CN117076690A - 一种数据驱动的工艺流程组态方法及系统 - Google Patents

一种数据驱动的工艺流程组态方法及系统 Download PDF

Info

Publication number
CN117076690A
CN117076690A CN202311326626.7A CN202311326626A CN117076690A CN 117076690 A CN117076690 A CN 117076690A CN 202311326626 A CN202311326626 A CN 202311326626A CN 117076690 A CN117076690 A CN 117076690A
Authority
CN
China
Prior art keywords
process flow
primitive
primitives
layout scheme
configuration diagram
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
Application number
CN202311326626.7A
Other languages
English (en)
Other versions
CN117076690B (zh
Inventor
夏军
杨辉
朱建勇
徐芳萍
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong University
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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202311326626.7A priority Critical patent/CN117076690B/zh
Publication of CN117076690A publication Critical patent/CN117076690A/zh
Application granted granted Critical
Publication of CN117076690B publication Critical patent/CN117076690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0633—Workflow 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明涉及数据分析领域，更具体的说，它涉及一种数据驱动的工艺流程组态方法及系统。一种数据驱动的工艺流程组态系统，包括：描述文本获取模块、实体提取模型管理模块、命名实体提取模块、工艺流程知识图谱管理模块、工艺流程三元组输出模块、工艺流程组态图构建模块、检测点信息映射模块和工艺流程组态图显示模块。本发明通过自动识别描述文本中的设备实体，并将设备实体与工艺流程知识图谱进行匹配，自动构建工艺流程组态图，同时将检测点信息映射至工艺流程组态图中的图元中，无需工作人员花费大量时间来梳理工艺流程组态图中图元、管线和数据之间的关系，在针对大型工艺流程的工艺流程组态图的设计时，能够提高工作效率。

Description

一种数据驱动的工艺流程组态方法及系统
技术领域
本发明涉及数据分析领域，更具体的说，它涉及一种数据驱动的工艺流程组态方法及系统。
背景技术
工业制造生产特别是工业流程生产中，涉及大量的工艺方法以及工艺流程，随着自动化及信息技术的普及，通过计算机软件监控、管理生产过程已经是一种常态，现有方案大多数通过购买商用组态软件如西门子WinCC、WonderWare InTouch、组态王等，或者采用自主开发组态软件，完成生产过程的自动化监控管理。通过读取传感器，直接或间接把数据反应在工艺流程组态图中，相关图形状态也随数据改变，可以有效地反应生产制造情况。当生产过程中发现异常时，操作员可以通过组态软件进行查看，必要时，也可以在组态软件上对现场设备进行控制。因此，工艺流程组态图对制造业特别是流程工业的自动化生产过程监控和管理具有重要作用。
但是在设计工艺流程组态图时，特别是大型工艺流程，包含成千上万个图元及管线连接，需要花费大量时间梳理图元、管线、数据之间的关系，工作效率不高。
发明内容
本发明提供一种数据驱动的工艺流程组态方法及系统，通过自动识别描述文本中的设备实体，并将设备实体与工艺流程知识图谱进行匹配，自动构建工艺流程组态图，同时将检测点信息映射至工艺流程组态图中的图元中，无需工作人员花费大量时间来梳理工艺流程组态图中图元、管线和数据之间的关系，在针对大型工艺流程的工艺流程组态图的设计时，能够提高工作效率。
一种数据驱动的工艺流程组态方法，包括：
获取工艺流程对应的描述文本；
通过训练好的实体提取模型对描述文本进行命名实体提取，获取描述文本中所有的命名实体；
将命名实体与工艺流程知识图谱进行匹配，输出匹配成功的所有关联的工艺流程三元组，工艺流程三元组以“命名实体-关系-命名实体”的形式进行存储；
遍历所有工艺流程三元组和命名实体，并基于图元库构建工艺流程组态图，工艺流程组态图中包括所有命名实体对应的图元和工艺流程三元组对应图元之间的管线连接，图元库中包括一一对应的命名实体与图元；
建立工艺流程组态图中各个图元与对应检测点信息的映射关系，检测点信息为来自于实际设备中传感器数据，将检测点信息映射至工艺流程组态图的图元中；
且工艺流程组态图经过渲染之后呈现于显示页面；
工艺流程组态图经过渲染之后呈现于显示页面具体包括如下步骤：遍历所有工艺流程三元组，并针对每个工艺流程三元组建立工艺流程三元组对应图元之间的虚拟边连接，且管线连接和虚拟边连接都是以列表的方式进行存储，虚拟边是对原有管线的扩展；响应用户的操作，并且获取对应的业务指令，业务指令包括划分模式和子图显示策略；遍历工艺流程组态图，并根据业务指令中的划分模式将工艺流程组态图划分为若干个工艺流程组态子图，并针对每个工艺流程组态子图执行对应的子图显示策略，完成工艺流程组态图的渲染；在工艺流程组态图在显示页面进行展示时，持续遍历工艺流程组态图中的图元对应的检测点信息，针对获取的检测点信息，根据检测点信息从虚拟边显示策略库中获取对应的虚拟边显示策略，虚拟边显示策略库由用户进行提前设定，其中包括了不同的检测点信息范围和对应的虚拟边显示策略，且虚拟边显示策略用于实现是否显示图元之间的虚拟边和实现虚拟边的动态显示，执行获取的虚拟边显示策略。
作为本发明优选的一个方面，实体提取模型基于BiLSTM-CRF模型建立，包括预处理层、词向量输出层、BiLSTM层和CRF层，其中预处理层用于对描述文本进行分词和删除停用词操作；词向量输出层用于输出经过预处理层处理后的描述文本中的词语对应的词向量；BiLSTM层和CRF层配合用于描述文本中的词向量进行命名实体类型标注。
作为本发明优选的一个方面，词向量输出层包括待选词向量匹配块和词向量输出块，其中待选词向量匹配块用于将经过预处理层处理后的描述文本中的词语与词汇表进行匹配，输出匹配成功对应的待选词向量，且词汇表有Q个，每一个词汇表中包括一一对应的词语编码和待选词向量；词向量输出块用于根据n×Q个待选词向量输出词向量，n为将经过预处理层处理后的描述文本中的词语的总个数；
词汇表的建立方法如下：获取工艺流程描述文件样本组成的工艺流程描述文件训练集；将工艺流程描述文件训练集中的所有工艺流程描述文件样本经过分词和删除停用词操作，输出所有词语；将所有词语分别送入Q个Word2vec模型中进行训练，输出Q个词汇表；Word2vec模型包括输入层、隐藏层和输出层，Q个Word2vec模型的不同之处在于内部的隐藏层的节点个数不同，使得不同词汇表中的待选词向量的维度不同；
根据n×Q个待选词向量输出词向量，具体包括如下步骤：将所有词汇表根据对应的Word2vec模型的隐藏层节点个数从小到大进行排列，并记为词汇表Dq，q=1，2，3······Q，将经过预处理层处理后的描述文本中的词语与词汇表Dq匹配后获取的待选词向量组成特征图Fq，特征图Fq的尺寸为Hq×n，Hq为词汇表Dq对应的Word2vec模型的隐藏层节点个数；将特征图FQ经过一次卷积操作，得到暂存特征图ZQ，且暂存特征图ZQ与特征图FQ-1的尺寸一致；将暂存特征图ZQ与特征图FQ-1进行拼接融合，再经过一次卷积操作，得到暂存特征图ZQ-1，且暂存特征图ZQ-1与特征图FQ-2的尺寸一致；将暂存特征图ZQ-1与特征图FQ-2进行拼接融合，再经过一次卷积操作，得到暂存特征图ZQ-2，且暂存特征图ZQ-2与特征图FQ-3的尺寸一致；以此类推，直至得到暂存特征图Z1，暂存特征图Z1中每一列即为一个词向量。
作为本发明优选的一个方面，通过训练好的实体提取模型对描述文本进行命名实体提取，具体包括如下步骤：获取描述文本，将描述文本经过预处理层进程处理；再通过词向量输出层处理输出经过预处理层处理后的描述文本中的词语对应的词向量；将词向量逐个输入BiLSTM层中，再经过CRF层处理，输出命名实体。
作为本发明优选的一个方面，工艺流程知识图谱的构建具体包括如下步骤：获取工艺流程描述文件样本组成的工艺流程描述文件训练集，通过实体提取模型提取工艺流程描述文件训练集中的所有命名实体，再通过Mutil Att_BiGRU模型进行命名实体关系抽取，基于命名实体和命名实体关系构建工艺流程三元组，所有工艺流程三元组组成工艺流程知识图谱。
作为本发明优选的一个方面，遍历所有工艺流程三元组和命名实体，并基于图元库构建工艺流程组态图，具体包括如下步骤：遍历所有命名实体，再从图元库中获取所有命名实体对应的图元，并将所有图元记为Ui，i=1，2，3······I，I为图元的总数量；
基于所有的图元大小输出画布，画布的大小为L×W，其中，/>为画布的长，/>为图元Ui对应的长，/>为扩展距离；/>，/>为画布的宽，/>为图元Ui对应的宽；
选择所有图元Ui中尺寸最大的图元，记为Uα，按照图元Uα的尺寸将画布进行网格划分；网格的总个数为/>；
以画布的左上角为原点，以水平向右为X轴，以竖直向下为Y轴，对画布中的每个网格进行坐标赋值，并以画布的左上角为起点，从左至右来回遍历对画布内的网格进行编号，即将网格记为Rt，t为网格编号，t=1，2，3······T，T为网格编号的总数量，且；建立网格Rt与坐标（xt，yt）之间的一一对应关系；
将所有图元Ui随机分配至画布中的网格内，并基于遗传算法对所有图元Ui在画布内的布局进行模拟，输出最优布局方案；
基于所有图元Ui在画布中的最优布局方案将图元插入至画布中，再遍历所有工艺流程三元组，对工艺流程三元组中对应的两个命名实体对应的图元进行管线连接，当所有管线连接完成后，得到工艺流程组态图。
作为本发明优选的一个方面，并基于遗传算法对所有图元Ui在画布内的布局进行模拟，具体包括如下步骤：
S1：基于图元Ui和网格Rt建立种群集合，种群集合中包括M个图元模拟布局方案Em，m=1，2，3······M，M为种群集合中图元模拟布局方案Em的总数量；图元模拟布局方案Em内部的形式为{ε1m，ε2m…εim…εIm}，其中εim为图元Ui分配的网格编号；
基于图元Ui和网格Rt建立种群集合，具体步骤如下：
S1.1：建立一个空的图元模拟集合ζm，按照i从1至I的顺序逐个选择图元Ui，针对选择的图元Ui，从所有网格Rt中随机选择一个网格Rt，并将对应的网格编号t存入图元模拟集合ζm中，直至所有图元Ui选择完毕，输出图元模拟集合ζm作为图元模拟布局方案Em；
S1.2：重复M次上述步骤S1.1，生成M个图元模拟布局方案Em，并将M个图元模拟布局方案Em组成种群集合；
S2：设置最大迭代次数G，令g=1，g用于记录迭代次数，建立最优布局方案暂存库，最优布局方案暂存库初始为空；
S3：依次计算种群集合中M个图元模拟布局方案Em对应的适应度δm，判断最优布局方案暂存库内是否为空，若是，则将最高适应度δm对应的图元模拟布局方案Em存入最优布局方案暂存库中；否则，将最高适应度δm对应的图元模拟布局方案Em替换最优布局方案暂存库内的存储的图元模拟布局方案；
计算图元模拟布局方案Em对应的适应度δm，包括如下内容：遍历所有工艺流程三元组，针对每一个选择的工艺流程三元组，将工艺流程三元组中两个命名实体中对应的图元的编号按照（η，μ）的形式存入工艺流程集合B中，其中η和μ分别为选择的工艺流程三元组中两个命名实体中对应的图元的编号，且满足η∈{1，2，3······I}，μ∈{1，2，3······I}；通过如下公式计算图元模拟布局方案Em对应的适应度δm，，
其为满足工艺流程三元组中两个命名实体中对应的图元Uη分配的网格的横坐标，/>为满足工艺流程三元组中两个命名实体中对应的图元Uμ分配的网格的横坐标，为满足工艺流程三元组中两个命名实体中对应的图元Uη分配的网格的纵坐标，为满足工艺流程三元组中两个命名实体中对应的图元Uμ分配的网格的纵坐标；
S4：基于图元模拟布局方案Em对应的适应度δm计算图元模拟布局方案Em对应的选择概率，并在选择概率Pm的基础上采用轮盘赌选择算法选择/>个图元模拟布局方案Em，并将选择/>个图元模拟布局方案Em组成图元模拟布局方案父本；
S5：对图元模拟布局方案父本中的所有图元模拟布局方案Em执行交叉操作，输出图元模拟布局方案子本；
S6：对图元模拟布局方案子本中的图元模拟布局方案执行变异操作，对图元模拟布局方案子本进行更新；
S7：判断“g＜G”是否成立，若是“g＜G”成立，将g+1赋值给g，将图元模拟布局方案父本和图元模拟布局方案子本组成种群集合，回到S3；若是“g＜G”不成立，进入S8；
S8：输出待选最优布局方案库中适应度最高的图元模拟布局方案作为最优布局方案进行输出。
一种数据驱动的工艺流程组态系统，包括：
描述文本获取模块，用于获取工艺流程对应的描述文本；
实体提取模型管理模块，用于训练和存储实体提取模型；
命名实体提取模块，用于通过训练好的实体提取模型对描述文本进行命名实体提取，获取描述文本中所有的命名实体；
工艺流程知识图谱管理模块，用于建立和管理工艺流程知识图谱；
工艺流程三元组输出模块，用于将命名实体与工艺流程知识图谱进行匹配，输出匹配成功的所有关联的工艺流程三元组；
工艺流程组态图构建模块，用于遍历所有工艺流程三元组和命名实体，工艺流程组态图中包括所有命名实体对应的图元和工艺流程三元组对应图元之间的管线连接，并基于图元库构建工艺流程组态图，图元库中包括一一对应的命名实体与图元；
检测点信息映射模块，用于建立工艺流程组态图中各个图元与对应检测点信息的映射关系，检测点信息为来自于实际设备中传感器数据；
工艺流程组态图显示模块，用于将工艺流程组态图进行渲染并呈现于显示页面。
本发明具有以下优点：
1、本发明通过自动识别描述文本中的设备实体，并将设备实体与工艺流程知识图谱进行匹配，自动构建工艺流程组态图，同时将检测点信息映射至工艺流程组态图中的图元中，无需工作人员花费大量时间来梳理工艺流程组态图中图元、管线和数据之间的关系，在针对大型工艺流程的工艺流程组态图的设计时，能够提高工作效率。
2、本发明通过若干个Word2vec模型生成若干个待选词向量，以此来扩大数据量，并且通过不同词向量组成的特征图进行多尺度融合，避免过拟合的影响，进而提升命名实体提取的准确率。
3、本发明通过对图元的布局方案进行遗传算法模拟，实现图元的自动布局，在针对大型工艺流程的工艺流程组态图，能够自动生成工艺流程组态图的大致布局，无需工作人员花费大量时间来研究图元的排布，能够进一步提升工作效率。
附图说明
图1为本发明实施例采用的数据驱动的工艺流程组态系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例1，一种数据驱动的工艺流程组态方法，包括：
获取工艺流程对应的描述文本，描述文本为专业人员撰写，是根据产品的制造流程所撰写的操作步骤，详细记录了每个操作步骤的具体内容，包括所需材料、设备、工具、操作方法、参数要求等；
通过训练好的实体提取模型对描述文本进行命名实体提取，获取描述文本中所有的命名实体，命名实体是指描述文本中的名词，例如加热器、萃取罐和管道泵等，此命名实体便对应后续组态构建的工艺流程组态图中的图元；
将命名实体与工艺流程知识图谱进行匹配，输出匹配成功的所有关联的工艺流程三元组；需要说明的是，工艺流程三元组以“命名实体-关系-命名实体”的形式进行存储，例如加热器-流向-萃取罐，即代表物料在加热器中处理后会流向萃取罐，为工艺流程组态图中的一部分内容；在实际执行的过程，也可以直接自动读取工艺图纸，例如visio图纸，并采用模式匹配的方法，针对visio图纸中的连线、标注和设备等元素进行匹配，获取工艺图纸中的图元节点，此图元节点相当于命名实体；
遍历所有工艺流程三元组和命名实体，并基于图元库构建工艺流程组态图，工艺流程组态图中包括所有命名实体对应的图元和工艺流程三元组对应图元之间的管线连接，图元库中包括一一对应的命名实体与图元；
建立工艺流程组态图中各个图元与对应检测点信息的映射关系，检测点信息为来自于实际设备中传感器数据，例如水位数据和温度数据等，将检测点信息映射至工艺流程组态图的图元中；
且工艺流程组态图经过渲染之后呈现于显示页面，用户可以直接通过显示页面对工艺流程中各个环节的检测点进行查看和分析；
工艺流程组态图经过渲染之后呈现于显示页面具体包括如下步骤：遍历所有工艺流程三元组，并针对每个工艺流程三元组建立工艺流程三元组对应图元之间的虚拟边连接，且管线连接和虚拟边连接都是以列表的方式进行存储，虚拟边是对原有管线的扩展；响应用户的操作，并且获取对应的业务指令，业务指令包括划分模式和子图显示策略，需要说明的是，业务指令是根据项目方的要求进行定制的，其中定义了如何将整个工艺流程组态图拆分为若干个工艺流程组态子图，如何针对每个工艺流程组态子图执行对应子图显示策略，子图显示策略是指每个工艺流程组态子图呈现于显示页面时所定义的颜色设置和标注字体设置等，例如针对一个工艺流程组态子图，子图显示策略可以为区域设备对应的图元需要动态标绿，管线需要以蓝色满管方式显示，且子图显示策略以xml或者json格式进行存储；遍历工艺流程组态图，并根据业务指令中的划分模式将工艺流程组态图划分为若干个工艺流程组态子图，并针对每个工艺流程组态子图执行对应的子图显示策略，完成工艺流程组态图的渲染；在工艺流程组态图在显示页面进行展示时，持续遍历工艺流程组态图中的图元对应的检测点信息，针对获取的检测点信息，根据检测点信息从虚拟边显示策略库中获取对应的虚拟边显示策略，虚拟边显示策略库由用户进行提前设定，其中包括了不同的检测点信息范围和对应的虚拟边显示策略，且虚拟边显示策略用于实现是否显示图元之间的虚拟边和实现虚拟边的动态显示，执行获取的虚拟边显示策略，进一步实现工艺流程组态图的动态显示。
本申请通过自动识别描述文本中的设备实体，并将设备实体与工艺流程知识图谱进行匹配，自动构建工艺流程组态图，同时将检测点信息映射至工艺流程组态图中的图元中，无需工作人员花费大量时间来梳理工艺流程组态图中图元、管线和数据之间的关系，在针对大型工艺流程的工艺流程组态图的设计时，能够提高工作效率。
实体提取模型基于BiLSTM-CRF模型建立，包括预处理层、词向量输出层、BiLSTM层和CRF层，其中预处理层用于对描述文本进行分词和删除停用词操作，停用词是指例如语气词、虚词和标点符号等对命名实体提取无影响的词语；词向量输出层用于输出经过预处理层处理后的描述文本中的词语对应的词向量；BiLSTM层和CRF层配合用于描述文本中的词向量进行命名实体类型标注，实体类型包括设备实体、材料实体和参数实体等，需要具体说明的是，根据描述文本建立工艺流程组态图，需要知道描述文本中的对应的设备，例如加药箱等，再将产品制备过程中物料流经的设备通过管线连接起来；
词向量输出层包括待选词向量匹配块和词向量输出块，其中待选词向量匹配块用于将经过预处理层处理后的描述文本中的词语与词汇表进行匹配，输出匹配成功对应的待选词向量，且词汇表有Q个，每一个词汇表中包括一一对应的词语编码和待选词向量，需要说明的是，词语编码方式可以采用ASCALL编码方式；词向量输出块用于根据n×Q个待选词向量输出词向量，n为将经过预处理层处理后的描述文本中的词语的总个数；
词汇表的建立方法如下：获取工艺流程描述文件样本组成的工艺流程描述文件训练集，需要说明的，工艺流程描述文件样本是指通过爬虫手段从互联网上采集的所有的工艺流程描述文件，并且通过专家检索或具备使用价值的；将工艺流程描述文件训练集中的所有工艺流程描述文件样本经过分词和删除停用词操作，输出所有词语；将所有词语分别送入Q个Word2vec模型中进行训练，输出Q个词汇表；Word2vec模型包括输入层、隐藏层和输出层，Q个Word2vec模型的不同之处在于内部的隐藏层的节点个数不同，使得不同词汇表中的待选词向量的维度不同；在本申请中，Q可以设置为3，对应Word2vec模型中隐藏层的节点个数分别为200、300和500个；针对Word2vec模型中的训练可以采用CBOW模型和Skip-Gram模型两种方式，并且采用层次化softmax和负采样两种方法加速概率计算过程；
根据n×Q个待选词向量输出词向量，具体包括如下步骤：将所有词汇表根据对应的Word2vec模型的隐藏层节点个数从小到大进行排列，并记为词汇表Dq，q=1，2，3······Q，将经过预处理层处理后的描述文本中的词语与词汇表Dq匹配后获取的待选词向量组成特征图Fq，特征图Fq的尺寸为Hq×n，Hq为词汇表Dq对应的Word2vec模型的隐藏层节点个数；将特征图FQ经过一次卷积操作，得到暂存特征图ZQ，且暂存特征图ZQ与特征图FQ-1的尺寸一致；将暂存特征图ZQ与特征图FQ-1进行拼接融合，再经过一次卷积操作，得到暂存特征图ZQ-1，且暂存特征图ZQ-1与特征图FQ-2的尺寸一致；将暂存特征图ZQ-1与特征图FQ-2进行拼接融合，再经过一次卷积操作，得到暂存特征图ZQ-2，且暂存特征图ZQ-2与特征图FQ-3的尺寸一致；以此类推，直至得到暂存特征图Z1，暂存特征图Z1中每一列即为一个词向量；
由于工艺流程描述文本的数据量较少，且专业词汇和缩略词汇较多，在直接进行后续的BiLSTM层和CRF层训练时，会导致过拟合的现象出现，降低命名实体提取的准确率，因此，本申请通过若干个Word2vec模型生成若干个待选词向量，以此来扩大数据量，并且通过不同词向量组成的特征图进行多尺度融合，避免过拟合的影响，进而提升命名实体提取的准确率。
BiLSTM层和CRF层中的BiLSTM层采用双向长短期记忆网络模型（BiLSTM），能够充分的利用上下文信息，获得更好的命名实体提取效果；CRF层采用条件随机场（CRF），能够结合相邻数据信息自动生成约束，例如连续两个动词性的命名实体，从而有效避免预测结果中的不合理语义，达到更好的实体标注性能；具体的命名实体标注过程可以参考现有的BiLSTM层和CRF层，在此不进行赘述。
通过训练好的实体提取模型对描述文本进行命名实体提取，具体包括如下步骤：获取描述文本，将描述文本经过预处理层进程处理；再通过词向量输出层处理输出经过预处理层处理后的描述文本中的词语对应的词向量；将词向量逐个输入BiLSTM层中，再经过CRF层处理，输出命名实体。
工艺流程知识图谱的构建具体包括如下步骤：获取工艺流程描述文件样本组成的工艺流程描述文件训练集，通过实体提取模型提取工艺流程描述文件训练集中的所有命名实体，再通过Mutil Att_BiGRU模型进行命名实体关系抽取，基于命名实体和命名实体关系构建工艺流程三元组，所有工艺流程三元组组成工艺流程知识图谱；Mutil Att_BiGRU模型为现有技术中的实体关系抽取模型，在此不进行赘述。
遍历所有工艺流程三元组和命名实体，并基于图元库构建工艺流程组态图，具体包括如下步骤：
遍历所有命名实体，再从图元库中获取所有命名实体对应的图元，并将所有图元记为Ui，i=1，2，3······I，I为图元的总数量；
基于所有的图元大小输出画布，画布的大小为L×W，其中，/>为画布的长，/>为图元Ui对应的长，/>为扩展距离，由用户进行设定；/>，/>为画布的宽，/>为图元Ui对应的宽；
选择所有图元Ui中尺寸最大的图元，记为Uα，按照图元Uα的尺寸将画布进行网格划分，需要说明的是，当按照图元Uα的尺寸无法完整地将画布进行网格划分时，可以自适应地调整；网格的总个数为/>；
以画布的左上角为原点，以水平向右为X轴，以竖直向下为Y轴，对画布中的每个网格进行坐标赋值，例如左上角的网格赋值坐标为（1，1），右下角的赋值坐标为；并以画布的左上角为起点，从左至右来回遍历对画布内的网格进行编号，即将网格记为Rt，t为网格编号，t=1，2，3······T，T为网格编号的总数量，且/>；建立网格Rt与坐标（xt，yt）之间的一一对应关系；
将所有图元Ui随机分配至画布中的网格内，并基于遗传算法对所有图元Ui在画布内的布局进行模拟，输出最优布局方案；
基于所有图元Ui在画布中的最优布局方案将图元插入至画布中，再遍历所有工艺流程三元组，对工艺流程三元组中对应的两个命名实体对应的图元进行管线连接，当所有管线连接完成后，得到工艺流程组态图。
并基于遗传算法对所有图元Ui在画布内的布局进行模拟，具体包括如下步骤：
S1：基于图元Ui和网格Rt建立种群集合，种群集合中包括M个图元模拟布局方案Em，m=1，2，3······M，M为种群集合中图元模拟布局方案Em的总数量；图元模拟布局方案Em内部的形式为{ε1m，ε2m…εim…εIm}，其中εim为图元Ui分配的网格编号；
基于图元Ui和网格Rt建立种群集合，具体步骤如下：
S1.1：建立一个空的图元模拟集合ζm，按照i从1至I的顺序逐个选择图元Ui，针对选择的图元Ui，从所有网格Rt中随机选择一个网格Rt，并将对应的网格编号t存入图元模拟集合ζm中，直至所有图元Ui选择完毕，输出图元模拟集合ζm作为图元模拟布局方案Em；
S1.2：重复M次上述步骤S1.1，生成M个图元模拟布局方案Em，并将M个图元模拟布局方案Em组成种群集合。
S2：设置最大迭代次数G，令g=1，g用于记录迭代次数，建立最优布局方案暂存库，最优布局方案暂存库初始为空；
S3：依次计算种群集合中M个图元模拟布局方案Em对应的适应度δm，判断最优布局方案暂存库内是否为空，若是，则将最高适应度δm对应的图元模拟布局方案Em存入最优布局方案暂存库中；否则，将最高适应度δm对应的图元模拟布局方案Em替换最优布局方案暂存库内的存储的图元模拟布局方案；
计算图元模拟布局方案Em对应的适应度δm，包括如下内容：遍历所有工艺流程三元组，针对每一个选择的工艺流程三元组，将工艺流程三元组中两个命名实体中对应的图元的编号按照（η，μ）的形式存入工艺流程集合B中，其中η和μ分别为选择的工艺流程三元组中两个命名实体中对应的图元的编号，且满足η∈{1，2，3······I}，μ∈{1，2，3······I}；通过如下公式计算图元模拟布局方案Em对应的适应度δm，，
其为满足工艺流程三元组中两个命名实体中对应的图元Uη分配的网格的横坐标，/>为满足工艺流程三元组中两个命名实体中对应的图元Uμ分配的网格的横坐标，为满足工艺流程三元组中两个命名实体中对应的图元Uη分配的网格的纵坐标，为满足工艺流程三元组中两个命名实体中对应的图元Uμ分配的网格的纵坐标；
S4：基于图元模拟布局方案Em对应的适应度δm计算图元模拟布局方案Em对应的选择概率，并在选择概率Pm的基础上采用轮盘赌选择算法选择/>个图元模拟布局方案Em，并将选择/>个图元模拟布局方案Em组成图元模拟布局方案父本；
S5：对图元模拟布局方案父本中的所有图元模拟布局方案Em执行交叉操作，输出图元模拟布局方案子本；
执行交叉操作具体包括如下内容：将图元模拟布局方案父本进行复制，得到图元模拟布局方案备份父本，从图元模拟布局方案备份父本中随机选择两个图元模拟布局方案Em，分别记为图元模拟布局方案Eθ和图元模拟布局方案Eφ，同时将图元模拟布局方案Eθ和图元模拟布局方案Eφ从图元模拟布局方案父本中删除，随机从图元模拟布局方案Eθ中选择一个基因片段并与图元模拟布局方案Eφ对应的基因片段进行交换，基因片段为一部分连续的网格编号，并将交换后的两个图元模拟布局方案存入图元模拟布局方案子本；重复上述步骤，直至图元模拟布局方案备份父本没有图元模拟布局方案可选为止，输出图元模拟布局方案子本；
S6：对图元模拟布局方案子本中的图元模拟布局方案执行变异操作，对图元模拟布局方案子本进行更新；
执行变异操作具体包括如下内容：从图元模拟布局方案子本中依次选择图元模拟布局方案Em，通过随机函数生成一个0至1之间的随机数ε，判断“ε＜Pc”是否成立，其中Pc为变异概率，由用户进行设定，一般为0.7，若是“ε＜Pc”成立，不对选择的图元模拟布局方案Em进行操作；若是“ε＜Pc”不成立，从图元模拟布局方案Em随机选择一个网格编号，并替换为其他网格编号；
S7：判断“g＜G”是否成立，若是“g＜G”成立，说明还未到达最大迭代次数，将g+1赋值给g，将图元模拟布局方案父本和图元模拟布局方案子本组成种群集合，回到S3；若是“g＜G”不成立，说明已经到达最大迭代次数，进入S8；
S8：输出待选最优布局方案库中适应度最高的图元模拟布局方案作为最优布局方案进行输出。
本申请通过对图元的布局方案进行遗传算法模拟，实现图元的自动布局，在针对大型工艺流程的工艺流程组态图，能够自动生成工艺流程组态图的大致布局，无需工作人员花费大量时间来研究图元的排布，能够进一步提升工作效率。
实施例2，一种数据驱动的工艺流程组态系统，如图1所示，包括：
描述文本获取模块，用于获取工艺流程对应的描述文本；
实体提取模型管理模块，用于训练和存储实体提取模型；
命名实体提取模块，用于通过训练好的实体提取模型对描述文本进行命名实体提取，获取描述文本中所有的命名实体；
工艺流程知识图谱管理模块，用于建立和管理工艺流程知识图谱；
工艺流程三元组输出模块，用于将命名实体与工艺流程知识图谱进行匹配，输出匹配成功的所有关联的工艺流程三元组；
工艺流程组态图构建模块，用于遍历所有工艺流程三元组和命名实体，工艺流程组态图中包括所有命名实体对应的图元和工艺流程三元组对应图元之间的管线连接，并基于图元库构建工艺流程组态图，图元库中包括一一对应的命名实体与图元；
检测点信息映射模块，用于建立工艺流程组态图中各个图元与对应检测点信息的映射关系，检测点信息为来自于实际设备中传感器数据；
工艺流程组态图显示模块，用于将工艺流程组态图进行渲染并呈现于显示页面。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种数据驱动的工艺流程组态方法，其特征在于，包括：
获取工艺流程对应的描述文本；
通过训练好的实体提取模型对描述文本进行命名实体提取，获取描述文本中所有的命名实体；
将命名实体与工艺流程知识图谱进行匹配，输出匹配成功的所有关联的工艺流程三元组，工艺流程三元组以“命名实体-关系-命名实体”的形式进行存储；
遍历所有工艺流程三元组和命名实体，并基于图元库构建工艺流程组态图，工艺流程组态图中包括所有命名实体对应的图元和工艺流程三元组对应图元之间的管线连接，图元库中包括一一对应的命名实体与图元；
建立工艺流程组态图中各个图元与对应检测点信息的映射关系，检测点信息为来自于实际设备中传感器数据，将检测点信息映射至工艺流程组态图的图元中；
且工艺流程组态图经过渲染之后呈现于显示页面；
工艺流程组态图经过渲染之后呈现于显示页面，具体包括如下步骤：遍历所有工艺流程三元组，并针对每个工艺流程三元组建立工艺流程三元组对应图元之间的虚拟边连接，且管线连接和虚拟边连接都是以列表的方式进行存储，虚拟边是对原有管线的扩展；响应用户的操作，并且获取对应的业务指令，业务指令包括划分模式和子图显示策略；遍历工艺流程组态图，并根据业务指令中的划分模式将工艺流程组态图划分为若干个工艺流程组态子图，并针对每个工艺流程组态子图执行对应的子图显示策略，完成工艺流程组态图的渲染；在工艺流程组态图在显示页面进行展示时，持续遍历工艺流程组态图中的图元对应的检测点信息，针对获取的检测点信息，根据检测点信息从虚拟边显示策略库中获取对应的虚拟边显示策略，虚拟边显示策略库由用户进行提前设定，其中包括了不同的检测点信息范围和对应的虚拟边显示策略，且虚拟边显示策略用于实现是否显示图元之间的虚拟边和实现虚拟边的动态显示，执行获取的虚拟边显示策略。
2.根据权利要求1所述的一种数据驱动的工艺流程组态方法，其特征在于，实体提取模型基于BiLSTM-CRF模型建立，包括预处理层、词向量输出层、BiLSTM层和CRF层，其中预处理层用于对描述文本进行分词和删除停用词操作；词向量输出层用于输出经过预处理层处理后的描述文本中的词语对应的词向量；BiLSTM层和CRF层配合用于描述文本中的词向量进行命名实体类型标注。
3.根据权利要求2所述的一种数据驱动的工艺流程组态方法，其特征在于，词向量输出层包括待选词向量匹配块和词向量输出块，其中待选词向量匹配块用于将经过预处理层处理后的描述文本中的词语与词汇表进行匹配，输出匹配成功对应的待选词向量，且词汇表有Q个，每一个词汇表中包括一一对应的词语编码和待选词向量；词向量输出块用于根据n×Q个待选词向量输出词向量，n为将经过预处理层处理后的描述文本中的词语的总个数；
词汇表的建立方法如下：获取工艺流程描述文件样本组成的工艺流程描述文件训练集；将工艺流程描述文件训练集中的所有工艺流程描述文件样本经过分词和删除停用词操作，输出所有词语；将所有词语分别送入Q个Word2vec模型中进行训练，输出Q个词汇表；Word2vec模型包括输入层、隐藏层和输出层，Q个Word2vec模型的不同之处在于内部的隐藏层的节点个数不同，使得不同词汇表中的待选词向量的维度不同；
根据n×Q个待选词向量输出词向量，具体包括如下步骤：将所有词汇表根据对应的Word2vec模型的隐藏层节点个数从小到大进行排列，并记为词汇表Dq，q=1，2，3······Q，将经过预处理层处理后的描述文本中的词语与词汇表Dq匹配后获取的待选词向量组成特征图Fq，特征图Fq的尺寸为Hq×n，Hq为词汇表Dq对应的Word2vec模型的隐藏层节点个数；将特征图FQ经过一次卷积操作，得到暂存特征图ZQ，且暂存特征图ZQ与特征图FQ-1的尺寸一致；将暂存特征图ZQ与特征图FQ-1进行拼接融合，再经过一次卷积操作，得到暂存特征图ZQ-1，且暂存特征图ZQ-1与特征图FQ-2的尺寸一致；将暂存特征图ZQ-1与特征图FQ-2进行拼接融合，再经过一次卷积操作，得到暂存特征图ZQ-2，且暂存特征图ZQ-2与特征图FQ-3的尺寸一致；以此类推，直至得到暂存特征图Z1，暂存特征图Z1中每一列即为一个词向量。
4.根据权利要求3所述的一种数据驱动的工艺流程组态方法，其特征在于，通过训练好的实体提取模型对描述文本进行命名实体提取，具体包括如下步骤：获取描述文本，将描述文本经过预处理层进程处理；再通过词向量输出层处理输出经过预处理层处理后的描述文本中的词语对应的词向量；将词向量逐个输入BiLSTM层中，再经过CRF层处理，输出命名实体。
5.根据权利要求4所述的一种数据驱动的工艺流程组态方法，其特征在于，工艺流程知识图谱的构建具体包括如下步骤：获取工艺流程描述文件样本组成的工艺流程描述文件训练集，通过实体提取模型提取工艺流程描述文件训练集中的所有命名实体，再通过MutilAtt_BiGRU模型进行命名实体关系抽取，基于命名实体和命名实体关系构建工艺流程三元组，所有工艺流程三元组组成工艺流程知识图谱。
6.根据权利要求5所述的一种数据驱动的工艺流程组态方法，其特征在于，遍历所有工艺流程三元组和命名实体，并基于图元库构建工艺流程组态图，具体包括如下步骤：遍历所有命名实体，再从图元库中获取所有命名实体对应的图元，并将所有图元记为Ui，i=1，2，3······I，I为图元的总数量；
基于所有的图元大小输出画布，画布的大小为L×W，其中，/>为画布的长，/>为图元Ui对应的长，/>为扩展距离；/>，/>为画布的宽，/>为图元Ui对应的宽；
选择所有图元Ui中尺寸最大的图元，记为Uα，按照图元Uα的尺寸将画布进行网格划分；网格的总个数为/>；
以画布的左上角为原点，以水平向右为X轴，以竖直向下为Y轴，对画布中的每个网格进行坐标赋值，并以画布的左上角为起点，从左至右来回遍历对画布内的网格进行编号，即将网格记为Rt，t为网格编号，t=1，2，3······T，T为网格编号的总数量，且；建立网格Rt与坐标（xt，yt）之间的一一对应关系；
将所有图元Ui随机分配至画布中的网格内，并基于遗传算法对所有图元Ui在画布内的布局进行模拟，输出最优布局方案；
基于所有图元Ui在画布中的最优布局方案将图元插入至画布中，再遍历所有工艺流程三元组，对工艺流程三元组中对应的两个命名实体对应的图元进行管线连接，当所有管线连接完成后，得到工艺流程组态图。
7.根据权利要求6所述的一种数据驱动的工艺流程组态方法，其特征在于，并基于遗传算法对所有图元Ui在画布内的布局进行模拟，具体包括如下步骤：
S1：基于图元Ui和网格Rt建立种群集合，种群集合中包括M个图元模拟布局方案Em，m=1，2，3······M，M为种群集合中图元模拟布局方案Em的总数量；图元模拟布局方案Em内部的形式为{ε1m，ε2m…εim…εIm}，其中εim为图元Ui分配的网格编号；
基于图元Ui和网格Rt建立种群集合，具体步骤如下：
S1.1：建立一个空的图元模拟集合ζm，按照i从1至I的顺序逐个选择图元Ui，针对选择的图元Ui，从所有网格Rt中随机选择一个网格Rt，并将对应的网格编号t存入图元模拟集合ζm中，直至所有图元Ui选择完毕，输出图元模拟集合ζm作为图元模拟布局方案Em；
S1.2：重复M次上述步骤S1.1，生成M个图元模拟布局方案Em，并将M个图元模拟布局方案Em组成种群集合；
S2：设置最大迭代次数G，令g=1，g用于记录迭代次数，建立最优布局方案暂存库，最优布局方案暂存库初始为空；
S3：依次计算种群集合中M个图元模拟布局方案Em对应的适应度δm，判断最优布局方案暂存库内是否为空，若是，则将最高适应度δm对应的图元模拟布局方案Em存入最优布局方案暂存库中；否则，将最高适应度δm对应的图元模拟布局方案Em替换最优布局方案暂存库内的存储的图元模拟布局方案；
计算图元模拟布局方案Em对应的适应度δm，包括如下内容：遍历所有工艺流程三元组，针对每一个选择的工艺流程三元组，将工艺流程三元组中两个命名实体中对应的图元的编号按照（η，μ）的形式存入工艺流程集合B中，其中η和μ分别为选择的工艺流程三元组中两个命名实体中对应的图元的编号，且满足η∈{1，2，3······I}，μ∈{1，2，3······I}；通过如下公式计算图元模拟布局方案Em对应的适应度δm，
，其中/>为满足工艺流程三元组中两个命名实体中对应的图元Uη分配的网格的横坐标，/>为满足工艺流程三元组中两个命名实体中对应的图元Uμ分配的网格的横坐标，/>为满足工艺流程三元组中两个命名实体中对应的图元Uη分配的网格的纵坐标，/>为满足工艺流程三元组中两个命名实体中对应的图元Uμ分配的网格的纵坐标；
S4：基于图元模拟布局方案Em对应的适应度δm计算图元模拟布局方案Em对应的选择概率，并在选择概率Pm的基础上采用轮盘赌选择算法选择/>个图元模拟布局方案Em，并将选择/>个图元模拟布局方案Em组成图元模拟布局方案父本；
S5：对图元模拟布局方案父本中的所有图元模拟布局方案Em执行交叉操作，输出图元模拟布局方案子本；
S6：对图元模拟布局方案子本中的图元模拟布局方案执行变异操作，对图元模拟布局方案子本进行更新；
S7：判断“g＜G”是否成立，若是“g＜G”成立，将g+1赋值给g，将图元模拟布局方案父本和图元模拟布局方案子本组成种群集合，回到S3；若是“g＜G”不成立，进入S8；
S8：输出待选最优布局方案库中适应度最高的图元模拟布局方案作为最优布局方案进行输出。
8.一种数据驱动的工艺流程组态系统，其特征在于，包括：
描述文本获取模块，用于获取工艺流程对应的描述文本；
实体提取模型管理模块，用于训练和存储实体提取模型；
命名实体提取模块，用于通过训练好的实体提取模型对描述文本进行命名实体提取，获取描述文本中所有的命名实体；
工艺流程知识图谱管理模块，用于建立和管理工艺流程知识图谱；
工艺流程三元组输出模块，用于将命名实体与工艺流程知识图谱进行匹配，输出匹配成功的所有关联的工艺流程三元组；
工艺流程组态图构建模块，用于遍历所有工艺流程三元组和命名实体，工艺流程组态图中包括所有命名实体对应的图元和工艺流程三元组对应图元之间的管线连接，并基于图元库构建工艺流程组态图，图元库中包括一一对应的命名实体与图元；
检测点信息映射模块，用于建立工艺流程组态图中各个图元与对应检测点信息的映射关系，检测点信息为来自于实际设备中传感器数据；
工艺流程组态图显示模块，用于将工艺流程组态图进行渲染并呈现于显示页面。
CN202311326626.7A 2023-10-13 2023-10-13 一种数据驱动的工艺流程组态方法及系统 Active CN117076690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311326626.7A CN117076690B (zh) 2023-10-13 2023-10-13 一种数据驱动的工艺流程组态方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311326626.7A CN117076690B (zh) 2023-10-13 2023-10-13 一种数据驱动的工艺流程组态方法及系统

Publications (2)

Publication Number Publication Date
CN117076690A true CN117076690A (zh) 2023-11-17
CN117076690B CN117076690B (zh) 2024-01-09

Family

ID=88717430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311326626.7A Active CN117076690B (zh) 2023-10-13 2023-10-13 一种数据驱动的工艺流程组态方法及系统

Country Status (1)

Country Link
CN (1) CN117076690B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180082183A1 (en) * 2011-02-22 2018-03-22 Thomson Reuters Global Resources Machine learning-based relationship association and related discovery and search engines
CN111737496A (zh) * 2020-06-29 2020-10-02 东北电力大学 一种电力设备故障知识图谱构建方法
CN116401376A (zh) * 2023-04-04 2023-07-07 中国电子科技集团公司第三十八研究所 一种面向工艺性检查的知识图谱构建方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180082183A1 (en) * 2011-02-22 2018-03-22 Thomson Reuters Global Resources Machine learning-based relationship association and related discovery and search engines
CN111737496A (zh) * 2020-06-29 2020-10-02 东北电力大学 一种电力设备故障知识图谱构建方法
CN116401376A (zh) * 2023-04-04 2023-07-07 中国电子科技集团公司第三十八研究所 一种面向工艺性检查的知识图谱构建方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG, H等: "Intent defined optical network with artificial intelligence-based automated operation and maintenance", 《SCIENCE CHINA-INFORMATION SCIENCES》 *
李秀玲;张树生;黄瑞;黄波;徐昌鸿;况博文;: "基于工艺知识图谱的异构CAM模型结构化建模方法", 计算机辅助设计与图形学学报, no. 07 *

Also Published As

Publication number Publication date
CN117076690B (zh) 2024-01-09

Similar Documents

Publication Publication Date Title
Croce et al. From the semantic point cloud to heritage-building information modeling: A semiautomatic approach exploiting machine learning
CN110009721A (zh) 生成由曲线表示的图像的三角网格
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
CN104750771B (zh) 利用域信息进行上下文数据分析的方法和系统
US20090070158A1 (en) Method apparatus and system for visualization of probabilistic models
CN112241478B (zh) 一种基于图神经网络的大规模数据可视化降维方法
CN114387608B (zh) 一种联合卷积与图神经网络的表格结构识别方法
Gao et al. A data structure for studying 3D modeling design behavior based on event logs
JP5898584B2 (ja) 六面体メッシュ生成装置
CN115661550A (zh) 基于生成对抗网络的图数据类别不平衡分类方法及装置
KR102401114B1 (ko) UX-bit를 이용한 가치망을 포함하는 자동 디자인 생성 인공신경망 장치 및 방법
Sturm et al. Discovering Medical Knowledge Using Visual Analytics.
Kosicki et al. Big Data and Cloud Computing for the Built Environment
Kang et al. Artificial intelligence studies in cartography: a review and synthesis of methods, applications, and ethics
Angehrn Modeling by example: a link between users, models and methods in DSS
CN117076690B (zh) 一种数据驱动的工艺流程组态方法及系统
JP4770495B2 (ja) シミュレーションモデルジェネレータ
CN114662009B (zh) 一种基于图卷积的工业互联网工厂协同推荐方法
CN114626927B (zh) 建材商品网络交易方法和系统
Ganguly R data analysis Cookbook
Siriweera et al. Constraint-driven Complexity-aware Data Science Workflow for AutoBDA
CN115631008A (zh) 商品推荐方法、装置、设备及介质
CN113486630B (zh) 一种供应链数据向量化和可视化处理方法及装置
CN116578613B (zh) 一种用于大数据分析的数据挖掘系统
Biagini et al. Management of Information Workflows in HBIM Processes for Structural Analysis: Interoperability and Open Exchange Formats

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