CN112100451A - 基于图数据库搭建工业神经网络的方法 - Google Patents
基于图数据库搭建工业神经网络的方法 Download PDFInfo
- Publication number
- CN112100451A CN112100451A CN202010961595.2A CN202010961595A CN112100451A CN 112100451 A CN112100451 A CN 112100451A CN 202010961595 A CN202010961595 A CN 202010961595A CN 112100451 A CN112100451 A CN 112100451A
- Authority
- CN
- China
- Prior art keywords
- industrial
- neural network
- graph database
- database
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims description 31
- 238000013461 design Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000009960 carding Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 210000003813 thumb Anatomy 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 5
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000012938 design process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图数据库搭建工业神经网络的方法，该方法包括以下步骤：将目标工业制造过程划分为多个工业制造阶段；梳理并获取各个阶段包含的多个操作业务；分析并获取和每个操作业务相关联的数据、约束条件、应用；针对每个操作业务建立一个对应的子图数据库；汇聚形成总图数据库；在总图数据库中配置和算法库相关联的第一类接口；建立包含总图数据库及算法库的工业神经网络。根据本发明的基于图数据库搭建工业神经网络的方法，通过结合图数据库技术和算法库有效整合了工业制造领域中各个阶段的各种相关要素，能够完整清晰地描述工业过程及其中包含的各种复杂关系，从而有助于实现工业智能化生产。
Description
技术领域
本发明涉及图数据库技术以及算法库的相关技术，尤其涉及一种基于图数据库搭建工业神经网络的方法。
背景技术
传统的工业制造领域中诸如设计、生产和制造过程从需求出发，将需求转化至设计的各个功能，然后从功能出发进行设计。后续将设计好的数据结合制造进行生产验证，在生产验证阶段会出现各种实际问题，在解决问题的同时优化设计方案，经过不断迭代，形成最终的方案。
传统的工业制造领域中如上所述的设计到制造的过程较为漫长，易产生因数据传递不准确、不及时所导致的各种问题，例如涉及设计、制造与实物产品三者的复合性问题，不同模型间的匹配性问题，质量全生命周期的对接问题，等等。因此，传统的工业设计制造流程越来越无法满足急速发展的工业生产需求，因而相关领域中已经提出了一些相应的解决思路或解决方案，其提出诸如从数据的角度出发汇聚海量工业数据，以工业互联网的形式形成新型工业设计生产制造模式，促进工业产业发展。
然而，当前大多数的工业互联网仅仅能够实现局部数据的汇聚，而不能将设计与制造，制造与测试，设计与测试等多个阶段及其相关数据相互结合。由此，往往一个流程的操作会经历多个互联网平台，而现有工业制造领域中的知识呈现碎片化独立分布，且多依靠技术人员的经验，这为工业的智能化决策带来不便。因此，工业制造领域急需一种能够将设计、制造、试验等不同阶段的各类数据、机理及工作经验有机结合或整合的方法，以形成对于工业制造领域各个阶段的业务流程的业务数据和资源约束等复杂关系的系统性表达，以及对工业制造领域的复杂关系的实时、动态、完整的描述，使其得以用于工业设计、生产、制造过程，以帮助实现对传统设计、生产、制造过程的变革及优化，以期实现工业智能化生产的目标。
发明内容
本发明要解决的技术问题是为了克服现有技术缺乏一种能够将工业制造领域中诸如设计、生产和制造等各个阶段的各类数据、关系、机理有机整合以帮助实现工业智能化生产的缺陷，提出一种基于图数据库搭建工业神经网络的方法。
本发明是通过下述技术方案来解决上述技术问题的：
本发明提供了一种基于图数据库搭建工业神经网络的方法，其特点在于，所述方法包括以下步骤：
将目标工业制造过程划分为多个工业制造阶段；
梳理并获取各个工业制造阶段所包含的多个操作业务；
针对每个操作业务，分析并获取和每个操作业务相关联的数据、约束条件、应用，其中所述数据包括流程数据和要素数据；
针对每个操作业务，建立一个对应的子图数据库，其中根据已获取的和每个操作业务相关联的所述数据、所述约束条件和所述应用构建所述子图数据库中的多个节点，所述节点具有节点名称、节点属性和节点关系；
汇聚所有子图数据库以形成总图数据库；
选取所述总图数据库中的部分节点，将所述部分节点配置为具有和算法库相关联的第一类接口，所述第一类接口被配置为能够调用所述算法库中存储的算法；
针对所述目标工业制造过程，建立包含所述总图数据库及所述算法库的工业神经网络。
根据本发明的一种实施方式，所述方法还包括以下步骤：
选取所述总图数据库中的另一部分节点，将所述另一部分节点配置为具有和关系型数据库相关联的第二类接口，所述第二类接口被配置为能够调取所述关系型数据库中存储的信息。
根据本发明的一种实施方式，所述第一类接口被配置为能够获取所属节点的待运算数据，将所述待运算数据提供给所述算法库并由所述算法库调用其中存储的和所属节点相关联的算法进行计算，并获取自所述算法库返回的计算结果。
根据本发明的一种实施方式，所述第一类接口被配置为能够获取所属节点的待运算数据，自所述算法库中临时调用其中存储的和所属节点相关联的算法进行计算，并获得计算结果。
根据本发明的一种实施方式，所述汇聚所有子图数据库以形成总图数据库的步骤包括，根据所述节点名称、所述节点属性、所述节点关系整合或合并所有子图数据库中的所述节点。
根据本发明的一种实施方式，所述算法库中存储的所述算法包括神经网络算法，所述神经网络算法包括卷积神经网络算法和深度神经网络算法。
根据本发明的一种实施方式，基于所述目标工业制造过程中的所述操作业务所涉及的工业机理、工业模型或工业经验法则产生。
根据本发明的一种实施方式，所述多个工业制造阶段包括设计阶段、生产阶段、试验阶段、功能验证阶段中的部分或全部。
根据本发明的一种实施方式，针对每个操作业务的所述流程数据包括和所述操作业务相关的操作步骤，针对每个操作业务的所述要素数据包括所述操作步骤涉及的操作要素，所述操作要素包括工艺规范参数、工艺执行参数和/或工艺人员参数。
根据本发明的一种实施方式，所述约束条件包括所述操作步骤的执行条件，所述应用包括所述操作业务的应用对象或应用环境。
在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。
本发明的积极进步效果在于：
根据本发明的基于图数据库搭建工业神经网络的方法，通过结合图数据库技术和算法库有效整合了工业制造领域中诸如设计、生产和制造等各个阶段的各种相关要素，能够完整清晰地描述工业过程及其中包含的各种复杂关系，从而有助于实现工业智能化生产。
附图说明
图1为根据本发明的优选实施方式的基于图数据库搭建工业神经网络的方法的流程示意图。
图2为根据本发明的优选实施方式的基于图数据库搭建工业神经网络的方法中涉及的工业制造阶段和操作业务的示例图。
图3为根据本发明的优选实施方式的基于图数据库搭建工业神经网络的方法中涉及的针对单个操作业务的子图数据库的示例图。
具体实施方式
下面结合说明书附图，进一步对本发明的优选实施例进行详细描述，以下的描述为示例性的，并非对本发明的限制，任何的其他类似情形也都落入本发明的保护范围之中。
在以下的具体描述中，方向性的术语，例如“左”、“右”、“上”、“下”、“前”、“后”等，参考附图中描述的方向使用。本发明的实施例的部件可被置于多种不同的方向，方向性的术语是用于示例的目的而非限制性的。
根据下文所述的本发明的各个实施方式，采用图数据库和算法库相结合的方式有效整合了工业制造领域中的各个阶段的各种相关要素，形成了新型工业制造方法，有助于实现工业智能化生产。
其中，可以理解的是，图数据库技术因整合知识碎片方面的优势而应用于智能搜索、智能问答、个性化推荐等领域，而神经网络算法是一种模仿生物神经网络结构和功能构建数学模型或计算模型的算法，用于针对函数进行估计或近似。然而，在工业领域的广泛应用中尚未出现结合图数据库和算法库尤其是包含神经网络算法的算法库二者的解决方案。
另外，图数据库中的知识可通过RDF结构来进行表示的，其基本单元是事实。每个事实是一个三元组(S,P,O)。图数据库的架构主要包括自身的逻辑结构以及体系架构，图数据库在逻辑结构上可分为模式层与数据层两个层次，数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。图数据库能够实现知识抽取，包括实体抽取、关系抽取和属性抽取。实体抽取可包括基于规则与词典的方法、基于统计机器学习的方法以及面向开放域的抽取方法。关系抽取的目标是解决实体间语义链接的问题，早期的关系抽取主要是通过人工构造语义规则以及模板的方法识别实体关系。关系抽取：目标是解决实体间语义链接的问题，早期的关系抽取主要是通过人工构造语义规则以及模板的方法识别实体关系。
神经网络则是一种非线性统计性数据建模工具，神经网络通常是通过一个基于数学统计学类型的学习方法得以优化，所以也是数学统计学方法的一种实际应用，通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间，另一方面在人工智能学的人工感知领域，通过数学统计学的应用可以来做人工感知方面的决定问题。也就是说，通过统计学的方法，人工神经网络能够具有一定程度上类似于人的简单的决定能力和判断能力。
在以下举例说明的本发明的实施方式中所提及的算法库可理解为部分存储有神经网络算法、部分存储有其他类的算法，或者，也可将以下说明中提及的算法库理解为是神经网络算法库。
参考图1所示，根据本发明的优选实施方式的基于图数据库搭建工业神经网络的方法，包括以下步骤：
将目标工业制造过程划分为多个工业制造阶段，诸如设计阶段、生产阶段、试验阶段、功能验证阶段，等等；
梳理并获取各个工业制造阶段所包含的多个操作业务；
针对每个操作业务，分析并获取和每个操作业务相关联的数据、约束条件、应用，其中所述数据包括流程数据和要素数据；
针对每个操作业务，建立一个对应的子图数据库，其中根据已获取的和每个操作业务相关联的所述数据、所述约束条件和所述应用构建所述子图数据库中的多个节点，所述节点具有节点名称、节点属性和节点关系；
汇聚所有子图数据库以形成总图数据库；
选取所述总图数据库中的部分节点，将所述部分节点配置为具有和算法库相关联的第一类接口，所述第一类接口被配置为能够调用所述算法库中存储的算法；
针对所述目标工业制造过程，建立包含所述总图数据库及所述算法库的工业神经网络。
参考图2所示，划分多个工业制造阶段也可理解为是将工业制造过程按照大类划分，例如设计、制造、试验。不同的大类再进一步划分成各个小类，例如设计可分为结构设计、系统设计等。按照此方法，依照工作业务内容可进一步梳理并细分出多个操作业务，例如，可大致细分至每个部门甚至是每个科室的工作内容。应理解的是，图2所示示例仅以设计过程为例示出一部分前述划分过程。
在梳理得到操作业务(例如具体的各项工作内容)后，可分析并获取和每个操作业务相关联的流程数据、要素数据、约束条件、应用，等等。举例来说，流程可以以平时工作的业务流为基础，在流程的基础上梳理约束判定条件，约束判定条件可主要包括每一步流程开始需要满足的条件、完后后有哪些衡量指标、或完成的过程中有哪些需要计算的机理，等等，同时，还需要梳理相关数据、包括业务流程中的输入、输出、判断流程开始和结束数据以及相关的流程间的约束条件数据，并需要整理这些数据的来源。
针对每个操作业务，流程数据可包括和所述操作业务相关的操作步骤，针对每个操作业务的所述要素数据包括所述操作步骤涉及的操作要素，所述操作要素可包括诸如工艺规范参数、工艺执行参数和/或工艺人员参数，等等。所述约束条件可包括所述操作步骤的执行条件，所述应用可包括所述操作业务的应用对象或应用环境。
其中，应理解的是，在上述分析过程中，可基于业务人员或操作人员所知的工业机理或工作经验形成与之对应的数据、约束条件、应用，从而在构建的图数据库及进一步构建的工业神经网络中融入这部分知识。
经上述梳理分析后，针对每个操作业务，建立或者说形成一个对应的子图数据库。即，将每个操作业务涉及的所有相关的要素用图数据库的方式相关联，并定义好节点名称和属性。例如如图3所示，以某一业务为例，有n个流程，每个流程包含多个要素，不同的流程与多个要素相关，同时这些要素之间有很多关联关系，这些关系可能是重复的，或者多种同时存在，以图数据的方式画出来。
形成子图数据库之后，汇聚形成总图数据库。汇聚形成总图数据库的步骤具体可包括，根据所述节点名称、所述节点属性、所述节点关系整合或合并所有子图数据库中的所述节点。在每个小类的图数据库建好后进行拼起来，大类数据也逐步合并，由此，相同的节点被合并，最后形成涉及某一领域的设计、生产、试验等所有工作的知识的整合体，其中该整合体中以略去了重复、冗余的信息或知识。
汇聚形成总图数据库后，通过配置部分节点使其具有能够调用所述算法库中存储的算法的第一类接口，使得总图数据库和算法库建立必要的联系，由此得以准确、全面地描述工业制造领域中涉及的各种复杂关系，并利用算法实现相关的推理预测功能。可以理解的是，在此所称的算法或算法库可能是已有或者已建立的。并且，所述算法库中存储的算法可包括神经网络算法，其中神经网络算法可包括卷积神经网络算法和深度神经网络算法，而这些算法中的至少部分，可基于所述目标工业制造过程中的所述操作业务所涉及的工业机理、工业模型或工业经验法则产生。
根据本发明的一些优选实施方式，所述第一类接口被配置为能够获取所属节点的待运算数据，将所述待运算数据提供给所述算法库并由所述算法库调用其中存储的和所属节点相关联的算法进行计算，并获取自所述算法库返回的计算结果。例如，待运算数据可以是节点属性中的一部分，而某一节点关联的算法则可以预设。
根据本发明的一些可替代的优选实施方式，所述第一类接口被配置为能够获取所属节点的待运算数据，自所述算法库中临时调用其中存储的和所属节点相关联的算法进行计算，并获得计算结果。
无论基于上述那种优选实施方式，相对复杂的算法均置于图数据库以外，并通过接口方式调取以执行计算，这尤其适于整个工业神经网络(系统)的分布式配置，并可使得整个系统中各处单独所需的计算资源相对较少。
根据本发明的一些优选实施方式，该方法还包括以下步骤：
选取所述总图数据库中的另一部分节点，将所述另一部分节点配置为具有和关系型数据库相关联的第二类接口，所述第二类接口被配置为能够调取所述关系型数据库中存储的信息。
应理解的是，该另一部分节点和前述被配置为具有第一类接口的部分节点不完全相同。第二类接口可只仅提供访问路径，调取所述关系型数据库中存储的信息。即，需调取的这部分信息将只暂时性被调用而存储于图数据库中，从而减少整体上的资源占用和开销。
根据本发明的上述各优选实施方式的基于图数据库搭建工业神经网络的方法，通过结合图数据库技术和算法库有效整合了工业制造领域中诸如设计、生产和制造等各个阶段的各种相关要素，能够完整清晰地描述工业过程及其中包含的各种复杂关系，从而有助于实现工业智能化生产。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种基于图数据库搭建工业神经网络的方法，其特征在于，所述方法包括以下步骤：
将目标工业制造过程划分为多个工业制造阶段；
梳理并获取各个工业制造阶段所包含的多个操作业务；
针对每个操作业务，分析并获取和每个操作业务相关联的数据、约束条件、应用，其中所述数据包括流程数据和要素数据；
针对每个操作业务，建立一个对应的子图数据库，其中根据已获取的和每个操作业务相关联的所述数据、所述约束条件和所述应用构建所述子图数据库中的多个节点，所述节点具有节点名称、节点属性和节点关系；
汇聚所有子图数据库以形成总图数据库；
选取所述总图数据库中的部分节点，将所述部分节点配置为具有和算法库相关联的第一类接口，所述第一类接口被配置为能够调用所述算法库中存储的算法；
针对所述目标工业制造过程，建立包含所述总图数据库及所述算法库的工业神经网络。
2.如权利要求1所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述方法还包括以下步骤：
选取所述总图数据库中的另一部分节点，将所述另一部分节点配置为具有和关系型数据库相关联的第二类接口，所述第二类接口被配置为能够调取所述关系型数据库中存储的信息。
3.如权利要求1所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述第一类接口被配置为能够获取所属节点的待运算数据，将所述待运算数据提供给所述算法库并由所述算法库调用其中存储的和所属节点相关联的算法进行计算，并获取自所述算法库返回的计算结果。
4.如权利要求1所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述第一类接口被配置为能够获取所属节点的待运算数据，自所述算法库中临时调用其中存储的和所属节点相关联的算法进行计算，并获得计算结果。
5.如权利要求1所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述汇聚所有子图数据库以形成总图数据库的步骤包括，根据所述节点名称、所述节点属性、所述节点关系整合或合并所有子图数据库中的所述节点。
6.如权利要求1所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述算法库中存储的所述算法包括神经网络算法，所述神经网络算法包括卷积神经网络算法和深度神经网络算法。
7.如权利要求6所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述算法中的至少部分，基于所述目标工业制造过程中的所述操作业务所涉及的工业机理、工业模型或工业经验法则产生。
8.如权利要求1所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述多个工业制造阶段包括设计阶段、生产阶段、试验阶段、功能验证阶段中的部分或全部。
9.如权利要求1所述的基于图数据库搭建工业神经网络的方法，其特征在于，针对每个操作业务的所述流程数据包括和所述操作业务相关的操作步骤，针对每个操作业务的所述要素数据包括所述操作步骤涉及的操作要素，所述操作要素包括工艺规范参数、工艺执行参数和/或工艺人员参数。
10.如权利要求9所述的基于图数据库搭建工业神经网络的方法，其特征在于，所述约束条件包括所述操作步骤的执行条件，所述应用包括所述操作业务的应用对象或应用环境。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010961595.2A CN112100451B (zh) | 2020-09-14 | 2020-09-14 | 基于图数据库搭建工业神经网络的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010961595.2A CN112100451B (zh) | 2020-09-14 | 2020-09-14 | 基于图数据库搭建工业神经网络的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112100451A true CN112100451A (zh) | 2020-12-18 |
| CN112100451B CN112100451B (zh) | 2023-11-17 |
Family
ID=73752444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010961595.2A Active CN112100451B (zh) | 2020-09-14 | 2020-09-14 | 基于图数据库搭建工业神经网络的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112100451B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112802607A (zh) * | 2021-02-07 | 2021-05-14 | 无锡慧方科技有限公司 | 一种医疗数据治理系统 |
| CN114218234A (zh) * | 2022-02-22 | 2022-03-22 | 深圳市一号互联科技有限公司 | 一种原生图数据存储方法和系统 |
| CN115426319A (zh) * | 2022-08-30 | 2022-12-02 | 上海飞机制造有限公司 | 一种网络资源调度系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130254144A1 (en) * | 2012-03-23 | 2013-09-26 | Sap Ag | Learnable contextual network |
| CN110222199A (zh) * | 2019-06-20 | 2019-09-10 | 青岛大学 | 一种基于本体和多种神经网络集成的人物关系图谱构建方法 |
| CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
| DE102018111867A1 (de) * | 2018-05-02 | 2019-11-07 | Gerhard Biermann | Objektdatenbank zur Geschäftsmodellierung mit verbesserter Datensicherheit |
-
2020
- 2020-09-14 CN CN202010961595.2A patent/CN112100451B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130254144A1 (en) * | 2012-03-23 | 2013-09-26 | Sap Ag | Learnable contextual network |
| DE102018111867A1 (de) * | 2018-05-02 | 2019-11-07 | Gerhard Biermann | Objektdatenbank zur Geschäftsmodellierung mit verbesserter Datensicherheit |
| CN110390465A (zh) * | 2019-06-18 | 2019-10-29 | 深圳壹账通智能科技有限公司 | 业务数据的风控分析处理方法、装置和计算机设备 |
| CN110222199A (zh) * | 2019-06-20 | 2019-09-10 | 青岛大学 | 一种基于本体和多种神经网络集成的人物关系图谱构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李春生;王荆龙;程兆全;: "基于关系数据库语义解析的信息推理研究", 科学技术与工程, no. 33 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112802607A (zh) * | 2021-02-07 | 2021-05-14 | 无锡慧方科技有限公司 | 一种医疗数据治理系统 |
| CN114218234A (zh) * | 2022-02-22 | 2022-03-22 | 深圳市一号互联科技有限公司 | 一种原生图数据存储方法和系统 |
| CN114218234B (zh) * | 2022-02-22 | 2022-04-29 | 深圳市一号互联科技有限公司 | 一种原生图数据存储方法 |
| CN115426319A (zh) * | 2022-08-30 | 2022-12-02 | 上海飞机制造有限公司 | 一种网络资源调度系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112100451B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112100451A (zh) | 基于图数据库搭建工业神经网络的方法 | |
| CN101093559B (zh) | 一种基于知识发现的专家系统构造方法 | |
| Moshkovich et al. | Verbal Decision Analysis: Foundations and Trends. | |
| CN109144481A (zh) | 面向领域的软件密集型系统的构件化软件配置方法 | |
| Chen et al. | Knowledge-based support for simulation analysis of manufacturing cells | |
| CN110737805A (zh) | 图模型数据的处理方法、装置和终端设备 | |
| CN107798137B (zh) | 一种基于可加模型的多源异构数据融合架构系统 | |
| CN115422402A (zh) | 一种工程化预测分析的方法 | |
| binti Oseman et al. | Data mining in churn analysis model for telecommunication industry | |
| CN112905845B (zh) | 离散智能制造应用的多源非结构化数据清洗方法 | |
| González-Aranda et al. | Towards a methodology for data mining project development: The importance of abstraction | |
| Nguyen et al. | Stage-based business process mining | |
| Bohács et al. | Production logistics simulation supported by process description languages | |
| CN113835739A (zh) | 一种软件缺陷修复时间的智能化预测方法 | |
| CN109657958B (zh) | 数字化信息系统的建模方法及数字化信息系统 | |
| Dyvak et al. | Software Architecture for Modeling the Interval Static and Dynamic Objects | |
| Rutherford et al. | Knowledge-based design support | |
| Delen et al. | Integrated modeling and analysis generator environment (IMAGE): a decision support tool | |
| CN116126852B (zh) | 一种基于bim的装配式建筑智慧管理数据存储方法 | |
| CN111562904B (zh) | 一种基于SysML系统模型的可靠性框图RBD辅助建模方法 | |
| US20230376796A1 (en) | Method and system for knowledge-based process support | |
| Heavey et al. | A model management systems approach to manufacturing systems design | |
| Gupta et al. | ANALYSIS OF OBJECT ORIENTED SYSTEM QUALITY MODEL USING SOFT COMPUTING TECHNIQUES | |
| KR20240053911A (ko) | 소스코드 자동 생성 시스템 기반의 인공지능 협업 시스템 및 서비스 방법 | |
| Othmane et al. | Group formation with incomplete profiles |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231129 Address after: Room 712, South, No. 69 Zhangjiang Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, 2012 Patentee after: Shangfei Intelligent Technology Co.,Ltd. Address before: 201324 Pudong New Area, Shanghai 919 Shangfei Road, Pudong New Area, Shanghai Patentee before: SHANGHAI AIRCRAFT MANUFACTURING Co.,Ltd. |