本發(fā)明屬于航空制造的，涉及航空制造裝備故障診斷問(wèn)題，尤其涉及一種基于opc?ua協(xié)議與改進(jìn)casrel模型的航空制造領(lǐng)域故障知識(shí)圖譜建模方法。

背景技術(shù)：

1、隨著航空制造領(lǐng)域故障形態(tài)的日益復(fù)雜，故障診斷的難度也不斷增加。在傳統(tǒng)的航空制造故障處理過(guò)程中，該任務(wù)通常通過(guò)專業(yè)人員查詢系統(tǒng)檢查手冊(cè)來(lái)手動(dòng)完成，由于航空制造機(jī)電部件眾多，且隨著高強(qiáng)度作業(yè)和設(shè)備使用年限的增加，故障頻發(fā)，且故障原因多樣化，航空制造裝備的故障處理要求工作人員具備豐富的經(jīng)驗(yàn)和較高的綜合業(yè)務(wù)能力，因此導(dǎo)致許多設(shè)備故障由于缺乏專業(yè)人員的幫助，難以準(zhǔn)確找到真正的故障原因。當(dāng)設(shè)備發(fā)生故障時(shí)，工作人員需要快速分析設(shè)備的運(yùn)行狀況，準(zhǔn)確判斷故障原因，并采取適當(dāng)?shù)奶幚泶胧?。然而，大量的故障原因記錄和處置措施往往以文本形式存在，工作人員需要反復(fù)記憶和查閱相關(guān)資料，導(dǎo)致故障處理效率低下。如果不能及時(shí)、正確地處理故障，輕則可能導(dǎo)致工業(yè)生產(chǎn)停滯，嚴(yán)重的則可能危及操作和維修人員的生命安全。因此，保障設(shè)備的安全高效運(yùn)行，開(kāi)發(fā)針對(duì)航空制造裝備的智能故障診斷方法顯得尤為重要。

2、現(xiàn)有的故障診斷技術(shù)大致可以分為三類(lèi)：(1)基于解析模型的故障診斷方法；(2)基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法；(3)基于知識(shí)的故障診斷方法。基于解析模型的故障診斷方法通常通過(guò)數(shù)學(xué)公式將真實(shí)過(guò)程抽象為精確的解析模型，利用模型輸出值與實(shí)際測(cè)量值的殘差進(jìn)行故障診斷。此方法依賴于對(duì)故障過(guò)程機(jī)理的深入了解，然而當(dāng)解析模型與實(shí)際情況不符時(shí)，會(huì)產(chǎn)生較大的診斷誤差，尤其在針對(duì)復(fù)雜機(jī)理、工況多變的旋轉(zhuǎn)機(jī)械設(shè)備時(shí)，適用性較差?；跀?shù)據(jù)驅(qū)動(dòng)的故障診斷方法在處理數(shù)據(jù)噪聲時(shí)存在困難，且模型的可解釋性較差，難以應(yīng)對(duì)數(shù)控設(shè)備故障的多樣化和復(fù)雜化情形。

3、相比之下，基于知識(shí)的故障診斷方法具有良好的可解釋性，無(wú)需構(gòu)建復(fù)雜的數(shù)學(xué)機(jī)理模型，同時(shí)還可以持續(xù)更新故障知識(shí)。近年來(lái)，知識(shí)圖譜作為一種基于知識(shí)的故障診斷方法工具得到了廣泛應(yīng)用，知識(shí)圖譜可通過(guò)擴(kuò)展對(duì)故障事件和故障部件的描述，將故障診斷報(bào)表和故障案例庫(kù)中的數(shù)據(jù)進(jìn)行整合篩選，從而提取出有價(jià)值的信息，作為知識(shí)構(gòu)建的基礎(chǔ)，進(jìn)而利用該知識(shí)庫(kù)更精準(zhǔn)地定位系統(tǒng)失效的部位及其原因。知識(shí)圖譜的構(gòu)建通常包含實(shí)體識(shí)別和關(guān)系抽取技術(shù)，傳統(tǒng)的實(shí)體和關(guān)系抽取方法通常是獨(dú)立進(jìn)行的，缺乏效率和準(zhǔn)確性，因而需要關(guān)注對(duì)實(shí)體和關(guān)系的聯(lián)合抽取。

4、此外，人工智能和大數(shù)據(jù)驅(qū)動(dòng)技術(shù)在智能故障診斷領(lǐng)域得到了廣泛應(yīng)用，隨著大語(yǔ)言模型技術(shù)的發(fā)展和進(jìn)步，將系統(tǒng)的自然語(yǔ)言理解能力和知識(shí)推理能力提升到一個(gè)新的水平，如清華大學(xué)的chatgml、百度公司的ernie、openai公司的chatgpt等，其中ernie由于其強(qiáng)大的中文自然語(yǔ)言處理和深度學(xué)習(xí)能力，并且已經(jīng)在大量的語(yǔ)料庫(kù)上進(jìn)行了預(yù)訓(xùn)練，在各個(gè)應(yīng)用領(lǐng)域顯示出巨大的價(jià)值潛力。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于opc?ua協(xié)議與改進(jìn)casrel模型的航空制造領(lǐng)域故障知識(shí)圖譜建模方法，通過(guò)改進(jìn)casrel模型優(yōu)化知識(shí)提取過(guò)程，并結(jié)合大語(yǔ)言模型進(jìn)行知識(shí)推理和問(wèn)題答復(fù)，以解決現(xiàn)有航空設(shè)備故障診斷方法中存在的故障處理效率低、準(zhǔn)確性不足的問(wèn)題，實(shí)現(xiàn)高效、準(zhǔn)確的故障診斷和知識(shí)問(wèn)答。

2、為實(shí)現(xiàn)上述技術(shù)目標(biāo)，本發(fā)明提供如下的技術(shù)方案：

3、一種基于opc?ua協(xié)議與改進(jìn)casrel模型的航空制造領(lǐng)域故障知識(shí)圖譜建模方法，具體包括以下步驟：

4、s1、設(shè)置傳感器監(jiān)控工件的加工狀態(tài)并采集維修數(shù)據(jù)；傳感器檢測(cè)到設(shè)備數(shù)據(jù)異常和故障狀態(tài)時(shí)，系統(tǒng)根據(jù)設(shè)定的安全閾值觸發(fā)報(bào)警，并生成維護(hù)記錄和故障日志，即多源異構(gòu)維修數(shù)據(jù)；

5、s2、通過(guò)opc?ua數(shù)據(jù)傳輸協(xié)議收集多源異構(gòu)維修數(shù)據(jù)，并按照數(shù)據(jù)類(lèi)型進(jìn)行細(xì)化存儲(chǔ)，為后續(xù)知識(shí)圖譜構(gòu)建提供數(shù)據(jù)基礎(chǔ)；所述多源異構(gòu)維修數(shù)據(jù)分為結(jié)構(gòu)化數(shù)據(jù)，即生產(chǎn)產(chǎn)家、設(shè)備型號(hào)、維修時(shí)間、維護(hù)人員，和非結(jié)構(gòu)化數(shù)據(jù)，即維修報(bào)告、維修手冊(cè)；所述數(shù)據(jù)類(lèi)型包括設(shè)備信息、故障記錄、操作步驟、報(bào)警號(hào)、維修類(lèi)別；

6、s3、對(duì)收集到的非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行預(yù)處理；

7、s4、數(shù)據(jù)集劃分和模型預(yù)訓(xùn)練；將經(jīng)過(guò)預(yù)處理后得到的故障描述文本劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，并將故障描述文本轉(zhuǎn)化為詞嵌入、位置嵌入和片段嵌入向量；通過(guò)roberta預(yù)訓(xùn)練模型對(duì)其進(jìn)行編碼，提取出編碼后的故障描述文本的上下文特征表示，轉(zhuǎn)換為包含上下文語(yǔ)義的張量；

8、s5、以步驟s4中得到的張量為輸入，基于改進(jìn)casrel模型提取三元組；

9、s6、將步驟s5中提取到的三元組導(dǎo)入到neo4j圖數(shù)據(jù)庫(kù)中，構(gòu)建知識(shí)圖譜；

10、s7、將故障描述文本輸入到bilstm-crf模型中，提取出關(guān)鍵實(shí)體，在知識(shí)圖譜中檢索，并生成與該故障描述關(guān)鍵實(shí)體相關(guān)的知識(shí)圖譜二步子圖；

11、s8、基于大語(yǔ)言模型進(jìn)行知識(shí)問(wèn)答和推理；針對(duì)故障描述進(jìn)行故障原因分析和維修策略生成；并集成在線爬取機(jī)制，實(shí)現(xiàn)對(duì)知識(shí)庫(kù)的完善、優(yōu)化和自學(xué)習(xí)。

12、進(jìn)一步地，步驟s1中：

13、所述傳感器包括：三軸力傳感器、三軸振動(dòng)傳感器、聲發(fā)射傳感器、溫度傳感器、壓力傳感器；

14、所述加工狀態(tài)包括：機(jī)床的振動(dòng)狀態(tài)、溫度變化、刀具加工和工作臺(tái)的狀態(tài)信息，液壓系統(tǒng)、氣動(dòng)系統(tǒng)關(guān)鍵部位的壓力以及電氣狀態(tài)。

15、進(jìn)一步地，步驟s3具體包括：對(duì)非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行清洗和去重，并進(jìn)行分詞、詞性標(biāo)注、去除停用詞，保證數(shù)據(jù)的可讀性和一致性。

16、進(jìn)一步地，步驟s5具體包括：

17、s51、設(shè)置需要抽取的實(shí)體類(lèi)別和實(shí)體間關(guān)系類(lèi)別；

18、s52、將步驟s4中roberta預(yù)訓(xùn)練模型輸出的張量輸入頭實(shí)體標(biāo)注器，使用兩個(gè)二分類(lèi)器對(duì)對(duì)實(shí)體的位置進(jìn)行賦值操作，公式表示為：

19、

20、其中，xi表示輸入的故障描述文本中第i個(gè)字符的編碼向量；wstart、wend分別為頭實(shí)體開(kāi)始位置和結(jié)尾位置的權(quán)重系數(shù)；bstart、bend分別為頭實(shí)體開(kāi)始位置和結(jié)尾位置的偏置；σ為sigmoid激活函數(shù)；和分別代表各個(gè)向量被確定為頭實(shí)體的開(kāi)始位置和結(jié)尾位置的概率，設(shè)置閾值，如果概率大于閾值即將該位置賦值1，否則為0；

21、s53、利用最大化似然函數(shù)識(shí)別頭實(shí)體的邊界，識(shí)別出故障描述文本中的頭實(shí)體；

22、s54、對(duì)于識(shí)別出的頭實(shí)體，結(jié)合自注意力機(jī)制，將每個(gè)頭實(shí)體與注意力分?jǐn)?shù)加權(quán)后的得到的頭實(shí)體編碼向量表示輸入到尾實(shí)體標(biāo)注器中，公式表達(dá)為：

23、

24、其中，表示頭實(shí)體標(biāo)注器輸出的編碼向量；r為實(shí)體間的關(guān)系；分別為尾實(shí)體開(kāi)始位置和結(jié)束位置權(quán)重系數(shù)；分別為尾實(shí)體開(kāi)始位置和結(jié)束位置的偏置項(xiàng)；σ為sigmoid激活函數(shù)；和分別為各個(gè)向量被確定為尾實(shí)體的開(kāi)始位置和結(jié)束位置的概率，設(shè)置閾值，如果概率大于閾值即將該位置賦值1，否則為0；

25、s55、通過(guò)最大化似然函數(shù)獲取特定關(guān)系r下的尾實(shí)體邊界，識(shí)別出尾實(shí)體，同時(shí)識(shí)別出頭實(shí)體與對(duì)應(yīng)尾實(shí)體之間的關(guān)系類(lèi)別；最終得到實(shí)體-關(guān)系-實(shí)體三元組。

26、更為具體的，步驟s5中以最大化似然函數(shù)為整體模型訓(xùn)練的目標(biāo)函數(shù)，所述似然函數(shù)的公式表示為：

27、

28、也即：

29、

30、其中，h∈tj表示三元組tj中出現(xiàn)的頭實(shí)體，tj|h代表在tj中以h為頭實(shí)體的三元組；r為所有可能的關(guān)系，r\tj|h代表在三元組中除了以h為頭實(shí)體的所有關(guān)系；表示與頭實(shí)體h∈tj之間不存在關(guān)系的尾實(shí)體，d表示整個(gè)訓(xùn)練集；xj表示給定的故障描述文本。

31、更為具體的，使用adam梯度下降法來(lái)優(yōu)化目標(biāo)函數(shù)，對(duì)每個(gè)批次的訓(xùn)練集數(shù)據(jù)進(jìn)行隨機(jī)打亂操作來(lái)避免過(guò)擬合。

32、進(jìn)一步地，步驟s6中所構(gòu)建的知識(shí)圖譜中：

33、節(jié)點(diǎn)表示實(shí)體，包括：生產(chǎn)產(chǎn)家、航空設(shè)備、故障部件、故障類(lèi)型；

34、邊表示實(shí)體之間的關(guān)系，包括：故障關(guān)系、維修舉措。

35、進(jìn)一步地，所用的大語(yǔ)言模型為基于transformer架構(gòu)的ernie模型；

36、所述在線爬取機(jī)制具體為：通過(guò)分析用戶對(duì)故障診斷建議的反饋數(shù)據(jù)，當(dāng)現(xiàn)有的知識(shí)不能解決新的故障時(shí)，進(jìn)行在線分析，爬取解決方案；通過(guò)用戶人為反饋和語(yǔ)料庫(kù)對(duì)比分析程序，確認(rèn)結(jié)果可靠之后，分析當(dāng)前的故障描述，對(duì)新的知識(shí)進(jìn)行補(bǔ)充，對(duì)已經(jīng)存在的知識(shí)，也作進(jìn)一步完善和優(yōu)化，最終實(shí)現(xiàn)知識(shí)庫(kù)的自學(xué)習(xí)。

37、基于上述的技術(shù)方案，本發(fā)明具有以下有益效果：

38、本發(fā)明能夠有效收集、處理航空制造領(lǐng)域的故障數(shù)據(jù)，構(gòu)建知識(shí)圖譜；有效提升了航空設(shè)備故障診斷的自動(dòng)化、智能化和可視化水平，減少人工干預(yù)，提高診斷的準(zhǔn)確性和效率，為航空設(shè)備的維護(hù)提供了強(qiáng)有力的技術(shù)支持。

39、針對(duì)航空制造裝備故障診斷困難的問(wèn)題，利用改進(jìn)的casrel模型構(gòu)建知識(shí)圖譜，對(duì)航空領(lǐng)域故障知識(shí)提取過(guò)程進(jìn)行了優(yōu)化，引入預(yù)訓(xùn)練模型和注意力機(jī)制使其能夠更好地關(guān)注航空領(lǐng)域的關(guān)鍵詞匯以及處理復(fù)雜的故障描述以提高知識(shí)圖譜的精確性，并解決了傳統(tǒng)模型誤差累積和重疊三元組的問(wèn)題；同時(shí)將所構(gòu)建的航空制造領(lǐng)域知識(shí)圖譜與ernie大語(yǔ)言模型結(jié)合，進(jìn)行知識(shí)推理，以進(jìn)行航空制造領(lǐng)域的智能故障診斷任務(wù)。

40、整體模型在航空制造領(lǐng)域在故障診斷過(guò)程中展現(xiàn)了卓越的推理、問(wèn)答、文本生成以及知識(shí)表達(dá)能力，提供了更加全面有效的知識(shí)推理和輔助決策，能更好的輔助專業(yè)人員進(jìn)行故障處理，提高了故障診斷的效率。減少因故障導(dǎo)致的設(shè)備停機(jī)時(shí)間，提高生產(chǎn)效率。