用于为材料清单修订提供推荐的方法和系统

技术领域

本发明涉及随时间来改变/更新产品-组件结构。

背景技术

在质量管理领域中，产品-组件结构被称为材料清单(bill of material)(BoM)，其包括制造最终产品所需的所有子组装件和组件。

评估大量频繁引入的新组件针对某些产品(例如电阻器)的适用性(suitability)是困难的。认识到某些产品结构是否必须被修订(revise)以及它们必须如何被修订是关键需求。领域专家负责在产品工程领域中进行这些改变/修订。

材料清单修订过程的示例是具有子组件结构(硬盘、处理器、主板等)的台式PC，其中处理器被后继版本(successor version)所替换。改进该台式PC(例如，以增加其寿命终止日期)是由领域专家布置的手动修订任务。对于不同的产品，材料清单结构也可能非常深和/或非常宽。

J.C.Hernández Matías、H.Pérez García、J.Pérez García、A.VizánIdoipe：Automatic generation of a bill of materials based on attribute patterns withvariant specifications in a customer-oriented environment，Journal ofMaterials Processing Technology，第199卷，第1-3期，2008年4月1日，第431-436页，公开了自动生成材料清单的方法。

发明内容

本发明的目的是标识现有技术中的问题并找到针对该问题的技术解决方案。

本发明的目的由独立权利要求解决。本发明的进一步有利的布置和实施例在相应的从属权利要求中阐述。

根据用于为材料清单修订提供推荐的方法，以下操作由模块来执行，其中所述模块是硬件模块和/或由一个或多个处理器执行的软件模块：

-在数据库中并且针对产品的集合来存储材料清单，其中

-每个材料清单由包含组件以及所述产品之一的层级式图形(hierarchicalgraph)来表示，以及

-特别地，针对所述产品中的每一个，以不同的时间戳来存储若干个材料清单，

-由模式学习模块来处理所存储的材料清单以学习模式，

-其中所述模式中的至少一些是时间模式，所述时间模式是通过如下方式被学习的：针对多次迭代，

-从具有随后时间戳的两个材料清单中对所述产品之一的子图形序列进行随机采样，以及

-计算置信度值，其中所述置信度值指示子图形序列在材料清单中或材料清单的子集中出现的概率，

其中每个时间模式包含子图形序列及其置信度值，

和/或

-其中所述模式中的至少一些是结构模式，所述结构模式是通过如下方式被学习的：针对多次迭代，

-从材料清单之一中对子图形进行随机采样，以及

-计算置信度值，其中所述置信度值指示子图形在材料清单中或材料清单的子集中出现的概率，

其中每个结构模式包含子图形之一及其置信度值，

-由将所述模式应用于感兴趣的产品的当前材料清单的模式应用模块来预测推荐，其中每个推荐指示当前材料清单应当如何被更新，特别是通过将组件添加到当前材料清单或者替换当前材料清单中的组件，以及

-由用户界面来输出所述推荐连同所应用的模式和它们的置信度值。

用于为材料清单修订提供推荐的系统，包括以下模块，其中所述模块是硬件模块和/或由一个或多个处理器执行的软件模块：

-数据库，其针对产品的集合来存储材料清单，其中

-每个材料清单由包含组件以及所述产品之一的层级式图形来表示，以及

-特别地，针对所述产品中的每一个，以不同的时间戳来存储若干个材料清单，

-模式学习模块，其被配置用于处理所存储的材料清单以学习模式，

-其中所述模式中的至少一些是时间模式，所述时间模式是通过如下方式被学习的：针对多次迭代，

-从具有随后时间戳的两个材料清单中对所述产品之一的子图形序列进行随机采样，以及

-计算置信度值，其中所述置信度值指示子图形序列在材料清单中或材料清单的子集中出现的概率，

其中每个时间模式包含子图形序列及其置信度值，

和/或

-其中所述模式中的至少一些是结构模式，所述结构模式是通过如下方式被学习的：针对多次迭代，

-从材料清单之一中对子图形进行随机采样，以及

-计算置信度值，其中所述置信度值指示子图形在材料清单中或材料清单的子集中出现的概率，

其中每个结构模式包含子图形之一及其置信度值，

-模式应用模块，其被配置用于将所述模式应用于感兴趣的产品的当前材料清单，以及用于预测推荐，其中每个推荐指示当前材料清单应当如何被更新，特别是通过将组件添加到当前材料清单或者替换当前材料清单中的组件，以及

-用户界面，其被配置用于输出所述推荐连同所应用的模式和它们的置信度值。

以下优点和解释不一定是独立权利要求的目的的结果。而是，它们可能是仅适用于某些实施例或变型的优点和解释。

结合本发明，除非在说明书中另外声明，否则术语“训练”、“生成”、“计算机辅助”、“计算”、“确定”、“推理(reasoning)”、“再训练”等等优选地涉及改变和/或生成数据和/或将数据转换成其他数据的动作和/或过程和/或处理步骤，该数据特别是或者能够被表示为物理量，例如电脉冲。

术语“计算机”应当尽可能宽泛地解释，特别是覆盖具有数据处理性质的所有电子设备。因此，计算机可以例如是个人计算机、服务器、客户端、可编程逻辑控制器(PLC)、手持式计算机系统、袖珍PC设备、移动无线电设备、智能电话、可以利用计算机支持来处理数据的设备或任何其他通信设备、处理器以及用于数据处理的其他电子设备。计算机可以特别地包括一个或多个处理器和存储器单元。

结合本发明，“存储器”、“存储器单元”或“存储器模块”等等可以意指例如以随机存取存储器(RAM)的形式的易失性存储器、或诸如硬盘或磁盘之类的永久性存储器。

该方法和系统、或者它们的实施例中的至少一些提供了预测针对产品的修订的自动化框架。

该方法和系统、或者它们的实施例中的至少一些有助于避免将很可能负面地影响产品和成本性能的改变需求的晚期识别。因此，该方法和系统、或者它们的实施例中的至少一些有助于提高产品质量。

自动地评估改变需求减少了由领域专家在这些任务上花费的时间，这节省了内部成本。

领域专家的知识是不可容易共享的，并且专业知识被限于公司中的少数人，当领域专家离开公司时，所述专业知识就丢失了。此外，领域专家是有限的资源，并且可能没有足够的时间或知识可用于以及时的方式进行必要的更新或根本不进行必要的更新。此外，信息可能被领域专家遗漏(miss)，并且修订可能来得太晚。该方法和系统、或者它们的实施例中的至少一些提供了对这些缺陷的缓解。

具有用于启用适当修订的自动化框架通过更短的上市时间、更低的维护成本以及在标识改变需求上花费的更少的工作时间来节省成本。该方法和系统、或者它们的实施例中的至少一些有助于克服产品的修订过程中的无效性(inefficacy)。

该方法和系统、或者它们的实施例中的至少一些提供了材料清单修订预测器，该预测器从历史材料清单数据中导出模式，并且将它们应用于预测。

该方法和系统、或者它们的实施例中的至少一些提供了自动化修订预测框架。通过时间模式的学习和应用，实施例中的一些利用过去的信息来对相似产品做出预测，同时利用产品上下文组件结构和附加信息来标识相似性。可以向领域专家揭示相似产品结构的共同演变，同时及时地标识改变需求。

此外，不同的材料清单(不同的产品，例如，用于另一个应用的控制面板)可以获得(source)相同的子组装件或组件，使得它们可以具有共享的部件，从而给出关于产品之间的相似性的指示。

在该方法和系统的实施例中，如果模式的置信度值低于阈值，则丢弃该模式。

在该方法和系统的实施例中，每个产品具有产品类型，并且在每次迭代期间，所述置信度值通过如下方式来计算：搜索所述模式在相同产品类型的所有其他材料清单中的出现，以及将出现的次数除以相同产品类型的材料清单的总数。

该方法的实施例包括通过聚类算法来标识材料清单的聚类的初始步骤。在每次迭代期间，所述置信度值通过如下方式来计算：搜索所述模式在相同聚类中的所有其他材料清单中的出现，以及将出现的次数除以相同聚类中的材料清单的总数。

计算机程序产品具有用于执行所述方法的程序指令。

计算机程序产品的供应设备存储和/或提供计算机程序产品。

附图说明

本发明的前述和其他方面当结合附图阅读时从以下详细描述中被最好地理解。出于说明本发明的目的，在附图中示出了目前优选的实施例，然而，要理解的是，本发明不限于所公开的具体手段。实施例可以彼此组合。此外，实施例可以与上述特征中的任何特征组合。除非另有声明，否则在附图之间，相同的附图标记表示相同的特征或功能上相同的元件。附图中包括的是以下各图：

图1示出了第一实施例，

图2示出了另一个实施例，

图3示出了材料清单BM，

图4示出了用于为材料清单修订提供推荐的总体框架，

图5示出了用于为材料清单修订提供推荐的方法的可能示例性实施例的流程图。

具体实施方式

在以下描述中，将描述本发明及其实施例的各种方面。然而，本领域技术人员将理解，实施例可以仅用其一些或所有方面来实践。出于解释的目的，阐述了具体的数字和配置，以便提供透彻的理解。然而，对于本领域技术人员来说也将清楚的是，可以在没有这些具体细节的情况下实践所述实施例。

所描述的模块可以均是硬件模块或软件模块。例如，软件模块可以是软件库；个体过程、子例程或函数；或者取决于编程范例，实现软件模块的函数的软件代码的任何其他部分。特别地，如果根据本发明的效果中的一些优选地专门由专用硬件(例如，以ASIC或FPGA的形式的处理器)来实现，而一些其他部分由软件来实现，则可以出现硬件模块和软件模块的组合。

图1示出了本发明的计算机实现的一个样本结构，其包括：

(101)计算机系统

(102)处理器

(103)存储器

(104)计算机程序(产品)

(105)用户界面

在本发明的该实施例中，计算机程序104包括用于执行本发明的程序指令。计算机程序104被存储在存储器103中，除了其他之外，这使得该存储器和/或其相关的计算机系统101成为计算机程序104的供应设备。计算机系统101可以通过由处理器102执行计算机程序104的程序指令来执行本发明。本发明的结果可以被呈现在用户界面105上。替代地，它们可以被存储在存储器103中或用于存储数据的另一个合适的装置上。

图2示出了本发明的计算机实现的另一个样本结构，其包括：

(201)供应设备

(202)计算机程序(产品)

(203)计算机网络/互联网

(204)计算机系统

(205)移动设备/智能电话

在该实施例中，供应设备201存储计算机程序202，该计算机程序202包括用于执行本发明的程序指令。供应设备201经由计算机网络/互联网203提供计算机程序202。作为示例，计算机系统204或移动设备/智能电话205可以加载计算机程序202，并且通过执行计算机程序202的程序指令来执行本发明。

在该实施例的变型中，供应设备201是存储计算机程序202的计算机可读存储介质，例如SD卡，并且直接连接到计算机系统204或移动设备/智能电话205，以便它加载计算机程序202并且通过执行计算机程序202的程序指令来执行本发明。

优选地，图3至图5中所示的实施例可以用如图1或图2中所示的结构来实现。

图3以图形表示示出了产品P的材料清单BM，该产品P是控制面板。令产品P的材料清单BM以如图3中所示的层级式图形(或树)的形式被给出，其中顶部节点表示产品P，下一级别子组装件SA，以及最低级别组件C1、C2，其中每个节点(除了顶部节点)根据材料清单BM连接到上部(upper)层级式级别中的节点。

对于每个产品，对应的材料清单可用于离散数量的时间戳

模式学习

令{p

对子图形(模式)进行采样的过程可以被重复达M次，从而产生最多M个独特的模式。在学习步骤之后，该实施例产生具有其对应置信度值的模式的列表。为了仅考虑相关的模式，仅能够以最小置信度来保持所述模式。

结构模式

子图形是从随机材料清单被采样的，例如，边(CPU、HDD)是从

时间模式

该实施例将时间模式定义为从来自两个随后时间戳的材料清单(诸如

模式应用

模式被应用于感兴趣的产品的当前材料清单，以预测产品-组件结构中的改变。感兴趣的产品可以是新的或已知的，即，来自感兴趣的产品的材料清单是学习步骤的一部分。将结构模式和/或时间模式与感兴趣的产品的当前材料清单进行比较，并且基于所述模式来推荐改变。例如，如果几乎所有的计算机都包含HDD，则也将为该计算机的新版本推荐HDD。然而，如果实施例检测到HDD在随后时间戳处经常被SSD所替换，则SSD可能是更好的推荐。

最终，该实施例得出了用于修订感兴趣的产品的当前材料清单的推荐的列表，这可以涉及添加组件、替换部件等。感兴趣的产品可以从已知产品中选择(来自感兴趣的产品的材料清单是学习步骤的一部分)，以用于该产品的进一步演变。替代地，可以选择新的但类似的感兴趣的产品，例如代替于台式计算机而选择膝上型计算机。可以集成领域知识来标识用于模式应用的产品组。

部署过程

用于模式学习和模式应用的算法应当在具有图形用户界面的工具中实现。产品设计者将产品的当前材料清单输入到该工具中，并且接收推荐列表连同对应的所应用的模式和它们的置信度。所述推荐按递减的置信度来排序，使得具有高置信度的推荐应当首先被考虑。设计者可以选择一个推荐，更新材料清单，并且在稍后的时间点处重复该过程，如果必要的话。

在图4中示出了用于为材料清单修订提供推荐的总体框架。数据库DB针对产品的集合来存储材料清单BM1、BM2，其中每个材料清单BM1、BM2由如图3中所示的层级式图形来表示。针对产品中的每一个，以不同的时间戳Time＝1…Time＝T来存储若干个材料清单。模式学习模块PL被配置用于处理所存储的材料清单以学习模式PCS，模式PCS还包含置信度值。用户界面UI从用户接收感兴趣的产品的当前材料清单。模式应用模块PA被配置用于将模式PCS应用于感兴趣的产品的当前材料清单，以及用于预测推荐R，其中每个推荐R指示当前材料清单应当如何被更新，特别是通过将组件添加到当前材料清单或者替换当前材料清单中的组件。用户界面UI被配置用于输出推荐R连同所应用的模式和它们的置信度值。此外，用户界面可以用推荐修订的材料清单RBM来可视化对当前材料清单的推荐修订，这是图形可视化。

Christian Meilicke、Melisachew Wudage Chekol、Daniel Ruffinelli和HeinerStuckenschmidt的Anytime Bottom-Up Rule Learning for Knowledge GraphCompletion，IJCAI 2019公开了可以在静态知识图(knowledge graph)上学习和应用规则的AnyBURL算法。该文档的全部内容通过引用并入本文中。

模式学习模块PL和模式应用模块PA可以使用AnyBURL算法来实现，其中AnyBURL被分离地应用于数据库DB中的每个材料清单BM1、BM2以学习模式，作为每个材料清单BM1、BM2内的规则。可以向每个规则(模式)指派类别标签(例如，计算机)。使用类别标签，规则(模式)可以在应用期间由模式应用模块PA来过滤，该模式应用模块PA可以将规则(模式)直接应用到感兴趣的产品的当前材料清单。

Yushan Liu、Yunpu Ma、Marcel Hildebrandt、Mitchell Joblin和Volker Tresp的TLogic：Temporal Logical Rules for Explainable Link Forecasting on TemporalKnowledge Graphs，AAAI 2022公开了可以在时间知识图上学习和应用规则的TLogic算法。该文档的全部内容通过引用并入本文中。

除了AnyBURL之外或者作为对AnyBURL的替代，模式学习模块PL和模式应用模块PA可以使用TLogic算法来实现，该算法可以被应用于数据库DB中的材料清单BM1、BM2的序列，以学习作为规则的模式。为了便于学习，可以将数据库DB中具有不同时间戳的若干个材料清单BM1、BM2集成到在边上被添加有时间戳的单个知识图中。可以向每个规则(模式)指派类别标签(例如，计算机)。使用类别标签，规则(模式)可以在应用期间由模式应用模块PA来过滤，该模式应用模块PA可以将规则(模式)直接应用到感兴趣的产品的当前材料清单。

图5示出了用于为材料清单修订提供推荐的方法的可能示例性实施例的流程图。该流程图示出了由模块执行的以下操作，并且其中所述模块是由一个或多个处理器执行的软件模块和/或硬件模块。

存储操作OP1将产品的集合的材料清单存储在数据库中。每个材料清单由如图3中所示的层级式图形来表示。有利的是，针对产品中的每一个，以不同的时间戳来存储若干个材料清单。

在处理操作OP2中，模式学习模块处理所存储的材料清单以学习模式。所述模式中的至少一些是时间模式，所述时间模式是通过如下方式被学习的：针对多次迭代，从具有随后时间戳的两个材料清单中对产品之一的子图形序列进行随机采样并且计算置信度值，其中置信度值指示子图形序列在材料清单中或材料清单的子集中出现的概率，其中每个时间模式包含子图形序列及其置信度值。

此外或者作为替代，所述模式中的至少一些是结构模式，所述结构模式是通过如下方式被学习的：针对多次迭代，从材料清单之一中对子图形进行随机采样并且计算置信度值，其中置信度值指示子图形在材料清单中或材料清单的子集中出现的概率，其中每个结构模式包含子图形之一及其置信度值。

在接收操作OP3中，用户界面从用户接收感兴趣的产品的当前材料清单。

在预测操作OP4中，将所述模式应用于当前材料清单的模式应用模块预测推荐，其中每个推荐指示当前材料清单应当如何被更新，特别是通过将组件添加到当前材料清单或者替换当前材料清单中的组件。

在输出操作OP5中，用户界面输出所述推荐连同所应用的模式和它们的置信度值。

然后，工作流可以结束或返回到接收操作OP3，其中所修订的材料清单被接收，所修订的材料清单并入了基于所述推荐的一个或多个修订。然后，所修订的材料清单可以由模式应用模块使用以提供进一步的推荐。

例如，该方法可以由一个或多个处理器执行。处理器的示例包括微控制器或微处理器、专用集成电路(ASIC)或神经形态微芯片，特别是神经形态处理器单元。处理器可以是任何种类的计算机(包括诸如平板计算机、智能电话或膝上型电脑之类的移动计算设备)的一部分，或者可以是控制室或云中的服务器的一部分。

上面描述的方法可以经由计算机程序产品来实现，该计算机程序产品包括其上存储有可由计算系统的一个或多个处理器执行的指令的一个或多个计算机可读存储介质。指令的执行使得计算系统执行与上面描述的方法的动作相对应的操作。

用于实现本文中描述的过程或方法的指令可以在非暂时性计算机可读存储介质或存储器(诸如高速缓存、缓冲器、RAM、闪存、可移除介质、硬盘驱动器或其他计算机可读存储介质)上提供。计算机可读存储介质包括各种类型的易失性和非易失性存储介质。可以响应于存储在计算机可读存储介质中或存储在其上的一个或多个指令集来执行附图中所图示或本文中所描述的功能、动作或任务。所述功能、动作或任务可以独立于特定类型的指令集、存储介质、处理器或处理策略，并且可以由单独或组合地操作的软件、硬件、集成电路、固件、微代码等等来执行。同样地，处理策略可以包括多处理、多任务、并行处理等等。

已经参考本发明的实施例和示例详细描述了本发明。然而，在由权利要求覆盖的本发明的精神和范围内，可以进行变化和修改。作为替代表达的短语“A、B和C中的至少一个”可以规定：可以使用A、B和C中的一个或多个。