(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210328887.1 (22)申请日 2022.03.30 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 阎曼婷　王坚　韩慧慧　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 赵继明 (51)Int.Cl. G06F 16/36(2019.01) G06N 5/02(2006.01) G06N 5/04(2006.01) G06F 40/289(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于知识图谱的知识推理和故障诊断 方法 (57)摘要 本发明涉及一种基于知识图谱的知识推理 和故障诊断方法， 包括获取故障记录信息和数据 知识， 去除冗余和重复信息， 进行数据清洗， 获取 关系路径以及实体 关系三元 组， 构建案例资源知 识图谱； 将关系路径信息嵌入卷积编码器中， 获 取路径特征向量， 然后输入BiLSTM网络中， 得到 关系路径表示向量， 再输入ATT模型中， 经过多 步 推理补全关系路径； 提取故障属性特征信息； 计 算各属性的权重值， 并通过神经网络计算当前案 例与历史案例的总体相似度， 完成CBRDA ‑KG决策 模型的构建； 获取实际故障案例信息， 并载入 CBRDA‑KG决策模型中， 得出故障诊断结果。 与现 有技术相比， 本发明有效降低了检测成本和检测 时间， 准确率及完整性也大大增强， 也可 以提高 诊断效率和结果的准确性。 权利要求书4页 说明书10页 附图3页 CN 114756686 A 2022.07.15 CN 114756686 A 1.一种基于知识图谱的知识推理和故障诊断方法， 其特征在于， 包括： 获取实际故障案 例信息， 并载入预 先构建并训练好的CBRDA ‑KG决策模型中， 得 出故障诊断结果； 所述CBRDA ‑KG决策模型的数据处 理过程包括以下步骤： S1： 获取故障记录信息和数据知识， 标注故障信息的实体以及实体间的关系； S2： 对获取的数据进行数据清洗后， 获取实体间所有关系路径以及实体关系三元组， 构 建案例资源知识图谱； S3： 将获取的关系路径信息嵌入卷积编码器 中， 获取路径特征向量， 将该路径特征向量 输入BiLSTM网络中， 得到关系路径表示向量， 将该关系路径表示 向量输入ATT模型中， 经过 多步推理得到隐藏 三元组路径推理结果， 补全所述案例资源知识图谱； S4： 提取所述案例资源知识图谱中故障的属性特 征信息； S5： 计算所述属性特征信息中各个属性的权重值， 并通过神经网络计算当前数据对应 的案例与预设的历史案例的总体相似度， 完成CBRDA ‑KG决策模型的构建。 2.根据权利要求1所述的一种基于知识图谱的知识推理和故障诊断方法， 其特征在于， 步骤S3中， 所述AT T模型的表达式为： s(pi,r)＝tanh(piWs)r P(r|es,et)＝f(WP(c+r)) 式中， s(pi,r)为语义相关度得分， pi为第i个隐藏层的输出值， Ws为权值矩阵， r为概率 得分， αi为路径i的独立权重， n为词数， 为softmax函数， c为加权计算后得到的候选 关系状态向量， P(r |es,et)为头尾实体的概率 得分， es为头实体， et为尾实体， WP(c+r)为概率 权重， f为激活函数； 所述ATT模型经过加权运算之后集合路径基本信息， 在丢弃与候选关系相关度较低的 路径的同时保留相关性强的路径； 所述ATT模型的损失函数为： 式中， L( θ )为为ATT模型的损失函数， N为实验 次数， 为目标函数， λ为正则化 率， θ 为正则化参数； 所述ATT模型采用Adam优化器进行训练， 当训练误差最低时， 分别为正例三元组和 负例 三元组赋予较高和 较低的值， 调整参数后采用L2范数正则化的方式防止出现过拟合， 得出 隐藏三元组路径推理结果。 3.根据权利要求1所述的一种基于知识图谱的知识推理和故障诊断方法， 其特征在于， 步骤S4具体包括以下步骤： S41： 采用分词法对所述案例资源知识图谱中的文本进行分词；权　利　要　求　书 1/4 页 2 CN 114756686 A 2S42： 采用Word2vec方法对分词后的文本进行故障属性特征提取， 根据类别建立故障信 息表。 4.根据权利要求3所述的一种基于知识图谱的知识推理和故障诊断方法， 其特征在于， 步骤S41具体包括以下步骤： S411： 采用jieba分词法对案例资源知识图谱中的故障部位和故障现 象进行分词， 将不 同类型的特 征进行分类， 并进行分词筛 选； S412： 对分词后的数据， 以数据表的形式创建案例库。 5.根据权利要求4所述的一种基于知识图谱的知识推理和故障诊断方法， 其特征在于， 步骤S42具体包括以下步骤： S421： 针对故障案例信息中故障部位和故障现 象故障要素， 进行故障特征提取， 并存入 故障特征表； S422： 构建故障特 征词库和停用词库； S423： 使用W ordvec算法在对分词后的数据去除停用词后抽取 出可表示案例的关键词。 6.根据权利要求1所述的一种基于知识图谱的知识推理和故障诊断方法， 其特征在于， 步骤S5具体包括以下步骤： S51： 依据模糊偏好关系确定属性的主观权 重； S52： 根据案例资源知识图谱确定属性的客观权 重； S53： 根据所述主观权 重和客观权 重计算属性的综合权 重； S54： 根据综合权重， 通过神经网络计算当前数据对应的案例与预设的历史案例的总体 相似度； S55： 完成CBRDA ‑KG决策模型的构建。 7.根据权利要求6所述的一种基于知识图谱的知识推理和故障诊断方法， 其特征在于， 步骤S51具体包括以下步骤： S511： 建立模糊偏好关系矩阵Y＝(yij)n×n， 其中， yij表示属性Ci相比于属性Cj的重要程 度， yij满足： 1)yij≥0； 2) 3) 4) 5) 式中， i和j均为属性C的下 标， n为属性的总数； S512： 根据模糊偏好关系矩阵确定属性的主观权 重的优化模型， 优化模型的表达式为： 权　利　要　求　书 2/4 页 3 CN 114756686 A 3