CN113850454A - 基于工业神经网络的零件制造方法、装置、设备及介质 - Google Patents
基于工业神经网络的零件制造方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113850454A CN113850454A CN202011164284.XA CN202011164284A CN113850454A CN 113850454 A CN113850454 A CN 113850454A CN 202011164284 A CN202011164284 A CN 202011164284A CN 113850454 A CN113850454 A CN 113850454A
- Authority
- CN
- China
- Prior art keywords
- manufacturing
- algorithm
- industrial
- neural network
- node
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 210
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 179
- 239000002131 composite material Substances 0.000 claims abstract description 107
- 238000009960 carding Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 32
- 239000000463 material Substances 0.000 claims description 14
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 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 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000003813 thumb Anatomy 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于工业神经网络的零件制造方法、装置、设备及介质。本申请实施例包括：梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；根据目标实体、约束条件、制造流程以及应用类型，在图数据库中构建关联图谱；选取关联图谱中的至少一个节点作为算法节点，将算法节点与算法库进行关联，以使算法节点能够调用存储在算法库的算法对算法节点及其相邻节点中的数据进行计算；根据关联图谱以及关联的算法库，构建工业神经网络；基于工业神经网络进行复合材料零件的制造。上述方案基于工业神经网络技术进行复合材料零件的制造，高效地将碎片化的数据和关系进行整合和管理，从而提高了关系分析的效率。
Description
技术领域
本申请实施例涉及复合材料零件制造技术领域，尤其涉及一种基于工业神经网络的零件制造方法、装置、设备及介质。
背景技术
复合材料是目前最有应用前景的材料之一，由于它们具有其比重小、刚性好和强度高的优点，被广泛应用。在过去40年，复合材料在制造业中的规模逐步扩大，目前，其在直升飞机和战斗机结构重量中所占的份额已经超过50％，在一些先进的民用飞机中，其结构重量已经达到70％。
复合材料零件制造过程中工序步骤多，制造周期长，大多工序的工艺参数调整和工艺验证都需要人为参与，从而造成生产效率低，生产资源浪费的现象，严重制约了复合材料零件的大规模生产和普及。
复合材料零件制造过程中涉及大量的工业机理和工业数据，这些工业机理与工业数据之间有紧密并且复杂的数据关系，工业数据之间的关系随数据量呈几何级数增长。而关系型数据库的体系结构并不是针对复杂关系网络的分析而设计的，为了理解和分析跨实体的关系，关系型数据库需要表连接，复杂连接的查询可能需要数小时或数天，并且随着数据量的增长，计算成本也提高。而NoSQL数据库将所有数据存储在一个表中，关系分析需要扫描具有数百万或数十亿行的巨大表格，这使得难以对超过两个或三个级别的关系进行更深入的分析。
发明内容
本发明实施例提供一种基于工业神经网络的零件制造方法、装置、设备及介质，以高效地将碎片化的数据和关系进行整合和管理，使复合材料零件制造智能化和自动化，提高了复合材料零件制造的效率。
在一个实施例中，本申请实施例提供了一种基于工业神经网络的零件制造方法，该方法包括：
梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；
根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱；
选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻中的数据进行计算；
根据所述关联图谱以及关联的算法库，构建工业神经网络；
基于工业神经网络进行复合材料零件的制造。
在另一个实施例中，本申请实施例还提供了一种复合材料零件制造装置，该装置包括：
数据梳理模块，用于梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；
关联图谱构建模块，用于根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱；
算法库关联模块，用于选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻节点中的数据进行计算；
工业神经网络构建模块，用于根据所述关联图谱以及关联的算法库，构建工业神经网络；
制造模块，用于基于工业神经网络进行复合材料零件的制造。
在又一个实施例中，本申请实施例还提供了一种复合材料零件制造设备，包括：一个或多个处理器；
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器执行，使得所述一个或多个处理器实现本申请实施例任一项所述的基于工业神经网络的零件制造方法。
在再一个实施例中，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例中任一项所述的基于工业神经网络的零件制造方法。
本申请实施例中，通过梳理目标实体、约束条件、制造流程以及应用类型并构建关联图谱，从而高效地将碎片化的数据和关系进行整合和管理，以提高关系分析的效率，通过根据所述关联图谱以及关联的算法库，构建工业神经网络，基于工业神经网络进行复合材料零件的制造，从而使复合材料零件制造过程更加智能化和自动化，提高了复合材料零件制造的效率。
附图说明
图1为本发明一种实施例提供的基于工业神经网络的零件制造方法的流程图；
图2为本发明另一实施例提供的基于工业神经网络的零件制造方法的流程图；
图3为本发明另一实施例提供的关联图谱示意图；
图4为本发明一种实施例提供的复合材料零件制造装置的结构示意图；
图5为本发明一种实施例提供的复合材料零件制造设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明一种实施例提供的基于工业神经网络的零件制造方法的流程图。本实施例提供的基于工业神经网络的零件制造方法可适用于复合材料零件进行制造的情况。典型的，该方法可以适用于基于工业神经网络对民用飞机的复合材料零件进行制造的情况。该方法具体可以由复合材料零件制造装置执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在复合材料零件制造设备中。参见图1，本申请实施例的方法具体包括：
S110、梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型。
其中，目标文件为记录复合材料零件制造过程的文件，可以为从互联网、数据库等检索到的资料等。其中，目标实体可以为复合材料零件制造过程中的人员信息、设备信息、物料信息以及供应商信息等。例如，人员信息可以为员工的标识、工作时长、职称、所持有的证书等信息，设备信息可以为设备标识、设备的工作状态、设备的寿命等信息。物料信息可以为物料的成分、比例、硬度等信息。供应商信息可以为设备、物料等供应商的名称、地址、联系方式等信息，用于进行追溯。目标实体还可以为复合材料零件制造的工加工工序。约束条件可以为在复合材料零件制造过程中需满足的条件，例如人员是否具备制造资质，设备状态是否满足开工条件等。制造流程可以为由多个加工工序进行排列组合所得到的固定流程。应用类型可以为在符合材料零件制造应用场景下所实现的细节应用场景，例如计算设备利用率、人员分配情况等。
S120、根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱。
复合材料零件制造过程中工序步骤多，工序离散。在本申请实施例中，为了使复合材料零件制造过程中的实体、工序等之间建立联系，更有效地整合复合材料零件制造过程中的数据以及关系，并针对制造数据进行结构化智能化分析，根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱，使制造过程中涉及的数据、关系、工业经验和机理数据化、结构化。
具体的，在目标实体、约束条件、制造流程以及应用类型之间可能存在一定的关系，例如，工序1需要调用3个人员和1台设备，并且需要满足约束条件1和机理1，因此，可以将工序、人员和约束条件1以及机理1相连接，以表示关联关系。对于获取到的所有目标实体、约束条件、制造流程以及应用类型，都根据其之间的关联关系进行关联，形成关联图谱。相比于将大量的数据和数据关系存储于表格中，形成关联图谱能够更有效地整合数据和数据关系，可以快速满足对于复杂关系的访问需求，提高数据访问的效率，进而提高复合材料零件制造的效率。
S130、选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻节点中的数据进行计算。
通过将算法节点与算法库进行关联，使得关联图谱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。
本申请实施例中，选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻接点中的数据进行计算，包括：选取第一预设数量的节点作为算法节点，为所述算法节点配置与所述算法库关联的算法接口，算法接口以使所述算法节点通过算法接口调用存储在算法库中的算法对所述算法节点中及其相邻接点的数据进行计算。第一预设数量可以根据实际情况设置。算法接口配置为能够获取所属算法节点及其相邻接点中的数据，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算法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，数据可以是算法节点的节点属性中的一部分，而某一算法节点关联的算法则可以预设。
在本申请实施例中，所述算法接口还可以被配置为能够获取所属算法节点的待数据，自算法库中临时调用其中存储的和所属算法节点相关联的算法进行计算，并获得计算结果。
上述方案的有益效果在于，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。
S140、根据所述关联图谱以及关联的算法库，构建工业神经网络。
其中，工业神经网络技术是一种基于图数据库，同时涉及调取关系型数据库数据以及算法库算法的新型数据架构技术。示例性的，得到产品装配关联图谱后，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接口，使得装配关联图谱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等，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。
S150、基于工业神经网络进行复合材料零件的制造。
示例性的，基于工业神经网络中的算法库，调用其中存储的算法，对关联谱图中节点的数据以及约束关系进行计算，确定最优制造参数方案。
本申请实施例中，通过梳理目标实体、约束条件、制造流程以及应用类型并构建关联图谱，从而高效地将碎片化的数据和关系进行整合和管理，以提高关系分析的效率，通过根据所述关联图谱以及关联的算法库，构建工业神经网络，基于工业神经网络进行复合材料零件的制造，从而使复合材料零件制造过程更加智能化和自动化，提高了复合材料零件制造的效率。
图2为本发明另一实施例提供的基于工业神经网络的零件制造方法的流程图。本申请实施例为对上述实施例基础上，对技术方案的进一步优化。参见图2，本实施例提供的基于工业神经网络的零件制造方法可以包括：
S210、基于自然语言处理技术，从目标文件中抽取复合材料零件制造的目标实体、约束条件、制造流程以及应用类型；其中，所述目标实体包括员工信息、员工所持证书信息、复合材料零件制造设备信息、工装信息、物料信息和供应商信息。
自然语言处理技术是研究人与计算机交互的语言问题的一门学科。通过自然语言处理技术能够从自然语言的目标文本中提取出关键的信息。
S220、将目标实体、约束条件、制造流程以及应用类型作为节点。
示例性的，如图3所示，目标实体可以为图3中的设备、人员、工装模具、工艺和物料等。约束条件可以为工序对于设备、人员和工装模具的调用数量要求，机理可以为工序对于工艺和物料的要求。将各个工序、设备、人员、工装模具、工艺、物料、约束条件以及机理作为节点，用固定形状的图标表示。
S230、将存在关联关系的节点以边进行连接，形成关联图谱。
示例性的，如图3所示，如果两个节点之间存在关联关系，则进行连接形成边，表示其关联关系。例如，工序1与设备连接，则说明工序1需要调用设备才能够进行。而工序1没有与工装模具连接，说明工序1并不需要调用工装模具。
S240、根据所述关联图谱以及关联的算法库，构建工业神经网络。
根据所述关联图谱以及关联的算法库，构建工业神经网络，包括：选取第二预设数量的节点作为数据关联节点，为所述数据关联节点配置与关系型数据库关联的数据接口，以使所述数据关联节点能够通过所述数据接口调用所述关系型数据库中的数据。
示例性的，第二预设数量可以根据实际情况设置。选取关联图谱中满足第二预设数量的节点作为数据关联节点，将数据关联节点配置为具有和关系型数据库相关联的数据接口，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数据。
应理解的是，算法节点和数据关联节点不完全相同。数据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。
S250、基于工业神经网络中的算法库对所述关联图谱中的数据进行计算，确定目标实体、约束条件、制造流程以及应用类型的候选组合。
在本申请实施例中，基于工业神经网络中的算法库对所述关联图谱中的数据进行计算，确定目标实体、约束条件、制造流程以及应用类型的候选组合，包括：对关联图谱的节点和边进行遍历，确定能够实现复合材料零件制造的目标实体、约束条件、制造流程以及应用类型的候选组合。
示例性的，从关联图谱中的任一节点进行遍历，得到多个解，即能够实现复合材料零件制造的多个候选组合。采用各组合进行复合材料零件制造时，所需耗时可能不同，成本也可能不同。
S260、基于候选组合进行复合材料零件制造对应的制造时间和/或制造成本，从候选组合中确定目标组合。
其中，目标组合为从能够实现复合材料零件制造的目标实体、约束条件、制造流程以及应用类型的组合中，选择的最终用于复合材料零件制造的组合。能够实现复合材料零件制造的目标实体、约束条件、制造流程以及应用类型的组合为对关联图谱遍历得到的解，目标组合为最优解。
示例性的，采用工序1对应3个人员和1台设备，采用工序2对应2个人员2台设备可以完成复合材料零件制造过程。采用工序1对应2个人员2台设备，采用工序2对应4个人员1台设备也能够完成复核材料零件制造过程，但是其完成复核材料零件制造的耗时和/或成本不同，因此，根据耗时和/或成本进行权衡，确定最终选用的目标组合，进行实际的复合材料零件制造。
在本申请实施例中，基于候选组合进行复合材料零件制造对应的制造时间和/或制造成本，从候选组合中确定目标组合，包括：将制造时间最短和/或制造成本最小的候选组合，确定为目标组合。
示例性的，为了缩短复合材料零件制造的时间，提高制造效率，可以选择耗时最短的候选组合作为目标组合，以采用目标组合进行复合材料零件制造。也可以选择成本最小的候选组合作为目标组合，以采用目标组合进行复合材料零件制造，减少制造成本。也可以同时考虑时间和成本，综合权衡确定选择的目标组合，以采用目标组合进行复合材料零件制造。
S270、根据所述目标组合进行复合材料零件制造。
在本申请实施例中，所述方法还包括：根据目标实体、约束条件、制造流程以及应用类型，确定复合材料零件制造设备利用率信息；和/或，根据目标实体、约束条件、制造流程以及应用类型，确定人员情况分析信息；和/或，根据目标实体、约束条件、制造流程以及应用类型，确定工具寿命预测信息。
示例性的，在复合材料零件制造的应用场景下，还可以实现其他应用，例如对设备的利用率进行分析，对人员情况进行分析，对工具寿命进行预测等，在此不进行一一列举，可以根据实际的需求实现相应的应用。
本申请实施例的技术方案，通过自然语言处理技术对目标文件进行提取获得复合材料零件制造的目标实体、约束条件、制造流程以及应用类型，并将目标实体、约束条件、制造流程以及应用类型作为节点；将存在关联关系的节点以边进行连接，形成关联图谱，从而快速清晰地对数据以及数据关系进行整合和梳理，通过对关联图谱的节点和边进行遍历，确定能够实现复合材料零件制造的目标实体、约束条件、制造流程以及应用类型的候选组合，并从候选组合中选择制造时间最短和/或制造成本最小的目标组合进行复合材料零件的制造，从而实现了复合材料零件制造的自动化和智能化，提高了复合材料零件制造的效率。
图4为本发明一种实施例提供的复合材料零件制造装置的结构示意图。该装置可适用于对目标文件进行对象存储的情况。典型的，该方法可适用于复合材料零件进行制造的情况。典型的，该方法可以适用于基于构建的关联图谱进行复合材料零件制造的情况。该装置可以由软件和/或硬件的方式实现，该装置可以集成在复合材料零件制造设备中。参见图4，该装置具体包括：
数据梳理模块310，用于梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；
关联图谱构建模块320，用于根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱；
算法库关联模块330，用于选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点及其相邻接点能够调用存储在算法库的算法对所述算法节点中的数据进行计算；
工业神经网络构建模块340，用于根据所述关联图谱以及关联的算法库，构建工业神经网络；
制造模块350，用于基于工业神经网络进行复合材料零件的制造。
在本申请实施例中，数据梳理模块310，具体用于：
基于自然语言处理技术，从目标文件中抽取复合材料零件制造的目标实体、约束条件、制造流程以及应用类型；其中，所述目标实体包括员工信息、员工所持证书信息、复合材料零件制造设备信息、工装信息、物料信息和供应商信息。
在本申请实施例中，关联图谱构建模块320，包括：
节点确定单元，用于将目标实体、约束条件、制造流程以及应用类型作为节点；
连接单元，用于将存在关联关系的节点以边进行连接，形成关联图谱。
在本申请实施例中，算法库关联模块330，具体用于：
选取第一预设数量的节点作为算法节点，为所述算法节点配置与所述算法库关联的算法接口，算法接口以使所述算法节点通过算法接口调用存储在算法库中的算法对所述算法节点中的数据进行计算。
工业神经网络构建模块340，具体用于：
选取第二预设数量的节点作为数据关联节点，为所述数据关联节点配置与关系型数据库关联的数据接口，以使所述数据关联节点能够通过所述数据接口调用所述关系型数据库中的数据。
在本申请实施例中，制造模块350，包括：
候选组合确定单元，用于基于工业神经网络中的算法库对所述关联图谱中的数据进行计算，确定目标实体、约束条件、制造流程以及应用类型的候选组合；
目标组合选择单元，用于基于候选组合进行复合材料零件制造对应的制造时间和/或制造成本，从候选组合中确定目标组合。
在本申请实施例中，候选组合确定单元，具体用于：
对关联图谱的节点和边进行遍历，确定能够实现复合材料零件制造的目标实体、约束条件、制造流程以及应用类型的候选组合。
在本申请实施例中，目标组合选择单元，具体用于：
将制造时间最短和/或制造成本最小的候选组合，确定为目标组合。
在本申请实施例中，所述装置还包括：
利用率信息确定模块，用于根据目标实体、约束条件、制造流程以及应用类型，确定人员情况分析信息；和/或，
分析信息确定模块，用于根据目标实体、约束条件、制造流程以及应用类型，确定人员情况分析信息；和/或，
预测信息确定模块，用于根据目标实体、约束条件、制造流程以及应用类型，确定工具寿命预测信息。
本申请实施例所提供的复合材料零件制造装置可执行本申请任意实施例所提供的基于工业神经网络的零件制造方法，具备执行方法相应的功能模块和有益效果。
图5为本发明一种实施例提供的复合材料零件制造设备的结构示意图。图5示出了适于用来实现本申请实施例的示例性复合材料零件制造设备412的框图。图5显示的复合材料零件制造设备412仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，复合材料零件制造设备412可以包括：一个或多个处理器416；存储器428，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器416执行，使得所述一个或多个处理器416实现本申请实施例所提供的基于工业神经网络的零件制造方法，包括：
梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；
根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱；
选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻接点中的数据进行计算；
根据所述关联图谱以及关联的算法库，构建工业神经网络；
基于工业神经网络进行复合材料零件的制造。
复合材料零件制造设备412的组件可以包括但不限于：一个或者多个处理器或者处理器416，存储器428，连接不同设备组件(包括存储器428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
复合材料零件制造设备412典型地包括多种计算机设备可读存储介质。这些存储介质可以是任何能够被复合材料零件制造设备412访问的可用存储介质，包括易失性和非易失性存储介质，可移动的和不可移动的存储介质。
存储器428可以包括易失性存储器形式的计算机设备可读存储介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。复合材料零件制造设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机设备存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁存储介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光存储介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据存储介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
复合材料零件制造设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该复合材料零件制造设备412交互的设备通信，和/或与使得该复合材料零件制造设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，复合材料零件制造设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器420通过总线418与复合材料零件制造设备412的其它模块通信。应当明白，尽管图5中未示出，可以结合复合材料零件制造设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID设备、磁带驱动器以及数据备份存储设备等。
处理器416通过运行存储在存储器428中的多个程序中其他程序的至少一个，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种基于工业神经网络的零件制造方法。
本发明一种实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行基于工业神经网络的零件制造方法，包括：
梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；
根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱；
选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻接点中的数据进行计算；
根据所述关联图谱以及关联的算法库，构建工业神经网络；
基于工业神经网络进行复合材料零件的制造。
本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。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、或半导体的设备、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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形存储介质，该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。
计算机可读的信号存储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。计算机可读的信号存储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存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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设备上执行。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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种基于工业神经网络的零件制造方法，其特征在于，所述方法包括：
梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；
根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱；
选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻节点中的数据进行计算；
根据所述关联图谱以及关联的算法库，构建工业神经网络；
基于工业神经网络进行复合材料零件的制造。
2.根据权利要求1所述的方法，其特征在于，梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型，包括：
基于自然语言处理技术，从目标文件中抽取复合材料零件制造的目标实体、约束条件、制造流程以及应用类型；其中，所述目标实体包括员工信息、员工所持证书信息、复合材料零件制造设备信息、工装信息、物料信息和供应商信息。
3.根据权利要求1所述的方法，其特征在于，根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱，包括：
将目标实体、约束条件、制造流程以及应用类型作为节点；
将存在关联关系的节点以边进行连接，形成关联图谱。
4.根据权利要求1所述的方法，其特征在于，选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻节点中的数据进行计算，包括：
选取第一预设数量的节点作为算法节点，为所述算法节点配置与所述算法库关联的算法接口，以使所述算法节点通过算法接口调用存储在算法库中的算法对所述算法节点中的数据进行计算。
5.根据权利要求1所述的方法，其特征在于，根据所述关联图谱以及关联的算法库，构建工业神经网络，包括：
选取第二预设数量的节点作为数据关联节点，为所述数据关联节点配置与关系型数据库关联的数据接口，以使所述数据关联节点能够通过所述数据接口调用所述关系型数据库中的数据。
6.根据权利要求1所述的方法，其特征在于，基于工业神经网络进行复合材料零件的制造，包括：
基于工业神经网络中的算法库对所述关联图谱中的数据进行计算，确定目标实体、约束条件、制造流程以及应用类型的候选组合；
基于候选组合进行复合材料零件制造对应的制造时间和/或制造成本，从候选组合中确定目标组合。
7.根据权利要求6所述的方法，其特征在于，基于工业神经网络中的算法库对所述关联图谱中的数据进行计算，确定目标实体、约束条件、制造流程以及应用类型的候选组合，包括：
对关联图谱的节点和边进行遍历，确定能够实现复合材料零件制造的目标实体、约束条件、制造流程以及应用类型的候选组合。
8.根据权利要求6所述的方法，其特征在于，基于候选组合进行复合材料零件制造对应的制造时间和/或制造成本，从候选组合中确定目标组合，包括：
将制造时间最短和/或制造成本最小的候选组合，确定为目标组合。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据目标实体、约束条件、制造流程以及应用类型，确定复合材料零件制造设备利用率信息；和/或，
根据目标实体、约束条件、制造流程以及应用类型，确定人员情况分析信息；和/或，
根据目标实体、约束条件、制造流程以及应用类型，确定工具寿命预测信息。
10.一种复合材料零件制造装置，其特征在于，所述装置包括：
数据梳理模块，用于梳理复合材料零件制造对应的目标实体、约束条件、制造流程以及应用类型；
关联图谱构建模块，用于根据目标实体、约束条件、制造流程以及应用类型，构建关联图谱；
算法库关联模块，用于选取所述关联图谱中的至少一个节点作为算法节点，将所述算法节点与算法库进行关联，以使所述算法节点能够调用存储在算法库的算法对所述算法节点及其相邻接点中的数据进行计算；
工业神经网络构建模块，用于根据所述关联图谱以及关联的算法库，构建工业神经网络；
制造模块，用于基于工业神经网络进行复合材料零件的制造。
11.一种复合材料零件制造设备，其特征在于，所述复合材料零件制造设备包括：
一个或多个处理器；
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器执行，使得所述一个或多个处理器实现如权利要求1-9中任一项所述的基于工业神经网络的零件制造方法。
12.一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，该程序被处理器执行时实现如权利要求1-9中任一项所述的基于工业神经网络的零件制造方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011164284.XA CN113850454A (zh) | 2020-10-27 | 2020-10-27 | 基于工业神经网络的零件制造方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011164284.XA CN113850454A (zh) | 2020-10-27 | 2020-10-27 | 基于工业神经网络的零件制造方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113850454A true CN113850454A (zh) | 2021-12-28 |
Family
ID=78972914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011164284.XA Pending CN113850454A (zh) | 2020-10-27 | 2020-10-27 | 基于工业神经网络的零件制造方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113850454A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115903599A (zh) * | 2022-11-24 | 2023-04-04 | 上海乐存信息科技有限公司 | 一种基于mcu的制造方法及装置 |
-
2020
- 2020-10-27 CN CN202011164284.XA patent/CN113850454A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115903599A (zh) * | 2022-11-24 | 2023-04-04 | 上海乐存信息科技有限公司 | 一种基于mcu的制造方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110352415B (zh) | 大规模数据管理系统中利用图团体监测的预测表预连接 | |
| CN109522312B (zh) | 一种数据处理方法、装置、服务器和存储介质 | |
| Vinod et al. | Simulation-based metamodels for scheduling a dynamic job shop with sequence-dependent setup times | |
| Munshi et al. | Big data platform for educational analytics | |
| US20120310935A1 (en) | Integration and Combination of Random Sampling and Document Batching | |
| CN112818484A (zh) | 一种物理实体数字孪生综合实施能力评估方法及评估系统 | |
| Kadoić et al. | Structuring e-learning multi-criteria decision making problems | |
| US20120197677A1 (en) | Multi-role based assignment | |
| Joseph et al. | Effects of flexibility and scheduling decisions on the performance of an FMS: simulation modelling and analysis | |
| CN111563172B (zh) | 基于动态知识图谱构建的学术热点趋势预测方法和装置 | |
| Jayagopal et al. | Data management and big data analytics: Data management in digital economy | |
| CN115840738A (zh) | 一种数据迁移方法、装置、电子设备及存储介质 | |
| US20240104009A9 (en) | Generating test data for application performance | |
| CN110209589B (zh) | 知识库系统测试方法、装置、设备和介质 | |
| CN115221337A (zh) | 数据编织处理方法、装置、电子设备及可读存储介质 | |
| CN113850454A (zh) | 基于工业神经网络的零件制造方法、装置、设备及介质 | |
| CN115329011A (zh) | 数据模型的构建方法、数据查询的方法、装置及存储介质 | |
| Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
| US20240112065A1 (en) | Meta-learning operation research optimization | |
| CN116431498A (zh) | 性能测试方法及装置、电子设备和计算机可读存储介质 | |
| CN110888888A (zh) | 人员关系分析方法、装置、电子设备及存储介质 | |
| CN115759742A (zh) | 企业风险评估方法、装置、计算机设备和存储介质 | |
| CN112015912B (zh) | 一种基于知识图谱的指标智能可视化方法及装置 | |
| CN115543428A (zh) | 一种基于策略模板的模拟数据生成方法和装置 | |
| Tajima et al. | Step-by-step case ID identification based on activity connection for cross-organizational process mining |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240621 Address after: 201203 Shanghai Pudong New Area China (Shanghai) Pilot Free Trade Zone 366 Shangke Road, Lane 55 Chuanhe Road, 3rd, 4th, 5th, and 6th floors Applicant after: Shangfei Intelligent Technology Co.,Ltd. Country or region after: China Address before: 919 Shangfei Road, Pudong New Area, Shanghai, 201324 Applicant before: SHANGHAI AIRCRAFT MANUFACTURING Co.,Ltd. Country or region before: China |