在环保话题火热的当今,我国风电事业在能源政策的领导下得到蓬勃发展,并在全国各地建成八大“千万千瓦级风电基地”。为了维持风电机组的正常运行,定期的检修工作必不可少。目前风电场的检修工作一般由专业的检修工人完成,检修工人通过攀爬器爬至高空,对设备进行检查,并通过纸笔对检修情况进行记录。一般的风电机组在50米以上,百米风电机组也在随着需求的增加而逐渐投入使用,这对检修工人的安全产生了极大的威胁。与此同时,我国互联网技术飞速发展,可以为检修工人配备一个小型智能化设备,只需要对设备讲出检修情况,设备在进行一系列处理后自动完成检修表的填写,这将会释放检修工人的双手,增加高空作业的安全,也会提高一定的工作效率。本课题以风电检修领域为背景,对语音识别后的口语化文本进行文本纠正以及实体关系识别处理,实现非结构化数据向结构化数据的转换。语音识别后的文本质量将会直接影响接下来的任务处理,文本纠正是提高文本质量的一种常用手段,本课题在文本结构化处理之前,利用HM-BERT对文本进行纠正处理,该模型主要依靠BERT预训练模型的MLM机制实现文本纠正,并在BERT模型的基础上,引入分级掩码的策略确定需要被掩码的字词,最终对所掩码的字词进行预测得到质量较高的文本。在得到质量较高的文本之后利用BERT-PA进行实体关系识别任务,该模型同样是基于BERT预训练模型实现的,为了能够更好地对嵌套实体和重叠关系进行识别,模型采用指针网络的方式对实体关系进行标注。模型首先预测文本中主实体的起始位置和结束位置,并通过一个二分类器进行指针对的匹配,以此提高对于嵌套实体的识别效果。接下来对主实体相对应的客实体及其关系进行预测,客实体的预测方式同主实体相同,结合主实体信息和全局特征,将客实体结果标注在不同的预定义的关系向量上,最终得到实体关系三元组。实验基于风电场提供的语音数据集完成,利用公开的语音识别技术得到初步的文本数据,再通过HM-BERT模型对文本进行纠正处理,最后基于BERT-PA模型实现实体关系的识别。实验证明,在文本纠正方面,HM-BERT模型对于领域口语化文本纠正效果有一定的提升,并具有更强的鲁棒性,这也为其他类型的文本的纠正提供了思路;在实体关系识别方面,BERT-PA实体关系识别模型的效果表现更好,尤其是对于嵌套实体和重叠关系识别方面效果更为明显,且有着很好的普适性。