CN114529224A - 产品的质量管控方法、系统、终端设备及存储介质 - Google Patents

产品的质量管控方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN114529224A
CN114529224A CN202210419171.2A CN202210419171A CN114529224A CN 114529224 A CN114529224 A CN 114529224A CN 202210419171 A CN202210419171 A CN 202210419171A CN 114529224 A CN114529224 A CN 114529224A
Authority
CN
China
Prior art keywords
defect
defect information
information
product
quality control
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
Application number
CN202210419171.2A
Other languages
English (en)
Inventor
徐佐
武汉琦
杜云鹏
刘桂芬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CITIC Dicastal Co Ltd
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Original Assignee
CITIC Dicastal Co Ltd
Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CITIC Dicastal Co Ltd, Shenzhen Xinrun Fulian Digital Technology Co Ltd filed Critical CITIC Dicastal Co Ltd
Priority to CN202210419171.2A priority Critical patent/CN114529224A/zh
Publication of CN114529224A publication Critical patent/CN114529224A/zh
Pending legal-status Critical Current

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种产品的质量管控方法、系统、终端设备及存储介质。该方法包括：接收产品的缺陷信息；基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。本发明旨在及时发现并处理工业流程上的缺陷，提高工业流程的效率。

Description

产品的质量管控方法、系统、终端设备及存储介质
技术领域
本发明涉及工业制造技术领域，尤其涉及一种产品的质量管控方法、系统、终端设备及存储介质。
背景技术
由于铝车轮毂是汽车的关键零部件，因此，对铝车轮毂的质量与安全性能有着绝对严格的要求。当前，对于铝车轮毂涂装后的质量管控方式为：设备检验、人工缺陷分析、问题对策制定。但是，这种方式依赖人员的知识经验储备，且人工缺陷分析是对铝车轮毂处理后数据进行分析，决策有延迟性，无法及时发现并处理缺陷。
发明内容
本发明实施例的主要目的在于提供一种产品的质量管控方法、系统、终端设备及存储介质，旨在及时发现并处理工业流程上的缺陷，提高工业流程的效率。
为实现上述目的，本发明实施例提供一种产品的质量管控方法，所述产品的质量管控方法包括：
接收产品的缺陷信息；
基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
可选地，所述基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略的步骤之前包括：
建立所述工艺知识图谱；
其中，所述建立所述工艺知识图谱的步骤包括：
获取训练数据集；
对所述训练数据集进行关系抽取，得到实体关系三元组；
融合所述实体关系三元组的实体，得到所述工艺知识图谱。
可选地，所述对所述训练数据集进行关系抽取，得到实体关系三元组的步骤包括：
对所述训练数据集进行预处理，得到实体集；
对所述实体集中实体间的距离设置编码，得到位置特征集；
对所述实体集进行切分，得到文本特征集；
基于所述位置特征集、所述文本特征集，得到所述实体关系三元组。
可选地，所述融合所述实体关系三元组的实体，得到所述工艺知识图谱的步骤包括：
基于所述实体关系三元组的实体，构建匹配关系；
基于所述匹配关系，对所述实体关系三元组的实体进行分类，得到分类结果；
对所述分类结果的实体进行融合，得到所述工艺知识图谱。
可选地，所述基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略的步骤之后包括：
将所述处置策略发送至所述处置策略对应的系统后，接收所述处置策略对应的系统的检测信息；
若所述检测信息不满足预设要求，则根据所述检测信息更新所述缺陷信息，并返回执行步骤：基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略；直到所述检测信息满足所述预设要求，终止循环。
可选地，所述接收产品的缺陷信息的步骤之后包括：
若基于所述工艺知识图谱无法生成所述缺陷信息对应的缺陷原因，则获取所述缺陷信息的关联信息；
基于所述缺陷信息的关联信息、所述工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略；
基于所述缺陷信息、所述缺陷信息的关联信息，更新所述工艺知识图谱。
可选地，所述基于所述位置特征集、所述文本特征集，得到所述实体关系三元组的步骤包括：
对所述位置特征集、所述文本特征集进行拼接，得到第一特征集；
对所述第一特征集进行特征提取，得到第二特征集；
基于所述第二特征集，得到所述实体关系三元组。
此外，为实现上述目的，本发明还提供一种产品的质量管控系统，所述系统包括：
接收模块，用于接收产品的缺陷信息；
处理模块，用于基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的产品的质量管控方法，所述产品的质量管控的程序被所述处理器执行时实现如上所述的产品的质量管控方法的步骤。
此外，为实现上述目的，本发明还提供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产品的质量管控的程序，所述产品的质量管控的程序被处理器执行时实现如上所述的产品的质量管控方法的步骤。
本发明实施例提出的产品的质量管控方法、系统、终端设备及存储介质，接收产品的缺陷信息；基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。通过上述方式，本发明根据产品的缺陷信息从预先创建的工艺知识图谱里确定产生上述缺陷的原因，并根据原因确定处置策略，以通过处置策略解决上述缺陷，提高工业流程的效率。
附图说明
图1为本发明产品的质量管控装置所属终端设备的功能模块示意图；
图2为本发明产品的质量管控方法第一实施例的流程示意图；
图3为本发明产品的质量管控方法第二实施例的流程示意图；
图4为本发明产品的质量管控系统的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：接收产品的缺陷信息；基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
本发明实施例涉及的技术术语：
CNN：（Convolutional Neural Networks, 卷积神经网络），是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
App：（application，手机软件），主要指安装在智能手机上的软件，完善原始系统的不足与个性化。使手机完善其功能，为用户提供更丰富的使用体验的主要手段。手机软件的运行需要有相应的手机系统。
RDF：(Resource Description Framework，资源描述框架)，是一个使用XML语法来表示的资料模型(Datamodel),用来描述Web资源的特性,及资源与资源之间的关系。
Piece-wise-CNN：关系抽取网络，用于解决分类问题，输入句子和实体信息，然后让模型分出这两个实体之间的关系属于哪一类。
TensorFlow：张量流图，是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
K-means：k-means算法是通过计算不同样本间的距离来判断他们的相近关系的，相近的就会放到同一个类别中去。
GMM：（Gaussian Mixed Model，高斯混合模型），指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布）。
Deepdive：是信息抽取系统,系统集成了文件分析、信息提取、信息整合、概率预测等功能。deepdive系统运行过程中包括一个重要的迭代环节。即每轮输出生成后，用户需要对运行结果进行错误分析，通过特征调整、更新知识库信息、修改规则等手段干预系统的学习，这样的交互与迭代计算能使得系统的输出不断得到改进。
由于铝车轮毂是汽车的关键零部件，因此，对铝车轮毂的质量与安全性能有着绝对严格的要求。当前，对于铝车轮毂涂装后的质量管控方式为：设备检验、人工缺陷分析、问题对策制定。但是，这种方式依赖人员的知识经验储备，且人工缺陷分析是对铝车轮毂处理后数据进行分析，决策有延迟性，无法及时发现并处理缺陷。
本发明提供一种解决方案，旨在及时发现并处理工业流程上的缺陷，提高工业流程的效率。
具体地，参照图1，图1是本发明产品的质量管控装置所属终端设备的功能模块示意图。该产品的质量管控装置可以为独立于终端设备的、能够进行图片处理、网络模型训练的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
在本实施例中，该产品的质量管控装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作方法以及产品的质量管控程序；输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
其中，存储器130中的产品的质量管控程序被处理器执行时实现以下步骤：
接收产品的缺陷信息；
基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
进一步地，存储器130中的产品的质量管控程序被处理器执行时还实现以下步骤：
建立所述工艺知识图谱；
其中，所述建立所述工艺知识图谱的步骤包括：
获取训练数据集；
对所述训练数据集进行关系抽取，得到实体关系三元组；
融合所述实体关系三元组的实体，得到所述工艺知识图谱。
进一步地，存储器130中的产品的质量管控程序被处理器执行时还实现以下步骤：
对所述训练数据集进行预处理，得到实体集；
对所述实体集中实体间的距离设置编码，得到位置特征集；
对所述实体集进行切分，得到文本特征集；
基于所述位置特征集、所述文本特征集，得到所述实体关系三元组。
进一步地，存储器130中的产品的质量管控程序被处理器执行时还实现以下步骤：
基于所述实体关系三元组的实体，构建匹配关系；
基于所述匹配关系，对所述实体关系三元组的实体进行分类，得到分类结果；
对所述分类结果的实体进行融合，得到所述工艺知识图谱。
进一步地，存储器130中的产品的质量管控程序被处理器执行时还实现以下步骤：
将所述处置策略发送至所述处置策略对应的系统后，接收所述处置策略对应的系统的检测信息；
若所述检测信息不满足预设要求，则根据所述检测信息更新所述缺陷信息，并返回执行步骤：基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略；直到所述检测信息满足所述预设要求，终止循环。
进一步地，存储器130中的产品的质量管控程序被处理器执行时还实现以下步骤：
若基于所述工艺知识图谱无法生成所述缺陷信息对应的缺陷原因，则获取所述缺陷信息的关联信息；
基于所述缺陷信息的关联信息、所述工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略；
基于所述缺陷信息、所述缺陷信息的关联信息，更新所述工艺知识图谱。
进一步地，存储器130中的产品的质量管控程序被处理器执行时还实现以下步骤：
对所述位置特征集、所述文本特征集进行拼接，得到第一特征集；
对所述第一特征集进行特征提取，得到第二特征集；
基于所述第二特征集，得到所述实体关系三元组。
本实施例通过上述方案，具体通过接收产品的缺陷信息；基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。本发明旨在及时发现并处理工业流程上的缺陷，提高工业流程的效率。
基于上述终端设备架构但不限于上述架构，提出本发明方法实施例。
参照图2，图2为本发明产品的质量管控方法第一实施例的流程示意图。所述产品的质量管控方法包括：
步骤S101，接收产品的缺陷信息。
步骤S102，基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
本实施例方法的执行主体可以是一种产品的质量管控装置，也可以是一种产品的质量管控终端设备、App或服务器，本实施例以产品的质量管控App进行举例，该产品的质量管控App可以集成在具有数据处理功能的智能手机、平板电脑等终端设备上，并且可以在网页端、移动应用端同时部署与运行。
在本实施例中，以轮毂的加工工业流程进行举例说明。为了及时发现并处理工业流程上的缺陷，提高工业流程的效率，通过轮毂的加工设备监测轮毂的加工情况，当轮毂的加工设备检测到轮毂的缺陷时，将该缺陷信息实时发送至系统后台，并发送报警信息；其中，将轮毂的缺陷信息作为产品的缺陷信息。例如，通过涂装光学监测设备自行判断轮滚缺陷情况，对发现的缺陷实时发送相关信息至系统后台。
进一步地，系统后台的产品的质量管控App接收产品的缺陷信息以及报警信息，并基于缺陷信息、预先创建的工艺知识图谱，罗列出有可能引起上述缺陷的问题。
具体地，系统后台的产品的质量管控App接收到缺陷报警信息后，立即依据工艺知识图谱进行推断，罗列出有可能出现的前5项问题；其中，罗列出的问题的个数可根据实际情况进行设置。
进一步地，获取缺陷信息的关联信息，对罗列出的有可能出现的问题进行排除与判定，确定缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略。
具体地，结合物料系统的来料检测状况、设备实时监测的运行信息与操作参数、生产现场的温湿度、人员实操信息等信息，对罗列出的问题进行排除与判定，确定最大几率产生该缺陷的原因的对应策略；其中，将结合物料系统的来料检测状况、设备实时监测的运行信息与操作参数、生产现场的温湿度、人员实操信息等信息作为上述缺陷信息的关联信息。由此，通过缺陷信息的关联信息对罗列出的问题原因进行筛选与判别，提高缺陷原因的准确率。
若基于工艺知识图谱无法生成缺陷信息对应的缺陷原因，则获取缺陷信息的关联信息；基于缺陷信息的关联信息、工艺知识图谱，生成缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略。基于缺陷信息、缺陷信息的关联信息，更新工艺知识图谱；其中，将物料系统的来料检测状况、设备实时监测的运行信息与操作参数、生产现场的温湿度、人员实操信息等信息作为上述缺陷信息的关联信息。
由此，当工艺知识图谱内无缺陷信息对应的缺陷原因时，工艺知识图谱根据缺陷信息的关联信息进行学习，得到缺陷信息对应的缺陷原因，以提高工艺知识图谱的准确率，为未来的缺陷分析做好资料准备。
进一步地，将处置策略发送至处置策略对应的系统。处置策略对应的系统接收到该处置策略并执行该处置策略后，通过处置策略对应的系统检测产品的状态，得到检测信息并发送至系统后台。系统后台的产品的质量管控App接收处置策略对应的系统的检测信息。若检测信息不满足预设要求，则根据检测信息更新缺陷信息，并返回执行步骤S102：基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略；其中，上述预设要求为处置策略对应的系统的正常工作参数。
若检测信息满足预设要求，则证明该缺陷已经得到解决；若检测信息不满足预设要求，则继续执行步骤S102：基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略。
具体地，将缺陷信息相关的对应策略立即发送至对应系统，进行闭环调整。如物料的来料再次复检、设备参数的实时上下微调、关键部件相关运维的指令、人员操作模式的立即改善等。形成质量的改善闭环。
由此，通过上述方式，有效解决工业流程的监测、报警、原因分析、决策下达、闭环改善，以对工业全流程进行监控，实时把握产品的加工状态，并解决产品的加工缺陷，提高工业流程的工作效率，提高产品质量。
本实施例通过上述方案，具体通过接收产品的缺陷信息；基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。本发明旨在及时发现并处理工业流程上的缺陷，通过对工业全流程进行监控，实时把握产品的加工状态，并解决产品的加工缺陷，提高工业流程的工作效率，提高产品质量。
参照图3，图3为本发明产品的质量管控方法第二实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，步骤S102：基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略之前包括：
步骤S103，获取训练数据集。
步骤S104，对所述训练数据集进行关系抽取，得到实体关系三元组。
在本实施例中，基于工业机理模式，建立工艺知识图谱，其中，建立知识图谱的过程包括数据采集，知识抽取，知识链接与融合，知识推理以及赋能。
首先，获取训练数据集：训练数据集是搭建工艺知识图谱的基础，可以获取网络的公开数据集，学术领域中已经开放的数据集。在本实施例中，工艺知识图谱应用于轮毂涂装质量领域，因此，工艺知识图谱主要应用于匹配搜索相应的风险内容项目，因此，训练数据集可以从日常生产记录中获得。
例如，获取轮毂涂装时涉及的加工设备、仪器及其相应的工作参数、型号、工作时产生的问题、存在的缺陷及其应对方法，将上述数据作为训练数据集。
其次，知识抽取：对训练数据集进行预处理，得到实体集；对实体集中实体间的距离设置编码，得到位置特征集；对实体集进行切分，得到文本特征集；对位置特征集、文本特征集进行拼接，得到第一特征集；对第一特征集进行特征提取，得到第二特征集；基于第二特征集，得到实体关系三元组。
具体地，对训练数据集的数据进行预处理，粗加工，得到实体集；由此，通过预处理，去除训练数据集中数据偏差较大的数据以及非必要信息，提高训练数据集中数据的准确率、参考性。
进一步的，对实体集中的数据进行识别、分类、关系抽取。在知识图谱中，实体之间的关系往往是通过RDF表示。而在形式上，RDF往往表示为三元组。因此在知识抽取的过程中，需要将数据提取成实体-关系三元组。实体间的关系抽取，获得知识图谱的最小单元三元组，主要通过Piece-Wise-CNN以及TensorFlow深度学习框架实现。其中，对实体集中的实体进行关系抽取的方法如下：
对实体集中的实体进行位置编码，按数据文件中的句子中各个词离实体的距离进行编码，得到位置特征集。对实体集中的每一条文本数据，在两个实体处各切一刀，从而将文本分成三段，得到文本特征集。将文本特征集的特征、位置特征集的特征拼接，得到第一特征集。通过CNN对第一特征集进行特征提取，得到第二特征集。将第二特征集的特征通过最大池化层之后进行拼接，送入softmax层，最终得到实体集中实体间的关系，作为实体关系三元组。
步骤S105，融合所述实体关系三元组的实体，得到所述工艺知识图谱。
由于训练数据集中的数据来源不同，往往一些不同的实体可以进一步融合对齐，并组成一个新的实体。根据融合之后的实体，三元组集合可以进一步进行学习以及推理，重新构建关系以及冲突。最后还是以RDF形式表现，形成一个无向图网络。实体的对齐可以基于机器分类算法实现，如支持向量机，神经网络等。
在本实施例中，基于实体关系三元组的实体，构建匹配关系；基于匹配关系，对实体关系三元组的实体进行分类，得到分类结果；对分类结果的实体进行融合，得到工艺知识图谱。
具体地，虽然知识抽取的过程可以实现从非结构化和半结构化数据中获取实体、关系以及实体属性信息的目标。然而，考虑到数据来源不同，来自不同数据源的知识可能存在重复，层次结构缺失等问题。因此，必须通过数据融合将一些不同的实体进行进一步的融合，形成一个新的实体。根据融合后的实体，三元组集合可以进一步进行学习以及推理，重新构建关系以及冲突。最后仍以RDF形式表现。
知识链接与融合：知识融合往往通过实体对齐的方式实现。实体对齐主要是用于解决异构数据中的实体冲突，指向不明，实体重复等不一致性问题。在实体对齐后，可以创建一个顶层的统一知识库，从而有效解决数据的多源异质问题。
在本实施例中，将需要对齐的数据进行分区索引。以此降低匹配以及对齐算法的计算复杂度，提高算法效率；利用相似度函数构建实体关系三元组的实体之间的关系以及相似程度，得到成对的匹配关系；基于所得的匹配关系，利用基于机器学习的实体对齐算法进行实例融合，得到分类（聚类）结果，作为上述分类结果。
其中，基于机器学习的实体对齐算法可以根据是否使用标注数据，分为监督学习以及无监督学习。基于监督学习的实体对齐方法主要是将实体对齐问题转化为了分类问题。将实体进行分类，并将同一类实体进行融合匹配。例如，通过决策树对实体进行分类；通过支持向量机对实体进行分类；通过神经网络对实体进行分类。基于无监督学习的实体对齐方法则是将实体对齐问题转化为聚类问题。其主要是基于实体间的匹配关系，将相似的实体尽量聚集在一起，从而进行实体对齐。例如，通过K-means对实体进行聚类，通过高斯混合模型（GMM）对实体进行聚类，基于密度的噪声应用空间对实体进行聚类。
进一步地，基于所得的分类（或聚类）结果，对同一类中的实体进行对齐融合，形成最终的对齐结果：无向图网络。无向图即为没有方向的图。由于知识图谱主要由三元组拼接构成，因此，当图谱中两个节点之间存在关系时，它们就会被一条无向边连接在一起。节点即为实体，而无向边则为关系。因此，知识图谱通常可视为一个无向图网络，因此，将上述无向图网络作为工艺知识图谱。
进一步地，知识推理：基于所得的无向图网络，可以基于图论的方法进行网络关联分析，将其应用于文档、检索中。同时，可以进行日常的知识更新，实体的拓展，以及关键词搜索引擎的更新。
在知识图谱搭建完成后，使用无向图广度优先搜索算法进行网络关联分析：
a)从任意一个节点A开始，遍历其所有的邻近B，C
b)再以B为起点，遍历其所有临近点D，E
c)再以C为起点，遍历其所有临近点F，G
d)以此类推
知识图谱的搭建可以通过相应的一些工具。在本实施例中，使用Deepdive，通过机器学习和人工干预的方式不断迭代提升知识图谱。在搭建完成后，工艺知识图谱可以根据所提供表单的核心字段等信息，自动匹配搜索出相应的风险内容项目，以供用户参考。
本实施例通过上述方案，具体通过接收产品的缺陷信息；基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。本发明旨在及时发现并处理工业流程上的缺陷，提高工业流程的效率。
参照图4，图4为本发明产品的质量管控系统的功能模块示意图。产品的质量管控系统包括：
接收模块10，用于接收产品的缺陷信息；
处理模块20，用于基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
本实施例实现产品的质量管控的原理及实施过程，请参照上述各实施例，在此不再赘述。
此外，本发明实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的产品的质量管控程序，所述产品的质量管控程序被所述处理器执行时实现如上所述的产品的质量管控方法的步骤。
由于本产品的质量管控程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出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产品的质量管控程序，所述产品的质量管控程序被处理器执行时实现如上所述的产品的质量管控方法的步骤。
由于本产品的质量管控程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
相比现有技术，本发明提供的一种产品的质量管控方法、系统、终端设备及存储介质，通过接收产品的缺陷信息；基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。本发明旨在及时发现并处理工业流程上的缺陷，提高工业流程的效率。
需要说明的是，在本文中，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、物品或者方法不仅包括那些要素，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、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本发明每个实施例的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种产品的质量管控方法，其特征在于，所述方法包括如下步骤：
接收产品的缺陷信息；
基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
2.根据权利要求1所述的产品的质量管控方法，其特征在于，所述基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略的步骤之前包括：
建立所述工艺知识图谱；
其中，所述建立所述工艺知识图谱的步骤包括：
获取训练数据集；
对所述训练数据集进行关系抽取，得到实体关系三元组；
融合所述实体关系三元组的实体，得到所述工艺知识图谱。
3.根据权利要求2所述的产品的质量管控方法，其特征在于，所述对所述训练数据集进行关系抽取，得到实体关系三元组的步骤包括：
对所述训练数据集进行预处理，得到实体集；
对所述实体集中实体间的距离设置编码，得到位置特征集；
对所述实体集进行切分，得到文本特征集；
基于所述位置特征集、所述文本特征集，得到所述实体关系三元组。
4.根据权利要求2所述的产品的质量管控方法，其特征在于，所述融合所述实体关系三元组的实体，得到所述工艺知识图谱的步骤包括：
基于所述实体关系三元组的实体，构建匹配关系；
基于所述匹配关系，对所述实体关系三元组的实体进行分类，得到分类结果；
对所述分类结果的实体进行融合，得到所述工艺知识图谱。
5.根据权利要求1所述的产品的质量管控方法，其特征在于，所述基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略的步骤之后包括：
将所述处置策略发送至所述处置策略对应的系统后，接收所述处置策略对应的系统的检测信息；
若所述检测信息不满足预设要求，则根据所述检测信息更新所述缺陷信息，并返回执行步骤：基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略；直到所述检测信息满足所述预设要求，终止循环。
6.根据权利要求1所述的产品的质量管控方法，其特征在于，所述接收产品的缺陷信息的步骤之后包括：
若基于所述工艺知识图谱无法生成所述缺陷信息对应的缺陷原因，则获取所述缺陷信息的关联信息；
基于所述缺陷信息的关联信息、所述工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略；
基于所述缺陷信息、所述缺陷信息的关联信息，更新所述工艺知识图谱。
7.根据权利要求3所述的产品的质量管控方法，其特征在于，所述基于所述位置特征集、所述文本特征集，得到所述实体关系三元组的步骤包括：
对所述位置特征集、所述文本特征集进行拼接，得到第一特征集；
对所述第一特征集进行特征提取，得到第二特征集；
基于所述第二特征集，得到所述实体关系三元组。
8.一种产品的质量管控系统，其特征在于，包括：
接收模块，用于接收产品的缺陷信息；
处理模块，用于基于所述缺陷信息、预先创建的工艺知识图谱，生成所述缺陷信息对应的缺陷原因，并根据所述缺陷原因确定处置策略，以根据所述处置策略解决所述缺陷信息对应的缺陷。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的产品的质量管控方法，所述产品的质量管控的程序被所述处理器执行时实现如权利要求1-7中任一项所述的产品的质量管控方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有产品的质量管控的程序，所述产品的质量管控的程序被处理器执行时实现如权利要求1-7中任一项所述的产品的质量管控方法的步骤。
CN202210419171.2A 2022-04-21 2022-04-21 产品的质量管控方法、系统、终端设备及存储介质 Pending CN114529224A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210419171.2A CN114529224A (zh) 2022-04-21 2022-04-21 产品的质量管控方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210419171.2A CN114529224A (zh) 2022-04-21 2022-04-21 产品的质量管控方法、系统、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN114529224A true CN114529224A (zh) 2022-05-24

Family

ID=81628034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210419171.2A Pending CN114529224A (zh) 2022-04-21 2022-04-21 产品的质量管控方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN114529224A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019839A (zh) * 2018-01-03 2019-07-16 中国科学院计算技术研究所 基于神经网络和远程监督的医学知识图谱构建方法和系统
CN112836972A (zh) * 2021-02-05 2021-05-25 南方电网调峰调频发电有限公司信息通信分公司 一种it设备故障缺陷处理系统及故障缺陷处理方法
CN114169248A (zh) * 2021-12-14 2022-03-11 广域铭岛数字科技有限公司 产品缺陷数据分析方法、系统、电子设备及可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019839A (zh) * 2018-01-03 2019-07-16 中国科学院计算技术研究所 基于神经网络和远程监督的医学知识图谱构建方法和系统
CN112836972A (zh) * 2021-02-05 2021-05-25 南方电网调峰调频发电有限公司信息通信分公司 一种it设备故障缺陷处理系统及故障缺陷处理方法
CN114169248A (zh) * 2021-12-14 2022-03-11 广域铭岛数字科技有限公司 产品缺陷数据分析方法、系统、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN112612902B (zh) 一种电网主设备的知识图谱构建方法及设备
CN114816909B (zh) 一种基于机器学习的实时日志检测预警方法及系统
CN112463981A (zh) 一种基于深度学习的企业内部经营管理风险识别提取方法及系统
CN113254507B (zh) 一种数据资产目录智能构建盘点方法
CN114443863B (zh) 工控网络中基于机器学习的攻击向量生成方法及系统
Xie et al. Logm: Log analysis for multiple components of hadoop platform
Moparthi et al. Design and implementation of hybrid phase based ensemble technique for defect discovery using SDLC software metrics
CN113779267A (zh) 一种基于意图的星上智能任务决策方法
US11501177B2 (en) Knowledge engineering and reasoning on a knowledge graph
CN106775694B (zh) 一种软件配置代码制品的层次分类方法
CN114529224A (zh) 产品的质量管控方法、系统、终端设备及存储介质
KR20210063879A (ko) 마케팅 정보 분석 챗봇 서비스 제공 프로그램 및 기록매체
CN115239153A (zh) 一种用于化工园区事故的应急指挥决策方法、系统及介质
CN109614486A (zh) 一种基于自然语言处理技术的服务自动推送系统及方法
Augello et al. Sensing the web for induction of association rules and their composition through ensemble techniques
Yao et al. Defect Prediction Technology of Aerospace Software Based on Deep Neural Network and Process Measurement
Amja et al. Modeling and reasoning in context-aware systems based on relational concept analysis and description logic
CN114373090A (zh) 模型轻量化方法、装置、电子设备及计算机可读存储介质
Chen English translation template retrieval based on semantic distance ontology knowledge recognition algorithm
CN115098704B (zh) 电池极片厚度预测方法、装置、设备及可读存储介质
Shi et al. A novel approach to extract knowledge from simulation results
CN115529602B (zh) 面向企业用户业务需求区域的识别方法及系统
Caravela et al. A closed-loop automatic data-mining approach for preventive network monitoring
Zhouhuo [Retracted] Parallel Classification Algorithm Design of Human Resource Big Data Based on Spark Platform
CN117093196B (zh) 一种基于知识图谱的编程语言生成方法及系统

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