[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

说明书

本发明实施例公开了一种基于深度学习的挖掘机故障知识图谱构建方法，涉及挖掘机故障诊断领域，实时性好，适合进行在线故障诊断。本发明包括：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。本发明适用于挖掘机故障在线诊断。

技术领域

本发明涉及挖掘机故障诊断领域，尤其涉及一种基于深度学习的挖掘机故障知识图谱构建方法。

背景技术

履带式挖掘机是民用建筑施工、水利工程、道路桥梁工程等基建工程中必不可少的工具。相比于轮式机械，履带式挖掘机在作业过程中面临的环境和振动情况会更加恶劣。长时间运行于恶劣环境中将会使履带式挖掘机容易发生故障，造成施工建设停滞，增加施工风险，严重影响施工进度，进而使相关企业的经济效益和施工人员的生命安全受到影响。因此，研究履带式挖掘机的故障诊断方法，减少故障诊断与维修时间，提高诊断的可靠性，对于保障挖掘机安全运行，促进安全管理工作的进行以及增加相关企业的经济效益具有至关重要的意义。

目前履带式挖掘机的故障诊断与维修大多依赖维修人员的技术水平和经验，并且从故障发生到维修人员到达作业现场诊断排除故障的间隔时间将会使施工停滞，上述现状会导致诊断准确率参差不齐，可靠性不高，效率低下等问题。另外，在大型机械故障诊断领域，目前的大部分研究所使用的方法实时性较差，不适合进行在线故障诊断。

发明内容

本发明的实施例提供一种基于深度学习的挖掘机故障知识图谱构建方法，实时性好，适合进行在线故障诊断。

为达到上述目的，本发明的实施例采用如下技术方案：

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。

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。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。

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。

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。

本发明实施例提供的基于深度学习的挖掘机故障知识图谱构建方法，从非结构化与半结构化挖掘机故障工单中抽取实体以及各类实体之间的关系；使用基于深度学习的神经网络模型对实体进行分类，基于规则构建实体与关系的三元组并完成知识谱的搭建；自动吸收用户提供的新知识，完善和更新故障知识图谱。挖掘机的故障主要发生在运行期间，需要操作人员具有丰富的维修经验，这也为挖掘机的故障诊断增加了难度，构建故障知识图谱可以降低诊断难度。根据本发明专利所述的技术方案，可以构建挖掘机故障知识图谱以辅助诊断决策，提升故障诊断的准确率和快速性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。