主要内容包括：
1.智能制造的发展
2.质量与可靠性
3.根因分析法
4.知识图谱与归因分析
5.应用案例
分享嘉宾｜王文广 达观数据 副总裁
编辑整理｜闫宇
出品社区｜DataFun
01
智能制造的发展
智能制造是结合了智能机器与人类专家知识的智能化系统，在制造业生产环节中，进行智能活动，如分析，判断，推理与决策等。智能机器与人类活动的进一步融合，很大程度上拓展和延伸了人的劳动方式，将原始的自动化手段提高到了一个全新的水平。
在我国，智能制造的发展迅猛而影响广泛，自动化浪潮正汹涌袭来，智能制造已无处不在。根据A股工业富联的数据，截至2021年员工人数迎来五年的连续下跌，而对应的营业总收入则逐年攀高，由此可见，智能制造在传统的制造业巨大发展与影响。
02
质量与可靠性工程
1.重要性
质量与可靠性工程是制造业的一个非常重要的领域，它直接关系到企业生产产品的质量以及整个生产流程的可靠性与稳定性，同时也是生产流程中最关键的一个环节。也因此，在制造业中有句老话“产品质量和生产可靠性是制造业的生命线。”
在具体实践中，制造业中最核心的两个环节分别是：高水平的产品设计研发和高效且保质保量的生产制造。例如，在芯片制造领域，像华为海思或是高通致力于芯片的设计研发，像台积电则负责该领域的另一个重要环节，将设计进行高质量的生产。由此可见，质量与可靠性是制造业的生命线。
2.应用场景
质量与可靠性贯穿产品的全生命周期。
（1）产品规划
（2）产品设计与开发
（3）产品生产制造
（4）客户反馈
03
根因分析法
质量与可靠性工程内容丰富，涉及的技术众多。当生产过程出现失效时，根因分析是解决该问题的一个重要方法与手段。
1.根因分析介绍
根因分析旨在找到问题的根本原因，是分析问题、解决问题的一种“治本”的方式。根因分析的目标是防止故障的再次发生，它致力于解决“是什么导致了失效”的问题。在智能制造过程中，根因分析持续改善着制造流程，最大限度地减少故障率，是提升产品质量和生产可靠性的关键方法之一。
2.根因分析方法
鱼骨图是传统的进行根因分析使用的方法，除此之外，根因分析还可分为以下几种类别：
3.基于AI的根因分析方法的挑战
基于人工智能的根因分析是最新的方法，但人工智能根因分析方法也面临着多方面的困难与挑战。
04
知识图谱与根因分析
随着人工智能的不断发展，特别是借助如知识图谱，因果推断等新技术，机器智能迎来了从感知智能到认知智能的转变。对于传统制造业积累的经验与知识，在认知智能技术的推动下，能够进一步的挖掘其内容，创造新的价值。
近几年关于知识图谱的研究不断深入，该领域目前已跨越认知鸿沟，进入了产业落地的阶段。
1.知识图谱
（1）技术体系
知识图谱技术一般由五个重要部分组成，分别为：模式设计与管理、构建技术、存储技术、应用技术和用户接口与界面。在模式设计的基础下，应用构建技术设计智能模型，对设计好的模型借助存储技术进行计算与部署，然后在应用技术层面去完成具体的应用，最后通过接口与界面呈现给用户进行使用。
此外，感兴趣的同学可以关注王文广老师的著作《知识图谱：认知智能理论与实战》做进一步的钻研与学习。
（2）知识计算与知识推理
在制造业根因分析中，常用的知识计算与推理的方法有很多，如路径分析，演绎推理，社区分类，深度学习、几何嵌入、中心性分析等。具体的算法如下图。
2.基于知识图谱的根因分析框架
基于知识图谱的根因分析框架是达观数据将知识图谱运用到根因分析上很重要的产品方向。该框架的核心是将企业中积累的故障分析有关的材料以及原始数据构造知识图谱。在构造过程中，会从不同的环节，如人机料法环测，算法，功能，指标、法规等进行考量。
在构造好知识图谱的前提下，借助统计分析、人机协同与智能推断的手段，来具体地生成可应用的根因分析方法。
知识图谱的引入，串联了失效的各个维度与环节，如产品、设备、研发、生产等都与失效有关。
①应用FMEA知识图谱的根因分析
FMEA是失效分析领域应用十分广泛的一种分析方法，它的核心是在故障发生前，在不同环节可能产生故障的地方进行检测与修复，从而保证生产的可靠性。
FMEA通过建立资料信息关联，提升资料获取即时性，能够有效改善制程缺陷与良率，降低可靠性风险。FMEA的失效预防机制，自动收集失效模式及相关信息生成初始FMEA，关联失效分析经验推送新知识，促进FMEA完善；FMEA的失效分析是制造和售后环节的品质管理中最重要的工作，它打破了资料孤岛现象，自动收集全面的关联资料，总结相关历史失效分析经验，引导工程师分析失效根因，推荐失效改善方法。
具体的，在FMEA中，当涉及到与失效有关的分析时，我们需要对失效的模式，失效的后果，失效发生的原因以及失效检查方法进行分析。在引入知识图谱后，我们可以将上述信息提取到知识图谱模型中，帮助使用者更快的分析原因，并给出相应的解决方案。
②结合FTA智能定位故障
FTA是故障树分析法，在实际应用中，故障树可能高达上百层，涵盖众多故障处理内容。FTA的核心是通过故障树，结合发生故障的表象和树结构中的逻辑关系，逐层探索直至找到发生故障的根本原因。
对于FTA，我们可以从两个方面入手优化，一是历史发生故障的现象自动地搜索产生故障的原因，当存在多个潜在原因时，通过贝叶斯统计的方法，计算出故障原因的概率，对所有潜在原因的概率进行排序，从而找到最佳方案；二是，可以根据工单系统或者故障分析报告，自动地去完善故障树，例如，当出现一些新的情况时，我们可以对故障树进行更新完善。
在故障树分析中，基于历史工单数据统计，使用贝叶斯理论计算从树中某个事件的开始计算出事件的概率，来代替专家的概率估计，从而使得结果更加可靠且具备可解释性。
③演绎推理追溯根因
在构造知识图谱时，会提前构造好知识图谱的模式，在此模式中会包含着故障发生的逻辑，根据逻辑，可以编写演绎推理的规则。当对知识图谱进行实例化时，由实例化得到的实体结合演绎推理的规则，可实现零部件层级追溯和故障原因追溯。
④统计关联分析
对于一个复杂系统，如汽车、飞机等，包含百万级别的部件。对于该系统中，每个零部件产生失效的概率是不一样的。在已建立的知识图谱中，我们可以使用数据统计，来自动化地完成频次统计、帕累托分析等方法，从而对工单中的失效模式进行要素关联分析。
具体的，针对某个高故障率的零件，我们可以对它产生故障的原因进行一步步地深入挖掘。如是否由于该零件来自某个特定的供应商，由此牵扯到我们对该供应商的相关采购管理，从根源上解决故障。
⑤共因原则与人际系统分析
共因原则是如果两个随机变量统 X,Y 计独立，并存在一个随机变量Z同时对原先的两个变量产生影响，第三个变量就是前两个变量的共因。
当发现两个故障“同时”发生的概率比各自独立发生的概率更高时，根据共因原则，有某个原因引发了这两故障的发生。然后，基于知识图谱的可视化分析，协助工程师快速找到共同的要素，进而确定故障发生的真正原因。
05
应用案例
1.基于R-GCN的针对多道工序的复杂制造的归因分析
我们可以建立图神经网络模型R-GCN来处理复杂制造的归因分析问题。针对流程中的多道工序，提取每个过程与工序的依赖关系，将其迁移到知识图谱模型中，并且结合不同工序设计的人机料法环测等细粒度要素、产品BOM结构等，进一步丰富与完善知识图谱。
通过R-GCN对知识图谱的建模，可以为专业人员提供必要的分析依据，用于辅助故障的归因分析。
2.达观知识图谱应用
达观数据融合了文本语义解析、问答技术，为制造业企业提供了人机交互形式的产品，帮助其充分利用积累下来的知识和经验，更高效地进行归因分析。
首先，采用问答的交互模型，从语义上智能的理解输入信息，并从失效模式知识图谱中找到所需知识。如可以提问：引起电池内阻增大的可能原因有哪些？知识图谱经过搜索后，给出相应回答。
其次，融合了先进的用户画像与推荐技术，实现了对用户背景的理解，可以更精确的为用户推荐所需知识。
第三，结合画像技术、推荐技术和知识图谱技术，为工程师的自主学习、个性化学习提供强大的支撑，助理工程师快速成长。
最后，全面融入失效分析的各个换机，便携的帮助用户更好的实现失效分析和FMEA制作，同时自然地沉淀知识。
06
Q&A
Q1：达观数据是如何运用知识图谱技术找到不同制造行业的最大公约数的？
A1: 这个问题是所有想要去做产业应用都会去关心的问题，并且这不仅仅局限在制造业。与To C相比，最大的问题是数据的缺乏，例如，在制造业中做的故障分析，用于解决这些问题用到的数据都是各个企业长期积累的核心材料数据。出于数据安全和知识产权的考虑，第三方公司往往很难拿到这些数据作为自己的储备。因此，在这种前提下，我们可以做的，一是充分利用学术界与工业的研究成果，做出一些具有通用性功能的模型，如一些预训练模型等，二是针对一些领域性较强的问题，如汽车行业等，我们无法获取企业内部的数据与资料，但是可以从整个行业出发，做一些积累，如做一些汽车行业的语料库或是针对汽车领域的预训练模型的优化。另外是多做一些人机协同的方法，如界面交互等，去帮企业内部人把他们的数据输入到模型里面。
Q2：关于根因分析系统的搭建有没有一些最佳实践可以参考？
A2：关于根因分析系统的搭建，核心问题是企业内部数据的梳理。在制造业中，整个生产流程是很长的，因此它的知识和经验是分散在不同系统里面的，比如有些是在设计文档中，有些是在工单系统中。其次，就是在算法层面一般是选择最合适的算法，而不是最新的。模型会考虑到效率，少样本以及数据本身的质量问题等。最后就是充分利用好人机协同，最大程度的发挥工程师本身的知识优势，融合进系统中去。
Q3：在制造业故障分析中，如何将一个领域的知识很好的迁移到另一个领域？
A3：近似的领域是可以复用的，非近似领域几乎很难提供价值。例如，汽车行业内，如果将丰田汽车的数据迁移到上汽，北汽是很有意义的。但是将汽车领域的知识迁移到芯片制造领域，可能意义就不是很大了。
Q4：知识图谱的落地设计到导入成本，我们如何说服客户用基于AI的方法替代他们原本使用的传统框架？以及如何去评价知识图谱的精度和取信于用户？
A4：首先，对于我们制作的系统是否可以提供更高的价值，一方面是以前做不到的，是否现在能做到，另一方面是以前能做到的，现在能不能更高效的做到。只有满足这两方面的中某一个，对于客户才有使用的理由和价值。其次，对于精度的问题，在制造业的场景下，比如我们做的质量与可靠性工程中，可用的文档资料是有限的，因此是可以借助人工审核的方式，确保这个工作是百分百合格的，这样做的成本是在可接受范围内的。那么我们只需在AI完成相应的工作后，再配合人工来充分保证精度。但是，当涉及到一些外部数据时，比如爬取的数据，论文和舆情等，这些数据一般都是比较大的，因此我们可以向客户保证，我们可以在他们原本的基础上做到一个更高的结果，从而取信于用户。
今天的分享就到这里，谢谢大家。
联系客服
