一种基于知识图谱的金属焊接缺陷根因分析方法技术

一种基于知识图谱的金属焊接缺陷根因分析方法，包括：数据预处理；构建金属焊接工艺知识图谱；构建设备的统计图谱；构建基于机理的专家规则图谱；构建金属焊接质量画像知识图谱；通过统计图谱，对所涉及的焊接设备及工况进行打分；通过基于机理的专家规则图谱，得到根因传导因素并和打分结果融合；再结合金属焊接质量画像知识图谱及参数数据，推理缺陷原因；推送缺陷根因到用户前端，并得到反馈；通过反馈，更新图谱。本发明专利技术克服了现有技术的不足，通过将知识图谱、基于金属焊接机理的专家规则图谱、统计分析、神经网络相结合，多维度、多方式综合分析金属焊接质量缺陷产生的原因；从而最终改善生产质量、生产速度、减少生产过程中的耗损。的耗损。

【技术实现步骤摘要】
一种基于知识图谱的金属焊接缺陷根因分析方法


[0001]本专利技术涉及计算机软件
，具体涉及一种基于知识图谱的金属焊接缺陷根因分析方法。

技术介绍

[0002]目前、对工业生产中的质量问题的分析，特别是对金属焊接缺陷根因分析，其方法更多的是依赖专家经验系统，往往需要极强的针对性、经验性，灵活性不高、不能充分利用工业生产中的海量数据。
[0003]目前的知识图谱技术在互联网场景中，特别是基于语义网的基础上，有大量且相对成熟的应用，而在工业大数据方面，特别是工业上强逻辑、强计算的数据基础上，知识图谱的应用还相对欠缺，未充分发挥知识图谱巨大的关系建模能力。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于知识图谱的金属焊接缺陷根因分析方法，克服了现有技术的不足，通过将知识图谱、基于金属焊接机理的专家经验、统计分析、神经网络相结合，多维度、多方式综合分析金属焊接质量缺陷产生的原因；从而最终改善生产质量、生产速度、减少生产过程中的耗损。
[0005]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0006]一种基于知识图谱的金属焊接缺陷根因分析方法，包括以下步骤：
[0007]步骤S1：以金属焊接操作时序为特征构建金属焊接工艺知识图谱，并基于工艺知识图谱构建生产过程数据异常判断的神经网络模型；
[0008]步骤S2：根据焊接现场所涉及的对焊接质量有影响的设备，构建设备的统计图谱；
[0009]步骤S3：根据焊接过程中，影响焊核强度和大小的重要因素，构建基于机理的专家规则图谱；
[0010]步骤S4：根据各设备、工况异常报警及日志信息，构建金属焊接类型有关设备、工况的工艺画像、标明每个设备的核心要素，以及影响因素传递路径，以形成金属焊接质量画像知识图谱；
[0011]步骤S5：获取金属焊接过程的参数数据，并对焊接过程的参数数据进行预处理；
[0012]步骤S6：通过步骤S2的统计图谱，及步骤S5中的质量检测结果信息，获取某次焊接中，所涉及的焊接设备及工况得分，打分标准通过相关设备的出错率得出；
[0013]步骤S7：通过步骤S3的基于机理的专家规则图谱，及步骤S5中的质量检测结果信息，得到某个具体的缺陷信息的根因传导因素；
[0014]步骤S8：通过步骤S4中的图谱及步骤S5中的报警及日志信息，得到某次焊接过程中真实的报警及日志信息对应的影响因素传递路径；
[0015]步骤S9：通过步骤S1的神经网络模型及步骤S5中的生产过程数据参数，得到异常的生产过程数据参数项；
[0016]步骤S10：结合步骤S6、步骤S7、步骤S8、步骤S9的结果，综合计算某次焊接缺陷的根因路径，最终得到完整的该次焊接缺陷的根因链；
[0017]步骤S11：推送步骤S10所得到的某次缺陷的根因链到用户前端，并得到反馈；
[0018]步骤S12：通过步骤S11的反馈，优化步骤S1中的神经网络模型，更新步骤S2中的统计图谱，矫正步骤S3中的基于机理的专家规则图谱、S4中的金属焊接质量画像图谱的模型。
[0019]优选地，所述步骤S5具体包括以下步骤：
[0020]步骤S51：通过数采系统获取金属焊接的质量检测结果、获取金属焊接过程中的生产数据、相关设备的报警及日志信息；
[0021]步骤S52：对金属焊接过程中的生产数据和各设备报警及日志信息进行清洗。
[0022]优选地，所述步骤S52中，对金属焊接过程中生产数据的处理方法为：在某一条焊接过程中生产数据中，若某数据项缺失、乱码、则回溯到相应的设备中再次查找、若查找不到则把缺失的项默认为
[0023]‘
None
’
值；
[0024]对各设备报警及日志信息的处理办法为：抽取实际焊接中，设备的真实报警信息及日志信息。
[0025]优选地，所述步骤S51中。金属焊接的质量检测结果包括的焊接缺陷有：烧穿、过烧、小焊核、脱焊、裂纹、歪打、虚焊。
[0026]优选地，所述步骤S9具体包括以下步骤：
[0027]步骤S91：特征编码，构建神经网络算法模型输入输出特征，根据S1中金属焊接工艺知识图谱中和焊接过程数据参数有关的节点内，构建的输入特征为各阶段的节点的设置值、实际值、设置值与实际值差，构建的输出特征为one
‑
hot形式的结构，其中结构中，每位的值0/1代表该位正常/异常状态，其中每位分别代表焊接电流异常状态、焊接电阻异常状态、焊接电压异常状态、焊接功率异常状态、焊接能量异常状态、焊接压力异常状态、焊接位置异常状态、焊接角度异常状态、焊接时间异常状态；
[0028]步骤S92：构建并训练神经网络算法模型，考虑到某些焊接过程数据参数会影响到另外一些焊接过程数据参数，比如焊接压力的改变会影响焊接电阻的变化，即焊接电阻的变化既来源于本身的变化，又来源于焊接压力的异常变化而带来的变化，由此构建一种神经网络模型。
[0029]优选地，所述步骤S11具体包括以下步骤：
[0030]步骤S111：将步骤S10中所得到的结果通过网络通信，推送至用户端；
[0031]步骤S112：使用者根据推送的根因链对现场工况实际分析测试，若现场状况和分析一致，则说明分析无误，若分析不一致，则在解决实际问题后，则返回实际情况下的具体根因。
[0032]本专利技术提供了一种基于知识图谱的金属焊接缺陷根因分析方法。具备以下有益效果：通过统计图谱、基于机理的专家规则图谱、和基于模型的根因分析相结合，运用知识图谱清晰的图结构，在数采系统不能采集设备、工况具体状态的情况下，运用相结合的方式，通过机理、集合、模型相结合的思路，刻画一个完整的根因链，完善在数据维度不足，只能取得焊接参数、获取不到实际设备、工况的情况下，提出一种根因分析方法；从而在数采数据不充分的条件下、优先通过部分数据得到事后根因链、由现场验证强化根因链、沉淀案例、
然后强化正推模型、达到正反推向结合、由反推过度到正推、最终取缔反推、由事后检测、转换为事前预警并给出事前根因传导链，最终改善生产质量、生产速度、减少生产过程中的耗损。
附图说明
[0033]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
[0034]图1本专利技术的步骤流程框图；
[0035]图2本专利技术步骤S2中例举的设备的统计图谱示意图；
[0036]图3本专利技术步骤S3中基于机理的专家规则图谱示意图；
[0037]图4本专利技术步骤S9中神经网络模型框图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述。
[0039]以金属点焊焊接为实施例
[0040]如图1至图4所示，一种基于知识图谱的金属焊接缺陷根因分析方法，包括以下步骤：
...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：包括以下步骤：步骤S1：以金属焊接操作时序为特征构建金属焊接工艺知识图谱，并基于工艺知识图谱构建生产过程数据异常判断的神经网络模型；步骤S2：根据焊接现场所涉及的对焊接质量有影响的设备，构建设备的统计图谱；步骤S3：根据焊接过程中，影响焊核强度和大小的重要因素，构建基于机理的专家规则图谱；步骤S4：根据各设备、工况异常报警及日志信息，构建金属焊接类型有关设备、工况的工艺画像、标明每个设备的核心要素，以及影响因素传递路径，以形成金属焊接质量画像知识图谱；步骤S5：获取金属焊接过程的参数数据，并对焊接过程的参数数据进行预处理；步骤S6：通过步骤S2的统计图谱，及步骤S5中的质量检测结果信息，获取某次焊接中，所涉及的焊接设备及工况得分，打分标准通过相关设备的出错率得出；步骤S7：通过步骤S3的基于机理的专家规则图谱，及步骤S5中的质量检测结果信息，得到某个具体的缺陷信息的根因传导因素；步骤S8：通过步骤S4中的图谱及步骤S5中的报警及日志信息，得到某次焊接过程中真实的报警及日志信息对应的影响因素传递路径；步骤S9：通过步骤S1的神经网络模型及步骤S5中的生产过程数据参数，得到异常的生产过程数据参数项；步骤S10：结合步骤S6、步骤S7、步骤S8、步骤S9的结果，综合计算某次焊接缺陷的根因路径，最终得到完整的该次焊接缺陷的根因链；步骤S11：推送步骤S10所得到的某次缺陷的根因链到用户前端，并得到反馈；步骤S12：通过步骤S11的反馈，优化步骤S1中的神经网络模型，更新步骤S2中的统计图谱，矫正步骤S3中的基于机理的专家规则图谱、步骤S4中的金属焊接质量画像图谱的模型。2.根据权利要求1所述的一种基于知识图谱的金属焊接缺陷根因分析方法，其特征在于：所述步骤S5具体包括以下步骤：步骤S51：通过数采系统获取金属焊接的质量检测结果、获取金属焊接过程中的生产数据、相关设备的报警...

【专利技术属性】
技术研发人员：李红，张玉政，王怀震，邢朋举，
申请(专利权)人：上海波士内智能科技有限公司，
类型：发明
国别省市：