CN115309912A - 集成电驱结构的知识图谱构建方法、智能推理方法和快速设计方法 - Google Patents
集成电驱结构的知识图谱构建方法、智能推理方法和快速设计方法 Download PDFInfo
- Publication number
- CN115309912A CN115309912A CN202210945744.5A CN202210945744A CN115309912A CN 115309912 A CN115309912 A CN 115309912A CN 202210945744 A CN202210945744 A CN 202210945744A CN 115309912 A CN115309912 A CN 115309912A
- Authority
- CN
- China
- Prior art keywords
- entity
- design
- knowledge
- entities
- integrated
- 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.)
- Granted
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种集成电驱结构的知识图谱构建方法、智能推理方法和快速设计方法,以知识工程为基础的知识图谱技术能够有效将非结构化文本的知识和多源异构的各类数据进行整合,建立一个实体关系网络,以图的形式直观地展示数据之间的关联,从而有效提升数据集成质量,增强数据之间的互联性;通过进行知识抽取,能够准确、高效地从大数据萃取新的知识,有利于知识挖掘和知识扩散,把知识图谱的应用范围从数据检索和定性决策提升至综合决策,从而有效解决制造场景中的复杂问题。
Description
技术领域
本发明属于电驱系统设计技术领域,具体的为一种集成电驱结构的知识图谱构建方法、智能推理方法和快速设计方法。
背景技术
深度集成电动汽车的电机、控制器及减速器等部件是提升电驱动系统性能的重要措施之一,对提高电动汽车的产品竞争力具有重要意义。当前市场上常见的“三合一”新能源动力总成分别由电机、控制器和减速器组装而成,电机、减速器和控制器之间的链接匹配、减速方案等设计需要根据整车的空间布局、尺寸限制等因素更改设计方案。
机械组件的设计(例如减速器)多为基于原有产品的仿照或改型设计,参数设计耦合度高,存在大量重复性工作,导致产品开发周期长,设计成本高等问题。产品设计的早期阶段,涉及大量的设计标准、规范、典型结构、工艺规程和个人经验等知识的生成、重用与更迭。传统的信息集成与检索系统多通过基于关键词或模板的检索方式,这种检索多面向整个设计文档,因此设计师仍需花费大量的精力筛选、理解和接受知识。
发明内容
有鉴于此,本发明的目的在于提供一种集成电驱结构的知识图谱构建方法、智能推理方法和快速设计方法,构建得到的知识图谱能够有效提升数据集成质量,增强数据之间的互联性;同时把知识图谱的应用范围从数据检索和定性决策提升至综合决策,从而有效解决集成电驱结构设计过程中的复杂问题。
为达到上述目的,本发明提供如下技术方案:
本发明首先提出了一种集成电驱结构知识图谱构建方法,包括如下步骤:
步骤一:构建集成电驱结构的本体模型
11)获取集成电驱结构设计相关的知识,构建知识库;集成已有的产品案例,构建实例库;
12)采用自下而上的构建方式,结合专家知识建立基于三元组的集成电驱结构的本体模型;
步骤二:构建集成电驱结构的知识图谱
21)命名实体识别:以非结构化文本数据做为知识的来源,从非结构化文本数据中识别出集成电驱结构领域命名实体,通过分析集成电驱结构特征确定本文实体类型;
22)关系抽取:采用基于依存句法结构关系抽取方法,通过依存分析判定句子中的核心动词,提取以动词为核心关系的三元组;采用基于统计模型的中文分词方法进行分词;
23)实体对齐:通过余弦相似度计算每个实体和其他实体之间的相似度,在相似度超过阈值的实体对选择其中一个作为命名实体,然后把其他相似实体作为该实体的一个属性进行存储,并将其关系进行替换,实现实体对齐和关系的融合。
进一步,所述步骤12)中,集成电驱结构的本体模型表示为:
IMDO={Entity∪Relation}=∑Ti,Ti=(h_En,r,t_En)
Entity={Pa∪Fu∪Fe∪Cr∪Pm}={Tr∪Au∪AD∪St}
Relation={H_Re∪M_Re}
H_Re=∑H_r(H_En1,H_En2)
={(Pa,has_a,Fu)∪(Pa,has_a,Fe)∪(Pa,has_a,Cr)∪(Fu,has_a,Pe)∪(Fe,has_a,Pm)∪(Fe,has_a,Pm)∪(Cr,has_a,Pm)}
M_Re=∑M_r(M_En1,M_En2)
其中,IMDO表示集成电驱结构的本体模型;Ti表示第i个三元组;h_En表示头实体;t_En表示尾实体;r表示头实体指向尾实体的映射关系;Entity表示实体;Pa表示零件;Fu表示功能;Fe表示特征;Cr表示计算资源;Pm表示参数;Tr表示传动零件;Au表示辅助零件;AD表示连接件;St表示结构件;Relation表示映射关系集合;H_Re表示层次化关系集合;H_r用于表述不同层次实体之间的相互关系;H_En1和H_En2分别表示不同层次的两个实体;M_Re表示模块化关系集合;M_r用于表述不同模块实体之间的相互关系;M_En1和M_En2分别表示不同模块的两个实体;has_a表示头实体包含尾实体的映射关系。
进一步,所述步骤21)中,以汉语每个字为识别单位,采用BIO编码方式标注,B表示实体的开始,I表示实体中间位置,O表示该元素不在实体识别范围内,使实体识别工作转化为序列标注问题,并通过基于字的Bi-LSTM-CRF模型进行实体识别。
本发明还提出了一种集成电驱结构的智能推理方法,包括如下步骤:
S1:基于如权利要求1-3任一项所述集成电驱结构知识图谱构建方法构建得到的集成电驱结构的知识图谱,将所有三元组表示的语义关系转换为稠密低维实值向量,将头实体向关系空间投影得到头实体投影向量,将尾实体向关系空间投影得到尾实体投影向量,利用头实体投影向量和尾实体投影向量定义评分函数;
S2:将知识图谱中的零件、功能和特征直接以关系r连接,并以向量的表示,以本体结构对知识图谱的实体进行属性标签定义,并定义实体节点之间的标签相似度;
S3:在向量空间内,用余弦相似度运算方法来运算知识图谱里控制节点之间的相似程度,将分布向量参考依据的分布坐标数值绘制到向量空间中,求得他们的夹角的余弦数值,以判断向量的相似程度,从而判断实体之间的相似度;
S4:根据输入的用户需求,以图搜索的方式对功能、特征和参数约束在集成电驱结构知识图谱中进行实体映射,并获得对应的实体集,采用标签相似度和基于余弦相似度的语义相似度结合的方式,找到符合功能和特征所对应的待选零件实体集;
S5:根据条件约束中的参数实体集,对待选零件实体集的对应计算资源实体进行计算,筛选出符合约束条件中参数要求的零件实体集;再结合实体所对应的计算资源实体,通过评价参数选出最优零件实体;
S6:以广度优先的搜索方式搜索离最优零件实体节点最近的符合要求的实体。
进一步,所述步骤S1中,评分函数表示为:
其中,fr(h,t)表示用头实体投影向量和尾实体投影向量定义评分函数;Mrh表示头实体的投影矩阵;Mrt表示尾实体的投影矩阵;h表示头实体;t表示尾实体;r表示头实体指向尾实体的映射关系。
进一步,所述步骤S2中,实体节点之间的基于Jaccard相似系数的标签相似度定义为:
其中,A和B分别表示实体节点。
进一步,所述步骤S3中,实体A(x1,y1)和B(x2,y2)的余弦相似度定义为:
其中,cosθ表示余弦相似度;x1和y1表示实体A在关系空间内的投影坐标;x2和y2表示实体B在关系空间内的投影坐标;Ai,Bi分别代表向量A和B的各分量;n表示向量A和B的维度。
本发明还提出了一种集成电驱结构快速设计方法,输入设计需求和参数,在实例库中进行实例检索,判断检索得到的实例是否满足设计要求,若是,则设计完成;若否,则采用如上所述集成电驱结构的智能推理方法基于集成电驱结构知识图谱得到新产品设计,设计完成。
进一步,基于集成电驱结构知识图谱得到新产品设计后,将该新产品设计保存至实例库,并更新集成电驱结构知识图谱。
进一步,基于集成电驱结构知识图谱得到新产品的设计包括局部设计、逐步设计和自动设计三种模式。
本发明的有益效果在于:
本发明的集成电驱结构知识图谱构建方法,以知识工程为基础的知识图谱技术能够有效将非结构化文本的知识和多源异构的各类数据进行整合,建立一个实体关系网络,以图的形式直观地展示数据之间的关联,从而有效提升数据集成质量,增强数据之间的互联性;通过进行知识抽取,能够准确、高效地从大数据萃取新的知识,有利于知识挖掘和知识扩散,把知识图谱的应用范围从数据检索和定性决策提升至综合决策,从而有效解决制造场景中的复杂问题。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为基于层次化和模块化的集成电驱结构的本体模型;
图2为集成电驱结构知识图谱构建过程图;
图3为集成电驱结构智能推理算法的原理图;
图4为集成电驱结构设计综合应用系统架构图;
图5为集成电驱机构快速设计方法的流程图;
图6为局部设计的流程图;
图7为减速器逐步设计的流程图;
图8为减速器自动设计的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本实施例的集成电驱结构知识图谱构建方法,包括如下步骤:
步骤一:构建集成电驱结构的本体模型
11)获取集成电驱结构设计相关的知识,构建知识库;集成已有的产品案例,构建实例库。
具体的,根据集成电驱设计流程,从行业标准、企业设计规范、设计手册、已有设计方案、专家经验等获取集成电驱设计相关的知识,构建知识库;集成已有的产品案例,构成实例库。
12)采用自下而上的构建方式,结合专家知识建立基于三元组的集成电驱结构的本体模型。
为了避免知识的冗余和缺失,采用层次化和模块化的框架对知识进行表示。通过人工抽取原始资料数据库中的知识,采用自下而上的构建方式,结合专家知识建立基于三元组(T,Triad)的集成电驱机构本体模型(IMDO,Integrated Motor DriveOntology)。
具体的,如图1所示,集成电驱结构的本体模型表示为:
IMDO={Entity∪Relation}=∑Ti,Ti=(h_En,r,t_En)
Entity={Pa∪Fu∪Fe∪Cr∪Pm}={Tr∪Au∪AD∪St}Relation={H_Re∪M_Re}
H_Re=∑H_r(H_En1,H_En2)
={(Pa,has_a,Fu)∪(Pa,has_a,Fe)∪(Pa,has_a,Cr)∪(Fu,has_a,Pe)∪(Fe,has_a,Pm)∪(Fe,has_a,Pm)∪(Cr,has_a,Pm)}
M_Re=∑M_r(M_En1,M_En2)
其中,IMDO表示集成电驱结构的本体模型;Ti表示第i个三元组;h_En表示头实体;t_En表示尾实体;r表示头实体指向尾实体的映射关系;Entity表示实体;Pa表示零件;Fu表示功能;Fe表示特征;Cr表示计算资源;Pm表示参数;Tr表示传动零件;Au表示辅助零件;AD表示连接件;St表示结构件;Relation表示映射关系集合;H_Re表示层次化关系集合;H_r用于表述不同层次实体之间的相互关系;H_En1和H_En2分别表示不同层次的两个实体;M_Re表示模块化关系集合;M_r用于表述不同模块实体之间的相互关系;M_En1和M_En2分别表示不同模块的两个实体;has_a表示头实体包含尾实体的映射关系。
集成电驱结构本体模型以统一的三元组进行描述,所有的实体和关系集成一个的本体模型IMDO=∑Ti。每一个三元组Ti=(h_En,r,t_En)包括一个头实体h_En(headEntity)、尾实体(tailEntity)和头实体指向尾实体的映射关系r(relation),用以描述资源实体之间的直接关系。
集成电驱结构本体模型按层次化和模块化的架构进行统一描述,以保证知识的准确性和完整性,同时利于对知识的补充,如图1所示。对所有的实体按性质层次化分为零件Pa(Part,例如齿轮、轴承、密封圈等)、功能Fu(Function,例如链接、支撑等)、特征Fe(Feature,例如轴类、水平传动等)、计算资源Cr(Computerresource,设计过程中的相关公式)和参数Pm(Parameter,设计过程中涉及的参数),构成实体集合Entity={Pa∪Fu∪Fe∪Cr∪Pm}。并通过关系H_r描述不同层次实体之间的相互关系,构成层次化关系集合H_Re。对所有的实体按类别模块化分为传动零件Tr(Transmission parts,例如齿轮、连杆等)、辅助零件Au(Auxiliary parts,例如轴承、密封圈等)、连接件AD(Adapting Parts,例如离合器、万向节等)和结构件St(Structureparts,例如轴、壳体等)构成实体集合Entity={Tr∪Au∪AD∪St}。并通过关系M_r描述不同模块实体之间的相互关系,构成模块化关系集合M_Re。
步骤二:构建集成电驱结构的知识图谱
为实现复杂产品设计知识的抽取及存储以实现知识重用,考虑到设计知识的异质性以及设计者的重用需求,本发明以结合产品设计的特点,构建如图2所示的构建集成电驱结构知识图谱构建流程框架。集成电驱结构知识图谱以三元组形式存在,构建知识图谱需要对数据要进行知识加工,主要包括对数据源进行实体识别,关系抽取和实体对齐等操作。并将所有的三元组保存到Neo4j数据库中作为知识源以支撑知识的检索重用和辅助决策。
21)命名实体识别:以非结构化文本数据做为知识的来源,从非结构化文本数据中识别出集成电驱结构领域命名实体,通过分析集成电驱结构特征确定本文实体类型。
从非结构化文本中识别出集成电驱结构领域命名实体,依据设计手册、标准、专家经验、成熟的产品设计知识等非结构化文本数据做为知识的来源。通过分析集成电驱结构特征确定本文实体类型,主要有零件名称及类型、功能、特征、计算资源和参数,如表1所示。
表1集成电驱结构实体集合
本实施例中,以汉语每个字为识别单位,采用BIO编码方式标注,B表示实体的开始,I表示实体中间位置,O表示该元素不在实体识别范围内,使实体识别工作转化为序列标注问题,并通过基于字的Bi-LSTM-CRF模型进行实体识别。
22)关系抽取:采用基于依存句法结构关系抽取方法,通过依存分析判定句子中的核心动词,提取以动词为核心关系的三元组;采用基于统计模型的中文分词方法进行分词。
采用基于依存句法结构关系抽取方法,通过依存分析判定句子中的核心动词,提取以动词为核心关系的三元组。并采用基于统计模型的中文分词方法,使用jieba分词与LTP序列标注分词。然后利用Unigram与隐马尔科夫模型(Hidden Markov Model,HMM)结合进行分词。
23)实体对齐:通过余弦相似度计算每个实体和其他实体之间的相似度,在相似度超过阈值的实体对选择其中一个作为命名实体,然后把其他相似实体作为该实体的一个属性进行存储,并将其关系进行替换,实现实体对齐和关系的融合。
通过余弦相似度计算每个实体和其他实体之间的相似度,并设置阈值,对超过阈值的实体对选择其中一个作为命名实体,然后把其他相似实体作为该实体的一个属性进行存储,并将其关系进行替换,从而实现实体对齐和关系的融合。同时利用人工的方式进行核对、校验,以保证所有实体的准确性,这样能够保证融合的实体和实体关系的准确性。
下面结合上述集成电驱结构知识图谱构建方法对本发明集成电驱结构的智能推理方法的具体实施方式进行详细说明。
为实现使用集成电驱结构知识图谱进行数据检索、定性决策和综合决策,来解决制造场景中的复杂问题,本实施例提出一种集成电驱结构的智能推理方法,其原理如图3所示。该方法通过分解用户的输入需求,筛选出符合要求的零件实体集,然后计算实体集中最优参数的最优零件实体,最后基于最优零件实体输出用户需求的实体。
具体的,本实施例的集成电驱结构的智能推理方法,包括如下步骤:
S1:基于如上所述集成电驱结构知识图谱构建方法构建得到的集成电驱结构的知识图谱,运用TransD表示学习算法将所有三元组Ti=(h_En,r,t_En)表示的语义关系转换为稠密低维实值向量,将头实体向关系空间投影得到头实体投影向量,将尾实体向关系空间投影得到尾实体投影向量,利用头实体投影向量和尾实体投影向量定义评分函数。
具体的,矩阵Mrh=wrwh T+Im×n将头实体向关系空间投影,矩阵Mrt=wrwt T+Im×n将尾实体向关系空间投影,获得头实体和尾实体的投影向量h⊥=Mrhh、t⊥=Mrtt,评分函数表示为:
其中,其中,fr(h,t)表示用头实体投影向量和尾实体投影向量定义评分函数;Mrh表示头实体的投影矩阵;Mrt表示尾实体的投影矩阵;h表示头实体;t表示尾实体;r表示头实体指向尾实体的映射关系;wr表示映射关系的超平面的范数向量;wh T表示h在wr上的投影;wt T表示t在wr上的投影;Im×n表示单位矩阵。
S2:将知识图谱中的零件、功能和特征直接以关系r连接,并以向量的表示,以本体结构对知识图谱的实体进行属性标签定义,并定义实体节点之间的标签相似度。本实施例中,实体节点之间的基于Jaccard相似系数的标签相似度定义为:
其中,A和B分别表示实体节点。
S3:在向量空间内,用余弦相似度运算方法来运算知识图谱里控制节点之间的相似程度,将分布向量参考依据的分布坐标数值绘制到向量空间中,求得他们的夹角的余弦数值,以判断向量的相似程度,从而判断实体之间的相似度。本实施例中,实体A(x1,y1)和B(x2,y2)的余弦相似度定义为:
其中,cosθ表示余弦相似度;x1和y1表示实体A在关系空间内的投影坐标;x2和y2表示实体B在关系空间内的投影坐标;Ai,Bi分别代表向量A和B的各分量;n表示向量A和B的维度。
S4:根据输入的用户需求,以图搜索的方式对功能、特征和参数约束在集成电驱结构知识图谱中进行实体映射,并获得对应的实体集,采用标签相似度和基于余弦相似度的语义相似度结合的方式,找到符合功能和特征所对应的待选零件实体集。
具体的,本实施例的方法首先根据用户输入的需求,将其分解为搜索条件和输出目标,其中搜索条件根据其性质分解为条件约束和性能指标,条件约束包括功能、特征和参数约束。然后以图搜索的方式对功能、特征和参数约束在集成电驱结构知识图谱中进行实体映射,并获得对应的实体集:功能约束实体集特征约束实体集和参数约束实体集并采用基于Jaccard系数的标签相似度和基于余弦相似度的语义相似度结合的方式,找到符合功能和特征所对应的待选零件实体集∑Pa_Eni。
S5:根据条件约束中的参数实体集,对待选零件实体集的对应计算资源实体进行计算,筛选出符合约束条件中参数要求的零件实体集;再结合实体所对应的计算资源实体,通过评价参数选出最优零件实体。
根据条件约束中的参数实体集∑Pm_Eni,对待选零件实体集∑Pa_Eni的对应计算资源实体进行计算,筛选出符合约束条件中参数要求的零件实体集∑Pa_Enj∈∑Pa_Eni。在符合要求的零件实体集∑Pa_Enj中,结合实体所对应的计算资源实体,计算其尺寸、重量等评价参数,选出最优零件实体Pa_Enj。
S6:以广度优先的搜索方式搜索离最优零件实体Pa_Enj节点最近的符合要求的实体。
下面结合本实施例上述集成电驱结构的智能推理方法对本发明集成电驱结构快速设计方法的具体实施方式进行详细说明。
具体的,基于建立的集成电驱结构知识图谱,以及对应的智能推荐算法,本发明开发了面向新能源汽车集成电驱系统结构设计的综合应用系统,系统架构如图4所示。技术层包括知识加工、知识存储、智能推理算法等技术,作为系统的支撑,为系统的功能服务。数据层包括集成电驱结构知识库、集成电驱结构本体模型、集成电驱结构知识图谱和集成电驱结构实例库。管理者可以通过补充、修改本体模型和知识库来对知识图谱进行维护,同时使用智能知识加工方法,能够实现对知识图谱的自动更新维护。
基于已有的数据层和技术层,用户能够使用该系统进行数据检索、定性决策和综合决策,实现对集成电驱结构的快速设计。如图5所示,本实施例的集成电驱结构快速设计方法为,输入设计需求和参数,在实例库中进行实例检索,判断检索得到的实例是否满足设计要求,若是,则设计完成;若否,则采用如上集成电驱结构的智能推理方法基于集成电驱结构知识图谱得到新产品设计,设计完成。具体的,基于集成电驱结构知识图谱得到新产品设计后,将该新产品设计保存至实例库,并更新集成电驱结构知识图谱。
基于集成电驱结构知识图谱进行新产品开发包括三种设计模式,分别是局部设计、逐步设计和自动设计。用户可以通过局部设计对现有产品进行快速更改设计;也可以逐步设计或自动设计的方式,按照新能源汽车集成电驱结构设计步骤,实现对集成电驱传动结构的快速设计。
局部设计即对某一个零部件进行设计,包括选型、参数设计等,其步骤如图6所示。用户首先对待设计的零部件,并设置相关约束参数和条件;然后系统按照需求条件在集成电驱结构知识图谱寻找合适的设计方案,直至满足用户需求;在新的设计方案下通过集成电驱知识图谱对待设计零部件和其耦合的零部件进行相关参数检查或重新设计,若不符合则重新选择替代方案,直至满足用户需求。以电机、变速器连接方案设计为例,用户输入电机轴直径、变速器输入轴直径、传动角度(电机轴与变速器输入轴之间的角度),系统基于集成电驱结构知识图谱计算功率、扭矩等隐含约束条件,然后智能推荐出合理的连接方案,相关实例如表2所示。
表2电机、变速器连接方案设计实例
逐步设计按照传动机构设计原理,以局部设计的方式实现对所有传动结构及零部件的设计。以减速器设计为例,依次选择高速级齿轮传动、低速级齿轮传动、高速轴、中间轴、低速轴以及相关辅件,按照局部设计的方式进行依次设计,其过程如图7所示。每一步设计按照局部设计的方式,对相关参数进行输入,系统基于约束和计算相关参数生成合理的设计方案,用户并能够对其进行优化更改。
自动设计时,用户首先选择始末零件,设置性能、尺寸等相关参数,系统生成一套设计方案,同时用户可以通过局部设计的方式更改设计方案,其步骤如图8所示。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种集成电驱结构知识图谱构建方法,其特征在于:包括如下步骤:
步骤一:构建集成电驱结构的本体模型
11)获取集成电驱结构设计相关的知识,构建知识库;集成已有的产品案例,构建实例库;
12)采用自下而上的构建方式,结合专家知识建立基于三元组的集成电驱结构的本体模型;
步骤二:构建集成电驱结构的知识图谱
21)命名实体识别:以非结构化文本数据做为知识的来源,从非结构化文本数据中识别出集成电驱结构领域命名实体,通过分析集成电驱结构特征确定本文实体类型;
22)关系抽取:采用基于依存句法结构关系抽取方法,通过依存分析判定句子中的核心动词,提取以动词为核心关系的三元组;采用基于统计模型的中文分词方法进行分词;
23)实体对齐:通过余弦相似度计算每个实体和其他实体之间的相似度,在相似度超过阈值的实体对选择其中一个作为命名实体,然后把其他相似实体作为该实体的一个属性进行存储,并将其关系进行替换,实现实体对齐和关系的融合。
2.根据权利要求1所述的集成电驱结构知识图谱构建方法,其特征在于:所述步骤12)中,集成电驱结构的本体模型表示为:
IMDO={Entity∪Relation}=∑Ti,Ti=(h_En,r,t_En)
Entity={Pa∪Fu∪Fe∪Cr∪Pm}={Tr∪Au∪AD∪St}
Relation={H_Re∪M_Re}
H_Re=∑H_r(H_En1,H_En2)
={(Pa,has_a,Fu)∪(Pa,has_a,Fe)∪(Pa,has_a,Cr)∪(Fu,has_a,Pe)∪(Fe,has_a,Pm)∪(Fe,has_a,Pm)∪(Cr,has_a,Pm)}
M_Re=∑M_r(M_En1,M_En2)
其中,IMDO表示集成电驱结构的本体模型;T1表示第i个三元组;h_En表示头实体;t_En表示尾实体;r表示头实体指向尾实体的映射关系;Entity表示实体;Pa表示零件;Fu表示功能;Fe表示特征;Cr表示计算资源;Pm表示参数;Tr表示传动零件;Au表示辅助零件;AD表示连接件;St表示结构件;Relation表示映射关系集合;H_Re表示层次化关系集合;H_r用于表述不同层次实体之间的相互关系;H_En1和H_En2分别表示不同层次的两个实体;M_Re表示模块化关系集合;M_r用于表述不同模块实体之间的相互关系;M_En1和M_En2分别表示不同模块的两个实体;has_a表示头实体包含尾实体的映射关系。
3.根据权利要求1所述的集成电驱结构知识图谱构建方法,其特征在于:所述步骤21)中,以汉语每个字为识别单位,采用BIO编码方式标注,B表示实体的开始,I表示实体中间位置,O表示该元素不在实体识别范围内,使实体识别工作转化为序列标注问题,并通过基于字的Bi-LSTM-CRF模型进行实体识别。
4.一种集成电驱结构的智能推理方法,其特征在于:包括如下步骤:
S1:基于如权利要求1-3任一项所述集成电驱结构知识图谱构建方法构建得到的集成电驱结构的知识图谱,将所有三元组表示的语义关系转换为稠密低维实值向量,将头实体向关系空间投影得到头实体投影向量,将尾实体向关系空间投影得到尾实体投影向量,利用头实体投影向量和尾实体投影向量定义评分函数;
S2:将知识图谱中的零件、功能和特征直接以关系r连接,并以向量的表示,以本体结构对知识图谱的实体进行属性标签定义,并定义实体节点之间的标签相似度;
S3:在向量空间内,用余弦相似度运算方法来运算知识图谱里控制节点之间的相似程度,将分布向量参考依据的分布坐标数值绘制到向量空间中,求得他们的夹角的余弦数值,以判断向量的相似程度,从而判断实体之间的相似度;
S4:根据输入的用户需求,以图搜索的方式对功能、特征和参数约束在集成电驱结构知识图谱中进行实体映射,并获得对应的实体集,采用标签相似度和基于余弦相似度的语义相似度结合的方式,找到符合功能和特征所对应的待选零件实体集;
S5:根据条件约束中的参数实体集,对待选零件实体集的对应计算资源实体进行计算,筛选出符合约束条件中参数要求的零件实体集;再结合实体所对应的计算资源实体,通过评价参数选出最优零件实体;
S6:以广度优先的搜索方式搜索离最优零件实体节点最近的符合要求的实体。
8.一种集成电驱结构快速设计方法,其特征在于:输入设计需求和参数,在实例库中进行实例检索,判断检索得到的实例是否满足设计要求,若是,则设计完成;若否,则采用如权利要求4-7任一项所述集成电驱结构的智能推理方法基于集成电驱结构知识图谱得到新产品设计,设计完成。
9.根据权利要求8所述的集成电驱结构快速设计方法,其特征在于:基于集成电驱结构知识图谱得到新产品设计后,将该新产品设计保存至实例库,并更新集成电驱结构知识图谱。
10.根据权利要求8所述的集成电驱结构快速设计方法,其特征在于:基于集成电驱结构知识图谱得到新产品的设计包括局部设计、逐步设计和自动设计三种模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945744.5A CN115309912B (zh) | 2022-08-08 | 2022-08-08 | 集成电驱结构的知识图谱智能推理方法和快速设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945744.5A CN115309912B (zh) | 2022-08-08 | 2022-08-08 | 集成电驱结构的知识图谱智能推理方法和快速设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115309912A true CN115309912A (zh) | 2022-11-08 |
CN115309912B CN115309912B (zh) | 2023-07-21 |
Family
ID=83861349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945744.5A Active CN115309912B (zh) | 2022-08-08 | 2022-08-08 | 集成电驱结构的知识图谱智能推理方法和快速设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115309912B (zh) |
Cited By (1)
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232443A1 (en) * | 2017-02-16 | 2018-08-16 | Globality, Inc. | Intelligent matching system with ontology-aided relation extraction |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN111753098A (zh) * | 2020-06-23 | 2020-10-09 | 陕西师范大学 | 一种基于跨媒体动态知识图谱的教学方法及系统 |
CN112214335A (zh) * | 2020-10-13 | 2021-01-12 | 重庆工业大数据创新中心有限公司 | 基于知识图谱和相似度网络的Web服务发现方法 |
CN112612902A (zh) * | 2020-12-23 | 2021-04-06 | 国网浙江省电力有限公司电力科学研究院 | 一种电网主设备的知识图谱构建方法及设备 |
CN113987212A (zh) * | 2021-11-17 | 2022-01-28 | 武汉理工大学 | 一种数控加工领域工艺数据的知识图谱构建方法 |
CN114417015A (zh) * | 2022-01-26 | 2022-04-29 | 西南交通大学 | 一种高速列车可维修性知识图谱构建方法 |
-
2022
- 2022-08-08 CN CN202210945744.5A patent/CN115309912B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180232443A1 (en) * | 2017-02-16 | 2018-08-16 | Globality, Inc. | Intelligent matching system with ontology-aided relation extraction |
CN111753098A (zh) * | 2020-06-23 | 2020-10-09 | 陕西师范大学 | 一种基于跨媒体动态知识图谱的教学方法及系统 |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN112214335A (zh) * | 2020-10-13 | 2021-01-12 | 重庆工业大数据创新中心有限公司 | 基于知识图谱和相似度网络的Web服务发现方法 |
CN112612902A (zh) * | 2020-12-23 | 2021-04-06 | 国网浙江省电力有限公司电力科学研究院 | 一种电网主设备的知识图谱构建方法及设备 |
CN113987212A (zh) * | 2021-11-17 | 2022-01-28 | 武汉理工大学 | 一种数控加工领域工艺数据的知识图谱构建方法 |
CN114417015A (zh) * | 2022-01-26 | 2022-04-29 | 西南交通大学 | 一种高速列车可维修性知识图谱构建方法 |
Non-Patent Citations (2)
Title |
---|
QIU LI, BO YANG, SHILONG WANG, ZHENGPING ZHANG, XIAOLI TANG, CHUNYANG ZHAO: "A fine-grained flexible graph convolution network for visual inspection of resistance spot welds using cross-domain features", JOURNAL OF MANUFACTURING PROCESSES, vol. 78, pages 319 - 329, XP087048111, DOI: 10.1016/j.jmapro.2022.04.025 * |
许驹雄等: "发动机故障领域知识图谱构建与应用", 计算机系统应用, vol. 31, no. 7, pages 66 - 76 * |
Cited By (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115309912B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | An automatic method for constructing machining process knowledge base from knowledge graph | |
Milton | Knowledge technologies | |
Ke et al. | An intelligent design for remanufacturing method based on vector space model and case-based reasoning | |
CN108573411A (zh) | 基于用户评论的深度情感分析和多源推荐视图融合的混合推荐方法 | |
CN111339313A (zh) | 一种基于多模态融合的知识库构建方法 | |
CN112463980A (zh) | 一种基于知识图谱的预案智能推荐方法 | |
CN116401376A (zh) | 一种面向工艺性检查的知识图谱构建方法及系统 | |
Chen et al. | An approach for assembly process case discovery using multimedia information source | |
CN115309912B (zh) | 集成电驱结构的知识图谱智能推理方法和快速设计方法 | |
Schorlemmer et al. | Institutionalising ontology-based semantic integration | |
CN117235929A (zh) | 基于知识图谱和机器学习的三维cad生成式设计方法 | |
CN114168615A (zh) | 自然语言查询智能变电站scd文件的方法及系统 | |
CN114911893A (zh) | 基于知识图谱的自动化构建知识库的方法及系统 | |
CN114817454A (zh) | 一种结合信息量和BERT-BiLSTM-CRF的NLP知识图谱构建方法 | |
Sun et al. | A framework for automated finite element analysis with an ontology-based approach | |
Haruna et al. | Collaborative task of entity and relation recognition for developing a knowledge graph to support knowledge reasoning for design for additive manufacturing | |
CN117648984A (zh) | 一种基于领域知识图谱的智能问答方法及系统 | |
CN111259106A (zh) | 一种结合神经网络和特征演算的关系抽取方法 | |
Liu et al. | Knowledge Graph Construction and Application of Spatial Arrangement of Underground Powerhouse | |
Zhang et al. | Automatic data representation analysis for reconfigurable systems integration | |
Wei et al. | A Data-Driven Human–Machine Collaborative Product Design System Toward Intelligent Manufacturing | |
CN116821355A (zh) | 混合动力汽车传动系统知识图谱构建方法、推理方法和快速设计系统 | |
Ling et al. | An ontology-based method for knowledge integration in a collaborative design environment | |
Bargui et al. | An ontology-based approach for automatic goal requirements engineering in data warehouse design | |
Debord et al. | Proposition of a design rules framework |
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 |