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.1002-8331.2203-0398ResearchonConstructionofEventLogicKnowledgeGraphofRobotFaultDiagnosisDENGJianfeng1,WANGTao1,CHENGLianglun1，21.SchoolofAutomation,GuangdongUniversityofTechnology,Guangzhou510006,China2.SchoolofComputerScienceandTechnology,GuangdongUniversityofTechnology,Guangzhou510006,ChinaAbstract：Knowledgegraphtechnologyhasimportantguidingsignificanceforefficientandorderlyfaultdiagnosisofrobotsystem.Inviewofthecoarseknowledgeconceptualgranularityoffaultdiagnosisontology,entityrecognitionmodelhastheproblemofinaccuratefeatureextraction.Atop-downconstructionmethodoffaultdiagnosiseventlogicknowledgegraphisproposed.Firstly,thefaultdiagnosiseventknowledgeismodeled,andthefine-grainedeventlogicknowledgeontologymodelisconstructed.Secondly,anattention-basedstackedBiLSTMwithimprovedcapsulenetworkforevent...
