CN117808192A - 工业产业生命周期可视化管理方法及系统 - Google Patents
工业产业生命周期可视化管理方法及系统 Download PDFInfo
- Publication number
- CN117808192A CN117808192A CN202311676835.4A CN202311676835A CN117808192A CN 117808192 A CN117808192 A CN 117808192A CN 202311676835 A CN202311676835 A CN 202311676835A CN 117808192 A CN117808192 A CN 117808192A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- life cycle
- industrial production
- case
- initial
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 159
- 238000007726 management method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 67
- 239000013598 vector Substances 0.000 claims description 219
- 238000009776 industrial production Methods 0.000 claims description 183
- 238000000605 extraction Methods 0.000 claims description 87
- 238000003066 decision tree Methods 0.000 claims description 69
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 83
- 230000009471 action Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000013499 data model Methods 0.000 abstract description 4
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 23
- 238000012544 monitoring process Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 12
- 238000012800 visualization Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000001746 injection moulding Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明实施例提供的工业产业生命周期可视化管理方法及系统,利用设定的共性评分和门限系统,有效地筛选出最具相关性的数据模型,为即时数据赋予准确的可视化管理标签。不仅显著提高了数据解读的效率,也增强了决策的精确度。操作人员能够迅速识别潜在的问题,如设备故障或生产低效,并且可以根据推荐的管理标签采取预防或纠正措施。同时,自动化的数据分析方法降低了对专业知识的依赖,使得非专业人员也能够理解并响应生产过程中的关键变化。如此,利用人工智能技术将生产数据进行可视化转换,从而提高了整个工业产业生命周期的可读性和可编辑性,保障了工业互联网生产的可调性和可维护性。
Description
技术领域
本发明涉及工业互联网技术领域,具体而言,涉及一种工业产业生命周期可视化管理方法及系统。
背景技术
工业产业生命周期可视化管理技术是指通过信息技术手段,将工业生产的各个环节和生命周期数据进行整合与可视化展示,从而实现对整个工业生产过程的有效管理。这种技术通常包含以下几个关键能力。
(1)数据集成与模型融合:它能够将实时设备数据和业务模型结合起来,确保生产数据与企业运营数据的一体化。这样的集成有助于提供一个全面的视图,使得决策者可以基于最新的、完整的数据作出更好的决策。
(2)可视化工具:提供带有工业行业特性的可视化工具,用户可以根据自己的需求定制工厂看板,将模型数据映射到可视化元素上,灵活地配置展示效果。这些工具让复杂的数据直观且易于理解,帮助操作者快速识别问题所在或监控生产状态。
(3)自定义与配置:用户可以通过可视化编辑器,通过拖拉拽方式设计开发页面,无需编写复杂的代码。同时,采用对话式命令行来完成页面间的逻辑关联,简化了数据融合的过程。
(4)低代码开发:低代码平台使非专业开发者也能参与到应用的开发中来,加快了开发周期,降低了开发成本。通过低代码组件的开发和发布部署,可以进行应用的全生命周期管理。
(5)应对业务变化:在业务需求发生变化时,这种技术能够灵活地调整应用功能,满足不断变化的业务需求,同时还保持了扩展性和高可维护性。
(6)全生命周期管理:从应用开发到部署再到后期的维护,该技术支持整个应用的生命周期管理,确保应用能够随着工厂需求的演变而迭代更新。
在实际应用过程中,如何高质量地实现工业数据的可视化管理,是现目前需要进一步攻克的技术问题。
发明内容
为了改善上述问题,本发明提供了一种工业产业生命周期可视化管理方法及系统。
第一方面,提供一种工业产业生命周期可视化管理方法,应用于可视化管理云服务系统,所述方法包括:
通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量;
通过目标比对策略,分别获得若干个设定生命周期知识参考向量与所述工业生命周期知识向量的第一共性评分,并从所述若干个设定生命周期知识参考向量中,确定出第一共性评分大于第一门限的最少一个初始生命周期知识参考向量;其中,每个设定生命周期知识参考向量反映一种指定可视化管理标签,且每个设定生命周期知识参考向量对应存在匹配相应指定可视化管理标签的若干个过往工业生产业务数据各自的过往生命周期知识向量;
通过所述目标比对策略,分别获得所述最少一个初始生命周期知识参考向量具有联系的若干个过往生命周期知识向量,各自与所述工业生命周期知识向量的第二共性评分,并从所述最少一个初始生命周期知识参考向量具有联系的若干个过往生命周期知识向量中,确定出第二共性评分大于第二门限的目标生命周期知识向量;
将所述目标生命周期知识向量匹配的指定可视化管理标签,作为所述待处理工业生产业务数据的当前可视化管理标签。
在一些可选的实施例中,所述通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量,是通过目标决策树网络执行的,所述目标决策树网络的调试步骤包括:
通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络,每个调试示例包括初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例,所述工业生产业务数据积极案例为所述初始工业生产业务数据案例的工业生产业务数据关联案例,所述工业生产业务数据消极案例为所述初始工业生产业务数据案例的工业生产业务数据互斥案例;
其中,在一次循环过程中,实施如下步骤:
通过所述目标知识抽取策略,分别对一个调试示例中初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例分别包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述一个调试示例中初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例各自的初始生命周期知识向量、生命周期知识向量积极案例和生命周期知识向量消极案例;
通过知识向量分析规则,获取所述初始生命周期知识向量、所述生命周期知识向量积极案例和所述生命周期知识向量消极案例之间的生命周期牵涉特征;
通过所述生命周期牵涉特征,优化所述决策树网络的网络变量。
在一些可选的实施例中,所述通过知识向量分析规则,获取所述初始生命周期知识向量、所述生命周期知识向量积极案例和所述生命周期知识向量消极案例之间的生命周期牵涉特征,包括:
获取所述初始生命周期知识向量与所述生命周期知识向量积极案例之间的前序共性评分,以及获取所述初始生命周期知识向量与所述生命周期知识向量消极案例之间的负序共性评分;
通过预设可视化管理决策模型,获取所述初始生命周期知识向量的初始可视化管理标签、所述生命周期知识向量积极案例的工业生产业务数据积极案例当前可视化管理标签,以及所述生命周期知识向量消极案例的工业生产业务数据消极案例当前可视化管理标签;
则所述通过所述生命周期牵涉特征,优化所述决策树网络的网络变量,包括:
通过所述前序共性评分与理想前序共性评分的区别、所述负序共性评分与理想负序共性评分的区别,以及所述初始可视化管理标签与所述一个调试示例中初始工业生产业务数据案例的先验可视化管理观点的区别、所述工业生产业务数据积极案例当前可视化管理标签与所述一个调试示例中工业生产业务数据积极案例的先验可视化管理观点的区别、所述工业生产业务数据消极案例当前可视化管理标签与所述一个调试示例中工业生产业务数据消极案例的先验可视化管理观点的区别,优化所述决策树网络的网络变量。
在一些可选的实施例中,所述通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络之前,还包括:
通过设定的初始调试学习案例集对基础决策树网络进行多次循环调试,获得所述拟调试的决策树网络,所述初始调试学习案例集中的每个初始调试学习案例不包含先验可视化管理观点;
其中,在一次循环过程中,实施如下步骤:
通过所述目标知识抽取策略,对一个初始调试学习案例中包含的可视化业务数据流的展示界面,进行两轮生命周期知识抽取,分别获取所述一个初始调试学习案例的初始学习案例生命周期知识和前序生命周期知识;
通过所述目标知识抽取策略,对另一个初始调试学习案例中包含的可视化业务数据流的展示界面,获取所述另一个初始调试学习案例的负序生命周期知识;
获取所述初始学习案例生命周期知识与所述前序生命周期知识之间的前序共性评分,以及获取所述初始学习案例生命周期知识与所述负序生命周期知识之间的负序共性评分;
通过所述前序共性评分与理想前序共性评分的区别、所述负序共性评分与理想负序共性评分的区别,优化所述基础决策树网络的网络变量。
在一些可选的实施例中,所述通过所述目标知识抽取策略,对一个初始调试学习案例中包含的可视化业务数据流的展示界面,进行两轮生命周期知识抽取,分别获取所述一个初始调试学习案例的初始学习案例生命周期知识和前序生命周期知识,包括:
通过所述一个初始调试学习案例中包含的可视化业务数据流的展示界面,采用局部特征聚焦策略进行生命周期知识抽取,将所述一个初始调试学习案例中第一部分学习案例进行加噪,并对所述第一部分学习案例进行更新,获得所述初始学习案例生命周期知识;
通过所述一个初始调试学习案例中包含的可视化业务数据流的展示界面,采用局部特征聚焦策略进行生命周期知识抽取,将所述一个初始调试学习案例中第二部分学习案例进行加噪,并对所述第二部分学习案例进行更新,获得所述前序生命周期知识,所述第二部分学习案例异于所述第一部分学习案例。
在一些可选的实施例中,所述通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络之后,包括:
获取过往工业生产业务数据集,所述过往工业生产业务数据集中过往工业生产业务数据为:采用关联决策树网络获得的当前可视化管理标签为待进行可视化升级的工业生产业务数据;
通过所述目标知识抽取策略,分别对所述过往工业生产业务数据集中各过往工业生产业务数据进行生命周期知识抽取,获取所述各过往工业生产业务数据各自的过往生命周期知识向量;
将获得的各过往生命周期知识向量进行特征分团,获得若干个特征分团簇,并将每个特征分团簇中若干个过往生命周期知识向量的特征分团关键成员确定为设定生命周期知识参考向量,获得所述若干个设定生命周期知识参考向量。
在一些可选的实施例中,所述通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量之前,还包括:
响应可视化管理任务,并依据所述可视化管理任务进行数据采集,得到各待处理工业生产业务数据和所述各待处理工业生产业务数据各自的工业生产业务环节标签;
则通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量,包括:
针对所述各待处理工业生产业务数据,均实施以下处理:
通过所述目标知识抽取策略,对一个待处理工业生产业务数据包含的可视化业务数据流的展示界面,以及所述一个待处理工业生产业务数据的工业生产业务环节标签进行生命周期知识抽取,获得所述一个待处理工业生产业务数据的工业生命周期知识向量。
在一些可选的实施例中,所述通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量之前,还包括:
根据图像数据增强策略,对原始工业生产业务图像数据进行图像增强,获取所述待处理工业生产业务数据,所述图像数据增强策略包含以下至少一种:扰动去除、清晰度调整。
第二方面,提供一种可视化管理云服务系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现第一方面所述的方法。
第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现第一方面所述的方法。
本发明实施例所提供的工业产业生命周期可视化管理方法及系统,提供了一种集成化和智能化的数据处理与可视化管理方法,它针对工业生产环境中的复杂业务数据流进行优化。通过先进的知识抽取策略,这个方案能够准确地从大量实时数据中提炼出关键信息,形成描述设备或流程状态的生命周期知识向量。这些向量不仅捕捉当前的操作状况,还将其与历史数据进行智能比对,找出与当前情况最为相似的历史模式。
利用设定的共性评分和门限系统,该方案有效地筛选出最具相关性的数据模型,为即时数据赋予准确的可视化管理标签。这样的处理不仅显著提高了数据解读的效率,也增强了决策的精确度。操作人员能够迅速识别潜在的问题,如设备故障或生产低效,并且可以根据推荐的管理标签采取预防或纠正措施。同时,这种自动化的数据分析方法降低了对专业知识的依赖,使得非专业人员也能够理解并响应生产过程中的关键变化。可见,利用人工智能技术将生产数据进行可视化转换,从而提高整个工业产业生命周期的可读性和可编辑性,保障工业互联网生产的可调性和可维护性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例所提供的一种工业产业生命周期可视化管理方法的流程图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
图1示出一种工业产业生命周期可视化管理方法,应用于可视化管理云服务系统,所述方法包括以下S110-S140。
S110、通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量。
在S110中,目标知识抽取策略是指预设的一套规则或算法,用于从工业系统中获取和分析数据,目的是识别出与生产过程、设备状态、质量控制等相关的关键信息。该策略可以涉及机器学习模型或其他高级分析方法来理解和提炼数据。例如,在一个汽车组装线上,目标知识抽取策略可能包括检测各个装配阶段的时间效率、部件质量检验结果以及能耗数据。
待处理工业生产业务数据是指尚未经过分析的原始数据,它可以来自于生产线上的传感器、操作日志、质量监控系统等来源。例如,在塑料注塑厂,待处理业务数据可能包括机器的温度读数、压力值、循环时间和生产批次的合格率。
可视化业务数据流代表将业务数据通过图形界面展示的动态或静态流,让用户能够实时或回顾性地观察和分析数据变化。比如,在电力监控系统中,可视化业务数据流可能展示了电网中各个节点的功率负荷随时间的变化情况。
展示界面是用户与系统交互的平台,它通过图形和控制元素展示数据和分析结果,并允许用户输入指令或进行查询。比如,在食品加工工厂的控制室,展示界面可能显示当前的生产速度、原材料消耗率和产品库存水平。
生命周期知识抽取指的是从整个工业系统的运行周期内提取有价值的知识,如趋势、模式和异常。例如,在石油钻探活动中,生命周期知识抽取可能涉及对钻井设备的使用寿命、故障频率和维修历史的分析。
工业生命周期知识向量是对抽取出的知识点进行编码的一种方式,使之成为一组数值化的表示,便于进一步的比较和分析。举例而言,在半导体制造中,工业生命周期知识向量可能代表了某种芯片从设计、测试到生产各阶段的性能指标和产出统计。
可见,S110描述的是一个通过特定算法从实时和历史业务数据中提取关键信息,将这些信息转换成数值向量,并用于后续的数据分析和决策支持的过程。在工业互联网平台上,这种策略通常是自动化的,大大提高了数据处理效率并为管理层提供了即时的洞察力。
在一些更为细化的示例中,目标知识抽取策略(特征提取策略)是一组预定的程序和技术,用于从复杂的数据集中提取出有助于理解和分析工业生产周期的关键信息。这些策略可以涉及机器学习算法、统计分析方法或者数据挖掘技术,旨在找出最能代表生产过程状态和趋势的数据特征。
比如,为了监测生产线的效率,一个特征提取策略可能会关注如下特征数值:每小时产量(件)、平均停机时间(分钟)、不良品率(%)等。通过对这些数值的分析,可以得到生产线性能的综合指标。
生命周期知识抽取(特征提取)则是通过目标知识抽取策略实际执行的过程,即应用这些策略来识别和提取数据中与设备或产品的生命周期相关的信息。这个过程旨在减少数据的复杂性,并转化为更容易处理和分析的形式。
比如,考虑到机器的运行状况,生命周期知识抽取可以提取以下特征数值:设备自上次大修以来运行的总小时数(小时),平均能耗(千瓦时/小时),故障发生频率(次/月)等。
工业生命周期知识向量(工业生命周期特征)是抽取出的特征以数值形式表达后构成的向量。每个向量都是一个多维数值数组,其中每个维度代表了一个特定的生命周期特征。这些向量可以被用来比较不同时间点或不同设备的性能,或作为机器学习模型的输入来预测未来的维护需求或故障。
比如,假设一台机器的生命周期特征向量由以下数值构成:[15000(总运行小时数),250(大修次数),0.02(不良品率),80(平均负载百分比)]。这个向量可以用来评估机器的整体健康状况,并与其他机器或历史数据进行比较。
在S110中,利用特征提取策略对待处理的工业生产业务数据进行特征提取,得到反映其生产周期状态的特征向量。这样的向量化表示有助于进一步分析和优化生产流程,提高效率,降低成本,并预测潜在的问题。
S120、通过目标比对策略,分别获得若干个设定生命周期知识参考向量与所述工业生命周期知识向量的第一共性评分,并从所述若干个设定生命周期知识参考向量中,确定出第一共性评分大于第一门限的最少一个初始生命周期知识参考向量,其中,每个设定生命周期知识参考向量反映一种指定可视化管理标签,且每个设定生命周期知识参考向量对应存在匹配相应指定可视化管理标签的若干个过往工业生产业务数据各自的过往生命周期知识向量。
在S120中,描述的是一个利用比对策略进行数据分析和分类的过程。以下是各个名词的解释及其示例。
目标比对策略:这指的是一套既定的方法或算法,用于将新提取的数据(生命周期知识向量)与已知的参考数据集(设定生命周期知识参考向量)进行比较,以确定新数据属于哪些已知类别或模式。示例:继续使用汽车组装线的例子,在获得了机器维护时间、故障率等生命周期知识向量后,目标比对策略会将这些新数据与历史上类似设备的数据进行比较,来判断当前设备的状态是否异常。
设定生命周期知识参考向量:这是预先定义好的数据模型,代表了工业系统中不同生产阶段或设备状态的特征向量。示例:在塑料注塑厂中,参考向量可能包括了理想的机器运行参数,如温度、压力等,用于与实时采集的数据进行比对。
第一共性评分:这是一个量化指标,表示新提取的生命周期知识向量与设定的参考向量之间的相似度或匹配程度。示例:在电力监控系统中,第一共性评分可以基于功率负荷数据流,将实时节点数据与过去高效运营的数据进行比对,生成一个相似度评分。
第一门限:这是一个预设的数值界限,只有当共性评分超过这个门限时,相应的参考向量才会被认为与新数据有显著的相似性。示例:在食品加工工厂的例子中,如果实时生产速度与某参考向量的共性评分超过第一门限,则可认为当前的生产状态与该参考向量所代表的历史状态相似。
初始生命周期知识参考向量:这些是通过第一共性评分筛选出来,并超过第一门限的参考向量,它们被认为与新数据具有较高的相似度,因此可以作为进一步分析的起点。示例:在石油钻探活动的例子中,如果新的设备使用寿命数据与某个初始参考向量相似度高,那么可以将其作为预测未来设备寿命的依据。
指定可视化管理标签:这是与每个设定生命周期知识参考向量相关联的分类或标记,帮助用户快速识别数据所属的类别或状态。示例:在半导体制造的情况下,指定的可视化管理标签可能包括“高产出”、“低良率”、“维护需求”等,便于工程师迅速理解生产状况。
过往工业生产业务数据:这些数据包含了历史上收集的类似工业生产过程的信息,它们用于创建参考向量。示例:在汽车组装线上,过往的产品合格率和装配时间统计数据被用来建立历史的生产效率参考模型。
过往生命周期知识向量:这些向量是基于过往工业生产业务数据形成的,反映了过去的生产状态、设备性能或其他重要指标。示例:在塑料注塑厂中,过去每个批次的产品质量和机器性能数据可以构成多个历史生命周期知识向量,供现在的操作数据与之比对。
结合S110的例子,在S120中,通过比对新提取的工业生命周期知识向量与已建立的参考向量,来确定新数据的状态并为其指派合适的可视化管理标签。这个过程通常是自动化的,能够快速地从大量数据中找到相关的信息,并将其转化为有意义的洞见。
S130、通过所述目标比对策略,分别获得所述最少一个初始生命周期知识参考向量具有联系的若干个过往生命周期知识向量,各自与所述工业生命周期知识向量的第二共性评分,并从所述最少一个初始生命周期知识参考向量具有联系的若干个过往生命周期知识向量中,确定出第二共性评分大于第二门限的目标生命周期知识向量。
在S130中,第二共性评分是指通过比较不同生命周期知识向量(或特征向量)之间相似性的一个度量。具体来说,在目标比对策略中,它衡量的是初始生命周期知识参考向量(即之前已经确定为与待处理数据有一定相关性的特征向量)与其他历史数据向量之间的相似度。示例:设想有一个初步选定的参考向量[20000,300,0.03,75](代表总运行小时数、大修次数、不良品率和平均负载百分比),将其与历史设备A的向量[21000,320,0.025,78]进行比较。使用某种相似性计算方法(如欧氏距离或余弦相似性),可能得到一个数值,例如0.92,表示这两个向量的相似程度很高。
第二门限是一个预先设定的数值标准,用于判断两个向量之间的相似度是否足够高,以至于可以认为它们具有显著的共性。只有当共性评分超过这个门限时,参考向量才会被认为是相关且有价值的。示例:如果设定第二共性评分的门限为0.90,那么上述示例中的评分0.92就超过了这个门限,表明设备A的历史数据向量与初始参考向量具有高度相关性。
目标生命周期知识向量是在经过一系列筛选和比较后,被确定为与待处理工业生产业务数据最为相关的生命周期知识向量。这些向量代表了在当前的生产环境和业务场景下最能反映设备或过程状态的特征组合。示例:在多次迭代和比较之后,可能确定了一个历史设备B的向量[20500,310,0.028,77]与当前设备状态最为吻合。因此,这个向量被选为目标生命周期知识向量,并将作为决策支持系统中的关键输入,用于优化生产流程或预测未来的维护需求。
结合以上概念,S130描述了一个筛选过程,其中通过目标比对策略对初始生命周期知识参考向量与一系列历史数据向量进行相似性评分,然后选择那些超过第二门限的向量作为目标向量。这些目标向量代表了对当前生产状态最有价值的信息,有助于实现更精确的监控、预测和优化工业生产过程。
S140、将所述目标生命周期知识向量匹配的指定可视化管理标签,作为所述待处理工业生产业务数据的当前可视化管理标签。
在S140中,当前可视化管理标签是基于之前步骤(S110-S130)中的分析和比对过程,为待处理工业生产业务数据分配的一个或多个描述性标签。这些标签反映了数据的当前状态、类别或预期的操作结果,并通常在可视化界面上用来指导用户对数据进行解读和管理。
进一步地,根据与目标生命周期知识向量匹配度最高的参考向量所关联的可视化管理标签,来标注待处理的工业生产业务数据。这样做有助于快速识别数据的特征,简化决策流程,并提供针对性的操作建议。
例如,在汽车组装线中,通过S110获得了实时的机器维护时间、故障率等生命周期知识向量;然后在S120和S130的过程中,这些新数据与历史参考模型进行比对,并确定了一个与之最为相似的参考向量,该向量关联的可视化管理标签为“需维护”。
在S140中,系统会自动将“需维护”的标签应用到当前的工业生产业务数据上,在可视化界面上展示,提示运营人员可能需要安排维护工作。
在塑料注塑厂的情况下,如果实时监测的温度和压力数据与设置的参考向量非常接近,并且该参考向量关联的是“优化参数”标签,那么在S140步骤中,系统会将这个标签赋予给当前的生产批次,在可视化界面上指示工程师检查并调整机器参数以保持最佳性能。
对于电力监控系统,如果节点的功率负荷数据流与某个参考向量匹配,并且这个参考向量对应的可视化管理标签是“稳定负载”,则在S140步骤中,系统会将“稳定负载”的标签应用到当前节点上,这有助于运维团队确认电网正在正常运行。
当前可视化管理标签的引入,使得复杂数据的理解变得直观易懂,有利于实时监控和快速响应生产环境中的变化。通过有效的数据标注,工业系统的运维管理可以更加智能化,减少人为错误,提高效率。
此外,当前可视化管理标签是基于生命周期知识向量和比对策略确定的,它们作为数据的分类或状态标记,帮助用户理解数据的含义并做出相应的决策。
以下是关于当前可视化管理标签的一些示例。
高效运行:如果目标生命周期知识向量与历史中最高效运行的设备数据匹配度很高,那么待处理工业生产业务数据可能会被贴上“高效运行”的标签。在可视化处理中,这可以用绿色高亮显示,以指示设备运行良好,没有立即的维护需求。示例:汽车组装线的实时监控界面上,具有“高效运行”标签的设备旁边,可以展示一条绿色的指示灯或进度条,表明当前的生产效率与历史最佳记录相符。
维护警告:当目标生命周期知识向量显示设备可能需要维护或检查时(例如,向量显示了较高的故障频率或临近预定的大修时间),系统可能会赋予“维护警告”的标签。在可视化界面上,这可以用黄色或橙色表示,提示操作人员或维护团队进行检查。示例:在塑料注塑厂的控制面板上,可能会有一个仪表盘或图标,用黄色闪烁来提醒相关人员注意机器已接近预定维护时间。
生产异常:如果生命周期知识向量与历史中出现问题或故障的情况非常相似,那么系统可能会使用“生产异常”标签。在可视化界面中,这种情况通常会用红色突出显示,以便迅速吸引操作人员的注意力并采取必要的行动。示例:在电力监控系统中,如果某个节点的功率负荷突然超出正常范围,该节点可能会在屏幕上以红色高亮显示,并伴有“生产异常”字样或警报声音,提示控制人员立即检查情况。
优化建议:对于生命周期知识向量表明有改进空间的情况,如能源利用效率低或生产速度可以提升,系统可能会指派“优化建议”的标签。这些标签可以在可视化界面中以蓝色或其他颜色表示,并可能包括具体的改进建议。示例:在食品加工工厂的生产统计图表中,可能会用带有“优化建议”标签的信息气泡来提示操作人员调整原材料投放比例,以减少浪费并提高产品质量。
这些标签是通过对大量数据进行智能分析后生成的,使得生产运营变得更加直观和高效。它们允许操作人员快速地识别出设备和流程的当前状态,并据此做出决策,例如调整参数、安排维护或采取紧急措施。
在另外一些示例下,待处理工业生产业务数据的当前可视化管理标签还可以理解为是相关可视化输出模式的标签,因而可以根据当前可视化管理标签可以选择对应的可视化输出模式对待处理工业生产业务数据进行可视化输出。根据当前可视化管理标签选择对应的可视化输出模式意味着,根据数据特征和状态,系统会自动选取最合适的方式来展示数据。这样做可以更直观地传达信息,并且能够根据具体情况强调不同的视觉元素,如颜色、形状、图表类型等,从而帮助用户快速做出决策。
以下是一些具体示例。
(1)故障预警
可视化管理标签:假设一个机器学习模型分析了生产线上的机器数据,并且给出了一个“即将故障”的标签。
可视化输出模式:系统可能会选择一个带有红色闪烁警告信号的仪表盘,显示当前的机器状态和关键性能指标(如温度、振动等级),以及倒计时到预测的故障时间。这样的可视化输出能够立刻引起操作员的注意,并促使他们采取行动。
(2)性能优化
可视化管理标签:如果实时数据分析表明生产效率低于预期,系统可能会生成一个“优化建议”标签。
可视化输出模式:为了提供具体的优化措施,系统可能展示一个趋势图,其中包含了过去几个小时或天的性能数据,并突出显示了性能下降的时间段。此外,旁边可能会有一个推荐的操作列表或者改进措施的决策树图。
(3)正常运行
可视化管理标签:当系统确定所有的性能指标都在正常范围内时,可能会使用一个“正常运行”的标签。
可视化输出模式:系统可能会提供一个简单清晰的仪表板,展示关键性能指标的实时读数,以绿色为主题色,表明所有事物都在按预期进行。
(4)维护提示
可视化管理标签:基于历史和实时数据,系统可能识别出某设备需要定期维护,并生成“即将到达维护周期”的标签。
可视化输出模式:在这种情况下,可视化可能包括一个日历视图,标记出即将进行维护的日期,并列出维护前需要完成的检查项目清单。
(5)生产报告
可视化管理标签:如果需要总结一段时间内的生产情况,系统可能会生成一个“生产报告”标签。
可视化输出模式:这种模式可能包括多种图表,如条形图显示不同产品的产量,饼图展示不良品比例,以及线图追踪生产速度的变化。
通过利用这种根据可视化管理标签自动选择可视化输出模式的方法,系统能够保证信息的展示是针对性的并且适宜的。用户无需浪费时间在选择如何展示数据上,可以专注于解释数据和制定决策。
综上,S110-S140提供了一种集成化和智能化的数据处理与可视化管理方法,它针对工业生产环境中的复杂业务数据流进行优化。通过先进的知识抽取策略,这个方案能够准确地从大量实时数据中提炼出关键信息,形成描述设备或流程状态的生命周期知识向量。这些向量不仅捕捉当前的操作状况,还将其与历史数据进行智能比对,找出与当前情况最为相似的历史模式。
利用设定的共性评分和门限系统,该方案有效地筛选出最具相关性的数据模型,为即时数据赋予准确的可视化管理标签。这样的处理不仅显著提高了数据解读的效率,也增强了决策的精确度。操作人员能够迅速识别潜在的问题,如设备故障或生产低效,并且可以根据推荐的管理标签采取预防或纠正措施。同时,这种自动化的数据分析方法降低了对专业知识的依赖,使得非专业人员也能够理解并响应生产过程中的关键变化。
总体而言,此方案通过整合数据抽取、比对分析和可视化标注,为工业生产领域提供了一个全面、动态且高度适应性的数据管理解决方案。这种方法极大地提升了数据的可操作性和生产过程的透明度,有助于企业提高生产效率,减少停机时间,并优化资源分配。
在一些可选的实施例中,S110所描述的通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量,是通过目标决策树网络执行的,所述目标决策树网络的调试步骤包括S200。
S200、通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络,每个调试示例包括初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例,所述工业生产业务数据积极案例为所述初始工业生产业务数据案例的工业生产业务数据关联案例,所述工业生产业务数据消极案例为所述初始工业生产业务数据案例的工业生产业务数据互斥案例。
在上述的一次循环过程中,实施如下S210-S230。
S210、通过所述目标知识抽取策略,分别对一个调试示例中初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例分别包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述一个调试示例中初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例各自的初始生命周期知识向量、生命周期知识向量积极案例和生命周期知识向量消极案例。
S220、通过知识向量分析规则,获取所述初始生命周期知识向量、所述生命周期知识向量积极案例和所述生命周期知识向量消极案例之间的生命周期牵涉特征。
S230、通过所述生命周期牵涉特征,优化所述决策树网络的网络变量。
在这个实施例中,利用目标决策树网络来提炼和理解工业生产业务数据中的关键信息。以下是对S110到S230各步骤的详细举例说明。
调试决策树网络(S200):假设正在开发一个系统,用于监测和优化一个电力网的运行状态。会首先构建一个调试示例集,其中包括一系列初始案例,以及与之相关的积极和消极案例。例如,一个初始案例可能是某日特定时间点的电力网运行数据;积极案例可能是该电力网在类似条件下表现良好的历史数据;消极案例可能是电力网故障或性能不佳的数据记录。
知识抽取(S210):利用目标知识抽取策略,系统分析上述三种案例中的可视化业务数据流,并从中提取出各自的生命周期知识向量。在电力网的例子中,知识向量可能包含了如功率负荷、频率偏差、故障率等特征。
生命周期牵涉特征分析(S220):接下来,通过分析规则来识别这些知识向量间的共性和差异,也就是它们的生命周期牵涉特征。例如,在电力网中,系统可能发现高故障率与特定的负荷波动模式相关联,这就是一个重要的牵涉特征。
决策树网络优化(S230):最后,这些生命周期牵涉特征用来优化决策树网络,改进其准确性和鲁棒性。在电力网的情况下,优化后的决策树可能更加擅长预测何时需要进行负载平衡调整或紧急维护。
通过上述步骤,得到了一个经过精心调试和优化的决策树网络,它可以:更准确地识别待处理工业生产业务数据中的关键生命周期特征;根据数据特征提供针对性的可视化输出,使得用户更容易理解和操作;预测潜在的问题,如设备故障,从而提前采取预防措施,减少停机时间;提升生产效率,通过积极案例学习最佳操作模式;减少资源浪费,通过避免消极案例中的错误操作;提高整体系统的稳定性和安全性。
在实际操作中,这种方法可以广泛应用于不同类型的工业生产环境,无论是制造、能源、交通还是其他领域,都能够带来显著的经济效益和操作便利性。
在一些优选的实施例中,S220中的通过知识向量分析规则,获取所述初始生命周期知识向量、所述生命周期知识向量积极案例和所述生命周期知识向量消极案例之间的生命周期牵涉特征,包括S221-S222。
S221、获取所述初始生命周期知识向量与所述生命周期知识向量积极案例之间的前序共性评分,以及获取所述初始生命周期知识向量与所述生命周期知识向量消极案例之间的负序共性评分。
S222、通过预设可视化管理决策模型,获取所述初始生命周期知识向量的初始可视化管理标签、所述生命周期知识向量积极案例的工业生产业务数据积极案例当前可视化管理标签,以及所述生命周期知识向量消极案例的工业生产业务数据消极案例当前可视化管理标签。
在S221和S222的基础上,S230中的通过所述生命周期牵涉特征,优化所述决策树网络的网络变量,包括S231。
S231、通过所述前序共性评分与理想前序共性评分的区别、所述负序共性评分与理想负序共性评分的区别,以及所述初始可视化管理标签与所述一个调试示例中初始工业生产业务数据案例的先验可视化管理观点的区别、所述工业生产业务数据积极案例当前可视化管理标签与所述一个调试示例中工业生产业务数据积极案例的先验可视化管理观点的区别、所述工业生产业务数据消极案例当前可视化管理标签与所述一个调试示例中工业生产业务数据消极案例的先验可视化管理观点的区别,优化所述决策树网络的网络变量。
在优选的实施例中,S220-S230描述了一种通过分析积极和消极案例来调整和优化决策树网络的方法。这个过程旨在精炼系统对工业生产业务数据进行分类和标注的能力,以便更加准确地识别出影响生产过程的关键特征,并据此做出合理的决策。
假设一个制造企业希望提升其产品质量控制系统的精度。系统初始时根据设备运行参数、产品检验结果等信息形成初始生命周期知识向量。然后,系统通过历史数据集合构建积极案例(例如,没有质量问题的生产批次)和消极案例(例如,发现质量缺陷的生产批次)。
在S221中,系统会计算初始生命周期知识向量与这些积极案例和消极案例之间的共性评分。例如,积极案例可能显示较低的不良品率和较高的设备稳定性指数,而消极案例则相反。
接着在S222中,系统根据预设的可视化管理决策模型,为初始生命周期知识向量及每个积极和消极案例分配一个可视化管理标签,如“质量合格”、“维护警告”或“紧急停机”。
在S231中,系统比较这些评分和标签与理想状态或先验观点的差异。比如,一个理想的前序共性评分可能代表着在所有已知积极案例中最常见的设备和生产参数组合,如果当前分析得到的评分与之有显著偏差,则可能需要调整决策树的参数。
根据这些比对结果,系统优化决策树网络的变量,如修改节点判断标准或重新定义分类阈值,以提高未来数据处理的准确性和效率。
通过以上步骤,系统能够更好地理解何种条件下的生产活动会导致积极或消极的结果,从而在实时监测中快速识别潜在的风险或机遇。例如,如果系统通过分析发现某个特定的压力和温度组合经常导致产品缺陷,那么它可以在这种情况再次发生时立即提出警告,并提示操作员进行调整。随着时间的推移,系统变得越来越精确,减少了错误判断的可能性,并增强了预防性维护和质量控制的能力。
此外,经过调试和优化后的决策树网络能够提供更加精细化的可视化输出,帮助用户快速理解复杂的数据模式,并作出基于数据驱动的明智决策。这不仅提高了生产效率,同时还有助于降低运营成本,提升产品质量,并确保工业生产过程的稳定性和可靠性。
在一些示例性设计思路下,在S200所描述的通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络之前,该方法还包括S300。
S300、通过设定的初始调试学习案例集对基础决策树网络进行多次循环调试,获得所述拟调试的决策树网络,所述初始调试学习案例集中的每个初始调试学习案例不包含先验可视化管理观点。
在S300所描述的一次循环过程中,实施如下S310-S340。
S310、通过所述目标知识抽取策略,对一个初始调试学习案例中包含的可视化业务数据流的展示界面,进行两轮生命周期知识抽取,分别获取所述一个初始调试学习案例的初始学习案例生命周期知识和前序生命周期知识。
S320、通过所述目标知识抽取策略,对另一个初始调试学习案例中包含的可视化业务数据流的展示界面,获取所述另一个初始调试学习案例的负序生命周期知识。
S330、获取所述初始学习案例生命周期知识与所述前序生命周期知识之间的前序共性评分,以及获取所述初始学习案例生命周期知识与所述负序生命周期知识之间的负序共性评分。
S340、通过所述前序共性评分与理想前序共性评分的区别、所述负序共性评分与理想负序共性评分的区别,优化所述基础决策树网络的网络变量。
在这个更为详细的方案中,涉及一个两阶段的调试过程,用于优化决策树网络。首先,在S300中,通过一系列不带有先验可视化管理观点的初始调试学习案例集对基础决策树网络进行调试,然后在S200步骤中进一步利用包含积极和消极案例的调试示例集对决策树网络进行精细化调试。
以下是针对S300至S340步骤的详细举例说明。
基础决策树网络调试(S300):以风力发电场的运营监控为例,设定一个初始调试学习案例集,其中包括了多个没有附加任何预期输出或管理建议的风机性能数据流。
双轮知识抽取(S310):对于每个风机,系统会从其历史和实时运行数据中提取两轮生命周期知识——即当前的运行状态和之前的状态。这可能涉及到风速、发电量、温度、振动等多种指标的历史和实时数据。
负序生命周期知识获取(S320):同时,系统也会分析与当前运行状况截然相反的情况,如低效或异常运行的历史案例,提取其负序生命周期知识。
共性评分获取与优化(S330-S340):接着,系统计算前序共性评分和负序共性评分,这些评分衡量当前状态与之前正常和异常状态之间的相似度。然后,基于这些评分与理想值之间的差异,对基础决策树网络的参数进行调整和优化,以便更好地捕捉关键的运行特征。
经过S300至S340步骤的调试,得到的决策树网络可以:更为准确地揭示工业生产业务数据流中的隐含模式和趋势,无需依赖先验假设;为操作员提供更清晰的数据解读,帮助他们理解设备的当前状态及其与历史表现的联系;预测未来可能出现的问题,并在无需人为干预的情况下自动调整监控和响应策略;提高整体监控系统的自适应能力,使其能够在不断变化的环境条件下保持高效运行;最终,通过提高决策的准确性和减少错误的概率,达到降低运营成本、提高能源效率和维护设备健康的目的。
这样的系统不仅能在风力发电场中找到应用,还可以扩展到其他各种工业生产和监控场景,例如制造、物流、化工等领域,为这些行业带来显著的效益提升。
在一些优选的实施例中,S310中的通过所述目标知识抽取策略,对一个初始调试学习案例中包含的可视化业务数据流的展示界面,进行两轮生命周期知识抽取,分别获取所述一个初始调试学习案例的初始学习案例生命周期知识和前序生命周期知识,包括S311-S312。
S311、通过所述一个初始调试学习案例中包含的可视化业务数据流的展示界面,采用局部特征聚焦策略进行生命周期知识抽取,将所述一个初始调试学习案例中第一部分学习案例进行加噪,并对所述第一部分学习案例进行更新,获得所述初始学习案例生命周期知识。
S312、通过所述一个初始调试学习案例中包含的可视化业务数据流的展示界面,采用局部特征聚焦策略进行生命周期知识抽取,将所述一个初始调试学习案例中第二部分学习案例进行加噪,并对所述第二部分学习案例进行更新,获得所述前序生命周期知识,所述第二部分学习案例异于所述第一部分学习案例。
在这个优选实施例中,S310描述了一种使用目标知识抽取策略来增强决策树网络学习能力的方法。通过对一个初始调试学习案例进行两轮加噪和更新处理,系统旨在更好地捕捉并理解业务数据流中的关键特征,进而提高决策支持的精度。
假设正在处理一个风力发电场的运营数据,并希望通过学习提高预测各个风机的性能和维护需求的准确性。在这里,一个初始调试学习案例可能是一个风机在特定时间段内的运行数据,包括风速、发电量、温度、振动等参数。
在S311中,系统首先针对风机的一部分运行数据(例如前半个月的数据)应用局部特征聚焦策略。该策略可能包括对数据进行加噪,以模拟传感器误差或外部干扰因素,然后对这些加噪数据进行处理,从而得到初始学习案例生命周期知识。
接着在S312中,系统再对另一部分运行数据(例如后半个月的数据)执行类似的加噪和更新操作,但由于第二部分学习案例与第一部分不同,它能够帮助系统识别和适应时间变化下的新特征,从而获得前序生命周期知识。
通过这种两阶段的生命周期知识抽取过程,系统得以在不同时间点和条件下更全面地理解风机的运行特性。以下是整体推导出的有益效果:
增强的学习能力:加噪步骤模拟了真实世界中的不确定性,使得系统更加健壮,能够适应多变的运营环境;更准确的预测:通过考虑时间序列中的变化,系统可以更准确地预测风机的未来性能和潜在的维护需求;提高操作效率:准确的预测意味着可以在必要时及时进行维护,从而减少意外停机和提高整体运营效率;降低维护成本:通过避免不必要的维护和及时处理即将出现的问题,系统有助于节约成本;改善资源分配:更好地预测需求意味着能够更有效地分配人员和物资资源。
总之,此优选实施例中所述的方法通过提炼工业生产业务数据的深层次信息,大大提升了智能系统在工业环境中的应用价值,尤其是在复杂和快速变化的工业场景中。
在一些可选的实施例中,在S200所描述的通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络之后,该方法包括S410-S430。
S410、获取过往工业生产业务数据集,所述过往工业生产业务数据集中过往工业生产业务数据为:采用关联决策树网络获得的当前可视化管理标签为待进行可视化升级的工业生产业务数据。
S420、通过所述目标知识抽取策略,分别对所述过往工业生产业务数据集中各过往工业生产业务数据进行生命周期知识抽取,获取所述各过往工业生产业务数据各自的过往生命周期知识向量。
S430、将获得的各过往生命周期知识向量进行特征分团,获得若干个特征分团簇,并将每个特征分团簇中若干个过往生命周期知识向量的特征分团关键成员确定为设定生命周期知识参考向量,获得所述若干个设定生命周期知识参考向量。
在S410-S430的实施例中,描述了如何通过分析过往工业生产业务数据集来增强决策树网络的性能。此过程包括识别需要可视化升级的业务数据、抽取关键知识向量,并通过特征分团形成参考向量。以下是对这些步骤的详细举例说明。
获取过往数据集(S410):设想一个化学品制造公司希望改进其反应器的监控系统。首先,它会收集历史运行数据,其中可能包括由之前使用的关联决策树网络生成的当前可视化管理标签,指示某些参数组合需要优化或更新。
生命周期知识抽取(S420):然后,该公司利用目标知识抽取策略对这些历史数据进行分析,从而提取每一条数据记录的生命周期知识向量。这可能涉及参数如温度、压力、物料浓度等的时间序列分析。
特征分团(S430):接下来,这些生命周期知识向量会被聚类分团,将相似的数据记录归为同一簇。例如,可能发现一些数据记录显示在特定的压力和温度组合下,产品质量表现最佳,而其他记录则表明某些条件下容易发生意外。每个簇中关键的生命周期知识向量被选作设定生命周期知识参考向量,用于调整和优化决策树网络,提供更准确的预测和建议。
经过S410至S430步骤的数据处理和分析,可以实现以下效果:通过深入分析历史数据,系统能够辨识出那些影响生产效率和产品质量的关键变量和条件;创造了一系列基于实际操作数据的生命周期知识参考向量,使得决策树网络能够更好地理解和模拟实际生产环境;当新的业务数据流到来时,决策树网络可以通过比对参考向量进行快速准确的分类和标注,为操作人员提供即时、可靠的管理建议;提高了生产过程的自动化水平,减少了对人工干预的需求,从而节省时间和资源,减少人为错误。
最终,这种方法不仅可以提高生产效率和产品质量,还有助于及时发现并解决潜在的问题,增强生产系统的稳定性和安全性。
这种方案适用于各种工业领域,无论是化学品制造、汽车组装、食品加工还是其他行业,都可以通过这种方法来优化生产流程,提高竞争力。
在另一些可选的实施例中,在S110所描述的通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量之前,该方法还包括S510。
S510、响应可视化管理任务,并依据所述可视化管理任务进行数据采集,得到各待处理工业生产业务数据和所述各待处理工业生产业务数据各自的工业生产业务环节标签。
在S510的基础上,S110所描述的通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量,包括针对所述各待处理工业生产业务数据,均实施以下处理:通过所述目标知识抽取策略,对一个待处理工业生产业务数据包含的可视化业务数据流的展示界面,以及所述一个待处理工业生产业务数据的工业生产业务环节标签进行生命周期知识抽取,获得所述一个待处理工业生产业务数据的工业生命周期知识向量。
在这个可选的实施例中,涉及一个更为全面和先进的方法来处理工业生产业务数据。S510首先涉及响应特定的可视化管理任务,并基于这些任务进行数据采集,这有助于系统获得与具体任务相关的、更为精确的数据信息。
数据采集(S510):假设正在处理一个大型汽车制造厂的生产线数据。根据可视化管理任务(比如提高生产效率或降低缺陷率),系统会收集不同生产环节(如冲压、焊接、装配、涂装等)的运营数据,并为这些数据打上相应的业务环节标签。
知识抽取(S110):接着,系统将利用目标知识抽取策略对这些带有业务环节标签的待处理数据流进行分析。例如,它可能分析装配环节中机器人臂的动作精度、焊接环节的温度分布、或者涂装环节的漆料均匀性等。这一过程最终会生成每个待处理工业生产业务数据的工业生命周期知识向量,这些向量包含了从原始数据中提取的、对于理解和优化生产流程至关重要的信息。
通过引入S510,在生命周期知识抽取之前首先进行针对性的数据采集,可以使得以下有益效果得以实现:数据相关性提升:系统收集的数据更加贴近实际的可视化管理任务,从而确保了所抽取的知识向量与实际需求紧密相关;准确性增强:因为数据是根据特定的管理任务采集的,所以得到的生命周期知识向量更能准确反映生产过程中的关键环节和潜在问题;效率优化:目标知识抽取策略能够快速定位到影响任务执行的核心数据点,提高了整体的分析效率;改善决策支持:带有具体业务环节标签的知识向量便于管理层进行决策分析,为优化生产流程、降低成本、提高产品质量等提供了强有力的数据支撑;预测能力提高:随着系统对各种业务环节数据的持续学习,其预测未来生产趋势和潜在问题的能力也将逐步增强。
总的来说,该方案通过引入针对性的数据采集和精确的知识抽取步骤,极大地提高了智能系统在工业生产中的应用价值,使其成为企业提升运营效率和竞争力的重要工具。
在一些可能的实施例中,在S110所描述的通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量之前,还包括S010。
S010、根据图像数据增强策略,对原始工业生产业务图像数据进行图像增强,获取所述待处理工业生产业务数据,所述图像数据增强策略包含以下至少一种:扰动去除、清晰度调整。
在S010的实施例中,描述了一个预处理步骤,即使用图像数据增强策略对原始工业生产业务图像数据进行优化处理,以提高后续知识抽取的质量和准确性。以下是对这一步骤的详细举例说明。
图像数据增强(S010):假设在一个汽车制造厂内部署了一个视觉检测系统来识别产品组装过程中可能出现的问题。原始的摄像机捕获的图像可能由于光照、振动或镜头污染等因素而受到干扰,影响图像的清晰度和可用性。
为了解决这些问题,系统首先执行图像数据增强操作,包括扰动去除(例如使用滤波技术消除震动引起的模糊)和清晰度调整(如通过对比度增强使图像更加清晰)。
生命周期知识抽取(S110):经过增强处理的图像成为待处理工业生产业务数据。然后,系统可以应用目标知识抽取策略对这些增强后的图像进行分析,以获取工业生命周期知识向量,该向量可能包含组件的尺寸、位置、颜色和表面纹理等关键信息。
通过在知识抽取之前进行图像数据增强,可以实现以下效果:提高检测准确率:图像增强有助于去除噪声和改善图像质量,从而使得后续的分析更加准确,降低误报和漏报的概率;提升系统稳定性:通过自动调整图像清晰度,系统可以适应不同的环境变化,例如光照变化或设备老化,保持长期的监测效能;节省人力资源:减少了因图像质量差而需要手动复查或重新采集数据的情况,提高了整个监控和检测流程的效率;降低后续处理难度:清晰且无扰动的图像简化了特征提取和分析的难度,可以使用较为简单的算法达到高精度的效果;增强决策支持能力:准确的生命周期知识向量提供了可靠的数据支持,帮助决策者做出更好的管理和维护决策,从而提高生产效率和产品质量。
总的来说,图像数据增强是提升工业视觉系统性能的关键步骤,尤其是在自动化和智能化水平日益提高的工业生产领域,它为下游的分析和决策提供了坚实的基础。
在上述基础上,提供了一种可视化管理云服务系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现上述的方法。
在上述基础上,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时实现上述的方法。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种工业产业生命周期可视化管理方法,其特征在于,应用于可视化管理云服务系统,所述方法包括:
通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量;
通过目标比对策略,分别获得若干个设定生命周期知识参考向量与所述工业生命周期知识向量的第一共性评分,并从所述若干个设定生命周期知识参考向量中,确定出第一共性评分大于第一门限的最少一个初始生命周期知识参考向量;其中,每个设定生命周期知识参考向量反映一种指定可视化管理标签,且每个设定生命周期知识参考向量对应存在匹配相应指定可视化管理标签的若干个过往工业生产业务数据各自的过往生命周期知识向量;
通过所述目标比对策略,分别获得所述最少一个初始生命周期知识参考向量具有联系的若干个过往生命周期知识向量,各自与所述工业生命周期知识向量的第二共性评分,并从所述最少一个初始生命周期知识参考向量具有联系的若干个过往生命周期知识向量中,确定出第二共性评分大于第二门限的目标生命周期知识向量;
将所述目标生命周期知识向量匹配的指定可视化管理标签,作为所述待处理工业生产业务数据的当前可视化管理标签。
2.如权利要求1中所述的方法,其特征在于,所述通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量,是通过目标决策树网络执行的,所述目标决策树网络的调试步骤包括:
通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络,每个调试示例包括初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例,所述工业生产业务数据积极案例为所述初始工业生产业务数据案例的工业生产业务数据关联案例,所述工业生产业务数据消极案例为所述初始工业生产业务数据案例的工业生产业务数据互斥案例;
其中,在一次循环过程中,实施如下步骤:
通过所述目标知识抽取策略,分别对一个调试示例中初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例分别包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述一个调试示例中初始工业生产业务数据案例、工业生产业务数据积极案例和工业生产业务数据消极案例各自的初始生命周期知识向量、生命周期知识向量积极案例和生命周期知识向量消极案例;
通过知识向量分析规则,获取所述初始生命周期知识向量、所述生命周期知识向量积极案例和所述生命周期知识向量消极案例之间的生命周期牵涉特征;
通过所述生命周期牵涉特征,优化所述决策树网络的网络变量。
3.如权利要求2中所述的方法,其特征在于,所述通过知识向量分析规则,获取所述初始生命周期知识向量、所述生命周期知识向量积极案例和所述生命周期知识向量消极案例之间的生命周期牵涉特征,包括:
获取所述初始生命周期知识向量与所述生命周期知识向量积极案例之间的前序共性评分,以及获取所述初始生命周期知识向量与所述生命周期知识向量消极案例之间的负序共性评分;
通过预设可视化管理决策模型,获取所述初始生命周期知识向量的初始可视化管理标签、所述生命周期知识向量积极案例的工业生产业务数据积极案例当前可视化管理标签,以及所述生命周期知识向量消极案例的工业生产业务数据消极案例当前可视化管理标签;
则所述通过所述生命周期牵涉特征,优化所述决策树网络的网络变量,包括:
通过所述前序共性评分与理想前序共性评分的区别、所述负序共性评分与理想负序共性评分的区别,以及所述初始可视化管理标签与所述一个调试示例中初始工业生产业务数据案例的先验可视化管理观点的区别、所述工业生产业务数据积极案例当前可视化管理标签与所述一个调试示例中工业生产业务数据积极案例的先验可视化管理观点的区别、所述工业生产业务数据消极案例当前可视化管理标签与所述一个调试示例中工业生产业务数据消极案例的先验可视化管理观点的区别,优化所述决策树网络的网络变量。
4.如权利要求2中所述的方法,其特征在于,所述通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络之前,还包括:
通过设定的初始调试学习案例集对基础决策树网络进行多次循环调试,获得所述拟调试的决策树网络,所述初始调试学习案例集中的每个初始调试学习案例不包含先验可视化管理观点;
其中,在一次循环过程中,实施如下步骤:
通过所述目标知识抽取策略,对一个初始调试学习案例中包含的可视化业务数据流的展示界面,进行两轮生命周期知识抽取,分别获取所述一个初始调试学习案例的初始学习案例生命周期知识和前序生命周期知识;
通过所述目标知识抽取策略,对另一个初始调试学习案例中包含的可视化业务数据流的展示界面,获取所述另一个初始调试学习案例的负序生命周期知识;
获取所述初始学习案例生命周期知识与所述前序生命周期知识之间的前序共性评分,以及获取所述初始学习案例生命周期知识与所述负序生命周期知识之间的负序共性评分;
通过所述前序共性评分与理想前序共性评分的区别、所述负序共性评分与理想负序共性评分的区别,优化所述基础决策树网络的网络变量。
5.如权利要求4中所述的方法,其特征在于,所述通过所述目标知识抽取策略,对一个初始调试学习案例中包含的可视化业务数据流的展示界面,进行两轮生命周期知识抽取,分别获取所述一个初始调试学习案例的初始学习案例生命周期知识和前序生命周期知识,包括:
通过所述一个初始调试学习案例中包含的可视化业务数据流的展示界面,采用局部特征聚焦策略进行生命周期知识抽取,将所述一个初始调试学习案例中第一部分学习案例进行加噪,并对所述第一部分学习案例进行更新,获得所述初始学习案例生命周期知识;
通过所述一个初始调试学习案例中包含的可视化业务数据流的展示界面,采用局部特征聚焦策略进行生命周期知识抽取,将所述一个初始调试学习案例中第二部分学习案例进行加噪,并对所述第二部分学习案例进行更新,获得所述前序生命周期知识,所述第二部分学习案例异于所述第一部分学习案例。
6.如权利要求2所述的方法,其特征在于,所述通过设定的调试示例集对拟调试的决策树网络进行多次循环调试,获得所述目标决策树网络之后,包括:
获取过往工业生产业务数据集,所述过往工业生产业务数据集中过往工业生产业务数据为:采用关联决策树网络获得的当前可视化管理标签为待进行可视化升级的工业生产业务数据;
通过所述目标知识抽取策略,分别对所述过往工业生产业务数据集中各过往工业生产业务数据进行生命周期知识抽取,获取所述各过往工业生产业务数据各自的过往生命周期知识向量;
将获得的各过往生命周期知识向量进行特征分团,获得若干个特征分团簇,并将每个特征分团簇中若干个过往生命周期知识向量的特征分团关键成员确定为设定生命周期知识参考向量,获得所述若干个设定生命周期知识参考向量。
7.如权利要求2所述的方法,其特征在于,所述通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量之前,还包括:
响应可视化管理任务,并依据所述可视化管理任务进行数据采集,得到各待处理工业生产业务数据和所述各待处理工业生产业务数据各自的工业生产业务环节标签;
则通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量,包括:
针对所述各待处理工业生产业务数据,均实施以下处理:
通过所述目标知识抽取策略,对一个待处理工业生产业务数据包含的可视化业务数据流的展示界面,以及所述一个待处理工业生产业务数据的工业生产业务环节标签进行生命周期知识抽取,获得所述一个待处理工业生产业务数据的工业生命周期知识向量。
8.如权利要求2所述的方法,其特征在于,所述通过目标知识抽取策略,对待处理工业生产业务数据包含的可视化业务数据流的展示界面进行生命周期知识抽取,获得所述待处理工业生产业务数据的工业生命周期知识向量之前,还包括:
根据图像数据增强策略,对原始工业生产业务图像数据进行图像增强,获取所述待处理工业生产业务数据,所述图像数据增强策略包含以下至少一种:扰动去除、清晰度调整。
9.一种可视化管理云服务系统,其特征在于,所述可视化管理云服务系统包括包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中调取计算机程序,并通过运行所述计算机程序实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676835.4A CN117808192A (zh) | 2023-12-07 | 2023-12-07 | 工业产业生命周期可视化管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676835.4A CN117808192A (zh) | 2023-12-07 | 2023-12-07 | 工业产业生命周期可视化管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117808192A true CN117808192A (zh) | 2024-04-02 |
Family
ID=90422550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311676835.4A Pending CN117808192A (zh) | 2023-12-07 | 2023-12-07 | 工业产业生命周期可视化管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808192A (zh) |
-
2023
- 2023-12-07 CN CN202311676835.4A patent/CN117808192A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220043433A1 (en) | Scalable industrial analytics platform | |
US20170351226A1 (en) | Industrial machine diagnosis and maintenance using a cloud platform | |
Lee et al. | Service innovation and smart analytics for industry 4.0 and big data environment | |
US11687064B2 (en) | IBATCH interactive batch operations system enabling operational excellence and competency transition | |
May et al. | Zero defect manufacturing strategies and platform for smart factories of industry 4.0 | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
CN102915013B (zh) | 一种钢铁企业质量信息平台 | |
US20170357240A1 (en) | System and method supporting exploratory analytics for key performance indicator (kpi) analysis in industrial process control and automation systems or other systems | |
Chongwatpol | Prognostic analysis of defects in manufacturing | |
CN116882978B (zh) | 一种基于产品信息框架的深海潜水器运维保障系统 | |
US20230019404A1 (en) | Data Processing for Industrial Machine Learning | |
CN116522088B (zh) | 一种基于机器学习的核动力装置运行数据分析方法与系统 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
Lyu et al. | A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
CN115237086A (zh) | 工业厂房中的决策支持 | |
CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
Chen | Production planning and control in semiconductor manufacturing: Big data analytics and industry 4.0 applications | |
Sharma et al. | Implementing Big Data Analytics and Machine Learning for Predictive Maintenance in Manufacturing Facilities in South Korea | |
CN117808192A (zh) | 工业产业生命周期可视化管理方法及系统 | |
CN114462663A (zh) | 模块化工业车间中的事件分析 | |
Koay et al. | A new information system for prioritisation of product quality improvement | |
Lee et al. | Enhanced Anomaly Detection in Manufacturing Processes through Hybrid Deep Learning Techniques | |
CN117829554B (zh) | 智能感知成品修复决策支持系统 | |
CN110263949B (zh) | 融合机器机理与人工智能算法系统的数据处理方法及系统 |
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 |