【技术实现步骤摘要】
基于复杂网络的工业大数据的社团划分及向量表征方法
[0001]本专利技术涉及工业互联网数据分析
,尤其涉及一种基于复杂网络的工业大数据的社团划分及向量表征方法。
技术介绍
[0002]在工业4.0时代背景下,工业互联网相关技术快速发展,以设备密集型、设备中心型工业企业纷纷启动智能化、智慧化转型项目,基于传感器技术、物联网传输技术、大数据计算等技术,实现工业设备的连接、监控,数字孪生的构建,预测性维护、生产效率优化、安全保障、生产优化等一系列智慧化应用的落地,并产生价值。
[0003]工业大数据分析和建模并构建智慧化应用的前题是可以采集到工业实时数据,工业传感器(温度、湿度、压力、流量、光谱、速度、震动等等)和工业控制系统(PLC/DCS)是当前工业领域数据采集的最主要手段。
[0004]工业制造大数据中蕴含了海量知识,一方面,对于制造企业实际生产流程优化和经营改善具有极大价值;另一方面,不同企业的制造大数据知识融合与汇聚,将极大的触发更深层次的数据“链式反应”,揭示企业生产、管理、经营状态和运行发展规律,对于指导企业产品优化、生产流程优化、维护过程优化、供应链优化等具有重要意义。工业制造大数据知识图谱是提升制造企业对大数据综合利用的重要手段。工业制造大数据知识汇聚、知识表征、知识融合和各类基于工业制造大数据知识图谱的顶层应用的构建存在体量大、价值密度稀疏、时序变化等难点问题。如何提升工业制造大数据知识图谱应用效率,降低计算规模、提升价值密度是一个重要的挑战问题。
[0005]知识图谱(K ...
【技术保护点】
【技术特征摘要】
1.一种基于复杂网络的工业大数据的社团划分方法,其特征在于,包括如下步骤:步骤1:初始化工业制造大数据的知识图谱G=(V,E):假设初始m0个节点,并形成n0个初始默认社团{G1,G2,
…
,G
n0
},其中,元素V为工业制造大数据在知识图谱中的节点或顶点,元素E为知识图谱的边;步骤2:引入工业制造大数据的新节点c
p
∈{v1,v2,
…
,v
n
},计算c
p
与初始知识图谱G中的任意一个节点c的链接概率Π(c
p
,c),其中c∈{G1,G2,
…
,G
n0
};步骤3:随机选择初始知识图谱G中与新节点c
p
链接概率最大的前s个节点作为目标节点并与新节点c
p
建立链;步骤4:重复步骤2和步骤3直到所有的新节点全部加入社团{G1,G2,
…
,G
n0
},得到工业制造大数据的新的知识图谱社团集合{G1,G2,
…
,G
n
},n为新的知识图谱中社团的个数。2.根据权利要求1所述的基于复杂网络的工业大数据的社团划分方法,其特征在于:所述步骤2的计算方法如下:其中,f(c
p
,c)表示节点c
p
和c的嵌入向量embedding在知识图谱向量空间中的相似性,k(c)表示节点c在知识图谱网络中的拓扑重要程度,α∈[0,1]是权重条件因子。3.根据权利要求2所述的基于复杂网络的工业大数据的社团划分方法,其特征在于:所述权重条件因子α采用GridSearch自动调参的方法,α取值范围为{1,0.8,0.6,0.4,0.2,0.1}。4.根据权利要求2所述的基于复杂网络的工业制造大数据的社团划分方法,其特征在于:所述函数f(c
p
,c)采用向量内积的计算方法,即其中,e
c
为节点c
p
和c的向量表征。5.根据权利要求2所述的基于复杂网络的工业大数据的社团划分方法,其特征在于:所述知识图谱网络中的拓扑重要程度k(c)的计算方法如下:其中,edge(c,c
i
)∈{0,1},当edge(c,c
i
)=1时,节点c与c
i
有直接边关联,当edge(c,c
i
)=0时,节点c与c
i
没有直接边关联,N为知识图谱网络的总节点数。6.采用权利要求1至5中任意一项所述的基于复杂网络的工业大数据的社团划分方法对工业大数据进行向量表征的方法,其特征在于,包括如下步骤:步骤1:采用基于复杂网络的工业大数据的社团划分方法对工业制造大数据的知识图谱社团进行划分,得到工业制造大...
【专利技术属性】
技术研发人员:杨晓春,宋凡非,徐自强,王斌,张晓红,
申请(专利权)人:东北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。