CN117071096B - 基于知识图谱的丝锭质量控制方法、装置和设备 - Google Patents

基于知识图谱的丝锭质量控制方法、装置和设备

Info

Publication number
CN117071096B
CN117071096B CN202311041367.3A CN202311041367A CN117071096B CN 117071096 B CN117071096 B CN 117071096B CN 202311041367 A CN202311041367 A CN 202311041367A CN 117071096 B CN117071096 B CN 117071096B
Authority
CN
China
Prior art keywords
equipment
groove
silk
parameters
production
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
Application number
CN202311041367.3A
Other languages
English (en)
Other versions
CN117071096A (zh
Inventor
王鹏
彭先涛
金君良
程章忠
蒋燕军
陈积飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Hengyi Petrochemical Co Ltd
Original Assignee
Zhejiang Hengyi Petrochemical Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Hengyi Petrochemical Co Ltd filed Critical Zhejiang Hengyi Petrochemical Co Ltd
Priority to CN202311041367.3A priority Critical patent/CN117071096B/zh
Priority to CN202511535541.9A priority patent/CN121300297A/zh
Priority to CN202511535562.0A priority patent/CN121300298A/zh
Publication of CN117071096A publication Critical patent/CN117071096A/zh
Priority to US18/434,895 priority patent/US12530024B2/en
Application granted granted Critical
Publication of CN117071096B publication Critical patent/CN117071096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01D—MECHANICAL METHODS OR APPARATUS IN THE MANUFACTURE OF ARTIFICIAL FILAMENTS, THREADS, FIBRES, BRISTLES OR RIBBONS
    • D01D13/00—Complete machines for producing artificial threads
    • D01D13/02—Elements of machines in combination
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45196—Textile, embroidery, stitching machine
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Textile Engineering (AREA)
  • General Factory Administration (AREA)

Abstract

本公开提供了基于知识图谱的丝锭质量控制方法、装置和设备。该方法包括：基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的该生产参数和/或该工艺参数中是否存在异常参数；在存在该异常参数的情况下，在丝锭生产管理知识图谱中查找与该生产参数和/或该工艺参数对应的调整方式；向该一组丝锭的相关设备发送该生产参数和/或该工艺参数对应的调整方式。根据本公开实施例，在通过丝锭的质量检验结果、生产参数和工艺参数来确定存在异常参数的情况下，基于知识图谱可以获取生产参数和/或工艺参数对应的合适的调整方式，从而优化丝锭的生产过程，进而得到质量更好的丝锭产品。

Description

基于知识图谱的丝锭质量控制方法、装置和设备
技术领域
本公开涉及计算机技术领域，尤其涉及工业控制领域，具体公开了一种基于知识图谱的丝锭质量控制方法、装置和设备。
背景技术
在化纤领域中，需要对化纤产品质量进行检验。如果发现产品质量不合格，可能需要人工对化纤生产流程进行调整。但是，即使发现了产品质量不合格，由于生产流程长、工艺复杂、产品质量影响因素多等，也难以确定如何调整生产流程。因此，需要耗费大量的人力和时间来发现并解决生产流程中的问题。
发明内容
本公开提供了一种基于知识图谱的丝锭质量控制方法、装置、设备及存储介质，以解决或缓解现有技术中的一项或更多项技术问题。
第一方面，本公开提供了一种基于知识图谱的丝锭质量控制方法，包括：
基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的该生产参数和/或该工艺参数中是否存在异常参数；
在存在该异常参数的情况下，在丝锭生产管理知识图谱中查找与该生产参数和/或该工艺参数对应的调整方式；
向该一组丝锭的相关设备发送该生产参数和/或该工艺参数对应的调整方式。
第二方面，本公开提供了一种基于知识图谱的丝锭质量控制装置，包括：
确定模块，用于基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的该生产参数和/或该工艺参数中是否存在异常参数；
查找模块，用于在存在该异常参数的情况下，在丝锭生产管理知识图谱中查找与该生产参数和/或该工艺参数对应的调整方式；
发送模块，用于向该一组丝锭的相关设备发送该生产参数和/或该工艺参数对应的调整方式。
第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一的方法。
第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
根据本公开实施例，可以在通过丝锭的质量检验结果、生产参数和工艺参数来确定存在异常参数的情况下，基于知识图谱可以获取生产参数和/或工艺参数对应的合适的调整方式，从而优化丝锭的生产过程，进而得到质量更好的丝锭产品。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本公开提供的一些实施方式，而不应将其视为是对本公开范围的限制。
图1是根据本公开一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图；
图2是根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图；
图3根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图；
图4根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图；
图5根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图；
图6根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图；
图7根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图；
图8是根据本公开一实施例的部分知识图谱的示意图；
图9是本公开实施例中的设备知识框架的示意图；
图10是本公开实施例中的工艺参数知识框架的示意图；
图11是根据本公开一实施例的基于知识图谱的丝锭质量控制装置的结构示意图；
图12是根据本公开一实施例的基于知识图谱的丝锭质量控制装置的结构示意图；
图13是用来实现本公开实施例的电子设备的框图。
具体实施方式
下面将参考附图对本公开作进一步地详细描述。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路等未作详细描述，以便于凸显本公开的主旨。
图1是根据本公开一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图。该方法包括：
S101、基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的该生产参数和/或该工艺参数中是否存在异常参数；
S102、在存在该异常参数的情况下，在丝锭生产管理知识图谱中查找与该生产参数和/或该工艺参数对应的调整方式；
S103、向该一组丝锭的相关设备发送该生产参数和/或该工艺参数对应的调整方式。
本公开实施例中，一组丝锭可以包括同一批号的多锭丝锭，也可以包括不同批号的多锭丝锭。同一批号的丝锭通常具有相同的参数。例如，同一批号的丝锭相同的参数可以包括：纤度中心值、计量泵规格、计量泵转速、上油速率、油剂浓度、喷丝板直径、喷丝板长径比、组件压力、卷绕速度、卷绕超喂、网络压力、风压、风速等。
本公开实施例中，丝锭的质量检验结果可以包括使用各种检测设备对丝锭进行检验得到的结果。例如，使用拉曼光谱设备对丝锭的化纤纤维进行检验得到的化纤纤维的拉曼光谱图。再如，使用扫描电镜得到的丝锭的化纤纤维的照片。质量检验结果还可以包括对化纤纤维的拉曼光谱图和化纤纤维照片等检测结果分析后得到的无染判色结果、外观检测结果、物理机械性能检测结果等。
例如，无染判色结果可以包括在不对丝锭进行纺织和染色之前，基于光谱检测等结果得到的关于丝锭的染色均匀性的预测结果。使用无染判色结果可以减少对纺织成本和染料的浪费，提高检测效率。
再如，外观检测结果可以包括通过人工或模型对化纤纤维照片等图像进行检测分析，得到的关于丝锭的外观是否符合生产标准例如是否有毛丝、是否有绊丝、是否有油污、是否有纸管破损等。
再如，物理机械性能检测结果可以包括对丝锭的物理机械性能进行检测得到的结果，例如：线密度偏差率、线密度变异系数、断裂强度、断裂伸长率、调干不匀率CV等。
在一种实施方式中，该生产参数包括以下至少之一：线别、机台号、规格、批号、落次、落筒时间。
在一种实施方式中，该质量检验结果包括以下至少之一：无染判色光谱信息、无染判色异常结果、外观检测结果、物理机械性能检测结果。
在一种实施方式中，该工艺参数包括以下至少之一：张力、纺速、油剂含量、油剂型号、上油率、热辊温度、纤度中心值、计量泵规格、计量泵转速、喷丝板直径、喷丝板长径比、满筒重、网络压力。
本公开实施例中，生产参数中，线别和机台号可以表示该丝锭的生产设备。线别可以表示丝锭的生产线，机台号可以表示在该生产线中用于生产该丝锭的设备的编号。规格可以通过字符或数字表示，规则可以对应丝锭的产品类型、材料、尺寸、重量等。落次也可以称为落筒编号，可以表示丝锭落筒的次序。落筒时间可以表示丝锭产品在生产设备例如卷绕机上实际落筒的时间。例如，丝锭的批号为“XB080516”的丝锭，对应的线别和机台号为“WDC 2-04”的卷绕机，该卷绕机的位置为“WDC”通道内，2号线上的第4台卷绕机。丝锭的规格为“55/36”，丝锭的落次为“2”，落筒时间为“2023/06/05 13：26：55”。
本公开实施例中，根据丝锭生产过程中实际使用的工艺可以得到丝锭的工艺参数。例如，工艺参数中，纤度中心值可以表示批号纱线的粗线，不同DPF(Denier PerFilament，每丝单位质量)的纱线正负偏差范围不同，比如167±2.5％；张力可以表示在生产过程中对丝线施加的拉力大小；卷绕超喂可以表示卷绕罗拉与车速的差的比值，可以直接影响卷装大小，计算方式可以为(卷绕速度-车速)÷车速×100％；纺速也可以包括卷绕速度，与丝条拉伸辊的转动速度相关，卷绕过程中，纺丝箱体的喷丝板喷出纤维的速度一般与纺速保持一致，例如，纺速可以为2710M/min-2715M/min；油剂含量可以表示油剂在丝条整体质量中占的重量占比；热辊温度可以表示对化纤纤维进行加热的热辊的温度，例如，预加热的热辊温度可以为94±2℃，主加热的热辊温度可以为143±2℃。
本公开实施例中，在单锭数据流系统、丝锭生命周期系统等的服务器中，可以记录一锭或多锭丝锭的生产参数和/或工艺参数。不同丝锭的生产参数和/或工艺参数可能不同，多锭丝锭的生产参数和/或工艺参数也可能相同。使用丝锭的批号可以从服务器中查询得到同一批号的丝锭的生产参数和/或工艺参数。
本公开实施例中，通过异常检测模型或知识图谱可以基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的生产参数和/或工艺参数中是否存在异常参数。异常检测模型或知识图谱中可以包括正常参数范围。如果某个生产参数和/或某个工艺参数在正常参数范围内，表示该生产参数和/或该工艺参数是正常参数。如果某个生产参数和/或某个工艺参数不在正常参数范围内，表示该生产参数和/或该工艺参数是异常参数。
本公开实施例中，异常参数可以包括生产参数异常、工艺参数异常。例如，丝锭的工艺参数中的热辊温度异常，可以基于该温度异常的热辊所属的机台在知识图谱中查找对应的设备信息，从而确定导致该机台热辊温度异常的原因，例如温度传感器故障、热辊加热棒故障、线路异常、控制器故障等。再如，如果确定了“热辊加热棒故障”，在知识图谱中查找“热辊加热棒故障”的产生原因以及对应的解决方式，将查找结果按照频率或者时间进行排序并显示。
本公开实施例中，工艺参数异常包括张力异常、纺速异常、油剂含量异常、热辊温度异常。例如，丝锭的工艺参数中的油剂含量异常，可以在知识图谱中查找到油剂含量的正常范围。基于该油剂含量的正常范围，给出该丝锭的生产设备(例如基于该丝锭的机台号等参数可以确定)的油剂含量的调整方式。又例如，丝锭的工艺参数中的纺速异常，在知识图谱中查找纺速的正常范围，可以显示纺速正常范围，也可以给出纺速的调整方式。
在一种实施方式中，该一组丝锭的相关设备包括以下至少之一：生产设备；终端设备；控制设备。
本公开实施例中，可以将调整方式发送到一组丝锭对应的相关设备，相关设备接收到调整方式后，可以显示调整方式，也可以按照对应的调整方式进行自动调整。调整方式中可以故障原因、解决方式、维修建议等。
例如，可以向一组丝锭对应的生产设备例如反应釜、纺丝箱体或卷绕机发送调整方式。在生产设备上可以显示故障原因、解决方式、维修建议等，也可以自动调整生产设备中的某些参数。
再如，当异常参数为“设备A故障”，以将“设备A故障”的原因以及解决方式送给维护人员的终端设备例如个人数字助手(Personal Digital Assistant，PDA)，在PDA上显示原因以及解决方式，给出维修建议。
再如，如果生产车间中设置有用于控制多个生产设备工作的控制设备例如数据中心互联(Data Center Interconnect，DCI)。也可以向控制设备发送一组丝锭的生产参数和/或工艺参数对应的调整方式。通过该控制设备在对需要调整的生产参数和/或工艺参数所设计的设备和/或工艺进行调整。
根据本公开实施例，可以在通过丝锭的质量检验结果、生产参数和工艺参数确定了存在异常参数的情况下，基于知识图谱可以获取生产参数和/或工艺参数对应的合适的调整方式，从而优化丝锭的生产过程，进而得到质量更好的丝锭产品。例如，在确定了油剂含量异常的情况下，基于知识图谱，获取该丝锭对应的生产设备的线别和机台号，获取正常的油剂含量范围以及调整方式，基于生产设备的线别和机台号以及正常的油剂含量范围，结合在相关设备例如纺丝箱体的控制界面上显示调整方式，便于维护人员高效快速地解决生产过程中的问题。
图2是根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图。该方法可以包括上述基于知识图谱的丝锭质量控制方法的一个或多个特征。在一种实施方式中，该一组丝锭包括一组同一批号的丝锭，S101、基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的生产参数和/或工艺参数中是否存在异常参数，包括：
S201、在该质量检验结果存在异常的情况下，基于该丝锭生产管理知识图谱确定该一组丝锭的该生产参数和/或工艺参数是否在正常范围内；
S202、从该一组丝锭的该生产参数和/或工艺参数中获取不在正常范围内的异常参数。
本公开实施例中，可以基于异常检测模型，确定该丝锭的质量检验结果是否存在异常。当质量检验结果存在异常时，再执行确定异常参数的步骤，基于丝锭生产管理知识图谱确定该丝锭的生产参数和/或工艺参数是否在该丝锭对应批号的正常范围内。如果该丝锭的生产参数和/或工艺参数不在该丝锭对应批号的正常范围内，再获取不在正常范围内的生产参数和/或工艺参数。
本公开实施例中，当质量检验结果存在异常时，基于丝锭生产管理知识图谱确定该丝锭的生产参数和/或工艺参数在该丝锭对应批号的正常范围内，则不进行确定异常参数的步骤。由于化纤生产过程中不可控因素较多，且环境也会对最终产品的质量产生影响，质量检验结果存在异常时，生产参数和/或工艺参数不一定存在异常。例如，该检验结果的异常是由于除了生产和工艺之外的其他因素导致的。在上述情况下，可以不对生产参数和/或工艺参数进行调整。
根据本公开实施例，通过在质量检验结果存在异常时，对生产参数和/或工艺参数进行进一步校验，获取生产参数和/或工艺参数中的异常参数，可以提高异常参数的检验效率，降低检验次数，提高检验速度。进一步地，质量检验结果没有异常时可以不进一步检验异常参数，从而避免对生产参数和/或工艺参数的频繁调整，增加了生产过程的稳定性，有利于保证产品质量的一致性。
图3是根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图。该方法可以包括上述基于知识图谱的丝锭质量控制方法的一个或多个特征。在一种实施方式中，该方法还包括：
S301、在该质量检验结果正常的情况下，将该一组丝锭的该质量检验结果、该生产参数和该工艺参数保存到丝锭生产管理知识图谱中。
本公开实施例中，当质量检验结果正常时，可以认为该丝锭对应的工艺参数为该丝锭的相应批号的生产参数的正常值，可以在知识图谱中记录该组丝锭的该质量检验结果、该生产参数和该工艺参数。经过一段时间的统计之后，可以使用统计的正常的生产参数和工艺参数对参数正常范围进行更新。并且，工艺参数与生产参数相关联，每台生产设备根据设备的实际情况，对应的工艺参数的正常范围可能具有差异。
本公开实施例中，如果质量检验结果异常次数达到设定值，但并不存在异常参数，可以发送紧急检验任务，对该丝锭对应的设备进行检验。若设备存在故障，则可以基于知识图谱，给出故障对应的调整方式。若设备不存在故障，则可以基于知识图谱中新存储的生产参数和工艺参数对正常范围进行更新。
本公开实施例中，在质量检验结果不正常的情况下，当确定异常参数为生产参数，即出现了设备故障、备件故障、设备缺失、设备停工中的至少之一的情况。当维修结束后，可以记录本次的异常参数、产生异常参数的原因，以及维修方式，使用本次的异常参数、产生异常参数的原因，以及维修方式对丝锭生产管理知识图谱中的数据进行更新。
根据本公开实施例，通过使用新的正常范围内的工艺参数对原有的工艺参数的正常范围进行更新，提高了工艺参数的精确度；每台生产设备都可以在不断更新中，动态地优化自身的生产参数，保证产品的质量；也可以不断录入生产参数异常对应的调整方式，完善丝锭生产管理知识图谱。
图4是根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图。该方法可以包括上述基于知识图谱的丝锭质量控制方法的一个或多个特征。在一种实施方式中，S102在存在该异常参数的情况下，在丝锭生产管理知识图谱中查找与该生产参数和/或该工艺参数对应的调整方式，包括：
S401、在该丝锭生产管理知识图谱中查找该异常参数对应的正常的工艺参数，基于该正常的工艺参数确定工艺调整方式；
S402、在该丝锭生产管理知识图谱中查找该异常参数对应的设备信息，基于该设备信息与该调整方式确定故障设备以及对应的调整方式。
本公开实施例中，如果异常参数是工艺参数，基于异常的工艺参数可以在丝锭生产管理知识图谱中查找该工艺参数的正常范围。可以基于工艺参数的正常范围给出相应的调整方式。例如，某批号丝锭在某型号卷绕机卷绕时的异常纺速为2400M/min，异常检测模型或知识图谱中的正常范围是2700M/min到2705M/min，可以基于正常范围建议调高纺速，还可以给出具体需要调高的数值。下一次生产时可以使用调整后的工艺参数生产丝锭；在某批号丝锭在某型号卷绕机卷绕时的纺速为2702.1M/min的情况下，则本次生产的纺速正常。
本公开实施例中，如果异常参数是设备参数，基于异常的设备参数的可以在丝锭生产管理知识图谱中查找对应的设备信息。此外，同一组丝锭的工艺参数和设备参数可以具有对应关系。如果异常参数是工艺参数，可以基于异常的工艺参数对应的设备参数，在丝锭生产管理知识图谱中查找设备参数对应的设备信息。
根据本公开实施例，结合知识图谱，既可以得到具体的异常参数，也可以得到异常参数对应的调整方式，可以快速确定导致产品质量不佳的问题源头，并针对问题给出解决方案，有利于提高化纤生产过程中的纠错能力和质量监控能力，提高产品的合格率和质量，降低废料的数量，降低生产成本，提高生产效益。
在一种实施方式中，该异常参数对应的该设备信息包括以下至少之一：需要维护的设备和/或部件；需要维护的设备和/或备件的上下游关联设备和/或部件；需要维护的设备和/或部件的维修记录；备用设备和/或备件的仓储信息；备用设备和/或备件的采购信息。
本公开实施例中，如果异常的设备参数包括线别和机台号，或者异常的工艺参数对应的设备参数包括线别和机台号。基于该线别和机台号在知识图谱可以查找到需要维护的设备例如故障设备。知识图谱中还可以包括需要维护的设备包括的备件例如故障备件。
本公开实施例中，上下游关联设备可以为生产流程中，需要维护的设备对应的生产环节的前续环节和/或后继环节对应的设备。例如，纺丝箱体的下游设备包括卷绕机。上下游关联备件可以为需要维护的设备的上下游关联设备中的备件。由于导致产品出现质量问题的原因，也可能是某个生产设备的上下游关联设备/备件，确定出上下游关联设备/备件，有利于准确的定位出问题的设备。
本公开实施例中，需要维护的设备/备件的维修记录可以包括设备/备件名、故障名、故障原因、故障时间、故障次数、维修时间、维修方式、维修次数等的一项或多项。其中，基于设备曾经的维修记录中可以确定是否需要更换设备和/或备件。例如，某个纺丝箱体的喷油嘴的维修次数为3次，达到维修次数阈值，则可以建议更换该喷油嘴。
本公开实施例中，需要维护的设备和/或备件的仓储信息包括设备/备件名、品牌、型号、规格参数、仓储位置、仓储数量、入库时间、出库时间、归属工厂等的一项或多项。需要维护的设备和/或备件的采购信息包括设备/备件名、品牌、型号、规格参数、出厂时间、采购次数、采购方、价格、供应商、采购数量的一项或多项。
根据本公开实施例，可以获取设备或备件维修过程中需要的各种信息，为生成设备调整方式例如设备维修策略提供数据支持和依据，提高维修策略的合理性与可靠性。
在一种实施方式中，基于该设备信息确定设备调整方式，包括：基于该异常参数对应的该设备信息发起维护任务。该维护任务的示例包括以下至少之一：
示例一：基于该需要维护的设备和/或部件的维修记录，确定该需要维护的设备和/或部件对应的维修方式；基于该维修方式，向维修管理设备发起故障设备和/或故障部件的维修任务，该维修任务包括该故障设备和/或故障部件的标识。
本公开实施例中，维修方式可以包括维修设备的某个部件、使用备件更换某个部件等。基于维修方式可以在维修任务中，不仅可以包括需要维修的和/或故障部件的标识，还可以包括维修某个故障设备需要的替代设备和/或备件的仓储信息，根据维修策略，对相应的设备和/或备件进行出库，并转运至故障设备位置。例如，需要维修的设备A在知识图谱中存在以下记录：设备A的部件A1曾经故障2次，部件A1在仓库B的库存在3个备件。这种情况下，生成的维修策略可以为更换部件A1，可以将该维修策略发送至维修人员的PDA上，并将部件A1的备件从仓库B中出库，运送至设备A附近。
示例二：在备用设备和/或备件的本地库存低于安全阈值的情况下，向采购管理系统发起备用设备和/或备件的采购任务，该采购任务中包括需要采购的设备和/或备件的采购信息。
在一些示例中，化工生产所需的仓库可能包括多个。本地仓库可以包括与需要维修的设备距离较近的仓库，或设备维修人员具有使用权限的仓库。异地仓库可以包括与需要维修的设备距离较远的仓库，或设备维修人员不具有使用权限的仓库。本地库存可以为本地仓库中包括的备用设备和/或备件的数量，异地库存可以为异地仓库包括的备用设备和/或备件的数量。本公开实施例中，本地库存中还可以包括设定数量的设备和/或备件，当设备和/或备件的数量低于设定数量时，向采购管理系统发起设备和/或备件的采购需求，对采购需求进行确认后向供应商下达采购任务。
示例三：在备用设备和/或备件的本地库存低于安全阈值的情况下，查找异地库存是否存在该备用设备和/或备件；若存在，则向异地仓储管理设备发起调剂任务，该调剂任务中包括需要调剂的设备和/或备件的库存信息。
本公开实施例中，可以综合计算库存数量和距离，优先向距离较近的异地仓库的仓储管理设备发起调剂任务。如果距离差值在距离阈值内存在多个异地仓库，则优先向库存数量较多的异地仓库的仓储管理设备发起调剂任务。
示例四：在备用设备和/或备件在本地库存和异地库存均低于安全阈值的情况下，发起紧急处理任务，该紧急处理任务包括紧急采购任务和/或空闲设备拆借任务。
本公开实施例中，当本地库存和异地库存都无法满足维护需要时，可以发起紧急处理任务。例如，如果本地生产线中有同型号的空闲设备，可以向控制设备或相关人员的电脑、PDA等发起拆借任务。然后，可以将空闲设备和/或空闲设备中的备件从原位置拆除，替换故障设备和/或故障设备中的故障备件。如果执行了拆借任务，可以在知识图谱中记录拆借信息。再如，如果本地生产线中没有空闲设备，以向控制设备或相关人员的电脑、PDA等发起紧急采购任务，以采购相应的设备和/或备件。采购任务中可以包括需要采购的设备/备件名、品牌、规格型号、关键参数、采购方、价格、供应商、采购数量的一项或多项。
根据本公开实施例，可以针对维修任务以及可能遇到的多种情况，提供可靠的解决方式，保证维修任务正常且高效地完成，提高了维修的效率，减少因维修时间较长带来的经济损失。进一步地，利用维修任务调剂或拆借设备和/或备件，提高了维修策略的灵活性。
图5是根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图。该方法可以包括上述基于知识图谱的丝锭质量控制方法的一个或多个特征。在一种实施方式中，该方法还包括：
S501、构建一个或多个丝锭生产管理知识框架，在该一个或多个丝锭生产管理知识框架间建立关联关系；其中，该丝锭生产管理知识框架中包括一个或多个槽；
本公开实施例中，丝锭生产管理知识图谱中包括多个框架，各个框架中包括多个槽，每个槽对应有多个槽值；其中各个框架间分别有一定的关联关系。例如，生产参数知识框架和工艺参数知识框架中均可以包括批号槽，可以通过批号槽在二者间建立对应关系，通过批号，可以查询得到产品规格、生产设备、生产时间，各项工艺参数等。再如，生产参数知识框架中包括批号槽，工艺参数知识框架中包括张力槽和纺速槽。通过索引，可以建立两个知识框架中的批号槽、张力槽和纺速槽的对应关系。
S502、基于单锭数据流系统、质量反馈模型、维修记录以及仓储数据，得到丝锭生产管理知识数据。
本公开实施例中，该丝锭生产管理知识数据包括生产参数数据、质量检验结果数据、工艺参数数据、设备信息数据中的至少之一。生产参数数据可以包括线别数据、机台号数据、规格数据、批号数据、落次数据、落筒时间数据等。生产参数数据可以通过单锭数据流系统、丝锭生命周期系统等获得。质量检验结果数据可以包括无染判色光谱信息数据、无染判色异常结果数据、外观检测结果数据、物理机械性能检测结果数据等。质量检验结果数据可以通过拉曼光谱设备等获得。工艺参数数据可以包括张力数据、纺速数据、油剂含量数据、油剂型号数据、上油率数据、热辊温度数据、纤度中心值数据、计量泵规格数据、计量泵转速数据、喷丝板直径数据、喷丝板长径比数据、满筒重数据、网络压力数据等。工艺参数数据可以通过实际测量或预配置等方式获得。设备信息数据可以包括设备名数据、设备位号数据、故障名数据、故障原因数据、故障时间数据、故障次数数据、维修时间数据、维修方式数据、维修次数数据、仓储位置数据、仓储数量数据、入库时间数据、出库时间数据、归属工厂数据等。设备信息数据可以通过维修记录和仓储数据等获得。
S503、融合该丝锭生产管理知识数据，将融合后的该丝锭生产管理知识数据设置为该一个或多个丝锭生产管理知识框架中的该一个或多个槽的槽值，得到该丝锭生产管理知识图谱。
本公开实施例中，对丝锭生产管理知识数据进行融合，可以包括清洗获得的数据，对清洗后的数据进行聚类，并存入不同的知识框架中。对于非结构型的数据，可以对数据进行切分和去重，并对处理后的数据进行聚类。将聚类后的数据分别对应设为不同知识框架中的槽值。对于结构型的数据，可以对数据进行消岐和去重，其中，消岐可以包括对于属性名不同，但代表着同一含义的数据，存储其中一条；或者消岐还包括对于去重可以包括将属性名相同，但代表着不同含义的数据，重新命名属性名，并分别存储；去重可以包括对于属性名相同，且代表着同一含义的数据，存储其中一条。对处理后的结构型数据，按照属性名和槽名的对应关系，存储入知识图谱。
根据本公开实施例，可以基于化纤生产流程中涉及的各种数据，构建得到丝锭生产管理知识图谱，保证知识图谱的可靠性和可信度。使用该知识图谱，可以将工厂内不同的系统数据关联并整合，简化了查询的步骤，提高了查询效率。此外，可以使用生产流程中的新数据更新知识图谱，提高知识图谱的时效性。
在一种实施方式中，该一个或多个丝锭生产管理知识框架包括生产参数知识框架、检验结果知识框架、工艺参数知识框架、设备信息知识框架、设备维修记录框架以及各个知识框架间的关联关系。
在一种实施方式中，该生产参数知识框架包括规格槽、批号槽、落次槽、落筒时间槽；该检验结果知识框架包括无染判色光谱信息槽、无染判色异常结果槽、外部检测结果槽、物理机械性能检测结果槽；该工艺参数知识框架包括张力槽、纺速槽、油剂含量槽、油剂型号槽、上油率槽、热辊温度槽、纤度中心值槽、计量泵规格槽、计量泵转速槽、喷丝板直径槽、喷丝板长径比槽、满筒重槽、网络压力槽；该设备信息知识框架包括线别槽、机台号槽、设备名槽、设备类型槽、仓储信息槽、备件槽、维修记录槽；该设备维修记录知识框架包括设备名称槽、设备位号槽、故障/报警信息槽、维修信息槽。
本公开实施例中，一个槽可以对应多个槽值。例如生产参数知识框架中，规格槽的槽值为一个或多个规格数据，批号槽的槽值为一个或多个批号数据，落次槽的槽值为一个或多个落次数据，落筒时间槽的槽值为一个或多个落筒时间数据。类似地，检验结果知识框架、工艺参数知识框架、设备信息知识框架中的槽值分别为融合后的对应数据。
本公开实施例中，一组丝锭对应的多个生产参数和工艺参数，可能分布在多个知识框架的不同的槽中。且一组丝锭的各个参数对应的各个槽之间具有关联关系。
根据本公开实施例，通过在框架、槽、槽值间建立关联关系，可以增强数据的关联度和可查询性。通过多个具有若干槽的框架，可以分门别类地存储生产流程中涉及的各种数据，提高知识图谱中数据的条理性。
图6是根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图。该方法可以包括上述基于知识图谱的丝锭质量控制方法的一个或多个特征。在一种实施方式中，还包括：
S601、将多锭丝锭的该质量检验结果、该生产参数和该工艺参数输入质量反馈模型，得到该多锭丝锭的产品状态。
本公开实施例中，可以使用拉曼光谱设备对丝锭的化纤纤维进行检测，得到质量检验结果，并基于质量检验结果得到的生产参数和工艺参数，将质量检验结果输入质量反馈模型，得到丝锭的产品状态。也可以将质量检验结果、生产参数、工艺参数输入质量反馈模型，得到丝锭的产品状态。
在一种实施方式中，该产品状态包括良品率、满卷率、断头率的至少之一。
本公开实施例中，良品率可以包括一组丝锭达到质量要求的丝锭数量占总丝锭数量的比例。其中，一组丝锭的质量要求可以包括外观性能达标、物理机械性能达标、染色性能达标、丝锭重量达标等。满卷率可以包括一组丝锭中达到满卷的丝锭数量占总丝锭数量的比例。满卷丝锭包括卷绕过程中未发生断丝、未发生丝路异常、锭重符合满卷要求等状态的丝锭。断头率可以包括一条生产线线或者一台卷绕机机在固定时长内的断头总数除以该固定时长得到的值。良品率也可称为AA率，表示一个批号AA产品的占比。AA率也可以称为优等品率，计算方式可以为：AA产品重量/该批号总产量＝AA％。
本公开实施例中，使用质量反馈模型可以依据质量检验结果、生产参数和工艺参数判断丝锭的质量，提高丝锭质量检验的效率。使用质量反馈模型检验丝锭质量时，无需消耗丝锭制作检验样本，节省了检验成本。可以使用质量反馈模型对每锭丝锭进行检验，提高了质量检验结果的可靠性。
图7是根据本公开另一实施例的基于知识图谱的丝锭质量控制方法的示意性流程图。该方法可以包括上述基于知识图谱的丝锭质量控制方法的一个或多个特征。在一种实施方式中，还包括：
S701、在质量反馈模型输出的多锭丝锭的产品状态满足合格阈值的情况下，触发执行S101。即、基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的生产参数和/或工艺参数中是否存在异常参数。输入质量反馈模型的多锭丝锭的数量和一组丝锭的数量，可以相同，也可以不同。例如，将1000锭丝锭的质量检验结果、生产参数和工艺参数输入质量反馈模型，得到良品率不满足质量要求。可以将这组1000锭丝锭分成2组，分别检测每组丝锭的生产参数和/或工艺参数中是否存在异常参数。
本公开实施例中，基于一组丝锭良品率(AA率)、满卷率、断头率的至少之一可以判定该一组丝锭是否达到产品合格标准。在该组丝锭未达到产品合格标准的情况下，使用知识图谱检验一组丝锭生产过程中是否出现了异常参数。若存在异常参数，则基于知识图谱获得异常参数对应的调整方式；若不存在异常参数，则不对生产参数或工艺参数进行调整，可以检测其他环节是否有导致异常参数的问题。
根据本公开实施例，在丝锭未达到产品合格标准，再进行异常参数的检验过程，无需对所有丝锭进行检验，降低了检验的数量，提高了检验效率，减少了算力的消耗。
在一种实施方式中，该质量反馈模型的训练过程，包括：
将样本集中的丝锭训练样本的质量检验结果、生产参数和工艺参数输入由多层神经网络构成的第一模型，输出预测的产品状态；
基于该丝锭训练样本的标注的产品状态和该预测的产品状态构建的损失函数，对该第一模型进行迭代训练，得到第二模型；
其中，该样本集包括从该丝锭生产管理知识图谱中获取多个丝锭训练样本，该多个丝锭训练样本的每个丝锭训练样本中包括互相关联的该质量检验结果、生产参数和工艺参数；
其中，该第二模型是训练后的该质量反馈模型。
本公开实施例中，多层神经网络可以包括输入层、中间层和输出层。中间层可以为多层。输入层的输入特征可以包括质量检验结果、生产参数和工艺参数。输出层的输出特征可以包括预测的产品状态。样本集的样本中可以包括质量检验结果、生产参数和工艺参数，还可以包括标注的产品状态，标注的产品状态可以基于实际测得的产品状态得到。
本公开实施例中，输出层基于标注的产品状态和预测的产品状态，以及损失函数，计算得到损失值。损失值公式如下所示：
M＝α1S1+α2S2+α3(1-S3)+α4(1-S4)
其中，S1表示AA率，S2表示卷绕机机台效率，S3表示断头率，S4表示设备故障率，α1、α2、α3、α4为各项参数的权重系数，α1+α2+α3+α4＝1，初始值可为α1＝0.3，α2＝0.3，α3＝0.2，α4＝0.2。机台效率可反应生产过程的连续稳定性，结合AA率可直接反应出工艺参数在生产期间的是否稳定。卷绕机机台效率＝(卷绕机机台投入生产时长/卷绕机机台计划运行时长)*100％。设备故障率是衡量设备稳定性、维修效率的直接重要指标，工艺参数、设备参数越稳定或与生产越匹配，故障率越低。设备故障率＝(设备故障停机时长/(24*60*该自然月实际天数))*100％。
当损失值大于设定值时，调整模型的参数，并将新的样本输入多层神经网络。迭代执行该过程直至损失值小于设定值，即可得到质量反馈模型。
本公开实施例中，输入层的输入特征可以包括质量检验结果和生产参数输入神经网络，输出层的输出特征可以包括预测的工艺参数。
本公开实施例中，样本集可以包括训练集、测试集和验证集的一种或多种。样本集中的样本可以从知识图谱的历史数据中获得。
根据本公开实施例，基于历史数据训练得到的质量反馈模型，可以使得使用质量反馈模型的检测结果更准确。
图8是根据本公开一实施例的部分知识图谱的示意图。如图8所示，该部分知识图谱包括设备知识框架、备件知识框架、库存知识框架、采购知识框架、工艺参数知识框架、维修记录知识框架、质量检验结果知识框架以及工具状况知识框架。该知识图谱内，设备知识框架与备件知识框架具有关联关系，备件知识框架与库存知识框架具有关联关系，库存知识框架与采购知识框架具有关联关系；设备知识框架还与工艺参数知识框架具有关联关系，工艺参数知识框架与维修记录知识框架具有关联关系，维修记录知识框架与工具状况知识框架具有关联关系；工艺参数知识框架还与质量检验结果知识框架具有关联关系。通过该部分知识图谱可以构建产品、设备、工艺之间的知识关联体系。
图9是本公开实施例中的设备知识框架的示意图。该设备知识框架可以包括设备名槽、线别槽、机台号槽。其中，设备名槽用来存储设备的名称，如反应釜、纺丝箱体、卷绕机等。线别槽可以用来存储设备所在的通道和生产线，如“WDC 1”、“WDC 2”。机台号槽可以用来存储设备在生产线上的位置，如01、02、12、24等。图10是本公开实施例中的工艺参数知识框架的示意图。该知识框架可以包括纺速槽、纤度中心值槽、张力槽、热辊温度槽等。其中，纺速槽可以用于存储卷绕机的卷绕速度，如预取向丝(PRE-ORIENTED YARN OR PARTIALLYORIENTED YARNDTY，POY)对应的纺速范围可以为“2710M/min-2715M/min”、“2700M/min-2705M/min”、全拉伸丝(FULL DRAW YARN，FDY)对应的纺速范围可以为“4100M/min-4105M/min”、“4400M/min-4405M/min”或者“4600M/min-4605M/min”。纤度中心值槽可以用于存储纱线的粗线，如“167±2.5％”、“261±2.5％”。张力槽可以用于存储对丝线施加的拉力大小，如“10cN”、“14cN”、“18cN”。热辊温度可以用于存储热辊的温度，如“92-96℃”、“141℃-145℃”。
通过知识图谱可以对关键设备、备品备件、备件库存分布情况等进行关联，结合设备故障维修记录(详细处理过程)，在设备出现故障的情况下，能根据历史维修经验进行问题快速定位分析，生产维修建议指导维修人员进行维修。根据备件库存、专有工具存放情况自动生成出库任务。在备件库存不足的情况下，能自动从其他仓库进行调剂。在备件库存低于安全库存的情况下，可以自动生成采购任务，指导采购人员进行采购。
通过知识图谱，还可以根据产品检验结果(如无染判色结果异常、外检/化检结果异常等)，查询知识图谱得到上游工艺参数异常(如某个反应釜的温度、粘度、电机电流、电压等异常)，结合异常参数名在知识图谱中查询该参数名对应的正常范围，并根据正常范围给出参数调整建议。
通过知识图谱，还可以在正常生产流程中，根据产品正常生产结果、设备/工艺对应历史数据，对后续产品的生产给出工艺参数优化建议，进而对生产效率和产品质量进行进一步优化。
在生产过程中，在某个环节的设备、工艺参数发生异常的情况下，能够进行预警，通知相应人员及时跟踪、做好应急处理，并对上下游关联的设备、工艺参数给出调整建议，确保产品的良品率。
图11是根据本公开一实施例的基于知识图谱的丝锭质量控制装置的结构示意图，该装置包括：
确定模块1101，用于基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的生产参数和/或工艺参数中是否存在异常参数；
查找模块1102，用于在存在该异常参数的情况下，在丝锭生产管理知识图谱中查找与该生产参数和/或该工艺参数对应的调整方式；
发送模块1103，用于向该一组丝锭的相关设备发送该生产参数和/或该工艺参数对应的调整方式。
图12是根据本公开一实施例的基于知识图谱的丝锭质量控制装置的结构示意图。该装置可以包括上述基于知识图谱的丝锭质量控制装置的一个或多个特征。在一种实施方式中，该一组丝锭包括一组同一批号的丝锭，该确定模块1101，包括：
确定子模块1201，用于在该质量检验结果存在异常的情况下，基于该丝锭生产管理知识图谱确定该一组丝锭的该生产参数和/或工艺参数是否在正常范围内；
获取子模块1202，用于从该一组丝锭的该工艺参数中获取不在正常范围内的异常参数。
在一种实施方式中，如图12所示，该装置还包括：
保存模块1203，用于在该质量检验结果正常的情况下，将该一组丝锭的该质量检验结果、该生产参数和该工艺参数保存到丝锭生产管理知识图谱中。
在一种实施方式中，该生产参数包括以下至少之一：线别、机台号、规格、批号、落次、落筒时间；该质量检验结果包括以下至少之一：无染判色光谱信息、无染判色异常结果、外观检测结果、物理机械性能检测结果；该工艺参数包括以下至少之一：张力、纺速、油剂含量、油剂型号、上油率、热辊温度、纤度中心值、计量泵规格、计量泵转速、喷丝板直径、喷丝板长径比、满筒重、网络压力。
在一种实施方式中，如图12所示，该查找模块1102，包括：
第一查找子模块1204，用于在该丝锭生产管理知识图谱中查找该异常参数对应的正常的工艺参数，基于该正常的工艺参数确定工艺调整方式；
第二查找子模块1205，用于在该丝锭生产管理知识图谱中查找该异常参数对应的设备信息，基于该设备信息确定设备调整方式。
在一种实施方式中，该异常参数对应的该设备信息包括以下至少之一：需要维护的设备和/或部件；需要维护的设备和/或部件的上下游关联设备和/或部件；需要维护的设备和/或部件的维修记录；备用设备和/或备件的仓储信息；备用设备和/或备件的采购信息。
在一种实施方式中，第二查找子模块1205，还用于基于该异常参数对应的该设备信息发起维护任务，该维护任务包括以下至少之一：
基于该需要维护的设备和/或部件的维修记录，确定该需要维护的设备和/或部件对应的维修方式；基于该维修方式，向维修管理设备发起故障设备和/或故障部件的维修任务，该维修任务包括该故障设备和/或故障部件的标识；
在备用设备和/或备件的本地库存低于安全阈值的情况下，向采购管理系统发起该备用设备和/或备件的采购任务，该采购任务中包括需要采购的设备和/或备件的采购信息；
在备用设备和/或备件的本地库存低于安全阈值的情况下，查找异地库存是否存在该备用设备和/或备件；若存在，则向异地仓储管理设备发起调剂任务，该调剂任务中包括需要调剂的设备和/或备件的库存信息；
在备用设备和/或备件在本地库存和异地库存均低于安全阈值的情况下，发起紧急处理任务，该紧急处理任务包括紧急采购任务和/或空闲设备拆借任务。
在一种实施方式中，如图12所示，该装置还包括：
构建模块1206，用于构建一个或多个丝锭生产管理知识框架，在该一个或多个丝锭生产管理知识框架间建立关联关系；其中，该丝锭生产管理知识框架中包括一个或多个槽；
获取模块1207，用于基于单锭数据流系统、质量反馈模型、维修记录以及仓储数据，得到丝锭生产管理知识数据；
融合模块1208，用于融合该丝锭生产管理知识数据，将融合后的该丝锭生产管理知识数据设置为该一个或多个丝锭生产管理知识框架中的该一个或多个槽的槽值，得到该丝锭生产管理知识图谱。
在一种实施方式中，该一个或多个丝锭生产管理知识框架包括生产参数知识框架、检验结果知识框架、工艺参数知识框架、设备信息知识框架、设备维修记录框架以及各个知识框架间的关联关系；
其中，该生产参数知识框架包括规格槽、批号槽、落次槽、落筒时间槽；该检验结果知识框架包括无染判色光谱信息槽、无染判色异常结果槽、外部检测结果槽、物理机械性能检测结果槽；该工艺参数知识框架包括张力槽、纺速槽、油剂含量槽、油剂型号槽、上油率槽、热辊温度槽、纤度中心值槽、计量泵规格槽、计量泵转速槽、喷丝板直径槽、喷丝板长径比槽、满筒重槽、网络压力槽；该设备信息知识框架包括线别槽、机台号槽、设备名槽、设备类型槽、仓储信息槽、备件槽、维修记录槽；该设备维修记录知识框架包括设备名称槽、设备位号槽、故障/报警信息槽、维修信息槽。
其中，该丝锭生产管理知识数据包括生产参数数据、质量检验结果数据、工艺参数数据、设备信息数据中的至少之一。
在一种实施方式中，如图12所示，该装置还包括：
输入模块1209，用于将多锭丝锭的该质量检验结果、该生产参数和该工艺参数输入质量反馈模型，得到该多锭丝锭的产品状态。
在一种实施方式中，该产品状态包括良品率、满卷率、断头率的至少之一。
在一种实施方式中，如图12所示，该装置还包括：
触发模块1210，用于在该质量反馈模型输出的该多锭丝锭的产品状态满足合格阈值的情况下，触发执行基于一组丝锭的质量检验结果、生产参数和工艺参数，确定该一组丝锭的生产参数和/或工艺参数中是否存在异常参数。
在一种实施方式中，该质量反馈模型的训练过程，包括：
将样本集中的丝锭训练样本的质量检验结果、生产参数和工艺参数输入由多层神经网络构成的第一模型，输出预测的产品状态；
基于该丝锭训练样本的标注的产品状态和该预测的产品状态构建的损失函数，对该第一模型进行迭代训练，得到第二模型；
其中，该样本集包括从该丝锭生产管理知识图谱中获取多个丝锭训练样本，该多个丝锭训练样本的每个丝锭训练样本中包括互相关联的该质量检验结果、生产参数和工艺参数；
其中，该第二模型是训练后的该质量反馈模型。
在一种实施方式中，该相关设备包括以下至少之一：生产设备；终端设备；控制设备。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图13为根据本公开一实施例的电子设备的结构框图。如图13所示，该电子设备包括：存储器1310和处理器1320，存储器1310内存储有可在处理器1320上运行的计算机程序。存储器1310和处理器1320的数量可以为一个或多个。存储器1310可以存储一个或多个计算机程序，当该一个或多个计算机程序被该电子设备执行时，使得该电子设备执行上述方法实施例提供的方法。该电子设备还可以包括：通信接口1330，用于与外界设备进行通信，进行数据交互传输。
如果存储器1310、处理器1320和通信接口1330独立实现，则存储器1310、处理器1320和通信接口1330可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(PeripheralComponent Interconnect，PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1310、处理器1320及通信接口1330集成在一块芯片上，则存储器1310、处理器1320及通信接口1330可以通过内部接口完成相互间的通信。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(Advanced RISC Machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic Random Access Memory，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct RAMBUS RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(Digital Subscriber Line，DSL))或无线(例如：红外、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质，或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))或半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。值得注意的是，本公开提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本公开实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本公开的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本公开实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
在本公开实施例的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本公开的示例性实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (24)

1.一种基于知识图谱的丝锭质量控制方法，包括：
基于一组丝锭的质量检验结果、生产参数和工艺参数，确定所述一组丝锭的所述生产参数和/或所述工艺参数中是否存在异常参数；
在存在所述异常参数的情况下，在丝锭生产管理知识图谱中查找与所述生产参数和/或所述工艺参数对应的调整方式；
向所述一组丝锭的相关设备发送所述生产参数和/或所述工艺参数对应的调整方式；
其中，所述一组丝锭包括一组同一批号的丝锭；基于一组丝锭的质量检验结果、生产参数和工艺参数，确定所述一组丝锭的所述生产参数和/或所述工艺参数中是否存在异常参数，包括：在所述质量检验结果存在异常的情况下，基于所述丝锭生产管理知识图谱确定所述一组丝锭的所述生产参数和/或所述工艺参数是否在正常范围内；从所述一组丝锭的所述生产参数和/或所述工艺参数中获取不在正常范围内的异常参数；
其中，在存在所述异常参数的情况下，在丝锭生产管理知识图谱中查找与所述生产参数和/或所述工艺参数对应的调整方式，包括：在所述丝锭生产管理知识图谱中查找所述异常参数对应的正常的工艺参数，基于所述正常的工艺参数确定工艺调整方式；在所述丝锭生产管理知识图谱中查找所述异常参数对应的设备信息，基于所述设备信息确定设备调整方式。
2.根据权利要求1所述的方法，还包括：
在所述质量检验结果正常的情况下，将所述一组丝锭的所述质量检验结果、所述生产参数和所述工艺参数保存到丝锭生产管理知识图谱中。
3.根据权利要求1或2所述的方法，所述生产参数包括以下至少之一：线别、机台号、规格、批号、落次、落筒时间；所述质量检验结果包括以下至少之一：无染判色光谱信息、无染判色异常结果、外观检测结果、物理机械性能检测结果；所述工艺参数包括以下至少之一：张力、纺速、油剂含量、油剂型号、上油率、热辊温度、纤度中心值、计量泵规格、计量泵转速、喷丝板直径、喷丝板长径比、满筒重、网络压力。
4.根据权利要求1所述的方法，其中，基于所述设备信息确定设备调整方式，包括：
基于所述异常参数对应的所述设备信息发起维护任务，所述维护任务包括以下至少之一：
基于需要维护的设备和/或部件的维修记录，确定所述需要维护的设备和/或部件对应的维修方式；基于所述维修方式，向维修管理设备发起故障设备和/或故障部件的维修任务，所述维修任务包括所述故障设备和/或故障部件的标识；
在备用设备和/或备件的本地库存低于安全阈值的情况下，向采购管理系统发起所述备用设备和/或备件的采购任务，所述采购任务中包括所述备用设备和/或备件的采购信息；
在备用设备和/或备件的本地库存低于安全阈值的情况下，查找异地库存是否存在所述备用设备和/或备件；若存在，则向异地仓储管理设备发起调剂任务，所述调剂任务中包括需要调剂的设备和/或备件的库存信息；
在备用设备和/或备件在本地库存和异地库存均低于安全阈值的情况下，发起紧急处理任务，所述紧急处理任务包括紧急采购任务和/或空闲设备拆借任务。
5.根据权利要求1或2所述的方法，其中，所述异常参数对应的设备信息包括以下至少之一：需要维护的设备和/或部件；需要维护的设备和/或部件的上下游关联设备和/或部件；需要维护的设备和/或部件的维修记录；备用设备和/或备件的仓储信息；备用设备和/或备件的采购信息。
6.根据权利要求1或2所述的方法，还包括：
构建一个或多个丝锭生产管理知识框架，在所述一个或多个丝锭生产管理知识框架间建立关联关系；其中，所述丝锭生产管理知识框架中包括一个或多个槽；
基于单锭数据流系统、异常检测模型、质量反馈模型、维修记录以及仓储数据，得到丝锭生产管理知识数据；
融合所述丝锭生产管理知识数据，将融合后的所述丝锭生产管理知识数据设置为所述一个或多个丝锭生产管理知识框架中的所述一个或多个槽的槽值，得到所述丝锭生产管理知识图谱。
7.根据权利要求6所述的方法，其中，所述一个或多个丝锭生产管理知识框架包括生产参数知识框架、检验结果知识框架、工艺参数知识框架、设备信息知识框架、设备维修记录知识框架以及各个知识框架间的关联关系；
其中，所述生产参数知识框架包括规格槽、批号槽、落次槽、落筒时间槽；所述检验结果知识框架包括无染判色光谱信息槽、无染判色异常结果槽、外部检测结果槽、物理机械性能检测结果槽；所述工艺参数知识框架包括张力槽、纺速槽、油剂含量槽、油剂型号槽、上油率槽、热辊温度槽、纤度中心值槽、计量泵规格槽、计量泵转速槽、喷丝板直径槽、喷丝板长径比槽、满筒重槽、网络压力槽；所述设备信息知识框架包括线别槽、机台号槽、设备名槽、设备类型槽、仓储信息槽、备件槽、维修记录槽；所述设备维修记录知识框架包括设备名称槽、设备位号槽、故障/报警信息槽、维修信息槽；
其中，所述丝锭生产管理知识数据包括生产参数数据、质量检验结果数据、工艺参数数据、设备信息数据中的至少之一。
8.根据权利要求1所述的方法，还包括：
将多锭丝锭的所述质量检验结果、所述生产参数和所述工艺参数输入质量反馈模型，得到所述多锭丝锭的产品状态。
9.根据权利要求8所述的方法，其中，所述产品状态包括良品率、满卷率、断头率的至少之一。
10.根据权利要求8或9所述的方法，还包括：
在所述质量反馈模型输出的所述多锭丝锭的产品状态满足合格阈值的情况下，触发执行基于一组丝锭的质量检验结果、生产参数和工艺参数，确定所述一组丝锭的生产参数和/或工艺参数中是否存在异常参数。
11.根据权利要求8所述的方法，所述质量反馈模型的训练过程，包括：
将样本集中的丝锭训练样本的质量检验结果、生产参数和工艺参数输入由多层神经网络构成的第一模型，输出预测的产品状态；
基于所述丝锭训练样本的标注的产品状态和所述预测的产品状态构建的损失函数，对所述第一模型进行迭代训练，得到第二模型；
其中，所述样本集包括从所述丝锭生产管理知识图谱中获取多个丝锭训练样本，所述多个丝锭训练样本的每个丝锭训练样本中包括互相关联的所述质量检验结果、生产参数和工艺参数；
其中，所述第二模型是训练后的所述质量反馈模型。
12.一种基于知识图谱的丝锭质量控制装置，包括：
确定模块，用于基于一组丝锭的质量检验结果、生产参数和工艺参数，确定所述一组丝锭的所述生产参数和/或所述工艺参数中是否存在异常参数；
查找模块，用于在存在所述异常参数的情况下，在丝锭生产管理知识图谱中查找与所述生产参数和/或所述工艺参数对应的调整方式；
发送模块，用于向所述一组丝锭的相关设备发送所述生产参数和/或所述工艺参数对应的调整方式；
其中，所述一组丝锭包括一组同一批号的丝锭，所述确定模块，包括：确定子模块，用于在所述质量检验结果存在异常的情况下，基于所述丝锭生产管理知识图谱确定所述一组丝锭的所述生产参数和/或所述工艺参数是否在正常范围内；获取子模块，用于从所述一组丝锭的所述生产参数和/或所述工艺参数中获取不在正常范围内的异常参数；
其中，所述查找模块，包括：第一查找子模块，用于在所述丝锭生产管理知识图谱中查找所述异常参数对应的正常的工艺参数，基于所述正常的工艺参数确定工艺调整方式；第二查找子模块，在所述丝锭生产管理知识图谱中查找所述异常参数对应的设备信息，基于所述设备信息与所述调整方式确定故障设备以及对应的调整方式。
13.根据权利要求12所述的装置，还包括：
保存模块，用于在所述质量检验结果正常的情况下，将所述一组丝锭的所述质量检验结果、所述生产参数和所述工艺参数保存到丝锭生产管理知识图谱中。
14.根据权利要求12或13所述的装置，所述生产参数包括以下至少之一：线别、机台号、规格、批号、落次、落筒时间；所述质量检验结果包括以下至少之一：无染判色光谱信息、无染判色异常结果、外部检测结果、物理机械性能检测结果；所述工艺参数包括以下至少之一：张力、纺速、油剂含量、油剂型号、上油率、热辊温度、纤度中心值、计量泵规格、计量泵转速、喷丝板直径、喷丝板长径比、满筒重、网络压力。
15.根据权利要求12所述的装置，其中，第二查找子模块，还用于基于所述异常参数对应的所述设备信息发起维护任务，所述维护任务包括以下至少之一：
基于需要维护的设备和/或部件的维修记录，确定所述需要维护的设备和/或部件对应的维修方式；基于所述维修方式，向维修管理设备发起故障设备和/或故障部件的维修任务，所述维修任务包括所述故障设备和/或故障部件的标识；
在备用设备和/或备件的本地库存低于安全阈值的情况下，向采购管理系统发起所述备用设备和/或备件的采购任务，所述采购任务中包括所述备用设备和/或备件的采购信息；
在备用设备和/或备件的本地库存低于安全阈值的情况下，查找异地库存是否存在所述备用设备和/或备件；若存在，则向异地仓储管理设备发起调剂任务，所述调剂任务中包括需要调剂的设备和/或备件的库存信息；
在备用设备和/或备件在本地库存和异地库存均低于安全阈值的情况下，发起紧急处理任务，所述紧急处理任务包括紧急采购任务和/或空闲设备拆借任务。
16.根据权利要求12或13所述的装置，其中，所述异常参数对应的设备信息包括以下至少之一：需要维护的设备和/或部件；需要维护的设备和/或部件的上下游关联设备和/或部件；需要维护的设备和/或部件的维修记录；备用设备和/或备件的仓储信息；备用设备和/或备件的采购信息。
17.根据权利要求12或13所述的装置，还包括：
构建模块，用于构建一个或多个丝锭生产管理知识框架，在所述一个或多个丝锭生产管理知识框架间建立关联关系；其中，所述丝锭生产管理知识框架中包括一个或多个槽；
获取模块，用于基于单锭数据流系统、质量反馈模型、维修记录以及仓储数据，得到丝锭生产管理知识数据；
融合模块，用于融合所述丝锭生产管理知识数据，将融合后的所述丝锭生产管理知识数据设置为所述一个或多个丝锭生产管理知识框架中的所述一个或多个槽的槽值，得到所述丝锭生产管理知识图谱。
18.根据权利要求17所述的装置，其中，所述一个或多个丝锭生产管理知识框架包括生产参数知识框架、检验结果知识框架、工艺参数知识框架、设备信息知识框架、设备维修记录知识框架以及各个知识框架间的关联关系；
其中，所述生产参数知识框架包括规格槽、批号槽、落次槽、落筒时间槽；所述检验结果知识框架包括无染判色光谱信息槽、无染判色异常结果槽、外部检测结果槽、物理机械性能检测结果槽；所述工艺参数知识框架包括张力槽、纺速槽、油剂含量槽、油剂型号槽、上油率槽、热辊温度槽、纤度中心值槽、计量泵规格槽、计量泵转速槽、喷丝板直径槽、喷丝板长径比槽、满筒重槽、网络压力槽；所述设备信息知识框架包括线别槽、机台号槽、设备名槽、设备类型槽、仓储信息槽、备件槽、维修记录槽；所述设备维修记录知识框架包括设备名称槽、设备位号槽、故障/报警信息槽、维修信息槽；
其中，所述丝锭生产管理知识数据包括生产参数数据、质量检验结果数据、工艺参数数据、设备信息数据中的至少之一。
19.根据权利要求12所述的装置，还包括：
输入模块，用于将多锭丝锭的所述质量检验结果、所述生产参数和所述工艺参数输入质量反馈模型，得到所述多锭丝锭的产品状态。
20.根据权利要求19所述的装置，其中，所述产品状态包括良品率、满卷率、断头率的至少之一。
21.根据权利要求19或20所述的装置，还包括：
触发模块，用于在所述质量反馈模型输出的所述多锭丝锭的产品状态满足合格阈值的情况下，触发执行基于一组丝锭的质量检验结果、生产参数和工艺参数，确定所述一组丝锭的生产参数和/或工艺参数中是否存在异常参数。
22.根据权利要求19所述的装置，所述质量反馈模型的训练过程，包括：
将样本集中的丝锭训练样本的质量检验结果、生产参数和工艺参数输入由多层神经网络构成的第一模型，输出预测的产品状态；
基于所述丝锭训练样本的标注的产品状态和所述预测的产品状态构建的损失函数，对所述第一模型进行迭代训练，得到第二模型；
其中，所述样本集包括从所述丝锭生产管理知识图谱中获取多个丝锭训练样本，所述多个丝锭训练样本的每个丝锭训练样本中包括互相关联的所述质量检验结果、生产参数和工艺参数；
其中，所述第二模型是训练后的所述质量反馈模型。
23.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
CN202311041367.3A 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备 Active CN117071096B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202311041367.3A CN117071096B (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备
CN202511535541.9A CN121300297A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备
CN202511535562.0A CN121300298A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备
US18/434,895 US12530024B2 (en) 2023-08-17 2024-02-07 Yarn spindle quality control method based on knowledge graph, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311041367.3A CN117071096B (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202511535562.0A Division CN121300298A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备
CN202511535541.9A Division CN121300297A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备

Publications (2)

Publication Number Publication Date
CN117071096A CN117071096A (zh) 2023-11-17
CN117071096B true CN117071096B (zh) 2025-09-23

Family

ID=88714650

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202511535541.9A Pending CN121300297A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备
CN202311041367.3A Active CN117071096B (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备
CN202511535562.0A Pending CN121300298A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202511535541.9A Pending CN121300297A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202511535562.0A Pending CN121300298A (zh) 2023-08-17 2023-08-17 基于知识图谱的丝锭质量控制方法、装置和设备

Country Status (2)

Country Link
US (1) US12530024B2 (zh)
CN (3) CN121300297A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117373487B (zh) * 2023-12-04 2024-02-09 浙江恒逸石化有限公司 基于音频的设备故障检测方法、装置及相关设备
CN119270719A (zh) * 2024-09-29 2025-01-07 浙江恒逸石化有限公司 丝锭过站控制方法、装置、电子设备及存储介质
CN120612016B (zh) * 2025-08-04 2025-11-07 杭州传化精细化工有限公司 基于ai视觉检测的生产工艺参数动态调整方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430365A (zh) * 2022-04-06 2022-05-03 北京宝兰德软件股份有限公司 故障根因分析方法、装置、电子设备和存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES8608075A1 (es) * 1984-12-11 1986-06-01 Scatizzi Mario Maquina para la impresion policromatica,lavado,tratamiento y escurrido de hilados de comportamiento variable en procesocontinuo
CH681077A5 (zh) * 1988-10-25 1993-01-15 Zellweger Uster Ag
US6434262B2 (en) * 1993-09-29 2002-08-13 Shih-Ping Wang Computer-aided diagnosis system and method
US6969553B1 (en) * 2004-09-03 2005-11-29 Honeywell International Inc. Drawn gel-spun polyethylene yarns and process for drawing
JP4804590B1 (ja) * 2010-04-14 2011-11-02 帝人テクノプロダクツ株式会社 メタ型全芳香族ポリアミド繊維
US9328435B2 (en) * 2013-11-08 2016-05-03 Deertex, Inc. Functional weaving vamp fabric
EP3690581B1 (en) * 2019-01-30 2021-02-17 Bühler AG System and method for detecting and measuring anomalies in signaling originating from components used in industrial processes
CN110491106B (zh) * 2019-07-22 2022-03-18 深圳壹账通智能科技有限公司 基于知识图谱的数据预警方法、装置和计算机设备
CN110969231A (zh) * 2019-12-20 2020-04-07 青岛奥利普自动化控制系统有限公司 一种化纤行业单锭数据流的丝锭管理方法及管理系统
EP3904572B1 (en) * 2020-04-30 2022-04-06 Maschinenfabrik Rieter AG Device and method for detecting a fault in a spinning mill and for estimating one or more sources of the fault
CN112540832B (zh) * 2020-12-24 2022-01-28 中山大学 一种基于知识图谱的云原生系统故障分析方法
CN113129305B (zh) * 2021-05-18 2023-06-16 浙江大华技术股份有限公司 丝锭状态的确定方法、装置、存储介质及电子装置
CN113590835A (zh) * 2021-07-28 2021-11-02 上海致景信息科技有限公司 纺织行业数据的知识图谱构建方法、装置及处理器

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430365A (zh) * 2022-04-06 2022-05-03 北京宝兰德软件股份有限公司 故障根因分析方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN121300297A (zh) 2026-01-09
US12530024B2 (en) 2026-01-20
US20250060740A1 (en) 2025-02-20
CN117071096A (zh) 2023-11-17
CN121300298A (zh) 2026-01-09

Similar Documents

Publication Publication Date Title
CN117071096B (zh) 基于知识图谱的丝锭质量控制方法、装置和设备
US12299588B2 (en) Device and method for detecting a fault in a spinning mill and for estimating one or more sources of the fault
US12066816B2 (en) Method for predicting the presence of product defects during an intermediate processing step of a thin product wound in a roll
Gouiaa-Mtibaa et al. Integrated Maintenance-Quality policy with rework process under improved imperfect preventive maintenance
US11319649B2 (en) Ring spinning system and method for operating
JP5382475B2 (ja) 繊維機械における製造過程を監視する方法
CN111539638A (zh) 一种预警方法、装置及预警设备和存储介质
US20020138169A1 (en) Device for calculating overall plant efficiency
JP2024082245A (ja) 種々の織物生産のためのコンフィギュレーションをコンピュータ支援により適合させる方法
CN112203962A (zh) 自动环锭纺纱系统及其自动操作方法
CN119262985B (zh) 一种纺织纱线输送防断裂智能监测预警调控系统
EP4419743A1 (en) An electronic device for adjusting operational parameters of a winding machine of a spinning mill and a method for adjusting the same
CN118619008B (zh) 一种丝线卷绕自动化在线实时监测控制系统
CN119137606A (zh) 用于对纺织机进行最佳调节的方法和基于数据的辅助系统
CN118313570A (zh) 一种方坯连铸设备健康度管理系统及其方法
Harianto et al. Quality Improvement by Reducing Cones defect on Spinning Production PT Excellent Quality Yarn using Six Sigma DMAIC and FMEA
CN121729648A (zh) 用于检测纺纱厂内的故障操作的监测单元和监测方法
CN120864000A (zh) 一种智能化卷包生产管理控制方法、系统、介质及电子设备
CN120509875A (zh) 一种面粉加工设备的运维管理方法及系统
CN120355341A (zh) 一种生产准备期备件数据库管理方法及系统
WO2024110351A1 (en) Device and method for determining a cause of a malfunction in a plurality of textile machines
CN117485789A (zh) 堆垛机的状态预测方法及装置
CN121541610A (zh) 一种用于紧密赛络纤维加工的智能调控系统、方法及介质
JP2023158368A (ja) 生産管理システム
CN118364999A (zh) 生产计划确定方法、装置、电子设备及存储介质

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