基于知识图谱的数字化工厂管理指标智能推荐方法技术

本发明专利技术实施例公开了基于知识图谱的数字化工厂管理指标智能推荐方法，包括：获取数字化工厂业务系统的数据库数据，进行数据融合，并进行归一化处理，得到归一化数据；基于深度学习的预处理模型从归一化数据获取业务本体，自动构建从业务本体到底层业务实体的分层模型；利用业务本体定义业务主题，构建基于业务主题的知识图谱；利用业务本体定义业务主题的管理指标，基于业务主题的知识图谱，进行管理指标的自动计算和智能推荐。指标的自动计算和智能推荐。指标的自动计算和智能推荐。

【技术实现步骤摘要】
基于知识图谱的数字化工厂管理指标智能推荐方法


[0001]本专利技术属于数字化工厂建设与管理
，具体涉及基于知识图谱的数字化工厂管理指标智能推荐方法。

技术介绍

[0002]数字化工厂建设与管理过程中，涉及到大量的信息化系统，这些基于不同建设需求、由不同供应商在不同时期建立的系统，存在严重的数据烟囱现象。
[0003]为了解决数字化工厂建设与管理过程中的数据烟囱问题，技术人员运用大数据、人工智能等新技术，针对不同场景提出解决方案。数字化工厂的数据整合能力、处理能力、智能化程度不断提升。同时，一些顽固性问题也始终困扰着用户和技术人员。
[0004]当前的感知水平还处在对设备运行参数远程自动获取的层次，获得的数据很多，但缺乏综合分析能力。例如，在一套常见的化工生产装置中，有二三十个罐体、一百多个液体、气体的出入口，两三百套阀门、泵、电机，电压、温度、压力、流量、视频等传感器加起来有一两千个。现有的智能感知系统基本上能实现按点位收集数据、按位置和工艺流程展示数据。但大量的数据同时显示和变化，超出了操作与管理人员的处理速度，少量异常信息被淹没在海量的正常数据中，难以被现场管理人员利用，难以体现感知系统的“智能”。
[0005]为解决这一问题，当前有很多的智能感知系统通过人工设定规则，关联相关的监控参数和预警规则，形成综合程度较高的监控指标和预警信号，使感知系统拥有了一定的智能。但这种解决方法的指标和规则设置依靠人工进行，工作量巨大，难以实施落地；由于指标和规则的设定过于依赖主观经验，导致存在层次关系不清晰，生产工艺局部改变时难以调整指标和规则等困难。

技术实现思路

[0006]有鉴于此，一些实施例公开了基于知识图谱的数字化工厂管理指标智能推荐方法，该管理指标智能推荐方法包括：
[0007]获取数字化工厂业务系统的数据库数据，进行数据融合，并进行归一化处理，得到归一化数据；
[0008]基于深度学习的预处理模型从归一化数据获取业务本体，自动构建从业务本体到底层业务实体的分层模型；
[0009]利用业务本体定义业务主题，构建基于业务主题的知识图谱；
[0010]利用业务本体定义业务主题的管理指标，基于业务主题的知识图谱，进行管理指标的自动计算和智能推荐。
[0011]进一步，一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，数据库数据包括结构化数据和非结构化数据。
[0012]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，归一化处理包括对实时数据、非结构化数据和关系表数据的归一化。
[0013]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，归一化数据为符合Json规范的文本块。
[0014]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，归一化数据进一步存储到基于Hadoop和/或Spark技术的大数据框架。
[0015]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，业务本体包括订单、人员、原料、设备、产品、加工流程；业务主题包括订单执行、物料消耗、节能减排、设备维护。
[0016]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，分层模型的构建过程包括：
[0017]基于双向LSTM
‑
CRF算法，利用双向LSTM层，结合前向传播与反向传播发现两个业务实体的长距离关联关系，精确计算两个业务实体的依赖强度；
[0018]利用CRF损失函数评估相似的业务实体依赖路径，找到其中正确的依赖路径；
[0019]合并业务实体间的正确的依赖路径，得到从业务本体到底层业务实体的分层模型。
[0020]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，分层模型的构建过程反复迭代进行多次，以得到优化的分层模型。
[0021]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，构建基于业务主题的知识图谱包括：
[0022]根据业务主题的数据需求，对数字化工厂的业务系统的数据库进行数据整合和归一化；所述业务系统包括CRM、MES、ERP、财务、设备管理、仓储物流、能耗物耗；
[0023]通过对归一化的数据进行知识抽取、知识表示、实体对齐、知识更新、知识推理、质量评估系列操作，构建基于业务主题的知识图谱。
[0024]一些实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，管理指标的自动计算和智能推荐包括：
[0025]基于业务主题的知识图谱，抽取业务主题的特征数据集和业务画像；
[0026]基于业务画像和特征数据集，采用规则引擎，定义特征数据属性到业务指标的计算规则，由规则引擎驱动特征数据的卷积计算，根据卷积结果计算业务指标；
[0027]基于业务主题的特征数据集和业务画像，提取业务实体间的关联关系，训练推荐模型，向不同业务条线中的管理人员推送与其KPI相关的管理指标；其中，所述关联关系包括组织机构、职责分工、考核指标；所述管理人员包括决策层、管理层、执行层人员；所述管理指标包括指标数值、指标控制基线、预警信息、协同建议。
[0028]本专利技术实施例公开的基于知识图谱的数字化工厂管理指标智能推荐方法，具有下述有益技术效果：
[0029]将数字化工厂现有数据库数据进行归一化处理并将处理后的文本数据集中，通过基于深度学习的预处理模型，交互式训练出层次化的分层模型，提升了业务系统整合业务数据的灵活性，摆脱了业务数据的具体结构对数据整合过程的影响，为后续的知识图谱构建打下坚实基础；
[0030]基于业务主题构建知识图谱，提升了知识图谱的业务针对性，降低了用户业务专家和现场实施团队的沟通障碍，降低了实施风险；
[0031]业务指标的自动计算过程，计算规则的定义基于业务实体而不是技术术语，将用户业务专家和现场实施团队的工作由提出计算规则转变为审核与修改计算规则，降低了的技术难度
[0032]管理指标的智能推荐过程，基于业务主题特征数据集和业务画像，自动生成推荐路径，不需要对每个用户设定发布规则，减少了现场实施团队的实施工作量，提升了分析成果的使用效率。
附图说明
[0033]图1实施例1基于知识图谱的数字化工厂管理指标智能推荐方法流程图。
具体实施方式
[0034]在这里专用的词“实施例”，作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。本专利技术实施例中性能指标测试，除非特别说明，采用本领域常规试验方法。应理解，本专利技术实施例中所述的术语仅仅是为描述特别的实施方式，并非用于限制本专利技术实施例公开的内容。
[0035]除非另有说明，否则本文使用的技术和科学术语具有本专利技术实施例所属
的普通技术人员通常理解的相同含义；作为本专利技术实施例中其它未特别注明的试验方法和技术手段均指本领域内普通技术人员通常采用的实验方法和技术手段。
[0036]本文所用的术语“基本”和“大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于知识图谱的数字化工厂管理指标智能推荐方法，其特征在于，包括：获取数字化工厂业务系统的数据库数据，进行数据融合，并进行归一化处理，得到归一化数据；基于深度学习的预处理模型从归一化数据获取业务本体，自动构建从所述业务本体到底层业务实体的分层模型；利用所述业务本体定义业务主题，构建基于所述业务主题的知识图谱；利用所述业务本体定义所述业务主题的管理指标，基于所述业务主题的知识图谱，进行管理指标的自动计算和智能推荐。2.根据权利要求1所述的基于知识图谱的数字化工厂管理指标智能推荐方法，其特征在于，所述数据库数据包括结构化数据和非结构化数据。3.根据权利要求1所述的基于知识图谱的数字化工厂管理指标智能推荐方法，其特征在于，所述归一化处理包括对实时数据、非结构化数据和关系表数据的归一化。4.根据权利要求1所述的基于知识图谱的数字化工厂管理指标智能推荐方法，其特征在于，所述归一化数据为符合Json规范的文本块。5.根据权利要求4所述的基于知识图谱的数字化工厂管理指标智能推荐方法，其特征在于，所述归一化数据进一步存储到基于Hadoop和/或Spark技术的大数据框架。6.根据权利要求1所述的基于知识图谱的数字化工厂管理指标智能推荐方法，其特征在于，所述业务本体包括订单、人员、原料、设备、产品、加工流程；所述业务主题包括订单执行、物料消耗、节能减排、设备维护。7.根据权利要求1所述的基于知识图谱的数字化工厂管理指标智能推荐方法，其特征在于，所述分层模型的构建过程包括：基于双向LSTM
‑
CRF算法，利用双向LSTM层，结合前向传播与反向传播...

【专利技术属性】
技术研发人员：王忻，马红银，钱浩，
申请(专利权)人：中化创新北京科技研究院有限公司，
类型：发明
国别省市：