下载中国建设银行官网站,新媒体营销有哪些岗位,丹东制作网站公司,福建省建设环卫协会网站故障知识图谱是当前面向装备制造领域的落地重要探索领域#xff0c;如何通过对设备的运行状态、运行日志进行信息抽取、关系建模#xff0c;建成可供分析应用的知识库#xff0c;并支撑故障诊断、维修辅助等应用场景#xff0c;具有重要意义。鉴于当前还未有系统性的开源相…故障知识图谱是当前面向装备制造领域的落地重要探索领域如何通过对设备的运行状态、运行日志进行信息抽取、关系建模建成可供分析应用的知识库并支撑故障诊断、维修辅助等应用场景具有重要意义。鉴于当前还未有系统性的开源相关项目整理出现本文为了解决这一问题从面向装备制造故障领域的知识图谱信息抽取、面向装备制造领域的移动端故障诊断分析平台以及代表性开源信息抽取组件三个方面进行介绍从抽取评测用于解决数据标注、定义和业务建模问题、应用实例用于解决如何用以及页面长啥样的问题以及小白如何入门这几个层面进行揭示供大家一起参考。一、面向装备制造故障领域的知识图谱信息抽取1、赛题背景命名实体识别和关系抽取是知识图谱构建中两项重要的基础任务自动构建高端装备制造业故障知识图谱对于实现高端装备制造的智能化检修和诊断具有重大意义。各种高端装备领域的故障案例文本是由业务专家或者专业维修人员撰写的描述相关设备异常、以及故障排查步骤的记录该记录包括故障现象、故障原因、解决方法以及排故过程等这些故障案例知识的利用受到数据结构化程度的影响因而识别数据中的部件单元、性能表征、故障状态、故障检测工具等核心实体及其之间的组成关系至关重要。地址https://www.datafountain.cn/competitions/5842、任务定义本任务为信息抽取中的关系抽取任务如图所示带抽取的文本语料为工业制造领域的相关故障案例文本。通过从大量故障案例文本抽取出部件单元、性能表征、故障状态、检测工具等实体及其关系可以为后续高端装备制造业故障知识图谱构建和故障智能检修和实时诊断打下坚实基础。本任务需要从故障案例文本自动抽取4种类型的关系和4种类型的实体。关系类型为部件单元的故障状态、性能表征的故障状态、部件单元和性能表征的检测工具、部件单元之间的组成关系。具体定义如下3、具体样例{ ID: AT0003, text: 故障分析:1.经现场查看整车及动力电池故障灯报警 2.用上位机查看故障码为总电压欠压二级单体欠压二级总压为133.6V最高单体电压为3.373V最低单体电压为3.121VSOC为17%初步判定SOC误差较大以及静态压差为265MV 3.将该车充满电后总压为167.3V最高单体4.189V最低单体4.135V故判断为单体压差过大 4.当车辆总压为137.7VSOC17%最高单体电压3.445V最低单体电压为3.414V时整车及动力电池故障灯报警其故障为放电高温一级报警此时动力电池最高温度为45℃当天气温31℃电充满温度为35℃途中路试未休息 5.持续路试2次放电循环结果如下①SOC10%总压为138V最高单体电压3.454V最低单体电压为3.428V电池温度41℃、38℃当天气温32℃路试中下雨途中未休息②SOC13%总压为139.5V最高单体电压为3.493V最低单体电压为3.459V电池温度38℃、36℃当天气温为30℃分两次路试完成 6.由于该车为OTS试制车根据以上所检测到的数据SOC、温度、压差都不在正常范围内依照现场条件无法对上述异常情况现场进行排除。, spo_list: [{h: {name: SOC, pos: [100, 103]}, t: {name: 误差较大, pos: [103, 107]}, relation: 部件故障},  {h: {name: 总电压, pos: [37, 40]}, t: {name: 欠压二级, pos: [40, 44]}, relation: 性能故障},  {h: {name: 单体, pos: [45, 47]}, t: {name: 压差过大, pos: [167, 171]}, relation: 部件故障}, {h: {name: 车, pos: [222, 223]}, t: {name: 报警, pos: [231, 233]}, relation: 部件故障}, {h: {name: 车, pos: [13, 14]}, t: {name: 报警, pos: [22, 24]}, relation: 部件故障},  {h: {name: 动力电池故障灯, pos: [224, 231]}, t: {name: 报警, pos: [231, 233]}, relation: 部件故障}, {h: {name: 动力电池故障灯, pos: [15, 22]}, t: {name: 报警, pos: [22, 24]}, relation: 部件故障}, {h: {name: 单体, pos: [45, 47]}, t: {name: 欠压二级, pos: [47, 51]}, relation: 部件故障}]}延伸项目地址 https://github.com/wgwang/CCL2022二、面向装备制造领域的移动端在线设备故障诊断平台1、赛题思路随着工业生产自动化、数字化、智能化程度的日益加深企业对设备的可靠性要求也越来越高。因而对设备故障的诊断和排除的研究具有重大的现实意义。互联网蕴含着大量有价值信息是大数据的重要数据来源也是经验交流留存的重要领地。通过对海量的分散的互联网数据进行采集获取互联网上相关设备故障和维修解决方式并形成知识库可以提升故障判断的精准度和应用范围。2、整体要求当设备故障某个或多个参数超出阈值时应用程序从网上抓取可能的故障原因和解决办法并进行相关性排序总形成匹配的故障诊断知识库当出现类似故障时应用程序先根据已有知识库诊断若用户对诊断结果不认可则通过网络抓取再次诊断最终不断自我完善故障诊断知识库和精度。数控机床故障诊断和维修是企业设备管理的难点和重点设备在运行中会产生各种“疑难杂症”不及时排出就会影响生产生活甚至酿成事故。数控机床出了故障一旦查清了故障点和故障原因维修起来其实是一件比较容易的事。通过自适应设备故障诊断APP根据故障信息自动抓取互联网中适应的故障产生原因和优秀解决方法形成知识库将辅助设备维修人员快速诊断排出故障保障生产。可以输入数控机床相关参数品牌、型号、故障代码、某个或多个超出阈值参数、故障描述(文字或语音)等或读取设备运行等相关数据设置参数预警阈值3、项目概述在这里我们介绍https://github.com/wangrenyisme/Shukongdashi这一项目本项目是第八届中国软件杯大赛基于移动端在线设备故障诊断平台的参赛作品。该项目要求从网络上爬取相关设备故障和维修解决方式并构建知识库当设备出现故障时用户通过输入数控机床相关参数品牌、型号、故障代码、某个或多个超出阈值参数、故障描述(文字或语音)等系统可以根据知识库来进行故障诊断和排除如果没有满意的方案系统会再次进行网络爬取如果答案有效则对知识库进行补充和优化。我们设计系统时主要的数据来源是《实用数控机床故障诊断及维修技术500例》这个PDF文档我们尝试着对文档里的每一条故障描述进行拆解和分类CNN构建出了5中三元式推理规则分别为故障现象和故障现象之间存在并发症故障前执行的操作间接导致的故障现象某故障原因导致的故障现象报警信息伴随的故障现象故障部位常见的故障现象。使用Neo4j图数据库存储。当用户输入一条故障信息时我们按照上面构建RDF的方法对故障描述先按照标点符号分句然后使用CNN分类识别出此次故障中用户执行了哪些操作出现了哪些故障现象然后根据知识图谱进行对照除了推理出故障原因以及解决办法之外还会推理出与已经发现的故障相关的未发现的设备故障通过用户进一步检查反馈可以进一步提高诊断结果的可靠性。如果用户没有找到满意的解决方法还可以通过在线爬取网上的解决办法来做参考如果找到了满意的解决办法系统会将此次维修记录补充到知识图谱中实现知识库的自学习。4、构建效果来源数据建成图谱实现效果项目地址 https://github.com/wangrenyisme/Shukongdashi二、知识图谱构建中的代表性信息抽取组件最近找到一个质量较高的信息抽取相关组件在本节中分享给大家1、NER实体识别组件1一种基于globalpointer的命名实体识别地址https://github.com/taishan1994/pytorch_GlobalPointer_Ner2一种基于TPLinker_plus的命名实体识别地址https://github.com/taishan1994/pytorch_TPLinker_Plus_Ner3一种one vs rest方法进行命名实体识别地址https://github.com/taishan1994/pytorch_OneVersusRest_Ner4一种级联Bert用于命名实体识别解决标签过多问题地址https://github.com/taishan1994/pytorch_Cascade_Bert_Ner5一种多头选择Bert用于命名实体识别地址https://github.com/taishan1994/pytorch_Multi_Head_Selection_Ner6一种基于机器阅读理解的命名实体识别地址https://github.com/taishan1994/BERT_MRC_NER_chinese2、三元组关系抽取1基于GlobalPointer的三元组抽取地址https://github.com/taishan1994/pytorch_GlobalPointer_triple_extraction2基于casrel的三元组抽取地址https://github.com/taishan1994/pytorch_casrel_triple_extraction3基于bert的关系抽取地址https://github.com/taishan1994/pytorch_bert_relation_extraction4基于LTP的三元组抽取地址https://github.com/taishan1994/ltp_triple_extraction5pytorch百度UIE关系抽取地址https://github.com/taishan1994/pytorch_uie_re6SpERT中文关系抽取地址https://github.com/taishan1994/SpERT_chinese7指针网络关系抽取地址https://github.com/taishan1994/PointerNet_Chinese_Information_Extraction总结本文主要从面向装备制造故障领域的知识图谱信息抽取、面向装备制造领域的移动端故障诊断分析平台以及代表性开源信息抽取组件三个方面进行介绍。如文章中所介绍的从抽取评测用于解决数据标注、定义和业务建模问题、应用实例用于解决如何用以及页面长啥样的问题以及小白如何入门这几个层面进行揭示可以更好的加深对该技术的印象 。对于评测和项目的细节大家可以进一步查看加深理解。关于老刘老刘刘焕勇NLP开源爱好者与践行者主页https://liuhuanyong.github.io。就职于360人工智能研究院、曾就职于中国科学院软件研究所。OpenKGOpenKG中文开放知识图谱旨在推动以中文为核心的知识图谱数据的开放、互联及众包并促进知识图谱算法、工具及平台的开源开放。点击阅读原文进入 OpenKG 网站。