本发明公开了一种工业设备故障维修推荐方法和系统，方法包括S1：在基础维修知识图谱中，训练一个故障实体与类型分类器，对维修类进行分类；S2：获取设备故障问题；S3：对用户输入的故障描述提取出关键词，生成故障条目；S4：利用机器排序，从基础维修知识图谱将与故障条目内容最接近的历史故障案例挑选出来，将此案例的维修决策推荐给设备点管理人员。本发明对维修人员输入的故障进行自然语言处理，输入到迭代训练的分类模型进行打分，并排序选出与之相似度高，评分靠近的历史维修记录，将此历史维修记录所对应的维修方案推荐给维修人员，使维修人员工作效率更加快速便捷，在遇到熟悉的故障时迅速做出维修决策措施。
1.一种工业设备故障维修推荐方法，其特征在于，包括以下步骤：S1：在基础维修知识图谱中，训练一个故障实体与类型分类器，对维修类进行分类；
S3：对用户输入的故障描述提取出关键词，生成故障条目；
S4：利用机器排序，从基础维修知识图谱将与故障条目内容最接近的历史故障案例挑选出来，将此案例的维修决策推荐给设备点管理人员；
S1.1：基础维修知识图谱中，将维修条目中的故障条目，首先为故障条目标注词性，然后进行命名实体识别，自动标注数据集产生语料库；
S1.2：语料库中，以句子为大单位，单词为小单位输入word2vector得到词嵌入向量w＝{w1,w2,…,wn}，其中n为句子的长度；
S1.3：将词嵌入向量w输入到Bi‑LSTM网络中，输出获得词汇向量表示x，x＝{x1,x2,…,xn}；
S1.4：将Bi‑LSTM网络输出的词汇向量表示输入到注意力网络中，经过了注意力网络输′ ′ ′ ′出的词汇向量与其余单词的特征向量结合为w＝{w1 ,w2 ,…,wn}；
S1.5：将w输入输出层的softmax层，得出分类结果，softmax层将多个神经元的输出，映射到(0,1)区间内，进行多分类；
步骤S3生成故障搜索的方法采用生成词汇化依赖树，具体包括以下步骤：S3.1：对用户输入的设备故障问题利用Stanford CoreNLP进行分词与词性标注；
S3.2：利用Prim算法生成最小生成树，再将最小生成树转化为CoNLL格式输出，使用可视化工具展现出来；
S4.1：将处理成词汇话依赖树的设备故障问题自然语言查询句子s输入到S1的故障实体与类型分类器，得出初步属于的类别，和其对应可能属于同一种的故障实体集，初步属于的类别与可能属于同一种的故障实体集共同组成集合e；
S4.2：将s和集合e通过Term Vector层转化为向量形式，然后输入到多层非线性感知机网络，输出含有语义信息的低维向量；
S4.3：计算s和集合e的余弦相似度，并用softmax做归一化，得到与句子s最匹配的集合e中的单位，向用户输出s所对应故障实体历史维修操作数据；
式中，A＝A1,A2,A3,…,An，表示设备故障问题的向量，B＝B1,B2,B3,…,Bn，表示集合e任一类别对应的向量，cos(θ)表示余弦相似度。
2.根据权利要求1所述的工业设备故障维修推荐方法，其特征在于，步骤S1.1中利用中文NLP命名实体识别序列标注工具YEDDA为故障条目标注词性。
3.根据权利要求1所述的工业设备故障维修推荐方法，其特征在于，步骤S1.1中YEDDA利用CRF进行命名实体识别。
4.根据权利要求1所述的工业设备故障维修推荐方法，其特征在于，步骤S1.1中选择BIO或BMES标注体系。
5.根据权利要求1所述的工业设备故障维修推荐方法，其特征在于，步骤S1.4中，注意力网络的计算公式如下：za＝a⊙z
是一个注意力网络，⊙代表对应按元素相乘，即一种元素对应惩罚， 生成一个注意力向量a，再将a与输入x的特征向量z相乘，当注意力机制为soft attention时，a的取值是0到1，当注意力机制为hard attention，a的取值就只有0或1。
6.一种工业设备故障维修推荐系统，其特征在于，包括：基础维修知识图谱模块，所述基础维修知识图谱模块利用故障实体与类型分类器，对维修类进行分类；
可视化界面模块，所述可视化界面模块提供完善的可视化界面，设备维护人员通过可视化界面模块输入设备故障问题，并从可视化界面模块获取维修决策推荐；
故障分析与存储模块，所述故障分析与存储模块将用户输入的故障描述提取出关键词，生成故障搜索查询；
维修决策推荐模块，所述维修决策推荐模块从基础维修知识图谱将与故障条目内容最接近的历史故障案例挑选出来，将此案例的维修决策推荐给设备点管理人员；
基础维修知识图谱中，将维修条目中的故障条目，首先为故障条目标注词性，然后进行命名实体识别，自动标注数据集产生语料库；
语料库中，以句子为大单位，单词为小单位输入word2vector得到词嵌入向量w＝{w1,w2,…,wn}，其中n为句子的长度；
将词嵌入向量w输入到Bi‑LSTM网络中，输出获得词汇向量表示x，x＝{x1,x2,…,xn}；
将Bi‑LSTM网络输出的词汇向量表示输入到注意力网络中，经过了注意力网络输出的′ ′ ′ ′词汇向量与其余单词的特征向量结合为w＝{w1 ,w2 ,…,wn}；
将w输入输出层的softmax层，得出分类结果，softmax层将多个神经元的输出，映射到(0,1)区间内，进行多分类；
故障分析与存储模块生成故障搜索的方法采用生成词汇化依赖树，具体包括以下步骤：对用户输入的设备故障问题利用Stanford CoreNLP进行分词与词性标注；
利用Prim算法生成最小生成树，再将最小生成树转化为CoNLL格式输出，使用可视化工具展现出来；
将处理成词汇话依赖树的设备故障问题自然语言查询句子s输入到S1的故障实体与类型分类器，得出初步属于的类别，和其对应可能属于同一种的故障实体集，初步属于的类别与可能属于同一种的故障实体集共同组成集合e；
将s和集合e通过Term Vector层转化为向量形式，然后输入到多层非线性感知机网络，输出含有语义信息的低维向量；
计算s和集合e的余弦相似度，并用softmax做归一化，得到与句子s最匹配的集合e中的单位，向用户输出s所对应故障实体历史维修操作数据；
式中，A＝A1，A2，A3，...，An，表示设备故障问题的向量，B＝B1，B2，B3，...，Bn，表示集合e任一类别对应的向量，cos(α)表示余弦相似度。
一种工业设备故障维修推荐方法和系统
技术领域
[0001] 本发明涉及工业设备故障维修领域，更具体地，涉及一种工业设备故障维修推荐方法和系统。
背景技术
[0002] 工业制造业互联网是链接工业全系统、全产业链、全价值链，支撑工业智能化发展的关键基础设施。全球工业正迈入一个全新的物联网时代，对于提升各种作业流程自动化的需求越来越高。
[0003] 工业设备网络错综复杂，设备成千上万，一旦发生故障，不及时加以处理，将会影响整个工业设备网络的运转。
[0004] 在工业制造业装备维修保障过程中，会产生大量装备维修记录、故障案例等数据，在各项设备运行和检测的时候，也是参照着一定的检修规范和检修标准。在这些维修历史数据和规范标准中蕴含着许多价值信息。这些信息不仅可以有效促进基层保障部门的维修工作，而且可以为决策人员提供信息参考，提高装备维修保障的效率及精准性。
发明内容
[0005] 本发明提供一种工业设备故障维修推荐方法和系统，加快设备维修的进程，为工业设备维修人员提供简便的手段，完善工业设备中的维修管理问题。
[0006] 为解决上述技术问题，本发明的技术方案如下：
[0007] 一种工业设备故障维修推荐方法，包括以下步骤：
[0008] S1：在基础维修知识图谱中，训练一个故障实体与类型分类器，对维修类进行分类；
[0009] S2：获取设备故障问题；
[0010] S3：对用户输入的故障描述提取出关键词，生成故障条目；
[0011] S4：利用机器排序，从基础维修知识图谱将与故障条目内容最接近的历史故障案例挑选出来，将此案例的维修决策推荐给设备点管理人员。
[0012] 优选地，步骤S1包括以下步骤：
[0013] S1.1：基础维修知识图谱中，将维修条目中的故障条目，首先为故障条目标注词性，然后进行命名实体识别，自动标注数据集产生语料库；
[0014] S1.2：语料库中，以句子为大单位，单词为小单位输入word2vector得到词嵌入向量w＝{w1,w2,…,wn}，其中n为句子的长度；
[0015] S1.3：将词嵌入向量w输入到Bi‑LSTM网络中，输出获得词汇向量表示x，x＝{x1,x2,…,xn}；
[0016] S1.4：将Bi‑LSTM网络输出的词汇向量表示输入到注意力网络中，经过了注意力网络输出的词汇向量与其余单词的特征向量结合为w′＝{w1′,w2′,…,wn′}；
[0017] S1.5：将w′输入输出层的softmax层，得出分类结果，softmax层将多个神经元的输出，映射到(0,1)区间内，进行多分类。
[0018] 优选地，步骤S1.1中利用中文NLP命名实体识别序列标注工具YEDDA为故障条目标注词性。
[0019] 优选地，步骤S1.1中YEDDA利用CRF进行命名实体识别。
[0020] 优选地，步骤S1.1中选择BIO或BMES标注体系。
[0021] 优选地，步骤S1.4中，注意力网络的计算公式如下：
[0022]
[0023] za＝a⊙z
[0024] 是一个注意力网络，⊙代表对应按元素相乘，即一种元素对应惩罚， 生成一个注意力向量a，再将a与输入x的特征向量z相乘，当注意力机制为soft attention时，a的取值是0到1，当注意力机制为hard attention，a的取值就只有0或1。
[0025] 优选地，步骤S3生成故障搜索的方法采用生成词汇化依赖树，具体包括以下步骤：
[0026] S3.1：对用户输入的设备故障问题利用Stanford CoreNLP进行分词与词性标注；
[0027] S3.2：利用Prim算法生成最小生成树，再将最小生成树转化为CoNLL格式输出，使用可视化工具展现出来。
[0028] 优选地，步骤S4具体包括以下步骤：
[0029] S4.1：将处理成词汇话依赖树的设备故障问题自然语言查询句子s输入到S1的故障实体与类型分类器，得出初步属于的类别，和其对应可能属于同一种的故障实体集，初步属于的类别与可能属于同一种的故障实体集共同组成集合e；
[0030] S4.2：将s和集合e通过Term Vector层转化为向量形式，然后输入到多层非线性感知机网络，输出含有语义信息的低维向量；
[0031] S4.3：计算s和集合e的余弦相似度，并用softmax做归一化，得到与句子s最匹配的集合e中的单位，向用户输出s所对应故障实体历史维修操作数据。
[0032] 优选地，步骤S4.3中的余弦相似度的计算公式如下：
[0033]
[0034] 式中，A＝A1,A2,A3,…,An，表示设备故障问题的向量，B＝B1,B2,B3,…,Bn，表示集合e任一类别对应的向量，cos(θ)表示余弦相似度。
[0035] 一种工业设备故障维修推荐系统，包括：
[0036] 基础维修知识图谱模块，所述基础维修知识图谱模块利用故障实体与类型分类器，对维修类进行分类；
[0037] 可视化界面模块，所述可视化界面模块提供完善的可视化界面，设备维护人员通过可视化界面模块输入设备故障问题，并从可视化界面模块获取维修决策推荐；
[0038] 故障分析与存储模块，所述故障分析与存储模块将用户输入的故障描述提取出关键词，生成故障搜索查询；
[0039] 维修决策推荐模块，所述维修决策推荐模块从基础维修知识图谱将与故障条目内容最接近的历史故障案例挑选出来，将此案例的维修决策推荐给设备点管理人员。
[0040] 与现有技术相比，本发明技术方案的有益效果是：
[0041] 本发明对维修人员输入的故障进行自然语言处理，输入到迭代训练的分类模型进行打分，并排序选出与之相似度高，评分靠近的历史维修记录，将此历史维修记录所对应的维修方案推荐给维修人员，采用学习排序迭代训练过程将输入的故障和已有的历史维修记录结合起来，使维修人员工作效率更加快速便捷，在遇到熟悉的故障时迅速做出维修决策措施。
附图说明
[0042] 图1为本发明的方法流程示意图。
[0043] 图2为本发明的系统模块连接示意图。
[0044] 图3为实施例中词汇化依赖树过程示意图。
[0045] 图4为多层非线性感知机过程示意图。
具体实施方式
[0046] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0047] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
[0048] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0049] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0050] 实施例1
[0051] 本实施例提供一种工业设备故障维修推荐方法，如图1，包括以下步骤：
[0052] S1：在基础维修知识图谱中，训练一个故障实体与类型分类器，对维修类进行分类；
[0053] S2：获取设备故障问题；
[0054] S3：对用户输入的故障描述提取出关键词，生成故障条目；
[0055] S4：利用机器排序，从基础维修知识图谱将与故障条目内容最接近的历史故障案例挑选出来，将此案例的维修决策推荐给设备点管理人员。
[0056] 步骤S1包括以下步骤：
[0057] S1.1：基础维修知识图谱中，将维修条目中的故障条目，首先为故障条目标注词性，然后进行命名实体识别，自动标注数据集产生语料库；
[0058] S1.2：语料库中，以句子为大单位，单词为小单位输入word2vector得到词嵌入向量w＝{w1,w2,…,wn}，其中n为句子的长度；
[0059] S1.3：将词嵌入向量w输入到Bi‑LSTM网络中，输出获得词汇向量表示x，x＝{x1,x2,…,xn}；
[0060] S1.4：将Bi‑LSTM网络输出的词汇向量表示输入到注意力网络中，经过了注意力网络输出的词汇向量与其余单词的特征向量结合为w′＝{w1′,w2′,…,wn′}；
[0061] S1.5：将w′输入输出层的softmax层，得出分类结果，softmax层将多个神经元的输出，映射到(0,1)区间内，进行多分类。
[0062] 步骤S1.1中利用中文NLP命名实体识别序列标注工具YEDDA为故障条目标注词性。
[0063] 步骤S1.1中YEDDA利用CRF进行命名实体识别。
[0064] 步骤S1.1中选择BIO或BMES标注体系。
[0065] 步骤S1.4中，注意力网络的计算公式如下：
[0066]
[0067] za＝a⊙z
[0068] 是一个注意力网络，⊙代表对应按元素相乘，即一种元素对应惩罚， 生成一个注意力向量a，再将a与输入x的特征向量z相乘，当注意力机制为soft attention时，a的取值是0到1，当注意力机制为hard attention，a的取值就只有0或1。
[0069] 步骤S3生成故障搜索的方法采用生成词汇化依赖树，具体包括以下步骤：
[0070] S3.1：对用户输入的设备故障问题利用Stanford CoreNLP进行分词与词性标注；例如“地铁4号线的2号门发生故障的原因是什么”，分词与词性标注后变为[地铁/n四号线/nz，故障/v，原因/n]，由于依存句法树中有虚根的存在，所以为其加入一个虚节点，这样一共有四个节点：[##核心##/root，地铁/n四号线/nz，故障/v，原因/n]；每个节点都与另外三个构成一条有向边，一共4*3＝12条，存在的只有9条。
[0071] S3.2：利用Prim算法生成最小生成树，再将最小生成树转化为CoNLL格式输出，使用可视化工具展现出来，如图3所示；
[0072] 步骤S4如图4所示，具体包括以下步骤：
[0073] S4.1：将处理成词汇话依赖树的设备故障问题自然语言查询句子s输入到S1的故障实体与类型分类器，得出初步属于的类别，和其对应可能属于同一种的故障实体集，初步属于的类别与可能属于同一种的故障实体集共同组成集合e；
[0074] S4.2：将s和集合e通过Term Vector层转化为向量形式，然后输入到多层非线性感知机网络，输出含有语义信息的低维向量；
[0075] S4.3：计算s和集合e的余弦相似度，并用softmax做归一化，得到与句子s最匹配的集合e中的单位，向用户输出s所对应故障实体历史维修操作数据。
[0076] 步骤S4.3中的余弦相似度的计算公式如下：
[0077]
[0078] 式中，A＝A1,A2,A3,…,An，表示设备故障问题的向量，B＝B1,B2,B3,…,Bn，表示集合e任一类别对应的向量，cos(θ)表示余弦相似度。
[0079] 实施例2
[0080] 本实施例提供一种工业设备故障维修推荐系统，如图2，包括：
[0081] 基础维修知识图谱模块，所述基础维修知识图谱模块利用故障实体与类型分类器，对维修类进行分类；
[0082] 可视化界面模块，所述可视化界面模块提供完善的可视化界面，设备维护人员通过可视化界面模块输入设备故障问题，并从可视化界面模块获取维修决策推荐；
[0083] 故障分析与存储模块，所述故障分析与存储模块将用户输入的故障描述提取出关键词，生成故障搜索查询；
[0084] 维修决策推荐模块，所述维修决策推荐模块从基础维修知识图谱将与故障条目内容最接近的历史故障案例挑选出来，将此案例的维修决策推荐给设备点管理人员。
[0085] 相同或相似的标号对应相同或相似的部件；
[0086] 附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
[0087] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
