一种针对CNC机床故障诊断的知识图谱的动态构建方法与流程

本发明涉及故障诊断领域，主要涉及一种针对cnc机床故障诊断的知识图谱的动态构建方法。

背景技术：

cnc系统融合了先进的计算机技术、微电子技术、伺服控制技术和自动控制技术，使数控机床表现出机电液一体化特征，数控机床操作能力提高的同时，其故障率比普通机床的故障率高的多，维修难度也随之增加。在实际的生产加工过程中，cnc系统可能会出现各种各样的故障问题，一般地，相关的维修工程师需要大量的案例经验、相关知识的积累以及快速发现问题、解决问题的能力和实践经验，这无形之中给维修工作增加了一定的难度以及维修过程中所损耗的时间。

机械故障诊断领域目前在知识的表示和获取方面依然存在很大的不足之处，对于故障诊断的推理策略方面也有很大的进步空间，大多数目前的研究还缺乏有效的学习机制，一个实用的故障诊断系统除了具备完善的故障识别方法，其在知识库中还应该包含足够丰富、准确、有效的知识，所以这就要求我们的系统还需要一定的学习能力。因此，将知识图谱这一工具在故障诊断领域进行应用，并在知识图谱中引入了除案例外的用户数据信息，以提高故障诊断的准确率。

技术实现要素：

本发明实例提供了一种针对cnc机床故障诊断的知识图谱的动态构建方法，通过采用知识图谱的理念、深度学习和相似度算法，实现了cnc机床诊断案例的知识图谱的构建方法，同时提供了一种针对构建好的知识图谱进行搜索的方法，利用该构建方法建立的知识图谱，可以实现cnc机床故障诊断的案例存储、用户数据存储以及故障诊断推理等功能。

本发明公开了一种针对cnc机床故障诊断的知识图谱的动态构建方法，具体步骤为：

步骤1)案例实体抽取：本步骤是故障案例的第一种构建方法，将目前存在的非结构化的案例数据，通过实体抽取和知识融合建立实体、关系、实体之间的三元组结构，为构建完整的机床故障诊断知识图谱构建基础。其中实体类型包括案例的报警信息、机床信息、cnc系统型号、案例关键部件点、案例现象描述、案例解决方案等实体信息，每一个案例基本包含以上各实体的所有信息，同时经过抽取之后，根据案例条目建立起已经抽取出的新实体或者与已经存在的实体之间的对应关系。

步骤2)案例补充：此部分案例是为了对步骤1)已经初步建立的知识图谱继续完善，将用户自行添加的案例或者已经存在的结构化案例数据，通过分类、程序化添加或者批量导入的方式直接建立三元组数据结构，这部分数据为知识图谱的丰富和完善提供保障，弥补了之间单一构建方式的不足。

步骤3)案例融合：将步骤1)和步骤2)所得到的三元组结构进行融合，形成完整的知识图谱的案例部分的数据，同时，去除重复的实体，以减少不必要的空间开销，完成机床故障诊断知识图谱在故障案例部分的初步构建。

步骤4)用户评分添加：此步骤将用户的信息添加至图谱中，同时，将用户对于案例的评价信息添加到以上步骤构建出的知识图谱中，完成用户对案例的评分关系的属性添加。

步骤5)计算用户间相似性：根据用户之间对共有案例的评价与其对案例的评价状况计算用户之间的相似性，完成用户之间关系的维护。

步骤6)动态维护知识图谱：根据在实际使用中知识图谱内案例的更新和用户对于案例的反馈，定期修正用户之间的相似度信息及案例的有关信息。

步骤7)针对图谱的搜索方法：通过针对问题与现象的匹配程度以及使用用户与其他用户的相似度进行匹配，综合返回对应的案例，其解决方案，并根据用户的反馈进行更新。

本发明提出了针对cnc机床故障诊断的知识图谱的动态构建方法和步骤，利用知识图谱能很好的利用案例之间的相互关系，以对cnc机床故障进行存储和推理，此外，还加入了用户与用户之间、用户与案例之间的关系来协同对故障信息进行诊断推理。同时，本发明也提出了针对该知识图谱的检索方法。

本发明的第一方面，公开了针对cnc机床故障诊断的知识图谱的动态构建方法和步骤。

本发明的第二方面，公开了一种针对cnc机床故障诊断的知识图谱的用户之间的信息相似度的计算方式，以协助用于案例推理和诊断。

本发明的第三方面，公开了cnc机床故障诊断的知识图谱的检索方法，以实现对于该知识图谱的应用，通过采用案例匹配和用户匹配两个角度，综合帮助用户进行案例推理和分析。

附图说明

图1是本发明的流程示意图；

图2是案例实体抽取的流程示意图；

图3是用于实体抽取的深度学习模型示意图；

图4是故障诊断知识图谱的一个局部示意图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

如图1所示，本发明的具体流程如下：

案例实体抽取：将目前存在的非结构化的案例数据，进行实体抽取。其过程如图2所示，首先需要对案例进行数据清洗，然后对之后的数据进行分词，根据实体类型的不同，对于有规律的实体进行普通词性标记，对于无规律的采用词典词性标记的方法，之后根据标记好词性的数据进行bio标记，即实体的开始标记为b，其余部分标记为i，非实体部分标记为o，将标记完后的数据采用bilstm-crf深度学习模型进行训练，其模型如图3所示，经过训练的模型经过测试集的验证，有5802个标记、359个词汇，其可以达到准确率91.71％，选用训练出比较好的模型之后便可以使用该模型进行实体抽取任务。通过实体抽取和知识融合为我们的案例建立其对应知识图谱的案例部分，其中实体类型包括案例的报警信息、机床信息、cnc系统型号、案例关键部件点、案例现象描述、案例解决方案等实体信息，每一个案例基本包含以上各实体的所有信息，同时经过抽取之后，根据案例条目建立起已经抽取出的新实体或者与已经存在的实体之间的对应关系。

案例补充：此部分案例是为了对先前初步建立的知识图谱继续完善，将用户自行添加的案例或者已经存在的结构化案例数据，根据不用的数据类型采用不同的方式添加到知识图谱中。将用户单条或者多条的案例采用填写的程序化添加的方式进行导入，对于结构化的表格数据采用批量导入的程序化方式导入。

案例融合：将实体抽取和案例补充所得到的三元组结构进行融合，形成完整的知识图谱的案例部分的数据。这个过程中，需要合并重复的实体，以减少不必要的空间开销，还需要完善实体和实体之间的关系信息，将知识图谱案例部分残缺的信息补充完整。

用户评分添加：此步骤将用户的信息添加至图谱中，同时，将用户对于案例的评价信息添加到以上步骤构建出的知识图谱中，完成用户对案例的评分关系的属性添加。

计算用户间相似性：根据用户之间对共有案例的评价与其对案例的评价状况计算用户之间的相似性，完成用户之间关系的维护。根据以下公式计算出用户之间的评分差异：

d(u,v)＝|cu-cv|

其中，u表示用户u，v表示用户v，cu表示用户u和用户v所共同评分案例中用户u的评分集合，cv表示用户u和用户v所共同评分案例中用户v的评分集合；

根据案例的评分差异计算出用户之间的信息熵，之后根据差异值和＝用户之间所交集的案例对信息熵的结果进行修正，得到最终的用户之间的相似度，其公式如下：

式中，di表示对应案例i的两用户之间的差异，n表示对应用户所评价案例的数量。

动态维护知识图谱：根据在实际使用中知识图谱内案例的更新和用户对于案例的反馈，通过定时任务，修正用户之间的相似度信息及案例的有关信息。

针对图谱的搜索方法：通过针对问题与现象的匹配程度以及使用用户与其他用户的相似度进行匹配，综合返回对应的案例，其解决方案，并根据用户的反馈进行更新。根据实体从知识图谱中从如下公式中计算出问题与案例之间的相似度：

其中，集合i表示从用户输入问题所提取出的实体的对应集合(i1,i2,…,in1)，集合d表示机床诊断知识图谱中的案例所包含的实体集合(d1,d2,…,dn2)；

然后，利用＝计算出的用户之间的相似度，根据以下公式对案例之间的相似度sim(i,d)进行修正:

其中，si表示与用户i之间的相似度，ri表示用户i对此案例的评分，σ表示用户相似度修正系数。

通过以上步骤，最终可以构建出一个针对cnc机床的故障诊断知识图谱，并实现其搜索方面的应用，图4为本发明所构建出知识图谱的一个局部示范

通过，采用本知识图谱，可以在原有案例的内容信息上，增加用户相似纬度，以在可能性同样的案例推荐中更好的为用户推荐可能性更高的案例，并动态对知识图谱进行更新，以实现数据的自我优化。