基于超圖嵌入的行車故障多元關系知識表示方法

張 飛,周 彬,鮑勁松,李心雨

(東華大學 機械工程學院,上海 201620)

0 引言

行車為工廠內貨物啟運過程中的核心設備,高效檢測和解決行車故障關系著工廠的運行效率和工廠員工的安全[1]。行車故障數據主要以故障單的形式表示,而故障單無標準或規范,其文本內容也具有相互關聯的特征[2-3],隨著工業智能化的發展,工廠內部存儲了大量的行車故障單。在進行行車故障診斷分析時,依靠人工從海量故障調查單中搜尋已有或類似的歷史故障費時費力,效率低下,難以適應當下智能化、高效化的工業場景。因此,對故障單中的故障信息進行高效整合和利用,將極大提升故障解決效率,對提高工廠運維智能化水平意義重大。

維修人員在檢查和解決故障時,依靠單一的原因或措施通常無法解決故障,必須同時分析多種故障原因或者采用多種故障措施。例如,某行車的夾鉗升降平臺電機懸垂電纜發生斷裂,原因是更換電纜時未預留扭勁,以及員工誤操作導致懸垂電纜出框下垂。對應的故障解決方法,一方面對懸垂電纜釋放扭勁,另一方面對工廠員工進行培訓,雙管齊下才能防止下次故障。在該過程中,如何對故障信息之間“多現象—多原因—多方法”的多元耦合關系進行建模,既是提升行車故障知識表征完整性的關鍵,也是保證故障知識在未來故障診斷場景中準確應用的關鍵。對此,本文主要解決行車故障單中復雜的多元關系知識表示問題,以保證故障知識建模質量和使用效率。

在知識關聯和建模方面,當前主要的建模方法有自頂向下基于本體的建模[4-6]和自底向上基于知識圖譜的建模[7-10]。其中,基于本體的建模[4-6]通過參考已有數據模型或專家介入,對實體信息進行抽象形成知識術語,具有層次性、穩定性和重用性特點,可以對各個部分之間的關系和規則進行集成。然而,本體側重于概念層關聯的描述,弱化了對實例的描述。而知識圖譜[7-9]是一種結構化的語義網絡[11],基于知識圖譜的建模通過將實例信息組織成三元組的形式,對“實體—關系—實體”和“實體—屬性—值”進行直觀描述。然而,常規的知識圖譜多處理二元關系,不適用于多元耦合關系。知識超圖[12-13]作為常規知識圖譜的延伸,其每條超邊能夠連接多個數據節點,使得超圖可以處理多元耦合數據。針對行車故障數據,本文擬將兩類方法結合,基于本體建模方法對概念層進行描述,以提高建模的準確性和效率,同時采用基于超圖的建模方法表示行車故障數據中的多元耦合關系。

雖然行車故障知識超圖可以直觀描述數據,但是該種結構蘊含大量高維結構信息,若直接用超圖模型進行問答和預測,則會導致計算開銷過大,從而降低效率。而圖嵌入表示可以將該高維數據結構信息降維嵌入成低維信息,在保留圖本身結構信息的同時,有效降低在圖數據結構上訓練機器學習算法的成本[14]。因此,在構建行車故障知識超圖后,需要進一步對嵌入表示進行學習。嵌入方法大體分為基于翻譯模型的方法、基于語義匹配的方法和基于神經網絡的方法?；诜g模型的方法將實體和關系進行聯合,根據“實體—關系—實體”之間的關聯,通過訓練模型獲取節點的嵌入表示并應用于下游任務[9,15-16]。典型的模型如TransE及其改進系列[17-19]等,然而TransE模型在處理實體和關系時,僅關注單一三元組的關系,并未考慮多元復雜的耦合關系,難以解決實體間存在的復雜耦合關系;雖然后續的一些改進模型通過對實體和關系進行矩陣轉化,將實體投影到特定關系的向量空間,來解決TransE模型對單一關系的缺陷,但是這些改進仍然針對的是單一的三元組問題,不能處理多元耦合關系?；谡Z義匹配的方法通過引入關系變換矩陣,對頭實體進行表示變換,使其與尾實體相近,典型的模型有RESCAL[20],DistMult[21],ComplEx[22]等。與基于翻譯模型的方法不同,RESCAL模型將關系表示為矩陣,實體表示為向量,通過定義得分函數獲取三元組之間的關聯關系,然而RESCAL模型參數量大,計算成本極大。為減少RESCAL模型的參數量,DistMult模型將關系矩陣設置為對角矩陣。ComplEx在DistMult的基礎上,將實值空間拓展到復空間,并通過設計得分函數使模型可以對非對稱關系進行建模。然而,基于語義匹配的方法仍然關注二元關系,對多元耦合關系處理較少?；谏窠浘W絡的方法關注節點的鄰居信息,通過對鄰居信息進行聚合獲得節點的表示[23],如圖卷積神經網絡(Graph Convolutional Network,GCN)[24]、圖注意力網絡(Graph Attention Network,GAT)[25]、超圖神經網絡(Hypergraph Neural Network,HGNN)[12]等模型。雖然GCN模型通過融合節點的鄰域信息將關聯信息進行融合,但是無法處理鄰域信息中的耦合信息,而GAT通過給節點的鄰域信息設置權重,在一定的程度上緩解了GCN的困境,卻在融合過程中也融合了無關的節點信息。HGNN從高階復雜實體關系出發,適用于超圖的嵌入,可以表征節點之間的多元耦合關系,但其忽略了節點之間的語義信息,無法充分利用行車超圖各節點所包含的文本數據之間的關聯關系。

綜上所述,現有方法在對多元耦合關系進行表征建模和嵌入表示過程中,一方面對多元耦合關系的拓撲結構特征考慮較少,關系描述的完整性不足;另一方面,多元關系之間的語義特征處理較弱,節點及關系的嵌入學習準確性不佳。因此,本文擬采用知識超圖處理此類復雜多元關系以保證數據的完整性,并設計一種基于超圖嵌入的行車故障多元關系知識表示方法。首先,通過分析表格單元格和行車故障數據,抽取行車故障單中現象、原因、方法等故障信息,以及信息之間的關系,依此構建行車故障本體模型,基于抽取好的行車故障知識和本體模型建立行車故障知識超圖;然后,分別利用基于變換器的雙向編碼器表示技術BERT(bidirectional encoder representation from transformers)模型[26]和超圖卷積網絡處理語義關聯與拓撲結構關聯,獲得故障知識的嵌入向量表示,以支持行車相似故障的檢索;最后,以上海某鋼鐵公司收集的行車故障調查單為實例,對其進行知識超圖建模、知識嵌入和相似歷史故障檢索,驗證了所提方法的可行性。

1 總體框架

本文所提基于超圖嵌入的行車故障多元關系知識表示方法框架如圖1所示,分為行車故障知識超圖構建(A)、基于超圖的嵌入表示模型(B)和相似故障檢索(C)3部分。

在行車故障知識超圖構建過程中,首先通過分析表格單元格和表格中的文本,抽取蘊含在其中的文本結構及語義信息,初步組織為JSON數據形式的知識。然后,根據行車故障單所含數據的語義關聯特性構建行車故障本體模型,并以該本體為模式層(schema)建立行車故障知識超圖。在基于超圖的嵌入表示過程中,一方面利用BERT模型對行車故障知識文本進行向量表示,另一方面通過訓練超圖卷積網絡學習超圖結構信息,獲得最終的嵌入表示用于查詢行車相似故障。

2 行車故障知識超圖的構建

本章首先對行車故障單結構和文本特征進行分析,構建行車故障本體模型,進而以該本體模型為超圖的模式層建立行車故障知識超圖。

2.1 行車故障單特性分析

行車故障單中蘊含了現象、原因、方法等故障信息,具有以下主要結構與文本特點:

(1)基本信息由運行單位、車間、故障名稱、作業線等組成,其中作業線包括主要作業線、重要作業線和輔助作業線。

(2)現象信息由故障發生的時間、設備、人員等組成。

(3)原因信息由造成故障的關聯設備、損壞經過、檢修人員組成。

(4)原因屬性信息是對原因類別的描述。

(5)方法信息由解決故障的設備、人員、物料等組成。

(6)人員信息和日期信息包括從故障發生到解決過程中進行決策的總負責人信息。

(7)鍵值關系描述了屬性單元以及屬性值單元之間的關系,其中屬性單元是對故障信息在本體層的描述,屬性值單元是對具體故障信息的描述。

(8)層次關系描述了故障信息本體(或故障信息實例)之間的關系,例如故障原因和故障措施之間的“原因—方法”關系。

(9)依存關系描述了故障信息本體與本體本身屬性之間的關系。因此,在對故障進行單知識抽取時,既要考慮單元格信息,也要分析故障實例信息。

如圖2所示的故障單中,應構建“2050板坯庫2#行車大車被動輪異音”的故障現象與“軸承保持架損壞”和“軸承劣化”兩則故障原因的共同關系,同時保證“2050板坯庫2#行車大車被動輪異音—軸承保持架損壞—更換保持架”和“2050板坯庫2#行車大車被動輪異音—軸承劣化—更換車輪及定期維修檢查”兩者對應。因此,對故障構建如圖3所示的多元關系。圖3a描述了故障現象、故障原因、故障方法在本體上的對應關系,對應在實例上時,體現為“單現象—單原因—單方法”;圖3b描述了在實例層上,故障現象由各個原因聯合作用導致,缺少任意一個原因都不會引起該故障。

對此,基于各個單元格間的依存關系、鍵值對關系以及故障實例中“多現象—多原因—多方法”之間的多元關系,定義故障數據的結構關系和語義關系。其中,結構關系包括Has,Contain,語義關系包括“現象—原因”關系、“現象—結果”關系、“原因—結果”關系和“多現象—多原因—多方法”關系,其中“多現象—多原因—多方法”關系主要為圖3所示的關系,具體如表1所示。

表1 結構與語義關系

續表1

2.2 行車故障本體模型

基于故障單結構和文本特征的分析,本節建立行車故障本體模型。本體建模是在概念層次上對特定領域中的信息進行規范的一種方法,該方法基于領域信息的概念、層次結構以及各概念之間的關系,對該領域信息進行規整[27-29]。對行車故障而言,本體構建的關鍵在于故障單中現象、原因、環境、物料等概念類別的定義,以及這些概念的屬性和概念之間的關系描述。

首先,提取行車故障調查單中各個單元格的數據,對這些數據進行拆解、劃分和整理,確定行車故障所包含的概念層次類;其次,基于對各個類的分析確定各類之間的層次結構關系,以及各個類具有的屬性;同時,通過對故障實例進行分析,確定現象、原因和方法之間的多元耦合關系。至此,構建出行車故障本體模型,如圖4所示。圖中以“人—機—料—法—環—時”為主線,該本體定義了14個概念類別、18類二元關聯(即圖譜普通邊),以及“現象—原因—方法”的三元關聯(即圖譜超邊),并展示了圖2所示的故障單中各概念類別下實例數據的組織和關聯。

2.3 行車故障知識超圖的構建

以行車故障本體作為超圖的模式層構建行車故障知識超圖。為利用行車故障單內的數據填充超圖數據層,首先抽取故障單中的故障現象、故障原因、故障方法、物料等內容,組織成JSON數據,每一張故障單對應一條JSON數據。然后,基于表1中的定義構建故障信息之間的關聯關系。具體的抽取操作,本文沿用課題組前期研發的基于圖神經網絡的工藝表格處理方法[3]、語義關聯方法[8-9]等,此處不再贅述?？紤]到故障單之間存在關聯,如故障實體一致、故障措施相同等,引入實體對齊、實體消融等對不同故障單中的故障信息進行處理。最后,邀請領域專家檢查所構建的行車故障知識超圖的質量,如圖5所示。

3 行車故障知識超圖嵌入模型與故障相似性度量方法

3.1 基于超圖的嵌入表示模型

雖然行車故障知識超圖可以直觀描述各項故障數據及其關聯,但是如果直接用超圖模型進行檢索、問答等,則因數據關聯性復雜,其高維矩陣表示會導致計算開銷過大、效率降低。圖嵌入表示可以將該高維數據結構信息降維嵌入成低維信息,在保留圖本身結構信息的同時大幅提升計算效率,因此通常為知識圖譜應用中必需的環節。對此,本文提出一種面向行車故障知識超圖的嵌入模型,其框架如圖6所示,包括行車故障知識的語義特征向量表示和超圖卷積兩方面。

(1)行車故障知識的語義特征向量表示

本文用BERT模型對行車故障知識進行語義特征向量表示,原因有兩方面:①由于BERT模型善于處理長句子對間的關聯關系,適用于行車數據中偏長的描述性文本;②BERT模型魯棒性強,可以很好地應對文本中的噪音(如錯別字等),并能有效解決不同點檢人員在故障記錄時用語隨意的問題。

由于BERT模型為預訓練模型,可以結合自定義的數據集進行微調。對此,本文結合超圖中給定的關系,構建了用于訓練語義特征向量的正負例數據集。具體而言,針對超圖中的普通邊,取出邊所連接的兩個節點的文本內容作為句1和句2,然后按照BERT編碼方式將兩句話順序連接。對于超邊,遍歷其連接的n個節點,每次取其中兩個節點的文本內容相連。若所選兩節點之間具有無向的、并列性關系(如同為需執行的解決方案),則額外擴增一條兩節點位置互換的數據記錄。將以上數據作為BERT模型輸入的正例樣本,并將正例樣本中隨機節點隨機替換為圖譜中的其他節點,以構建負例樣本。BERT以正負例樣本執行文本分類任務,并在訓練中降低分類錯誤的損失。訓練結束后得到行車故障知識超圖各節點的語義特征向量,該向量將用于超圖結構的嵌入表示學習。

(2)考慮行車故障超圖結構的嵌入表示

基于語義特征向量表示,本文用超圖卷積網絡進一步處理行車故障超圖的拓撲結構信息。具體的符號定義與表示學習流程如下:

1)超圖 定義行車故障知識超圖G=(V,E,W),其中:V={ν1,ν2,…,ν|V|}為行車故障涉及的人、機、料、法、環、故障原因、故障措施等元素節點集合,|V|為行車故障超圖所含頂點的個數;E={e1,e2,…,e|E|}為節點之間關系(超邊和普通邊)的集合,|E|為超圖所含邊的數目;W為邊的權重矩陣。任意一條超邊e均對應一個元組T=e(υ1,υ2,…,υ|e|),T∈τ,|e|為超邊e所含頂點的個數,τ為行車故障知識超圖所有元組組成的集合。

2)關聯矩陣 對于超圖G,其關聯矩陣H具有|V|×|E|維度,H中的任意一個元素可以表示為

(1)

3)節點的度矩陣 節點v的度表示所有連接該節點的超邊和其對應權重的乘積之和,即

(2)

對超圖中的所有節點進行相同的計算,并將其組合成矩陣,得到關于超圖的節點的度矩陣,用DV表示。

4)邊的度矩陣 邊e度表示該條邊內所有節點個數的和,即

(3)

對超圖中的所有邊進行相同的計算,并將其組合成矩陣,得到關于超圖的邊的度矩陣,用De表示。

5)超圖卷積計算 引入拉普拉斯算子對節點進行表示學習,具體公式為

(4)

基于所構建的行車故障知識超圖、故障知識的語義特征向量,對故障知識進行超圖嵌入,獲得最終的嵌入表示。首先,將特征向量輸入超圖卷積第1層;在獲得經過第1次卷積的特征表示后,為了避免卷積過程出現過擬合、梯度消失等問題,用RELU層和DROPOUT層進行處理;最后,將處理過的特征輸入超圖卷積最后一層,得到最終的嵌入表示。該模型的損失函數如式(5)所示。具體框架計算過程見算法1偽代碼。

(5)

算法1基于超圖的行車故障多元關系知識表示模型。

輸入:行車故障數據(JSON數據形式)。

輸出:最終的行車故障數據特征嵌入X。

/*構建行車故障數據超圖本體模型*/

1 由JSON數據格式和構建好的關系創建行車故障數據超圖本體

2 根據行車故障本體模型構建行車故障知識超圖G

/*行車故障數據特征初始化向量*/

3 JSON數據輸入Bert模型得到數據的初始化特征向量X

4 隨機初始化模型參數θ

/* 遍歷節點信息,聚合鄰居信息 */

5 for v∈V do

/* 遍歷節點信息,將節點信息聚合到邊上 */

6 e←X

/* 遍歷邊的信息,將邊信息聚合到節點上 */

7X←e

8 end

9 Return行車故障數據最終的嵌入表示

3.2 相似行車故障的檢索

對于一則新發生的行車故障,基于前述的知識抽取和超圖嵌入表示方法獲得嵌入向量相似度,基于圖的結構信息獲得知識拓撲結構相似度,對以上兩種相似度加權求和后得到綜合相似度并進行排序,獲得排分最高的歷史故障現象。將歷史故障現象對應的解決方案文本和原始故障調查單一并推送,作為本次故障的解決方案。

(1)嵌入向量相似度

對新發生的故障構建知識子圖后,通過超圖嵌入表示模型得到新發生故障現象的知識嵌入與歷史故障現象的知識嵌入,對其進行相似度計算,計算公式為

(6)

式中:V新發生故障現象為對新發生故障現象的嵌入表示;V歷史故障現象為歷史故障現象的嵌入表示。

(2)知識拓撲結構相似度

對于圖結構數據,除了考慮知識嵌入向量的相似度,還應分析圖的拓撲結構。首先,根據故障現象節點的多跳鄰域設置β權重,鑒于三跳以上鄰域與中心節點的關聯比較微弱,不予考慮;然后,對每一跳鄰域內信息,根據對故障現象節點的重要程度設置α,同時計算每一跳鄰域內元素與歷史故障現象對應節點的相似度,并設置閾值δ,計算公式為

(7)

式中:β和α基于層次分析法(Analytic Hierarchy Process,AHP)[3]求得;P(V1,V2)為新生故障與歷史故障中對應節點的相似度;N(P(V1,V2))取值為0或1,若P(V1,V2)>δ,則N(P(V1,V2))=1,否則N(P(V1,V2))=0;Count(U(v歷史故障))為歷史故障現象對應的節點總數。

(3)綜合相似度

知識嵌入向量描述了新故障現象與歷史故障現象在知識層次的相似度,知識拓撲結構相似描述了以故障現象為中心的鄰域知識內容之間的結構關系。得到以上兩種相似度后,對其進行加權求和,獲得綜合相似度

sim=λsimc+(1-λ)simT。

(8)

式中0<λ<1,表示知識拓撲結構相似的重要程度。

4 案例分析

4.1 實驗數據集說明

以上海某鋼鐵公司453張行車故障調查單作為原始數據構造數據集。首先對故障單的結構和語義進行分析,確定單元格之間的關系,如原因信息單元格和原因屬性單元格之間的屬性類別關系;然后對單元格中的文本信息進行知識抽取,通過對文本內容進行實體識別和關系抽取,確定與故障關聯的設備信息、人員信息、狀態信息;最后將單元格本身的信息和單元格內容文本信息進行結合。采用本課題組前期研發的基于圖神經網絡的工藝表格處理方法[3]、語義關聯方法[8-9]對每一張故障單進行知識抽取,并構建成JSON格式數據。圖2故障單抽取的結果如表2所示。

表2 從某故障單中提取的故障數據

4.2 知識超圖的構建

根據表1中定義的關系,對抽取出的知識進行關系構建。在處理完單張故障單的數據后,對不同故障單中的故障知識進行實體對齊、實體消融處理,最終建立行車故障超圖。圖7所示為通過HyperNetX進行的行車故障超圖部分的可視化展示。與傳統的知識圖譜構建方法相比,超圖考慮故障現象、故障原因和故障方法之間的耦合關系,在處理過程中直接對其進行建模,保證了信息的完整性。因此,超圖構建方法能更好地展示現象、原因和方法三者之間的整體性,以及這三者在從故障發生到解決整個故障過程中的核心地位。對處理后的故障信息(節點和邊)進行統計,如表3所示。

表3 行車故障知識超圖的統計信息

續表3

4.3 超圖嵌入及故障檢索

4.3.1 超圖嵌入

(1)語義關聯

基于前文對BERT模型數據集制作方法的介紹,構建如表4所示的數據集,訓練BERT自然語言模型,得到行車故障知識特征向量。模型參數取值如表5所示。

表4 BERT模型訓練樣本示例

表5 BERT模型參數列表

(2)拓撲結構關聯

訓練得到行車故障知識的語義表示后,將其輸入超圖嵌入表示模型,模型的參數列表如表6所示,圖8所示為部分行車故障知識超圖嵌入表示結果。

表6 超圖嵌入表示模型參數列表

4.3.2 相似故障檢索

(1)新生故障知識子圖的構建

對于一則新發生的行車故障信息“8日18:45接到行車班長電話報3-2行車運行抖動。19:00,點檢蔣曉星到達現場,現場排查發現3-2行車大車被動輪故障,同時呼叫檢修搶修,21:30檢修到達現場。由于CDCM機組步進梁還有轉庫卷需要吊運,現場等待吊運結束以后開始檢修”,抽取故障信息中的人員信息、機器設備信息、故障現象信息等,基于信息之間的連接關系構建知識子圖,如圖9所示。

(2)綜合相似度計算

首先,基于AHP[3]分別求得鄰域權值和“人—機—料—法—環”各元素對應的權值;然后,基于式(6)和式(7)計算出新生故障與歷史故障的知識嵌入相似度和拓撲結構相似度;隨后,基于式(8)求得新生故障與歷史故障的綜合相似度,其中知識拓撲結構相似度的重要程度λ一般為0.5,即知識嵌入和拓撲結構同等重要。最終獲得如表7所示的3項最相似歷史故障現象,其中故障①表示2050板坯庫2#行車大車被動輪異音,故障②表示2#行車大車從動輪故障,故障③表示3-2大車車輪故障。

表7 綜合相似度計算結果示例

4.4 實驗結果

4.4.1 知識嵌入方法對比

為了排除無關因素的影響,在訓練GAT,GCN模型時,采用相同的BERT模型處理數據;另外,GAT,GCN模型的主要超參數設置與本文模型參數相同。從圖10可見,各個模型在100個epoch后基本達到穩定,而本文所提嵌入表示方法的loss值更小、收斂性更好。同時,對本文模型的精確度進行分析,在epoch達到100之后,精確度局部波動降低并趨于穩定,在測試集上的精確度最優為0.823 96。

為了驗證本文基于超圖嵌入的故障知識表示方法在進行知識嵌入表示的有效性,與圖神經網絡GCN[24],GAT[25]模型進行對比,得到圖11所示的三維可視化展示結果,選取故障現象、故障原因和故障方法作為主要展示內容,從圖中可見本文嵌入表示方法雖然在故障原因的類別上比較分散,但是從整體層面可以對三者進行明顯區分。而經過GAN,GAT模型方法得到的嵌入表示結果分布雜亂,無法將三者進行有效區分。因此,相比其他模型,本文模型可以獲取更好的嵌入表示。

4.4.2 與常規知識圖譜的對比

常規知識圖譜在處理多元關系問題時,通過將多元關系拆解為二元關系對問題進行求解。然而,多元關系被強制拆解為二元關系導致緊密的多元關系不再成立,在排查故障、分析原因和實施方法過程中需要借助其他技術,大大降低了解決故障的效率。而知識超圖對多元關系直接建模,從根本上保證了信息的完整性。從對知識的表示上看,超圖構建的知識完整性更好。

為驗證知識超圖的可行性與檢索效果,需存儲超圖數據,然后基于歷史故障現象進行檢索。同時,在構建常規知識圖譜做對比時,將超邊強制拆分成各節點完全聯通的普通邊。

分別用知識超圖和常規知識圖譜進行查詢操作,對比分析查詢時間和查詢結果。表8所示為查詢時間對比,為消除偶然因素的影響,選取10個不同的案例來計算查詢時間?？梢?用知識超圖查詢所需的時間小于常規知識圖譜。圖12所示為查詢結果對比,可見與常規知識圖譜相比,知識超圖可以更加細致地展示原因和方法,例如對歷史故障現象“2050板坯庫2#行車大車被動輪異音”,基于知識超圖的檢索輸出兩條超邊,每條超邊對應的“原因—方法—現象”會被同時輸出,表明它們之間存在多元耦合關系,在進行故障分析時需要同時考慮,而常規知識圖譜查詢結果只展示原因和方法,無法表示“故障現象—故障原因—故障方法”之間的多元耦合關聯。

表8 知識超圖與知識圖譜的查詢時間對比 ms

綜上所述,行車故障知識超圖檢索時間快于常規的知識圖譜檢索時間,而且與常規知識圖譜相比,行車故障知識超圖通過構建“多現象—多原因—多方法”這類多元耦合關系,可以獲得更加完整的知識表示和檢索效果,對解決實際問題至關重要。

5 結束語

針對因行車故障單包含大量“多現象—多原因—多方法”的多元關系,傳統知識圖譜對這種復雜結構數據建模時會出現嚴重的信息失真問題,本文提出一種基于超圖嵌入的行車故障多元關系知識表示方法。本文創新點如下:

(1)考慮到故障單中“多現象—多原因—多方法”多元耦合關系的特點,將知識超圖思想引入行車故障建模,提升了多元關系的建模和檢索效果。另外,通過進一步分析多元關系,更細致地設計超邊,提高了本文方法的通用性。

(2)由于采用知識超圖進行相似故障檢索時比較困難,提出超圖嵌入表示方法,通過將知識進行低維特征向量轉化實現對相似故障的檢索,擴大了知識超圖的應用范圍。

本文的不足與展望如下:

(1)本文在進行行車故障數據超圖卷積過程時,未考慮行車故障知識的重要程度,后續工作將考慮節點鄰域信息重要度這一因素。

(2)出于簡化問題的考慮,本文僅考慮故障現象、原因、方法間的多元關系,未來將進一步考慮實際情況中的時間、環境、因果邏輯等更復雜多元關聯的表示。

(3)本文所提基于超圖嵌入的行車故障多元關系知識表示方法將應用于后續的知識補全和知識問答等下游任務,并開發適用于知識超圖模型的知識管理系統和應用平臺。