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！

申请/专利权人：朗坤智慧科技股份有限公司

摘要：本发明公开了基于工业知识图谱及贝叶斯网络的辅助决策方法及系统，涉及计算机软件及人工智能技术领域，包括：收集工业知识词汇，生成自定义词库，构建工业知识图谱；基于工业知识图谱提取特征，将特征分类为离散特征和描述特征，对描述特征进行聚类；确定特征关系，构建依赖关系矩阵；构建贝叶斯网络，基于知识图谱内的知识数据进行辅助决策。本发明提供的基于工业知识图谱及贝叶斯网络的辅助决策方法减少对专家经验的依赖，提高诊断效率和准确性，快速响应复杂多变的生产环境需求，确保特征关系的显著性和准确性，增强在不同环境和条件下的鲁棒性和适应性。推荐消缺班组，全面提升生产系统的安全性和可靠性。

主权项：1.基于工业知识图谱及贝叶斯网络的辅助决策方法，其特征在于，包括收集工业知识词汇，生成自定义词库，构建工业知识图谱；基于工业知识图谱提取特征，将特征分类为离散特征和描述特征，对描述特征进行聚类；确定特征关系，构建依赖关系矩阵；构建贝叶斯网络，基于知识图谱内的知识数据进行辅助决策；所述对描述特征进行聚类包括使用隐马尔可夫模型HMM算法进行实体提取，基于条件随机场CRF和长短期记忆网络LSTM算法进行优化，提取出的实体为描述性特征保存在一个实体数组中；对每个描述性特征赋予指标值，根据描述性特征的内容长度选取不同数量的特征词，当80％的描述性特征长度在30字以内时，选取指标值最高的5个非重复实体作为特征词；当80％的描述性特征长度大于200字时，选取指标值最高的20个非重复实体作为特征词；当描述性特征的数量或长度不满足预设要求时，选择指标值最高的10个非重复实体作为特征词；将选出的特征词组转化为加权空间向量，将每个出现的词加入到词组中，并为其编号，同时记录词的指标值，其中编号作为维度坐标，指标值作为属性，生成特征词的对应关系；使用G-Means算法将各个特征词的坐标进行特征聚类，使用最终的聚类类别作为描述特征的特征值；所述对每个描述性特征赋予指标值包括计算每个特征词的TF-IDF值，使用Word2Vec模型将特征词转化为上下文语义向量，并将TF-IDF值和语义向量结合形成综合向量表示；将综合向量输入Transformer模型的自注意力机制计算特征词在上下文中的重要度并调整TF-IDF值，得到优化的中间指标值；将优化后的中间指标值和上下文语义向量输入深度学习模型，通过训练优化特征词的指标值，最终输出指标值；所述确定特征关系包括收集提取的离散特征和描述特征，将特征与对应的分类标签配对计算条件互信息，表示为， 其中，IX；Y∣Z表示特征X和Y在条件Z下的互信息量，pZz表示分类标签Z取值为z的概率，pX,Y∣Zx,y∣z表示在条件Z＝z下，特征X和Y取值为x和y的联合条件概率，pX∣Zx∣z表示在条件Z＝z下，特征X取值为x的条件概率，pY∣Zy∣z表示在条件Z＝z下，特征Y取值为y的条件概率，x、y、z表示特征X、Y和分类标签Z的具体取值；进行置换检验，按照预设次数执行随机打乱特征X和Y之间的关系，保持条件Z不变；每次打乱后，重新计算条件互信息值，得到随机CMI值分布，将原始条件互信息值与随机CMI值分布进行比较，计算显著性值p，若p小于0.1，判断特征对的条件互信息值显著；所述显著性表示为， 其中，p表示显著性值，randomCMI表示随机打乱后的条件互信息值，originalCMI表示原始的条件互信息值，totalnumberofrandomizations表示总的随机打乱次数；所述构建依赖关系矩阵包括初始化依赖关系矩阵，矩阵大小为n×n，其中n为特征的总数，初始化矩阵所有元素为0；遍历所有特征对，填充矩阵，若特征对的条件互信息值显著，将矩阵中对应位置的值置为1，否则保持为0，若一个特征与多个特征之间的依赖关系显著，选取条件互信息值最大的关系置为1，其余置为0；所述构建贝叶斯网络包括从知识图谱中提取所有离散特征和描述特征作为贝叶斯网络的节点，根据依赖关系矩阵，遍历矩阵中的每对特征，若依赖关系矩阵中两个特征的值为1，则在贝叶斯网络中添加一条边，将相关节点作为子节点；若依赖关系矩阵中两个特征的值为0，则将特征节点作为独立节点，构建贝叶斯网络的初步结构；基于动态贝叶斯网络DBN方法，调整和优化贝叶斯网络中的节点和边关系；将所有调整和优化后的特征关系应用于贝叶斯网络，形成最终的贝叶斯网络结构；使用贝叶斯定理计算各路径的后验概率，表示为， 其中，PA表示先验概率，PB∣A表示条件概率，PB表示边际概率；枚举贝叶斯网络中所有路径，计算每条路径的总后验概率，表示为， 其中，PPath表示路径的总后验概率，表示从1到n所有节点的后验概率的乘积，PAi∣Bi表示路径上第i个节点的后验概率，n表示路径上的节点总数；根据计算出的路径总后验概率，分析不同决策路径，选择总后验概率最高的路径作为最优决策路径，并提供辅助决策建议；所述调整和优化贝叶斯网络中的节点和边关系包括构建动态贝叶斯网络，定义滑动窗口的大小，在历史数据上逐步移动窗口，每次窗口移动时，计算窗口内的条件概率，表示为， 对于每个滑动窗口，计算条件概率PB∣A的变化；记录每个时间窗口的条件概率值，将每个时间窗口的条件概率PB∣A输入卡尔曼滤波算法，得到平滑后的条件概率曲线将当前时间窗口的平滑条件概率与前一时间窗口的平滑条件概率进行比较，若在贝叶斯网络中添加相应的边，若在贝叶斯网络中删除相应的边，其中，δ+表示显著增加阈值，δ-表示显著减少阈值。

全文数据：

权利要求：

百度查询： 朗坤智慧科技股份有限公司 基于工业知识图谱及贝叶斯网络的辅助决策方法及系统