一种生产现场异常处理知识推荐与知识更新的方法

技术领域

本发明涉及解决方案领域，特别涉及一种生产现场异常处理知识推荐与知识更新的方法。

背景技术

在生产制造型企业中，由于生产本身的复杂性和不可预测性时常导致设备、物料、质量、安全等异常情况发生，而异常诊断、处置大多依赖老师傅的经验进行，老师傅在长期生产实践中，积累了大量丰富的异常诊断经验。然而，这些经验仅存于专家头脑中，没有将这些企业珍贵的无形资产沉淀下来并在日常的工作中加以利用。而有些工厂的人员流动较大，有经验的人员离开后，宝贵的经验也被带走，新手工程师缺乏指导导致生产现场异常处置效率低，造成大量损失。

为了解决上述问题，市面上出现了一种方法，《一种辅助设备维修的系统及方法》，其原理是通过故障预处理，实现故障与维修人员的精确匹配，提高维修人员有效利用率。通过故障树结构预测可能存在的故障原因，缩短故障维修时间。

这种产品的缺点：①仅适用设备异常，而生产现场有可能出现的问题包括人、机、料、法、环等各方面。对于其他类型的异常，无法很好的支撑。②生产现场发生异常时，通常是综合因素导致的，若仅考虑设备，忽视了发生的背景：如制作什么产品，在哪条产线/工位发生等。则无法对异常发生的原因给出准确的预判。③针对设备内的异常，仅考虑了异常现象，未对设备型号、设备类型等维度做分析。若企业故障预处理模块本身不完善，则无法提供有效的维修方案。

发明内容

为了解决上述技术问题，本发明中披露了一种生产现场异常处理知识推荐与知识更新的方法，本发明的技术方案是这样实施的：

一种生产现场异常处理知识推荐与知识更新的方法，建立一套生产异常知识管理的软件系统，包括生产异常的解决方案推荐算法、异常处置树的完善和排查指引模块、自完善及推荐升级知识库；本方法通过使用该系统，当制造型企业生产现场出现异常问题时，该系统根据异常匹配算法自动推荐处置方案快速解决问题。

优选地，所述方法包括步骤如下，

S1，建立生产异常知识管理的软件系统；

S2，将自完善及推荐升级知识库嵌入上述系统；

S3，自完善及推荐升级知识库结合生产异常的解决方案推荐算法形成知识推荐；

S4，当生产现场发生异常问题，异常上报人通过移动端或电脑端在系统中进行异常问题上报；

S5，系统接收到上报信息，推送异常解决知识或引导异常处置人锁定异常原因；

S6，异常处置人通过自完善及推荐升级知识库中的推荐解决方案解决异常；

S7，系统发出询问，当前推荐解决方案是否能解决该异常问题；

S8，系统接收到异常处置人发出的异常问题解决信息，判断异常被解决，结束任务。

优选地，所述S5步骤包括，

S5.1，系统通过生产异常的解决方案推荐算法将异常解决知识推送给异常处置人；

S5.2，系统针对不同异常现象维护对应的异常处置树，在异常处置过程中，通过异常处置树的分级排查引导异常处置人锁定异常的原因并联动展示该原因对应的异常解决知识。

优选地，所述自完善及推荐升级知识库包括企业级知识库和系统级知识库，企业级知识库为企业拥有，系统级知识库为所有用户可查询的公共知识库。

优选地，所述系统包括自动搜索模块，当用户异常在企业级知识库和现有的系统级知识库的推荐解决方案中未发现匹配解决方案时，系统在网络中检索该异常问题的解决方案。

优选地，所述S2包括步骤如下，

S2.1，企业级知识创建，不同制造型企业将已有的经验知识录入或导入到该企业自有的企业级知识库中；

S2.2，系统级知识创建，系统内置不同行业的解决方案知识，同时，系统每日定时爬取专业网站的经典案例，进行数据清洗，再进行知识去重及格式化后变为知识更新至系统级知识库，经企业授权，该企业的企业级知识库信息更新至系统级知识库；

S2.3，知识审核：不同异常类型配置不同的审核人员，审核成功后知识正式入库。

优选地，所述知识推荐包括如下步骤，

S3.1，系统锁定异常现象和异常关联因子；所述异常关联因子包括发生异常的位置、异常设备和异常产品；所述异常现象包括异常大类、异常小类和异常描述；

S3.2，系统根据不同的异常大类自动匹配不同的算法逻辑；

S3.3，系统根据异常现象的相似度在企业级知识库和系统级知识库做异常解决知识优先级筛选；

S3.4，系统根据异常关联因子的相似度做不同优先级的异常解决知识推荐；

S3.5，系统在用户界面进行异常解决方案优先级排序展示。

优选地，还包括SN步骤，所述SN步骤包括，

SN.1，用户发现推荐解决方案无法解决当前异常；系统级知识库从网络爬取新的解决方案并提供给用户，同时更新企业级知识库和系统级知识库；

SN.2，用户发现异常问题无解决方案；系统级知识库从网络爬取新的解决方案并提供给用户，同时更新企业级知识库和系统级知识库；

SN.3，用户发现异常处置树中的引导无法找到异常问题；用户手动输入的异常问题排查路径；如用户已解决该异常，则输入该异常解决方案更新到企业级知识库，经用户授权，该知识同步更新至系统级知识库；如用户无法解决当前异常，系统级知识库从网络查找对应的解决方案并提供给用户，同时更新系统级知识库。

优选地，还包括SY，系统每日触发定时任务，定向针对白名单列表中的专业网站爬取生产异常的经典案例，首先进行数据清洗，然后将清洗后的数据进行分词后获取关键字，根据语义分析将关键字与系统中的异常进行匹配，最终进行知识去重后变为知识更新至系统知识库。

本发明优势如下：

1.一套生产异常知识管理的软件系统，可以运行在手机等移动设备和电脑端。生产异常的解决方案推荐算法、异常处置树的完善和排查指引、系统级知识自完善及推荐升级是该软件系统的核心组成部分。

2.本异常处置知识库系统分为企业级知识库以及系统级知识库，企业级知识库由企业自行维护。系统级知识库预存不同行业解决方案知识。同时，系统级每日定时针对专业网站爬取经典案例，再进行数据清洗，最终进行知识去重及格式化后变为知识，以实现知识的不断完善及快速迭代。

3.不同异常类型对应的审核人针对待入库的知识进行审核，审核成功后正式进入知识库。

4.当生产现场发生异常，系统自动告知该异常的重发次数并提供异常排查指引，引导新手工程师快速锁定问题发生的根本原因并自动关联处置方案，提高问题解决的效率。用户也可以主动完善异常处置树。

5.针对经验较多的师傅，系统根据匹配算法直接提示可能的原因以及解决方案。若企业已有知识库中未搜到匹配的解决方案，系统同时会在系统级知识库中进行搜索，以提高解决方案匹配的成功率。

附图说明

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种实施例，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。

其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。

图1为知识库管理的主流程图；

图2为实施例生产异常知识的结构图；

图3为实施例生产异常的方案推荐算法流程图；

图4为实施例生产异常处置树结构图；

图5为实施例生产异常处置树的更新流程图。

具体实施方式

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。

实施例

在一种具体的实施例中，如图1、图2、图3、图4、图5所示，一种生产现场异常处理知识推荐与知识更新的方法，建立一套生产异常知识管理的软件系统，包括生产异常的解决方案推荐算法、异常处置树的完善和排查指引模块、自完善及推荐升级知识库；本方法通过使用该系统，当制造型企业生产现场出现异常问题时，该系统根据异常匹配算法自动推荐处置方案快速解决问题。所述自完善及推荐升级知识库包括企业级知识库和系统级知识库，企业在日常生产异常处置过程中，不断完善异常处置树，且可以授权企业知识同步到系统级知识库中。系统级知识库每日定时从网络中爬取信息、信息去重、语义分析匹配后自动更新到系统级知识库中。同时当现有企业级知识库以及系统级知识库中没有合适的解决方案时，系统自动到网络上查询对应解决方案并同步到企业级知识库以及系统级知识库中。

所述方法包括步骤如下，

S1，建立生产异常知识管理的软件系统；

S2，将自完善及推荐升级知识库嵌入上述系统；

S2.1，企业级知识创建，不同行业的制造型企业将已有的经验知识录入或导入到该企业自有的企业级知识库中；

S2.2，系统级知识创建，系统内置不同行业的解决方案知识，同时，系统每日定时爬取专业网站的经典案例，进行数据清洗，再进行知识去重及格式化后变为知识更新至系统级知识库，经企业授权，该企业的企业级知识库信息更新至系统级知识库；

S2.3，知识审核：不同异常类型配置不同的审核人员，审核成功后知识正式入库。

S3，自完善及推荐升级知识库结合生产异常的解决方案推荐算法形成知识推荐；

S3.1，系统锁定异常现象和异常关联因子；所述异常关联因子包括发生异常的位置信息、关联设备和关联产品；所述异常现象包括异常大类、异常小类和异常描述；

S3.2，系统根据不同的异常大类自动匹配不同的算法逻辑；

S3.3，系统根据异常现象的相似度在企业级知识库和系统级知识库做异常解决知识优先级筛选；

S3.4，系统根据异常关联因子的相似度做不同优先级的异常解决知识推荐；

S3.5，系统在用户界面进行异常解决方案优先级排序展示。

S4，当生产现场发生异常问题，异常上报人通过移动端或电脑端在系统中进行异常问题上报；

S5，系统接受到上报信息，推送异常解决知识或引导异常处置人锁定异常原因；

S5.1，系统通过生产异常的解决方案推荐算法将异常解决知识推送给异常处置人；

S5.2，系统针对不同异常现象维护对应的异常处置树，在异常处置过程中，通过异常处置树的分级排查引导异常处置人锁定异常的原因并联动展示该原因对应的异常解决知识。

S6，异常处置人通过自完善及推荐升级知识库中的推荐解决方案解决异常；

S7，系统发出询问，当前推荐解决方案是否能解决该异常问题；

S8，系统接受到异常处置人发出的异常问题解决信息，判断异常被解决，结束任务。

还包括SN步骤，企业级知识库的更新；

SN.1，用户发现推荐解决方案无法解决当前异常；系统级知识库从网络爬取新的解决方案并提供给用户，同时更新企业级知识库和系统级知识库；

SN.2，用户发现异常问题无解决方案；系统级知识库从网络爬取新的解决方案并提供给用户，同时更新企业级知识库和系统级知识库；

SN.3，用户发现异常处置树中的引导无法找到异常问题；用户手动输入的异常问题排查路径；如用户已解决该异常，则输入该异常解决方案更新到企业级知识库，经用户授权，该知识同步更新至系统级知识库；如用户无法解决当前异常，系统级知识库从网络爬取新的解决方案并提供给用户，同时更新系统级知识库。

还包括SY，系统每日触发定时任务，定向针对白名单列表中的专业网站爬取生产异常的经典案例，首先进行数据清洗，然后将清洗后的数据进行分词后获取关键字，根据语义分析将关键字与系统中的异常进行匹配，最终进行知识去重后变为知识更新至系统知识库。

所述自完善及推荐升级知识库包括企业级知识库和系统级知识库，企业级知识库为企业拥有，系统级知识库为所有用户可查询的公共知识库。

所述系统包括自动搜索模块，当用户异常在企业级知识库和现有的系统级知识库的推荐解决方案中未发现匹配解决方案时，系统实时在网络中检索该异常问题的解决方案。

在本实施例中，系统级知识库可以看做一个公共知识池，可供企业查阅。同时在企业异常方案的推荐及检索中发挥作用。在推荐或检索时，系统会在记录前标注来源是“企业知识库”或“系统知识库”，企业级知识库为企业自用，企业级知识库新增的知识不会同步到系统级知识库中，除非拥有者授权。

以上为本实施例的原理，具体的，本实施例为生产异常知识推荐举例进行说明。

(1)知识管理的主流程

企业级知识创建：企业将已有的经验知识录入或导入到系统中。

系统级知识创建：系统内置不同行业的解决方案知识。同时，系统每日定时爬取专业网站的经典案例，进行数据清洗，再进行知识去重及格式化后变为知识，以实现知识的不断完善及快速迭代。

生产异常知识组成：如图2所示，生产异常知识主要包含异常的位置信息、异常现象、关联设备、关联产品。其中位置信息包含产线/区域、工位，异常现象包含异常大类、异常小类、异常描述，关联设备包含设备类型、规格型号、设备编码，关联产品包含物料类型、产品族、物料编码信息。此知识结构会作为后续知识推荐重要的数据结构支撑。

知识审核：不同异常类型可配置不同的审核人员，审核成功后知识正式入库。

知识推荐：生产现场发生异常后，系统根据异常类型判断当前异常是与设备、模具相关，还是与产品相关。不同异常类型对应的推荐算法不一样。以下示例及流程图以关联设备及关联产品的异常举例。如图3所示：

若发生的异常类型与设备相关异常，则首先匹配：异常大类、异常小类、异常描述一样的知识，在结果列表中再按照如下优先级进行排序：

P1-1：优先匹配关联因子完全一致的知识，即优先匹配设备因子、模具因子、产品因子、位置因子均一样的记录，

P1-2：然后匹配设备因子、产品因子一样的记录。

P1-3：最后匹配设备因子一样的记录。

在每个因子的算法规则中，具体匹配顺序如下：

①设备因子，优先匹配设备编码，然后匹配规格型号，最终匹配设备类型；

②产品因子，优先匹配物料编码，然后匹配产品族，最终匹配物料类型；

③位置因子，优先匹工位、然后匹配产线/区域；

对于满足同一规则的多条记录，则系统按照知识的应用频率进行倒序排列。

其次匹配P2：匹配异常大类、异常小类一样，异常描述不一样的知识和案例，在结果出的列表中再按照P1-1～P1-3的优先级进行筛选展示。

最后匹配P3：异常大类一样，异常小类、异常描述不一样的知识和案例，在查询出的结果列表中再按照P1-1～P1-3的优先级进行筛选展示。

若发生的异常是与产品相关异常，则首先匹配Q1：异常大类、异常小类、异常描述一样的知识与案例，在结果列表中再按照如下优先级进行排序：

Q1-1：优先匹配关联因子完全一致的知识，即优先匹配设备因子、产品因子、位置因子均一样的记录，

Q1-2：然后匹配产品因子、设备因子一样的记录。

Q1-3：最后匹配产品因子一样的记录。

在每个因子的算法规则中，具体匹配顺序如下：

①产品因子，优先匹配物料编码，然后匹配产品族，最终匹配物料类型；

②设备因子，优先匹配设备编码，然后匹配规格型号，最终匹配设备类型；

③位置因子，优先匹工位、然后匹配产线/区域；

对于满足同一规则的多条记录，则系统按照知识的应用频率进行倒序排列。

其次匹配Q2：异常大类和异常小类一样，异常描述不一样的记录，在结果列表中再按照Q1-1～Q1-3的优先级进行筛选。

最后匹配Q3：异常描述、异常小类不一样，但是异常大类一样的知识和案例，在结果列表中再按照Q1-1～Q1-3的优先级进行筛选。

每一条匹配规则的搜索范围：优先搜索企业级知识库中的匹配记录，若匹配失败，则继续在系统级知识库中查找。若搜索失败，则会继续下一条规则进行匹配。若所有的匹配规则失败，则系统自动在网络上查找相似问题的解决方案作为推荐。同时将查询到的解决方案加入到系统级知识库以及当前企业级知识库中。

异常排查指引和知识优化：如图4所示，系统针对不同异常现象维护对应的异常处置树，在异常处置过程中，通过异常处置树的分级排查可以引导用户快速锁定异常的根本原因，提升异常处置的效率。例如，生产现场出现发送机不启动的故障，新手维修工程师可查看系统推荐的排查指引，首先检查是A1：燃料不足、A2：压缩不足还是A3：无火花，通过检查发现是压缩不足导致，则进一步排查是由于R4：密封漏气、A4：活塞损坏还是R7：油管堵塞。通过检查发现是A4：活塞损坏导致，则进一步排查是由于R5：轴承咬合、还是R6：连接杆断裂。此时发现是由于R6：连接杆断裂导致的。至此，找到问题的根本原因，系统自动展示关联的解决方案：更换轴承。

知识的更新完善主要包含排查指引知识的丰富以及经典案例本身的丰富。经典案例本身的知识丰富又可分为企业级知识的丰富以及系统级知识的丰富。

排查指引知识的丰富：如果用户发现异常处置树中的引导无法解决当前异常，用户可以完善异常处置树，从而实现异常处置知识的不断更新、完善。例如，以上场景如果最后一步排查发现即不是R5：轴承咬合，也不是R6：连接杆断裂。用户发现是由于转动能量不足导致的，则用户可以优化异常处置树，增加转动能量不足的判断节点，从而找出根本原因为电池充电不足。

企业级知识的丰富：解决方案推荐时若在企业级知识中未成功匹配，则当前异常关闭后系统自动同步到企业级知识。扩大企业异常处置知识库的范围。完善后的异常处置树参看图5。

系统级知识的丰富：除了系统内置的针对不同行业的不同的异常处置知识。系统每日触发定时任务，定向针对指定列表中的专业网站爬取生产异常的经典案例，首先进行数据清洗，然后将清洗后的数据进行分词后获取关键字，根据语义分析将关键字与系统中的异常大类、小类、异常描述进行匹配，最终进行知识去重后变为知识，以实现系统级知识的不断完善及快速迭代。此外，企业级知识经过授权，可以同步到系统级知识库中。行业经验进行汇聚，共享。

本实施例帮助企业将异常处置经验作为珍贵的无形资产沉淀下来。在异常处置过程中，员工可不断完善异常处置树，完成知识的更新迭代；

在异常处置过程中提供异常排查指引，帮助异常处置人员快速进行问题排查，定位异常的根本原因，提高问题的处置效率，减少生产的损失；

在异常处置过程中提供异常处置方案，系统根据算法自动匹配异常处置方案，提高问题的处置效率，减少生产的损失；

通过不断爬取最新的异常经典案例，不断完善系统级的知识库。提高方案推荐的成功率。提升企业解决问题的效率。

需要指出的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。