(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210558339.8 (22)申请日 2022.05.21 (71)申请人 重庆大学 地址 400044 重庆市沙坪坝区沙坪坝正 街 174号 (72)发明人 王昱　杨波　杜卡泽　康玲　 王时龙　赵闯　张洋　申小玉　 (74)专利代理 机构 重庆航图知识产权代理事务 所(普通合伙) 50247 专利代理师 孙方 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 50/04(2012.01) G06F 16/36(2019.01) G06N 5/02(2006.01)G06N 5/04(2006.01) G06N 3/04(2006.01) (54)发明名称 人机物知识图谱制造产线运维决策方法及 系统、 存储介质 (57)摘要 本发明公开一种人机物知识图谱制造产线 运维决策方法及系统、 存储介质， 该方法利用时 频信号技术进行分析得到特征指标； 并在人机物 知识图谱中推理相适应的算法模 型， 并调用推荐 的模型参数； 利用算法模型进行特征提取与分 析， 得到状态评估； 根据状态评估结果在人机物 知识图谱中推理该结果的产生原因以及相应的 解决方法和预防措施， 并形成决策支持方案输 出。 本发明方法可 以更为方便、 精准地了解和获 得设备运维处理的决策方案； 尽可能降低了设备 运维对于员工经验的要求度； 利用制造领域知识 图谱， 使得制造生产线决策生成效率高， 成本较 低、 省时省力以及准确性高。 权利要求书3页 说明书8页 附图5页 CN 114912637 A 2022.08.16 CN 114912637 A 1.人机物知识图谱制造产线运维决策 方法， 其特 征在于： 包括以下步骤： 输入信号数据； 对信号数据进行分析并获取信号数据的特 征指标； 利用特征指标在人机物知识图谱中推理相适应的算法模型， 并调用推荐的模型参数； 利用算法模型处 理输入信号数据， 实现对信号数据的特 征提取与分析， 得到状态评估； 根据状态评估结果在人机物知识图谱中推理所述状态评估结果的产生原因以及相应 的解决方法和预防措施， 并形成决策支持方案 输出。 2.如权利要求1所述的人机物知识图谱制造产线运维决策方法， 其特征在于： 所述人机 物知识图谱按照以下步骤构建： 构建人机物三元本体， 抽取 人机物三元 数据实体； 根据三元 数据实体获取 人机物实体并建立模型分析与数据设备解析； 对人机物三元实体消岐与连接， 形成初始人机物知识图谱； 基于Deeppath算法对初始图谱进行知识图谱补全， 形成最终的人机物知识图谱。 3.如权利要求2所述的人机物知识图谱制造产线运维决策方法， 其特征在于： 所述人机 物三元本体构建包括从人机物来构建本体， 所述人机物三元本体按照以下步骤构建： 所述人本体是以报告手册的总结 出来的凝练知识； 所述机本体是能大规模处 理不同类型 数据的计算机网络模型； 所述物本体得 是客观存在的设备参数 数据； 所述人本体分为质量知识和故障知识， 所述质量知识通过对质量报告、 质检报告进行 分析并结合专家经验， 包括冲压缺陷、 焊点缺陷、 车身变形、 漆面损伤、 焊缝缺陷和强度缺陷 中的任意项； 所述质量知识 通过对设备故障手册、 运 维报告进 行分析并结合专家经验， 包括 电气故障、 机 械故障、 软件故障、 网络故障、 人因故障中的任意项； 所述机主体包括卷积神经网络、 图神经网络、 长短期记忆网络、 堆叠自编码、 多层感知 机、 变分推断中的任意项； 所述物本体把控设备本体和数据本体， 所述设备本体包括检测设备、 控制设备、 工艺设 备、 输送设备以及工装夹具中的任意项； 所述数据本体包括图片、 信号、 视频以及统计指标 中的任意项。 4.如权利要求2所述的人机物知识图谱制造产线运维决策方法， 其特征在于： 所述人机 物知识图谱的构建过程采用自上而下的设计方案， 具体步骤如下： 通过对专家经验、 故障手册、 运维报告数据运用Bert预训练模型进行实体识别与关系 抽取， 形成人的三元组数据； 通过对算法模型及相应网络参数的建模和对时频分析技术的特征指标筛选配对， 形成 机的三元组数据； 通过对数据进行分析， 获取数据形式相应的特征指标； 对产线设备及其组成分布进行 分析， 实现产线与设备， 设备与部件之间的连接； 对设备与数据形式进行匹配， 从而形成物的三元组数据； 完成了人机物三元数据的抽取后， 进行人机物三元的实体消歧， 对于人机物多源异构 数据源知识库中的各个实体， 找出属于现实世界中的同一 实体， 进行消歧操作， 完成实体表 述上的统一；权　利　要　求　书 1/3 页 2 CN 114912637 A 2完成实体消歧后对人机物实体进行跨域实体连接， 从而构建成初步的人机物知识图 谱； 应用Deeppath算法对知识图谱进行补全， 根据初始的人机物知识图谱中现存的关系去 推理所欠 缺的实体关系， 最终得到一个完整的人机物知识图谱。 5.如权利要求2所述的人机物知识图谱制造产线运维决策方法， 其特征在于： 所述决策 支持方案按照以下步骤形成并输出： 输入信号， 经过时频信号技术处理， 从信号中挖掘出相应的特征指标； 并根据这些特征 指标在已建立的人机物知识图谱中进 行推理， 此 处所使用的是人机物知识图谱中的模型推 理模块， 在知识图谱中推理得到相应的推荐算法， 并调用推荐的模型参数， 从而输出算法模 型； 利用算法模型对输入信号进行分析处 理， 从而得到状态评估结果； 根据状态评估结果在已建立的人机物知识图谱中进行推理， 使用人机物知识图谱中的 运维决策模块； 在知识图谱中推理得到状态评估结果相关的产生原因， 解决方案以及预防措施， 并根 据推理到的相关内容形成决策 方案进行输出， 实现决策支持。 6.如权利要求1所述的人机物知识图谱制造产线运维决策方法， 其特征在于： 所述人机 物三元知识图谱的决策包括基于知识图谱的算法模型推理： 首先， 对特征指标进行编码， 利用RoBERTa预训练模型进行嵌入表示， 得到一个多维向 量， 并通过全连接层映射到与知识表示相同维度的空间， 最后投影到复杂空间 上， 得到 其中， eq为特征指标在复杂空间 中的向量表示； 其次， 对人机物知识图谱进行编码， 利用Complex模型进行图嵌入表示， 对于三元组<h, r,t>， 其中， h， t∈ε， ε代表实体集合， 代表关系集合， 知识图谱嵌入模型产生 实体嵌入用于学习头 部实体eh、 特征指标实体eq和模型实体et之间的三 重评分函数Ψ(eh,eq,et)； 利用评分函数Ψ和排序损失函数训练机制， 促使头部实体eh和模型实体et之间的语义 关系是特征指标实体eq在复数空间中的表示； 利用评分函数Ψ进行模型选择如下 所示， 假设答案集 当正确模型选择a在答案集A中， 则让Ψ得分大于0； 否则就是负样本， 使得Ψ得分小于 0， 最后在答案集A中选择 出匹配程度最高的算法模型； eans＝argmaxΨ(eh,eq,ea′)； a′∈ ε 根据所选出的答案， 调用相应的算法模型的参数。 7.如权利要求1所述的人机物知识图谱制造产线运维决策方法， 其特征在于： 所述人机 物三元知识图谱的决策包括基于知识图谱的决策， 具体包括以下步骤： 首先， 对运维决策进行编码， 利用RoBERTa预训练模型进行嵌入表示， 得到一个多维向 量， 并通过全连接层映射到与知识表示相同维度的空间， 最后投影到复杂空间 上， 得到权　利　要　求　书 2/3 页 3 CN 114912637 A 3