使用知识图谱，自然语言处理，卷积神经网络等技术，基于python语言，设计了一个数控领域故障诊断专家系统.zip

# Shukongdashi 使用了知识图谱，自然语言处理和卷积神经网络等技术，基于python语言，设计了一个数控领域故障诊断专家系统。 ## 项目介绍 本项目是第八届中国软件杯大赛，基于移动端在线设备故障诊断平台的参赛作品。[比赛题目链接](http://www.cnsoftbei.com/plus/view.php?aid=353)\ 该项目要求从网络上爬取相关设备故障和维修解决方式，并构建知识库，当设备出现故障时，用户通过输入数控机床相关参数（品牌、型号、故障代码、某个或多个超出阈值参数、故障描述(文字或语音)等），系统可以根据知识库来进行故障诊断和排除，如果没有满意的方案，系统会再次进行网络爬取，如果答案有效，则对知识库进行补充和优化。\ 我们设计系统时，主要的数据来源是《实用数控机床故障诊断及维修技术500例》这个PDF文档，我们尝试着对文档里的每一条故障描述进行拆解和分类（CNN），构建出了5中三元式推理规则，分别为：故障现象和故障现象之间存在并发症，故障前执行的操作间接导致的故障现象，某故障原因导致的故障现象，报警信息伴随的故障现象，故障部位常见的故障现象。使用Neo4j图数据库存储。当用户输入一条故障信息时，我们按照上面构建RDF的方法，对故障描述先按照标点符号分句，然后使用CNN分类，识别出此次故障中用户执行了哪些操作，出现了哪些故障现象，然后根据知识图谱进行对照，除了推理出故障原因以及解决办法之外，还会推理出与已经发现的故障相关的未发现的设备故障，通过用户进一步检查反馈，可以进一步提高诊断结果的可靠性。如果用户没有找到满意的解决方法，还可以通过在线爬取网上的解决办法来做参考，如果找到了满意的解决办法，系统会将此次维修记录补充到知识图谱中，实现知识库的自学习。 >团队名称：集结号\ >指导教师：王建民\ >团队成员：王任义、王金萱、马佳慧 感谢[TVTyuVEN](https://github.com/TVTyuVEN/)为该项目画的构建知识图谱的流程图：\ \ 感谢田翠霞小姐姐画的故障诊断过程图：\  ## 目录结构 ├── Shukongdashi └── demo ├── checkpoints //存放CNN的训练模型 ├── data //CNN预测辅助代码和文件 ├── cnews //使用CNN预测用到的词 └── cnews_loader.py //为数据的预处理文件 ├── fencidian.txt //分词词典 ├── question_answer.py //第一版故障诊断代码（已弃用） ├── question_baocun.py //处理用户反馈的代码 ├── question_buquan.py //自动补全代码 ├── question_pa.py //在线分析性代码，爬取解决方法 ├── question_wenda.py //问答功能 ├── question_zhenduan.py //故障诊断代码 ├── stopwords.txt //停用词词典 └── zhuyu.txt //故障部位词典 ├── Model └── neo_models.py //执行neo4j数据库操作 ├── test_my ├── data_wordToMysql //将word中的数据转换成csv文件，存储到MySQL中 ├── test_cnnrnn //CNN卷积神经网络预测 ├── checkpoints //存储训练模型 ├── data //数据的预处理文件 ├── neo4j //导入Neo4j的数据 ├── baojing.csv //故障代码 ├── caozuo.csv //执行的操作 ├── caozuoxianxaing.csv //由于执行某操作引起了某现象 ├── xianxaingbaojing.csv //某现象对应的报警信息 ├── xianxaingbuwei.csv //某现象对应的故障部位 ├── xianxiang.csv //故障现象 ├── xianxiangxianxiang.csv //故障现象和故障现象之间的关联关系 ├── xianxiangyuanyin.csv //故障现象的间接故障原因 ├── yuanyin2.csv //故障原因 └── zhuyu.csv //故障部位 ├── cnn_model.py //CNN配置 ├── guzhangfenxi.py //构建Neo4j数据库用的数据 └── predict.py //CNN预测识别故障描述类型 └── xianxiangfenxi //故障部位词典 ├── baojing.csv //对故障现象进行拆分，抽取出故障部位，故障现象，故障发生的背景，手动标记后进一步标注含义 ├── biaozhu_minming.txt //标注好的数据，用于训练CNN模型 └── guzhangxianxiang.csv //用于分析的故障现象文件 ├── toolkit └── pre_load.py //预加载训练模型和Neo4j数据库，还可以对读取词典进行预加载，进行性能优化 ├── settings.py //配置访问端口等 ├── urls.py //配置URL与python函数的映射 ├── view.py //默认页面 └── wsgi.py ├── db.sqlite3 └── manage.py //Django框架项目启动入口 (PS：目录树在Windows系统中通过tree命令可以生成，不要学我手动打出来才知道。)\ 关于CNN训练模型的模块请参考[@gaussic](https://github.com/crownpku)的[text-classification-cnn-rnn](https://github.com/gaussic/text-classification-cnn-rnn)项目。通过训练模型，可以实现预测文本内容的分类。\ 在我们的项目中，我们将数控机床维修案例的文本数据切分之后，手动标注了两千多条数据，用来做训练，标注的文本见**Shukongdashi/test_my/xianxiangfenxi/biaozhu_minming.txt** ## 项目配置 ### 0.安装基本环境： 确保安装好python3和Neo4j（任意版本）\ 安装一系列pip依赖： ### 1.导入数据： 开启neo4j，进入neo4j控制台。将Shukongdashi/test_my/test_cnnrnn/neo4/下的文件放入neo4j安装目录下的/import目录。在控制台依次输入： //导入节点 LOAD CSV WITH HEADERS FROM "file:///baojing.csv" AS line MERGE (:Errorid { title: line.title }); CREATE CONSTRAINT ON (c:Errorid) ASSERT c.title IS UNIQUE; LOAD CSV WITH HEADERS FROM "file:///caozuo.csv" AS line MERGE (:Caozuo { title: line.title }); CREATE CONSTRAINT ON (c:Caozuo) ASSERT c.title IS UNIQUE; LOAD CSV WITH HEADERS FROM "file:///xianxiang.csv" AS line MERGE (:Xianxiang { title: line.title }); CREATE CONSTRAINT ON (c:Xianxiang) ASSERT c.title IS UNIQUE; LOAD CSV WITH HEADERS FROM "file:///zhuyu.csv" AS line MERGE (:GuzhangBuwei { title: line.title }); CREATE CONSTRAINT ON (c:GuzhangBuwei) ASSERT c.title IS UNIQUE; LOAD CSV WITH HEADERS FROM "file:///yuanyin2.csv" AS line MERGE (:Yuanyin { title: line.title }); CREATE CONSTRAINT ON (c:Yuanyin) ASSERT c.title IS UNIQUE; //导入关系 LOAD CSV WITH HEADERS FROM "file:///caozuoxianxaing.csv" AS line MATCH (entity1 {title:line.title1}),(entity2 {title:line.title2}) CREATE (entity1)-[:CX { type: line.relation }]->(entity2) LOAD CSV WITH HEADERS FROM "file:///xianxiangyuanyin.csv" AS line MATCH (entity1 {title:line.title1}),(entity2 {title:line.title2}) CREATE (entity1)-[:XY { type: line.relation }]->(entity2) LOAD CSV WITH HEADERS FROM "file:///xianxiangxianxiang.csv" AS line MATCH (entity1 {title:line.title1}),(entity2 {title:line.title2}) CREATE (entity1)-[:X