CN118011990B - 基于人工智能的工业数据品质监控与提升*** - Google Patents
基于人工智能的工业数据品质监控与提升*** Download PDFInfo
- Publication number
- CN118011990B CN118011990B CN202410424860.1A CN202410424860A CN118011990B CN 118011990 B CN118011990 B CN 118011990B CN 202410424860 A CN202410424860 A CN 202410424860A CN 118011990 B CN118011990 B CN 118011990B
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- production
- historical
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 671
- 230000006872 improvement Effects 0.000 claims abstract description 57
- 238000005065 mining Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims description 101
- 238000000034 method Methods 0.000 claims description 100
- 238000005457 optimization Methods 0.000 claims description 55
- 230000001364 causal effect Effects 0.000 claims description 54
- 238000004458 analytical method Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 30
- 238000012423 maintenance Methods 0.000 claims description 29
- 230000007547 defect Effects 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 23
- 238000013441 quality evaluation Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 18
- 238000007619 statistical method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000011158 quantitative evaluation Methods 0.000 claims description 11
- 239000002994 raw material Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000012482 interaction analysis Methods 0.000 claims description 5
- 230000006641 stabilisation Effects 0.000 claims description 5
- 238000011105 stabilization Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 abstract description 9
- 238000009776 industrial production Methods 0.000 abstract description 4
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 38
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000007613 environmental effect Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 238000007418 data mining Methods 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000013068 supply chain management Methods 0.000 description 7
- 208000025174 PANDAS Diseases 0.000 description 6
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 6
- 240000004718 Panda Species 0.000 description 6
- 235000016496 Panda oleosa Nutrition 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000013210 evaluation model Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 238000013442 quality metrics Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011511 automated evaluation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000012043 cost effectiveness analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工业生产监控技术领域，尤其涉及一种基于人工智能的工业数据品质监控与提升***。所述***包括以下模块：工业数据采集模块S1，用于获取车间设备空间布局数据；根据车间设备空间布局数据对目标生产车间进行高密度感知工业数据采集，得到异构多源工业数据集，其中异构多源工业数据集包括产品生产数据、设备性能参数与产品质量指标；数据品质影响因子挖掘模块S2，用于获取历史产品生产数据与历史设备性能参数；对历史产品生产数据进行低品质数据检测，得到历史低品质生产数据。本发明能够实现自动化、智能化、高效实时监控、全面工业数据质量控制和提升的能力。
Description
技术领域
本发明涉及工业生产监控技术领域，尤其涉及一种基于人工智能的工业数据品质监控与提升***。
背景技术
自动化和信息化已成为现代工业生产的标志。在这个过程中，生产线上的传感器、控制***和智能设备产生了海量的数据。这些数据包括但不限于机器性能参数、生产过程监控数据、产品质量指标等，它们是实现高效生产管理和质量控制的关键。
然而，传统的数据监控和分析方法存在诸多不足。首先，它们通常依赖于人工操作，这不仅耗时耗力，而且由于人为因素，容易产生误差。其次，传统方法在处理大规模数据时效率低下，难以实现实时监控和快速响应。此外。传统的数据质量控制方法主要依赖专家经验规则进行数据校验，但该方法存在以下几个明显不足：规则设置所需的工作量较大，且难以覆盖所有可能出现的异常情况；无法识别新型异常，只能检测已知的异常模式；各规则独立设置，无法考虑数据之间的相关性；数据质量分析和提升缺乏***性和智能化支持。
发明内容
基于此，本发明有必要提供一种基于人工智能的工业数据品质监控与提升***，以解决至少一个上述技术问题。
为实现上述目的，一种基于人工智能的工业数据品质监控与提升***，所述***包括以下模块：
工业数据采集模块S1，用于获取车间设备空间布局数据；根据车间设备空间布局数据对目标生产车间进行高密度感知工业数据采集，得到异构多源工业数据集，其中异构多源工业数据集包括产品生产数据、设备性能参数与产品质量指标；
数据品质影响因子挖掘模块S2，用于获取历史产品生产数据与历史设备性能参数；对历史产品生产数据进行低品质数据检测，得到历史低品质生产数据；基于历史产品生产数据与历史设备性能参数进行数据品质影响因子挖掘，得到产品生产数据品质影响因子集；根据产品生产数据品质影响因子集与历史低品质生产数据进行数据品质临界值范围计算，得到生产数据可接受品质区间；
数据品质评估模块S3，用于根据产品生产数据品质影响因子集对产品生产数据进行数据品质量化评估，得到产品生产数据品质指数；将产品生产数据品质指数与生产数据可接受品质区间进行比较；
数据品质提升决策模块S4，用于当产品生产数据品质指数小于生产数据可接受品质区间下限时，对目标生产车间进行智能生产停线作业，并对产品生产数据进行数据异常根源追溯，得到生产数据异常诱因数据；基于历史产品生产数据、历史低品质生产数据与生产数据异常诱因数据对目标生产车间进行数据质量提升优化决策，得到生产数据质量增强策略；根据生产数据质量增强策略对目标生产车间进行策略深度融合实施；
生产过程知识图谱构建模块S5，对产品生产数据品质指数、生产数据异常诱因数据与生产数据质量增强策略进行因果关系动态知识图谱构建，得到动态数据品质因果知识图谱；
生产数据态势可视化模块S6，用于当产品生产数据品质指数等于或大于生产数据可接受品质区间数据时，对生产数据设备性能参数与产品质量指标进行时空标注，得到实时生产环境状态画像数据；对动态数据品质因果知识图谱与实时生产环境状态画像数据进行多维数据融合，得到生产质量可视化态势图；将生产质量可视化态势图上传至预设的工业数据监控平台。
本发明中，工业数据采集模块通过高密度感知工业数据采集，***能够及时获取车间设备的实时数据，包括产品生产数据、设备性能参数和产品质量指标。这可以提供准确的、实时的生产数据，消除了传统依赖人工操作的缺点，提高了数据获取的效率和准确性。这样的实时监测和采集能够帮助解决传统方法在处理大规模数据时效率低下的问题，并实现对生产线的实时监控和快速响应。该模块通过获取异构多源工业数据集，包括来自不同设备和***的数据。这样的数据集成能够提供全面的数据视角，使得后续的数据分析和决策可以综合考虑不同数据源的信息，更全面地了解整个生产线上的相关数据。数据品质影响因子挖掘模块通过对历史数据进行分析和建模，***能够挖掘出数据品质的影响因子集。这些影响因子可以用于后续的数据品质量化评估和提升决策，为评估数据品质提供了依据和参考。基于历史数据，***可以计算生产数据的可接受品质区间。这个区间可以用作衡量当前数据品质的标准，帮助判断数据是否符合预设的品质要求。该模块能够更全面、***地考虑数据之间的相关性，并能够识别新型异常，不仅减少了人工规则设置的工作量，还提高了数据质量分析的准确性和智能化水平。数据品质评估模块通过对产品生产数据进行数据品质量化评估，并与生产数据可接受品质区间进行比较，实现了对产品生产数据的自动化评估。通过自动化评估，***能够快速而准确地对产品生产数据的品质进行量化评估。相比于人工评估，自动化评估可以提高评估的准确性和效率，节省人力资源。通过与可接受品质区间进行比较，***能够判断产品生产数据是否符合预设的品质要求。这为后续的数据品质提升决策提供了依据，帮助用户及时采取措施来改善数据品质。数据品质提升决策模块通过对产品生产数据品质指数与生产数据可接受品质区间的比较，判断是否需要进行数据质量提升优化决策。当品质指数低于可接受品质区间下限时，***会进行智能生产停线作业，并追溯数据异常根源，得到异常诱因数据。这样可以帮助用户及时发现和处理生产线上的数据质量异常，减少不合格产品的生产和流通。基于历史数据和异常诱因数据，***能够生成针对性的生产数据质量增强策略。这些策略可以包括设备维护、工艺优化等方面的改进措施，帮助提升数据品质和生产线的稳定性。该模块能够更加***地基于历史数据和异常诱因数据生成策略，提高了数据质量的改进效果和生产线的稳定性。生产过程知识图谱构建模块构建因果关系动态知识图谱，将产品生产数据品质指数、异常诱因数据和质量增强策略进行关联，形成动态数据品质因果知识图谱。将数据品质相关的信息进行结构化和可视化表示，帮助用户更好地理解数据品质的影响因素和改进策略。知识图谱的形式可以呈现数据之间的联系和关联，使得用户可以直观地掌握数据品质的整体情况。构建动态数据品质因果知识图谱可以促进知识的共享和传播。知识图谱的形式可以直观地呈现数据之间的联系和关联，帮助用户更好地理解数据品质的影响因素和改进策略，并促进知识的共享和传播。不同利益相关者可以通过知识图谱了解数据品质的相关信息，共同探讨和改进数据品质的方案。生产数据态势可视化模块通过对产品生产数据进行时空标注，并与动态数据品质因果知识图谱进行多维数据融合，生成生产质量可视化态势图。通过将多源数据进行综合分析和可视化展示，帮助用户直观地了解生产数据的状态和趋势。通过可视化态势图，用户可以一目了然地把握生产线上的数据品质情况，快速发现异常情况和改进方向。综上所述，本发明能够实现高效的自动化数据监控和分析，减少人工操作的繁琐和误差，提高数据处理的效率。智能数据质量控制方法能够减少专家规则设置的工作量，识别新型异常，并考虑数据之间的相关性，提高数据质量分析的准确性和全面性。***性和智能化的数据质量提升方法提供全面的支持和指导，帮助改进数据质量，增强生产线的稳定性。此外，结构化和可视化的数据品质信息表示形式有助于用户更好地理解数据品质相关的信息，促进知识的共享和传播，提高数据品质管理的效率和准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的基于人工智能的工业数据品质监控与提升***的模块流程示意图。
图2示出了一实施例的S44的详细步骤流程示意图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图2，本发明提供了一种基于人工智能的工业数据品质监控与提升***，所述***包括以下模块：
S1：工业数据采集模块S1，用于获取车间设备空间布局数据；根据车间设备空间布局数据对目标生产车间进行高密度感知工业数据采集，得到异构多源工业数据集，其中异构多源工业数据集包括产品生产数据、设备性能参数与产品质量指标；
具体地，例如，可以在目标生产车间中，安装传感器网络或使用无线通信设备，并部署多种传感器设备，如温度传感器、湿度传感器、压力传感器和振动传感器等，以获取车间内各个设备的实时状态信息。这些传感器设备被布置在关键位置，以覆盖整个车间的设备空间布局。接下来，配置传感器设备，使其能够采集产品生产数据、设备性能参数和产品质量指标等各种工业数据。通过设置适当的采样频率和采样精度，确保高密度的数据感知和准确性。最后，采集到的数据从不同传感器和设备整合和处理，形成异构多源工业数据集。这个数据集包括了产品生产数据，如生产数量、生产速率、生产时间等；设备性能参数，如温度、压力、振动频率等；以及产品质量指标，如尺寸、重量、质量等。
S2：数据品质影响因子挖掘模块S2，用于获取历史产品生产数据与历史设备性能参数；对历史产品生产数据进行低品质数据检测，得到历史低品质生产数据；基于历史产品生产数据与历史设备性能参数进行数据品质影响因子挖掘，得到产品生产数据品质影响因子集；根据产品生产数据品质影响因子集与历史低品质生产数据进行数据品质临界值范围计算，得到生产数据可接受品质区间；
具体地，例如，可以通过***集成或数据接口，获取历史产品生产数据和历史设备性能参数。对于历史产品生产数据，可以从生产数据库、生产记录或生产管理***中提取相关数据，如生产数量、生产速率等。对于历史设备性能参数，可以通过设备监控***、传感器数据或设备日志记录等途径获得，如设备温度、压力等。这些数据可以通过合适的数据提取方法和通信协议获取。接着，对历史产品生产数据进行低品质数据检测，以识别出历史低品质的生产数据样本。这可以通过应用统计分析方法、异常检测算法或规则引擎等技术来实现。探测方法可以根据具体的数据特征和质量标准进行选择和定制。然后，基于历史产品生产数据和历史设备性能参数，进行数据品质影响因子的挖掘。这可以运用数据挖掘技术，如机器学习算法、统计分析方法或相关性分析等，来发现对产品生产数据品质具有重要影响的因素。这些因素可以是设备状态、工艺参数、环境条件等。最后，根据产品生产数据品质影响因子集和历史低品质生产数据，进行数据品质临界值范围的计算。通过分析历史低品质生产数据与品质影响因子集之间的关联关系，可以确定生产数据可接受的品质区间。
S3：数据品质评估模块S3，用于根据产品生产数据品质影响因子集对产品生产数据进行数据品质量化评估，得到产品生产数据品质指数；将产品生产数据品质指数与生产数据可接受品质区间进行比较；
具体地，例如，可以利用数据品质影响因子集，对产品生产数据进行量化评估。通过对每个数据样本的影响因子进行加权计算或建立适当的模型，可以综合考虑各个因子对数据品质的影响程度，从而得到产品生产数据的品质指数。该指数可以反映数据的准确性、完整性、一致性等方面的品质情况。接着，将产品生产数据的品质指数与生产数据可接受品质区间进行比较。
S4：数据品质提升决策模块S4，用于当产品生产数据品质指数小于生产数据可接受品质区间下限时，对目标生产车间进行智能生产停线作业，并对产品生产数据进行数据异常根源追溯，得到生产数据异常诱因数据；基于历史产品生产数据、历史低品质生产数据与生产数据异常诱因数据对目标生产车间进行数据质量提升优化决策，得到生产数据质量增强策略；根据生产数据质量增强策略对目标生产车间进行策略深度融合实施；
具体地，例如，当产品生产数据的品质指数低于可接受品质区间下限时，该模块会自动触发智能生产停线作业，以避免低品质数据对后续生产和质量造成不良影响。接着，该模块对产品生产数据进行异常根源追溯，通过分析低品质数据的特征、相关因素和历史数据，可以确定导致数据异常的诱因数据。这些诱因数据可能包括设备异常、工艺变化、材料问题等。基于历史产品生产数据、历史低品质生产数据和生产数据异常诱因数据，该模块会对目标生产车间进行数据质量提升优化决策。这些决策可以基于数据挖掘、统计分析、机器学***。
S5：生产过程知识图谱构建模块S5，对产品生产数据品质指数、生产数据异常诱因数据与生产数据质量增强策略进行因果关系动态知识图谱构建，得到动态数据品质因果知识图谱；
具体地，例如，可以利用因果关系分析方法，如因果推断、因果图分析等，对产品生产数据品质指数、生产数据异常诱因数据和生产数据质量增强策略进行深入分析。这可以帮助确定不同因素之间的因果关系，并揭示它们对数据品质的影响程度。基于因果关系分析的结果，使用知识图谱构建工具或者方法，如图数据库、知识图谱建模工具等，构建动态数据品质因果知识图谱。这个知识图谱可以将不同因素、指标和策略之间的关联关系以图形化的方式进行表示，并支持动态更新和查询。
S6：生产数据态势可视化模块S6，用于当产品生产数据品质指数等于或大于生产数据可接受品质区间数据时，对生产数据设备性能参数与产品质量指标进行时空标注，得到实时生产环境状态画像数据；对动态数据品质因果知识图谱与实时生产环境状态画像数据进行多维数据融合，得到生产质量可视化态势图；将生产质量可视化态势图上传至预设的工业数据监控平台。
具体地，例如，当产品生产数据品质指数等于或大于生产数据可接受品质区间数据时，可以针对满足品质要求的数据，对生产数据设备性能参数与产品质量指标进行时空标注。这意味着对数据进行标记，以指示数据所对应的设备性能参数和产品质量指标。标注可以通过自动识别或者模型推断等方式进行。基于生产数据标注的结果，得到实时生产环境状态画像数据。这些数据反映了当前生产环境中设备性能参数和产品质量指标的状态，可以包括时间、空间以及其他相关的属性信息。将动态数据品质因果知识图谱和实时生产环境状态画像数据进行多维数据融合。这个步骤涉及将知识图谱中的因果关系和实时环境数据进行关联和整合，以建立综合的数据模型。多维数据融合可以利用数据集成工具、数据挖掘算法或机器学***台。这个平台可以是企业内部的数据监控***或者云端的数据分析平台。上传后，生产质量可视化态势图可以被进一步分析、共享和应用于实时监控和决策支持。
本发明中，工业数据采集模块通过高密度感知工业数据采集，***能够及时获取车间设备的实时数据，包括产品生产数据、设备性能参数和产品质量指标。这可以提供准确的、实时的生产数据，消除了传统依赖人工操作的缺点，提高了数据获取的效率和准确性。这样的实时监测和采集能够帮助解决传统方法在处理大规模数据时效率低下的问题，并实现对生产线的实时监控和快速响应。该模块通过获取异构多源工业数据集，包括来自不同设备和***的数据。这样的数据集成能够提供全面的数据视角，使得后续的数据分析和决策可以综合考虑不同数据源的信息，更全面地了解整个生产线上的相关数据。数据品质影响因子挖掘模块通过对历史数据进行分析和建模，***能够挖掘出数据品质的影响因子集。这些影响因子可以用于后续的数据品质量化评估和提升决策，为评估数据品质提供了依据和参考。基于历史数据，***可以计算生产数据的可接受品质区间。这个区间可以用作衡量当前数据品质的标准，帮助判断数据是否符合预设的品质要求。该模块能够更全面、***地考虑数据之间的相关性，并能够识别新型异常，不仅减少了人工规则设置的工作量，还提高了数据质量分析的准确性和智能化水平。数据品质评估模块通过对产品生产数据进行数据品质量化评估，并与生产数据可接受品质区间进行比较，实现了对产品生产数据的自动化评估。通过自动化评估，***能够快速而准确地对产品生产数据的品质进行量化评估。相比于人工评估，自动化评估可以提高评估的准确性和效率，节省人力资源。通过与可接受品质区间进行比较，***能够判断产品生产数据是否符合预设的品质要求。这为后续的数据品质提升决策提供了依据，帮助用户及时采取措施来改善数据品质。数据品质提升决策模块通过对产品生产数据品质指数与生产数据可接受品质区间的比较，判断是否需要进行数据质量提升优化决策。当品质指数低于可接受品质区间下限时，***会进行智能生产停线作业，并追溯数据异常根源，得到异常诱因数据。这样可以帮助用户及时发现和处理生产线上的数据质量异常，减少不合格产品的生产和流通。基于历史数据和异常诱因数据，***能够生成针对性的生产数据质量增强策略。这些策略可以包括设备维护、工艺优化等方面的改进措施，帮助提升数据品质和生产线的稳定性。该模块能够更加***地基于历史数据和异常诱因数据生成策略，提高了数据质量的改进效果和生产线的稳定性。生产过程知识图谱构建模块构建因果关系动态知识图谱，将产品生产数据品质指数、异常诱因数据和质量增强策略进行关联，形成动态数据品质因果知识图谱。将数据品质相关的信息进行结构化和可视化表示，帮助用户更好地理解数据品质的影响因素和改进策略。知识图谱的形式可以呈现数据之间的联系和关联，使得用户可以直观地掌握数据品质的整体情况。构建动态数据品质因果知识图谱可以促进知识的共享和传播。知识图谱的形式可以直观地呈现数据之间的联系和关联，帮助用户更好地理解数据品质的影响因素和改进策略，并促进知识的共享和传播。不同利益相关者可以通过知识图谱了解数据品质的相关信息，共同探讨和改进数据品质的方案。生产数据态势可视化模块通过对产品生产数据进行时空标注，并与动态数据品质因果知识图谱进行多维数据融合，生成生产质量可视化态势图。通过将多源数据进行综合分析和可视化展示，帮助用户直观地了解生产数据的状态和趋势。通过可视化态势图，用户可以一目了然地把握生产线上的数据品质情况，快速发现异常情况和改进方向。综上所述，本发明能够实现高效的自动化数据监控和分析，减少人工操作的繁琐和误差，提高数据处理的效率。智能数据质量控制方法能够减少专家规则设置的工作量，识别新型异常，并考虑数据之间的相关性，提高数据质量分析的准确性和全面性。***性和智能化的数据质量提升方法提供全面的支持和指导，帮助改进数据质量，增强生产线的稳定性。此外，结构化和可视化的数据品质信息表示形式有助于用户更好地理解数据品质相关的信息，促进知识的共享和传播，提高数据品质管理的效率和准确性。
优选地，工业数据采集模块S1具体为：
S11：获取车间设备空间布局数据；
具体地，例如，可以使用测量工具（如测量仪器、激光测距仪等），对车间内的设备位置、尺寸和相对位置进行测量，并进行标记和记录。根据测量数据，使用计算机辅助设计（CAD）软件或其他绘图工具，绘制车间的平面图。平面图应包括设备的位置、设备之间的距离和相对位置等详细信息。
S12：根据车间设备空间布局数据对目标生产车间进行自动采集与人工录入设备划分，得到自动采集设备标识数据与人工录入设备标识数据；
具体地，例如，可以基于车间设备空间布局数据，了解设备的类型、功能和位置信息。根据设备的特征和功能，确定哪些设备可以通过自动采集***进行数据采集。例如，具备传感器、监测装置等自动化设备可以被归类为自动采集设备。为每个自动采集设备分配一个唯一的标识符，例如设备编号、条形码或RFID标签。这些标识符可以用于识别设备和与自动采集***进行连接。对于无法通过自动采集***获取数据的设备，需要进行人工录入。根据设备的性质和数据获取的可行性，确定哪些设备需要通过人工手动输入数据。为每个人工录入设备分配一个唯一的标识符，例如设备编号、条形码或RFID标签。这些标识符可以用于识别设备和与数据录入过程进行关联。记录每个设备的标识数据，包括自动采集设备和人工录入设备的标识符。
S13：根据自动采集设备标识数据对目标生产车间中相应设备部署工业物联网传感器阵列，并进行异步多源数据采集，得到产品生产数据与设备性能参数；
具体地，例如，可以根据自动采集设备标识数据，确定需要部署的传感器类型和数量，以覆盖目标生产车间中的设备。根据设备标识数据和传感器部署规划，工业物联网传感器阵列被部署在目标生产车间中的相应设备上。传感器的选型包括温度传感器、压力传感器、振动传感器等，用于采集设备运行状态和性能参数。同时，在产品生产环节，根据需要监测的产品生产数据，选择适当的传感器类型并在生产线上部署，例如称重传感器用于监测产品重量。配置数据采集模块与传感器连接，实现异步多源数据采集。传感器开始采集设备的数据，包括温度、压力、振动等参数，以及产品的生产数据，如产品重量。这些数据通过数据采集节点或网关设备进行接收，并存储在本地数据库或云平台中。
S14：根据人工录入设备标识数据对目标生产车间中相应设备进行人机交互数据采集，得到手工录入生产作业数据；
具体地，例如，可以根据人工录入设备标识数据，确定需要进行人机交互数据采集的设备。针对每个需要采集数据的设备，设计相应的人机交互界面。界面可以是电脑应用程序、移动设备应用程序或专门的数据采集终端。操作员或相关人员通过人机交互界面，输入和记录与设备相关的生产作业数据。这些数据可以包括设备操作记录、维修记录、故障信息等。
S15：对手工录入生产作业数据进行自适应人工误差校正，得到优化手工录入生产作业数据；
具体地，例如，可以使用数据挖掘和统计分析方法来识别手工录入生产作业数据中潜在的数据错误和异常。基于数据质量分析的结果，建立自适应人工误差校正模型。该模型可以根据数据的特征和错误模式，自动校正手工录入数据中的误差。根据建立的误差校正模型，对手工录入生产作业数据进行校正操作。可以采用自动化脚本、数据处理工具或专门的数据校正***来实现误差校正过程。
S16：对产品生产数据与优化手工录入生产作业数据进行多模态产品质量指标评价，得到产品质量指标；
具体地，例如，可以将产品生产数据和优化手工录入生产作业数据进行整合，以建立完整的数据集。确保数据的对应关系和一致性。根据具体的应用需求和产品特性，定义多模态产品质量指标。这些指标可以包括生产效率、产品质量、故障率等方面的指标。根据产品质量指标的定义，选择适当的评价方法。例如，可以采用统计分析、数据挖掘、机器学习等方法来进行多模态产品质量指标的评价。基于整合的数据集，进行数据分析和模型构建。可以使用适当的算法和技术，建立预测模型或分类模型，以评估产品质量指标。利用建立的模型，对产品生产数据和优化手工录入生产作业数据进行评价，得到产品质量指标的结果。
S17：对产品生产数据、设备性能参数与产品质量指标进行智能加权异构数据聚合，得到异构多源工业数据集，其中异构多源工业数据集包括产品生产数据、设备性能参数与产品质量指标。
具体地，例如，可以针对产品生产数据、设备性能参数和产品质量指标，对其进行智能加权。加权可以基于数据质量、数据可信度、数据的重要性等因素进行。使用加权算法，如加权平均法或加权回归方法，来计算不同数据源的权重。将加权后的产品生产数据、设备性能参数和产品质量指标进行异构数据聚合。这可以通过数据连接、合并或关联操作来实现。根据数据的关联关系和特征，将数据进行聚合，形成异构多源工业数据集。
本发明通过获取车间设备空间布局数据，可以获得车间中各个设备的位置和布局信息。这为后续的自动采集和人工录入设备标识数据提供了基础，帮助确定设备的相对位置和关联性，从而更好地理解数据的来源和关系。通过根据车间设备空间布局数据，将设备划分为自动采集设备和人工录入设备，实现数据来源的区分。自动采集设备标识数据所代表的设备的数据来源可以从工业物联网传感器阵列中异步多源采集，而人工录入设备标识数据所代表的设备的数据来源可以通过人机交互进行数据采集。这样的划分提供了不同方式采集的数据来源，为后续的数据处理和质量评价提供了多样性和灵活性。基于自动采集设备标识数据，针对目标生产车间中的设备，部署工业物联网传感器阵列，实现对设备的数据采集。通过异步多源数据采集，可以获取产品生产数据和设备性能参数。这些数据对于生产过程的监控和分析具有重要价值。通过进行人机交互数据采集，记录生产作业过程中的重要数据。手工录入的生产作业数据是一种补充，可以提供与自动采集数据不同的视角和信息，丰富了数据源的多样性。对手工录入的生产作业数据进行自适应人工误差校正，通过校正过程修正可能存在的人为误差。这样可以提高手工录入数据的准确性和一致性，确保数据的可靠性和可比性。通过对产品生产数据和经过优化的手工录入生产作业数据进行多模态评价，综合考虑多个数据来源的信息，得到产品质量指标。这样的评价方式可以更全面地了解产品质量状况，将不同数据源的信息进行综合分析，提供更准确和全面的产品质量指标。通过对产品生产数据、设备性能参数和产品质量指标进行智能加权的异构数据聚合，将不同数据来源的信息融合为一个综合的工业数据集。这样的数据集包括产品生产数据、设备性能参数和产品质量指标，提供了对整个生产过程的综合视图。
优选地，数据品质影响因子挖掘模块S2具体为：
S21：获取历史产品生产数据与历史设备性能参数；
具体地，例如，可以确定历史产品生产数据和历史设备性能参数的数据源。这可以是生产数据库、设备监控***、日志文件、传感器数据等。确保能够获取到包含所需数据的合适数据源。根据数据源的不同，可能需要使用相应的数据提取工具、API调用、数据库查询或日志分析技术来检索和提取数据。
S22：对历史产品生产数据进行低品质数据检测，得到历史低品质生产数据；
具体地，例如，可以根据具体的数据质量要求和应用需求，定义低品质数据的评估指标。这些指标可以包括数据完整性、准确性、一致性等方面的要求。根据定义的评估指标，选择适当的低品质数据检测方法。例如，可以使用统计分析、数据挖掘、规则检测等方法来检测低品质数据。根据选择的低品质数据检测方法，对历史产品生产数据进行检测操作。可以使用相应的工具和技术，如Python的pandas库和numpy库，编写检测脚本或应用现有的数据质量工具。从检测结果中提取历史低品质生产数据。根据检测结果的标志或阈值，识别并提取低品质数据，形成一个包含历史低品质生产数据的数据集。
S23：对历史产品生产数据与历史设备性能参数进行时间序列同步对准，得到同步历史生产-设备数据集；
具体地，例如，可以确定产品生产数据和设备性能参数数据的时间戳字段，并对两个数据集进行时间序列对准操作，以确保它们在时间上对应。这可以使用Python的pandas库进行时间序列操作和对准。将对准后的产品生产数据和设备性能参数数据进行合并，形成同步的历史生产-设备数据集。可以使用Python的pandas库的合并操作（例如merge）根据时间戳字段将两个数据集进行合并。
S24：基于同步历史生产-设备数据集对历史低品质生产数据相应时间段内的历史设备性能参数进行设备运行效率评估，得到设备运行效率数据；
具体地，例如，可以根据历史低品质生产数据，确定需要评估的时间段。从同步的历史生产-设备数据集中，提取与评估时间段相对应的设备性能参数数据。可以使用Python的pandas库进行时间范围的筛选和提取操作。使用适当的方法或模型对提取的设备性能参数数据进行运行效率评估。具体的评估方法可以根据业务需求和领域知识来选择，例如可以使用统计分析方法、机器学习模型或专业领域的算法进行评估。根据设备运行效率评估的结果，得到相应时间段内的设备运行效率数据。
S25：基于历史产品生产数据与历史设备性能参数根据设备运行效率数据进行数据品质影响因子挖掘，得到产品生产数据品质影响因子集；
具体地，例如，可以从历史产品生产数据和历史设备性能参数中提取相关特征，例如，可以计算产品生产速率、设备故障次数、设备运行时间等。这可以使用Python的pandas库进行数据处理和特征提取。根据设备运行效率数据和相关特征，使用适当的数据挖掘方法（如相关性分析、回归分析、决策树等）来挖掘数据品质影响因子。这些方法可以帮助发现哪些因素对产品生产数据的品质产生重要影响。根据数据挖掘的结果，得到产品生产数据的品质影响因子集。这些因子可以是对产品生产数据质量具有显著影响的特征或变量。可以将这些因子整理为一个集合或数据表，记录其名称和影响程度等信息。
S26：根据产品生产数据品质影响因子集与历史低品质生产数据进行数据品质临界值范围计算，得到生产数据可接受品质区间。
具体地，例如，可以使用产品生产数据品质影响因子集作为参考，对历史低品质生产数据进行分析，了解每个品质影响因子在低品质数据中的取值范围。可以使用统计分析方法（如箱线图、直方图）来观察数据分布和异常情况。根据历史低品质生产数据和产品生产数据品质影响因子集，计算每个品质影响因子的临界值范围。可以根据统计指标（如均值、标准差）或领域知识来确定临界值的计算方法。根据计算得到的品质影响因子的临界值范围，确定生产数据的可接受品质区间。这个区间可以定义为低品质数据和高品质数据之间的范围，小于该范围的数据被认为是低品质数据。
本发明通过获取历史产品生产数据和历史设备性能参数，可以建立一个包含过去生产和设备信息的数据集。这些数据是过去生产过程的记录，可以提供有关产品生产和设备性能的详细信息。通过对历史产品生产数据进行低品质数据检测，可以识别和标记出数据中存在的低品质数据。低品质数据可能包括异常值、缺失值、重复值等，对数据的准确性和可靠性产生负面影响。通过识别低品质数据，可以为后续的数据清洗和处理提供指导，保证数据质量的提升。通过对历史产品生产数据和历史设备性能参数进行时间序列的同步对准，确保它们具有相同的时间轴和采样间隔。这样可以实现生产数据和设备数据之间的对应关系，构建同步的历史生产-设备数据集。基于同步的历史生产-设备数据集，对历史低品质生产数据对应时间段内的设备性能参数进行评估。这样可以分析设备在低品质数据发生时的运行效率，并得到设备运行效率数据。设备运行效率数据可以帮助了解设备在不同情况下的运行状况，为后续的数据品质影响因子挖掘提供重要依据。基于历史产品生产数据、历史设备性能参数和设备运行效率数据，进行数据品质影响因子的挖掘。通过分析这些数据之间的关系，可以识别出对产品生产数据品质具有重要影响的因子。这些因子可能包括设备性能、数据采集方法、环境条件等，对数据品质产生积极或消极的影响。通过挖掘这些影响因子，可以深入了解数据品质的形成机制，为改进数据采集和生产过程提供指导和优化建议。于产品生产数据品质影响因子集和历史低品质生产数据，进行数据品质临界值范围的计算。通过分析历史低品质生产数据与品质影响因子之间的关系，可以确定数据品质的临界值范围，即数据质量在可接受的范围内。这样可以为后续的数据质量控制和异常检测提供基准，确保生产数据处于可接受的品质区间内。
优选地，S25具体为：
S251：将设备运行效率数据与预设的设备运行效率临界值进行比较；
具体地，例如，可以使用逻辑判断操作（如大于、小于、等于）来判断设备运行效率数据是否满足预设的设备运行效率临界值条件。
S252：当设备运行效率数据小于或等于预设的设备运行效率临界值时，对历史设备性能参数进行泰拉矩阵分解，得到设备性能影响因子张量；
具体地，例如，当设备运行效率数据小于或等于预设的设备运行效率临界值时，可以对历史设备性能参数数据进行泰拉矩阵分解（Tucker decomposition）。泰拉矩阵分解是一种高阶张量分解方法，可以将高维数据分解为低维核心张量和模态矩阵的乘积。可以使用Python的TensorLy库或其他张量分解工具库来实现泰拉矩阵分解。根据泰拉矩阵分解的结果，得到设备性能影响因子张量。泰拉矩阵分解将历史设备性能参数数据分解为核心张量和模态矩阵，其中模态矩阵表示了设备性能的不同影响因子。可以将这些影响因子整理为一个张量或数据结构，记录其名称和对设备性能的影响程度等信息。
S253：对设备性能影响因子张量进行超图卷积特征提取，得到设备性能影响因子集；
具体地，例如，可以基于设备性能影响因子张量，构建超图。超图是一种图结构，其中节点表示影响因子，边表示影响因子之间的关系。可以根据设备性能影响因子张量的特点和领域知识，确定超图中的节点和边的定义。使用超图卷积神经网络（GraphConvolutional Network，GCN）或其他超图卷积方法，对超图进行特征提取。超图卷积是一种适用于超图结构的图卷积方法，可以捕捉节点之间的高阶关系。可以使用Python的DGL库、PyTorch Geometric库或其他图神经网络库来实现超图卷积特征提取。根据超图卷积特征提取的结果，得到设备性能影响因子集。这些影响因子可以是超图卷积提取的节点特征，表示了设备性能影响因子的重要程度和相关性。可以将这些因子整理为一个集合或数据表，记录其名称和对设备性能的影响程度等信息。
S254：当设备运行效率数据大于预设的设备运行效率临界值时，对目标生产车间进行供应链溯源，得到供应链环节数据；
具体地，例如，当设备运行效率数据大于预设的设备运行效率临界值时，进行供应链溯源。通过追踪原材料、零部件或组装过程等信息，获取与目标生产车间相关的供应链环节数据。这可以涉及到与供应商和其他合作伙伴进行数据交换和查询。根据供应链溯源的结果，得到目标生产车间的供应链环节数据。这些数据可以包括原材料来源、供应商信息、生产批次、质检记录等。可以将这些数据整理为一个数据集或数据表，记录相关的供应链信息。
S255：对供应链环节数据进行供应链稳定性冲击仿真，得到供应链扰动因子集；
具体地，例如，可以使用供应链稳定性冲击仿真方法，对供应链环节数据进行模拟。这可以通过引入随机变量、模型参数调整或其他仿真方法来模拟供应链中的不确定性和扰动情况。可以使用Python的仿真库（如SimPy、NumPy）来实现供应链稳定性冲击仿真。根据供应链稳定性冲击仿真的结果，得到供应链扰动因子集。这些因子可以是仿真中引入的扰动变量，表示供应链中的不稳定性和风险因素。可以将这些因子整理为一个集合或数据表，记录其名称和对供应链稳定性的影响程度等信息。
S256：对目标生产车间进行历史人机交互数据采集，得到历史人机交互数据；对历史人机交互数据进行行为模式挖掘与偏差检测，得到人工录入操作失误影响因子集；
具体地，例如，可以使用传感器、记录设备或其他数据采集方法来获取与人机交互相关的数据，包括操作记录、输入数据、时间戳等。使用行为模式挖掘方法，对历史人机交互数据进行分析和挖掘。可以使用机器学习算法（如聚类、关联规则挖掘）或序列模式挖掘方法（如序列模式、序列频繁项挖掘）来发现人机交互的行为模式。可以使用Python的机器学习库（如scikit-learn、TensorFlow）或序列分析库（如PrefixSpan、GSPY）来实现行为模式挖掘。对行为模式进行偏差检测，识别潜在的人工录入操作失误。可以使用异常检测算法（如离群点检测、统计方法）或专门设计的规则和模型来检测偏差。根据异常检测的结果，确定可能存在的人工录入操作失误。根据偏差检测的结果，得到人工录入操作失误影响因子集。这些因子可以是与人工录入操作失误相关的特征、模式或其他指标，表示其对生产车间操作的影响程度和频率。可以将这些因子整理为一个集合或数据表，记录其名称和对生产车间操作的影响程度等信息。
S257：将设备性能影响因子集、供应链扰动因子集与人工录入操作失误影响因子集作为产品生产数据品质影响因子集。
具体地，例如，可以将设备性能影响因子集、供应链扰动因子集和人工录入操作失误影响因子集进行整合。根据数据的结构和需求，可以使用数据处理工具（如Python的pandas库）将这些因子集合并为一个数据集或数据表。确保每个因子都有对应的标识符或关联信息，以便后续分析和处理。将整合后的因子集作为产品生产数据品质影响因子集。这个影响因子集包含了设备性能、供应链稳定性和人工录入操作等多个方面对产品生产数据品质的影响因素。可以将这些因子整理为一个集合或数据表，记录其名称和对产品生产数据品质的影响程度等信息。
本发明通过将设备运行效率数据与预设的设备运行效率临界值进行比较，可以评估设备的运行情况。如果设备运行效率数据低于或等于预设的临界值，可以判定设备的运行状态存在问题，需要进一步分析设备性能的影响因素。当设备运行效率数据小于或等于预设的设备运行效率临界值时，采用泰拉矩阵分解的方法对历史设备性能参数进行分析。泰拉矩阵分解可以从历史数据中提取出设备性能的影响因子，即设备性能影响因子张量。这些因子可以用于后续的数据分析和挖掘，帮助理解设备性能的变化和影响因素。通过对设备性能影响因子张量进行超图卷积特征提取，可以从中提取出设备性能的关键特征。超图卷积是一种用于处理图数据的方法，可以捕捉图中节点之间的复杂关系。通过超图卷积特征提取，可以得到设备性能影响因子集，这些因子具有更高的表征能力，可以更好地描述设备性能的影响因素。当设备运行效率数据大于预设的设备运行效率临界值时，说明设备的运行状态正常。在这种情况下，可以通过供应链溯源的方法追踪目标生产车间的供应链环节数据，包括原材料存量、供应商、生产过程等信息。对供应链环节数据进行供应链稳定性冲击仿真，模拟不同情况下的供应链稳定性，并从中提取供应链中的扰动因子。这些扰动因子可以帮助理解供应链的脆弱性和稳定性，为改进供应链管理和应对潜在风险提供依据。通过对历史人机交互数据进行行为模式挖掘与偏差检测，可以识别出人工录入操作中的偏差和错误。提取出的人工录入操作失误影响因子集可以帮助分析和改进人机交互过程，减少人为因素对产品生产数据品质的影响。将之前提取的设备性能影响因子集、供应链扰动因子集和人工录入操作失误影响因子集整合在一起，形成产品生产数据品质影响因子集。这个集合包含了影响产品生产数据品质的关键因素，可以用于评估和优化产品生产过程，提高数据品质和生产效率。
优选地，S26具体为：
S261：对历史低品质生产数据进行缺陷成本估算，得到缺陷成本数据；
具体地，例如，可以使用缺陷成本估算方法，对历史低品质生产数据进行分析和计算。缺陷成本包括直接成本（如废品处理、返工成本）、间接成本（如停产损失、客户投诉处理成本）等。具体的成本计算方法可以根据企业的需求和实际情况进行选择和定制。可以使用Excel或专门的成本估算工具来进行计算和分析。根据缺陷成本估算的结果，得到缺陷成本数据。这些数据可以是每个缺陷类型或生产批次对应的成本值，用于衡量低品质生产数据对企业的经济影响。可以将这些数据整理为一个集合或数据表，记录其名称、对应的缺陷类型或生产批次，以及对企业经济的影响程度等信息。
S262：对缺陷成本数据进行可接受损失阈值设定，得到可接受损失阈值；
具体地，例如，可以使用适当的方法或模型来设定可接受损失阈值。常用的方法包括风险评估、成本效益分析、质量目标设定等。可以根据企业的需求选择合适的方法。这个阈值应该能够平衡经济投入和质量风险，确保企业在可接受的损失范围内运营。根据阈值设定的结果，得到可接受损失阈值。这个阈值可以是一个具体的数值，表示企业能够接受的最大缺陷成本或损失金额。也可以是一个范围或区间，以考虑不同的情况和灵活性。确保记录阈值的具体数值和相关的定义或说明。
S263：根据可接受损失阈值对历史低品质生产数据进行可接受历史低品质生产数据反求，得到可接受历史低品质生产数据；
具体地，例如，可以根据可接受的缺陷成本范围，筛选历史低品质生产数据，找出符合阈值要求的数据。可以根据缺陷成本数据和阈值进行筛选和过滤，找到缺陷成本在可接受范围内的生产数据。得到符合可接受缺陷成本范围的可接受历史低品质生产数据。
S264：获取可接受历史低品质生产数据相应设备性能参数；
具体地，例如，可以根据可接受历史低品质生产数据，获取相应的设备性能参数。确定与设备性能相关的参数和指标。这些参数可以是设备的运行状态、工作效率、故障记录等。根据需求和实际情况，选择适当的性能参数来评估设备的运行质量。将可接受历史低品质生产数据与设备性能参数进行整合和关联。根据生产批次或产品缺陷信息，找到对应的设备性能参数数据。这可以通过批次号、时间戳或其他唯一标识符来进行匹配和关联。根据关联的设备性能参数定义和数据整合结果，获取相应的设备性能参数。这可以涉及从设备监控***、传感器数据、维修记录或其他相关数据源中提取所需的性能参数。
S265：基于产品生产数据品质影响因子集对可接受历史低品质生产数据与可接受历史低品质生产数据相应设备性能参数进行影响因子赋权，得到加权影响因子数据；
具体地，例如，可以使用合适的方法或模型，对影响因子进行赋权。可以使用的方法包括专家评估、层次分析法（AHP）、加权平均法等。根据企业的需求和可用的数据，选择最适合的赋权方法。确保赋权过程可重复且具有合理的逻辑。根据所选的赋权方法，对可接受历史低品质生产数据和相应设备性能参数的影响因子进行赋权。这可以涉及根据定义的影响因子集，使用赋权表或公式来计算每个影响因子的权重。使用Excel或类似的工具进行计算和分析。根据所选的赋权方法，对可接受历史低品质生产数据和相应设备性能参数的影响因子进行赋权。
S266：根据产品生产数据品质影响因子集与加权影响因子数据对可接受历史低品质生产数据与可接受历史低品质生产数据相应设备性能参数进行数据品质临界值范围计算，得到生产数据可接受品质区间；
具体地，例如，可以使用适当的方法或模型来计算数据品质的临界值范围。可以使用的方法包括基于统计分析、质量控制图、专家判断等。根据企业的需求选择合适的方法。确保计算方法合理、可靠且与目标相符。根据影响因子的加权结果，对可接受历史低品质生产数据和设备性能参数进行加权求和，得到综合的品质评估值。这可以通过使用加权逐项相加的方法，将每个数据点的加权影响因子与对应的数据值相乘，并将结果求和得到一个综合评估值。根据数据品质临界值计算方法，将综合的品质评估值转化为数据品质临界值范围。这可以通过可接受历史低品质生产数据对应的数据品质临界值进行范围确定，或者通过根据企业的需求和标准，设定上限和下限的阈值来确定数据品质的可接受范围。使用适当的工具或方法，对综合的品质评估值进行数据品质临界值范围的计算。这可以涉及使用统计分析软件（如Excel、Python的numpy库）进行计算和处理。根据计算结果，得到生产数据的可接受品质区间。这可以是一个范围，例如上限和下限的数值，表示数据品质的可接受范围。
本发明通过对历史低品质生产数据进行缺陷成本估算，可以计算出与缺陷相关的成本，如返工成本、废品成本等。这些缺陷成本数据有助于评估低品质数据对生产过程和企业经济的影响，为后续的决策提供定量依据。通过对缺陷成本数据进行分析和考量，可以设定一个可接受的损失阈值。这个阈值表示企业在生产过程中愿意承担的最大损失程度，超过该阈值的低品质数据将被视为不可接受的质量问题。可接受损失阈值的设定有助于明确生产数据品质的目标和限制。根据设定的可接受损失阈值，对历史低品质生产数据进行反求，筛选出符合可接受标准的数据。这些可接受历史低品质生产数据是在企业可接受损失范围内的数据。根据可接受历史低品质生产数据，获取与这些数据相关联的设备性能参数。这些参数反映了设备在生产过程中的关键性能指标，与低品质数据的产生可能存在关联关系。通过获取这些设备性能参数，可以进一步分析和理解设备对低品质数据的影响。据产品生产数据品质影响因子集，对可接受历史低品质生产数据与相应设备性能参数进行影响因子赋权。这些影响因子可以根据其对产品生产数据品质的重要程度进行赋权，以反映它们对品质的相对重要性。通过加权影响因子数据，可以更准确地评估设备性能对可接受历史低品质生产数据的影响程度。基于产品生产数据品质影响因子集和加权影响因子数据，计算可接受历史低品质生产数据与相应设备性能参数的数据品质临界值范围。这个品质临界值范围定义了可接受的数据品质边界，超过这个范围的数据将被视为不可接受的低品质数据。通过确定生产数据的可接受品质区间，可以为数据的质量控制和改进提供指导
优选地，数据品质评估模块S3具体为：
S31：根据产品生产数据品质影响因子集对产品生产数据进行非影响因子属性数据剔除，得到精简产品生产数据；
具体地，例如，可以针对每个数据属性，根据产品生产数据品质影响因子集确定其是否为影响因子属性。影响因子属性是那些对产品生产数据品质有重要影响的属性。基于影响因子属性的定义和规则，对产品生产数据进行筛选和剔除。剔除那些不属于影响因子属性集的数据。确保数据剔除过程是可追溯和可重复的。记录剔除的数据属性和对应的剔除规则。在非影响因子属性数据剔除后，得到精简的产品生产数据集。
S32：基于产品生产数据品质影响因子集构建产品生产数据品质评价模型；
具体地，例如，可以选择适当的评价模型来构建产品生产数据品质评价模型。可以使用的评价模型包括逻辑回归、支持向量机、决策树等。根据数据的特点和评价目标，选择最适合的模型。根据产品生产数据品质影响因子集，准备用于模型构建的数据集。这包括从产品生产数据中提取和整理与影响因子相关的数据属性，以及为每个数据样本标记品质评价结果（例如好/坏、合格/不合格）。将准备好的数据集分为训练集和测试集。使用训练集数据进行模型的训练。根据选择的评价模型算法，通过学习和调整模型参数，使其能够对产品生产数据的品质进行准确评价。使用测试集数据对训练好的模型进行验证。评估模型在未见过的数据上的性能表现，检查其对产品生产数据品质的评价准确性和可靠性，从而得到产品生产数据品质评价模型。
S33：将精简产品生产数据输入至产品生产数据品质评价模型进行数据品质量化评估，得到产品生产数据品质指数；将产品生产数据品质指数与生产数据可接受品质区间进行比较。
具体地，例如，可以将精简产品生产数据输入到产品生产数据品质评价模型中进行评估。使用评价模型对输入的产品生产数据进行预测或分类。模型会根据已学习的规律，对数据的品质进行评估并生成相应的品质指数。对每个数据样本，得到相应的产品生产数据品质指数。该指数表示该样本的数据品质程度，可以是一个连续值或离散的评价结果。根据评价模型的输出结果，得到每个数据样本的产品生产数据品质指数。将产品生产数据品质指数与生产数据可接受品质区间进行比较，以确定数据的品质是否符合要求。
本发明通过剔除产品生产数据中的非影响因子属性，得到精简的产品生产数据，提高数据的质量和相关性。根据产品生产数据品质影响因子集，识别并剔除那些对产品生产数据品质评估没有直接影响或无关的属性数据。这样做的价值在于减少数据集的复杂性，去除冗余信息，使得后续的数据分析和评估更加准确和高效。通过利用产品生产数据品质影响因子集，建立一个评价模型，该模型可以根据各个影响因子的权重和相关数据进行计算，从而得出产品生产数据的品质评分。构建产品生产数据品质评价模型的价值在于提供了一种客观、可量化的评估手段，使得企业能够更加准确地了解其产品生产数据的品质水平。通过将经过精简处理的产品生产数据输入到产品生产数据品质评价模型中，通过计算和分析得出产品生产数据的品质指数。品质指数可以反映数据的质量水平，以便进一步判断数据是否符合预期的品质要求。通过将产品生产数据品质指数与生产数据可接受品质区间进行比较，可以确定数据的合格性，并及时采取措施来改进和优化生产过程，保证数据的品质达到可接受水平。
优选地，数据品质提升决策模块S4具体为：
S41：当产品生产数据品质指数小于生产数据可接受品质区间下限时，对目标生产车间进行智能生产停线作业；
具体地，例如，当产品生产数据品质指数小于生产数据可接受品质区间下限时，根据预先设定的生产停线策略，通过自动化控制***停止目标生产车间的生产线。可以使用基于规则的逻辑控制或基于机器学习的智能控制方法来实现智能停线作业。
S42：根据产品生产数据品质影响因子集对产品生产数据进行因果追溯规则构建，得到因果追溯规则数据；
具体地，例如，可以使用关联规则挖掘算法（如Apriori算法）来发现产品生产数据品质影响因子集对产品生产数据之间的关联性和因果关系。使用Python的数据挖掘和关联规则挖掘库（如mlxtend）来实现规则构建过程。根据构建的因果追溯规则，将规则转化为可读性高的形式，生成因果追溯规则数据。这些规则数据可以包括规则的条件、结果和支持度等信息。
S43：获取当前供应链数据；基于因果追溯规则数据、设备性能参数与当前供应链数据对产品生产数据进行数据异常根源追溯，得到生产数据异常诱因数据；
具体地，例如，可以与供应链相关的各个环节，包括原材料供应商、物流信息、生产计划等，提供数据接口或采集方式，以获取当前的供应链数据。可以使用企业资源计划（ERP）***、供应链管理（SCM）***或其他相关***来获取数据。基于因果追溯规则数据对当前供应链数据与设备性能参数进行关联和分析，以追溯产品生产数据的异常根源。可以使用数据挖掘和关联规则挖掘的方法，根据规则数据中的条件和结果进行匹配和推理，找出导致生产数据异常的诱因。使用Python的数据分析和关联规则挖掘库（如mlxtend）进行数据处理和分析。根据数据异常根源追溯的结果，提取出导致生产数据异常的诱因数据。这些诱因数据可以包括供应链环节、设备状态、工艺参数等方面的信息。
S44：基于历史产品生产数据、历史低品质生产数据与生产数据异常诱因数据对目标生产车间进行数据质量提升优化决策，得到生产数据质量增强策略；
具体地，例如，可以结合历史产品生产数据、历史低品质生产数据和生产数据异常诱因数据，制定数据质量提升的优化决策。基于数据分析的结果，识别和分析导致低品质生产的因素和异常诱因数据之间的关联。根据分析结果，制定一系列数据质量提升的优化决策，包括调整生产工艺参数、改进供应链管理、优化设备维护计划等。
S45：根据生产数据质量增强策略对目标生产车间进行策略深度融合实施。
具体地，例如，可以根据生产数据质量增强策略中的应对手段对目标生产车间进行及时应用。
本发明通过监测产品生产数据品质指数，如果发现指数低于生产数据可接受品质区间下限，就触发智能生产停线作业。低品质的工业数据可能对供应链产生负面影响。通过及时停线作业，可以避免不良数据传递给下游环节，确保供应链中的数据质量。通过构建因果追溯规则，可以识别出对产品生产数据品质影响较大的因素，并提供因果关系的参考依据，帮助理解和解决数据品质问题。这些规则可以帮助企业了解各个因素对产品生产数据品质的影响程度，从而更好地进行数据品质管理和改进。因果追溯规则数据的生成为企业提供了深入了解数据异常的能力，有助于确定数据质量问题的根本原因。通过获取当前供应链数据，并结合之前构建的因果追溯规则数据和设备性能参数，对产品生产数据进行异常根源追溯。通过分析数据异常的原因和来源，可以得到导致生产数据异常的具体诱因，包括供应链中的问题、设备性能等。这样的追溯有助于准确定位问题，提供解决方案的依据，为改进生产数据品质提供指导。通过利用历史产品生产数据、历史低品质生产数据以及之前得到的生产数据异常诱因数据，对目标生产车间进行数据质量提升优化决策。通过分析历史数据和异常诱因数据，可以识别出生产数据质量问题的主要原因，并制定相应的改进策略和措施。这些决策可能涉及供应链管理、设备维护、工艺调整等方面，旨在消除或减少导致数据异常的因素，提高生产数据的品质和稳定性。根据制定的生产数据质量增强策略，将这些策略深度融合到目标生产车间的实际生产过程中。这可能包括更新和调整供应链管理流程、设备维护计划、数据采集和监控***等，以确保策略的有效实施和持续改进。通过策略的深度融合实施，可以提高数据质量的稳定性和可持续性。
优选地，S44具体为：
S441：获取历史生产数据异常诱因数据集；
具体地，例如，可以根据企业数据库的类型和结构，编写查询语句以获取历史生产数据异常诱因数据集。
S442：对历史生产数据异常诱因数据集进行异质诱因识别与分类，得到异质诱因数据集，其中异质诱因数据集包括设备故障异质诱因数据、人工操作失误异质诱因数据、供应链中断异质诱因数据以及环境影响异质诱因数据；
具体地，例如，可以从历史生产数据异常诱因数据集中提取相关特征，以便进行异质诱因的识别和分类。特征可以包括但不限于设备标识、时间戳、操作员信息、供应链信息和环境参数等。根据特征提取的结果，构建异质诱因识别与分类的模型。可以使用各种机器学习算法（如决策树、支持向量机、随机森林等）或深度学习方法（如神经网络）来构建模型。准备标注好的训练数据集，其中包含已经人工标注的异质诱因类别标签或由机器自动学习并标注的异质诱因类别标签。使用训练好的异质诱因识别与分类模型，对历史生产数据异常诱因数据集进行预测和分类。将预测结果与原始数据集进行关联，生成包括设备故障异质诱因数据、人工操作失误异质诱因数据、供应链中断异质诱因数据以及环境影响异质诱因数据的异质诱因数据集。
S443： 基于历史产品生产数据、历史低品质生产数据与历史生产数据异常诱因数据集对异质诱因数据集中每一类异质诱因数据进行异常发生概率统计分析，得到各类异常诱因发生概率数据；
具体地，例如，可以对异质诱因数据集中的每一类异质诱因数据进行异常发生概率的统计分析。针对每一类异质诱因数据，将历史产品生产数据中的对应低品质数据与历史生产数据异常诱因数据集进行关联。统计分析可以基于关联数据，计算每一类异质诱因数据的异常发生概率，如使用频率统计或概率分布拟合等方法。
S444：对异质诱因数据集中每一类异质诱因数据进行经济损失风险分布分析，得到经济损失风险分布数据；
具体地，例如，可以收集与每一类异质诱因相关的经济损失数据，确保数据准确、完整且可靠。将经济损失数据与异质诱因数据集中的每一类数据进行关联，确保对应关系正确。针对异质诱因数据集中的每一类异质诱因数据，进行经济损失风险分布分析。使用适当的统计方法和风险评估模型，如概率分布分析、风险价值（VaR）计算等，来计算每一类异质诱因数据的经济损失风险分布。这些方法可以根据具体需求选择，如正态分布、蒙特卡洛模拟等。
S445：对异质诱因数据集、各类异常诱因发生概率数据与经济损失风险分布数据进行数据异常诱因知识图谱构建，得到数据异常诱因知识图谱；
具体地，例如，可以将异质诱因数据集中的每一类异质诱因数据作为节点，利用概率统计分析得到的异常发生概率数据作为节点属性。将经济损失风险分布数据与各类异质诱因数据进行关联，形成边，表示异常诱因与经济损失之间的关系。可以使用图数据库或知识图谱构建工具，如Neo4j、Apache Jena等，来构建数据异常诱因知识图谱。
S446：将生产数据异常诱因数据与数据异常诱因知识图谱进行异常根源匹配，得到生产数据异常诱因匹配结果数据；
具体地，例如，可以将生产数据异常诱因数据与数据异常诱因知识图谱进行匹配。根据生产数据异常诱因数据的属性，与数据异常诱因知识图谱中的节点属性进行匹配，寻找与之相似或相关的节点。可以利用图数据库或知识图谱查询语言（如Cypher查询语言）进行查询和匹配操作。
S447：基于数据异常诱因知识图谱与生产数据异常诱因匹配结果数据对目标生产车间进行数据质量提升优化决策，得到生产数据质量增强策略。
具体地，例如，可以基于生产数据异常诱因匹配结果数据，分析目标生产车间的数据质量问题和异常情况。考虑异常发生概率、经济损失风险分布以及与异常诱因相关的节点属性等信息，对数据质量问题进行评估和分析。基于数据异常诱因知识图谱和数据质量分析结果，制定生产数据质量增强策略。根据知识图谱中异常诱因节点的属性和边的关系，确定数据质量改进的目标和方向。可以制定针对不同异常诱因的数据质量改进措施，如数据采集优化、传感器校准、工艺参数调整等。
本发明通过获取历史生产数据异常诱因数据集，提供了历史生产数据异常诱因的数据集，包括导致数据异常的各种因素。这为后续的异常诱因分析和优化决策提供了基础数据。通过对历史生产数据异常诱因进行识别与分类，将不同类型的异常诱因进行归类。这有助于企业清晰地了解不同类型的异常来源，并有针对性地进行异常根因分析和处理。生成了异质诱因数据集，其中包括设备故障、人工操作失误、供应链中断和环境影响等不同类型的异常诱因数据。这为后续的统计分析和风险评估提供了基础数据。通过统计分析，计算了每一类异质诱因数据的异常发生概率。这提供了企业评估不同异常诱因的风险程度的依据。帮助企业了解不同类型的异常诱因数据发生的频率，从而有助于制定相应的风险预防和数据质量改进策略。通过对异质诱因数据集中的每一类异常诱因数据进行经济损失风险分析，帮助企业评估不同异常诱因的经济损失风险程度。提供了经济损失风险分布数据，这有助于企业了解并优先处理那些可能导致较大经济损失的异常诱因。通过构建数据异常诱因知识图谱，将异质诱因数据、异常发生概率数据和经济损失风险分布数据有机地结合起来。数据异常诱因知识图谱提供了全面的异常诱因信息，帮助企业更好地理解不同异常诱因之间的关联和影响，为后续的根因匹配和数据质量提升决策提供了依据。将生产数据异常诱因数据与数据异常诱因知识图谱进行匹配，可以确定生产数据异常的根本原因。通过匹配结果数据，企业可以准确地了解导致数据异常的具体异常诱因，为解决数据质量问题提供指导和依据。基于数据异常诱因知识图谱和生产数据异常诱因匹配结果数据，制定针对目标生产车间的数据质量提升优化决策。通过制定生产数据质量增强策略，企业可以有效地改善数据质量，减少异常发生的可能性，提高产品质量和生产效率。本发明能够帮助企业深入了解异常诱因、评估风险、解决数据质量问题，并最终提升生产数据的质量和效益。
优选地，S447具体为：
S4471：当生产数据异常诱因匹配结果数据为设备故障异质诱因数据时，对目标生产车间进行设备健康状态扫描，得到故障设备标识数据；对故障设备标识数据相应设备进行设备维修决策支持，得到车间设备优化维护策略；
具体地，例如，可以当生产数据异常诱因匹配结果数据为设备故障异质诱因数据时，目标生产车间中的设备进行健康状态扫描。可以使用传感器、监测设备或远程监控***等技术手段，实时或定期获取设备的运行状态、故障信息等。根据设备健康状态扫描结果，识别出存在故障的设备，并生成故障设备标识数据。故障设备标识数据可以包括设备编号、设备类型、故障类型、故障程度等信息，用于后续的设备维修决策支持。基于故障设备标识数据，进行设备维修决策支持。可以利用故障设备的标识数据，结合设备维修记录、维修历史数据等，进行故障原因分析和维修优先级排序。根据维修优先级和资源可用性等因素，制定车间设备优化维护策略，如设备更换、维修计划调整等。
S4472：当生产数据异常诱因匹配结果数据为人工操作失误异质诱因数据时，对目标生产车间中的关键工序进行人机交互分析，得到人机优化需求数据；基于人机优化需求数据实施虚拟现实交互式培训，得到车间人员技能提升策略；
具体地，例如，可以当生产数据异常诱因匹配结果数据为人工操作失误异质诱因数据时，根据生产数据异常诱因匹配结果数据中的人工操作失误异质诱因数据，重点关注目标生产车间中的关键工序。进行人机交互分析，评估人机界面设计、工序操作流程、工具设备等方面可能导致的人工操作失误问题。基于人机交互分析结果，得到人机优化需求数据。人机优化需求数据可以包括对界面设计的改进要求、对工序流程的调整建议、对培训和技能提升的需求等。基于人机优化需求数据，实施虚拟现实交互式培训。利用虚拟现实技术，构建模拟的生产工作环境，让车间人员通过交互式培训进行实践操作和技能提升。培训内容可以包括正确的操作流程、应对异常情况的处理方法等，以提升车间人员的操作技能和减少人工操作失误。根据虚拟现实交互式培训的结果和反馈，制定车间人员技能提升策略。可以根据培训的效果评估，确定进一步的培训计划和措施，如定期培训、技能认证等，以确保车间人员的技能水平持续提升。
S4473：当生产数据异常诱因匹配结果数据为供应链中断异质诱因数据时，构建供应链数字孪生模型，并获取车间原料物流数据；利用供应链数字孪生模型结合车间原料物流数据对目标生产车间进行智能物流调度优化实施，得到车间供应链稳定策略；
具体地，例如，当生产数据异常诱因匹配结果数据为供应链中断异质诱因数据时，基于供应链的结构和运作流程，建立供应链数字孪生模型。数字孪生模型是一个虚拟的供应链镜像，能够模拟供应链中的各个环节和相互关系。收集目标生产车间的原料物流数据。这些数据可以包括原料的供应商信息、运输时间、库存水平等。将车间原料物流数据与供应链数字孪生模型结合起来。使用智能算法和优化技术，对供应链进行调度和优化，以实现更稳定的物流运作和减少中断的风险。优化的目标可以包括减少供应链中断次数、降低物流成本、提高物流效率等。根据智能物流调度优化的结果，制定车间供应链稳定策略。这些策略可以包括与供应商的合作协议调整、库存管理策略优化、物流运输方式调整等，旨在确保供应链的稳定性和可靠性。
S4474：当生产数据异常诱因匹配结果数据为环境影响异质诱因数据时，对目标生产车间进行车间环境参数感知网络部署，得到车间实时环境参数；根据车间实时环境参数对目标生产车间进行智能环境控制优化实施，得到车间环境优化策略；
具体地，例如，当生产数据异常诱因匹配结果数据为环境影响异质诱因数据时，在目标生产车间中部署环境参数感知网络。这可以包括传感器、监测设备和数据采集***等，用于实时感知车间的环境参数，如温度、湿度、空气质量等。通过部署的环境参数感知网络，获取目标生产车间的实时环境参数数据。结合车间实时环境参数数据，使用智能算法和控制技术，对车间环境进行优化和调控。例如，根据温度和湿度数据进行空调和通风***的自动调节，以保持适宜的工作环境。根据智能环境控制优化的结果，制定车间环境优化策略。这些策略可以包括设定环境参数的目标范围、优化设备调度和控制策略等，旨在提供舒适、安全和高效的工作环境。
S4475：将车间设备优化维护策略或车间人员技能提升策略或车间供应链稳定策略或车间环境优化策略作为生产数据质量增强策略；
具体地，例如，当生产数据异常诱因匹配结果数据为设备故障异质诱因数据、人工操作失误异质诱因数据、供应链中断异质诱因数据以及环境影响异质诱因数据中某一中异质诱因数据时，将异质诱因数据对应的质量增强策略作为生产数据质量增强策略。
S4476：当生产数据异常诱因匹配结果数据为设备故障异质诱因数据、人工操作失误异质诱因数据、供应链中断异质诱因数据以及环境影响异质诱因数据中的任一组合时，将车间设备优化维护策略、车间人员技能提升策略、车间供应链稳定策略与车间环境优化策略中对应的组合作为生产数据质量增强策略。
具体地，例如，当生产数据异常诱因匹配结果数据为设备故障异质诱因数据、人工操作失误异质诱因数据、供应链中断异质诱因数据以及环境影响异质诱因数据中的任一组合时，将车间设备优化维护策略、车间人员技能提升策略、车间供应链稳定策略与车间环境优化策略中对应的组合作为生产数据质量增强策略。
本发明中，当生产数据异常诱因匹配结果数据为设备故障异质诱因数据时，通过设备健康状态扫描，及时发现目标生产车间中存在的故障设备，准确标识出故障设备。这有助于企业及时采取维修措施，防止设备故障对生产造成更大的影响。基于故障设备标识数据，为设备维修决策提供支持。这使企业能够根据设备故障的严重程度、影响范围等因素，制定相应的设备优化维护策略。有效的设备维护可以减少生产中断和工业生产数据连贯性质量问题，提高生产效率和稳定性。当生产数据异常诱因匹配结果数据为人工操作失误异质诱因数据时，通过人机交互分析，深入了解目标生产车间关键工序中可能存在的人工操作失误问题。这有助于识别潜在的问题点，改进工序设计和操作流程，减少人工操作失误的发生。基于人机优化需求数据，实施虚拟现实交互式培训。这种培训方式能够模拟真实工作环境，提供身临其境的体验，帮助车间人员提升技能和操作水平，从而确保生产过程中人工手动输入数据的质量。当生产数据异常诱因匹配结果数据为供应链中断异质诱因数据时，构建供应链数字孪生模型并获取车间原料物流数据，可以实现对供应链中断异质诱因的全面分析和建模。这使企业能够更好地理解供应链中的问题和瓶颈，并***可能的中断情况，为供应链管理提供更准确的数据支持。利用供应链数字孪生模型结合车间原料物流数据，对目标生产车间进行智能物流调度优化实施。通过优化物流调度，可以实现原料的准时供应、减少库存积压、优化运输路线等。这有助于降低供应链中断的风险，提高生产车间的供应链稳定性和运作效率。当生产数据异常诱因匹配结果数据为环境影响异质诱因数据时，通过部署车间环境参数感知网络，能够实时感知目标生产车间的环境参数，如温度、湿度、气体浓度等。这有助于对环境影响因素进行准确监测和数据收集。基于实时环境参数，通过智能环境控制优化实施，对目标生产车间进行环境调节和优化。通过调整环境参数，如温度、湿度等，以满足生产过程中的要求，提高产品质量、稳定生产流程，从而提高产品质量指标。将车间设备优化维护策略作为生产数据质量增强策略，可以确保设备的正常运行和提高设备可靠性，减少设备故障对生产数据质量的影响。将车间人员技能提升策略作为生产数据质量增强策略，可以提高员工的操作水平和技能，减少人为因素导致的生产数据异常和质量问题。将车间供应链稳定策略作为生产数据质量增强策略，可以保证供应链的稳定性，减少供应链中断对生产数据的影响。将车间环境优化策略作为生产数据质量增强策略，可以优化生产环境，减少环境因素对生产数据和产品质量的影响。
优选地，生产过程知识图谱构建模块S5具体为：
S51：对产品生产数据品质指数与生产数据异常诱因数据进行分形维度分析，得到数据质量异常分形关联数据；
具体地，例如，可以使用分形维度分析算法如Hurst指数、分形维度计算等。将产品生产数据品质指数和生产数据异常诱因数据输入选择的分形维度分析工具。运行分析工具，计算数据的分形维度。这将揭示数据的自相似特征和分形结构。综合产品生产数据品质指数和生产数据异常诱因数据的分形维度分析结果。提取数据质量异常分形关联数据，即异常数据在分形维度上的相关性信息。
S52：对生产数据异常诱因数据与生产数据质量增强策略进行过程语义分析，得到异常诱因策略语义数据；
具体地，例如，可以使用自然语言处理（NLP）技术、语义分析算法等。将生产数据异常诱因数据和生产数据质量增强策略数据输入选择的过程语义分析工具。运行分析工具，提取数据中的语义信息和关联关系。这将揭示异常诱因数据和策略数据之间的语义关联。综合异常诱因与策略数据的语义分析结果。提取异常诱因策略语义数据，即异常诱因数据与策略数据之间的语义关系和语义表示。对异常诱因策略语义数据进行解释和分析。根据分析结果，可以理解异常诱因与策略之间的语义关系和逻辑。
S53：基于数据质量异常分形关联数据与异常诱因策略语义数据对产品生产数据品质指数、生产数据异常诱因数据与生产数据质量增强策略进行异构数据图嵌入融合，得到初始数据品质因果知识图谱；
具体地，例如，可以选择适合进行异构数据图嵌入的工具或方法。异构数据图嵌入工具可以将不同类型的数据和关联关系嵌入到统一的图结构中。将数据质量异常分形关联数据、异常诱因策略语义数据、产品生产数据品质指数、生产数据异常诱因数据和生产数据质量增强策略以异构数据图的方式表示。在图中，节点表示数据和策略元素，边表示它们之间的关联关系。将异构数据图输入选择的异构数据图嵌入工具。运行嵌入工具，例如，GraphSAGE、DeepWalk等，将不同类型的数据嵌入到统一的图结构中，保留数据之间的关联关系。这将生成一个嵌入后的初始数据品质因果知识图谱。
S54：对目标生产车间进行物联网实时监测，得到实时生产状态监控数据集；基于实时生产状态监控数据集对初始数据品质因果知识图谱进行时序知识图谱演化，得到动态数据品质因果知识图谱。
具体地，例如，可以在目标生产车间中部署物联网监测***。***可以收集各种传感器和设备的实时数据，例如温度、湿度、压力、设备状态等。使用物联网监测***收集目标生产车间中的实时生产状态监控数据。这些数据可以是实时传感器读数、设备运行状态、工作流程信息等。选择适合进行时序知识图谱演化的算法或方法。例如，Temporal GraphConvolutional Networks(TGCN)：TGCN是一种基于图卷积网络的算法，用于处理时序图数据。它可以捕捉节点和边在不同时间步之间的关系演化。时序知识图谱演化算法可以将时间序列数据嵌入到知识图谱中，反映数据的时序变化和演化过程。将预处理的实时生产状态监控数据集与初始数据品质因果知识图谱输入选择的时序知识图谱演化算法。运行演化算法，将实时数据的时序变化和演化过程嵌入到初始数据品质因果知识图谱中。这将生成一个动态数据品质因果知识图谱，其中节点和边表示数据和策略元素在时间上的变化和演化。
本发明通过分形维度分析，可以揭示产品生产数据品质指数和生产数据异常诱因数据之间的关联关系。分形维度分析是一种用于研究数据的自相似性和复杂性的方法，能够提取数据的隐藏模式和特征。数据质量异常分形关联数据提供了关于数据质量异常的定量度量和可视化表示，有助于企业进行数据质量监控、异常检测和问题排查，提高数据质量管理效果。通过过程语义分析，可以提取出生产数据异常诱因数据和生产数据质量增强策略之间的关键语义信息，帮助企业理解和解释数据异常的原因和改进策略。异常诱因策略语义数据可以作为知识图谱中的重要元素，为知识表示和推理提供语义上的丰富性和准确性，提高知识图谱的应用效果和决策支持能力。通过初始数据品质因果知识图谱将不同类型的数据和信息整合在一起，提供了一个全面的视角来理解和分析产品生产数据的品质因果关系。它可以帮助企业发现数据质量异常的根本原因，识别潜在的改进策略，并为数据质量管理和决策提供指导。通过异构数据图嵌入融合，知识图谱中的数据和信息相互关联，形成更加丰富和综合的知识表示。这可以提高企业对数据质量问题的感知和理解能力，加强数据驱动的决策支持和问题解决能力。实时生产状态监控数据集提供了对目标生产车间的实时了解，帮助企业及时掌握生产过程中的变化和异常情况，支持实时监控和决策调整。动态数据品质因果知识图谱反映了数据品质因果关系的时序演化，能够帮助企业发现数据品质变化的规律和趋势，预测潜在的数据质量问题，并及时采取相应的措施进行调整和改进。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于人工智能的工业数据品质监控与提升***，其特征在于，所述***包括以下模块：
工业数据采集模块S1，用于获取车间设备空间布局数据；根据车间设备空间布局数据对目标生产车间进行高密度感知工业数据采集，得到异构多源工业数据集，其中异构多源工业数据集包括产品生产数据、设备性能参数与产品质量指标；
数据品质影响因子挖掘模块S2，用于获取历史产品生产数据与历史设备性能参数；对历史产品生产数据进行低品质数据检测，得到历史低品质生产数据；基于历史产品生产数据与历史设备性能参数进行数据品质影响因子挖掘，得到产品生产数据品质影响因子集；根据产品生产数据品质影响因子集与历史低品质生产数据进行数据品质临界值范围计算，得到生产数据可接受品质区间；
数据品质评估模块S3，用于根据产品生产数据品质影响因子集对产品生产数据进行数据品质量化评估，得到产品生产数据品质指数；将产品生产数据品质指数与生产数据可接受品质区间进行比较；
数据品质提升决策模块S4，用于当产品生产数据品质指数小于生产数据可接受品质区间下限时，对目标生产车间进行智能生产停线作业，并对产品生产数据进行数据异常根源追溯，得到生产数据异常诱因数据；基于历史产品生产数据、历史低品质生产数据与生产数据异常诱因数据对目标生产车间进行数据质量提升优化决策，得到生产数据质量增强策略；根据生产数据质量增强策略对目标生产车间进行策略深度融合实施；
生产过程知识图谱构建模块S5，对产品生产数据品质指数、生产数据异常诱因数据与生产数据质量增强策略进行因果关系动态知识图谱构建，得到动态数据品质因果知识图谱；
生产数据态势可视化模块S6，用于当产品生产数据品质指数等于或大于生产数据可接受品质区间数据时，对生产数据设备性能参数与产品质量指标进行时空标注，得到实时生产环境状态画像数据；对动态数据品质因果知识图谱与实时生产环境状态画像数据进行多维数据融合，得到生产质量可视化态势图；将生产质量可视化态势图上传至预设的工业数据监控平台。
2.根据权利要求1所述的基于人工智能的工业数据品质监控与提升***，其特征在于，工业数据采集模块S1具体为：
S11：获取车间设备空间布局数据；
S12：根据车间设备空间布局数据对目标生产车间进行自动采集与人工录入设备划分，得到自动采集设备标识数据与人工录入设备标识数据；
S13：根据自动采集设备标识数据对目标生产车间中相应设备部署工业物联网传感器阵列，并进行异步多源数据采集，得到产品生产数据与设备性能参数；
S14：根据人工录入设备标识数据对目标生产车间中相应设备进行人机交互数据采集，得到手工录入生产作业数据；
S15：对手工录入生产作业数据进行自适应人工误差校正，得到优化手工录入生产作业数据；
S16：对产品生产数据与优化手工录入生产作业数据进行多模态产品质量指标评价，得到产品质量指标；
S17：对产品生产数据、设备性能参数与产品质量指标进行智能加权异构数据聚合，得到异构多源工业数据集，其中异构多源工业数据集包括产品生产数据、设备性能参数与产品质量指标。
3.根据权利要求1所述的基于人工智能的工业数据品质监控与提升***，其特征在于，数据品质影响因子挖掘模块S2具体为：
S21：获取历史产品生产数据与历史设备性能参数；
S22：对历史产品生产数据进行低品质数据检测，得到历史低品质生产数据；
S23：对历史产品生产数据与历史设备性能参数进行时间序列同步对准，得到同步历史生产-设备数据集；
S24：基于同步历史生产-设备数据集对历史低品质生产数据相应时间段内的历史设备性能参数进行设备运行效率评估，得到设备运行效率数据；
S25：基于历史产品生产数据与历史设备性能参数根据设备运行效率数据进行数据品质影响因子挖掘，得到产品生产数据品质影响因子集；
S26：根据产品生产数据品质影响因子集与历史低品质生产数据进行数据品质临界值范围计算，得到生产数据可接受品质区间。
4.根据权利要求3所述的基于人工智能的工业数据品质监控与提升***，其特征在于，S25具体为：
S251：将设备运行效率数据与预设的设备运行效率临界值进行比较；
S252：当设备运行效率数据小于或等于预设的设备运行效率临界值时，对历史设备性能参数进行泰拉矩阵分解，得到设备性能影响因子张量；
S253：对设备性能影响因子张量进行超图卷积特征提取，得到设备性能影响因子集；
S254：当设备运行效率数据大于预设的设备运行效率临界值时，对目标生产车间进行供应链溯源，得到供应链环节数据；
S255：对供应链环节数据进行供应链稳定性冲击仿真，得到供应链扰动因子集；
S256：对目标生产车间进行历史人机交互数据采集，得到历史人机交互数据；对历史人机交互数据进行行为模式挖掘与偏差检测，得到人工录入操作失误影响因子集；
S257：将设备性能影响因子集、供应链扰动因子集与人工录入操作失误影响因子集作为产品生产数据品质影响因子集。
5.根据权利要求3所述的基于人工智能的工业数据品质监控与提升***，其特征在于，S26具体为：
S261：对历史低品质生产数据进行缺陷成本估算，得到缺陷成本数据；
S262：对缺陷成本数据进行可接受损失阈值设定，得到可接受损失阈值；
S263：根据可接受损失阈值对历史低品质生产数据进行可接受历史低品质生产数据反求，得到可接受历史低品质生产数据；
S264：获取可接受历史低品质生产数据相应设备性能参数；
S265：基于产品生产数据品质影响因子集对可接受历史低品质生产数据与可接受历史低品质生产数据相应设备性能参数进行影响因子赋权，得到加权影响因子数据；
S266：根据产品生产数据品质影响因子集与加权影响因子数据对可接受历史低品质生产数据与可接受历史低品质生产数据相应设备性能参数进行数据品质临界值范围计算，得到生产数据可接受品质区间。
6.根据权利要求1所述的基于人工智能的工业数据品质监控与提升***，其特征在于，数据品质评估模块S3具体为：
S31：根据产品生产数据品质影响因子集对产品生产数据进行非影响因子属性数据剔除，得到精简产品生产数据；
S32：基于产品生产数据品质影响因子集构建产品生产数据品质评价模型；
S33：将精简产品生产数据输入至产品生产数据品质评价模型进行数据品质量化评估，得到产品生产数据品质指数；将产品生产数据品质指数与生产数据可接受品质区间进行比较。
7.根据权利要求1所述的基于人工智能的工业数据品质监控与提升***，其特征在于，数据品质提升决策模块S4具体为：
S41：当产品生产数据品质指数小于生产数据可接受品质区间下限时，对目标生产车间进行智能生产停线作业；
S42：根据产品生产数据品质影响因子集对产品生产数据进行因果追溯规则构建，得到因果追溯规则数据；
S43：获取当前供应链数据；基于因果追溯规则数据、设备性能参数与当前供应链数据对产品生产数据进行数据异常根源追溯，得到生产数据异常诱因数据；
S44：基于历史产品生产数据、历史低品质生产数据与生产数据异常诱因数据对目标生产车间进行数据质量提升优化决策，得到生产数据质量增强策略；
S45：根据生产数据质量增强策略对目标生产车间进行策略深度融合实施。
8.根据权利要求7所述的基于人工智能的工业数据品质监控与提升***，其特征在于，S44具体为：
S441：获取历史生产数据异常诱因数据集；
S442：对历史生产数据异常诱因数据集进行异质诱因识别与分类，得到异质诱因数据集，其中异质诱因数据集包括设备故障异质诱因数据、人工操作失误异质诱因数据、供应链中断异质诱因数据以及环境影响异质诱因数据；
S443： 基于历史产品生产数据、历史低品质生产数据与历史生产数据异常诱因数据集对异质诱因数据集中每一类异质诱因数据进行异常发生概率统计分析，得到各类异常诱因发生概率数据；
S444：对异质诱因数据集中每一类异质诱因数据进行经济损失风险分布分析，得到经济损失风险分布数据；
S445：对异质诱因数据集、各类异常诱因发生概率数据与经济损失风险分布数据进行数据异常诱因知识图谱构建，得到数据异常诱因知识图谱；
S446：将生产数据异常诱因数据与数据异常诱因知识图谱进行异常根源匹配，得到生产数据异常诱因匹配结果数据；
S447：基于数据异常诱因知识图谱与生产数据异常诱因匹配结果数据对目标生产车间进行数据质量提升优化决策，得到生产数据质量增强策略。
9.根据权利要求8所述的基于人工智能的工业数据品质监控与提升***，其特征在于，S447具体为：
S4471：当生产数据异常诱因匹配结果数据为设备故障异质诱因数据时，对目标生产车间进行设备健康状态扫描，得到故障设备标识数据；对故障设备标识数据相应设备进行设备维修决策支持，得到车间设备优化维护策略；
S4472：当生产数据异常诱因匹配结果数据为人工操作失误异质诱因数据时，对目标生产车间中的关键工序进行人机交互分析，得到人机优化需求数据；基于人机优化需求数据实施虚拟现实交互式培训，得到车间人员技能提升策略；
S4473：当生产数据异常诱因匹配结果数据为供应链中断异质诱因数据时，构建供应链数字孪生模型，并获取车间原料物流数据；利用供应链数字孪生模型结合车间原料物流数据对目标生产车间进行智能物流调度优化实施，得到车间供应链稳定策略；
S4474：当生产数据异常诱因匹配结果数据为环境影响异质诱因数据时，对目标生产车间进行车间环境参数感知网络部署，得到车间实时环境参数；根据车间实时环境参数对目标生产车间进行智能环境控制优化实施，得到车间环境优化策略；
S4475：将车间设备优化维护策略或车间人员技能提升策略或车间供应链稳定策略或车间环境优化策略作为生产数据质量增强策略；
S4476：当生产数据异常诱因匹配结果数据为设备故障异质诱因数据、人工操作失误异质诱因数据、供应链中断异质诱因数据以及环境影响异质诱因数据中的任一组合时，将车间设备优化维护策略、车间人员技能提升策略、车间供应链稳定策略与车间环境优化策略中对应的组合作为生产数据质量增强策略。
10.根据权利要求1所述的基于人工智能的工业数据品质监控与提升***，其特征在于，生产过程知识图谱构建模块S5具体为：
S51：对产品生产数据品质指数与生产数据异常诱因数据进行分形维度分析，得到数据质量异常分形关联数据；
S52：对生产数据异常诱因数据与生产数据质量增强策略进行过程语义分析，得到异常诱因策略语义数据；
S53：基于数据质量异常分形关联数据与异常诱因策略语义数据对产品生产数据品质指数、生产数据异常诱因数据与生产数据质量增强策略进行异构数据图嵌入融合，得到初始数据品质因果知识图谱；
S54：对目标生产车间进行物联网实时监测，得到实时生产状态监控数据集；基于实时生产状态监控数据集对初始数据品质因果知识图谱进行时序知识图谱演化，得到动态数据品质因果知识图谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424860.1A CN118011990B (zh) | 2024-04-10 | 2024-04-10 | 基于人工智能的工业数据品质监控与提升*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410424860.1A CN118011990B (zh) | 2024-04-10 | 2024-04-10 | 基于人工智能的工业数据品质监控与提升*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118011990A CN118011990A (zh) | 2024-05-10 |
| CN118011990B true CN118011990B (zh) | 2024-06-14 |
Family
ID=90944972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410424860.1A Active CN118011990B (zh) | 2024-04-10 | 2024-04-10 | 基于人工智能的工业数据品质监控与提升*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118011990B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275898A (zh) * | 2018-03-16 | 2019-09-24 | 埃森哲环球解决方案有限公司 | 使用基于知识图的解释性设备管理的集成监控与通信*** |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022043848A (ja) * | 2020-09-04 | 2022-03-16 | 日立金属株式会社 | コンピュータプログラム、不良要因分析方法及び不良要因分析装置 |
| CN112488489B (zh) * | 2020-11-26 | 2024-02-27 | 江苏科技大学 | 一种数字孪生驱动的加工质量追溯与动态控制方法 |
| CN115186054A (zh) * | 2022-06-29 | 2022-10-14 | 国网江苏省电力有限公司灌云县供电分公司 | 一种故障可视化分析方法及*** |
| CN115293507A (zh) * | 2022-07-04 | 2022-11-04 | 中国电力科学研究院有限公司 | 面向电网调度运行管理的态势知识图谱构建方法及*** |
| KR102647438B1 (ko) * | 2022-08-10 | 2024-03-12 | 에스케이가스 주식회사 | 화학공정의 기저원인 분석 및 이를 이용한 수율 예측 모델링 방법 |
| KR20240025792A (ko) * | 2022-08-19 | 2024-02-27 | (주)더블유앤이케이 | 인공지능을 기반으로 품질이상을 탐지하여, 설비를 제어하는 방법 및 시스템 |
| KR102622569B1 (ko) * | 2022-12-20 | 2024-01-09 | (주)위세아이텍 | 지능형 제조 설비 제어 장치 및 그의 제어 방법 |
| CN117406689A (zh) * | 2023-10-13 | 2024-01-16 | 中国电子科技集团公司第十四研究所 | 一种数据驱动与知识引导的故障诊断方法及*** |
-
2024
- 2024-04-10 CN CN202410424860.1A patent/CN118011990B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110275898A (zh) * | 2018-03-16 | 2019-09-24 | 埃森哲环球解决方案有限公司 | 使用基于知识图的解释性设备管理的集成监控与通信*** |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据分析的业务风险防控研究;邢巍 等;;《现代商业》;20200328(第09期);第17-19页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118011990A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Galar et al. | Maintenance decision making based on different types of data fusion | |
| CN117495210B (zh) | 公路混凝土施工质量管理*** | |
| CN116681250A (zh) | 一种基于人工智能的建筑工程进度监管*** | |
| CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及*** | |
| Ungermann et al. | Data analytics for manufacturing systems–a data-driven approach for process optimization | |
| CN115310952B (zh) | 一种基于物联网的企业资产管理方法及*** | |
| CN117151345A (zh) | 一种基于ai技术的企业管理智能决策平台 | |
| US20230123527A1 (en) | Distributed client server system for generating predictive machine learning models | |
| CN117670378B (zh) | 一种基于大数据的食品安全监控方法及*** | |
| Fernandes et al. | Machine learning and process mining applied to process optimization: bibliometric and systemic analysis | |
| CN117787711A (zh) | 一种基于大数据的拱桥施工单端管理*** | |
| CN117055502A (zh) | 基于物联网和大数据分析的智能控制*** | |
| CN117829554B (zh) | 智能感知成品修复决策支持*** | |
| CN117875724A (zh) | 一种基于云计算的采购风险管控方法及*** | |
| Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
| CN113468022B (zh) | 一种对产品集中监控的自动化运维方法 | |
| CN117591679A (zh) | 基于知识图谱的积木式产品碳足迹智能分析***及方法 | |
| CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升*** | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| Li et al. | Challenges in developing a computational platform to integrate data analytics with simulation-based optimization | |
| Mateo Casalí et al. | An industry maturity model for implementing Machine Learning operations in manufacturing | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| Martins | Maintenance management of a production line-a case study in a furniture industry | |
| CN118014165B (zh) | 锂离子电池生产的溯源管理方法及*** | |
| CN118400396A (zh) | 一种基于大数据的工业互联网安全监控方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |