CN116993306A - 基于知识图谱的网络协同制造系统的构建方法和装置 - Google Patents
基于知识图谱的网络协同制造系统的构建方法和装置 Download PDFInfo
- Publication number
- CN116993306A CN116993306A CN202310713927.9A CN202310713927A CN116993306A CN 116993306 A CN116993306 A CN 116993306A CN 202310713927 A CN202310713927 A CN 202310713927A CN 116993306 A CN116993306 A CN 116993306A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge
- collaborative manufacturing
- manufacturing
- collaborative
- 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 352
- 238000010276 construction Methods 0.000 title claims description 6
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 24
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012502 risk assessment Methods 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 21
- 238000007726 management method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011002 quantification Methods 0.000 description 7
- 230000008439 repair process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101000911753 Homo sapiens Protein FAM107B Proteins 0.000 description 1
- 102100026983 Protein FAM107B Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012043 cost effectiveness analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于知识图谱的网络协同制造系统的构建方法和装置,该方法包括:基于协同制造的产业链中各制造企业的协作关系及协同制造的流程,建立本体模型;基于本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;对基本元素进行知识推理,确定知识数据中存在的新实体、新属性和新关系,并更新初始的协同制造知识图谱;利用专家经验和知识数据,构建初始的运行风险知识图谱;结合协同制造知识图谱,采用可视化手段,构建网络协同制造系统。本发明提供的该系统可实时可视化的反馈网络协同制造过程中运行状态,一旦异常,自动分析异常原因,并提供解决策略,及时做出响应,以规避异常因素影响协同制造的风险。
Description
技术领域
本发明涉及工业制造技术领域,尤其涉及一种基于知识图谱的网络协同制造系统的构建方法和装置。
背景技术
协同制造是21世纪的现代制造模式,也是敏捷制造、协同商务、智能制造、云制造的核心内容。协同制造充分利用Internet技术为特征的网络技术、信息技术将串行工作变为并行工程,实现供应链内及跨供应链间的企业产品设计、制造、管理和商务等的合作的生产模式,最终通过改变业务经营模式与方式达到资源最充分利用的目的。在面对当前个性化需求多样的生产背景下,产业链各企业相互间的信息理解对协同的效果影响很大。产品的研发生产过程面临着生产周期缩短、产业链供应链内企业协作与服务交互依然存在壁垒等问题。
目前针对知识图谱技术在制造领域的应用聚焦在对智能制造行业数据和知识整合并构建相应领域的知识库,进行了智能制造行业供需匹配的相关研究与应用。现有文献或专利大多针对公开的资料数据对具有共性特征的宏观行业数据进行建模和研究,未考虑企业内部和整个产业链协同制造相关数据的交互和应用。企业内部和产业链上下游产生的相关实时数据对评估和提升整个产业链网络协同制造水平具有重要作用,而现有技术以企业内外部静态数据建模,只能反映建模时企业内外部数据的相关关系,对产业链整体网络协同制造能力的变化敏感性不足。另外,对于网络协同制造过程中产业链存在的异常情况,现有技术往往不能及时感知该异常并辅助生产管理人员采取调整订单排产、使用替代物料等方式提前采取措施将异常因素对协同制造的影响降到最低。
因此,如何提高协同制造中对异常变动的及时响应速率,并提供有效的调整措施,以规避异常因素影响协同制造的风险已成为本领域亟待解决的技术问题。
发明内容
针对现有技术存在的问题,本发明提供一种基于知识图谱的网络协同制造系统的构建方法和装置。
第一方面,本发明提供一种基于知识图谱的网络协同制造系统的构建方法,包括:
基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型;所述本体模型用于定义概念、概念的属性和概念间的关系;所述协同制造的流程包括生产供应、加工组装和存储发运;
基于所述本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;所述知识数据为基于所述协同制造中产业链的各环节涉及的业务数据和流程数据,确定的包括与实体、属性和关系有关的数据;所述基本元素包括实体、属性和关系;
对所述基本元素进行知识推理,确定所述知识数据中存在的新实体、新属性和新关系中的一种或多种,并更新初始的所述协同制造知识图谱;所述新关系为所述实体之间的隐含关系;所述初始的所述协同制造知识图谱是基于所述基本元素,采用自顶向下的方式构建的;
利用专家经验和所述知识数据,构建初始的运行风险知识图谱;
基于所述协同制造知识图谱、所述运行风险知识图谱和可视化手段,构建网络协同制造系统。
可选地,所述基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型,包括:
基于所述协同制造的流程,确定所述本体模型所应用的范围;
基于协同制造的产业链中各制造企业的协作关系,收集零部件、最终产品和产成品在协同制造的流程中的原始数据;
对所述原始数据进行语义分析,确定本体的结构;所述语义分析手段包括确定概念、概念的属性和概念间的关系;
基于所述本体的结构,和所述原始数据,建立所述本体模型。
可选地,所述预处理后的知识数据,对应的获取方法包括:
采集所述协同制造中产业链的各环节涉及的不同格式的业务数据和流程数据,作为初始数据;所述不同格式包括结构化数据、半结构化数据和非结构化数据;
通过预处理手段,将所述初始数据进行处理后,按照不同数据类型匹配至对应的数据库;所述预处理手段包括清洗、去噪和消歧。
可选地,所述对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱,包括:
基于所述基本元素,采用自顶向下的方式构建初始的所述协同制造知识图谱;
基于逻辑推理、规则推理或统计学方法推理,确定所述知识数据中存在的新实体和新属性、以及新关系;
基于预设的量化维度,对知识网络中的实体和关系进行量化;所述知识网络是基于所述知识数据、新实体、新属性和新关系确定的;所述预设的量化维度包括对所述实体按照节点类型、节点属性和节点重要性三个维度进行量化,和对所述关系按照关系强度、关系类型和关系多样性三个维度进行的量化;
基于量化后的所述知识网络,确定各实体和各关系对应的置信度;
筛选满足预设置信度或在预设置信度区间内的所述新实体和所述新关系,作为待构建基本元素;
基于初始的所述协同制造知识图谱、所述待构建基本元素和所述本体模型,确定更新后的所述协同制造知识图谱。
可选地,所述方法还包括:
基于所述网络协同制造系统,获取历史风险数据,所述历史风险数据包括历史事故记录、生产过程异常数据;
基于数据挖掘和数据分析,按照异常发生时段、异常原因、异常类型、严重程度和处理对策,对所述历史风险数据进行数据整合;所述处理对策包括维修时段、维修部位、维修手段以及保养时段;
基于风险分析规则,更新初始的所述运行风险知识图谱;所述风险分析规则是基于专家经验制定的。
可选地,所述方法还包括:
监测所述网络协同制造系统是否存在异常数据;
若存在异常数据,基于所述运行风险知识图谱以及图检索算法,分析所述异常数据对应的异常原因、异常类型、严重程度和处理对策;
发送告警消息至协同制造的产业链中相关制造企业;所述告警消息包括所述处理对策。
可选地,所述方法还包括:
确定所述协同制造知识图谱中目标实体对应的状态变量和初始值;所述目标实体为与物流、生产和技术相关的实体;
基于所述网络协同制造系统的机理模型,构建状态转移矩阵;
基于图迭代算法,在满足预设最大迭代次数或最大时长阈值的情况下,确定所述网络协同制造系统的稳定状态;所述稳定状态为所述协同制造知识图谱中目标实体对应的状态变量的取值为定值。
第二方面,本发明还提供一种基于知识图谱的网络协同制造系统的构建装置,包括:
本体模块,用于基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型;所述本体模型用于定义概念、概念的属性和概念间的关系;所述协同制造的流程包括生产供应、加工组装和存储发运;
图谱模块,用于基于所述本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;所述知识数据为基于所述协同制造中产业链的各环节涉及的业务数据和流程数据,确定的包括与实体、属性和关系有关的数据;所述基本元素包括实体、属性和关系;
推理更新模块,用于对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱;所述新关系为所述实体之间的隐含关系;所述初始的所述协同制造知识图谱是基于所述基本元素,采用自顶向下的方式构建的;
风险模块,用于利用专家经验和所述知识数据,构建初始的运行风险知识图谱;
系统模块,用于基于所述协同制造知识图谱、所述运行风险知识图谱和可视化手段,构建网络协同制造系统。
第三方面,本发明还提供一种电子设备,包括存储器,收发机,处理器;
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并实现如上所述第一方面所述基于知识图谱的网络协同制造系统的构建方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上所述第一方面所述的基于知识图谱的网络协同制造系统的构建方法。
第五方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上所述第一方面所述的基于知识图谱的网络协同制造系统的构建方法。
本发明提供的基于知识图谱的网络协同制造系统的构建方法和装置,通过对协同制造的产业链的数据进行知识结构分析,确定本体模型;利用本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;对这些基本元素进行知识推理,确定知识数据中存在的新实体、新属性及新关系,更新协同制造知识图谱;并利用专家经验和知识数据,构建初始的运行风险知识图谱;采用可视化手段,基于协同制造知识图谱和运行风险知识图谱,构建网络协同制造系统。该系统可实时可视化的反馈网络协同制造过程中运行状态,在存在异常的情况下,分析异常原因,并提供对应的解决策略,从而及时做出响应,以规避异常因素影响协同制造的风险。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的基于知识图谱的网络协同制造系统的构建方法的流程示意图;
图2是本发明实施例提供的协同制造的流程的示意图;
图3是本发明实施例提供的网络协同制造系统的中数据采集的流程示意图;
图4是本发明实施例提供的网络协同制造系统的结构示意图;
图5是本发明实施例提供的基于知识图谱的网络协同制造系统的构建装置的结构示意图;
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
下面结合图1至图6描述本发明提供的基于知识图谱的网络协同制造系统的构建方法和装置。
图1是本发明实施例提供的基于知识图谱的网络协同制造系统的构建方法的流程示意图;如图1所示,该方法包括:
步骤101、基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型;所述本体模型用于定义概念、概念的属性和概念间的关系;所述协同制造的流程包括生产供应、加工组装和存储发运;
具体地,图2是本发明实施例提供的协同制造的流程的示意图,如图2所示,协同制造的流程包括零部件的生产供应、最终产品的加工组装和产成品的存储发送等环节,在这三个环节中,结合协同制造的影响因素,对协同制造产业链的知识结构进行深入分析,建立各种概念和术语的结构化表示,可理解为定义概念、概念的属性和概念间的关系,进而建立本体模型。
步骤102、基于所述本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;所述知识数据为基于所述协同制造中产业链的各环节涉及的业务数据和流程数据,确定的包括与实体、属性和关系有关的数据;所述基本元素包括实体、属性和关系;
具体地,建立本体模型后,对协同制造过程涉及到的全产业链各个环节的业务数据和流程数据进行采集和预处理,其中采集的手段具体包括互联网技术、爬虫技术和区块链技术等,采集的数据的类型可能包括多种,比如关系数据库表形式管理的数据、日志文件、XML文档、JSON文档、E-mail文件、WORD文件、PDF文件、PPT文件、EXCEL文件及各种格式的图片、视频等。
对采集后的数据进行预处理,使得预处理后的知识数据可以和不同类型的数据库对应,有利于对知识数据按照统一的方式进行分类存储。也就是按照每种数据类型进行统一方式的抽取,结合本体模型,确定用于构建协同制造知识图谱的实体、属性和关系。
步骤103、对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱;所述新关系为所述实体之间的隐含关系;所述初始的所述协同制造知识图谱是基于所述基本元素,采用自顶向下的方式构建的;
具体地,确定用于构建协同制造知识图谱的实体、属性和关系后,采用自顶向下的方式,建立初始的协同制造知识图谱,并对所述基本元素进行知识推理,挖掘知识数据中可能存在的新实体、新属性和新关系中的一种或多种,并基于挖掘到的新实体、新属性和新关系对初始的协同制造知识图谱进行更新和完善。其中更新方式可以是实时更新也可以是周期性更新,周期性更新的周期可以设定对应的周期时长,周期时长的具体数值根据需求而设定。
步骤104、利用专家经验和所述知识数据,构建初始的运行风险知识图谱;
此外,通过上述步骤,完成对协同制造知识图谱的初始构建以及更新过程后,还可以利用专家经验,对知识数据进行分析和挖掘的过程中,提高数据分析的深度和效果,发现采用一般的数据分析难以捕捉的风险,进而构建初始的运行风险知识图谱。
步骤105、基于所述协同制造知识图谱、所述运行风险知识图谱和可视化手段,构建网络协同制造系统。
具体地,采用可视化手段,比如图像、图表等方式,对协同制造中产品订单管理、生产计划排程、仓储管理、无聊流转、制造过程管理、质量控制等全产业链数字化服务功能进行可视化展示,并在全产业链的数字化服务中存在任意异常信息的情况下,利用所述协同制造知识图谱和所述运行风险知识图谱,对所述异常信息进行,确定导致异常的原因、异常类型、严重程度和处理对策等,从而实现对存在风险的事件进行自动分析和即时处置。
构建的网络协同制造系统,具备制造运营环节的产品订单管理、生产计划排程、仓储管理、物料流转、制造过程管理、质量控制等全价值链数字化服务功能,支持企业群的业务流程、数据及标准等信息整合,以实时可视化的方式展示产业链协同制造数据。
可选地,所述基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型,包括:
基于所述协同制造的流程,确定所述本体模型所应用的范围;
基于协同制造的产业链中各制造企业的协作关系,收集零部件、最终产品和产成品在协同制造的流程中的原始数据;
对所述原始数据进行语义分析,确定本体的结构;所述语义分析手段包括确定概念、概念的属性和概念间的关系;
基于所述本体的结构,和所述原始数据,建立所述本体模型。
具体地,所述协同制造的流程包括的零部件的生产供应、最终产品的加工组装、产成品的存储发运三个环节,确定本体模型的应用范围和定义。
收集零部件、最终产品、产成品分别对应的生产数据、质量数据、设备使用数据等,并根据数据类型和来源进行分类存储,作为原始数据;并对原始数据进行语义分析,确定各种概念、各概念的属性、以及概念间的关系,所述概念间的关系包括概念的层级关系,同位关系和紧密性关系等。
基于所述本体的结构,和所述原始数据,建立所述本体模型。本体模型用于描述概念和实体之间的关系,概念和属性之间的关系,概念和关系之间的联系,可以理解为是知识图谱的元数据,用来表示知识图谱中实体、属性和关系的语义信息。
此外,还在本体模型中定义了属性分面,通过属性分面可以更加准确地表示和描述对象的属性,同时有助于提高本体模型的鲁棒性和可靠性。
通过定义类和类的属性以及属性的分面,可以描述和表示实体间的各种关系,包括实体所属类之间的关系、实例之间的关系、属性之间的关系等。这些关系可以用于建立本体模型中的类别、实例、关系等概念,从而实现对实体间关系的描述和表示。
可选地,所述预处理后的知识数据,对应的获取方法包括:
采集所述协同制造中产业链的各环节涉及的不同格式的业务数据和流程数据,作为初始数据;所述不同格式包括结构化数据、半结构化数据和非结构化数据;
通过预处理手段,将所述初始数据进行处理后,按照不同数据类型匹配至对应的数据库;所述预处理手段包括清洗、去噪和消歧。
具体地,采集所述协同制造中产业链的各环节涉及的不同格式的业务数据和流程数据,其中不同格式具体包括结构化数据、半结构化数据和非结构化数据,如图3所示。
将采集到的知识数据进行清洗、去噪、消歧等处理后,根据不同的数据类型将知识数据保存到统一的图数据库和表数据库。
其中,清洗预处理是指对于缺失值、异常值、重复值等数据进行处理,保证数据的准确性和完整性。
清洗处理:对于数据中存在的错误、缺陷、异常等问题进行处理,如数据规范化、缺失值填充、错误纠正等。保证数据的准确性和完整性。
去噪处理:主要包括去除噪声和去除冗余,去除噪声是对数据中存在的噪声(如信号干扰、采样误差等)、异常值(如极端值、错误值等)进行处理,保证数据的正确性和可用性。去除冗余是指对数据中存在的冗余数据(如重复数据、无关数据等)进行处理,保证数据的精简和优化。
消歧处理可以基于规则、统计结果、机器学习和语义等方式进行。其中,基于规则消歧,是使用预定义的规则来进行消歧。例如,针对人名,可以使用姓名的拼音、生日、国籍等信息来进行消歧。
基于统计消歧,是利用大量已知的数据来训练模型,在新的数据上根据概率进行消歧。例如,针对实体名字相同但含义不同的情况,可以基于上下文词语出现的统计信息,计算出不同实体名字在上下文中出现的概率,并使用概率值来进行消歧。
基于机器学习的消歧,是利用机器学习的方法,使用大量的已知数据集进行训练,并根据训练结果预测新数据中的实体。例如,可以使用支持向量机(Support VectorMachine,SVM)、随机森林(Random Forest,RF)等分类算法。
基于语义的消歧,是利用语义信息来进行消歧。例如,根据关系路径的语义信息来推断实体。针对一个实体,可以根据该实体的相关实体信息,构造该实体的语义关系图,通过分析图中的关系路径来进行消歧。数据表的字段可以分为实体属性、关系属性和元数据三类。实体属性是指描述实体本身的属性,关系属性则是用来描述关系的属性,元数据是对数据本身的描述。
可选地,所述对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱,包括:
基于所述基本元素,采用自顶向下的方式构建初始的所述协同制造知识图谱;
基于逻辑推理、规则推理或统计学方法推理,确定所述知识数据中存在的新实体和新属性、以及新关系;
基于预设的量化维度,对知识网络中的实体和关系进行量化;所述知识网络是基于所述知识数据、新实体、新属性和新关系确定的;所述预设的量化维度包括对所述实体按照节点类型、节点属性和节点重要性三个维度进行量化,和对所述关系按照关系强度、关系类型和关系多样性三个维度进行的量化;
基于量化后的所述知识网络,确定各实体和各关系对应的置信度;
筛选满足预设置信度或在预设置信度区间内的所述新实体和所述新关系,作为待构建基本元素;
基于初始的所述协同制造知识图谱、所述待构建基本元素和所述本体模型,确定更新后的所述协同制造知识图谱。
具体地,基于上述确定的用于构建协同制造知识图谱的基本元素,采用自顶向下的方式,构建初始的所述协同制造知识图谱。
利用所述本体模型和知识数据,通过逻辑推理、规则推理或统计学方法推理等方式,发现隐含的实体和关系等,从而推导出新实体、新属性和新关系。
采用逻辑推理,主要是使用本体模型中定义的用于描述概念之间关系的逻辑公式进行推理。例如,使用网络本体语言(Ontology Wed Language,OWL)描述的本体模型,根据OWL中定义的逻辑公理,对知识图谱中的数据进行推理。该方法可以用于通过已知的事实推导出新的知识,可以发现实体之间的隐含关系。
采用规则推理,主要是使用事先定义的规则来进行推理。根据定义好的规则,在知识图谱中寻找规则匹配的数据,从而进行推理。例如,使用规则库对知识图谱中的实体和关系进行推理和合并。常见的规则推理方法包括产生式规则和重写规则等。
采用统计学方法推理,主要是基于统计学方法推理基于知识图谱的统计分析结果,推理新的实体、属性或关系(对未来的实体、属性和关系进行推理)。例如,可以分析实体之间存在的关系并使用概率模型预测新实体之间的关系,或者对实体的属性进行归纳统计从而进行预测等。
基于所述知识数据、所述新实体、新属性以及新关系,建立相互关联的知识网络。
对知识网络中各知识进行量化,具体通过预设的量化维度,对知识网络中的实体和关系进行量化,舍弃置信度较低的知识,以保障知识网络的质量。
其中预设的量化维度分为两个方面:实体(节点)的量化和关系(边)的量化。其中,实体的量化通常包括节点类型、节点属性和节点重要性三个方面。
节点类型的量化:节点类型也就是实体的类型,是对知识图谱中实体(节点)的分类和归类。对实体进行节点类型量化,可以考虑其属于哪个领域或类别,或者利用分类算法对知识图谱中的实体(节点)进行聚类操作,得到节点的类型。
节点属性的量化:知识图谱中的实体(节点)通常都具有一些属性,例如,节点的名称、描述、创建时刻、修改时刻等。对实体(节点)的属性进行量化可以通过属性值的多少、属性与实体的相关性以及属性稳定性等角度入手。
节点重要性的量化:节点重要性是指实体(节点)在知识图谱中的重要程度,可采用PageRank算法、HITS算法,结合节点的链接关系和相关性来评估节点在整个知识图谱中的重要性。
关系(边)的量化通常包括关系强度的量化、关系类型的量化和关系多样性的量化。其中:
关系强度的量化:关系强度通常可以通过计算关系权重、共现频率以及基于知识网络的权重计算来量化;权重越大,则关系越紧密。
关系类型的量化:不同类型的关系在知识图谱中扮演着不同的角色。可以采用基于知识图谱的类型分类体系,对关系类型进行量化。关系类型的种类越多,则表示知识图谱的丰富程度越高。
关系多样性的量化:关系多样性表示图谱中的不同关系类型的出现频率,可以通过对节点的共现性网络分析来量化图谱中关系的多样性。
采用统计学中置信区间和置信水平的相关算法,确定一个知识点的可靠性和置信度的高低。同时,在算法实现时,也可以结合机器学习算法和自然语言处理来对知识图谱中的知识点进行量化。筛选满足预设置信度或在预设置信度区间内的所述新实体和所述新关系,作为待构建基本元素;所述预设置信度和预设置信度区间可以直接随机设置初始值后,根据最终的筛选结果进行调整,或根据以往经验设置初始值。
获得待构建的基本元素后,结合初始的所述协同制造知识图谱、和所述本体模型,对所述协同制造知识图谱进行更新和完善,从而得到能更准确反映协同制造中全产业链的相关数据以及对应关系的协同制造知识图谱。协同制造知识图谱中实体节点的数量反映了该知识图谱的丰富程度,实体节点数量越多,该知识图谱的覆盖面就越广。实体节点度数表示某个节点与其他节点的关联程度。该指标反映了实体节点所关联的知识的广度和深度,节点的度数越高,该节点与其他节点存在的关系就越多,该节点所包含的知识就越多。
可选地,所述方法还包括:
基于所述网络协同制造系统,获取历史风险数据,所述历史风险数据包括历史事故记录、生产过程异常数据;
基于数据挖掘和数据分析,按照异常发生时段、异常原因、异常类型、严重程度和处理对策,对所述历史风险数据进行数据整合;所述处理对策包括维修时段、维修部位、维修手段以及保养时段;
基于风险分析规则,更新初始的所述运行风险知识图谱;所述风险分析规则是基于专家经验制定的。
具体地,协同制造过程中,产业链的各个环节都存在发生异常情况的可能,比如工业链产品的质量缺陷,加工过程的设备故障、物流和运输过程的车辆和交通异常、生产订单的排产变化、上次企业的人员变动、生产工艺过程的变更等,由于协同制造过程的各环节存在相互影响和制约的关系,对异常因素的及时识别和感知可保证协同制造过程的稳定。
利用网络协同制造系统运行所积累的历史风险数据,该历史风险数据包括历史事故记录、生产过程异常数据。历史事故记录包括:距离当前时刻的一段时长内发生的事故记录,记录发生的时刻(时长)、事故的类型、事故的严重程度,事故的原因等。生产过程异常数据包括生产过程中,比如生产线状态,原材料质量和产品质量等,通过对这些数据进行监测,得到超出正常范围的数据,作为生产过程异常数据。还可以获取设备维修和保养记录,作为历史风险数据之一,设备维修和保养记录可包括维修时段、维修部位、维修方法以及保养时段。此外,内部或外部机构提供的检查或评估报告,也可作为历史风险数据之一,在对数据进行分析时具有参考作用。其中外部机构提供的检查或评估报告,可能是保险公司、政府监管机构和第三方专业机构的出具的检查或评估报告,这些报告可以帮助企业识别潜在的安全和风险问题。
利用上述历史风险数据,按照异常发生时段、异常原因、异常类型、严重程度和处理对策,对历史风险数据进行数据提取,并采用数据挖掘和数据分析等手段,比如聚类、分类和关联规则挖掘等数据挖掘技术,对提取后的历史风险数据进行分析和挖掘,发现潜在规律和异常。
基于相关领域专家的经验和知识,在分析和挖掘历史风险数据的同时,提供数据分析和深度和效果,可理解为根据专家经验制定的风险分析规则,对初始的运行风险知识图谱进行更新,使其更能准确反映协同制造的全产业链中各因素对协同效率的影响权重,权重越大,则表示该运行风险知识图谱中与该权重对应的某个实体对协同效率的影响越大,权重越小,则表示该运行风险知识图谱中与该权重对应的某个实体对协同效率的影响越小。
当产线工人准备改变某个可操作变量时,该可操作变量可能会引起运行风险知识图谱中某一个或某几个实体,和/或,某一个关系或某几个关系发生变化,可以通过运行风险知识图谱直观地看到该可操作变量改变时会直接引起其它因子变化的趋势;当试图改变某个非操作变量时,可以通过知识图谱观察到哪些可操作变量值的改变会对该值产生直接影响。当生产线某个指标发生异常时,通过找出在运行风险知识图谱中对应的结点,分析以该结点为中心的子图,可发现该异常的影响因素;通过知识图谱推理,可寻找该异常发生的原因。
本发明提供的基于知识图谱的网络协同制造系统的构建方法,利用专家经验和从协同制造全产业链获取的知识数据中提取的知识构建运行风险知识图谱,结合网络协同制造平台积累的历史风险数据,对风险事件进行自动分析和及时处置。
可选地,所述方法还包括:
监测所述网络协同制造系统是否存在异常数据;
若存在异常数据,基于所述运行风险知识图谱以及图检索算法,分析所述异常数据对应的异常原因、异常类型、严重程度和处理对策;
发送告警消息至协同制造的产业链中相关制造企业;所述告警消息包括所述处理对策。
具体地,运行风险知识图谱包括多个运行指标,用于反映所述网络协同制造系统是否存在异常数据,这些运行指标包括:
风险指数:是根据风险因素和其概率计算得出的数值。通过构建运行风险知识图谱,可以识别和量化风险因素,并基于它们的概率计算出风险指数。这个指标可以帮助企业了解各种风险因素的重要性及其对业务的影响。
偏离度指标:表示实际状况与预期状况之间的差异。由于风险通常是由偏离某个预期状态而来,因此偏离度指标可以用于评估一个特定风险事件对业务的影响。通过运行风险知识图谱的构建和应用,可以帮助企业准确地定义预期状态,并从实际情况中识别出偏离的程度。
成本效益分析指标:为了更好地理解各种风险事件的意义和重要性,企业需要考虑风险事件造成的成本以及其潜在的收益。通过运行风险知识图谱,可以更全面地评估各种风险事件的成本和收益,并通过比较而得出该事件是否值得企业进行投资和处理。
当确定运行风险知识图谱中任一或多个运行指标偏离正常值范围或不满足正常阈值时,确定监测到所述网络协同制造系统存在异常数据。
在所述网络协同制造系统存在异常数据的情况下,基于所述运行风险知识图谱以及图检索算法,分析所述异常数据对应的异常原因、异常类型、严重程度和处理对策。可实现快速的风险因素的严重性分析、原因追溯和处理对策(方案)制定。
并发送包括所述处理对策的告警消息至协同制造的产业链中相关的制造企业,以供所述相关的制造企业及时做出响应,采取对应的处理对策。
本发明提供的基于知识图谱的网络协同制造系统的构建方法,利用构建的运行风险知识图谱,对所述网络协同制造系统的数据进行实时监测,在存在异常的情况下,可及时提供告警消息至协同制造的产业链中相关的制造企业,以供所述相关的制造企业及时做出响应,采取对应的处理对策,以规避异常因素影响协同制造的风险。
可选地,所述方法还包括:
确定所述协同制造知识图谱中目标实体对应的状态变量和初始值;所述目标实体为与物流、生产和技术相关的实体;
基于所述网络协同制造系统的机理模型,构建状态转移矩阵;
基于图迭代算法,在满足预设最大迭代次数或最大时长阈值的情况下,确定所述网络协同制造系统的稳定状态;所述稳定状态为所述协同制造知识图谱中目标实体对应的状态变量的取值为定值。
具体地,所述协同制造知识图谱可以反映协同制造的全产业链中各制造企业的协作关系,以及协同制造的流程,但是缺乏对生产预测和生产协同效果进行评估的方式,本发明引入一种网络协同制造系统的机理模型,利用生产管理人员、物流管理人员、一线技术人员的关于系统机理的经验,并借助图神经网络等方法将专家和技术人员关于变量之间影响生产过程的经验与所述协同制造知识图谱进行融合,从而构建得到。
在机理模型构建时,确定所述协同制造知识图谱中目标实体对应的状态变量和初始值;所述目标实体为与物流、生产和技术相关的实体。
并基于上述各目标实体对应的状态变量和初始值,构建用于描述状态变量相互影响和状态变化的矩阵,即状态转移矩阵,该状态转移矩阵可用于计算各状态变量的演变过程。
以状态变量的初值为基础,迭代进行状态计算。在每次迭代中,通过状态转移矩阵,计算出各状态变量的演变过程,并逐步更新状态值,直至达到预设条件,所述预设条件包括:满足预设最大迭代次数或满足最大时长阈值,所述状态变量的状态值在演变过程中已达到稳定状态,这里稳定状态主要是指所述协同制造知识图谱中目标实体对应的状态变量的取值随着迭代次数的递增,趋于定值,最理想的状态下可达到定值,实际应用中目标实体对应的状态变量的取值的波动小于5%左右,即可认为达到稳定状态。
在迭代计算过程中,可以根据实际生产情况,对状态变量的状态值进行调整和优化,以提高计算精度和预测准确度。
本发明提供的基于知识图谱的网络协同制造系统的构建方法,提供一种机理模型,对网络协同制造系统的关键指标引起的协同效果进行评估,可以为关键生产指标的准确调整提供支持,实现更准确的生产预测和生产协同效果评估。
下面以具体例子对本发明提供的基于知识图谱的网络协同制造系统的构建方法进行说明。如图4所示,构建的网络协同制造系统包括:应用场景、知识图谱和多源数据。
该网络协同制造系统具体可应用的场景包括:
1、仿真模拟:为方便生产线工人的日常作业,通过构建产业链知识图谱,在短时间内从众多影响因子的因果变化关系中进行生产操作前的模拟。如工人准备改变某可操作变量时,可通过知识图谱预测操作带来的变化;如工人试图达到某结果时,可通过知识图谱提前预判操作步骤。
2、质量提升:通过监控生产过程中的实时参数曲线构建核心部件的健康指数模型,在识别关键因素的基础上进行参数推荐,提升良品率。
3、生产预测:在机理模型与经验模型融合的基础上,结合生产知识图谱实现图迭代计算,计算出某因子发生变化时整个关系网络达到稳定后各个产物节点的状态值,实现更准确的生产预测。
4、供应链风险管理及零部件选型:可以汇集产品知识、物流知识、采购知识、制造知识、交通信息等等构建供应链及零部件图谱,将采购、物流、制造联系起来,通过语义网(关系网)实现供应链风险管理与零部件选型。
5、网络协同制造展示:展示模块以产业供需链数字孪生为中心,包含工厂运营、计划执行、采购订单、数字孪生、供货质量、供货状态、销售订单、仓库管理、发货管理的实时数据展示,涵盖网络协同制造的基本方面。后端管理模块管理和配置数据来源,控制展示模块的视觉效果。
此外,网络协同制造系统还包括知识生产、知识组织、知识获取和知识应用四个单元,这四个单元用于确定本发明中提供的协同制造知识图谱和运行风险知识图谱。
用于构建本发明中提供的协同制造知识图谱和运行风险知识图谱的数据,来源于协同制造产业链中各制造企业的生产数据、质量数据、库存数据、人员数据和案例经验等,还包括供方动态、物流数据、时长行情、订单数据和竞品动态等。
本发明设计的网络协同制造系统,将协同制造过程中零部件的生产供应、最终产品的加工组装、产成品的存储发运三个环节所涉及的知识结构进行深入分析,建立本体模型,采用可扩展标记语言(Extensible Markup Language,XML)、资源描述框架(ResourceDescription Framework,RDF)、网络本体语言OWL等技术形式化的描述各本体的概念、术语和关系,形成全产业链的本体模型知识框架。
对协同制造全产业链的各个环节的协同业务流程中不同数据类型的多源、多模和异构数据将采集到的知识数据进行清洗、去噪、消歧等处理后,根据数据类型的不同将知识数据保存到统一的图数据库和表数据库。基于逻辑推理、规则推理或统计学方法推理,发现对各个环节潜在的新实体、新属性以及新关系,采用自顶向下的方式构建全产业链完整的、实时更新的知识图谱。
利用专家经验和从数据中提取的知识构建运行风险知识图谱,结合网络协同制造系统积累的历史风险数据,对风险事件进行自动分析和及时处置。
还构建了机理模型,结合协同制造知识图谱,对网络协同制造系统的关键指标预测和协同效果进行评估,可以为关键生产指标的准确预测提供支持,实现更准确的生产预测和生产协同效果的评估。
本发明提供的网络协同制造系统,支持企业群的业务流程、数据及标准等信息整合,结合产业供需链数字孪生,以实时可视化的方式展示产业链协同制造数据。
图5是本发明实施例提供的基于知识图谱的网络协同制造系统的构建装置的结构示意图;如图5所示,该装置包括:
本体模块501,用于基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型;所述本体模型用于定义概念、概念的属性和概念间的关系;所述协同制造的流程包括生产供应、加工组装和存储发运;
图谱模块502,用于基于所述本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;所述知识数据为基于所述协同制造中产业链的各环节涉及的业务数据和流程数据,确定的包括与实体、属性和关系有关的数据;所述基本元素包括实体、属性和关系;
推理更新模块503,用于对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱;所述新关系为所述实体之间的隐含关系;所述初始的所述协同制造知识图谱是基于所述基本元素,采用自顶向下的方式构建的;
风险模块504,用于利用专家经验和所述知识数据,构建初始的运行风险知识图谱;
系统模块505,用于基于所述协同制造知识图谱、所述运行风险知识图谱和可视化手段,构建网络协同制造系统。
可选地,所述装置的风险模块还用于:
基于所述网络协同制造系统,获取历史风险数据,所述历史风险数据包括历史事故记录、生产过程异常数据;
基于数据挖掘和数据分析,按照异常发生时段、异常原因、异常类型、严重程度和处理对策,对所述历史风险数据进行数据整合;所述处理对策包括维修时段、维修部位、维修手段以及保养时段;
基于风险分析规则,更新初始的所述运行风险知识图谱;所述风险分析规则是基于专家经验制定的。
可选地,所述装置还包括异常感知模块,用于:
监测所述网络协同制造系统是否存在异常数据;
若存在异常数据,基于所述运行风险知识图谱以及图检索算法,分析所述异常数据对应的异常原因、异常类型、严重程度和处理对策;
发送告警消息至协同制造的产业链中相关制造企业;所述告警消息包括所述处理对策。
可选地,所述装置还包括评估模块,用于:
确定所述协同制造知识图谱中目标实体对应的状态变量和初始值;所述目标实体为与物流、生产和技术相关的实体;
基于所述网络协同制造系统的机理模型,构建状态转移矩阵;
基于图迭代算法,在满足预设最大迭代次数或最大时长阈值的情况下,确定所述网络协同制造系统的稳定状态;所述稳定状态为所述协同制造知识图谱中目标实体对应的状态变量的取值为定值。
图6是本发明实施例提供的一种电子设备的结构示意图;如图6所示,该电子设备,包括存储器620,收发机610和处理器600;其中,处理器600与存储器620也可以物理上分开布置。
存储器620,用于存储计算机程序;收发机610,用于在处理器600的控制下收发数据。
具体地,收发机610用于在处理器600的控制下接收和发送数据。
其中,在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本申请不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元,这些传输介质包括无线信道、有线信道、光缆等传输介质。
处理器600负责管理总线架构和通常的处理,存储器620可以存储处理器600在执行操作时所使用的数据。
处理器600可以是中央处理器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD),处理器也可以采用多核架构。
处理器600通过调用存储器620存储的逻辑指令,以执行本申请实施例提供的任一所述方法,例如:
基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型;所述本体模型用于定义概念、概念的属性和概念间的关系;所述协同制造的流程包括生产供应、加工组装和存储发运;
基于所述本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;所述知识数据为基于所述协同制造中产业链的各环节涉及的业务数据和流程数据,确定的包括与实体、属性和关系有关的数据;所述基本元素包括实体、属性和关系;
对所述基本元素进行知识推理,确定所述知识数据中存在的新实体、新属性和新关系中的一种或多种,并更新初始的所述协同制造知识图谱;所述新关系为所述实体之间的隐含关系;所述初始的所述协同制造知识图谱是基于所述基本元素,采用自顶向下的方式构建的;
利用专家经验和所述知识数据,构建初始的运行风险知识图谱;
基于所述协同制造知识图谱、所述运行风险知识图谱和可视化手段,构建网络协同制造系统。
可选地,所述基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型,包括:
基于所述协同制造的流程,确定所述本体模型所应用的范围;
基于协同制造的产业链中各制造企业的协作关系,收集零部件、最终产品和产成品在协同制造的流程中的原始数据;
对所述原始数据进行语义分析,确定本体的结构;所述语义分析手段包括确定概念、概念的属性和概念间的关系;
基于所述本体的结构,和所述原始数据,建立所述本体模型。
可选地所述预处理后的知识数据,对应的获取方法包括:
采集所述协同制造中产业链的各环节涉及的不同格式的业务数据和流程数据,作为初始数据;所述不同格式包括结构化数据、半结构化数据和非结构化数据;
通过预处理手段,将所述初始数据进行处理后,按照不同数据类型匹配至对应的数据库;所述预处理手段包括清洗、去噪和消歧。
可选地,所述对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱,包括:
基于所述基本元素,采用自顶向下的方式构建初始的所述协同制造知识图谱;
基于逻辑推理、规则推理或统计学方法推理,确定所述知识数据中存在的新实体和新属性、以及新关系;
基于预设的量化维度,对知识网络中的实体和关系进行量化;所述知识网络是基于所述知识数据、新实体、新属性和新关系确定的;所述预设的量化维度包括对所述实体按照节点类型、节点属性和节点重要性三个维度进行量化,和对所述关系按照关系强度、关系类型和关系多样性三个维度进行的量化;
基于量化后的所述知识网络,确定各实体和各关系对应的置信度;
筛选满足预设置信度或在预设置信度区间内的所述新实体和所述新关系,作为待构建基本元素;
基于初始的所述协同制造知识图谱、所述待构建基本元素和所述本体模型,确定更新后的所述协同制造知识图谱。
可选地,所述方法还包括:
基于所述网络协同制造系统,获取历史风险数据,所述历史风险数据包括历史事故记录、生产过程异常数据;
基于数据挖掘和数据分析,按照异常发生时段、异常原因、异常类型、严重程度和处理对策,对所述历史风险数据进行数据整合;所述处理对策包括维修时段、维修部位、维修手段以及保养时段;
基于风险分析规则,更新初始的所述运行风险知识图谱;所述风险分析规则是基于专家经验制定的。
可选地,所述方法还包括:
监测所述网络协同制造系统是否存在异常数据;
若存在异常数据,基于所述运行风险知识图谱以及图检索算法,分析所述异常数据对应的异常原因、异常类型、严重程度和处理对策;
发送告警消息至协同制造的产业链中相关制造企业;所述告警消息包括所述处理对策。
可选地,所述方法还包括:
确定所述协同制造知识图谱中目标实体对应的状态变量和初始值;所述目标实体为与物流、生产和技术相关的实体;
基于所述网络协同制造系统的机理模型,构建状态转移矩阵;
基于图迭代算法,在满足预设最大迭代次数或最大时长阈值的情况下,确定所述网络协同制造系统的稳定状态;所述稳定状态为所述协同制造知识图谱中目标实体对应的状态变量的取值为定值。
此外,上述的存储器620中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是,本申请实施例提供的上述电子设备,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的基于知识图谱的网络协同制造系统的构建方法。
另一方面,本申请实施例还提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行上述各实施例提供的基于知识图谱的网络协同制造系统的构建方法。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于知识图谱的网络协同制造系统的构建方法,其特征在于,包括:
基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型;所述本体模型用于定义概念、概念的属性和概念间的关系;所述协同制造的流程包括生产供应、加工组装和存储发运;
基于所述本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;所述知识数据为基于所述协同制造中产业链的各环节涉及的业务数据和流程数据,确定的包括与实体、属性和关系有关的数据;所述基本元素包括实体、属性和关系;
对所述基本元素进行知识推理,确定所述知识数据中存在的新实体、新属性和新关系中的一种或多种,并更新初始的所述协同制造知识图谱;所述新关系为所述实体之间的隐含关系;所述初始的所述协同制造知识图谱是基于所述基本元素,采用自顶向下的方式构建的;
利用专家经验和所述知识数据,构建初始的运行风险知识图谱;
基于所述协同制造知识图谱、所述运行风险知识图谱和可视化手段,构建网络协同制造系统。
2.根据权利要求1所述的基于知识图谱的网络协同制造系统的构建方法,其特征在于,所述基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型,包括:
基于所述协同制造的流程,确定所述本体模型所应用的范围;
基于协同制造的产业链中各制造企业的协作关系,收集零部件、最终产品和产成品在协同制造的流程中的原始数据;
对所述原始数据进行语义分析,确定本体的结构;所述语义分析手段包括确定概念、概念的属性和概念间的关系;
基于所述本体的结构,和所述原始数据,建立所述本体模型。
3.根据权利要求1所述的基于知识图谱的网络协同制造系统的构建方法,其特征在于,所述预处理后的知识数据,对应的获取方法包括:
采集所述协同制造中产业链的各环节涉及的不同格式的业务数据和流程数据,作为初始数据;所述不同格式包括结构化数据、半结构化数据和非结构化数据;
通过预处理手段,将所述初始数据进行处理后,按照不同数据类型匹配至对应的数据库;所述预处理手段包括清洗、去噪和消歧。
4.根据权利要求1所述的基于知识图谱的网络协同制造系统的构建方法,其特征在于,所述对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱,包括:
基于所述基本元素,采用自顶向下的方式构建初始的所述协同制造知识图谱;
基于逻辑推理、规则推理或统计学方法推理,确定所述知识数据中存在的新实体和新属性、以及新关系;
基于预设的量化维度,对知识网络中的实体和关系进行量化;所述知识网络是基于所述知识数据、新实体、新属性和新关系确定的;所述预设的量化维度包括对所述实体按照节点类型、节点属性和节点重要性三个维度进行量化,和对所述关系按照关系强度、关系类型和关系多样性三个维度进行的量化;
基于量化后的所述知识网络,确定各实体和各关系对应的置信度;
筛选满足预设置信度或在预设置信度区间内的所述新实体和所述新关系,作为待构建基本元素;
基于初始的所述协同制造知识图谱、所述待构建基本元素和所述本体模型,确定更新后的所述协同制造知识图谱。
5.根据权利要求1所述的基于知识图谱的网络协同制造系统的构建方法,其特征在于,所述方法还包括:
基于所述网络协同制造系统,获取历史风险数据,所述历史风险数据包括历史事故记录、生产过程异常数据;
基于数据挖掘和数据分析,按照异常发生时段、异常原因、异常类型、严重程度和处理对策,对所述历史风险数据进行数据整合;所述处理对策包括维修时段、维修部位、维修手段以及保养时段;
基于风险分析规则,更新初始的所述运行风险知识图谱;所述风险分析规则是基于专家经验制定的。
6.根据权利要求1或5所述的基于知识图谱的网络协同制造系统的构建方法,其特征在于,所述方法还包括:
监测所述网络协同制造系统是否存在异常数据;
若存在异常数据,基于所述运行风险知识图谱以及图检索算法,分析所述异常数据对应的异常原因、异常类型、严重程度和处理对策;
发送告警消息至协同制造的产业链中相关制造企业;所述告警消息包括所述处理对策。
7.根据权利要求1所述的基于知识图谱的网络协同制造系统的构建方法,其特征在于,所述方法还包括:
确定所述协同制造知识图谱中目标实体对应的状态变量和初始值;所述目标实体为与物流、生产和技术相关的实体;
基于所述网络协同制造系统的机理模型,构建状态转移矩阵;
基于图迭代算法,在满足预设最大迭代次数或最大时长阈值的情况下,确定所述网络协同制造系统的稳定状态;所述稳定状态为所述协同制造知识图谱中目标实体对应的状态变量的取值为定值。
8.一种基于知识图谱的网络协同制造系统的构建装置,其特征在于,包括:
本体模块,用于基于协同制造的产业链中各制造企业的协作关系,以及协同制造的流程,建立本体模型;所述本体模型用于定义概念、概念的属性和概念间的关系;所述协同制造的流程包括生产供应、加工组装和存储发运;
图谱模块,用于基于所述本体模型和预处理后的知识数据,确定用于构建协同制造知识图谱的基本元素;所述知识数据为基于所述协同制造中产业链的各环节涉及的业务数据和流程数据,确定的包括与实体、属性和关系有关的数据;所述基本元素包括实体、属性和关系;
推理更新模块,用于对所述基本元素进行知识推理,确定所述知识数据中存在的新实体和新属性、以及新关系,并更新初始的所述协同制造知识图谱;所述新关系为所述实体之间的隐含关系;所述初始的所述协同制造知识图谱是基于所述基本元素,采用自顶向下的方式构建的;
风险模块,用于利用专家经验和所述知识数据,构建初始的运行风险知识图谱;
系统模块,用于基于所述协同制造知识图谱、所述运行风险知识图谱和可视化手段,构建网络协同制造系统。
9.一种电子设备,其特征在于,包括存储器,收发机,处理器;
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于执行所述存储器中的计算机程序并实现如权利要求1至7中任一项所述的基于知识图谱的网络协同制造系统的构建方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使计算机执行权利要求1至7中任一项所述的基于知识图谱的网络协同制造系统的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713927.9A CN116993306A (zh) | 2023-06-15 | 2023-06-15 | 基于知识图谱的网络协同制造系统的构建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310713927.9A CN116993306A (zh) | 2023-06-15 | 2023-06-15 | 基于知识图谱的网络协同制造系统的构建方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993306A true CN116993306A (zh) | 2023-11-03 |
Family
ID=88525585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310713927.9A Pending CN116993306A (zh) | 2023-06-15 | 2023-06-15 | 基于知识图谱的网络协同制造系统的构建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993306A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473199A (zh) * | 2023-11-17 | 2024-01-30 | 广东永锢电子机械科技有限公司 | 应用于供应链物流系统的信息推送方法及系统 |
CN117807377A (zh) * | 2024-03-01 | 2024-04-02 | 深圳市快金数据技术服务有限公司 | 多维度物流数据挖掘与预测方法及系统 |
CN117892817A (zh) * | 2024-03-15 | 2024-04-16 | 南方科技大学 | 基于制造业全生命周期数据的知识图谱构建方法 |
-
2023
- 2023-06-15 CN CN202310713927.9A patent/CN116993306A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117473199A (zh) * | 2023-11-17 | 2024-01-30 | 广东永锢电子机械科技有限公司 | 应用于供应链物流系统的信息推送方法及系统 |
CN117473199B (zh) * | 2023-11-17 | 2024-03-19 | 广东永锢电子机械科技有限公司 | 应用于供应链物流系统的信息推送方法及系统 |
CN117807377A (zh) * | 2024-03-01 | 2024-04-02 | 深圳市快金数据技术服务有限公司 | 多维度物流数据挖掘与预测方法及系统 |
CN117807377B (zh) * | 2024-03-01 | 2024-05-14 | 深圳市快金数据技术服务有限公司 | 多维度物流数据挖掘与预测方法及系统 |
CN117892817A (zh) * | 2024-03-15 | 2024-04-16 | 南方科技大学 | 基于制造业全生命周期数据的知识图谱构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Naz et al. | Is artificial intelligence an enabler of supply chain resiliency post COVID-19? An exploratory state-of-the-art review for future research | |
Ganesh et al. | Future of artificial intelligence and its influence on supply chain risk management–A systematic review | |
Márquez-Chamorro et al. | Predictive monitoring of business processes: a survey | |
US10339484B2 (en) | System and method for performing signal processing and dynamic analysis and forecasting of risk of third parties | |
Omri et al. | Industrial data management strategy towards an SME-oriented PHM | |
CN116993306A (zh) | 基于知识图谱的网络协同制造系统的构建方法和装置 | |
CN112805697B (zh) | 用于分析和建模内容的系统和方法 | |
US20210209159A1 (en) | Automated master data classification and curation using machine learning | |
US20230123527A1 (en) | Distributed client server system for generating predictive machine learning models | |
CN114341877A (zh) | 根本原因分析方法、装置、电子设备、介质以及程序产品 | |
Cherkaoui et al. | Quantitative assessments of performance and robustness of maintenance policies for stochastically deteriorating production systems | |
Rashid et al. | Completeness and consistency analysis for evolving knowledge bases | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
Tamssaouet et al. | System-level failure prognostics: Literature review and main challenges | |
CN116993215A (zh) | 一种电力装备制造质量智能化评价预警方法及系统 | |
Barros et al. | Predicting weighing deviations in the dispatch workflow process: A case study in a cement industry | |
CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
Zheng | Knowledge representation and decision support for managing product obsolescence | |
Magro et al. | A confirmation technique for predictive maintenance using the Rough Set Theory | |
Ciptomulyono et al. | A new multi-criteria method based on DEMATEL, ANP and grey clustering for quality sorting of incoming cores in remanufacturing systems under epistemic uncertainty: A case study of heavy-duty equipment | |
Hou | Financial Abnormal Data Detection System Based on Reinforcement Learning | |
Bellini et al. | A deep learning approach for short term prediction of industrial plant working status | |
CN114140004A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Wang et al. | Customized product configuration rule intelligent extraction and dynamic updating method based on the least recently used dynamic decision tree | |
Sun | Management Research of Big Data Technology in Financial Decision-Making of Enterprise Cloud Accounting |
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 |