面向注塑产品工艺缺陷的知识图谱构建方法及应用

针对现有注塑产品缺陷故障原因排查与定位依靠专家人工诊断效率低、成本高昂等不足,本文提出了一种面向注塑产品缺陷的知识图谱构建方法及其应用,目的在于将专家知识采用知识图谱进行表示,利用基于知识图谱的垂直检索技术,解决故障排查和定位困难的问题.首先,文章基于多源异构的故障解决方案文本构建语料库,并构建知识本体模型.其次,采用面向非结构化文本的知识抽取模型,将产品缺陷的相关专家知识从原始语料中自动抽取出来.最后,利用Neo4j图数据库实现知识存储及可视化知识图谱的构建.在所构建的知识图谱中,探索并实现了知识智能搜索、故障诊断及工艺卡解析等应用,展示了知识图谱技术在注塑领域的良好应用前景.     

基于知识图谱的潜油电泵井故障诊断

潜油电泵井系统是油田开采重要工具,具有排量大、扬程高与作业环境灵活多变等优点.为了降低潜油电泵井系统故障危害,需要对其发生故障部件进行快速精确定位并维修.本文提出一种基于知识图谱的潜油电泵井故障诊断方法.采用改进BiLSTM-CRF实体识别算法与BERT关系抽取算法提取故障数据中的专家知识,构建潜油电泵井故障诊断领域知识图谱;利用构建知识图谱搭建以故障征兆为初始节点的贝叶斯推理网络,利用历史故障数据与条件概率解耦的计算方式推理出故障原因.本文通过故障诊断真实案例进行方法验证.     

细粒度苹果病虫害知识图谱构建研究

鉴于现有农业知识图谱对病虫害防治相关实体、关系刻画不够细致的问题,以苹果病虫害知识图谱构建为例,研究细粒度农业知识图谱的构建方法。对苹果病虫害知识的实体类型和关系种类进行细粒度定义,共划分出19种实体类别和22种实体关系,以此为基础标注并构建了苹果病虫害知识图谱数据集AppleKG。使用APD-CA模型对苹果病虫害领域命名实体进行识别,使用ED-ARE模型对实体关系进行抽取。实验结果表明,该文模型在命名实体识别和关系抽取两项子任务中的F1值分别达到了93.08%和94.73%。使用Neo4j数据库对知识图谱进行了存储和可视化,并就细粒度苹果病虫害知识图谱可以为精准病虫害信息查询、智能辅助诊断等下游任务提供底层技术支撑进行了讨论。     

基于知识图谱的燃气轮机故障诊断知识库构建方法及维护

燃气轮机机组的设备健康状况的改变容易受到多种因素的影响，并且各原因间存在着复杂的耦合与传递关系，以往传统的故障诊断系统常会出现一种故障征兆对应多种故障模式的问题，针对此问题，目前主流解决方案已有基于知识图谱的故障诊断方法，但针对燃气轮机故障知识库的构建尤其是知识更新的研究较少，因此本文将重点从基于知识图谱的燃气轮机故障诊断中的知识库构建及维护进行进行介绍。首先，阐述了本体基本理论以及基于本体的语义推理原理，其次通过阐述领域知识的获取及表示介绍了知识库的构建过程，避免了在新知识整合过程中出现冲突及冗杂情况，最后通过实例验证了基于知识图谱的燃气轮机故障诊断知识库构建方法的可行性，及知识更新的稳定性，有效的解决了常规智能诊断过程中推理“一对多”的问题，同时提供了一种较为准确且稳定的知识图谱更新方法，为其他机械设备的故障检测提供了一条新思路。     

面向电厂关键设备故障知识图谱构建的关系抽取方法研究

当今电厂面临着诸多挑战，包括电力设备种类繁多、设备数量庞大、故障类型众多、数据耦合关系复杂以及海量的故障信息数据等。知识图谱能够将各种信息整合、可视化呈现，并支持智能化应用，有助于人们更好地获取、管理和应用知识，从而提高效率、创造价值。运用知识图谱来分析电厂故障数据，有助于深入研究电厂设备故障情况。在构建知识图谱的过程中，关系抽取是关键步骤之一，其准确率直接影响最终知识图谱构建的质量。本文提出了一个面向电厂关键发电设备故障知识图谱构建的关系抽取工具，该工具能将故障信息中海量、异构的数据以及相关故障处理进行可视化表达，同时支持用户交互式地参与到关系抽取的过程中，通过迭代训练来优化关系抽取模型。在实验测试阶段，利用真实电厂设备故障数据进行验证，证明了该工具在显著提高关系抽取的准确率方面的有效性。因此，构建的知识图谱质量得以提升，为电厂管理人员更好地运维管理发电设备提供了重要支持，为管控电厂相关数据以及推动电厂完备建设提供有力支撑。     

基于异质数据源的计算机学科知识图谱构建

计算机学科评估需要对学科整体信息进行汇总, 过于依赖专家经验且历届学科评估信息复用程度低. 针对此问题, 该文提出了一种计算机学科评估知识图谱构建方法. 该方法基于CIR模型建模知识图谱, 设计了针对文本数据的基于依存句法分析的无监督命名实体关系抽取方法和针对表格的数据流组合模型抽取知识, 并借助Neo4j图数据库实现知识图谱可视化, 为更多学科知识图谱的构建提供思路和借鉴.     

基于LEBERT的多模态领域知识图谱构建

多模态知识图谱(multi-modal knowledge graph, MMKG)是近几年新兴的人工智能领域研究热点. 本文提供了一种多模态领域知识图谱的构建方法, 以解决计算机学科领域知识体系庞大分散的问题. 首先, 通过爬取计算机学科的相关多模态数据, 构建了一个系统化的多模态知识图谱. 但构建多模态知识图谱需要耗费大量的人力物力, 本文训练了基于LEBERT模型和关系抽取规则的实体-关系联合抽取模型, 最终实现了一个能够自动抽取关系三元组的多模态计算机学科领域知识图谱.     

融合知识图谱与深度学习的疾病诊断方法研究

针对现有深度学习疾病诊断方法在辅助诊断过程中大规模依赖标注数据,且缺乏医生或专家经验知识的问题,提出一种融合医学知识图谱与深度学习的疾病诊断方法。该方法的核心是一个知识驱动的卷积神经网络(CNN)模型,通过实体链接消歧与知识图谱嵌入抽取得到医学知识图谱中的结构化疾病知识,并将病情描述文本中的疾病特征词向量与相应知识实体向量作为CNN的多通道输入。在卷积过程中从语义和知识两个层面表示不同类型疾病。通过在多类病情描述文本数据集上进行训练和测试,实验结果表明该方法的诊断性能要优于单一CNN模型与其他疾病诊断方法,并验证了这种知识与数据联合训练的方法更适用于初步诊断病情描述的疾病类型。     

基于知识图谱的法律问答系统研究

为了给群众提供免费且准确的法律咨询服务并降低咨询成本和律师服务成本，对基于知识图谱的法务问答系统进行了设计研究。系统构建基于BERT+BiLSTM+CRF的法律实体识别模型，对法律实体进行字符级抽取，将词向量技术、双向长短期记忆模型和条件随机场模型相结合，获得最优序列标注，为知识图谱构建和文本处理提供技术支持，并针对缺少法律咨询方面知识图谱的现状，构建了一个知识图谱，改善用户法律咨询的体验。     

基于深度学习的威胁情报知识图谱构建技术

随着网络威胁日益增多,威胁情报的知识图谱构建技术成为了网络安全领域的重要研究方向;然而,目前知识图谱构建技术对知识的获取缺乏快速性和准确性。针对这些问题,本文提出一种监督性的深度学习模型,对威胁情报的实体和实体关系进行自动化抽取,并通过图数据库进行知识图谱的可视化展示。实验结果表明,本文提出的基于深度学习模型对威胁情报实体和实体抽取的方法,在准确性上有着较大提高,为自动化构建威胁情报知识图谱提供有力的保障。     

基于异构图注意力的工业设备故障诊断知识图谱补全方法

针对工业设备故障诊断知识图谱故障实体属性残缺、故障关系链接缺失的问题,本文提出了一种基于知识图谱异构图注意力网络(knowledge graph heterogeneous graph attention network, KGHAN)模型的工业设备故障诊断知识图谱补全方法,通过对故障实体概念补全和故障关系链接补全完善了工业设备故障诊断知识图谱.所提KGHAN模型在异构图注意力网络模型的基础上,融合了故障知识结构信息和故障图结构信息,有效地表征了故障实体和故障关系的嵌入表示,提高了故障实体概念补全任务的准确率和故障关系链接补全任务的命中率.将所提工业设备故障诊断知识图谱补全方法应用在国内某企业的工业设备故障运维数据上,结果表明,故障实体概念补全任务的准确率提高了约10%,故障关系链接补全任务的命中率提高了约37%,验证了方法的有效性.     

基于双模型识别的知识图谱可视化建模仿真

为加强知识图谱实体间的关联性，提高知识图谱的表达精度，以深度学习为技术支持，构建可视化知识图谱建构模型。采用清洗、jieba分词、卷积神经网络分类等手段处理初始数据集，基于BiLSTM-CRF算法与BiGRU-Attention模型，建立知识实体识别模型与实体关系识别模型。将识别的知识实体与实体关系储存至Neo4j图数据库中，令建构的知识图谱可视化。仿真环节，从人工标注数据集合中随机抽取中文语料，设立测试集与训练集，利用测试集训练识别模型，更新模型参数，采用多指标客观评价训练集的实体与关系识别效果，经指标评估结果验证，所建模型具有相对理想的可视化知识图谱建构效果。     

面向农业知识图谱构建的文本实体标注准则构建及应用

随着农业大数据及智慧农业的发展,面对海量的农业文本数据,构建知识图谱等自然语言处理应用需求逐渐增长。目前,在农业领域的实体语料库及实体标注体系仍处于空白状态。对农业文本进行处理时,面临如何定义实体类别及范围等问题。基于此问题,以农业科学叙词表为科学依据,提出面向农业知识图谱构建的农业文本数据实体标注准则,涵盖了农作物、病虫草害等多种农业实体,以及基于该准则设置标注原则构建基于农业文本的自注释语料库,并进行实验验证,证明了该准则的有效性。该准则为农业实体语料库的构建提供可参考的标注规范,以及为农业实体识别提供语料支持。     

发动机故障领域知识图谱构建与应用

发动机生产故障和售后维修报告中有大量动力总成和零部件故障信息. 本文将知识图谱引入柴油发动机故障领域, 设计发动机故障领域知识图谱构建的系统流程, 针对多源故障数据进行本体建模. 使用BERT和BiLSTM-CRF结合的实体识别框架, 挖掘故障数据中的专家知识. 提出实体相关性评价指标FF-IEF, 并基于知识图谱和贝叶斯网络进行故障诊断. 设计并开发EFKG原型系统, 共包含12534个实体和408972条三元组, 该系统提供知识抽取、可视化检索、辅助决策等功能, 有效提高信息检索和维修效率, 对知识图谱在发动机故障领域的应用具有一定指导意义.     

融入互注意力的风险领域实体关系抽取研究

风险领域实体关系抽取是扩充现有知识图谱与泛化知识工程应用的关键问题.当前特定领域实体关系抽取面临人工标注语料的严重依赖、实体间关系的交叉互联以及远程监督标注存在噪声数据等核心难题,简单的解决方案是运用风险领域已有的知识图谱作为指导.然而,相比通用领域知识图谱,风险领域知识图谱的规模往往较小,难以满足当前领域实体关系抽取的知识需求.因此,本文既要利用已有的风险领域知识图谱,又要充分挖掘蕴含于领域文本数据中规律性的风险知识.本文提出基于知识图谱与文本互注意力的风险领域实体关系抽取方案.首先,根据已有的知识图谱抽象出风险领域实体关系及其约束条件;其次,运用少量高质的实体关系与大规模风险领域语料训练知识图谱与文本的互注意力机制模型,并融合文本表示学习与深度神经网络的方法进行风险领域实体关系的抽取.最后,针对给定的领域文本数据,综合关系约束与关系抽取结果得出风险领域实体关系类型.本文以风险领域数据为例,仅用少量的领域知识,即可获取较好的实体关系抽取效果.     

基于知识图谱的电力变压器绝缘故障监测方法

通过传感器采集电力变压器数据，只能获取当前运行数据，导致变压器绝缘故障监测结果与实际情况不一致，为此提出基于知识图谱的电力变压器绝缘故障监测方法。采用RBF神经网络建立了变压器绝缘故障监测模型；依据知识图谱三元组成和生命周期，设计数据抽取步骤，抽取变压器历史数据，构建电力变压器知识图谱；设置变压器温度和功率值，设计故障监测步骤，实现变压器绝缘故障监测。实验结果表明：本文方法在案例1和案例2中，监测变压器绝缘故障产生原因与案例设置原因一致，监测效果较好。     

无人系统故障知识图谱的构建方法及应用

无人系统产生的海量数据存储分散且缺乏联系,信息共享困难,难以满足复杂度和集成度越来越高的无人系统的维修保障需求。知识图谱技术能够将复杂数据信息抽取成结构化知识,建立数据间的联系,增强知识间的语义信息。本文以无人系统的故障数据为研究对象,利用知识图谱技术进行知识抽取、知识融合以及知识加工,形成一系列相互关联的知识,为构建无人系统领域故障知识图谱提供一种可行的方法。知识图谱技术利用无人系统各种传感器集成的海量数据建立的知识库,可有效整合无人系统领域分散的数据,以此提高无人系统领域知识的利用率,帮助维修保障人员快速精确查找故障知识,对无人系统的维修保障具有重要的军事应用前景。     

基于BERT的心血管医疗指南实体关系抽取方法

实体关系抽取是医疗领域知识问答、知识图谱构建及信息抽取的重要基础环节之一。针对在心血管专病知识图谱构建的过程中尚无公开数据集可用的情况,收集了心血管疾病领域的医疗指南并进行相应的实体和关系类别的专业标注,构建了心血管专病知识图谱实体关系抽取的专业数据集。基于该数据集,首先提出双向变形编码器卷积神经网络（BERT-CNN）模型以实现中文语料中的关系抽取,然后根据中文语义中主要以词而不是字为基本单位的特性,提出了改进的基于全词掩模的双向变形编码器卷积神经网络（BERT（wwm）-CNN）模型用于提升在中文语料中关系抽取的性能。实验结果表明,改进的BERT（wwm）-CNN在所构建的关系抽取数据集上准确率达到0.85,召回率达到0.80,F₁值达到0.83,优于对比的基于双向变形编码器长短期记忆网络（BERT-LSTM）模型和BERT-CNN模型,验证了改进网络模型的优势。     

基于知识图谱的项目文档智能管理与应用系统

针对企业现有招投标文档价值信息挖掘不足、文档知识难以应用等问题，设计一种基于知识图谱的招标项目文档智能管理系统。系统核心功能模块包括项目管理、模板管理、知识图谱和统计查询。项目管理和模板管理模块分别对项目文档进行分类管理和提供知识抽取模板。知识图谱模块实现文档知识抽取，并将抽取的知识与元数据构建知识图谱，实现文档的语义互联。对于文档知识抽取分别提出预训练模型结合规则配置的文字知识抽取模型和图片分类与光学字符识别融合的图片知识提取模型。统计查询模块基于构建的文档知识图谱实现多维统计分析、语义检索与智能问答等应用。该文档管理系统以智能化技术支持文档知识深度挖掘和反馈，能够实现文档价值充分利用。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。