CN114969363A - 一种基于知识图谱风险等级的数控机床安全部件分析方法 - Google Patents
一种基于知识图谱风险等级的数控机床安全部件分析方法 Download PDFInfo
- Publication number
- CN114969363A CN114969363A CN202210561035.7A CN202210561035A CN114969363A CN 114969363 A CN114969363 A CN 114969363A CN 202210561035 A CN202210561035 A CN 202210561035A CN 114969363 A CN114969363 A CN 114969363A
- Authority
- CN
- China
- Prior art keywords
- fault
- numerical control
- machine tool
- knowledge
- control machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000012502 risk assessment Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000012216 screening Methods 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于知识图谱风险等级的数控机床安全部件分析方法,它包括以下步骤:1)对数控机床故障数据进行收集,包括故障部件和故障现象;2)对收集的故障数据进行加工处理,将非结构数据转化为结构化数据;3)对加工处理过的故障知识进行本体建模,构建本体模型进行概念分类;4)计算数控机床各部件的风险等级,结合安全风险等级对知识图谱进行可视化分析,有效判别数控机床安全关键性的部件。本发明将人工智能和安全风险分析技术相结合,有效识别设备安全关键性部件,提高了识别效率、且降低了监测成本,本发明的方法实现了对数控机床故障知识的有效应用,能够准确识别数控机床的安全部件,以便于对部件进行保养和维护。
Description
技术领域
本发明属于设备智能安全管理领域,具体涉及一种基于知识图谱风险等级的数控机床安全部件分析方法。
背景技术
在工业领域,由于数控机床故障模式的复杂性、故障原因的多样性,使得故障安全部件的精确分析需要耗费大量的时间和物力,然而,借助于人工智能技术,构建故障领域知识图谱,能有效地辅助设备安全关键性部件分析工作,并且基于故障表现形式,挖掘出深层次的关联关系,从新的视角去探索故障的形成原因,揭示故障发生的内在本质。
发明内容
针对现有技术存在的上述技术问题,本发明的目的在于提供一种基于知识图谱风险等级的数控机床安全部件分析方法。
所述的一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于包括以下步骤(本发明的方法的流程示意图如图1所示):
1)知识获取,对数控机床故障数据进行收集,包括故障部件和故障现象的机床故障案例。数控机床车间记录详细的故障信息能够充当构建知识图谱的数据来源,但是数控机床本身具有很高的安全性能,故障案例较少,为尽可能完善知识图谱的表达,可以通过收集互联网上的故障数据、企业故障案例以及专家经验数据作为构建知识图谱的数据来源。
2)对收集的故障数据进行加工处理,将非结构数据转化为结构化数据,即是通过命名实体识别构建数控机床故障知识图谱的基本要素,对数控机床故障案例文本信息进行分类,建立包含了能够处理的全部机床故障案例文本的数控机床故障案例词典矩阵,预测出数控机床故障知识语句作为实体的概率;然后通过实体对齐,消除歧义信息,然后再对数控机床领域的故障知识进行融合;对加工处理后的故障数据进行人工复核,以保证融合后的实体及实体间关系的准确性;
3)对加工处理过的故障知识进行本体建模,建立故障领域知识本体模型;
4)最后通过安全风险分析,设置不同故障现象的权重等级,结合安全风险等级对知识图谱进行可视化分析,有效判别数控机床安全关键性的部件。
所述的一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于步骤2)中,对收集的故障数据进行加工处理的具体步骤如下:
S1:通过命名实体识别构建数控机床故障知识图谱的基本要素,选择命名实体识别NER模型,处理双向长短时记忆循环神经网络加条件随机场模型BiLSTM-CRF,输入句子首先经过embedding层将每个词汇或者字符映射为一个词向量或者字符向量,然后传入BILSTM层,获得句子的前向向量和后向向量,接着将前向向量和后向向量进行拼接作为当前词汇或字符的隐藏状态向量;利用机床故障训练语料,建立包含了能够处理的全部机床故障案例文本的数控机床故障案例词典矩阵;
在数控机床故障知识的实体识别中,给定数控机床故障知识语句序列X=x1,x2,...,xn,与数控机床故障案例词典矩阵的故障案例词典进行比对,获得第一层标注序列H1=h1,h2,...,hn,最大化输出标签序列H2的联合条件概率的似然估计,即通过下列公式(1)计算可能输出的标签序列H2:
将第一层标注序列H1与数控机床故障知识语句序列X共同作为条件随机场模型CRF的输入语句,得出联合条件概率P(H2|X,H1),计算公式如下:
其中,y和x均是随机变量,l和k均是状态个数,i是状态序列;
tk是转移特征函数,sl是状态特征函数,λk、ul是对应权值,λk是转移特征函数的权重,ul是状态特征函数的权重,Z(X)是规范化因子,求和是在所有可能的输出序列上进行,在特征函数下,通过建立的模型训练对应权值,最终预测出数控机床故障知识语句作为实体的概率,获取概率最大的序列标注结果;
S2:对描述有差异,导致内容产生歧义冲突的实体进行对齐,采用欧式距离进行文本之间相似度的计算,欧式距离d计算公式如下:
若xi=yi,则xi-yi=0;若xi≠yi,则|xi-yi|=1,计算得出的欧氏距离越小则文本越相似;
S3:在欧式相似度的基础上,对数控机床故障知识库中的实体属性、实体关系的知识进行融合,通过进行人工复核,保证融合后的实体及实体间关系的准确性;同时将其余相似实体进行别名库存储,为后续知识图谱的更新预留实体比对来源,以保障机床故障诊断知识图谱的及时、多粒度扩展。
所述的一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于步骤3)中对加工处理过的故障知识进行本体建模,即是利用网络本体语言(OWL:WebOntology Language)对数控机床故障领域知识的概念、关系和属性进行本体化表示,构建数控机床故障核心本体。
所述的一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于步骤4)中,不同故障现象的后果严重性和发生的频率都不一样,安全风险等级的计算公式为:
R=C×L (5)
R—表示故障现象的风险等级;
C—表示故障发生的后果严重性;
L—表示故障发生的频率;
对结合了故障风险等级的知识图谱进行可视化分析,可有效判别数控机床的安全关键性部件。
本发明公开了一种基于知识图谱风险等级的数控机床安全部件分析方法,它能通过历史数据清晰有效识别设备的安全关键性部位,辅助企业进行安全管理。结合数控机床故障分析的目的需求,设计了构建故障分析知识图谱的步骤,即确定知识需求、本体建模、数据信息的获取、知识加工和知识应用,并在知识应用的过程中不断提出新的需求、推动知识图谱的完善。从车间历史故障维修记录、相关文献书籍以及互联网中获取数控机床故障信息,包括故障现象,发生的部位等。根据知识图谱的目的构建本体模型,包含类、属性等的定义。再对收集的故障数据进行加工处理,包括概念抽取、关系抽取、属性抽取。将上述方法获取的知识存储在知识库中,建立完整的数控机床故障知识表达体系。通过知识图谱可视化分析,针对不同故障现象对企业和设备带来的影响进行权重划分,有效识别数控机床发生故障的危险部位。本发明的方法实现了对数控机床故障知识的有效应用,能够准确识别数控机床的安全部件,以便于对部件进行保养和维护。
相对于现有技术,本发明取得的有益效果是:
本发明将人工智能和安全风险分析技术相结合,有效识别设备安全关键性部件,相比于传统的监测手段,提高了识别效率、且降低了监测成本,节约人力物力。对于一些企业而言,本发明可以有效利用企业废弃的数据,避免出现数据浪费。基于定量分析的知识图谱可视化技术,清晰识别设备的安全关键性部件,辅助企业进行设备的安全管理,及时有效的监测设备的安全状况,且可以将现有的故障状况在知识图谱中进行扩展,不断的扩充已有的知识库,使得以后的设备安全关键性部件分析更加的全面。
附图说明
图1为本发明的方法的流程示意图;
图2为双向长短时记忆循环神经网络加条件随机场模型的建模过程示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明,但本发明的保护范围并不限于此。
实施例:
一种基于知识图谱风险等级的数控机床安全部件分析方法,包括以下步骤:
步骤一:对数控机床故障数据进行收集,包括故障部件和故障现象;
步骤二:对收集的故障数据进行加工处理;
步骤三:构建本体模型进行概念分类;
步骤四:计算数控机床各部件的风险等级;
步骤五:结合风险等级对知识图谱进行可视化分析。
1.对数控机床故障数据进行收集
企业提供的数控机床故障数据较多,收集的数据主要包括故障的序列号、故障时间、触发报警类型以及故障现象,且由于设备的故障无法预料,收集的时间间隔也属于离散状态,属于非结构化数据。详细的数控机床的数据内容部分如表1所示。
表1数控机床故障数据(部分)
2.对收集的数据进行加工处理
通过命名实体识别构建数控机床故障知识图谱的基本要素,选择命名实体识别NER模型,处理双向长短时记忆循环神经网络加条件随机场模型BiLSTM-CRF。
输入句子首先经过embedding层将每个词汇或者字符映射为一个词向量或者字符向量,然后传入BILSTM层,获得句子的前向向量和后向向量,接着将前向向量和后向向量进行拼接作为当前词汇或字符的隐藏状态向量。双向长短时记忆循环神经网络加条件随机场建模过程如图2所示。其中词向量是利用Word2Vec将文本中的字映射到向量空间,利用机床故障训练语料,建立大小为a×B的数控机床故障案例词典矩阵,包括全部故障案例子单元,其中a是子向量的长度,B是词典的大小。数控机床故障案例词典矩阵包含了能够处理的全部机床故障案例文本。根据说明书中的公式(1)(2)(3)计算出联合条件概率,最终预测出数控机床故障知识语句作为实体的概率,具体过程为:
在数控机床故障知识的实体识别中,给定数控机床故障知识语句序列X=x1,x2,...,xn,与数控机床故障案例词典矩阵的故障案例词典进行比对,获得第一层标注序列H1=h1,h2,...,hn,最大化输出标签序列H2的联合条件概率的似然估计,即通过下列公式(1)计算可能输出的标签序列H2:
将第一层标注序列H1与数控机床故障知识语句序列X共同作为条件随机场模型CRF的输入语句,得出联合条件概率P(H2|X,H1),计算公式如下:
其中,y和x均是随机变量,l和k均是状态个数,i是状态序列;
tk、sl是特征函数,λk、ul是对应权值,λk是转移特征函数的权重,ul是状态特征函数的权重,Z(X)是规范化因子,求和是在所有可能的输出序列上进行,在特征函数下,通过建立的模型训练对应权值,最终预测出数控机床故障知识语句作为实体的概率,获取概率最大的序列标注结果。
对描述有差异,导致内容产生歧义冲突的实体进行对齐,采用欧式距离进行文本之间相似度的计算,欧式距离d计算公式如下:
若xi=yi,则xi-yi=0;若xi≠yi,则|xi-yi|=1,计算得出的欧氏距离越小则文本越相似。根据公式(4)计算各实体之间的相似度,从而有效的筛选出相似的实体。
在欧式相似度的基础上,对多源知识库中的实体属性、实体关系等知识进行融合,通过领域专家进行人工复核,保证融合后的实体及实体间关系的准确性。处理后的部分数据如表2所示,实体包括故障现象和故障部件。
表2加工后的数控机床故障知识
3.构建本体模型进行概念分类
对加工处理过的故障知识进行本体建模,对数控机床故障领域知识的概念、关系和属性进行本体化表示。利用网络本体语言(OWL)对机床故障的概念和关系进行本体化展示,并建立故障领域本体模型,便于知识图谱的构建。表3给出了OWL在数控机床故障案例方面的表达方式。
表3 OWL词汇
机床故障领域本体的构建工具种类繁多,使用更具广泛效应的Protégé5.0进行本体模型构建。
4.计算数控机床各部件的风险等级
根据各故障造成的严重性后果和发生的频率次数,结合公式(5)计算出各故障部件的风险等级,风险等级建立的部分数据如表4所示。
安全风险等级的计算公式为:
R=C×L (5)
R—表示故障现象的风险等级;
C—表示故障发生的后果严重性;
L—表示故障发生的频率。
表4风险等级表
5.结合风险等级对知识图谱进行可视化分析
将构建的知识图谱结合风险等级进行可视化分析,利用Gephi软件进行可视化分析,构建知识图谱。构建的知识图谱中包含节点、箭头、“主轴”、“测头”等信息,节点的大小表示故障发生的频率,表示故障发生的可能性。箭头的宽度用来标识后果的严重程度。节点的颜色表示风险,因为更高级别的风险用更深的颜色表示。在图中,可根据企业提供的数控机床的故障数据,清晰识别出该企业数控机床的安全关键性部件是“主轴”、“测头”。
本说明书所述的内容仅仅是对发明构思实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式。
Claims (4)
1.一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于包括以下步骤:
1)对数控机床故障数据进行收集,包括故障部件和故障现象的机床故障案例;
2)对收集的故障数据进行加工处理,将非结构数据转化为结构化数据,即是通过命名实体识别构建数控机床故障知识图谱的基本要素,对数控机床故障案例文本信息进行分类,建立包含了能够处理的全部机床故障案例文本的数控机床故障案例词典矩阵,预测出数控机床故障知识语句作为实体的概率;然后通过实体对齐,消除歧义信息,然后再对数控机床领域的故障知识进行融合;对加工处理后的故障数据进行人工复核,以保证融合后的实体及实体间关系的准确性;
3)对加工处理过的故障知识进行本体建模,建立故障领域知识本体模型;
4)最后通过安全风险分析,设置不同故障现象的权重等级,结合安全风险等级对知识图谱进行可视化分析,有效判别数控机床安全关键性的部件。
2.如权利要求1所述的一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于步骤2)中,对收集的故障数据进行加工处理的具体步骤如下:
S1:通过命名实体识别构建数控机床故障知识图谱的基本要素,选择命名实体识别NER模型,处理双向长短时记忆循环神经网络加条件随机场模型BiLSTM-CRF,输入句子首先经过embedding层将每个词汇或者字符映射为一个词向量或者字符向量,然后传入BILSTM层,获得句子的前向向量和后向向量,接着将前向向量和后向向量进行拼接作为当前词汇或字符的隐藏状态向量;利用机床故障训练语料,建立包含了能够处理的全部机床故障案例文本的数控机床故障案例词典矩阵;
在数控机床故障知识的实体识别中,给定数控机床故障知识语句序列X=x1,x2,...,xn,与数控机床故障案例词典矩阵的故障案例词典进行比对,获得第一层标注序列H1=h1,h2,...,hn,最大化输出标签序列H2的联合条件概率的似然估计,即通过下列公式(1)计算可能输出的标签序列H2:
将第一层标注序列H1与数控机床故障知识语句序列X共同作为条件随机场模型CRF的输入语句,得出联合条件概率P(H2|X,H1),计算公式如下:
其中,y和x均是随机变量,l和k均是状态个数,i是状态序列;
tk是转移特征函数,sl是状态特征函数,λk、ul是对应权值,λk是转移特征函数的权重,ul是状态特征函数的权重,Z(X)是规范化因子,求和是在所有可能的输出序列上进行,在特征函数下,通过建立的模型训练对应权值,最终预测出数控机床故障知识语句作为实体的概率,获取概率最大的序列标注结果;
S2:对描述有差异,导致内容产生歧义冲突的实体进行对齐,采用欧式距离进行文本之间相似度的计算,欧式距离d计算公式如下:
若xi=yi,则xi-yi=0;若xi≠yi,则|xi-yi|=1,计算得出的欧氏距离越小则文本越相似;
S3:在欧式相似度的基础上,对数控机床故障知识库中的实体属性、实体关系的知识进行融合,通过进行人工复核,保证融合后的实体及实体间关系的准确性;同时将其余相似实体进行别名库存储,为后续知识图谱的更新预留实体比对来源,以保障机床故障诊断知识图谱的及时、多粒度扩展。
3.如权利要求1所述的一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于步骤3)中对加工处理过的故障知识进行本体建模,即是利用网络本体语言OWL对数控机床故障领域知识的概念、关系和属性进行本体化表示,构建数控机床故障核心本体。
4.如权利要求1所述的一种基于知识图谱风险等级的数控机床安全部件分析方法,其特征在于步骤4)中,不同故障现象的后果严重性和发生的频率都不一样,安全风险等级的计算公式为:
R=C×L (5)
R—表示故障现象的风险等级;
C—表示故障发生的后果严重性;
L—表示故障发生的频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210561035.7A CN114969363A (zh) | 2022-05-23 | 2022-05-23 | 一种基于知识图谱风险等级的数控机床安全部件分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210561035.7A CN114969363A (zh) | 2022-05-23 | 2022-05-23 | 一种基于知识图谱风险等级的数控机床安全部件分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114969363A true CN114969363A (zh) | 2022-08-30 |
Family
ID=82984597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210561035.7A Pending CN114969363A (zh) | 2022-05-23 | 2022-05-23 | 一种基于知识图谱风险等级的数控机床安全部件分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969363A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131929A (zh) * | 2023-10-27 | 2023-11-28 | 北京华控智加科技有限公司 | 运维数据的管理方法及装置 |
CN117171591A (zh) * | 2023-11-03 | 2023-12-05 | 南通钜盛数控机床有限公司 | 一种数控机床故障相关关系动态变化分析方法 |
-
2022
- 2022-05-23 CN CN202210561035.7A patent/CN114969363A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131929A (zh) * | 2023-10-27 | 2023-11-28 | 北京华控智加科技有限公司 | 运维数据的管理方法及装置 |
CN117171591A (zh) * | 2023-11-03 | 2023-12-05 | 南通钜盛数控机床有限公司 | 一种数控机床故障相关关系动态变化分析方法 |
CN117171591B (zh) * | 2023-11-03 | 2024-04-05 | 南通钜盛数控机床有限公司 | 一种数控机床故障相关关系动态变化分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428054B (zh) | 一种网络空间安全领域知识图谱的构建与存储方法 | |
CN114579875B (zh) | 基于知识图谱的设备故障诊断与维修知识推荐系统 | |
Zhou et al. | Semantic-aware event link reasoning over industrial knowledge graph embedding time series data | |
CN110929149B (zh) | 一种工业设备故障维修推荐方法和系统 | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN114969363A (zh) | 一种基于知识图谱风险等级的数控机床安全部件分析方法 | |
Ansari | Cost-based text understanding to improve maintenance knowledge intelligence in manufacturing enterprises | |
Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
JP2021131913A (ja) | サービス提供システム、ビジネス分析支援システム、方法及びプログラム | |
CN113487211A (zh) | 核电装备质量追溯方法、系统、计算机设备及介质 | |
CN107103363A (zh) | 一种基于lda的软件故障专家系统的构建方法 | |
CN112036185B (zh) | 一种基于工业企业构建命名实体识别模型的方法及装置 | |
CN115048316A (zh) | 一种半监督的软件代码缺陷检测方法及装置 | |
Perera et al. | The application of machine learning to consolidate critical success factors of lean six sigma | |
CN115511118A (zh) | 一种基于人工智能的供热系统故障辅助决策方法及系统 | |
CN115511119A (zh) | 基于知识图谱和贝叶斯的供热系统智能诊断方法及系统 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN112579777B (zh) | 一种未标注文本的半监督分类方法 | |
Choi et al. | Dmops: Data management operation and recipes | |
CN116342167B (zh) | 基于序列标注命名实体识别的智能成本度量方法和装置 | |
Ahmed et al. | Analysis of breakdown reports using natural language processing and machine learning | |
Peifeng et al. | Joint knowledge graph and large language model for fault diagnosis and its application in aviation assembly | |
US20230081891A1 (en) | System and method of managing knowledge for knowledge graphs | |
US20230376795A1 (en) | Device, computing platform and method of analyzing log files of an industrial plant | |
CN116362247A (zh) | 一种基于mrc框架的实体抽取方法 |
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 |