ChatBI OEE — 智能制造 OEE 分析平台

传统仪表盘 + AI 对话分析，智能对话式的OEE可视化分析平台

制造业的 OEE（Overall Equipment Effectiveness，设备综合效率）分析长期依赖固定报表和预设图表，业务人员难以灵活下钻和自由探索数据。ChatBI OEE 将 传统 BI 仪表盘 与 基于自然语言的智能对话分析 融合为一体：

仪表盘模式 — 提供 OEE 概览、趋势分析、设备排名、停机分析、六大损失等经典可视化面板，支持产线筛选与时间范围切换，满足日常监控与管理汇报需求
对话模式 — 用户以中文自然语言提问（如"哪台设备的停机时间最长？"），系统通过 NL2SQL 自动生成 SQL、执行查询、解读结果并推荐最佳图表，实现零门槛的数据探索

在 NL2SQL 工程层面，本项目聚焦于 Schema 注入方案的实践，采用 元数据表集中管理（Level 3） 策略，将表结构、字段语义、业务规则统一存储在 schema_metadata 表中，运行时动态构建 Prompt，兼顾可维护性与 NL2SQL 准确率。

演示视频

点击观看完整演示视频

功能特性

对话式智能分析

自然语言查询 — 输入中文问题，AI 自动生成 SQL 并执行，无需了解数据库结构
多轮对话记忆 — 支持最近 5 轮上下文追问，如"上个月呢？""按车间拆分"
智能图表推荐 — LLM 根据数据特征自动选择最佳图表类型，支持颜色分类图例
结果解读 — AI 对查询结果进行业务解读，给出数据洞察而非仅展示数字

OEE 可视化仪表盘

四大指标概览 — OEE、可用率、性能率、质量率仪表盘，一目了然
趋势分析 — 支持按天/周/月聚合，世界级 OEE 85% 达标线标注
产线筛选 — 仪表盘全局产线过滤，按需聚焦分析
设备排名 & 车间对比 — 横向对比设备效率与车间表现
停机分析 — 停机原因分布饼图 + 设备停机时长排名
六大损失 — 可用性/性能/质量三维度损失量化

工程能力

SQL 安全校验 — 白名单 + 黑名单双重防护，仅允许 SELECT 查询
Schema 元数据管理 — 表结构语义集中维护，支持动态更新无需重启
降级兜底 — 保留硬编码 Schema 作为降级方案，元数据表不可用时自动回退

技术栈

层级	技术	说明
LLM	通义千问 (Qwen)	DashScope API，NL2SQL + 结果解读 + 图表推荐
后端	FastAPI	REST API 服务，CORS 跨域支持
前端	Streamlit	多页面应用，对话 + 仪表盘双模式
数据库	MySQL 8.0+	生产数据存储 + OEE 计算视图
数据访问	SQLAlchemy	连接池管理 + 原生 SQL 执行
可视化	Plotly	6 种图表类型自动渲染

项目结构

ChatBI_OEE/
├── backend/                          # 后端服务
│   ├── app/
│   │   ├── main.py                   # FastAPI 入口
│   │   ├── config.py                 # 环境变量配置
│   │   ├── models/
│   │   │   └── database.py           # ORM 模型 (含 SchemaMetadata)
│   │   ├── services/
│   │   │   ├── llm_service.py        # 通义千问 API 封装
│   │   │   ├── nl2sql.py             # NL2SQL 核心引擎
│   │   │   ├── db_service.py         # SQL 执行 + Schema 动态构建
│   │   │   └── oee_calculator.py     # OEE 预定义查询
│   │   ├── api/
│   │   │   └── routes.py             # 7 个 REST API 端点
│   │   └── prompts/
│   │       └── nl2sql_prompt.py      # 三套 Prompt 模板
│   └── requirements.txt
├── frontend/                         # 前端应用
│   ├── app.py                        # Streamlit 主页
│   ├── pages/
│   │   ├── 1_💬_对话查询.py           # 对话查询页面
│   │   └── 2_📈_OEE仪表盘.py         # OEE 仪表盘页面
│   ├── components/
│   │   ├── charts.py                 # Plotly 图表组件 (6种)
│   │   └── sidebar.py                # 侧边栏组件
│   └── requirements.txt
├── database/
│   ├── schema.sql                    # 建表 + 元数据表 + OEE 视图
│   ├── seed_data.sql                 # 3 个月模拟生产数据
│   └── schema_metadata_seed.sql      # Schema 元数据种子数据
├── .env.example                      # 环境变量模板
└── README.md

系统架构

整体架构

graph TB
    U(["用户"])

    subgraph Frontend["前端 Streamlit"]
        Chat["对话查询\n自然语言提问 / 多轮对话"]
        Dashboard["OEE 仪表盘\n概览 / 趋势 / 排名 / 停机 / 损失"]
        Charts["图表引擎\nPlotly 6 种图表自动渲染"]
    end

    subgraph Backend["后端 FastAPI"]
        API["REST API\n7 个端点 / CORS"]
        NL2SQL["NL2SQL 引擎\nPrompt 构建 / SQL 清洗 / 安全校验"]
        SchemaBuilder["Schema 构建器\n元数据动态加载 / TTL 缓存"]
        OEECalc["OEE 计算器\n预定义查询 / 产线筛选"]
    end

    subgraph External["外部服务"]
        LLM["通义千问 Qwen\nDashScope API"]
    end

    subgraph DB["MySQL 数据库"]
        BizData[("业务数据\n设备 / 产品 / 生产记录\n停机记录 / OEE 视图")]
        Meta[("schema_metadata\n表字段语义 / 业务规则\n示例值 / 排序权重")]
    end

    U --> Chat
    U --> Dashboard
    Chat --> API
    Dashboard --> API
    API --> NL2SQL
    API --> OEECalc
    NL2SQL --> SchemaBuilder
    SchemaBuilder -->|动态读取| Meta
    NL2SQL -->|1 生成SQL| LLM
    NL2SQL -->|2 执行SQL| BizData
    NL2SQL -->|3 解读结果| LLM
    NL2SQL -->|4 推荐图表| LLM
    OEECalc --> BizData
    API --> Charts
    Charts --> U

    style Frontend fill:#e8f4fd,stroke:#2196f3,stroke-width:2px
    style Backend fill:#fff3e0,stroke:#ff9800,stroke-width:2px
    style DB fill:#e8f5e9,stroke:#4caf50,stroke-width:2px
    style External fill:#fce4ec,stroke:#e91e63,stroke-width:2px

NL2SQL 处理流水线

graph LR
    Q["用户提问"] --> CTX["上下文拼接\n最近5轮对话"]
    CTX --> SCHEMA["Schema注入\n从metadata表动态构建"]
    SCHEMA --> PROMPT["Prompt组装\nSystem+Schema+History"]
    PROMPT --> GEN["LLM生成SQL"]
    GEN --> CLEAN["SQL清洗\nUnicode修正/注释移除"]
    CLEAN --> SAFE{"安全校验\n白名单+黑名单"}
    SAFE -->|通过| EXEC["执行SQL"]
    SAFE -->|拒绝| ERR["拒绝执行"]
    EXEC --> INTERP["LLM解读结果"]
    EXEC --> CHART["LLM推荐图表\n类型/字段/颜色"]
    INTERP --> RENDER["渲染展示"]
    CHART --> RENDER

    style Q fill:#e3f2fd,stroke:#1565c0
    style SAFE fill:#fff9c4,stroke:#f9a825
    style ERR fill:#ffebee,stroke:#c62828
    style RENDER fill:#e8f5e9,stroke:#2e7d32

数据库设计

ER 关系

graph LR
    E["equipment\n设备主数据"]
    P["product\n产品主数据"]
    PR["production_record\n生产记录"]
    DR["downtime_record\n停机记录"]
    OD[/"oee_daily\nOEE日汇总视图"/]
    SM["schema_metadata\n元数据管理"]

    E -->|1:N| PR
    E -->|1:N| DR
    P -->|1:N| PR
    PR -.->|JOIN汇总| OD

    style E fill:#e3f2fd,stroke:#1565c0,stroke-width:2px
    style P fill:#e3f2fd,stroke:#1565c0,stroke-width:2px
    style PR fill:#fff3e0,stroke:#ff9800
    style DR fill:#fff3e0,stroke:#ff9800
    style OD fill:#e8f5e9,stroke:#4caf50,stroke-width:2px
    style SM fill:#fce4ec,stroke:#e91e63

表清单

表名	类型	用途
`equipment`	主数据	设备编号、名称、类型、车间、产线、理论节拍
`product`	主数据	产品编号、名称、类别
`production_record`	事务	生产记录（实际运行时长、产出、合格数、不良数）
`downtime_record`	事务	停机事件（类型、分类、原因、时长）
`oee_daily`	视图	自动 JOIN 设备+产品，实时计算可用率/性能率/质量率/OEE
`schema_metadata`	元数据	NL2SQL Schema 注入的语义标注管理

Schema 注入方案

本项目实践了 NL2SQL Schema 注入从简单到复杂的演进路径。当前采用 Level 3（元数据表标注），后续可平滑升级到 Level 4（RAG 检索）以支持更大规模的数据库。

graph LR
    L1["<b>Level 1</b><br/>硬编码文本<br/><small>10张表以下</small>"]
    L2["<b>Level 2</b><br/>自动提取DDL<br/><small>快速原型</small>"]
    L3["<b>Level 3</b><br/>元数据表标注<br/><small>✅ 本项目当前</small>"]
    L4["<b>Level 4</b><br/>动态Schema检索<br/><small>50+张表</small>"]
    L5["<b>Level 5</b><br/>知识图谱/语义层<br/><small>超大型系统</small>"]

    L1 --> L2 --> L3 --> L4 --> L5

    style L3 fill:#c8e6c9,stroke:#2e7d32,stroke-width:3px
    style L1 fill:#f5f5f5,stroke:#9e9e9e
    style L2 fill:#f5f5f5,stroke:#9e9e9e
    style L4 fill:#e3f2fd,stroke:#1565c0,stroke-dasharray:5 5
    style L5 fill:#e3f2fd,stroke:#1565c0,stroke-dasharray:5 5

Schema 注入架构

本项目的核心设计是 元数据表驱动的 Schema 注入，取代传统的硬编码方式。

graph TB
    META[("schema_metadata 表\n表/字段/语义/业务规则")] -->|"SQL查询 WHERE is_important=TRUE"| BUILD

    subgraph SchemaEngine["Schema 构建引擎"]
        BUILD["_build_schema_from_metadata\n按表分组 - 拼接字段描述 - 附加规则"]
        CACHE["TTL 缓存 5min\n避免高频查询"]
        FALLBACK["降级方案\n硬编码Schema兜底"]
        BUILD --> CACHE
        BUILD -.->|元数据表异常| FALLBACK
    end

    CACHE -->|Schema文本| PROMPT["NL2SQL System Prompt\n数据库结构注入"]
    PROMPT --> LLM["通义千问 Qwen\n生成SQL - 执行 - 解读"]

    style META fill:#e8f5e9,stroke:#4caf50,stroke-width:2px
    style SchemaEngine fill:#fff8e1,stroke:#ffc107,stroke-width:2px
    style PROMPT fill:#e3f2fd,stroke:#1976d2
    style LLM fill:#fce4ec,stroke:#e91e63

元数据表结构

字段	说明
`table_name`	表/视图名，`_global` 表示全局业务规则
`column_name`	字段名，NULL 表示表级描述
`column_type`	字段类型 (如 `INT`、`VARCHAR(50)`)
`description`	中文语义描述
`sample_values`	示例值/枚举值
`business_rule`	业务规则和查询提示
`is_important`	是否注入 Prompt（控制 Schema 精简度）
`sort_order`	展示排序权重

日常维护

-- 新增字段
INSERT INTO schema_metadata (table_name, column_name, column_type, description, sort_order)
VALUES ('equipment', 'new_field', 'VARCHAR(50)', '新字段描述', 10);

-- 修改描述
UPDATE schema_metadata SET description='更新后的描述' WHERE table_name='equipment' AND column_name='workshop';

-- 隐藏字段（不注入 Prompt）
UPDATE schema_metadata SET is_important=FALSE WHERE table_name='downtime_record' AND column_name='id';

修改后等待缓存过期（5 分钟）或重启服务即可生效。

核心模块实现

NL2SQL 引擎

从 schema_metadata 表动态读取表结构语义，运行时按表分组拼装为 Schema 文本注入 Prompt，带 5 分钟 TTL 缓存。单次查询触发三次 LLM 调用（通义千问 DashScope SDK）：生成 SQL → 解读结果 → 推荐图表。生成的 SQL 经 Unicode 修正、注释移除等清洗后，通过白名单 + 黑名单安全校验方可执行；元数据表异常时自动降级为硬编码 Schema 兜底。

OEE 计算引擎

封装标准 OEE 公式（可用率 × 性能率 × 质量率），支持按设备、产线、车间、时间段等多维度聚合，提供日/周/月粒度的趋势分析。

Streamlit 前端

对话页面 — 类 ChatGPT 对话界面，输入自然语言问题，返回数据表格 + Plotly 交互图表 + AI 文字解读
仪表盘页面 — OEE 概览仪表盘，集成指标仪表盘、趋势图、设备排名、停机分析、六大损失等面板

演示数据

3 个车间、10 台设备、8 种产品，3 个月模拟生产数据，涵盖不同停机原因和质量问题场景，确保各类查询均可返回有意义的结果。

快速开始

1. 环境准备

Python 3.10+（推荐 Conda 管理）
MySQL 8.0+
通义千问 API Key（申请地址）

2. 创建虚拟环境

conda create -n chatbi python=3.10 -y
conda activate chatbi

3. 安装依赖

pip install -r backend/requirements.txt
pip install -r frontend/requirements.txt

4. 配置环境变量

cp .env.example .env

编辑 .env 文件，填入实际配置：

DASHSCOPE_API_KEY=your_api_key_here
DB_HOST=localhost
DB_PORT=3306
DB_USER=root
DB_PASSWORD=your_password_here
DB_NAME=chatbi_oee

5. 初始化数据库

进入 MySQL 交互终端，依次执行以下脚本：

mysql -u root -p

-- 建表（含 schema_metadata 元数据表 + oee_daily 视图）
SOURCE database/schema.sql;

-- 导入模拟生产数据（10 台设备、8 种产品、2026年1-3月工作日数据，含不同停机原因和质量问题场景）
SOURCE database/seed_data.sql;

-- 导入 Schema 元数据（表/字段的中文描述、示例值、业务规则）
SOURCE database/schema_metadata_seed.sql;

注意：seed_data.sql 使用了存储过程和 DELIMITER，必须在 MySQL 交互终端中执行，不能通过管道或重定向方式导入。

6. 启动后端

python -m backend.app.main

后端 API 运行在 http://localhost:8000，接口文档访问 http://localhost:8000/docs。

7. 启动前端（新终端窗口）

streamlit run frontend/app.py

前端运行在 http://localhost:8501。

8. API 接口

接口	方法	说明
`/api/v1/chat`	POST	自然语言查询（支持多轮对话）
`/api/v1/oee/overview`	GET	OEE 概览（四大指标均值）
`/api/v1/oee/trend`	GET	OEE 趋势（按天/周/月聚合）
`/api/v1/oee/equipment-ranking`	GET	设备 OEE 排名
`/api/v1/oee/workshop-summary`	GET	车间维度对比
`/api/v1/oee/downtime-analysis`	GET	停机分类分析
`/api/v1/oee/loss-analysis`	GET	六大损失分析

9. 自然语言查询示例

"本月OEE最高的设备是哪台？"
"一车间3月份的OEE趋势如何？"
"哪台设备的停机时间最长？"
"各车间的质量率对比情况"
"2月份非计划停机的主要原因是什么？"
"注塑机的可用率和性能率表现"
"生产计划完成率最高的产品是哪个？"

10. OEE 计算公式

OEE = 可用率 × 性能率 × 质量率

可用率(Availability) = 实际运行时间 / 计划生产时间
性能率(Performance)  = (理论节拍 × 总产出) / (实际运行时间 × 60)
质量率(Quality)      = 合格数量 / 总产出数量

指标	世界级水平	良好	需改善
OEE	>= 85%	70-85%	< 70%
可用率	>= 90%	—	—
性能率	>= 95%	—	—
质量率	>= 99%	—	—

作者

Joyce Pan (潘姣)

GitHub：@sharp-007
Email：panjiao007@126.com
LinkedIn：joyce-pan-549596138

如有任何问题或建议，欢迎通过 Issue 交流。

开源协议

本项目基于 MIT License 开源。

Name		Name	Last commit message	Last commit date
Latest commit History 28 Commits
backend		backend
database		database
frontend		frontend
.env.example		.env.example
.gitignore		.gitignore
README.md		README.md

Folders and files

Latest commit

History

Repository files navigation

ChatBI OEE — 智能制造 OEE 分析平台

演示视频

功能特性

对话式智能分析

OEE 可视化仪表盘

工程能力

技术栈

项目结构

系统架构

整体架构

NL2SQL 处理流水线

数据库设计

ER 关系

表清单

Schema 注入方案

Schema 注入架构

元数据表结构

日常维护

核心模块实现

NL2SQL 引擎

OEE 计算引擎

Streamlit 前端

演示数据

快速开始

1. 环境准备

2. 创建虚拟环境

3. 安装依赖

4. 配置环境变量

5. 初始化数据库

6. 启动后端

7. 启动前端（新终端窗口）

8. API 接口

9. 自然语言查询示例

10. OEE 计算公式

作者

开源协议

About

Topics

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages