面向产品质量的全生命周期知识自动化评价系统的制作方法

本发明涉及数据挖掘和知识发现技术领域，具体涉及一种面向产品质量的全生命周期知识自动化评价系统。

背景技术：

人工智能的发展推动各个行业进行变革，以数据和知识驱动的生产运营方式正在逐步兴起，知识自动化旨在实现知识型工作的自动化，正成为工业发展的趋势。

目前，产品从研发设计、生产制造、物流销售和运维服务等全生命周期产生的海量数据进行知识发现对提升产品质量有极大的潜力，而如何利用全生命周期数据依然是一个比较大的挑战。例如，在锂电池的生产经营中，产品的设计、生产过程中每一个环节都对产品的质量有一定影响，如何对产品的全生命周期数据进行分析挖掘与知识发现，得到一个产品的综合准确评价，是一个较大的挑战。

相应地，本领域需要一种新的知识自动化评价系统来解决上述问题。

技术实现要素：

为了解决现有技术中的上述问题，即为了解决如何对产品全生命周期数据进行分析挖掘和知识发现，以综合评价产品质量的技术问题，本发明提供了一种面向产品质量的全生命周期知识自动化评价系统，所述知识自动化评价系统包括：

产品质量预测子系统和产品质量反馈子系统，所述产品质量预测子系统包括第一特征获取模块和产品质量预测模块；

所述第一特征获取模块配置为分别对预先获取的所述产品的研发设计数据和生产制造数据进行语义提取并且对语义提取结果进行数据融合，得到初级语义知识；

所述产品质量预测模块配置为根据所述初级语义知识预测所述产品的质量等级；

所述产品质量反馈子系统配置为根据预先获取的所述产品的物流状态数据与运维检测数据更新所述产品质量预测模块，以便所述更新后的产品质量预测模块预测得到所述产品的真实质量等级。

进一步地，本发明提供的一个优选实施方案为：

所述第一特征获取模块包括第一数据预处理子模块和第二数据预处理子模块，

所述第一数据预处子理模块配置为分别对所述研发设计数据和生产制造数据进行数据清洗，以便所述第一特征获取模块根据所述数据清洗后的研发设计数据与生产制造数据进行语义提取；

所述第二数据预处理子模块配置为对所述语义提取结果进行数据融合得到初级语义知识。

进一步地，本发明提供的一个优选实施方案为：

所述产品质量预测模块包括产品质量知识推理模型，所述系统还包括知识库和模型训练模块，

所述知识库配置为存储预设的数据训练集，所述数据训练集包括多个预设的产品的初级语义知识；

所述模型训练模块配置为根据所述数据训练集对所述产品质量知识推理模型进行训练，以便所述训练后的产品质量知识推理模型能够根据当前产品的初级语义知识预测该产品的质量等级。

进一步地，本发明提供的一个优选实施方案为：

所述产品质量反馈子系统包括第二特征获取模块、产品质量评价模块和产品质量反馈模块，

所述第二特征获取模块配置为分别对物流状态数据与运维检测数据进行语义提取并且对语义提取结果进行数据融合；

所述产品质量评价模块配置为根据所述第二特征获取模块的数据融合结果对所述产品进行质量评价，得到所述产品的质量评价结果；

所述产品质量反馈模块配置为根据所述产品的质量评价结果更新所述知识库中的数据训练集，以便所述模型训练模块根据所述更新后的数据训练集修正所述产品质量知识推理模型。

进一步地，本发明提供的一个优选实施方案为：

所述第二特征获取模块包括第三数据预处理模子块和第四数据预处理子模块，

所述第三数据预处子理模块配置为分别对所述物流状态数据和运维检测数据进行数据清洗，以便所述第二特征获取模块根据所述数据清洗后的物流状态数据与运维检测数据进行语义提取；

所述第四数据预处理子模块配置为对所述语义提取结果进行数据融合。

进一步地，本发明提供的一个优选实施方案为：

所述系统还包括数据采集子系统，

所述数据采集子系统配置为采集所述产品的研发设计数据、生产制造数据、物流状态数据和运维检测数据，并且

将所述研发设计数据和生产制造数据发送至所述产品质量预测子系统，以及将所述物流状态数据和运维检测数据发送至所述产品质量反馈子系统。

与最接近的现有技术相比，上述技术方案至少具有如下有益效果：

本发明提供的一种面向产品质量的全生命周期知识自动化评价系统主要包括如下结构：产品质量预测子系统和产品质量反馈子系统，产品质量预测子系统包括第一特征获取模块和产品质量预测模块；第一特征获取模块配置为分别对预先获取的产品的研发设计数据和生产制造数据进行语义提取并且对语义提取结果进行数据融合，得到初级语义知识；产品质量预测模块配置为根据初级语义知识预测产品的质量等级；产品质量反馈子系统配置为根据预先获取的产品的物流状态数据与运维检测数据更新所述产品质量预测模块，以便更新后的产品质量预测模块预测得到产品的真实质量等级。基于上述结构，可以综合利用产品全生命周期的数据对产品进行质量评价，提高产品质量预测的准确性。

附图说明

图1为本发明实施例中一种面向产品质量的全生命周期知识自动化评价系统的主要结构示意图；

图2为本发明实施例中一种第一特征获取模块的主要结构示意图；

图3为本发明实施例中一种产品质量反馈子系统的主要结构示意图；

图4为本发明实施例中一种第二特征获取模块的主要结构示意图；

图5为本发明另一实施例中一种面向产品质量的全生命周期知识自动化评价系统的主要结构示意图；

图6为本发明另一实施例中一种面向产品质量的全生命周期知识自动化评价系统的主要工作流程示意图。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

产品的质量评价对产品销售来说是一个重要的指标。准确评价一个产品质量等级可以有效避免产品在运输、存储、使用等环节中的安全隐患，例如，锂离子电池企业，准确评价电池的质量等级可以有效防止运输、存储、使用过程中发生爆炸的情况发生。为此，本发明提供的一种面向产品质量的全生命周期知识自动化评价系统能够综合运用产品全生命周期的数据，以提高产品质量预测的准确性。下面结合附图对本发明提供的面向产品质量的全生命周期知识自动化评价系统进行详细说明。

参阅附图1，图1示例性示出了面向产品质量的全生命周期知识自动化评价系统的主要结构，如图1所示面向产品质量的全生命周期知识自动化评价系统可以包括产品质量预测子系统1和产品质量反馈子系统2，产品质量预测子系统1包括第一特征获取模块11和产品质量预测模块12。

第一特征获取模块11配置为分别对预先获取的产品的研发设计数据和生产制造数据进行语义提取并且对语义提取结果进行数据融合，得到初级语义知识；产品质量预测模块12配置为根据初级语义知识预测产品的质量等级；产品质量反馈子系统2配置为根据预先获取的产品的物流状态数据与运维检测数据更新产品质量预测模块，以便更新后的产品质量预测模块12预测得到产品的真实质量等级。

具体地，第一特征获取模块11可以通过预设的知识融合算法(例如深度信念网络)对语义提取结果进行数据融合。初级语义知识可以表现为一个特征及其对应的属性，该属性可以为该特征对应的类别标签。研发设计数据可以是产品研发设计过程产生的结构化、半结构化和非结构化数据，例如产品设计图纸、配方等。生产制造数据可以是产品生产制造过程所产生的结构化、半结构化和非结构化数据，例如原料数据、工艺流程数据、业务数据等。物流状态数据可以是产品物流运输过程所产生的结构化、半结构化和非结构化数据，包括磨损、故障等影响产品质量的相关数据。运维检测数据可以是产品运维服务过程产生的结构化、半结构化和非结构化数据，包括产品的使用情况、寿命情况、使用故障等产品质量相关数据。产品的质量等级可以是对产品质量的评价，可以表现为优、良、中、差，或企业自定义的质量等级划分。

参阅附图2，图2示例性示出了第一特征获取模块的主要结构，如图2所示第一特征获取模块11可以包括第一数据预处理子模块111和第二数据预处理子模块112，第一数据预处子理模块111配置为分别对研发设计数据和生产制造数据进行数据清洗，以便第一特征获取模块11根据数据清洗后的研发设计数据与生产制造数据进行语义提取；第二数据预处理子模块112配置为对语义提取结果进行数据融合得到初级语义知识。

进一步地，产品质量预测模块12可以包括产品质量知识推理模型，在此情况下，系统还可以包括知识库和模型训练模块。知识库配置为存储预设的数据训练集，数据训练集包括多个预设的产品的初级语义知识；模型训练模块配置为根据数据训练集对产品质量知识推理模型进行训练，以便训练后的产品质量知识推理模型能够根据当前产品的初级语义知识预测该产品的质量等级。产品质量推理模型可以是一个知识推理算法模型，例如卷积神经网络、贝叶斯概率推断等。

参阅附图3，图3示例性示出了产品质量反馈子系统的主要结构，如图3所示产品质量反馈子系统2可以包括第二特征获取模块21、产品质量评价模块22和产品质量反馈模块23，第二特征获取模块21配置为分别对物流状态数据与运维检测数据进行语义提取并且对语义提取结果进行数据融合；产品质量评价模块22配置为根据第二特征获取模块的数据融合结果对产品进行质量评价，得到产品的质量评价结果；产品质量反馈模块23配置为根据产品的质量评价结果更新知识库中的数据训练集，以便模型训练模块根据更新后的数据训练集修正产品质量知识推理模型。具体地，产品质量反馈子系统2是利用产品在物流运输和运维服务过程中所产生的数据对产品质量进行反馈评价，以反馈产品质量的实际使用情况，从而更新知识库和产品质量知识推理模型，以预测更准确的产品质量等级。

参阅附图4，图4示例性示出了第二特征获取模块的主要结构，如图4所示第二特征获取模块21可以包括第三数据预处理模子块211和第四数据预处理子模块212，第三数据预处子理模块211配置为分别对物流状态数据和运维检测数据进行数据清洗，以便第二特征获取模块21根据数据清洗后的物流状态数据与运维检测数据进行语义提取；第四数据预处理子模块212配置为对语义提取结果进行数据融合。

参阅附图5，图5示例性示出了另一实施例的面向产品质量的全生命周期知识自动化评价系统的主要结构，如图5所示面向产品质量的全生命周期自动化评价系统还可以包括数据采集子系统3，数据采集子系统3配置为采集产品的研发设计数据、生产制造数据、物流状态数据和运维检测数据，并且将研发设计数据和生产制造数据发送至产品质量预测子系统1，以及将物流状态数据和运维检测数据发送至产品质量反馈子系统2。数据采集子系统3可以包括由多个数据采集服务器构成的服务器集群，例如关系数据库集群、cloudera大数据集群等。

参阅附图6，图6示例性示出了另一实施例的面向产品质量的全生命周期知识自动化评价系统的主要工作流程，如图6所示面向产品质量的全生命周期知识自动化评价系统包括数据采集子系统3，产品质量预测子系统1，产品质量反馈子系统2，数据采集子系统3包括由多个数据采集服务器构成的服务中心，产品质量预测子系统1包括知识库和产品质量知识推理模型，产品质量评价子系统2包括产品质量评价模型。具体地，产品全生命周期过程包括研发设计、生产制造、物流销售和运维服务。数据中心对研发设计、生产制造、物流销售和运维服务各个阶段产生的结构化、半结构化和非结构化数据进行采集、传输和存储等，其中，数据中心将研发设计数据和生产制造数据发送至产品质量预测子系统1，将物流状态数据和运维检测数据发送至产品质量反馈子系统2。产品质量预测子系统1分别对接收到的研发设计数据和生产制造数据进行数据预处理和初级语义知识的提取，并且将提取的初级语义知识进行知识融合，得到初级语义知识。基于得到的初级语义知识构建知识库，利用知识库训练产品质量知识推理模型，利用训练好的产品质量知识推理模型进行产品质量等级的预测。产品质量反馈子系统2分别对接收到的物流状态数据和运维检测数据进行数据预处理，并将预处理后的物流状态数据和运维检测数据进行数据融合，产品质量评价模型根据物流状态数据和运维检测数据的融合数据进行质量评价，得到评价结果，基于该评价结果更新知识库，以便利用更新后的知识库重新训练产品质量推理模型。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块及系统，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。