基于文本故障视角的通信保障应急预案有效性评估研究

应急通信预案作为应急通信保障的行动纲领,其文本有效性将直接影响预案有效性,进而影响到整个应急救援行动的有效性。针对预案文本有效性问题,从文本故障视角出发,基于故障树分析法构建通信保障应急预案有效性评估模型;采用语句成分分析法和伪代码转换法对预案进行故障形式诊断,结合标准故障树,计算预案的有效性并给出具体评估步骤;最终,通过4个样本预案对模型进行实例分析,结果表明:该模型能够提高预案文本故障的识别效率,对预案的编制或修订具有参考意义。

融合非核心词EDA和SSMix的雷达故障文本分类方法

对雷达装备故障文本进行智能化分类,有助于提高雷达装备保障效率。针对雷达故障文本专业性强,样本量小且不平衡的问题,通过非核心词EDA进行类内数据增强,以实现在增加文本量的同时保持关键信息不变。针对非核心词EDA方法产生的新样本多样性不够的问题,增加SSMix(saliency-based span mixup for text classification),进行类间数据增强,通过对输入文本非线性的交叉融合来提升文本的多样性。实验证明,与现有的经典基线分类方法和典型数据增强分类方法相比,该方法在准确率上有较大幅度的提升。

面向微波组件故障文本的知识抽取方法

本研究的主要目标是在微波技术领域应用知识抽取技术优化微波组件的调试和装配过程。鉴于知识抽取技术在微波技术领域的不足,文中提出了一种基于CasRel-LN模型的知识抽取算法。该模型综合运用了BERT编码器、主体标记模型和特定关系下客体标记模型,成功实现了对微波组件故障文本的实体抽取。实验结果表明,CasRel-LN模型在测试集上的综合性能优于其他知识抽取模型,提高了实体抽取的准确率和召回率。使用该算法构建的微波组件故障知识图谱包含1568个实体和1618条三元组,存储在Neo4j图数据库中。通过知识图谱的可视化展示,调试人员可以更高效地解决微波组件调试中的复杂问题,确保电子设备的稳定运行,最终为微波组件在装配阶段就能达到更好的性能提供更有效的支持。

基于文本挖掘的铁路信号设备故障自动分类方法

铁路信号设备在运营维护过程中积累了大量以文本方式记录的维护数据,为了实现高效准确分类,提出将Word2vec、SMOTE算法与卷积神经网络(Convolutional Neural Networks,CNN)相结合的铁路信号设备故障文本自动分类方法.首先,对故障文本使用自然语言方法完成预处理,并采用Word2vec训练词向量;其次,通过SMOTE算法自动生成小类别文本向量数据,嵌入至CNN的输入层;再次,利用CNN的卷积层和池化层提取故障文本的局部上下文高层特征;最后,通过softmax分类器对故障文本自动分类.依据某铁路局所记录的信号设备故障文本数据进行实验分析并与其他方法对比,实验结果表明新方法可使各评价指标得到明显提升,其中分类准确率和召回率分别达到95.26%和94.32%,可以作为铁路信号设备故障自动分类的有效方法.

基于BMBC模型的高速铁路道岔故障信息实体识别

随着铁路信号设备故障文本的不断积累,亟待构建集故障信息、专业知识、技术规则及其内在关联于一体的铁路信号设备故障知识图谱,为铁路运营及设备维修提供全面高效的辅助策略。故障信息实体识别是构建铁路信号设备故障知识图谱的核心。以高速道岔故障文本为基础,并针对此文本挖掘过程中使用传统方法导致知识获取不够全面以及文本语义稀疏等问题,提出一种用于高速道岔故障信息实体识别任务的BMBC多层级模型。首先,通过分析高速道岔故障文本的结构特征,从中提取出故障现象、故障定位和故障致因等7类实体;其次,利用BERT预训练模型的迁移特性构建双向词表征并嵌入位置信息,引入多头注意力机制(MHA)使关键特征信息得到重点关注,随后依靠双向长短期记忆网络(BiLSTM)进行特征信息融合,从而充分获取全局语义信息以及更好表达序列间的长距离依赖关系;最后,依托条件随机场(CRF)赋予标签约束条件,从而获得最佳识别结果。以各铁路局近5年的高速铁路道岔故障文本为基础进行实验,实验结果表明,BMBC模型能够精确识别各类故障信息实体,有效缓解实体边界不清晰问题,模型识别精确率、召回率和F1值分别可达91.43%,93.15%和92.31%。实验完成后进行案例识别测试,证明所构建的BMBC多层级道岔故障信息实体识别模型具有良好的识别性能。

基于交互注意力机制网络模型的故障文本分类

当前基于深度学习的故障文本分类已成为故障诊断和分析的关键技术,但单独使用循环神经网络或卷积神经网络难以有效捕获故障文本中的关键分类特征,鉴于此,提出一种交互注意力机制网络模型,用于捕获故障文本中的关键分类特征,以提升分类性能。该模型利用交互注意力机制关注循环神经网络和卷积神经网络所提取特征中的关键分类特征,形成全局—局部特征;针对故障现象文本中故障件和故障模式两类关键分类信息,引入了故障件和故障模式注意力机制捕获关键故障信息,形成故障件—故障模式特征;基于全局—局部特征和故障件—故障模式特征的融合形成分类特征。利用多组数据进行故障文本分类实验,结果表明所提模型具有更优的性能。

高铁列控车载设备故障知识图谱构建方法研究

作为列控系统的核心,车载设备有着结构复杂,模块间联系紧密的特点,若在行车过程中发生故障,将直接影响列车安全高效运行。为使维修人员准确掌握车载设备故障情况,借助智能化的手段对蕴含丰富经验信息的车载故障维修日志进行研究,有着重要的现实意义。研究通过分析该类日志特点,提出自顶向下与自底向上相结合的方式构建车载设备故障知识图谱。以车载故障维修日志实体关系转换为基础,将半结构化数据实体识别视为关键短语提取问题,提出词向量、主题模型与词典特征相结合的方法先获取关键词语,再通过Bi-gram模型将故障词语拼接为候选故障短语,其中评分最高者即为所需故障实体。实体间的关系则采用基于模式匹配的方法,构建车载故障关系模板,挖掘故障间的联系。对于识别实体的冗余和错误问题,利用实体向量间的余弦相似度计算,通过阈值设定实现实体融合,完成车载设备故障的知识挖掘。最后,以某铁路局2019~2020年车载故障维修日志为数据进行实验,累积抽取出故障实体339个,故障关系734条,据此构建车载设备故障知识图谱,并以可视化方式展示和检索车载设备故障间关系,有效提高了车载故障日志的知识发现能力,便于指导车载设备故障维修。

基于NLP技术的装备故障文本匹配算法研究

基于当前装备故障诊断的现状,依据在装备维修手册、装备履历书以及装备管理信息系统中存在大量的装备故障和维修经验等数据,结合装备故障文本的特点,提出了一种融合词性、语义及词序因子的故障文本相似度计算方法。该方法将装备故障文本中词汇的词性、语义及位置关系相联系,在余弦公式的基础上,通过文本中的词汇之间的相似度与词性权重的关联关系,改进相似度计算方法,并引入词序相似度进一步优化文本相似度。实验表明,所提出的方法较其他方法有更好的精确率和召回率,有效提高了装备故障文本的匹配效果。

基于LDA的轨道交通信号系统故障文本数据处理方法研究

为解决自然语言记录形式下轨道交通信号系统故障数据利用率低、分类标准不统一等问题,提出了一种基于LDA模型的故障文本数据处理方法。利用改进的TextRank算法为LDA抓取特征词字典,实现信号系统故障数据根因分析;结合现场的故障文本数据进行分析,结果表明:该标记方法能够满足轨道交通信号系统专业词汇的需求,文本标记准确率高,为基于维修记录的智能诊断提供了有效支撑。

雷达装备故障原因知识图谱构建研究

对雷达装备故障原因文本的分析,有助于定位故障部位,便于装备维修,分析装备性能。利用知识图谱技术对雷达故障原因文本进行知识抽取、表示和管理,可有效提升文本的利用效率,快速定位故障部位,及时分析装备性能。在总结了雷达装备故障原因文本特点基础上,运用模式层和数据层相结合的方法构建了雷达装备故障原因知识图谱。自顶向下定义知识图谱的组织架构、概念类型和概念间关系,形成知识图谱的模式层;针对文本特性,自底向上构建知识图谱的数据层:为解决样本量较小和识别由复合词组成的实体的问题,运用Att-ALBERT-BiGRU-CRF模型进行了实体命名识别;运用ALBERT-BiGRU-Att模型进行关系抽取。实验证明了上述抽取方法的有效性,将抽取出的实体与关系构建了雷达装备故障原因领域知识图谱。

基于自然语言处理的地铁工程车辆故障智能诊断研究

针对地铁工程车辆故障文本数据未得到合理利用的现象,提出了一种基于自然语言处理的故障智能诊断方法。该方法对故障文本进行预处理,采用Word2vec进行文本表示与词向量训练,运用LSTM与Softmax组成的RNN模块完成故障诊断,引入SMOTE算法处理文本数据类别不平衡问题,以提高诊断精度。以某地铁设备中心的工程车辆故障数据为例,进行实验,精确率与召回率分别达到86.30%和86.68%。结果表明:新方法能够提升地铁工程车辆的故障诊断准确性,为地铁设备故障智能诊断和故障文本的利用提供解决思路。