CN116415662A - 一种基于知识发现的工厂专家系统 - Google Patents
一种基于知识发现的工厂专家系统 Download PDFInfo
- Publication number
- CN116415662A CN116415662A CN202310686939.7A CN202310686939A CN116415662A CN 116415662 A CN116415662 A CN 116415662A CN 202310686939 A CN202310686939 A CN 202310686939A CN 116415662 A CN116415662 A CN 116415662A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- data
- production equipment
- original data
- statistical 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 claims abstract description 125
- 238000013179 statistical model Methods 0.000 claims abstract description 36
- 238000009825 accumulation Methods 0.000 claims abstract description 32
- 230000002093 peripheral effect Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/043—Distributed expert systems; Blackboards
-
- 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)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识发现的工厂专家系统，涉及智慧制造技术领域，所述工厂专家系统包括：数据采集模块，用于自外部的生产设备及其周边设备获取到用于知识发现的原始数据；知识发现模块，用于对原始数据进行存储和调用，调用得到的原始数据输入对应的预先训练好的统计模型进行目标参数生成，对生成的目标参数进行数据分析形成知识，原始数据与统计模型的对应关系根据原始数据的类型确定，所述统计模型基于原始数据和目标参数的函数关系构建；知识积累模块，用于根据知识类型对知识进行分库积累，积累后生成推荐信息，推荐信息用于发送至生产设备，以便于生产设备对推荐信息进行选用。
Description
技术领域
本发明属于智慧制造技术领域，尤其是SMT生产制造技术领域，具体涉及一种基于知识发现的工厂专家系统。
背景技术
现代工业已从工业1.0时代过渡到工业5.0时代，工业5.0时代，也称之为工业设计制造的互联网化、人工智能化时代，其更多的考虑以人为本、持续性与弹性，因此各个行业的生产制造也逐步向智能工厂发展。其中，高度自动化或数字化设备的大范围应用、工业物联网的快速普及、先进传感器的应用现已成为智能工厂的重要特征，随之而来的是生产制造产生的数据体量越来越大。数据量的剧增对工厂的数据采集、存储、应用都带来前所未有的挑战。
首先，数据作为新兴生产资料，现阶段大量工厂对数据的应用存在如下缺陷：未有效应用数据，究其原因为未将这些数据转换为可运用的知识，从而未体现出数据对生产制造的支撑能力。
再者，在生产制造时，传统的人工操作也已逐步减少，各个生产环节中的高技术、高经验操作人员成为了生产过程中至关重要的一部分。操作人员能力的高低影响着整个生产水平，而传统的流水线生产使得人员的技术经验紧固在其岗位领域。培养或聘请具有丰富经验的操作工程师将带来人力成本的增加。市场的波动也影响着人员的流动，使得高经验的操作人员所具有的经验知识常常不能固定为企业所用，致使对整个企业的生产水平造成影响。
结合上述制造行业的现状，整个生产环节中存在的问题可重点归纳为以下四点：1、操作工程师的工作经验及能力影响生产品质水平的高低；2、人员情绪和状态等的变化无法避免，因此也带来无法避免的人为操作失误；3、聘请或培养高技术操作人员的成本高；4、企业对人员进行培养，将由人员积累出经验，形成企业的经验资源，经验资源易随人员流动而流失，不能稳定为企业所拥有。
综上所述，如何将生产制造所累积的数据、操作人员的经验等转化为知识进行存储以及有效利用是本领域技术人员研发的重点内容。
发明内容
有鉴于此，本发明提供了一种基于知识发现的工厂专家系统，用以解决现阶段生产制造所积累的海量数据以及操作人员的大量经验等无法转化为知识进行存储和有效利用的技术问题。
本发明的目的是通过以下技术方案来实现的：
一种基于知识发现的工厂专家系统，包括：
数据采集模块，用于自外部的生产设备及其周边设备获取到用于知识发现的原始数据；
知识发现模块，用于对原始数据进行存储和调用，将调用得到的原始数据输入对应的预先训练好的统计模型进行目标参数生成，对生成的目标参数进行数据分析形成知识，原始数据与统计模型的对应关系根据原始数据的类型确定，所述统计模型基于原始数据和目标参数的函数关系构建；
知识积累模块，用于根据知识类型对知识进行分库积累，积累后生成推荐信息，推荐信息用于发送至生产设备，以便于生产设备对推荐信息进行选用；
其中，积累过程具体为：对新旧知识分别执行与门叠加和或门叠加，与门叠加用于确定每次积累后知识的重叠范围大小，或门叠加用于确定所有积累来的知识的总覆盖范围大小。
优选地，所述数据采集模块通过直接采集和学习式采集自生产设备及其周边设备获取到原始数据；
其中，直接采集具体为：直接获取生产设备所固有存储的数据，以及获取该生产设备对应的周边设备所收集到的数据；
学习式采集具体为：监控并记录生产设备上的实时变化特征，所述实时变化特征包括操作程式各个步骤间的变化状态和人工录入变量的最新数值。
优选地，所述知识发现模块对原始数据进行存储的过程具体为：
将直接采集获取到的原始数据的类型依据自身的数据类型进行定项存储；
若学习式采集获取的实时变化特征与已存储的在前实时变化特征相同，则将该实时变化特征定项存储至该在前实时变化特征所在的存储区域内，否则将该实时变化特征进行不定项存储。
优选地，所述不定项存储的过程具体为：根据该实时变化特征的数据格式、类型和字段重新建表。
优选地，所述数据采集模块与知识发现模块之间还连接有用于传递原始数据的中间件。
优选地，将调用得到的原始数据输入对应的预先训练好的统计模型进行目标参数生成前，还对原始数据进行格式转换；
其中，格式转换的过程具体为：
根据原始数据的类型进行分类后得到各类原始数据；
对每类原始数据进行重组，重组后的该类原始数据的数据格式与该类原始数据对应的统计模型的输入数据格式相同；
按输入统计模型的先后顺序对重组后的各类原始数据进行排布。
优选地，所述知识类型包括技能、经验、逻辑和理论知识。
优选地，所述积累后生成推荐信息，推荐信息用于发送至生产设备，以便于生产设备对推荐信息进行选用，具体为：
将积累的知识作为推荐参数；
根据重叠范围大小和总覆盖范围大小，确定推荐参数发生的概率值；
若概率值大于第一阈值，则生成包含有该推荐参数的精准信息，所述精准信息用于发送至生产设备，以便于生产设备将该精准信息直接注入至自身的工作参数中；
若概率值小于等于第一阈值且大于等于第二阈值，则生成包含有该推荐参数的概率信息，所述概率信息用于发送至生产设备，以便于对该概率信息实施人工复核，人工复核通过后生产设备将该概率信息直接注入至自身的工作参数中；
若概率值小于第二阈值，则生成包含有该推荐参数的建议信息，所述建议信息用于发送至生产设备，以便于生产设备根据该建议信息生成交互提示。
优选地，所述统计模型包括回归分析模型、均值统计模型、极差统计模型、非线性模型和概率模型；数据分析包括动态趋势分析和概率分析。
优选地，直接采集获取到的原始数据的类型包括传感器数据、人工录入数据、工业相机数据、设备接口参数。
本发明具有的有益效果为：
（1）基于统计模型和数理分析理论，通过构建数据采集模块、知识发现模块和知识积累模块而形成工厂虚拟化的专家系统，将原始数据转化为知识进行存储和利用，提升了工厂的智慧化程度；同时，在知识积累时，利用“与门”和“或门”的逻辑思路，不断优化积累到的知识，将推荐信息准确地划分为精准信息、概率信息和建议信息，从而提高了生产设备对推荐信息进行应用的准确性，使得工厂智慧化程度提升的同时，智慧化的生产精度也得到了提高；
（2）基于知识发现的工厂专家系统，将生产过程数据转换为永久知识，从而避免了工作人员能力水平对生产水平造成的影响，减少了人为因素导致的失误的概率，提高了操作的准确性和稳定性，大幅度地节约了聘请或培养高级技术人员的成本，使得可持续、稳定、高效的生产制造得以实现；
（3）通过学习式采集，在需要积累经验型知识的生产设备上，实时的监控和记录生产设备上的操作程式变化和生产参数波动，整个过程模拟了一个工程师在生产现场因为一些特殊情况的发生而学习了对应的处理方式的过程，相比于只进行直接采集而言，扩宽了经验型知识的转化维度，进一步提升了生产过程数据的转化率；同时此种学习式采集不受软件程序设置的字段数量以及格式类型的限制，也不会因为所要应用的生产设备或该生产设备软件的升级而进行不断的二次开发，具备较强的拓展性；
（4）对原始数据进行存储时结合了定项存储和不定项存储，其中不定项存储便于兼容不同的数据格式，从而拓宽了本发明实现的工厂专家系统的数据格式范围，致使生产设备升级或其搭载的软件升级时，不用进行工厂专家系统的二次开发，节约了成本；
（5）在数据高并发传递时，通过用于传参的中间件的设置，降低了后续知识发现模块的学习压力以及后续知识积累模块的积累压力。
附图说明
图1为基于知识发现的工厂专家系统的一种组成框图；
图2为知识形成和应用的一种示意性流程图。
具体实施方式
下面将结合实施例，对本发明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，本领域技术人员在没有付出创造性劳动的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。
参阅图1-图2，本实施例提供了一种基于知识发现的工厂专家系统，用于将生产过程中产生的原始数据转化为知识进行存储和积累，具体包括以下四个模块：数据采集模块、中间件、知识发现模块和知识积累模块。数据采集模块用于与外部的生产设备及其周边设备通信连接，上述生产设备上安装的采集器、与生产设备连接的工控机、与生产设备连接的PDA、用于生产管理的智能仓储等，在本实施例中将其称之为周边设备，生产设备包括加工设备、机器人和AGV（自动导向车，Automated Guided Vehicle）等。知识积累模块也用于与生产设备及其周边设备通信连接。数据采集模块还与中间件通信连接，知识发现模块分别与中间件和知识积累模块通信连接。
数据采集模块用于自外部的生产设备及其周边设备获取到用于知识发现的原始数据。
中间件用于将数据采集模块采集到的原始数据传递至知识发现模块。
知识发现模块用于对中间件传递过来的原始数据进行存储和调用，将调用得到的原始数据输入对应的预先训练好的统计模型进行目标参数生成，对生成的目标参数进行数据分析形成知识，原始数据与统计模型的对应关系根据原始数据的类型确定，统计模型基于原始数据和目标参数的函数关系构建。
知识积累模块用于根据知识类型对知识进行分库积累，积累后生成推荐信息，推荐信息用于发送至生产设备，以便于生产设备对推荐信息进行选用。积累过程具体为：对新旧知识分别执行与门叠加和或门叠加，与门叠加用于确定每次积累后知识的重叠范围大小，或门叠加用于确定所有积累来的知识的总覆盖范围大小。
在一些实施例中，统计模型包括回归分析模型、均值统计模型、极差统计模型、非线性模型和概率模型，上述各种统计模型基于原始数据和目标参数的函数关系构建，构建完成后进行统计模型的训练和参数优化，统计模型的训练和优化过程均采用普通实施例中的过程，本实施例不对此部分内容进行赘述。数据分析包括动态趋势分析和概率分析。知识类型包括技能、经验、逻辑和理论知识，上述四种知识类型将生产过程产生的原始数据进行了全面且多维度的转化，之后在知识积累模块进行知识的分库积累时，积累库对应分为技能库、经验库、逻辑库和理论知识库，技能库、经验库、逻辑库和理论知识库内的知识积累方式相同，区别在于知识类型的不同以及将所积累的知识传输至外部的应用接口的不同，此种分库存储的方式，减少了外部调用知识时的数据库查询压力。生产设备对推荐信息进行应用的方式可为：使用机器人将推荐信息应用到生产设备对应的生产环节中、将推荐信息通过接口参数注入到生产设备中、根据推荐信息在生产设备上进行操作程式的模拟编写、对推荐信息进行人工审核、对推荐信息进行人工处理等。
作为本实施例的一种改进，数据采集模块自生产设备及其周边设备获取原始数据时，采用直接采集和学习式采集过程。
直接采集具体为：直接获取生产设备所固有存储的数据，以及获取该生产设备对应的周边设备所收集到的数据，这些数据均为可直接获取类型，因此采用直接采集方式进行采集。
特别的，直接采集获取到的原始数据的类型包括传感器数据、人工录入数据、工业相机数据、设备接口参数等。
学习式采集具体为：监控并记录生产设备上的实时变化特征，实时变化特征包括操作程式各个步骤间的变化状态和人工录入变量的最新数值。
根据上述优选，基于直接采集获取的原始数据，其数据格式、字段和类型均是规范的，而学习式采集获取的原始数据，由于采集环节和发生情况的不同，存在数据格式和类型的不确定性。为快速的存储这些原始数据，知识发现模块采用一种改进的存储过程对原始数据进行存储。
上述改进的存储过程，具体为：
将直接采集获取到的原始数据的类型依据自身的数据类型进行定项存储。定项存储是指根据原始数据自身的数据类型，分类型的存储到格式标准的数据库中；
若学习式采集获取的实时变化特征与已存储的在前实时变化特征相同，则将该实时变化特征定项存储至该在前实时变化特征所在的存储区域内，否则将该实时变化特征进行不定项存储。即为：若学习式采集获取的实时变化特征与已存储的在前实时变化特征相同，表示当前待存储的实时变化特征为已经发生过的情况，那么将当前待存储的实时变化特征存储到在前实时变化特征所存储的数据库内，实为定项存储；若学习式采集获取的实时变化特征与已存储的在前实时变化特征不同，例如：为一些新发生的情况或为特殊格式类型，则将当前待存储的实时变化特征进行不定项存储。不定项存储具体为：根据当前待存储的实时变化特征的数据格式、类型和字段重新建表，然后进行累计，若下次再出现此种类型的实时变化特征，则可以通过定项存储指定存储到已积累过的数据库中。
作为本实施例的另一种改进，将调用得到的原始数据输入对应的预先训练好的统计模型进行目标参数生成前，还对原始数据进行格式转换。
格式转换的一种具体实施过程为：
S1.分类筛选：根据原始数据的类型进行分类筛选后得到各类原始数据。
S2.数据格式的重组：对每类原始数据进行重组，重组后的该类原始数据的数据格式与该类原始数据对应的统计模型的输入数据格式相同。通过数据格式的重组，将原始数据组织成各种统计模型可解析的数据格式。
S3.按序排布：按输入统计模型的先后顺序对重组后的各类原始数据进行排布。
作为本实施例的另一种改进，积累后生成推荐信息，推荐信息用于发送至生产设备，以便于生产设备对推荐信息进行选用，具体实施过程如下：
S01.将积累的知识作为推荐参数；
S02.根据重叠范围大小和总覆盖范围大小，确定推荐参数发生的概率值；
S03.根据概率值生成精准信息或概率信息或建议信息，具体包括下述子步骤：
子步骤A1.若概率值大于第一阈值，则生成包含有该推荐参数的精准信息，精准信息用于发送至生产设备，以便于生产设备将该精准信息直接注入至自身的工作参数中。
特别的，生产设备将该精准信息直接注入至自身的工作参数中的一种具体实施过程为：知识积累模块通过预设接口将包含有推荐信息的精准信息发送至该生产设备对应的周边设备中，例如工控终端，然后通过直接且无需人工介入的方式将该精准信息注入到生产设备的工作参数中，直接且无需人工介入的方式包括机器人注入和接口参数注入等。可知的，也可对精准信息设定其他的应用方式。
子步骤A2.若概率值小于等于第一阈值且大于等于第二阈值，则生成包含有该推荐参数的概率信息，概率信息用于发送至生产设备，以便于对该概率信息实施人工复核，人工复核通过后生产设备将该概率信息直接注入至自身的工作参数中。
特别的，人工复核通过后生产设备将该概率信息直接注入至自身的工作参数中的一种具体实施过程为：知识积累模块通过软件内部通讯的方式将该概率信息发送至该生产设备对应的周边设备中，例如工控终端，并在远程办公电脑软件上以主动提示的方式将该概率信息进行展示，由人工来审核该概率信息是否可以直接使用，若可以直接使用，则审核通过，审核通过后，知识积累模块利用普通实施例中的软件模拟填写的方式将该概率信息直接注入至生产设备的工作参数中。通过对概率信息进行人工审核以及人工审核通过后的直接注入，实现了生产设备远程审核且设备自动运行的工作方式。可知的，也可对概率信息设定其他的应用方式。
子步骤A3.若概率值小于第二阈值，则生成包含有该推荐参数的建议信息，建议信息用于发送至生产设备，以便于生产设备根据该建议信息生成交互提示。
特别的，生产设备根据该建议信息生成交互提示的一种具体实施过程为：知识积累模块将该概率信息传递至远程办公电脑和生产设备，远程办公电脑根据概率信息生成弹窗预警，用以告知操作人员该参数存在风险，生产设备将该概率信息进行展示，由操作人员人工地进行对比填写或修改。通过对建议信息实施交互提示，实现了生产设备远程预警且现场调试的工作方式。可知的，也可对建议信息设定其他的应用方式。
本实施例中，第一阈值优选为80%，第二阈值优选为60%。
综上，本实施例实现的工厂专家系统进行知识生成、生产设备对知识进行应用的过程具体为：
S100.数据采集阶段：通过直接采集和学习式采集获取到生产设备及其周边设备的原始数据。
S200.数据接收阶段：接收并传递采集到的原始数据。
S300.数据存储阶段：接收并存储传递过来的原始数据，存储方式包括定项存储和不定项存储。
S400.知识解析生成阶段：调用所存储的原始数据，并对原始数据执行包括分类筛选、重组和排布的数据组织过程（格式转换过程），然后对数据组织后的原始数据执行包括统计、拆分和分析的细化解析过程。细化解析过程具体包括下述步骤：将数据组织后的原始数据输入对应的统计模型并生成目标参数，然后拆分出不同类型的目标参数，并对各类目标参数分别进行数据分析后形成知识。
S500.知识分库积累阶段：对知识进行类比、叠加和分库存储，其中类比和叠加构成知识吸收过程。知识吸收过程具体包括下述步骤：通过类比确定出各个知识的知识类型，完成知识类型的分类；将同一种知识调取出来，对新旧知识分别执行与门叠加和或门叠加。
S600.知识调用阶段：结合重叠范围大小和总覆盖范围大小，根据积累库中的知识生成推荐信息，并将推荐信息发送至生产设备。
S700.知识应用阶段：由生产设备对推荐信息进行选用。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于知识发现的工厂专家系统，其特征在于，包括：
数据采集模块，用于自外部的生产设备及其周边设备获取到用于知识发现的原始数据；
知识发现模块，用于对原始数据进行存储和调用，将调用得到的原始数据输入对应的预先训练好的统计模型进行目标参数生成，对生成的目标参数进行数据分析形成知识，原始数据与统计模型的对应关系根据原始数据的类型确定，所述统计模型基于原始数据和目标参数的函数关系构建；
知识积累模块，用于根据知识类型对知识进行分库积累，积累后生成推荐信息，推荐信息用于发送至生产设备，以便于生产设备对推荐信息进行选用；
其中，积累过程具体为：对新旧知识分别执行与门叠加和或门叠加，与门叠加用于确定每次积累后知识的重叠范围大小，或门叠加用于确定所有积累来的知识的总覆盖范围大小。
2.根据权利要求1所述的一种基于知识发现的工厂专家系统，其特征在于，所述数据采集模块通过直接采集和学习式采集自生产设备及其周边设备获取到原始数据；
其中，直接采集具体为：直接获取生产设备所固有存储的数据，以及获取该生产设备对应的周边设备所收集到的数据；
学习式采集具体为：监控并记录生产设备上的实时变化特征，所述实时变化特征包括操作程式各个步骤间的变化状态和人工录入变量的最新数值。
3.根据权利要求2所述的一种基于知识发现的工厂专家系统，其特征在于，所述知识发现模块对原始数据进行存储的过程具体为：
将直接采集获取到的原始数据的类型依据自身的数据类型进行定项存储；
若学习式采集获取的实时变化特征与已存储的在前实时变化特征相同，则将该实时变化特征定项存储至该在前实时变化特征所在的存储区域内，否则将该实时变化特征进行不定项存储。
4.根据权利要求3所述的一种基于知识发现的工厂专家系统，其特征在于，所述不定项存储的过程具体为：根据该实时变化特征的数据格式、类型和字段重新建表。
5.根据权利要求1所述的一种基于知识发现的工厂专家系统，其特征在于，所述数据采集模块与知识发现模块之间还连接有用于传递原始数据的中间件。
6.根据权利要求1所述的一种基于知识发现的工厂专家系统，其特征在于，将调用得到的原始数据输入对应的预先训练好的统计模型进行目标参数生成前，还对原始数据进行格式转换；
其中，格式转换的过程具体为：
根据原始数据的类型进行分类后得到各类原始数据；
对每类原始数据进行重组，重组后的该类原始数据的数据格式与该类原始数据对应的统计模型的输入数据格式相同；
按输入统计模型的先后顺序对重组后的各类原始数据进行排布。
7.根据权利要求1所述的一种基于知识发现的工厂专家系统，其特征在于，所述知识类型包括技能、经验、逻辑和理论知识。
8.根据权利要求1所述的一种基于知识发现的工厂专家系统，其特征在于，所述积累后生成推荐信息，推荐信息用于发送至生产设备，以便于生产设备对推荐信息进行选用，具体为：
将积累的知识作为推荐参数；
根据重叠范围大小和总覆盖范围大小，确定推荐参数发生的概率值；
若概率值大于第一阈值，则生成包含有该推荐参数的精准信息，所述精准信息用于发送至生产设备，以便于生产设备将该精准信息直接注入至自身的工作参数中；
若概率值小于等于第一阈值且大于等于第二阈值，则生成包含有该推荐参数的概率信息，所述概率信息用于发送至生产设备，以便于对该概率信息实施人工复核，人工复核通过后生产设备将该概率信息直接注入至自身的工作参数中；
若概率值小于第二阈值，则生成包含有该推荐参数的建议信息，所述建议信息用于发送至生产设备，以便于生产设备根据该建议信息生成交互提示。
9.根据权利要求1所述的一种基于知识发现的工厂专家系统，其特征在于，所述统计模型包括回归分析模型、均值统计模型、极差统计模型、非线性模型和概率模型；数据分析包括动态趋势分析和概率分析。
10.根据权利要求2所述的一种基于知识发现的工厂专家系统，其特征在于，直接采集获取到的原始数据的类型包括传感器数据、人工录入数据、工业相机数据、设备接口参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686939.7A CN116415662B (zh) | 2023-06-12 | 2023-06-12 | 一种基于知识发现的工厂专家系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686939.7A CN116415662B (zh) | 2023-06-12 | 2023-06-12 | 一种基于知识发现的工厂专家系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116415662A true CN116415662A (zh) | 2023-07-11 |
| CN116415662B CN116415662B (zh) | 2023-08-11 |
Family
ID=87059710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310686939.7A Active CN116415662B (zh) | 2023-06-12 | 2023-06-12 | 一种基于知识发现的工厂专家系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415662B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063550A (zh) * | 2011-01-07 | 2011-05-18 | 浙江工业大学 | 机器智能参与设计决策的冷挤压件智能设计系统 |
| US20140052750A1 (en) * | 2012-08-14 | 2014-02-20 | Amadeus S.A.S. | Updating cached database query results |
| CN106408153A (zh) * | 2016-08-12 | 2017-02-15 | 武汉科技大学 | 一种基于案例推理的钢铁企业生产动态调度调整方法及其专家系统 |
| JP2018032252A (ja) * | 2016-08-25 | 2018-03-01 | 日本テレビ放送網株式会社 | 視聴ユーザログ蓄積システム、視聴ユーザログ蓄積サーバ、及び視聴ユーザログ蓄積方法 |
| CN109814933A (zh) * | 2019-01-29 | 2019-05-28 | 腾讯科技（深圳）有限公司 | 一种业务数据处理方法及装置 |
| US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
| CN110909763A (zh) * | 2019-10-16 | 2020-03-24 | 中国石化青岛液化天然气有限责任公司 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
| CN112936304A (zh) * | 2021-02-02 | 2021-06-11 | 浙江大学 | 一种自演进式服务机器人系统及其学习方法 |
| CN113254630A (zh) * | 2021-07-07 | 2021-08-13 | 浙江大学 | 一种面向全球综合观测成果的领域知识图谱推荐方法 |
| CN114707068A (zh) * | 2022-04-08 | 2022-07-05 | 中国科学院空天信息创新研究院 | 一种智库知识推荐的方法、装置、设备及介质 |
| CN115374508A (zh) * | 2022-08-09 | 2022-11-22 | 福建中锐网络股份有限公司 | 一种基于虚拟现实技术的大中型水库安全巡检系统 |
| CN115511084A (zh) * | 2022-09-23 | 2022-12-23 | 红云红河烟草(集团)有限责任公司 | 卷烟制丝设备故障根本原因的因果推理方法及存储介质 |
| WO2023272530A1 (en) * | 2021-06-29 | 2023-01-05 | Siemens Aktiengesellschaft | Method, device and storage medium for knowledge recommendation |
| CN115630839A (zh) * | 2022-11-01 | 2023-01-20 | 苏州泽达兴邦医药科技有限公司 | 一种基于数据挖掘的生产智能反馈调控系统 |
| US20230053412A1 (en) * | 2022-06-28 | 2023-02-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Production line adaptation methods based on industrial internet of things, systems and storage mediums thereof |
| CN115798022A (zh) * | 2023-02-07 | 2023-03-14 | 南京思优普信息科技有限公司 | 一种基于特征提取的人工智能识别方法 |
| CN115809731A (zh) * | 2022-11-29 | 2023-03-17 | 广西电网有限责任公司电力科学研究院 | 一种风力发电机组故障分析系统、方法及介质 |
-
2023
- 2023-06-12 CN CN202310686939.7A patent/CN116415662B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102063550A (zh) * | 2011-01-07 | 2011-05-18 | 浙江工业大学 | 机器智能参与设计决策的冷挤压件智能设计系统 |
| US20140052750A1 (en) * | 2012-08-14 | 2014-02-20 | Amadeus S.A.S. | Updating cached database query results |
| CN106408153A (zh) * | 2016-08-12 | 2017-02-15 | 武汉科技大学 | 一种基于案例推理的钢铁企业生产动态调度调整方法及其专家系统 |
| JP2018032252A (ja) * | 2016-08-25 | 2018-03-01 | 日本テレビ放送網株式会社 | 視聴ユーザログ蓄積システム、視聴ユーザログ蓄積サーバ、及び視聴ユーザログ蓄積方法 |
| US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
| CN109814933A (zh) * | 2019-01-29 | 2019-05-28 | 腾讯科技（深圳）有限公司 | 一种业务数据处理方法及装置 |
| CN110909763A (zh) * | 2019-10-16 | 2020-03-24 | 中国石化青岛液化天然气有限责任公司 | 基于故障知识库和贝叶斯网络的设备故障诊断方法 |
| CN112936304A (zh) * | 2021-02-02 | 2021-06-11 | 浙江大学 | 一种自演进式服务机器人系统及其学习方法 |
| WO2023272530A1 (en) * | 2021-06-29 | 2023-01-05 | Siemens Aktiengesellschaft | Method, device and storage medium for knowledge recommendation |
| CN113254630A (zh) * | 2021-07-07 | 2021-08-13 | 浙江大学 | 一种面向全球综合观测成果的领域知识图谱推荐方法 |
| CN114707068A (zh) * | 2022-04-08 | 2022-07-05 | 中国科学院空天信息创新研究院 | 一种智库知识推荐的方法、装置、设备及介质 |
| US20230053412A1 (en) * | 2022-06-28 | 2023-02-23 | Chengdu Qinchuan Iot Technology Co., Ltd. | Production line adaptation methods based on industrial internet of things, systems and storage mediums thereof |
| CN115374508A (zh) * | 2022-08-09 | 2022-11-22 | 福建中锐网络股份有限公司 | 一种基于虚拟现实技术的大中型水库安全巡检系统 |
| CN115511084A (zh) * | 2022-09-23 | 2022-12-23 | 红云红河烟草(集团)有限责任公司 | 卷烟制丝设备故障根本原因的因果推理方法及存储介质 |
| CN115630839A (zh) * | 2022-11-01 | 2023-01-20 | 苏州泽达兴邦医药科技有限公司 | 一种基于数据挖掘的生产智能反馈调控系统 |
| CN115809731A (zh) * | 2022-11-29 | 2023-03-17 | 广西电网有限责任公司电力科学研究院 | 一种风力发电机组故障分析系统、方法及介质 |
| CN115798022A (zh) * | 2023-02-07 | 2023-03-14 | 南京思优普信息科技有限公司 | 一种基于特征提取的人工智能识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| M. NADERPOUR 等: "An abnormal situation modeling method to assist operators in safety-critical systems", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》, vol. 133, pages 33 - 47, XP029091709, DOI: 10.1016/j.ress.2014.08.003 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116415662B (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2016090929A1 (zh) | 软件系统故障诊断方法、服务器及系统 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN111538731B (zh) | 一种工业数据自动生成报表系统 | |
| CN105302096A (zh) | 一种工厂智能调度方法 | |
| CN101989087A (zh) | 工业化加工渣油的在线实时故障监测与诊断的系统装置 | |
| CN116578040B (zh) | 一种面向机床故障诊断的数字孪生模型构建方法、系统及终端 | |
| CN112817865A (zh) | 一种基于组件化分布式系统的覆盖精准测试方法及其系统 | |
| CN116771576B (zh) | 水电机组故障综合诊断方法 | |
| CN114048952B (zh) | 基于边缘物联技术和神经网络的炼铁厂安全态势感知方法 | |
| CN117171359A (zh) | 一种基于知识图谱与大模型的辅助系统 | |
| CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及系统 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN115657890A (zh) | 一种pra机器人可定制方法 | |
| CN113255222A (zh) | 一种腔体滤波器的智能辅助调试方法及装置 | |
| CN111401789A (zh) | 一种基于bim的建筑施工智能监管系统 | |
| CN116415662B (zh) | 一种基于知识发现的工厂专家系统 | |
| CN105786635B (zh) | 一种面向故障敏感点动态检测的复杂事件处理系统及方法 | |
| CN114818278A (zh) | 一种基于数字孪生自组织建模的生产过程重构方法 | |
| CN112783865A (zh) | 一种半监督人机结合的运维故障库生成方法及系统 | |
| CN115544157A (zh) | 一种基于自然语言理解的工业数据可视化分析方法 | |
| CN110008245B (zh) | 一个适用于设备故障预警模型时间段查找的方法 | |
| Xiao et al. | Opportunities and Challenges Brought by Digital Quality Management to Big Data Technology | |
| CN109445397B (zh) | 智能数控车间设计验证系统 | |
| CN111931017A (zh) | 一种适用于选煤厂的智能组态方法及系统 | |
| Zhou et al. | Research and application of an intelligent decision support system |
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 |