基于时序知识图谱的数控机床故障预测方法研究及应用
这是一篇关于数控机床,故障预测,时序知识图谱,自注意力机制的论文, 主要内容为目前,制造车间正逐步向数字化、网络化和智能化方向发展。数控机床作为当今生产企业的重要加工设备,运行过程中在多种因素的影响下会发生故障,将导致设备停机甚至造成严重的安全事故,因此预测数控机床潜在的故障类型并提前采取措施显得尤为重要。物联制造环境下监测的数控机床状态数据在一定程度上反映了设备的故障情况,且生产车间保存了海量以文本形式存储的设备故障详情记录,这些数据中蕴含了大量的故障知识。因此本文基于设备过程状态数据进行故障预测,并根据预测的故障类型结果将文本中挖掘出的故障知识提供给维修人员,以提高维修人员的工作效率。本文主要研究成果如下:首先,对数控机床的组成结构、故障部位分布、数据知识特点进行分析,了解数控机床领域的数据特点。本文以设备过程状态数据及故障案例文本为基础数据构建数控机床故障时序知识图谱,将结构化过程状态数据转化为具有时序特性的三元组,并对故障文本记录进行实体和关系抽取得到故障知识三元组,通过实体对齐技术消除重复实体,创建具有时序特性的数控机床故障知识图谱,为后续故障预测及知识推荐提供数据基础。其次,采用知识图谱链接预测思路来预测设备实体与故障实体之间的联系,从而达到故障预测的效果,为设备故障预测问题提供了一种新的解决思路。基于数控机床故障时序知识图谱的特点,本文提出一种结合Trans R向量化、LSTM序列学习、自注意力机制的时序链接预测模型。该模型基于设备过程状态时序三元组序列,结合Trans R实现复杂语义向量化、LSTM在提取长时序特性数据的优势以及自注意力机制突出关键影响因素的特性,实现具有时序特性的数控机床故障知识图谱链接预测,在预测潜在故障类型的基础上,为模型提供一定的可解释性。最后,基于上述理论与技术开发了数控机床设备故障预测系统,并在企业中得以应用,为企业设备管理和稳定运行提供了技术支持,同时验证了本课题的可行性和有效性。
基于复制生成模型的时序知识图谱推理及应用
这是一篇关于知识图谱,时序知识图谱,自然语言生成,复制机制,意图推理,军事领域,CompGCN,时序知识图谱推理的论文, 主要内容为知识图谱包含了大量的人类知识,在搜索引擎、自问自答、机器翻译、推荐系统等任务有广泛的应用。知识图谱通常包含时间维度的动态事实,这些事实模拟了沿时间线的实体的动态关系或相互作用。近年来的研究开始将时间信息纳入知识图谱中,即时序知识图谱。由于这样的时序知识图谱常常存在不完整性,因此开发具有时间感知的时序知识图谱推理模型,帮助推断这种图中缺失的时间事实是很重要的。近年来,时序知识图谱推理已经成为一个热点,在社交网络分析、事件预测、推荐系统、意图推理等领域有广泛的应用。虽然时序知识图谱上的事实通常是不断变化的,但值得注意的是,许多事实可以在历史上反复出现。本论文利用时序知识图谱公开数据集,开展了时序知识图谱推理的研究。针对时序知识图谱嵌入方法只注重分别计算每个时间片知识图谱的潜伏表征,因此无法捕捉连续时间片中事实的长期依赖性的问题,提出一种新颖的基于时间感知复制生成模型的时序知识图谱推理方法。本文结合自然语言生成中的复制机制的实现思路,提出CyGNet(Temporal Copy-Generation Network)。大量的实验结果证明了CyGNet提高了预测精度和预测未来事件的能力。针对海空舰船侦察机等活动数据特点,将CyGNet应用于动态目标意图推理。首先,将基于某项目已经构建好的军事活动知识图谱数据随机切割为训练数据和测试数据,通过对训练数据和测试数据中存在大量的同一目标或同一区域的不同说法的实体进行实体链接,并采用图神经网络模型CompGCN学习四元组中各节点的语义向量表示获得预训练的节点向量表示,通过训练后的语义向量初始化CyGNet四元组模型。最终CyGNet对动态目标意图推理的Hits@10值为91.81%,对军事活动具有实际指导意义。但是,由于存在数据集的历史重复事件发生概率过于不平衡的问题,可能会阻碍算法的性能。在未来的工作中,本文计划尝试通过预训练时序知识图谱的全球显著实体和事件,并学习不同时间片事件之间的逻辑推理。同时将所提出的算法技术帮助理解军事活动的动态目标意图推理。
时序知识图谱补全与预测算法的研究与实现
这是一篇关于时序知识图谱,知识图谱补全,事件预测,知识图谱问答的论文, 主要内容为本文主要研究时序知识图谱补全与预测算法,以及补全算法在时序问答中的应用。时序知识图谱补全任务是补全图谱的缺失事实,而预测任务是预测图谱的未来事件。时序问答任务是从时序知识图谱中,利用补全算法找出时序的自然语言查询问题的答案。目前关于时序知识图谱的研究存在诸多问题:(1)对于时序知识图谱补全任务,现有的时序模型只是将时间作为参数,忽略了时间演化中的联系,且未考虑如何补全新出现的时间戳,不具备在线学习能力;(2)对于时序知识图谱预测任务,现有工作都是独立地进行补全任务或预测任务,未考虑二者之间的联系;(3)对于补全算法在时序问答中的应用,难点在于发现复杂时序问题的隐含目标时间。现有的时序知识图谱问答模型对复杂问答依然存在着充分的提升空间。针对以上问题,本文进行的主要的研究工作如下:(1)提出了一种基于状态转移的时序知识图谱补全算法RTFE:将时序知识图谱看作马尔可夫链。基于RTFE,将丰富的静态知识图谱嵌入方法迁移到时序图谱嵌入,跨越了静态图谱与时序图谱的鸿沟;并进一步增强了现有的时序图谱嵌入模型的效果。在公开数据集上较之前的最优模型的MRR指标(平均倒数排名)上提升了 6.2%;(2)提出基于时序知识图谱补全的事件预测算法CompTF:一种“先对时序知识图谱补全,再预测未来”的训练算法。根据事件的周期性减小搜索空间,从而将判别式的补全模型直接用于补全缺失事件。然后将补全后的图谱用于预测模型的学习,提升了模型在不完整图谱与完整图谱上的预测能力。(3)为探索时序知识图谱补全算法在时序问答中的进一步应用,提出基于时间变换的时序知识图谱复杂问答算法Time-trans。针对难以直接发现复杂时序问题的目标时间的挑战,利用神经网络将可能的潜在时间变换到目标时间。再直接利用时序知识图谱补全模型回答变换后的问题,在提高准确率的同时简化了时序问题的求解过程。在公开数据集的复杂问题上较之前的最优模型精度提升了 13.1%。最后,本文的研究工作支持了国家自然科学基金项目“面向医学知识图谱演进的图神经网络知识融合及补全方法研究”中关于“结合结构和时序信息的知识图谱表示模型”的研究。
基于时序知识图谱的问答系统研究
这是一篇关于时序知识图谱,问答系统,知识抽取,知识表示学习的论文, 主要内容为互联网的蓬勃发展带来了数据的快速增长。如何高效、准确地从大量的互联网数据中提取有效信息逐渐成为人们关注地问题。基于知识图谱的问答系统以结构化的数据内容和高效的检索方式为用户提供便捷的个性化信息服务。常规知识图谱通常是静态的,无法刻画事实的动态演化的过程,这限制了它的应用场景。时序知识图谱在时间维度上对静态的知识图谱进行扩展,包含了知识的时序信息,具有重要的研究价值。目前,时序知识图谱已经成为知识图谱领域的研究热点,但以时序知识图谱作为问答系统知识源的研究还处于起步阶段。为了充分发挥时序知识图谱建模结构化知识动态变化的优势,提升问答系统的覆盖范围和准确度,本文对基于时序知识图谱的问答系统进行了研究,主要包含以下三个方面的内容:(1)针对现有知识抽取模型的不足进行改进,提出了基于改进的BERT-Bi LSTMCRF方法的知识抽取模型用以构建时序知识图谱。在实体、关系数据的获取之外引入时间抽取模块,实现了时间维度信息的抽取。实体、关系与对应时间信息融合形成时序知识图谱四元组。通过对比实验证明了本文提出的时序知识抽取方法的有效性。(2)构建了金融领域时序知识图谱数据集和问答数据集。针对时序知识图谱问答数据集匮乏的问题,采用(1)中的时序知识抽取模型对公开的金融领域中文文本数据进行挖掘,从而构建了中文金融时序知识图谱。在此知识图谱的基础上采用基于规则模板的方法生成了时序知识图谱问答数据集,为问答系统的构建提供了数据基础。(3)提出了基于时序知识图谱的问答系统Temp-KGQA。本文采用基于时间图卷积网络的时序知识图谱表示学习方法获取实体、关系和时间的表示向量,将其应用于问答系统中以实现包含时间信息和多条知识的问题推理。通过对比实验证明了本文提出的模型相比现有的基线方法在中文金融领域时序知识图谱问答上取得了更好的效果。
基于知识图谱嵌入的多跳问答方法研究
这是一篇关于问答系统,知识图谱,知识图谱嵌入,时序知识图谱的论文, 主要内容为知识图谱是一种知识库,目前在很多现实场景任务都得到了广泛应用,如推荐系统、问答系统以及信息检索等领域。基于知识图谱的问答方法是人工智能领域和信息检索领域的重要研究热点。根据问题在知识图谱上推理路径的长度,知识图谱问答方法可以分为单跳问答和多跳问答,其中多跳问题还可能带有时间约束或者隐式等信息。在实际应用中,一方面,用户倾向于表达复杂的多跳推理的自然语言问题,这就需要具有较强的长路径建模能力。知识图谱都是不完整的,会缺失很多信息,这就给知识图谱多跳问答带来更大的挑战。另一方面,传统的知识图谱没有考虑时间信息,在面对带有时间约束的问题时,基于知识图谱的问答方法不能有很好的表现,因此,研究者们提出了时序知识图谱。时序知识图谱虽然包含了时间信息,但针对时间知识图谱问答开发的方法很少。而且现有的时间知识图谱问答方法侧重于语义或时间级匹配,缺乏推理时间约束的能力。为了解决上述问题,本文主要研究了以下两方面内容:(1)本文提出一种基于关系路径的知识图谱嵌入多跳问答模型,使用知识图谱嵌入解决了知识图谱稀疏导致的链路缺失的问题,使用知识图谱中实体之间的丰富语义提升模型问答准确率,并对问题和关系的进行表示增强。本文提出了复杂问题的语义提取模块和关系检测模块,其中语义提取模块用自注意力机制对问题进行增强表示,能够更加准确地获得复杂问题的多重语义。关系检测模块是将主题实体和候选实体的关系路径提取出来,最后与问题进行语义匹配。将本文提出的模型在完整的Meta QA数据集以及不完整的Meta QA数据集上进行实验,实验表明,本文提出的方法的准确率较高。(2)本文提出一种基于时序知识图谱嵌入的多跳问答模型,由四个模块组成:知识图谱嵌入聚合模块,问题处理模块,路径推理模块,答案预测模块。知识图谱嵌入聚合模块对实体和关系进行语义增强表示,首先使用图注意力网络,融合了当前结点信息和邻居结点的信息去增强实体表示,丰富了实体的语义关系,增加了邻居信息。其次使用神经网络将时间信息聚合到关系信息中去,丰富了关系中的时间演化信息。问题处理模块获得了时间约束信息和时间约束关系,并得到融合了上下文信息、时间信息和实体信息的问题特征表示。通过路径推理模块可以提取出与问题主题实体相关的子图,并用时间约束进行剪枝,得到满足时间约束的关系路径。最后在答案预测模块得到最终答案。在Cron Questions和Complex-Cron Questions数据集上评估模型,证明本文提出的方法准确率较高。
时序知识图谱的增量构建与可视化
这是一篇关于时序知识图谱,吻合度,增量构建,贪心算法的论文, 主要内容为随着Web2.0的高速发展和迅速普及,大量数据应运而生,其中蕴含着各个领域的新知识。知识图谱(Knowledge Graph,KG)作为结构化的语义知识库,需要不断将这些新增知识实时、准确地添加到现有知识库中,有助于实时反映知识的演化更新。因此,时序KG增量构建可以用来描述知识库中的增量式概念及其演化过程,为搜索引擎、问答系统和推荐系统等应用提供了良好的支撑,并且对金融、医疗和少数民族等领域的知识库构建具有重要意义。然而,如何快速地将新知识增量更新到现有KG中,如何准确地从新知识中抽取出与现有KG相关的新三元组集合,以及如何利用现有的专家知识实现时序KG的增量构建可视化过程,成为了本文需要解决的关键问题。为此,本文以随时间的推移所新产生的数据作为新知识,从中抽取出与当前KG相关的新三元组集合,并将其增量更新到现有KG中,进而实现增量构建的可视化原型系统。本文的研究工作主要包括如下几个方面:1.给出时序KG的定义,然后基于TransH表示学习模型提出一种时序KG的增量构建算法,通过不断将新知识嵌入到现有KG的向量空间中,从而完成时序KG的增量更新。2.基于三元组与当前KG的模型吻合度和语义吻合度,分别提出了吻合度计算模型和基于SVD的快速检索算法,从而计算出大量新三元组的吻合度,然后提出基于贪心思想的最优三元组子集提取算法,抽取出能够添加到当前KG中最优的三元组集合。3.利用现有的少数民族KG和少数民族新闻,基于Neo4j图数据库实现时序KG的增量构建可视化原型系统,将少数民族新闻中的新三元组增量更新到现有KG中,从而让用户直观了解该民族的相关知识以及语义查询。最后,在Wikidata、CN-DBpedia和Freebase数据集上,对本文所提出的方法进行了效率及有效性测试,并与现有的知识图谱补全(Knowledge Graph Completion,KGC)方法进行了比较。实验结果表明,相比其他现有模型,本文方法能够快速地提取出最优三元组并且有效地把它们添加到现有KG中,验证了本文所提出方法的高效性和有效性。
物流企业隐患网络构建与预测研究
这是一篇关于物流隐患,时序知识图谱,隐患预测,增量学习的论文, 主要内容为物流行业具有较强的流动性、不确定性和资源聚集性,随着行业的高速发展,物流企业的安全隐患问题在不断变化。安全隐患问题发现不及时,一旦造成事故会带来巨大的损失,严重影响人们的生命财产安全。因此,本文从物流企业隐患历史检查数据入手,将研究重点放在隐患的事前预防上,有效降低物流企业的安全风险。目前在隐患预测方面已经有了诸多研究,但主要集中在交通、煤矿、电力等领域,且大多是针对单一隐患主体或者是单一隐患类的分析,在多隐患主体与多隐患类之间的关联关系和结构变化研究方面仍有所缺失。因此,本文以图结构数据为基础,利用节点与节点之间的关联关系构建物流企业隐患网络,基于时序知识图谱表示学习和增量学习研究,实现物流企业隐患事实的预测补全,主要包括以下三个方面的研究内容。1、物流企业隐患网络构建与分析。基于处理后的结构化物流企业隐患数据,本文采用自顶而下的物流企业隐患知识图谱构建方式,从概念层设计到实例层学习,实现物流企业隐患网络的构建与可视化。同时,基于复杂网络分析的节点中心性度量指标,完成物流企业隐患网络的实体重要性分析,更有针对性地推进隐患排查工作。2、基于时序融合的物流企业隐患网络预测研究。常见的知识图谱链接预测忽视了对时间信息的利用,本文基于融合时间信息的物流企业隐患网络表示学习技术,利用时序编码器和静态解码函数,完成隐患事实的预测补全,以更全面的物流企业隐患知识网络指导企业的安全管理工作。3、基于增量学习的物流企业隐患网络预测研究。全量的模型学习方式虽然能够获取更多的数据信息,但不能完成新知识的持续学习。隐患事实是在不断产生和发展的,考虑到数据量增加对训练资源的过量占用问题,本文在时序融合的基础上,综合采用基于回放和基于正则化的增量学习技术,通过隐患事实的增量学习方式实现模型的不断学习调整,提高模型的预测效率和学习新知识的能力。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/49235.html
