知识图谱的应用---智能制造

智能制造

    随着云计算、大数据、人工智能技术的快速发展，越来越多的新技术正在应用于传统工业领域，并在帮助企业实现产业转型、技术升级及效益提升方面起到了关键作用。目前在提升良品率方面，知识图谱通过深度计算所有的关联参数，可精准分析出与生产质量强相关的关键参数并基于分析结果搭建出参数的曲线模型，结合生产过程中实时监测和调控变量，最终将最优参数在大规模生产中精准落地。此外，知识图谱在提升质检效率、提升测试效率、优化能耗、降低设备维护成本、优化生产工艺等方面同样较多应用场景。

典型应用

    石油化工业具有易燃易爆、流程工艺复杂、控制要求精细、信息高度集成等鲜明特点，在加工过程中从原料到中间馏分与产品的物性分析数据纷繁多样，产业链示意图如下图所示。由于炼化的复杂性，现实中仍存在大量无法通过机理模型或模拟软件所不能解释的现象是。针对上述问题，可借助知识图谱在较短的时间内从众多影响因子的因果变化关系中找出满足优化目标的操作参数，从而为解决许多生产问题提供帮助。炼化生产过程中众多影响因子间的因果变化关系是一个复杂的关系网络，可以用知识图谱来分析，下图展示了与某因子相关联的其它影响因子。

炼油化工产业链示意图

炼化过程影响因子分析（局部）

    通过炼化知识图谱，可以完成以下功能：（1）辅助生产操作控制：当生产线工人准备改变某个可操作变量时，可以通过知识图谱直观地看到该操作变量改变时会直接引起其它因子变化的趋势；当试图改变某个非操作变量时，可以通过知识图谱观察到哪些可操作变量值的改变会对该值产生直接影响。（2）生产预测：在石化生产中，各种影响因子之间关联度高且关系高度非线性，而且大型生产设备各个位置的浓度、温度、速度及化学反应、物理变化过程相互影响。仅通过机理模型（如集总动力方程、人工经验）和经验模型（如神经网络、统计回归等）都很难建立准确有效的模型。在机理模型与经验模型融合的基础上，结合炼化生产知识图谱可通过图迭代计算，计算出当某些因子变化时，整个关系网络达到稳定后各个产物结点的状态值，进而实现更准确的生产预测。

    生产异常追溯：当生产线某个指标发生异常时，通过找出在炼化生产知识图谱中对应的结点，分析以该结点为中心的子图，可发现该异常的影响因素；通过知识图谱推理，还可寻找该异常发生的原因。前文虽然仅以石化行业举例，在其它复杂的生产过程中，也可以有类似的知识图谱应用。

    由于炼钢连铸的生产工艺较复杂，工序繁杂，如何在合理时间内掌握各个生产环节的关系并进行生产过程的智能调整或者智能调度是极其困难的事情。借助知识图谱可进行关联性分析，发现一些有价值的新现象和新规律，而传统数据分析方法限于某个局部，造成了数据之间的断裂，数据中的规律无法充分挖掘。此外，知识图谱解决方案可以不改变企业原有数据体系，并以统一模型和实体为上层应用提供数据共享服务。知识图谱在钢铁工业智能制造中的主要应用是实现机器的感知、传递和自我诊断，通过分析工业生产中收集的数据，优化设备的产出和减少资源的浪费。

钢铁产业的流程图

    生产企业在不同的应用方向往往存在多个独立系统，如库存管理系统、生产执行系统、物流追溯系统、订单管理系统、维保管理系统、人力资源管理系统、市场监控系统、运营管理系统等。在企业内，不同的应用领域，往往会有相应的专家知识库，例如：市场预测方法、故障维修方法、生产排期方法、销售违规判定方法等，这些孤立的专家知识库仅利用了局部知识，无法形成完整的知识脉络。通过构建全面的企业知识图谱，能够实现企业内各业务数据及专家知识的全面整合，有助于消除数据孤岛并帮助生产企业进行决策管理优化。下图展示了一个设备生产企业将供应链、生产、维保、销售、市场监控等数据整合后构建的知识图谱案例，可基于此实现综合决策。

设备制造商全数据链整合示例