基于知识图谱的核电装备制造质量与关键工序识别方法

1.发明公开基于知识图谱的核电装备制造质量与关键工序识别方法，涉及质量控制技术领域。


背景技术：

2.由于核电装备零件制造质量形成过程复杂，影响因素多变，会产生海量、多源异构的质量数据，使得制造质量特征具有耦合的特性，传统的数据管理模式与信息化手段难以适应这种复杂的数据场景，难以满足对质量的精细化管控和智能化应用的需求。


技术实现要素：

3.本发明的基于知识图谱的核电装备制造质量与关键工序识别方法，解决了传统的数据管理模式与信息化手段难以适应复杂的数据场景的问题。
4.为达到上述目的，采用的技术方案如下：
5.基于知识图谱的核电装备制造质量与关键工序识别方法，包括如下步骤：
6.s1、构建核电装备零件制造质量形成本体模型；
7.s2、生成核电装备零件制造质量形成的知识图谱，挖掘制造质量形成知识图谱中蕴含的工序质量信息；
8.s3、基于知识图谱的制造过程进行关键工序评价。
9.优选的，步骤s1的构建方法如下：
10.s11、制造质量形成过程特点及质量数据分析，构建本体模型框架，
11.s12、制造质量知识结构树建模，通过结构树的形式进行了可视化表达，从不同粒度和层次描述了知识与知识之间的关联关系和层次关系。
12.优选的，步骤s11如下：
13.s111、分析制造质量先验数据与过程数据；
14.s112、构建制造质量形成本体模型框架。
15.优选的，步骤s12如下：
16.s121、定义质量知识结构树模型；
17.s122、确定质量知识结构树构建步骤。
18.优选的，步骤s122如下：
19.s1221、将质量知识结构树可以视为二元组m＝(n,r)，其中n表示树中的节点集合，r表示节点间逻辑关系集合；
20.s1222、节点集合n＝(p，si，parj,q
x
)，节点n为四元组；
21.s1223、节点逻辑关系集合r＝{r1，r2}，知识树结构模型包含两个逻辑关系，实体节点的关联关系(产品、部件、零件)以及质量数据和实体节点间的关系，其中，r1表示实体节点关联关系为两类集合的并集，表征产品或部件逐级分解的过程；r2表示实体在制造过程中产生的相关质量数据。
22.优选的，步骤s1还包括s13、基于质量知识结构树的制造质量形成本体建模，步骤s13如下：
23.s131、质量形成本体模型关系定义；
24.s132、质量先验性知识本体构建，具体如下：设计过程质量知识子本体、产品结构知识子本体；
25.s133、质量过程性知识本体构建，具体如下：制造资源知识子本体、制造质量特性知识子本体、制造工序知识子本体。
26.优选的，步骤s2的方法如下：
27.s21、质量知识抽取，包含先验性知识抽取与制造过程性知识抽取；
28.s22、质量知识融合与知识图谱建立。
29.优选的，步骤s21如下：
30.s211、制造质量词向量生成，具体如下：采用word2vec方法中的跳词模型；
31.s212、制造质量实体抽取，具体如下：采用长短期记忆神经网络(lstm)模型进行实体抽取；
32.s213、制造质量关系抽取，具体如下：采用基于触发词的方法，关系触发词是用以描述实体之间关系的词语，有助于从句子中获取实体之间的关系特征。
33.优选的，步骤s22如下：
34.s221、制造质量知识融合，具体如下：将抽取的知识进行一致性检测，通过结合jaccard距离和levenshtein距离的方法评估质量知识短文本之间的相似程度，公式如下：
[0035][0036][0037]
s222、制造质量形成知识图谱建立，具体如下：采用图数据库neo4j存储制造质量形成过程中的知识，存储的形式主要是以节点和边的形式来组织质量数据。
[0038]
优选的，步骤s3的方法如下：
[0039]
s31、基于知识图谱的工序重要度的影响因素分析；
[0040]
s32、考虑产品质量影响的设备可靠性模型构建，产品质量影响的设备可靠性函数公式如下：
[0041][0042]
s33、基于改进pagerank算法的关键工序评价，具体方法如下：
[0043]
s331、改进pagerank算法的构建；
[0044]
s332、基于改进pagerank算法的关键工序评价。
[0045]
与现有技术相比，本发明的有益效果：
[0046]
1、本方案综合考虑核电装备设计制造过程质量数据关联关系难以确定、质量数据多源异构等因素，构建核电装备制造质量形成知识图谱模型；在此基础上，挖掘质量形成知
识图谱中蕴含的工序质量信息，区分不同工序的重要程度，并考虑制造设备可靠性模型，设计一种改进算法进行关键工序分析，对关键工序进行识别与评价，合理地对产品制造过程设立质量控制点。
[0047]
2、本方案通过研究分析制造质量的形成过程，构建制造质量形成知识图谱，运用知识图谱将制造质量知识以图结构的形式关联起来，把制造质量诸要素之间复杂的语义含义直接、清晰地呈现出来，充分发挥一致性制造质量数据的中枢作用，为制造质量的形成过程建立智慧的大脑提供有力支持。同时基于构建的制造质量形成过程知识图谱挖掘质量知识之间的关联关系，进而识别出产品制造过程中的关键工序。
附图说明
[0048]
图1为本实施例的流程图；
[0049]
图2为本实施例中质量数据分类图；
[0050]
图3为本实施例中叶片质量知识本体模型；
[0051]
图4为本实施例中叶片制造质量局部知识图谱；
[0052]
图5为本实施例中构建算法的制造质量数据模型；
[0053]
图6为本实施例中发核电汽轮机叶片加工过程工序活跃度排序图。
[0054]
实施方式
[0055]
下面结合附图和实施方式对本发明作进一步的详细说明：
实施例
[0056]
基于知识图谱的核电装备制造质量与关键工序识别方法，包括如下步骤：
[0057]
s1、构建核电装备零件制造质量形成本体模型。
[0058]
步骤s1的构建方法如下：
[0059]
s11、制造质量形成过程特点及质量数据分析，构建本体模型框架，本实施例中分析核电装备质量形成过程及其产生的质量数据的特点，将质量数据分为状态检测类、加工过程类和质量特性类，构建本体模型框架，具体方法如下：
[0060]
s111、分析制造质量先验数据与过程数据；
[0061]
s112、构建制造质量形成本体模型框架。
[0062]
s12、制造质量知识结构树建模，通过结构树的形式进行了可视化表达，从不同粒度和层次描述了知识与知识之间的关联关系和层次关系。具体方法如下：
[0063]
s121、定义质量知识结构树模型；
[0064]
s122、确定质量知识结构树构建步骤。具体方法如下：
[0065]
s1221、将质量知识结构树可以视为二元组m＝(n,r)，其中n表示树中的节点集合，r表示节点间逻辑关系集合。
[0066]
s1222、节点集合n＝(p，si，parj,q
x
)，节点n为四元组。
[0067]
s1223、节点逻辑关系集合r＝{r1，r2}，知识树结构模型包含两个逻辑关系，实体节点的关联关系(产品、部件、零件)以及质量数据和实体节点间的关系，其中，r1表示实体节点关联关系为两类集合的并集，表征产品或部件逐级分解的过程；r2表示实体在制造过程中产生的相关质量数据。
[0068]
s13、基于质量知识结构树的制造质量形成本体建模。具体方法如下：
[0069]
s131、定义质量形成本体模型关系，从语义的层面进行质量特性、加工流程以及质量要素的统一表示，从而得到下表1。
[0070]
表1：本体语义关系的定义与描述
[0071][0072]
s132、质量先验性知识本体构建，具体如下：设计过程质量知识子本体、产品结构知识子本体；
[0073]
s133、质量过程性知识本体构建，具体如下：制造资源知识子本体、制造质量特性知识子本体、制造工序知识子本体。
[0074]
如图2所示，为了能够实现设计与制造数据的组织和有效应用，从知识层面对质量数据进行统一表示(s11、制造质量形成过程特点及质量数据分析)；运用产品结构树原理，建立不同类别质量数据的关联结构，完成面向制造过程的质量知识结构树模型(s12、制造质量知识结构树建模)；从语义的层面进行质量特性、加工流程以及质量要素的统一表示，并基于质量知识结构树，构建制造质量形成本体模型(s13、基于质量知识结构树的制造质量形成本体建模)。
[0075]
s2、生成核电装备零件制造质量形成知识图谱，挖掘制造质量形成知识图谱中蕴含的工序质量信息。具体方法如下：
[0076]
s21、质量知识抽取，包含先验性知识抽取与制造过程性知识抽取；具体方法如下：
[0077]
s211、制造质量词向量生成，具体如下：采用word2vec方法中的跳词模型；
[0078]
s212、制造质量实体抽取，具体如下：采用长短期记忆神经网络(lstm)模型进行实体抽取；
[0079]
s213、制造质量关系抽取，具体如下：采用基于触发词的方法，关系触发词是用以描述实体之间关系的词语，有助于从句子中获取实体之间的关系特征。
[0080]
s22、质量知识融合与知识图谱建立。具体方法如下：
[0081]
s221、制造质量知识融合，具体如下：将抽取的知识进行一致性检测，通过结合jaccard距离和levenshtein距离的方法评估质量知识短文本之间的相似程度，公式如下：
[0082][0083][0084]
s222、制造质量形成知识图谱建立，具体如下：采用图数据库neo4j存储制造质量形成过程中的知识，存储的形式主要是以节点和边的形式来组织质量数据。
[0085]
s3、基于知识图谱的制造过程进行关键工序评价；具体方法如下：
[0086]
s31、基于知识图谱的工序重要度的影响因素分析；
[0087]
s32、考虑产品质量影响的设备可靠性模型构建，产品质量影响的设备可靠性函数公式如下：
[0088][0089]
s33、基于改进pagerank算法的关键工序评价，具体方法如下：
[0090]
s331、改进pagerank算法的构建；
[0091]
s332、基于改进pagerank算法的关键工序评价。
[0092]
s4、以某企业核电装备的汽轮机组的叶片制造质量形成过程为案例对象，验证提出模型与方法的有效性与可行性。
[0093]
如图3所示为汽轮机叶片先验知识本体与过程知识本体。先叶片验知识本体包含产品结构子本体与叶片设计质量知识子本体，其中叶片产品结构子本体主要是根据叶片的组成结构划分的，分为叶冠、叶身和叶根；叶片设计质量知识子本体主要是根据设计的核心业务流程构建的，对应的设计质量知识包括设计质量因素、设计质量模型以及设计质量输
出特性三个方面。叶片过程性知识本体包括叶片制造资源知识子本体、叶片制造质量特性知识子本体以及叶片制造工序知识子本体，这些本体可将制造过程产生的质量知识映射为三元组数据，为构建知识图谱提供数据。
[0094]
如表2、表3所示，根据质量知识的来源采用不同的知识抽取方法。对非结构化的质量数据采取了词向量生成、bilstm-crf网络结构的实体识别方法以及关系触发词的关系抽取方法，对半结构化或结构化的质量数据采取了规则映射表。
[0095]
表2：触发词和语义关系类型之间的对应示例
[0096][0097]
表3：规则映射表
[0098]
[0099][0100]
针对汽轮机叶片的制造质量形成过程产生的质量知识，利用叶片制造质量形成本体模型，收集并处理叶片在设计过程和制造过程的质量知识，利用知识抽取框架对非结构化和结构化的质量知识进行抽取，并构造三元组质量知识集，对所获取的知识进行融合，保证知识的一致性，最后利用neo4j进行存储，如图4所示。
[0101]
通过对叶片制造过程中的不同工序所对应的制造资源等级划分，具体如表4所示。
[0102]
表4：
[0103][0104][0105]
考虑到设备可靠性与工序输出的质量状态密切相关，将该工序的重要度(pr)值按
照设备可靠性来分配出链的权重，当设备可靠性越高，则该工序对下一道工序的设备状态影响就越小即输出给下一道工序的pr值越小，而当前工序输出的质量状态越好即输出给质量状态的pr值越大。给出当前叶片加工过程的设备可靠性参数如表5所示。
[0106]
表5：设备可靠度值
[0107][0108]
为了评价工序重要程度，在制造质量知识图谱的基础之上，建立了一个如图5所示数据模型。
[0109]
计算pr值的重要的部分是随机跳转矩阵和状态概率转移矩阵。由于节点的类型及其候选节点的不同，对图谱上各个节点的随机跳转概率构建随机跳转矩阵，按照节点类型划分us、uc以及um，即随机跳转矩阵u＝[u
s u
c um]
t
，其阶数为所有节点个数总和n。
[0110][0111]
状态概率转移矩阵不同于经典的pagerank算法的所有出链权重相等。对于制造资源类节点而言，操作人员、设备、物料、方法、环境等因素的等级不同，使得对不同的制造工序质量的影响程度不同，意味着该工序所分配的权重不同，从而对应给出两者的状态概率转移矩阵。该矩阵由5m1e六个维度构成，表示不同的工序所对应的制造资源的等级不同，故制造资源节点对工序节点所分配的权重不同，其权重矩阵可以写为：
[0112][0113][0114]
在得到上述的状态转移概率矩阵和随机跳转矩阵后，对整个有向图上节点的pr值进行多次迭代，直到有向图上的每个节点的pr值趋于稳定。最后根据稳定分布的节点pr值得到制造质量形成知识图谱中所有涉及节点的重要程度排序，如表6所示。
[0115]
表6：叶片制造过程工序重要程度计算结果表
[0116][0117][0118]
最后对分析结果进行排序，如图6所示。
[0119]
以上的仅是本发明的实施例，方案中公知的具体结构和/或特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以
作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

技术特征：
1.基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：包括如下步骤：s1、构建核电装备零件制造质量形成本体模型；s2、生成核电装备零件制造质量形成的知识图谱，挖掘制造质量形成知识图谱中蕴含的工序质量信息；s3、基于知识图谱的制造过程进行关键工序评价。2.如权利要求1所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s1的构建方法如下：s11、制造质量形成过程特点及质量数据分析，构建本体模型框架，s12、制造质量知识结构树建模，通过结构树的形式进行了可视化表达，从不同粒度和层次描述了知识与知识之间的关联关系和层次关系。3.如权利要求2所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s11如下：s111、分析制造质量先验数据与过程数据；s112、构建制造质量形成本体模型框架。4.如权利要求2所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s12如下：s121、定义质量知识结构树模型；s122、确定质量知识结构树构建步骤。5.如权利要求4所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s122如下：s1221、将质量知识结构树可以视为二元组m＝(n,r)，其中n表示树中的节点集合，r表示节点间逻辑关系集合；s1222、节点集合n＝(p，s
i
，par
j
,q
x
)，节点n为四元组；s1223、节点逻辑关系集合r＝{r1，r2}，知识树结构模型包含两个逻辑关系，实体节点的关联关系(产品、部件、零件)以及质量数据和实体节点间的关系，其中，r1表示实体节点关联关系为两类集合的并集，表征产品或部件逐级分解的过程；r2表示实体在制造过程中产生的相关质量数据。6.如权利要求2所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s1还包括s13、基于质量知识结构树的制造质量形成本体建模，步骤s13如下：s131、质量形成本体模型关系定义；s132、质量先验性知识本体构建，具体如下：设计过程质量知识子本体、产品结构知识子本体；s133、质量过程性知识本体构建，具体如下：制造资源知识子本体、制造质量特性知识子本体、制造工序知识子本体。7.如权利要求1所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s2的方法如下：s21、质量知识抽取，包含先验性知识抽取与制造过程性知识抽取；s22、质量知识融合与知识图谱建立。
8.如权利要求7所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s21如下：s211、制造质量词向量生成，具体如下：采用word2vec方法中的跳词模型；s212、制造质量实体抽取，具体如下：采用长短期记忆神经网络(lstm)模型进行实体抽取；s213、制造质量关系抽取，具体如下：采用基于触发词的方法，关系触发词是用以描述实体之间关系的词语，有助于从句子中获取实体之间的关系特征。9.如权利要求1所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s22如下：s221、制造质量知识融合，具体如下：将抽取的知识进行一致性检测，通过结合jaccard距离和levenshtein距离的方法评估质量知识短文本之间的相似程度，公式如下：距离和levenshtein距离的方法评估质量知识短文本之间的相似程度，公式如下：s222、制造质量形成知识图谱建立，具体如下：采用图数据库neo4j存储制造质量形成过程中的知识，存储的形式主要是以节点和边的形式来组织质量数据。10.如权利要求1所述基于知识图谱的核电装备制造质量与关键工序识别方法，其特征在于：步骤s3的方法如下：s31、基于知识图谱的工序重要度的影响因素分析；s32、考虑产品质量影响的设备可靠性模型构建，产品质量影响的设备可靠性函数公式如下：s33、基于改进pagerank算法的关键工序评价，具体方法如下：s331、改进pagerank算法的构建；s332、基于改进pagerank算法的关键工序评价。

技术总结
本发明公开基于知识图谱的核电装备制造质量与关键工序识别方法，涉及底质量控制技术领域。包括如下步骤：S1、构建核电装备零件制造质量形成本体模型；S2、生成核电装备零件制造质量形成的知识图谱，挖掘制造质量形成知识图谱中蕴含的工序质量信息；S3、基于知识图谱的制造过程进行关键工序评价。采用本方案解决了传统的数据管理模式与信息化手段难以适应复杂的数据场景的问题，设计一种考虑制造质量因素之间的差异性以及产品质量与设备可靠性之间关系的改进PageRank算法进行关键工序的分析，进而确定不同工序的重要程度，合理地对产品制造过程设立质量控制点。品制造过程设立质量控制点。品制造过程设立质量控制点。


技术研发人员：蒋军威 陈晓慧 赵顺康
受保护的技术使用者：重庆大学
技术研发日：2023.04.21
技术公布日：2023/9/7