这样也行？（武汉理工大学胡杰教授团队研究成果：基于深度学习的汽车故障知识图谱构建）

《汽车工程》2023年第1期发表武汉理工大学胡杰教授团队研究成果 "基于深度学习的汽车故障知识图谱构建"一文 。 论文基于某公司售后业务数据，针对故障文本中的嵌套实体问题和非连续实体问题，提出一种知识图谱构建流程，并利用 知识图谱技术、自然语言处理技术，完成汽车故障知 识图谱的构建 。 该研究在汽车故障 诊断中可帮助 快速准确地 定位 故障。

研究背景

随着汽车新四化水平的提高，售后汽车检测维修的难度也逐渐加大。据统计，在汽车维修过程中约有70%的时间用于寻找故障，而只有30%的时间是用于故障维修。因此，在汽车故障诊断中如何快速准确地定位故障是十分必要的。

研究内容

1. 数据来源与分析：论文所使用的数据为某公司某款新能源车型一年的维修数据，该数据包含车辆信息、故障信息和维修信息3部分内容，同时只有故障描述和处理结果字段为非结构化数据，其中故障描述字段包含车辆故障现象内容，处理结果字段包含排查步骤、故障原因、更换配件等内容。

2. 汽车故障知识图谱构建：车辆故障知识图谱属于垂直领域知识图谱，专业性较强，图谱中 包含实体数量较少，论文采取自上而下的构建方式。

图1 汽车故障知识图谱构建框架

（1）基于DPCNN的文本预分类：基于DPCNN的文本分类模型用于从目标字段剥离出故障原因相关内容，缩小了实体抽取范围；

图2 DPCNN模型结构

（2）基于BERT-BiLSTM-MUL-CRF的实体抽取 ：将故障现象、故障原因拆分为故障部位+失效形式的组合模式，采用基于字向量的BERT-BiLSTM-MUL-CRF模型完成实体抽取任务；

图3 BERT-BiLSTM-MUL-CRF模型结构

（3）基于语法规则的实体重组：使用基于语法规则的匹配模块完成实体重组，有效解决了文本中的嵌套实体和非连续实体问题，提升图谱构建效率和准确率；

图4 实体匹配示意图

（4）知识融合：采用结合术语相似度和结构相似度的方法完成知识融合。

3. 算例分析：通过文本分类实验、实体抽取实验、实体重组、知识融合和知识存储，对论文所提方法进行论证。

研究结果

1. 文本分类实验：选用机器学习中的SVM模型、Naive Bayes模型和深度学习中的TextCNN、VDCNN模型，进行对照实验。与机器学习模型相比，3 种深度学习模型表现更好，而 DPCNN模型取得了最好的实验结果。

2. 实体抽取实验：与其他模型相比，论文所使用的BERT-BiLSTM-MUL-CRF模型各项评价指标均最优。

3. 实体重组：根据所提出的基于语法规则的匹配模板，对得到的故障部位实体和失效形式实体进行重组，得到故障现象实体和故障原因实体，人工对重组的结果进行核验。首先，选取既包含嵌套实体又包含非连续实体的样本452条，经过计算，匹配模板的准确率可达到63.3%；然后，选取只包含嵌套实体的样本共计2000条，采用同样的方式进行重组，经过人工校验，准确率为86.8%。

4. 知识存储：在对故障现象和故障原因实体融合处理后，论文使用Neo4j图数据库对构建的汽车故障知识图谱进行存储。

图5 知识图谱部分存储结果

创新点与意义

论文基于某公司售后业务数据，针对故障文本中的嵌套实体问题和非连续实体问题，提出一种知识图谱构建流程，并利用知识图谱技术、自然语言处理技术，完成汽车故障知识图谱的构建。该研究在汽车故障诊断中可帮助快速准确地定位故障，具有重要的工程应用价值。

扫描上方二维码，免费获取全文

关于《汽车工程》

1. 行业声誉：汽车工程领域高质量科技期刊分级目录T1级别期刊

2. 检索收录：Ei & 核心

3. 首轮评审：< 30工作日

4. 在线投稿：www.qichegongcheng.com

联系我们

联系人：杨老师

电话: 86-10-50923970

邮箱： jae-editor@sae-china.org

《汽车工程》 2022年虚拟专辑

分领域虚拟专辑1：智能网联汽车技术—感知&HMI&测评

分领域虚拟专辑2：智能网联汽车技术—规划&控制

分领域虚拟专辑 3 ：新能源汽车技术 —动力电池&燃料电池

分领域虚拟专辑 4 ：新能源汽车技术 —电驱动&能量管理

分领域虚拟专辑 5 ：发动机&排放

分领域虚拟专辑 6 ：车身设计&轻量化&安全

分领域虚拟专辑 7 ：底盘&动力学&整车性