机器人故障诊断事理逻辑知识图谱构建研究_邓健峰.pdf

2023，59（13）现阶段，长期服役且故障频发的工业机器人数量越来越多，而系统故障诊断主要依靠技术专家人工根据以往故障案例以及经验知识进行诊断推理1-3，存在专家数量有限、响应速度慢、诊断知识覆盖不完整、运维成本高机器人故障诊断事理逻辑知识图谱构建研究邓健峰1，王涛1，程良伦1，21.广东工业大学 自动化学院，广州 5100062.广东工业大学 计算机学院，广州 510006摘要：知识图谱技术对机器人系统高效有序的故障诊断具有重要的指导意义。针对故障诊断本体知识概念粒度较粗，实体识别模型存在特征提取不够准确的问题。提出了一种自顶向下的故障诊断事理逻辑知识图谱构建方法。对故障诊断事件知识建模，构建细粒度事理逻辑知识本体模型。提出基于注意力机制的堆叠BiLSTM和改进胶囊网络的事件论元实体识别模型。通过BERT预训练模型生成字符特征，利用堆叠BiLSTM获取深层上下文特征；结合事件论元实体关键特征注意力机制，对前向和后向上下文突出实体关键信息；提出改进胶囊网络对字符位置特征进行编码，提高模型对字符位置特征的关注。实验结果表明，提出的事件论元实体识别模型能提高实体识别效果。进一步，根据句式匹配完成论元实体匹配关系，构建机器人系统故障诊断事理逻辑知识图谱，为自主故障诊断提供知识支持。关键词：事理逻辑知识图谱；故障诊断本体；事件论元知识提取；堆叠BiLSTM；注意力机制；改进胶囊网络文献标志码：A中图分类号：TP391.1doi：10.3778/j.issn.1002-8331.2203-0398Research on Construction of Event Logic Knowledge Graph of Robot Fault DiagnosisDENG Jianfeng1,WANG Tao1,CHENG Lianglun1，21.School of Automation,Guangdong University of Technology,Guangzhou 510006,China2.School of Computer Science and Technology,Guangdong University of Technology,Guangzhou 510006,ChinaAbstract：Knowledge graph technology has important guiding significance for efficient and orderly fault diagnosis ofrobot system.In view of the coarse knowledge conceptual granularity of fault diagnosis ontology,entity recognition modelhas the problem of inaccurate feature extraction.A top-down construction method of fault diagnosis event logic knowledgegraph is proposed.Firstly,the fault diagnosis event knowledge is modeled,and the fine-grained event logic knowledgeontology model is constructed.Secondly,an attention-based stacked BiLSTM with improved capsule network for eventargument entity recognition is proposed.This model generates character features through BERT pre-trained model,usesstacked BiLSTM to obtain deep context features.Combined with the attention mechanism of the key features of the eventargument entity,the key information of the entity is highlighted in the forward and backward context.An improved capsulenetwork is proposed to encode the character position features,which increases the model s attention to the characterposition features.Experimental results show that the proposed event argument entity recognition model can improve theresult of entity recognition.Further,according to the sentence pattern matching,the argument entity matching relation iscompleted,and an event logic knowledge graph of robot system fault diagnosis is constructed to provide knowledgesupport for autonomous fault diagnosis.Key words：event logic knowledge graph;fault diagnosis ontology;event argument knowledge extraction;stacked BiLSTM;attention mechanism;improved capsule network基金项目：国家自然科学基金-广东联合基金重点项目（U1801263，U2001201）；广东省基础与应用基础研究基金（2020B1515120010）；佛山市重大科技计划项目（1920001001367）；广东省网络物理系统重点实验室项目（2020B1212060069）。作者简介：邓健峰（1992），男，博士研究生，CCF会员，研究方向为自然语言处理、知识抽取；王涛，通信作者，男，博士，副教授，研究领域为制造物联网、工业大数据与知识获取、智能装备与机器人系统，E-mail：wangtao_；程良伦，男，二级教授，博士生导师，国务院政府特殊津贴专家。收稿日期：2022-03-21修回日期：2022-06-27文章编号：1002-8331（2023）13-0139-10Computer Engineering and Applications计算机工程与应用139Computer Engineering and Applications计算机工程与应用2023，59（13）等问题，难以应对快速故障分析和处置。如何将行业长期积累的非结构化故障诊断案例或经验文本进行结构化表达，实现诊断过程知识自主计算与推理，是现阶段行业共性需求。知识图谱作为一种知识结构化语义表示与组织手段，能够将结构化程度不高的知识进行统一表征及融合，实现知识的可计算以及高效储存、查询、推理等功能4。因此，通过对机器人系统故障诊断过程中积累的案例和专家经验等非结构化文本数据的知识抽取，构建故障诊断知识图谱，为高效准确自动故障诊断提供知识支持，提升故障的应急处置能力。在故障诊断知识图谱构建中，首先需要通过本体定义实体、关系类别，然后通过知识抽取方法抽取实例并进行存储，因此本体构建和知识抽取是图谱构建关键和基础。本体构建方法包括骨架法5、methodology法6、七步法7等。近年来，故障诊断本体研究快速发展。Zhou等8提出滚动轴承故障诊断的本体模型，定义故障原因、故障现象、辅助措施、对象属性等概念和对应的原因等逻辑关系。Geng等9构建以故障现象、原因、故障源和维修方案的生产线设备故障诊断本体。Xu等10提出了装载机故障诊断本体模型，定义了故障模式、故障设备、故障维护、参数和故障现象五个故障诊断概念。在机器人故障诊断案例中，包含大量事理逻辑知识，比如“绝缘老化导致外壳带电”存在故障原因事件导致故障现象事件的事理逻辑关系。应用于通用领域的知识图谱主要表达实体关系型静态知识11，对于表达事理逻辑知识能力较弱12。因此，研究人员提出事理图谱，以事件为实体节点，事件逻辑关系为节点边界，能够反映动态事件间关联关系与发展规律13。近年来，事理图谱被应用于金融、社交等各种领域14-16，受到广泛重视。然而，故障诊断事理图谱中作为节点的故障诊断事件通常由非结构化语句描述，知识粒度较粗，在语料中出现频率较低，致使事件实例很难被完全正确识别，难以实现准确的知识抽取与图谱构建。因此需要对事件实体概念进行分解，定义组成事件的论元实体要素，构建细粒度故障诊断事理逻辑本体。在知识抽取方面，实体识别是核心任务，通过正确识别实体，然后根据实体类别、句法格式、触发词等匹配实体关系构成三元组，实现图谱构建，因此，提升实体识别效果可以更准确地匹配关系。目前，基于深度学习的实体识别方法成为研究热点。Gui等17提出LR-CNN模型，使用堆叠卷积神经网络获取字符和n-gram词语特征，引入 rethink机制调整n-gram特征权重。Gui等18提出基于词典的图神经网络，使用字符作为节点，潜在词作为节点边界。Yang等19提出堆叠残差双向长短期记忆网络（bidirectional long short-term memory net-work，BiLSTM）模型，该模型使用 BERT（bidirectionalencoder representations from transformers）20生成字符特征向量，识别效果较好。Zhang 等21提出 LatticeLSTM模型，该模型联合编码字符和字符潜在词信息。Ma等22提出SoftLexicon（LSTM）模型，根据字符在潜在词的位置匹配潜在词，将其合并到字符向量中。Xu等23提出多粒度特征实体识别方法，方法集成字符部首、字符依存特征和词语特征。Li等24提出 flat-latticeTransformer（FLAT）模型，转换 Lattice结构并设计位置编码重构Lattice，提出Transformer获取字符长距离依存特征。对于机器人故障诊断语料，由于案例语料数量较通用领域的少25，句子长度有限，缺少充分的上下文信息，面临语义稀疏、文本规范性弱等问题。虽然匹配潜在词可以增强字符特征表示，但故障诊断涉及术语缺乏统一规范，通用词库一般不包含这些术语26，字符难以匹配潜在词。注意力机制主要在上下文特征中突出关键信息，考虑BiLSTM能获取前向和后向上下文特征，两种特征可以视作不同特征表示，并可能包含不同的实体关键信息。在拼接特征中获取关键信息可能存在不同特征表示相互干扰问题。另外BiLSTM对序列中字符位置特征编码不理想，在故障诊断语料中，部分语料存在相同字符位置不同意思可能不相同现象，例如“电机”和“机电”等。为此，本文提出机器人故障诊断事理逻辑知识图谱构建方法，首先定义结构化事件表示，构建细粒度故障诊断事理逻辑本体；其次提出基于注意力机制的堆叠 BiLSTM 和改进胶囊网络（attention-based stackedBiLSTM with improved capsule network，SBACN）的事件论元实体识别模型，使用 BERT 生成字符嵌入特征，并通过堆叠BiLSTM获取上下文特征；引入事件论元实体关键信息的注意力机制，分别突出前向和后向上下文的关键信息；结合改进胶囊网络对字符位置特征进行编码，提高模型对