(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 202210537384.5 (22)申请日 2022.05.17 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 罗森林　张凌浩　潘丽敏　董勃　 吴舟婷　 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/901(2019.01) G06F 40/295(2020.01) (54)发明名称 融合动态知识和事理逻辑的列车故障分析 决策方法 (57)摘要 本发明涉及融合动态知识和事理逻辑的列 车故障分析决策方法， 属于自然语 言处理和机器 学习领域， 本发 明首先提取列车故障现象描述文 本中的故障事件， 融合时序动态知识和事理逻辑 关系构建知识图谱； 然后利用结合多头注意力机 制的图转换网络对知识图谱进行编码， 生成知识 图谱的优先级向量表示； 最后用一个结合注意力 机制的解码器， 根据编码结果 从提前构建的解决 方案词表中选取关键操作序列形成解决方案。 由 于本发明增加了对故障事件时序动态知识和事 理逻辑关系的建模， 提升了针对故障现象所分析 生成解决方案的有效性和准确性。 权利要求书1页 说明书4页 附图2页 CN 115048527 A 2022.09.13 CN 115048527 A 1.融合动态知识和事理逻辑的列 车故障分析 决策方法， 其特征在于所述方法包括如下 步骤： 步骤1， 构建解决方案元操作词表； 列车故障处理日志数据集中提取出所有解决方案， 将其中的关键操作进行划分， 定义 为元操作， 形成元操作词表； 步骤2， 利用信息抽取工具对列车故障现象描述文本进行命名实体识别和关系抽取； 步骤3， 利用上述步骤得到的故障事件、 最小可维修单元和逻辑关系进行建模， 同时添 加全局节点， 构造融合动态知识和事理逻辑的知识图谱； 步骤4， 利用基于多头注意力机制的图转换网络(Graph  Transformer)对上述步骤得到 的知识图谱进行编码； 步骤5， 利用结合多头注意力机制的解码器进行解码， 选取 元操作序列构成解决方案 。 2.根据权利要求1所述的融合动态知识和事理逻辑的列车故障分析决策方法， 其特征 在于： 步骤2中先利用命名实体识别技术提取出列车故障时间实体， 再利用关键词与故障时 间发生的时序信息， 计算故障事 件之间的事理逻辑关系。 3.根据权利要求1所述的融合动态知识和事理逻辑的列车故障分析决策方法， 其特征 在于： 步骤3中将故障事件构造为P1类节点， 根据事件发生时间顺序为P1类节点添加 权重； 故障事件的逻辑关系 作为R1类边， 每个R1类边连接两个P1类节 点， 表示为(P1 ‑a， R1， P1‑b)； 将最小可维修单元构造为P2类节点， 同时构造一种特殊的边R2类边， P2类节点作为P1类节 点的子节点， 每个P2类节点借助R2 类的边连接于对应的P1节点上， 表示为(P2 ‑a， R2， P1‑a)； 构造全局节 点P0， 同时构造一种边为R3类边， R3类边用来把所有的P1， P2类节 点与全局节 点 P0进行连接。 4.根据权利要求1所述的融合动态知识和事理逻辑的列车故障分析决策方法， 其特征 在于： 步骤4中将图进行重构操作， 形成一个未标记的有向图， 重构结束后作为图转换网络 的输入进行编码； 通过关注图中每个节点与其相邻节点， 并遵循多头注意力机制来计算图 中每个节点的隐藏表示， 每个节点表示为vi， 通过关注vi在G中连接到的其他节点来进行语 境化； 用N个抽头的自注意层， 其中N个独立注意层在计算和连接后参与到其他连接中： 5.根据权利要求1所述的融合动态知识和事理逻辑的列车故障分析决策方法， 其特征 在于： 步骤5使用解码 器对图转换网络编码 器得到的优先级向量编码进 行解码， 采用多头注 意力机制进行计算构造出最终的故障事 件链向量Cg： 使用ht和Cg计算概率p， 此概率决定从解决方案元操作词表中选取元操作进行复制， 形 成元操作序列， 构成解决方案 。权　利　要　求　书 1/1 页 2 CN 115048527 A 2融合动态知识和事理逻 辑的列车故障 分析决策 方法 技术领域 [0001]本发明涉及融合动 态知识和事理逻辑的列车故障分析决策方法， 属于自然语言处 理与机器学习领域。 背景技术 [0002]列车故障分析和决策是列车安全运维的重要一环。 人工在处理列车故障时需要依 赖于大量的专业知识支撑、 历史和实时轨道交通路网态势感知， 并根据情况变化在短时间 内做出准确判断， 在此过程中， 容易产生疏忽于遗漏。 随着知识图谱技术的广泛应用产生了 的基于知识图谱的故障决策方法， 但多停留在使用简单 的实体关系三元组构建知识图谱， 按故障核心组件以及故障检测核心要素进行划分， 聚焦于实体和实体之间的关系， 缺 乏对 列车故障事理逻辑知识的挖掘。 未能将故障事件及其在时间上相继发生的演化规律和这一 动态知识以及故障事件的事理逻辑关系充分建模。 同时， 这类方法利用传统的图神经网络 对知识图谱进行学习， 不能很好的捕捉全局语义特征， 使得列车故障事件中顺承、 因果、 条 件等事理逻辑语义上被稀释。 [0003]因此， 本发明提供一个融合时序动态知识和事理逻辑的列车故障分析决策方法， 用以解决故障事件演化规律和事理逻辑未被有效利用的问题， 从而提升列车故障现象分析 与辅助决策的效果。 发明内容 [0004]本发明的目的是融合故障事件时序特征动态进行知识建模， 以推理故障事件链； 基于多头注意力机制的图转换网络对知识图谱进 行学习， 更好地从全局捕捉 故障事件的顺 承、 因果、 条件等特征， 从而有效地解决列车故障事件中动态时空演化规律和逻辑关系未有 效建模和利用的问题。 [0005]本发明的设计原理为： 首先， 构建解决方案元操作词表， 利用信息抽取工具对列车 故障描述文本进行命名实体识别和关系抽取； 其次， 利用抽取得到的故障事件、 最小 可维修 单元、 解决方案和逻辑关系进 行建模， 同时添加全局节点， 构 造融合动态知识和事理逻辑的 知识图谱； 然后利用基于多头注意力机制的图转换网络(Graph  Transformer)对图结构进 行学习与编码， 得到所构 造知识图谱的优先级向量表示； 最后， 采用结合多头注意力机制的 解码器按优先级序列输出解决方案 。 [0006]本发明的技 术方案是通过如下步骤实现的： [0007]步骤1， 构建解决方案元操作词表。 从列车故障处理 日志数据集中提取出所有解决 方案， 将其中的关键操作进行划分， 定义 为元操作， 形成元操作词表。 [0008]步骤2， 利用信息抽 取工具对列车故障现象描述文本进行命名实体识别和 关系抽 取。 [0009]步骤2.1， 引入专家知识， 利用 信息抽取工具将每篇日志中的故障事件、 故障涉及 到的最小可维修单 元进行提取。说　明　书 1/4 页 3 CN 115048527 A 3