CN116485576A - 一种航空制造业知源大脑数据智能制造管理平台 - Google Patents
一种航空制造业知源大脑数据智能制造管理平台 Download PDFInfo
- Publication number
- CN116485576A CN116485576A CN202310426309.6A CN202310426309A CN116485576A CN 116485576 A CN116485576 A CN 116485576A CN 202310426309 A CN202310426309 A CN 202310426309A CN 116485576 A CN116485576 A CN 116485576A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge
- manufacturing
- entity
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 372
- 210000004556 brain Anatomy 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000007689 inspection Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 112
- 238000012549 training Methods 0.000 claims description 85
- 230000008569 process Effects 0.000 claims description 77
- 238000007726 management method Methods 0.000 claims description 76
- 238000004422 calculation algorithm Methods 0.000 claims description 67
- 238000002372 labelling Methods 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 60
- 238000005516 engineering process Methods 0.000 claims description 55
- 238000005457 optimization Methods 0.000 claims description 43
- 238000013135 deep learning Methods 0.000 claims description 31
- 230000008447 perception Effects 0.000 claims description 30
- 230000007547 defect Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 230000005856 abnormality Effects 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000013523 data management Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000006854 communication Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012384 transportation and delivery Methods 0.000 claims description 5
- 241000422846 Sequoiadendron giganteum Species 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000012550 audit Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012797 qualification Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 27
- 238000011161 development Methods 0.000 description 14
- 230000018109 developmental process Effects 0.000 description 14
- 238000012015 optical character recognition Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 238000012827 research and development Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012482 interaction analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 239000010800 human waste Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000007992 neural conversion Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- 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
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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 Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及知源知识大脑数据平台技术领域,公开了一种航空制造业知源大脑数据智能制造管理平台,运用自然语言处理技术解析内部数据,构建大规模的航空制造领域知识库,在此基础之上构建航空制造领域的各种训练算法模型。本发明的目的是针对航空制造领域知识获取、知识融合、知识应用问题和航空用户的个性化需求,提供一种符合人类使用者使用的思维模式,能够降低生产消耗量,提升产品检测效率、产品合格率、生产良品率、质检效率和检测准确率,更加先进更加高效实现智能化的航空制造业知源大脑数据智能制造管理平台。
Description
技术领域
本发明涉及知源知识大脑数据平台技术领域,具体地说,是一种航空制造业知源大脑数据智能制造管理平台。
背景技术
物联网、大数据、人工智能(AI)、工业互联网等技术与制造系统建模、仿真、虚拟现实(Virtual Realit业,VR)、增强现实(AR)、智能控制等数字孪生相关技术进行有机耦合与集成,使得在虚拟空间中建立平行运行的制造数字孪生系统成为可能。随着云计算、物联网、大数据、人工智能等新一代信息技术的发展,智能制造的内涵有了突飞猛进的变化。智能制造是指集成知识工程、制造软件系统与机器人视觉等技术,在无人工干预下由智能机器人独立实现的生产过程。作为智能制造最重要的技术之一,智能制造系统是一种融合智能机器与智能行为,在订单制作、产品设计、生产、营销、销售等制造过程的各个方面都可以集成,用一种灵活的方式充分发挥先进生产系统的制造能力的系统。智能制造的基础是将工业生产中的问题数据化,利用获取的数据对问题解决方法进行数据建模,基于领域知识图谱以及文档库实现图谱检索以及文档检索等应用服务。这里的数据指的是生产中用到的设备指令、机械加工的工艺参数、可执行的决策等所有能够量化的指标,用从知识得来的量化数据修正和完善制造过程,从根本上避免问题的出现。
大数据技术对航空制造业的影响主要有两个方面:一是在制造和管理流程中运用大数据技术提高产品质量和生产效率;二是在现有产品与服务中融入大数据技术,以进行颠覆式的革新。简而言之,融入大数据技术的智能制造关心的两大重点分别是制造流程技术和制造出的产品技术。现阶段科学数据服务面临着中心系统建设薄弱、统一管理水平低、服务不规范、数据资源分散、数据质量参差不齐、全球影响力弱、核心技术受制于人、高水平复合型人才缺乏等问题。航空、机械制造面向产业大数据领域,迫切需要运用成熟的人工智能技术、大数据技术、数据标准化处理技术、数据挖掘技术等,打造一个可加强和规范科学数据管理,保障科学数据安全,提高开放共享水平,更好支撑航空工业制造领域科技创新发展的科学数据知识服务平台。航空、机械等工业制造行业的产品涉及多个技术领域的高精度、高可靠性产品,具有结构复杂,生产周期长、生产状态多等特点。随着信息化时代的发展,包含各类质量问题的原因、问题部件、采取措施等关键信息的离散存储的质量信息数据,在生产研制过程中产生的各类质量数据日趋庞大。由于现阶段缺乏统一的数据管理,各类质量信息散落在业务系统中,以电子或纸质文档方式存在,多源异构数据整合、标准化质控管理、自定义多级数据审核、全生命周期资源管理,数据汇交一质控一审核一发布一颁发一服务的全生命周期数据资源管理的复杂流程掌控十分困难。
工业大脑是基于阿里云大数据的一体化计算平台,通过数据工厂对企业系统数据、工厂设备数据、传感器数据、人员管理数据等多方工业企业数据进行汇集,借助语音交互、图像/视频识别、机器学习和人工智能算法,激活海量数据价值。目前尽管数据在采集到的生产参数传入工业大脑等诸多方面得到了创新性使用,但其总体使用率仍然较为低下,这使得数据的大部分的经济价值未得到挖掘。现代飞机的制造过程实质上是一个产品数字建模、数据传递、拓延和加工处理的过程,最终形成的飞机产品可以看成是数据的物质表现。随着PDM技术的应用,制造工艺信息和制造工艺流程都将在PDM系统的管理之下。PadMan系统的信息或数据按一定的流程进行转化,体现了现代飞机制造过程的实质。PadMan系统是一个多用户的网络版的管理系统,主要完成项目管理。信息管理系统-PadMan运用单一产品数据源(SSPD:Single Source of Product Data)的思想组建系统的数据库,进而形成了一个在飞机制造工艺领域较为完整制造工艺信息生成、工艺流程设计和工艺数据管理系统,PadMan 系统的开发过程是面向一个全新技术领域,它涉及面广、技术难度大,工作量艰巨。其中工艺信息主要集中在飞机装配工艺信息上,尚未扩展到零件工艺信息等的管理上。因而造成很大财力和人力浪费,并使制造周期延长。由于对飞机设计制造中的数据没有进行有效的规划并考虑将其纳入统一数据库中,软件中还有一些问题尚未解决,如对零件制造、工装工具制造等数据的管理还没有纳入到系统中,对更改的管理只实现了更改的记录和跟踪,更改的控制力度还不够,还未延伸到较深较细的层次中,另外还需要与ERP软件进行集成以完成其它方面的制造信息管理。
航空装备生产制造是一项生产过程涉及环节多、资源保障要求高,过程控制难度大的复杂系统工程。由于具有跨业务、多主体、多层级、强耦合的特点,易受各类不确定性扰动因素的干扰,系统运行具有明显动态、非线性特征,引发了复杂制造系统建模、优化和闭环协同控制的多层次、多维度复杂性问题。目前以人为管理保障为主的生产管理方式,由于缺乏对系统整体运行的掌控能力,导致生产过程资源保障往往不足,常常因为各类制造资源未能及时到位影响生产过程顺利进行,车间生产效率难以提升。由于航空产品及其生产制造过程具有研制周期长、跨业务域(设计、工艺、生产、质量、试验、运维等)、多主体(厂、所、供应商等)、质量控制严格的特点,导致其生产过程复杂、异常扰动因素众多,使得传统制造模式下以人工经验为主的决策控制手段,已经难以适应当前航空制造智能化转型发展的要求。航空大型复杂结构件加工精度要求高、加工变形精确控制难。传统加工制造过程中加工、监测、优化控制各阶段相互独立,无法实现制造过程的实时控制优化与调整,难以保障零件加工精度。尤其是航空制造机电部件数量繁多,高强度的工作以及使用年限的增加导致故障频繁发生,且故障原因多样化,甚至很多器件的故障因缺乏专业人员协助分析很难找到真正的故障原因。
随着现代计算机技术在飞机制造中的广泛应用,数据的正确存储和维护以及准确及时地传递成为现代飞机制造必须面对的问题,这就需要在现代飞机制造中建立一个行之有效的系统来完成对装配数据的管理工作。我国在飞机制造领域对产品数据的统一管理问题还未进行。为解决工业智能制造的核心问题而打造的数据智能产品,加速推动工业新基建建设知源知识大脑。知源知识大脑主要包括两部分,知识大脑数据加工管理平台,知识大脑智能应用平台。知识大脑智能应用平台是基于知识工程的知识应用系统在航空制造企业中的实现技术。飞机制造信息管理系统通过工艺服务接口、知识岗位伴随、知识智能化应用等手段服务于企业运转的每个流程节点中,最终达到提升员工工作效率的目的。大脑数据加工管理平台是借助工业大脑的人工智能技术。需要从车间实时采集到的上千个生产参数传入工业大脑,高效低成本地完成图像质检,在生产过程中实时监测和调控变量,提高生产质量、提升生产品率。目前为了单一目的收集并使用数据而且不把数据提供给他人重复利用是浪费资源的一种做法。
航空制造企业是知识密集型企业,知识在航空制造企业中是一种重要的隐性资产。虽然航空制造业工厂自动化程度水平相对较高,正在经历“制造”到“智造”的过程。从智能化硬件、智能化管理系统到高速通讯网、再到智能化数据处理和决策辅助系统。整个制造流程都在经历自动化、数字化、信息化、智能化的改造,向着更高效、更高质量发展。由于所用设备涉及较多的厂家和通讯协议,大量的数据被沉淀下来且不断增多,数据重复利用次数越多,其被滥用的风险也就越大。现代飞机的制造过程实质上是一个产品数字建模、数据传递、拓延和加工处理的过程,最终形成的飞机产品可以看成是数据的物质表现。相应的工作,所需要的数据和工作中形成的数据通过网络与由服务器端的软件来处理生成的图表,软件的功能通过COM技术来实现。目前的信息数据资源产出量庞大,信息数据资源种类繁多、分散杂乱,缺乏统一的管理准则与办法,产品测试、检测、调试一直是生产过程中的瓶颈工序。检测/调测成本占总生产成本比重高达30以上,单个产品平均耗时超过0.5-1个小时。这些因素都增加了数据收集的难度,利用率低,很难透明化管理工厂。尤其是航空制造机电部件不同批次等因素,都可能带来指标的波动。因此生产过程中产生的大量数据需要遵循GMP、安全生产等管理规范,产品的研发,更多依赖于工程师的经验。但都没有有效地使研发数据和制造数据产生有效联动,由此给工艺管控带来了困难,不利于后续研发经验的传承和稳定性。虽然通过人工智能算法,可以对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的关键参数,并搭建参数曲线模型,最终将最优参数在大规模生产中精准落地,但是在工业制造管理生产线和工程作业这两个环节上,若将“自下而上搭积木式的工业互联网平台”架构置于企业的日常生产中,投入产出比是否值得,未必是肯定答案。“自下而上”来构建工业互联网平台,最下面一层的OT系统(如MES、APS)和控制系统(如PLC、SCADA)为例,实现了设备、产线和工厂的数据采集,也实现了工厂设备的信息化控制,但滋生了大量“哑巴设备”采集不到数据、采集到的数据存在于不同类型的设备或者系统中,不同的系统之间存在严重的“数据孤岛”问题,且系统的实施周期长、定制化开发程度高、费用高昂、一般企业难以承受。造成这一现状的很大原因是“自下而上”来构建工业互联网平台的思路缺乏顶层设计和价值导向思维。如何将大数据等核心技术与智能制造结合,进一步提高产能与质量,并且降低成本,是航空制造业革新的关键任务。通常复杂的分析应用或决策支持需要可靠性高的航空制造领域知识图谱支撑。智能问答应用需要融合通用知识图谱、常识知识图谱和领域知识图谱。知识图谱的生命周期各个任务具有明确的阶段性划分,同时又是相互作用、相互联系的有机整体,需要从多个维度综合分析制定相关标准规范、操作流程、调用接口、数据样本、模型算法、评估指标、可视化工具等,才能使知识图谱体标准方案面向航空领域不同的业务或任务场景均具备高可靠性、高度复用、快速迁移且不断演进、优化、累积的能力。图像分类是根据图像的语义信息将不同类别图像区分开来,是计算机视觉中重要的基本问题。通过图像对产品外观进行检测,以发现残次品。在工业的制造过程中,使用深度学习技术的自动光学检测(automatic optic inspection,AOI)设备也开始替代传统检测设备。由于制造企业在生产过程中通常都是通过肉眼做产品质检,成本高、效率低。根据实际生产制造中的数据统计得知,20%以上的设备停工是由刀具的过度磨损引起的。自然语言本身具有高度的歧义性,尤其是对于一些出现频率较高的实体,它们可能对应多个名称,而每个名称又可能对应多个同名实体。将具有高度歧义的自然语言与知识图谱连接起来,是构建和补全知识图谱的关键一步,而实现这一步的关键便是实体链接技术。实体链接是一种匹配与消歧的任务。航空制造系统的资源调度与优化决策问题是一个复杂系统的优化与控制问题,其复杂性体现为
1)系统组成复杂。系统既包括控制设备、加工设备、物流设备、仓储设备、辅助设备等硬件实体,又包括生产工艺流程、生产管理规范等软件实体;
2)组织结构复杂。分层递阶是离散制造系统的本质属性,系统包括单台设备、生产单元、生产线、生产车间、供应链等各个层次,生产组织关系、物流组织关系复杂;
3)运行机制复杂。在批产与研制模式并存的生产模式下,要求系统具有更高的生产柔性和可重构性以适应多样化、定制化的用户需求。
如何通过DT与AI深度融合,驱动制造系统的“动态感知、实时分析、自主决策、精准执行”的智能化管控,仍有诸多关键问题需要解决。一方面受限于对制造系统全域全过程多源多维异构数据获取、建模、融合和组织难的问题,使得基于人工智能等方法的应用缺少数据支撑;另一方面工业现场对可靠性、安全性、稳定性的要求高,对人工智能结果的可解释性和可靠性提出了更高的要求,限制了相关技术的应用。航空制造系统具有复杂巨系统的典型特征,构成元素多、关系复杂,具有典型不确定性和涌现性特征,如何建立合理的抽象模型实现其在虚拟空间的抽象表达,反映其运行规律和特征,仍然是需要解决的问题。
发明内容
本发明的目的在于提供一种航空制造业知源大脑数据智能制造管理平台,本发明的目的是针对航空制造领域知识获取、知识融合、知识应用问题和航空用户的个性化需求,提供一种符合人类使用者使用的思维模式,能够降低生产消耗量,提升产品检测效率、产品合格率、生产良品率、质检效率和检测准确率,更加先进更加高效实现智能化的航空制造业知源大脑数据智能制造管理平台(MES)。
本发明的上述目的可以通过以下措施来得到,一种航空制造业知源大脑数据智能制造管理平台,包括:运用自然语言处理技术解析内部数据,构建大规模的航空制造领域知识库,在此基础之上构建航空制造领域的预训练模型,其特征在于:航空制造领域知识库对飞机设计制造中的数据进行有效的规划并将其纳入统一数据库中,对零件制造、工装工具制造等数据纳入到跟踪管理系统中,融合通用知识图谱、常识知识图谱和领域知识图谱,与ERP软件进行集成,完成基于领域知识图谱以及文档库实现图谱检索以及文档检索应用服务的制造信息管理,同时将结构化、非结构化的数据进行处理,形成领域知识图谱以及领域文档库;预训练模型使用智能制造管理平台,在生产过程中实时监测和调控接收、处理数据变量,高效低成本地完成图像质检,并基于标注模型提供信息抽取相关服务接口应用,实现标注数据动态训练与部署,将实时采集到的生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的关键参数,并搭建参数曲线模型和算法模型,以测试/检测数据为主体,利用物联网与算法模型技术进行实时监控,检测指标项,使用AI图像技术,提取出有效像素,将带有产品缺陷的领域知识图谱上传到云计算平台,通过深度学习与图像处理技术进行算法训练,通过云端汇总、打通生产关键环节数据,结合卷积神经网络的强拟合性和异常检测算法,对海量数据做深度学习,通过卷积操作提取到原始图片中的关键特征,通过上述卷积操作之后选用最大池化,卷积操作时,将图片是作为一个矩阵,并进行矩阵的乘法运算,在完成上述卷积、池化操作后,把这些图片输入到三层全连接层进行两次全连接操作,换不同的卷积核在GPU中训练卷积神经网络CNN,再把生成的矩阵中的所有元素都累加得到结果中,同时对产品各类数据进行深度运算和分析,构建故障检测与感知预测模型,获取制造产品的需求感知,识别制造产品的微小故障,预测测点故障缺陷,输出预测结果并预警故障缺陷;基于工业大脑构建算法优化模型,使用算法模型进行制程能力的综合分析、评估和生产工艺的优化,把数据变成知识,把知识再变成数据,准确实时预测产品缺陷量和设备故障,做缺陷判定,下达指令抓取缺陷产品,并给出工艺参数指导实际生产的最优方案。
本发明通过下述技术方案实现:一种航空制造业知源大脑数据智能制造管理平台,包括:
运用自然语言处理技术解析内部数据,构建大规模的航空制造领域知识库,在此基础之上构建航空制造领域的预训练模型,其特征在于:航空制造领域知识库对飞机设计制造中的数据进行有效的规划并将其纳入统一数据库中,对零件制造、工装工具制造等数据纳入到跟踪管理系统中,融合通用知识图谱、常识知识图谱和领域知识图谱,与ERP软件进行集成,完成基于领域知识图谱以及文档库实现图谱检索以及文档检索应用服务的制造信息管理,同时将结构化、非结构化的数据进行处理,形成领域知识图谱以及领域文档库;预训练模型使用工业大脑平台,在生产过程中实时监测和调控接收、处理数据变量,高效低成本地完成图像质检,并基于标注模型提供信息抽取相关服务接口应用,实现标注数据动态训练与部署,将实时采集到的生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的关键参数,并搭建参数曲线模型和算法模型,以测试/检测数据为主体,利用物联网与算法模型技术进行实时监控,检测指标项,使用AI图像技术,提取出有效像素,将带有产品缺陷的领域知识图谱上传到云计算平台,通过深度学习与图像处理技术进行算法训练,通过云端汇总、打通生产关键环节数据,结合卷积神经网络的强拟合性和异常检测算法,对海量数据做深度学习,通过卷积操作提取到原始图片中的关键特征,通过上述卷积操作之后选用最大池化,卷积操作时,将图片是作为一个矩阵,并进行矩阵的乘法运算,在完成上述卷积、池化操作后,把这些图片输入到三层全连接层进行两次全连接操作,换不同的卷积核在GPU中训练卷积神经网络CNN,再把生成的矩阵中的所有元素都累加得到结果中,同时对产品各类数据进行深度运算和分析,构建故障检测与感知预测模型,获取制造产品的需求感知,识别制造产品的微小故障,预测测点故障缺陷,输出预测结果并预警故障缺陷;基于工业大脑构建算法优化模型,使用算法模型进行制程能力的综合分析、评估和生产工艺的优化,把数据变成知识,把知识再变成数据,准确实时预测产品缺陷量和设备故障,做缺陷判定,下达指令抓取缺陷产品,并给出工艺参数指导实际生产的最优方案。
为了更好地实现本发明,进一步地,云计算平台基于自然图像识别的卷积神经网络算法,将需要被训练的数据分成同样的部分,与云计算平台上的节点一一对应,以平均分布的形式进行存储,通过各个节点上所存储CNN网络的数据来完成对网络的训练,操作模块在任务接收到数据后,将树状图结构大数据集通过一个主节点进行管理,主节点将操作任务分发给各个分节点,当分节点完成数据处理之后再汇总给主节点进行处理,将处理后的任务分解成多个任务模块,并用于平台上的节点,通过正向与反向传播计算出其中的权值与偏置的局部变化量,形成中间键的数值,当所有样本计算完成以后,进行本地文件处理,将本地文件经过处理之后汇总各次训练所得到的数据写入全局文件中。
为了更好地实现本发明,进一步地,航空制造领域知识库在单一产品数据源SSPD中存放着完整的产品信息,单--产品数据源SSPD本身并不是一个单独的数据库,通过不同的使用角度可以提取产品的不同配套数据,航空制造领域知识库将逻辑上的单--产品数据源SSPD作为整个航空制造产品系统的底层数据相关产品数据共同的访问源核心,SSPD将原来物理上分布于多个数据库的产品数据,经过组织形成一个逻辑上严格约束的单一数据库,并在创建知识图谱之初先创建知识体系,每一个项目都对应一个唯一的知识体系,知识体系对于知识图谱作为大树的树杆,每一个文件、文件中文本的段落作为知识图谱的叶子,将 “类别”、“属性”分别拖拽入操作区中,为“实体类别”、“属性”分别定义名称、类型,从实体出发向属性进行连线,进行关系名称定义实体关联属性,从一个实体出发向另一个实体进行连线,并在文件模板面板区定义关系的名称,选择构建知识体系的方式为知识体系命名,导入数据表单和示例文件模板,给出示例文件,按示例文件的格式创建关系类别文件,以示例文件中的格式创建属性类别文件,在知识体系列表中,找到创建的知识体系,下载创建知识体系所使用的数据文件,选择“文件类别”、“文档创建时间”、“知识体系标签”、“报告类型”及是否需要进行“OCR识别”,分别上传知识体系属性类别文件、知识体系关系类别文件,通过上传文件创建和拖拽方式来创建知识体系,创建完成的知识体系将被应用于项目,做为该项目知识图谱的知识体系,并由分布于不同数据库中的产品数据之间存储产品相关数据,组成多个分布式数据库,并构建出贯穿于飞机制造数据管理中品数据源整个系统的数据库,从而保证产品数据是完整一致的可靠产品数据,以满足航空企业从客户选型直至交付飞机和服务支持等各方面需要。
为了更好地实现本发明,进一步地,在上传文件时,在文件管理列表中,选择要启动OCR的文件,选择打开OCR识别,进入编辑状态,编辑完成,点击输入框以外的任何区域将结束编辑状态,系统根据从多个不同的角度定义网络状况的度量指标选择,组成一个多维的特征向量,对各个维度做归一化,求出用来进行训练的序列中各个维度上的均值和方差,然后采用一维的因果卷积、膨胀卷积进行卷积运算,在卷积层进行卷积运算,将各个通道进行融合的上传数据图像文件自动转化为可在电脑中可编辑的文字,上传文件后,在文档列表中查看当前文档的识别状态。
为了更好地实现本发明,进一步地,在创建图谱时,通过标注工具来获得,通过三元组导入的方式来增加数据;点击项目管理-导入三元组,上传已经整理好的三元组数据,三元组数据后的完整图谱;文档标注分为两步,首先完成实体与属性标注,完成之后再进行关系的标注,两步全部完成后即完成了一个标注任务;实体标注的方法为:先在实体标注区选择一个分词,为分词选择实体类别在卡片展示区为该实体生成一张实体卡片,生成的实体卡片下方是属性卡片,为属性选择相应的属性名称以及创建属性值;选择属性名称,属性名称在知识体系中定义好的与该实体关联的属性名称;系统根据项目当前标注情况,自动将标注信息与知识体系关联,形成该项目的领域知识图谱。
为了更好地实现本发明,进一步地,领域知识图谱在通过基于预训练语言模型的命名实体识别NER模型后得到实体名称后,NER模型先确定出需要的实体名称mention,定义制造产品的几何、拓扑结构、材料、工艺和有关技术规范的数字化信息,分别存放在工程数据集Data Set和自动零件表APL中,然后将每一个mention匹配到知识图谱中它所对应的候选实体中,进行排序、汇聚融合多维、异构制造过程数据,以字符为单位进行序列标注建模,预训练模型以文本数据和字典的元组形式接收训练数据,根据上下文更新现有模型来训练NER,在训练数据上循环,从迭代器的数据加载器dataloader前加上智能进度表tqdm,获得足够的迭代次数,将tqdm应用到深度学习中,用迭代进度条tqdm()函数来创建进度条,保存训练过程的信息。
为了更好地实现本发明,进一步地,预训练模型在训练过程中对卷积层的最大激活特征图进行处理后对输入图像进行遮挡,然后将被遮挡的新图像作为网络的新输入并继续训练模型,在图像识别过程中为了进一步加快训练速度对图像进行预处理,去除图像中的多余及干信息,然后对处理后的图像进行识别区域划分,利用当前最新的史数据来预测下一时刻的数据及预测误差,将时刻t-k+1到时刻t的历史序列数据经过归一化之后,在归一化的基础上得到一个非结构化文本数据输出序列,从非结构化文本数据中提取加工平台体系结构的专业信息实体,将这些实体存储在关系数据库中。
为了更好地实现本发明,进一步地,预训练模型基于字符级的中文数据集,采用训练识别器做实体识别任务,预测实体字符串,得到一个预测实体集合列表,[setpre1,setpre2,…,setpren],抽取出真实的实体字符串,得到一个真实实体集合列表,其中,setprei 表示一个样本中提取的所有实体的unique集合。
为了更好地实现本发明,进一步地,感知预测模型全流程采集多维度动态数据,通过物理制造系统全域感知虚拟空间的平行映射,进行深度知识挖掘,预测未来数据的变化情况,然后通过训练识别器将预测的数据和未来的真实数据进行比较来判断是否出现异常,根据预测模块预测的t+1时刻的数据和对应的误差矩阵来判断t+1时刻获取到的数据是否是异常,根据误差矩阵计算出协方差矩阵,然后针对不同的网络环境学习出不同的预测判别模型,采用多个指标从不同角度对网络进行度量,通过一个多元高斯分布来建立这些指标之间的联系,准确地检测出网络的异常,自动适应不同的网络环境实现对制造系统的主动感知,结合深度学习框架学习出数据的变化规律,实现制造系统动静态全量、多维、多尺度信息的汇聚和加载,形成控制策略,依靠自动化规则进行处理事件,对制造现场的反射和设备重大故障停机控制、缺件报警、断刀报警与决策、安全报警与决策等进行即时反馈与实时感知数据控制、仿真数据多重数据反馈,构建制造系统物理空间、信息空间与业务空间的多维融合智能体组件,从时空域两个维度,构建智能制造空间制造资源、制造单元和供应链的智能体模型组件,围绕制造系统物流、价值流、信息流、业务流的动态演变过程,建立以智能体为主体的动态协同运作机制,实现智能制造空间多要素、多业务和多流程,实时同步仿真与虚实联动控制和信息交互的传递机制。
为了更好地实现本发明,进一步地,算法优化模型在制造系统AI大脑的驱动下,围绕车间物流、信息流、业务流,同步采集全域信息、运行智能体控制指令,通过制造系统与AI大脑的闭环仿真决策和异构集成,将优化后的控制指令传递至制造单元和供应链的智能体模型组件,并驱动物理制造系统的运行,通过虚实融合驱动制造系统的仿真与优化决策和自适应调整模型实现工艺参数的自适应优化,并通过数控NC指令将优化参数反馈至加工设备,实现加工过程整体的闭环控制;故障检测模块利用知识图谱拓展故障事件以及故障部件的描述形式,将存在于各类故障诊断报表和故障案例库中的数据整合筛选、从中抽取出有用的信息并整理作为知识构建的基础,利用知识库以更加精准地定位系统失效部位及其原因,通过上传文件构建故障库,故障检测模块与故障库的信息进行对比,判断其是否为重复故障,其中,故障信息包括:产品类型、产品名称、发现时间、故障描述、估计损失,预审处置情况。
本发明与现有技术相比,具有以下优点及有益效果:
(1)本发明深入航空领域,将海量的、单位信息量丰富的原始数据,通过实体识别、关系抽取、实体融合、属性融合等步骤,转化为蕴含更高维度信息的“实体-属性-关系”图数据形态,将原始数据编织成了带有行业属性的知识图谱,从而让数据融合、信息检索、交互分析和多维展示等基础功能的性能和效用边界发生质的飞跃,进而实现对行业数据的超深度分析和应用。通过多元高斯分布发掘多个度量指标之间的相互联系,提高检测的准确率。另外,可以自动地在线完成学习、检测的过程,够提高多种卷积神经网络模型在不同数据集上的分类性能,并且训练好的模型对随机遮挡图像的识别具有非常好的鲁棒性。并能够适应各种不同的网络环境;
(2)本发明针对航空制造领域知识获取、知识融合、知识应用问题,深入航空领域,将海量的、单位信息量丰富的原始数据,采用航空制造领域知识库对飞机设计制造中的数据进行有效的规划并将其纳入统一数据库中,对零件制造、工装工具制造等数据纳入到跟踪管理系统中,将通用知识图谱、常识知识图谱融合到领域知识图谱与ERP软件进行集成,集成到软件中,运用COM技术在程序中对这些软件进行控制,使其按数据库中的数据生成用户所想要的图表,从而扩展了软件本身的功能,使得图表的生成和浏览更加方便;
(3)本发明通过完成基于领域知识图谱以及文档库实现图谱检索以及文档检索应用服务的制造信息管理,同时将结构化、非结构化的数据进行处理,形成领域知识图谱以及领域文档库,进而实现对行业数据的超深度分析和应用;通过实体识别、关系抽取、实体融合、属性融合,转化为蕴含更高维度信息的“实体-属性-关系”图数据形态,其本质是将原始数据编织成了带有行业属性的知识图谱,从而让数据融合、信息检索、交互分析和多维展示等基础功能的性能和效用边界发生质的飞跃。融合通用知识图谱、常识知识图谱和领域知识图谱与智能行为,符合人类使用者使用的思维模式,具有强大的多源异构数据整合能力。通过对大数据的深入挖掘,自动+人工双重质控手段,实现不同类型数据资源的标准化存储、统一化展示和获取产品的需求感知的开放式共享,以灵活的方式充分发挥先进生产系统的制造能力,在订单制作、产品设计、生产、营销、销售等制造过程的各个方面都可以集成,用从知识得来的量化数据修正和完善制造过程,从根本上避免问题的出现。项目管理中管理着知识图谱生命周期中的全部数据及文档。在项目管理中可以通过创建项目-为创建上传知识体系-为项目选择关联文档,来构建一个与知识及文档相关的知识图谱。知识图谱可以拓展故障事件以及故障部件的描述形式,将存在于各类故障诊断报表和故障案例库中的数据整合筛选、从中抽取出有用的信息并整理作为知识构建的基础,利用该知识库以更加精准地定位系统失效部位及其原因。根据应用场景涉及语言知识图谱、事实性知识图谱、领域知识图谱等的融合以及从数据源新获取的知识的融合等不同粒度的融合需求。同时,作为知识图谱解决方案的底层支撑平台,知识图谱存储及计算工具提供了丰富的业务功能及组件,将业务知识与机器智能完美结合,根据业务场景和数据图谱特点,提供关系网络分析、实时多维检索、信息比对碰撞等强大功能,使知识图谱行业解决方案快速落地变成了可能。并可以基于大数据分析实现航空制造业“需求— 制造 — 需求 ”的全流程生命周期管理,可以实现数字化、网络化、智能化的生产优化、精准匹配、供应链优化、营销推送等众多智能制造核心应用,为终端用户提供订阅、主动推送、专题数据库、个人知识管理、个人工作中心等个性化服务,进而驱动航空制造产品设计和产业发展。同时,在数据的统一存储过程中,运用了单一产品数据源的思想,保证了数据存储的一致性,并在一定程度上减少了数据冗余。同时由于在客户机与数据库的通讯过程中使用了 ODBC 技术,从而使得应用软件向其它数据库系统上移植变得比较简单。使得软件可维护、可重用和可扩展性大大提高,从而为程序的升级和改进留下充足的余地。并且使应用程序界面可视化程度进一步提高,更加易于操作,图形化的操作界面使用户可以方便地完成设计和管理过程,并在较短的时间内十分方便地生成所想要得到的图形和表格。推进航空工业的数字工程转型,实现航空企业设备上云、产线上云以及研发制造等各个环节的深度上云,真正实现航空企业数字化转型升级,解决生产运营中的创新、速度、效率、质量、成本等问题;
(4)本发明结合航空领域的知识和经验,按照航空领域数据标准,从概念识别、领域适用、详细程度、构建体系等方面完善知识体系和领域知识表达体系。使用智能制造管理平台,在生产过程中实时监测和调控接收、处理数据变量,高效低成本地完成图像质检,提高生产质量,并基于标注模型提供信息抽取相关服务接口应用,实现标注数据动态训练与部署,最终可以将最优参数在大规模生产中精准落地。将实时采集到的生产参数传入工业大脑,借助工业大脑的人工智能技术提升航空制造产品生产品率。通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的关键参数,并搭建参数曲线模型和算法模型,在生产过程中实时监测和调控变量,通过各个系统之间的集成来实现数据联动,形成了国工智能针对于流程行业完整的智能制造落地解决方案。可以利用大量人工智能算法对数据进行分类、聚类、关联、预测等方向的数据挖掘,借助沉淀下来的基础数据,进行深度挖掘和利用,以实现产销量数据的预测,质量问题的分析,制造产品配方的优化等目的。知识融合需要支持结果溯源和数据置信度分析,通过模型评估算法与人工反馈机制结合的方式保证知识图谱的质量控制和版本演进优化。当厂方要进行产品研发和工艺改进时,可以通过系统中的预测仿真能力进行产品的数据抽取、分类和建模,预测本次研发或工艺优化是否合适。同时,系统也会提供建议的优化参数,来帮助厂方提高研发的预期值,完成工艺过程的优化或产品研发,以减少多次研发尝试带来的资源浪费。并可以重复利用并融合来自公共和私营部门渠道的数据以及采用现代分析技术。对多个数据集加以合并, 能够使合并后的数据集更精准、更频繁地覆盖更多人口。 发挥数据的此类协同效应能够产生切实效益;
(5)本发明以测试/检测数据为主体,利用物联网与算法模型技术进行实时监控,检测指标项,使用AI图像技术,提取出有效像素,换不同的卷积核可以保证把需要的特征都提取出来,这样可以减少大量计算,同时提高准确率。而且就可以判断这个图像表示什么数字,而没有必要了解所有点的情况,这样就可以进一步提高运行速度和准确率。将带有产品缺陷的领域知识图谱上传到云计算平台,通过深度学习与图像处理技术进行算法训练,通过云端汇总、打通生产关键环节数据,结合卷积神经网络的强拟合性和异常检测算法,对海量数据做深度学习,同时对产品各类数据进行深度运算和分析,构建故障检测与感知预测模型,这种把卷积操作应用到神经网络中就是卷积神经网络,当于把多个数据变成一个数据,极大的减少了数据量。通过池化可以减少75%的数据量。卷积神经网络提取特征的能力很强,而且特征容易被重复提取。所以相当于神经网络被反复训练,神经网络对训练数据的预测效果很好。通过获取制造产品的需求感知,识别制造产品的微小故障,预测测点故障缺陷并预警;其识别准确度可达到95%以上,瑕疵品率下降30%-50%。这种基于大数据和人工智能算法模型技术进行实时监控,检测指标项,以准确预测,结合卷积神经网络的强拟合性和异常检测算法的强泛化能力,对大数据量的值进行预测分析,相对于以往使用数据统计和传统机器学习的预测,检测过程无需人工参与,且检测指标项平均点位大幅下降,单次重大事件维护成本大大降低。从而增加了制造产品的生产效率,降低了生产成本。通过深度学习与图像处理技术进行算法训练和云计算,平均合格率提高5-8个百分点,做深度学习,实现了更快的网络收敛及更高的预测准确率和顽健性。不仅如此,航空制造产品整体调试效率优化30%-38%;
(6)本发明面向产业大数据领域实现标准化知识管理与运营,基于工业大脑构建算法优化模型,推动知识、产品、服务等资源的线上平台运营,使用算法模型进行制程能力的综合分析、评估和生产工艺的优化,把数据变成知识,把知识再变成数据,准确实时预测产品缺陷量和设备故障,做缺陷判定,下达指令抓取缺陷产品,并给出工艺参数指导实际生产的最优方案。这种将航空工业生产中的问题数据化,利用获取的数据对问题解决方法进行数据建模,当类似的问题出现的时候,能够根据模型提出解决问题的方法。这样,将知识固化于数据与算法模型中。把过去的经验变成可挖掘、可量化的持续价值,从而不会因为人的原因而失去知识。然后,把数据变成知识,从“解决显而易见的问题”延伸到“探索不可见的隐藏问题”,最后,把知识再变成数据,使用客户机/服务器与Web 方式相结合的网络体系结构,从知识得来的量化数据修正和完善制造过程,对飞机制造工艺过程进行管理,使数据的产生和管理过程规范地进行,使得大量的计算由服务器和客户机分别承担,充分发挥了网络中各个结点的效能,从根本上避免了问题的出现,从一定程度上减少了各流程环节之间的反复协调所造成的时间上的浪费。从而颠覆装备传统设计-制造-试验模式,实现向设计-虚拟综合-数字制造-物理制造的新模式转变。并在人工智能模型中实现知识积累和沉淀,解决长期以来航空工业生产中知识积累与传承优化的问题。提升人工智能结果的可靠性,大幅降低航空工业应用中对人工智能模型可解释性的要求。
附图说明
本发明结合下面附图和实施例做进一步说明,本发明所有构思创新应视为所公开内容和本发明保护范围。
图1是本发明航空制造业知源大脑数据智能制造管理平台架构的示意图。
图2是依据知源知识大脑数据加工平台功能流程图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1:
本实施例的一种航空制造业知源大脑数据智能制造管理平台, 运用自然语言处理技术解析内部数据,构建大规模的航空制造领域知识库,在此基础之上构建航空制造领域的预训练模型,航空制造领域知识库对飞机设计制造中的数据进行有效的规划并将其纳入统一数据库中,对零件制造、工装工具制造等数据纳入到跟踪管理系统中,融合通用知识图谱、常识知识图谱和领域知识图谱,与ERP软件进行集成,完成基于领域知识图谱以及文档库实现图谱检索以及文档检索应用服务的制造信息管理,同时将结构化、非结构化的数据进行处理,形成领域知识图谱以及领域文档库;预训练模型使用智能制造管理平台,在生产过程中实时监测和调控接收、处理数据变量,高效低成本地完成图像质检,并基于标注模型提供信息抽取相关服务接口应用,实现标注数据动态训练与部署,将实时采集到的生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的关键参数,并搭建参数曲线模型和算法模型,以测试/检测数据为主体,利用物联网与算法模型技术进行实时监控,检测指标项,使用AI图像技术,提取出有效像素,将带有产品缺陷的领域知识图谱上传到云计算平台,通过深度学习与图像处理技术进行算法训练,通过云端汇总、打通生产关键环节数据,结合卷积神经网络的强拟合性和异常检测算法,对海量数据做深度学习,通过卷积操作提取到原始图片中的关键特征,通过上述卷积操作之后选用最大池化,卷积操作时,将图片是作为一个矩阵,并进行矩阵的乘法运算,在完成上述卷积、池化操作后,把这些图片输入到三层全连接层进行两次全连接操作,换不同的卷积核在GPU中训练卷积神经网络CNN,再把生成的矩阵中的所有元素都累加得到结果中,同时对产品各类数据进行深度运算和分析,构建故障检测与感知预测模型,获取制造产品的需求感知,识别制造产品的微小故障,预测测点故障缺陷,输出预测结果并预警故障缺陷;基于工业大脑构建算法优化模型,使用算法模型进行制程能力的综合分析、评估和生产工艺的优化,把数据变成知识,把知识再变成数据,准确实时预测产品缺陷量和设备故障,做缺陷判定,下达指令抓取缺陷产品,并给出工艺参数指导实际生产的最优方案。
实施例2:
本实施例在实施例1的基础上做进一步优化,云计算平台基于自然图像识别的卷积神经网络算法,将需要被训练的数据分成同样的部分,与云计算平台上的节点一一对应,以平均分布的形式进行存储,通过各个节点上所存储CNN网络的数据来完成对网络的训练,操作模块在任务接收到数据后,将树状图结构大数据集通过一个主节点进行管理,主节点将操作任务分发给各个分节点,当分节点完成数据处理之后再汇总给主节点进行处理,将处理后的任务分解成多个任务模块,并用于平台上的节点,通过正向与反向传播计算出其中的权值与偏置的局部变化量,形成中间键的数值,当所有样本计算完成以后,进行本地文件处理,将本地文件经过处理之后汇总各次训练所得到的数据写入全局文件中。
本实施例的其他部分与实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1或2的基础上做进一步优化,航空制造领域知识库在单一产品数据源SSPD中存放着完整的产品信息,单一产品数据源SSPD本身并不是一个单独的数据库,通过不同的使用角度可以提取产品的不同配套数据,航空制造领域知识库将逻辑上的单--产品数据源SSPD作为整个航空制造产品系统的底层数据相关产品数据共同的访问源核心,SSPD将原来物理上分布于多个数据库的产品数据,经过组织形成一个逻辑上严格约束的单一数据库,并在创建知识图谱之初先创建知识体系,每一个项目都对应一个唯一的知识体系,知识体系对于知识图谱作为大树的树杆,每一个文件、文件中文本的段落作为知识图谱的叶子,将 “类别”、“属性”分别拖拽入操作区中,为“实体类别”、“属性”分别定义名称、类型,从实体出发向属性进行连线,进行关系名称定义实体关联属性,从一个实体出发向另一个实体进行连线,并在文件模板面板区定义关系的名称,选择构建知识体系的方式为知识体系命名,导入数据表单和示例文件模板,给出示例文件,按示例文件的格式创建关系类别文件,以示例文件中的格式创建属性类别文件,在知识体系列表中,找到创建的知识体系,下载创建知识体系所使用的数据文件,选择“文件类别”、“文档创建时间”、“知识体系标签”、“报告类型”及是否需要进行“OCR识别”,分别上传知识体系属性类别文件、知识体系关系类别文件,通过上传文件创建和拖拽方式来创建知识体系,创建完成的知识体系将被应用于项目,做为该项目知识图谱的知识体系,并由分布于不同数据库中的产品数据之间存储产品相关数据,组成多个分布式数据库,并构建出贯穿于飞机制造数据管理中品数据源整个系统的数据库。从而保证产品数据是完整一致的可靠产品数据,以满足航空企业从客户选型直至交付飞机和服务支持等各方面需要。
本实施例的其他部分与上述实施例1或2相同,故不再赘述。
实施例4:
本实施例在上述实施例1-3任一项的基础上做进一步优化,在上传文件时,在文件管理列表中,选择要启动OCR的文件,选择打开OCR识别,进入编辑状态,编辑完成,点击输入框以外的任何区域将结束编辑状态,系统根据从多个不同的角度定义网络状况的度量指标选择,组成一个多维的特征向量,对各个维度做归一化,求出用来进行训练的序列中各个维度上的均值和方差,然后采用一维的因果卷积、膨胀卷积进行卷积运算,在卷积层进行卷积运算,将各个通道进行融合的上传数据图像文件自动转化为可在电脑中可编辑的文字,上传文件后,在文档列表中查看当前文档的识别状态。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本实施例在上述实施例1-4任一项的基础上做进一步优化,在创建图谱时,通过标注工具来获得,通过三元组导入的方式来增加数据。点击项目管理-导入三元组,上传已经整理好的三元组数据,三元组数据后的完整图谱;文档标注分为两步,首先完成实体与属性标注,完成之后再进行关系的标注,两步全部完成后即完成了一个标注任务。实体标注的方法为:先在实体标注区选择一个分词,为分词选择实体类别在卡片展示区为该实体生成一张实体卡片,生成的实体卡片下方是属性卡片,为属性选择相应的属性名称以及创建属性值。选择属性名称,属性名称在知识体系中定义好的与该实体关联的属性名称;系统根据项目当前标注情况,自动将标注信息与知识体系关联,形成该项目的领域知识图谱。
领域知识图谱在通过基于预训练语言模型的命名实体识别NER模型后得到实体名称后,NER模型先确定出需要的实体名称mention,定义制造产品的几何、拓扑结构、材料、工艺和有关技术规范的数字化信息,分别存放在工程数据集Data Set和自动零件表APL中,然后将每一个mention匹配到知识图谱中它所对应的候选实体中,进行排序、汇聚融合多维、异构制造过程数据,以字符为单位进行序列标注建模,预训练模型以文本数据和字典的元组形式接收训练数据,根据上下文更新现有模型来训练 NER,在训练数据上循环,从迭代器的数据加载器dataloader前加上智能进度表tqdm,获得足够的迭代次数,将tqdm应用到深度学习中,用迭代进度条tqdm()函数来创建进度条,保存训练过程的信息。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
实施例6:
本实施例在上述实施例1-5任一项的基础上做进一步优化,预训练模型在训练过程中对卷积层的最大激活特征图进行处理后对输入图像进行遮挡,然后将被遮挡的新图像作为网络的新输入并继续训练模型,在图像识别过程中为了进一步加快训练速度对图像进行预处理,去除图像中的多余及干信息,然后对处理后的图像进行识别区域划分,利用当前最新的史数据来预测下一时刻的数据及预测误差,将时刻t-k+1到时刻t的历史序列数据经过归一化之后,在归一化的基础上得到一个非结构化文本数据输出序列,从非结构化文本数据中提取加工平台体系结构的专业信息实体,将这些实体存储在关系数据库中。
本实施例的其他部分与上述实施例1-5任一项相同,故不再赘述。
实施例7:
本实施例在上述实施例1-6任一项的基础上做进一步优化,预训练模型基于字符级的中文数据集,采用训练识别器做实体识别任务,预测实体字符串,得到一个预测实体集合列表,[setpre1,setpre2,…,setpren],抽取出真实的实体字符串,得到一个真实实体集合列表,其中,setprei 表示一个样本中提取的所有实体的unique集合。
本实施例的其他部分与上述实施例1-6任一项相同,故不再赘述。
实施例8:
本实施例在上述实施例1-7任一项的基础上做进一步优化,感知预测模型全流程采集多维度动态数据,通过物理制造系统全域感知虚拟空间的平行映射,进行深度知识挖掘,预测未来数据的变化情况,然后通过训练识别器将预测的数据和未来的真实数据进行比较来判断是否出现异常,根据预测模块预测的t+1时刻的数据和对应的误差矩阵来判断t+1时刻获取到的数据是否是异常,根据误差矩阵计算出协方差矩阵,然后针对不同的网络环境学习出不同的预测判别模型,采用多个指标从不同角度对网络进行度量,通过一个多元高斯分布来建立这些指标之间的联系,准确地检测出网络的异常,自动适应不同的网络环境实现对制造系统的主动感知,结合深度学习框架学习出数据的变化规律,实现制造系统动静态全量、多维、多尺度信息的汇聚和加载,形成控制策略,依靠自动化规则进行处理事件,对制造现场的反射和设备重大故障停机控制、缺件报警、断刀报警与决策、安全报警与决策等进行即时反馈与实时感知数据控制、仿真数据多重数据反馈,构建制造系统物理空间、信息空间与业务空间的多维融合智能体组件,从时空域两个维度,构建智能制造空间制造资源、制造单元和供应链的智能体模型组件,围绕制造系统物流、价值流、信息流、业务流的动态演变过程,建立以智能体为主体的动态协同运作机制,实现智能制造空间多要素、多业务和多流程,实时同步仿真与虚实联动控制和信息交互的传递机制。
本实施例的其他部分与上述实施例1-7任一项相同,故不再赘述。
实施例9:
本实施例在上述实施例1-8任一项的基础上做进一步优化,算法优化模型在制造系统AI大脑的驱动下,围绕车间物流、信息流、业务流,同步采集全域信息、运行智能体控制指令,通过制造系统与AI大脑的闭环仿真决策和异构集成,将优化后的控制指令传递至制造单元和供应链的智能体模型组件,并驱动物理制造系统的运行,通过虚实融合驱动制造系统的仿真与优化决策和自适应调整模型实现工艺参数的自适应优化,并通过数控NC指令将优化参数反馈至加工设备,实现加工过程整体的闭环控制;故障检测模块利用知识图谱拓展故障事件以及故障部件的描述形式,将存在于各类故障诊断报表和故障案例库中的数据整合筛选、从中抽取出有用的信息并整理作为知识构建的基础,利用知识库以更加精准地定位系统失效部位及其原因,通过上传文件构建故障库。
本实施例的其他部分与上述实施例1-8任一项相同,故不再赘述。
实施例10:
本实施例在上述实施例1-9任一项的基础上做进一步优化,。
本实施例的其他部分与上述实施例1-9任一项相同,故不再赘述。
本实施例在上述实施例1-4任一项基础上做进一步优化,如图1所示,在以下描述的示意性优选实施例中,一种航空制造业知源大脑数据智能制造管理平台(MES),包括:运用自然语言处理技术解析内部数据,构建大规模的航空制造领域知识库,在此基础之上构建航空制造领域的预训练模型,其中:航空制造领域知识库对飞机设计制造中的数据进行有效的规划并将其纳入统一数据库中,对零件制造、工装工具制造等数据纳入到跟踪管理系统中,融合通用知识图谱、常识知识图谱和领域知识图谱,与ERP软件进行集成,完成基于领域知识图谱以及文档库实现图谱检索以及文档检索应用服务的制造信息管理,同时将结构化、非结构化的数据进行处理,形成领域知识图谱以及领域文档库;预训练模型使用智能制造管理平台,在生产过程中实时监测和调控接收、处理数据变量,高效低成本地完成图像质检,并基于标注模型提供信息抽取相关服务接口应用,实现标注数据动态训练与部署,将实时采集到的生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的关键参数,并搭建参数曲线模型和算法模型,以测试/检测数据为主体,利用物联网与算法模型技术进行实时监控,检测指标项,使用AI图像技术,提取出有效像素,将带有产品缺陷的领域知识图谱上传到云计算平台,通过深度学习与图像处理技术进行算法训练,通过云端汇总、打通生产关键环节数据,结合卷积神经网络的强拟合性和异常检测算法,对海量数据做深度学习,通过卷积操作提取到原始图片中的关键特征,通过上述卷积操作之后选用最大池化,卷积操作时,将图片是作为一个矩阵,并进行矩阵的乘法运算,在完成上述卷积、池化操作后,把这些图片输入到三层全连接层进行两次全连接操作,换不同的卷积核在GPU中训练卷积神经网络CNN,再把生成的矩阵中的所有元素都累加得到结果中,同时对产品各类数据进行深度运算和分析,构建故障检测与感知预测模型,获取制造产品的需求感知,识别制造产品的微小故障,预测测点故障缺陷,输出预测结果并预警故障缺陷;基于工业大脑构建算法优化模型,使用算法模型进行制程能力的综合分析、评估和生产工艺的优化,把数据变成知识,把知识再变成数据,准确实时预测产品缺陷量和设备故障,做缺陷判定,下达指令抓取缺陷产品,并给出工艺参数指导实际生产的最优方案。
云计算平台基于自然图像识别的卷积神经网络算法,将需要被训练的数据分成同样的部分,与云计算平台上的节点一一对应,以平均分布的形式进行存储,通过各个节点上所存储CNN网络的数据来完成对网络的训练,操作模块在任务接收到数据后,将树状图结构大数据集通过一个主节点进行管理,主节点将操作任务分发给各个分节点,当分节点完成数据处理之后再汇总给主节点进行处理,将处理后的任务分解成多个任务模块,并用于平台上的节点,通过正向与反向传播计算出其中的权值与偏置的局部变化量,形成中间键的数值,当所有样本计算完成以后,进行本地文件处理,将本地文件经过处理之后汇总各次训练所得到的数据写入全局文件中。
航空制造领域知识库在单一产品数据源SSPD中存放着完整的产品信息,单--产品数据源SSPD本身并不是一个单独的数据库,通过不同的使用角度可以提取产品的不同配套数据,航空制造领域知识库将逻辑上的单--产品数据源SSPD作为整个航空制造产品系统的底层数据相关产品数据共同的访问源核心,SSPD将原来物理上分布于多个数据库的产品数据,经过组织形成一个逻辑上严格约束的单一数据库,并在创建知识图谱之初先创建知识体系,每一个项目都对应一个唯一的知识体系,知识体系对于知识图谱作为大树的树杆,每一个文件、文件中文本的段落作为知识图谱的叶子,将 “类别”、“属性”分别拖拽入操作区中,为“实体类别”、“属性”分别定义名称、类型,从实体出发向属性进行连线,进行关系名称定义实体关联属性,从一个实体出发向另一个实体进行连线,并在文件模板面板区定义关系的名称,选择构建知识体系的方式为知识体系命名,导入数据表单和示例文件模板,给出示例文件,按示例文件的格式创建关系类别文件,以示例文件中的格式创建属性类别文件,在知识体系列表中,找到创建的知识体系,下载创建知识体系所使用的数据文件,选择“文件类别”、“文档创建时间”、“知识体系标签”、“报告类型”及是否需要进行“OCR识别”,分别上传知识体系属性类别文件、知识体系关系类别文件,通过上传文件创建和拖拽方式来创建知识体系,创建完成的知识体系将被应用于项目,做为该项目知识图谱的知识体系,并由分布于不同数据库中的产品数据之间存储产品相关数据,组成多个分布式数据库,并构建出贯穿于飞机制造数据管理中品数据源整个系统的数据库。从而保证产品数据是完整一致的可靠产品数据,以满足航空企业从客户选型直至交付飞机和服务支持等各方面需要。
选择文件的类别包括:归零报告、试飞故障、不合格数据、维护记录、问题审核记录、机件操作记录;文档创建时间包括:选择文件的创建时间;知识体系标签包括:选择该文件关联的知识体系标签;报告类型包括:选择文件所属的报告类型;OCR光学字符识别是系统对PDF文本资料进行光学扫描后,并对图像文件进行分析处理,将文本文字自动识别录入到电脑中。
在上传文件时,在文件管理列表中,,选择要启动OCR的文件,选择打开OCR识别,进入编辑状态,编辑完成,点击输入框以外的任何区域将结束编辑状态,系统根据从多个不同的角度定义网络状况的度量指标选择,组成一个多维的特征向量,对各个维度做归一化,求出用来进行训练的序列中各个维度上的均值和方差,然后采用一维的因果卷积、膨胀卷积进行卷积运算,在卷积层进行卷积运算,将各个通道进行融合的上传数据图像文件自动转化为可在电脑中可编辑的文字,上传文件后,可以在文档列表中查看当前文档的识别状态。转化成功后的文档即可进行后面的文档信息抽取、文档预标注的相关操作了。在文档抽取时,使用的词典,输入词典名称,上传词典,停用词典可在预标注过程中用来去掉分词结果中的停用词,给停用词典命名,“点击上传”按钮,上传停用词词典。用户可以根据词典样例上传词典,以使抽取词典更加丰富。文档抽取时按一定规则对文档进行结构化抽取,文档抽取的第一步是选择抽取文档,每次只能进行一个文档的抽取。抽取页面左侧对源文件进行展示,右侧展示抽取结果,用户可以对抽取结果进行编辑。点击某一抽取结果项,即可编辑该条数据。编辑完成点击输入框以外的区域即可保存修改内容。对于修改后的内容,用户也可点击下方的保存按钮,对抽取结果文档进行下载保存。在项目管理中可以通过创建项目-为创建上传知识体系-为项目选择关联文档,来构建一个与知识及文档相关的知识图谱。在创建图谱时,通过标注工具来获得,系统支持可以通过三元组导入的方式来增加数据。点击项目管理-导入三元组,上传已经整理好的三元组数据,三元组数据后的完整图谱。文档标注分为两步,首先完成实体与属性标注,完成之后再进行关系的标注,两步全部完成后即完成了一个标注任务。实体标注的方法为:先在实体标注区选择一个分词,为分词选择实体类别在卡片展示区为该实体生成了一张实体卡片,生成的实体卡片下方是属性卡片,可为属性选择相应的属性名称以及创建属性值。选择属性名称,属性名称是在知识体系中定义好的与该实体关联的属性名称。用户只需要拉选择选择相应的属性名称即可。在属性选择区中,自动填入属性值中,完成属性值的定义。即可完成该项目的实体与属性标注工作。如果需要将识别的文字进行拆分,即可在分词区中选择需要拆分的组词,完成词语拆分;系统根据项目当前标注情况,自动将标注信息与知识体系关联,形成该项目的知识图谱。用户可以通过上传文件构建自己的故障库。用户在输入框中输入新来故障的信息,会与故障库是的信息进行对比,判断其是否为重复故障。故障信息包括:产品类型、产品名称、发现时间、故障描述、估计损失、预审处置情况等。
图谱融合可分为数据模式融合和数据融合两个层面,数据模式层的融合主要涉及模式的映射和标准化,两者共同组成控制制造系统高效运行的信息中枢系统,作为智能制造系统的智能决策和控制的核心。信息中枢系统接受制造系统全域感知信息传入,经处理加工后成为制造系统控制指令输出,或者形成知识存储在信息中枢系统中,制造系统全域状态信息,通过数字虚实映射,将制造系统状态信息传导至AI大脑,制造系统信息中枢内大量针对不同场景的人工智能算法模型聚集在一起,传导至物理制造系统,形成制造系统的分析与决策中心,实现以虚控的传递、储存和加工信息,产生各种系统决策信息,支配和控制制造系统的运行,保障制造系统整体的协调运行,实现制造系统的优化运行。
领域知识图谱在通过基于预训练语言模型的命名实体识别NER模型后得到实体名称后,NER模型先确定出需要的实体名称mention,定义制造产品的几何、拓扑结构、材料、工艺和有关技术规范的数字化信息,分别存放在工程数据集Data Set和自动零件表APL中,然后将每一个mention匹配到知识图谱中它所对应的候选实体中,进行排序、汇聚融合多维、异构制造过程数据,以字符为单位进行序列标注建模,预训练模型以文本数据和字典的元组形式接收训练数据,根据上下文更新现有模型来训练 NER,在训练数据上循环,从迭代器的数据加载器dataloader前加上智能进度表tqdm,获得足够的迭代次数,将tqdm应用到深度学习中,用迭代进度条tqdm()函数来创建进度条,保存训练过程的信息。预训练模型在训练过程中对卷积层的最大激活特征图进行处理后对输入图像进行遮挡,然后将被遮挡的新图像作为网络的新输入并继续训练模型,在图像识别过程中为了进一步加快训练速度对图像进行预处理,去除图像中的多余及干信息,然后对处理后的图像进行识别区域划分,利用当前最新的史数据来预测下一时刻的数据及预测误差,将时刻t-k+1到时刻t的历史序列数据经过归一化之后,在归一化的基础上得到一个非结构化文本数据输出序列,从非结构化文本数据中提取加工平台体系结构的专业信息实体,将这些实体存储在关系数据库中。上述字典在命名实体的文本和类别中包含命名实体的开始和结束索引。预训练语言模型对图像进行预处理可以在所有文档上运行,提取实体并单独存储。下一次用户搜索一个词时,该搜索词将与每个文档中更小的实体列表相匹配。命名实体识别(NER)是一种自然语言处理技术,用于在给定的文本内容中提取适当的实体,并将提取的实体分类到预定义的类别下。预训练模型基于字符级的中文数据集,采用训练识别器做实体识别任务,预测实体字符串,得到一个预测实体集合列表,[setpre1,setpre2,…,setpren],抽取出真实的实体字符串,得到一个真实实体集合列表,其中,setprei 表示一个样本中提取的所有实体的unique集合(不重复)。实体类型主要有三种:地点,机构,人物。数据采用BIO样式标注。
感知预测模型全流程采集多维度动态数据,通过物理制造系统全域感知虚拟空间的平行映射,进行深度知识挖掘,预测未来数据的变化情况,然后通过训练识别器将预测的数据和未来的真实数据进行比较来判断是否出现异常,根据预测模块预测的t+1时刻的数据和对应的误差矩阵来判断t+1时刻获取到的数据是否是异常,根据误差矩阵计算出协方差矩阵,然后针对不同的网络环境学习出不同的预测判别模型,采用多个指标从不同角度对网络进行度量,通过一个多元高斯分布来建立这些指标之间的联系,准确地检测出网络的异常,自动适应不同的网络环境实现对制造系统的主动感知,结合深度学习框架学习出数据的变化规律,实现制造系统动静态全量、多维、多尺度信息的汇聚和加载,形成控制策略,依靠自动化规则进行处理事件,对制造现场的反射和设备重大故障停机控制、缺件报警、断刀报警与决策、安全报警与决策等进行即时反馈与实时感知数据控制、仿真数据多重数据反馈,构建制造系统物理空间、信息空间与业务空间的多维融合智能体组件,从时空域两个维度,构建智能制造空间制造资源、制造单元和供应链的智能体模型组件,围绕制造系统物流、价值流、信息流、业务流的动态演变过程,建立以智能体为主体的动态协同运作机制,实现智能制造空间多要素、多业务和多流程,实时同步仿真与虚实联动控制和信息交互的传递机制。
在实际加工过程中,感知预测模型通过输入序列和目标序列对物理设备加工过程实时状态感知,面向虚实空间制造系统的控制指令,构建对图像进行预处理的全域感知模型,感知预测模型。将设备状态信息(机床振动、功率、各轴转速、进给速度、当前运行程序等)、刀具状态(刀具寿命、切削力、型号等)、工况状态(冷却液、温度等),过程质量(加工过程中的在机检测过程质量数据等)的实时数据,传递至全域感知模型,并将仿真数据及历史加工数据反馈至机床智能体模型,实现制造过程的闭环控制。
算法优化模型依托人工智能算法的高算力需求的场景,通过虚拟空间数据汇聚与集成的通道,构建多层级制造系统智能体模型组件能力模型和大规模跨组织资源协同优化调度模型,优化调度模型调用在AI大脑建立的人工智能算法模型,汇聚制造系统实时运行状态数据,进行运算分析与求解,并将结果输入到算法模型中进行仿真分析,利用执行机构远程控制指令、参数修正、消息传递等操作,反作用于物理制造系统,对物理制造系统全域数据进行汇聚、解析、融合、迭代优化,建立制造系统资源、任务、流程协同优化机制,依据动态优化智能决策效果对航空制造系统全域优化控制,接收生产线生产任务、计划排程、动态调度到设备、物料、刀具、实时调配NC程序制造资源,完成对各类制造要素的动态调配,并将控制指令通过神经中枢转换,形成对各要素Agent的驱动控制,完成仿真运行,并将仿真结果反馈至AI控制中心实现闭环优化,由各要素Agent生成驱动控制指令,驱动物理制造系统的运行,建立多维多尺度制造过程数据动态演进信息表达与融合驱动与系统状态信息的融合模型。融合模型通过建立物理空间制造系统与虚拟空间制造系统交互与融合机制,融合物联网、深度学习、图像识别等技术,实现制造现场、虚拟仿真等多源多维异构质量数据的融合,利用实时监测数据动态更新、算法优化模型预测装备制造过程状态,预测、决策控制整个处理流程,各智能体之间的相互通信和信息传递与交互,通过消息服务平台,修改自身状态信息完成状态更新,或者获取其订阅的其他智能体的状态信息实现信息交互,对制造过程进行动态控制,通过全流程动态优化控制与运营决策,实现制造过程全流程、全要素的数据融合与数据驱动和制造过程不确定性复杂环境下的资源协同优化,从而提升产品制造加工过程工艺能力。降低工厂生产管理的难度和生产成本,提高设备利用率与生产效率。
算法优化模型在制造系统AI大脑的驱动下,围绕车间物流、信息流、业务流,同步采集全域信息、运行智能体控制指令,通过制造系统与AI大脑的闭环仿真决策和异构集成,将优化后的控制指令传递至制造单元和供应链的智能体模型组件,并驱动物理制造系统的运行,通过虚实融合驱动制造系统的仿真与优化决策和自适应调整模型实现工艺参数的自适应优化,并通过数控NC指令将优化参数反馈至加工设备,实现加工过程整体的闭环控制,提升加工精度和效率,以及制造系统显性与隐性能力的持续提升和零件的制造系统生产效能的螺旋进化;
故障检测模块利用知识图谱拓展故障事件以及故障部件的描述形式,将存在于各类故障诊断报表和故障案例库中的数据整合筛选、从中抽取出有用的信息并整理作为知识构建的基础,利用知识库以更加精准地定位系统失效部位及其原因,通过上传文件构建故障库。故障检测模块与故障库的信息进行对比,判断其是否为重复故障。故障信息包括:产品类型、产品名称、发现时间、故障描述、估计损失。预审处置情况等。
如图2所示,感知预测模型构建制造产品项目,每一个项目包含一个图谱,根据项目当前标注情况,自动将标注信息与知识体系关联,形成该项目的知识图谱,展示当前项目关联的文档数,为当前项目中的图谱添加实体与属性类别、关系类别,通过导入数据表单的方式来构建知识体系,创建知识体系后创建知识图谱,每一个项目都对应一个唯一的知识体系,创建完成的知识体系将被应用于项目,做为该项目知识图谱的知识体系,创建完成知识体系后,在知识体系列表中,找到创建的知识体系,分别上传知识体系属性类别文件、知识体系关系类别文件,将词典/模型知识体系上传到文档管理库、图谱管理库,通过图谱编辑、图谱查询,完成知识体系可视化、知识图谱可视化,通过选择文档、预标注、任务分配、实体标注进行关系和属性标注,以及三元组数据导入到知识图谱,形成加工平台体系结构。加工平台体系结构将文本标注技术架构分为数据层、模型层、数据管理层、模型算法层、表达层、视图层、应用层和用户层,其中,数据层主要完成标注任务文本数据采集,对标签列表信息做捕捉,将标签列表信息融入到标签的预测中,实现标注数据动态训练与部署,并基于标注模型提供信息抽取相关服务接口应用;数据层中各种结构的数据,经过模型层文字提取、实体识别、关系抽取等信息提取技术,结合知识表达体系,形成高度结构化的三元组数据,此数据可以存储进图数据库,并以直观清晰的方式展示,结合数据统计技术、图算法,对存储的图数据进行可视化展示,支持查询最短路径、n跳内节点等信息,深度挖掘实体之间的隐含关系。对于不同类型的数据,可以以不同格式的文件导出。可视化界面可以以图片格式保存,同时可以以csv和json格式导出相应的三元组数据;数据管理层主要实现用户上传数据解析,处理,存储,更新维护等,将得到一个序列的整个输出词向量的信息融入到标注模型中;视图层为用户提供分词标注,实体标注,关系标注等标注功能,表达层在视图层的基础上,提供智能问答、智能检索等更深层的应用服务,深度挖掘数据的特征和数据之间的关系,促进行业智能化,根据标注任务相应地获取用户词典,实体类别定义,关系类别定义等文档数据内容,直接接全连接层,将字符信息融入到词级别的时间递归神经网络LSTM中,并使用交叉熵损失函数来进行学习,基于标注模型提供信息抽取相关服务接口,将文本序列输入到双向时间递归神经网络LSTM中做序列编码,对输出的编码进行全连接转化,以目标神经元维度为标签的个数做预测任务;模型算法层主要基于信息抽取技术结合用户层标注数据构建标注模型,运用关系抽取等算法,实现分词,依存句法分析,实体识别,同时可拓展丰富的应用层应用,将输出作为条件随机场CRF层的发射分数矩阵与条件随机场CRF层进行结合,定义一个函数log-sum-exp,使用CRF的log_sum_exp分数作为目标函数,同时用一些初始化方法初始化转移分数矩阵,通过神经网络的梯度下降来更新参数;应用层对各类基础服务进行抽象,封装成接口,方便接受图数据库的更新信息,向标注用户,提供友好型可视化界面。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (10)
1.一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
运用自然语言处理技术解析内部数据,构建大规模的航空制造领域知识库,在此基础之上构建航空制造领域的预训练模型,其特征在于:航空制造领域知识库对飞机设计制造中的数据进行有效的规划并将其纳入统一数据库中,对零件制造、工装工具制造等数据纳入到跟踪管理系统中,融合通用知识图谱、常识知识图谱和领域知识图谱,与ERP软件进行集成,完成基于领域知识图谱以及文档库实现图谱检索以及文档检索应用服务的制造信息管理,同时将结构化、非结构化的数据进行处理,形成领域知识图谱以及领域文档库;预训练模型使用工业大脑平台,在生产过程中实时监测和调控接收、处理数据变量,高效低成本地完成图像质检,并基于标注模型提供信息抽取相关服务接口应用,实现标注数据动态训练与部署,将实时采集到的生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的关键参数,并搭建参数曲线模型和算法模型,以测试/检测数据为主体,利用物联网与算法模型技术进行实时监控,检测指标项,使用AI图像技术,提取出有效像素,将带有产品缺陷的领域知识图谱上传到云计算平台,通过深度学习与图像处理技术进行算法训练,通过云端汇总、打通生产关键环节数据,结合卷积神经网络的强拟合性和异常检测算法,对海量数据做深度学习,通过卷积操作提取到原始图片中的关键特征,通过上述卷积操作之后选用最大池化,卷积操作时,将图片是作为一个矩阵,并进行矩阵的乘法运算,在完成上述卷积、池化操作后,把这些图片输入到三层全连接层进行两次全连接操作,换不同的卷积核在GPU中训练卷积神经网络CNN,再把生成的矩阵中的所有元素都累加得到结果中,同时对产品各类数据进行深度运算和分析,构建故障检测与感知预测模型,获取制造产品的需求感知,识别制造产品的微小故障,预测测点故障缺陷,输出预测结果并预警故障缺陷;基于工业大脑构建算法优化模型,使用算法模型进行制程能力的综合分析、评估和生产工艺的优化,把数据变成知识,把知识再变成数据,准确实时预测产品缺陷量和设备故障,做缺陷判定,下达指令抓取缺陷产品,并给出工艺参数指导实际生产的最优方案。
2.根据权利要求1所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
云计算平台基于自然图像识别的卷积神经网络算法,将需要被训练的数据分成同样的部分,与云计算平台上的节点一一对应,以平均分布的形式进行存储,通过各个节点上所存储CNN网络的数据来完成对网络的训练,操作模块在任务接收到数据后,将树状图结构大数据集通过一个主节点进行管理,主节点将操作任务分发给各个分节点,当分节点完成数据处理之后再汇总给主节点进行处理,将处理后的任务分解成多个任务模块,并用于平台上的节点,通过正向与反向传播计算出其中的权值与偏置的局部变化量,形成中间键的数值,当所有样本计算完成以后,进行本地文件处理,将本地文件经过处理之后汇总各次训练所得到的数据写入全局文件中。
3.根据权利要求1所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
航空制造领域知识库在单一产品数据源SSPD中存放着完整的产品信息,单--产品数据源SSPD本身并不是一个单独的数据库,通过不同的使用角度可以提取产品的不同配套数据,航空制造领域知识库将逻辑上的单--产品数据源SSPD作为整个航空制造产品系统的底层数据相关产品数据共同的访问源核心,SSPD将原来物理上分布于多个数据库的产品数据,经过组织形成一个逻辑上严格约束的单一数据库,并在创建知识图谱之初先创建知识体系,每一个项目都对应一个唯一的知识体系,知识体系对于知识图谱作为大树的树杆,每一个文件、文件中文本的段落作为知识图谱的叶子,将 “类别”、“属性”分别拖拽入操作区中,为“实体类别”、“属性”分别定义名称、类型,从实体出发向属性进行连线,进行关系名称定义实体关联属性,从一个实体出发向另一个实体进行连线,并在文件模板面板区定义关系的名称,选择构建知识体系的方式为知识体系命名,导入数据表单和示例文件模板,给出示例文件,按示例文件的格式创建关系类别文件,以示例文件中的格式创建属性类别文件,在知识体系列表中,找到创建的知识体系,下载创建知识体系所使用的数据文件,选择“文件类别”、“文档创建时间”、“知识体系标签”、“报告类型”及是否需要进行“OCR识别”,分别上传知识体系属性类别文件、知识体系关系类别文件,通过上传文件创建和拖拽方式来创建知识体系,创建完成的知识体系将被应用于项目,做为该项目知识图谱的知识体系,并由分布于不同数据库中的产品数据之间存储产品相关数据,组成多个分布式数据库,并构建出贯穿于飞机制造数据管理中品数据源整个系统的数据库,从而保证产品数据是完整一致的可靠产品数据,以满足航空企业从客户选型直至交付飞机和服务支持等各方面需要。
4.根据权利要求1所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
在上传文件时,在文件管理列表中,选择要启动OCR的文件,选择打开OCR识别,进入编辑状态,编辑完成,点击输入框以外的任何区域将结束编辑状态,系统根据从多个不同的角度定义网络状况的度量指标选择,组成一个多维的特征向量,对各个维度做归一化,求出用来进行训练的序列中各个维度上的均值和方差,然后采用一维的因果卷积、膨胀卷积进行卷积运算,在卷积层进行卷积运算,将各个通道进行融合的上传数据图像文件自动转化为可在电脑中可编辑的文字,上传文件后,在文档列表中查看当前文档的识别状态。
5.根据权利要求1所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
在创建图谱时,通过标注工具来获得,通过三元组导入的方式来增加数据;点击项目管理-导入三元组,上传已经整理好的三元组数据,三元组数据后的完整图谱;文档标注分为两步,首先完成实体与属性标注,完成之后再进行关系的标注,两步全部完成后即完成了一个标注任务;实体标注的方法为:先在实体标注区选择一个分词,为分词选择实体类别在卡片展示区为该实体生成一张实体卡片,生成的实体卡片下方是属性卡片,为属性选择相应的属性名称以及创建属性值;选择属性名称,属性名称在知识体系中定义好的与该实体关联的属性名称;系统根据项目当前标注情况,自动将标注信息与知识体系关联,形成该项目的领域知识图谱。
6.根据权利要求5所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
领域知识图谱在通过基于预训练语言模型的命名实体识别NER模型后得到实体名称后,NER模型先确定出需要的实体名称mention,定义制造产品的几何、拓扑结构、材料、工艺和有关技术规范的数字化信息,分别存放在工程数据集Data Set和自动零件表APL中,然后将每一个mention匹配到知识图谱中它所对应的候选实体中,进行排序、汇聚融合多维、异构制造过程数据,以字符为单位进行序列标注建模,预训练模型以文本数据和字典的元组形式接收训练数据,根据上下文更新现有模型来训练 NER,在训练数据上循环,从迭代器的数据加载器dataloader前加上智能进度表tqdm,获得足够的迭代次数,将tqdm应用到深度学习中,用迭代进度条tqdm()函数来创建进度条,保存训练过程的信息。
7.根据权利要求1所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
预训练模型在训练过程中对卷积层的最大激活特征图进行处理后对输入图像进行遮挡,然后将被遮挡的新图像作为网络的新输入并继续训练模型,在图像识别过程中为了进一步加快训练速度对图像进行预处理,去除图像中的多余及干信息,然后对处理后的图像进行识别区域划分,利用当前最新的史数据来预测下一时刻的数据及预测误差,将时刻t-k+1到时刻t的历史序列数据经过归一化之后,在归一化的基础上得到一个非结构化文本数据输出序列,从非结构化文本数据中提取加工平台体系结构的专业信息实体,将这些实体存储在关系数据库中。
8.根据权利要求1所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
预训练模型基于字符级的中文数据集,采用训练识别器做实体识别任务,预测实体字符串,得到一个预测实体集合列表,[setpre1,setpre2,…,setpren],抽取出真实的实体字符串,得到一个真实实体集合列表,其中,setprei 表示一个样本中提取的所有实体的unique集合。
9.根据权利要求1所述的航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
感知预测模型全流程采集多维度动态数据,通过物理制造系统全域感知虚拟空间的平行映射,进行深度知识挖掘,预测未来数据的变化情况,然后通过训练识别器将预测的数据和未来的真实数据进行比较来判断是否出现异常,根据预测模块预测的t+1时刻的数据和对应的误差矩阵来判断t+1时刻获取到的数据是否是异常,根据误差矩阵计算出协方差矩阵,然后针对不同的网络环境学习出不同的预测判别模型,采用多个指标从不同角度对网络进行度量,通过一个多元高斯分布来建立这些指标之间的联系,准确地检测出网络的异常,自动适应不同的网络环境实现对制造系统的主动感知,结合深度学习框架学习出数据的变化规律,实现制造系统动静态全量、多维、多尺度信息的汇聚和加载,形成控制策略,依靠自动化规则进行处理事件,对制造现场的反射和设备重大故障停机控制、缺件报警、断刀报警与决策、安全报警与决策等进行即时反馈与实时感知数据控制、仿真数据多重数据反馈,构建制造系统物理空间、信息空间与业务空间的多维融合智能体组件,从时空域两个维度,构建智能制造空间制造资源、制造单元和供应链的智能体模型组件,围绕制造系统物流、价值流、信息流、业务流的动态演变过程,建立以智能体为主体的动态协同运作机制,实现智能制造空间多要素、多业务和多流程,实时同步仿真与虚实联动控制和信息交互的传递机制。
10.根据权利要求1所述的一种航空制造业知源大脑数据智能制造管理平台,其特征在于,包括:
算法优化模型在制造系统AI大脑的驱动下,围绕车间物流、信息流、业务流,同步采集全域信息、运行智能体控制指令,通过制造系统与AI大脑的闭环仿真决策和异构集成,将优化后的控制指令传递至制造单元和供应链的智能体模型组件,并驱动物理制造系统的运行,通过虚实融合驱动制造系统的仿真与优化决策和自适应调整模型实现工艺参数的自适应优化,并通过数控NC指令将优化参数反馈至加工设备,实现加工过程整体的闭环控制;故障检测模块利用知识图谱拓展故障事件以及故障部件的描述形式,将存在于各类故障诊断报表和故障案例库中的数据整合筛选、从中抽取出有用的信息并整理作为知识构建的基础,利用知识库以更加精准地定位系统失效部位及其原因,通过上传文件构建故障库,故障检测模块与故障库的信息进行对比,判断其是否为重复故障,其中,故障信息包括:产品类型、产品名称、发现时间、故障描述、估计损失,预审处置情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426309.6A CN116485576A (zh) | 2023-04-20 | 2023-04-20 | 一种航空制造业知源大脑数据智能制造管理平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426309.6A CN116485576A (zh) | 2023-04-20 | 2023-04-20 | 一种航空制造业知源大脑数据智能制造管理平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116485576A true CN116485576A (zh) | 2023-07-25 |
Family
ID=87217213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310426309.6A Pending CN116485576A (zh) | 2023-04-20 | 2023-04-20 | 一种航空制造业知源大脑数据智能制造管理平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485576A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861708A (zh) * | 2023-09-04 | 2023-10-10 | 国家工业信息安全发展研究中心 | 生产设备多维模型构建方法及装置 |
CN116894180A (zh) * | 2023-09-11 | 2023-10-17 | 南京航空航天大学 | 一种基于异构图注意力网络的产品制造质量预测方法 |
CN117008557A (zh) * | 2023-09-28 | 2023-11-07 | 苏州顶材新材料有限公司 | 共混型互穿网络热塑性弹性体的生产控制方法及系统 |
CN117194588A (zh) * | 2023-11-07 | 2023-12-08 | 江苏龙虎网信息科技股份有限公司 | 一种基于大数据的业务数据一体化监管系统及方法 |
CN117236809A (zh) * | 2023-11-13 | 2023-12-15 | 宁德市天铭新能源汽车配件有限公司 | 基于人工智能的汽车零部件生产管理方法及系统 |
CN117593147A (zh) * | 2023-11-16 | 2024-02-23 | 中航机载系统共性技术有限公司 | 一种航空制造智慧云平台 |
CN117828106A (zh) * | 2024-03-04 | 2024-04-05 | 国维技术有限公司 | 基于记忆强化算法结合大模型驱动实现个性化npc的方法 |
-
2023
- 2023-04-20 CN CN202310426309.6A patent/CN116485576A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116861708B (zh) * | 2023-09-04 | 2023-11-03 | 国家工业信息安全发展研究中心 | 生产设备多维模型构建方法及装置 |
CN116861708A (zh) * | 2023-09-04 | 2023-10-10 | 国家工业信息安全发展研究中心 | 生产设备多维模型构建方法及装置 |
CN116894180A (zh) * | 2023-09-11 | 2023-10-17 | 南京航空航天大学 | 一种基于异构图注意力网络的产品制造质量预测方法 |
CN116894180B (zh) * | 2023-09-11 | 2023-11-24 | 南京航空航天大学 | 一种基于异构图注意力网络的产品制造质量预测方法 |
CN117008557A (zh) * | 2023-09-28 | 2023-11-07 | 苏州顶材新材料有限公司 | 共混型互穿网络热塑性弹性体的生产控制方法及系统 |
CN117008557B (zh) * | 2023-09-28 | 2023-12-15 | 苏州顶材新材料有限公司 | 共混型互穿网络热塑性弹性体的生产控制方法及系统 |
CN117194588B (zh) * | 2023-11-07 | 2024-01-19 | 江苏龙虎网信息科技股份有限公司 | 一种基于大数据的业务数据一体化监管系统及方法 |
CN117194588A (zh) * | 2023-11-07 | 2023-12-08 | 江苏龙虎网信息科技股份有限公司 | 一种基于大数据的业务数据一体化监管系统及方法 |
CN117236809A (zh) * | 2023-11-13 | 2023-12-15 | 宁德市天铭新能源汽车配件有限公司 | 基于人工智能的汽车零部件生产管理方法及系统 |
CN117236809B (zh) * | 2023-11-13 | 2024-02-27 | 宁德市天铭新能源汽车配件有限公司 | 基于人工智能的汽车零部件生产管理方法及系统 |
CN117593147A (zh) * | 2023-11-16 | 2024-02-23 | 中航机载系统共性技术有限公司 | 一种航空制造智慧云平台 |
CN117828106A (zh) * | 2024-03-04 | 2024-04-05 | 国维技术有限公司 | 基于记忆强化算法结合大模型驱动实现个性化npc的方法 |
CN117828106B (zh) * | 2024-03-04 | 2024-05-28 | 国维技术有限公司 | 基于记忆强化算法结合大模型驱动实现个性化npc的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116485576A (zh) | 一种航空制造业知源大脑数据智能制造管理平台 | |
Li et al. | A review of industrial big data for decision making in intelligent manufacturing | |
Sharp et al. | A survey of the advancing use and development of machine learning in smart manufacturing | |
Lee | Industrial ai | |
Wang et al. | Industrial big data analytics: challenges, methodologies, and applications | |
JP6901243B2 (ja) | プロセス環境のための制御システムを最適化するためのシステムおよび方法 | |
KR101825881B1 (ko) | 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템 | |
Liu et al. | Digital twin-enabled machining process modeling | |
Meski et al. | Integrated data and knowledge management as key factor for Industry 4.0 | |
KR102543064B1 (ko) | Rpa 기반 제조환경 모니터링 서비스 제공 시스템 | |
CN114398442A (zh) | 一种基于数据驱动的情报处理系统 | |
CN116882978A (zh) | 一种基于产品信息框架的深海潜水器运维保障平台 | |
EP4325415A1 (en) | Method for engineered predictive analysis | |
KR20190140264A (ko) | 제품 수명주기 관리장치 및 그 관리 방법 | |
CN115718472A (zh) | 水电机组故障扫描诊断方法 | |
Karadgi | A reference architecture for real-time performance measurement | |
Liu et al. | Digital Twin-based manufacturing system: A survey based on a novel reference model | |
Cai et al. | Quality management and analysis of aircraft final assembly based on digital twin | |
CN116415386A (zh) | 一种基于实时数据驱动的数字孪生产线可视化系统 | |
Francis et al. | Towards data-driven digital twins for smart manufacturing | |
Lee et al. | Definition and Meaning of Industrial AI | |
Suleykin et al. | Associative Rules-Driven Intelligent Production Schedule Control System for Digital Manufacturing Ecosystem | |
Li et al. | Extension intelligence for process manufacturing | |
US20230376795A1 (en) | Device, computing platform and method of analyzing log files of an industrial plant | |
El Kammouni et al. | Value stream mapping 4.0: a structural modeling approach |
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 |