CN112395424A - 一种复杂产品质量问题追溯方法及系统 - Google Patents
一种复杂产品质量问题追溯方法及系统 Download PDFInfo
- Publication number
- CN112395424A CN112395424A CN202011077551.XA CN202011077551A CN112395424A CN 112395424 A CN112395424 A CN 112395424A CN 202011077551 A CN202011077551 A CN 202011077551A CN 112395424 A CN112395424 A CN 112395424A
- Authority
- CN
- China
- Prior art keywords
- quality
- data
- nodes
- quality problem
- tracing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000005516 engineering process Methods 0.000 claims abstract description 31
- 238000003058 natural language processing Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims description 41
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000001364 causal effect Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 abstract description 24
- 238000009412 basement excavation Methods 0.000 abstract description 5
- 239000000047 product Substances 0.000 description 94
- 238000007726 management method Methods 0.000 description 15
- 238000011161 development Methods 0.000 description 12
- 230000018109 developmental process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种复杂产品质量问题追溯方法及系统,该追溯方法包括:接收复杂产品质量问题的相关问题数据;对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;根据所述质量问题知识图谱追溯所述质量问题的源头数据,本发明提供的追溯方法是基于自然语言处理技术,对复杂产品质量案例进行多维关联分析技术挖掘,提高复杂产品质量问题追溯的效率;且通过不断完善的质量问题知识图谱,逐步将质量问题分析的专家知识固化,提供分析路径预测、典型问题预警等服务,为复杂产品质量保障提供大数据技术支撑。
Description
技术领域
本发明涉及数据处理技术领域,更具体的,涉及一种复杂产品质量问题追溯方法及系统。
背景技术
复杂产品(Complex Product,CoP)是一类研发成本大、技术要求高、单件或小批量定制化生产的大型产品、系统或基础设施,它包括大型通讯系统、航空航天系统、大型船只、电力网络控制系统、高速列车、大型武器装备等,与现代工业休戚相关,直接影响到一个国家的综合国力和核心竞争力。基于数据分析挖掘加强质量管理是大数据产业在复杂产品制造领域高质量发展的新方向,典型的如美军第四代战机F/A-22“猛禽”、X-47B无人机等众多先进的武器装备成功研制的背后,数据分析在虚拟采办费用进度分析、产线质量改进、质量问题根因追溯、装备故障预测等方面发挥了越来越重要的作用。
复杂产品质量问题追溯是一种经过问题排查定位、原因机理分析、现象复现、解决措施验证、举一反三总结等多个环节的系统工程,传统的质量问题根因追溯过程的数据分析应用一般集中在单个设备在某个阶段的单次数据的异常点分析,例如电气系统综合联调试验数据、发动机生产数据、半实物仿真数据的专用分析工具,对系统问题的整体分析结论多采用人工的方式汇集不同专业不同设备的分析结论采用专家经验的方式找出可疑原因和解决措施,再通过复现试验确定最终原因评估改进措施,最终形成系统质量问题分析记录。这些质量问题记录是产品研制过程中的工程数据和管理数据的高度抽象,存在着大量对质量问题进行分析的专家经验知识,是将质量问题与研制全过程数据有效组织起来的重要线索。
然而,由于这些内容一般多以自然语言的方式存储在Excel、Word等非结构化的文件中,传统的数据库技术无法从中挖掘并获取到有价值的知识;且复杂产品质量问题数据具有维度高、分布异构、样本大小不一等特点,在质量追溯过程中面临相关数据组织困难、相似案例寻找困难、相关维度无法分析等困难。
发明内容
为了解决上述问题中的至少一个,本发明第一方面提供一种复杂产品质量问题追溯方法,包括:
接收复杂产品质量问题的相关问题数据;
对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
根据所述质量问题知识图谱追溯所述质量问题的源头数据。
在某些实施方式中,所述对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,包括:
利用自然语言处理的方式对所述相关问题数据进行文本关键词抽取、文本相似度分析,以实现相关问题数据的结构化转换;其中,所述利用自然语言处理的方式包括利用分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理和实体关系识别中的至少一个;
利用质量问题关联关系对经过结构化转换的相关问题数据组织分类,得到各问题实体以及问题实体之间的关联关系;其中,所述关联关系包括内部维度的语义关联分析,以及质量问题与外部维度的关联关系。
在某些实施方式中,所述根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱,包括:
将所述每个问题实体作为所述质量问题知识图谱的节点,所述关联关系辅助形成所述质量问题知识图谱的部分连接边;其中,所述节点包括产品节点、故障现象节点、故障原因节点、故障措施节点、人员信息节点、试验数据节点、设计文档节点和工艺文档节点;所述连接边包括产品父子层级关系、产品与其他节点的关联关系、故障现象-故障原因-故障措施的因果关系、产品簇之间的故障相似性和产品不同阶段的故障相似性。
在某些实施方式中,所述根据所述质量问题知识图谱追溯所述质量问题的源头数据,包括:
根据图计算工具技术挖掘所述质量问题知识图谱中节点与连接边的潜在关联,结合专家对相关联维度数据的探索结果,进而形成针对质量问题数据的探索路径;和/或
根据自动统计的针对预设类别问题的专家探索路径记录,挖掘形成最优探索路径推荐模型,以追溯所述质量问题的源头数据。
本发明第二方面提供一种复杂产品质量问题追溯系统,包括:
相关问题数据接收模块,用于接收复杂产品质量问题的相关问题数据;
关联关系建立模块,用于对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
质量问题知识图谱生成模块,用于根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
源头数据追溯模块,用于根据所述质量问题知识图谱追溯所述质量问题的源头数据。
在某些实施方式中,所述关联关系建立模块,包括:
结构化转换单元,用于利用自然语言处理的方式对所述相关问题数据进行文本关键词抽取、文本相似度分析,以实现相关问题数据的结构化转换;其中,所述利用自然语言处理的方式包括利用分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理和实体关系识别中的至少一个;
关联关系生成单元,利用质量问题关联关系对经过结构化转换的相关问题数据组织分类,得到各问题实体以及问题实体之间的关联关系;其中,所述关联关系包括内部维度的语义关联关系,以及质量问题与外部维度的关联关系。
在某些实施方式中,所述质量问题知识图谱生成模块,包括:
节点和连接边形成单元,用于将所述每个问题实体作为所述质量问题知识图谱的节点,所述关联关系辅助形成所述质量问题知识图谱的部分连接边;其中,所述节点包括产品节点、故障现象节点、故障原因节点、故障措施节点、人员信息节点、试验数据节点、设计文档节点和工艺文档节点;所述连接边包括产品父子层级关系、产品与其他节点的关联关系、故障现象-故障原因-故障措施的因果关系、产品簇之间的故障相似性和产品不同阶段的故障相似性。
在某些实施方式中,所述源头数据追溯模块,包括:
探索路径形成单元,用于根据图计算工具技术挖掘所述质量问题知识图谱中节点与连接边的潜在关联,结合专家对相关联维度数据的探索结果,进而形成针对质量问题数据的探索路径;和/或
推荐模型形成单元,用于根据自动统计的针对预设类别问题的专家探索路径记录,挖掘形成最优探索路径推荐模型,以追溯所述质量问题的源头数据。
本发明第三方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述复杂产品质量问题追溯方法的步骤。
本发明第四方面提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述的复杂产品质量问题追溯方法的步骤。
本发明的有益效果
本发明提供的追溯方法是基于自然语言处理技术,对复杂产品质量案例进行多维关联分析技术挖掘,通过对多源异构质量问题相关数据的规范化汇集、整理和关联性分析,可以基于多源数据分析快速对质量问题进行自我识别、原因预测、进而锁定质量问题产生的根源、可能的措施等,提高复杂产品质量问题追溯的效率,追溯过程高效且追溯结果准确;同时,该追溯方法过程简单且具有科学依据,通过不断完善的质量问题知识图谱,逐步将质量问题分析的专家知识固化,提供分析路径预测、典型问题预警等服务,具有很强的科学性、可靠性和可操作性,为复杂产品质量保障提供大数据技术支撑。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施方式中一种复杂产品质量问题追溯方法流程示意图;
图2为本发明实施方式中一种复杂产品质量问题关联分析技术路线图;
图3为本发明实施方式中一种复杂产品质量问题追溯系统结构示意图;
图4为本发明实施方式中一种计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
复杂产品质量问题追溯是一种经过问题排查定位、原因机理分析、现象复现、解决措施验证、举一反三总结等多个环节的系统工程,传统的质量问题根因追溯过程的数据分析应用一般集中在单个设备在某个阶段的单次数据的异常点分析,例如电气系统综合联调试验数据、发动机生产数据、半实物仿真数据的专用分析工具,对系统问题的整体分析结论多采用人工的方式汇集不同专业不同设备的分析结论采用专家经验的方式找出可疑原因和解决措施,再通过复现试验确定最终原因评估改进措施,最终形成系统质量问题分析记录。这些质量问题记录是产品研制过程中的工程数据和管理数据的高度抽象,存在着大量对质量问题进行分析的专家经验知识,是将质量问题与研制全过程数据有效组织起来的重要线索。
然而,由于这些内容一般多以自然语言的方式存储在Excel、Word等非结构化的文件中,传统的数据库技术无法从中挖掘并获取到有价值的知识;且复杂产品质量问题数据具有维度高、分布异构、样本大小不一等特点,在质量追溯过程中面临相关数据组织困难、相似案例寻找困难、相关维度无法分析等困难。
基于此,请参阅图1,本发明第一方面实施方式中提供一种复杂产品质量问题追溯方法,该追溯方法包括:
S11:接收复杂产品质量问题的相关问题数据;
S12:对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
S13:根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
S14:根据所述质量问题知识图谱追溯所述质量问题的源头数据。
本发明提供的追溯方法是基于自然语言处理技术,对复杂产品质量案例进行多维关联分析技术挖掘,提高复杂产品质量问题追溯的效率,追溯过程高效且追溯结果准确;同时,该追溯方法过程简单且具有科学依据,通过不断完善的质量问题知识图谱,逐步将质量问题分析的专家知识固化,提供分析路径预测、典型问题预警等服务,具有很强的科学性、可靠性和可操作性,为复杂产品质量保障提供大数据技术支撑。
本发明实施方式中的追溯方法是基于自然语言处理技术对质量问题的源头数据进行追溯的。自然语言处理(Natural Language Processing)是人工智能(AI)的一个子领域。自然语言处理是研究在人与人交互中以及在人与计算机交互中的语言问题的一门学科。本发明实施方式为了建设和完善语言模型,利用自然语言处理技术建立数据框架,提出相应的方法来不断的完善设计各种实用系统,并探讨这些实用系统的追溯方法。
需要说明的是,复杂产品质量问题的相关问题数据可以分为三大类,包括:质量问题历史案例,多以word、excel等非结构化的方式存储;研制过程中的相关工程数据,多以word、图片、dat等非结构化/半结构化的方式存储;研制过程中的相关管理数据,多以结构化方式存储。
为了能够进一步提高追溯结果的准确性和可靠性,在一些优选的实施方式中,对所述相关问题数据进行数据清洗和/或属性规约处理。
可以理解的是,数据清洗方式至少可以包含有:异常值识别、缺失值插补及数据去重等处理手段。具体来说:对相关问题数据进行异常值识别,并将识别出的异常值自相关问题数据中删除,以及,对相关问题数据进行缺失识别,并将缺失值插补到该相关问题数据中的对应位置,另外,对该相关问题数据进行重复数据识别,并将识别出的重复数据自该相关问题数据中删除。
经过清洗和/或属性规约处理,采集与质量问题相关的、分布在不同环节、不同系统中的数据项,并基于产品主数据进行有效的集成,形成一套按“产品族谱—产品结构—研制阶段—专业—批次”的结构来管理描述的质量问题数据包管理体系。
为了能够进一步提高追溯结果的准确性和可靠性,在一些优选的实施方式中,所述对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,包括:利用自然语言处理的方式对所述相关问题数据进行文本关键词抽取、文本相似度分析,以实现相关问题数据的结构化转换;其中,所述利用自然语言处理的方式包括利用分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理和实体关系识别中的至少一个;利用质量问题关联关系对经过结构化转换的相关问题数据组织分类,得到各问题实体以及问题实体之间的关联关系;其中,所述关联关系包括内部维度的语义关联分析,以及质量问题与外部维度的关联关系。
可以理解,质量问题文本预处理完成质量问题记录的结构化转换,基于自然语言处理对质量问题最重要的“故障描述及定位、原因分析、纠正措施、相似案例”等各种文本信息进行分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理及实体关系识别之后,实现整个质量文档信息的标注过程。
质量问题信息语义匹配模型和多维质量问题相关性分析模型完成质量问题“现象-原因-措施”等内部维度的语义关联关系分析,以及质量问题与设计、试验以及人力等其它外部维度的关联关系分析。
为了能够进一步提高追溯结果的准确性和可靠性,在一些优选的实施方式中,所述根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱,包括:将所述每个问题实体作为所述质量问题知识图谱的节点,所述关联关系辅助形成所述质量问题知识图谱的部分连接边;其中,所述节点包括产品节点、故障现象节点、故障原因节点、故障措施节点、人员信息节点、试验数据节点、设计文档节点和工艺文档节点;所述连接边包括产品父子层级关系、产品与其他节点的关联关系、故障现象-故障原因-故障措施的因果关系、产品簇之间的故障相似性和产品不同阶段的故障相似性。
可以理解,质量问题信息语义匹配模型和多维质量问题相关性分析模型完成质量问题“现象-原因-措施”等内部维度的语义关联分析,以及质量问题与设计、试验以及人力等其它外部维度的关联关系分析,辅助形成质量问题知识图谱的部分连接边。
为了能够进一步提高追溯结果的准确性和可靠性,在一些优选的实施方式中,所述根据所述质量问题知识图谱追溯所述质量问题的源头数据,包括:根据图计算工具技术挖掘所述质量问题知识图谱中节点与连接边的潜在关联,结合专家对相关联维度数据的探索结果,进而形成针对质量问题数据的探索路径;和/或
根据自动统计的针对预设类别问题的专家探索路径记录,挖掘形成最优探索路径推荐模型,以追溯所述质量问题的源头数据。可以理解,交互式质量追溯和可视化分析模块将专家经验和上述基于数据的关联关系以“节点-边”描述的质量问题知识图谱进行融合,并提供基于图计算的可视化分析工具,基于图计算的质量问题多维因素关联分析与交互式搜索方法构建质量问题数据分析成果检索模型,进而辅助发现质量问题与相关研制过程因素间的隐藏关联关系,从而完成基于质量问题知识图谱的追溯路径可视化和推荐。
如图2所示,在一些具体的实施方式中,该追溯方法包括:
步骤1:构建复杂产品质量问题关联分析系统。
复杂产品质量问题关联分析系统由以下4部分功能模块组成:质量问题数据包管理、质量文本预处理、质量问题信息语义匹配模型和多维质量问题相关性分析模型、交互式质量追溯和可视化分析。(1)质量问题数据包管理模块完成多源异构数据源统一采集和基于产品主数据的数据清理和数据包组织;(2)质量文本预处理完成质量问题记录的关键词自动抽取、文本相似度分析等,实现质量数据的结构化转换;(3)质量问题信息语义匹配模型和多维质量问题相关性分析模型完成质量问题“现象-原因-措施”等内部维度的语义关联分析,以及质量问题与设计/试验/人力等其它外部维度的关联关系分析,辅助形成质量问题知识图谱的部分连接边。(4)交互式质量追溯和可视化分析模块完成基于质量问题知识图谱的追溯路径可视化和推荐。
步骤2:基于的产品主数据的质量问题数据包管理。
与质量问题相关的数据源包括:(1)质量问题历史案例,多以word、excel等非结构化的方式存储,描述所有产品历史发生的质量问题记录,主要包括存储在PDM中的质量报告、存储在质量管理信息系统中的问题记录,一般描述所属系统、产品名称、所属分系统、故障日期、故障地点、故障描述及定位、问题类型、原因分析、原因分类、纠正措施、相似案例、研制阶段、产品编号、外协厂家等信息。(2)研制过程中的相关工程数据,多以word、图片、dat等非结构化/半结构化的方式存储,主要包括PDM系统中存储的设计文档和技术状态、CAPP系统中存储的工艺文档、MES中存储的生产数据、TDM系统中存储的试验数据、可靠性设计分析系统中存储的故障模式知识等。(3)研制过程中的相关管理数据,多以结构化的方式存储,主要包括MPM系统中存储的项目进度、ERP系统中存储的外协外购和财务信息等、HR系统中存储的人员任职信息等。
上述多源异构数据需要经过清洗和筛选,采集与质量问题相关的、分布在不同环节、不同系统中的数据项,并基于产品主数据进行有效的集成,形成一套按“产品族谱—产品结构—研制阶段—专业—批次”的结构来管理描述的质量问题数据包管理体系,支撑质量历史记录案例、工程数据、管理数据的融合。
步骤3:基于自然语言处理的质量文本预处理。
上述质量问题历史案例包含了大量专家经验知识,是开展质量问题多维分析的基础,但其中最关键的故障描述及定位、原因分析、纠正措施、相似案例等数据是以文本形式记录,无法直接用于关联关系分析建模。基于自然语言处理对上述记录中的各种文本信息进行分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理及实体关系识别之后,实现整个质量文档信息的标注过程。其中分词是预处理的关键,由于复杂产品一般缺乏系统级别的语料库,特别是针对质量问题现象、原因、措施等方面的规范用语尚不完善,因此需要使用Words2Vector、ELMO、BERT等新的表示学习方法来实现词语的深度语义嵌入表达方法,提高自然语言处理的过程的准确性与精度,形成四类词库(1)现象词库:例如短路、断路、烧穿、偏航、颤振;(2)原因词库:例如防护层材料、松动、多余物、保护措施、信号输出异常、设计更改、漏气、腐蚀、干涉、线缆;(3)措施词库:例如改进焊接工艺、加强车间管理、设计超差控制;(4)产品专用术语词库:例如产品名称/编码。同时,还可以使用文档自动摘要技术为质量记录生成摘要,使用基于文本相似度评价技术对质量记录进行预分类,辅助相似案例的关联分析。
步骤4:质量问题信息语义匹配模型和多维关联分析模型。
复杂产品质量问题的分析,既需要从历史案例中提取的知识辅助,还需要借助大量研制全生命周期过程中的工程数据和管理数据进行机理分析。质量问题知识图谱是将机理分析所需的工程/管理数据按照质量问题关联关系重新组织的关键,关联关系主要包括:(1)内部维度的语义关联分析:基于质量案例结构化后的“现象-原因-措施”关键词,可以构建同簇产品间的问题传导性分析模型、产品不同阶段的问题传导性模型、案例相似性分析模型;(2)外部维度的关联分析:典型的如质量问题与人员之间的关系、质量问题与人员技术信息之间的关系、质量问题与PDM技术状态更改单之间的关系、质量问题与例外放行申请审批记录表之间的关系、质量问题与让步接收申请审批记录表之间的关系等。
步骤5:基于质量知识图谱的交互式质量问题追溯和可视化分析。
复杂产品质量问题追溯是一种经过问题排查定位、原因机理分析、现象复现、解决措施验证、举一反三总结等多个环节的系统工程,需要一类能够将专家经验和数据模型融合并提供可视化分析的图形工具。质量知识图谱可以很好的表示上述从质量数据包各数据项分析出的复杂关联关系,并提供图计算工具算法挖掘节点与边的潜在关联,结合专家对相关联维度数据的进一步探索,最终能快速形成针对当前问题的数据探索路径。同时,可以自动统计针对某类问题的专家探索路径记录,挖掘形成最优探索路径推荐模型。质量知识图谱可定义为包含下列节点和边的图模型:(1)节点:产品节点、故障现象节点、故障原因节点、故障措施节点、人员信息节点、试验数据节点、设计文档节点、工艺文档节点等;(2)边:产品父子层级关系、产品与其他节点的关联关系、故障现象/故障原因/故障措施的因果关系、产品簇之间的故障相似性、产品不同阶段的故障相似性等。
从上述实施方式可以知晓,本发明提供的追溯方法是基于自然语言处理技术,对复杂产品质量案例进行多维关联分析技术挖掘,提高复杂产品质量问题追溯的效率,追溯过程高效且追溯结果准确;同时,该追溯方法过程简单且具有科学依据,通过不断完善的质量问题知识图谱,逐步将质量问题分析的专家知识固化,提供分析路径预测、典型问题预警等服务,具有很强的科学性、可靠性和可操作性,为复杂产品质量保障提供大数据技术支撑。
如图3所示,本发明第二方面提供一种复杂产品质量问题追溯系统,该追溯系统包括:
相关问题数据接收模块31,用于接收复杂产品质量问题的相关问题数据;
关联关系建立模块32,用于对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
质量问题知识图谱生成模块33,用于根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
源头数据追溯模块34,用于根据所述质量问题知识图谱追溯所述质量问题的源头数据。
为了能够进一步提高追溯结果的准确性和可靠性,在一些优选的实施方式中,该关联关系建立模块,包括:
结构化转换单元,用于利用自然语言处理的方式对所述相关问题数据进行文本关键词抽取、文本相似度分析,以实现相关问题数据的结构化转换;其中,所述利用自然语言处理的方式包括利用分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理和实体关系识别中的至少一个;
关联关系生成单元,利用质量问题关联关系对经过结构化转换的相关问题数据组织分类,得到各问题实体以及问题实体之间的关联关系;其中,所述关联关系包括内部维度的语义关联关系,以及质量问题与外部维度的关联关系。
为了能够进一步提高追溯结果的准确性和可靠性,在一些优选的实施方式中,该质量问题知识图谱生成模块包括:
节点和连接边形成单元,用于将所述每个问题实体作为所述质量问题知识图谱的节点,所述关联关系辅助形成所述质量问题知识图谱的部分连接边;其中,所述节点包括产品节点、故障现象节点、故障原因节点、故障措施节点、人员信息节点、试验数据节点、设计文档节点和工艺文档节点;所述连接边包括产品父子层级关系、产品与其他节点的关联关系、故障现象-故障原因-故障措施的因果关系、产品簇之间的故障相似性和产品不同阶段的故障相似性。
为了能够进一步提高追溯结果的准确性和可靠性,在一些优选的实施方式中,该源头数据追溯模块包括:
探索路径形成单元,用于根据图计算工具技术挖掘所述质量问题知识图谱中节点与连接边的潜在关联,结合专家对相关联维度数据的探索结果,进而形成针对质量问题数据的探索路径;和/或
推荐模型形成单元,用于根据自动统计的针对预设类别问题的专家探索路径记录,挖掘形成最优探索路径推荐模型,以追溯所述质量问题的源头数据。
从上述实施方式可以知晓,本发明提供的追溯系统是基于自然语言处理技术,对复杂产品质量案例进行多维关联分析技术挖掘,提高复杂产品质量问题追溯的效率,追溯过程高效且追溯结果准确;同时,追溯过程简单且具有科学依据,通过不断完善的质量问题知识图谱,逐步将质量问题分析的专家知识固化,提供分析路径预测、典型问题预警等服务,具有很强的科学性、可靠性和可操作性,为复杂产品质量保障提供大数据技术支撑。
本发明的实施方式还提供能够实现上述实施方式中的复杂产品质量问题追溯方法中全部步骤的一种电子设备的具体实施方式,参见图4,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于实现复杂产品质量问题追溯装置、客户终端、缺陷监测设备以及其他参与机构之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施方式中的复杂产品质量问题追溯方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S11:接收复杂产品质量问题的相关问题数据;
S12:对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
S13:根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
S14:根据所述质量问题知识图谱追溯所述质量问题的源头数据。
从上述实施方式可以知晓,本发明提供的电子设备对复杂产品质量案例进行多维关联分析技术挖掘,提高复杂产品质量问题追溯的效率,追溯过程高效且追溯结果准确;同时,追溯过程简单且具有科学依据,通过不断完善的质量问题知识图谱,逐步将质量问题分析的专家知识固化,提供分析路径预测、典型问题预警等服务,具有很强的科学性、可靠性和可操作性,为复杂产品质量保障提供大数据技术支撑。
本发明的实施方式还提供能够实现上述实施方式中的复杂产品质量问题追溯方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施方式中的复杂产品质量问题追溯方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S11:接收复杂产品质量问题的相关问题数据;
S12:对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
S13:根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
S14:根据所述质量问题知识图谱追溯所述质量问题的源头数据。
从上述实施方式可以知晓,本发明提供的计算机可读存储介质,对复杂产品质量案例进行多维关联分析技术挖掘,提高复杂产品质量问题追溯的效率,追溯过程高效且追溯结果准确;同时,追溯过程简单且具有科学依据,通过不断完善的质量问题知识图谱,逐步将质量问题分析的专家知识固化,提供分析路径预测、典型问题预警等服务,具有很强的科学性、可靠性和可操作性,为复杂产品质量保障提供大数据技术支撑。
本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,对于系统以及硬件+程序类实施方式而言,由于其基本相似于方法实施方式,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。虽然本说明书实施方式提供了如实施方式或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施方式中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施方式或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施方式时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施方式仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。本发明是参照根据本发明实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。本领域技术人员应明白,本说明书的实施方式可提供为方法、系统或计算机程序产品。因此,本说明书实施方式可采用完全硬件实施方式、完全软件实施方式或结合软件和硬件方面的实施方式的形式。而且,本说明书实施方式可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,对于系统实施方式而言,由于其基本相似于方法实施方式,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施方式或示例。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已,并不用于限制本说明书实施方式。对于本领域技术人员来说,本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施方式的权利要求范围之内。
Claims (10)
1.一种复杂产品质量问题追溯方法,其特征在于,包括:
接收复杂产品质量问题的相关问题数据;
对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
根据所述质量问题知识图谱追溯所述质量问题的源头数据。
2.根据权利要求1所述的追溯方法,其特征在于,所述对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,包括:
利用自然语言处理的方式对所述相关问题数据进行文本关键词抽取、文本相似度分析,以实现相关问题数据的结构化转换;其中,所述利用自然语言处理的方式包括利用分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理和实体关系识别中的至少一个;
利用质量问题关联关系对经过结构化转换的相关问题数据组织分类,得到各问题实体以及问题实体之间的关联关系;其中,所述关联关系包括内部维度的语义关联分析,以及质量问题与外部维度的关联关系。
3.根据权利要求1所述的追溯方法,其特征在于,所述根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱,包括:
将所述每个问题实体作为所述质量问题知识图谱的节点,所述关联关系辅助形成所述质量问题知识图谱的部分连接边;其中,所述节点包括产品节点、故障现象节点、故障原因节点、故障措施节点、人员信息节点、试验数据节点、设计文档节点和工艺文档节点;所述连接边包括产品父子层级关系、产品与其他节点的关联关系、故障现象-故障原因-故障措施的因果关系、产品簇之间的故障相似性和产品不同阶段的故障相似性。
4.根据权利要求1所述的追溯方法,其特征在于,所述根据所述质量问题知识图谱追溯所述质量问题的源头数据,包括:
根据图计算工具技术挖掘所述质量问题知识图谱中节点与连接边的潜在关联,结合专家对相关联维度数据的探索结果,进而形成针对质量问题数据的探索路径;和/或
根据自动统计的针对预设类别问题的专家探索路径记录,挖掘形成最优探索路径推荐模型,以追溯所述质量问题的源头数据。
5.一种复杂产品质量问题追溯系统,其特征在于,包括:
相关问题数据接收模块,用于接收复杂产品质量问题的相关问题数据;
关联关系建立模块,用于对所述相关问题数据进行文本识别处理,得到各问题实体以及问题实体之间的关联关系,所述问题实体为特征化处理后的问题数据;
质量问题知识图谱生成模块,用于根据所述问题关联关系对每个问题实体进行关联处理,生成质量问题知识图谱;
源头数据追溯模块,用于根据所述质量问题知识图谱追溯所述质量问题的源头数据。
6.根据权利要求5所述的追溯系统,其特征在于,所述关联关系建立模块,包括:
结构化转换单元,用于利用自然语言处理的方式对所述相关问题数据进行文本关键词抽取、文本相似度分析,以实现相关问题数据的结构化转换;其中,所述利用自然语言处理的方式包括利用分词、词表查询、句法分析、词性标注、语料库处理、抽取规则定义、命名实体识别、共指消解处理和实体关系识别中的至少一个;
关联关系生成单元,利用质量问题关联关系对经过结构化转换的相关问题数据组织分类,得到各问题实体以及问题实体之间的关联关系;其中,所述关联关系包括内部维度的语义关联关系,以及质量问题与外部维度的关联关系。
7.根据权利要求5所述的追溯系统,其特征在于,所述质量问题知识图谱生成模块,包括:
节点和连接边形成单元,用于将所述每个问题实体作为所述质量问题知识图谱的节点,所述关联关系辅助形成所述质量问题知识图谱的部分连接边;其中,所述节点包括产品节点、故障现象节点、故障原因节点、故障措施节点、人员信息节点、试验数据节点、设计文档节点和工艺文档节点;所述连接边包括产品父子层级关系、产品与其他节点的关联关系、故障现象-故障原因-故障措施的因果关系、产品簇之间的故障相似性和产品不同阶段的故障相似性。
8.根据权利要求5所述的追溯系统,其特征在于,所述源头数据追溯模块,包括:
探索路径形成单元,用于根据图计算工具技术挖掘所述质量问题知识图谱中节点与连接边的潜在关联,结合专家对相关联维度数据的探索结果,进而形成针对质量问题数据的探索路径;和/或
推荐模型形成单元,用于根据自动统计的针对预设类别问题的专家探索路径记录,挖掘形成最优探索路径推荐模型,以追溯所述质量问题的源头数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述复杂产品质量问题追溯方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至4任一项所述的复杂产品质量问题追溯方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011077551.XA CN112395424A (zh) | 2020-10-10 | 2020-10-10 | 一种复杂产品质量问题追溯方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011077551.XA CN112395424A (zh) | 2020-10-10 | 2020-10-10 | 一种复杂产品质量问题追溯方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112395424A true CN112395424A (zh) | 2021-02-23 |
Family
ID=74596349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011077551.XA Pending CN112395424A (zh) | 2020-10-10 | 2020-10-10 | 一种复杂产品质量问题追溯方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395424A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011900A (zh) * | 2021-03-01 | 2021-06-22 | 上海航天精密机械研究所 | 面向航天产品的质量闭环追溯管控系统和方法 |
CN113360647A (zh) * | 2021-06-03 | 2021-09-07 | 云南大学 | 一种基于聚类的5g移动业务投诉溯源分析方法 |
CN113361938A (zh) * | 2021-06-11 | 2021-09-07 | 湖北中烟工业有限责任公司 | 一种卷烟批次追溯数据网络图谱组织方法及装置 |
CN113392228A (zh) * | 2021-08-03 | 2021-09-14 | 广域铭岛数字科技有限公司 | 基于汽车生产的异常预测及追溯方法、系统、设备及介质 |
CN113828638A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学 | 一种轧钢工艺流程复合故障追溯方法 |
CN114324368A (zh) * | 2022-03-10 | 2022-04-12 | 广东祥利科技有限公司 | 基于机械视觉检测的改性塑料生产检测方法及系统 |
CN114780747A (zh) * | 2022-04-22 | 2022-07-22 | 上海电气集团股份有限公司 | 焊接缺陷知识图谱构建方法、焊接缺陷查询方法及系统 |
CN116562714A (zh) * | 2023-07-07 | 2023-08-08 | 南通汤姆瑞斯工业智能科技有限公司 | 一种应用于机械加工的工件信息追溯系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189389A1 (en) * | 2017-01-05 | 2018-07-05 | International Business Machines Corporation | Representation of a data analysis using a flow graph |
CN108304382A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 基于制造过程文本数据挖掘的质量分析方法与系统 |
US20190121801A1 (en) * | 2017-10-24 | 2019-04-25 | Ge Inspection Technologies, Lp | Generating Recommendations Based on Semantic Knowledge Capture |
CN109684456A (zh) * | 2018-12-27 | 2019-04-26 | 中国电子科技集团公司信息科学研究院 | 基于物联网能力知识图谱的场景能力智能问答系统 |
CN111090683A (zh) * | 2019-11-29 | 2020-05-01 | 上海勘察设计研究院(集团)有限公司 | 一种工程领域知识图谱构建方法及其生成装置 |
-
2020
- 2020-10-10 CN CN202011077551.XA patent/CN112395424A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189389A1 (en) * | 2017-01-05 | 2018-07-05 | International Business Machines Corporation | Representation of a data analysis using a flow graph |
US20190121801A1 (en) * | 2017-10-24 | 2019-04-25 | Ge Inspection Technologies, Lp | Generating Recommendations Based on Semantic Knowledge Capture |
CN108304382A (zh) * | 2018-01-25 | 2018-07-20 | 山东大学 | 基于制造过程文本数据挖掘的质量分析方法与系统 |
CN109684456A (zh) * | 2018-12-27 | 2019-04-26 | 中国电子科技集团公司信息科学研究院 | 基于物联网能力知识图谱的场景能力智能问答系统 |
CN111090683A (zh) * | 2019-11-29 | 2020-05-01 | 上海勘察设计研究院(集团)有限公司 | 一种工程领域知识图谱构建方法及其生成装置 |
Non-Patent Citations (1)
Title |
---|
马刚 等: ""基于企业质量问题知识图谱的构建及应用"", 《仪器仪表用户》, vol. 27, no. 6, 7 June 2020 (2020-06-07), pages 82 - 84 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011900A (zh) * | 2021-03-01 | 2021-06-22 | 上海航天精密机械研究所 | 面向航天产品的质量闭环追溯管控系统和方法 |
CN113360647A (zh) * | 2021-06-03 | 2021-09-07 | 云南大学 | 一种基于聚类的5g移动业务投诉溯源分析方法 |
CN113361938A (zh) * | 2021-06-11 | 2021-09-07 | 湖北中烟工业有限责任公司 | 一种卷烟批次追溯数据网络图谱组织方法及装置 |
CN113392228A (zh) * | 2021-08-03 | 2021-09-14 | 广域铭岛数字科技有限公司 | 基于汽车生产的异常预测及追溯方法、系统、设备及介质 |
CN113828638A (zh) * | 2021-09-07 | 2021-12-24 | 北京科技大学 | 一种轧钢工艺流程复合故障追溯方法 |
CN114324368A (zh) * | 2022-03-10 | 2022-04-12 | 广东祥利科技有限公司 | 基于机械视觉检测的改性塑料生产检测方法及系统 |
CN114324368B (zh) * | 2022-03-10 | 2022-07-29 | 广东祥利科技有限公司 | 基于机械视觉检测的改性塑料生产检测方法及系统 |
CN114780747A (zh) * | 2022-04-22 | 2022-07-22 | 上海电气集团股份有限公司 | 焊接缺陷知识图谱构建方法、焊接缺陷查询方法及系统 |
CN116562714A (zh) * | 2023-07-07 | 2023-08-08 | 南通汤姆瑞斯工业智能科技有限公司 | 一种应用于机械加工的工件信息追溯系统及方法 |
CN116562714B (zh) * | 2023-07-07 | 2023-12-08 | 南通汤姆瑞斯工业智能科技有限公司 | 一种应用于机械加工的工件信息追溯系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395424A (zh) | 一种复杂产品质量问题追溯方法及系统 | |
CN111708773B (zh) | 一种多源科创资源数据融合方法 | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN108304382B (zh) | 基于制造过程文本数据挖掘的质量分析方法与系统 | |
US20080235220A1 (en) | Methodologies and analytics tools for identifying white space opportunities in a given industry | |
CN110309502A (zh) | 用于复杂系统生命周期管理的预测查询处理 | |
Riesener et al. | Framework for defining information quality based on data attributes within the digital shadow using LDA | |
KR102421904B1 (ko) | 재난사고 원인분석의 고도화 방법 | |
CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障系统 | |
Xiao et al. | Knowledge graph-based manufacturing process planning: A state-of-the-art review | |
CN113487211A (zh) | 核电装备质量追溯方法、系统、计算机设备及介质 | |
Zhu et al. | Automatic real-time mining software process activities from SVN logs using a naive Bayes classifier | |
Nevzorova et al. | Towards a recommender system for the choice of UDC code for mathematical articles | |
CN115858807A (zh) | 一种基于航空装备故障知识图谱的问答系统 | |
Wilde et al. | Ontology-based approach to support life cycle engineering: Development of a data and knowledge structure | |
CN117743593A (zh) | 基于知识图谱的设备在线辅助维修方法及系统 | |
Sampada et al. | A review on advanced techniques of requirement elicitation and specification in software development stages | |
CN116187323A (zh) | 一种数控机床领域知识图谱及其构建方法 | |
Hu et al. | A classification model of power operation inspection defect texts based on graph convolutional network | |
Gao et al. | Mining and Visualizing Cost and Schedule Risks from News Articles with NLP and Network Analysis | |
CN111581815B (zh) | 一种基于xml的工艺模型本体构建方法 | |
Yu et al. | Workflow recommendation based on graph embedding | |
Wei et al. | A Data-Driven Human–Machine Collaborative Product Design System Toward Intelligent Manufacturing | |
Azeroual | A text and data analytics approach to enrich the quality of unstructured research information | |
Dzyubanenko et al. | Hybrid client-server implementation and microservice architecture of automatic documentation analysis software |
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 |