(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專(zhuān)利(10)授權(quán)公告號(hào)CN115408190B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(73)專(zhuān)利權(quán)人北京理工大學(xué)地址100081北京市海淀區(qū)中關(guān)村南大街5號(hào)(72)發(fā)明人張旭熊輝胡哲源劉檢華丁曉宇莊存波(74)專(zhuān)利代理機(jī)構(gòu)北京銀龍知識(shí)產(chǎn)權(quán)代理有限公司11243專(zhuān)利代理師劉倩蘭US2022269925A1,20審查員漆麗娟故障診斷方法和裝置本發(fā)明提供一種故障診斷方法和裝置，涉及故障分析技術(shù)領(lǐng)域。該方法包括：構(gòu)建故障診斷網(wǎng)絡(luò)模型；故障診斷網(wǎng)絡(luò)模型包括特征提取網(wǎng)絡(luò)、特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)；根據(jù)工單樣本數(shù)據(jù)、特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)；根據(jù)第一特征數(shù)據(jù)、第二特征數(shù)據(jù)、特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型；根據(jù)故障診斷模型與歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息。本發(fā)明的方案，完成對(duì)不同案例的診斷，提升了自動(dòng)化故構(gòu)建故障診斷網(wǎng)絡(luò)模型；所述故障診斷網(wǎng)絡(luò)模型包括特征提取網(wǎng)絡(luò)、特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)根據(jù)工單樣本數(shù)據(jù)、特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型2構(gòu)建故障診斷網(wǎng)絡(luò)模型；所述故障診斷網(wǎng)絡(luò)模型包括特征提取網(wǎng)絡(luò)、特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)；根據(jù)工單樣本數(shù)據(jù)、所述特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)，包括：通過(guò)所述特征提取網(wǎng)絡(luò)的第一預(yù)設(shè)算法，確定工單樣本數(shù)據(jù)的第一特征數(shù)據(jù)；所述第一特征數(shù)據(jù)包括語(yǔ)義長(zhǎng)度和嵌入向量維度；通過(guò)所述特征提取網(wǎng)絡(luò)的第二預(yù)設(shè)算法，根據(jù)所述工單樣本數(shù)據(jù)和歷史故障數(shù)據(jù)庫(kù)，確定工單樣本數(shù)據(jù)的第二特征數(shù)據(jù)；所述第二特征數(shù)據(jù)包括主題數(shù)量、故障現(xiàn)象主根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型，包括：將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定交互后的權(quán)重系數(shù)矩陣；根據(jù)所述特征交互網(wǎng)絡(luò)的歸一化函數(shù)和所述權(quán)重系數(shù)矩陣，確定處理后的第一權(quán)重系數(shù)；通過(guò)對(duì)所述第一權(quán)重系數(shù)和所述第一特征數(shù)據(jù)加權(quán)求和，確定第三特征數(shù)據(jù)；所述第三特征數(shù)據(jù)用于表征融合文本語(yǔ)義和主題的特征數(shù)據(jù)；根據(jù)所述第三特征數(shù)據(jù)和所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，確定訓(xùn)練好的故障診斷模型；根據(jù)所述故障診斷模型與所述歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定所述歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)通過(guò)如下方式確定：確定第二特征數(shù)據(jù)經(jīng)過(guò)所述特征分類(lèi)網(wǎng)絡(luò)的第一損失函數(shù)、第三特征數(shù)據(jù)經(jīng)過(guò)所述特征分類(lèi)網(wǎng)絡(luò)的第二損失函數(shù)和模型參數(shù)正則化損失的第三損失函數(shù)；根據(jù)所述第一損失函數(shù)、所述第二損失函數(shù)和所述第三損失函數(shù)加權(quán)求和，確定所述目標(biāo)損失函數(shù)。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述第一損失函數(shù)根據(jù)預(yù)設(shè)的第一交叉熵函數(shù)以及訓(xùn)練樣本的數(shù)量確定；所述第二損失函數(shù)根據(jù)預(yù)設(shè)的第二交叉熵函數(shù)以及訓(xùn)練樣本的數(shù)量確定；其中，所述第一交叉熵函數(shù)和所述第二交叉熵函數(shù)均包括：樣本的類(lèi)別標(biāo)簽和樣本分類(lèi)的預(yù)測(cè)值。4.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定語(yǔ)義特征交互矩將所述語(yǔ)義特征交互矩陣進(jìn)行一層卷積網(wǎng)絡(luò)處理，確定所述權(quán)重系數(shù)矩陣。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)所述第三特征數(shù)據(jù)和所述特征分類(lèi)網(wǎng)根據(jù)所述第三特征數(shù)據(jù)和所述目標(biāo)損失函數(shù)，確定目標(biāo)故障分類(lèi)損失值；若所述目標(biāo)故障分類(lèi)損失值低于閾值時(shí)，則根據(jù)預(yù)設(shè)函數(shù)優(yōu)化所述特征提取網(wǎng)絡(luò)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，直至所述目標(biāo)故障分類(lèi)損失值大于或等于所述閾值時(shí)，確定訓(xùn)練好的故障診斷模型。36.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：基于所述故障特征數(shù)據(jù)，構(gòu)建所述歷史故障數(shù)據(jù)庫(kù)；所述故障數(shù)據(jù)庫(kù)包括N個(gè)歷史故障工單和N個(gè)第三特征數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系；第三特征數(shù)據(jù)以向量形式存儲(chǔ)于所述歷史故障數(shù)據(jù)庫(kù)中；進(jìn)措施和使用補(bǔ)償措施中的一項(xiàng)或多項(xiàng)；所述預(yù)處理包括噪聲信息剔除、重復(fù)數(shù)據(jù)刪除和敏感詞過(guò)濾中的一項(xiàng)或多項(xiàng)。構(gòu)建模塊，用于構(gòu)建故障診斷網(wǎng)絡(luò)模型；所述故障診斷網(wǎng)絡(luò)模型包括特征提取網(wǎng)絡(luò)、特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)；第一確定模塊，用于根據(jù)工單樣本數(shù)據(jù)、所述特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)；所述第一確定模塊，包括：第五確定單元，用于通過(guò)所述特征提取網(wǎng)絡(luò)的第一預(yù)設(shè)算法，確定工單樣本數(shù)據(jù)的第一特征數(shù)據(jù)；所述第一特征數(shù)據(jù)包括語(yǔ)義長(zhǎng)度和嵌入向量維度；第六確定單元，用于通過(guò)所述特征提取網(wǎng)絡(luò)的第二預(yù)設(shè)算法，根據(jù)所述工單樣本數(shù)據(jù)和歷史故障數(shù)據(jù)庫(kù)，確定工單樣本數(shù)據(jù)的第二特征數(shù)據(jù)；所述第二特征數(shù)據(jù)包括主題數(shù)量、故障現(xiàn)象主題、故障原因第二確定模塊，用于根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型；所述第二確定模塊，包括：第一確定子模塊，用于將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定交互后的權(quán)重系數(shù)矩陣；第二確定子模塊，用于根據(jù)所述特征交互網(wǎng)絡(luò)的歸一化函數(shù)和所述權(quán)重系數(shù)矩陣，確定處理后的第一權(quán)重系數(shù)；第三確定子模塊，用于通過(guò)對(duì)所述第一權(quán)重系數(shù)和所述第一特征數(shù)據(jù)加權(quán)求和，確定第三特征數(shù)據(jù)；所述第三特征數(shù)據(jù)用于表征融合文本語(yǔ)義和主題的特征數(shù)據(jù)；第四確定子模塊，用于根據(jù)所述第三特征數(shù)據(jù)和所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，確定訓(xùn)練好的故障診斷模型；第三確定模塊，用于根據(jù)所述故障診斷模型與所述歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定所述歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息。8.一種可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序或指令，其特征在于，所述程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的故障診斷方法中的步驟。4故障診斷方法和裝置技術(shù)領(lǐng)域[0001]本發(fā)明涉及故障分析技術(shù)領(lǐng)域，特別是指一種故障診斷方法和裝置。背景技術(shù)[0002]制造行業(yè)如航空航天，汽車(chē)，加工工業(yè)儲(chǔ)存的海量故障記錄激發(fā)了數(shù)據(jù)挖掘和文本挖掘在歷史數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)中的應(yīng)用。故障記錄包含了產(chǎn)品失效的機(jī)制，涉及的零件和故障的現(xiàn)象，可以幫助開(kāi)展產(chǎn)品分析并指導(dǎo)工作者完成對(duì)故障的修復(fù)。工業(yè)故障記錄分為結(jié)構(gòu)化的數(shù)據(jù)(例如零件的型號(hào)序號(hào)，運(yùn)行信號(hào)，以及常見(jiàn)的電壓電流觀測(cè)值等可以直接使用計(jì)算機(jī)來(lái)診斷的信息),和非結(jié)構(gòu)化的信息(通常嵌入在文本形式中)。結(jié)構(gòu)化的數(shù)值數(shù)據(jù)可以直接被計(jì)算機(jī)利用，然而對(duì)非結(jié)構(gòu)化的故障記錄進(jìn)行信息檢索和診斷通常依賴(lài)專(zhuān)業(yè)的技術(shù)人員的經(jīng)驗(yàn)，耗時(shí)且效率不足。對(duì)這類(lèi)文本記錄進(jìn)行挖掘和分析可以幫助維修工作者完成故障類(lèi)型的判斷，故障原因的分析并檢索對(duì)應(yīng)的維修方案。復(fù)雜產(chǎn)品的故障往往會(huì)涉及不同的零部件，各個(gè)零件在不同的故障原因下也會(huì)產(chǎn)生不同的故障現(xiàn)象，對(duì)應(yīng)著不同的故障主題類(lèi)別和解決辦法。另外，由于專(zhuān)業(yè)詞語(yǔ)，多義詞，語(yǔ)氣詞等常見(jiàn)的文本描述問(wèn)題的存在，都可能造成計(jì)算機(jī)對(duì)于文本的翻譯與特征識(shí)別產(chǎn)生偏差。不同的廠商及維修人員記錄文本的習(xí)慣方式的差別也影響著故障特征的提取效果，特征的提取結(jié)果作為分類(lèi)器和相似案例檢索的輸入直接決定著模型的故障診斷表現(xiàn)。因此，針對(duì)不同產(chǎn)品的案例記錄，亟需一種能準(zhǔn)確提取故障特征，開(kāi)展智能故障診斷的通用化方法。發(fā)明內(nèi)容[0003]本發(fā)明的目的是提供一種故障診斷方法和裝置，以解決現(xiàn)有技術(shù)方案中故障文本特征提取技術(shù)效率不足，特征不細(xì)，導(dǎo)致故障診[0004]為達(dá)到上述目的，本發(fā)明的實(shí)施例提供一種故障診斷方法，包括：[0005]構(gòu)建故障診斷網(wǎng)絡(luò)模型；所述故障診斷網(wǎng)絡(luò)模型包括特征提取網(wǎng)絡(luò)、特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)；[0006]根據(jù)工單樣本數(shù)據(jù)、所述特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)；[0007]根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)[0008]根據(jù)所述故障診斷模型與所述歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定所述歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息。[0009]可選地，根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特[0010]將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定交互后的權(quán)重系數(shù)矩陣；[0011]根據(jù)所述特征交互網(wǎng)絡(luò)的歸一化函數(shù)和所述權(quán)重系數(shù)矩陣，確定處理后的第一權(quán)5重系數(shù)；[0012]通過(guò)對(duì)所述第一權(quán)重系數(shù)和所述第一特征數(shù)據(jù)加權(quán)求和，確定第三特征數(shù)據(jù)；所述第三特征數(shù)據(jù)用于表征融合文本語(yǔ)義和主題的特征數(shù)據(jù)；[0013]根據(jù)所述第三特征數(shù)據(jù)和所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，確定訓(xùn)練好的故障診斷模型。[0014]可選地，所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)通過(guò)如下方式確定：[0015]確定第二特征數(shù)據(jù)經(jīng)過(guò)所述特征分類(lèi)網(wǎng)絡(luò)的第一損失函數(shù)、第三特征數(shù)據(jù)經(jīng)過(guò)所述特征分類(lèi)網(wǎng)絡(luò)的第二損失函數(shù)和模型參數(shù)正則化損失的第三損失函數(shù)；[0016]根據(jù)所述第一損失函數(shù)、所述第二損失函數(shù)和所述第三損失函數(shù)加權(quán)求和，確定所述目標(biāo)損失函數(shù)。[0017]可選地，所述第一損失函數(shù)根據(jù)預(yù)設(shè)的第一交叉熵函數(shù)以及訓(xùn)練樣本的數(shù)量確[0018]所述第二損失函數(shù)根據(jù)預(yù)設(shè)的第二交叉熵函數(shù)以及訓(xùn)練樣本的數(shù)量確定；[0019]其中，所述第一交叉熵函數(shù)和所述第二交叉熵函數(shù)均包括：樣本的類(lèi)別標(biāo)簽和樣本分類(lèi)的預(yù)測(cè)值。[0020]可選地，將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定交互[0021]將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定語(yǔ)義特征交互[0022]將所述語(yǔ)義特征交互矩陣進(jìn)行一層卷積網(wǎng)絡(luò)處理，確定所述權(quán)重系數(shù)矩陣。[0023]可選地，根據(jù)工單樣本數(shù)據(jù)、所述特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)，包括：[0024]通過(guò)所述特征提取網(wǎng)絡(luò)的第一預(yù)設(shè)算法，確定工單樣本數(shù)據(jù)的第一特征數(shù)據(jù)；所述第一特征數(shù)據(jù)包括語(yǔ)義長(zhǎng)度和嵌入向量維度；[0025]通過(guò)所述特征提取網(wǎng)絡(luò)的第二預(yù)設(shè)算法，根據(jù)所述工單樣本數(shù)據(jù)和歷史故障數(shù)據(jù)庫(kù)，確定工單樣本數(shù)據(jù)的第二特征數(shù)據(jù)；所述第二特征數(shù)據(jù)包括主題數(shù)量、故障現(xiàn)象主題、[0026]可選地，根據(jù)所述第三特征數(shù)據(jù)和所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，確定訓(xùn)練[0027]根據(jù)所述第三特征數(shù)據(jù)和所述目標(biāo)損失函數(shù)，確定目標(biāo)故障分類(lèi)損失值；[0028]若所述目標(biāo)故障分類(lèi)損失值低于閾值時(shí)，則根據(jù)預(yù)設(shè)函數(shù)優(yōu)化所述特征提取網(wǎng)絡(luò)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，直至所述目標(biāo)故障分類(lèi)損失值大于或等于所述閾值時(shí)，確定訓(xùn)練好的故障診斷模型。[0031]基于所述故障特征數(shù)據(jù)，構(gòu)建所述歷史故障數(shù)據(jù)庫(kù)；所述故障數(shù)據(jù)庫(kù)包括N個(gè)歷史故障工單和N個(gè)第三特征數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系；第三特征數(shù)據(jù)以向量形式存儲(chǔ)于所述歷史故障數(shù)據(jù)庫(kù)中；6計(jì)改進(jìn)措施和使用補(bǔ)償措施中的一項(xiàng)或多項(xiàng)；[0033]所述預(yù)處理包括噪聲信息剔除、重復(fù)數(shù)據(jù)刪除和敏感詞過(guò)濾中的一項(xiàng)或多項(xiàng)。[0035]構(gòu)建模塊，用于構(gòu)建故障診斷網(wǎng)絡(luò)模型；所述故障診斷網(wǎng)絡(luò)模型包括特征提取網(wǎng)[0036]第一確定模塊，用于根據(jù)工單樣本數(shù)據(jù)、所述特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)；[0037]第二確定模塊，用于根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型；[0038]第三確定模塊，用于根據(jù)所述故障診斷模型與歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定所述歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息。[0039]為達(dá)到上述目的，本發(fā)明的實(shí)施例還提供一種可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序或指令，所述程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上任一項(xiàng)所述的故障診斷方法中的步驟。[0040]本發(fā)明的上述技術(shù)方案的有益效果如下：[0041]上述的技術(shù)方案通過(guò)提取用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)，并通過(guò)特征交互網(wǎng)絡(luò)將第一特征數(shù)據(jù)和第二特征數(shù)據(jù)結(jié)合，再通過(guò)特征分類(lèi)網(wǎng)絡(luò)確定訓(xùn)練好的故障診斷模型，根據(jù)所述故障診斷模型與歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定所述歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息，提升了自動(dòng)化故障診斷的準(zhǔn)確率，增強(qiáng)了模型特征學(xué)習(xí)的可解釋性和對(duì)不同故障主題的診斷適應(yīng)能力。附圖說(shuō)明[0042]圖1為本發(fā)明實(shí)施例提供的故障診斷方法的流程圖之一；[0043]圖2為本發(fā)明實(shí)施例提供的故障診斷網(wǎng)絡(luò)模型的結(jié)構(gòu)圖；[0044]圖3為本發(fā)明實(shí)施例提供的特征交互網(wǎng)絡(luò)的結(jié)構(gòu)圖；[0045]圖4為本發(fā)明實(shí)施例提供的故障診斷方法的流程圖之二；[0046]圖5為本發(fā)明實(shí)施例提供的故障診斷裝置的結(jié)構(gòu)圖。具體實(shí)施方式[0047]為使本發(fā)明要解決的技術(shù)問(wèn)題、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖及具體實(shí)施例進(jìn)行詳細(xì)描述。特定特征、結(jié)構(gòu)或特性包括在本發(fā)明的至少一個(gè)實(shí)施例中。因此，在整個(gè)說(shuō)明書(shū)各處出現(xiàn)的構(gòu)或特性可以任意適合的方式結(jié)合在一個(gè)或多個(gè)實(shí)施例中。[0049]在本發(fā)明的各種實(shí)施例中，應(yīng)理解，下述各過(guò)程的序號(hào)的大小并不意味著執(zhí)行順序的先后，各過(guò)程的執(zhí)行順序應(yīng)以其功能和內(nèi)在邏輯確定，而不應(yīng)對(duì)本發(fā)明實(shí)施例的實(shí)施過(guò)程構(gòu)成任何限定。7確定B。但還應(yīng)理解，根據(jù)A確定B并不意味著僅僅根據(jù)A確定B,還可以根據(jù)A和/或其它信息確定B。[0053]步驟101、構(gòu)建故障診斷網(wǎng)絡(luò)模型；所述故障診斷網(wǎng)絡(luò)模型包括特征提取網(wǎng)絡(luò)、特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)。[0054]本發(fā)明中構(gòu)建的基于文本挖掘的特征提取交互的故障診斷網(wǎng)絡(luò)模型，稱(chēng)為主題-語(yǔ)義交互特征模型(Topic-contextInteractionModel,TCIM)。如圖2所示，按構(gòu)的具體功能，可將TCIM模型劃分為特征提取網(wǎng)絡(luò)(Gg)、特征交互網(wǎng)絡(luò)(Gf)和特征分類(lèi)網(wǎng)絡(luò)(Gd)三部分，這里，圖2的網(wǎng)絡(luò)結(jié)構(gòu)可以用于下述任意的步驟中，圖2中的箭頭代表故障原始數(shù)據(jù)在模型訓(xùn)練時(shí)的流動(dòng)過(guò)程。[0055]步驟102、根據(jù)工單樣本數(shù)據(jù)、所述特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)。其中，工單樣本數(shù)據(jù)為故障案例文本數(shù)據(jù)，如維修日志和手冊(cè)等文本形式的記錄數(shù)據(jù)。[0056]該實(shí)施例中，第一特征數(shù)據(jù)可以表示從字或詞的角度，挖掘出文本的全局信息，還可以表示為通過(guò)注意力機(jī)制確定的局部語(yǔ)義特征；第二特征數(shù)據(jù)是文本故障主題的特征數(shù)據(jù)，代表了文本中的關(guān)鍵信息，若主題詞與候選關(guān)鍵詞匹配，則代表候選內(nèi)容充分代表文本主旨。利用隱含狄利克雷分布(LatentDirichletAllocation,LDA)主題模型構(gòu)建主題關(guān)鍵詞，主題特征評(píng)分的依據(jù)是候選關(guān)鍵詞是否出現(xiàn)在主題特征詞里，如果出現(xiàn)，則權(quán)重加[0057]步驟103、根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型；[0058]該實(shí)施例中，將第一特征數(shù)據(jù)和第二特征數(shù)據(jù)通過(guò)特征交互網(wǎng)絡(luò)交互，再通過(guò)特征分類(lèi)網(wǎng)絡(luò)進(jìn)一步確定訓(xùn)練好的故障診斷模型。[0059]步驟104、根據(jù)所述故障診斷模型與歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定所述歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息。[0060]本發(fā)明實(shí)施例中，在確定故障診斷模型后，將待處理的工單數(shù)據(jù)輸入至故障診斷模型中，故障診斷模型可以對(duì)待處理的工單數(shù)據(jù)進(jìn)行分類(lèi)，確定分類(lèi)后的數(shù)據(jù)或者確定待處理的工單數(shù)據(jù)的關(guān)鍵信息，根據(jù)分類(lèi)后的數(shù)據(jù)或者待處理的工單數(shù)據(jù)的關(guān)鍵信息，與歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，從而發(fā)現(xiàn)相近的工單，并返回該工單的處理意見(jiàn)。[0061]需要說(shuō)明的是，相似度的過(guò)程是：經(jīng)過(guò)特征交互網(wǎng)絡(luò)將第一特征數(shù)據(jù)、第二特征數(shù)據(jù)生成包含前兩個(gè)特征信息的第三特征數(shù)據(jù)，與歷史故障數(shù)據(jù)庫(kù)中儲(chǔ)存的第三特征數(shù)據(jù)集進(jìn)行相似度計(jì)算，來(lái)找到相似的故障案例從而幫助解決當(dāng)前問(wèn)題，故障診斷模型用來(lái)幫助完成故障的分類(lèi)智能診斷。[0062]可選地，相似度計(jì)算的計(jì)算方法采用余弦相似度的確定方式，通過(guò)余弦度量判斷兩文本的相關(guān)程度，如果余弦相似度越大，說(shuō)明兩變量夾角越小，兩文本的相似程度就越高，如果余弦相似度越小，說(shuō)明兩變量夾角越大，兩文本的相似程度就越低，最終與歷史故障數(shù)據(jù)庫(kù)對(duì)比后，確定所述歷史故障數(shù)據(jù)庫(kù)中相似度最高的工單處理信息。[0063]本發(fā)明的方案可以完成對(duì)不同案例的診斷和檢索任務(wù)，提升了自動(dòng)化故障診斷的準(zhǔn)確率，增強(qiáng)了模型特征學(xué)習(xí)的可解釋性和對(duì)不同故障主題的診斷適應(yīng)能力。8[0065]步驟104、通過(guò)所述特征提取網(wǎng)絡(luò)的第一預(yù)設(shè)算法，確定工單樣本數(shù)據(jù)的第一特征數(shù)據(jù)；所述第一特征數(shù)據(jù)包括語(yǔ)義長(zhǎng)度和嵌入向量維度；[0066]步驟105、通過(guò)所述特征提取網(wǎng)絡(luò)的第二預(yù)設(shè)算法，根據(jù)所述工單樣本數(shù)據(jù)和歷史故障數(shù)據(jù)庫(kù)，確定工單樣本數(shù)據(jù)的第二特征數(shù)據(jù)；所述第二特征數(shù)據(jù)包括主題數(shù)量、故障現(xiàn)[0067]需要說(shuō)明的是，主題數(shù)量，主題的先驗(yàn)分布為事先確定好的參數(shù)(預(yù)計(jì)研究領(lǐng)域分成幾個(gè)主題),事先確定可以通過(guò)人為確定，或者機(jī)器算法確定。這里，第二特征數(shù)據(jù)的主題是指所有歷史故障數(shù)據(jù)庫(kù)中包含的故障主題，比如針對(duì)汽車(chē)領(lǐng)域包含：發(fā)動(dòng)機(jī)氣缸進(jìn)排氣故障、機(jī)械傳動(dòng)故障、電源電池故障類(lèi)型等。特征提取網(wǎng)絡(luò)的主題特征模塊學(xué)習(xí)后，將所有歷史數(shù)據(jù)分為對(duì)應(yīng)主題數(shù)目的幾類(lèi)，且會(huì)為每個(gè)主題下對(duì)應(yīng)有相應(yīng)的詞語(yǔ)(即文章-主題和主題-詞語(yǔ)概率分布),對(duì)每個(gè)主題下前幾個(gè)高頻詞語(yǔ)對(duì)應(yīng)的嵌入向量加權(quán)求平均可以得到最終的第二特征信息，它代表了每個(gè)主題下主要的故障現(xiàn)象和原因。[0068]本發(fā)明實(shí)施例中，特征提取網(wǎng)絡(luò)(Gg)用于從原始故障數(shù)據(jù)文本(工單樣本數(shù)據(jù))中提取有效的故障特征，分為語(yǔ)義特征提取模塊(如圖2所示)和主題特征提取模塊(如圖2所示)。語(yǔ)義特征提取模塊基于學(xué)習(xí)到的詞向量，利用卷積神經(jīng)網(wǎng)絡(luò)提取文本的語(yǔ)義信息，經(jīng)過(guò)歸一化，線(xiàn)性整流函數(shù)(ReLU函數(shù))以及池化層可以得到需要的文本語(yǔ)義特征向量，即第一特征數(shù)據(jù)。主題特征提取模塊基于文本挖掘中廣泛應(yīng)用的潛在狄利克雷(LDA)主題模型，對(duì)案例數(shù)據(jù)庫(kù)中的記錄進(jìn)行主題挖掘，得到能夠人為觀測(cè)的故障主題分布及每個(gè)主題下的高頻詞語(yǔ)，對(duì)每個(gè)主題下的高頻詞語(yǔ)向量進(jìn)行加權(quán)求和，即得到每個(gè)故障主題下的主題特[0069]在一可選實(shí)施例中，通過(guò)特征提取網(wǎng)絡(luò)(Gg)進(jìn)行語(yǔ)義特征和主題類(lèi)別特征的提取，其中語(yǔ)義特征(第一特征數(shù)據(jù))為每個(gè)案例文本經(jīng)過(guò)Word2vec(wordtovector)模型和卷積層后輸出的語(yǔ)義特征嵌入向量D={d?,d2,…,d}∈R×°,s為文檔的長(zhǎng)度，e為設(shè)置的嵌入向量維度。主題類(lèi)別特征(第二特征數(shù)據(jù))為根據(jù)主題模型的輸出(主題-詞語(yǔ)概率分布),對(duì)每個(gè)主題下概率前五名詞語(yǔ)的嵌入向量加和求取平均值得到的主題特征向量T={t?,個(gè)分量，每個(gè)分量是e維的向量。[0071]步驟104、將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定交互后的權(quán)重系數(shù)矩陣；[0072]步驟105、根據(jù)所述特征交互網(wǎng)絡(luò)的歸一化函數(shù)和所述權(quán)重系數(shù)矩陣，確定處理后的第一權(quán)重系數(shù)；[0073]步驟106、通過(guò)對(duì)所述第一權(quán)重系數(shù)和所述第一特征數(shù)據(jù)加權(quán)求和，確定第三特征數(shù)據(jù)；所述第三特征數(shù)據(jù)用于表征融合文本語(yǔ)義和主題的特征數(shù)據(jù)；[0074]步驟107、根據(jù)所述第三特征數(shù)據(jù)和所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)，確定訓(xùn)練好的故障診斷模型。[0075]該實(shí)施例中，在特征交互網(wǎng)絡(luò)(Gf)中，對(duì)提取的主題特征和語(yǔ)義特征進(jìn)行向量乘積，得到主題-語(yǔ)義關(guān)系，即將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，9分類(lèi)網(wǎng)絡(luò)(Gd)的目標(biāo)損失函數(shù)，輸出為所有故障類(lèi)別對(duì)應(yīng)[0083]具體地，所述第一損失函數(shù)根據(jù)預(yù)設(shè)的第一交叉熵函數(shù)以及訓(xùn)練樣本的數(shù)量確[0087],公式二；[0092]其中y(①)是第i個(gè)樣本的類(lèi)別標(biāo)簽，即樣本的真實(shí)值；(①)為模型對(duì)第i個(gè)樣本分類(lèi)的預(yù)測(cè)值。[0093]綜上所述，目標(biāo)損失函數(shù)Lc表示等同如下：[0096]步驟110、將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，確定語(yǔ)義特征交互矩陣。[0097]該實(shí)施例中，將工單樣本數(shù)據(jù)提取后的第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交互，即將第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)輸入給特征交互網(wǎng)絡(luò)，特征交互網(wǎng)絡(luò)的具體網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。首先，進(jìn)行向量乘積完成交互計(jì)算，得到類(lèi)別語(yǔ)義特征交互矩陣G=DTT={g?,g?,…,g}∈R×k,語(yǔ)義特征交互矩陣G使模型為后面的任務(wù)提供了更多的特征信息且保留了模型的可解釋性，通過(guò)引入主題先驗(yàn)知識(shí)，幫助文本的重新表達(dá)。[0098]步驟111、將所述語(yǔ)義特征交互矩陣進(jìn)行一層卷積網(wǎng)絡(luò)處理，確定所述權(quán)重系數(shù)矩[0099]為了獲得主題-單詞對(duì)的關(guān)聯(lián)，進(jìn)一步用一層卷積網(wǎng)絡(luò)處理語(yǔ)義特征交互矩陣G來(lái)捕捉相鄰詞語(yǔ)的非線(xiàn)性關(guān)系。[0100]對(duì)于中心為d,從d-n到d+n的每個(gè)G向量進(jìn)行卷積核大小為n的卷積，采用relu激活函數(shù)得到卷積后的向量U={u?,u?,…,u.}∈R×k,對(duì)于第d個(gè)卷積向量ua,該卷積過(guò)程的公式五如下：[0101]ua=Relu(wGa-n:d+n+b),公式五；得到最終的權(quán)重注意力向量V={v?,V?,…,vs}∈R×1。V是存儲(chǔ)了當(dāng)前文本中每個(gè)單詞與主題之間注意力得分的長(zhǎng)度為s的向量，用Softmax函數(shù)可以將得分轉(zhuǎn)化為主題-單詞權(quán)重系[0103]其中，第d個(gè)主題-單詞權(quán)重系數(shù)計(jì)算為：[0105]計(jì)算得到權(quán)重系數(shù)向量β后，和原始的文本語(yǔ)義特征每個(gè)單詞分量對(duì)應(yīng)加權(quán)可以生成新的交互特征H={h?,h?,…,hg}∈R×B,該特征就是最終生成的帶有主題-單詞特征交互關(guān)系的新特征，即第三特征數(shù)據(jù)，它包含了每個(gè)案例的文本信息以及類(lèi)別信[0108]步驟112、根據(jù)所述第三特征數(shù)據(jù)和所述目標(biāo)損失函數(shù)，確定目標(biāo)故障分類(lèi)損失[0109]步驟113、若所述目標(biāo)故障分類(lèi)損失值低于閾值時(shí)，則根據(jù)預(yù)設(shè)函數(shù)優(yōu)化所述特征提取網(wǎng)絡(luò)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，直至所述目標(biāo)故障分類(lèi)損失值大于或等于所述閾值時(shí)，確定訓(xùn)練好的故障診斷模型。11[0110]本發(fā)明實(shí)施例中，確定訓(xùn)練好的故障診斷模型中還可以?xún)?yōu)化語(yǔ)義特征提取網(wǎng)絡(luò)，特征交互網(wǎng)絡(luò)和特征分類(lèi)網(wǎng)絡(luò)。固定訓(xùn)練好的主題特征提取模塊，利用原始數(shù)據(jù)提取語(yǔ)義特征，完成特征交互和分類(lèi)預(yù)測(cè)，得到一輪訓(xùn)練后的目標(biāo)故障分類(lèi)損失值；若所述目標(biāo)故障分類(lèi)損失值低于閾值時(shí)，則根據(jù)預(yù)設(shè)函數(shù)優(yōu)化所述特征提取網(wǎng)絡(luò)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，也就是針對(duì)當(dāng)前損失反向梯度傳播，反復(fù)優(yōu)化，重復(fù)步驟112,直至所述目標(biāo)故障分類(lèi)損失值大于或等于所述閾值時(shí)，模型損失收斂結(jié)束，確定訓(xùn)練好的故障診斷模型需要最小化L?損失來(lái)約束提取出的主題特征加權(quán)后能夠盡量貼合分類(lèi)類(lèi)別，另一方面，在加入語(yǔ)義特征后，模型需要最小化L?損失來(lái)約束生成的特征能夠代表案例完整信息，使得特征分類(lèi)網(wǎng)絡(luò)能夠辨別故障的類(lèi)型，使生成的細(xì)粒度特征具有故障診斷的能力。訓(xùn)練過(guò)程中，模型通過(guò)計(jì)算特征分類(lèi)網(wǎng)絡(luò)中的目標(biāo)故障分類(lèi)損失值，并反向傳播依次迭代優(yōu)化特征提取模型和特征交互模型的參數(shù)來(lái)實(shí)現(xiàn)上述優(yōu)化目標(biāo)。[0112]還需要說(shuō)明的是，在上述步驟103之前，首先需要模型初始化。對(duì)特征提取網(wǎng)絡(luò)(Gg)、特征交互網(wǎng)絡(luò)(Gf)和特征分類(lèi)網(wǎng)絡(luò)(Gd)的權(quán)值參數(shù)進(jìn)行初始化；其次，試驗(yàn)并確定特征提取網(wǎng)絡(luò)(Gg)中主題特征提取模塊參數(shù)；利用原始數(shù)據(jù)提取主題特征，利用高頻詞及主題可視化分布方法進(jìn)行試驗(yàn)確定合適的主題模型參數(shù)，充分利用相關(guān)技術(shù)人員的經(jīng)驗(yàn)，使得主題特征分布盡量貼近真實(shí)的故障特征分布。[0115]步驟115、基于所述故障特征數(shù)據(jù)，構(gòu)建所述歷史故障數(shù)據(jù)庫(kù)；所述故障數(shù)據(jù)庫(kù)包括N個(gè)歷史故障工單和N個(gè)第三特征數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系；第三特征數(shù)據(jù)以向量形式存儲(chǔ)于所述歷史故障數(shù)據(jù)庫(kù)中；計(jì)改進(jìn)措施和使用補(bǔ)償措施中的一項(xiàng)或多項(xiàng)；[0117]所述預(yù)處理包括噪聲信息剔除、重復(fù)數(shù)據(jù)刪除和敏感詞過(guò)濾中的一項(xiàng)或多項(xiàng)。[0118]需要說(shuō)明的是，構(gòu)建的歷史故障數(shù)據(jù)庫(kù)中存儲(chǔ)的是歷史故障案例(歷史故障工單)及其對(duì)應(yīng)的第三特征(訓(xùn)練的時(shí)候就已經(jīng)生成，包含了第一、第二特征數(shù)據(jù)),第三特征數(shù)據(jù)是向量的形式存儲(chǔ)，所以對(duì)比傳統(tǒng)文本存儲(chǔ)和相似文本檢索，該方法更加便于儲(chǔ)存并且更方便完成案例之間的相似度計(jì)算。括人工診斷結(jié)果、系統(tǒng)診斷結(jié)果，所述系統(tǒng)診斷結(jié)果是基于預(yù)存的故障診斷系統(tǒng)處理故障特征數(shù)據(jù)而得到的，N個(gè)歷史故障工單中包括M個(gè)人工診斷結(jié)果，所述M為小于或等于N的正整數(shù)，所述N為正整數(shù)；其中，所述故障特征數(shù)據(jù)是處理所述歷史故障工單的故障詳單數(shù)據(jù)而得到的，所述故障詳單數(shù)據(jù)包括與所述歷史故障工單中的故障的發(fā)生時(shí)間關(guān)聯(lián)的預(yù)設(shè)時(shí)段內(nèi)的數(shù)據(jù)。所述故障特征數(shù)據(jù)包括故產(chǎn)品信息(產(chǎn)品名稱(chēng)、產(chǎn)品型使用補(bǔ)償措施等)[0120]在一可選實(shí)施方式中：建立歷史故障數(shù)據(jù)庫(kù)，包括產(chǎn)品族/產(chǎn)品平臺(tái)、產(chǎn)品詳細(xì)信品族、產(chǎn)品樹(shù)的形式，將實(shí)現(xiàn)相似功能的有同樣內(nèi)部接口的產(chǎn)品組織起來(lái)，然后在產(chǎn)品平臺(tái)上添加不同的個(gè)性模塊形成產(chǎn)品實(shí)例。所有的故障知識(shí)都屬于某一個(gè)產(chǎn)品實(shí)例或平臺(tái)。數(shù)據(jù)庫(kù)包括關(guān)系層表和應(yīng)用層表兩個(gè)數(shù)據(jù)庫(kù)表。關(guān)系層表中存儲(chǔ)著已知的對(duì)象關(guān)系，應(yīng)用層表中存儲(chǔ)著產(chǎn)品功能和故障之間數(shù)據(jù)關(guān)系，構(gòu)成了歷史故障數(shù)據(jù)庫(kù)。[0122]步驟1:從數(shù)據(jù)庫(kù)中提取歷史故障案例數(shù)據(jù)(歷史故障工單),進(jìn)行文本預(yù)處理，包括專(zhuān)業(yè)詞的識(shí)別并去除停用詞，得到故障案例語(yǔ)料庫(kù)(歷史故障數(shù)據(jù)庫(kù))。[0123]步驟2:按照特征提取網(wǎng)絡(luò)分兩階段提取每一個(gè)故障案例的文本語(yǔ)義特征和案例庫(kù)的整體故障主題類(lèi)別特征，選擇合適的網(wǎng)絡(luò)層結(jié)構(gòu)參數(shù)通過(guò)特征交互網(wǎng)絡(luò)進(jìn)行特征的生成，并通過(guò)特征分類(lèi)網(wǎng)絡(luò)中分類(lèi)器最小化整體損失函數(shù)訓(xùn)練模型。[0124]步驟3:針對(duì)新的故障案例，對(duì)案例測(cè)試樣本進(jìn)行預(yù)處理后直接輸入訓(xùn)練好的模[0125]步驟4:對(duì)該案例表征特征可以進(jìn)行分類(lèi)預(yù)測(cè)診斷，并和歷史故障數(shù)據(jù)庫(kù)中的案例特征進(jìn)行相似度的計(jì)算，找到相似案例，完成對(duì)新故障案例的診斷和解決方案檢索。[0126]步驟5:將該案例分析檢查后加入歷史故障數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)庫(kù)的不斷更新。[0127]綜上所述，本發(fā)明的方案，通過(guò)兩階段提取語(yǔ)義和主題特征并進(jìn)行交互，得到了考慮故障主題-語(yǔ)義關(guān)系下的細(xì)粒度案例特征，完成對(duì)不同案例的診斷和檢索任務(wù)，提升了自動(dòng)化故障診斷的準(zhǔn)確率，增強(qiáng)了模型特征學(xué)習(xí)的可解釋性和對(duì)不同故障主題的診斷適應(yīng)能[0129]構(gòu)建模塊501,用于構(gòu)建故障診斷網(wǎng)絡(luò)模型；所述故障診斷網(wǎng)絡(luò)模型包括特征提取[0130]第一確定模塊502,用于根據(jù)工單樣本數(shù)據(jù)、所述特征提取網(wǎng)絡(luò)和歷史故障數(shù)據(jù)庫(kù)，確定用于表征文本語(yǔ)義的第一特征數(shù)據(jù)和用于表征文本故障主題的第二特征數(shù)據(jù)；[0131]第二確定模塊503,用于根據(jù)所述第一特征數(shù)據(jù)、所述第二特征數(shù)據(jù)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，確定訓(xùn)練好的故障診斷模型；[0132]第三確定模塊504,用于根據(jù)所述故障診斷模型與歷史故障數(shù)據(jù)庫(kù)進(jìn)行相似度計(jì)算，確定所述歷史故障數(shù)據(jù)庫(kù)中對(duì)應(yīng)的工單處理信息。[0134]第一確定子模塊，用于將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交[0135]第二確定子模塊，用于根據(jù)所述特征交互網(wǎng)絡(luò)的歸一化函數(shù)和所述權(quán)重系數(shù)矩陣，確定處理后的第一權(quán)重系數(shù)；[0136]第三確定子模塊，用于通過(guò)對(duì)所述第一權(quán)重系數(shù)和所述第一特征數(shù)據(jù)加權(quán)求和，確定第三特征數(shù)據(jù)；所述第三特征數(shù)據(jù)用于表征融合文本語(yǔ)義和主題的特征數(shù)據(jù)；[0137]第四確定子模塊，用于根據(jù)所述第三特征數(shù)據(jù)和所述特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函[0138]可選地，所述構(gòu)建模塊501中，特征分類(lèi)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)通過(guò)如下方式確定：[0139]第一確定單元，用于確定第二特征數(shù)據(jù)經(jīng)過(guò)所述特征分類(lèi)網(wǎng)絡(luò)的第一損失函數(shù)、第三特征數(shù)據(jù)經(jīng)過(guò)所述特征分類(lèi)網(wǎng)絡(luò)的第二損失函數(shù)和模型參數(shù)正則化損失的第三損失[0140]第二確定單元，用于根據(jù)所述第一損失函數(shù)、所述第二損失函數(shù)和所述第三損失函數(shù)加權(quán)求和，確定所述目標(biāo)損失函數(shù)。[0141]具體的，第一確定單元具體用于，所述第一損失函數(shù)根據(jù)預(yù)設(shè)的第一交叉熵函數(shù)以及訓(xùn)練樣本的數(shù)量確定；[0142]第二確定單元具體用于，所述第二損失函數(shù)根據(jù)預(yù)設(shè)的第二交叉熵函數(shù)以及訓(xùn)練樣本的數(shù)量確定；[0143]其中，所述第一交叉熵函數(shù)和所述第二交叉熵函數(shù)均包括：樣本的類(lèi)別標(biāo)簽和樣本分類(lèi)的預(yù)測(cè)值。[0145]第三確定單元，用于將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行向量乘積交[0146]第四確定單元，用于將所述語(yǔ)義特征交互矩陣進(jìn)行一層卷積網(wǎng)絡(luò)處理，確定所述權(quán)重系數(shù)矩陣。[0148]第五確定單元，用于通過(guò)所述特征提取網(wǎng)絡(luò)的第一預(yù)設(shè)算法，確定工單樣本數(shù)據(jù)的第一特征數(shù)據(jù)；所述第一特征數(shù)據(jù)包括語(yǔ)義長(zhǎng)度和嵌入向量維度；[0149]第六確定單元，用于通過(guò)所述特征提取網(wǎng)絡(luò)的第二預(yù)設(shè)算法，根據(jù)所述工單樣本數(shù)據(jù)和歷史故障數(shù)據(jù)庫(kù)，確定工單樣本數(shù)據(jù)的第二特征數(shù)據(jù)；所述第二特征數(shù)據(jù)包括主題[0151]第七確定單元，用于根據(jù)所述第三特征數(shù)據(jù)和所述目標(biāo)損失函數(shù)，確定目標(biāo)故障分類(lèi)損失值；[0152]第八確定單元，用于若所述目標(biāo)故障分類(lèi)損失值低于閾值時(shí)，則根據(jù)預(yù)設(shè)函數(shù)優(yōu)化所述特征提取網(wǎng)絡(luò)、所述特征交互網(wǎng)絡(luò)和所述特征分類(lèi)網(wǎng)絡(luò)，直至所述目標(biāo)故障分類(lèi)損失值大于或等于所述閾值時(shí)，確定訓(xùn)練好的故障診斷模型。[0154]獲取模塊，用于獲取N個(gè)歷史故障工單，并進(jìn)行預(yù)處理，確定故障特征數(shù)據(jù)；N為正[0155]第二構(gòu)建模塊，用于基于所述故障特征數(shù)據(jù)，構(gòu)建所述歷史故障數(shù)據(jù)庫(kù)；所述故障數(shù)據(jù)庫(kù)包括N個(gè)歷史故障工單和N個(gè)第三特征數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系；第三特征數(shù)據(jù)以向量形式存儲(chǔ)于所述歷史故障數(shù)據(jù)庫(kù)中；計(jì)改進(jìn)措施和使用補(bǔ)償措施中的一項(xiàng)或多項(xiàng)；[0157]所述預(yù)處理包括噪聲信息剔除、重復(fù)數(shù)據(jù)刪除和敏感詞過(guò)濾中的一項(xiàng)或多項(xiàng)。[0158]其中，上述故障診斷方法的所述實(shí)現(xiàn)實(shí)施例均適用于該故障診斷裝置的實(shí)施例[0159]本發(fā)明實(shí)施例的一種可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)