CN116823193B - 基于大数据的智能制造流程管理系统 - Google Patents
基于大数据的智能制造流程管理系统 Download PDFInfo
- Publication number
- CN116823193B CN116823193B CN202311114367.1A CN202311114367A CN116823193B CN 116823193 B CN116823193 B CN 116823193B CN 202311114367 A CN202311114367 A CN 202311114367A CN 116823193 B CN116823193 B CN 116823193B
- Authority
- CN
- China
- Prior art keywords
- semantic
- improved
- improvement scheme
- feature vector
- alternative
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 127
- 230000006872 improvement Effects 0.000 claims abstract description 179
- 230000003993 interaction Effects 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 105
- 238000000034 method Methods 0.000 claims description 103
- 238000007726 management method Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 22
- 238000011161 development Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000018109 developmental process Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于大数据的智能制造流程管理系统,其通过基于人工智能的语义理解技术来对于智能制造流程中待改进的流程步骤和备选改进方案进行语义理解和语义特征交互,以此来计算出该备选改进方案的适合匹配度,并基于适合匹配度的比较来判断是否需要发送给管理人员,从而帮助企业管理人员及时了解最新的技术发展信息,为企业管理人员提供决策支持和参考,以便及时进行生产设备的更新换代和技术升级,保持企业的竞争力和创新能力。
Description
技术领域
本申请涉及智能化制造技术领域,并且更具体地,涉及一种基于大数据的智能制造流程管理系统。
背景技术
随着生产制造技术的快速发展,越来越多的生产制造企业采用智能化生产技术,以提高生产的自动化和智能化水平,从而提升企业的生产效率。然而,这种快速技术发展也带来了新的挑战,特别是在生产设备的更新换代和生产制造流程的管理方面。
在现实情况中,企业管理人员可能会遇到以下问题:他们可能发现一种高效的生产设备,但并未全面考虑本企业的实际生产流程,导致更换的设备未能达到预期目标,反而增加了企业的成本。另外,由于管理人员无法及时了解到最新的技术发展信息,企业可能无法及时进行生产设备的更新换代,从而无法实现相应的生产效率提升。
因此,期望一种优化的基于大数据的智能制造流程管理系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于大数据的智能制造流程管理系统,其通过基于人工智能的语义理解技术来对于智能制造流程中待改进的流程步骤和备选改进方案进行语义理解和语义特征交互,以此来计算出该备选改进方案的适合匹配度,并基于适合匹配度的比较来判断是否需要发送给管理人员,从而帮助企业管理人员及时了解最新的技术发展信息,为企业管理人员提供决策支持和参考,以便及时进行生产设备的更新换代和技术升级,保持企业的竞争力和创新能力。
第一方面,提供了一种基于大数据的智能制造流程管理系统,其包括:
流程步骤标记模块,用于标记智能制造流程中待改进的流程步骤;
方案模块,用于设置所述待改进的流程步骤的改进方案,获取所述待改进的流程步骤信息,基于所述流程步骤信息设置对应的检索式,基于所述检索式进行检索以得到备选改进方案,并对所述备选改进方案进行适应性计算以得到适合值,将所述适合值大于阈值X3对应的备选改进方案标记为目标改进方案,并将所述目标改进方案推荐给对应的管理人员;所述方案模块,包括:备选改进方案检索单元,用于基于检索得到与所述待改进的流程步骤匹配的第一备选改进方案;流程步骤-备选方案语义交互关联单元,用于对所述流程步骤和所述第一备选改进方案进行语义特征交互关联编码以得到待改进流程步骤-备选改进方案交互语义特征;备选改进方案推荐单元,用于基于所述待改进流程步骤-备选改进方案交互语义特征,确定是否将所述第一备选改进方案推荐给对应的管理人员。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于大数据的智能制造流程管理系统的框图。
图2为根据本申请实施例的基于大数据的智能制造流程管理方法的流程图。
图3为根据本申请实施例的基于大数据的智能制造流程管理方法架构的示意图。
图4为根据本申请实施例的基于大数据的智能制造流程管理系统的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
智能化生产技术是指利用先进的信息技术和自动化技术,将传统的生产制造过程转变为智能化、自动化和数字化的生产方式,这些技术包括人工智能、物联网、大数据分析、机器学习、机器视觉、自动控制等。
智能化生产技术包括:
人工智能(Artificial Intelligence,AI):人工智能技术利用机器学习和深度学习算法,使机器能够模拟和执行人类智能任务。在生产制造领域,人工智能可以用于预测维护、质量控制、生产优化、智能调度等方面,提高生产效率和质量。
物联网(Internet of Things,IoT):物联网技术通过将传感器和设备连接到互联网,实现设备之间的数据交互和通信。在智能化生产中,物联网可以实现设备的远程监控、数据采集和分析,提高生产过程的可视化和自动化程度。
大数据分析(Big Data Analytics):大数据分析技术利用强大的计算能力和算法,对大规模的数据进行处理和分析,发现数据中的模式和趋势。在智能化生产中,大数据分析可以帮助企业管理人员了解生产过程中的关键指标和问题,提供决策支持和优化方案。
机器学习(Machine Learning):机器学习是人工智能的一个分支,通过让机器从数据中学习和改进,实现自主决策和预测能力。在生产制造中,机器学习可以应用于预测维护、质量控制、生产优化等方面,提高生产效率和准确性。
机器视觉(Machine Vision):机器视觉技术利用摄像头和图像处理算法,使机器能够感知和理解视觉信息。在智能化生产中,机器视觉可以用于产品质量检测、物体识别和定位、自动导航等方面,提高生产过程的准确性和效率。
自动控制(Automation):自动控制技术利用传感器、执行器和控制算法,实现对生产过程的自动调节和控制。在智能化生产中,自动控制可以实现设备的自动化操作、生产线的自动调度和优化,提高生产效率和灵活性。
随着生产制造技术的快速发展,越来越多的生产制造企业采用智能化生产技术,以提高生产的自动化和智能化水平,从而提升企业的生产效率。然而,随着生产制造技术的快速发展,生产设备的更新换代和生产制造流程的管理面临一些挑战。
新的生产设备和制造技术不断涌现,更新速度快,企业需要及时了解和掌握最新的技术发展动态,然而,管理人员可能无法及时获取到最新的技术信息,导致错过了适用于企业的新技术和设备。即使企业采购了先进的生产设备,但如果没有充分考虑企业的实际生产流程和需求,可能导致新设备未能发挥预期的效益,技术适配问题包括设备与现有设备的兼容性、设备与生产流程的匹配度等。更新换代生产设备和改进生产流程需要投入大量的资金和资源,企业需要综合考虑投资回报率、成本效益和长期竞争力等因素,以确定是否进行设备更新和流程改进。新的生产设备和智能化技术可能需要新的技能和知识,而现有的员工可能需要进行培训和转型,这需要企业提供培训计划和支持,以确保员工能够适应新的生产设备和工作方式。智能化生产过程产生大量的数据,包括生产参数、设备状态、质量指标等,企业需要有效管理和分析这些数据,同时确保数据的安全和隐私。当企业发现一种高效的生产设备,但未全面考虑本企业的实际生产流程时,可能会导致设备更换未能达到预期目标,反而增加了企业的成本。这种情况可能出现在以下几个方面:
不匹配的生产流程,新设备可能在某些方面具有高效能力,但如果它与企业现有的生产流程不匹配,就无法发挥其潜力。例如,新设备可能需要与其他设备进行协作,但现有设备无法与之兼容,导致生产流程中断或效率降低。
不适应的产能,新设备可能在理论上具有高产能,但如果企业的实际需求无法充分利用该产能,就会造成资源浪费和成本增加。例如,新设备的产能可能超过了企业的市场需求,导致生产过剩和库存积压。
缺乏培训和支持,新设备可能需要员工具备新的技能和知识,但如果企业没有提供充分的培训和支持,员工可能无法正确操作和维护设备,从而影响设备的效率和寿命。另外,由于管理人员无法及时了解到最新的技术发展信息,企业可能无法及时进行生产设备的更新换代,从而无法实现相应的生产效率提升。
解决这些挑战的关键是建立一个有效的生产设备更新换代和制造流程管理系统,该系统应该能够提供及时的技术信息、支持技术适配、进行成本和投资分析、提供培训支持,并确保数据的管理和安全。
因此,在本申请中,提供一种优化的基于大数据的智能制造流程管理系统。
在本申请的一个实施例中,图1为根据本申请实施例的基于大数据的智能制造流程管理系统的框图。如图1所示,根据本申请实施例的基于大数据的智能制造流程管理系统100,包括:流程步骤标记模块110,用于标记智能制造流程中待改进的流程步骤;方案模块120,用于设置所述待改进的流程步骤的改进方案,获取所述待改进的流程步骤信息,基于所述流程步骤信息设置对应的检索式,基于所述检索式进行检索以得到备选改进方案,并对所述备选改进方案进行适应性计算以得到适合值,将所述适合值大于阈值X3对应的备选改进方案标记为目标改进方案,并将所述目标改进方案推荐给对应的管理人员;所述方案模块120,包括:备选改进方案检索单元121,用于基于检索得到与所述待改进的流程步骤匹配的第一备选改进方案;流程步骤-备选方案语义交互关联单元122,用于对所述流程步骤和所述第一备选改进方案进行语义特征交互关联编码以得到待改进流程步骤-备选改进方案交互语义特征;备选改进方案推荐单元123,用于基于所述待改进流程步骤-备选改进方案交互语义特征,确定是否将所述第一备选改进方案推荐给对应的管理人员。
在所述流程步骤标记模块110中,准确标记智能制造流程中待改进的流程步骤,在标记过程中,确保对待改进的流程步骤进行准确的识别和定位,以便后续的改进方案设置和推荐。通过标记待改进的流程步骤,管理人员可以清晰地了解到哪些步骤需要优化和改进,从而有针对性地进行后续的改进工作,有助于提高生产效率、降低成本,并优化整个生产制造流程。
在所述方案模块120中,设置待改进的流程步骤的改进方案,并进行相关的信息获取和计算。在设置改进方案时,综合考虑流程步骤的特点、需求和限制条件,以确保所提出的方案能够有效地改进流程步骤的效率和质量。通过设置改进方案,可以为待改进的流程步骤提供具体的改进措施和方向,有助于优化流程步骤的执行方式、减少资源浪费、提高产品质量,并提升整体生产效率。
流程步骤标记模块和方案模块的配合使用可以实现智能制造流程的改进和优化,标记模块帮助识别待改进的流程步骤,而方案模块则提供了针对这些步骤的具体改进方案,这些模块的有效运用可以提高生产效率、降低成本,并推动企业在智能制造领域的竞争力。
针对上述技术问题,本申请的技术构思为通过基于人工智能的语义理解技术来对于智能制造流程中待改进的流程步骤和备选改进方案进行语义理解和语义特征交互,以此来计算出该备选改进方案的适合匹配度,并基于适合匹配度的比较来判断是否需要发送给管理人员,从而帮助企业管理人员及时了解最新的技术发展信息,为企业管理人员提供决策支持和参考,以便及时进行生产设备的更新换代和技术升级,保持企业的竞争力和创新能力。
具体地,在本申请的技术方案中,首先,标记智能制造流程中待改进的流程步骤。通过标记待改进的流程步骤,可以帮助管理人员确定改进的优先级,不同的流程步骤可能存在不同程度的问题和影响,标记可以帮助识别哪些步骤对整体流程的效率和质量影响最大,从而确定改进的优先级。标记待改进的流程步骤可以帮助管理人员明确改进的需求,通过对待改进步骤的标记,可以清楚地了解到该步骤存在的问题和不足之处,为后续的改进方案提供明确的目标和方向。标记待改进的流程步骤后,可以基于这些标记信息设置检索式,用于筛选出备选的改进方案,这些备选方案可以根据标记的流程步骤信息进行匹配和筛选,以提供与待改进步骤相适应的改进方案。在筛选出备选改进方案后,可以对这些备选方案进行适应性计算,评估其适合值,如果某个备选方案的适合值大于预设的阈值,即表明该方案较符合改进目标,可以将其标记为目标改进方案,并推荐给对应的管理人员。
标记待改进的流程步骤可以帮助管理人员在众多备选改进方案中确定最合适的方案,并将其推荐给对应的管理人员。这有助于提高决策的准确性和效率,以及推动改进方案的实施和落地。
所述方案模块120,包括:备选改进方案检索单元121,用于基于检索得到与所述待改进的流程步骤匹配的第一备选改进方案;流程步骤-备选方案语义交互关联单元122,用于对所述流程步骤和所述第一备选改进方案进行语义特征交互关联编码以得到待改进流程步骤-备选改进方案交互语义特征;备选改进方案推荐单元123,用于基于所述待改进流程步骤-备选改进方案交互语义特征,确定是否将所述第一备选改进方案推荐给对应的管理人员。
首先,基于检索式得到与待改进的流程步骤匹配的第一备选改进方案,在检索过程中,确保检索式能够准确匹配到与待改进步骤相关的备选方案,以提供合适的改进选择。通过备选改进方案的检索,可以快速获取与待改进步骤相关的备选方案。这有助于提供改进方案的多样性和全面性,为后续的方案选择和推荐提供基础。
然后,对流程步骤和第一备选改进方案进行语义特征交互关联编码,以得到待改进流程步骤-备选改进方案的交互语义特征。在编码过程中,考虑流程步骤和备选方案之间的语义关联,以捕捉它们之间的重要特征。通过语义特征的交互关联编码,可以将流程步骤和备选改进方案的关联性转化为数值特征。这有助于量化和衡量不同方案与待改进步骤之间的匹配程度,为后续的推荐决策提供依据。
接着,基于待改进流程步骤-备选改进方案的交互语义特征,确定是否将第一备选改进方案推荐给对应的管理人员。在推荐过程中,根据交互特征进行评估和决策,以确定是否推荐该方案。通过备选方案的推荐,可以将最合适的改进方案提供给对应的管理人员。这有助于减少决策的主观性和随意性,提高改进方案的可行性和成功率。
综合利用备选改进方案检索单元、流程步骤-备选方案语义交互关联单元和备选改进方案推荐单元,可以实现智能制造流程中对改进方案的筛选和推荐,这些单元的协同作用有助于提高改进方案的准确性和适应性,从而推动智能制造流程的持续优化和提升。
在本申请的一个实施例中,所述流程步骤-备选方案语义交互关联单元122,包括:流程步骤语义理解子单元,用于对所述流程步骤进行语义编码以得到待改进流程步骤语义编码特征向量;备选改进方案语义理解子单元,用于对所述第一备选改进方案进行语义编码以得到第一备选改进方案语义编码特征向量;语义交互子单元,用于将所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量进行语义关联交互编码以得到所述待改进流程步骤-备选改进方案交互语义特征。
基于检索得到与所述待改进的流程步骤匹配的第一备选改进方案,然后,为了能够对于所述待改进的流程步骤和所述第一备选改进方案进行语义理解,以此来进行两者语义特征的匹配交互,从而实现对于所述第一备选方案的适合值评估,在本申请的技术方案中,需要进一步对所述流程步骤进行语义编码以得到待改进流程步骤语义编码特征向量,并对所述第一备选改进方案进行语义编码以得到第一备选改进方案语义编码特征向量。
特别地,在本申请的一个具体示例中,可以分别将所述流程步骤和所述第一备选改进方案进行分词处理后通过包含嵌入层的上下文语义编码器以得到所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量。这样,能够分别提取出所述待改进的流程步骤的语义理解特征信息和所述第一备选改进方案的语义理解特征信息,以便于后续进行两者语义的交互关联。也就是说,通过将所述待改进的流程步骤和所述第一备选改进方案转化为语义编码特征向量,并在语义特征融合过程中进行交互,可以更好地理解它们之间的关系和相互影响。这有助于系统更准确地评估改进方案的适合程度,并提供更有针对性的推荐。
在本申请的一个实施例中,所述语义交互子单元,用于:使用特征间注意力层来融合所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量以得到待改进流程步骤-备选改进方案交互语义特征向量作为所述待改进流程步骤-备选改进方案交互语义特征。
特征间注意力层(Feature-wise Attention Layer)是一种用于融合不同特征向量之间的注意力机制,可以将不同特征向量的重要性进行建模,并根据其重要性对这些特征向量进行加权融合,从而得到更综合和有针对性的特征表示。
在待改进流程步骤-备选改进方案交互语义特征的构建中,特征间注意力层可以用于融合待改进流程步骤语义编码特征向量和第一备选改进方案语义编码特征向量。其主要步骤如下:首先,待改进流程步骤语义编码特征向量和第一备选改进方案语义编码特征向量。然后,通过计算待改进流程步骤特征向量和第一备选改进方案特征向量之间的相似度,得到注意力权重,这可以使用一些相似度度量方法,如点积、余弦相似度等。接着,将待改进流程步骤特征向量和第一备选改进方案特征向量按照注意力权重进行加权融合,加权融合可以使用加权平均或加权求和等方法。最后,得到待改进流程步骤-备选改进方案交互语义特征向量,它是通过特征间注意力层融合得到的综合特征表示。
特征间注意力层的引入可以使得不同特征向量之间的关联性得到更好地建模,从而提取更具有表达能力的交互特征。它能够捕捉待改进流程步骤和备选改进方案之间的重要交互信息,帮助更准确地表示二者之间的语义关联,为后续的推荐和决策提供更有价值的特征表示。
进一步地,使用特征间注意力层来融合所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量,以此来捕捉所述待改进的流程步骤的语义理解特征和所述第一备选改进方案的语义理解特征之间的关联和相互影响。应可以理解,由于传统的注意力机制的目标是学习一个注意力权重矩阵,将较大的权重赋予重要的特征,较小的权重赋予次要的特征,从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权,而忽略了特征之间的依赖关系。而所述特征间注意力层能够通过基于注意力机制的特征交互,可以捕捉到所述待改进的流程步骤的语义理解特征和所述第一备选改进方案的语义理解特征之间的相关性和相互影响,可以学习到不同特征之间的依赖关系,并根据这些依赖关系对所述流程步骤和所述第一备选改进方案的语义特征进行交互和整合,从而得到待改进流程步骤-备选改进方案交互语义特征向量。
在本申请的一个实施例中,所述备选改进方案推荐单元123,包括:交互语义特征优化子单元,用于对所述待改进流程步骤-备选改进方案交互语义特征向量进行特征分布优化以得到优化待改进流程步骤-备选改进方案交互语义特征向量;方案适合值计算子单元,用于将所述优化待改进流程步骤-备选改进方案交互语义特征向量通过解码器以得到解码值,所述解码值用于表示第一备选改进方案的适合值;方案推荐子单元,用于响应于所述解码值大于等于预定阈值,将所述第一备选改进方案推荐给对应的管理人员。
进一步地,所述交互语义特征优化子单元,包括:空间自适应点学习子单元,用于对所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;优化特征融合子单元,用于将所述融合特征向量与所述待改进流程步骤-备选改进方案交互语义特征向量进行融合以得到所述优化待改进流程步骤-备选改进方案交互语义特征向量。
特别地,在本申请的技术方案中,所述特征间注意力层对所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量进行基于注意力机制的特征交互时,会聚焦于所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量间的依赖关系特征的提取,从而存在对所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量各自的待改进的流程步骤和第一备选改进方案的语义特征表达的不足,因此期望基于所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量来提升所述待改进流程步骤-备选改进方案交互语义特征向量的表达效果。
这里,本申请的申请人考虑到所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量之间的非齐次的逐点对应性,也就是,所述待改进的流程步骤和所述第一备选改进方案在文本源域的表达上存在量级和内容的实质性差异,因此其经由语义编码器编码得到的语义特征在向量维度下的逐点对应上是非齐次的。基于此,对所述待改进流程步骤语义编码特征向量,例如记为和所述第一备选改进方案语义编码特征向量,例如记为/>进行非齐次希尔伯特面上空间自适应点学习,以获得融合特征向量,例如记为/>,具体表示为:以如下优化公式对所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述融合特征向量;其中,所述优化公式为:
其中,/>是所述待改进流程步骤语义编码特征向量,/>是所述第一备选改进方案语义编码特征向量,/>是所述第一备选改进方案语义编码特征向量的转置向量,/>,/>和表示基于吉尔伯特空间的非齐次闵式距离,且/>和/>为超参数,/>和/>分别是特征向量/>和/>的全局特征均值,且特征向量/>和/>均为行向量,/>表示按位置点乘,/>表示按位置加法,/>为协方差矩阵,/>是所述融合特征向量。
这样,通过以非齐次的吉尔伯特空间度量对所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量/>之间的向量点关联进行一维卷积,可以针对所述待改进流程步骤语义编码特征向量/>和所述第一备选改进方案语义编码特征向量/>的高维特征表示的特征流形在高维特征空间内具有的非轴对齐(non-axisalignment)特性,在基于希尔伯特空间的流形收敛超平面的面上空间向着超平面进行自适应点学习,并以面向所述待改进流程步骤语义编码特征向量/>和所述第一备选改进方案语义编码特征向量/>各自分布收敛方向的空中度量(aerial measurement)为修正,提升了所述待改进流程步骤语义编码特征向量/>和所述第一备选改进方案语义编码特征向量/>间的非齐次逐点融合性,从而提升所述融合特征向量/>的融合表达效果,然后,再将所述融合特征向量/>进一步与所述待改进流程步骤-备选改进方案交互语义特征向量融合,就可以改进所述待改进流程步骤-备选改进方案交互语义特征向量的表达效果。这样,能够基于智能制造流程中待改进的流程步骤和备选改进方案之间的语义交互关联来计算出该备选改进方案的适合匹配度,并根据匹配度判断是否需要发送给管理人员,从而帮助企业管理人员及时了解最新的技术发展信息,为企业管理人员提供决策支持和参考,以便及时进行生产设备的更新换代和技术升级,保持企业的竞争力和创新能力。
在本申请的一个实施例中,所述方案适合值计算子单元,用于:使用所述解码器以如下解码公式对所述优化待改进流程步骤-备选改进方案交互语义特征向量进行解码回归以得到所述解码值;其中,所述解码公式为:,其中,/>表示所述优化待改进流程步骤-备选改进方案交互语义特征向量,/>表示解码值,/>表示权重矩阵,/>表示偏置向量,/>表示矩阵乘。
解码值可以用作评估第一备选改进方案与待改进流程步骤之间的适合程度的指标,通过解码器的计算,可以将交互语义特征转化为具体的适合值,从而量化方案的适合性。通过解码值,可以对不同备选改进方案进行比较和排序,解码值越高的方案表示其与待改进流程步骤的匹配程度越高,从而可以优先考虑这些方案作为推荐的备选。解码值可以作为辅助信息,帮助管理人员做出推荐决策,管理人员可以根据解码值的大小,判断第一备选改进方案是否符合预期的改进目标,从而决定是否将其推荐给对应的管理人员。
通过解码值的计算和应用,可以更准确地衡量和评估备选改进方案的适合性,提供可靠的指导信息,为管理人员的决策提供有力支持,有助于确保推荐的改进方案与实际需求相匹配,并提高改进方案的实施成功率。
继而,再将所述待改进流程步骤-备选改进方案交互语义特征向量通过解码器以得到解码值,所述解码值用于表示第一备选改进方案的适合值。也就是说,将所述待改进的流程步骤的语义理解特征和所述第一备选改进方案的语义理解特征之间的语义交互关联特征信息通过解码器进行解码回归,以此来计算所述第一备选改进方案的匹配度,以得到第一备选改进方案的适合值,并在响应于所述解码值大于等于预定阈值时,将所述第一备选改进方案推荐给对应的管理人员,从而帮助企业管理人员及时了解最新的技术发展信息,为企业管理人员提供决策支持和参考,以便及时进行生产设备的更新换代和技术升级。
综上,基于本申请实施例的基于大数据的智能制造流程管理系统100被阐明,其帮助企业管理人员及时了解最新的技术发展信息,为企业管理人员提供决策支持和参考,以便及时进行生产设备的更新换代和技术升级,保持企业的竞争力和创新能力。
如上所述,根据本申请实施例的基于大数据的智能制造流程管理系统 100可以实现在各种终端设备中,例如用于基于大数据的智能制造流程管理的服务器等。在一个示例中,根据本申请实施例的基于大数据的智能制造流程管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于大数据的智能制造流程管理系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于大数据的智能制造流程管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于大数据的智能制造流程管理系统100与该终端设备也可以是分立的设备,并且该基于大数据的智能制造流程管理系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图2为根据本申请实施例的基于大数据的智能制造流程管理方法的流程图。图3为根据本申请实施例的基于大数据的智能制造流程管理方法架构的示意图。如图2和图3所示,所述基于大数据的智能制造流程管理方法,包括:210,标记智能制造流程中待改进的流程步骤;220,设置所述待改进的流程步骤的改进方案,获取所述待改进的流程步骤信息,基于所述流程步骤信息设置对应的检索式,基于所述检索式进行检索以得到备选改进方案,并对所述备选改进方案进行适应性计算以得到适合值,将所述适合值大于阈值X3对应的备选改进方案标记为目标改进方案,并将所述目标改进方案推荐给对应的管理人员,包括:221,基于检索得到与所述待改进的流程步骤匹配的第一备选改进方案;222,对所述流程步骤和所述第一备选改进方案进行语义特征交互关联编码以得到待改进流程步骤-备选改进方案交互语义特征; 223,基于所述待改进流程步骤-备选改进方案交互语义特征,确定是否将所述第一备选改进方案推荐给对应的管理人员。
本领域技术人员可以理解,上述基于大数据的智能制造流程管理方法中的各个步骤的具体操作已经在上面参考图1的基于大数据的智能制造流程管理系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图4为根据本申请实施例的基于大数据的智能制造流程管理系统的应用场景图。如图4所示,在该应用场景中,首先,标记智能制造流程中待改进的流程步骤(例如,如图4中所示意的C);然后,将获取的流程步骤输入至部署有基于大数据的智能制造流程管理算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于大数据的智能制造流程管理算法对所述流程步骤进行处理,以将所述目标改进方案推荐给对应的管理人员。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (2)
1.一种基于大数据的智能制造流程管理系统,其特征在于,包括:
流程步骤标记模块,用于标记智能制造流程中待改进的流程步骤;
方案模块,用于设置所述待改进的流程步骤的改进方案,获取所述待改进的流程步骤信息,基于所述流程步骤信息设置对应的检索式,基于所述检索式进行检索以得到备选改进方案,并对所述备选改进方案进行适应性计算以得到适合值,将所述适合值大于阈值X3对应的备选改进方案标记为目标改进方案,并将所述目标改进方案推荐给对应的管理人员;所述方案模块,包括:
备选改进方案检索单元,用于基于检索得到与所述待改进的流程步骤匹配的第一备选改进方案;
流程步骤-备选方案语义交互关联单元,用于对所述流程步骤和所述第一备选改进方案进行语义特征交互关联编码以得到待改进流程步骤-备选改进方案交互语义特征;
备选改进方案推荐单元,用于基于所述待改进流程步骤-备选改进方案交互语义特征,确定是否将所述第一备选改进方案推荐给对应的管理人员;
其中,所述流程步骤-备选方案语义交互关联单元,包括:
流程步骤语义理解子单元,用于对所述流程步骤进行语义编码以得到待改进流程步骤语义编码特征向量;
备选改进方案语义理解子单元,用于对所述第一备选改进方案进行语义编码以得到第一备选改进方案语义编码特征向量;
语义交互子单元,用于将所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量进行语义关联交互编码以得到所述待改进流程步骤-备选改进方案交互语义特征;
其中,所述语义交互子单元,用于:使用特征间注意力层来融合所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量以得到待改进流程步骤-备选改进方案交互语义特征向量作为所述待改进流程步骤-备选改进方案交互语义特征;
其中,所述备选改进方案推荐单元,包括:
交互语义特征优化子单元,用于对所述待改进流程步骤-备选改进方案交互语义特征向量进行特征分布优化以得到优化待改进流程步骤-备选改进方案交互语义特征向量;
方案适合值计算子单元,用于将所述优化待改进流程步骤-备选改进方案交互语义特征向量通过解码器以得到解码值,所述解码值用于表示第一备选改进方案的适合值;
方案推荐子单元,用于响应于所述解码值大于等于预定阈值,将所述第一备选改进方案推荐给对应的管理人员;
其中,所述交互语义特征优化子单元,包括:
空间自适应点学习子单元,用于对所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;
优化特征融合子单元,用于将所述融合特征向量与所述待改进流程步骤-备选改进方案交互语义特征向量进行融合以得到所述优化待改进流程步骤-备选改进方案交互语义特征向量;
其中,所述交互语义特征优化子单元,用于:以如下优化公式对所述待改进流程步骤语义编码特征向量和所述第一备选改进方案语义编码特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述融合特征向量;
其中,所述优化公式为:
其中,V 1是所述待改进流程步骤语义编码特征向量,V 2是所述第一备选改进方案语义编码特征向量,V 2 T 是所述第一备选改进方案语义编码特征向量的转置向量,/>,/>和/>表示基于希尔伯特空间的非齐次闵式距离,且/>和/>为超参数,/>和/>分别是特征向量V 1和V 2的全局特征均值,且特征向量V 1和V 2均为行向量,/>表示按位置点乘,/>表示按位置加法,为协方差矩阵,/>是所述融合特征向量。
2.根据权利要求1所述的基于大数据的智能制造流程管理系统,其特征在于,所述方案适合值计算子单元,用于:使用所述解码器以如下解码公式对所述优化待改进流程步骤-备选改进方案交互语义特征向量进行解码回归以得到所述解码值;
其中,所述解码公式为:,其中,/>表示所述优化待改进流程步骤-备选改进方案交互语义特征向量,Y表示解码值,W表示权重矩阵,B表示偏置向量,/>表示矩阵乘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311114367.1A CN116823193B (zh) | 2023-08-31 | 2023-08-31 | 基于大数据的智能制造流程管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311114367.1A CN116823193B (zh) | 2023-08-31 | 2023-08-31 | 基于大数据的智能制造流程管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116823193A CN116823193A (zh) | 2023-09-29 |
CN116823193B true CN116823193B (zh) | 2023-11-03 |
Family
ID=88143281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311114367.1A Active CN116823193B (zh) | 2023-08-31 | 2023-08-31 | 基于大数据的智能制造流程管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823193B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934079A (zh) * | 2023-11-07 | 2024-04-26 | 北京创信众科技有限公司 | 基于物联网的广告精准推送方法、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416525A (zh) * | 2018-03-13 | 2018-08-17 | 三峡大学 | 一种基于元数据的流程模型相似性度量方法 |
CN110232184A (zh) * | 2018-12-14 | 2019-09-13 | 太原理工大学 | 一种云制造模式下机械加工服务供需双向语义匹配方法 |
CN115757735A (zh) * | 2022-11-23 | 2023-03-07 | 南京南瑞信息通信科技有限公司 | 一种面向电网数字化建设成果资源的智能检索方法及系统 |
CN116307664A (zh) * | 2023-02-22 | 2023-06-23 | 赵乐乐 | 基于大数据的智能制造流程管理系统 |
CN116469534A (zh) * | 2023-04-21 | 2023-07-21 | 中国人民解放军总医院第一医学中心 | 医院叫号管理系统及其方法 |
CN116561411A (zh) * | 2023-03-28 | 2023-08-08 | 杭州芯控智能科技有限公司 | 一种基于自动化产线知识图谱的机械设备推荐方法及系统 |
CN116610803A (zh) * | 2023-07-19 | 2023-08-18 | 北京每日信动科技有限公司 | 基于大数据的产业链优企信息管理方法及系统 |
-
2023
- 2023-08-31 CN CN202311114367.1A patent/CN116823193B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416525A (zh) * | 2018-03-13 | 2018-08-17 | 三峡大学 | 一种基于元数据的流程模型相似性度量方法 |
CN110232184A (zh) * | 2018-12-14 | 2019-09-13 | 太原理工大学 | 一种云制造模式下机械加工服务供需双向语义匹配方法 |
CN115757735A (zh) * | 2022-11-23 | 2023-03-07 | 南京南瑞信息通信科技有限公司 | 一种面向电网数字化建设成果资源的智能检索方法及系统 |
CN116307664A (zh) * | 2023-02-22 | 2023-06-23 | 赵乐乐 | 基于大数据的智能制造流程管理系统 |
CN116561411A (zh) * | 2023-03-28 | 2023-08-08 | 杭州芯控智能科技有限公司 | 一种基于自动化产线知识图谱的机械设备推荐方法及系统 |
CN116469534A (zh) * | 2023-04-21 | 2023-07-21 | 中国人民解放军总医院第一医学中心 | 医院叫号管理系统及其方法 |
CN116610803A (zh) * | 2023-07-19 | 2023-08-18 | 北京每日信动科技有限公司 | 基于大数据的产业链优企信息管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116823193A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116823193B (zh) | 基于大数据的智能制造流程管理系统 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN113283282B (zh) | 一种基于时域语义特征的弱监督时序动作检测方法 | |
CN117063820A (zh) | 基于大数据的智慧园林监控平台及其方法 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN113902256A (zh) | 训练标签预测模型的方法、标签预测方法和装置 | |
CN116310647A (zh) | 一种基于增量学习的劳保物品目标检测方法及系统 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN117236665B (zh) | 物资生产调度优化方法及系统 | |
CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
CN116777183B (zh) | 无人船集群智能调度方法及系统 | |
CN113159441A (zh) | 银行业务项目实施情况的预测方法及装置 | |
CN111290953B (zh) | 分析测试日志的方法与装置 | |
CN116739787A (zh) | 基于人工智能的交易推荐方法及系统 | |
CN114724089A (zh) | 一种基于互联网的智慧城市监测方法 | |
CN116796617A (zh) | 基于数据标识的滚动轴承设备剩余寿命预测方法及系统 | |
CN113238947A (zh) | 一种人机协同的对话系统评测方法及系统 | |
CN118093969B (zh) | 基于数字孪生的高速公路资产数据可视化方法及系统 | |
Kaselimi et al. | Forestvit: A vision transformer network for convolution-free multi-label image classification in deforestation analysis | |
CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 | |
CN117648890B (zh) | 一种基于人工智能的半导体器件建模方法及系统 | |
Abghari et al. | Trend analysis to automatically identify heat program changes | |
CN117332377B (zh) | 一种基于深度学习的离散时间序列事件挖掘方法及系统 | |
CN115828176B (zh) | 一种面向智慧工地的跨模态检索方法及系统 | |
CN117333146A (zh) | 基于人工智能的人力资源管理系统及方法 |
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 |