CN116720786A - 一种融合kg和plm的装配质量稳定性预测方法、系统及介质 - Google Patents
一种融合kg和plm的装配质量稳定性预测方法、系统及介质 Download PDFInfo
- Publication number
- CN116720786A CN116720786A CN202310956756.2A CN202310956756A CN116720786A CN 116720786 A CN116720786 A CN 116720786A CN 202310956756 A CN202310956756 A CN 202310956756A CN 116720786 A CN116720786 A CN 116720786A
- Authority
- CN
- China
- Prior art keywords
- assembly
- information
- plm
- entity
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 119
- 230000004927 fusion Effects 0.000 title claims description 17
- 230000008569 process Effects 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010835 comparative analysis Methods 0.000 claims description 8
- 238000012015 optical character recognition Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000003339 best practice Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003908 quality control method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000590419 Polygonia interrogationis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及一种融合KG和PLM的装配质量稳定性预测方法、系统及介质,通过融合知识图谱和预训练大模型的方式,预测装配质量的稳定性。该方法包括采集装备领域的数据、对收集到的数据进行处理并构建领域知识图谱、提取实际装配流程中所包含的重要信息、通过预训练大模型将实际信息与知识图谱中存储的标准信息进行比对分析,并基于预训练大模型的语言理解能力对装配质量稳定性进行预测。该技术可应用于工业装配领域,旨在提供与质量稳定性相关的预测结果。通过分析装配过程中可能出现的质量问题,可以及早采取相应的措施,从而提高装配质量和效率。该方法的应用有助于提升装配过程的可靠性和质量控制水平,为相关行业提供更准确的装配质量稳定性预测。
Description
技术领域
本发明属于工业信息化质量预测技术领域,涉及一种工业装配质量稳定性预测技术,具体涉及一种融合知识图谱(Knowledge Graph, KG)和预训练大模型(Pre-TrainingLarge Model, PLM)的装配质量稳定性预测方法、系统及可读存储介质。
背景技术
工业装配的质量稳定性是指在一定的装配条件下,产品或组件的质量指标(如尺寸、形状、功能等)能够保持在一定的范围内,不受随机因素的影响。工业装配的质量稳定性直接影响产品或组件的性能、寿命以及市场竞争力,同时还直接影响企业的经济效益,如果装配质量不稳定,可能导致生产过程中出现不良品、返工、废品等,从而增加生产成本和资源消耗。因而,工业装配的质量稳定性对于制造业具有重要的意义。在过去,工业装配的质量稳定性主要依赖于经验和试错,然而这种方法往往效率低下且成本高昂。因为这种方法无法准确地预测装配过程中可能出现的质量问题,也无法及时地采取有效的措施来避免或减少质量损失。而且这种方法也无法适应复杂多变的装配环境和需求,容易导致产品的质量不稳定和不一致。
近年来,工业装配在装配质量稳定性的预测方面取得了巨大的发展。随着技术的进步和数据分析能力的提升,制造业正在采用越来越先进的方法来确保产品的质量和稳定性。例如随着机器学习和人工智能的发展,制造业开始利用大数据和智能算法来预测装配质量的稳定性。通过收集和分析大量的装配数据,制造商可以建立装配过程的模型,并预测潜在的装配问题。这些模型可以考虑各种因素,如材料特性、工艺参数和操作者技能等。通过监测和分析装配过程中的实时数据,制造商可以及时发现装配过程中的异常和偏差,并采取相应的纠正措施,从而提高产品的质量和稳定性。此外,通过利用机器学习和人工智能技术,制造商可以建立更复杂和更灵活的预测模型,如随机Kriging模型、神经网络模型、支持向量机模型等。这些模型可以处理非线性、高维度、多模态等复杂数据,并能够自动学习和更新,从而提高预测的智能性和自适应性。
尽管现有技术在工业装配质量预测方面已经进行过诸多的尝试,但是还是存在着一些难以解决的问题。首先,数据质量不稳定。数据质量是影响预测效果的重要因素,如果数据存在缺失、噪声、异常、不一致等问题,可能导致预测模型的偏差和误差。现有技术在进行预测时,其所依赖的数据通常来自多个源头,包括传感器、设备和操作员等,这些数据可能含有噪音、缺失或错误,导致预测结果不准确或不可靠。其次,数据采集和整合困难。现有技术中为了进行质量预测,需要采集和整合大量数据,但可能受到设备故障、传感器精度不足或数据格式不兼容等问题的影响,使得数据采集和整合变得困难。此外,特征选择和提取也是个难题。如果特征过多、过少、无关或冗余等问题,可能导致预测模型的复杂度和计算量过大,或者预测能力不足。然而由于工业装配过程的复杂性和多变性,确定适用于质量预测的特征可能具有挑战性,且缺乏系统性和标准化。另外,不确定性处理不足也是一个问题。装配质量预测中存在不确定性,如数据噪音或模型限制所导致的不确定性,但目前对不确定性的处理还不够成熟,无法提供可靠的不确定性估计和决策支持,这限制了预测的可靠性和可信度。
发明内容
(一)发明目的
本发明的发明目的在于提高工业装配质量稳定性预测过程中预测结果的准确性较低,且缺乏可解释性的问题。针对现有技术中上述存在的技术问题,本发明提供了一种融合知识图谱(Knowledge Graph, KG)和预训练大模型(Pre-TrainingLarge Model, PLM)的装配质量稳定性预测方法、系统及可读存储介质,可以有助于及早发现潜在的装配质量问题,并采取相应的措施来确保装配过程的稳定性和质量一致性。
(二)技术方案
为实现该发明目的,本发明采用如下技术方案:
本发明的第一个目的在于提供一种融合KG和PLM的装配质量稳定性预测方法,其特征在于,所述方法在实施时至少包括如下步骤:
SS1. 目标工业装配领域数据采集
首先,确定待质量稳定性预测的目标工业装配领域;
其次,基于多种数据源采集并获取所述目标工业装配领域中与质量稳定性相关的各类文本数据;
SS2. 目标工业装配领域知识图谱KG构建
通过对步骤SS1采集获取的目标工业装配领域的各类文本数据进行加工处理,并抽取其中包含实体关联关系的数据,整理得到多个由实体的个体信息及实体间关联关系组成的实体关系三元组,每个所述实体关系三元组中至少包括两个实体的个体信息和所述两个实体之间关联关系的信息,依据抽取并整理得到的多个实体关系三元组构建目标工业装配领域的知识图谱KG;
SS3. 装配信息提取
利用预训练大模型PLM的语义理解和信息抽取能力,对现实场景的装配流程信息进行解析和理解,通过该过程自动识别和提取装配流程信息中所包含的实体的个体信息,如零部件、工具、设备等,同时识别实体与实体之间的关联关系信息;
SS4. 通过预训练大模型进行装配质量稳定性的预测
利用步骤SS3提取出的实体的个体信息以及实体与实体之间的关联信息作为输入,在步骤SS2所构建的目标工业装配领域知识图谱中查询相似信息,并将查询结果返回到预训练大模型PLM中,利用预训练大模型PLM的语言理解能力,对现实场景与知识图谱中的标准装配内容进行对比分析,以揭示二者之间的相似性、差异性和潜在的关联,并基于该对比分析过程进行现实场景的装配质量稳定性的预测。
优选地,上述步骤SS1中,采集并获取与质量稳定性相关的各类文本数据,包括从目标工业装配领域相关的专利文献数据库、论文或图书文献数据库、和/或专业技术数据库中获取的包含装配实践中的最佳实践、标准规范和/或专业知识的结构化数据、半结构化数据和/或非结构化数据。
进一步地,上述步骤SS1中,采集并获取与质量稳定性相关的各类文本数据,还包括收集在装配实践过程中包含相关机器设备的传感器数据、设备状态信息、工作参数信息、运行日志信息、装配参数信息、质量指标信息和/或故障信息的结构化数据、半结构化数据和/或非结构化数据。
优选地,上述步骤SS1中,对于采集获取的包含文本格式信息的各类非电子化数据,首先通过扫描将这类非电子化数据转化为数字化的图片形式,之后利用光学字符识别技术(OCR)对这些图片进行信息处理,将其转换成可编辑的文本内容。
优选地,上述步骤SS2中,构建目标工业装配领域知识图谱KG至少包括如下子步骤:
SS2.1 文本数据清洗和预处理
对步骤SS1采集的目标工业装配领域的各类文本数据进行清洗和预处理,至少包括去除文本数据中的乱码和非法字符、修复文本数据中的语法错误和逻辑不通畅的语句、清洗文本数据中的噪音和干扰信息以及标准化文本格式;
SS2.2 句子定界和切分
利用标点符号分析和依存语法分析,对子步骤SS2.1完成清洗和预处理后的文本数据进行句子定界和切分;
SS2.3 实体关系的标注
采用实体关系自动标注的方法,对子步骤SS2.2完成句子定界和切分后的句子逐一标注其中实体的个体信息,并通过分析句子的语义和上下文信息捕捉并标注实体之间的关联关系信息;
SS2.4 实体关系抽取
基于子步骤SS2.3完成实体关系自动标注的文本数据,采用实体关系抽取模型,从文本数据中提取出实体的个体信息和实体之间的关联关系信息;
SS2.5 构建知识图谱
将子步骤SS2.4中抽取得到的实体的个体信息和实体之间的关联关系组合成多个实体关系三元组,构建目标工业装配领域的知识图谱KG。
进一步地,上述子步骤SS2.3中,所采用的实体关系自动标注方法是基于BIO(Begin, Inside, Outside)模式。
进一步地,上述子步骤SS2.5中,每个所述实体关系三元组由两个实体的个体信息和它们之间的关联关系组成,由此形成一个包含节点和边的图结构,并通过将多个所述实体关系三元组连接起来,建立实体之间的关联关系,并形成一个完整的目标工业装配领域的知识图谱KG。
优选地,上述步骤SS3中,现实场景装配信息提取至少包括如下子步骤:
SS3.1 数据准备
收集现实场景中的装配流程信息并将其作为所述预训练大模型PLM的输入,所述装配流程信息为以自然语言描述的方式记录的装配信息数据、文本形式的记录或其他形式的数据;
SS3.2 预训练大模型PLM的应用
利用预训练大模型PLM来处理输入的现实场景装配流程数据,所述预训练大模型PLM经过大规模的语料库训练并具备自然语言处理能力,通过所述预训练大模型PLM来识别和提取出装配流程信息中的各种实体的个体信息,同时识别和提取出实体与实体之间的关联关系信息。
优选地,上述步骤SS4中,所述通过预训练大模型进行装配质量稳定性的预测,至少包括如下子步骤:
SS4.1 信息查询
利用预训练大模型PLM抽取出的现实场景中的包含实体的个体信息以及实体与实体之间的关联信息的装配信息作为输入,并在步骤SS2所构建的目标工业装配领域知识图谱中查询并匹配相似信息;
SS4.2 预训练大模型分析
将步骤SS4.1的查询结果返回到预训练大模型PLM中,利用预训练大模型PLM的语言理解能力,对现实场景中的装配信息与目标工业装配领域知识图谱中的标准装配信息进行对比分析,发现现实场景中的装配过程与标准装配内容之间的相似性、差异性和潜在的问题,识别出现实场景中装配流程中的关键要素、步骤和参数,并与目标工业装配领域知识图谱中的标准装配内容进行匹配,判断现实场景中装配过程的质量和稳定性是否符合装配标准,是否存在与装配标准不符的情况,以及可能存在的质量问题和风险;
SS4.3 装配质量稳定性预测
基于步骤SS4.2对比分析的结果,运用预训练大模型PLM来进行现实场景装配质量稳定性的预测,具体为:
通过预训练大模型PLM对现实场景中的装配信息进行深入分析,探索各个实体之间的关系、属性以及其与装配质量之间的相互影响,识别出现实场景装配过程中的关键因素,如零部件的配合精度、工具的正确使用和装配顺序的合理性等,并进一步预测这些因素对装配结果的质量和稳定性产生的影响,并利用步骤SS2所构建的目标工业装配领域知识图谱中的经验和知识,对现实场景中的装配质量稳定性进行预测,通过对比现实场景装配情况与标准装配内容,预训练大模型识别出可能导致质量问题的因素,并推断其对装配结果的潜在影响。
本发明的第二个目的在于提供一种融合KG和PLM的装配质量稳定性预测系统,用以执行第一目的中融合KG和PLM的装配质量稳定性预测方法,至少包括一数据采集模块、一知识图谱构建模块、一信息提取模块以及一预测模块,其特征在于,
所述数据采集模块用以获取待质量稳定性预测的目标工业装配领域中与质量稳定性相关的各类文本数据;
所述图谱构建模块通过对所述数据采集模块所获取到的目标工业装配领域数据进行处理,并抽取其中包含实体关系的数据,得到由实体与实体关系组成的多个实体关系三元组,每个所述实体关系三元组中至少包括两个实体的个体信息和所述两个实体之间关联关系的信息,之后依据抽取结果构建目标工业装配领域的知识图谱KG;
所述信息提取模块利用预训练语言模型PLM对现实场景的装配流程信息进行解析和理解,通过该过程自动识别和提取装配流程信息中所包含的实体的个体信息,同时识别实体与实体之间的关联关系信息;
所述预测模块利用所述信息提取模块提取出的现实场景中实体的个体信息以及实体与实体之间的关联信息作为输入,通过目标装配领域知识图谱KG查询其中的相似信息,并将查询结果返回到预训练大模型PLM中,利用其语言理解能力,对现实场景与知识图谱中的标准装配内容进行对比分析,以揭示它们的相似性、差异性和潜在的关联,并基于对比分析的过程进行装配质量稳定性的预测。
本发明的第三个目的在于提供一种电子设备,至少包括一存储器和一处理器,其特征在于,
所述存储器用于非暂时性地存储计算机可读指令,而所述处理器用于运行所述计算机可读指令;
所述计算机可读指令被所述处理器运行时,执行上述的第一目的中融合KG和PLM的装配质量稳定性预测方法。
本发明的第四个目的在于提供一种非暂时性存储介质,用于存储计算机可读指令,其特征在于,所述计算机可读指令包括执行第一目的中所述方法的指令,当所述非暂时性存储介质中的计算机可读指令被计算机执行时,实现了第一目的中融合KG和PLM的装配质量稳定性预测方法。
优选地,该非暂时性存储介质可以是任何适用的介质,例如硬盘驱动器、固态驱动器、闪存存储器、光盘、或任何其他形式的存储器设备。其中,存储介质非暂时性地保留着计算机可读指令,以便在需要时被计算机访问和执行。通过该存储介质中存储的计算机可读指令,计算机能够按照第一目的中所述方法的步骤来执行相应的操作,实现融合知识图谱和预训练大模型的装配质量稳定性预测。
(三)技术效果
同现有技术相比,本发明的融合KG和PLM的装配质量稳定性预测方法、系统及介质,具有以下有益且显著的技术效果:
(1)本发明通过融合知识图谱(KG)和预训练大模型(PLM),提供一种方法来预测工业装配过程中的质量稳定性。通过分析和利用知识图谱中的相关领域知识,结合预训练大模型的学习能力,能够对装配过程中的质量进行预测,并提供有关质量稳定性的预测结果。这将有助于及早发现潜在的装配质量问题,并采取相应的措施来确保装配过程的稳定性和质量一致性。
(2)本发明通过融合KG和PLM两种技术,可以提高预测模型的智能性和自适应性,使其能够处理非线性、高维度、多模态等复杂数据,并能够自动学习和更新,从而提高工业装配质量稳定性预测的智能性和自适应性。
(3)本发明通过融合KG和PLM两种技术,可以降低预测模型的复杂度和成本,使其能够在云服务或边缘计算等平台上运行,并减少数据采集、处理、存储、传输等环节所需的资源消耗,从而降低工业装配质量稳定性预测的复杂度和成本。
附图说明
图1是本发明的融合KG和PLM的装配质量稳定性预测方法的流程图;
图2是本发明中构建目标工业装配领域知识图谱KG的说明示意图;
图3是本发明中采用的预训练大模型PLM的训练流程图。
具体实施方式
为了使本领域的人员更好地理解本发明的技术方案,下面结合本发明的附图,对本发明的技术方案进行清楚、完整的描述,基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它类同实施例,都应当属于本申请保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示,本实例提供了一种融合KG和PLM的装配质量稳定性预测方法,该方法在实施时至少包括以下步骤:
步骤S101:工业装配领域的数据获取
首先,确定待质量稳定性预测的目标工业装配领域;
其次,基于多种数据源采集并获取所述目标工业装配领域中与质量稳定性相关的各类文本数据。
步骤S102:通过对步骤S101获取到的目标工业装配领域数据进行处理,并抽取其中包含的实体关系等数据,得到由实体与实体关系组成的多个实体关系三元组,每个所述实体关系三元组中包括两个实体的个体信息和所述两个实体之间的关联关系信息。依据抽取并整理得到的多个实体关系三元组构建工业装配领域知识图谱KG;
步骤S103:利用预训练语言模型PLM对现实场景的装配流程信息进行解析和理解。通过该过程,可以自动识别和提取装配信息中所包含的实体,如零部件、工具、设备等,同时识别它们之间的关系和数据信息;
步骤S104:利用提取出的信息作为输入,通过装配领域知识图谱查询其中的相似信息。查询结果将返回到预训练大模型中,利用其语言理解能力,对现实场景与知识图谱中的标准装配内容进行对比分析,以揭示它们之间的相似性、差异性和潜在的关联。基于对比分析的过程,进行装配质量稳定性的预测。
本发明优选的实施例中,步骤S101的工业装配领域的数据获取,具体包括如下子步骤:
步骤S101-1:从目标工业装配领域的相关数据库、文献、论文等数据源中获取结构化数据和半结构化数据。结构化数据包括经过整理和组织的专业文档、技术资料,其中包含了装配过程中的最佳实践、标准规范和专业知识等。此外,半结构化数据涵盖了相关领域的研究成果、行业报告和实验数据等。通过访问和查询这些数据源,可以获取到丰富的领域知识和实践经验,为实体关系抽取提供有价值的信息基础;
步骤S101-2:收集传感器数据、设备状态、工作参数、运行日志、装配过程中的参数、质量指标和故障信息等非结构化数据。这些数据来源于各种装配设备和监测系统,对于文本格式的信息,通过扫描将这类非结构化数据转化为数字化的图片形式。再利用光学字符识别技术(OCR),对这些图片进行处理,将其转换成可编辑的文本内容。这样可以获得手册中的知识和信息,为后续的实体关系抽取提供重要的数据来源;
本发明优选的实施例中,如图2所示,所述步骤S102中通过对获取到的工业装配领域数据进行处理,并抽取其中包含的实体关系等数据,得到由实体与实体关系组成的多个三元组,每个所述三元组中包括两个实体和所述两个实体之间的关系。依据抽取结果构建工业装配领域知识图谱,具体包括:
步骤S102-1. 数据清洗和预处理:
包括去除乱码和非法字符、修复语法错误和逻辑不通畅的语句、清洗文本中的噪音和干扰信息以及标准化文本格式;
步骤S102-2. 句子定界和切分:
利用标点符号分析和依存语法分析,对清洗后的文本数据进行句子定界和切分。通过准确识别和定位句子定界标记(如句号、问号、感叹号等),将文本数据切分成具有语义连贯性和适度长度的独立句子,为后续实体关系抽取提供可靠的语境;
步骤S102-3. 实体关系的标注:
采用自动标注的方法,在切分后的句子中标注实体和关系。采用的标注方法是基于BIO(Begin, Inside, Outside)模式。以实体"螺栓"为例,将其划分为开头(B)和内部(I)部分,非实体部分标记为(O)。同时,使用关系标签对实体之间的关系进行标注,如"螺栓和螺母之间存在连接关系,在装配过程中需要紧固"标注了实体"螺栓"和"螺母"之间的关系为"连接;
步骤S102-4. 实体关系抽取:
基于自动标注的数据,采用实体关系抽取模型,从文本中提取出实体和实体之间的关系。该模型利用标注的信息,通过分析句子的语义和上下文,准确地捕捉实体之间的关联,并生成相应的实体关系三元组。例如,可以识别出"螺丝"作为一个实体,并将其与其他实体如"螺母"等抽取出来;
步骤S102-5. 构建知识图谱:
将抽取得到的实体和关系组合成多个三元组,构建知识图谱的结构。每个三元组由两个实体和它们之间的关系组成,形成一个节点和边的图结构。通过将多个三元组连接起来,建立实体之间的关联关系,并形成一个完整的知识图谱。
本发明优选的实施例中,所述步骤S103中利用预训练语言模型对用户提供的装配流程信息进行解析和理解。通过该过程,可以自动识别和提取装配信息中所包含的实体,如零部件、工具、设备等,同时识别它们之间的关系和数据信息,具体包括:
步骤S103-1:数据准备:收集现实场景中的装配流程内容作为输入。这些数据可以是以自然语言描述的方式记录的装配信息,也可以是文本形式的记录或其他形式的数据。这些数据可能包含有关装配过程、零部件、工具、设备以及其它相关信息;
步骤S103-2:预训练大模型应用:利用预训练语言模型,来处理输入的装配流程。预训练大模型经过大规模的语料库训练,具备自然语言处理能力。通过预训练大模型,识别和提取出装配流程中的各种实体,例如特定的零部件、工具或设备。同时,预训练大模型还可以揭示实体之间的关系和属性。
本发明中所使用的预训练大模型PLM是一种利用大规模的语料库进行无监督学习,从而获得语言的通用知识和表示能力的模型。预训练大模型PLM可以作为下游任务的基础模型,通过微调或适配的方式,提高下游任务的性能和效果。实施例中采用的预训练大模型PLM的训练流程如图3所示,其主要包括以下几个步骤:
第一步:数据准备。从多个数据源收集和整理大规模的文本数据,作为预训练语言模型的输入。数据准备的目的是为了提供丰富和多样的语言信息,增强预训练语言模型的泛化能力和适应性。
第二步:数据预处理。对收集到的文本数据进行清洗、分词、标注等操作,以便于预训练语言模型的处理和学习。数据预处理的目的是为了去除数据中的噪声和冗余信息,提高数据的质量和可用性。
第三步:模型构建。根据预训练语言模型的设计思路和目标,构建合适的模型结构和参数。模型构建的目的是为了实现预训练语言模型的功能和特点,如自注意力机制、多层编码器、掩码语言建模等。
第四步:模型训练。利用预处理后的文本数据,对预训练语言模型进行无监督学习,以优化模型参数和提高模型性能。其目的是为了使预训练语言模型能够捕捉和表达语言的通用知识和表示能力,如词汇、句法、语义等。
第五步:模型评估。利用评估指标和方法,对预训练语言模型进行测试和验证,以检验模型质量和效果。模型评估的目的是为了评估预训练语言模型在不同任务和领域上的适应性和泛化能力,如困惑度、准确率、召回率等。
本发明优选的实施例中,步骤S104中利用提取出的信息作为输入,通过装配领域知识图谱查询其中的相似信息。查询结果将返回到预训练大模型PLM中,利用其语言理解能力,对现实场景与知识图谱中的标准装配内容进行对比分析,以揭示它们之间的相似性、差异性和潜在的关联。基于对比分析的过程,进行装配质量稳定性的预测,具体包括如下子步骤:
步骤S104-1. 信息查询:
利用预训练大模型抽取出的现实场景中的装配信息作为输入,并将其用于查询装配领域知识图谱中的相似信息。通过这一查询过程,可以找到知识图谱中与现实场景装配信息相匹配的标准装配内容;
步骤S104-2. 预训练大模型分析:
将查询结果返回到预训练大模型中,利用其语言理解能力,对现实场景中的装配内容与知识图谱中的标准装配内容进行对比分析。这个对比分析的目的是发现现实场景中的装配过程与标准装配内容之间的相似性、差异性和潜在的问题。该过程可以识别出现实场景中的装配流程中的关键要素、步骤和参数,并与知识图谱中的标准装配内容进行匹配。判断现实场景中装配过程的质量和稳定性是否符合标准,是否存在与标准不符的情况,以及可能存在的质量问题和风险;
步骤S104-3. 装配质量稳定性预测:
基于对比分析的结果,运用预训练大模型来进行装配质量的预测。预训练大模型通过对现实场景中的装配信息进行深入分析,探索各个实体之间的关系和属性,以及它们与装配质量之间的相互影响。模型能够识别出装配过程中的关键因素,如零部件的配合精度、工具的正确使用和装配顺序的合理性等,并进一步预测这些因素对装配结果的质量和稳定性产生的影响。
并且利用已有知识图谱中的丰富经验和知识,对现实场景中的装配质量稳定性进行准确的预测。通过对比现实装配情况与标准装配内容,预训练大模型可以识别出可能导致质量问题的因素,并推断它们对装配结果的潜在影响。
本发明的融合KG和PLM的装配质量稳定性预测方法,其工作原理为:
该方法可以有效地利用目标工业装配领域的各类数据,包括文本数据、传感器数据等,构建目标工业装配领域的知识图谱,从而提供丰富和结构化的装配知识和经验;本发明利用预训练大模型PLM的语义理解和信息抽取能力,对现实场景的装配流程信息进行解析和理解,提取出装配过程中的实体信息和关系信息,并在知识图谱中查询相似信息,从而实现现实场景与知识图谱中的标准装配内容的对比分析;本发明利用预训练大模型PLM的语言理解能力,对现实场景与知识图谱中的标准装配内容进行对比分析,以揭示二者之间的相似性、差异性和潜在的关联,并基于该对比分析过程进行现实场景的装配质量稳定性的预测,从而提高预测的准确性、实时性和可靠性;本发明通过融合KG和PLM两种技术,可以充分利用目标工业装配领域的数据和知识,提高预测模型的智能性和自适应性,同时也可以降低预测模型的复杂度和成本。
实施例2
本实例提供了一种融合KG和PLM的装配质量稳定性预测系统,用于执行实施例1的融合KG和PLM的装配质量稳定性预测方法,包括:数据采集模块、知识图谱构建模块、信息提取模块以及预测模块,其中:
所述数据采集模块:获取工业装配领域的数据,包括传感器数据、设备状态、工作参数、运行日志、装配过程中的参数、质量指标、故障信息等,通过结构化数据如专业文档和技术资料,以及半结构化数据如研究成果和行业报告,获取装配过程的最佳实践、标准规范和专业知识。同时,从非结构化数据如传感器数据、设备状态和工作参数中收集信息,并利用光学字符识别技术将其转化为可编辑的文本内容;
所述图谱构建模块:通过对获取到的工业装配领域数据进行处理,对处理过后的数据进行标注,并抽取其中包含的实体关系等数据,得到由实体与实体关系组成的多个三元组,每个所述三元组中包括两个实体和所述两个实体之间的关系。依据抽取结果构建工业装配领域知识图谱;
所述信息提取模块:利用预训练语言模型对用户提供的装配流程进行解析和理解。通过该过程,可以自动识别和提取装配信息中所包含的实体,如零部件、工具、设备等,同时识别它们之间的关系和数据信息;
所述预测模块:利用提取出的信息作为输入,通过装配领域知识图谱查询其中的相似信息。查询结果将返回到预训练大模型中,利用其语言理解能力,对现实场景与知识图谱中的标准装配内容对比分析,以揭示它们之间的相似性、差异性和潜在的关联。基于对比分析过程,进行装配质量稳定性的预测。
实施例3
本实例提供了一种电子设备,该设备包括存储器和处理器。存储器中存储有可在处理器上运行的程序或指令。当处理器执行这些程序或指令时,能够实现第一实施例中的任一项融合KG和PLM的装配质量稳定性预测方法的步骤。因此,该电子设备具有上述第一方面实施例中所描述的技术效果。
实施例4
本实例提供了一种可读存储介质,该存储介质上存储有程序或指令。当处理器执行这些程序或指令时,能够实现第一方面实施例中的任一项融合KG和PLM的装配质量稳定性预测方法的步骤。因此,该可读存储介质具有上述第一实施例中所描述的技术效果。
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
通过上述实施例,完全有效地实现了本发明的目的。该领域的技术人员可以理解本发明包括但不限于附图和以上具体实施方式中描述的内容。虽然本发明已就目前认为最为实用且优选的实施例进行说明,但应知道,本发明并不限于所公开的实施例,任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (13)
1.一种融合KG和PLM的装配质量稳定性预测方法,其特征在于,所述方法在实施时至少包括如下步骤:
SS1. 目标工业装配领域数据采集
首先,确定待质量稳定性预测的目标工业装配领域;
其次,基于多种数据源采集并获取所述目标工业装配领域中与质量稳定性相关的各类文本数据;
SS2. 目标工业装配领域知识图谱KG构建
通过对步骤SS1采集获取的目标工业装配领域的各类文本数据进行加工处理,并抽取其中包含实体关联关系的数据,整理得到多个由实体的个体信息及实体间关联关系组成的实体关系三元组,每个所述实体关系三元组中至少包括两个实体的个体信息和所述两个实体之间关联关系的信息,依据抽取并整理得到的多个实体关系三元组构建目标工业装配领域的知识图谱KG;
SS3. 装配信息提取
利用预训练大模型PLM的语义理解和信息抽取能力,对现实场景的装配流程信息进行解析和理解,通过该过程自动识别和提取装配流程信息中所包含的实体的个体信息,同时识别实体与实体之间的关联关系信息;
SS4. 通过预训练大模型PLM进行装配质量稳定性的预测
利用步骤SS3提取出的实体的个体信息以及实体与实体之间的关联信息作为输入,在步骤SS2所构建的目标工业装配领域知识图谱中查询相似信息,并将查询结果返回到预训练大模型PLM中,利用预训练大模型PLM的语言理解能力,对现实场景与知识图谱中的标准装配内容进行对比分析,以揭示二者之间的相似性、差异性和潜在的关联,并基于该对比分析过程进行现实场景的装配质量稳定性的预测。
2.根据权利要求1所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述步骤SS1中,采集并获取与质量稳定性相关的各类文本数据,包括从目标工业装配领域相关的专利文献数据库、论文或图书文献数据库、和/或专业技术数据库中获取的包含装配实践中的最佳实践、标准规范和/或专业知识的结构化数据、半结构化数据和/或非结构化数据。
3.根据权利要求2所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述步骤SS1中,采集并获取与质量稳定性相关的各类文本数据,还包括收集在装配实践过程中包含相关机器设备的传感器数据、设备状态信息、工作参数信息、运行日志信息、装配参数信息、质量指标信息和/或故障信息的结构化数据、半结构化数据和/或非结构化数据。
4.根据权利要求1所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述步骤SS1中,对于采集获取的包含文本格式信息的各类非电子化数据,首先通过扫描将这类非电子化数据转化为数字化的图片形式,之后利用光学字符识别技术(OCR)对这些图片进行信息处理,将其转换成可编辑的文本内容。
5.根据权利要求1所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述步骤SS2中,构建目标工业装配领域知识图谱KG至少包括如下子步骤:
SS2.1 文本数据清洗和预处理
对步骤SS1采集的目标工业装配领域的各类文本数据进行清洗和预处理,至少包括去除文本数据中的乱码和非法字符、修复文本数据中的语法错误和逻辑不通畅的语句、清洗文本数据中的噪音和干扰信息以及标准化文本格式;
SS2.2 句子定界和切分
利用标点符号分析和依存语法分析,对子步骤SS2.1完成清洗和预处理后的文本数据进行句子定界和切分;
SS2.3 实体关系的标注
采用实体关系自动标注的方法,对子步骤SS2.2完成句子定界和切分后的句子逐一标注其中实体的个体信息,并通过分析句子的语义和上下文信息捕捉并标注实体之间的关联关系信息;
SS2.4 实体关系抽取
基于子步骤SS2.3完成实体关系自动标注的文本数据,采用实体关系抽取模型,从文本数据中提取出实体的个体信息和实体之间的关联关系信息;
SS2.5 构建知识图谱
将子步骤SS2.4中抽取得到的实体的个体信息和实体之间的关联关系组合成多个实体关系三元组,构建目标工业装配领域的知识图谱KG。
6.根据权利要求5所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述子步骤SS2.3中,所采用的实体关系自动标注方法是基于BIO(Begin, Inside, Outside)模式。
7.根据权利要求5所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述子步骤SS2.5中,每个所述实体关系三元组由两个实体的个体信息和它们之间的关联关系组成,由此形成一个包含节点和边的图结构,并通过将多个所述实体关系三元组连接起来,建立实体之间的关联关系,并形成一个完整的目标工业装配领域的知识图谱KG。
8.根据权利要求1所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述步骤SS3中,现实场景装配信息提取至少包括如下子步骤:
SS3.1 数据准备
收集现实场景中的装配流程信息并将其作为所述预训练大模型PLM的输入,所述装配流程信息为以自然语言描述的方式记录的装配信息数据、文本形式的记录或其他形式的数据;
SS3.2 预训练大模型PLM的应用
利用预训练大模型PLM来处理输入的现实场景装配流程数据,所述预训练大模型PLM经过大规模的语料库训练并具备自然语言处理能力,通过所述预训练大模型PLM来识别和提取出装配流程信息中的各种实体的个体信息,同时识别和提取出实体与实体之间的关联关系信息。
9.根据权利要求1所述的融合KG和PLM的装配质量稳定性预测方法,其特征在于,上述步骤SS4中,所述通过预训练大模型进行装配质量稳定性的预测,至少包括如下子步骤:
SS4.1 信息查询
利用预训练大模型PLM抽取出的现实场景中的包含实体的个体信息以及实体与实体之间的关联信息的装配信息作为输入,并在步骤SS2所构建的目标工业装配领域知识图谱中查询并匹配相似信息;
SS4.2 预训练大模型分析
将步骤SS4.1的查询结果返回到预训练大模型PLM中,利用预训练大模型PLM的语言理解能力,对现实场景中的装配信息与目标工业装配领域知识图谱中的标准装配信息进行对比分析,发现现实场景中的装配过程与标准装配内容之间的相似性、差异性和潜在的问题,识别出现实场景中装配流程中的关键要素、步骤和参数,并与目标工业装配领域知识图谱中的标准装配内容进行匹配,判断现实场景中装配过程的质量和稳定性是否符合装配标准,是否存在与装配标准不符的情况,以及可能存在的质量问题和风险;
SS4.3 装配质量稳定性预测
基于步骤SS4.2对比分析的结果,运用预训练大模型PLM来进行现实场景装配质量稳定性的预测,具体为:
通过预训练大模型PLM对现实场景中的装配信息进行深入分析,探索各个实体之间的关系、属性以及其与装配质量之间的相互影响,识别出现实场景装配过程中的关键因素,并进一步预测这些因素对装配结果的质量和稳定性产生的影响,并利用步骤SS2所构建的目标工业装配领域知识图谱中的经验和知识,对现实场景中的装配质量稳定性进行预测,通过对比现实场景装配情况与标准装配内容,预训练大模型识别出可能导致质量问题的因素,并推断其对装配结果的潜在影响。
10.一种融合KG和PLM的装配质量稳定性预测系统,用于执行上述权利要求1~9任一项所述的融合KG和PLM的装配质量稳定性预测方法,至少包括一数据采集模块、一知识图谱构建模块、一信息提取模块以及一预测模块,其特征在于,
所述数据采集模块用以获取待质量稳定性预测的目标工业装配领域中与质量稳定性相关的各类文本数据;
所述图谱构建模块通过对所述数据采集模块所获取到的目标工业装配领域数据进行处理,并抽取其中包含实体关系的数据,得到由实体与实体关系组成的多个实体关系三元组,每个所述实体关系三元组中至少包括两个实体的个体信息和所述两个实体之间关联关系的信息,之后依据抽取结果构建目标工业装配领域的知识图谱KG;
所述信息提取模块利用预训练语言模型PLM对现实场景的装配流程信息进行解析和理解,通过该过程自动识别和提取装配流程信息中所包含的实体的个体信息,同时识别实体与实体之间的关联关系信息;
所述预测模块利用所述信息提取模块提取出的现实场景中实体的个体信息以及实体与实体之间的关联信息作为输入,通过目标装配领域知识图谱KG查询其中的相似信息,并将查询结果返回到预训练大模型PLM中,利用其语言理解能力,对现实场景与知识图谱中的标准装配内容进行对比分析,以揭示它们的相似性、差异性和潜在的关联,并基于对比分析的过程进行装配质量稳定性的预测。
11.一种电子设备,至少包括一存储器和一处理器,其特征在于,
所述存储器用于非暂时性地存储计算机可读指令,而所述处理器用于运行所述计算机可读指令;
所述计算机可读指令被所述处理器运行时,执行上述权利要求1~9任一项所述的融合KG和PLM的装配质量稳定性预测方法。
12.一种非暂时性存储介质,用于存储计算机可读指令,其特征在于,所述计算机可读指令包括执行上述权利要求1~9任一项所述的融合KG和PLM的装配质量稳定性预测方法的指令,当所述非暂时性存储介质中的计算机可读指令被计算机执行时,实现了上述权利要求1~9任一项所述的融合KG和PLM的装配质量稳定性预测方法。
13.根据权利要求12所述的非暂时性存储介质,其特征在于,所述非暂时性存储介质为硬盘驱动器、固态驱动器、闪存存储器、光盘或任何其他形式的存储器设备,所述存储介质非暂时性地保留着计算机可读指令,以便在需要时被计算机访问和执行;通过所述存储介质中存储的计算机可读指令,计算机能够按照上述权利要求1~9任一项所述的融合KG和PLM的装配质量稳定性预测方法的步骤来执行相应的操作,实现融合知识图谱和预训练大模型的装配质量稳定性预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956756.2A CN116720786B (zh) | 2023-08-01 | 2023-08-01 | 一种融合kg和plm的装配质量稳定性预测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956756.2A CN116720786B (zh) | 2023-08-01 | 2023-08-01 | 一种融合kg和plm的装配质量稳定性预测方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116720786A true CN116720786A (zh) | 2023-09-08 |
CN116720786B CN116720786B (zh) | 2023-10-03 |
Family
ID=87866344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310956756.2A Active CN116720786B (zh) | 2023-08-01 | 2023-08-01 | 一种融合kg和plm的装配质量稳定性预测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720786B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100333A (zh) * | 2020-09-17 | 2020-12-18 | 上海银行股份有限公司 | 基于深度学习与知识图谱融合的在线推荐系统 |
CN112528036A (zh) * | 2020-11-30 | 2021-03-19 | 大连理工大学 | 一种面向证据关联分析的知识图谱自动构建方法 |
CN112883196A (zh) * | 2021-02-01 | 2021-06-01 | 上海交通大学 | 基于知识图谱的案件分配方法、系统、介质及电子设备 |
CN114780694A (zh) * | 2022-03-28 | 2022-07-22 | 北京智谱华章科技有限公司 | 基于预训练语言模型的零微调拟人会话生成方法及设备 |
CN114911951A (zh) * | 2022-05-18 | 2022-08-16 | 西安理工大学 | 面向人机协作装配任务的知识图谱构建方法 |
CN114936287A (zh) * | 2022-01-30 | 2022-08-23 | 阿里云计算有限公司 | 预训练语言模型的知识注入方法和相应的交互系统 |
CN115630172A (zh) * | 2022-12-23 | 2023-01-20 | 中国航空油料集团有限公司 | 针对流程行业的数字主线构建方法及系统 |
CN115688753A (zh) * | 2022-09-30 | 2023-02-03 | 阿里巴巴(中国)有限公司 | 中文预训练语言模型的知识注入方法和交互系统 |
CN115840812A (zh) * | 2023-01-03 | 2023-03-24 | 园宝科技(武汉)有限公司 | 一种根据政策文本智能匹配企业的方法及系统 |
WO2023078104A1 (zh) * | 2021-11-05 | 2023-05-11 | 中兴通讯股份有限公司 | 知识图谱构建方法、平台及计算机存储介质 |
CN116450867A (zh) * | 2023-06-15 | 2023-07-18 | 北京枫清科技有限公司 | 一种基于对比学习和大语言模型的图数据语义搜索方法 |
CN116450839A (zh) * | 2023-03-20 | 2023-07-18 | 阿里巴巴(中国)有限公司 | 知识增强预训练语言模型知识注入和训练方法及系统 |
-
2023
- 2023-08-01 CN CN202310956756.2A patent/CN116720786B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100333A (zh) * | 2020-09-17 | 2020-12-18 | 上海银行股份有限公司 | 基于深度学习与知识图谱融合的在线推荐系统 |
CN112528036A (zh) * | 2020-11-30 | 2021-03-19 | 大连理工大学 | 一种面向证据关联分析的知识图谱自动构建方法 |
CN112883196A (zh) * | 2021-02-01 | 2021-06-01 | 上海交通大学 | 基于知识图谱的案件分配方法、系统、介质及电子设备 |
WO2023078104A1 (zh) * | 2021-11-05 | 2023-05-11 | 中兴通讯股份有限公司 | 知识图谱构建方法、平台及计算机存储介质 |
CN114936287A (zh) * | 2022-01-30 | 2022-08-23 | 阿里云计算有限公司 | 预训练语言模型的知识注入方法和相应的交互系统 |
CN114780694A (zh) * | 2022-03-28 | 2022-07-22 | 北京智谱华章科技有限公司 | 基于预训练语言模型的零微调拟人会话生成方法及设备 |
CN114911951A (zh) * | 2022-05-18 | 2022-08-16 | 西安理工大学 | 面向人机协作装配任务的知识图谱构建方法 |
CN115688753A (zh) * | 2022-09-30 | 2023-02-03 | 阿里巴巴(中国)有限公司 | 中文预训练语言模型的知识注入方法和交互系统 |
CN115630172A (zh) * | 2022-12-23 | 2023-01-20 | 中国航空油料集团有限公司 | 针对流程行业的数字主线构建方法及系统 |
CN115840812A (zh) * | 2023-01-03 | 2023-03-24 | 园宝科技(武汉)有限公司 | 一种根据政策文本智能匹配企业的方法及系统 |
CN116450839A (zh) * | 2023-03-20 | 2023-07-18 | 阿里巴巴(中国)有限公司 | 知识增强预训练语言模型知识注入和训练方法及系统 |
CN116450867A (zh) * | 2023-06-15 | 2023-07-18 | 北京枫清科技有限公司 | 一种基于对比学习和大语言模型的图数据语义搜索方法 |
Non-Patent Citations (1)
Title |
---|
杜宝瑞 等: "面向装配质量的铸型装配检具设计原理", 机械工程师, no. 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN116720786B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889556B (zh) | 一种企业经营风险特征数据信息提取方法和提取系统 | |
CN112214610A (zh) | 一种基于跨度和知识增强的实体关系联合抽取方法 | |
CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
CN113138920B (zh) | 基于知识图谱与语义角色标注的软件缺陷报告分派方法及装置 | |
CN117520561A (zh) | 直升机装配领域知识图谱构建的实体关系抽取方法及系统 | |
CN113590396A (zh) | 一次设备的缺陷诊断方法、系统、电子设备及存储介质 | |
CN115292518A (zh) | 基于知识型信息抽取的配电网故障处理方法及系统 | |
CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
CN117648093A (zh) | 基于大模型和自定制需求模板的rpa流程自动化生成方法 | |
Kaur et al. | A review of artificial intelligence techniques for requirement engineering | |
CN114265931A (zh) | 基于大数据文本挖掘的消费者政策感知分析方法及系统 | |
WO2022054079A1 (en) | System for contextual and positional parameterized record building | |
TWI793432B (zh) | 工程專案文件管理方法與系統 | |
CN111723021B (zh) | 一种基于知识库和表示学习的缺陷报告自动分派方法 | |
CN117852541A (zh) | 一种实体关系三元组抽取方法、系统及计算机设备 | |
CN116720786B (zh) | 一种融合kg和plm的装配质量稳定性预测方法、系统及介质 | |
CN111898371A (zh) | 设计理性知识的本体构建方法、装置及计算机存储介质 | |
Zhao et al. | Recognition results classification and post-processing methods for painted characters on billet surface | |
KR20230063742A (ko) | 계층적 cnn을 이용한 스마트 팩토리에서의 제품 불량 탐지 방법 및 이를 기록한 기록매체 | |
CN117056209B (zh) | 软件缺陷预测模型、解释方法以及量化评估方法 | |
CN111898370B (zh) | 设计理性知识的获取方法、装置及计算机存储介质 | |
CN118132738B (zh) | 针对桥梁检评文本的抽取式问答方法 | |
CN111898372B (zh) | 识别设计理性的方法、装置及计算机存储介质 | |
Wang et al. | Using graph embedding to improve requirements traceability recovery | |
CN118396606A (zh) | 一种基于多模态大模型的制造业产品生产优化方法 |
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 |