CN116702891A - 一种基于汽车制造业的故障溯源方法及终端 - Google Patents

一种基于汽车制造业的故障溯源方法及终端 Download PDF

Info

Publication number
CN116702891A
CN116702891A CN202310301022.0A CN202310301022A CN116702891A CN 116702891 A CN116702891 A CN 116702891A CN 202310301022 A CN202310301022 A CN 202310301022A CN 116702891 A CN116702891 A CN 116702891A
Authority
CN
China
Prior art keywords
fault
node
result
knowledge graph
test
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
Application number
CN202310301022.0A
Other languages
English (en)
Inventor
宋轩
冯德帆
林贵旭
谢洪彬
李永康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest University of Science and Technology
Original Assignee
Southwest University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest University of Science and Technology filed Critical Southwest University of Science and Technology
Priority to CN202310301022.0A priority Critical patent/CN116702891A/zh
Publication of CN116702891A publication Critical patent/CN116702891A/zh
Pending legal-status Critical Current

Links

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
    • G06N5/027—Frames
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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 Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Manufacturing & Machinery (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开一种基于汽车制造业的故障溯源方法及终端，基于汽车制造过程中各个工厂以及流水线的生产数据构建知识图谱，然后对知识图谱中的图谱节点进行标签标注，得到标注结果，并基于标注结果使用BiLSTM+CRF算法进行实体划分，根据实体划分结果计算每两个实体的相似度，并根据相似度确定故障信息，最后将知识图谱进行拆解，得到三元组，并根据故障信息和三元组使用推荐算法模型对知识图谱进行分析，得到故障节点以及存在故障风险节点，以此能够在知识图谱的基础上，结合文本分析模型和推荐算法模型有效地将故障表现(即故障信息)与故障发生的节点相对应，从而快速且准确地实现故障溯源。

Description

一种基于汽车制造业的故障溯源方法及终端
技术领域
本发明涉及故障溯源技术领域，尤其涉及一种基于汽车制造业的故障溯源方法及终端。
背景技术
知识图谱作为一种新型的信息记录工具，能够将现有的复杂数据以人类更容易理解的方式总结以及展示出来，从而在对于行业的研究提供了重要的参考价值。在知识图谱构建流程上，专利号为CN109992673A的发明专利提出了一种知识图谱的生成方法，通过对描述文档中的信息进行建模，然后对于词向量进行聚类合并，最后使用实体-关系-实体的形式构建组成知识图谱的三元组。专利号为CN114925213A的发明专利提出了一种基于分层跨域知识协同推演的知识图谱补全方法，首先将原始的知识图谱放入翻译网络之中重新提取知识图谱之中的实体以及关系，随后用对抗生成网络的思路来构建优化后的新知识图谱。在应用层面，专利号为CN109657068B的发明专利针对博物馆内的文物数据以及网络上获取的文物信息数据构建了一个文物知识图谱的生成以及可视化的方法，并且在构建出来的知识图谱数据上设计了一个可交互的可视化系统。专利号为CN110569365A的发明专利提出的学术关系知识图谱的生成方法，将同时段以及不同时段的用户学术关系进行统计，并且生成用户之间的不同学术关系重要度来构建一个含有用户之间的关系的知识图谱。在智能制造相关领域，知识图谱也发挥着重大的作用。比如，专利号为CN114757610A的发明专利针对智能制造过程之中的物料运输环节提出了一种依据生产物流中的任务之间的关系以及各个节点的空间上欧氏距离建立一个动态的时空知识图片，并且借助知识图谱以及各个参考点所采集的信号来协助进行资源的分配。
在目前全球化的环境下，供应链之中所涉及的厂商数量剧增，一个最终产品之中的组件可能来自于多个不同的供应商，这也造成了制造业管理困难的现象。以汽车制造为例，一辆汽车可以由主控单元、门控单元、驾驶控制单元等不同组件所构成并且最终进行组装。来自于不同供应商或者不同生产线的各个组件的生产数据并不能得到很好的交互，且目前缺乏针对汽车制造领域的知识图谱构建技术以及相应的智能故障溯源技术，从上述可知，现有的制造业相关知识图谱构建大多集中于生产物料分配的研究之中，其他领域的知识图谱构建技术难以直接运用于汽车制造领域，从而引发了制造业管理困难的现象，在故障发生后，难以完成快速准确地故障溯源。
发明内容
本发明所要解决的技术问题是：提供一种基于汽车制造业的故障溯源方法及终端，能够快速且准确地实现故障溯源。
为了解决上述技术问题，本发明采用的一种技术方案为：
一种基于汽车制造业的故障溯源方法，包括步骤：
获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱；
对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果；
根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；
将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种基于汽车制造业的故障溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱；
对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果；
根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；
将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点。
本发明的有益效果在于：基于汽车制造过程中各个工厂以及流水线的生产数据构建知识图谱，然后对知识图谱中的图谱节点进行标签标注，得到标注结果，并基于标注结果使用BiLSTM(Bi-directional Long Short-Term Memory，双向长短期记忆网络)+CRF(Conditional Random Field，条件随机域)算法进行实体划分，根据实体划分结果计算每两个实体的相似度，并根据相似度确定故障信息，最后将知识图谱进行拆解，得到三元组，并根据故障信息和三元组使用推荐算法模型对知识图谱进行分析，得到故障节点以及存在故障风险节点，以此能够在知识图谱的基础上，结合文本分析模型和推荐算法模型有效地将故障表现(即故障信息)与故障发生的节点相对应，从而快速且准确地实现故障溯源。
附图说明
图1为本发明实施例的一种基于汽车制造业的故障溯源方法的步骤流程图；
图2为本发明实施例的一种基于汽车制造业的故障溯源终端的结构示意图；
图3为本发明实施例的一种基于汽车制造业的故障溯源方法的知识图谱示意图；
图4为本发明实施例的一种基于汽车制造业的故障溯源方法的知识图谱生成流程示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，本发明实施例提供了一种基于汽车制造业的故障溯源方法，包括步骤：
获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱；
对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果；
根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；
将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点。
从上述描述可知，本发明的有益效果在于：基于汽车制造过程中各个工厂以及流水线的生产数据构建知识图谱，然后对知识图谱中的图谱节点进行标签标注，得到标注结果，并基于标注结果使用BiLSTM(Bi-directional Long Short-Term Memory，双向长短期记忆网络)+CRF(Conditional Random Field，条件随机域)算法进行实体划分，根据实体划分结果计算每两个实体的相似度，并根据相似度确定故障信息，最后将知识图谱进行拆解，得到三元组，并根据故障信息和三元组使用推荐算法模型对知识图谱进行分析，得到故障节点以及存在故障风险节点，以此能够在知识图谱的基础上，结合文本分析模型和推荐算法模型有效地将故障表现(即故障信息)与故障发生的节点相对应，从而快速且准确地实现故障溯源。
进一步地，所述生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据；
所述测试模块数据包括第一车辆ID、零部件名称、生产地、功能、测试时间、测试工位、测试内容以及测试结果值；
所述故障检测数据包括车辆ID、测试时间、测试工位、故障发生地和故障说明；
所述获取汽车制造过程中各个工厂以及流水线的生产数据之后包括：
将所述生产数据存储至基于超级账本的联盟链中；
所述基于所述生产数据构建知识图谱包括：
根据所述第一车辆ID、所述零部件名称、所述测试结果值、所述生产地生成知识图谱的车辆节点、零部件节点、测试结果节点和生产地节点以及各自对应的边，并将所述功能、所述测试时间、所述测试工位和所述测试内容存储为所述测试结果节点的属性信息；
根据所述故障说明生成知识图谱的故障说明节点以及对应的边，并将所述故障发生地存储为所述故障说明节点的属性信息；
根据所述出厂后的车辆行驶故障记录数据生成知识图谱的故障记录节点以及对应的边。
由上述描述可知，利用区块链技术能够有效地提高了汽车制造全生命周期数据的存储安全性，生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据，基于这些生产数据构建知识图谱，知识图谱反映了车辆的全生命周期信息，借助知识图谱能够快速地完成车辆行驶过程中的故障溯源。
进一步地，所述对所述知识图谱中的图谱节点进行标签标注，得到标注结果包括：
根据专家知识确定所述测试结果节点、所述故障说明节点和所述故障记录节点的内容的文本类型，并将所述文本类型作为实体识别的标签；
将所述标签分为标签的开始、标签的中间以及标签的结束，并使用所述标签的开始、标签的中间以及标签的结束对所述测试结果节点、所述故障说明节点和所述故障记录节点的内容进行标注，得到标注结果。
由上述描述可知，先对知识图谱中各个节点进行标签标注，以便于后续使用BiLSTM+CRF算法实现更加准确地实体划分，进而准确地识别出故障信息，以此确定出车辆故障发生时所返回的信息的具体含义，以此便于后续准确地分析故障节点，提高故障溯源的可靠性。
进一步地，所述基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果包括：
对所述标注结果进行词嵌入，得到特征向量；
将所述特征向量输入至BiLSTM模型，并使用CRF层对输出结果进行约束，得到实体划分结果。
由上述描述可知，对标注结果进行词嵌入，将自然语言转化为机器能够理解的向量，然后输入至BiLSTM模型，可学习并提取输入的数据每一部分可能的标签，并使用CRF层对输出结果进行约束，以此输出所输入的数据之中可能性最高的实体划分。
进一步地，所述根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点包括：
根据所述故障信息将所述三元组以及所述三元组是否涉及故障作为推荐算法模型的输入，输出得到节点的分类结果；
使用transformer作为所述推荐算法模型的编码器，得到故障节点以及存在故障风险节点。
由上述描述可知，使用推荐算法模型根据故障信息不仅确定故障节点，还确定靠近故障节点的存在故障风险的节点，从而提高故障溯源的全面性和智能性。
请参照图2，一种基于汽车制造业的故障溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱；
对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果；
根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；
将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点。
从上述描述可知，本发明的有益效果在于：基于汽车制造过程中各个工厂以及流水线的生产数据构建知识图谱，然后对知识图谱中的图谱节点进行标签标注，得到标注结果，并基于标注结果使用BiLSTM+CRF算法进行实体划分，根据实体划分结果计算每两个实体的相似度，并根据相似度确定故障信息，最后将知识图谱进行拆解，得到三元组，并根据故障信息和三元组使用推荐算法模型对知识图谱进行分析，得到故障节点以及存在故障风险节点，以此能够在知识图谱的基础上，结合文本分析模型和推荐算法模型有效地将故障表现(即故障信息)与故障发生的节点相对应，从而快速且准确地实现故障溯源。
进一步地，所述生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据；
所述测试模块数据包括第一车辆ID、零部件名称、生产地、功能、测试时间、测试工位、测试内容以及测试结果值；
所述故障检测数据包括车辆ID、测试时间、测试工位、故障发生地和故障说明；
所述获取汽车制造过程中各个工厂以及流水线的生产数据之后包括：
将所述生产数据存储至基于超级账本的联盟链中；
所述基于所述生产数据构建知识图谱包括：
根据所述第一车辆ID、所述零部件名称、所述测试结果值、所述生产地生成知识图谱的车辆节点、零部件节点、测试结果节点和生产地节点以及各自对应的边，并将所述功能、所述测试时间、所述测试工位和所述测试内容存储为所述测试结果节点的属性信息；
根据所述故障说明生成知识图谱的故障说明节点以及对应的边，并将所述故障发生地存储为所述故障说明节点的属性信息；
根据所述出厂后的车辆行驶故障记录数据生成知识图谱的故障记录节点以及对应的边。
由上述描述可知，利用区块链技术能够有效地提高了汽车制造全生命周期数据的存储安全性，生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据，基于这些生产数据构建知识图谱，知识图谱反映了车辆的全生命周期信息，借助知识图谱能够快速地完成车辆行驶过程中的故障溯源。
进一步地，所述对所述知识图谱中的图谱节点进行标签标注，得到标注结果包括：
根据专家知识确定所述测试结果节点、所述故障说明节点和所述故障记录节点的内容的文本类型，并将所述文本类型作为实体识别的标签；
将所述标签分为标签的开始、标签的中间以及标签的结束，并使用所述标签的开始、标签的中间以及标签的结束对所述测试结果节点、所述故障说明节点和所述故障记录节点的内容进行标注，得到标注结果。
由上述描述可知，先对知识图谱中各个节点进行标签标注，以便于后续使用BiLSTM+CRF算法实现更加准确地实体划分，进而准确地识别出故障信息，以此确定出车辆故障发生时所返回的信息的具体含义，以此便于后续准确地分析故障节点，提高故障溯源的可靠性。
进一步地，所述基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果包括：
对所述标注结果进行词嵌入，得到特征向量；
将所述特征向量输入至BiLSTM模型，并使用CRF层对输出结果进行约束，得到实体划分结果。
由上述描述可知，对标注结果进行词嵌入，将自然语言转化为机器能够理解的向量，然后输入至BiLSTM模型，可学习并提取输入的数据每一部分可能的标签，并使用CRF层对输出结果进行约束，以此输出所输入的数据之中可能性最高的实体划分。
进一步地，所述根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点包括：
根据所述故障信息将所述三元组以及所述三元组是否涉及故障作为推荐算法模型的输入，输出得到节点的分类结果；
使用transformer作为所述推荐算法模型的编码器，得到故障节点以及存在故障风险节点。
由上述描述可知，使用推荐算法模型根据故障信息不仅确定故障节点，还确定靠近故障节点的存在故障风险的节点，从而提高故障溯源的全面性和智能性。
本发明上述的基于汽车制造业的故障溯源方法及终端能够适用于汽车制造业中，以下通过具体实施方式进行说明：
实施例一
请参照图1、图3和图4，本实施例的一种基于汽车制造业的故障溯源方法，包括步骤：
S1、获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱，具体包括：
S11、获取汽车制造过程中各个工厂以及流水线的生产数据；
如图4所示，获取各个制造业公司汽车制造过程中各个工厂以及流水线的生产数据；其中，所述生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据；所述测试模块数据包括第一车辆ID、零部件名称、生产地、功能、测试时间、测试工位、测试内容以及测试结果值；所述故障检测数据包括车辆ID、测试时间、测试工位、故障发生地和故障说明；
S12、将所述生产数据存储至基于超级账本的联盟链中，如图4所示；
在一种可选的实施方式中，还将所述生产数据存储至各个工厂以及流水线各自的加密数据库中，进一步加强数据存储的安全性。
在一种可选的实施方式中，所述生产数据还包括零部件生产过程中所产生的详细制造流程数据；由于所述详细制造流程数据主要用于生产线或者工厂故障的检测中，通常记录了包括视频在内的多种不同类型的庞大数据，因此这部分数据只需存储在加密数据库中，无需上传联盟链。
S13、根据所述第一车辆ID、所述零部件名称、所述测试结果值、所述生产地生成知识图谱的车辆节点、零部件节点、测试结果节点和生产地节点以及各自对应的边，并将所述功能、所述测试时间、所述测试工位和所述测试内容存储为所述测试结果节点的属性信息；
在一种可选的实施方式中，生成的节点有：车辆节点、零部件节点、测试结果节点和生产地节点，生成的边有：车辆-包含-零部件，零部件-功能测试-测试结果，生产地-生产-零部件/整车，如图3所示。其中测试结果是一系列由文本描述以及参数所构成的非固定的数据，因此需要在知识图谱的构建结束后对于这一部分数据进行语义识别，从而判断造成对应的故障的零部件。
S14、根据所述故障说明生成知识图谱的故障说明节点以及对应的边，并将所述故障发生地存储为所述故障说明节点的属性信息；
在一种可选的实施方式中，同一辆车在同一个故障地能够发生多个不同的故障，因此将获得多个不同的故障说明，故障发生地和上一个数据中的零部件名称可以对应，因此这一个数据之中所加入的新的三元组为：零部件-发生故障-故障说明。相似的，故障的说明文本描述也不完全统一，因此能够作为训练的标签应用到后续的训练中。
S15、根据所述出厂后的车辆行驶故障记录数据生成知识图谱的故障记录节点以及对应的边。
出厂后的车辆行驶故障记录数据记录了汽车销售后所遇到的故障信息，依据车辆内置的传感器数据记录仪器可以统计到车辆是否发生碰撞，以及出现非碰撞故障时车内各个传感器数据变化情况，并且返回相应的故障提醒，故障提醒通常以车为单位返回相应的错误提示，这一部分数据并不适合用于训练，但是却能够作为全新的节点返回知识图谱之中，并且借助知识图谱快速地完成车辆行驶过程中具体的零部件故障溯源。
S2、对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果，具体包括：
S21、根据专家知识确定所述测试结果节点、所述故障说明节点和所述故障记录节点的内容的文本类型，并将所述文本类型作为实体识别的标签；
S22、将所述标签分为标签的开始O、标签的中间I以及标签的结束E，并使用所述标签的开始、标签的中间以及标签的结束对所述测试结果节点、所述故障说明节点和所述故障记录节点的内容进行标注，得到标注结果。
比如，将“系统电压过低”进行标注的结果为“O-故障，I-故障，I-故障，I-故障，I-故障，E-故障”。
S23、对所述标注结果进行词嵌入，得到特征向量；
S24、将所述特征向量输入至BiLSTM模型，并使用CRF层对输出结果进行约束，得到实体划分结果。
S3、根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；借助相似度比对能够确定车辆故障发生时所返回的信息的具体含义。
实际应用时，通常一个故障会引发多个不同零部件的连锁反应，因此需要将较长的复杂故障文本转化为图嵌入到系统之中，并且借助全部车辆的历史故障记录进行相似度的检验，从而辅助故障零部件的定位，此处的定位将会添加约束只影响相同车辆的零部件，并不会由于与其他车故障原因一致而判定知识图谱中的其他车辆故障。
S4、将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点，具体包括：
S41、将所述知识图谱进行拆解，得到三元组；
S42、根据所述故障信息将所述三元组以及所述三元组是否涉及故障作为推荐算法模型的输入，输出得到节点的分类结果；
S43、使用transformer作为所述推荐算法模型的编码器，得到故障节点以及存在故障风险节点。
将图嵌入到一个超平面上，越接近的节点相关性越大，模型能够采用历史故障数据以及追查结果进行提前训练，在故障发生后直接调用，最终将获得分为两类的节点簇，而靠近故障节点的其余节点被认为存在故障的风险，即存在故障风险节点。
实施例二
请参照图2，本实施例的一种基于汽车制造业的故障溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的基于汽车制造业的故障溯源方法中的各个步骤。
综上所述，本发明提供的一种基于汽车制造业的故障溯源方法及终端，获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱；对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果；根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点；另外，将所述生产数据存储至基于超级账本的联盟链中，利用区块链技术能够有效地提高了汽车制造全生命周期数据的存储安全性，生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据，基于这些生产数据构建知识图谱，知识图谱反映了车辆的全生命周期信息，借助知识图谱能够快速地完成车辆行驶过程中的故障溯源；以此能够在知识图谱的基础上，结合文本分析模型和推荐算法模型有效地将故障表现(即故障信息)与故障发生的节点相对应，从而快速且准确地实现故障溯源。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于汽车制造业的故障溯源方法，其特征在于，包括步骤：
获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱；
对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果；
根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；
将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点。
2.根据权利要求1所述的一种基于汽车制造业的故障溯源方法，其特征在于，所述生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据；
所述测试模块数据包括第一车辆ID、零部件名称、生产地、功能、测试时间、测试工位、测试内容以及测试结果值；
所述故障检测数据包括车辆ID、测试时间、测试工位、故障发生地和故障说明；
所述获取汽车制造过程中各个工厂以及流水线的生产数据之后包括：
将所述生产数据存储至基于超级账本的联盟链中；
所述基于所述生产数据构建知识图谱包括：
根据所述第一车辆ID、所述零部件名称、所述测试结果值、所述生产地生成知识图谱的车辆节点、零部件节点、测试结果节点和生产地节点以及各自对应的边，并将所述功能、所述测试时间、所述测试工位和所述测试内容存储为所述测试结果节点的属性信息；
根据所述故障说明生成知识图谱的故障说明节点以及对应的边，并将所述故障发生地存储为所述故障说明节点的属性信息；
根据所述出厂后的车辆行驶故障记录数据生成知识图谱的故障记录节点以及对应的边。
3.根据权利要求2所述的一种基于汽车制造业的故障溯源方法，其特征在于，所述对所述知识图谱中的图谱节点进行标签标注，得到标注结果包括：
根据专家知识确定所述测试结果节点、所述故障说明节点和所述故障记录节点的内容的文本类型，并将所述文本类型作为实体识别的标签；
将所述标签分为标签的开始、标签的中间以及标签的结束，并使用所述标签的开始、标签的中间以及标签的结束对所述测试结果节点、所述故障说明节点和所述故障记录节点的内容进行标注，得到标注结果。
4.根据权利要求1所述的一种基于汽车制造业的故障溯源方法，其特征在于，所述基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果包括：
对所述标注结果进行词嵌入，得到特征向量；
将所述特征向量输入至BiLSTM模型，并使用CRF层对输出结果进行约束，得到实体划分结果。
5.根据权利要求1所述的一种基于汽车制造业的故障溯源方法，其特征在于，所述根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点包括：
根据所述故障信息将所述三元组以及所述三元组是否涉及故障作为推荐算法模型的输入，输出得到节点的分类结果；
使用transformer作为所述推荐算法模型的编码器，得到故障节点以及存在故障风险节点。
6.一种基于汽车制造业的故障溯源终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：
获取汽车制造过程中各个工厂以及流水线的生产数据，并基于所述生产数据构建知识图谱；
对所述知识图谱中的图谱节点进行标签标注，得到标注结果，并基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果；
根据所述实体划分结果计算每两个实体的相似度，并根据所述相似度确定故障信息；
将所述知识图谱进行拆解，得到三元组，并根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点。
7.根据权利要求6所述的一种基于汽车制造业的故障溯源终端，其特征在于，所述生产数据包括测试模块数据、故障检测数据以及出厂后的车辆行驶故障记录数据；
所述测试模块数据包括第一车辆ID、零部件名称、生产地、功能、测试时间、测试工位、测试内容以及测试结果值；
所述故障检测数据包括车辆ID、测试时间、测试工位、故障发生地和故障说明；
所述获取汽车制造过程中各个工厂以及流水线的生产数据之后包括：
将所述生产数据存储至基于超级账本的联盟链中；
所述基于所述生产数据构建知识图谱包括：
根据所述第一车辆ID、所述零部件名称、所述测试结果值、所述生产地生成知识图谱的车辆节点、零部件节点、测试结果节点和生产地节点以及各自对应的边，并将所述功能、所述测试时间、所述测试工位和所述测试内容存储为所述测试结果节点的属性信息；
根据所述故障说明生成知识图谱的故障说明节点以及对应的边，并将所述故障发生地存储为所述故障说明节点的属性信息；
根据所述出厂后的车辆行驶故障记录数据生成知识图谱的故障记录节点以及对应的边。
8.根据权利要求7所述的一种基于汽车制造业的故障溯源终端，其特征在于，所述对所述知识图谱中的图谱节点进行标签标注，得到标注结果包括：
根据专家知识确定所述测试结果节点、所述故障说明节点和所述故障记录节点的内容的文本类型，并将所述文本类型作为实体识别的标签；
将所述标签分为标签的开始、标签的中间以及标签的结束，并使用所述标签的开始、标签的中间以及标签的结束对所述测试结果节点、所述故障说明节点和所述故障记录节点的内容进行标注，得到标注结果。
9.根据权利要求6所述的一种基于汽车制造业的故障溯源终端，其特征在于，所述基于所述标注结果使用BiLSTM+CRF算法进行实体划分，得到实体划分结果包括：
对所述标注结果进行词嵌入，得到特征向量；
将所述特征向量输入至BiLSTM模型，并使用CRF层对输出结果进行约束，得到实体划分结果。
10.根据权利要求6所述的一种基于汽车制造业的故障溯源终端，其特征在于，所述根据所述故障信息和所述三元组使用推荐算法模型对所述知识图谱进行分析，得到故障节点以及存在故障风险节点包括：
根据所述故障信息将所述三元组以及所述三元组是否涉及故障作为推荐算法模型的输入，输出得到节点的分类结果；
使用transformer作为所述推荐算法模型的编码器，得到故障节点以及存在故障风险节点。
CN202310301022.0A 2023-03-20 2023-03-20 一种基于汽车制造业的故障溯源方法及终端 Pending CN116702891A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310301022.0A CN116702891A (zh) 2023-03-20 2023-03-20 一种基于汽车制造业的故障溯源方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310301022.0A CN116702891A (zh) 2023-03-20 2023-03-20 一种基于汽车制造业的故障溯源方法及终端

Publications (1)

Publication Number Publication Date
CN116702891A true CN116702891A (zh) 2023-09-05

Family

ID=87839950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310301022.0A Pending CN116702891A (zh) 2023-03-20 2023-03-20 一种基于汽车制造业的故障溯源方法及终端

Country Status (1)

Country Link
CN (1) CN116702891A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992862A (zh) * 2023-09-26 2023-11-03 中科航迈数控软件(深圳)有限公司 数控机床异常辅助处理方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992862A (zh) * 2023-09-26 2023-11-03 中科航迈数控软件(深圳)有限公司 数控机床异常辅助处理方法、装置、设备及介质
CN116992862B (zh) * 2023-09-26 2024-02-20 中科航迈数控软件(深圳)有限公司 数控机床异常辅助处理方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Diba et al. Extraction, correlation, and abstraction of event data for process mining
Zhai et al. Enabling predictive maintenance integrated production scheduling by operation-specific health prognostics with generative deep learning
Olsson Challenges and strategies for undertaking continuous experimentation to embedded systems: Industry and research perspectives
CN111339415A (zh) 一种基于多交互式注意力网络的点击率预测方法与装置
CN113761219A (zh) 基于知识图谱的检索方法、装置、电子设备及存储介质
CN112052233B (zh) 一种基于上下文感知的多角度业务流程异常在线检测方法
CN116702891A (zh) 一种基于汽车制造业的故障溯源方法及终端
Saberi et al. A passive online technique for learning hybrid automata from input/output traces
CN112101029B (zh) 一种基于bert模型的高校导师推荐管理方法
US11176502B2 (en) Analytical model training method for customer experience estimation
CN116501979A (zh) 信息推荐方法、装置、计算机设备及计算机可读存储介质
CN111699472A (zh) 确定用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统，特别是其中使用的复杂的软件架构的措施的方法和计算机程序产品
US20230222511A1 (en) Methods and systems for proactive customer support using general purpose language models with transfer learning
Joppi et al. POP: mining POtential Performance of new fashion products via webly cross-modal query expansion
McCarthy et al. A method for automated transformation and validation of online datasets
Quadrana Algorithms for sequence-aware recommender systems
Mallak et al. Active diagnosis automotive ontology for distributed embedded systems
Taylor et al. Rule-mining and clustering in business process analysis
Peng et al. Design and implementation of an intelligent recommendation system for product information on an e-commerce platform based on machine learning
Malburg et al. Modeling and using complex IoT time series data in case-based reasoning: From application scenarios to implementations
Cui et al. Method of Collaborative Filtering Based on Uncertain User Interests Cluster.
CN116383883B (zh) 一种基于大数据的数据管理权限处理方法及系统
Urselmann et al. Semi-automatic Pipeline for Large-Scale Dataset Annotation Task: A DMD Application
CN114117158A (zh) 一种软件测试资产综合检索方法及系统
Shou et al. Difficulty-Based Knowledge Point Clustering Algorithm Using Students’ Multi-Interactive Behaviors in Online Learning

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