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！

龙图腾网获悉南京航空航天大学申请的专利一种基于工业机械故障诊断知识图谱的知识推理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：CN113961718B 。

龙图腾网通过国家知识产权局官网在2025-07-08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：202111265289.6，技术领域涉及：G06F16/36；该发明授权一种基于工业机械故障诊断知识图谱的知识推理方法是由马亚杰;刘洋;姜斌;冒泽慧;刘剑慰设计研发完成，并于2021-10-28向国家知识产权局提交的专利申请。

本一种基于工业机械故障诊断知识图谱的知识推理方法在说明书摘要公布了：本发明公开了一种基于工业机械故障诊断知识图谱的知识推理方法，包括：采集并清洗某工业机械的故障工况数据；创建结构化的故障知识三元组；根据结构化的故障知识三元组创建故障实体与故障关系的词嵌入表示以及异构工业机械故障诊断知识图谱；将工业机械故障诊断知识图谱通过Neo4j图数据库进行可视化展示；构建知识图谱异构图注意力网络模型；训练模型以获取工业机械故障诊断知识图谱中实体的嵌入表示；完成故障知识实体分类任务和故障知识链接预测任务，以此实现工业机械故障诊断知识图谱的知识推理。本发明采用知识图谱异构图注意力网络模型训练故障知识数据，可大大提高故障知识实体分类和故障知识链接预测的准确率。

本发明授权一种基于工业机械故障诊断知识图谱的知识推理方法在权利要求书中公布了：1.一种基于工业机械故障诊断知识图谱的知识推理方法，其特征在于，包括以下步骤： 步骤1、数据清洗阶段：采集并清洗某工业机械的故障工况数据；创建结构化的故障知识三元组； 步骤2、数据处理阶段：根据结构化的故障知识三元组创建故障实体与故障关系的词嵌入表示以及异构工业机械故障诊断知识图谱； 步骤3、图谱展示阶段：基于Python和Py2neo库将构建的工业机械故障诊断知识图谱通过Neo4j图数据库进行可视化展示； 步骤4、模型构建与训练阶段：构建知识图谱异构图注意力网络模型；训练模型以获取工业机械故障诊断知识图谱中实体的嵌入表示； 步骤5、任务验证阶段：完成故障知识实体分类任务和故障知识链接预测任务，以此实现工业机械故障诊断知识图谱的知识推理； 所述步骤1数据清洗阶段包括： 步骤1.1、清洗故障工况数据：以正则表达式抽取故障工况数据里的故障实体以及故障知识三元组数据，并且去除多余的标点符号以及辅助说明信息； 步骤1.2、创建结构化的故障知识三元组：根据故障实体间的对应关系筛选故障知识三元组，具体形式为：头实体，关系，尾实体，简记为：h,r,t； 所述步骤2数据处理阶段，具体包括： 步骤2.1、创建故障实体与故障关系的词嵌入表示：将清洗完的故障工况数据按照单个汉字形成一个列表并以Unicode编码方式从小到大排序，对每一个故障实体与故障关系按照汉字列表与汉字数量进行编码，编码向量作为其词嵌入表示； 步骤2.2、创建异构工业机械故障诊断知识图谱：基于图神经网络框架DGL中的图数据结构存储异构工业机械故障诊断知识图谱； 所述步骤3图谱展示阶段，具体包括： 步骤3.1、构建工业机械故障诊断知识图谱：基于Python和Py2neo库将故障知识三元组构建为工业机械故障诊断知识图谱； 步骤3.2、知识图谱可视化：通过Neo4j图数据库进行可视化展示，并且能够通过Python脚本实现各种工业故障数据的增删查找的图搜索算法； 在步骤4模型构建与训练阶段，所述的构建知识图谱异构图注意力网络模型；训练模型以获取工业机械故障诊断知识图谱中实体的嵌入表示，具体包括： 步骤4.1、构建知识图谱异构图注意力网络模型：基于异构图注意力网络HAN提出知识图谱异构图注意力网络KGHAN模型；它在异构图注意力网络模型的基础上，保留了知识图谱三元组的知识结构和知识图谱作为图数据结构拥有的图结构信息，能够以端到端的学习方式学习工业机械故障诊断知识图谱中的实体嵌入表示；其KGHAN模型采用如下设计： 1知识信息融合层：为了保留知识图谱原本的知识三元组结构，融合知识图谱翻译模型TransD的嵌入向量表示； TransD模型通过优化TransE翻译模型来学习知识图谱中每个实体和关系的嵌入向量表示，它使用两个向量来表示每个实体和关系，第一个向量表示实体或关系的意义，另一个向量称为投影向量用于构造映射矩阵；将头实体和尾实体的映射矩阵定义为： 其中，是头、尾实体的映射矩阵，是经过初始化的关系嵌入向量，是经过初始化的头、尾实体嵌入向量，m是关系嵌入向量的维度，n是头、尾实体嵌入向量的维度，是单位矩阵，m×n是单位矩阵的形状； 之后，通过映射矩阵将实体的嵌入向量映射到对应的关系嵌入向量空间中，映射到关系空间的头实体和尾实体的嵌入向量公式定义为： 其中，是更新后的头、尾实体嵌入向量； 为了评价头实体和尾实体的嵌入向量的相关性，定义向量距离误差为si；更新后的三元组的信誉评分公式fri定义如下： 其中，是一个向量二范数的平方运算； 为了优化训练过程，在知识图谱嵌入层中对正确的三元组进行随机替换头、尾实体以实现负样本采样，错误的三元组定义为向量距离误差为s′i；训练损失函数L采用Margin损失函数，其公式定义为： 其中，γ是正确的三元组得分和错误的三元组得分的裕度，maxx,y是取x或者y中的最大值运算； 最后，将训练后的实体和关系的嵌入向量添加到节点的词嵌入表示中作为输入；融合后的节点的词嵌入表示定义为： 其中，是融合知识信息后的词嵌入表示，是步骤2.1中所述的词嵌入表示，是第i个节点嵌入表示，即头实体嵌入向量和尾实体嵌入向量的集合，||是向量拼接运算； 2图结构信息融合层：为了保留知识图谱作为图数据结构拥有的图的结构信息，融合图中节点的度； 在KGHAN模型中使用每个实体的度向量作为实体和关系的嵌入表示的附加信号，即：加入实体中心性编码，根据实体的入度和出度为每个实体分配两个实值嵌入向量；由于实体中心性编码应用于每个实体，只需将其添加到实体的词嵌入表示中作为输入；融合后的实体的嵌入表示定义为： 其中，xi是第i个实体融合了图的结构信息后的嵌入表示，xi 2是融合知识信息后的嵌入表示，||是向量拼接运算，是该实体的入度向量，是该实体的出度向量； 3异构图注意力网络层：该层同时包含了节点级注意力和语义级注意力，节点级注意力主要学习实体及其临近实体间的权重，语义级注意力用于学习基于不同元路径的权重；得益于这种层次性的注意力，可以同时考虑邻居实体和元路径的重要性； a节点级注意力： 知识图谱是典型的异构图，其可以表示为G＝V,E，由一个实体集合V和关系集合E组成；知识图谱还与实体类型映射函数φ:V→A和关系类型映射函数:E→B相关联；A和B表示预定义实体类型和关系类型的集合，其中||A||+||B||≥2；在异构图中，两个不同类型的实体可以通过不同的语义路径进行关联，这条语义路径被称为元路径，其可以被定义为Φ:其中A1,A2,…,Al+1是一条元路径上的实体，R1,R2,…,Rl是一条元路径上的关系； 在此引入节点级注意力聚合每个实体的元路径邻居信息，借此学习到基于元路径的邻居实体对于知识图谱中每个实体的重要性，并将这些邻居的表示聚合起来形成实体的嵌入表示；对于每种类型的实体设计特定类型的变换矩阵将不同类型实体的嵌入表示投影到相同的嵌入空间中；投影公式定义为： 其中，x′i是投影后的实体嵌入表示，是第i个实体所属类型的变换矩阵，xi是融合了知识信息和图的结构信息后的实体的嵌入表示； 之后，利用自注意力机制学习各种实体之间的权重；给定通过元路径Φ连接的实体对i,j，那么可以用权重系数表示j对i的重要性，其公式定义为： 其中，attnnode是计算节点级注意力的深层神经网络，x′i、x′j是投影后的实体嵌入表示，Φ是实体j到实体i的元路径； 如此，基于元路径的实体对i,j中，实体j对实体i的注意力系数公式定义为： 其中，σ是激活函数，采用LeakyReLU非线性函数，为第i个实体的邻居实体集合，expx表示为数学运算ex，||为向量拼接运算，是映射向量的转置； 然后，基于元路径的实体i的嵌入表示可以由其邻居实体的嵌入表示的投影和相应的注意力系数聚合，其公式定义为： 其中，是实体i相应于元路径Φ学习到的嵌入表示，σ是非线性函数； 将多头注意力运用到节点级注意力中，使得训练过程更加稳定；并将学习到的嵌入连接为特定语义的嵌入表示；其公式定义为： 因此，给定一个知识图谱的元路径集合{Φ0,Φ1,…,ΦP-1}，通过节点级注意力可以得到P组特定的实体语义嵌入，表示为 b语义级注意力 引入一种新的语义层次注意力，自动学习不同元路径的重要性，并将它们融合到特定的任务中；以从节点级注意力中学习到的P组特定实体语义嵌入为输入，可以学习到每个元路径的权重，其公式定义为： 其中，是元路径的权重，attnsem是计算语义级注意力的深层神经网络； 为了了解每个元路径的重要性，首先通过一个非线性函数变换特定语义的嵌入；然后，利用一个语义级注意力向量q与元路径特定语义节点嵌入的非线性变换做内积，来测量特定元路径特定语义实体的嵌入的重要性；之后，平均优化所有特定语义节点嵌入的重要性；每个元路径的重要性定义为： 其中，是元路径Φi的重要性，Λ是所有元路径的集合，q为语义级注意力向量，W为权重矩阵，b为偏置； 在获得每一个元路径的重要性后，通过softmax函数对其进行归一化；元路径Φi的权重表示为其公式定义为： 将学习到的权值作为系数，并将这些语义特定的嵌入进行融合，得到最终的嵌入Z，其公式定义为： 步骤4.2、训练知识图谱异构图注意力网络模型：训练模型以获取工业机械知识图谱实体的词嵌入表示； 对于半监督实体分类，采用最小化有类标签节点的预测类标签分布与真实类标签的交叉熵函数作为损失函数，其公式定义为： 其中，C是分类器的参数，yL是有标签的节点索引集，Yl和Zl是有标签节点的标签和嵌入； 对于链接预测，训练损失函数L采用Margin损失函数，其公式定义为： 步骤4.2、训练知识图谱异构图注意力网络模型：训练模型以获取工业机械故障诊断知识图谱中实体的嵌入表示； 所述步骤5任务验证阶段，具体包括： 步骤5.1、故障知识实体分类任务：将实体的嵌入表示以降维算法TSNE降至二维，以实体的词嵌入表示在二维平面上的分布实现故障实体的分类； 步骤5.2、故障知识链接预测任务：将实体的嵌入表示以Hits@10评分验证故障知识链接预测准确性。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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”。