CN114969370A - 基于大数据的图谱分析修正系统 - Google Patents
基于大数据的图谱分析修正系统 Download PDFInfo
- Publication number
- CN114969370A CN114969370A CN202210611855.2A CN202210611855A CN114969370A CN 114969370 A CN114969370 A CN 114969370A CN 202210611855 A CN202210611855 A CN 202210611855A CN 114969370 A CN114969370 A CN 114969370A
- Authority
- CN
- China
- Prior art keywords
- equipment
- maintenance
- module
- data
- submodule
- 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
- 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
- G06F40/279—Recognition of textual entities
-
- 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)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大数据的图谱分析修正系统,包括图谱构建模块、图谱分析模块和处理修正模块,所述图谱构建模块用于将设备故障维修信息收集,用以构建知识图谱,所述图谱数据分析模块用于对图谱数据进行分析,所述处理修正模块用于对分析后的数据进行处理修正,所述图谱分析模块与图谱构建模块网络连接,所述处理修正模块与图谱分析模块网络连接,图谱构建模块包括图数据库子模块、数据获取子模块、实体识别单元和实体关系抽取单元,图谱分析模块包括数据分析子模块和人员评价子模块,处理修正模块包括智能推荐子模块、异常预警子模块和预测维护子模块,本发明,具有将设备维修形式直观、可视、结构化和数据有效分析的特点。
Description
技术领域
本发明涉及大数据分析技术领域,具体为基于大数据的图谱分析修正系统。
背景技术
知识图谱旨在描述客观世界的概念、实体、事件及其间的关系。知识图谱通过关系将实体联系起来,形成关于知识的图结构。随着知识图谱相应技术的不断发展和各领域各行业对实现其智能化的迫切需求,深度更深、粒度更细、专业度更高的领域知识图谱成为现今知识图谱研究和应用的主要方向。
如今,在工业生产上,我国工业部门已经实现了相当程度的自动化,在一些行业甚至实现了无人化生产,但是在数控设备的设备检测、维修等方面仍主要依赖于质检人员和维修人员的主观判断和经验。在一些信息化程度较好的制造车间内,一般会用MES(制造执行系统)提升管理水平,但利用MES指导或辅助人员完成维修工作只能以关键词形式查询到某一次维修记录,无法体现某一次(类)故障与其他故障的关联性,不能或不能很好地协助人员完成维修与质检任务。目前多数研究更加关注于设备数据的监测,缺少针对设备数据的分析,无法将针对设备数据的监测转化为对设备运行状态的优化反馈,也就不能满足制造车间的智能化需求。因此,设计将设备维修形式直观、可视、结构化和数据有效分析的基于大数据的图谱分析修正系统是很有必要的。
发明内容
本发明的目的在于提供基于大数据的图谱分析修正系统,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:基于大数据的图谱分析修正系统,包括图谱构建模块、图谱分析模块和处理修正模块,其特征在于:所述图谱构建模块用于将设备故障维修信息收集,用以构建知识图谱,所述图谱数据分析模块用于对图谱数据进行分析,所述处理修正模块用于对分析后的数据进行处理修正,所述图谱分析模块与图谱构建模块网络连接,所述处理修正模块与图谱分析模块网络连接。
根据上述技术方案,所述图谱构建模块包括图数据库子模块、数据获取子模块、实体识别单元和实体关系抽取单元,所述图数据库子模块用于对获取到的数据信息进行存储,所述数据获取子模块用于获取存储制造车间内设备的故障维修数据信息,所述实体识别单元用于识别数据信息中具有特定意义的实体,对设备故障文本信息进行分类,所述实体关系抽取单元用于提取数据信息中包含的实体间的关系以及关系对应的实体辨别,所述数据获取子模块、实体识别单元和实体关系抽取单元均与图数据库子模块网络连接。
根据上述技术方案,所述图谱分析模块包括数据分析子模块和人员评价子模块,所述数据分析子模块用于对构建完成的知识图谱中的数据信息进行分析,所述人员评价子模块用于对设备故障维修人员维修工作进行评分,所述数据分析子模块包括重要度等级划分单元,所述重要度等级划分单元用于对制造车间内设备故障问题进行重要度等级划分,所述人员评价子模块与数据分析子模块网络连接。
根据上述技术方案,所述处理修正模块包括智能推荐子模块、异常预警子模块和预测维护子模块,所述智能推荐子模块用于根据评分后的人员信息为出现故障的设备自动推荐匹配人员,所述异常预警子模块用于在设备出现故障发出预警提示,所述预测维护子模块用于对设备的日常运作进行前瞻预测维护,所述智能推荐子模块与人员评价子模块网络连接,所述异常预警子模块和预测维护子模块均与数据分析子模块网络连接。
根据上述技术方案,所述图谱构建模块的运行方法主要包括以下步骤:
步骤S1:建立图数据库,将获取处理后的制造车间内设备的故障维修数据信息存储至图数据库中;
步骤S2:从车间历史故障维修记录设备故障相关数据,以及利用网络爬虫技术从互联网中获取大量与设备故障相关数据,所述相关数据包括故障现象、原因、维修方法、维修人员、维修次数和维修时间;
步骤S3:对获取到的数据信息进行实体识别,将得到的实体存储在图数据库中;
步骤S4:抽取设备故障实体间的结构关系,形成以维修人员与设备、故障关系的三元组形式,在获得三元组后进行人工复查、校验,最后将准确信息存储至图数据库中;
步骤S5:构建好数据层后,将抽取到的实体与实体关系三元组存入图数据库中,完成整个知识图谱的构建。
根据上述技术方案,所述图谱分析模块的运行方法主要包括以下步骤:
步骤A1:对知识图谱中的数据进行实时更新,通过数据分析对设备运行状态进行判断;
步骤A2:根据历史数据对维修人员的工作状态进行评价分析。
根据上述技术方案,所述步骤A1进一步包括以下步骤:
步骤A11:数据分析子模块提取历史设备状态评分,根据预设公式将上述评分整合计算,对设备故障进行重要度等级划分;
步骤A12:根据综合计算出的结果将制造车间设备故障重要度等级进行划分,具体划分为轻度、中度和重度三个等级;
步骤A13:设置重要度等级划分单元满分为Q,根据预设公式计算分析得出的分数值为W,则设备故障重要度等级划分为
所述轻度为设备正常运行不受影响,设备局部或辅助零部件丧失部分功能,不影响任务的完成,所述中度为设备出现报警信息,经过简单处理后,在短时间内可恢复正常工作状态,所述重度为设备或其零部件在运行过程中出现损伤,性能下降,物品的加工精度降低或导致设备停止运行、停产。
根据上述技术方案,所述步骤A2进一步包括以下步骤:
步骤A21:获取数据库中存储的维修人员、维修次数n、每一次的维修时间(t1、t2、…、tn)、维修过的设备重要度等级(W1、W2、…、Wn),对各维修人员的维修技术能力值R进行评价分析;
步骤A22:具体计算公式为:
步骤A23:智能推荐模块可根据计算出的结果,向系统推荐出现故障问题解决能力较高的技术人员。
根据上述技术方案,所述处理修正模块的运行方法主要包括以下步骤:
步骤B1:智能推荐子模块在设备故障发生后或有用户在系统内搜索相关设备故障修复时,根据人员评价分析结果,向其智能推荐针对于此故障最适合进行维修工作的技术人员;
步骤B2:异常预警子模块在检测到制造车间内设备工作状态有异,或维修人员操作异常,自动向后台发出异常预警通知,同时推测此操作可能带来的结果并告知;
步骤B3:预测维护子模块根据数据分析子模块对设备分析后的结果,实时监测设备工作状态,对其各项功能进行预测,在出现故障前,即重要度等级在轻度和中度时期安排人员对其进行定期维护。
根据上述技术方案,所述步骤B1进一步包括以下步骤:
步骤B11:系统检测到设备出现故障问题后,识别故障类型,以此为第一优先级,选择标记在此类故障维修方面经验较深的技术人员;
步骤B12:智能推荐子模块获取维修人员的维修技术能力值,以此为第二优先级,在标记的技术人员中选择能力值较高的技术人员,并直接通知该技术人员对故障设备进行维修工作。
与现有技术相比,本发明所达到的有益效果是:本发明通过设置有图谱构建模块、图谱分析模块和处理修正模块,获取制造车间内设备的故障维修数据信息,识别数据信息中具有特定意义的实体,并提取数据信息中包含的实体间的关系以及关系对应的实体辨别存储至图数据库中,实现设备维修形式的直观、可视、结构化;再对构建完成的知识图谱中的数据信息进行分析,对设备故障维修人员维修工作进行评分,对制造车间内设备故障问题进行重要度等级划分,从而实现根据设备故障等级的不同定期对其进行设备维护的作用,同时在出现必须维修的故障同时也可智能推荐对应技术人员,进而提高制造车间生产效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的系统模块组成示意图。
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。
请参阅图1,本发明提供技术方案:基于大数据的图谱分析修正系统,包括图谱构建模块、图谱分析模块和处理修正模块,图谱构建模块用于将设备故障维修信息收集,用以构建知识图谱,图谱数据分析模块用于对图谱数据进行分析,处理修正模块用于对分析后的数据进行处理修正,图谱分析模块与图谱构建模块网络连接,处理修正模块与图谱分析模块网络连接,通过设置有图谱构建模块、图谱分析模块和处理修正模块,获取制造车间内设备的故障维修数据信息,识别数据信息中具有特定意义的实体,并提取数据信息中包含的实体间的关系以及关系对应的实体辨别存储至图数据库中,实现设备维修形式的直观、可视、结构化;再对构建完成的知识图谱中的数据信息进行分析,对设备故障维修人员维修工作进行评分,对制造车间内设备故障问题进行重要度等级划分,从而实现根据设备故障等级的不同定期对其进行设备维护的作用,同时在出现必须维修的故障同时也可智能推荐对应技术人员,进而提高制造车间生产效率。
图谱构建模块包括图数据库子模块、数据获取子模块、实体识别单元和实体关系抽取单元,图数据库子模块用于对获取到的数据信息进行存储,数据获取子模块用于获取存储制造车间内设备的故障维修数据信息,实体识别单元用于识别数据信息中具有特定意义的实体,对设备故障文本信息进行分类,实体关系抽取单元用于提取数据信息中包含的实体间的关系以及关系对应的实体辨别,数据获取子模块、实体识别单元和实体关系抽取单元均与图数据库子模块网络连接,知识图谱通过对故障层次化结构性的知识表达,可以对引起故障事件的原因进行分析挖掘,找到导致该故障发生的原因,从而让维修人员快速响应,及时对设备故障点进行全面检修,能够降低设备的故障维修所耗费的时间,从而提高制造车间生产效率。
图谱分析模块包括数据分析子模块和人员评价子模块,数据分析子模块用于对构建完成的知识图谱中的数据信息进行分析,人员评价子模块用于对设备故障维修人员维修工作进行评分,数据分析子模块包括重要度等级划分单元,重要度等级划分单元用于对制造车间内设备故障问题进行重要度等级划分,人员评价子模块与数据分析子模块网络连接。
处理修正模块包括智能推荐子模块、异常预警子模块和预测维护子模块,智能推荐子模块用于根据评分后的人员信息为出现故障的设备自动推荐匹配人员,异常预警子模块用于在设备出现故障发出预警提示,预测维护子模块用于对设备的日常运作进行前瞻预测维护,智能推荐子模块与人员评价子模块网络连接,异常预警子模块和预测维护子模块均与数据分析子模块网络连接。
图谱构建模块的运行方法主要包括以下步骤:
步骤S1:建立图数据库,将获取处理后的制造车间内设备的故障维修数据信息存储至图数据库中,图数据库是一种基于图形式存储的新型非关系型数据库,数据之间以图论为基础进行关系存储和信息查询,主要包括关系、节点和属性三个要素,主要存储节点和边两类数据,此处用于后续知识图谱的构建;
步骤S2:从车间历史故障维修记录设备故障相关数据,以及利用网络爬虫技术从互联网中获取大量与设备故障相关数据,相关数据包括故障现象、原因、维修方法、维修人员、维修次数和维修时间,在设备故障诊断知识图谱构建初期,由于车间故障诊断案例记录的缺乏,无法提供足够多的故障案例事实以建立垂直领域知识库,知识来源包括结构化、非结构化等数据,结构化数据从现有的关系图数据库中获取,非结构化数据是知识图谱构建的重要来源,因此,利用网络爬虫技术从互联网中获取大量与设备故障相关案例的非结构化数据;
步骤S3:对获取到的数据信息进行实体识别,通过网络爬虫技术获取的设备故障信息中包含各种不同的词语,所涉及到的大部分词或短语在构建知识图谱时是无效的,因此需要通过识别故障文本信息中的实体类型,将其划分为不同的类型,将得到的实体存储在图数据库中;
步骤S4:抽取设备故障实体间的结构关系,形成以维修人员与设备、故障关系的三元组形式,在获得三元组后进行人工复查、校验,最后将准确信息存储至图数据库中,将非结构化数据转化为结构化数据,进一步通过知识加工等方式构建知识图谱;
步骤S5:构建好数据层后,将抽取到的实体与实体关系三元组存入图数据库中,完成整个知识图谱的构建。
图谱分析模块的运行方法主要包括以下步骤:
步骤A1:对知识图谱中的数据进行实时更新,通过数据分析对设备运行状态进行判断,知识图谱能够将将设备故障知识可视化展示,其发展需要设备故障诊断案例的不断更新迭代,通过对设备的数据分析,实现对设备的量化评估,故障的事前维护,提高设备的使用寿命;
步骤A2:根据历史数据对维修人员的工作状态进行评价分析,利用知识图谱帮助专家直观地评价某工作人员的工作能力,判断维修人员精通的设备与类型,此外,还能通过链接某人员在一次维修操作后的连锁反应,更直观公正地评价维修人员的工作能力,可用于用户在知识图谱中搜索设备具体问题时,为其推荐精通或擅长于此的技术人员。
步骤A1进一步包括以下步骤:
步骤A11:数据分析子模块提取历史设备状态评分,根据预设公式将上述评分整合计算,预设公式为工作人员给出的根据历史评价的标准和环境因素的变动进行的综合计算,对设备故障进行重要度等级划分,重要度等级的划分是技术重要度评价的关键;
步骤A12:根据综合计算出的结果将制造车间设备故障重要度等级进行划分,具体划分为轻度、中度和重度三个等级;
步骤A13:设置重要度等级划分单元满分为Q,根据预设公式计算分析得出的分数值为W,则设备故障重要度等级划分为
轻度为设备正常运行不受影响,设备局部或辅助零部件丧失部分功能,不影响任务的完成,应避免设备长期高负荷工作,定期检查,中度为设备出现报警信息,经过简单处理后,在短时间内可恢复正常工作状态,设备的故障信息处于合理使用范围内,未经过载使用,需要定期维护,重度为设备或其零部件在运行过程中出现损伤,性能下降,物品的加工精度降低或导致设备停止运行、停产,需要完善设备的运行功能或对设备部件进行更换。
步骤A2进一步包括以下步骤:
步骤A21:获取数据库中存储的维修人员、维修次数n、每一次的维修时间(t1、t2、…、tn)、维修过的设备重要度等级(W1、W2、…、Wn),对各维修人员的维修技术能力值R进行评价分析;
步骤A22:具体计算公式为:
式中,为技术人员平均每次维修所需的时间,为技术人员平均每次维修的设备重要度等级,α、β分别为时间和设备重要度等级与能力值的转换系数,为大于0的常数值,技术人员维修所用时间越短,维修的设备重要度等级越高,则此技术人员的维修技术能力值越高;
步骤A23:智能推荐模块可根据计算出的结果,向系统推荐出现故障问题解决能力较高的技术人员。
处理修正模块的运行方法主要包括以下步骤:
步骤B1:智能推荐子模块在设备故障发生后或有用户在系统内搜索相关设备故障修复时,根据人员评价分析结果,向其智能推荐针对于此故障最适合进行维修工作的技术人员,通过工作人员输入的相关信息,通过连接预测等技术,联想到工作人员可能要解决的问题,辅助其进行决策,或者根据工作描述的问题,为其推荐精通或擅长于此的技术人员;
步骤B2:异常预警子模块在检测到制造车间内设备工作状态有异,或维修人员操作异常,自动向后台发出异常预警通知,同时推测此操作可能带来的结果并告知,当维修人员的操作与知识图谱中关联的记录有所区别或以往相关操作造成维修失败或异常的情况时,给予维修人员预警并告知可能发生的状况,以此减少维修方法错误而浪费资源的情况发生;
步骤B3:预测维护子模块根据数据分析子模块对设备分析后的结果,实时监测设备工作状态,对其各项功能进行预测,在出现故障前,即重要度等级在轻度和中度时期安排人员对其进行定期维护,大多数情况下,设备的损坏是由于条件恶化引起的,预测维护子模块可以预测设备的恶化状况,提前对设备进行维护,以保证设备的正常运行并降低设备损坏速度。通过延长设备使用寿命及避免不必要的设备设备故障,用选择性的设备维护替代点对点的维修,来平衡维护成本,以实现生产车间效益最大化。设备故障预测维护在发生故障之前,保障设备运行状态,利用现有的预测技术,对设备进行有效的维护,使设备不致损坏或停机。
步骤B1进一步包括以下步骤:
步骤B11:系统检测到设备出现故障问题后,识别故障类型,以此为第一优先级,选择标记在此类故障维修方面经验较深的技术人员;
步骤B12:智能推荐子模块获取维修人员的维修技术能力值,以此为第二优先级,在标记的技术人员中选择能力值较高的技术人员,并直接通知该技术人员对故障设备进行维修工作。
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、方法、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、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于大数据的图谱分析修正系统,包括图谱构建模块、图谱分析模块和处理修正模块,其特征在于:所述图谱构建模块用于将设备故障维修信息收集,用以构建知识图谱,所述图谱数据分析模块用于对图谱数据进行分析,所述处理修正模块用于对分析后的数据进行处理修正,所述图谱分析模块与图谱构建模块网络连接,所述处理修正模块与图谱分析模块网络连接。
2.根据权利要求1所述的基于大数据的图谱分析修正系统,其特征在于:所述图谱构建模块包括图数据库子模块、数据获取子模块、实体识别单元和实体关系抽取单元,所述图数据库子模块用于对获取到的数据信息进行存储,所述数据获取子模块用于获取存储制造车间内设备的故障维修数据信息,所述实体识别单元用于识别数据信息中具有特定意义的实体,对设备故障文本信息进行分类,所述实体关系抽取单元用于提取数据信息中包含的实体间的关系以及关系对应的实体辨别,所述数据获取子模块、实体识别单元和实体关系抽取单元均与图数据库子模块网络连接。
3.根据权利要求2所述的基于大数据的图谱分析修正系统,其特征在于:所述图谱分析模块包括数据分析子模块和人员评价子模块,所述数据分析子模块用于对构建完成的知识图谱中的数据信息进行分析,所述人员评价子模块用于对设备故障维修人员维修工作进行评分,所述数据分析子模块包括重要度等级划分单元,所述重要度等级划分单元用于对制造车间内设备故障问题进行重要度等级划分,所述人员评价子模块与数据分析子模块网络连接。
4.根据权利要求3所述的基于大数据的图谱分析修正系统,其特征在于:所述处理修正模块包括智能推荐子模块、异常预警子模块和预测维护子模块,所述智能推荐子模块用于根据评分后的人员信息为出现故障的设备自动推荐匹配人员,所述异常预警子模块用于在设备出现故障发出预警提示,所述预测维护子模块用于对设备的日常运作进行前瞻预测维护,所述智能推荐子模块与人员评价子模块网络连接,所述异常预警子模块和预测维护子模块均与数据分析子模块网络连接。
5.根据权利要求4所述的基于大数据的图谱分析修正系统,其特征在于:所述图谱构建模块的运行方法主要包括以下步骤:
步骤S1:建立图数据库,将获取处理后的制造车间内设备的故障维修数据信息存储至图数据库中;
步骤S2:从车间历史故障维修记录设备故障相关数据,以及利用网络爬虫技术从互联网中获取大量与设备故障相关数据,所述相关数据包括故障现象、原因、维修方法、维修人员、维修次数和维修时间;
步骤S3:对获取到的数据信息进行实体识别,将得到的实体存储在图数据库中;
步骤S4:抽取设备故障实体间的结构关系,形成以维修人员与设备、故障关系的三元组形式,在获得三元组后进行人工复查、校验,最后将准确信息存储至图数据库中;
步骤S5:构建好数据层后,将抽取到的实体与实体关系三元组存入图数据库中,完成整个知识图谱的构建。
6.根据权利要求5所述的基于大数据的图谱分析修正系统,其特征在于:所述图谱分析模块的运行方法主要包括以下步骤:
步骤A1:对知识图谱中的数据进行实时更新,通过数据分析对设备运行状态进行判断;
步骤A2:根据历史数据对维修人员的工作状态进行评价分析。
7.根据权利要求6所述的基于大数据的图谱分析修正系统,其特征在于:所述步骤A1进一步包括以下步骤:
步骤A11:数据分析子模块提取历史设备状态评分,根据预设公式将上述评分整合计算,对设备故障进行重要度等级划分;
步骤A12:根据综合计算出的结果将制造车间设备故障重要度等级进行划分,具体划分为轻度、中度和重度三个等级;
步骤A13:设置重要度等级划分单元满分为Q,根据预设公式计算分析得出的分数值为W,则设备故障重要度等级划分为
所述轻度为设备正常运行不受影响,设备局部或辅助零部件丧失部分功能,不影响任务的完成,所述中度为设备出现报警信息,经过简单处理后,在短时间内可恢复正常工作状态,所述重度为设备或其零部件在运行过程中出现损伤,性能下降,物品的加工精度降低或导致设备停止运行、停产。
9.根据权利要求8所述的基于大数据的图谱分析修正系统,其特征在于:所述处理修正模块的运行方法主要包括以下步骤:
步骤B1:智能推荐子模块在设备故障发生后或有用户在系统内搜索相关设备故障修复时,根据人员评价分析结果,向其智能推荐针对于此故障最适合进行维修工作的技术人员;
步骤B2:异常预警子模块在检测到制造车间内设备工作状态有异,或维修人员操作异常,自动向后台发出异常预警通知,同时推测此操作可能带来的结果并告知;
步骤B3:预测维护子模块根据数据分析子模块对设备分析后的结果,实时监测设备工作状态,对其各项功能进行预测,在出现故障前,即重要度等级在轻度和中度时期安排人员对其进行定期维护。
10.根据权利要求9所述的基于大数据的图谱分析修正系统,其特征在于:所述步骤B1进一步包括以下步骤:
步骤B11:系统检测到设备出现故障问题后,识别故障类型,以此为第一优先级,选择标记在此类故障维修方面经验较深的技术人员;
步骤B12:智能推荐子模块获取维修人员的维修技术能力值,以此为第二优先级,在标记的技术人员中选择能力值较高的技术人员,并直接通知该技术人员对故障设备进行维修工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611855.2A CN114969370A (zh) | 2022-05-31 | 2022-05-31 | 基于大数据的图谱分析修正系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611855.2A CN114969370A (zh) | 2022-05-31 | 2022-05-31 | 基于大数据的图谱分析修正系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114969370A true CN114969370A (zh) | 2022-08-30 |
Family
ID=82958337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210611855.2A Pending CN114969370A (zh) | 2022-05-31 | 2022-05-31 | 基于大数据的图谱分析修正系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114969370A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
CN116934556A (zh) * | 2023-09-08 | 2023-10-24 | 四川三思德科技有限公司 | 一种基于大数据融合的目标人员精准化管控方法 |
-
2022
- 2022-05-31 CN CN202210611855.2A patent/CN114969370A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452130A (zh) * | 2023-03-17 | 2023-07-18 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理平台及方法 |
CN116452130B (zh) * | 2023-03-17 | 2023-09-05 | 国网山东省电力公司淄博供电公司 | 一种基于知识图谱的变电设备信息管理系统及方法 |
CN116934556A (zh) * | 2023-09-08 | 2023-10-24 | 四川三思德科技有限公司 | 一种基于大数据融合的目标人员精准化管控方法 |
CN116934556B (zh) * | 2023-09-08 | 2023-12-26 | 四川三思德科技有限公司 | 一种基于大数据融合的目标人员精准化管控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112596495B (zh) | 一种基于知识图谱的工业设备故障诊断方法及系统 | |
CN114969370A (zh) | 基于大数据的图谱分析修正系统 | |
CN114579875B (zh) | 基于知识图谱的设备故障诊断与维修知识推荐系统 | |
US8751421B2 (en) | Machine learning for power grid | |
Brundage et al. | Smart manufacturing through a framework for a knowledge-based diagnosis system | |
CN112836972A (zh) | 一种it设备故障缺陷处理系统及故障缺陷处理方法 | |
CN112182233B (zh) | 用于存储设备故障记录的知识库、及利用其辅助定位设备故障的方法及系统 | |
CN111159487A (zh) | 一种汽车发动机主轴预测性维护智能系统 | |
CN117591679A (zh) | 基于知识图谱的积木式产品碳足迹智能分析系统及方法 | |
CN112036694B (zh) | 一种高速公路机电设备生命周期预测方法及系统 | |
CN117592736A (zh) | 一种运维部门用工单紧急智能排序优先级管理系统 | |
CN117331794A (zh) | 基于大数据的应用软件监控分析系统及方法 | |
CN116840766A (zh) | 基于知识图谱的电力计量设备状态追踪与异常监控方法 | |
CN115471135A (zh) | 一种环保业务分析系统 | |
CN115469643A (zh) | 一种核电站旋转机械健康管理方法、系统及介质 | |
CN111784064A (zh) | 一种基于大数据的电厂设备智能预测检修方法和系统 | |
CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升系统 | |
CN117150032B (zh) | 一种水电站发电机组的智能维护系统及方法 | |
Schwenke et al. | Analysis of maintenance histories of industrial equipment with frequent maintenance demand | |
CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 | |
US20240054427A1 (en) | An instrument scrap evaluation method based on cloud platform big data management | |
CN118244709A (zh) | 关联故障设备及影响因素获取方法、装置及异常处理系统 | |
Peter et al. | Structured Data for Product Performance Improvement | |
CN117312249A (zh) | 安全责任履职画像更新方法、装置及存储介质 | |
CN117909113A (zh) | 应用故障智能分析方法、装置、设备及存储介质 |
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 |