CN114936755A - 一种基于知识图谱的螺柱焊接缺陷根因分析方法 - Google Patents
一种基于知识图谱的螺柱焊接缺陷根因分析方法 Download PDFInfo
- Publication number
- CN114936755A CN114936755A CN202210460684.8A CN202210460684A CN114936755A CN 114936755 A CN114936755 A CN 114936755A CN 202210460684 A CN202210460684 A CN 202210460684A CN 114936755 A CN114936755 A CN 114936755A
- Authority
- CN
- China
- Prior art keywords
- root cause
- data
- stud welding
- event
- layer
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 82
- 230000007547 defect Effects 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000009825 accumulation Methods 0.000 claims abstract description 7
- 239000002131 composite material Substances 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000001376 precipitating effect Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
一种基于知识图谱的螺柱焊接缺陷根因分析方法，包括以下步骤：将螺柱焊接所产生的数据进行组织；整理出螺柱焊接工艺出现的各种缺陷及引起各种缺陷的多层次根因链；自动更新多层次根因链；设计一种新的结合自适应的根因分析冷启动办法；根据多层次根因图谱中的复合参数层预测当前螺柱焊缺陷的所属情况；根据多层次根因图谱中的基础参数层预测当前螺柱焊缺陷的所属情况；计算出多个工况的不同螺柱焊缺陷可能性；将各个链路的得分进行归一化并作为最终的得分；通过数据与最终确认的根因链，并不断积累，最终定期更新模型及统计结果。本发明克服了现有技术的不足，以该方法为基础，分析出最可能的根因链，帮助现场工程师寻找问题的根源，提升效率。
Description
技术领域
本发明涉及计算机软件技术领域，具体涉及一种基于知识图谱的螺柱焊接缺陷根因分析方法。
背景技术
知识图谱相比于传统的数据库，除了能存储大量的数据外，也能很好的梳理刻画出数据对象的画像和数据对象间的关系网络。尤其在知识检索、问答系统、电商系统等领域提供着全方面多维度的数据支撑，发挥着巨大的作用。
但是，目前对故障的根因分析往往集中在大型互联网系统，有着充分的报警信息和海量的日志，日志的质量能够很大程度反应当前的缺陷表现。但在工业复杂的场景下，报警日志所包含的信息量不足以支撑根因分析，需要结合多维度的数据，基于统计或机器学习算法，进行根因分析。
针对螺柱焊接工艺质量问题根因的分析存在较少的研究，由于螺柱焊接过程复杂、涉及的影响因素过多，缺少深入了解业务的算法工程师，使得螺柱焊问题根因分析具有较高的难度，研究成本较大。
发明内容
针对现有技术的不足，本发明提供了一种基于知识图谱的螺柱焊接缺陷根因分析方法，克服了现有技术的不足，解决了在数据无拓扑结构的情况下，进行根因分析的难题；同时借助于知识图谱，基于设计的图谱结构，将螺柱焊的数据合理组织，结合根因分析的相关的多种算法，在准确进行螺柱焊缺陷根因分析的同时，展示根因分析判断的依据，增强根因分析的可解释性。
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于知识图谱的螺柱焊接缺陷根因分析方法，包括以下步骤：
步骤S1：根据螺柱焊接工艺的实际生产所产生的数据，按照时间和空间结合的结构关系组织数据，以建立完整的数据关系；
步骤S2：基于已有的专家经验库数据、螺柱焊工艺原理和相关案例数据信息，整理出螺柱焊接工艺出现的各种缺陷，并得出引起螺柱焊缺陷的多层次根因图谱；
步骤S3：结合手机端录入的关于新缺陷的问题描述，利用事件抽取算法，从步骤S2中的多层次根因图谱中抽取对应的根因链及优化方案链，经过确认后，再次沉淀到多层次根因图谱中；
步骤S4：根据根因链路历史发生频率的统计结果，在每条链传播链上初始化不同概率；并结合不同螺柱的近期螺柱焊缺陷发生频次的统计，对所有的链路进行微调；
步骤S5：根据多层次根因图谱中的复合参数层预测当前螺柱焊缺陷的所属情况，并进行统计和打分；
步骤S6：根据多层次根因图谱中的基础参数层预测当前螺柱焊缺陷的所属情况，并进行统计和打分；
步骤S7：对于工况设备层，借助深度学习的方法，从数据层面，学习不同工况给数据带来的不同影响，并进行多分类，计算出多个工况的不同螺柱焊缺陷可能性；
步骤S8：对于各个层的根因打分完成后，通过链路中各个节点的累加，计算出该条根因链的初始得分，最终将各个链路的得分进行归一化并作为最终的得分；
步骤S9：通过数据与最终确认的根因链，并不断积累，最终定期更新模型及统计结果。
优选地，步骤S2中所构建的多层次根因图谱包括：第一层参数复合层、第二层基础参数层和第三层工况设备层。
优选地，对于第二层基础参数层，借助机器学习对不同缺陷的分类模型，基于该模型的对各个维度数据的权重，分析数据重要性及相关性。
优选地，所述步骤S3具体包括以下步骤：
步骤S31：记录现场录入的根因分析，通过设计事件抽取算法对该段描述进行多个主谓宾抽取，最终组成多个因果事件或顺承事件，主谓宾组成事件的方式为：
(主谓宾)1＝事件i
形式如下：
事件1-[因果/顺承]->事件2->…->事件n；
步骤S32：通过相似度模型训练，能够计算当前抽取事件事件i根因图谱中的所有事件事件j的相似度Sij，设置阈值x＝0.80,如果Sij≥x，则判断事件i与事件j是同一个事件；
步骤S33：若步骤S32中的事件存在匹配上的结果，则重复循环步骤S32；
步骤S34：若步骤S33执行完毕，出现不满足Sij≥x的事件i，则将事件i及其后续事件，拼接在根因图谱中最后一个满足Sij≥x的事件j后面，并融入图谱。
优选地，所述步骤S5中，基于大数据阈值统计结果，通过该实际值是否越过阈值及实际值与阈值的接近程度，判断不同根因传播路径的概率；具体阈值统计方法如下：
步骤S51：计算某个焊点历史数据中热量的平均值
步骤S52：计算某个焊点历史数据中热量的标准差δ；
步骤S53：将大于
或小于
的值作为异常值，得分为100％。
优选地，所述步骤S6中，基于大数据参数空间的统计结果，通过该实际值在该参数空间的分布集，判断不同根因传播路径的概率；具体参数空间统计方法如下：
步骤S61：将数据中的引弧电压作为评价值，其他维度的数据经过PCA方法降维到2维，统计其在空间中分布，并划分不同的区域，中心70％的数据为A区，70％-80％的区域为B区，80％-90％的区域为C区，90％以上的区域为D区；
步骤S62：A区、B区、C区、D区分别代表正常区域、次异常区域、异常区域、潜在问题区域，对应的原始数据的多维数据为正常参数范围、次异常参数范围、异常参数范围、潜在问题参数范围。同时针对每个螺柱焊缺陷的多维度数据进行打分。
优选地，所述步骤S8中，基于已完成训练的决策树模型，获得各个维度数据的决策树分类的决策界限，最终通过刻画实际值与对应决策边界的偏离程度，计算出对应根因图谱中的对应节点，并计算该节点的权重。
本发明提供了一种基于知识图谱的螺柱焊接缺陷根因分析方法。具备以下有益效果：本方法提出的基于知识图谱按照特定结构刻画螺柱焊的画像，能够较好地服务信息检索的同时，对螺柱焊接缺陷的根因进行分析。极大地减轻传统关系数据库的影射的难度，便于构建与查询。能够帮助螺柱焊工程师快速地分析出螺柱焊接缺陷的根因，并提供较强的说服性和可解释性。通过使用机器学习模型和相关统计方法，绑定到对应的根因节点上，当数据存入图谱是，能够自动进行根因分析，并借助于综合评分策略，提升根因分析的准确率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
图1本发明的步骤流程框图；
图2本发明步骤S1中数据的组织结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
如图1至图2所示，一种基于知识图谱的螺柱焊接缺陷根因分析方法，包括以下步骤：
步骤S1：根据螺柱焊接工艺的实际生产所产生的数据，按照时间和空间结合的结构关系组织数据，设计螺柱焊接工艺的本体；按照该本体设计组织的数据主要提供螺柱的画像描述、信息检索、算法的数据支撑和增强根因分析结果可解释性四个作用；
其中，产生的数据包括：引弧电压、主焊电压、主焊电流、主焊时间、压入深度、提升高度、能量、冲程高度、压入时间、报警日志等信息；
画像描述：将不同时间不同位置螺柱焊工艺涉及的数据，围绕该螺柱展开，作为当前时间当前位置螺柱的画像描述。螺柱的画像描述可以很好地刻画该螺柱的相关详细信息。
信息检索：通过时间空间的方式组织数据，有助于螺柱相关信息的查询，可以通过数据螺柱编号、工位、机器人等，根据不同的查询模块，查询对应螺柱的所在区域、焊接板材类型、板材厚度、焊接控制器实时生产数据及报警信息、控制器设计参数层。
算法数据支撑：在画像描述中所涉及的多维度数据，根据某个算子(附图2中的三角)所需的数据，将画像对应数据链接到算子，基于算子的预测支撑。
增强分析结果的可解释性：根据附图2，针对该螺柱焊缺陷，算子预测“情况B”的概率高于“情况A”，此时，我们将算子的数据及算子的预测过程所产生的强相关信息，处理后绑定到算子节点上，最终返回根因链时，附加这部分信息(电流的趋势变化图，模型统计的电流值分布图，电流的历史演变数据等)，基于现场丰富的实际数据和模型统计结果，大大增强根因链预测的说服性和可解释性。
步骤S2：基于已有的专家经验库数据、螺柱焊工艺原理和相关案例数据信息，整理出螺柱焊接工艺出现的各种缺陷，并得出引起螺柱焊缺陷的多层次根因图谱；第一层为参数复合层、第二层为基础参数层、第三层分为工况设备层。同时，针对第二层基础参数层，使用决策树进行缺陷类别的分类，梳理关键数据的贡献度不同及结合螺柱焊工艺机理刻画不同因素间的传播关系。该结构及因果传播关系有利于给螺柱焊工程师提供强有力的螺柱焊缺陷根因分析结果。
从而基于该决策树的可视化，可以分析出：压入时间、能量、引弧电压、压入深度等参数的贡献程度，基于螺柱焊工艺机理，刻画出不同参数的之间的影响关系。
步骤S3：基于根因分析系统的螺柱焊缺陷录入情况，设计录入信息特定格式的描述(“输入1”->“输入2”->“输入n”)，能够经专家确认此描述无问题后，多层次根因图谱自动更新，无需人为参与。通过自然语言中的事件抽取算法，将工程师的问题描述，抽取成对应的事件因果传播链，并将该链路的节点与图谱中的已有节点对齐，若发现未对齐的节点，则将该节点反馈给专家，专家确认后融入根因图普，实现自动更新，具体分为以下步骤：
步骤S31：记录现场录入的根因分析，通过设计事件抽取算法对该段描述进行多个主谓宾抽取，最终组成多个因果事件或顺承事件，主谓宾组成事件的方式为：
(主谓宾)1＝事件i
形式如下：
事件1-[因果/顺承]->事件2->…->事件n；
步骤S32：通过相似度模型训练，能够计算当前抽取事件事件i根因图谱中的所有事件事件j的相似度Sij，设置阈值x＝0.80,如果Sij≥x，则判断事件i与事件j是同一个事件；
步骤S33：若步骤S32中的事件存在匹配上的结果，则重复循环步骤S32；
步骤S34：若步骤S33执行完毕，出现不满足Sij≥x的事件i，则将事件i及其后续事件，拼接在根因图谱中最后一个满足Sij≥x的事件j后面，并融入图谱。
步骤S4：经过步骤S1和步骤S2建立完整的数据关系与图谱后，该根因分析系统冷启动方法主要借助专家经验，根据根因链路历史发生频率的统计结果，在每条链传播链上初始化不同概率；并结合不同螺柱的近期螺柱焊缺陷发生频次的统计，对所有的链路进行微调；实现冷启动的自适应功能，主要分为以下四个步骤：
步骤S41：将原有的专家经验设定的全部螺柱中第j个根因的概率为：Pj
步骤S42：全部螺柱的近阶段统计结果：
a、设置一个月的螺柱焊缺陷根因的时间窗口，全部螺柱发现问题总数为t；
b、统计t个问题中每种根因的出现次数tj；
c、通过
计算得出全部螺柱第j个根因发生的概率；
步骤S43：第i个螺柱的近阶段统计结果：
a、设置一个月的螺柱焊缺陷根因的时间窗口，第i个螺柱发现问题总数为ti；
b、统计第i个螺柱的第j个根因的出现次数tij；
c、通过
计算得出近期第i个螺柱第j个根因发生的概率；
步骤S44：针对原有的专家经验设定的每条根因的概率Pj及步骤S42中的近期全部螺柱的统计结果Pj和步骤S43中近期某个螺柱的统计结果Pij，分别设置权重w1，w2，w3，得到第i个螺柱的第j个根因概率Pij＝w1×Pj+w2×Pj+w3×Pij。
步骤S5：根据多层次根因图谱中的复合参数层预测当前螺柱焊缺陷的所属情况，需要基于大数据阈值统计结果，通过该实际值是否越过阈值及实际值与阈值的接近程度，判断不同根因传播路径的概率。
具体方法如下所示(以热量为例)：
阈值统计方法：
步骤S51：计算某个焊点历史数据中热量的平均值
步骤S52：计算某个焊点历史数据中热量的标准差δ；
步骤S53：将大于
或小于
的值作为异常值，得分为100％。
步骤S6：根据多层次根因图谱中的基础参数层预测当前螺柱焊缺陷的所属情况，需要基于大数据参数空间的统计结果，通过该实际值在该参数空间的分布及，判断不同根因传播路径的概率。具体方法如下所示(以引弧电压为例)：
参数空间统计方法：
步骤S61：将数据中的引弧电压作为评价值，其他维度的数据经过PCA方法降维到2维，统计其在空间中分布，并划分不同的区域，中心70％的数据为A区，70％-80％的区域为B区，80％-90％的区域为C区，90％以上的区域为D区；
步骤S62：A区、B区、C区、D区分别代表正常区域、次异常区域、异常区域、潜在问题区域，对应的原始数据的多维数据为正常参数范围、次异常参数范围、异常参数范围、潜在问题参数范围。同时针对每个螺柱焊缺陷的多维度数据进行打分。
步骤S7：对于工况设备层，借助深度学习的方法，从数据层面，学习不同工况给数据带来的不同影响，并进行多分类，计算出多个工况的不同螺柱焊缺陷可能性；输入的数据包括电流电压时间等因素，除此之外，还包括引入物理的先验知识，计算得到的等效电阻、功率等值，通过多层神经网络进行多分类，分类的结果为不同的工况及设备问题，比如：零件表面异物，板材厚度不合理，焊枪吐钉失败等。
步骤S8：对于各个层的根因打分完成后，通过链路中各个节点的累加，计算出该条根因链的初始得分，最终将各个链路的得分进行归一化并作为最终的得分；
基于已完成训练的决策树模型，获得各个维度数据的决策树分类的决策界限，最终通过刻画实际值与对应决策边界的偏离程度，计算出对应根因图谱中的对应节点，并计算该节点的权重。具体的计算公式如下：
根据决策树模型，获得第i个维度的决策界限
对应的实际值为xi，最终的节点权重
最终各个节点累加后，各个链路总分经过归一化后，当做该节点的权重，最终计算不同根因链的得分，返回结果。
步骤S9：通过系统的使用，螺柱焊工程师在问题最终关闭会确认最终的根因链，通过数据与最终确认的根因链，并不断积累，最终定期更新模型及统计结果。除此之外，还会定期比对不同时期模型训练的结果分布，若分布存在较大的差异，螺柱焊工程师可以选择使用不同的一个或多个模型，可以设置每个模型的贡献比重。若螺柱焊接工程师最终确认的根因链与根因分析系统分析的结果不一致，此时，该条数据会与历史的数据自动送入工况设备层模型进行微调。
通过上述方法应用在螺柱焊质量问题的问题分析上，在现场抽检的质量问题的基础上进行分析，以该方法为基础，分析出最可能的根因链，帮助现场工程师寻找问题的根源，提升效率。相较于传统的数据库，本方法解决了在数据无拓扑结构的情况下，进行根因分析的难题；同时借助于知识图谱，基于设计的图谱结构，将螺柱焊的数据合理组织，结合根因分析的相关的多种算法，在准确进行螺柱焊缺陷根因分析的同时，展示根因分析判断的依据，增强根因分析的可解释性。极大地减轻传统关系数据库的影射的难度，便于构建与查询。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于知识图谱的螺柱焊接缺陷根因分析方法，其特征在于：包括以下步骤：
步骤S1：根据螺柱焊接工艺的实际生产所产生的数据，按照时间和空间结合的结构关系组织数据，以建立完整的数据关系；
步骤S2：基于已有的专家经验库数据、螺柱焊工艺原理和相关案例数据信息，整理出螺柱焊接工艺出现的各种缺陷，并得出引起螺柱焊缺陷的多层次根因图谱；
步骤S3：结合手机端录入的关于新缺陷的问题描述，利用事件抽取算法，从步骤S2中的多层次根因图谱中抽取对应的根因链及优化方案链，经过确认后，再次沉淀到多层次根因图谱中；
步骤S4：根据根因链路历史发生频率的统计结果，在每条链传播链上初始化不同概率；并结合不同螺柱的近期螺柱焊缺陷发生频次的统计，对所有的链路进行微调；
步骤S5：根据多层次根因图谱中的复合参数层预测当前螺柱焊缺陷的所属情况，并进行统计和打分；
步骤S6：根据多层次根因图谱中的基础参数层预测当前螺柱焊缺陷的所属情况，并进行统计和打分；
步骤S7：对于工况设备层，借助深度学习的方法，从数据层面，学习不同工况给数据带来的不同影响，并进行多分类，计算出多个工况的不同螺柱焊缺陷可能性；
步骤S8：对于各个层的根因打分完成后，通过链路中各个节点的累加，计算出该条根因链的初始得分，最终将各个链路的得分进行归一化并作为最终的得分；
步骤S9：通过数据与最终确认的根因链，并不断积累，最终定期更新模型及统计结果。
2.根据权利要求1所述的一种基于知识图谱的螺柱焊接缺陷根因分析方法，其特征在于：步骤S2中所构建的多层次根因图谱包括：第一层参数复合层、第二层基础参数层和第三层工况设备层。
3.根据权利要求2所述的一种基于知识图谱的螺柱焊接缺陷根因分析方法，其特征在于：对于第二层基础参数层，借助机器学习对不同缺陷的分类模型，基于该模型的对各个维度数据的权重，分析数据重要性及相关性。
4.根据权利要求1所述的一种基于知识图谱的螺柱焊接缺陷根因分析方法，其特征在于：所述步骤S3具体包括以下步骤：
步骤S31：记录现场录入的根因分析，通过设计事件抽取算法对该段描述进行多个主谓宾抽取，最终组成多个因果事件或顺承事件，主谓宾组成事件的方式为：
(主谓宾)1＝事件i
形式如下：
事件1-[因果/顺承]->事件2->…->事件n；
步骤S32：通过相似度模型训练，能够计算当前抽取事件事件i根因图谱中的所有事件事件j的相似度Sij，设置阈值x＝0.80,如果Sij≥x，则判断事件i与事件j是同一个事件；
步骤S33：若步骤S32中的事件存在匹配上的结果，则重复循环步骤S32；
步骤S34：若步骤S33执行完毕，出现不满足Sij≥x的事件i，则将事件i及其后续事件，拼接在根因图谱中最后一个满足Sij≥x的事件j后面，并融入图谱。
5.根据权利要求1所述的一种基于知识图谱的螺柱焊接缺陷根因分析方法，其特征在于：所述步骤S5中，基于大数据阈值统计结果，通过该实际值是否越过阈值及实际值与阈值的接近程度，判断不同根因传播路径的概率；具体阈值统计方法如下：
步骤S51：计算某个焊点历史数据中热量的平均值
步骤S52：计算某个焊点历史数据中热量的标准差δ；
步骤S53：将大于
或小于
的值作为异常值，得分为100％。
6.根据权利要求1所述的一种基于知识图谱的螺柱焊接缺陷根因分析方法，其特征在于：所述步骤S6中，基于大数据参数空间的统计结果，通过该实际值在该参数空间的分布集，判断不同根因传播路径的概率；具体参数空间统计方法如下：
步骤S61：将数据中的引弧电压作为评价值，其他维度的数据经过PCA方法降维到2维，统计其在空间中分布，并划分不同的区域，中心70％的数据为A区，70％-80％的区域为B区，80％-90％的区域为C区，90％以上的区域为D区；
步骤S62：A区、B区、C区、D区分别代表正常区域、次异常区域、异常区域、潜在问题区域，对应的原始数据的多维数据为正常参数范围、次异常参数范围、异常参数范围、潜在问题参数范围。同时针对每个螺柱焊缺陷的多维度数据进行打分。
7.根据权利要求1所述的一种基于知识图谱的螺柱焊接缺陷根因分析方法，其特征在于：所述步骤S8中，基于已完成训练的决策树模型，获得各个维度数据的决策树分类的决策界限，最终通过刻画实际值与对应决策边界的偏离程度，计算出对应根因图谱中的对应节点，并计算该节点的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210460684.8A CN114936755A (zh) | 2022-04-28 | 2022-04-28 | 一种基于知识图谱的螺柱焊接缺陷根因分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210460684.8A CN114936755A (zh) | 2022-04-28 | 2022-04-28 | 一种基于知识图谱的螺柱焊接缺陷根因分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114936755A true CN114936755A (zh) | 2022-08-23 |
Family
ID=82862287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210460684.8A Pending CN114936755A (zh) | 2022-04-28 | 2022-04-28 | 一种基于知识图谱的螺柱焊接缺陷根因分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114936755A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593298A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市思博威激光科技有限公司 | 一种基于机器视觉的激光焊接质量检测系统 |
-
2022
- 2022-04-28 CN CN202210460684.8A patent/CN114936755A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593298A (zh) * | 2024-01-18 | 2024-02-23 | 深圳市思博威激光科技有限公司 | 一种基于机器视觉的激光焊接质量检测系统 |
| CN117593298B (zh) * | 2024-01-18 | 2024-06-04 | 深圳市思博威激光科技有限公司 | 一种基于机器视觉的激光焊接质量检测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
| CN107967542B (zh) | 一种基于长短期记忆网络的售电量预测方法 | |
| CN109343995A (zh) | 基于多源异构数据融合、机器学习及客服机器人的智能运维分析系统 | |
| CN108346293B (zh) | 一种实时交通流短时预测方法 | |
| WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
| CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
| CN114678080A (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
| CN114936755A (zh) | 一种基于知识图谱的螺柱焊接缺陷根因分析方法 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN117389236A (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
| CN115719283A (zh) | 一种智能化会计管理系统 | |
| CN115169453A (zh) | 基于密度聚类协同深度残差网络的热连轧宽度预测方法 | |
| CN114749996A (zh) | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 | |
| CN110580639A (zh) | 一种基于连锁业态的门店经营预测方法 | |
| CN116821452B (zh) | 一种图节点分类模型训练方法、图节点分类方法 | |
| CN117290462A (zh) | 一种数据大模型的智能决策系统及方法 | |
| CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
| CN110619422A (zh) | 一种智能车站客流状况预测方法和系统 | |
| CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| CN116452335A (zh) | 一种基于时序神经网络的金融大数据管理系统 | |
| CN118014373B (zh) | 一种基于数据质量监测的风险识别模型及其构建方法 | |
| CN117973675A (zh) | 一种基于计划工单的缺陷与反措虚假闭环判断方法及系统 | |
| CN113240095B (zh) | 基于粗糙集和神经网络的铸造气缸盖力学性能预测方法 | |
| CN115271480A (zh) | 一种城市轨道交通无人化客服质量评估的方法和系统 |
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 |