CN112580812A - 模型训练方法、库存安全预警方法、装置、设备及介质 - Google Patents
模型训练方法、库存安全预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112580812A CN112580812A CN201910925506.6A CN201910925506A CN112580812A CN 112580812 A CN112580812 A CN 112580812A CN 201910925506 A CN201910925506 A CN 201910925506A CN 112580812 A CN112580812 A CN 112580812A
- Authority
- CN
- China
- Prior art keywords
- inventory
- expected failure
- training
- equipment
- failure components
- 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
- 238000012549 training Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000004519 manufacturing process Methods 0.000 claims abstract description 31
- 230000008439 repair process Effects 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种模型训练方法,包括:获取第一训练样本;第一训练样本包括设备现场工况以及对应的库存标签,其中,设备现场工况包括预期故障部件、与预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全;根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。由于和设备生产时的预测预警信息进行联动,并且考虑了故障处理时间,故对于库存安全性评估具有较高的准确度。本申请还公开了对应的库存安全预警方法、装置、设备及介质。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种模型训练方法、库存安全预警方法、装置、设备及计算机可读存储介质。
背景技术
在工业领域,为了保证生产线正常生产,减少设备故障导致的产能损失,常常需要针对设备的部件采购一定数量的备件,以便设备部件故障时能够及时更换备件。
目前,许多大型设备或者精密设备,例如油田设备一般是在每个周期内为不同类型备件编制预算,然后根据预算进行计划性采购,如此,导致很难实现零库存的目标,对于大型设备或者精密设备而言,其部件一般比较昂贵,基于此,也很难实现备件的经济性。
基于此,如何提升备件库存管理的安全性和经济性成为一个亟待解决的问题。
发明内容
本申请提供了一种模型训练方法,通过利用设备现场工况等数据训练库存安全预测模型,基于该库存安全预测模型可以实现库存安全预警,避免库存过少影响正常生产或者库存过多导致成本增加,从而提高备件库存管理的安全性和经济性。本申请还提供了对应的装置、设备、介质、处理器以及计算机程序产品等。
本申请第一方面提供了一种模型训练方法,所述方法包括:
获取第一训练样本;所述第一训练样本包括设备现场工况以及对应的库存标签,其中,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全;
根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。
本申请第二方面提供了一种库存安全预警方法,所述方法包括:
获取设备现场工况,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存;
根据所述设备现场工况,利用预训练的库存安全预测模型进行预测得到库存安全预测结果;
当所述库存安全预测结果表征设备备件库存不安全时,生成预警信信息,并根据所述预警信息进行信息提示;
其中,所述库存安全预测模型是根据第一训练样本利用机器学习算法训练得到的,所述第一训练样本包括设备现场工况以及对应的库存标签,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
本申请第三方面提供了一种模型训练装置,所述装置包括:
获取单元,用于获取第一训练样本;所述第一训练样本包括设备现场工况以及对应的库存标签,其中,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全;
训练单元,用于根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。
本申请第四方面提供了一种库存安全预警装置,所述装置包括:
获取单元,用于获取设备现场工况,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存;
预测单元,用于根据所述设备现场工况,利用预训练的库存安全预测模型进行预测得到库存安全预测结果;
预警单元,用于当所述库存安全预测结果表征设备备件库存不安全时,生成预警信信息,并根据所述预警信息进行信息提示;
其中,所述库存安全预测模型是根据第一训练样本利用机器学习算法训练得到的,所述第一训练样本包括设备现场工况以及对应的库存标签,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
本申请第五方面提供了一种设备,所述设备包括处理器和存储器:
所述存储器用于存储程序指令;
所述处理器用于调用所述存储器中的所述程序指令,以执行如第一方面所述的模型训练方法或第二方面所述的库存安全预警方法。
本申请第六方面提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码被处理器执行时实现如第一方面所述的模型训练方法或第二方面所述的库存安全预警方法。
本申请第七方面提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行第一方面所述的模型训练方法或第二方面所述的库存安全预警方法。
本申请第八方面提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有第一方面所述的模型训练方法或第二方面所述的库存安全预警方法的程序。
从以上技术方案可以看出,本申请实施例具有以下优点:
在进行模型训练时,先获取第一训练样本,该第一训练样本包括设备现场工况以及对应的库存标签,其中,设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,库存标签用于标识所述预期故障部件的库存是否安全,然后根据第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出,由于模型训练阶段根据设备在生产时的预测预警信息如预期故障部件进行联动,而且考虑了对应的故障处理时间,因此,基于该方法训练得到的库存安全预测模型对于库存安全性评估具有较高的准确度,如此可以实现备件库存管理的安全性和经济性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中一种模型训练方法的场景架构图;
图2为本申请实施例中一种模型训练方法的流程图;
图3为本申请实施例中一种库存安全预警方法的场景架构图;
图4为本申请实施例中一种库存安全预警方法的流程图;
图5为本申请实施例中一种信息提示效果图;
图6为本申请实施例中一种信息提示效果图;
图7为本申请实施例中一种信息提示效果图;
图8为本申请实施例中一种模型训练装置的结构示意图;
图9为本申请实施例中一种库存安全预警装置的结构示意图;
图10为本申请实施例中一种设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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做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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
针对目前备件库存管理的安全性和经济性难以得到保障的问题,本申请提供了一种模型训练方法,通过与设备在生产时的预测预警信息如预期故障部件进行联动,并且考虑了对应的故障处理时间,因此,基于该方法训练得到的库存安全预测模型在进行库存安全预测时,能够基于较多信息进行预测,因而具有较高的准确度。
进一步地,本申请还提供了一种基于库存安全模型的库存安全预警方法,具体地,利用预训练的库存安全预测模型进行预测得到库存安全预测结果,当所述库存安全预测结果表征设备备件库存不安全时,生成预警信信息,并根据所述预警信息进行信息提示,如此进行备件库存管理可以保证安全性和经济性。
下面分别对本申请提供的模型训练方法和库存安全预警方法进行介绍。
本申请提供的模型训练方法可以应用于任意具有数据处理功能的处理设备,该处理设备可以是终端,包括个人计算机(Personal Computer,PC)、小型机、大型机或者工作站等,当然,该处理设备也可以是服务器。需要说明的是,处理设备在训练模型时,可以是独立地训练模型,也可以是以集群的方式训练。为了方便描述,后文以独立的服务器训练模型进行示例性说明。
上述模型训练方法可以采用计算机程序的形式存储于处理设备,处理设备通过执行上述计算机程序实现模型训练方法。其中,计算机程序可以是独立的,也可以是集成于其他计算机程序之上的功能模块、插件或者小程序等,本实施例对此不作限定。
在实际应用时,本申请实施例提供的模型训练方法包括但不限于应用于如图1所示的环境中。
如图1所示,服务器101与生产线中至少一台设备102通过网络进行连接,服务器101可以从设备102获取设备现场工况,该所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,根据所述设备现场工况和标识预期故障部件的库存是否安全的库存标签生成第一训练样本,服务器101根据该第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件。
接下来,从服务器角度,结合具体实施例对本申请的模型训练方法进行详细介绍。
参见图2所示的模型训练方法的流程图,该方法包括:
S201:获取第一训练样本。
所述第一训练样本包括设备现场工况以及对应的库存标签。其中,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
其中,预期故障部件是指预期目标时间段将要发生故障的设备部件,其可以基于设备的历史数据预测得到,具体地,设备的历史数据可以包括历史故障发生时间、历史故障发生次数、历史故障部件以及历史故障发生时的工艺参数等数据中的至少一种,基于上述历史数据可以训练故障预测模型,将设备中各部件工作时间、当前工艺参数等信息输入至故障预测模型,可以获得预期故障部件。
故障维修时间是指部件发生故障时进行维修所耗费的时间。需要说明的是,该故障维修时间具体可以是有效故障时间,也即排除等待维修等非必要时间后的故障维修时间。故障维修时间可以是基于经验值确定,也可以是基于维修手册等给出的参考值而确定。在一些可能的实现方式中,可以针对每种故障部件分别统计对应的故障维修时间平均值,将该故障维修时间平均值作为故障维修时间。
采办周期也称作采购周期,具体是指从请求开始采购至完成采购的时间。对于不同类型的部件,其采购周期可以是不同的,例如,对于成本高于预设值的部件,其采购周期相对较长,例如可以是一年或半年,而对于成本低于上述预设值的部件,其采购周期相对较短,例如可以是一个月。当前备件库存具体是指部件的备件存量,服务器可以从库存管理系统获取当前备件库存。
在获得预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存等信息时,服务器可以基于上述信息进行标注得到库存标签。
例如,预期故障部件表征在接下来的目标时间段如一个季度,有3条生产线上设备A的部件A1将要发生故障,部件A1的采办周期为一年,部件A1的库存为2,则即使请求采办部件A1,也难以满足上述3条生产线的维修需求,因此,库存标签为不安全。
基于此,服务器可以将上述设备现场工况和对应的库存标签进行组合,从而生成第一训练样本。当然,在一些可能的实现方式中,服务器也可以直接从样本数据库中获取上述第一训练样本。
S202:根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件。
其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。在具体实现时,服务器可以将第一训练样本分批输入库存安全预测模型,该库存安全预测模型能够针对训练样本中的设备现场工况进行预测得到针对库存安全的预测结果,然后服务器通过库存安全预测结果以及第一训练样本中的库存标签更新库存安全预测模型的参数,从而实现模型训练。
在对参数进行迭代更新过程中,可以基于库存安全预测模型的损失函数确定该库存安全预测模型的当前训练状况。其中,损失函数表征预测值与真实值的差距程度,因此,可以通过损失函数衡量模型好坏。
当损失函数小于预设阈值时,则表明库存安全预测模型的预测值比较接近真实值,其满足训练结束条件,可以停止训练,并将此时的库存安全预测模型用于库存安全预测。
当损失函数处于收敛状态时,则表明库存安全预测模型的优化空间较小,再进行训练也不会带来较大的改进,可以视为满足训练结束条件,服务器可以停止训练,并将此时的库存安全预测模型用于库存安全预测。
在一些可能的实现方式中,库存安全预测模型可以是卷积神经网络模型,服务器在对卷积神经网络模型训练时,可以采用随机梯度下降(Stochastic Gradient Descent,SGD)和/或反向传播算法(Backpropagation algorithm,BP)等机器学习算法加快训练进度,提高训练效率。
由上可知,本申请实施例提供了一种模型训练方法,在进行模型训练时,先获取第一训练样本,该第一训练样本包括设备现场工况以及对应的库存标签,其中,设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,库存标签用于标识所述预期故障部件的库存是否安全,然后根据第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出,由于模型训练阶段根据设备在生产时的预测预警信息如预期故障部件进行联动,而且考虑了对应的故障处理时间,因此,基于该方法训练得到的库存安全预测模型对于库存安全性评估具有较高的准确度,如此可以实现备件库存管理的安全性和经济性。
基于图2所示实施例,可以针对每种设备分别建立对应的库存安全预测模型,考虑到模型使用过程中还可能存在实际与预测不符的情况,因此,服务器还可以获取设备在安全性预测时间内发生的故障事件,根据故障事件的故障详情信息和库存信息生成第二训练样本,利用所述第二训练样本更新所述库存安全预测模型,实现模型的个性与统一,并且进一步提高库存安全预测模型的精度。
其中,安全性预测时间是指所述库存安全预测模型预测库存安全的时间段,例如,库存安全预测模型预测接下来的目标时间段目标部件不会发生库存安全,则可以将该时间段确定为安全性预测时间。若在安全性预测时间内目标部件发生故障,则可以基于故障详情信息如故障部件、故障维修时间、故障部件的采办周期以及库存信息如故障部件的当前备件库存生成第二训练样本,该第二训练样本的库存标签具体用于标识备件库存不安全。
进一步地,考虑到是针对每种设备分别建立库存安全预测模型,因此,当前设备的同类设备如同型号设备的故障数据具有较高的参考价值,服务器可以根据同类设备发生的故障事件对应的故障详情信息和库存信息生成第三训练样本,利用所述第三训练样本训练或更新所述库存安全预测模型。
其中,根据故障事件对应的故障详情信息和库存信息生成训练样本的过程可以参见上文相关内容描述,在此不再赘述。
在一些可能的实现方式中,训练样本还包括设备的健康度,如第一训练样本的设备现场工况中包括设备的健康度,或者故障事件的故障详情信息中还包括设备的健康度,如此基于设备现场工况或者基于故障详情信息生成的训练样本还包括设备的健康度。
设备的健康度反映了设备整体健康状况,其可以通过相应的预测模型预测得到,通过在训练样本中增加设备的健康度可以进一步提高库存安全预测模型的准确度。
以上为本申请实施例提供的模型训练方法的一些具体实现方式,基于此,本申请实施例还提供了一种应用上述库存安全预测模型的预测安全预警方法,下面进行详细说明。
可以理解,本申请提供的库存安全预警方法可以应用于任意具有显示功能或者音频播放功能的终端设备(以下简称终端),该终端设备具体可以是台式机等桌面终端,也可以是平板电脑、笔记本电脑、手机等便携式终端,或者是增强现实终端以及虚拟现实终端等。
上述库存安全预警方法能够以计算机程序的形式存储于终端,终端通过运行计算机程序实现本申请的库存安全预警方法。上述计算机程序可以是独立的计算机程序,也可以是集成于其他计算机程序之上的功能模块、插件或者小程序等。
在实际应用时,本申请的库存安全预警方法可以包括但不限于应用于如图3所示的应用环境中。
如图3所示,终端301分别与服务器302、生产线中的设备303通过网络进行连接,服务器302预先根据第一训练样本利用机器学习算法训练得到库存安全预测模型,并将该库存安全预测模型的模型参数传输至终端301,如此,终端301可以获得库存安全预测模型,终端301通过设备303获取设备现场工况,然后基于所述设备现场工况利用预训练的库存安全预测模型进行预测得到库存安全预测结果,当所述库存安全预测结果表征设备备件库存不安全时,终端301生成预警信信息,并根据所述预警信息进行信息提示。
为了便于理解上述技术方案,下面结合附图对库存安全预警方法的各个步骤进行详细说明。
参见图4所示的库存安全预警方法的流程图,该方法包括:
S401:获取设备现场工况。
所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存。
其中,预期故障部件可以基于故障预测模型的预测结果而确定,与预期故障部件对应的故障维修时间可以基于经验值或者相关工具资料提供的参考值而确定,或者是基于历史维修时间而确定,获取预期故障部件以及故障维修时间的具体实现可以参见上文相关内容描述,在此不再赘述。
预期故障部件的采办周期可以从采购系统中获取,预期故障部件的当前备件库存可以从库存管理系统中获取,当然,在本申请实施例其他可能的实现方式中,也可以采用其他方式获取上述采办周期和当前备件库存。
在具体实现时,终端可以获取预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,将上述信息组合得到设备现场工况。
S402:根据所述设备现场工况,利用预训练的库存安全预测模型进行预测得到库存安全预测结果。
其中,所述库存安全预测模型是根据第一训练样本利用机器学习算法训练得到的,所述第一训练样本包括设备现场工况以及对应的库存标签,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
基于此,将设备现场工况输入至预训练的库存安全预测模型后,该库存安全模型可以基于设备现场工况包括的预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存等信息预测备件库存是否安全,从而得到库存安全预测结果。
S403:当所述库存安全预测结果表征设备备件库存不安全时,生成预警信信息,并根据所述预警信息进行信息提示。
库存安全预测结果主要包括两种,一种表征设备备件库存不安全,另一种表征设备备件库存安全。当库存安全预测结果表征设备备件库存不安全时,终端可以生成预警信信息,并根据所述预警信息进行信息提示,以便能够及时请求采购,更新备件库存,避免设备故障影响正常生产。
需要说明的是,终端在进行信息提示时,可以是以下方式中的任意一种或多种进行提示:
第一种方式为,在终端的显示屏上显示所述预警信息,如此,用户可以通过观看显示屏的显示内容获知上述预警信息,进而根据该预警信息请求进行备件采购,增加备件库存。为了便于理解,图5示出了在显示屏501上显示预警信息502的示意图,由图可知,用户可以基于显示屏显示内容直观地获得预警信息,并基于该预警信息请求补充备件。
第二种方式为,通过扬声器播放所述预警信息对应的语音。在一个示例中,参见图6,生产车间601包括多条生产线602,生产线上的某设备存在备件库存安全问题时,终端可以通过生产线的广播系统603广播预警信息对应的语音,如此,现场人员可以直接通过听语音的方式获知备件库存安全问题。
第三种方式为,通过不同颜色指示灯进行信息提示,具体地,参见图7,终端可以通过控制设备701上不同颜色指示灯亮灭状态进行信息提示,例如,绿色指示灯702亮表示库存安全,红色703指示灯亮表示库存不安全,进一步地,终端还可以通过不同颜色指示灯的闪烁状态进行信息提示。
显然,通过上述方式中的多种方式组合进行信息提示,可以增强预警效果,因此,在实际应用时,终端还可以考虑采用多种方式的组合进行信息提示。
以上为本申请实施例提供的模型训练方法以及库存安全预警方法的一些具体实现方式,基于此,本申请实施例还提供了对应的装置,接下来,从功能单元化的角度对上述装置进行介绍。
参见图8所示的模型训练装置的结构示意图,该装置800包括:
获取单元810,用于获取第一训练样本;所述第一训练样本包括设备现场工况以及对应的库存标签,其中,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全;
训练单元820,用于根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。
可选的,所述装置800还包括:
第一生成单元,用于根据安全性预测时间内发生的故障事件对应的故障详情信息和库存信息生成第二训练样本,所述安全性预测时间是指所述库存安全预测模型预测库存安全的时间段;
更新单元,用于利用所述第二训练样本更新所述库存安全预测模型。
可选的,所述装置800还包括:
第二生成单元,用于根据同类设备发生的故障事件对应的故障详情信息和库存信息生成第三训练样本;
处理单元,用于利用所述第三训练样本训练或更新所述库存安全预测模型。
可选的,所述训练样本中还包括设备的健康度。
可选的,所述库存安全预测模型包括卷积神经网络模型。
参见图9所示的库存安全预警装置的结构示意图,该装置900包括:
获取单元910,用于获取设备现场工况,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存;
预测单元920,用于根据所述设备现场工况,利用预训练的库存安全预测模型进行预测得到库存安全预测结果;
预警单元930,用于当所述库存安全预测结果表征设备备件库存不安全时,生成预警信信息,并根据所述预警信息进行信息提示;
其中,所述库存安全预测模型是根据第一训练样本利用机器学习算法训练得到的,所述第一训练样本包括设备现场工况以及对应的库存标签,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
可选的,所述预警单元930具体用于:
在显示屏上显示所述预警信息;和/或,
播放所述预警信息对应的语音;和/或,
通过不同颜色指示灯进行信息提示。
所述模型训练装置包括处理器和存储器,上述模型训练装置的获取单元和训练单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
所述库存安全预警装置包括处理器和存储器,上述库存安全预警装置的获取单元、预测单元以及预警单元等作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来训练库存安全预警模型或者基于所述库存安全预警模型输出的库存安全预测结果所生成的预警信息对用户进行提示,以为备件库存管理提供帮助。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述模型训练方法或所述库存安全预警方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述模型训练方法或所述库存安全预警方法。
本发明实施例提供了一种设备,参见图10,设备100包括至少一个处理器1001、以及与处理器连接的至少一个存储器1002、总线1003;其中,处理器1001、存储器1002通过总线1003完成相互间的通信;处理器1001用于调用存储器中的程序指令,以执行上述的模型训练方法或库存安全预警方法。具体地,用于实现模型训练方法的设备可以是服务器或终端,终端包括PC、PAD或手机等等,用于实现库存安全预警的设备可以是具有显示器或者扬声器的设备,包括任意具有显示器或者扬声器的终端,如上述PC、PAD或手机。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
获取第一训练样本;所述第一训练样本包括设备现场工况以及对应的库存标签,其中,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全;
根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。
可选的,还用于执行初始化有如下方法步骤的程序:
根据安全性预测时间内发生的故障事件对应的故障详情信息和库存信息生成第二训练样本,所述安全性预测时间是指所述库存安全预测模型预测库存安全的时间段;
利用所述第二训练样本更新所述库存安全预测模型。
可选的,还用于执行初始化有如下方法步骤的程序:
根据同类设备发生的故障事件对应的故障详情信息和库存信息生成第三训练样本;
利用所述第三训练样本训练或更新所述库存安全预测模型。
可选的,所述训练样本中还包括设备的健康度。
可选的,所述库存安全预测模型包括卷积神经网络模型。
本申请还提供了另一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
获取设备现场工况,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存;
根据所述设备现场工况,利用预训练的库存安全预测模型进行预测得到库存安全预测结果;
当所述库存安全预测结果表征设备备件库存不安全时,生成预警信信息,并根据所述预警信息进行信息提示;
其中,所述库存安全预测模型是根据第一训练样本利用机器学习算法训练得到的,所述第一训练样本包括设备现场工况以及对应的库存标签,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
可选的,根据所述预警信息进行信息提示包括:
在显示屏上显示所述预警信息;和/或,
播放所述预警信息对应的语音;和/或,
通过不同颜色指示灯进行信息提示。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种模型训练方法,其特征在于,所述方法包括:
获取第一训练样本;所述第一训练样本包括设备现场工况以及对应的库存标签,其中,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全;
根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据安全性预测时间内发生的故障事件对应的故障详情信息和库存信息生成第二训练样本,所述安全性预测时间是指所述库存安全预测模型预测库存安全的时间段;
利用所述第二训练样本更新所述库存安全预测模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据同类设备发生的故障事件对应的故障详情信息和库存信息生成第三训练样本;
利用所述第三训练样本训练或更新所述库存安全预测模型。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述训练样本中还包括设备的健康度。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述库存安全预测模型包括卷积神经网络模型。
6.一种库存安全预警方法,其特征在于,所述方法包括:
获取设备现场工况,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存;
根据所述设备现场工况,利用预训练的库存安全预测模型进行预测得到库存安全预测结果;
当所述库存安全预测结果表征设备备件库存不安全时,生成预警信息,并根据所述预警信息进行信息提示;
其中,所述库存安全预测模型是根据第一训练样本利用机器学习算法训练得到的,所述第一训练样本包括设备现场工况以及对应的库存标签,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
7.根据权利要求6所述的方法,其特征在于,根据所述预警信息进行信息提示包括:
在显示屏上显示所述预警信息;和/或,
播放所述预警信息对应的语音;和/或,
通过不同颜色指示灯进行信息提示。
8.一种模型训练装置,其特征在于,所述装置包括:
获取单元,用于获取第一训练样本;所述第一训练样本包括设备现场工况以及对应的库存标签,其中,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全;
训练单元,用于根据所述第一训练样本,利用机器学习算法训练库存安全预测模型,直至满足训练结束条件,其中,所述库存安全预测模型以设备现场工况为输入,以库存安全预测结果为输出。
9.一种库存安全预警装置,其特征在于,所述装置包括:
获取单元,用于获取设备现场工况,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存;
预测单元,用于根据所述设备现场工况,利用预训练的库存安全预测模型进行预测得到库存安全预测结果;
预警单元,用于当所述库存安全预测结果表征设备备件库存不安全时,生成预警信信息,并根据所述预警信息进行信息提示;
其中,所述库存安全预测模型是根据第一训练样本利用机器学习算法训练得到的,所述第一训练样本包括设备现场工况以及对应的库存标签,所述设备现场工况包括预期故障部件、与所述预期故障部件对应的故障维修时间、所述预期故障部件的采办周期以及所述预期故障部件的当前备件库存,所述库存标签用于标识所述预期故障部件的库存是否安全。
10.一种设备,其特征在于,所述设备包括处理器和存储器:
所述存储器用于存储程序指令;
所述处理器用于调用所述存储器中的所述程序指令,以执行如权利要求1至5任一项所述的模型训练方法或权利要求6至7任一项所述的库存安全预警方法。
11.一种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用于存储程序代码,所述程序代码被处理器执行时实现如权利要求1至5任一项所述的模型训练方法或权利要求6至7任一项所述的库存安全预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910925506.6A CN112580812A (zh) | 2019-09-27 | 2019-09-27 | 模型训练方法、库存安全预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910925506.6A CN112580812A (zh) | 2019-09-27 | 2019-09-27 | 模型训练方法、库存安全预警方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580812A true CN112580812A (zh) | 2021-03-30 |
Family
ID=75110112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910925506.6A Pending CN112580812A (zh) | 2019-09-27 | 2019-09-27 | 模型训练方法、库存安全预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580812A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467403A (zh) * | 2021-07-23 | 2021-10-01 | 张家口卷烟厂有限责任公司 | 一种卷烟设备管理系统及方法 |
CN114371678A (zh) * | 2022-01-11 | 2022-04-19 | 升发智联(北京)科技有限责任公司 | 一种装备安全生产的预警方法、系统、设备及存储介质 |
CN115994734A (zh) * | 2023-03-14 | 2023-04-21 | 百福工业缝纫机(张家港)有限公司 | 一种生产设备维保备件库存管理方法及系统 |
TWI830617B (zh) * | 2023-03-06 | 2024-01-21 | 友達光電股份有限公司 | 機台意外預測方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004295227A (ja) * | 2003-03-25 | 2004-10-21 | Matsushita Electric Works Ltd | 在庫管理システム、及び在庫管理プログラム並びにそのプログラムを記録した記録媒体 |
CN103632054A (zh) * | 2013-11-28 | 2014-03-12 | 清华大学 | 一种基于状态监测和设备部件可靠性的备件需求预测方法 |
CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
CN108898245A (zh) * | 2018-06-15 | 2018-11-27 | 上海探能实业有限公司 | 一种用于风电机组零部件的需求预测方法 |
CN109086945A (zh) * | 2018-08-31 | 2018-12-25 | 沈阳航空航天大学 | 一种基于运行协变量分析的机床主轴备件预测方法 |
-
2019
- 2019-09-27 CN CN201910925506.6A patent/CN112580812A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004295227A (ja) * | 2003-03-25 | 2004-10-21 | Matsushita Electric Works Ltd | 在庫管理システム、及び在庫管理プログラム並びにそのプログラムを記録した記録媒体 |
CN103632054A (zh) * | 2013-11-28 | 2014-03-12 | 清华大学 | 一种基于状态监测和设备部件可靠性的备件需求预测方法 |
CN105046370A (zh) * | 2015-08-18 | 2015-11-11 | 国电南瑞科技股份有限公司 | 四线一库备品备件库存量预测系统及其建立方法 |
CN108898245A (zh) * | 2018-06-15 | 2018-11-27 | 上海探能实业有限公司 | 一种用于风电机组零部件的需求预测方法 |
CN109086945A (zh) * | 2018-08-31 | 2018-12-25 | 沈阳航空航天大学 | 一种基于运行协变量分析的机床主轴备件预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467403A (zh) * | 2021-07-23 | 2021-10-01 | 张家口卷烟厂有限责任公司 | 一种卷烟设备管理系统及方法 |
CN113467403B (zh) * | 2021-07-23 | 2023-02-03 | 张家口卷烟厂有限责任公司 | 一种卷烟设备管理系统 |
CN114371678A (zh) * | 2022-01-11 | 2022-04-19 | 升发智联(北京)科技有限责任公司 | 一种装备安全生产的预警方法、系统、设备及存储介质 |
TWI830617B (zh) * | 2023-03-06 | 2024-01-21 | 友達光電股份有限公司 | 機台意外預測方法 |
CN115994734A (zh) * | 2023-03-14 | 2023-04-21 | 百福工业缝纫机(张家港)有限公司 | 一种生产设备维保备件库存管理方法及系统 |
CN115994734B (zh) * | 2023-03-14 | 2024-01-30 | 百福工业缝纫机(张家港)有限公司 | 一种生产设备维保备件库存管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580812A (zh) | 模型训练方法、库存安全预警方法、装置、设备及介质 | |
US11301597B2 (en) | Simulation apparatus and method | |
EP3588283A1 (en) | System and method for recommending service experience package | |
CN104765678A (zh) | 对移动终端设备上的应用进行测试的方法及装置 | |
CN108874678B (zh) | 一种智能程序的自动测试方法及装置 | |
CN109408262B (zh) | 一种业务数据处理方法及相关设备 | |
CN109669798B (zh) | 崩溃分析方法、装置、电子设备,及存储介质 | |
CN110555150B (zh) | 一种数据监控方法、装置、设备和存储介质 | |
CN105630661B (zh) | 用于自动化跨系统程序调试的方法和装置 | |
CN108320071A (zh) | 一种业务风险管理方法、装置及设备 | |
CN109814894A (zh) | 一种应用更新方法、装置、设备及存储介质 | |
US9934292B2 (en) | Dynamic presentation of a results set by a form-based software application | |
CN114003473A (zh) | 一种页面操作行为的回溯方法、装置及电子设备 | |
CN109408361A (zh) | Monkey测试复原方法、装置、电子设备及计算机可读存储介质 | |
CN109240916A (zh) | 信息输出控制方法、装置及计算机可读存储介质 | |
US20150134704A1 (en) | Real Time Analysis of Big Data | |
CN107016028B (zh) | 数据处理方法及其设备 | |
CN116185774A (zh) | 日志监控安装方法、装置、计算机设备和存储介质 | |
CN110362294A (zh) | 开发任务执行方法、装置、电子设备及存储介质 | |
CN110058995A (zh) | 一种可避免数据库类型的干扰的数据库测试方法以及系统 | |
US20150186814A1 (en) | Supplier technical oversight risk assessment | |
US20180217835A1 (en) | Computer system and method for executing applications with new data structures | |
CN115437903A (zh) | 接口测试方法、装置、设备、存储介质及程序 | |
CN108920563B (zh) | 一种数据库切换方法及装置 | |
CN107135191A (zh) | 检查分布式业务处理完整度的方法及装置 |
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 |