基于数控机床设备故障领域的命名实体识别

被引：32

作者：

王欢 ^{[1
,2
]}

朱文球 ^{[1
,2
]}

吴岳忠 ^{[1
,2
]}

何频捷 ^{[1
,2
]}

万烂军 ^{[1
,2
]}

机构：

[1] 湖南工业大学计算机学院

[2] 湖南省智能信息感知及处理技术重点实验室

来源：

工程科学学报 | 2020年 / 42卷 / 04期

基金：

国家重点研发计划;

关键词：

数控机床; 设备故障; 双向长短期记忆网络; 具有回路的条件随机场; 命名实体识别;

D O I：

10.13374/j.issn2095-9389.2019.09.17.002

中图分类号：

TG659 [程序控制机床、数控机床及其加工]; TP391.1 [文字信息处理];

学科分类号：

080807 [电机系统及其控制]; 120506 [数字人文];

摘要：

为了给数控机床故障的精准诊断提供保障,延长数控机床使用周期,以数控机床历史维修记录为研究对象,对数控机床设备故障领域的命名实体识别进行了研究.在分析历史维修记录中的故障描述特点后,提出了一种基于双向长短期记忆网络(Bidirectional long short-term memory, BLSTM)与具有回路的条件随机场(Conditional random field with loop, L-CRF)相结合的命名实体识别方法.首先,对输入语句进行分词和标注,使用Word2vec中的Skip-gram模型对标注语料进行预训练,将其生成的字向量通过词嵌入层转化为字向量序列;然后,将字向量序列输入BLSTM学习长期依赖信息;最后将句子表达输入L-CRF获取全局最优序列.实验结果表明,该方法明显优于其他命名实体识别方法,为数控机床设备的智能检修与实时诊断任务打下了坚实的基础.

引用

页码：476 / 482

页数：7

共 16 条

[1]

Framewise phoneme classification with bidirectional LSTM and other neural network architectures.[J].Alex Graves;Jürgen Schmidhuber.Neural Networks.2005, 5

[2]

Long short-term memory [J].