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。

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。

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。

图1 汽车故障知识图谱构建框架

（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

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 

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。

创新点与意义

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