CN115169658B - 基于npl和知识图谱的库存消耗预测方法、系统和存储介质 - Google Patents

基于npl和知识图谱的库存消耗预测方法、系统和存储介质 Download PDF

Info

Publication number
CN115169658B
CN115169658B CN202210723495.5A CN202210723495A CN115169658B CN 115169658 B CN115169658 B CN 115169658B CN 202210723495 A CN202210723495 A CN 202210723495A CN 115169658 B CN115169658 B CN 115169658B
Authority
CN
China
Prior art keywords
spare part
equipment
data
historical
maintenance
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.)
Active
Application number
CN202210723495.5A
Other languages
English (en)
Other versions
CN115169658A (zh
Inventor
王妍苹
陈哲
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.)
Nanjing Inossem Software Technology Co ltd
Original Assignee
Nanjing Inossem Software 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 Nanjing Inossem Software Technology Co ltd filed Critical Nanjing Inossem Software Technology Co ltd
Priority to CN202210723495.5A priority Critical patent/CN115169658B/zh
Publication of CN115169658A publication Critical patent/CN115169658A/zh
Application granted granted Critical
Publication of CN115169658B publication Critical patent/CN115169658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明我公开基于知识图谱进行库存消耗预测的方法、系统和存储介质，包括：获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；基于聚合后的数据抽取设备实体和备件实体、实体之间的关系进而得到备件知识图谱；基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。本发明能够实现长短周期覆盖的需求满足量计算；科学预测出未来一个维修周期的需求目标总量的消耗速率和消耗天数，为采购策略提供科学支撑。

Description

基于NPL和知识图谱的库存消耗预测方法、系统和存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及基于NPL和知识图谱的库存消耗预测方法及系统。
背景技术
针对如何确认备件的采购量来说，目前比较常见的做法是根据设备的运行状态、大修计划，结合ERP系统中的（设备材料清单）BOM输出物料层面的需求计划，通过运行物资需求计划（ Material Requirement Planning，MRP），自动生成物料层面的需求预测。可是就预测结果来看，备件的需求预测准确度难以达标，大数据集的物料采购量还是需要依赖人工的经验和直觉进行判断，因为这期间会经常性的发生设备配置变更、关键零部件改变，但是ERP系统中的（设备材料清单）BOM却没有更新，这个要求无形中框定了人员的高要求，并且即便有足够的符合条件的人，对需求量的直觉性把控也无法提升库存的有货率、降低积压库存，因为人本身对需求的判断出发点总是会靠近要保证在需要的时候一定有足够的量可以提供，因此都会在一定程度上造成库存积压，这样依旧没有做到贴近需求时间点提供合理的需求量，库存消耗预测的准确度依旧无法得到提升。因此物料的需求来源从系统层面无法得到充分输入，直接导致物料的需求量无法准确覆盖企业真实需求。
发明内容
本发明旨在解决现有技术没有做到贴近需求时间点提供合理的需求量，库存消耗预测的准确度依旧无法得到提升的问题，提供基于NPL（natural languageprocessing,自然语言处理）和知识图谱进行库存消耗预测的方法。
为实现上述技术目的，本发明采用以下技术方案。
第一方面，本发明提供基于NPL和知识图谱的库存消耗预测方法，包括：
获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；
基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；基于维修领用工单描述型数据中抽取设备实体和备件实体，确定实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱；
基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。
进一步地，基于维修领用工单描述型数据中抽取设备实体、备件实体，确定实体之间的关系，包括：
基于设备维修术语、设备标识编码、设备名称和设备系统对维修领用工单描述型数据进行分词；
对分词结果进行数据清洗，去除无意义数据、属性和特殊符号；
对清洗结果进行拼写纠错，根据术语库进行无效单词过滤；
对清洗结果进行实体抽取，根据备件主数据、设备主数据作为规则库，抽取备件实体和设备实体；
基于设备维度数据和备件维度数据，对清洗结果进行关系抽取，根据表达关系的名词，获取实体之间的关系。
进一步地，基于备件知识图谱，确定各备件的历史需求目标数量，包括：
各备件为中心、以设备为对象点的关系线，由设备实体的“维修周期”属性得到设备的维修周期；
确定设备的维修周期内，备件的领用次数和每次领用的领用量，根据领用次数和每次领用的领用量确定计划维修周期内的历史领用总量。
再进一步地，若设备的维修周期多于一个，则分别确定各计划维修周期内覆盖的历史领用集合，所述历史领用集合包括各个计划维修周期内备件的领用次数和每次领用的领用量；根据历史领用集合确定历史领用总量。
进一步地，根据历史需求目标总量以及各备件的历史消耗速率预测获得目标需求总量的消耗速率和消耗天数，包括：
确定各备件的历史消耗速率；基于已经确定的各备件的历史消耗速率v，采用机器学习方法预测获得备件未来一个维修周期的的消耗速率；
根据公式Q/v计算得到历史需求目标总量的历史消耗天数，其中Q为历史需求目标总量；基于已经确定的各备件的历史消耗天数，采用机器学习方法预测获得备件未来一个维修周期的消耗天数。
再进一步地，所述机器学习方法为随机森林回归方法。
进一步地，根据历史需求目标总量和消耗持续的时间（备件的两次领用的时间间隔）得到备件的历史消耗速率。
第二方面，本发明提供了基于NPL和知识图谱的库存消耗预测系统，包括：
数据聚合模块，用于获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；
备件知识图谱构建模块，用于基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；从维修领用工单描述型数据中抽取设备实体、备件实体信息和实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱;
库存消耗预测模块，用于基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及各备件的历史消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如第一方面所述方法的任意可能的实施例的步骤。
本发明所取得的有益技术效果：本发明提供的基于NPL和知识图谱的库存消耗预测方法无需人工手动分析、整理、计算数据，能根据备件知识图谱对备件与设备、备件与备件之前的关系实现长短周期覆盖的需求满足量计算，科学预测出未来一个维修周期的需求目标总量的消耗速率和消耗天数；能根据备件消耗速率的变化直接影响其采购策略；有可靠的科学算法为依托，计算结果考虑更全面，更具有参考性和指导性。
附图说明
图1为本发明实施例提供的基于NPL和知识图谱的库存消耗预测方法；
图2为本发明实施例中备件知识图谱示意图。
具体实施方式
以下结合说明书附图和具体实施例对本发明做进一步详细介绍。
实施例1：基于NPL和知识图谱的库存消耗预测方法，如图1所示，包括：
获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；
基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；基于维修领用工单描述型数据中抽取设备实体和备件实体，确定实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱；
基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。
具体实施例中，设备主数据包括设备名称、设备标识编码和设备描述信息；备件主数据包括备件名称、备件标识编码和备件描述信息。
设备标识编码和备案标识编码都具有唯一性。本实施例中，设备标识编码采用设备所在的功能位置码。
设备的历史维修领用工单数据包括非结构化的维修工单描述型数据，维修工单描述型数据用于描述维修时领用备件的信息；维修领用工单数据还包括记载维修记录，所述维修记录包括备件名称以及维修的设备标识编码。
设备维修计划包括设备标识编码以及计划维修周期；
备件库存领用记录，包括备件领用时间、备件领用数量、备件名称和备件标识编码。
数据聚合也称数据融合或数据整合，是指合并来自不同数据源的数据。现有技术中可以通过各种工具和处理逻辑建立全局的统一的数据或视图。本申请中数据聚合的具体方法采用现有技术实现，其不是本申请的发明点，因此本申请中不做详细说明。
基于聚合后的数据获得设备维度数据和备件维度数据，备件维度数据包括备件主数据、维修工单描述型数据和备件库存领用记录。
具体实施例中，可以通过设备标识编码和设备名称，将其分别与设备维修计划和设备的历史维修领用工单数据进行匹配，分别得到设备计划维修周期以及设备维修时对应的备件信息，包括备件名称以及维修的设备标识编码。
根据备件标识编码匹配备件库存领用记录，确定备件领用时间、备件领用数量和备件名称。
本实施例中基于维修领用工单描述型数据中抽取设备实体、备件实体，确定实体之间的关系，包括：
基于设备维修术语、设备标识编码、设备名称和设备系统对维修领用工单描述型数据进行分词；设备系统指有关联的设备个体组成系统，根据预先编排好的规则工作，能完成个别设备不能单独完成的工作的群体。
对分词结果进行数据清洗，去除无意义数据、属性和特殊符号；
对清洗结果进行拼写纠错，根据术语库进行无效单词过滤；
对清洗结果进行实体抽取，根据备件主数据、设备主数据作为规则库，抽取备件实体和设备实体；
基于设备维度数据和备件维度数据，对清洗结果进行关系抽取，根据表达关系的名词，获取实体之间的关系。
根据得到的“备件维度数据”，采用NLP（自然语言处理）技术，从备件领用描述、设备主数据的技术参数大文本字段、备件主数据的技术参数文件字段中，进行信息抽取、属性映射、逻辑关系匹配，提取出与设备位置码相关的描述信息，进而得到备件与设备、备件与备件的关系数据。
如备件10000098的历史维修领用工单描述型数据为“DWN系统制冷机组的年度检查 （适用于D1DWN062/063QQ）”，经过关系抽取后，可得出备件：10000098，设备：DD-1-44-DWN-063QQ，关系：适用于；对于备件10000098，将增加针对设备DD-1-44-DWN-063QQ的关系。
将得到的备件维度数据、设备维度数据、备件与设备及备件与备件的关系数据存入图数据库中，得到备件知识图谱，数据样例如图2所示。
其中包括备件1000098、设备 DD-1-44-DWN-063QQ以及维修周期mc。
图2中具体名词如下：
关系：
is_hav_to，表示备件10000098属于设备DD-1-44-DWN-063QQ；
is_replace，表示备件10000098可以被备件10000109替代；
属性：
col_times：领用次数；
use_year：领用发生年数；
col_q：实际领用数量（去除退回数量的实际使用数量）；
cycle：维修周期值；
unit：维修周期单位，D天，Y年，M月；
mc：维修周期。
本实施例中，基于备件知识图谱，确定各备件的历史需求目标数量，包括：
各备件为中心、以设备为对象点的关系线，由设备实体的“维修周期”属性得到设备的维修周期；
确定设备的维修周期内，备件的领用次数和每次领用的领用量，根据领用次数和每次领用的领用量确定计划维修周期内的历史领用总量。
若备件实体对应多个计划维修周期，则未来一个维修周期内的目标需求总量除了包括最长的计划维修周期备件的备件领用数量，还要包括小于最长的计划维修周期的其他的计划维修周期内的备件领用数量。
因此，具体实施例中，若设备的维修周期多于一个，则分别确定各计划维修周期内覆盖的历史领用集合，所述历史领用集合包括各个计划维修周期内备件的领用次数和每次领用的领用量；根据历史领用集合确定历史领用总量。将确定的历史需求目标数量作为未来一个维修周期内的目标需求总量。
由设备实体 “维修周期”属性可得到维修周期天数集合，即维修周期集合，可表示如下：
（C1,C2,C3,...,Cn） （1）
由备件实体的col_times和col_q两个属性得到领用次数和领用量，结合（1）得到的维修周期集合，得出各维修周期时间段覆盖内的历史领用集合：
C1:(H11,H12,H13,...H14,H1n),...,Cn(Hn1,Hn2,Hn3,...Hn4,Hnn) （2）
如图2所示，如备件10000098对应的设备DD-1-44-DWN-063QQ，在图例中可以看到，设备DD-1-44-DWN-063QQ的维修周期有三个，分别是30，71，189，表示设备DD-1-44-DWN-063QQ是有三种维修周期长度的，这种现象为长短周期覆盖，针对此情况需要将时间有重叠的历史领用数量进行累加，得出按最长周期覆盖的需求量，如按189D覆盖的量，189D的维修周期需要的备件数量除了自身维修周期需要的量以后还需要覆盖到71D、30D两个维修周期使用的备件量，得到备件10000098满足设备DD-1-44-DWN-063QQ维修周期的目标需求总量。
本实施例中，根据历史需求目标总量以及各备件的历史消耗速率预测获得目标需求总量的消耗速率和消耗天数，包括：
确定各备件的历史消耗速率；基于已经确定的各备件的历史消耗速率v，采用机器学习方法预测获得备件未来一个维修周期的的消耗速率；
根据公式Q/v计算得到历史需求目标总量的历史消耗天数，其中Q为历史需求目标总量；基于已经确定的各备件的历史消耗天数，采用机器学习方法预测获得备件未来一个维修周期的消耗天数。
具体实施例中可采用现有的机器学习方法，本实施例中采用随机森林回归方法进行预测。
本发明自动从各系统中搜集设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录，将数据聚合后存入图数据库中，得到备件知识图谱；根据备件知识图谱，通过总量预测模型得出满足备件未来一个维修周期的需求目标总量；
计算得出该备件的库存消耗速率预测，并预测得出未来一个维修周期备件的库存消耗预测。
实施例2：与实施例1提供的基于NPL和知识图谱的库存消耗预测方法相对应地，本实施例提供了基于NPL和知识图谱的库存消耗预测系统，包括：
数据聚合模块，用于获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；
备件知识图谱构建模块，用于基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；从维修领用工单描述型数据中抽取设备实体、备件实体信息和实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱;
库存消耗预测模块，用于基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及各备件的历史消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统及各模块具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
实施例3：本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机序被处理器执行时实现如以上实施例提供的基于NPL和知识图谱的库存消耗预测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.基于NPL和知识图谱的库存消耗预测方法，其特征在于，包括：
获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；
基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；基于维修领用工单描述型数据中抽取设备实体和备件实体，确定实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱；
基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及历史各备件的消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数；
基于维修领用工单描述型数据中抽取设备实体、备件实体，确定实体之间的关系，包括：
基于设备维修术语、设备标识编码、设备名称和设备系统对维修领用工单描述型数据进行分词；
对分词结果进行数据清洗，去除无意义数据、属性和特殊符号；
对清洗结果进行拼写纠错，根据术语库进行无效单词过滤；
对清洗结果进行实体抽取，根据备件主数据、设备主数据作为规则库，抽取备件实体和设备实体；
基于设备维度数据和备件维度数据，对清洗结果进行关系抽取，根据表达关系的名词，获取实体之间的关系。
2.如权利要求1所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，基于备件知识图谱，确定各备件的历史需求目标数量，包括：
各备件为中心、以设备为对象点的关系线，由设备实体的“维修周期”属性得到设备的维修周期；
确定设备的维修周期内，备件的领用次数和每次领用的领用量，根据领用次数和每次领用的领用量确定计划维修周期内的历史领用总量。
3.如权利要求2所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，若设备的维修周期多于一个，则分别确定各计划维修周期内覆盖的历史领用集合，所述历史领用集合包括各个计划维修周期内备件的领用次数和每次领用的领用量；根据历史领用集合确定历史领用总量。
4.如权利要求1所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，根据历史需求目标总量以及各备件的历史消耗速率预测获得目标需求总量的消耗速率和消耗天数，包括：
确定各备件的历史消耗速率；基于已经确定的各备件的历史消耗速率v，采用机器学习方法预测获得备件未来一个维修周期的消耗速率；
根据公式Q/v计算得到历史需求目标总量的历史消耗天数，其中Q为历史需求目标总量；基于已经确定的各备件的历史消耗天数，采用机器学习方法预测获得备件未来一个维修周期的消耗天数。
5.如权利要求4所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，所述机器学习方法为随机森林回归方法。
6.如权利要求4所述的基于NPL和知识图谱的库存消耗预测方法，其特征在于，根据历史需求目标总量和消耗持续的时间得到备件的历史消耗速率；所述消耗持续的时间为备件的两次领用的时间间隔。
7.基于NPL和知识图谱的库存消耗预测系统，其特征在于，包括：
数据聚合模块，用于获取设备主数据、备件主数据、设备的历史维修领用工单数据、设备维修计划和备件库存领用记录；对获取的所有异构数据进行聚合；
备件知识图谱构建模块，用于基于聚合后的数据获得设备维度数据和备件维度数据，从备件维度数据中提取非结构化的维修领用工单描述型数据；从维修领用工单描述型数据中抽取设备实体、备件实体信息和实体之间的关系；根据设备维度数据和备件维度数据确定各实体的属性；根据各实体、实体之间的关系以及各实体的属性得到备件知识图谱；
库存消耗预测模块，用于基于备件知识图谱，确定各备件的历史需求目标数量；根据历史需求目标总量以及各备件的历史消耗速率预测获得未来一个维修周期的需求目标总量的消耗速率和消耗天数；
基于维修领用工单描述型数据中抽取设备实体、备件实体，确定实体之间的关系，包括：
基于设备维修术语、设备标识编码、设备名称和设备系统对维修领用工单描述型数据进行分词；
对分词结果进行数据清洗，去除无意义数据、属性和特殊符号；
对清洗结果进行拼写纠错，根据术语库进行无效单词过滤；
对清洗结果进行实体抽取，根据备件主数据、设备主数据作为规则库，抽取备件实体和设备实体；
基于设备维度数据和备件维度数据，对清洗结果进行关系抽取，根据表达关系的名词，获取实体之间的关系。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～6任意一项权利要求所述方法的步骤。
CN202210723495.5A 2022-06-24 2022-06-24 基于npl和知识图谱的库存消耗预测方法、系统和存储介质 Active CN115169658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210723495.5A CN115169658B (zh) 2022-06-24 2022-06-24 基于npl和知识图谱的库存消耗预测方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210723495.5A CN115169658B (zh) 2022-06-24 2022-06-24 基于npl和知识图谱的库存消耗预测方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN115169658A CN115169658A (zh) 2022-10-11
CN115169658B true CN115169658B (zh) 2023-11-21

Family

ID=83487503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210723495.5A Active CN115169658B (zh) 2022-06-24 2022-06-24 基于npl和知识图谱的库存消耗预测方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN115169658B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542500B (zh) * 2023-07-06 2023-12-08 北方联创通信有限公司 无人机备件采购方法、系统、存储介质及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190000975A (ko) * 2017-06-26 2019-01-04 대한민국(육군참모총장) 수리부속 수요예측 시스템 및 이를 위한 방법
CN111159249A (zh) * 2019-12-13 2020-05-15 深圳市唯特视科技有限公司 基于知识图谱的目标识别方法、装置、系统、存储介质
CN112417175A (zh) * 2020-12-07 2021-02-26 北京明略软件系统有限公司 面向维修工单的文档检索方法、系统、计算机及存储介质
CN112949889A (zh) * 2019-12-11 2021-06-11 国网上海市电力公司 一种基于物联网与大数据技术的分级库存及二次配送方法
CN113780907A (zh) * 2020-06-10 2021-12-10 宝山钢铁股份有限公司 耗材需求量和库存控制方法、设备、系统以及存储介质
CN113793102A (zh) * 2021-09-18 2021-12-14 中广核风电有限公司 基于平台的库存管理方法和装置
CN114117072A (zh) * 2021-11-29 2022-03-01 国网辽宁省电力有限公司营口供电公司 一种基于知识图谱的设备家族缺陷检修预判的方法
CN114186076A (zh) * 2021-12-15 2022-03-15 深圳市网联安瑞网络科技有限公司 知识图谱构建方法、装置、设备和计算机可读存储介质
CN114218402A (zh) * 2021-12-17 2022-03-22 迈创企业管理服务股份有限公司 一种计算机硬件故障更换件推荐的方法
CN114511119A (zh) * 2022-04-20 2022-05-17 北京亚康万玮信息技术股份有限公司 基于物料模型与知识图谱相结合的智能匹配方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111221983B (zh) * 2020-01-15 2023-08-04 北京百度网讯科技有限公司 时序知识图谱生成方法、装置、设备和介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190000975A (ko) * 2017-06-26 2019-01-04 대한민국(육군참모총장) 수리부속 수요예측 시스템 및 이를 위한 방법
CN112949889A (zh) * 2019-12-11 2021-06-11 国网上海市电力公司 一种基于物联网与大数据技术的分级库存及二次配送方法
CN111159249A (zh) * 2019-12-13 2020-05-15 深圳市唯特视科技有限公司 基于知识图谱的目标识别方法、装置、系统、存储介质
CN113780907A (zh) * 2020-06-10 2021-12-10 宝山钢铁股份有限公司 耗材需求量和库存控制方法、设备、系统以及存储介质
CN112417175A (zh) * 2020-12-07 2021-02-26 北京明略软件系统有限公司 面向维修工单的文档检索方法、系统、计算机及存储介质
CN113793102A (zh) * 2021-09-18 2021-12-14 中广核风电有限公司 基于平台的库存管理方法和装置
CN114117072A (zh) * 2021-11-29 2022-03-01 国网辽宁省电力有限公司营口供电公司 一种基于知识图谱的设备家族缺陷检修预判的方法
CN114186076A (zh) * 2021-12-15 2022-03-15 深圳市网联安瑞网络科技有限公司 知识图谱构建方法、装置、设备和计算机可读存储介质
CN114218402A (zh) * 2021-12-17 2022-03-22 迈创企业管理服务股份有限公司 一种计算机硬件故障更换件推荐的方法
CN114511119A (zh) * 2022-04-20 2022-05-17 北京亚康万玮信息技术股份有限公司 基于物料模型与知识图谱相结合的智能匹配方法和装置

Also Published As

Publication number Publication date
CN115169658A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
Sürie et al. Supply chain analysis
Sullivan et al. Equipment replacement decisions and lean manufacturing
US8090607B2 (en) Re-optimization technique for use with an automated supply chain optimizer
CN103116813B (zh) 一种实时信息驱动的生产设备端制造活动智能导航方法
US11017339B2 (en) Cognitive labor forecasting
Exner et al. Proactive maintenance as success factor for use-oriented Product-Service Systems
CN111915254A (zh) 一种适用于汽车售后配件的库存优化控制方法和系统
Bakri et al. Addressing the issues of maintenance management in SMEs: towards sustainable and lean maintenance approach
CN115169658B (zh) 基于npl和知识图谱的库存消耗预测方法、系统和存储介质
JP2008021020A (ja) 販売計画作成支援システム
CN114330816A (zh) 一种工业原材料采购控制方法及系统
Silva et al. Availability forecast of mining equipment
CN117350492A (zh) 一种对比历史数据智能调控的mes运行管理系统
CN111027803A (zh) 施工管理方法及施工管理系统
CN114091770A (zh) 物料需求计划的预测分析方法、装置、设备及存储介质
Cundius et al. Real-Time or Near Real-Time?-Towards a Real-Time Assessment Model
Boccanera et al. Decision Guidance on Software Feature Selection to Maximize the Benefit to Organizational Processes.
Marinkovic et al. Digital Twins for Internal Transport Systems: Use Cases, Functions, and System Architecture
CN112308344A (zh) 一种未离港航班订座值预测方法、装置及电子设备
Almström et al. Why is there a mismatch between operation times in the planning systems and the times in reality
Schoech et al. Optimising plant layout decisions based on emulation models–technical framework and practical insights
Syahputra et al. System Analysis and Design of Fishery Supply Chain Risk in Aceh: A Case Study
US20220327562A1 (en) Methods and systems for applying survival analysis models to produce temporal measures of sales productivity
Awibowo et al. Development of Information Support System (ISS) Application for Organization Performance Improvement: Case in Tyre Manufacturer and Air Transport Company
Pacheco et al. Using BPMN to improve industrial processes: the case of the method of calculation of OEE

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
GR01 Patent grant
GR01 Patent grant