[发明专利]基于有限状态机和图神经网络的故障定位方法

权利要求书

1.基于有限状态机和图神经网络的故障定位方法，其特征在于：其包括将故障信息转换为图结构数据，并通过图神经网络模型对所述图结构数据进行推理的过程，所述转换通过有限状态机模型实现；

其中，所述有限状态机模型包括现态、条件和次态3个因素，以故障名称为节点，故障原因为边，其模型设置为：

M＝(Q，Reason，δ，q₀，F)，其中，Q＝{q₁，q₂，...q_n}表示有限状态集合，q_n表示一个确定故障的状态，Reason＝{r₁，r₂，...r_i}表示故障原因集合，r_i表示一个确定的故障原因，δ表示状态转移函数，q₀∈Q表示初始状态，F∈Q表示最终状态；

其还包括：当产生新的故障时，对所述有限状态机模型进行更新，所述更新包括根据新的故障的名称增加所述有限状态机的节点，根据所述新的故障的原因增加所述有限状态机的边；所述新的故障来自实时故障信息采集，其判断包括：将获得的故障的名称通过词向量转换模型进行词向量转换，计算其对应的词向量与所述有限状态机模型中已有节点的余弦相似度，当相似度小于0.4时，该故障为新的故障。

2.根据权利要求1所述的方法，其特征在于：当所述故障信息包括新的故障时，在通过所述转换前，先对该故障信息进行预处理，所述预处理包括对所述故障信息通过命名实体识别模型进行命名实体识别和关系抽取，其中，所述命名实体为故障名称，所述关系为故障原因。

3.根据权利要求2所述的方法，其特征在于：所述命名实体识别模型为通过训练集训练后的CRF++模型。

4.根据权利要求1所述的方法，其特征在于：所述图神经网络模型为图卷积神经网络模型，其通过随机游走算法对所述图结构数据进行采样。

5.根据权利要求4所述的方法，其特征在于：所述图卷积神经网络模型包括2个图卷积层，位于2个图卷积层之间的1个随机失活层，及位于第2个图卷积层之后的softmax层。

6.根据权利要求1-5中任一项所述的方法，其特征在于：其中，模型的训练通过以下过程进行：

获得所述故障信息的文本数据集；

将所述文本数据集中的文本进行分词和停用词去除，得到其字典集；

通过所述字典集对所述词向量转换模型进行训练；

另外将标注后的所述文本数据集切分为训练集和测试集，通过所述字典集与所述训练集对命名实体识别模型进行训练，通过所述测试集对其进行测试；

另外将所述文本数据集通过所述有限状态机模型转换为图结构数据，对所述图神经网络模型进行训练；

其中，所述命名实体识别模型用于进行命名实体识别和关系抽取，具体采用CRF++模型，所述命名实体为故障名称，所述关系为故障原因。

7.根据权利要求6所述的方法，其特征在于：所述词向量转换模型为CBOW模型。