(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210328908.X (22)申请日 2022.03.30 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 王坚　韩慧慧　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 赵继明 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/34(2019.01) G06F 40/295(2020.01) G06F 40/253(2020.01) G06F 40/30(2020.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自学习实体关系联合抽取的钢铁产线 设备诊断方法 (57)摘要 本发明涉及一种基于自学习知识图谱的钢 铁产线设备故障诊断方法， 包括： 获取钢铁产线 设备数据并进行预处理； 基于编码器 ‑解码器结 构， 构建自学习实体关系联合抽取模型； 采用自 学习实体关系联合抽取模型， 从人、 信息系统和 物理系统中提取人机物三元 组数据； 根据人机物 三元组数据构建钢铁产线设备故障自学习知识 图谱， 并进行可视化显示； 基于图神经网络和强 化学习实现钢铁产线设备故障知识图谱进化。 与 现有技术相比， 本发明能够准确有效地提供更加 丰富的故障诊断信息， 进而提高故障诊断结果并 提供有效的故障解决方案 。 权利要求书6页 说明书15页 附图5页 CN 114756687 A 2022.07.15 CN 114756687 A 1.一种基于自学习知识图谱的钢铁产线设备故障诊断方法， 其特征在于， 包括以下步 骤： S1： 获取钢铁产线设备 数据； S2： 构建自学习实体关系联合抽取模型， 首先对钢铁产线设备数据中的实体关系进行 标注， 然后通过编码器层将每个标注的标记转换为向量表示， 通过解码器层从向量表示中 解码出关系和实体， 提取三元组； 并通过联合训练的方式， 对编码器层和解码器层进行训 练； S3： 采用所述自学习实体关系联合抽取模型， 从人、 信 息系统和物 理系统中提取人机物 三元组数据； S4： 根据人机物三元组数据构建钢铁产线设备故障知识图谱， 并进行 可视化显示。 2.根据权利要求1所述的一种基于自学习知识图谱的钢铁产线设备故障诊断方法， 其 特征在于， 所述方法还 包括以下步骤： S5： 钢铁产线设备故障知识图谱进化。 3.根据权利要求2所述的一种基于自学习知识图谱的钢铁产线设备故障诊断方法， 其 特征在于， 步骤S5具体包括以下子步骤： S51： 引入强化学习挖掘钢铁产线设备故障知识图谱中的隐式关系， 并纠正错误三元 组； 所述强化学习根据所述钢铁产线设备故障知识图谱中已有的显性知识对尚未存储的 隐性知识进行 预测； 所述强化学习的预测过程包括构建外部环境以及强化学习代理， 所述外部环境用于指 定代理和指示图谱之间交互的动态， 所述外部环境被建模为定义一个元组＜S， A， P， R＞来 表示马尔可夫决策过程， 其中， S是连续状态空间， A＝{a1， a2，…， an}表示所有可用的动作的 集合， P(St+1＝s′|St＝s， At＝a)是转移概 率矩阵， R(s， a)是每 个(s， a)对的奖励函数； 所述强化学习代理包括： 通过Policy网络πθ(s， a)＝p(a|s； θ )将状态向量传输到随机 Policy， 对神经网络参数θ使用随机梯度下降进行 更新； 所述动作具体为： 给定具有关系r的实体对(es， et)， 从源实体es开始， 在每一步扩展路 径中代理使用Policy网络选择最有希望的关系， 直到到达 目标实体et， 选择的关系 即为动 作， 动作空间定义 为钢铁产线设备故障知识图谱中的所有关系； 所述状态具体为： 捕获钢铁产线设备故障知识图谱中实体和关系的语义信息， 采取行 动后， 代理将从一个实体移动到另一个实体， 所述状态用于捕获代理在知识图谱中的位置， 所述状态的向量计算式为： st＝(et， etartget‑et) 其中， et表示步骤t下当前实体节点的嵌入， etartget表示目标实体的嵌入， 在初始状态et ＝esource； 所述奖励包括全局精度奖励、 路径效率奖励和路径多样性奖励， 所述全局精度奖励 rGLORAL的计算表达式为： 权　利　要　求　书 1/6 页 2 CN 114756687 A 2所述路径效率奖励rEFFICIENCY的计算表达式为： 其中， 路径p被定义 为关系序列r1→r2→…→rn， length为路径长度的计算 函数； 所述路径多样性奖励rDIVERSITY的计算表达式为： 式中， F为路径总个数； 所述Policy网络具体为： 使用完全连接的神经网络来参数化Policy函数π(s； θ )， 将状 态向量S转换为所有可能动作的概 率分布。 4.根据权利要求3所述的一种基于自学习知识图谱的钢铁产线设备故障诊断方法， 其 特征在于， 所述强化学习代理的训练过程包括： 采用两侧随机广度优先搜索的监督Policy来训练， 插入两侧随机广度优先搜索找到的 路径后， 用于更新Po licy网络的近似梯度， Po licy网络的近似梯度的更新表达式为： 其中， J( θ )为一个间隔 的预期总奖励， 对于每个关系， 每个实体对的推理被视为一个间 隔， rt属于路径p； 使用奖励函数来重新训练有监 督的Policy网络， Po licy网络的梯度更新表达式为： Rtotal＝ λ1rGLOBAL+λ2rGLoBAL+λ3rDIVERSITY 其中， Rtotal是定义的奖励函数的线性组合。 5.根据权利要求2所述的一种基于自学习知识图谱的钢铁产线设备故障诊断方法， 其 特征在于， 步骤S5具体包括以下子步骤： S52： 引入图神经网络根据测试阶段提供的有限辅助知识计算 新实体的嵌入向量； 所述图神经网络包括传播模型和输出模型， 所述传播模型用于确定如何将信 息从节点 传播到其邻域节点， 所述图神经网络通过反复应用传播模型， 将一个节点的信息广播到更 远的节点， 所述输出模型根据给定任务使用向量表示的节点和边定义目标函数； 所述图神经网络根据时间步长n使用不同的传播模型参数， 对于每个时间步n处 的传播 模型的转移函数 的计算表达式为： 权　利　要　求　书 2/6 页 3 CN 114756687 A 3