基于知识图谱的采煤机关键部件故障维修策略研究
这是一篇关于采煤机故障,知识图谱,问答系统,深度学习,故障维修的论文, 主要内容为我国煤炭资源丰富,在长期开采过程中积累许多关于采煤机故障及维修的文本资料,诸如采煤机故障维修记录、操作规程等。其中包含有大量的知识要素,但因内容零散复杂,往往得不到有效管理,维修文本资料内的故障知识要素难以被深入挖掘。针对这种“资源浪费”,本文提出构建采煤机故障知识图谱,将繁杂的知识结构化从而更加有效地管理和获取故障维修信息。利用深度学习和自然语言处理技术从文字中提取出“知识三元组”形式的数据,在Neo4j平台实现知识图谱可视化。凭借此结构化知识库设计一种采煤机故障维修问答场景,为采煤机故障实际维修寻求一种有效参考。论文取得以下研究成果:(1)本文在现有原始文本数据集的基础上,训练一款Bert-Bi LSTM-CRF深度学习模型,根据捕捉到的实体特征能够实现对文本资料中的故障实体和关系达到80%以上准确率的提取结果。经过实体对齐处理后,将提取出的csv数据导入neo4j平台从而绘制出采煤机故障知识图谱。(2)基于所构建的知识图谱来对采煤机故障信息及维修策略进行知识检索,就问答系统的运行流程和知识获取进行设计。本文将整个系统的运行过程分为“问”与“答”两部分,一部分运用Bert-Text CNN模型和识别出的实体字典实现对查询语句主体故障及意图的理解分析,另一部分基于“故障源—故障信息—维修策略”这一推理思路,运用模糊矩阵及Rete推荐算法实现对知识图谱中故障源及维修信息答案的可靠性预测及推荐。(3)就问答系统的实现进行设计。使用Python作为后台开发语言实现对“语句解析”、“知识检索推荐”等模块的协同调用;基于vue进行前端开发,将整个问答系统的输入与输出表示出来。
基于文本分析的设备故障维修专家推荐系统研究
这是一篇关于故障维修,文本分类,BERT,推荐系统,XGBoost的论文, 主要内容为随着工业界的蓬勃发展,涌现出很多大型现代化设备,这些大型设备可以提高工业的生产效率,促进社会发展,可以说人类的发展越来越离不开大型先进设备的支持。但是越是功能强大的设备,其机器结构越复杂且造价昂贵,大型现代化设备的使用时间越久,所暴露出的故障数量就越多,种类越广,复杂且多变。一旦设备出现自身无法解决的问题,唯一办法就是要找专业的维修专家来进行设备维修,推荐哪位维修专家来对该设备所发生的故障精准高效地进行维修就是一个问题了,所以本文以该问题作为研究对象,利用历史维修任务中所产生的相关数据,从故障维修专家的领域推荐以及维修专家个性化推荐等方面展开研究,目的就是要根据用户的需求找出最优的故障维修专家推荐方案。为解决故障维修专家所属领域的推荐问题,本文提出一种基于改进的BERT故障文本分类模型,利用该模型可以对用户提交的故障文本描述信息做故障类型的分类,进而找到所有擅长维修该故障领域的维修专家。将领域推荐问题转化为文本分类问题,完成召回层的推荐任务,生成维修专家候选集,为维修专家的个性化推荐做准备。为解决故障维修专家的个性化推荐问题,本文提出一种融合了用户、维修专家、以及二者交互特征的基于XGBoost的故障维修专家个性化推荐模型,利用该模型可以计算出在召回层所产生的每位候选故障维修专家的得分,每名维修专家的得分按照由高到低排序,选取得分数较高的前几位故障维修专家作为最终推荐结果。利用该推荐方法可以有效保证对于不同用户需求的个性化推荐,完成排序层的推荐任务,有效地提高了推荐结果的准确率。基于上述研究成果,设计并实现设备故障维修专家推荐系统。该系统为用户提供报障工单的智能化管理功能和对维修专家的领域和个性化的推荐功能,用户可以利用web与该系统进行交互,提高了用户对数据的管理效率,有助于用户作出合理决策。
基于知识图谱的采煤机关键部件故障维修策略研究
这是一篇关于采煤机故障,知识图谱,问答系统,深度学习,故障维修的论文, 主要内容为我国煤炭资源丰富,在长期开采过程中积累许多关于采煤机故障及维修的文本资料,诸如采煤机故障维修记录、操作规程等。其中包含有大量的知识要素,但因内容零散复杂,往往得不到有效管理,维修文本资料内的故障知识要素难以被深入挖掘。针对这种“资源浪费”,本文提出构建采煤机故障知识图谱,将繁杂的知识结构化从而更加有效地管理和获取故障维修信息。利用深度学习和自然语言处理技术从文字中提取出“知识三元组”形式的数据,在Neo4j平台实现知识图谱可视化。凭借此结构化知识库设计一种采煤机故障维修问答场景,为采煤机故障实际维修寻求一种有效参考。论文取得以下研究成果:(1)本文在现有原始文本数据集的基础上,训练一款Bert-Bi LSTM-CRF深度学习模型,根据捕捉到的实体特征能够实现对文本资料中的故障实体和关系达到80%以上准确率的提取结果。经过实体对齐处理后,将提取出的csv数据导入neo4j平台从而绘制出采煤机故障知识图谱。(2)基于所构建的知识图谱来对采煤机故障信息及维修策略进行知识检索,就问答系统的运行流程和知识获取进行设计。本文将整个系统的运行过程分为“问”与“答”两部分,一部分运用Bert-Text CNN模型和识别出的实体字典实现对查询语句主体故障及意图的理解分析,另一部分基于“故障源—故障信息—维修策略”这一推理思路,运用模糊矩阵及Rete推荐算法实现对知识图谱中故障源及维修信息答案的可靠性预测及推荐。(3)就问答系统的实现进行设计。使用Python作为后台开发语言实现对“语句解析”、“知识检索推荐”等模块的协同调用;基于vue进行前端开发,将整个问答系统的输入与输出表示出来。
基于知识图谱的采煤机关键部件故障维修策略研究
这是一篇关于采煤机故障,知识图谱,问答系统,深度学习,故障维修的论文, 主要内容为我国煤炭资源丰富,在长期开采过程中积累许多关于采煤机故障及维修的文本资料,诸如采煤机故障维修记录、操作规程等。其中包含有大量的知识要素,但因内容零散复杂,往往得不到有效管理,维修文本资料内的故障知识要素难以被深入挖掘。针对这种“资源浪费”,本文提出构建采煤机故障知识图谱,将繁杂的知识结构化从而更加有效地管理和获取故障维修信息。利用深度学习和自然语言处理技术从文字中提取出“知识三元组”形式的数据,在Neo4j平台实现知识图谱可视化。凭借此结构化知识库设计一种采煤机故障维修问答场景,为采煤机故障实际维修寻求一种有效参考。论文取得以下研究成果:(1)本文在现有原始文本数据集的基础上,训练一款Bert-Bi LSTM-CRF深度学习模型,根据捕捉到的实体特征能够实现对文本资料中的故障实体和关系达到80%以上准确率的提取结果。经过实体对齐处理后,将提取出的csv数据导入neo4j平台从而绘制出采煤机故障知识图谱。(2)基于所构建的知识图谱来对采煤机故障信息及维修策略进行知识检索,就问答系统的运行流程和知识获取进行设计。本文将整个系统的运行过程分为“问”与“答”两部分,一部分运用Bert-Text CNN模型和识别出的实体字典实现对查询语句主体故障及意图的理解分析,另一部分基于“故障源—故障信息—维修策略”这一推理思路,运用模糊矩阵及Rete推荐算法实现对知识图谱中故障源及维修信息答案的可靠性预测及推荐。(3)就问答系统的实现进行设计。使用Python作为后台开发语言实现对“语句解析”、“知识检索推荐”等模块的协同调用;基于vue进行前端开发,将整个问答系统的输入与输出表示出来。
基于知识图谱的采煤机关键部件故障维修策略研究
这是一篇关于采煤机故障,知识图谱,问答系统,深度学习,故障维修的论文, 主要内容为我国煤炭资源丰富,在长期开采过程中积累许多关于采煤机故障及维修的文本资料,诸如采煤机故障维修记录、操作规程等。其中包含有大量的知识要素,但因内容零散复杂,往往得不到有效管理,维修文本资料内的故障知识要素难以被深入挖掘。针对这种“资源浪费”,本文提出构建采煤机故障知识图谱,将繁杂的知识结构化从而更加有效地管理和获取故障维修信息。利用深度学习和自然语言处理技术从文字中提取出“知识三元组”形式的数据,在Neo4j平台实现知识图谱可视化。凭借此结构化知识库设计一种采煤机故障维修问答场景,为采煤机故障实际维修寻求一种有效参考。论文取得以下研究成果:(1)本文在现有原始文本数据集的基础上,训练一款Bert-Bi LSTM-CRF深度学习模型,根据捕捉到的实体特征能够实现对文本资料中的故障实体和关系达到80%以上准确率的提取结果。经过实体对齐处理后,将提取出的csv数据导入neo4j平台从而绘制出采煤机故障知识图谱。(2)基于所构建的知识图谱来对采煤机故障信息及维修策略进行知识检索,就问答系统的运行流程和知识获取进行设计。本文将整个系统的运行过程分为“问”与“答”两部分,一部分运用Bert-Text CNN模型和识别出的实体字典实现对查询语句主体故障及意图的理解分析,另一部分基于“故障源—故障信息—维修策略”这一推理思路,运用模糊矩阵及Rete推荐算法实现对知识图谱中故障源及维修信息答案的可靠性预测及推荐。(3)就问答系统的实现进行设计。使用Python作为后台开发语言实现对“语句解析”、“知识检索推荐”等模块的协同调用;基于vue进行前端开发,将整个问答系统的输入与输出表示出来。
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：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/52299.html
