[发明专利]基于知识图谱的机械故障诊断知识库构建方法

说明书

基于知识图谱的机械故障诊断知识库构建方法属于机械故障诊断领域。机械故障诊断知识库反映故障产生本质和领域专家的经验，通过知识处理模块，存储于知识库中，为机械故障诊断提供支持。传统的知识图谱被表示为网络形式，节点表示实体，连线表示关系，这种表示形式需要设计专门的图算法存储和利用数据库，存在费时费力的取点。本发明以深度学习为代表的表示学习技术，将三元组对象映射到向量空间，表示为稠密低维向量，通过向量变换实现高效计算和推理。本发明建立了基于知识图谱的机械故障诊断知识库构建方法，将机械故障诊断知识表示为三元组，并利用TransD模型将三元组表示为向量，可以优化传统知识库案例表示不准确、维护修改困难以及推理计算效率低下等问题，对于故障诊断领域具有重要的意义。

技术领域

本发明属于机械故障诊断领域，涉及机械故障诊断领域的知识库构建，包括机械故障诊断知识库的构建方法和知识表示方法。

背景技术

机械故障诊断是目前在石油、化工以及制造业等行业快速发展的学科，也是我国制造业智能转型的重点研究课题，众多的工作人员及科研人员都在这一研究上进行了很多探索。目前状态监测系统已经取得广泛应用，但是这些数据冗多繁杂，相互之间没有有机联系，且大多为非结构化数据，存在于各类故障诊断报表和故障案例库中，如何将这些数据整合筛选、从中抽取出有用的信息，利用知识图谱的技术，构建机械故障诊断领域的知识库，对于机械领域的知识存储、知识检索以及诊断推理具有重要的意义。

机械故障诊断知识库是机械故障的基础，是解决问题、求解知识的集合，它反映故障产生本质和领域专家的经验，通过知识处理模块，存储于知识库中，为机械故障诊断提供支持。本发明提出一种基于知识图谱相关理论的机械故障诊断知识库构建方法，传统的知识图谱被表示为网络形式，节点表示实体，连线表示关系，这种表示形式需要设计专门的图算法存储和利用数据库，存在费时费力的取点，以深度学习为代表的表示学习技术，将三元组对象映射到向量空间，表示为稠密低维向量，通过向量变换实现高效计算和推理。

发明内容

本发明的目的是应用现代先进知识图谱技术与机器学习技术相结合，提出了基于知识图谱的机械故障诊断知识库的构建方法，利用构建好的知识库，可以实现机械故障诊断领域的知识存储、检索以及诊断推理等工作。

本发明公开了一种基于知识图谱的机械故障诊断知识库构建方法，具体步骤为：所述步骤1)包括：机械故障诊断知识存在于各类结构化和非结构化的诊断报表和案例库中，需要将这些内容统一搜集整理作为知识构建的基础，包括机械设备型号、采集分析仪器、故障部位、故障征兆、故障机理、故障原因和工艺特点等内容，由于知识图谱图结构的特点，这些属性可以方便的实现修改和定义，可以很容易实现机械故障诊断知识的扩充和修改。

步骤2)构建三元组数据集：基于知识图谱的构建模式，搜集整理的故障诊断知识并以实体-关系-实体三元组的形式表示，建立机械故障诊断的知识图谱，例如三元组(离心压缩机，型式，“H”型)表示某种离心压缩机中的型式为“H”型，以这些三元组共同组成机械故障诊断领域的知识图谱。

步骤3)确定嵌入维数：根据数据集的内容和规模，确定知识表示的嵌入维数。

步骤4)初始化向量：将三元组初始化编码为确定维度的向量；

步骤5)构建训练样本：以正确的三元组作为正采样样本，并替换正确的三元组头实体或尾实体，构建负采样样本，将构建好的采样样本作为训练模型的输入；

步骤6)利用SGD进行训练学习：训练学习得到三元组的向量化表示；

步骤7)利用测试集测试三元组的向量化表示结果。

本发明提出了构建机械故障诊断领域知识库的方法和步骤，该知识库采用基于知识图谱的方法构建，并利用TransD的知识表示模型将知识库映射到向量空间表示成向量，能够显著提升知识库的检索和推理性能，对于机械故障诊断领域的知识库构建和诊断推理有重要的意义。