CN112307047B - 生产问题处理方法、装置、设备和存储介质 - Google Patents

生产问题处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112307047B
CN112307047B CN202011182509.4A CN202011182509A CN112307047B CN 112307047 B CN112307047 B CN 112307047B CN 202011182509 A CN202011182509 A CN 202011182509A CN 112307047 B CN112307047 B CN 112307047B
Authority
CN
China
Prior art keywords
training
information
scheme
recorded
result
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.)
Active
Application number
CN202011182509.4A
Other languages
English (en)
Other versions
CN112307047A (zh
Inventor
石强强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202011182509.4A priority Critical patent/CN112307047B/zh
Publication of CN112307047A publication Critical patent/CN112307047A/zh
Application granted granted Critical
Publication of CN112307047B publication Critical patent/CN112307047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及神经网络技术领域，特别是涉及一种生产问题处理方法、装置、设备和存储介质，其方法包括：获取实时问题的上报请求，上报请求中包含该实时问题的问题侧记录的信息；根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；确定通过所述第一方案侧记录信息对所述实时问题的处理结果；根据处理结果，判断是否需要根据问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中，以此大大地提高了以往生产问题的处理效率。

Description

生产问题处理方法、装置、设备和存储介质
技术领域
本发明涉及神经网络技术领域，特别是涉及一种生产问题处理方法、装置、设备和存储介质。
背景技术
一般情况下，企业在生产的过程中，都会或多或少的出现一些生产异常问题，这些问题具有临时性、不确定性、不可预测性等特征，可能是以前出现过的就问题，也有可能是新问题，也许可以通过很多方法避免，也许无从避免，这些生产异常问题或多或少会对生产效益产生一定的影响，那么如何加强对这些问题的控制，或者提升对生产异常问题反应与解决速度和能力，减少损失，是众多企业关注的问题。
而现有应用于解决生产问题的系统的功能主要还是以管理为主，实际出现的生产问题并不是经由发现问题的一线操作者上报，需经过多层传递和审批才能到达解决该问题的开发人员处，上报的过程中由于对问题的描述差异、定性不准，导致处理该问题的开发人员无法准确的判断该问题的影响范围和紧急程度，因此对每一个系统所上报的问题都要重新进行排查后才能做出解决方案，耗时费力，而且在实际的排查过程中，需要查询的相关非核心记录日志保存时间较短，由于在上报的过程中已经耗费大量时间，相关记录日志到开发人员开始查询的时间段相隔较长，致使开发人员难以对该问题作出全面细致的分析，而且在实际对问题的解决过程中个，需要对该问题进行复现操作，很多问题因为数据和相关描述不准确不能及时复现，影响开发人员快速的作出相关的解决方案；
另外，生产中所出现的部分问题可以归纳为同一种问题，但由于上述系统并无此归纳功能，即便出现相同问题依旧按以往的操作流程进行流转，往往很多时候，很多问题实际已被解决过，当历史已解决的问题再次出现时，容易将其分配给未处理过相关问题的开发人员手中，该开发人员又得从头排查，耗时费力。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种生产问题处理方法、装置、设备和存储介质。
为了解决上述问题，本发明实施例公开了一种生产问题处理方法，其特征在于，包括：
获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；
根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；
确定通过所述第一方案侧记录信息对所述实时问题的处理结果；
根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中。
进一步地，所述获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息，包括：
获取上报请求中的问题侧记录和相关联的问题描述档案，所述问题侧记录信息包含该实时问题的问题标识、上报者身份标识以及问题关键词；
当获取到复数个上报请求均包含同一所述问题标识时，将复数个问题侧记录生成一共性问题侧记录，所述共性问题侧记录信息包含该共性问题的问题标识、上报者身份标识以及问题关键词。
进一步地，所述根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送，所述第一方案侧记录信息包含历史方案的方案标识、处理者身份信息以及方案关键词，包括：
根据问题关键词在所述训练数据库中匹配相应的历史方案的方案关键词，得到第一方案方案侧记录和相关联的第一方案描述档案；
根据上报者身份信息发送所述第一方案描述档案。
进一步地，所述确定通过所述第一方案侧记录信息对所述实时问题的处理结果，包括：
获取所述上报请求的撤销信息，则处理结果确定为成功；
或
获取所述上报请求中指示该实时问题紧急程度的紧急标识，则处理结果确定为未成功。
进一步地，所述根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中，包括：
若处理结果为成功，则所述训练模型对所述问题侧记录和所述第一方案侧记录进行训练，得到所述第一训练结果并存储与所述训练数据库中；
若处理结果为未成功，则发送问题侧记录的信息和第一方案侧记录的信息，以获取第二方案侧记录信息，调用所述训练模型对所述问题侧记录和所述第二方案侧记录进行训练，得到所述第二训练结果并存储与所述训练数据库中。
进一步地，所述调用预设的训练模型，包括：
获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件；
将所述问题侧记录信息、所述第一方案侧记录信息和所述第二方案侧记录信息中的数据作数值化处理；
以所述问题侧记录的数值作为输入节点、所述第一方案侧记录数值/所述第二方案侧记录的数值作为输出节点。
进一步地，所述获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件，包括：
所述BP神经网络中的隐含层传输函数设定为logsig，输出层传输函数设定为Logsig，训练函数设定为traingdx，显示间隔设定为100，最大训练步数设定为5000，目标误差设定为le4，学习速率设定为0.01，动力系数设定为0.9；
所述GA算法中的初始化种群大小设定为45，最大遗传代数设定为50，代沟设定为0.9，选择概率设定为0.05，交叉概率设定为0.85。
还提供一种生产问题处理装置，包括：
获取模块，用于获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；
发送模块，用于根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；
确定模块，用于确定通过所述第一方案侧记录信息对所述实时问题的处理结果；
训练模块，用于根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中。
本发明实施例包括以下优点：
通过采用GA-BP神经网络对历史问题侧记录或实时问题的问题侧记录，结合方案侧记录，进行模型训练，并时刻更新数据库，通过对实时发生问题的关键词等信息在数据库中匹配相应的方案侧记录，并及时反馈给上报问题的终端，便于该终端的操作人员结合方案侧记录对该实时问题进行及时处理，若不能处理，将该问题发送至开发人员，开发人员结合数据中的训练日志对其快速得到处理方案即第二方案侧记录并反馈，以此大大地提高了以往生产问题的处理效率。
附图说明
图1是本发明的一种生产问题处理方法实施例的步骤流程图。
图2是本发明的一种生产问题处理信令流程示意图。
图3是本发明的一种生产问题处理装置实施例的结构框图。
图4是本发明的一种生产问题处理设备的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，示出了本发明的一种生产问题处理方法实施例的步骤流程图，具体可以包括如下步骤：
S1，获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；
S2，根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；
S3，确定通过所述第一方案侧记录信息对所述实时问题的处理结果；
S4，根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中。
上述中，生产问题包括历史问题和实时问题，在实时问题发生前，训练数据库中所存储的训练结果的训练条件均基于历史问题和与之相应的解决方案通过训练模型训练而得；
当实时问题发生时，获取实时问题的上报请求，解析上报请求得到问题侧记录信息，根据问题侧记录信息在训练数据中匹配相应的第一方案侧记录信息，即，第一方案侧记录信息包含与历史问题相关的解决方案，第一方案侧记录在训练数据库中对应历史问题侧记录，根据实时问题的问题侧记录在数据库中匹配历史问题侧记录便可得到与之对应的第一方案侧记录，通过与实时问题相似或者相同的历史问题的解决方案来解决上报请求中的实时问题；若通过第一方案侧记录信息使实时问题得以处理，则将第一方案侧记录和问题侧记录通过训练模型训练使两者得以对应，存储于训练数据库中以更新，便于后续相似问题发生及时匹配解决方案；若通过第一方案侧记录信息，实时问题不能得以处理，则发送该问题侧记录信息在外部获取解决方案，即第二方案侧记录信息，由于第二方案侧记录信息是外部根据问题侧记录对实时问题复现以及参考第一方案侧记录所得出可准确解决该实时问题的，则直接将第二方案侧记录和问题侧记录通过训练模型训练使两者得以对应，同样的，存储于训练数据库中以更新，便于后续相似问题发生及时匹配解决方案。
参照图2，所示出本发明的一种生产问题处理信令流程示意图，所述流程涉及上报端、服务端和开发端，生产中的实时问题发生于上报端，服务端对上报端提供解决方案，上报端对服务端进行实时问题的处理反馈，开发端对服务端提供新的解决方案，如图所示，其流程包括：
上报端向服务端发送上报请求，服务端接收上报请求后在训练数据库中匹配第一方案侧记录的信息并反馈给上报端，上报端接收第一方案侧记录的信息后对其实时问题进行处理，将处理结果反馈给服务端，服务端对处理结果判断是否将与处理结果相关的问题侧记录和第一方案侧记录进行模型训练，若否，则发送问题侧记录信息和第一方案侧记录信息至开发端，开发端反馈第二方案侧记录信息至服务端，服务端将问题侧记录和第二方案侧记录进行模型训练，最后将通过模型训练得到的第一训练结果/第二训练结果存储于训练数据库中。
在一实施例中，所述获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息，包括：
获取上报请求中的问题侧记录和相关联的问题描述档案，问题描述档案即处理端对该实时问题的描述内容，所述问题侧记录信息包含该实时问题的问题标识、上报者身份标识以及问题关键词；
当获取到复数个上报请求均包含同一所述问题标识时，将复数个问题侧记录生成一共性问题侧记录，所述共性问题侧记录信息包含该共性问题的问题标识、上报者身份标识以及问题关键词。
上报端可分为多层级，即高层级的上报端下可从属多个低层级的上报端，一般情况下，实时问题发生在低层级的上报端处，当复数个(至少两个)低层级上报端上报请求时的问题侧记录中的问题标识相同，则标识该复数个的低层级上报端所上报请求的实时问题为同一类型，此时，高层级的上报端将复数个上报端的上报请求截下，以高层级上报端将复数个的实时问题形成共性问题，以高层级上报端向服务端发送共性问题的上报请求，其中包含共性问题侧记录信息。
上述中，复数个低层级上报端在服务端给出第一方案侧记录信息不能处理该实时问题时，上报请求才会按层级流转至高层级上报端。
在一实施例中，所述根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送，所述第一方案侧记录信息包含历史方案的方案标识、处理者身份信息以及方案关键词，包括：
根据问题关键词在所述训练数据库中匹配相应的历史方案的方案关键词，得到第一方案方案侧记录和相关联的第一方案描述档案；
根据上报者身份信息发送所述第一方案描述档案。
在一实施例中，所述确定通过所述第一方案侧记录信息对所述实时问题的处理结果，包括：
获取所述上报请求的撤销信息，则处理结果确定为成功；
或
获取所述上报请求中指示该实时问题紧急程度的紧急标识，则处理结果确定为未成功。
即，通过第一方案侧记录信息将实时问题解决，则上报端撤销上报请求，表示处理结果确定为成功；通过第一方案侧记录信息未将实时问题解决，上报端对在上报请求中添加紧急标识，带有紧急标识的上报请求会随层级进行流转或直接至服务端，表示处理结果为未成功。
在一实施例中，所述根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中，包括：
若处理结果为成功，则所述训练模型对所述问题侧记录和所述第一方案侧记录进行训练，得到所述第一训练结果并存储与所述训练数据库中；
若处理结果为未成功，则发送问题侧记录的信息和第一方案侧记录的信息，以获取第二方案侧记录信息，调用所述训练模型对所述问题侧记录和所述第二方案侧记录进行训练，得到所述第二训练结果并存储与所述训练数据库中。
因为问题侧记录与问题描述档案相关联、方案侧记录与方案描述档案相关联，即，仅需将问题侧记录和方案侧记录通过训练模型训练至对应，可查找相应的问题描述档案和方案描述档案。
在一实施例中，所述调用预设的训练模型，包括：
获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件；
将所述问题侧记录信息、所述第一方案侧记录信息和所述第二方案侧记录信息中的数据作数值化处理；即，问题侧记录信息中的数据包含实时问题的问题标识、上报者身份标识以及问题关键词，第一方案侧记录信息中的数据包含历史方案的方案标识、处理者身份信息以及方案关键词，第二方案侧记录信息中的数据包含实时方案的方案标识、处理者身份信息以及方案关键词；
以所述问题侧记录中的数值作为输入节点、所述第一方案侧记录数值/所述第二方案侧记录的数值作为输出节点。
在一实施例中，所述获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件，包括：
所述BP神经网络中的隐含层传输函数设定为logsig，输出层传输函数设定为Logsig，训练函数设定为traingdx，显示间隔设定为100，最大训练步数设定为5000，目标误差设定为le4，学习速率设定为0.01，动力系数设定为0.9；
所述GA算法中的初始化种群大小设定为45，最大遗传代数设定为50，代沟设定为0.9，选择概率设定为0.05，交叉概率设定为0.85。
本发明方法通过采用GA-BP神经网络对历史问题侧记录或实时问题的问题侧记录，结合方案侧记录，进行模型训练，并时刻更新数据库，通过对实时发生问题的关键词等信息在数据库中匹配相应的方案侧记录，并及时反馈给上报问题的终端，便于该终端的操作人员结合方案侧记录对该实时问题进行及时处理，若不能处理，将该问题发送至开发人员，开发人员结合数据中的训练日志对其快速得到处理方案即第二方案侧记录并反馈，以此大大地提高了以往生产问题的处理效率。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图3，示出了本发明的一种生产问题处理装置实施例的结构框图，具体可以包括如下模块：
获取模块100，用于获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；
发送模块200，用于根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；
确定模块300，用于确定通过所述第一方案侧记录信息对所述实时问题的处理结果；
训练模块400，用于根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中。
在一实施例中，所述获取模块100，包括：
获取上报请求中的问题侧记录和相关联的问题描述档案，所述问题侧记录信息包含该实时问题的问题标识、上报者身份标识以及问题关键词；
当获取到复数个上报请求均包含同一所述问题标识时，将复数个问题侧记录生成一共性问题侧记录，所述共性问题侧记录信息包含该共性问题的问题标识、上报者身份标识以及问题关键词。
在一实施例中，所述发送模块200，包括：
根据问题关键词在所述训练数据库中匹配相应的历史方案的方案关键词，得到第一方案方案侧记录和相关联的第一方案描述档案；
根据上报者身份信息发送所述第一方案描述档案。
在一实施例中，所述确定模块300，包括：
获取所述上报请求的撤销信息，则处理结果确定为成功；
或
获取所述上报请求中指示该实时问题紧急程度的紧急标识，则处理结果确定为未成功。
在一实施例中，所述训练模块400，包括：
若处理结果为成功，则所述训练模型对所述问题侧记录和所述第一方案侧记录进行训练，得到所述第一训练结果并存储与所述训练数据库中；
若处理结果为未成功，则发送问题侧记录的信息和第一方案侧记录的信息，以获取第二方案侧记录信息，调用所述训练模型对所述问题侧记录和所述第二方案侧记录进行训练，得到所述第二训练结果并存储与所述训练数据库中。
所述训练模块400，还包括：
获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件；
将所述问题侧记录信息、所述第一方案侧记录信息和所述第二方案侧记录信息中的数据作数值化处理；
以所述问题侧记录的数值作为输入节点、所述第一方案侧记录数值/所述第二方案侧记录的数值作为输出节点；
所述训练模块400，还包括：
所述BP神经网络中的隐含层传输函数设定为logsig，输出层传输函数设定为Logsig，训练函数设定为traingdx，显示间隔设定为100，最大训练步数设定为5000，目标误差设定为le4，学习速率设定为0.01，动力系数设定为0.9；
所述GA算法中的初始化种群大小设定为45，最大遗传代数设定为50，代沟设定为0.9，选择概率设定为0.05，交叉概率设定为0.85。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
参照图4，示出了本发明的一种生产问题处理方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图3中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的生产问题处理方法。
也即，上述处理单元16执行上述程序时实现：获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；确定通过所述第一方案侧记录信息对所述实时问题的处理结果；根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的生产问题处理方法：
也即，该程序被处理器执行时实现：获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；确定通过所述第一方案侧记录信息对所述实时问题的处理结果；根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入、第一方案侧记录信息/第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种生产问题处理方法、装置、设备和存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.生产问题处理方法，其特征在于，包括：
获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；
根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；
确定通过所述第一方案侧记录信息对所述实时问题的处理结果；其中，获取所述上报请求的撤销信息，则处理结果确定为成功；或，获取所述上报请求中指示该实时问题紧急程度的紧急标识，则处理结果确定为未成功；
根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入，以第一方案侧记录信息或第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中；其中，若处理结果为成功，则所述训练模型对所述问题侧记录和所述第一方案侧记录进行训练，得到所述第一训练结果并存储与所述训练数据库中；若处理结果为未成功，则发送问题侧记录的信息和第一方案侧记录的信息，以获取第二方案侧记录信息，调用所述训练模型对所述问题侧记录和所述第二方案侧记录进行训练，得到所述第二训练结果并存储与所述训练数据库中；
所述调用预设的训练模型，包括：获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件；将所述问题侧记录信息、所述第一方案侧记录信息和所述第二方案侧记录信息中的数据作数值化处理；以所述问题侧记录的数值作为输入节点、所述第一方案侧记录数值/所述第二方案侧记录的数值作为输出节点；
所述获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件，包括：
所述BP神经网络中的隐含层传输函数设定为logsig，输出层传输函数设定为Logsig，训练函数设定为traingdx，显示间隔设定为100，最大训练步数设定为5000，目标误差设定为le4，学习速率设定为0.01，动力系数设定为0.9；所述GA算法中的初始化种群大小设定为45，最大遗传代数设定为50，代沟设定为0.9，选择概率设定为0.05，交叉概率设定为0.85。
2.根据权利要求1所述的方法，其特征在于，所述获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息，包括：
获取上报请求中的问题侧记录和相关联的问题描述档案，所述问题侧记录信息包含该实时问题的问题标识、上报者身份标识以及问题关键词；
当获取到复数个上报请求均包含同一所述问题标识时，将复数个问题侧记录生成一共性问题侧记录，所述共性问题侧记录信息包含该共性问题的问题标识、上报者身份标识以及问题关键词。
3.根据权利要求1所述的方法，其特征在于，所述根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送，所述第一方案侧记录信息包含历史方案的方案标识、处理者身份信息以及方案关键词，包括：
根据问题关键词在所述训练数据库中匹配相应的历史方案的方案关键词，得到第一方案方案侧记录和相关联的第一方案描述档案；
根据上报者身份信息发送所述第一方案描述档案。
4.生产问题处理装置，其特征在于，包括：
获取模块，用于获取实时问题的上报请求，所述上报请求中包含该实时问题的问题侧记录的信息；
发送模块，用于根据问题侧记录信息在预设的训练数据库中匹配相应的第一方案侧记录信息并发送；
确定模块，用于确定通过所述第一方案侧记录信息对所述实时问题的处理结果；其中，获取所述上报请求的撤销信息，则处理结果确定为成功；或，获取所述上报请求中指示该实时问题紧急程度的紧急标识，则处理结果确定为未成功；
训练模块，用于根据所述处理结果，判断是否需要根据所述问题侧记录信息和第一方案侧记录信息获取第二方案侧记录信息，调用预设的训练模型，以问题侧记录信息作为输入，以第一方案侧记录信息或第二方案侧记录信息作为输出，训练得到第一训练结果/第二训练结果并存储于所述训练数据库中；其中，若处理结果为成功，则所述训练模型对所述问题侧记录和所述第一方案侧记录进行训练，得到所述第一训练结果并存储与所述训练数据库中；若处理结果为未成功，则发送问题侧记录的信息和第一方案侧记录的信息，以获取第二方案侧记录信息，调用所述训练模型对所述问题侧记录和所述第二方案侧记录进行训练，得到所述第二训练结果并存储与所述训练数据库中；
所述调用预设的训练模型，包括：获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件；将所述问题侧记录信息、所述第一方案侧记录信息和所述第二方案侧记录信息中的数据作数值化处理；以所述问题侧记录的数值作为输入节点、所述第一方案侧记录数值/所述第二方案侧记录的数值作为输出节点；
所述获取BP神经网络的参数设定和GA算法的参数设定，生成所述训练模型文件，包括：
所述BP神经网络中的隐含层传输函数设定为logsig，输出层传输函数设定为Logsig，训练函数设定为traingdx，显示间隔设定为100，最大训练步数设定为5000，目标误差设定为le4，学习速率设定为0.01，动力系数设定为0.9；所述GA算法中的初始化种群大小设定为45，最大遗传代数设定为50，代沟设定为0.9，选择概率设定为0.05，交叉概率设定为0.85。
5.电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的生产问题处理方法。
6.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的生产问题处理方法。
CN202011182509.4A 2020-10-29 2020-10-29 生产问题处理方法、装置、设备和存储介质 Active CN112307047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011182509.4A CN112307047B (zh) 2020-10-29 2020-10-29 生产问题处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011182509.4A CN112307047B (zh) 2020-10-29 2020-10-29 生产问题处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112307047A CN112307047A (zh) 2021-02-02
CN112307047B true CN112307047B (zh) 2023-07-14

Family

ID=74331736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011182509.4A Active CN112307047B (zh) 2020-10-29 2020-10-29 生产问题处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112307047B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095794A (zh) * 2021-04-30 2021-07-09 中国工商银行股份有限公司 基于马尔科夫链的生产问题检查方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009159A (zh) * 2019-04-11 2019-07-12 湖北风口网络科技有限公司 基于网络大数据的金融借贷需求预测方法及系统
CN111401041A (zh) * 2020-03-23 2020-07-10 北京奇艺世纪科技有限公司 一种问题预测方法、装置、电子设备及存储介质
CN111598162A (zh) * 2020-05-14 2020-08-28 万达信息股份有限公司 一种黄牛风险监测方法、终端设备和存储介质
CN111754195A (zh) * 2020-06-28 2020-10-09 中国银行股份有限公司 信息处理的方法及装置、电子设备及计算机可读存储介质
CN111831685A (zh) * 2019-09-17 2020-10-27 北京嘀嘀无限科技发展有限公司 一种查询语句的处理方法、训练模型的方法、装置及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009159A (zh) * 2019-04-11 2019-07-12 湖北风口网络科技有限公司 基于网络大数据的金融借贷需求预测方法及系统
CN111831685A (zh) * 2019-09-17 2020-10-27 北京嘀嘀无限科技发展有限公司 一种查询语句的处理方法、训练模型的方法、装置及设备
CN111401041A (zh) * 2020-03-23 2020-07-10 北京奇艺世纪科技有限公司 一种问题预测方法、装置、电子设备及存储介质
CN111598162A (zh) * 2020-05-14 2020-08-28 万达信息股份有限公司 一种黄牛风险监测方法、终端设备和存储介质
CN111754195A (zh) * 2020-06-28 2020-10-09 中国银行股份有限公司 信息处理的方法及装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112307047A (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN103513983B (zh) 用于预测性警报阈值确定工具的方法和系统
CN110647447B (zh) 用于分布式系统的异常实例检测方法、装置、设备和介质
US11042820B2 (en) Asset management and work order application synchronization for intelligent lockers
CN110471945B (zh) 活跃数据的处理方法、系统、计算机设备和存储介质
CN114647525A (zh) 诊断方法、装置、终端及存储介质
CN112364145A (zh) 一种工单处理方法、装置、电子设备及存储介质
CN112307047B (zh) 生产问题处理方法、装置、设备和存储介质
CN113010208B (zh) 一种版本信息的生成方法、装置、设备及存储介质
CN115033639A (zh) 一种生成集群间数据共享的关系图的方法和相关装置
CN113138906A (zh) 一种调用链数据采集方法、装置、设备及存储介质
US20230367668A1 (en) Proactive root cause analysis
CN111966993B (zh) 设备标识码识别、生成算法测试方法、装置、设备及介质
CN112163740B (zh) 基于区块链的维保人员评估结果获取方法和装置
CN115062676A (zh) 数据处理方法、装置及计算机可读存储介质
CN112035159B (zh) 一种稽核模型的配置方法、装置、设备及存储介质
CN114564349A (zh) 一种服务器的监控方法、装置、电子设备及存储介质
CN108763291B (zh) 一种数据管理方法、装置及电子设备
CN112582080A (zh) 一种物联网设备状态监测方法及系统
CN109992572A (zh) 一种自适应均衡日志存储请求的方法
US11797374B2 (en) Systems and methods for recording major incident response information
CN117714453B (zh) 一种基于物联网卡的智能设备管理方法及系统
CN116827817B (zh) 数据链路状态监测方法、装置、监测系统及存储介质
CN115495535A (zh) 跨调度数据作业溯源方法、装置、设备和存储介质
WO2024012186A1 (zh) 根因定位方法、通信设备及计算机可读存储介质
CN114926154B (zh) 一种多场景数据识别的保护切换方法及系统

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
GR01 Patent grant
GR01 Patent grant