CN110717018A - 一种基于知识图谱的工业设备故障维修问答系统 - Google Patents

Abstract

本发明提出了一种基于知识图谱(Knowledge Graph)的工业设备故障维修问答系统，包括以下步骤：专家经验知识获取以及预处理消歧，并以此运用关系抽取算法以及事件抽取算法构建工业故障维修领域知识图谱；将深度神经网络与隐马尔可夫模型相结合构建语音识别模型，在提高普通话语音识别准确率的同时，训练多个地域的语音识别模型，实现对多种方言语音的精确解析。基于Fasttext意图识别算法等融合性自然语言处理技术对语音识别结果进行语义分析，精准识别客户语音查询意图，通过对知识图谱查询相关故障维修意见。

Description

一种基于知识图谱的工业设备故障维修问答系统

技术领域

本发明涉及设备故障维修领域、语音识别领域与自然语言处理领域，具体涉及到一种基于知识图谱的工业设备故障维修问答系统。

背景技术

基于知识图谱的工业设备故障维修问答系统。基于相关工业设备维修专业领域专家经验知识建设知识图谱，运用语音识别技术、自然语言处理技术对用户查询意图进行解析，通过查询知识图谱给出相关故障维修意见。

通用型的问答系统一般是需要通过大量的语料库作为基础，实现简短的对话问答。这样的系统往往用于娱乐领域，用于工业故障维修领域较少，且系统往往难以提取用户问话中的精确含义，不能准确的分析用户的意图。其次工业故障维修关联领域较广，问答系统只能够根据用户所提问题，在传统的知识库中查询问句的关键词，从而定位答案的位置。

本问答系统提出了基于知识图谱的工业故障维修问答系统，能适应不断提高的用户需求。是一种新型的，能够给予更好的用户体验的问答系统，为用户提供专业工业故障维修方案，保障设备稳定运行。

发明内容

为解决现有技术中的缺点和不足，本发明提出了基于知识图谱的工业设备故障问答系统。基于知识图谱存储专家经验知识。利用神经网络结合隐马尔可夫模型的方法进行语音识别，基于FastText模型识别用户意图，最终完成对知识图谱的查询，为用户提供合理的工业故障维修方案。

本发明的技术方案为：

一种基于知识图谱的工业设备故障维修问答系统，其特征在于，知识获取模块、知识图谱构建模块、语音识别模块、语义分析模块，知识图谱查询模块包括以下步骤：

步骤(1)、在知识获取模块，通过人工录入和互联网收集的方式获取与故障诊断维修相关的专家经验知识。经过清洗、筛选、和特征提取，形成有效的故障维修相关信息；

步骤(2)、在知识图谱构建模块，通过对预处理后的工业设备维修相关知识基于依据依存关系进行实体关系抽取，即从文本内容中识别出实体，进而抽取实体间的语义关系，以及基于模式匹配算法与SVM算法组合使用进行事件抽取，从文本等非结构化信息中抽取出特定的故障维修模式，并结构化呈现；

步骤(3)、在语音识别模块，将深度神经网络与隐马尔可夫模型相结合训练语音识别模型，在提高普通话语音识别准确率的同时，训练多个地域的语音识别模型，将语音数据转化为文本数据，实现对多种方言语音的精确解析；

步骤(4)、在语义分析模块，将转化后的文本数据进行分词处理，之后基于FastText模型进行用户查询的故障种类等信息。

步骤(5)、在知识图谱查询模块，基于对用户意图识别结果从知识图谱中检索相关故障维修信息，得到与用户提问相似的候选问句，返回对应的候选结果列表。

本发明的有益效果：

(1)通过基于依存句法分析的关系抽取以及基于模式匹配算法与SVM算法组合的事件抽取算法构建工业故障分析知识图谱，增强了对专家故障维修经验知识的表示能力；

(2)通过深度神经网络与隐马尔可夫模型相结合训练语音识别模型，增强对多种方言的语音识别精度，提高了算法处理准确度；

(3)基于FastText的用户查询意图识别算法，准确识别用户语音查询意图，为用户提供精确合理的故障维修方案。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于知识图谱的工业设备故障维修问答系统的工作流程图；

图2为本发明基于FastText的用户查询意图识别模型训练流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，基于知识图谱的工业设备故障维修问答系统，包含知识获取模块、知识图谱构建模块、语音识别模块、语义分析模块，知识图谱查询模块。

下面结合图1与图2，对基于知识图谱的工业设备故障维修问答系统具体流程进行详细说明：

步骤(1)、在知识获取模块，通过人工录入和互联网收集的方式获取与故障诊断维修相关的专家经验知识。经过清洗、筛选、和特征提取，形成有效的故障维修相关信息；

步骤(2)、在知识图谱构建模块，通过对预处理后的工业设备维修相关知识基于依据依存关系进行实体关系抽取，即从文本内容中识别出实体，进而抽取实体间的语义关系，以及基于模式匹配算法与SVM算法组合使用进行事件抽取，从文本等非结构化信息中抽取出特定的故障维修模式，并结构化呈现；

步骤(3)、在语音识别模块，将深度神经网络与隐马尔可夫模型相结合训练语音识别模型，在提高普通话语音识别准确率的同时，训练多个地域的语音识别模型，将语音数据转化为文本数据，实现对多种方言语音的精确解析；

步骤(4)、在语义分析模块，将转化后的文本数据进行分词处理，之后基于FastText模型对用户查询意图进行识别，分析用户查询的故障类型、维修方法等信息。

步骤(5)、在知识图谱查询模块，基于对用户查询意图识别结果从知识图谱中检索相关故障维修信息，得到与用户提问相似的候选问句，返回对应的候选结果列表。

本发明提出了基于知识图谱的工业故障分析专家系统，基于知识图谱的工业设备故障问答系统。基于知识图谱存储专家经验知识。利用神经网络结合隐马尔可夫模型的方法进行语音识别，基于FastText模型识别用户意图，最终完成对知识图谱的查询，为用户提供合理的工业故障维修方案。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于知识图谱的工业设备故障维修问答系统，其特征在于，知识获取模块、知识图谱构建模块、语音识别模块、语义分析模块，知识图谱查询模块包括以下步骤：

步骤(1)、在知识获取模块，通过人工录入和互联网收集的方式获取与故障诊断维修相关的专家经验知识。经过清洗、筛选、和特征提取，形成有效的故障维修相关信息；

步骤(2)、在知识图谱构建模块，通过对预处理后的工业设备维修相关知识基于依据依存关系进行实体关系抽取，即从文本内容中识别出实体，进而抽取实体间的语义关系，以及基于模式匹配算法与SVM算法组合使用进行事件抽取，从文本等非结构化信息中抽取出特定的故障维修模式，并结构化呈现；

步骤(3)、在语音识别模块，将深度神经网络与隐马尔可夫模型相结合训练语音识别模型，在提高普通话语音识别准确率的同时，训练多个地域的语音识别模型，将语音数据转化为文本数据，实现对多种方言语音的精确解析；

步骤(4)、在语义分析模块，将转化后的文本数据进行分词处理，之后基于FastText模型对用户查询进行意图识别，分析查询故障类型、维修方法等信息。

步骤(5)、在知识图谱查询模块，基于对用户意图识别结果从知识图谱中检索相关故障维修信息，得到与用户提问相似的候选问句，返回对应的候选结果列表。

Images