CN111160489A - 基于大数据的多维对标分析服务器、系统、方法及电子终端 - Google Patents
基于大数据的多维对标分析服务器、系统、方法及电子终端 Download PDFInfo
- Publication number
- CN111160489A CN111160489A CN202010002805.5A CN202010002805A CN111160489A CN 111160489 A CN111160489 A CN 111160489A CN 202010002805 A CN202010002805 A CN 202010002805A CN 111160489 A CN111160489 A CN 111160489A
- Authority
- CN
- China
- Prior art keywords
- data
- benchmarking
- parameter
- parameters
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的多维对标分析服务器,所述服务器包括:数据采集模块,用于采集生产运行过程中的数据,获得多个维度的参数;特征分析模块,用于对多个维度的参数分别进行特征提取,以得到特征类型参数簇;参数对标模块,用于将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。本发明可自动采集炼铁工序的生产数据及指标,并对历史数据从原料、操作、经济指标等多个维度进行大数据标签化,提取数据特征,并实现不同类别、时期参数指标的对比,便于生产技术人员评估生产指标与目标特征指标之间差距,寻找潜在影响因素,指导生产操作。
Description
技术领域
本发明属于数据处理领域,特别是涉及一种基于大数据的多维对标分析服务器、系统、方法及电子终端。
背景技术
钢铁冶金工业中炼铁生产处于流程的核心地位,需要将多种成分、性能不一的原料通过一系列复杂的高温反应生产为铁水,供给下游工序,因此,炼铁工序生产的稳定性、经济性往往是制约钢铁企业竞争力的关键。而炼铁工序的生产运行涉及上百种参数的影响,将当前指标与历史数据参数指标进行对比可以寻找与历史指标之间的差距,从而寻找到当前受制约因素,并据此调整生产操作,保障生产运行的稳定性,实现炼铁生产高效低耗。
传统生产管理中多因素对标仅能根据当前数据与历史某个时间段的指标进行对比,通过人工经验对历史数据进行采集整理、标签化、归类化,提取相应的数据类型特征,并据此进行对标分析,但人工处理仅能分析小规模、小维度下数据特征的提取,亟需一种面对上百种参数和上百万条历史数据时的多维对标分析方法的支持。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于大数据的多维对标分析服务器、系统、方法及电子终端,用于解决现有技术的缺陷。
为实现上述目的及其他相关目的,本发明提供一种基于大数据的多维对标分析服务器,所述服务器包括:
数据采集模块,用于采集生产运行过程中的数据,获得多个维度的参数;
特征分析模块,用于对多个维度的参数分别进行特征提取,以得到特征类型参数簇;
参数对标模块,用于将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。
可选地,所述参数对标模块还用于对每个参数的相对变化率进行排序。
可选地,所述服务器还包括:
数据预处理模块,用于对所述数据采集模块采集的数据进行归一化处理,所述特征分析模块用于对归一化处理后的参数进行特征提取;
所述数据预处理模块还用于对所述特征类型参数簇的参数进行反归一化处理,经反归一化处理的参数簇为待对标的参数簇。
可选地,所述多个维度的参数包括原料、操作、经济指标参数。
可选地,采用线性归一化或均值归一化对所述数据采集模块采集的数据进行归一化处理。
可选地,所述线性归一化为min-max标准化。
可选地,采用K-means聚类方法对多个维度的参数进行特征提取。
为实现上述目的及其他相关目的,本发明提供一种基于大数据的多维对标分析系统,所述分析系统包括:
所述的服务器;
数据库,用于对所述服务器中的数据进行存储。
为实现上述目的及其他相关目的,本发明提供一种基于大数据的多维对标分析方法,所述分析方法包括:
采集生产运行过程中的数据,获得多个维度的参数;
对多个维度的参数分别进行特征提取,以得到特征类型参数簇;
将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。
可选地,所述分析方法还包括:
在对多个维度的参数进行特征提取前,对所述数据采集模块采集的数据进行归一化处理;
在对多个维度的参数进行特征提取后,对所述特征类型参数簇的参数进行反归一化处理,经反归一化处理的参数簇为待对标的参数簇。
为实现上述目的及其他相关目的,本发明提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行所述的方法。
如上所述,本发明的一种基于大数据的多维对标分析系统及方法,具有以下有益效果:
本发明可自动采集炼铁工序的生产数据及指标,并对历史数据从原料、操作、经济指标等多个维度进行大数据标签化,提取数据特征,并实现不同类别、时期参数指标的对比。便于生产技术人员评估生产指标与目标特征指标之间差距,寻找潜在影响因素,指导生产操作。
附图说明
图1为本发明一实施例一种基于大数据的多维对标分析服务器的框图;
图2为本发明一实施例一种基于大数据的多维对标分析系统的框图;
图3为本发明一实施例一种基于大数据的多维对标分析系统的界面功能图;
图4为本发明一实施例一种基于大数据的多维对标分析方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1所示,一种基于大数据的多维对标分析服务器,所述服务器包括:数据采集模块、特征分析模块和参数对标模块;
数据采集模块,用于采集生产运行过程中的数据,获得多个维度的参数;
其中,数据采集可以根据炼铁工序生产现场各种设备的附带的仪表或传感器装置,经由PLC直接采集或其他外部数据源采集炼铁生产过程中的数据,包括炼铁生产所需的各种原料成分及性能数据、各种设备运行参数、生产过程的经济指标参数等,以上数据将被保存至数据库。
本发明将不同系统、不同结构的数据做统一的采集处理,在采集过程中把这些数据根据设定的规则进行处理和清洗,实现一致性整合,实现多源异构数据的一致性整合和数据的统一表示。
特征分析模块,用于对多个维度的参数分别进行特征提取,以得到特征类型参数簇;
在本实施例中,特征分析模块将炼铁数据划分为原料、操作、经济指标等多个维度,进行特征提取时,是对多个维度分别进行特征提取,得到维度的指标包括了若干个参数,因此,在进行特征提取时,每个维度的指标形成一个参数簇。
在一实施例中,在进行特征提取时,引用K-means聚类方法将样本用distance指标划分为K类,并计算出各类别对于属性特征,distance指标函数如下:
distance=f(x1,x2,x3,...,xn),x1,x2,x3,...,xn为样本数据。
参数对标模块,用于将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。
所述的将待对标的参数簇与所述特征类型参数簇进行对标,是将待对标的参数簇中的每个参数与特征类型中参数簇中的相应的参数进行对对,以得到每个参数的相对变化率,同时可以得到参数数值的变化量,并对参数数值及变化量进行可视化。
通过参数对标,可以得到参数间的差异,通过比较参间的差异可以寻找潜在影响生产的因素,以指导生产操作。可以通过这些因素,对一些差异超过允许范围内的参数进行调节。
在一实施例中,所述参数对标模块还用于对每个参数的相对变化率进行排序。
由数据采集模块采集的数据包括了沿时间尺度均匀分布的连续参数和不均匀分布的离散参数以及不同时间粒度的参数,因此需要对采集频率不规则的离散数据插值为连续数据,实现沿时间尺度不均匀分布参数的均匀化和对齐以及参数粒度的统一。
因此,在一实施例中,所述服务器还包括数据预处理模块,
数据预处理模块,用于对所述数据采集模块采集的数据进行归一化处理,所述特征分析模块用于对归一化处理后的参数进行特征提取;通过对数据的归一化处理,加快了后续特征提取过程的效率。
归一化处理包括线性归一化或者均值归一化,其中,线性归一化采用min-max标准化。
所述数据预处理模块还用于对所述特征类型参数簇的参数进行反归一化处理,经反归一化处理的参数簇为待对标的参数簇。经过反归一化处理,将提取的特征类型参数簇还原数据原貌,得到与原始数据物理含义相同的特征数据,使得在对标的时候更加方便。
本发明自动采集炼铁运行数据,经过数据预处理、大数据算法提取特征、数据后处理、数据对标等步骤实现炼铁生产数据多维对标。
本发明可自动采集炼铁工序的生产数据及指标,并对历史数据从原料、操作、经济指标等多个维度进行大数据标签化,提取数据特征,并实现不同类别、时期参数指标的对比。便于生产技术人员评估生产指标与目标特征指标之间差距,寻找潜在影响因素,并根据生产指标与目标特征指标之间差距调节与生产相关的参数,指导生产操作。
如图2所示,本发明提供一种基于大数据的多维对标分析系统,包括:
服务器;
数据库,用于对所述服务器中的数据进行存储。
其中,数据库包括但不限于ORACLE、DB2、SQL Server、Sybase、Informix、MySQL、VF与Access。
所述服务器包括数据采集模块、特征分析模块和参数对标模块;
数据采集模块,用于采集生产运行过程中的数据,获得多个维度的参数;
其中,数据采集可以根据炼铁工序生产现场各种设备的附带的仪表或传感器装置,经由PLC直接采集或其他外部数据源采集炼铁生产过程中的数据,包括炼铁生产所需的各种原料成分及性能数据、各种设备运行参数、生产过程的经济指标参数等,以上数据将被保存至数据库。
特征分析模块,用于对多个维度的参数分别进行特征提取,以得到特征类型参数簇;
在本实施例中,特征分析模块将炼铁数据划分为原料、操作、经济指标等多个维度,进行特征提取时,是对多个维度分别进行特征提取,得到维度的指标包括了若干个参数,因此,在进行特征提取时,每个维度的指标形成一个参数簇。
在一实施例中,在进行特征提取时,引用K-means聚类方法将样本用distance指标划分为K类,并计算出各类别对于属性特征,distance指标函数如下:
distance=f(x1,x2,x3,...,xn),x1,x2,x3,...,xn为样本数据。
参数对标模块,用于将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。
所述的将待对标的参数簇与所述特征类型参数簇进行对标,是将待对标的参数簇中的每个参数与特征类型中参数簇中的相应的参数进行对对,以得到每个参数的相对变化率,同时可以得到参数数值的变化量,并对参数数值及变化量进行可视化。
通过参数对标,可以得到参数间的差异,通过比较参间的差异可以寻找潜在影响生产的因素,以指导生产操作。可以通过这些因素,对一些差异超过允许范围内的参数进行调节。
在一实施例中,所述参数对标模块还用于对每个参数的相对变化率进行排序。
由数据采集模块采集的数据包括了沿时间尺度均匀分布的连续参数和不均匀分布的离散参数以及不同时间粒度的参数,因此需要对采集频率不规则的离散数据插值为连续数据,实现沿时间尺度不均匀分布参数的均匀化和对齐以及参数粒度的统一。
因此,在一实施例中,所述服务器还包括数据预处理模块,
数据预处理模块,用于对所述数据采集模块采集的数据进行归一化处理,所述特征分析模块用于对归一化处理后的参数进行特征提取;通过对数据的归一化处理,加快了后续特征提取过程的效率。
归一化处理包括线性归一化或者均值归一化,其中,线性归一化采用min-max标准化。
所述数据预处理模块还用于对所述特征类型参数簇的参数进行反归一化处理,经反归一化处理的参数簇为待对标的参数簇。经过反归一化处理,将提取的特征类型参数簇还原数据原貌,得到与原始数据物理含义相同的特征数据,使得在对标的时候更加方便。
本发明自动采集炼铁运行数据,经过数据预处理、大数据算法提取特征、数据后处理、数据对标等步骤实现炼铁生产数据多维对标。
如图4所示,一种基于大数据的多维对标分析方法,所述分析方法包括:
S11采集生产运行过程中的数据,获得多个维度的参数;
其中,数据采集可以根据炼铁工序生产现场各种设备的附带的仪表或传感器装置,经由PLC直接采集或其他外部数据源采集炼铁生产过程中的数据,包括炼铁生产所需的各种原料成分及性能数据、各种设备运行参数、生产过程的经济指标参数等,以上数据将被保存至数据库。
S12对多个维度的参数分别进行特征提取,以得到特征类型参数簇;
在特征分析过程中,将炼铁数据划分为原料、操作、经济指标等多个维度,进行特征提取时,是对多个维度分别进行特征提取,得到维度的指标包括了若干个参数,因此,在进行特征提取时,每个维度的指标形成一个参数簇。
在一实施例中,在进行特征提取时,引用K-means聚类方法将样本用distance指标划分为K类,并计算出各类别对于属性特征,distance指标函数如下:
distance=f(x1,x2,x3,...,xn),x1,x2,x3,...,xn为样本数据。
S13将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。
所述的将待对标的参数簇与所述特征类型参数簇进行对标,是将待对标的参数簇中的每个参数与特征类型中参数簇中的相应的参数进行对对,以得到每个参数的相对变化率,同时可以得到参数数值的变化量,并对参数数值及变化量进行可视化。
通过参数对标,可以得到参数间的差异,通过比较参间的差异可以寻找潜在影响生产的因素,以指导生产操作。可以通过这些因素,对一些差异超过允许范围内的参数进行调节。
本发明自动采集炼铁运行数据,经过数据预处理、大数据算法提取特征、数据后处理、数据对标等步骤实现炼铁生产数据多维对标。
在一实施例中,对标方法还包括对每个参数的相对变化率进行排序。
由数据采集过程采集的数据包括了沿时间尺度均匀分布的连续参数和不均匀分布的离散参数以及不同时间粒度的参数,因此需要对采集频率不规则的离散数据插值为连续数据,实现沿时间尺度不均匀分布参数的均匀化和对齐以及参数粒度的统一。
因此,在一实施例中,还需要对数据处理预处理,对数据进行预处理指对所述数据采集模块采集的数据进行归一化处理,所述特征分析模块用于对归一化处理后的参数进行特征提取;通过对数据的归一化处理,加快了后续特征提取过程的效率。
归一化处理包括线性归一化或者均值归一化,其中,线性归一化采用min-max标准化。
所述数据预处理还包括对所述特征类型参数簇的参数进行反归一化处理,经反归一化处理的参数簇为待对标的参数簇。经过反归一化处理,将提取的特征类型参数簇还原数据原貌,得到与原始数据物理含义相同的特征数据,使得在对标的时候更加方便。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器((RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于大数据的多维对标分析服务器,其特征在于,所述服务器包括:
数据采集模块,用于采集生产运行过程中的数据,获得多个维度的参数;
特征分析模块,用于对多个维度的参数分别进行特征提取,以得到特征类型参数簇;
参数对标模块,用于将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。
2.根据权利要求1所述的基于大数据的多维对标分析服务器,其特征在于,所述参数对标模块还用于对每个参数的相对变化率进行排序。
3.根据权利要求1所述的基于大数据的多维对标分析服务器,其特征在于,所述服务器还包括:
数据预处理模块,用于对所述数据采集模块采集的数据进行归一化处理,所述特征分析模块用于对归一化处理后的参数进行特征提取;
所述数据预处理模块还用于对所述特征类型参数簇的参数进行反归一化处理,经反归一化处理的参数簇为待对标的参数簇。
4.根据权利要求3所述的基于大数据的多维对标分析服务器,其特征在于,采用线性归一化或均值归一化对所述数据采集模块采集的数据进行归一化处理。
5.根据权利要求4所述的基于大数据的多维对标分析服务器,其特征在于,所述线性归一化为min-max标准化。
6.根据权利要求1所述的基于大数据的多维对标分析服务器,其特征在于,采用K-means聚类方法对多个维度的参数进行特征提取。
7.一种基于大数据的多维对标分析系统,其特征在于,所述分析系统包括:
如权利要求1至6任意一项所述的服务器;
数据库,用于对所述服务器中的数据进行存储。
8.一种基于大数据的多维对标分析方法,其特征在于,所述分析方法包括:
采集生产运行过程中的数据,获得多个维度的参数;
对多个维度的参数分别进行特征提取,以得到特征类型参数簇;
将待对标的参数簇与所述特征类型参数簇进行对标,以得到每个参数的相对变化率。
9.根据权利要求8所述的基于大数据的多维对标分析方法,其特征在于,所述分析方法还包括:
在对多个维度的参数进行特征提取前,对所述数据采集模块采集的数据进行归一化处理;
在对多个维度的参数进行特征提取后,对所述特征类型参数簇的参数进行反归一化处理,经反归一化处理的参数簇为待对标的参数簇。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求8或9所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002805.5A CN111160489A (zh) | 2020-01-02 | 2020-01-02 | 基于大数据的多维对标分析服务器、系统、方法及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010002805.5A CN111160489A (zh) | 2020-01-02 | 2020-01-02 | 基于大数据的多维对标分析服务器、系统、方法及电子终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160489A true CN111160489A (zh) | 2020-05-15 |
Family
ID=70561343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010002805.5A Pending CN111160489A (zh) | 2020-01-02 | 2020-01-02 | 基于大数据的多维对标分析服务器、系统、方法及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160489A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022040972A1 (zh) * | 2020-08-24 | 2022-03-03 | 深圳大学 | 产品信息可视化处理方法、装置、计算机设备 |
CN114238665A (zh) * | 2021-11-22 | 2022-03-25 | 中冶赛迪重庆信息技术有限公司 | 一种多主题对标分析方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440539A (zh) * | 2013-09-13 | 2013-12-11 | 国网信息通信有限公司 | 一种用户用电数据处理方法 |
US20160042105A1 (en) * | 2013-12-11 | 2016-02-11 | Kla-Tencor Corporation | Target and process sensitivity analysis to requirements |
CN106203624A (zh) * | 2016-06-23 | 2016-12-07 | 上海交通大学 | 基于深度神经网络的矢量量化系统及方法 |
CN106845241A (zh) * | 2015-12-03 | 2017-06-13 | 中国电信股份有限公司 | 漏洞攻击的检测方法和装置 |
CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
CN109872015A (zh) * | 2017-12-01 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 用于行为数据评估的方法及装置 |
CN110008566A (zh) * | 2019-03-29 | 2019-07-12 | 中南大学 | 基于大数据的充填料浆性能指标预测方法 |
CN110333962A (zh) * | 2019-05-16 | 2019-10-15 | 上海精密计量测试研究所 | 一种基于数据分析预测的电子元器件故障诊断模型 |
-
2020
- 2020-01-02 CN CN202010002805.5A patent/CN111160489A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440539A (zh) * | 2013-09-13 | 2013-12-11 | 国网信息通信有限公司 | 一种用户用电数据处理方法 |
US20160042105A1 (en) * | 2013-12-11 | 2016-02-11 | Kla-Tencor Corporation | Target and process sensitivity analysis to requirements |
CN106845241A (zh) * | 2015-12-03 | 2017-06-13 | 中国电信股份有限公司 | 漏洞攻击的检测方法和装置 |
CN106203624A (zh) * | 2016-06-23 | 2016-12-07 | 上海交通大学 | 基于深度神经网络的矢量量化系统及方法 |
CN109872015A (zh) * | 2017-12-01 | 2019-06-11 | 北京京东尚科信息技术有限公司 | 用于行为数据评估的方法及装置 |
CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
CN110008566A (zh) * | 2019-03-29 | 2019-07-12 | 中南大学 | 基于大数据的充填料浆性能指标预测方法 |
CN110333962A (zh) * | 2019-05-16 | 2019-10-15 | 上海精密计量测试研究所 | 一种基于数据分析预测的电子元器件故障诊断模型 |
Non-Patent Citations (2)
Title |
---|
D MARGHESCU: "User Evaluation of Multidimensional Data Visualization Techniques for Financial Benchmarking", pages 341 - 356 * |
李春磊等: "融入多维制造信息的产品典型工艺路线发现方法", vol. 51, no. 15, pages 148 - 157 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022040972A1 (zh) * | 2020-08-24 | 2022-03-03 | 深圳大学 | 产品信息可视化处理方法、装置、计算机设备 |
CN114238665A (zh) * | 2021-11-22 | 2022-03-25 | 中冶赛迪重庆信息技术有限公司 | 一种多主题对标分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2321742A1 (en) | A method of generating an analytical data set for input into an analytical model | |
CN111160489A (zh) | 基于大数据的多维对标分析服务器、系统、方法及电子终端 | |
CN108205580A (zh) | 一种图像检索方法、装置及计算机可读存储介质 | |
CN108241925A (zh) | 一种基于离群点检测的离散制造机械产品质量溯源方法 | |
CN112819299A (zh) | 一种基于中心优化的差分K-means负荷聚类方法 | |
CN110046245A (zh) | 一种数据监控方法及装置、一种计算设备及存储介质 | |
CN107248023B (zh) | 一种对标企业名单的筛选方法和装置 | |
CN111199493A (zh) | 一种基于客户缴费信息及征信信息的欠费风险识别方法 | |
CN111046059B (zh) | 基于分布式数据库集群的低效sql语句分析方法及系统 | |
CN111046141B (zh) | 一种基于历史时间特征的文本库关键词精炼方法 | |
CN111324790A (zh) | 基于支持向量机分类的负荷类型识别方法 | |
CN112257778B (zh) | 一种基于用户用电行为的两阶段精细化聚类方法 | |
US20240094887A1 (en) | Intellectual-Property Landscaping Platform with Interactive Graphical Element | |
US20220101464A1 (en) | Intellectual-Property Landscaping Platform | |
CN112598353A (zh) | 一种物料替代方法、装置、存储介质和设备 | |
CN113450142B (zh) | 一种电力客户用电行为聚类分析方法及装置 | |
CN115841359A (zh) | 一种对象生成方法、装置、设备及存储介质 | |
US20220101462A1 (en) | Intellectual-Property Landscaping Platform | |
CN115269677A (zh) | 一种多维度数据分析方法、装置、设备及计算机程序产品 | |
Ompusunggu et al. | IMPLEMENTATION OF DATA MINING TO PREDICT THE VALUE OF INDONESIAN OIL AND NON-OIL AND GAS IMPORT EXPORTS USING THE LINEAR REGRESSION METHOD | |
CN110263069B (zh) | 新能源使用行为的时序特征隐含因素抽取和刻画方法及系统 | |
CN117453805B (zh) | 一种不确定性数据的可视化分析方法 | |
CN109189775B (zh) | 一种工业监控平台海量数据处理系统及方法 | |
CN112488410A (zh) | 基于设备综合效率的生产设备性能优化方法及装置 | |
CN111027599A (zh) | 基于随机抽样的聚类可视化方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: Building 1, No. 11, Huijin Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information |