[发明专利]基于深度学习的挖掘机故障知识图谱的构建方法

权利要求书

1.一种基于深度学习的挖掘机故障知识图谱构建方法，其特征在于，包括：

接收客户端上报的故障工单，从故障工单中提取实体文本并进行标注；

利用标注后的实体文本进行模型训练；

构建RDF三元组并导入知识图谱数据库，其中，所构建的RDF三元组包括：头实体、关系和尾实体；

针对当前待处理的挖掘机故障，利用所述知识图谱数据库针进行知识搜索，得到故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述从故障工单中提取实体文本并进行标注，包括：

通过文字识别，从所述故障工单实体中提取表示故障描述、处理措施和处理结果的文本数据；

对所提取的文本数据进行预处理，获取实体文本；

对实体文本按照类别进行标注。

3.根据权利要求2所述的方法，其特征在于，所述类别至少包括：零部件、故障词、故障现象、故障原因、挖掘机类型、挖掘机型号和维修方法。

4.根据权利要求1所述的方法，其特征在于，还包括：

对标注后的实体文本进行分类，得到训练集、验证集和测试集，所述训练集用于训练卷积神经网络模型，所述验证集用于训练循环神经网络模型，所述测试集验证模型的准确性。

5.根据权利要求4所述的方法，其特征在于，所述利用标注后的实体文本进行模型训练，包括：

构建文本CNN网络模型和文本RNN网络模型，并按照优化的目标设定损失函数；

对所构建的CNN网络模型和文本RNN网络模型进行迭代运算，直至损失函数稳定，并得到网络模型的参数结果；

通过测试集验证所构建的CNN网络模型和文本RNN网络模型，在所得到的参数结果下的准确率。

6.根据权利要求1所述的方法，其特征在于，构建RDF三元组的过程中，包括：

从挖掘机现场作业时发生故障的文字描述中提取实体文本并进行标注后，输入训练好的CNN网络模型和文本RNN网络模型，得到实体文本所属类型的预测结果：

其中，h_w(x_i)为样本x_i属于各标签的概率，w_j是训练好的网络参数w的第j个分量值，i为正整数，p为x_i所属类别的概率，y为真实标签，预测标签

7.根据权利要求1或6所述的方法，其特征在于，所述构建RDF三元组并导入知识图谱数据库，包括：

根据预设规则，将十种不同的实体文本用十六种关系构建RDF三元组并存储为csv文件；

通过py2neo库搭建接口，将所得到的csv文件导入Neo4j知识图谱数据库。