CN111178603A - 一种基于语义的工业生产设备预测性维护系统 - Google Patents
一种基于语义的工业生产设备预测性维护系统 Download PDFInfo
- Publication number
- CN111178603A CN111178603A CN201911317273.8A CN201911317273A CN111178603A CN 111178603 A CN111178603 A CN 111178603A CN 201911317273 A CN201911317273 A CN 201911317273A CN 111178603 A CN111178603 A CN 111178603A
- Authority
- CN
- China
- Prior art keywords
- equipment
- semantic
- maintenance
- information
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 102
- 238000009776 industrial production Methods 0.000 title claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000009411 base construction Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于语义的工业生产设备预测性维护系统。该系统的整体架构：原始信息层包括设备维护文档、设备参数指标、设备维护相关的专家经验以及设备信息；语义层包括设备信息本体模型、设备故障知识库模块、设备信息语义化标注模块、语义推理和查询模块、本体数据库和语义规则文件。应用层包括知识库管理模块、设备运行状态查询模块、设备故障预警模块、设备维护策略模块。本发明经过语义化标注、语义推理及语义查询可得到领域内较为丰富的语义知识，实现了数据到信息到知识的转变，将故障知识与维护知识融为一体，在设备出现故障之前得到合理的维护策略，能够更加方便的辅助设备维护人员对设备进行维护管理，降低设备运行的故障率，提升生产效率。
Description
技术领域
本发明属于语义网和工业物联网的结合领域，涉及一种基于语义的工业生产设备预测性维护策略的系统。
背景技术
语义网(Semantic Web)由万维网的创始人Tim berners-lee在2001年正式提出。语义网中信息都被赋予了明确的含义，机器能够自动处理和集成网上可用的信息和服务。语义网技术的特点就是将网络中分布式的资源理解并加以利用。网络存在着巨大的信息，语义网技术的目标是设计一种计算模式，能让计算机自动的获取网络上的资源，并加以分析处理，主动的为我们解决现实中的一些问题。
知识库是数据库与人工智能技术结合的产物，是面向组织的、集成的、随时间变化的数据存储空间，是事实、规则和概念的集合。与数据库相比，知识库除了包含数据库存储的事实，还包含数据库无法存储的常识、经验、规则等启发性知识，这是二者的根本区别。知识库的基本内容可描述为：KB＝F+R，其中，F为实例集，表示领域中概念层次和属性关系描述的集合；R为规则集，表示对实例知识进行推理的启发式规则的集合。
基于语义知识的规则推理，体现了语义网技术的智能性，越来越多的受到广大研究人员的关注，同时也将基于语义知识的规则推理应用到各个领域中。Vincent构建传感器领域本体，并对传感器数据语义描述，通过建筑物火灾案例，证明传感器本体利于传感器数据高效的提取和推理。Mohamad基于IEEE推荐的SUMO创建本体，通过性能分析证明基于通用SUMO本体可以增强数据的互操作性。国内方面，闫宇从本体描述语言OWL的构造符入手，分析其特有的蕴涵规则的基础上，扩展出了一套推理规则集，并以这套规则集为核心构建了世博语义查询系统。杨忠义通过构建应急事件本体，利用规则推理技术来实现对突发应急事件的智能化自动处理，从而提高应急事件处理的效率和准确率。王晗通过构建适用于审计领域的医疗保险审计方法本体，为基于本体的规则推理提供信息基础，并改进Rete算法提高执行效率，最后对审计领域中具体审计业务和审计问题实现了高效推理，验证了系统的推理功能。
新一轮制造业改革的核心是实现工业设备监管的实时化、系统化和智能化，通过对工业设备的智能监控和健康管理，提升设备总体效能，降低企业运维成本。工业设备根据其用途可以分为两大类：用于生产制造领域的生产线设备和用于国民经济、军工生产的重大成套技术设备。工业设备既是实现智能制造的关键部件，同时也是影响国民经济和国民安全的重要工具。因此，无论是美国的工业互联网、德国的工业4.0，还是中国制造2025，都离不开对工业设备的智能监控与健康管理。2012年美国在以GE公司牵头提出“工业互联网”战略，通过互联网将人、数据、设备紧密联接，利用大数据处理和远程控制实现设备的智能化；2013年德国政府正式提出“工业4.0”战略，其核心是实现工业自动化，对工业生产过程及工业设备实施检测、控制、优化、调度、管理和决策；2015年中国政府提出“中国制造2025”，以信息化与工业化深度融合为主线，重点发展新一代信息技术、高档数控机床和机器人及航空航天装备等十大领域，其中有七个属于工业设备领域。智能监控和健康管理的首要是保障工业设备的无故障运行，利用设备预测性维护策略可以在设备出现故障前给出合理的维护方法，提高设备的运行可靠性。
发明内容
本发明的目的在于提供一种基于语义的工业生产设备预测性维护策略的系统，以解决传统设备监测数据缺乏的语义性，传统规则推理的推理效率不太理想的问题；设备监测数据隐含信息的推理及生产设备的维护往往只能依赖于人、系统维护决策智能化程度不高的问题，在工业生产设备出现故障之前对维护人员进行提醒，并给出合理的维护维护策略，辅助维护人员进行决策，实现工业生产设备的智能监测及预测性维护策略的智能化管理。
一种基于语义的工业生产设备预测性维护系统，整体架构包括原始信息层、语义层和应用层；其中，
所述原始信息层，包括设备维护文档、设备参数指标、设备维护相关的专家经验以及设备信息；
所述语义层，包括设备信息本体模型、设备故障知识库模块、设备信息语义化标注模块、语义推理和查询模块、本体数据库(AllegroGraph)和语义规则文件；其中，所述设备信息本体模型用于对各种设备及备件信息的统一语义描述；所述设备故障知识库模块用于将设备故障知识与设备维护知识结合到一起；所述设备信息语义化标注模块用于将传感器采集的设备状态信息转换为RDF语义数据；所述语义推理和查询模块用于处理应用层的查询和推理请求；所述本体数据库(AllegroGraph)用于存放设备相关的本体模型和语义数据；所述语义规则文件用于存放与设备管理所需推理相关的规则；
所述应用层，包括知识库管理模块、设备运行状态查询模块、设备故障预警模块、设备维护策略模块；其中，所述知识库管理模块用于对设备故障知识库进行扩展、更新与删除操作，可以很方便的对知识库进行维护；所述设备运行状态查询模块用于通过人机交互对设备运行的状态进行查询，能够动态的了解设备的状态；所述设备故障预警模块用于通过设定参数的上下限对设备的异常状态进行报警，自动记录设备运行参数和异常数据时间点；所述设备维护策略模块用于根据设备参数的警戒值提前推理出所需要进行的维护策略，辅助维护人员在设备出现故障前对设备进行维护，减少设备的故障率，提高生产效率。
进一步，所述设备维护文档包括设备厂家对于设备维护保养的说明书，以及设备使用者对于设备维护的记录文档。
进一步，所述设备参数指标包括国家对于设备备件出台的相应指标规范，以及设备生产厂家对于设备的规范说明。
进一步，所述专家经验包括专业人员对于设备维护积累的经验，以及业界权威人士对于设备维护的共识。
进一步，所述设备信息包括通过传感器实时采集的设备运行数据，和设备备件的基本信息。
进一步，所述设备运行数据包括温度、压力和转速，所述基本信息包括备件名称、型号和编号。
进一步，所述设备故障知识库模块将设备故障知识与设备维护知识结合到一起的具体过程为：通过句子分类、模板生成、规则训练、信息抽取的文本信息处理技术，将相应设备故障知识体现的故障文本信息及设备维护知识体现的设备维护信息抽取出来，构建一个完备的设备故障知识库。
进一步，所述设备信息语义化标注模块所需要描述的属性包括设备基本信息、设备状态信息、设备故障信息、设备维护信息。
进一步，所述语义推理和查询模块中的语义推理采用SC继承算法。采用SC继承算法对传统规则推理进行改进，提升数据的利用率及推理效率；语义查询是使用RDF的标准查询语言SPARQL进行查询。
本发明所述预测性维护策略是在设备出现故障之前，经过推理得出的维护策略，属于对设备的预警维护。维护策略是推理引擎根据相关推理规则、所构故障知识库中的故障及维护知识、语义化数据而推理出的，在设备出现故障之前辅助维护人员进行维护决策。
本发明的优点在于：利用语义网技术，使用本体对现场设备及相关领域的概念知识和层次关系进行语义描述，经过语义化标注、语义推理及语义查询可得到领域内较为丰富的语义知识，实现了数据到信息到知识的转变，将故障知识与维护知识融为一体，在设备出现故障之前得到合理的维护策略，能够更加方便的辅助设备维护人员对设备进行维护管理，减少设备运行的故障率，提升生产效率。在知识库的构建方面，结合了领域知识与应用知识，使得所建知识库更加丰富完善，在后续推理的时候，也更利于维护策略的生成。在规则推理方面，利用SC继承算法，通过推理模型的优化，省略规则推理的部分中间过程，达到提升推理效率的目的。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，本发明提供如下附图进行说明：
图1为本发明基于语义的工业生产设备预测性维护策略系统架构图；
图2为本发明中知识库构建模块图；
图3为本发明中故障知识库构建流程图；
图4为基本规则条件表格图；
图5为SC推理优化模型图；
图6为本发明中采用的SC继承算法对比图；
图7为本发明中生成维护策略流程图；
图8为本发明中维护策略模块划分图。
具体实施方式
下面将结合附图，对本发明的优选实施案例进行详细的描述。
如图1所示，基于语义的工业生产设备预测性维护策略系统架构图，该架构图包括以下几个部分：
(1)原始信息层。原始信息层包括设备维护文档、设备参数指标、专家经验、设备信息，设备信息包含两部分，一是通过传感器实时采集的设备运行数据，包含温度、压力、转速等；二是设备备件的基本信息，包括备件名称、型号、编号等。
(2)语义层。语义层包括设备信息本体模型、设备故障知识库模块、设备信息语义化标注模块、语义推理和查询模块、本体数据库(AllegroGraph)和语义规则文件。其中设备信息本体模型使用TopBraid Composer本体建模软件构建，定义了工业生产设备领域知识共享概念模型的形式化规范说明，通过对设备领域信息的统一描述，消除设备与设备之间的异构性，也便于后续设备监测数据的语义化。设备故障知识库模块是将设备故障知识与设备维护知识结合到一起，通过对故障文档与维护文档的信息抽取，构建故障实例本体与维护本体，进而构建完善的设备故障知识库。设备信息语义化标注模块是将传感器监测的设备运行状态信息转换为RDF语义数据，再通过设备本体将语义数据属性进行扩展，便于后续语义推理和查询。语义推理和查询模块用于处理应用层的查询和推理请求。使用AllegroGraph图形数据库作为本体数据库并且用来存储设备相关的本体模型和RDF语义数据。所述语义规则文件用于存放与设备管理所需推理相关的规则。
(3)应用层。应用层包括知识库管理模块、设备运行状态查询模块、设备故障预警模块、设备维护策略模块。知识库管理模块通过本体实例更新来实现；设备运行状态查询模块通过语义化标注和语义查询来实现；设备故障预警模块通过语义化标注和语义推理来实现；设备维护策略模块通过语义查询和语义推理来实现。
上述工业生产设备预测性维护策略架构中设备信息领域知识本体模型包括如下几个本体属性模型：
(1)设备基本信息本体属性包括:设备ID、设备名称、设备型号、设备系统、功能属性、生产厂家、购买日期、设备长、设备宽、设备高、主轴转速范围、正常工作电压值、设备所能承受的压差及温差等。
(2)设备状态信息包括的基本数据属性有:设备ID、设备名称、设备状态、当前加工零件号、设备运行开始时间、设备运行结束时间等。
(3)设备故障知识库属性包括:故障序号、设备ID、故障部位、故障原因、故障开始时间、故障结束时间、维护提醒、维护方案、维护人员编号、备注信息等。
(4)设备备件基本信息本体属性包括：备件编号、名称、型号规格、适合设备及型号等。
如图2所示为生产设备故障知识库构建模块图，故障实例知识库存储设备故障的故障现象、故障源、维护方法等概念和属性关系，与故障知识本体模型相对应，属于领域知识；而故障维护知识库存储对设备故障进行推理的规则和维护方法的知识，与故障推理引擎相对应，属于应用知识。
如图3所示为故障知识库构建流程图，通过句子分类、模板生成、规则训练、信息抽取等一系列处理，将相应故障文本信息及设备维护信息抽取出来，利用抽取出来信息不断丰富故障实例知识库与故障维护知识库，构建一个完备的设备故障知识库，便于后续语义推理及策略生成。
如图4所示为基本规则集的表格图，包含一些基本的规则、条件及相应的结论，如图表中R2所示，s、p、o分别表示三元组中的主词、谓词、宾词，当谓词(p)的定义域为x类型时，可以推理出宾词(o)的类型也为x。同理，如R3所示，当谓词(p)的值域为x类型时，可以得出宾词(o)的类型也为x。如R5所示，当类p是类q的子类，类q又是类r的子类，可以得出类p也是类r的子类。如R7所示，处于同一条件中的s p o，可以根据规则p是q的子类而得到s q o。如R9所示，当类x是类y的子类，s的类型为x，可以得出s也属于y类。如R11所示，当类x是类y的子类，类y又是类z的子类，可以得出类x也是类z的子类。
如图5所示为SC推理优化模型图，总共有六个模型，第一个模型为：p是其自身的子属性，s是其自身的子类；第二个模型为：s是Resource的子类，p是member的子属性，o为Literal的子类；第三个模型为：x为y的子类，推理出x为z的子类；第四个模型为：根据模型3得到s q o的推理；第五个模型为：根据模型2得到s p x的推理；第六个模型为：根据模型3得到的s y的推理。其中实线表示已知条件，虚线表示推理，SC优化主要是根据模型3得到模型6。
如图6所示为传统规则推理与采用SC继承算法的推理对比图，基本的规则集由图4所示：首先R5传递规则，然后R7继承规则，再结合R2和R3，最后通过R9继承规则推理出R9的结论。利用SC继承算法，就可以直接通过R11传递规则和R9继承规则推理出R9的结论，省略部分中间步骤，提升推理效率。
如图7所示为生成维护策略流程图，首先利用设备领域知识构建一个设备信息本体模型，通过设备信息本体模型对设备监测数据进行语义化描述与绑定，然后将相关的设备故障信息及设备维护信息抽取出来，根据这些抽取的信息在TopBraid Composer上手动构建一个完备的设备故障知识库，推理引擎根据相应的规则与设备故障知识库中的知识，再结合语义化的设备监测数据推理出设备当前的运行状态以及需要维护的策略，应用层就可以查询和调用设备的运行状态及维护策略，且以系统的方式展示出来。例如设备某一备件正常工作的温度范围是-20～60摄氏度，假设其温度值达到50摄氏度时对设备运行状态有不利的影响，当传感器采集到设备备件的温度为50摄氏度时，先将此数据语义化，然后推理引擎就可以根据事先制定的规则及故障知识库中的知识推理出相应的降温策略，降温策略在应用层进行展示和调用，提醒维护人员，在设备出现故障之前对其进行降温处理，降低设备故障率。
如图8所示为维护策略模块划分图，对于每一个故障实例，都能对应一个维护策略，甚至有的维护策略可以解决多种故障。
上述的处理实施方法均按照模块化处理原则进行，最大限度地保障了各个功能模块的稳定运行。本说明书中未做详细探讨的内容属于本领域专业技术人员公知的现有技术。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (9)
1.一种基于语义的工业生产设备预测性维护系统，其特征在于：整体架构包括原始信息层、语义层和应用层；其中，
所述原始信息层，包括设备维护文档、设备参数指标、设备维护相关的专家经验以及设备信息；
所述语义层，包括设备信息本体模型、设备故障知识库模块、设备信息语义化标注模块、语义推理和查询模块、本体数据库和语义规则文件；其中，所述设备信息本体模型用于对各种设备及备件信息的统一语义描述；所述设备故障知识库模块用于将设备故障知识与设备维护知识结合到一起；所述设备信息语义化标注模块用于将传感器采集的设备状态信息转换为RDF语义数据；所述语义推理和查询模块用于处理应用层的查询和推理请求；所述本体数据库用于存放设备相关的本体模型和语义数据；所述语义规则文件用于存放与设备管理所需推理相关的规则；
所述应用层，包括知识库管理模块、设备运行状态查询模块、设备故障预警模块、设备维护策略模块；其中，所述知识库管理模块用于对设备故障知识库进行扩展、更新与删除操作；所述设备运行状态查询模块用于通过人机交互对设备运行的状态进行查询；所述设备故障预警模块用于通过设定参数的上下限对设备的异常状态进行报警，自动记录设备运行参数和异常数据时间点；所述设备维护策略模块用于根据设备参数的警戒值提前推理出所需要进行的维护策略。
2.根据权利要求1所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述设备维护文档包括设备厂家对于设备维护保养的说明书，以及设备使用者对于设备维护的记录文档。
3.根据权利要求1所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述设备参数指标包括国家对于设备备件出台的相应指标规范，以及设备生产厂家对于设备的规范说明。
4.根据权利要求1所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述专家经验包括专业人员对于设备维护积累的经验，以及业界权威人士对于设备维护的共识。
5.根据权利要求1所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述设备信息包括通过传感器实时采集的设备运行数据，和设备备件的基本信息。
6.根据权利要求5所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述设备运行数据包括温度、压力和转速，所述基本信息包括备件名称、型号和编号。
7.根据权利要求1所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述设备故障知识库模块将设备故障知识与设备维护知识结合到一起的具体过程为：通过句子分类、模板生成、规则训练、信息抽取的文本信息处理技术，将相应设备故障知识体现的故障文本信息及设备维护知识体现的设备维护信息抽取出来，构建一个完备的设备故障知识库。
8.根据权利要求1所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述设备信息语义化标注模块所需要描述的属性包括设备基本信息、设备状态信息、设备故障信息、设备维护信息，在语义推理和查询模块中的语义推理利用SC继承算法。
9.根据权利要求1所述一种基于语义的工业生产设备预测性维护系统，其特征在于：所述维护策略是推理引擎根据相关推理规则、所构故障知识库中的故障及维护知识、语义化数据而推理出的，在设备出现故障之前辅助维护人员进行维护决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911317273.8A CN111178603A (zh) | 2019-12-19 | 2019-12-19 | 一种基于语义的工业生产设备预测性维护系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911317273.8A CN111178603A (zh) | 2019-12-19 | 2019-12-19 | 一种基于语义的工业生产设备预测性维护系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111178603A true CN111178603A (zh) | 2020-05-19 |
Family
ID=70653948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911317273.8A Pending CN111178603A (zh) | 2019-12-19 | 2019-12-19 | 一种基于语义的工业生产设备预测性维护系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111178603A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882084A (zh) * | 2020-07-27 | 2020-11-03 | 西门子工厂自动化工程有限公司 | 用于对工厂中的现场设备进行维护的方法和装置 |
| CN112383580A (zh) * | 2020-09-07 | 2021-02-19 | 中国人民解放军海军工程大学 | 一种基于本体的船舶远程故障报警系统 |
| CN112464672A (zh) * | 2020-11-25 | 2021-03-09 | 重庆邮电大学 | 一种在物联网边缘设备中构建语义模型的优化方法 |
| CN112836972A (zh) * | 2021-02-05 | 2021-05-25 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种it设备故障缺陷处理系统及故障缺陷处理方法 |
| CN113077061A (zh) * | 2021-02-20 | 2021-07-06 | 上海琥崧智能科技股份有限公司 | 一种基于生产数据挖掘的设备预测性维护系统 |
| CN114282548A (zh) * | 2022-01-04 | 2022-04-05 | 重庆邮电大学 | 一种针对物联网数据的自动语义标注系统 |
| CN114629941A (zh) * | 2022-05-16 | 2022-06-14 | 山东纽克信息技术有限公司 | 一种基于底层远程控制管理维护的运营系统 |
| CN117827947A (zh) * | 2023-12-27 | 2024-04-05 | 江南大学 | 采用可信边缘通道的工业设备语义数据分级管理存储方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228246A (zh) * | 2016-07-15 | 2016-12-14 | 江苏科技大学 | 基于语义的无人职守变电站监测系统及方法 |
| CN107016105A (zh) * | 2017-04-12 | 2017-08-04 | 国网上海市电力公司 | 一种基于语义网的智能变电站运维系统的知识库建模方法 |
| CN107341675A (zh) * | 2017-07-17 | 2017-11-10 | 重庆邮电大学 | 一种基于语义知识的智能电网远程费控决策架构及方法 |
| CN108459574A (zh) * | 2018-03-27 | 2018-08-28 | 重庆邮电大学 | 一种基于语义与opc ua的现场设备信息管理系统 |
| CN109636139A (zh) * | 2018-11-26 | 2019-04-16 | 华南理工大学 | 一种基于语义推理的智能设备故障诊断方法 |
-
2019
- 2019-12-19 CN CN201911317273.8A patent/CN111178603A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228246A (zh) * | 2016-07-15 | 2016-12-14 | 江苏科技大学 | 基于语义的无人职守变电站监测系统及方法 |
| CN107016105A (zh) * | 2017-04-12 | 2017-08-04 | 国网上海市电力公司 | 一种基于语义网的智能变电站运维系统的知识库建模方法 |
| CN107341675A (zh) * | 2017-07-17 | 2017-11-10 | 重庆邮电大学 | 一种基于语义知识的智能电网远程费控决策架构及方法 |
| CN108459574A (zh) * | 2018-03-27 | 2018-08-28 | 重庆邮电大学 | 一种基于语义与opc ua的现场设备信息管理系统 |
| CN109636139A (zh) * | 2018-11-26 | 2019-04-16 | 华南理工大学 | 一种基于语义推理的智能设备故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕小玲: "大规模RDF图数据的并行推理关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 周安美: "基于本体的风电设备多源异构知识管理及应用研究", 《中国博士学位论文全文数据库工程科技II辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882084A (zh) * | 2020-07-27 | 2020-11-03 | 西门子工厂自动化工程有限公司 | 用于对工厂中的现场设备进行维护的方法和装置 |
| CN112383580A (zh) * | 2020-09-07 | 2021-02-19 | 中国人民解放军海军工程大学 | 一种基于本体的船舶远程故障报警系统 |
| CN112464672A (zh) * | 2020-11-25 | 2021-03-09 | 重庆邮电大学 | 一种在物联网边缘设备中构建语义模型的优化方法 |
| CN112464672B (zh) * | 2020-11-25 | 2023-06-09 | 北京华软数创科技集团有限公司 | 一种在物联网边缘设备中构建语义模型的优化方法 |
| CN112836972A (zh) * | 2021-02-05 | 2021-05-25 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种it设备故障缺陷处理系统及故障缺陷处理方法 |
| CN113077061A (zh) * | 2021-02-20 | 2021-07-06 | 上海琥崧智能科技股份有限公司 | 一种基于生产数据挖掘的设备预测性维护系统 |
| CN114282548A (zh) * | 2022-01-04 | 2022-04-05 | 重庆邮电大学 | 一种针对物联网数据的自动语义标注系统 |
| CN114629941A (zh) * | 2022-05-16 | 2022-06-14 | 山东纽克信息技术有限公司 | 一种基于底层远程控制管理维护的运营系统 |
| CN117827947A (zh) * | 2023-12-27 | 2024-04-05 | 江南大学 | 采用可信边缘通道的工业设备语义数据分级管理存储方法 |
| CN117827947B (zh) * | 2023-12-27 | 2024-07-02 | 江南大学 | 采用可信边缘通道的工业设备语义数据分级管理存储方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178603A (zh) | 一种基于语义的工业生产设备预测性维护系统 | |
| US20230169309A1 (en) | Knowledge graph construction method for ethylene oxide derivatives production process | |
| Yu et al. | Choosing the content of textual summaries of large time-series data sets | |
| Roda et al. | An ontology-based framework to support intelligent data analysis of sensor measurements | |
| CN115293507A (zh) | 面向电网调度运行管理的态势知识图谱构建方法及系统 | |
| CN114547168B (zh) | 基于虚拟知识图谱的精细化工安全生产数据融合与重构方法 | |
| Angele | Ontobroker | |
| Sapna et al. | Linked data through the lens of machine learning: an Enterprise view | |
| Wang et al. | Temporal extensions to RDF | |
| CN116739259A (zh) | 一种基于知识图谱的防洪调度规则智能推荐方法及装置 | |
| CN115757810A (zh) | 一种知识图谱标准本体构建方法 | |
| Tommasini et al. | Streaming Linked Data | |
| Shu | A practical approach to modelling and validating integrity constraints in the Semantic Web | |
| Seipel | Knowledge engineering for hybrid deductive databases | |
| Miao et al. | Intelligent auxiliary operation and maintenance system of power communication network based on knowledge graph | |
| Douali et al. | New Semantic Web rules and new medical reasoning framework | |
| Tejaswi et al. | Semantic inference method using ontologies | |
| Xu | A Temporal RDF (S) Construction Method Based on Temporal Relational Database | |
| Geng et al. | Semantic-based early warning system for equipment maintenance | |
| CN117934209B (zh) | 一种基于知识图谱的区域电力系统碳排放大数据分析方法 | |
| Yang et al. | A Method for Data Quality Validation Based on Shapes Constraint Language | |
| Srisungnoen et al. | Dependency types validation of precedence diagram method using ontology | |
| Zhu et al. | Research on Intelligent Assistant Diagnosis System for Wind Turbine Units | |
| Yang et al. | Research on semantic-based data integration | |
| Calvaneze | Optimizing ontology-based data access |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |