本發(fā)明屬于物資質(zhì)量檢測的，具體涉及一種融合知識圖譜與數(shù)值模擬的物資質(zhì)量檢測方法及裝置。

背景技術(shù)：

1、電網(wǎng)物資質(zhì)量檢測作為電力物資管理工作的重要控制手段，連接著物資生產(chǎn)現(xiàn)場和工程施工現(xiàn)場，關(guān)系著電網(wǎng)工程的安全和平穩(wěn)運行，對電力建設(shè)、電網(wǎng)安全、運行維護(hù)具有非常重要的意義。

2、隨著經(jīng)濟社會的發(fā)展，電力需求不斷增加，電網(wǎng)不斷壯大，物資供應(yīng)不斷增加，相應(yīng)的物資檢測工作量也在逐年增大，現(xiàn)有的人力物力很難滿足目前的檢測工作需求，因此亟需提高物資檢測的效率和質(zhì)量。

3、專利cn118798710a公開了一種基于電力物資臺賬語義標(biāo)簽的物資質(zhì)量檢測方法及裝置，方法包括：獲取電力物資臺賬數(shù)據(jù)，并對電力物資臺賬數(shù)據(jù)進(jìn)行預(yù)處理，給出物資臺賬預(yù)處理數(shù)據(jù)；確定評價指標(biāo)，并對物資臺賬預(yù)處理數(shù)據(jù)進(jìn)行篩選，給出各個物資的目標(biāo)數(shù)據(jù)；對目標(biāo)數(shù)據(jù)進(jìn)行歸一化處理，形成待評價數(shù)據(jù)；結(jié)合預(yù)設(shè)評價規(guī)則，對待評價數(shù)據(jù)進(jìn)行評價，給出物資質(zhì)量檢測結(jié)果。通過在對電力物資臺賬數(shù)據(jù)進(jìn)行預(yù)處理時融合語義標(biāo)簽，考慮語義標(biāo)簽包含的附加信息，可以提供更多的上下文信息，充分利用這些通常在數(shù)值分析中被忽略的信息，有助于更好地理解數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，同時可以幫助識別和校正偏差，從而減少對最終分析結(jié)果的影響。其雖然通過對數(shù)據(jù)的分析實現(xiàn)了對物資的質(zhì)量檢測，雖然在一定程度上減少了技術(shù)人員對于數(shù)據(jù)分析的工作量，但仍需要工作人員對各個設(shè)備進(jìn)行檢驗得到物資臺賬數(shù)據(jù)，對于效率的提升有限。

4、如何提高物資檢測的效率和質(zhì)量，以滿足檢測工作需求，是當(dāng)前需要解決的問題。

技術(shù)實現(xiàn)思路

1、針對上述現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明提供了一種融合知識圖譜與數(shù)值模擬的物資質(zhì)量檢測方法及裝置，方法包括：獲取消缺檢測文本數(shù)據(jù)并基于融合語言預(yù)處理的實體識別模型進(jìn)行實體識別，構(gòu)建消缺知識圖譜；基于目標(biāo)物資類型從消缺知識圖譜中進(jìn)行檢測項目搜索，得到目標(biāo)檢測項目，并對目標(biāo)物資進(jìn)行數(shù)值模擬，給出目標(biāo)物資的初始損傷情況并進(jìn)行更新，給出目標(biāo)物資的累計損傷情況，以完成目標(biāo)物資的質(zhì)量檢測。通過對消缺檢測文本數(shù)據(jù)的分析，構(gòu)建出消缺知識圖譜，了解不同物資檢測數(shù)據(jù)之間的關(guān)系，并基于此對目標(biāo)物資進(jìn)行分析，得到目標(biāo)物資的累計損傷情況，完成對目標(biāo)物資的質(zhì)量檢測，減少了質(zhì)量檢測過程中需要的人力、物力和時間的同時提高了物資質(zhì)量檢測的工作效率。

2、第一方面，本發(fā)明提供一種融合知識圖譜與數(shù)值模擬的物資質(zhì)量檢測方法，具體包括如下步驟：

3、獲取消缺檢測文本數(shù)據(jù)，其中，消缺檢測文本數(shù)據(jù)包括各種類型物資的檢測文本數(shù)據(jù)；

4、基于融合語言預(yù)處理的實體識別模型，對消缺檢測文本數(shù)據(jù)進(jìn)行實體識別并構(gòu)建消缺知識圖譜；

5、基于目標(biāo)物資類型，從消缺知識圖譜中進(jìn)行檢測項目搜索，得到目標(biāo)檢測項目；

6、基于目標(biāo)檢測項目，對目標(biāo)物資進(jìn)行數(shù)值模擬，給出目標(biāo)物資的初始損傷情況；

7、基于初始損傷情況，對目標(biāo)物資的初始損傷情況進(jìn)行更新，給出目標(biāo)物資的累計損傷情況，以完成目標(biāo)物資的質(zhì)量檢測。

8、進(jìn)一步地，基于融合語言預(yù)處理的實體識別模型，對消缺檢測文本數(shù)據(jù)進(jìn)行實體識別并構(gòu)建消缺知識圖譜，具體包括：

9、采用融合語言預(yù)處理的實體識別模型，對消缺檢測文本數(shù)據(jù)進(jìn)行實體識別，得到多個實體及各個實體的屬性；

10、采用譜聚類算法，根據(jù)各個實體的屬性，將多個實體進(jìn)行劃分，得到多個實體子集；

11、基于每個實體子集中各個實體的屬性，分析每個實體子集的子集屬性，給出子集屬性值；

12、根據(jù)每個實體子集的子集屬性值，融合各個實體子集，得到消缺知識圖譜。

13、進(jìn)一步地，采用融合語言預(yù)處理的實體識別模型，對消缺檢測文本數(shù)據(jù)進(jìn)行實體識別，得到多個實體及各個實體的屬性，具體包括：

14、對完成文本清洗的消缺檢測文本數(shù)據(jù)進(jìn)行分詞，給出第一實體集合；

15、基于停用詞集合，對第一實體集合進(jìn)行篩選，剔除第一實體集合中的停用詞，得到第二實體集合；

16、對第二實體集合中的各個文本序列進(jìn)行填充或截取，得到序列向量集，其中，序列向量集中各個序列向量的長度相同；

17、采用注意力機制層，對序列向量集中各個序列向量進(jìn)行處理，分析各個序列向量之間的關(guān)聯(lián)關(guān)系，得到多個實體及各個實體的屬性。

18、進(jìn)一步地，基于每個實體子集中各個實體的屬性，分析每個實體子集的子集屬性，給出子集屬性值，具體包括：

19、基于每個實體子集中各個實體的屬性，得到各個實體的嵌入向量；

20、根據(jù)各個實體的嵌入向量，給出嵌入向量的范數(shù)；

21、針對每個實體子集，將實體子集中各個實體對應(yīng)嵌入向量的范數(shù)的均值作為對應(yīng)實體子集的子集屬性值。

22、進(jìn)一步地，基于目標(biāo)物資類型，從消缺知識圖譜中進(jìn)行檢測項目搜索，得到目標(biāo)檢測項目，具體包括：

23、基于目標(biāo)物資類型，從消缺知識圖譜中進(jìn)行搜索，得到與目標(biāo)物資類型對應(yīng)的實體子集；

24、基于與目標(biāo)物資類型對應(yīng)的實體子集，分析實體子集中各個實體的歷史出現(xiàn)頻次，結(jié)合物資缺陷部位與檢測項目的映射關(guān)系，給出實體子集中各個實體的優(yōu)先級；

25、根據(jù)各個實體的優(yōu)先級，確定目標(biāo)檢測項目。

26、進(jìn)一步地，基于與目標(biāo)物資類型對應(yīng)的實體子集，分析實體子集中各個實體的歷史出現(xiàn)頻次，結(jié)合物資缺陷部位與檢測項目的映射關(guān)系，給出實體子集中各個實體的優(yōu)先級，具體包括：

27、基于與目標(biāo)物資類型對應(yīng)的實體子集，得到實體子集中各個實體的歷史出現(xiàn)頻次；

28、基于實體子集中各個實體的歷史出現(xiàn)頻次，給出不同實體對應(yīng)不同狀態(tài)的狀態(tài)出現(xiàn)頻次；

29、基于不同實體對應(yīng)不同狀態(tài)的狀態(tài)出現(xiàn)頻次，構(gòu)建狀態(tài)轉(zhuǎn)換頻次矩陣，其中，狀態(tài)轉(zhuǎn)換頻次矩陣中的元素為目標(biāo)物資從一個狀態(tài)到另一個狀態(tài)的出現(xiàn)次數(shù)；

30、分析狀態(tài)轉(zhuǎn)換頻次矩陣，給出狀態(tài)轉(zhuǎn)換概率矩陣；

31、基于初始狀態(tài)分析，結(jié)合狀態(tài)轉(zhuǎn)換概率矩陣，得到未來狀態(tài)分布；

32、根據(jù)未來狀態(tài)分布的發(fā)生概率和/或嚴(yán)重程度，確定實體子集中各個實體的優(yōu)先級。

33、進(jìn)一步地，基于目標(biāo)檢測項目，對目標(biāo)物資進(jìn)行數(shù)值模擬，給出目標(biāo)物資的初始損傷情況，具體包括：

34、基于目標(biāo)物資類型，構(gòu)建有限元模型；

35、結(jié)合目標(biāo)檢測項目，對有限元模型增加載荷，得到目標(biāo)物資的結(jié)構(gòu)時域響應(yīng)；

36、從目標(biāo)物資的結(jié)構(gòu)時域響應(yīng)中提取并分析響應(yīng)結(jié)果，給出目標(biāo)物資的初始損傷情況。

37、進(jìn)一步地，結(jié)合目標(biāo)檢測項目，對有限元模型增加載荷，得到目標(biāo)物資的結(jié)構(gòu)時域響應(yīng)，具體包括：

38、基于目標(biāo)檢測項目，確定有限元模型的載荷向量；

39、基于載荷向量，對有限元模型進(jìn)行載荷調(diào)整，模擬目標(biāo)物資的不同狀態(tài)，得物資動力學(xué)方程；

40、結(jié)合有限元模型，對物資動力學(xué)方程進(jìn)行求解，分析目標(biāo)物資不同節(jié)點的數(shù)據(jù)，給出目標(biāo)物資的結(jié)構(gòu)時域響應(yīng)。

41、進(jìn)一步地，基于初始損傷情況，對目標(biāo)物資的初始損傷情況進(jìn)行更新，給出目標(biāo)物資的累計損傷情況，以完成目標(biāo)物資的質(zhì)量檢測，具體包括：

42、獲取目標(biāo)物資在不同狀態(tài)下的先驗概率；

43、結(jié)合初始損傷情況，給出目標(biāo)物資在不同狀態(tài)下的似然概率；

44、基于目標(biāo)物資的先驗概率和似然概率，給出后驗概率；

45、對先驗概率和后驗概率的大小關(guān)系進(jìn)行判斷，對目標(biāo)物資的初始損傷情況進(jìn)行更新；

46、將后驗概率作為新的先驗概率，對后驗概率進(jìn)行更新，并結(jié)合更新的初始損傷情況，給出目標(biāo)物資的累計損傷情況，以完成目標(biāo)物資的質(zhì)量檢測。

47、第二方面，本發(fā)明還提供一種融合知識圖譜與數(shù)值模擬的物資質(zhì)量檢測裝置，采用如上述任意一項的融合知識圖譜與數(shù)值模擬的物資質(zhì)量檢測方法，包括：

48、數(shù)據(jù)獲取模塊，用于獲取消缺檢測文本數(shù)據(jù)，其中，消缺檢測文本數(shù)據(jù)包括各種類型物資的檢測文本數(shù)據(jù)；

49、圖譜構(gòu)建模塊，用于基于融合語言預(yù)處理的實體識別模型，對消缺檢測文本數(shù)據(jù)進(jìn)行實體識別并構(gòu)建消缺知識圖譜；

50、項目確定模塊，用于基于目標(biāo)物資類型，從消缺知識圖譜中進(jìn)行檢測項目搜索，得到目標(biāo)檢測項目；

51、損傷確定模塊，用于基于目標(biāo)檢測項目，對目標(biāo)物資進(jìn)行數(shù)值模擬，給出目標(biāo)物資的初始損傷情況；

52、損傷更新模塊，用于基于初始損傷情況，對目標(biāo)物資的初始損傷情況進(jìn)行更新，給出目標(biāo)物資的累計損傷情況，以完成目標(biāo)物資的質(zhì)量檢測。

53、本發(fā)明提供的一種融合知識圖譜與數(shù)值模擬的物資質(zhì)量檢測方法及裝置，至少包括如下有益效果：

54、（1）通過對以往檢測數(shù)據(jù)即消缺檢測文本數(shù)據(jù)的分析，構(gòu)建出消缺知識圖譜，了解不同物資檢測數(shù)據(jù)之間的關(guān)系，并基于此，對目標(biāo)物資進(jìn)行分析，得到目標(biāo)物資的累計損傷情況，完成對目標(biāo)物資的質(zhì)量檢測，減少了質(zhì)量檢測過程中需要的人力、物力和時間的同時提高了物資質(zhì)量檢測的工作效率。

55、（2）通過目標(biāo)物資類型，從消缺知識圖譜中得到目標(biāo)檢測項目，并根據(jù)目標(biāo)檢測項目給有限元模型增加載荷，使得到目標(biāo)物資的初始損傷情況更準(zhǔn)確。