(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 202210561035.7 (22)申请日 2022.05.23 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 陈勇　段旭海　纪祖臻　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 龚如朝 (51)Int.Cl. G06F 16/36(2019.01) G06F 40/242(2020.01) G06F 40/295(2020.01) G06N 3/04(2006.01) G06Q 10/06(2012.01)G06Q 50/04(2012.01) (54)发明名称 一种基于知识图谱风险等级的数控机床安 全部件分析方法 (57)摘要 本发明公开了一种基于知识图谱风险等级 的数控机床安全部件分析方法， 它包括以下步 骤： 1） 对数控机床故障数据进行收集， 包括故障 部件和故障现象； 2） 对收集的故障数据进行加工 处理， 将非结构数据转化为结构化数据； 3） 对加 工处理过的故障知识进行本体建模， 构建本体模 型进行概念分类； 4） 计算数控机床各部件的风险 等级， 结合安全风险等级对知识图谱进行可视化 分析， 有效判别数控机床安全关键性的部件。 本 发明将人工智能和安全风险分析技术相结合， 有 效识别设备安全关键性部件， 提高了识别效率、 且降低了监测成本， 本发明的方法实现了对数控 机床故障知识的有效应用， 能够准确识别数控机 床的安全部件， 以便 于对部件 进行保养和维护。 权利要求书2页 说明书6页 附图2页 CN 114969363 A 2022.08.30 CN 114969363 A 1.一种基于知识图谱风险等级的数控机床安全部件分析方法， 其特征在于包括以下步 骤： 1)对数控机床故障数据进行收集， 包括故障部件和故障现象的机床故障案例； 2)对收集的故障数据进行加工处理， 将非结构数据转化为结构化数据， 即是通过命名 实体识别构建数控机床故障知识图谱的基本要素， 对数控机床故障案例文本信息进行分 类， 建立包含了能够处理的全部机床故障案例文本的数控机床故障案例词典矩阵， 预测出 数控机床故障知识语句作为 实体的概率； 然后通过实体对齐， 消除歧义信息， 然后再对数控 机床领域的故障知识进行融合； 对加工处理后的故障数据进行人工复核， 以保证融合后的 实体及实体间关系的准确性； 3)对加工处 理过的故障知识进行本体建模， 建立故障领域知识本体模型； 4)最后通过安全风险分析， 设置不同故障现象的权重等级， 结合安全风险等级对知识 图谱进行 可视化分析， 有效判别数控机床安全关键性的部件。 2.如权利要求1所述的一种基于知识图谱风险等级的数控机床安全部件分析方法， 其 特征在于步骤2)中， 对收集的故障数据进行加工处 理的具体步骤如下： S1： 通过命名实体识别构 建数控机床故障知识图谱的基本要素， 选择命名实体识别NER 模型， 处理双向长短时记忆循环神经网络加条件随机场模型BiLSTM ‑CRF， 输入句子首先经 过embedding层将每个词汇或者字 符映射为一个词向量 或者字符向量， 然后 传入BILSTM层， 获得句子的前向向量和后向向量， 接着将前向向量和 后向向量进 行拼接作为当前词汇或字 符的隐藏状态向量； 利用机床故障训练语料， 建立包含了能够处理的全部机床故障案例文 本的数控机床故障案例词典矩阵； 在数控机床故障知识的实体识别中， 给定数控机床故障知识语句序列X＝x1,x2,..., xn， 与数控机床故 障案例词典矩阵的故 障案例词典进行比对， 获得第一层标注序列H1＝h1, h2,...,hn， 最大化输出标签序列H2的联合条件概率的似然估计， 即通过下列公 式(1)计算可 能输出的标签序列H2： 将第一层标注序列H1与数控机床故障知 识语句序列X共同作为条件随机场模型CRF的输 入语句， 得 出联合条件概 率P(H2|X,H1)， 计算公式如下： 其中， y和x均是随机变量， l和k均是状态个数， i是状态序列； tk是转移特征函数， sl是状态特征函数， λk、 ul是对应权值， λk是转移特征函数的权重， ul 是状态特征函数的权重， Z(X)是规范化因子， 求和是在所有 可能的输出序列上进 行， 在特征 函数下， 通过建立的模型训练对应权值， 最终预测出数控机床故障知识语句作为实体的概 率， 获取概 率最大的序列标注结果； S2:对描述有差异， 导致内容产生歧义冲突的实体进行对齐， 采用欧式距离进行文本之 间相似度的计算， 欧式距离d计算公式如下：权　利　要　求　书 1/2 页 2 CN 114969363 A 2若xi＝yi， 则xi‑yi＝0； 若xi≠yi， 则|xi‑yi|＝1， 计算得出的欧氏距离越小则文本越相 似； S3： 在欧式相似度的基础上， 对数控机床故障知识库中的实体属性、 实体关系的知识进 行融合， 通过进行人工复核， 保证融合后的实体及实体间关系的准确性； 同时将其余相似实 体进行别名库存储， 为后续知识图谱的更新预留实体比对来源， 以保障机床故障诊断知识 图谱的及时、 多粒度扩展。 3.如权利要求1所述的一种基于知识图谱风险等级的数控机床安全部件分析方法， 其 特征在于步骤3)中对加工处理过的故障知识进行本体建模， 即是利用网络本体语言OWL对 数控机床故障领域知识的概念、 关系和 属性进行本体化表示， 构建数控机床故障核心本体。 4.如权利要求1所述的一种基于知识图谱风险等级的数控机床安全部件分析方法， 其 特征在于步骤4)中， 不同故障现象的后果严重性和发生的频率都不一样， 安全风险等级的 计算公式为： R＝C×L        (5) R—表示故障现象的风险等级； C—表示故障发生的后果 严重性； L—表示故障发生的频率。权　利　要　求　书 2/2 页 3 CN 114969363 A 3