一种融合知识图谱与多元神经网络模型的汽车发动机故障预测方法与流程

1.本发明属于汽车发动机故障预测领域，涉及一种融合知识图谱与多元神经网络模型的汽车发动机故障预测方法。


背景技术：

2.汽车发动机是一个十分复杂的非线性系统，不仅结构复杂，而且长期反复处于高温、高压、振动和高速运转的工作状态，发动机故障概率高，故障类型多，故障征兆与故障之间形成一种多对多的复杂耦联关系，难以建立发动机精准的机理模型，发动机故障预测难度大，如何进行发动机故障的高效准确溯源分析与智能预测已成为主要问题。


技术实现要素：

3.本发明的目的是针对汽车发动机故障率高且种类多，故障征兆与故障之间存在多对多的复杂耦联关系，故障溯源难度大、准确率低等问题，提出了一种融合知识图谱和多元神经网络的汽车发动机故障智能预测方法。通过知识图谱转换后的特征向量训练形成了发动机故障预测模型，实现了发动机定性故障现象到定量故障推理，再到定性故障预测输出的映射变换，为汽车发动机故障的高效准确预测提供了一种新的思路和手段。
4.本发明实现上述目的的技术方案主要是建立融合知识图谱和多元神经网络的汽车发动机故障预测模型，主要方法如下：
5.步骤(1)：针对汽车发动机故障数据的特殊性，以三元组(实体
‑
关系
‑
实体)的形式对故障数据进行特征提取和储存，构建汽车发动机故障知识图谱。
6.步骤(2)：对构建完成的知识图谱进行词向量的转换，将非结构化和半结构化数据转化为结构化数据，作为词嵌入层应用到后续的深度学习中。
7.步骤(3)：以知识图谱转化后的词向量嵌入层为初始输入层，构建出融合卷积神经网络(cnn)，双门控循环神经网络(gru)以及注意力机制(attention)等多层混合的神经网络模型。
8.步骤(4)：利用1000多个维修案例中相关词句作为实验数据源在进行编码后构建好知识图谱。按照2:8的比例将数据分为训练集和测试集对汽车发动机故障进行预测对比。
9.进一步的，所述步骤(1)中汽车发动机故障知识图谱构建的主要步骤为：
10.步骤(1.1)：汽车发动机故障的相关语料、记录实体和属性的抽取。
11.步骤(1.2)：对汽车发动机故障记录预料中的词句进行共指消解。
12.步骤(1.3)：对已经形成的相关知识进行知识加工。
13.步骤(1.4)：将故障实体、属性和关系的网络三元组结构进行数据整合。
14.进一步的，所述步骤(2)中对知识图谱本体数据进行向量化表示主要步骤为：
15.步骤(2.1)：利用词向量处理工具word2vec和jieba分词等工具对建成的知识图谱进行词向量的转换。
16.进一步的，所述步骤(3)中多层混合神经网络模型构建主要步骤为:
17.步骤(3.1)：卷积神经网络层对知识图谱转化后的词向量特征提取。
18.步骤(3.2)：利用双向门控循环神经网络形成汽车发动机故障预测通路。
19.步骤(3.3)：通过注意力机制层添加权重更好地利用文本语义信息，捕捉故障诊断知识实体中较为重要的部分。
20.进一步的，所述步骤(4)中案例预测对比主要步骤为：
21.步骤(4.1)：实验数据主要由汽车发动机故障维修案例、维修记录，以及相关操作规范和手册组成。通过1000多个维修案例中相关词句作为实验数据源在进行编码后构建好知识图谱。按照2:8的比例将数据分为训练集和测试集对汽车发动机故障进行预测。
22.本发明的有益效果是：
23.1.提出一种融合知识图谱与多元神经网络模型的汽车发动机故障预测方法
24.2.通过知识图谱转换后的特征向量训练形成了发动机故障预测模型，实现了发动机定性故障现象到定量故障推理，再到定性故障预测输出的映射变换。
25.3.为发动机故障的高效准确预测提供了一种新的思路和手段。
附图说明
26.图1是发动机故障智能预测框架图；
27.图2是发动机故障知识图谱构建流程图；
28.图3是多元混合神经网络模型图；
29.图4是gru神经网络结构图；
30.图5是注意力机制运行机理图图；
31.图6是不同模型融合知识图谱预测效果对比图。
具体实施方式
32.下面将结合附图和实施例对本发明进一步说明，但本发明的内容并不限于所属范围。
33.实施例1：如图1所示，一种基融合知识图谱与多元神经网络模型的汽车发动机故障预测方法，主要包括以下步骤：
34.步骤(1)：针对汽车发动机故障数据的特殊性，以三元组(实体
‑
关系
‑
实体)的形式对故障数据进行特征提取和储存，构成汽车发动机故障知识图谱的基本单元。
35.步骤(2)：对构建完成的知识图谱进行词向量的转换，将非结构化和半结构化数据转化为结构化数据，作为词嵌入层应用到后续的深度学习中。
36.步骤(3)：以知识图谱转化后的词向量嵌入层为初始输入层，构建出融合卷积神经网络(cnn)，双门控循环神经网络(gru)以及注意力机制(attention)等多层混合的神经网络模型。
37.步骤(4)：利用汽车发动机故障维修案例、维修记录，以及相关操作规范和手册为数据源，进行本发明模型案例分析。
38.实施例2：如图2所示，一种融合知识图谱与多元神经网络模型的汽车发动机故障预测方法，在实施例1步骤(1)中构建知识图谱主要包括以下步骤：
39.步骤(1.1)：汽车发动机故障的相关语料、记录实体和属性的抽取。
40.步骤(1.2)：对汽车发动机故障记录预料中的词句进行共指消解。
41.步骤(1.3)：对已经形成的相关知识进行知识加工。
42.步骤(1.4)：将故障实体、属性和关系的网络三元组结构进行数据整合。
43.实施例3：如图3所示，一种融合知识图谱与多元神经网络模型的汽车发动机故障预测方法，在实施例1步骤(3)中构建多元神经网络主要包括以下步骤：
44.步骤(3.1)：卷积神经网络层对知识图谱转化后的词向量特征提取。
45.步骤(3.2)：如图4所示，利用双向门控循环神经网络形成汽车发动机故障预测通路。
46.步骤(3.3)：如图5所示，通过注意力机制层添加权重更好地利用文本语义信息，捕捉故障诊断知识实体中较为重要的部分。注意力机制的相关计算公式如下所示:
47.实施例4：如图6所示，从不同模型融合知识图谱预测效果对比中，可以看出，在同一数据集和参数设置的运行环境下，kg
‑
cnn模型的预测效果不佳，kg
‑
lstm在预测效果上其准确率较kg
‑
cnn提升了1.63％，召回率提升了2.29％，得分率提升了2.0％。这是因为长短时记忆神经网络在利用汽车故障文本分析特征时具有一个循环的特征，能有效避免相关信息的遗漏造成的预测效果不理想的状况。而本文所提出的kg
‑
cnn
‑
gru
‑
att模型较其他模型在准确率、召回率和得分率上都有较大的提升，其充分说明本文模型针对汽车发动机故障预测的高可靠性和准确性。相较于kg
‑
cnn
‑
lstm模型，把lstm神经网络换成双门控循环神经网络可以更好利用故障信息的头尾关系，而引入注意力机制更是可以减少在故障预测当中相关干扰词的影响，从而大大提升了模型的预测效果。
48.本发明的工作原理是：将汽车发动机运行状态、故障现象、故障原因和维修记录作为输入信息，通过知识抽取、消歧和加工形成为可表示、可推理的结构化知识网络，并进行特征向量转换；其次，建立了包含故障记录嵌入层、卷积层、gru门控层和注意力机制的多元神经网络通路，通过特征向量训练形成了发动机故障预测模型，实现了发动机定性故障现象到定量故障推理，再到定性故障预测输出的映射变换；最后，通过实际维修案例验证了所提kg
‑
cnn
‑
gru
‑
att方法的可行性和有效性。
49.以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。