CN113392228A - 基于汽车生产的异常预测及追溯方法、系统、设备及介质 - Google Patents
基于汽车生产的异常预测及追溯方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN113392228A CN113392228A CN202110886510.3A CN202110886510A CN113392228A CN 113392228 A CN113392228 A CN 113392228A CN 202110886510 A CN202110886510 A CN 202110886510A CN 113392228 A CN113392228 A CN 113392228A
- Authority
- CN
- China
- Prior art keywords
- field
- entity
- automobile
- production
- relation
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 70
- 238000012545 processing Methods 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000010354 integration Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012800 visualization 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship 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
- G06Q10/04—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
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于汽车生产的异常预测及追溯方法、系统、设备及介质,具体涉智能制造领域。该方法包括:构建汽车领域的知识图谱本体模型,本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;基于本体模型将各个实体字段、各个实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建汽车领域的知识图谱;利用知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并进行异常追溯。本发明不仅能够迅速预测异常信息,还能根据异常信息进行追溯,从而快速有效的定位异常缘由。
Description
技术领域
本发明涉及智能制造领域,特别是涉及一种基于汽车生产的异常预测及追溯方法、系统、设备及介质。
背景技术
目前,汽车制造是一个复杂的过程,汽车制造厂通常设置有冲压车间、焊装车间、涂装车间和总装车间,冲压车间负责将钢板冲压为钣金件,焊装车间负责将钣金件焊接成车身,涂装车间负责对车身进行防锈处理并喷涂颜色,总装车间负责将动力总成、底盘以及电气设备等安装到车身上获得成品汽车。
为了避免汽车生产过程中影响汽车的生产效率,需要各层级管理者定期进行工作总结、问题追溯、工作计划,其中,问题追溯和工作计划是基于工作总结完成的。然而,现有生产企业通常采用报表方式进行工作总结,结合数字大屏优化报表;虽然能够阶段性展示工作总结,但对于生产过程中出现的问题,无法给出解答;例如,在处理相关问题的过程中,过分依靠管理者经验,具有偶发性且效率较低,无法快速定位问题的原因,并进行追溯。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于汽车生产的异常预测及追溯方法、系统、设备及介质,用于解决现有技术汽车生产时,无法对异常进行预测以及追溯的问题。
为实现上述目的及其他相关目的,本发明提供一种基于汽车生产的异常预测及追溯方法,包括:
构建汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;
基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建所述汽车领域的知识图谱;
利用所述汽车领域的知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;
利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并根据所述异常信息进行异常追溯。
于本发明的一实施例中,还包括:
获取待处理的汽车领域的文本;
从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
于本发明的一实施例中,所述从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段的步骤,包括:
提取汽车领域待测文本中的各个实体字段,所述待测文本包含非结构化数据的文本;
对所述文本进行指代消解处理;
从进行指代消解处理之后的文本中提取各个所述实体字段对应的属性字段以及各个
实体字段之间的关系字段。
于本发明的一实施例中,采用实体命名识别算法提取所述文本中的各个实体字段。
于本发明的一实施例中,所述生产数据至少确定一生产区域,所述生产区域至少包括一制造设备在一生产线执行一制造工艺中的相应流程。
于本发明的一实施例中,还包括:
利用多层关系搜索汽车生产环节中各个事务之间的关系,得到任意一个所述生产区域预测的异常信息并进行展示,其中,所述预测的异常信息包括异常对象的名称、异常设备的名称、异常类型和异常预测时间;
结合生产环节中各个事务之间的关系以及知识图谱中实体-关系-属性,对异常信息进行追溯。
本发明在第二方面上提供了一种基于汽车生产的异常预测及追溯系统,包括:
模型获取模块,用于构建汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;
知识图谱构建模块,用于基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建所述汽车领域的知识图谱;
关系确定模块,利用所述汽车领域的知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;
异常预测及追溯模块,利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并根据所述异常信息进行异常追溯。
于本发明的一实施例中,还包括:
提取模块,用于获取待处理的汽车领域的文本,从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
本发明的第三方面上提供了一种基于汽车生产的异常预测及追溯设备,包括:
一个或多个处理装置;
存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置执行所述的基于汽车生产的异常预测及追溯方法。
本发明的第四方面上提供了一种计算机存储介质,包括:
其上存储有计算机程序,所述计算机程序用于使所述计算机执行所述的基于汽车生产的异常预测及追溯方法。
如上所述,本发明基于汽车生产的异常预测及追溯方法、系统、设备及介质
本发明相对于现有的数字大屏与报表总结相结合的方式进行展示,不仅能够迅速预测异常信息,还能根据异常信息进行追溯,从而快速有效的定位异常缘由,从而提高了汽车安全生产的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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例,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为本发明提供的一种基于汽车生产的异常预测及追溯方法流程图;
图2为本发明提供的一种基于汽车生产的异常预测及追溯方法中完整流程图;
图3为本发明提供的一种基于汽车生产的异常预测及追溯方法中异常预测及追溯流程框图;
图4为本发明提供的一种基于汽车生产的异常预测及追溯方法中结构架构图;
图5为本发明提供的一种基于汽车生产的异常预测及追溯系统的结构框图;
图6为本发明提供的一种基于汽车生产的异常预测及追溯设备的结构框图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,为本发明提供的一种基于汽车生产的异常预测及追溯方法流程图,包括:
步骤S1,构建汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;
其中,构建汽车领域的知识图谱本体模型从不同层次的形式化模式上给出了整个汽车领域特定的知识图谱所需的数据模型的定义,在本实施例中,汽车领域的知识图谱本体模型可以借用本体编辑软件构建,也可以采用计算机辅助以数据驱动的方式自动构建。
步骤S2,基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建所述汽车领域的知识图谱;
其中,知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
步骤S3,利用所述汽车领域的知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;
其中,在数字大屏展示的基础上,能够获取当前汽车生产过程中的生产数据,即,生产历史数据;利用知识图谱分析获取的生产数据,根据知识图谱中实体-关系-属性分析生产数据得到当前生产环节中各个事务之间的关系;根据该关系能够有助于工作人员分析当前情况,从而提高异常预警的精准度。
步骤S4,利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并根据所述异常信息进行异常追溯。
其中,请参阅图3,生产环节对应的流程就表示“过程1”至“过程n”,n为大于零的正整数;每个过程对应多个指标来判断该过程的执行效果,而每个指标中有几个实体,例如,实体1、实体2、实体3等,通过分析各个实体之间的关系,例如,实体1与实体2之间的关系1,实体2与实体3之间的关系2,通过结合关系1与关系2判断出指标是否正常,如果有异常就进行显示,同理,从概念上从小到大进行分析,得到各个指标是否异常;同理,也能判断由多个指标构成的过程即生产环节是否异常,进而准确分析数据大屏的展示的报表总结是否有异常,从而实现异常预测,从下位概念到上位概念逐一进行判断,不仅能够预测异常,还能根据知识图谱结构关系进行异常追溯,从而实现快速又准确的定位异常的目的。
在另一些实施例中,在上述实施例基础上,即,步骤S2之前还包括:
详见图2,在上述实施例的基础上,增加:步骤S12,获取待处理的汽车领域的文本;从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
例如,提取汽车领域待测文本中的各个实体字段,所述待测文本包含非结构化数据的文本;例如,所述待处理的汽车领域的文本为包含非结构化数据的文本,比如,汽车介绍手册、汽车使用说明书等。
对所述文本进行指代消解处理;从进行指代消解处理之后的文本中提取各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
于本发明的一实施例中,采用实体命名识别算法提取所述文本中的各个实体字段。
作为一种示例性描述,假设文本为“D90的油耗是12升,他的外观有红色、黑色、白色,其驱动方式有四驱和两驱这两种,他的变速箱有手动挡和自动挡这两种。则提取文本中的实体字段有“D90”、“油耗”、“外观”、“驱动方式”和“变速箱”,对该文本进行指代消解处理指的是通过算法识别“他”、“其”指代的是“D90”,“D90”与“油耗”、“外观”、“驱动方式”和“变速箱”之间有包含关系,油耗对应的属性字段有“12升”、“外观”字段有“红色”、“黑色”、“白色”,“驱动方式”对应的属性字段有“四驱”和“两驱”,“变速箱”对应的属性字段有“手动挡”和“自动挡”,最终生成的知识图谱。
在本实施例中,预先构建了汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息,从待处理的汽车领域的文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段;基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充构建出所述汽车领域的文本对应的知识图谱。基于该方式生成的知识图谱包含的内容比较全面,运用于汽车生产能够分析生产历史数据中非结构化数据,从而提高异常预测的准确率以及异常追溯的准确率。
在另一些实施例中,所述生产数据至少确定一生产区域,所述生产区域至少包括一制造设备在一生产线执行一制造工艺中的相应流程。
在上述实施例基础上,还包括:
利用多层关系搜索汽车生产环节中各个事务之间的关系,得到任意一个所述生产区域预测的异常信息并进行展示,其中,所述预测的异常信息包括异常对象的名称、异常设备的名称、异常类型和异常预测时间;
结合生产环节中各个事务之间的关系以及知识图谱中实体-关系-属性,对异常信息进行追溯。
本发明实施例中,每一个生产区域包括有至少一个生产线,每一个生产线包括有至少一个汽车制造设备,每一个汽车制造包括有至少一个设备组件,生产线、汽车制造设备和设备组件均可以作为进行预测对象,针对每一个生产区域从预测系统获取预测信息后,分别对每一个生产区域所包括汽车制造设备的数量和针对每一个生产区域所获取到的预测信息的数量进行展示,从而维护人员可以方便地确定出每一个生产区域内具有预测需求的维护对象的数量。
另外,利用多层关系搜索汽车生产环节中各个事务之间的关系,得到任意一个所述生产区域预测的异常信息并进行展示,其中,所述预测的异常信息包括异常对象的名称、异常设备的名称、异常类型和异常预测时间。由此可见,通过对各生产区域的状态信息以及各个预测息进行展示,使得工作人员可以更加方便地确定每一个生产区域内具有异常对象的数量,还可以确定异常对象的名称、汽车制造设备、异常类型和预警发生时间,保证工作人员能够确定异常对象且更加有针对性的对异常对象进行维护,从而能够提高对汽车制造设备进行异常预测的效果。
请参阅图4,为本发明提供的一种基于汽车生产的异常预测及追溯方法中结构架构图,包括:
在底层接入各种结构化数据,即,采集数据源;例如,通过汽车生产环节中各个平台,边缘数仓、IIOT平台(工业物联网平台)、杜尔(涂装系统)、PMC(Production materialcontrol,指对生产计划与生产进度的控制,以及对物料的计划、跟踪、收发、存储、使用等各方面的监督与管理和呆滞料的预防处理工作)。通过ETL处理(即,将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。)例如,节点数据结构化、关系数据结构化、数据清晰转换、批量任务调度;得到实体-关系-属性三元组进行存储;在数据层中,通过neo4j(数据批量导入)-driver(引擎)、neo4j-import(工具)、neo4j-web(网页)各个控制台对数据进行调度,结合py2neo开发框架查询节点和关系,根据各个已经获取的节点及关系进而计算路径、并进行决策分析得到决策结果,根据上述所得路径、决策结果、节点与关系,利用django web(数据抓取)服务接口在应用层实现快速查询和分析,进而精准的得到预测异常信息,根据异常信息进行追溯,从而快速有效定位异常原因。
请参阅图5,为本发明提供的一种基于汽车生产的异常预测及追溯系统,包括:
模型获取模块1,用于构建汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;
知识图谱构建模块2,用于基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建所述汽车领域的知识图谱;
关系确定模块3,利用所述汽车领域的知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;
异常预测及追溯模块4,利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并根据所述异常信息进行异常追溯。
在上述实施例的基础上,还包括:
提取模块5,用于获取待处理的汽车领域的文本,从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
在此,需要说明的是,基于汽车生产的异常预测及追溯系统与基于汽车生产的异常预测及追溯方法为一一对应关系,两者对应的技术细节、技术内容与技术效果均相同,请参照上述记载,在此不再重复赘述。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的应用集成设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,应用集成设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有应用集成设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连,输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许应用集成设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的应用集成设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述应用集成设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该应用集成设备执行时,使得该应用集成设备:
步骤S1,构建汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;步骤S2,基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建所述汽车领域的知识图谱;步骤S3,利用所述汽车领域的知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;步骤S4,利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并根据所述异常信息进行异常追溯。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
综上所述,本发明相对于现有的数字大屏与报表总结相结合的方式进行展示,不仅能够迅速预测异常信息,还能根据异常信息进行追溯,从而快速有效的定位异常缘由,从而提高了汽车安全生产的效率。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于汽车生产的异常预测及追溯方法,其特征在于,包括:
构建汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;
基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建所述汽车领域的知识图谱;
利用所述汽车领域的知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;
利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并根据所述异常信息进行异常追溯。
2.根据权利要求1所述的基于汽车生产的异常预测及追溯方法,其特征在于,还包括:
获取待处理的汽车领域的文本;
从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
3.根据权利要求2所述的基于汽车生产的异常预测及追溯方法,其特征在于,所述从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段的步骤,包括:
提取汽车领域待测文本中的各个实体字段,所述待测文本包含非结构化数据的文本;
对所述文本进行指代消解处理;
从进行指代消解处理之后的文本中提取各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
4.根据权利要求2所述的基于汽车生产的异常预测及追溯方法,其特征在于,采用实体命名识别算法提取所述文本中的各个实体字段。
5.根据权利要求1所述的基于汽车生产的异常预测及追溯方法,其特征在于,所述生产数据至少确定一生产区域,所述生产区域至少包括一制造设备在一生产线执行一制造工艺中的相应流程。
6.根据权利要求5所述的基于汽车生产的异常预测及追溯方法,其特征在于,还包括:
利用多层关系搜索汽车生产环节中各个事务之间的关系,得到任意一个所述生产区域预测的异常信息并进行展示,其中,所述预测的异常信息包括异常对象的名称、异常设备的名称、异常类型和异常预测时间;
结合生产环节中各个事务之间的关系以及知识图谱中实体-关系-属性,对异常信息进行追溯。
7.一种基于汽车生产的异常预测及追溯系统,其特征在于,包括:
模型获取模块,用于构建汽车领域的知识图谱本体模型,所述本体模型包括汽车领域的实体信息、各个实体对应的属性信息以及各个实体之间的关系信息;
知识图谱构建模块,用于基于所述本体模型将各个所述实体字段、所述各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段执行槽位填充,构建所述汽车领域的知识图谱;
关系确定模块,利用所述汽车领域的知识图谱分析获取的生产数据,得到汽车生产环节中各个事务之间的关系;
异常预测及追溯模块,利用多层关系搜索汽车生产环节中各个事务之间的关系,得到异常信息并根据所述异常信息进行异常追溯。
8.根据权利要求7所述的基于汽车生产的异常预测及追溯系统,其特征在于,还包括:
提取模块,用于获取待处理的汽车领域的文本,从所述文本中提取各个实体字段、各个所述实体字段对应的属性字段以及各个实体字段之间的关系字段。
9.一种基于汽车生产的异常预测及追溯设备,其特征在于:包括:
一个或多个处理装置;
存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如1至6中任一所述的基于汽车生产的异常预测及追溯方法。
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,所述计算机程序用于使所述计算机执行权利要求1至6中任一所述的基于汽车生产的异常预测及追溯方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886510.3A CN113392228B (zh) | 2021-08-03 | 2021-08-03 | 基于汽车生产的异常预测及追溯方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886510.3A CN113392228B (zh) | 2021-08-03 | 2021-08-03 | 基于汽车生产的异常预测及追溯方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392228A true CN113392228A (zh) | 2021-09-14 |
CN113392228B CN113392228B (zh) | 2023-07-21 |
Family
ID=77622302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110886510.3A Active CN113392228B (zh) | 2021-08-03 | 2021-08-03 | 基于汽车生产的异常预测及追溯方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392228B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881474A (zh) * | 2022-05-09 | 2022-08-09 | 山东大学 | 一种基于知识图谱的轮胎全生命周期质量追溯方法及系统 |
CN115310204A (zh) * | 2022-08-09 | 2022-11-08 | 重庆大学 | 影响汽车nvh性能的生产异常智能溯源方法 |
CN116757484A (zh) * | 2023-08-23 | 2023-09-15 | 山东全员本安教育咨询有限公司 | 一种企业安全隐患监控溯源方法、装置、设备及存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9501585B1 (en) * | 2013-06-13 | 2016-11-22 | DataRPM Corporation | Methods and system for providing real-time business intelligence using search-based analytics engine |
CN107844482A (zh) * | 2016-09-17 | 2018-03-27 | 复旦大学 | 基于全局本体的多数据源模式匹配方法 |
CN108510110A (zh) * | 2018-03-13 | 2018-09-07 | 浙江禹控科技有限公司 | 一种基于知识图谱的水位趋势分析方法 |
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
US20190065976A1 (en) * | 2017-08-30 | 2019-02-28 | Pearson Education, Inc. | System and method for automated sequencing database generation |
CN111104522A (zh) * | 2019-12-20 | 2020-05-05 | 武汉理工大学 | 一种基于知识图谱的区域产业关联效应趋势预测方法 |
CN111382277A (zh) * | 2018-12-28 | 2020-07-07 | 上海汽车集团股份有限公司 | 面向汽车领域的知识图谱构建方法及装置 |
CN111768077A (zh) * | 2020-05-28 | 2020-10-13 | 国网浙江省电力有限公司绍兴供电公司 | 一种基于知识图谱的电网跳闸事件智能识别方法 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
CN112182253A (zh) * | 2020-11-26 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN112241446A (zh) * | 2020-11-05 | 2021-01-19 | 江苏信息职业技术学院 | 一种大数据下基于学生画像的精准资助系统 |
CN112395424A (zh) * | 2020-10-10 | 2021-02-23 | 北京仿真中心 | 一种复杂产品质量问题追溯方法及系统 |
CN112463393A (zh) * | 2020-12-14 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 基于Mongo集群技术的配电物联网边缘计算架构设计方法 |
CN112927082A (zh) * | 2021-03-22 | 2021-06-08 | 中国工商银行股份有限公司 | 信用风险的预测方法、装置、设备、介质和程序产品 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
-
2021
- 2021-08-03 CN CN202110886510.3A patent/CN113392228B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9501585B1 (en) * | 2013-06-13 | 2016-11-22 | DataRPM Corporation | Methods and system for providing real-time business intelligence using search-based analytics engine |
CN107844482A (zh) * | 2016-09-17 | 2018-03-27 | 复旦大学 | 基于全局本体的多数据源模式匹配方法 |
US20190065976A1 (en) * | 2017-08-30 | 2019-02-28 | Pearson Education, Inc. | System and method for automated sequencing database generation |
CN108510110A (zh) * | 2018-03-13 | 2018-09-07 | 浙江禹控科技有限公司 | 一种基于知识图谱的水位趋势分析方法 |
CN108596439A (zh) * | 2018-03-29 | 2018-09-28 | 北京中兴通网络科技股份有限公司 | 一种基于知识图谱的企业风险预测方法及系统 |
CN111382277A (zh) * | 2018-12-28 | 2020-07-07 | 上海汽车集团股份有限公司 | 面向汽车领域的知识图谱构建方法及装置 |
CN111104522A (zh) * | 2019-12-20 | 2020-05-05 | 武汉理工大学 | 一种基于知识图谱的区域产业关联效应趋势预测方法 |
CN111768077A (zh) * | 2020-05-28 | 2020-10-13 | 国网浙江省电力有限公司绍兴供电公司 | 一种基于知识图谱的电网跳闸事件智能识别方法 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
CN112395424A (zh) * | 2020-10-10 | 2021-02-23 | 北京仿真中心 | 一种复杂产品质量问题追溯方法及系统 |
CN112241446A (zh) * | 2020-11-05 | 2021-01-19 | 江苏信息职业技术学院 | 一种大数据下基于学生画像的精准资助系统 |
CN112182253A (zh) * | 2020-11-26 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN112463393A (zh) * | 2020-12-14 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 基于Mongo集群技术的配电物联网边缘计算架构设计方法 |
CN112948547A (zh) * | 2021-01-26 | 2021-06-11 | 中国石油大学(北京) | 测井知识图谱构建查询方法、装置、设备及存储介质 |
CN112927082A (zh) * | 2021-03-22 | 2021-06-08 | 中国工商银行股份有限公司 | 信用风险的预测方法、装置、设备、介质和程序产品 |
Non-Patent Citations (3)
Title |
---|
N. -F. HUANG 等: "Concept assessment system integrated with a knowledge map using deep learning", 《2018 LEARNING WITH MOOCS》, pages 113 - 116 * |
毛文山: "基于知识图谱关系推理的水污染事件追踪溯源方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2021, pages 027 - 1233 * |
王青 等: "软件缺陷预测技术", 《软件学报》, no. 7, pages 1565 - 1580 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881474A (zh) * | 2022-05-09 | 2022-08-09 | 山东大学 | 一种基于知识图谱的轮胎全生命周期质量追溯方法及系统 |
CN115310204A (zh) * | 2022-08-09 | 2022-11-08 | 重庆大学 | 影响汽车nvh性能的生产异常智能溯源方法 |
CN116757484A (zh) * | 2023-08-23 | 2023-09-15 | 山东全员本安教育咨询有限公司 | 一种企业安全隐患监控溯源方法、装置、设备及存储介质 |
CN116757484B (zh) * | 2023-08-23 | 2023-11-24 | 山东全员本安教育咨询有限公司 | 一种企业安全隐患监控溯源方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113392228B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javaid et al. | Artificial intelligence applications for industry 4.0: A literature-based study | |
CN113392228B (zh) | 基于汽车生产的异常预测及追溯方法、系统、设备及介质 | |
Meindl et al. | The four smarts of Industry 4.0: Evolution of ten years of research and future perspectives | |
Kim et al. | On-site construction management using mobile computing technology | |
US10832457B2 (en) | Interface for data analysis | |
US10885446B2 (en) | Big-data driven telematics with AR/VR user interfaces | |
US20150088808A1 (en) | Dynamic Determination of Pattern Type and Chart Type for Visual Analytics | |
US9489642B2 (en) | Flow based visualization of business rule processing traces | |
Breu et al. | New Perspectives on Software Quality [Guest editors' introduction] | |
Blech et al. | Efficient incident handling in industrial automation through collaborative engineering | |
CN111651530A (zh) | 一种智能化港口监测系统 | |
Zhang et al. | A comprehensive industrial practice for Industrial Internet Platform (IIP): General model, reference architecture, and industrial verification | |
Spangler et al. | Sustainability-focused knowledge management in a global enterprise | |
US11138221B1 (en) | Data aggregation and reporting environment for data center infrastructure management | |
Chao et al. | Industrial design and development software system architecture based on model-based systems engineering and cloud computing | |
CN113218328A (zh) | 基于三维激光扫描的设备检修方法、装置、设备及介质 | |
CN111625291B (zh) | 数据处理模型自动迭代方法、装置及电子设备 | |
CN111260969B (zh) | 数据挖掘课程教学实践系统和基于系统的教学实践方法 | |
WO2024012154A1 (zh) | 基于数字孪生的工作效率显示方法、装置及设备 | |
Abdulqader | Predicting Carbon Dioxide Emissions with the Orange Application: An Empirical Analysis | |
CN116541069A (zh) | 关键函数评估方法、装置、电子设备、介质和程序产品 | |
Zhao et al. | An industrial heterogeneous data based quality management KPI visualization system for product quality control | |
Bani-Ismail et al. | Guiding the selection of service identification methods based on SOA maturity level | |
CN111897966A (zh) | 挖掘知识图谱中隐含信息的方法、系统及电子设备 | |
CN116862118B (zh) | 碳排放信息生成方法、装置、电子设备和计算机可读介质 |
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 |