申请/专利权人：中北大学

申请日：2022-04-15

公开（公告）日：2024-04-12

公开（公告）号：CN114691889B

主分类号：G06F16/36

分类号：G06F16/36;G06F16/901;G06F40/295

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.07.19#实质审查的生效;2022.07.01#公开

摘要：本发明属于高速铁路道岔转辙机故障诊断技术领域和知识图谱技术领域。具体涉及一种道岔转辙机故障诊断知识图谱构建方法。本发明是通过建立道岔转辙机故障诊断本体模型；使用双向长短记忆神经网络模型组合线性链条件随机场模型进行命名实体识别任务，将同一行数据中抽取出的实体存储在一起等步骤实现。本发明充分利用道岔转辙机故障记录文本数据，构建其故障诊断知识图谱。将道岔转辙机故障原因、故障现象、故障位置等要素信息以图的形式进行表示，直观地展现各信息之间的关联，对故障知识进行组织。使用此知识图谱可以完成由故障现象到故障原因、由故障原因到故障位置等信息的查询，提高故障诊断效率。

主权项：1.一种道岔转辙机故障诊断知识图谱构建方法，其特征在于：包括以下步骤：步骤1.建立道岔转辙机故障诊断本体模型；步骤2.使用双向长短记忆神经网络模型组合线性链条件随机场模型进行命名实体识别任务，将同一行数据中抽取出的实体存储在一起，分为4个步骤：A1.使用BIO标记法对道岔转辙机故障记录中每条文本序列进行文本标注，BIO标记法是将每个字符标注为“B-X”、“I-X”、或“O”；A2.词向量转换，使用Wordembedding方法对文本序列进行词向量转换；A3.建立双向长短记忆神经网络模型，将序列词向量作为输入进行训练，输出发射矩阵；A4.使用线性链条件随机场模型对双向长短记忆神经网络模型的输出结果进行矫正；对于一个输入序列X，某条预测标签序列y通过线性链条件随机场模型的分数包括发射分数和状态转移分数两部分；双向长短记忆神经网络模型输出结果为发射分数，状态转移分数则由线性链条件随机场模型转移矩阵决定，分数计算公式为式中，为标签yi转移到yi+1的概率，Pi,yi为序列中第i个元素标签为yi的概率，n为序列长度；线性链条件随机场模型损失函数由真实路径分数和所有路径分数总和构成，公式为式中，sRealPath为真实路径的分数，YX为序列X所有可能标签序列的集合；步骤3.步骤2实体抽取结果中存在实体词不同，具体是指词的字符不一致，但其含义相同，都指向同一事物；将步骤2实体抽取结果使用人工检验的方法将形式不同但含义相同的实体词进行合并、统一；步骤4.在步骤3的基础上，进行信息拼接；将每个句子中模型提取出的故障位置和故障原因拼接后作为作为最终的故障原因，将故障位置逻辑上作为其属性，以步骤1本体层对应的关系连接；在可视化阶段，仍以节点、关系三元组的形式在数据库中进行存储；故障现象也是同样操作，这样可以防止知识图谱出现查询结构混乱的情况；步骤5.将步骤4后的结果，按照步骤1中建立的本体概念之间的关系进行关联；步骤2到步骤4的工作中，同一行数据中抽取出的实体存储在一起，按照本体概念之间的关系直接将同一行数据中提取的实体进行关联，形成知识图谱基本三元组；之后使用neo4j图数据库进行知识图谱可视化；因转辙机与道岔联合工作，两者之间相互影响，实体抽取时不可避免地将道岔的故障位置信息进行了提取；在neo4j图数据库中，在故障位置节点内标明其属于转辙机或道岔，以及转辙机的哪个基本组成结构。

全文数据：

权利要求：

百度查询： 中北大学 一种道岔转辙机故障诊断知识图谱构建方法

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