基于知识图谱的工业设备故障智能分析技术研究与实现
这是一篇关于知识图谱,故障分析,深度学习,智能搜索,表征学习的论文, 主要内容为随着生产力水平的提升、工业设备的智能化程度提高,数控设备的结构复杂度也随之增大。在实际的现代工业生产过程中,由于工程规模大,业务逻辑复杂,生产过程中的变量之间往往存在着复杂的关系,并且,随着工艺的日益复杂,影响因素也逐渐增多,复杂工业系统中的故障发生率也随之增大。当设备在复杂工况下运转时,设备故障分析变得更加困难,传统的故障分析方法高度依赖专家工作经验,效率较低,而单纯基于数据的诊断则缺乏可解释性。一套精准、快速、完善的故障分析方法是目前工业生产技术发展的实际需求。针对目前工业设备故障分析中所存在的资料检索困难,复杂故障根因难以判断等问题,本文研究了基于知识图谱的故障智能分析方法,结合故障知识图谱网络结构特性,提出了一种基于注意力机制的故障根因挖掘方法,能够为用户提供更合理完备的故障分析结果。本文的主要研究内容如下:(1)提出了工业设备故障知识图谱的构建方法。通过对故障分析流程和故障诊断资料的分析,联合自上而下与自下而上的知识图谱构建方法,探索了由设备到部件的多层次故障知识图谱模式层的构建方法。基于故障维修手册、百科知识、国家命名标准文件等信息,完成数据的收集,经数据清洗后得到格式化的知识图谱原始数据,经人工标注后,使用图数据库来实现小规模设备故障知识图谱的存储。(2)提出结合风险频度顺序数(Risk Priority Number,RPN)的设备故障智能分析模型。本文提出的故障智能分析模型在基于知识图谱的故障分析中,针对多层次、多因素的复杂故障分析问题,构建了基于知识图谱的关系路径注意力计算模型(Knowledge Graph Path Attention,KGPA),使用开源数据集验证了模型的有效性,实验结果表明KGPA模型优于其他算法。在故障知识图谱上应用KGPA模型,获取相关现象与潜在故障风险原因,并结合实际历史风险频度进行排序。此外,在故障描述语义解析任务中,联合基于Wu Manbe算法的规则匹配方法与基于中文BERT的深度学习方法,能够高效对故障描述进行实体和关系识别,为下一步查询匹配提供帮助。(3)集成实现工业设备故障智能分析系统。将上述两部分的工作成果集成,应用Django框架进行后端开发,使用VUE完成前端页面,实现了前后端分离的故障分析系统,在系统知识图谱库内为用户提供结合系统历史风险频度的深度原因分析与故障改善措施推荐服务。
基于机电设备运维知识图谱的智能搜索技术研究与实现
这是一篇关于知识图谱,机电运维,深度学习,智能搜索,个性化搜索的论文, 主要内容为随着工业科技的不断进步,机电设备变得种类繁多、结构复杂,该领域的从业人员在日常运维工作中往往需要检索大量设备说明、维修手册等文字信息并只获取了其中的一小部分来指导工作。互联网资源日益增长,通用搜索引擎、专业论坛等也成为了机电运维人员检索咨询的渠道,但是这些渠道通常以夹杂着无关信息的大量网页链接作为检索结果,用户仍需费时费力进行筛选。随着知识图谱技术的兴起与成熟,医疗、法律等越来越多的领域开始采用知识图谱来组织信息,并以此作为数据基础构建了高效的智能搜索、咨询问答应用,机电运维领域可以借鉴这一方法,打造准确、快捷、高效的智能搜索问答。本文针对机电运维领域从业人员资料检索困难的问题,提供了基于领域知识图谱的智能搜索解决方案,并提出了一种考虑机电运维人员个性化需求特征的结果排序设计,旨在为用户提供更符合其当下需求的知识检索结果。本文的主要工作如下:(1)构建面向机电设备运维领域的知识图谱:通过对机电设备运维领域工作内容和知识数据的分析,构建了以“设备”为中心实体的模式层,基于百科网站、机电论坛等渠道完成数据收集与处理,得到格式化的知识,并辅以专业、范围、难度的人工标注,采用图数据库实现机电设备运维知识图谱的构建与存储。(2)设计结合用户特征的机电设备运维领域问答模型:本文提出的设计既考虑了从查询问句本身出发进行语义解析获取目标查询,还从专业、范围、学习能力三个维度考虑了用户本身的个性化需求特征,在查询问句涉及的知识较为广泛时,能为用户提供尽可能匹配其需求的结果。在问句语义解析任务中,联合了基于规则的AC多模式匹配和基于Bert的深度学习方法,在机电领域问题集上实现了效果可观的实体关系属性识别。(3)集成实现机电设备运维智能搜索系统:将上述两项工作的成果进行集成,采用Django框架进行前后端开发实现了一个机电设备运维智能搜索系统,能在知识库范围内为用户提供有个性化差异的智能搜索服务。
基于知识图谱的工业设备故障智能分析技术研究与实现
这是一篇关于知识图谱,故障分析,深度学习,智能搜索,表征学习的论文, 主要内容为随着生产力水平的提升、工业设备的智能化程度提高,数控设备的结构复杂度也随之增大。在实际的现代工业生产过程中,由于工程规模大,业务逻辑复杂,生产过程中的变量之间往往存在着复杂的关系,并且,随着工艺的日益复杂,影响因素也逐渐增多,复杂工业系统中的故障发生率也随之增大。当设备在复杂工况下运转时,设备故障分析变得更加困难,传统的故障分析方法高度依赖专家工作经验,效率较低,而单纯基于数据的诊断则缺乏可解释性。一套精准、快速、完善的故障分析方法是目前工业生产技术发展的实际需求。针对目前工业设备故障分析中所存在的资料检索困难,复杂故障根因难以判断等问题,本文研究了基于知识图谱的故障智能分析方法,结合故障知识图谱网络结构特性,提出了一种基于注意力机制的故障根因挖掘方法,能够为用户提供更合理完备的故障分析结果。本文的主要研究内容如下:(1)提出了工业设备故障知识图谱的构建方法。通过对故障分析流程和故障诊断资料的分析,联合自上而下与自下而上的知识图谱构建方法,探索了由设备到部件的多层次故障知识图谱模式层的构建方法。基于故障维修手册、百科知识、国家命名标准文件等信息,完成数据的收集,经数据清洗后得到格式化的知识图谱原始数据,经人工标注后,使用图数据库来实现小规模设备故障知识图谱的存储。(2)提出结合风险频度顺序数(Risk Priority Number,RPN)的设备故障智能分析模型。本文提出的故障智能分析模型在基于知识图谱的故障分析中,针对多层次、多因素的复杂故障分析问题,构建了基于知识图谱的关系路径注意力计算模型(Knowledge Graph Path Attention,KGPA),使用开源数据集验证了模型的有效性,实验结果表明KGPA模型优于其他算法。在故障知识图谱上应用KGPA模型,获取相关现象与潜在故障风险原因,并结合实际历史风险频度进行排序。此外,在故障描述语义解析任务中,联合基于Wu Manbe算法的规则匹配方法与基于中文BERT的深度学习方法,能够高效对故障描述进行实体和关系识别,为下一步查询匹配提供帮助。(3)集成实现工业设备故障智能分析系统。将上述两部分的工作成果集成,应用Django框架进行后端开发,使用VUE完成前端页面,实现了前后端分离的故障分析系统,在系统知识图谱库内为用户提供结合系统历史风险频度的深度原因分析与故障改善措施推荐服务。
基于知识图谱的工业设备故障智能分析技术研究与实现
这是一篇关于知识图谱,故障分析,深度学习,智能搜索,表征学习的论文, 主要内容为随着生产力水平的提升、工业设备的智能化程度提高,数控设备的结构复杂度也随之增大。在实际的现代工业生产过程中,由于工程规模大,业务逻辑复杂,生产过程中的变量之间往往存在着复杂的关系,并且,随着工艺的日益复杂,影响因素也逐渐增多,复杂工业系统中的故障发生率也随之增大。当设备在复杂工况下运转时,设备故障分析变得更加困难,传统的故障分析方法高度依赖专家工作经验,效率较低,而单纯基于数据的诊断则缺乏可解释性。一套精准、快速、完善的故障分析方法是目前工业生产技术发展的实际需求。针对目前工业设备故障分析中所存在的资料检索困难,复杂故障根因难以判断等问题,本文研究了基于知识图谱的故障智能分析方法,结合故障知识图谱网络结构特性,提出了一种基于注意力机制的故障根因挖掘方法,能够为用户提供更合理完备的故障分析结果。本文的主要研究内容如下:(1)提出了工业设备故障知识图谱的构建方法。通过对故障分析流程和故障诊断资料的分析,联合自上而下与自下而上的知识图谱构建方法,探索了由设备到部件的多层次故障知识图谱模式层的构建方法。基于故障维修手册、百科知识、国家命名标准文件等信息,完成数据的收集,经数据清洗后得到格式化的知识图谱原始数据,经人工标注后,使用图数据库来实现小规模设备故障知识图谱的存储。(2)提出结合风险频度顺序数(Risk Priority Number,RPN)的设备故障智能分析模型。本文提出的故障智能分析模型在基于知识图谱的故障分析中,针对多层次、多因素的复杂故障分析问题,构建了基于知识图谱的关系路径注意力计算模型(Knowledge Graph Path Attention,KGPA),使用开源数据集验证了模型的有效性,实验结果表明KGPA模型优于其他算法。在故障知识图谱上应用KGPA模型,获取相关现象与潜在故障风险原因,并结合实际历史风险频度进行排序。此外,在故障描述语义解析任务中,联合基于Wu Manbe算法的规则匹配方法与基于中文BERT的深度学习方法,能够高效对故障描述进行实体和关系识别,为下一步查询匹配提供帮助。(3)集成实现工业设备故障智能分析系统。将上述两部分的工作成果集成,应用Django框架进行后端开发,使用VUE完成前端页面,实现了前后端分离的故障分析系统,在系统知识图谱库内为用户提供结合系统历史风险频度的深度原因分析与故障改善措施推荐服务。
基于知识图谱的工业设备故障智能分析技术研究与实现
这是一篇关于知识图谱,故障分析,深度学习,智能搜索,表征学习的论文, 主要内容为随着生产力水平的提升、工业设备的智能化程度提高,数控设备的结构复杂度也随之增大。在实际的现代工业生产过程中,由于工程规模大,业务逻辑复杂,生产过程中的变量之间往往存在着复杂的关系,并且,随着工艺的日益复杂,影响因素也逐渐增多,复杂工业系统中的故障发生率也随之增大。当设备在复杂工况下运转时,设备故障分析变得更加困难,传统的故障分析方法高度依赖专家工作经验,效率较低,而单纯基于数据的诊断则缺乏可解释性。一套精准、快速、完善的故障分析方法是目前工业生产技术发展的实际需求。针对目前工业设备故障分析中所存在的资料检索困难,复杂故障根因难以判断等问题,本文研究了基于知识图谱的故障智能分析方法,结合故障知识图谱网络结构特性,提出了一种基于注意力机制的故障根因挖掘方法,能够为用户提供更合理完备的故障分析结果。本文的主要研究内容如下:(1)提出了工业设备故障知识图谱的构建方法。通过对故障分析流程和故障诊断资料的分析,联合自上而下与自下而上的知识图谱构建方法,探索了由设备到部件的多层次故障知识图谱模式层的构建方法。基于故障维修手册、百科知识、国家命名标准文件等信息,完成数据的收集,经数据清洗后得到格式化的知识图谱原始数据,经人工标注后,使用图数据库来实现小规模设备故障知识图谱的存储。(2)提出结合风险频度顺序数(Risk Priority Number,RPN)的设备故障智能分析模型。本文提出的故障智能分析模型在基于知识图谱的故障分析中,针对多层次、多因素的复杂故障分析问题,构建了基于知识图谱的关系路径注意力计算模型(Knowledge Graph Path Attention,KGPA),使用开源数据集验证了模型的有效性,实验结果表明KGPA模型优于其他算法。在故障知识图谱上应用KGPA模型,获取相关现象与潜在故障风险原因,并结合实际历史风险频度进行排序。此外,在故障描述语义解析任务中,联合基于Wu Manbe算法的规则匹配方法与基于中文BERT的深度学习方法,能够高效对故障描述进行实体和关系识别,为下一步查询匹配提供帮助。(3)集成实现工业设备故障智能分析系统。将上述两部分的工作成果集成,应用Django框架进行后端开发,使用VUE完成前端页面,实现了前后端分离的故障分析系统,在系统知识图谱库内为用户提供结合系统历史风险频度的深度原因分析与故障改善措施推荐服务。
中医院医疗大数据平台智能搜索子系统设计与实现
这是一篇关于医疗行业,大数据,智能搜索,患者档案的论文, 主要内容为随着医疗信息化建设的不断发展,医院产生及积累着海量的结构化及非结构化数据。利用大数据的技术对医疗信息数据的处理,能够更好的为医生及患者通过更好的服务。本文在医院现有信息系统基础上,立足大数据全文检索及数据中心的建设思想,并结合医护人员实际需要,设计及实现了针对医疗行业的智能搜索子系统。中医院医疗大数据平台智能搜索子系统的建设意义,在于打通了多个业务系统的信息壁垒,实现将医院的HIS、LIS、RIS、PACS、EMR等在内的多个业务系统中患者相关数据互联互通。从以前传统的登录多个业务系统分别查看患者的信息,转变为只需要一次简单查询即可完成,实现了“数据多跑路,患者少跑腿”。并且结合全文检索技术,实现院内医疗数据类百度查询。可以极大的提升患者就诊满意度,同时使用医护人员工作效率得到提升。中医院医疗大数据平台智能搜索子系统在技术路线上,开发使用的B/S架构、MVC设计模式、Spring+SpringMVC+Mybatis框架、Oraclel2c数据库、SolrCloud全文检索库及Tomcat中间件。MVC架构用一种业务逻辑、数据操作、系统展现分离的方式组织代码,将业务实现部分独立出来,在修改系统展现及使用者操作时,无须再次修改业务实现部分,有效的提升开发效率。全文检索库基于SorlCloud大数据技术,开发全文检索引擎、中文分词、索引库,具有高性能、高可用、高可靠的特点,实现类百度的搜索。中医院医疗大数据平台智能搜索子系统实现了数据治理、患者档案、患者索引库、智能搜索等主要功能。其中数据治理实现了数据的采集、加工、标准化、分析及建模功能;患者档案实现了将数据中心汇聚进来的多个业务系统的数据进行数理分析,提取出与患者相关的数据集并进行关联建模;患者索引库实现了底层索引库的选型及搭建、结构化数据到索引库的存储、索引库模型建设等操作;全文检索实现了类百度的查询,将顶层用户交互、全文检索实现、患者档案查询等功能串联起来的功能。对促进中医院医疗大数据建设具有一定指导意义。
中医院医疗大数据平台智能搜索子系统设计与实现
这是一篇关于医疗行业,大数据,智能搜索,患者档案的论文, 主要内容为随着医疗信息化建设的不断发展,医院产生及积累着海量的结构化及非结构化数据。利用大数据的技术对医疗信息数据的处理,能够更好的为医生及患者通过更好的服务。本文在医院现有信息系统基础上,立足大数据全文检索及数据中心的建设思想,并结合医护人员实际需要,设计及实现了针对医疗行业的智能搜索子系统。中医院医疗大数据平台智能搜索子系统的建设意义,在于打通了多个业务系统的信息壁垒,实现将医院的HIS、LIS、RIS、PACS、EMR等在内的多个业务系统中患者相关数据互联互通。从以前传统的登录多个业务系统分别查看患者的信息,转变为只需要一次简单查询即可完成,实现了“数据多跑路,患者少跑腿”。并且结合全文检索技术,实现院内医疗数据类百度查询。可以极大的提升患者就诊满意度,同时使用医护人员工作效率得到提升。中医院医疗大数据平台智能搜索子系统在技术路线上,开发使用的B/S架构、MVC设计模式、Spring+SpringMVC+Mybatis框架、Oraclel2c数据库、SolrCloud全文检索库及Tomcat中间件。MVC架构用一种业务逻辑、数据操作、系统展现分离的方式组织代码,将业务实现部分独立出来,在修改系统展现及使用者操作时,无须再次修改业务实现部分,有效的提升开发效率。全文检索库基于SorlCloud大数据技术,开发全文检索引擎、中文分词、索引库,具有高性能、高可用、高可靠的特点,实现类百度的搜索。中医院医疗大数据平台智能搜索子系统实现了数据治理、患者档案、患者索引库、智能搜索等主要功能。其中数据治理实现了数据的采集、加工、标准化、分析及建模功能;患者档案实现了将数据中心汇聚进来的多个业务系统的数据进行数理分析,提取出与患者相关的数据集并进行关联建模;患者索引库实现了底层索引库的选型及搭建、结构化数据到索引库的存储、索引库模型建设等操作;全文检索实现了类百度的查询,将顶层用户交互、全文检索实现、患者档案查询等功能串联起来的功能。对促进中医院医疗大数据建设具有一定指导意义。
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：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/50541.html
