生产力中台智能制造软件设计方法与流程

1.本发明属于工业数字化领域，涉及生产力中台智能制造软件设计技术，具体是生产力中台智能制造软件设计方法。


背景技术：

2.目前，工业智能制造领域中，在基于工业制造过程流程图生成软件执行代码技术中，通过设计不同形状的界面图形标识、箭头连接线分别表示节点、边，每个图形标识、箭头连接线分别关联一段代码，按照一定规则手动拖动顶点与边组合形成流程图，相应代码块拼接成连续的多段代码，从而实现基于流程图生成代码段的半自动化软件开发方式。
3.然而，当设计顶点数量庞大的复杂流程图时，需要繁复的拖动操作，且由于顶点和边数量众多，容易眼花缭乱难以理解；为了解决复杂流程图的设计效率低下，以及节点数量庞大引起的思路纷繁杂乱、难以理解的问题，本发明提供了一种生产力中台智能制造软件设计方法。


技术实现要素：

4.本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了生产力中台智能制造软件设计方法，用于解决现有技术中复杂流程图的设计效率低下，以及节点数量庞大引起的思路混乱、难以理解的技术问题。
5.为实现上述目的，本发明的第一方面提供了生产力中台智能制造软件设计方法，包括：
6.将一张完整的流程图抽象为一个引擎，且引擎通过若干模块拼接而成，模块通过若干组件组装而成，组件通过若干合件组合而成，合件通过若干零件组成；
7.将模块、组件、合件、零件分别抽象为模块类节点、组件类节点、合件类节点、零件类节点，并按照节点规模对节点数据表进行划分；其中，节点数据表中包括功能、作用、用途和类别；
8.将全部节点按层次化嵌套关系进行分类，并采用机器学习算法提取同一类别中若干组合方式的特征；同时设计每级抽象特征以及对应次级的抽象特征；
9.基于设计的抽象特征训练机器学习算法获取分级关系模型，以及对用户输入数据进行语义识别，并基于分级关系模型按照功能、作用、用途、类别进行逐级推测，完成流程图智能构建。
10.优选的，按照节点规模将节点数据表划分为零件类数据表、合件类数据表、组件类数据表和模块类数据表，且每个数据表中均包括功能、规模、用途和类别四个指标。
11.优选的，层次化嵌套关系为类别属于用途、用途属于作用和作用属于功能。
12.优选的，将零件、合件、组件和模块分别建立接口标准，相互之间按照对应的接口标准组合连接；其中，相互之间包括零件之间、合件之间、组件之间和模块之间。
13.与现有技术相比，本发明的有益效果是：
14.本发明将提高生产力中台工业流程图设计效率，并降低行业工程设计应用门槛。同时，本发明解决复杂流程图的设计效率低下问题，以及节点数量庞大引起的思路纷繁杂乱、难以理解的问题。本发明实现流程图智能构建、流程分级关系智能递归，将显著节省设计时间，提高应用效率；流程图节点所关联的代码也将智能拼接，实现程序代码的半自动开发。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1为本发明的工作步骤示意图。
具体实施方式
17.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
18.请参阅图1，本发明第一方面实施例提供了生产力中台智能制造软件设计方法，包括：
19.将一张完整的流程图抽象为一个引擎，且引擎通过若干模块拼接而成，模块通过若干组件组装而成，组件通过若干合件组合而成，合件通过若干零件组成；
20.将模块、组件、合件、零件分别抽象为模块类节点、组件类节点、合件类节点、零件类节点，并按照节点规模对节点数据表进行划分；其中，节点数据表中包括功能、作用、用途和类别；
21.将全部节点按层次化嵌套关系进行分类，并采用机器学习算法提取同一类别中若干组合方式的特征；同时设计每级抽象特征以及对应次级的抽象特征；
22.基于设计的抽象特征训练机器学习算法获取分级关系模型，以及对用户输入数据进行语义识别，并基于分级关系模型按照功能、作用、用途、类别进行逐级推测，完成流程图智能构建。
23.本发明申请提供的生产力中台智能制造软件设计方法，应用在工业数字化平台中的制造运营管理系统(mom)、制造执行系统(mes)、产品生命周期管理(plm)、产品数据管理(pdm)、采购管理、销售管理软件领域，以及相关的资源分配与状态管理、生产调度与生产单元分配、物料管理、产品追踪管理、产品功能与性能管理、人力资源管理、质量管理软件系统领域，应用在基于工业制造流程图的软件应用开发工具领域，解决生产力中台人工操作复杂繁琐且效率低下的问题。
24.基于人工输入的简单逻辑导出复杂流程图的方法，其基于生产力中台应用软件的人工输入逻辑(包括流程示意、文字语句、页面选项)以及系统后台针对用户的意图挖掘信息智能导出预表达的复杂完整(或半完整)流程图，流程图关联完整的程序代码集；同时，定
义流程图的分级关系，级与级呈现嵌套关系，嵌套包含关系(ci)顺序为功能(c1)、作用(c2)、用途(c3)、类型(c4)。分级关系具体释义如下：
25.功能定义：功能即功能类，流程图设置或设计实现的效能，是流程图节点关联代码实现的相对稳定独立的有序机制，功能产生多种作用，功能是作用产生的前提基础和内部根据，是最高级流程图的抽象分类。功能包含作用，即功能类包含作用类。
26.作用定义：作用即作用类，是流程图基于功能产生的效能实例，基于作用产生多种用途，即作用类包含用途类。
27.用途定义：用途即用途类，是流程图应用领域范围的总称，是流程图关联代码应用场景的抽象，其包含类型类。
28.类型定义：类型即类型类，是基于应用场景及规范标准进一步分类的细分指标，是最低(微观)级流程图分类的抽象。
29.同理，基于上述分级关系，将流程图分类的同时，也将节点或节点组(嵌套流程图的节点)按照功能、作用、用途、类型分类。功能、作用、用途、类型的任意一个都有其细分种类，允许同一个节点或节点组同时分类到多个种类的功能、作用、用途、类型中。每个ci分为若干ji，某一分级中的若干节点或节点组为
30.具体方法及算法
31.1)流程图智能构建。将一张完整的流程图抽象为一个引擎，引擎由多个模块拼接而成，一个模块由多个组件组装而成，一个组件由多个合件组合而成，一个合件由多个零件组成，零件是最小单元。流程图的最小单元为一个零件，引擎、模块、组件、合件中的任意一个均作为一个节点组(嵌套流程图的节点)，零件是最小单元即不包含子节点的节点，合件、组件、模块实为节点组。将零件、合件、组件、模块分门别类建立接口标准，相互之间按照接口标准组合连接，包括零件之间、合件之间、组件之间、模块之间、零件与合件、零件与组件、零件与模块、合件与组件、合件与模块、组件与模块均可通过共同接口标准相互组合，其组合数sumc为在该设计示例中m为分类数量即零件、合件、组件、模块共4个分类，n为两两组合即2，将流程图中的各级节点抽象为模块类节点、组件类节点、合件类节点、零件类节点，零件类节点即不包含节点组的节点，模块类、组件类、合件类节点均是节点组。将引擎抽象为引擎流程图，模块抽象为模块类节点，组件抽象为组件类节点，合件抽象为合件类节点，零件抽象为零件类节点。按照节点规模将节点数据表分为零件类数据表、合件类数据表、组件类数据表、模块类数据表，如表1、表2、表3、表4所示。si为节点规模，即：s1＝零件，s2＝合件，s3＝组件，s4＝模块。表1、表2、表3、表4中功能、规模、用途、类别四个指标的组合总数为：其中nf是功能分类总数，ne是作用分类总数，n
p
是用途分类总数，nc是类别分类总数。模块、组件、合件、零件的存取采用结构化分类，即所有节点(节点组)按层次化嵌套关系分类。采用机器学习算法训练提取同一ci中若干组合方式(s1与s1的组合或s1与s2的组合或s1与s3的组合或s1与s4的组合或s2与s2的组合或s2与s3的组合或s2与s4的组合或s3与s4的组合或s4与s4的组合或s1与s2、s3的组合等全部组合方式)的特征。
32.表1、表2、表3、表4中的功能、作用、用途、类别列为包含嵌套关系或层次嵌套关系，
即：类别属于用途，用途属于作用，作用属于功能；其意义反过来即功能覆盖作用，作用覆盖用途，用途覆盖类别。
33.表1是零件类数据表，序列号为每个零件节点唯一识别号。
34.表1
[0035][0036]
表2是合件类数据表，序列号为每个合件节点唯一识别号。
[0037]
表2
[0038][0039]
表3是组件类数据表，序列号为每个组件节点唯一识别号。
[0040]
表3
[0041]
[0042][0043]
表4是模块类数据表，序列号为每个模块节点唯一识别号。
[0044]
表4
[0045]
[0046][0047]
2)分级关系智能递进。按照分级关系模块类嵌套次级(组件类)，次级再嵌套次次级(合件类)，每一级按级号关联嵌套，直到最次级(零件类)。设计每级抽象特征以及代表其嵌套的次级的抽象特征。机器学习算法训练分级关系，例如神经网络算法基于模块级特征数据训练组件级，第一层l1为输入层，第二层l2至第n层ln为卷积层，卷积层设有多个卷积核，每个卷积核提取不同特征。第n+1层l
n+1
为全连接层，基于应用场景特征可在全连接层之前增加池化层即模糊细节特征，ni个指标n
in
、维度为ni×
no的权重系数矩阵、no个卷积后的神经元组成全连接层。最后一层为输出层。分两种情形，第一种是模糊预测，是在模糊条件下预测，即基于gi级中某些指标数据预测g
i+1
级模糊节点和边概况，例如模糊预测到表4、表3、表2中的功能、作用、用途，但并不确定类别；第二种是精确预测，即基于gi级中的指标数据精确预测g
i+1
级节点、边，例如精确预测到表4或表3中的具体类别，进而精确定位到表2、表1中的具体类别。
[0048]
以生产力中台关于飞机制造业务的生产管理流程图为例。如图1所示，第一步，1输入数据：用户输入自然语言信息，系统语义识别，基于nltk算法工具将一段时序文字提取识别，用户输入“飞机组装及质量监管”，系统则识别判断其与飞机制造业务相关的生产管理流程；第二步，2识别分级关系以确定功能类：基于机器学习算法训练的飞机制造生产管理流程关联功能类特征推测功能类流程；第三步，3识别分级关系以确定作用类：基于机器学习算法提取关联作用类特征，并推测作用类流程；第四步，4识别分级关系以确定用途类：基于机器学习算法提取关联用途类特征，并推测用途类流程；第五步，5识别分级关系以确定类型类：基于机器学习算法训练的流程关联类型类特征推测类型类流程；第六步，6流程图智能构建：基于神经网络算法推测具体流程。
[0049]
将每个节点关联的多行代码即代码块写作一个类，通过边实现节点间的类层次关系，即通过边约束代码类之间的关联关系，包括嵌套包含关系、同级关系。例如用python语言，则通过边实现节点关联代码块之间的包含关系，python语言通过缩进标识代码块之间的包含关系，c和c++语言则通过大括号{}标识代码块之间的包含关系，或用类的实例化实现函数调用。
[0050]
上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经
过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
[0051]
本发明的工作原理：
[0052]
将一张完整的流程图抽象为一个引擎，且引擎通过若干模块拼接而成，模块通过若干组件组装而成，组件通过若干合件组合而成，合件通过若干零件组成。
[0053]
将模块、组件、合件、零件分别抽象为模块类节点、组件类节点、合件类节点、零件类节点，并按照节点规模对节点数据表进行划分。
[0054]
将全部节点按层次化嵌套关系进行分类，并采用机器学习算法提取同一类别中若干组合方式的特征；同时设计每级抽象特征以及对应次级的抽象特征。
[0055]
基于设计的抽象特征训练机器学习算法获取分级关系模型，以及对用户输入数据进行语义识别，并基于分级关系模型按照功能、作用、用途、类别进行逐级推测，完成流程图智能构建。
[0056]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。