一种生产钢结构的工控调度方法和系统与流程

1.本发明涉及钢构生产线技术领域，特别涉及一种生产钢结构的工控调度方法和系统。


背景技术：

2.钢构是指由钢板、型钢、钢管、钢索等钢材，用焊、铆、螺栓等连接而成的重载、大跨、轻型的建筑结构形式。钢构主要应用于工业厂房、高层建筑、大型公共建筑、桥梁、航站楼、海洋平台、输电塔架等多个领域。
3.对于钢构的生产建设来说，其包含的环节较多，涉及物料输运、结构加工、结构件输运、辅助件和配件搭配、施工搭建等环节。各个阶段涉及的装备包括：实现钢构件切割、打孔、焊接等操作的数控机床、装卸设备、运输车辆、吊装设备、现场装配设备如焊接机等、施工监测设备例如实现工程航测的无人机、射线探查仪等。由于涉及到的装备数量和种类都比较繁多，加工和作业方式复杂，且其中面向非标准定制钢构件的加工、运输和作业占用一定比例，使得对涉及装备的自动化控制难度较大，也就是工控环节面临较大的难度，难以在钢构生产建设各个环节使所涉及的各类装备能够充分适应钢构生产、运输和作业的特征。


技术实现要素：

4.(一)发明目的
5.鉴于上述问题，本发明的目的是提出一种生产钢结构的工控调度方法和系统，通过工控实体关联网络中实体间的关系执行评估，推导获得优化工控方式，从而提高了面向钢构装备执行工控的自动化水平和效率，本发明公开了以下技术方案。
6.(二)技术方案
7.作为本发明的第一方面，本发明公开了一种生产钢结构的工控调度方法，包括：
8.提取工控生产参数和附加信息；
9.通过预定规则，对所述工控生产参数和所述附加信息添加标签；
10.定义工控实体关联框架；
11.利用实体抽取和实体融合，将所述工控生产参数、所述附加信息和所述标签映射到所述工控实体关联框架，获得工控实体关联网络；
12.将当前钢构生产预期匹配至所述工控实体关联网络中，生成优化工控方式。
13.在一种可能的实施方式中，所述提取工控生产参数和附加信息，具体包括：
14.基于钢构生产各环节的加工、运输和作业的历史记录，提取所述工控生产参数和所述附加信息。
15.在一种可能的实施方式中，所述工控生产参数和所述附加信息，具体包括：
16.所述工控生产参数包括：数控机床、装卸设备、运输车辆、吊装设备、现场装配设备、施工监测设备的指令和参数；
17.所述附加信息包括：工时、成本、风险评估、事故记录。
18.在一种可能的实施方式中，所述通过预定规则，对所述工控生产参数和所述附加信息添加标签，具体包括：
19.获取所述工控生产参数和所述附加信息的特征；
20.根据所述特征，对所述工控生产参数和所述附加信息进行分组，并添加属性标签。
21.在一种可能的实施方式中，所述定义工控实体关联框架，具体包括：
22.采集设备、指令、对象和附加因素，并确定所述设备、所述指令、所述对象和所述附加因素之间的关联关系；
23.基于所述设备、所述指令、所述对象、所述附加因素和所述关联关系，定义工控实体关联框架。
24.作为本发明的第二方面，本发明还公开了一种生产钢结构的工控调度系统，包括：
25.提取模块，所述提取模块用于提取工控生产参数和附加信息；
26.添加模块，所述添加模块通过预定规则，对所述工控生产参数和所述附加信息添加标签；
27.定义模块，所述定义模块用于定义工控实体关联框架；
28.构建模块，所述构建模块利用实体抽取和实体融合，将所述工控生产参数、所述附加信息和所述标签映射到所述工控实体关联框架，获得工控实体关联网络；
29.优化模块，所述优化模块用于将当前钢构生产预期匹配至所述工控实体关联网络中，生成优化工控方式。
30.在一种可能的实施方式中，所述提取模块基于钢构生产各环节的加工、运输和作业的历史记录，提取所述工控生产参数和所述附加信息。
31.在一种可能的实施方式中，所述工控生产参数包括：数控机床、装卸设备、运输车辆、吊装设备、现场装配设备、施工监测设备的指令和参数；
32.所述附加信息包括：工时、成本、风险评估、事故记录。
33.在一种可能的实施方式中，所述添加模块包括获取单元和标签单元；
34.所述获取单元用于获取所述工控生产参数和所述附加信息的特征；
35.所述标签单元根据所述特征，对所述工控生产参数和所述附加信息进行分组，并添加属性标签。
36.在一种可能的实施方式中，所述定义模块包括采集单元和框架单元；
37.所述采集单元用于采集设备、指令、对象和附加因素，并确定所述设备、所述指令、所述对象和所述附加因素之间的关联关系；
38.所述框架单元基于所述设备、所述指令、所述对象、所述附加因素和所述关联关系，定义工控实体关联框架。
39.(三)有益效果
40.本发明公开的一种生产钢结构的工控调度方法和系统，具有如下有益效果：通过建立一个标准化、结构化的工控实体关联网络，根据当前钢构生产作业的预期，匹配工控实体关联网络，确定工控实体关联网络的多个实体，并且可通过关联网络中实体间的关系执行评估，推导获得优化工控方式，从而提高了面向钢构装备执行工控的自动化水平和效率。
附图说明
41.以下参考附图描述的实施例是示例性的，旨在用于解释和说明本发明，而不能理解为对本发明的保护范围的限制。
42.图1是本发明公开的一种生产钢结构的工控调度方法流程图；
43.图2是本发明公开的通过预定规则，对工控生产参数和附加信息添加标签的流程图；
44.图3是本发明公开的定义工控实体关联框架的流程图；
45.图4是本发明公开的bert-bilstm-crf模型示意图；
46.图5是本发明公开的一种生产钢结构的工控调度系统的框图。
47.附图标记：010、提取模块；020、添加模块；021、获取单元；022、标签单元；030、定义模块；031、采集单元；032、框架单元；040、构建模块；050、优化模块。
具体实施方式
48.为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。
49.需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作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。
50.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
51.下面参考图1-4详细描述本发明公开的一种生产钢结构的工控调度方法的第一实施例。本实施例主要应用于钢构生产，通过构建标准化、结构化的工控实体关联网络，根据当前钢构生产作业的预期，匹配工控实体关联网络，从而提高了面向钢构装备执行工控的自动化水平和效率。
52.如图1-4所示，本实施例具体包括以下步骤：
53.s100、提取工控生产参数和附加信息。
54.在步骤s100中，针对钢构在物料输运、结构加工、结构件输运、辅助件和配件搭配、施工搭建等环节中的加工、运输和作业的历史记录，从中提取工控生产参数及其附加信息。
55.进一步，在步骤s100前，先将历史生产建设中，不同钢构生产建设中各个环节的数据进行保存，并生成历史记录数据库，从历史记录数据库中提取工控生产参数和附加信息。历史记录数据库中的各个数据会随着设备磨损、工艺的更新以及原材料的增加，不定时的对历史记录数据库中的数据进行更新。
56.在一种实施方式中，工控生产参数具体是涉及面向数控机床、装卸设备、运输车辆、吊装设备、现场装配设备、施工监测设备的指令和参数；附加信息是在钢构生产建设中
需要的工时、成本、风险评估、事故记录等数据。
57.s200、通过预定规则，对工控生产参数和附加信息添加标签。
58.如图2所示，在步骤s200中，通过预定规则，对工控生产参数和附加信息添加标签，具体包括：
59.s210、获取工控生产参数和附加信息的特征；
60.s220、根据特征，对工控生产参数和附加信息进行分组，并添加属性标签。
61.具体地，先获取工控生产参数和附加信息的特征，例如获取数控机床的型号、基本参数，在根据获取的特征，对工控生产参数和附加信息进行分组，并添加属性标签，其中，对于数控机床、装卸设备、运输车辆、吊装设备、现场装配设备、施工监测设备等设备，添加设备类型标签；
62.对于以上设备的执行工控指令，添加指令属性标签；
63.对于钢构加工、运输、作业的作业对象，添加作业对象标签；
64.对于工时、成本、风险、事故记录等附加信息，添加附加因素标签。
65.在一种实施方式中，利用人工智能分析算法，对工控生产参数和附加信息添加描述性标签，并采用细分聚类方法对描述性标签进行特征分组，在分组后，对同一类型的参数或信息，添加相应的属性标签。本技术中，通过人工智能分析算法进行添加标签，也可以通过其他常用的神经网络算法等方式，只要是能够实现对工控生产参数和附加信息添加标签的常见算法或规则均应在本技术实施例的保护范围内。
66.s300、定义工控实体关联框架。
67.如图3所示，在步骤s300中，定义工控实体关联框架具体包括：
68.s310、采集设备、指令、对象和附加因素，并确定设备、指令、对象和附加因素之间的关联关系；
69.s320、基于设备、指令、对象、附加因素和关联关系，定义工控实体关联框架。
70.具体地，工控实体关联框架定义了工控实体及其关联关系，包括“设备-指令-对象-附加因素”，采用工控知识图谱构建工控实体关联框架，工控知识图谱包括模式层和数据层，模式层规定其概念本体、属性类型、和结构层次，数据层存储实体数据，并以三元组为基本组成单元，关联种类多样的数据实体，构建工控实体知识图谱的实体关联框架。
71.进一步的，模式层建构用自顶向下的方式，基于钢构生产工控的核心要素设置工控知识图谱的“实体—关系—实体”或者“实体—属性—属性值”的三元组框架，从而为数据层的构建提供概念设计基础，定义各个本体间的层次关系、语义关系、属性关系，从而定义模式层。
72.进一步地，数据层的构建采用自底向上的方式，从工控生产参数和附加信息出发，根据工控生产参数和附加信息中的属性标签，获取钢构生产建设中的实体、关系、属性等信息，填充“实体—关系—实体”和“实体—属性—属性值”类型的三元组，三元组间依据语义关系互相关联。
73.s400、利用实体抽取和实体融合，将工控生产参数、附加信息和标签映射到工控实体关联框架，获得工控实体关联网络。
74.在步骤s400中，实体抽取采用命名实体识别模型，由于命名实体识别算法标注效率高，但需要大量数据进行训练，且准确度相对低一些，实体标注算法的选择往往视数据情
况和工作需求决定，因此，采用bert-bilstm-crf模型进行实体抽取，bert-bilstm-crf模型是bert预训练语言模型和双向长短期记忆网络—条件随机场模型(bilstm-crf)相结合构成的命名实体识别模型。
75.其中，如图4所示，bert-bilstm-crf模型分为三层，第一层bert层，通过大量中文通用语料和极大的计算训练得到的bert通用语言模型，提取工控生产参数和附加信息词向量特征，获取低维词向量；第二层为bilstm层，基于预训练层对工控生产参数和附加信息词向量特征的理解，运用大量标注后的工控生产参数和附加信息实体对双向长短期记忆网络进行训练，依据模型训练结果，运用上下文语义信息对实体序列进行推断标注，并通过注意力机制设置权重对实体类型进行进一步筛选；第三层为crf层，依据bilstm层输出的语料实体序列，运用概率模型预测并输出序列标签最优表达式，实现对语料的自动序列标注，完成命名实体识别。
76.在一种实施方式中，实体融合分为两个部分，分别是实体对齐和实体匹配，其中实体对齐是指对待确认实体的本体概念和层级进行对比确认，如果层级、概念的相似度较高，则认定其本体是对齐的，实体匹配是指确认两实体在实体名称、实体关系和属性等内容上的相似程度。
77.进一步，实体融合算法进行实体融合，生成数据实体，包括：将实体的本体概念与层级进行对比，根据对比结果判断本体对齐，并根据判断结果，计算实体的语义相似度，并设置相似度阈值，基于语义相似度进行实体融合，生成数据实体。
78.进一步的，计算两个实体在实体名称、层次类别和属性等内容上的语义相似度，其中，通过综合单一属性相似度得出综合相似度向量，确定其是否存在实体冗余，其中，单一属性相似度的计算公式如下：
[0079][0080]
上式中，表示实体a、b的某一属性m的相似度，am表示实体a的某一属性m，bm表示实体b的某一属性m，ai表示属性am的分词词频，bi表示属性bm的分词词频，n表示分词数量。
[0081]
进一步地，am、bm在语义空间中共有n个分词，通过统计属性am、bm中各分词词频ai、bi的构造词频向量(即综合相似度向量)，通过向量余弦值计算确定两个句子的相似性。
[0082]
进一步地，通过计算实体a和b在各属性上语义相似度与属性数量的比例，生成实体a，b的相似比例，其计算公式如下所示：
[0083][0084]
上式中，s
a，b
表示实体a，b的相似比例，s表示属性数量，s
a，b
介于0到1之间，越接近1表示两实体语义相似度越高。
[0085]
s500、将当前钢构生产预期匹配至工控实体关联网络中，生成优化工控方式。
[0086]
在步骤s500中，根据当前钢构生产作业的预期，匹配工控实体关联网络，生成优化工控方式，具体包括：
[0087]
对于当前预期的钢构加工、运输和作业，确定涉及的数控机床、装卸设备、运输车
辆、吊装设备、现场装配设备、施工监测设备等设备因素，以及物料、结构件、辅助件、配件等对象因素，以及指令因素、附加因素的至少一个因素映与工控实体关联网络匹配，确定上述因素在上述工控实体关联网络的多个实体。
[0088]
进一步，通过关联网络中实体间的关系执行评估，推导获得优化工控方式。
[0089]
下面参考图4-图5详细描述，基于同一发明构思，本发明实施例还提供了一种生产钢结构的工控调度系统的第一实施例。由于该系统所解决问题的原理与前述一种生产钢结构的工控调度方法相似，因此该系统的实施可以参见前述方法的实施，重复之处不在赘述。
[0090]
本实施例主要应用于钢构生产，通过构建标准化、结构化的工控实体关联网络，根据当前钢构生产作业的预期，匹配工控实体关联网络，从而提高了面向钢构装备执行工控的自动化水平和效率。
[0091]
如图5所示，本实施例主要包括：提取模块010、添加模块020、定义模块030、构建模块040和优化模块050。
[0092]
其中，提取模块010用于提取工控生产参数和附加信息，主要针对钢构在物料输运、结构加工、结构件输运、辅助件和配件搭配、施工搭建等环节中的加工、运输和作业的历史记录，从中提取工控生产参数及其附加信息。
[0093]
进一步，先将历史生产建设中，不同钢构生产建设中各个环节的数据进行保存，并生成历史记录数据库，从历史记录数据库中提取工控生产参数和附加信息。历史记录数据库中的各个数据会随着设备磨损、工艺的更新以及原材料的增加，不定时的对历史记录数据库中的数据进行更新。
[0094]
在一种实施方式中，工控生产参数具体是涉及面向数控机床、装卸设备、运输车辆、吊装设备、现场装配设备、施工监测设备的指令和参数；附加信息是在钢构生产建设中需要的工时、成本、风险评估、事故记录等数据。
[0095]
添加模块020通过预定规则，对工控生产参数和附加信息添加标签，其中，添加模块020包括获取单元021和标签单元022，获取单元021用于获取工控生产参数和附加信息的特征；标签单元022根据特征，对工控生产参数和附加信息进行分组，并添加属性标签。
[0096]
具体地，先获取工控生产参数和附加信息的特征，例如获取数控机床的型号、基本参数，在根据获取的特征，对工控生产参数和附加信息进行分组，并添加属性标签，其中，对于数控机床、装卸设备、运输车辆、吊装设备、现场装配设备、施工监测设备等设备，添加设备类型标签；
[0097]
对于以上设备的执行工控指令，添加指令属性标签；
[0098]
对于钢构加工、运输、作业的作业对象，添加作业对象标签；
[0099]
对于工时、成本、风险、事故记录等附加信息，添加附加因素标签。
[0100]
在一种实施方式中，利用人工智能分析算法，对工控生产参数和附加信息添加描述性标签，并采用细分聚类方法对描述性标签进行特征分组，在分组后，对同一类型的参数或信息，添加相应的属性标签。
[0101]
定义模块030用于定义工控实体关联框架，定义模块030包括采集单元031和框架单元032，采集单元031用于采集设备、指令、对象和附加因素，并确定设备、指令、对象和附加因素之间的关联关系，框架单元032基于设备、指令、对象、附加因素和关联关系，定义工控实体关联框架。
[0102]
具体地，工控实体关联框架定义了工控实体及其关联关系，包括“设备-指令-对象-附加因素”，采用工控知识图谱构建工控实体关联框架，工控知识图谱包括模式层和数据层，模式层规定其概念本体、属性类型、和结构层次，数据层存储实体数据，并以三元组为基本组成单元，关联种类多样的数据实体，构建工控实体知识图谱的实体关联框架。
[0103]
进一步的，模式层建构用自顶向下的方式，基于钢构生产工控的核心要素设置工控知识图谱的“实体—关系—实体”或者“实体—属性—属性值”的三元组框架，从而为数据层的构建提供概念设计基础，定义各个本体间的层次关系、语义关系、属性关系，从而定义模式层。
[0104]
进一步地，数据层的构建采用自底向上的方式，从工控生产参数和附加信息出发，根据工控生产参数和附加信息中的属性标签，获取钢构生产建设中的实体、关系、属性等信息，填充“实体—关系—实体”和“实体—属性—属性值”类型的三元组，三元组间依据语义关系互相关联。
[0105]
构建模块040利用实体抽取和实体融合，将工控生产参数、附加信息和标签映射到工控实体关联框架，获得工控实体关联网络，其中，实体抽取采用命名实体识别模型，由于命名实体识别算法标注效率高，但需要大量数据进行训练，且准确度相对低一些，实体标注算法的选择往往视数据情况和工作需求决定，因此，采用bert-bilstm-crf模型进行实体抽取，bert-bilstm-crf模型是bert预训练语言模型和双向长短期记忆网络—条件随机场模型(bilstm-crf)相结合构成的命名实体识别模型。
[0106]
其中，如图4所示，bert-bilstm-crf模型分为三层，第一层bert层，通过大量中文通用语料和极大的计算训练得到的bert通用语言模型，提取工控生产参数和附加信息词向量特征，获取低维词向量；第二层为bilstm层，基于预训练层对工控生产参数和附加信息词向量特征的理解，运用大量标注后的工控生产参数和附加信息实体对双向长短期记忆网络进行训练，依据模型训练结果，运用上下文语义信息对实体序列进行推断标注，并通过注意力机制设置权重对实体类型进行进一步筛选；第三层为crf层，依据bilstm层输出的语料实体序列，运用概率模型预测并输出序列标签最优表达式，实现对语料的自动序列标注，完成命名实体识别。
[0107]
在一种实施方式中，实体融合分为两个部分，分别是实体对齐和实体匹配，其中实体对齐是指对待确认实体的本体概念和层级进行对比确认，如果层级、概念的相似度较高，则认定其本体是对齐的，实体匹配是指确认两实体在实体名称、实体关系和属性等内容上的相似程度。
[0108]
进一步，实体融合算法进行实体融合，生成数据实体，包括：将实体的本体概念与层级进行对比，根据对比结果判断本体对齐，并根据判断结果，计算实体的语义相似度，并设置相似度阈值，基于语义相似度进行实体融合，生成数据实体。
[0109]
进一步的，计算两个实体在实体名称、层次类别和属性等内容上的语义相似度，其中，通过综合单一属性相似度得出综合相似度向量，确定其是否存在实体冗余，其中，单一属性相似度的计算公式如下：
[0110]
[0111]
上式中，表示实体a、b的某一属性m的相似度，am表示实体a的某一属性m，bm表示实体b的某一属性m，ai表示属性am的分词词频，bi表示属性bm的分词词频，n表示分词数量。
[0112]
进一步地，am、bm在语义空间中共有n个分词，通过统计属性am、bm中各分词词频ai、bi的构造词频向量(即综合相似度向量)，通过向量余弦值计算确定两个句子的相似性。
[0113]
进一步地，通过计算实体a和b在各属性上语义相似度与属性数量的比例，生成实体a，b的相似比例，其计算公式如下所示：
[0114][0115]
上式中，s
a，b
表示实体a，b的相似比例，s表示属性数量，s
a，b
介于0到1之间，越接近1表示两实体语义相似度越高。
[0116]
优化模块050用于将当前钢构生产预期匹配至工控实体关联网络中，生成优化工控方式。对于当前预期的钢构加工、运输和作业，确定涉及的数控机床、装卸设备、运输车辆、吊装设备、现场装配设备、施工监测设备等设备因素，以及物料、结构件、辅助件、配件等对象因素，以及指令因素、附加因素的至少一个因素映与工控实体关联网络匹配，确定上述因素在上述工控实体关联网络的多个实体。
[0117]
进一步，通过关联网络中实体间的关系执行评估，推导获得优化工控方式。
[0118]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。