来源：期刊VIP网 时间：
作者：刘丹;张振海;翟秋宇;余家乐;
单位：兰州交通大学自动化与电气工程学院;
摘要：车载设备是列车运行控制系统的核心组成部分，为减少车载设备故障发生频次和故障处理的时间损耗，需要对车载设备的运行状态和故障现象进行准确地分析和诊断。知识图谱技术作为人工智能领域的研究热点，在现有传统故障诊断方法未有效利用非结构化的先验知识和处理结果不具解释性的问题上可提供新的解决思路，因此，提出一种基于知识图谱的列控车载设备故障诊断方法。实体识别是构建图谱的关键技术之一，结合传统中文实体识别方法存在识别效果不佳和全局语义难以共享问题，采用Graph Attention和CRF相结合的神经网络模型来实现实体识别。首先，以近三年某铁路局的列控车载设备典型故障分析报告作为实验数据集进行预处理；接着，对Graph Attention神经网络模型进行训练与优化，由条件随机场模型(CRF)得到最优的文本标签序列；为验证该方法在实体识别中的有效性，在同一语料环境下，将Graph Attention-CRF神经网络模型与其他3种模型作对比，结果表明，本文提出的模型F1值可达94.24%,实体识别准确率较当前主流的BiLSTM-CRF模型提升4.51%,较FLAT模型提升2.42%,测试时间也只比用时最短的BiLSTM-CRF模型多0.41 s。最后，利用设定的关系匹配规则将识别的实体进行链接和匹配来完成包含车载设备故障信息的知识图谱，并以图谱问答的故障诊断方式给维修工作人员提供决策辅助。
关键词：列控车载设备;;故障诊断;;知识图谱;;Graph Attention-CRF算法;;智能问答;;辅助决策
基金资助：国家自然科学基金项目(61763025);; 甘肃省重点研发计划项目(22YF7GA141)
