CN115860488A - 一种ai工业助手流程规则范围统计方法 - Google Patents
一种ai工业助手流程规则范围统计方法 Download PDFInfo
- Publication number
- CN115860488A CN115860488A CN202211468120.5A CN202211468120A CN115860488A CN 115860488 A CN115860488 A CN 115860488A CN 202211468120 A CN202211468120 A CN 202211468120A CN 115860488 A CN115860488 A CN 115860488A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial
- module
- management
- model
- 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
Abstract
本发明公开了一种AI工业助手流程规则范围统计方法,包括基于流程工业企业元数据构建数据对象模型,保障对象模型的准确升级迭代,在构建过程中保存每个模版变化的过程;对原始数据进行数据处理后,进行指标管理;对企业内各类实体对象的全生命周期进行画像,并基于此构建工业企业知识图谱,对各类数据进行接入,以数据对象的形式进行组织管理,形成完整的对象画像;通过对象模型和对象间的关联关系,结合工厂的实际生产组织关系构建完整的知识图谱;基于机器学习与数据挖掘算法对流程工业进行大数据分析;通过用户交互界面实现工业大数据的可视化和安全管理,本发明,具有有效提高数据利用率和工业管理效率的特点。
Description
技术领域
本发明涉及流程工业数据统计分析技术领域,具体为一种AI工业助手流程规则范围统计方法。
背景技术
工业数据是工业企业的重要资产,有效利用工厂的生产、管理和运营数据可以帮助企业更好地实现精细化管理,但目前流程工业企业信息系统种类繁多、数据类型多种多样,多元数据管理不规范、数据分析门槛高,难以将海量多元工业数据有效融合及统计分析,无法真正实现对数据价值的挖掘。因此,设计有效提高数据利用率和工业管理效率的一种AI工业助手流程规则范围统计方法是很有必要的。
发明内容
本发明的目的在于提供一种AI工业助手流程规则范围统计方法,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:一种AI工业助手流程规则范围统计方法,包括:
基于流程工业企业元数据构建数据对象模型;
对原始数据进行数据处理后,进行指标管理;
对企业内各类实体对象的全生命周期进行画像,并基于此构建工业企业知识图谱;
基于机器学习与数据挖掘算法对流程工业进行大数据分析;
通过用户交互界面实现工业大数据的可视化和安全管理。
根据上述技术方案,所述基于流程工业企业元数据构建数据对象模型包括:通过元数据模型版本管理,保障对象模型的准确升级迭代,在构建过程中保存每个模版变化的过程。
根据上述技术方案,所述对原始数据进行数据处理后,进行指标管理的步骤包括:
对原始数据进行数据清洗及深度加工;
将流程工业中的统计数据抽象成指标后进行管理。
根据上述技术方案,所述对企业内各类实体对象的全生命周期进行画像,并基于此构建工业企业知识图谱的步骤包括:
对各类数据进行接入,以数据对象的形式进行组织管理,形成完整的对象画像;
通过对象模型和对象间的关联关系,结合工厂的实际生产组织关系构建完整的知识图谱。
根据上述技术方案,所述基于机器学习与数据挖掘算法对流程工业进行大数据分析的步骤包括:
采用大数据建模分析方法,构建通用全面的机器学习建模框架;
在数据挖掘流程发布后,通过任务调度和接口服务以拓展模型适用范围;
对大数据分析模型进行不断更新。
根据上述技术方案,所述通过用户交互界面实现工业大数据的可视化和安全管理的步骤包括:
通过用户交互界面,以图形化分析控件的方式,将分析结果进行可视化呈现;
对工业大数据进行安全管理,包括用户管理和安全认证。
根据上述技术方案,所述一种AI工业助手流程规则范围统计系统包括:
工业数据资产管理模块,用于对工业数据资产进行管理;
工业数据统计分析模块,用于对工业数据进行统计分析。
根据上述技术方案,所述工业数据资产管理模块包括:
数据对象模型构建模块,用于构建数据对象模型;
原始数据加工模块,用于对原始数据进行加工处理;
指标管理模块,用于将流程工业中的统计数据抽象成指标;
实体对象画像模块,用于对各类数据进行对象画像;
知识图谱构建模块,用于构建知识图谱。
根据上述技术方案,所述工业数据统计分析模块包括:
机器学习模块,用于通过机器学习算法进行数据分析;
模型扩展模块,用于通过任务调度和接口服务拓展模型适用范围;
模型更新模块,用于对大数据分析模型进行不断更新;
可视化分析模块,用于对分析的工业数据进行可视化管理;
资源安全管理模块,用于对工业大数据进行安全管理。
根据上述技术方案,所述模型扩展模块包括:
任务调度单元,用于按照设定频率触发并实现流程;
接口服务单元,用于供第三方系统使用。
与现有技术相比,本发明所达到的有益效果是:本发明,通过设置有工业数据资产管理模块和工业数据统计分析模块,对企业内各类实体对象的全生命周期进行画像,并基于此构建工业企业知识图谱,使流程工业企业能够利用有效利用工厂的生产数据、管理数据和运营数据;通过大数据分析,使工业企业能够完成机器学习、深度学习、数据挖掘处理等算法模型构建,挖掘潜在的价值信息,为企业提供决策支持;通过用户交互界面,以图形化分析控件的方式,将分析结果进行可视化呈现,帮助工业企业更方便的洞察数据,得到潜藏的模式、关联关系,快速实现经营分析、业务分析、大屏可视化等多种业务需求。
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是本发明实施例一提供的一种AI工业助手流程规则范围统计方法的流程图;
图2是本发明实施例二提供的一种AI工业助手流程规则范围统计系统的模块构成示意图。
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。
实施例一:
图1为本发明实施例一提供的一种AI工业助手流程规则范围统计方法的流程图,本实施例可应用于流程工业数据管理的环境中,该方法可以由本发明实施例提供的一种AI工业助手流程规则范围统计方法来执行,该系统由多个软硬件模块组成,该方法具体包括以下步骤:
S101、基于流程工业企业元数据构建数据对象模型;
在本发明的一些实施例中,基于对象化模型管理,通过基于语义的方式来构建对象模型,构建模型之间的关系,通过元数据模型版本管理,保障对象模型的准确升级迭代;在构建过程中保存每个模版变化的过程,并且可以查看历史版本的信息,针对异常情况和需求进行版本修改,维护模版的实例数据,并设定数据权限。
S102、对原始数据进行数据处理后,进行指标管理;
具体的,在本发明实施例中,对原始数据进行数据清洗及深度加工包括:根据设置过滤条件对原始数据进行过滤,对多个数据源进行数据合并,将选择多个样本的列或所有列合并成一个数据集输出,将原始数据中存在空值及空字符串进行替换,以保证后续的数据能够顺利的查找特征或建立模型,对原始数据结构进行特定的数据类型转换和数据处理,根据时间字段验证数据缺行(时间不连续)补相应的数据行,时间字段按规则填充,其他字段空补齐,将数据按分组进行统计聚合,解决数据不完整、格式不一致、数据不正确和因数据字典设计不同产生的无法数据匹配等问题,为后续提供分析数据和指标数据;
指标管理括将流程工业中的统计数据抽象成系统中的一个个指标,通过指标实现实时数据的统计、非采集数据的人工录入、第三方系统的数据获取等,将数据以指标的形式存在于面向多元对象化数据的工业数据库中,同时提供指标数据能够实时查询展示,或指标数据接口,供第三方系统调用,如可获取指标数据作综合展示,并对整个指标的关系进行跟踪,为流程工业企业提供各类不同业务的指标数据,包括人员绩效指标、生产指标、质量指标、库存指标、销售指标、能耗指标等。
S103、对企业内各类实体对象的全生命周期进行画像,并基于此构建工业企业知识图谱;
在本发明的一些实施例中,对各类数据进行接入,包括设备、传感器在内的物联网数据、工业信息化系统的业务数据、人员过程中手动录入的数据以及互联网中相关数据,全生命周期内各个阶段的信息与数据,以数据对象的形式进行组织管理,形成完整的对象画像,快速实现数据的获取、应用的开发以及数据分析展示;通过对象模型和对象间的关联关系,将真实工厂的生产单元以对象化的全信息模型实现映射,结合工厂的实际生产组织关系构建完整的知识图谱,帮助工业企业进行生产全流程管理。
示例性的,在本发明实施例中,当生产线某个指标发生异常时,通过找出在知识图谱中对应的节点,分析以该节点为中心的子图,可发现该异常的影响因素,通过知识图谱推理,寻找该异常发生的原因。
S104、基于机器学习与数据挖掘算法对流程工业进行大数据分析;
在本发明的一些实施例中,采用大数据建模分析方法,实现机器学习算法的训练、测试、评估、运用,构建通用全面的机器学习建模框架,集成TF+Keras主流深度学习框架,进行复杂分析流程的构建、实现机器学习服务与业务系统的无缝融合,有利于管理和决策的模式和趋势的业务能力,从而实现流程工业企业生产运营科学决策。
在本发明的一些实施例中,在数据挖掘流程发布后,通过任务调度和接口服务以拓展模型适用范围,具体的,任务调度是指用户设定流程,并嵌入到定时任务中,按照设定频率触发并实现流程,在此基础上创建实时模型构建或进行预测;接口服务是指用户把流程发布为服务接口,供第三方系统使用,为模型训练或数据预测创造更好的条件。
在本发明的一些实施例中,对大数据分析模型进行不断更新,实时监控已投运模型的运行状态和预测精度,当精度呈现明显下降趋势,或者模型运行达到一定周期后,自动汇总系统近期的运行数据作为新的样本数据,对模型进行更新训练,并再次发布投运,避免由于设备更新、材料老化、人员更替等不可控因素的影响,而导致的预测的准确性可能会随着时间的推移而产生一定的波动的问题。
示例性的,在本发明实施例中,在流程工业领域,工艺流程和设备经常需要长时间的连续工作,负责数据采集的设备和装置在运行过程中产生的数据远远超过其他途径所获得的数据,且其采集到的为时间序列数据,具有较高的实时性,表现出非结构性的特征,因此通过机器学习与数据挖掘对流程工业进行大数据分析,可以有效为工业企业应用提供决策支撑。
S105、通过用户交互界面实现工业大数据的可视化和安全管理;
在本发明的一些实施例中,通过用户交互界面,以图形化分析控件的方式,将分析结果进行可视化呈现,帮助工业企业更方便的洞察数据,得到潜藏的模式、关联关系,快速实现经营分析、业务分析、大屏可视化等多种业务需求。
在本发明的一些实施例中,对工业大数据进行安全管理,包括用户管理和安全认证;具体的,为用户划分的权限范围,利用集群管理员创建超级用户、普通用户、特定数据访问用户等,通过不一致的用户权限以加强集群的安全性;采用用户端和服务器端共享密钥的方式,通过计算机网络授权协议来实现认证协议,第一次验证时,客户端利用计算机网络授权协议证书得到授权令牌,成功验证后,在后续访问时无需重新验证,保证数据安全。
实施例二:
本发明实施例二提供了一种AI工业助手流程规则范围统计系统,图2为本实施例二提供的一种AI工业助手流程规则范围统计系统的模块构成示意图,如图2所示,该系统包括:
工业数据资产管理模块,用于对工业数据资产进行管理;
工业数据统计分析模块,用于对工业数据进行统计分析。
在本发明的一些实施例中,工业数据资产管理模块包括:
数据对象模型构建模块,用于构建数据对象模型;
原始数据加工模块,用于对原始数据进行加工处理;
指标管理模块,用于将流程工业中的统计数据抽象成指标;
实体对象画像模块,用于对各类数据进行对象画像;
知识图谱构建模块,用于构建知识图谱。
在本发明的一些实施例中,工业数据统计分析模块包括:
机器学习模块,用于通过机器学习算法进行数据分析;
模型扩展模块,用于通过任务调度和接口服务拓展模型适用范围;
模型更新模块,用于对大数据分析模型进行不断更新;
可视化分析模块,用于对分析的工业数据进行可视化管理;
资源安全管理模块,用于对工业大数据进行安全管理。
在本发明的一些实施例中,模型扩展模块包括:
任务调度单元,用于按照设定频率触发并实现流程;
接口服务单元,用于供第三方系统使用。
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)
1.一种AI工业助手流程规则范围统计方法,其特征在于:该方法包括:
基于流程工业企业元数据构建数据对象模型;
对原始数据进行数据处理后,进行指标管理;
对企业内各类实体对象的全生命周期进行画像,并基于此构建工业企业知识图谱;
基于机器学习与数据挖掘算法对流程工业进行大数据分析;
通过用户交互界面实现工业大数据的可视化和安全管理。
2.根据权利要求1所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述基于流程工业企业元数据构建数据对象模型包括:通过元数据模型版本管理,保障对象模型的准确升级迭代,在构建过程中保存每个模版变化的过程。
3.根据权利要求1所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述对原始数据进行数据处理后,进行指标管理的步骤包括:
对原始数据进行数据清洗及深度加工;
将流程工业中的统计数据抽象成指标后进行管理。
4.根据权利要求1所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述对企业内各类实体对象的全生命周期进行画像,并基于此构建工业企业知识图谱的步骤包括:
对各类数据进行接入,以数据对象的形式进行组织管理,形成完整的对象画像;
通过对象模型和对象间的关联关系,结合工厂的实际生产组织关系构建完整的知识图谱。
5.根据权利要求1所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述基于机器学习与数据挖掘算法对流程工业进行大数据分析的步骤包括:
采用大数据建模分析方法,构建通用全面的机器学习建模框架;
在数据挖掘流程发布后,通过任务调度和接口服务以拓展模型适用范围;
对大数据分析模型进行不断更新。
6.根据权利要求1所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述通过用户交互界面实现工业大数据的可视化和安全管理的步骤包括:
通过用户交互界面,以图形化分析控件的方式,将分析结果进行可视化呈现;
对工业大数据进行安全管理,包括用户管理和安全认证。
7.一种AI工业助手流程规则范围统计系统,其特征在于:所述该系统包括:
工业数据资产管理模块,用于对工业数据资产进行管理;
工业数据统计分析模块,用于对工业数据进行统计分析。
8.根据权利要求7所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述工业数据资产管理模块包括:
数据对象模型构建模块,用于构建数据对象模型;
原始数据加工模块,用于对原始数据进行加工处理;
指标管理模块,用于将流程工业中的统计数据抽象成指标;
实体对象画像模块,用于对各类数据进行对象画像;
知识图谱构建模块,用于构建知识图谱。
9.根据权利要求7所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述工业数据统计分析模块包括:
机器学习模块,用于通过机器学习算法进行数据分析;
模型扩展模块,用于通过任务调度和接口服务拓展模型适用范围;
模型更新模块,用于对大数据分析模型进行不断更新;
可视化分析模块,用于对分析的工业数据进行可视化管理;
资源安全管理模块,用于对工业大数据进行安全管理。
10.根据权利要求9所述的一种AI工业助手流程规则范围统计方法,其特征在于:所述模型扩展模块包括:
任务调度单元,用于按照设定频率触发并实现流程;
接口服务单元,用于供第三方系统使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468120.5A CN115860488A (zh) | 2022-11-22 | 2022-11-22 | 一种ai工业助手流程规则范围统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211468120.5A CN115860488A (zh) | 2022-11-22 | 2022-11-22 | 一种ai工业助手流程规则范围统计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115860488A true CN115860488A (zh) | 2023-03-28 |
Family
ID=85664980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211468120.5A Pending CN115860488A (zh) | 2022-11-22 | 2022-11-22 | 一种ai工业助手流程规则范围统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115860488A (zh) |
-
2022
- 2022-11-22 CN CN202211468120.5A patent/CN115860488A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977293B2 (en) | Technology incident management platform | |
Allam | An Exploratory Survey of Hadoop Log Analysis Tools | |
CN106528828A (zh) | 一种基于多维度校验规则的数据质量检测方法 | |
CN111915143B (zh) | 一种基于智能合约的复杂产品装配管控系统 | |
Välja et al. | A requirements based approach for automating enterprise it architecture modeling using multiple data sources | |
CN113722301A (zh) | 基于教育信息的大数据处理方法、装置及系统、存储介质 | |
Välja et al. | Automated architecture modeling for enterprise technology manageme using principles from data fusion: A security analysis case | |
CN115809302A (zh) | 元数据处理方法、装置、设备及存储介质 | |
Balliu et al. | A big data analyzer for large trace logs | |
Al-Bahri et al. | Evaluate the role of big data in enhancing strategic decision making for E-governance in E-Oman portal | |
CN113722564A (zh) | 基于空间图卷积能源物资供应链的可视化方法及装置 | |
US20210142233A1 (en) | Systems and methods for process mining using unsupervised learning | |
CN112487053A (zh) | 海量财务数据异常控制提取工作方法 | |
CN116362443A (zh) | 一种企业信息平台的数据治理方法和装置 | |
Shayakhmetova et al. | Descriptive big data analytics in the field of education | |
Feijoo-Martinez et al. | Event analysis on power communication networks with big data for maintenance forms | |
CN115860488A (zh) | 一种ai工业助手流程规则范围统计方法 | |
Korman et al. | Technology management through architecture reference models: A smart metering case | |
Raj et al. | On the Impact of ML use cases on Industrial Data Pipelines | |
CN112463853A (zh) | 通过云平台进行财务数据行为筛选工作方法 | |
Jiaqi | Analysis of the Construction of Intelligent Laboratory Management System | |
Wang et al. | An intelligent DevOps platform research and design based on machine learning | |
CN116822804B (zh) | 一种数字化资产管理分析方法、装置及介质 | |
Krasnova et al. | Digital twin as a driver of digitalization of organizations' activities and creation of digital models | |
Bashir et al. | Smart Cities Paradigm with AI-Enabled Effective Requirements Engineering |
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 |