买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜同济大学申请的专利基于自学习实体关系联合抽取的钢铁产线设备诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114756687B 。

龙图腾网通过国家知识产权局官网在2025-04-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210328908.X，技术领域涉及：G06F16/36；该发明授权基于自学习实体关系联合抽取的钢铁产线设备诊断方法是由王坚;韩慧慧设计研发完成，并于2022-03-30向国家知识产权局提交的专利申请。

本基于自学习实体关系联合抽取的钢铁产线设备诊断方法在说明书摘要公布了：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。

本发明授权基于自学习实体关系联合抽取的钢铁产线设备诊断方法在权利要求书中公布了：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；步骤S2具体包括以下子步骤：S21：运用翻译模型将钢铁产线设备数据中的中文句子翻译为英文句子，采用BIEOS标注方案对句子中的实体关系进行标注；S22：构建编码器层，该编码器层包括嵌入层和上下文词表征层，所述嵌入层采用BERT预训练语言模型作为共享特征编码来建模，将单词的上下文转换为向量表示，使用CNN对数据的字符特征进行提取；所述上下文词表征层引入带有空洞卷积的BiLSTM捕获上下文信息；S23：构建解码器层，该解码器层包括命名实体识别模块和多关系分类器，所述命名实体识别模块用于检测在文本中存在关系的实体，所述多关系分类器用于识别文本中包含的关系类型，所述解码器层根据识别出的实体和关系进行联合提取；S24：采用联合训练方式训练多关系分类器和命名实体识别模块；步骤S22具体包括以下子步骤：S221：给定一个由n个单词组成的句子其中，wt表示长度为n的句子中的第t个单词，采用BERT预训练语言模型作为共享特征编码将句子中的每个标记转换为向量表示，通过词嵌入层来表达其语义和语法含义，得到v＝[v1,v2,…,bn]，其中，bt∈Rd表示嵌入到句子中第t个词的d维词向量；嵌入层随机初始化嵌入矩阵，并随着模型的训练更新权重参数；S222：采用CNN对数据的字符级表征进行提取，提取表达式为： 单词的最终表示是单词级和字符级表示的连接，单词的最终表示的表达式为： 式中，X∈Rn*dw，dw是标注嵌入维度，vt是单词wt的词嵌入，是wt的基于字符的表示；S223：引入带有空洞卷积的BiLSTM作为上下文词表征层用于有效捕获上下文信息；所述BiLSTM编码层中的LSTM记忆块用于根据前一个隐藏向量ht-1、前一个单元向量ct-1和当前输入词嵌入xt计算当前隐藏向量ht；所述BiLSTM的前向LSTM层将输入序列从x1编码到xn，后向LSTM层将输入序列从xn编码到x1；然后我们连接和并表示单词的最终编码信息最终的句子表示为将3层空洞卷积输出的语义单元表示与Bi-LSTM输出的单词语义信息结合起来作为编码器的输出，每个时间步生成的向量表达式为：mt＝[ht；gt]式中，ht是Bi-LSTM在时间步t生成的向量，gt是空洞卷积在第t个词处提取的语义单元信息的向量；最终得到句子表示步骤S23具体包括以下子步骤：S231：将实体提取视为序列标记任务，检测所有可能在文本中存在关系的实体，为每个单词分配一个实体标签，实现初步的实体提取；使用CRF进行联合解码，将作为输入序列分数，该输入序列分数从位置感知语句表示mt生成，zt的生成表达式为：zt＝Wumt其中，是第t个单词的标签分数，Nt是不同标签的数量；将Zt,j视为第j个标签在位置t的得分，对于标签序列将解码分数定义为： 其中，A是转移矩阵，Ai,j表示从标签i到标签j的转移分数；所有可能的标签序列y的条件概率的表达式为： 式中，Yz表示Z的可能标签序列集；解码器在训练过程中，最大化训练集{Zi,yi}上正确标签序列的对数似然，该对数似然的计算表达式为： 解码是搜索获得最大分数的标签序列，解码的计算表达式为： 设置软标签嵌入，以logits作为输入来保留每个实体类型的概率，假设N是logits维度，即实体类型的数量，y是标签嵌入矩阵，则第t个单词的软标签嵌入定义为： 得到最终的软标签嵌入通过学习软标签嵌入；S232：将关系预测任务视为多标签分类任务，使用分类器链进行关系预测，将编码器层的输出向量M和NER中的软标签嵌入H融合起来构造关系层δ＝NormConcatH,M其中，Concat表示连接运算符，Norm表示归一化操作；应用卷积操作和最大池化操作：β＝Convδρ＝relumaxβ其中，β∈Rm×n-l+1是卷积运算输出的特征，m是滤波器的数量，n是文本的长度，l是卷积滤波器的大小；首先对特征β应用最大池化运算，然后使用relu激活获得文本嵌入ρ∈Rm，将文本嵌入视为文本的局部特征向量；第j个关系类型的二元分类器的表达式为： 其中，是一个可学习的权重矩阵，是权重矩阵；隐藏层状态Rj被视为第j个关系类型的关系嵌入；如果文本包含第j个关系类型，Rj将被喂给可变长度实体对预测器以帮助实体对识别；在分类器链中，任务转化为m个标签分类任务，其中，第一个分类器的输入向量为第二个分类器的输入向量是δ和第一个分类器的输出向量oc1的连接，以此类推；第m个分类器的输入向量为：pcm＝[δ；oc1；…；ocm-1]S233：进行实体关系的联合提取，选择两个实体作为目标实体对，并将目标关系分配给实体对，这样它们就可以形成一个三元组；使用注意力模型来执行实体和关系的联合提取，所述注意力模型的表达式为： α＝sofmaxβi 其中，oci表示第i目标关系分类器输出向量，Gt-1表示在时间步t-1实体预测时的全局嵌入向量，mi表示编码层产生的上下文向量；表示第i个关系的标注序列；α表示注意力权重，表示上下文向量；最后通过sofmax函数得到对应第i个关系的标签序列

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人同济大学，其通讯地址为：200092 上海市杨浦区四平路1239号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。