申请/专利权人：常州大学

申请日：2023-12-30

公开（公告）日：2024-04-02

公开（公告）号：CN117807515A

主分类号：G06F18/2411

分类号：G06F18/2411;G06F18/214;G06F16/36

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明涉及清洁能源设备故障诊断及自然语言处理领域，具体涉及一种基于词对标记和联合抽取的压缩机故障诊断与反馈方法，包括构建压缩机故障诊断模型，并获取数据集；利用数据集，使用二元交叉熵损失对模型进行训练；当压缩机出现故障时，输入故障描述到训练好的模型中，模型输出故障诊断结果及建议的操作指南；其中，压缩机故障诊断模型采用了词对标记和多级注意力神经网络，以提高模型在压缩机故障诊断和操作指南生成中的准确性，本发明解决了在部件识别和故障抽取两种任务间编码特征向量时，交互不足的问题，从而提高识别压缩机故障的准确性。

主权项：1.一种基于词对标记和联合抽取的压缩机故障诊断与反馈方法，其特征在于，方法包括：构建压缩机故障诊断模型，并获取数据集；利用数据集，使用二元交叉熵损失对模型进行训练；当压缩机出现故障时，输入故障描述到训练好的模型中，模型输出故障诊断结果及建议的操作指南；其中，压缩机故障诊断模型的工作过程包括：步骤S1、采用预训练语言模型将输入的语句转换为自然语言序列H，并获取模型编码后产生的词向量序列H′，采用词对标记算法在自然语序序列H中标记文本和任务标签类型；步骤S2，在自然语言序列H上应用多层感知器获得实体类别或关系类别的头部和尾部的表示Hi，Hj；步骤S3，利用多头双仿射模型基于Hi，Hj来获取词对hi,hj的表示HT,对HT采用softmax激活函数，得到的HT结果被视为自然语言序列H的权重信息；步骤S4，使用权重信息HT和词向量序列H′进行多头注意力计算作为上下文表融合模块，获得序列S；步骤S5，使用两个具有残差结构的独立前馈神经网络层对序列S进行编码；步骤S6，对编码后的序列S进行非线性变换，并计算注意力分数，为2D词对的每个关系生成预测分数。

全文数据：

权利要求：

百度查询： 常州大学 基于词对标记和联合抽取的压缩机故障诊断与反馈方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD