(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210053559.5 (22)申请日 2022.01.18 (71)申请人 中国科学院大学 地址 100049 北京市石景山区玉泉路 （甲） 19号 (72)发明人 张玲玲　肖潇　季续国　 (74)专利代理 机构 北京方安思达知识产权代理 有限公司 1 1472 专利代理师 陈琳琳　李彪 (51)Int.Cl. G06F 16/335(2019.01) G06F 16/35(2019.01) G06F 16/36(2019.01) G06F 40/295(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 5/04(2006.01) G06N 7/00(2006.01) (54)发明名称 一种非结构化设备故障知识的分类及知识 萃取方法 (57)摘要 本发明公开了一种非结构化设备故障知识 的分类及知识萃取方法， 该方法包括： 采集待诊 断设备的故障诊断知识并分类； 基于故障诊断知 识的分类， 建立对应的知识萃取方法， 进行第一 次知识萃取， 抽取概念、 属性和不同概念属性之 间的关联关系， 形成局部知识； 对局部知识进行 第二次知识萃取， 将得到的浅知识和深知识整合 为复合式知识， 形成全局知识库， 实现多源信息 的集成与融合。 本发明的方法有效解决了目前设 备故障诊断领域中对经验、 资源重用率较低的问 题， 将大量非结构化故障数据和经验知识转换为 机器可处理的诊断维护知识， 实现了故障诊断中 隐性知识显性化， 显性知识规范化， 具有完 备、 一 致性好和精确的优点， 以提高后续诊断准确度和 维护决策效率。 权利要求书2页 说明书9页 附图2页 CN 114461784 A 2022.05.10 CN 114461784 A 1.一种非结构化设备故障知识的分类及 知识萃取 方法， 所述方法包括： 步骤1)采集待 诊断设备的故障诊断知识； 步骤2)对故障诊断知识进行分类； 步骤3)基于故障诊断知识的分类， 建立对应的知识萃取方法， 进行第一次知识萃取， 抽 取概念、 属性和不同概念属性之间的关联关系， 形成局部知识； 步骤4)对局部知识进行第 二次知识萃取， 将得到的浅知识和 深知识整合为复合式知识 形成全局知识库， 实现多源信息的集成与融合。 2.根据权利要求1所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于， 所述步骤1)具体包括： 收集检修专 家的重要信息反馈、 故障日报、 分析报告和专 家结论； 收集应急 故障手册、 修 程修制、 用户手册和检修 技术条件； 采集设备实时检测得到的基础数据、 运行 数据、 故障统计和其 他设备实时信息 。 3.根据权利要求2所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于， 所述步骤2)具体包括： 对故障诊断知识进行分类， 其中， 将检修专家 的重要信息反馈、 故障日报、 分析报告和专家结论归为检修专家历史经验 知识； 将应急故障手册、 修 程修制、 用户手册和检修 技术条件归为检修专业 技术文档； 将设备实时检测采集的基础数据、 运行数据、 故障统计和其他设备实时信息归为设备 实时检测采集信息 。 4.根据权利要求3所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于， 所述步骤3)具体包括： 对于检修专家历史经验知识和检修专业技术文档， 采用基于深度 学习的命名实体识别 技术进行设备故障的特 征提取， 以结构化形式呈现； 对于设备实时检测采集的状态信息， 采用Apriori算法进行关联规则挖掘， 获得故障信 息与状态信息的关联关系。 5.根据权利要求4所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于， 所述对于检修专家历史经验知识和检修专业技术文档， 采用基于深度学习的命名实体识别 技术进行设备故障的特 征提取， 以结构化形式呈现； 具体包括： 对于检修专家历史经验知识和检修专业技术文档， 将文档中的事故故障文本转换为段 落， 将段落 转换为句子， 将句子转 化为人工标注的序列； 通过word2vec将标注的序列转换为词向量， 构 建基于深度学习和统计学习的事故故障 文本特征提取混合模型， 提取出事故故障文本的关键特征， 从而实现将非结构化事故故障 文本数据转换为结构化数据。 6.根据权利要求5所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于， 所述事故故障文本特征提取混合模型包括依次连接的Bi ‑LSTM层、 CRF层和输出层， 模型的 输入为词向量， 输出为事故故障文本的关键特征， 所述关键特征包括 故障原因、 故障维修人 员、 故障模块、 故障症状、 解决方案和影响因素。 7.根据权利要求4所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 114461784 A 2所述对于 设备实时检测采集的状态信息， 采用Apr iori算法进 行关联规则挖掘， 获得故障信 息与状态信息的关联关系； 具体包括： 通过设备实时检测采集的状态信息建立事务数据库； 通过迭代检索得到事务数据库中包 含的所有频繁项集； 由频繁项集产生该状态信 息对应的强关联规则， 从而获得故障信 息与状态信 息的关联 关系。 8.根据权利要求7所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于， 所述通过迭代检索得到事务数据库中包 含的所有频繁项集； 具体包括： 使用最小支持度作为判断频繁项集 的标准， 找出满足最小支持度的频繁1项集L1， 对L1 的自身连接生成的集合执行剪枝策略产生候选项集C2， 对C2中的项进行满足最小支持度判 定挖掘得到频繁2项集L2， 以此类推， 迭代进行， 直至无法找到频繁k项集为止， 对应的频繁 (k‑1)项集的集 合即为所有频繁项集。 9.根据权利要求1所述的非结构化设备故障知识的分类及知识萃取方法， 其特征在于， 所述步骤4)具体包括： 对局部知识进行第 二次知识萃取， 将经过反复多次的试验以及相关演绎 式推理得到的 诊断结构的知识归为浅知识； 将基于数据建立功能模型、 结构模型、 因果关系模型以及过程模型而进行故障诊断的 知识归为深知识； 将浅知识和深知识整合为复合式知识， 通过浅层推理， 初步完成故障假设的生成， 再进 行深层推理和诊断， 对故障假设做出相应的确认和解释， 从而 形成全局知识库， 实现故障诊 断领域知识的概念术语统一、 多源信息的集成与融合。权　利　要　求　书 2/2 页 3 CN 114461784 A 3