CN114418399A - 一种流程行业工厂知识图谱自维护系统及方法 - Google Patents
一种流程行业工厂知识图谱自维护系统及方法 Download PDFInfo
- Publication number
- CN114418399A CN114418399A CN202210065380.1A CN202210065380A CN114418399A CN 114418399 A CN114418399 A CN 114418399A CN 202210065380 A CN202210065380 A CN 202210065380A CN 114418399 A CN114418399 A CN 114418399A
- Authority
- CN
- China
- Prior art keywords
- graph
- semantic
- module
- map
- knowledge
- 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
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- 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
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种流程行业工厂知识图谱自维护系统及方法,包括:语义库创建模块,用于创建流程行业工厂的语义库;规则库创建模块,用于创建图谱生成规则库;图谱生成模块,用于结合语义库和图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;案例库模块,用于根据语义库中的有效实例数据生成实例图谱快照;图分析模块,用于将实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。这样形成了具有清晰语义支撑的数据知识和具有特征指标及业务规则的数据处理知识的知识图谱,方便对数据进行有效钻取分析,同时知识图谱实现了自维护,无需额外维护成本。
Description
技术领域
本发明涉及知识图谱技术领域,特别是涉及一种流程行业工厂知识图谱自维护系统及方法。
背景技术
流程行业工厂工艺及业务流程涉及多个领域数据及知识,建立针对流程行业工厂知识图谱可以有效的管理流程行业工厂生产经营中的数据及知识,并为高级智能应用提供支撑。
但是,建立流程行业工厂知识图谱还面临一些问题:流程行业工厂知识图谱大多与数据相关,将数据的加工处理过程与知识图谱本身独立,导致知识图谱并不完整相对缺失;流程行业工厂知识图谱建立成本高,需要大量人工建立知识图谱,自动化程度较低。另外,现有流程行业工厂知识图谱的评价机制尚不成熟,未实现量化评估;基于知识图谱的业务规则大量依赖专家经验,难以挖掘深层次的业务规则。
因此,如何解决流程行业工厂知识图谱面临的上述问题,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种流程行业工厂知识图谱自维护系统及方法,可以动态更新知识图谱,使知识图谱实现自维护,无需额外维护成本。其具体方案如下:
一种流程行业工厂知识图谱自维护系统,包括:
语义库创建模块,用于创建流程行业工厂的语义库;
规则库创建模块,用于创建图谱生成规则库;
图谱生成模块,用于结合所述语义库和所述图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;
案例库模块,用于根据所述语义库中的有效实例数据生成实例图谱快照;
图分析模块,用于将所述实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,所述语义库包括元语义模型、领域语义模型和实例语义模型;其中,
所述元语义模型包括基础工艺本体、属性、关系的基础语义信息,以及特征指标和业务规则的数据处理本体、属性及关系的基础语义信息;
所述领域语义模型包括工艺数据及数据处理的本体;所述领域语义模型与所述元语义模型为isKindof的关系;
所述实例语义模型包括工艺实体实例及数据处理实体实例;所述实例语义模型与所述领域语义模型为isa的关系。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,所述图谱生成规则库中的每条规则包括触发事件类型、语义模型节点、属性创建规则、属性值映射规则、语义关系生成信息。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,还包括:
事件触发模块,用于对流程行业工厂原有系统进行监视并生成事件,向所述图谱生成模块发送触发执行动作,同时传输流程行业工厂原有的工艺数据、特征指标及业务规则。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,所述图谱生成模块,具体用于在接收触发执行动作后,根据所述事件触发模块生成的事件,结合所述语义库和所述图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,以生成节点间关系以及添加对应的实例,动态更新流程行业工厂的知识图谱。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,还包括:
数据映射模块,用于在更新知识图谱后,将知识图谱的节点属性与流程行业工厂原有系统中对应的数据库值进行映射,并将映射引用关系传输至所述案例库模块。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,所述图谱生成模块,还用于根据所述实例语义模型的有效实例数据,生成实例案例图谱,并发送至所述案例库模块;
所述案例库模块,还用于根据所述实例案例图谱生成对应的实例案例图谱快照。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,所述图分析模块,具体用于将所述实例图谱快照与流程工业工厂的知识图谱输入至图神经网络模型进行多关系图谱学习、图谱补全及生成图运算,得到推荐的业务规则,以生成新的图谱。
优选地,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,还包括:
所述知识图谱评估模块,用于对原有的业务规则及推荐的业务规则进行命中率计算,并根据计算结果对知识图谱的质量进行评估。
本发明实施例还提供了一种流程行业工厂知识图谱自维护系统的处理方法,包括:
通过语义库创建模块创建流程行业工厂的语义库;
通过规则库创建模块创建图谱生成规则库;
通过图谱生成模块结合所述语义库和所述图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;
通过案例库模块根据所述语义库中的有效实例数据生成实例图谱快照;
通过图分析模块将所述实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。
从上述技术方案可以看出,本发明所提供的一种流程行业工厂知识图谱自维护系统,包括:语义库创建模块,用于创建流程行业工厂的语义库;规则库创建模块,用于创建图谱生成规则库;图谱生成模块,用于结合语义库和图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;案例库模块,用于根据语义库中的有效实例数据生成实例图谱快照;图分析模块,用于将实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。
本发明通过上述五个模块的相互作用,基于知识图谱技术,利用创建的语义库及规则库,集成流程行业工厂的工艺数据、特征指标及业务规则,动态生成并更新知识图谱,这样形成了具有清晰语义支撑的数据知识和具有特征指标及业务规则的数据处理知识的知识图谱,方便对数据进行有效钻取分析,同时通过图算法模型进行图谱学习,生成新的图谱,可以使知识图谱实现自维护,无需额外维护成本。
此外,本发明还针对流程行业工厂知识图谱自维护系统提供了相应的方法,进一步使得上述系统更具有实用性,该方法具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的流程行业工厂知识图谱自维护系统的结构示意图;
图2为本发明实施例提供的流程行业工厂知识图谱自维护系统的具体结构示意图;
图3为本发明实施例提供的自动更新图谱及推荐领域模型节点及关系的示意图;
图4为本发明实施例提供的流程行业工厂知识图谱自维护系统的处理方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
本发明提供一种流程行业工厂知识图谱自维护系统,如图1所示,包括:
语义库创建模块1,用于创建流程行业工厂的语义库;
规则库创建模块2,用于创建图谱生成规则库;
图谱生成模块3,用于结合语义库和图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;
案例库模块4,用于根据语义库中的有效实例数据生成实例图谱快照;
图分析模块5,用于将实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。
需要说明的是,特征指标是对基于流程行业工厂在生产工艺相关的本体(如设备、人员、流程等)的属性进行加工处理,具有良好的可解释性,便于进一步加工处理或用于人参考决策,这里的值无法直接获取且需要其他本体属性计算的变量。业务规则是指对业务定义和约束的描述,用于维持业务结构或控制和影响业务的行为,其理论基础是:设置一个条件集合,当满足这个条件集合时候,触发一个或者多个动作。知识图谱可视为多关系图G=(V,E),其中边被定义为元组e=(u,t,v)中两个节点间存在特定的关系t∈T,可以将元组e=(u,t,v)理解为两个节点u和v之间特定的实时关系。
在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,通过上述五个模块的相互作用,基于知识图谱技术,利用创建的语义库及规则库,集成流程行业工厂的工艺数据、特征指标及业务规则,动态生成并更新知识图谱,这样形成了具有清晰语义支撑的数据知识和具有特征指标及业务规则的数据处理知识的知识图谱,方便对数据进行有效钻取分析,同时通过图算法模型进行图谱学习,生成新的图谱,可以使知识图谱实现自维护,无需额外维护成本。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,如图2所示,在语义库创建模块1中,语义库可以包括元语义模型、领域语义模型和实例语义模型,即语义库可以包含元模型信息,领域模型信息及实例信息;其中,
元语义模型提供基础概念的语义信息,可以包括基础工艺本体、属性、关系的基础语义信息,以及特征指标和业务规则的数据处理本体、属性及关系的基础语义信息;此部分内容需要预定义,不能通过动态生成模型生成。
领域语义模型可以包括流程行业工厂中较为具体的工艺数据及数据处理的本体。领域语义模型与元语义模型可以理解为继承关系,知识图谱关系为isKindof的关系;此类语义模型即可以预定义,也可以有动态生成模块生成。
实例语义模型可以包括实际流程行业工厂中工艺实体实例及数据处理实体实例;工艺实体实例如具体的设备、人员、流程等,而数据处理实例为针对某个特征指标计算和业务规则的运行实例。实例语义模型与领域语义模型为isa的关系,由动态生成模块生成。
在实际应用中,语义库创建模块1采用图数据库进行存储,存储数据符合OWL标准,OWL标准提供完整的语义信息。OWL(Web Ontology Language,网络本体语言)是一种编程语言,用于对本体进行语义描述。本发明利用语义信息及规则可同步原有系统的工艺本体及数据处理本体信息,减少了知识图谱的建设成本。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,规则库创建模块2可以根据元用户系统采集数据与元语义模型及领域语义模型,创建图谱生成规则库;图谱生成规则库中的每条规则可以包括触发事件类型、语义模型节点、属性创建规则、属性值映射规则、语义关系生成信息。如原流程行业工厂系统对添加了新的规则Rule1,并触发了规则添加事件。该事件对应的元语义模型为Rule,建立新的语义节点,其主属性为ID,显示属性为名称,与元语义模型建立isKindof关系,继承Rule所有属性,并将特征指标语义模型关系根据元语义模型定义为“引用”关系,与结论语义模型关系定义为“推理”关系。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,如图2所示,还可以包括:事件触发模块,用于对流程行业工厂原有系统进行监视并生成事件,向图谱生成模块3发送触发执行动作,同时传输流程行业工厂原有的工艺数据、特征指标及业务规则。
需要说明的是,事件触发模块适配流程行业工厂现有系统及图分析模块,实现对现有流程行业工厂系统及图分析模块进行监视并生成事件,同时传输所需数据。其中,事件触发模块监视流程行业工厂原系统包括:原有系统的工艺类型及实例的添加及删除,如对应工艺本体实例的对应的关系库中增减实例,触发工艺本体实例触发工艺实例变更事件;特征指标增加删除触发特征指标领域语义模型变更事件,特征指标运行实例创建删除触发特征指标实例语义模型变更事件;业务规则增减触发业务规则领域语义模型变更事件,业务规则运行时实例创建删除触发业务规则实例语义模型;对具体数据处理实例数据进行判定后,触发实例判定事件。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,图谱生成模块3,具体可以用于在接收触发执行动作后,根据事件触发模块生成的事件,结合语义库和图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,以生成节点间关系以及添加对应的实例,动态更新流程行业工厂的知识图谱。
具体地,图谱生成模块3主要根据通事件触发模块触发执行动作,根据事件触发模块产生的事件及数据查询规则库创建模块2,可以通过调用语义库创建模块的定义接口生成流程行业工厂节点、属性与现有节点及新建节点之间的关系。图谱生成模块3处理性能指标及业务规则,规则是对性能指标公式之间引用关系进行拆分并分析其关联规则,并根据性能指标元语义模型生成其子节点,创建其继承的父节点属性,并根据规则库创建模块2对应生成映射属性值映射关系,根据图谱规则生成特征指标之间的语义连接。同理,收到特征指标实例添加删除更新时事件时,需要添加对应的实例。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,如图2所示,还可以包括:数据映射模块,用于在更新知识图谱后,将知识图谱的节点属性与流程行业工厂原有系统中对应的数据库值进行映射,并将映射引用关系传输至案例库模块4。
需要指出的是,图谱中领域模型及实例模型属性值为原流程工厂系统数据映射,其中包括以下方面的引用映射,包括工艺领域模型属性值数据的映射引用关系,特征指标领域模型的属性值数据映射引用关系,特征指标实例属性的映射引用关系;业务规则领域模型的属性值映射引用关系;业务规则实例属性值数映射数据。原流程工厂系统中的经过业务规则结论确认历史数据。数据映射模块支撑知识图谱应用数据。其中工艺语义模型实例属性值的技术较为成熟,可采用R2RML等技术实现,部分实例数据处于内存需要对应的数据库映射程序,如内存型数据库Redis、时序数据库InfluxDB等。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,图谱生成模块3,还用于根据实例语义模型的有效实例数据,生成实例案例图谱,并发送至案例库模块4;案例库模块4,还用于根据实例案例图谱生成对应的实例案例图谱快照。
具体地,图谱生成模块3在收到判定事件时将根据实例语义模型信息通过数据映射模型将相关历史数据收集,生成对应的实例案例图谱,并保存至案例库模块4。之后案例库模块4可生成对应的实例案例图谱快照。另外,案例库模块4可根据原流程行业工厂系统特征指标实例及业务规则中经过判定的历史数据,通过事件根据知识图谱提供的语义模型生成的实例子图的快照,为图谱评估及图分析模块提供支撑。在实际应用中,通过运行形成案例库,并保存至案例库模块4。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,图分析模块5,具体可以用于将实例图谱快照与流程工业工厂的知识图谱输入至图神经网络模型进行多关系图谱学习、图谱补全及生成图运算,得到推荐的业务规则,以生成新的图谱。
具体地,图分析模块根据案例库模块的语义实例图谱快照与现有流程行业工厂的图谱,生成图,包括关系补全(包括对现有同类语义的技能关系),图形生成(主要为规则)。
知识图谱可以视为一个多关系图,实例图谱快照可以视为特定实例子图。图分析模块提供常用图算法模型,包括图神经网络模型,如变分自编码器VAE、生成对抗网络(GAN)和自回归模型等,主要目标为将案例库作为输入,学习到相似特性的图,该图用于生成节点及关系,得到推荐的业务规则,再触发事件触发模块结合元语义模型和规则库创建模块通过图谱生成模块实现新的图谱(即推荐图谱)的生成。
在具体实施时,在本发明实施例提供的上述流程行业工厂知识图谱自维护系统中,如图2所示,还可以包括:知识图谱评估模块,用于对原有的业务规则及推荐的业务规则进行命中率计算,并根据计算结果对知识图谱的质量进行评估。
在实际应用中,知识图谱评估模块主要根据图谱案例库对知识图谱进行评估;节点属性统计学评估支持,如根据案例库对应的领域业务语义模型的命中准确率。根据多关系图自关系中特定关系元组e=(u,t,v),中t∈Ti,是时,用于元语义模型及实例图谱进行分析节点的度、中心性、聚类系数、自我中心图等计算关键语义模型及实例节点。通过案例实例图谱在现有语义模型及实例的重合度计数,记录比较重要的关键路径等。
需要指出的是,本发明提供了规则命中准确率统计机制,为用户提供图谱及规则知识质量评估方法,从而形成闭环,并动态补全更新知识图谱。图3示出了自动更新知识图谱及推荐领域模型节点及关系示例。
本发明是基于知识图谱及运行实例数据,可利用结合多关系图算法生产新的业务规则,并根据实际运行情况自行评估,评估准确率达到一定阈值后,可通过评估可更新业务规则,实现现有系统及知识图谱的动态更新,并能发现深层次的业务规则关系,同时并大大减少了业务的工作量。
可以理解的是,本发明的整个过程完成了知识图谱的自动更新,推荐及评估的完整流程,提供了从数据、数据处理到结论的完整知识图谱。用户可在正常使用系统的情况下,动态更新维护知识图谱,并可根据不同图分析算法模型形成推荐数据处理方案,并可以通过已有规则及推荐规则进行评估,根据设定阈值进行评估可实现对原有系统反馈以及知识图谱的维护更新。
在流程工艺设备诊断的应用场景下,流程工艺设备预测性维护是流程行业较为常见的智能应用。一般采用根据某个设备属性实时数据进行特征计算,如旋转机电设备的频率信号计算出一倍频、二倍频,及位置传感器测量的对中性等特征,根据特征值进行规则预测设备的运行情况得出预测结论。结合本发明的上述系统可以将流程工艺设备、特征计算及判断规则均生成完整知识图谱,方便对数据的钻取,同时可以进行图运算,发现诸如统一工艺段不同设备间的身为护的关联关系,以及可能隐含的特征指标与预测结论之间的关系,推荐生成为新的规则。整个过程中,知识图谱实现了自维护,无需额外维护成本。
在流程行业生产决策支持的应用场景下,流程行业工厂生产经营决策支持一方面基生产经营成本,一方面来自市场供需行情,需要根据不同的市场行情进行生产经营决策。因此生产经营需要对不同的生产及市场信息大量不同的生产经营指标,并通过以业务规则辅助的决策树、决策表为辅助经营决策。由于流程行业生产工艺复杂,难以有效钻取分析,并发掘有有效的发现生产经营间规则限制。本发明将生产经营指标及业务规则同工艺主体进行实例化,方便对支持目标结论的数据、指标及规则的分析,根据反馈机制有效等评估现有数据处理联调的有效性,并结合图分析算法图生成规则,并进行评估。用户无需维护知识图谱,根据提示评估修改原系统即可。
基于同一发明构思,本发明实施例还提供了一种流程行业工厂知识图谱自维护系统的处理方法,由于该方法解决问题的原理与前述一种流程行业工厂知识图谱自维护系统相似,因此该方法的实施可以参见流程行业工厂知识图谱自维护系统的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的流程行业工厂知识图谱自维护系统的处理方法,如图4所示,具体包括以下步骤:
S401、通过语义库创建模块创建流程行业工厂的语义库;
S402、通过规则库创建模块创建图谱生成规则库;
S403、通过图谱生成模块结合语义库和图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;
S404、通过案例库模块根据语义库中的有效实例数据生成实例图谱快照;
S405、通过图分析模块将实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。
在本发明实施例提供的上述流程行业工厂知识图谱自维护系统的处理方法中,通过执行上述步骤,可以利用创建的语义库及规则库,集成流程行业工厂的工艺数据、特征指标及业务规则,动态生成并更新知识图谱,这样形成了具有清晰语义支撑的数据知识和具有特征指标及业务规则的数据处理知识的知识图谱,方便对数据进行有效钻取分析,同时通过图算法模型进行图谱学习,生成新的图谱,可以使知识图谱实现自维护,无需额外维护成本。
下面以一个具体实例对本发明实施例提供的流程行业工厂知识图谱自维护系统的处理方法进行详细说明,具体步骤可以如下:
步骤一、创建流程行业工厂的元语义模型及部分领域语义模型,包括工艺元本体模型及部分工艺语义模型,特征元语义模型及业务规则元语义模型;其中流程行业工厂元语义模型参考流程行业标准,如ISO 15926提供符合OWL标准工艺设备元语义模型及领域语义模型,其中缺失部分标准的元语义模型可用Protégé等本体语义建模工具建立并导入图数据库补全知识图谱;
步骤二、创建图谱生成规则库,对建立流程行业工厂的元语义及领域语义模型,根据现有针对数据规则;
步骤三、根据工艺领域模型更新,同步更新知识图谱包括工艺领域模型及实例;
步骤四、根据特征指标领域模型及运行实例,同步更新知识图谱;
步骤五、根据业务规则领域模型及运行实例,同步更新知识图谱;
步骤六、根据业务规则等有效的历史数据,结合语义现有知识图谱语义模型生成包含实例语义及数值的图谱快照,该条图谱的结论实际评审结果。
步骤七、图分析模块可根据确定的图算法模型对现有案例库中知识图谱进行多关系图谱学习,并在现有知识图谱补充关系,对现有知识图谱补全及生成图运算,从而补全工艺本体数据、特征计算到规则结论,并得到图谱生成模块对应的推荐的关系及规则。
步骤八、知识图谱评估模块根据有效实例数据生成的实例图谱快照,图谱评估模块根据案例库模块的验证实例,判定重合度子图重合度确定各个结论的整个质量,如判定规则判定结论的正确率。
步骤九、知识图谱评估模块根据经过判定的实例对现有知识图谱代表数据处理流程进行评价。
其中包括原有工艺数据、特征指标、业务规则及结论的联调的准确率低于一定阈值,以及根据图运算生成实例验证的准确率高于一定数值时,进行评审判断,并根据需要更新原有系统。
步骤十、通过对达到评估标准的数据处理过程进行评估,可根据指导意见修改原流程行业工厂系统,本系统则自动动态更新知识图谱,实现对知识图谱的动态反馈,实现对现有系统的维护更新。
基于以上流程,发明系统提供方案在原流程行业工厂系统建立动态生成知识图谱,并通过将评估机制及图分析模型提供增量知识建议,并通过评审修订形成系统与图谱自适应调整的反馈机制。
关于上述各个步骤更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的系统相对应,所以描述的比较简单,相关之处参见系统部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同系统来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的系统或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上,本发明实施例提供的一种流程行业工厂知识图谱自维护系统,包括:语义库创建模块,用于创建流程行业工厂的语义库;规则库创建模块,用于创建图谱生成规则库;图谱生成模块,用于结合语义库和图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;案例库模块,用于根据语义库中的有效实例数据生成实例图谱快照;图分析模块,用于将实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。本发明通过上述五个模块的相互作用,基于知识图谱技术,利用创建的语义库及规则库,集成流程行业工厂的工艺数据、特征指标及业务规则,动态生成并更新知识图谱,这样形成了具有清晰语义支撑的数据知识和具有特征指标及业务规则的数据处理知识的知识图谱,方便对数据进行有效钻取分析,同时通过图算法模型进行图谱学习,生成新的图谱,可以使知识图谱实现自维护,无需额外维护成本。此外,本发明还针对流程行业工厂知识图谱自维护系统提供了相应的方法,进一步使得上述系统更具有实用性,该方法具有相应的优点。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、系统、物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、系统、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、系统、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的流程行业工厂知识图谱自维护系统及方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的系统及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种流程行业工厂知识图谱自维护系统,其特征在于,包括:
语义库创建模块,用于创建流程行业工厂的语义库;
规则库创建模块,用于创建图谱生成规则库;
图谱生成模块,用于结合所述语义库和所述图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;
案例库模块,用于根据所述语义库中的有效实例数据生成实例图谱快照;
图分析模块,用于将所述实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。
2.根据权利要求1所述的流程行业工厂知识图谱自维护系统,其特征在于,所述语义库包括元语义模型、领域语义模型和实例语义模型;其中,
所述元语义模型包括基础工艺本体、属性、关系的基础语义信息,以及特征指标和业务规则的数据处理本体、属性及关系的基础语义信息;
所述领域语义模型包括工艺数据及数据处理的本体;所述领域语义模型与所述元语义模型为isKindof的关系;
所述实例语义模型包括工艺实体实例及数据处理实体实例;所述实例语义模型与所述领域语义模型为isa的关系。
3.根据权利要求2所述的流程行业工厂知识图谱自维护系统,其特征在于,所述图谱生成规则库中的每条规则包括触发事件类型、语义模型节点、属性创建规则、属性值映射规则、语义关系生成信息。
4.根据权利要求3所述的流程行业工厂知识图谱自维护系统,其特征在于,还包括:
事件触发模块,用于对流程行业工厂原有系统进行监视并生成事件,向所述图谱生成模块发送触发执行动作,同时传输流程行业工厂原有的工艺数据、特征指标及业务规则。
5.根据权利要求4所述的流程行业工厂知识图谱自维护系统,其特征在于,所述图谱生成模块,具体用于在接收触发执行动作后,根据所述事件触发模块生成的事件,结合所述语义库和所述图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,以生成节点间关系以及添加对应的实例,动态更新流程行业工厂的知识图谱。
6.根据权利要求5所述的流程行业工厂知识图谱自维护系统,其特征在于,还包括:
数据映射模块,用于在更新知识图谱后,将知识图谱的节点属性与流程行业工厂原有系统中对应的数据库值进行映射,并将映射引用关系传输至所述案例库模块。
7.根据权利要求6所述的流程行业工厂知识图谱自维护系统,其特征在于,所述图谱生成模块,还用于根据所述实例语义模型的有效实例数据,生成实例案例图谱,并发送至所述案例库模块;
所述案例库模块,还用于根据所述实例案例图谱生成对应的实例案例图谱快照。
8.根据权利要求7所述的流程行业工厂知识图谱自维护系统,其特征在于,所述图分析模块,具体用于将所述实例图谱快照与流程工业工厂的知识图谱输入至图神经网络模型进行多关系图谱学习、图谱补全及生成图运算,得到推荐的业务规则,以生成新的图谱。
9.根据权利要求8所述的流程行业工厂知识图谱自维护系统,其特征在于,还包括:
所述知识图谱评估模块,用于对原有的业务规则及推荐的业务规则进行命中率计算,并根据计算结果对知识图谱的质量进行评估。
10.一种如权利要求1至9任一项所述流程行业工厂知识图谱自维护系统的处理方法,其特征在于,包括:
通过语义库创建模块创建流程行业工厂的语义库;
通过规则库创建模块创建图谱生成规则库;
通过图谱生成模块结合所述语义库和所述图谱生成规则库,集成流程行业工厂原有的工艺数据、特征指标及业务规则,动态更新流程行业工厂的知识图谱;
通过案例库模块根据所述语义库中的有效实例数据生成实例图谱快照;
通过图分析模块将所述实例图谱快照与流程工业工厂的知识图谱输入至图算法模型进行图谱学习,生成新的图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065380.1A CN114418399A (zh) | 2022-01-20 | 2022-01-20 | 一种流程行业工厂知识图谱自维护系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210065380.1A CN114418399A (zh) | 2022-01-20 | 2022-01-20 | 一种流程行业工厂知识图谱自维护系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418399A true CN114418399A (zh) | 2022-04-29 |
Family
ID=81276206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210065380.1A Pending CN114418399A (zh) | 2022-01-20 | 2022-01-20 | 一种流程行业工厂知识图谱自维护系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418399A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114629941A (zh) * | 2022-05-16 | 2022-06-14 | 山东纽克信息技术有限公司 | 一种基于底层远程控制管理维护的运营系统 |
CN116383669A (zh) * | 2023-03-18 | 2023-07-04 | 宝钢工程技术集团有限公司 | 一种数据贯通的工厂对象位号标识生成方法及系统 |
-
2022
- 2022-01-20 CN CN202210065380.1A patent/CN114418399A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114629941A (zh) * | 2022-05-16 | 2022-06-14 | 山东纽克信息技术有限公司 | 一种基于底层远程控制管理维护的运营系统 |
CN116383669A (zh) * | 2023-03-18 | 2023-07-04 | 宝钢工程技术集团有限公司 | 一种数据贯通的工厂对象位号标识生成方法及系统 |
CN116383669B (zh) * | 2023-03-18 | 2024-04-16 | 宝钢工程技术集团有限公司 | 一种数据贯通的工厂对象位号标识生成方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7437703B2 (en) | Enterprise multi-agent software system with services able to call multiple engines and scheduling capability | |
Attaallah et al. | Analyzing the Big Data Security Through a Unified Decision-Making Approach. | |
Panayotova et al. | Modeling and data processing of information systems | |
CN114418399A (zh) | 一种流程行业工厂知识图谱自维护系统及方法 | |
CN105144112A (zh) | Java堆使用的季节趋势、预报、异常检测和端点预测 | |
CN112613789A (zh) | 风险管控数据处理方法、风险预警规则前置数据监控方法 | |
Abdirad et al. | Artificial intelligence for BIM content management and delivery: Case study of association rule mining for construction detailing | |
Shakouri et al. | A parametric method for ranking intuitionistic fuzzy numbers and its application to solve intuitionistic fuzzy network data envelopment analysis models | |
WO2022237284A1 (zh) | 一种工程化预测分析的方法 | |
CN115309913A (zh) | 一种基于深度学习的财务数据风险识别方法及系统 | |
Danishvar et al. | EventiC: A real-time unbiased event-based learning technique for complex systems | |
CN117235524A (zh) | 自动估值模型的学习训练平台 | |
Benferhat et al. | Belief graphical models for uncertainty representation and reasoning | |
CN115221337A (zh) | 数据编织处理方法、装置、电子设备及可读存储介质 | |
Chatzikonstantinou et al. | Run-time requirements verification for reconfigurable systems | |
Kang et al. | Real‐time business process monitoring using formal concept analysis | |
Okoye et al. | Ontology: core process mining and querying enabling tool | |
CN114817577A (zh) | 一种基于知识图谱电网知识共享及智能决策技术服务方法 | |
Mahala et al. | A normative approach for resilient multiagent systems | |
Haroonabadi et al. | A novel method for behavior modeling in uncertain information systems | |
CN112270503A (zh) | 施工风险演变系统、构建方法以及施工风险的评估方法 | |
Slam et al. | A Prototype Intelligent Decision-Support System with a Unified Planning and Learning Capabilities | |
Fjellheim | 9 Model-Based Reasoning | |
Chandra Shekar et al. | Hidden decision tree based pattern evaluation using regression models for health diagnosis | |
Mousavi et al. | EventiC: A Real-Time Unbiased Event Based Learning Technique for Complex Systems |
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 |