[发明专利]一种飞机电源系统故障诊断知识图谱构建及应用方法

权利要求书

1.一种飞机电源系统故障诊断知识图谱构建及应用方法，该方法包含如下步骤：

步骤一、利用专家知识构建飞机电源系统故障诊断知识图谱的本体；

步骤二、选取部分飞机电源系统故障诊断语料，将其划分为训练集和测试集；

步骤三、对训练集和测试集进行实体标注；

步骤四、使用训练集训练基于双向长短期记忆网络的实体抽取模型，并在测试集上测试；

步骤五、使用训练好的实体抽取模型抽取语料中的实体；

步骤六、对训练集和测试集进行关系标注；

步骤七、使用训练集训练基于注意力机制的双向长短期记忆网络关系抽取模型，并在测试集上测试；

步骤八、使用训练好的关系抽取模型抽取语料中的关系；

步骤九、将抽取出的实体和关系组成“实体-关系-实体”三元组，并利用图数据库构建飞机电源系统故障诊断知识图谱；

步骤十、利用上述构建的知识图谱，采用搜索、推荐和问答三种人机交互方式对飞机电源系统进行故障诊断信息查询。

2.根据权利要求1所述的飞机电源系统故障诊断知识图谱构建及应用方法，其特征在于，所述的步骤三具体为：

对训练集和测试集进行BMEO实体标注，，该方法通过给语料中的每一个字符添加表征其所在实体的位置和实体类型来标注实体。例如：语料中存在“故障模式”实体类型，则标签“B-故障模式”代表该字符是一个故障模式实体的首字符，B为“Begin”的缩写；标签“M-故障模式”代表该字符是一个故障模式实体的中间字符，M为“Middle”的缩写；标签“E-故障模式”代表该字符是一个故障模式实体的尾字符，E为“End”的缩写；标签“O”代表该字符不在实体中，O为“Outside”的缩写。

3.根据权利要求1所述的飞机电源系统故障诊断知识图谱构建及应用方法，其特征在于，所述的步骤四具体为：以训练集中语料的每一句话为输入，句中每个字符对应的BMEO标签为输出，训练基于双向长短期记忆网络的实体抽取模型，模型机理如下：

双向长短期记忆网络，简称双向LSTM，是常用的一种实体抽取算法，其原理是将时序方向相反的两个LSTM连接到同一个输出。在进行实体抽取时，会同时需要用到上文和下文的信息；传统的LSTM只能使用上文信息，而无法利用下文信息，难以用于实现准确的实体抽取。双向LSTM通过将时序方向相反的两个LSTM连接到同一个输出，实现了上下文信息的利用，解决了LSTM无法使用下文信息的问题，提高了实体抽取的效果。

4.根据权利要求3所述的飞机电源系统故障诊断知识图谱构建及应用方法，其特征在于，

所述的双向LSTM网络结构的核心是将两个LSTM的合并，其中一个LSTM为正向，另一个LSTM则为反向。正向的LSTM可以利用其历史数据，即前文信息；而反向LSTM可以利用的历史数据为后文信息。双向LSTM将正向LSTM和反向LSTM的输出合并，使得其当前时间节点的输出就可以同时利用前后文两个方向的信息，而不像普通LSTM只能使用前文信息。构成双向LSTM的两个不同方向的LSTM之间不共用状态，即正向LSTM的输出状态只会对正向的LSTM产生影响，反向LSTM的输出状态只会对反向LSTM产生影响，它们之间没有直接的连接，不会互相影响。

5.根据权利要求3所述的飞机电源系统故障诊断知识图谱构建及应用方法，其特征在于，所述得训练步骤是：

(1)对数据做前向迭代操作，先沿着x₀到x_n方向计算正向LSTM的状态，再沿着x_n到x₀方向就算反向LSTM的状态，最后获得输出Y；

(2)进行反向迭代操作，即对目标函数求导的操作，先对输出Y求导，然后沿着x_n到x₀方向计算正向LSTM的状态的导数，再沿着x₀到x_n方向计算反向LSTM的导数；

(3)根据求得的梯度值更新模型的参数，完成一次的迭代训练。

6.根据权利要求1所述的飞机电源系统故障诊断知识图谱构建及应用方法，其特征在于，所述的步骤七具体为：以整理后的关系抽取训练集语料为输入，对应的关系类型为输出，训练基于注意力机制的双向长短期记忆网络关系抽取模型，模型机理如下：

基于注意力机制的双向LSTM算法是将注意力模型引入了双向LSTM得到的算法。注意力模型是一种模拟人脑注意力的模型，其核心在于借鉴了人脑在特定的时刻对于事物的注意力会集中在某一特定的地方，忽略其他部分的特点；注意力模型是一种影响资源分配的模型，其原理是对于关键部分，分配较多的注意力，对于其他部分分配较少的注意力，合理利用有限的计算资源，并且还可以去除非关键因素的影响。