CN111612302A - 一种集团级数据管理方法和设备 - Google Patents

Abstract

本发明公开了一种集团级数据管理方法和设备，该方法包括：基于所述集团级数据的数据来源确定数据类型，所述数据类型具体为生产数据及市场数据；当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的；当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。实现了对集团级企业不同数据的采集、分类和分析处理，提升了集团企业的数据管理效率，通过这些数据对生产设备和市场进行监测和分析，有助于保证生产设备的正常运行和做出正确的市场决策。

Description

一种集团级数据管理方法和设备

技术领域

本申请涉及数据管理技术领域，更具体地，涉及一种集团级数据管理方法和设备。

背景技术

近年来，随着信息时代的来临，移动互联网、云计算、物联网等技术得到快速发展，数据来源逐渐呈现出多样化、个性化，数据管理成为摆在企业面前的难题。多维、海量的数据给企业带来了新的挑战和机遇，如果能够对这些数据进行有效管理，则能提高企业生产效率，提高企业决策水平。

一个集团级公司必然会涉及复杂产品的研发生产，会创造有大量的数据，在大数据时代下，人们对数据加工的复杂度和速度要求更高，现有的企业数据管理系统管理的数据类型单一，对海量数据的管理效率低下，已经无法适应集团级企业对数据管理的需求。

而对于集团级公司利用各种设备软件工具进行捕捉、管理和处理的数据集合，需要新的处理模式才能提前对集团的生产运营情况做出预警，使集团具有更强的洞察力和决策力。

因此，如何提高对集团级数据的管理效率，以适应集团级企业对数据管理的需求成为本领域亟待解决的技术问题。

发明内容

本发明提供一种集团级数据管理方法，用以解决现有技术中数据管理方法的效率低下，无法适应集团级企业对数据管理的需求的技术问题，该方法包括：

基于所述集团级数据的数据来源确定数据类型，所述数据来源具体包括生产设备及市场监测设备，所述数据类型具体为生产数据及市场数据；

当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的；

当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。

一些实施例中，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，具体为：

对所述生产数据进行标准化处理；

基于标准化处理后的生产数据的特征值确定所述标准化处理后的生产数据的特征向量；

将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配。

一些实施例中，将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配，具体为：

将所述生产设备故障时的生产数据作为生产数据样本；

通过所述神经网络模型对标准化处理后的生产数据样本的特征向量进行训练；

将训练后的特征向量作为参考特征向量；

将所述标准化处理后的生产数据的特征向量与所述参考特征向量进行匹配；

若匹配，则所述生产数据对应的生产设备发生故障；

若不匹配，则所述生产数据对应的生产设备未发生故障。

一些实施例中，基于数据分析模型与所述市场数据的数据信息确定分析结果，具体为：

将所述市场数据的数据信息输入所述数据分析模型中；

基于所述数据信息确定数据分析结果；

将所述数据分析结果以图表形式输出。

一些实施例中，将所述市场数据的数据信息输入所述数据分析模型中，具体为：

基于所述市场数据的数据信息确定初始数据模型；

获取预设数量的与所述市场数据的数据信息对应的数据集；

基于所述数据集训练所述初始数据模型，以获取所述数据分析模型；

将所述市场数据的数据信息输入所述数据分析模型中。

相应的，本发明还提供一种集团级数据管理设备，所述设备包括：

确认模块，用于基于所述集团级数据的数据来源确定数据类型，所述数据来源具体包括生产设备及市场监测设备，所述数据类型具体为生产数据及市场数据；

第一处理模块，用于当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的；

第二处理模块，用于当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。

一些实施例中，第一处理模块，具体用于：

对所述生产数据进行标准化处理；

基于标准化处理后的生产数据的特征值确定所述标准化处理后的生产数据的特征向量；

将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配。

一些实施例中，第一处理模块，还用于：

将所述生产设备故障时的生产数据作为生产数据样本；

通过所述神经网络模型对标准化处理后的生产数据样本的特征向量进行训练；

将训练后的特征向量作为参考特征向量；

将所述标准化处理后的生产数据的特征向量与所述参考特征向量进行匹配；

若匹配，则所述生产数据对应的生产设备发生故障；

若不匹配，则所述生产数据对应的生产设备未发生故障。

一些实施例中，第二处理模块，具体用于：

将所述市场数据的数据信息输入所述数据分析模型中；

基于所述数据信息确定数据分析结果；

将所述数据分析结果以图表形式输出。

一些实施例中，第二处理模块，还用于：

基于所述市场数据的数据信息确定初始数据模型；

获取预设数量的与所述市场数据的数据信息对应的数据集；

基于所述数据集训练所述初始数据模型，以获取所述数据分析模型；

将所述市场数据的数据信息输入所述数据分析模型中。

与现有技术对比，本发明具备以下有益效果：

本发明公开了一种集团级数据管理方法和设备，该方法包括：基于所述集团级数据的数据来源确定数据类型，所述数据类型具体为生产数据及市场数据；当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的；当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。实现了对集团级企业不同数据的采集、分类和分析处理，提升了集团企业的数据管理效率，通过这些数据对生产设备和市场进行监测和分析，有助于保证生产设备的正常运行和做出正确的市场决策。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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。

图1示出了本发明实施例提出的一种集团级数据管理方法的流程示意图；

图2示出了本发明另一实施例提出的一种集团级数据管理方法的流程示意图；

图3示出了本发明又一实施例提出的一种集团级数据管理方法的流程示意图；

图4示出了本发明实施例提出的一种集团级数据管理设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

如背景技术所述，现有技术中数据管理方法的效率低下，无法适应集团级企业对数据管理的需求。

为解决上述问题，本申请实施例提出了一种集团级数据管理方法，通过所述集团级数据的数据来源确定数据类型，所述数据类型具体为生产数据及市场数据；当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析；当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，实现了对集团级企业不同数据的采集、分类和分析处理，提升了集团企业的数据管理效率，通过这些数据对生产设备和市场进行监测和分析，有助于保证生产设备的正常运行和做出正确的市场决策。

如图1所示为本发明实施例提出的一种集团级数据管理方法的流程示意图，该方法包括以下步骤：

步骤S101，基于所述集团级数据的数据来源确定数据类型，所述数据来源具体包括生产设备及市场监测设备，所述数据类型具体为生产数据及市场数据。

在本申请的优选实施例中，所述集团级数据主要是集团公司内的生产运营数据，可以通过多种检测设备、系统软件、人工填报等方式对所述集团级数据进行数据采集，再根据采集的集团级数据来源不同对所述集团级数据进行分类，确定相应的数据类型。

集团公司内的生产运营数据的来源包括来自生产设备的数据和来自市场监测设备的数据，将来自生产设备的数据分类为生产数据，将来自市场监测设备的数据分类为市场数据。

步骤S102，当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的。

在本申请的优选实施例中，当采集的集团级数据的数据类型为生产数据时，可以通过神经网络模型与生产数据的特征向量进行数据分析，生产数据的数据分析结果可应用于生产设备的故障检测、产品质量检测、生产工艺异常监控等方面，以提高对生产过程的管理控制能力。

生产数据的特征向量是基于生产数据的特征值生成的，生产数据的特征值是反映生产数据各种特征变化的值，例如包括反映生产数据波动速率的特征值、反映生产数据波动幅度的特征值、反映生产数据瞬时最大值的特征值。

生产数据的特征向量尽管可以在一定程度上反映生产数据的具体情况，能够对生产设备的监控检测等方面提供数据支持，但是仅根据所述特征向量进行数据分析，效率较低且准确性差。而采用神经网络模型与生产数据的特征向量结合的方式进行数据分析，可以提高数据分析的效率，增加数据分析结果的准确性。

步骤S103，当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。

在本申请的优选实施例中，当采集的集团级数据为市场数据时，可以通过数据分析模型与市场数据的数据信息进行数据分析，市场数据的分析结果可以用于集团公司对市场的实时监控、对未来市场的预测等方面，使集团公司能够做出正确的决策，保证集团的收益得到增长。

市场数据的数据信息包括数据名称和数据参数，例如采集的市场数据的数据信息是产品销量17万，数据名称为产品销量，数据参数为17万。数据分析模型可以是基于对数据分析的思想创建成的评估算法模型，通过相应的模型训练得到的对市场数据具有高识别性，高效率的模型，例如经训练后的逻辑树分析模型、二元线性回归模型、聚类算法模型等等。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他基于所述集团级数据管理方法的改进均属于本申请的保护范围。

为了提高生产数据进行数据分析的效率，增强对生产设备的管控性，如图2所示为本发明另一实施例提出的一种集团级数据管理方法的流程示意图，包括以下步骤：

步骤S201，基于所述集团级数据的数据来源确定数据类型。

在本申请的优选实施例中，所述集团级数据主要是集团公司内的生产运营数据，集团公司内的生产运营数据的来源包括来自生产设备的数据和来自市场监测设备的数据，将来自生产设备的数据分类为生产数据，将来自市场监测设备的数据分类为市场数据。

其中，来自生产设备的生产数据可以是生产设备的温度、流量、转速、启动情况等数据，所述生产数据可以通过生产设备的检测装置实时检测采集，如生产设备通过远程流量计采集的流量信息，经SCADA(数据采集与监视控制系统)上传至集团级数据管理服务器；也可以通过人工巡检填报的方式获取生产设备的生产数据，如工作人员在定时巡检过程中，发现有设备液位检测装置检测的液位与现场液位计不符，可以通过MES(制造执行系统)填报该设备的液位信息上传至集团级数据管理服务器。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他对所述集团级数据的采集与分类的方式均属于本申请的保护范围。

步骤S202，当所述数据类型为生产数据时，对所述生产数据进行标准化处理。

在本申请的优选实施例中，集团级公司通常由多个独立单位组成，这些单位可能分布在不同的地方，管理要求及工艺要求有一定区别，使用的数据采集系统设备规格不同，导致采集的生产数据具有不同量纲。因此对生产数据进行标准化处理，统一量纲，有利于后续的数据管理分析，在一定程度上提高了集团级数据管理的效率。

其中，对生产数据的标准化处理可以根据具体实施场景选用不同的标准化方法，例如极值法、标准差法、三折线法等等。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他对于生产数据进行标准化的方式均属于本申请的保护范围。

步骤S203，基于标准化处理后的生产数据的特征值确定所述标准化处理后的生产数据的特征向量。

在本申请的优选实施例中，标准化处理后的生产数据的特征值是反映生产数据各种特征变化的值，如根据公式

计算生产数据的瞬时最大值特征值，其中T表示生产数据的瞬时最大值特征值，c_i表示标准化处理后的第i个生产数据，n表示采集的生产数据个数。

标准化处理后的生产数据的特征向量是基于标准化处理后的生产数据的特征值生成的，例如根据标准化处理后的生产数据的波动速率特征值、生产数据的波动幅度特征值、生产数据的瞬时最大值特征值计算生产数据的特征向量。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他对于生产数据特征值及特征向量的计算方式均属于本申请的保护范围。

步骤S204，将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配。

在本申请的优选实施例中，生产数据根据生产设备的运行情况还可分为正常生产数据和异常生产数据，生产设备正常运行时的生产数据为正常生产数据，生产设备发生故障时的生产数据为异常生产数据。为了对生产设备故障进行预警，通常需要先获取所述生产设备故障时的生产数据，将其作为生产数据样本。通过所述神经网络模型对标准化处理后的生产数据样本的特征向量进行训练，将训练后的特征向量作为参考特征向量，所述参考特征向量即反映生产设备的发生故障时的特征向量。

生产设备故障时的异常生产数据可以从采集的生产数据历史日志中获取，每次确认的异常生产数据都将经所述神经网络模型进行训练，以对神经网络模型进行优化，使训练输出的参考特征向量的对异常生产数据的匹配更精准，提高对生产设备故障的预警准确性。

在本申请的优选实施例中，通过将所述标准化处理后的生产数据的特征向量与所述参考特征向量进行匹配；若匹配，则所述生产数据对应的生产设备发生故障；若不匹配，则所述生产数据对应的生产设备未发生故障。

所述标准化处理后的生产数据的特征向量是由生产设备实时采集的生产数据得到的，因此所述特征向量能够反映生产设备的具体运行情况，如生产设备故障压力不稳、生产设备内容物泄漏导致流量异常等情况都可以在所述特征向量上得到体现。所以当生产设备发生故障时，所采集的生产数据的所述特征向量将与反映生产设备的发生故障时的参考特征向量相匹配。因此可以通过将所述标准化处理后的生产数据的特征向量与所述参考特征向量进行匹配的方式对生产设备故障进行预警。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他根据生产数据的特征向量对生产设备进行管理的方式均属于本申请的保护范围。

为了提高市场数据进行数据分析的效率，提高对市场的掌控力，如图3所示为本发明又一实施例提出的一种集团级数据管理方法的流程示意图，包括以下步骤：

步骤S301，基于所述集团级数据的数据来源确定数据类型。

在本申请的优选实施例中，所述集团级数据主要是集团公司内的生产运营数据，集团公司内的生产运营数据的来源包括来自生产设备的数据和来自市场监测设备的数据，将来自生产设备的数据分类为生产数据，将来自市场监测设备的数据分类为市场数据。

其中，来自市场监测设备的市场数据可以是市场占有率、销量、客户拥有量、净利润等等。市场数据可以通过市场监测设备的数据采集模块进行获取，例如销售收银台采集的当天销售量；还可以通过员工统计核算后进行人工填报，例如，员工经过市场调研后采集的竞品分析数据，通过MES进行汇总统计；还可以从网络销售后台获取的相应的市场数据。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他对所述集团级数据的采集与分类的方式均属于本申请的保护范围。

步骤S302，当所述数据类型为市场数据时，将所述市场数据的数据信息输入所述数据分析模型中。

在本申请的优选实施例中，所述市场数据的数据信息包括数据名称和数据参数，所述数据名称代表着该市场数据的标签类别，所述数据参数代表对应数据名称下的具体参数，如A产品售价1000元等等。所述数据分析模型具有高识别性，可以充分解析市场数据，以获取可以更准确的市场评估与预测。

为了得到数据分析效率更高的数据分析模型，在本申请实施例中，通过所述市场数据的数据信息确定初始数据模型，在具体实施场景中，根据数据信息可以具体结合需要分析的市场数据的数据特点，选择一种或多种组合的基础数据模型作为初始数据模型。基础模型属于通用的数据模型，如逻辑树分析模型、二元线性回归模型等，能够对数据信息进行简单的分析处理，但效率低，准确度差，因此需要对初始数据模型进行训练，以提高数据分析效率，达到集团级数据管理的要求。

为了对初始数据模型进行训练，需要获取预设数量的与所述市场数据的数据信息对应的数据集，利用所述数据集训练所述初始数据模型，以获取所述数据分析模型。

所述数据集就是根据初始数据模型确定的与数据信息对应的特征数据集合，可以从历史数据库中进行调用，获取数据集的数量是预设的与所述初始数据模型相匹配的数量。例如将t＝ax+by+cz作为初始数据模型，t表示输出的所述数据信息，即分析预测的数据信息，x、y与z分别代表输入的所述数据信息，a、b与c代表所述初始数据模型的分析参数，该初始数据模型输入输出共包含4个数据信息，因此相应的获取4个与所述数据信息对应的数据集。通过数据集对该初始数据模型的分析参数进行训练优化，经训练优化后获取的就是所述数据分析模型。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他获取数据分析模型的方式均属于本申请的保护范围。

步骤S303，基于所述数据信息确定数据分析结果。

在本申请的优选实施例中，将获得的市场数据的数据信息输入到数据分析模型后，经数据分析模型进行分析，获得相应的数据分析结果。该数据分析结果可以是与获取的数据信息关联的未获取的数据信息，例如通过获取到这个季度的市场营销报表信息获取下个季度的市场预测情况。

步骤S304，将所述数据分析结果以图表形式输出。

在本申请的优选实施例中，获取的数据分析结果以图表形式进行输出，或者以文字图表相结合的形式进行输出，图表形式包括直方图，扇形图等多种形式。

为了达到以上技术目的，本申请实施例还提出了一种集团级数据管理设备，如图4所示，所述设备包括：

确认模块401，用于基于所述集团级数据的数据来源确定数据类型，所述数据来源具体包括生产设备及市场监测设备，所述数据类型具体为生产数据及市场数据；

第一处理模块402，用于当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的；

第二处理模块403，用于当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。

在本申请的优选实施例中，第一处理模块402，具体用于：

对所述生产数据进行标准化处理；

基于标准化处理后的生产数据的特征值确定所述标准化处理后的生产数据的特征向量；

将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配。

在本申请的优选实施例中，第一处理模块402，还用于：

将所述生产设备故障时的生产数据作为生产数据样本；

通过所述神经网络模型对标准化处理后的生产数据样本的特征向量进行训练；

将训练后的特征向量作为参考特征向量；

将所述标准化处理后的生产数据的特征向量与所述参考特征向量进行匹配；

若匹配，则所述生产数据对应的生产设备发生故障；

若不匹配，则所述生产数据对应的生产设备未发生故障。

在本申请的优选实施例中，第二处理模块403，具体用于：

将所述市场数据的数据信息输入所述数据分析模型中；

基于所述数据信息确定数据分析结果；

将所述数据分析结果以图表形式输出。

在本申请的优选实施例中，第二处理模块403，还用于：

基于所述市场数据的数据信息确定初始数据模型；

获取预设数量的与所述市场数据的数据信息对应的数据集；

基于所述数据集训练所述初始数据模型，以获取所述数据分析模型。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括以若干指令的形式使一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施场景所述的方法。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解装置中的模块可以按照实施场景描述分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

上述本发明序号仅仅为了描述，不代表实施场景的优劣。

以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种集团级数据管理方法，其特征在于，所述方法包括：

基于所述集团级数据的数据来源确定数据类型，所述数据来源具体包括生产设备及市场监测设备，所述数据类型具体为生产数据及市场数据；

当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的；

当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。

2.如权利要求1所述的方法，其特征在于，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，具体为：

对所述生产数据进行标准化处理；

基于标准化处理后的生产数据的特征值确定所述标准化处理后的生产数据的特征向量；

将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配。

3.如权利要求2所述的方法，其特征在于，将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配，具体为：

将所述生产设备故障时的生产数据作为生产数据样本；

通过所述神经网络模型对标准化处理后的生产数据样本的特征向量进行训练；

将训练后的特征向量作为参考特征向量；

将所述标准化处理后的生产数据的特征向量与所述参考特征向量进行匹配；

若匹配，则所述生产数据对应的生产设备发生故障；

若不匹配，则所述生产数据对应的生产设备未发生故障。

4.如权利要求1所述的方法，其特征在于，基于数据分析模型与所述市场数据的数据信息确定分析结果，具体为：

将所述市场数据的数据信息输入所述数据分析模型中；

基于所述数据信息确定数据分析结果；

将所述数据分析结果以图表形式输出。

5.如权利要求4所述的方法，其特征在于，将所述市场数据的数据信息输入所述数据分析模型中，具体为：

基于所述市场数据的数据信息确定初始数据模型；

获取预设数量的与所述市场数据的数据信息对应的数据集；

基于所述数据集训练所述初始数据模型，以获取所述数据分析模型；

将所述市场数据的数据信息输入所述数据分析模型中。

6.一种集团级数据管理设备，其特征在于，所述设备包括：

确认模块，用于基于所述集团级数据的数据来源确定数据类型，所述数据来源具体包括生产设备及市场监测设备，所述数据类型具体为生产数据及市场数据；

第一处理模块，用于当所述数据类型为生产数据时，基于神经网络模型与所述生产数据的特征向量对所述生产数据进行数据分析，所述特征向量是基于所述生产数据的特征值生成的；

第二处理模块，用于当所述数据类型为市场数据时，基于数据分析模型与所述市场数据的数据信息确定分析结果，所述数据信息具体为数据名称及数据参数。

7.如权利要求6所述的设备，其特征在于，第一处理模块，具体用于：

对所述生产数据进行标准化处理；

基于标准化处理后的生产数据的特征值确定所述标准化处理后的生产数据的特征向量；

将所述标准化处理后的生产数据的特征向量与参考特征向量进行匹配。

8.如权利要求7所述的设备，其特征在于，第一处理模块，还用于：

将所述生产设备故障时的生产数据作为生产数据样本；

通过所述神经网络模型对标准化处理后的生产数据样本的特征向量进行训练；

将训练后的特征向量作为参考特征向量；

将所述标准化处理后的生产数据的特征向量与所述参考特征向量进行匹配；

若匹配，则所述生产数据对应的生产设备发生故障；

若不匹配，则所述生产数据对应的生产设备未发生故障。

9.如权利要求6所述的设备，其特征在于，第二处理模块，具体用于：

将所述市场数据的数据信息输入所述数据分析模型中；

基于所述数据信息确定数据分析结果；

将所述数据分析结果以图表形式输出。

10.如权利要求9所述的方法，其特征在于，第二处理模块，还用于：

基于所述市场数据的数据信息确定初始数据模型；

获取预设数量的与所述市场数据的数据信息对应的数据集；

基于所述数据集训练所述初始数据模型，以获取所述数据分析模型；

将所述市场数据的数据信息输入所述数据分析模型中。

Images