本发明涉及一种故障诊断知识图谱的构建方法，具体为一种保温板生产线故障诊断知识图谱的构建方法，属于生产线故障诊断。
背景技术：
1、当前，随着经济的快速发展，建筑节能保温行业得以快速崛起。而保温板生产线的运行状态和故障诊断对产品的生产质量和生产效率影响很大。
2、目前，现有技术中，保温板生产线的故障诊断存在一些不之处：
3、一是，生产线故障内容多为非结构化的维修手册、半结构化的故障维修记录等数据，无法有效利用历史故障文本数据；
4、二是，传统的故障诊断方法无法联系各故障要素之间的关系；
5、三是，目前缺少对保温板生产线故障诊断的相关知识的有效组织利用。
6、基于此，对其进行故障诊断研究显得十分重要。
技术实现思路
1、本发明的目的在于提供一种保温板生产线故障诊断知识图谱的构建方法，该构建方法将知识图谱技术在故障诊断领域进行应用，在知识图谱中引入相关故障知识信息，对故障诊断知识及其关系进行描述，以提高故障诊断的准确率，以解决上述背景技术中提出的问题。
2、为解决上述技术问题，本发明提供如下技术方案：一种保温板生产线故障诊断知识图谱的构建方法，该构建方法包括：
3、s1、生产线故障诊断知识图谱的模式构建；
4、s2、生产线故障诊断知识本体模型的构建；
5、s3、命名实体关系识别模型的构建；
6、s4、故障知识存储。
7、作为本发明更进一步的技术方案：步骤s1中，所述生产线故障诊断知识图谱的模式构建采用自底而上与自顶向下相结合的策略构建模式。
8、作为本发明更进一步的技术方案：步骤s2中，所述生产线故障诊断知识本体模型记为：lbpl fault diagnosis ontology；并且，lbpl fault diagnosis ontology＝{entity,relation,attribute}；
9、其中：
10、ⅰ)entity为生产线故障诊断知识本体模型的实体集合，所述实体集合包括表征故障、源故障、故障原因、故障位置、装配体、维修建议、维修策略、仪表工具；
11、ⅱ)relation为实体与实体之间以及实体和属性之间的关系集合；记为<entity1,relation,entity2>和<entity,relation,attribute>；
12、ⅲ)attribute为属性概念集合，表示entity的相关特征，所述属性概念集合包括参数变化、可访问性、技术属性和影响范围，并且所述属性概念集合使用protégé工具实现生产线故障诊断知识本体模型的结构化。
13、作为本发明更进一步的技术方案：步骤s3中，所述命名实体关系识别模型的构建包括以下步骤：
14、s31、数据选择，选择非结构化文本作为数据源；
15、s32、数据预处理，对故障记录中每条文本序列进行标注，采用bio标记法进行文本标注，将每个字符标注为“b-x”、“i-x”或“o”，其中，b表示起始标记，i表示中间或结束标记，o表示无关标记；
16、s33、数据集划分，采用随机划分法将文本数据按7：3的比例分为训练集和测试集；
17、s34、模型训练，训练集输入至bert-bilstm-crf模型进行训练；
18、s35、模型验证，输入未标注数据的测试集对模型训练结果进行测试；
19、s36、输入保温板生产线故障文本至模型，通过知识融合方法，输出知识三元组。
20、作为本发明更进一步的技术方案：步骤s34中，所述训练集输入至bert-bilstm-crf模型进行训练包括以下步骤：
21、s341、bert模型对输入文本进行编码向量转化；
22、s342、向量输出经过bilstm模型再对文本特征进行提取，捕捉到句子前后实体关系；
23、s343、crf随机向量场模型对特征矩阵转移概率进行矫正，根据概率输出最优标签序列。
24、作为本发明更进一步的技术方案：步骤s36中，所述知识融合方法为实体对齐，基于余弦相似度和jaccard相关系数相结合的实体相似度计算方法；
25、其中，余弦相似度的计算方法为：
26、
27、jaccard相关系数相似度的计算方法为：
28、
29、式中：a与b表示两个词向量，a＝{a1,a2,...an}；b＝{b1,b2,...bn}。
30、作为本发明更进一步的技术方案：步骤s4中，所述故障知识储备利用neo4j图数据库工具进行知识存储。
31、本发明的有益效果是：
32、1)本发明通过知识图谱表示实体间的复杂关系，充分利用保温板生产线故障记录文本数据，构建其故障诊断知识图谱，将表征故障、源故障、故障原因、故障位置、维修建议等实体知识以图的形式进行表示，直观地展现各实体之间的关联关系；
33、2)本发明利用知识图谱可以完成由故障原因到源故障，源故障到故障现象，故障位置到维修建议，故障现象到故障原因，故障原因到故障位置等知识的查询，提高故障诊断效率。
1.一种保温板生产线故障诊断知识图谱的构建方法，其特征在于，所述构建方法包括：
2.根据权利要求1所述的构建方法，其特征在于：步骤s1中，所述生产线故障诊断知识图谱的模式构建采用自底而上与自顶向下相结合的策略构建模式。
3.根据权利要求1所述的构建方法，其特征在于：步骤s2中，所述生产线故障诊断知识本体模型记为：lbpl fault diagnosis ontology；并且，lbpl fault diagnosis ontology＝{entity,relation,attribute}；
4.根据权利要求1所述的构建方法，其特征在于，步骤s3中，所述命名实体关系识别模型的构建包括以下步骤：
5.根据权利要求4所述的构建方法，其特征在于，步骤s34中，所述训练集输入至bert-bilstm-crf模型进行训练包括以下步骤：
6.根据权利要求4所述的构建方法，其特征在于，步骤s36中，所述知识融合方法为实体对齐，基于余弦相似度和jaccard相关系数相结合的实体相似度计算方法；
7.根据权利要求1所述的构建方法，其特征在于，步骤s4中，所述故障知识储备利用neo4j图数据库工具进行知识存储。
