基于Bert模型的发动机故障文本分类

随着人工智能技术的不断发展,现代工业体系逐步引入智能技术,包括智能制造、智能维修、智能决策等,而发动机作为工业生产的核心,其制造与维护对于设备尤为关键。为有效地提升发动机故障文本的分类精度,辅助相关故障判断与排除,采取网络收集与人工录入两种方式构造初始样本。考虑数据集偏少,综合使用了同义词替换、回译、随机噪声注入等数据增强方法优化、拓展,构成最终实验数据集。根据Bert模型结构,构建基于Bert的发动机故障文本分类模型,利用预训练向量对采集数据样本完成分布式嵌入,通过训练完成网络微调,自动抽取发动机故障短文本特征,完成文本分类任务。为验证模型有效性,在设定的运行环境与参数下记录模型loss与准确率,同时针对不同类别比较了其查准率、召回率与F1值,从实验结果发现,测试准确率得到91.7%,所有类别评价指标都等达到0.8以上,验证了Bert模型发动机故障短文本分类上的有效性,指出类别数据量大小与分类准确率之间存在的相互关系,可为类似或其他领域故障文本分类问题研究提供技术参考。