基于谱聚类的轨道电路故障文本主题聚类研究

轨道电路故障日志是现场日常运维工作中的重要数据记录。针对轨道电路故障日志在现场工作中未能充分挖掘利用且人工分析效率较低的问题,提出基于谱聚类算法的轨道电路故障文本主题聚类挖掘分析方法。首先,分析轨道电路故障文本数据特征并进行文本预处理,采用Word2vec模型训练获取字符级特征向量,实现在语义空间上的轨道电路故障文本数据特征表示;然后,依据Laplacian矩阵的图谱聚类特性,将高维故障文本特征数据聚类转换为谱图切分问题,分别对电务、工务及供电故障因素文本数据求解规范化后Laplacian矩阵的特征向量,并构建低维故障文本特征矩阵,再通过K-Means聚类算法实现3种故障因素文本数据集下故障文本主题聚类分析,获取电务、工务及供电故障因素文本数据中蕴含的轨道电路故障主题类型及频率信息,并基于t分布随机邻域嵌入算法实现聚类结果的可视化分析;最后,采用不同聚类模型在3种故障因素文本数据集上进行对比实验。实验结果表明:基于谱聚类算法的聚类模型在保证故障文本聚类准确率的情况下,其收敛性能更优;聚类可视化分析结果验证了获取的不同故障主题类别具有较高的语义区分度。通过该方法对轨道电路故障文本数据进行自动化聚类挖掘及统计分析,可为现场轨道电路综合维修及故障预防提供辅助支持。

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。

基于故障现象文本的水轮机故障诊断研究

为诊断水轮机故障,基于文本挖掘与机器学习技术,提出了一种基于故障现象文本的水轮机故障诊断模型。该模型首先使用Word2vec将故障文本映射到向量空间,然后将提取的文本特征输入到XGBOOST分类器中进行故障诊断;此外,还使用KmeansSMOTE算法来弥补由于数据不平衡造成的分类误差。在一个真实的数据集中进行了模型性能验证,结果表明所提的故障诊断模型的综合性能优于其他对比模型。

基于字词混用集成模型的电力变压器缺陷记录文本挖掘方法

变压器运维管理中积累了海量以文本形式记录的非结构化缺陷数据,但缺乏有效挖掘手段导致其利用率极低。文中提出一种基于字词混用集成模型的变压器缺陷记录文本挖掘方法,首先对变压器缺陷文本进行文本分词、去除停用词、文本增强、文本特征表示等预处理,以文本数学向量形式为输入,集成多个词汇级和字符级分类模型,通过元学习器对各基学习器性能的协同互补作用,实现变压器缺陷类型的准确识别和分类。与单一文本分类算法相比,该方法能够更全面地获得文本的语义特征,分类精确率达91%,模型准确率和召回率的综合评价分数F 1=0.9。将自然语言处理技术应用于电力设备缺陷记录文本,可以实现精准高效分类和故障识别,唤醒数据资源,显著提升电力变压器智能化管理水平。

面向矿井提升机的故障知识图谱构建与应用

针对矿井提升机故障领域公开数据较少、故障知识难以被有效利用的问题,提出了一种矿井提升机故障知识图谱构建方法。该方法引入故障文本分类流程处理目标语料存在的信息冗余问题;利用词典嵌入BERT和BiLSTM-CRF结合进行实体识别,通过ERNIE进行实体关系抽取,并将抽取到的三元组存储在Neo4j图数据库中,在此基础上,实现了一个基于矿井提升机故障知识图谱的智能问答系统。该知识图谱能够较好地揭示矿井提升机故障间的复杂关联关系,实现相关故障的根因分析,为矿井提升机故障诊断提供支撑。

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Embedding和相似度计算的FA范围准确性校核方法研究

在现代电力系统核心运营中,馈线自动化扮演着提高供电可靠性和服务质量的核心角色。针对FA系统故障定位的精确性挑战,提出了一种基于文本向量化和相似度技术的创新校核方法。与传统手动校核流程相比,该方法显著提升了故障诊断的准确度和操作效率。此项研究为电力系统故障响应与维护流程提供了一种高效、可靠的技术解决方案,对确保电网运行的稳定性和安全性具有极为重要的意义。

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。

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。

面向故障短文本的改进图节点嵌入与聚类方法

为有效挖掘故障短文本中跨文本的词汇间关联,构建故障实体节点的全局特征表示,从而获取故障实体节点聚类标签,提出一种面向故障短文本的改进图节点嵌入与聚类方法。该方法首先在图结构构建过程中创新边权重计算方法,用以区分同一窗口下不同距离的词汇间关联;其次改进图节点结构特征获取方法,从而体现节点度值差异对嵌入的影响;通过融合节点的结构特征与关系特征,增强具有相似邻居节点的同类节点之间的相似性表现;在聚类阶段设计备选节点数参数以缓解截断距离的敏感性。该方法在公开数据集和真实业务数据上进行了参数分析和性能评估,结果表明该方法可获取精准有效的故障实体节点聚类结果。

基于CNN-BiLSTM网络的数控机床故障文本自动分类

中小数控机床企业在运营维护中积累了大量以人工文本记录的故障维修数据。为了实现高效精准分类,帮助维修人员高效开展工作,本文提出一种基于卷积神经网络和双向长短时记忆网络的故障文本分类预测方法。首先通过构建专业特征词库完成预处理,并采用Word2Vec训练词向量;其次CNN层提取文本向量的局部特征后,前后向LSTM提取上下文特征;全连接层对CNN和BiLSTM层进行特征融合和加权后,全连接层通过Softmax激活函数找到概率最大的输出作为预测结果,并用混淆矩阵呈现各个类别预测准确率。本文依据长三角某企业的故障数据进行实验分析,并与单个CNN和BiLSTM模型对比,实验结果表明新方法预测精度可达94%,平均准确率提高11个百分点,P值、R值和F值均达95%,可作为在小数据量故障文本分类领域的有效方法。

轨道交通故障信息分类算法优化研究

轨道交通故障信息记录冗杂,需要人力手工分类,导致隐患信息不能被挖掘。文章首先建立轨道交通故障信息语料库,其次向量化故障信息,使用K-means聚类算法进行分类,再次应用隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型抽取主题,找出轨道交通的故障规律,最后建立基于文本识别的轨道交通故障信息分类流程和算法体系。

高校容错纠错机制的构建与优化——基于部分高校容错纠错政策性文本的比较分析

党的二十大报告对建设堪当民族复兴重任的高素质干部队伍作出部署,指出要落实“三个区分开来”,激励干部敢于担当、积极作为。高校是党的领导阵地,肩负为党育人、为国育才的职责使命,高校干部在加快建设中国特色社会主义现代化教育强国之路上扮演着重要角色。当前,高校层面存在容错纠错制度机制搭建不平衡,容错纠错启动实施难、效果甚微等问题。在全面从严管党治校背景下,构建符合高校改革发展实际的容错纠错机制、优化实施路径、激活制度效能,是加强新时代党的制度建设、健全全面从严治党体系、鼓励激励高校干部干事创业、推动高等教育高质量发展的应有之义。

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。

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.

容错型数字文本水印算法研究

随着信息化技术的飞速发展和智能设备使用的普及,以纸质读物为主体的传统出版业正向以数字化资源为主体的新型出版业转变,图片、图书、杂志、报纸的网上发行和其他专用文档的网络传输变得十分普遍。由于网络资源易于复制,传播迅速,合法用户权益极易受到侵害。以解决这一问题为目标,由文本水印代表的版权保护技术应运而生。文章利用字处理软件对于相应文档的识别具有一定的容错能力,即在一定程度上忽略文件中出现的错误,使用户在没有感知到异常信息的情况能够下正常使用文档的特点,提出一种容错型文本数字水印算法。利用该算法,可将版权信息嵌入文件的保留字部分,用户既可以正常使用文档,被嵌入的水印也能够被提取算法获取并验证版权。

基于不平衡文本数据挖掘的铁路信号设备故障智能分类

针对铁路信号设备不平衡故障文本数据,提出基于文本挖掘的铁路信号设备故障智能分类模型。采用TF-IDF模型实现电务信号设备故障文本的特征提取并转换为向量,基于Voting的方式实现多分类器集成学习分类。该模型利用SVM-SMOTE算法对TF-IDF转换后的小类别文本向量数据进行随机生成,采用逻辑回归、朴素贝叶斯、SVM等基分类器和GBDT、随机森林集成分类器对平衡后的数据进行分类,考虑不同分类器的适用特点,通过Voting方式进行多分类器集成学习。通过对某铁路局2012—2016年铁路信号设备故障文本数据进行试验分析,表明该模型可使故障分类的准确率、召回率和F-score均得到显著提升。

容错机制的建构及完善——基于政策文本的分析

容错机制的提出有其理论、历史与现实的必然逻辑。近年来,围绕容错机制,中央层面不断进行政策倡导,各地也相继进行建制试行。深入分析现有的政策文本,在容错的目的、条件、程序、结果使用等问题上存在基本共识,但在宽严尺度把握、法理侧重程度以及粗细表述方式上也存在着不少分歧。针对这些共识和分歧,应该进一步厘清认识,在地方试行基础上适时推出全国性政策文本;同时要着眼实效,做好与容错机制相配套的防错纠错、激励督促、引导保障等文本建设。

SFEP文本因果关系提取及其与SFN转化研究

为将系统故障演化过程(system fault evolution process,SFEP)的文本描述转化为空间故障网络(space fault network,SFN)结构,用于故障分析,本文提出SFEP文本因果关系提取方法,及其与SFN基本结构的转化方法。首先给出SFEP中事件的几种典型因果关系。随后提出因果关系与SFN基本结构的转化流程。本文方法围绕着关键字和因果关系组模式展开,通过模型的不断学习补充和丰富关键字和组模式。最终使方法具备将SFEP文本转化为SFN结构的能力。以飞机起落架故障发生过程文本为例进行了应用,实验结果表明该方法可用于SFEP文本中的因果关系分析,并得到了理想的SFN。完善的关键字和组模式有利于使用计算机智能处理SFEP的SFN。

文本类型理论关照下译者对原文失误的处理

文本类型理论建立在以文本功能为划分标准的基础之上,是对传统翻译等值观的一个重要突破和重要补充。自从其引入中国以后,就得到了中国的许多专家学者的重视,受到了广泛的关注。翻译研究者纷纷从各个角度对其进行研究,但很少有使用这个理论来具体处理原文中的失误。用纽马克的文本分类法来分析对不同原文失误的处理策略。