方法通过对现有的动车组故障数据进行人工标注，构建深度学习模型来进行实体识别和关系提取。但这种方法需要大量标注样本数据进行训练，收集和标注数据的成本较高。对于特定于动车组故障领域的实体和关系链，需要有足够的样本数据进行训练，否则模型可能泛化能力较差。从而影响提取的关联规则的质量。
技术实现思路
1、为了解决上述现有技术的缺陷，本申请实施例提供了一种铁路动车组故障规则学习方法，以解决需要大量人工标注样本数据而导致的效率及成本技术问题。
2、第一方面，本申请实施例提供了一种铁路动车组故障规则学习方法，包括：
3、故障类型及模板预定义步骤：根据采集的铁路动车组故障文本，定义故障实体类型及关系类型，根据故障实体类型，构建动车组故障命名实体识
4、故障关系链提取步骤：基于故障文本、实体类型、故障命名实体识别提示模板、故障关系类型及故障关系提取提示模板，引导预构建的故障规则学习模型进行动车组故障关系链提取，获得动车组故障三元组；
5、故障规则学习步骤：基于故障三元组，针对故障规则学习模型进行不断迭代训练，将待学习的铁路动车组故障文本输入故障规则学习模型，生成铁路动车组故障规则学习结果，指导动车组故障的处理。
6、作为一种可选的实施方式，本专利技术第一方面中，上述铁路动车组故障规则学习方法，方法还进一步包括：
7、故障规则挖掘步骤：根据提取的动车组故障三元组构建知识图谱，抽取路径信息，利用提示工程使用故障规则学习模型进行规则挖掘，生成候选规则集；
8、故障规则排序步骤：根据候选规则集和知识图谱，通过逻辑规则排序器评估生成规则的质量，过滤置信度高但频率低的伪规则。
9、作为一种可选的实施方式，本专利技术第一方面中，上述故障类型及模板预定义步骤包括：
10、故障类型定义步骤：根据动车组故障文本和现有动车组故障知识图谱，定义动车组故障实体类型和关系类型；
11、实体模板预定义步骤：根据故障文本及预定义的动车组故障实体类型，构建动车组故障命名实体识别提示模板；
12、关系模板预定义步骤：根据故障文本及预定义的动车组故障关系类型，构建动车组故障关系提取提示模板链。
13、作为一种可选的实施方式，本专利技术第一方面中，上述提示模板链包含：第一阶段模板和第二阶段模板，其中，第一阶段模板包含关系列表，第二阶段模板包含对应关系列表的三元组，故障三元组定义为：(第一实体，关系，第二实体)。
14、作为一种可选的实施方式，本专利技术第一方面中，上述故障关系链提取步骤包括：
15、候选示例生成步骤：基于待关系提取的故障文本及预生成的命名实体候选示例，采用相似度算法选取相似度最高的实体识别演示示例集合；基于待关系提取的故障文本及预生成的实体关系候选示例，采用相似度算法选取相似度最高的关系抽取演示示例集合；
16、故障实体提取步骤：将待关系提取的故障文本、实体类型和实体识别演示示例填入实体识别提示模板，并输入故障规则学习模型中，得到待关系提取的故障文本中的故障实体；
17、故障关系提取步骤：将待关系提取的故障文本和关系类型填入提示模板链，得到故障文本中包含的关系类型；提取的实体和关系类型，输入大模型进行多轮问答，完成动车组故障关系提取。
18、作为一种可选的实施方式，本专利技术第一方面中，上述故障规则挖掘步骤包括：
19、根据提取的动车组故障三元组构建知识图谱，构建提示模板，并使用故障规则学习模型，将三元组相互关联链接生成候选规则集，其中，相互关联链接的三元组中，排列在先的三元组的第二实体与排列在后的三元组的第一实体相同。
20、作为一种可选的实施方式，本专利技术第一方面中，上述故障规则排序步骤包括：
21、根据候选规则集和知识图谱，对候选规则进行排序，计算规则频率和置信度，通过设定的阈值进行高质量规则筛选。
22、第二方面，本申请实施例提供了一种铁路动车组故障规则学习系统，采用如铁路动车组故障规则学习方法，系统包括：
23、故障类型及模板预定义模块：根据采集的铁路动车组故障文本，定义故障实体类型及关系类型，根据故障实体类型，构建动车组故障命名实体识别提示模板；根据故障关系类型，构建动车组故障关系提取提示模板；
24、故障关系链提取模块：基于故障文本、实体类型、故障命名实体识别提示模板、故障关系类型及故障关系提取提示模板，引导预构建的故障规则学习模型进行动车组故障关系链提取，获得动车组故障三元组；
25、故障规则学习模块：基于故障三元组，针对故障规则学习模型进行不断迭代训练，将待学习的铁路动车组故障文本输入故障规则学习模型，生成铁路动车组故障规则学习结果；
26、故障规则挖掘模块：根据提取的动车组故障三元组构建知识图谱，抽取路径信息，利用提示工程使用故障规则学习模型进行规则挖掘，生成候选规则集；
27、故障规则排序模块：根据候选规则集和知识图谱，通过逻辑规则排序器评估生成规则的质量，过滤置信度高但频率低的伪规则。
28、第三方面，本申请实施例提供了一种电子设备，装置包括：存储可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如上所述铁路动车组故障规则学习方法。
29、第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如上所述铁路动车组故障规则学习方法。
30、相比于相关现有技术，具有以下突出的有益效果：
31、1、本专利技术方法基于知识图谱的动车组关联规则学习方法，不需要大量人工标注数据和模型训练，仅需要少量注释数据示例，通过检索相似示例加入提示中，利用大模型的上下文学习能力，通过多轮对话的形式进行动车组故障实体的识别和关系提取，能够适应不同的故障文本特点，根据实际情况进行动车组故障关系提取；
32、2、本专利技术方法通过提取的动车组故障关系链构成的故障三元组抽取关联规则，进一步完善知识图谱并指导动车组故障的处本文档来自技高网...
【技术保护点】
1.一种铁路动车组故障规则学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述铁路动车组故障规则学习方法，其特征在于，所述方法还进一步包括：
3.根据权利要求1或2所述铁路动车组故障规则学习方法，其特征在于，所述故障类型及模板预定义步骤包括：
4.根据权利要求3所述铁路动车组故障规则学习方法，其特征在于，所述提示模板链包含：第一阶段模板和第二阶段模板，其中，所述第一阶段模板包含关系列表，所述第二阶段模板包含对应所述关系列表的三元组，所述故障三元组定义为：(第一实体，关系，第二实体)。
5.根据权利要求1或2所述铁路动车组故障规则学习方法，其特征在于，所述故障关系链提取步骤包括：
6.根据权利要求4所述铁路动车组故障规则学习方法，其特征在于，所述故障规则挖掘步骤包括：
7.根据权利要求2所述铁路动车组故障规则学习方法，其特征在于，所述故障规则排序步骤包括：
8.一种铁路动车组故障规则学习系统，采用如权利要求1-7中所述铁路动车组故障规则学习方法，其特征在于，所述系统包括：
9.一
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7中任意一项所述铁路动车组故障规则学习方法。
...【技术特征摘要】
1.一种铁路动车组故障规则学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述铁路动车组故障规则学习方法，其特征在于，所述方法还进一步包括：
3.根据权利要求1或2所述铁路动车组故障规则学习方法，其特征在于，所述故障类型及模板预定义步骤包括：
4.根据权利要求3所述铁路动车组故障规则学习方法，其特征在于，所述提示模板链包含：第一阶段模板和第二阶段模板，其中，所述第一阶段模板包含关系列表，所述第二阶段模板包含对应所述关系列表的三元组，所述故障三元组定义为：(第一实体，关系，第二实体)。
5.根据权利要求1或2所述铁路动车组故障规则学习方法，其特征在于，所述故障关系链提取步骤包括：
6.根据权利要求4所述铁路动车组故障...
【专利技术属性】
技术研发人员：韩子威，王辉，李燕，詹珂昕，张惟皎，贾志凯，李超旭，杨晨，杨春辉，陈彦，张绍哲，叶琦，邵丹丹，岳云峰，李静雪，段福广，李鑫，程凯，
申请(专利权)人：中国铁道科学研究院集团有限公司电子计算技术研究所，
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。