CN113420155A - 轮毂缺陷成因预测方法、电子装置、装置及可读存储介质 - Google Patents
轮毂缺陷成因预测方法、电子装置、装置及可读存储介质 Download PDFInfo
- Publication number
- CN113420155A CN113420155A CN202110983425.9A CN202110983425A CN113420155A CN 113420155 A CN113420155 A CN 113420155A CN 202110983425 A CN202110983425 A CN 202110983425A CN 113420155 A CN113420155 A CN 113420155A
- Authority
- CN
- China
- Prior art keywords
- defect
- description information
- data
- cause
- feature
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种提出的一种轮毂缺陷成因预测方法、电子装置、装置及可读存储介质,方法包括步骤:接收缺陷描述信息,并对缺陷描述信息进行数据处理操作,得到缺陷描述信息对应的缺陷特征数据;获取历史缺陷文本库,并根据历史缺陷文本库中与缺陷特征数据对应的信息生成相关文本库;对相关文本库中的数据进行统计,生成记录数据;根据记录数据确定缺陷描述信息对应的缺陷成因。通过在历史缺陷文本库中匹配与缺陷特征数据对应的信息,并生成相关文本库,从而得到包含与缺陷特征数据相关的历史数据的相关文本库,可以根据相关文本库中的历史数据推测缺陷成因,极大地提高了缺陷成因的判断效率,同时提高了准确率。
Description
技术领域
本申请涉及产品检测领域,尤其涉及一种轮毂缺陷成因预测方法、电子装置、装置及可读存储介质。
背景技术
在轮毂的生产过程中,设备和操作技术均会影响轮毂的质量,处理不当时,可能使轮毂产生缺陷,如夹渣、裂纹、气孔、缩孔、缩松等,这些缺陷可能会对汽车行驶带来安全隐患。现有技术中,多采用人工的方式对缺陷成因进行分析,然而,这种的方式不仅效率低,同时分析结果的准确率也不高。
发明内容
本申请提供了一种轮毂缺陷成因预测方法、电子装置、装置及可读存储介质,旨在解决现有技术中缺陷成因分析效率低,准确率低的技术问题。
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种轮毂缺陷成因预测方法,所述方法包括步骤:
接收缺陷描述信息,并对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据;
获取历史缺陷文本库,并根据所述历史缺陷文本库中与所述缺陷特征数据对应的信息生成相关文本库,其中,所述历史缺陷文本库包括缺陷特征数据与缺陷成因的对应关系;
对所述相关文本库中的数据进行统计,生成记录数据;
根据所述记录数据确定所述缺陷描述信息对应的缺陷成因。
可选地,所述对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据的步骤包括:
对所述缺陷描述信息进行分词操作,得到所述缺陷描述信息对应的特征词;
根据所述特征词得到所述缺陷特征数据。
可选地,所述根据所述特征词得到所述缺陷特征数据的步骤包括:
获取各所述特征词分别在所述缺陷描述信息中出现的特征次数;
针对每个所述特征词,根据所述特征词与对应的所述特征次数计算各所述特征词在所述缺陷描述信息中的特征值;
基于所述特征值生成所述缺陷描述信息对应的特征向量,其中,所述缺陷特征数据包括所述特征向量。
可选地,所述对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据的步骤之后包括:
判断所述缺陷描述信息的数量为一个或多个;
若所述缺陷描述信息的数量为多个,则获取各所述缺陷描述信息对应的缺陷特征数据,并对各所述缺陷特征数据进行聚类操作;
将聚类操作后得到的各聚类数据作为新的缺陷特征数据。
可选地,所述对各所述缺陷特征数据进行聚类操作的步骤包括:
获取各所述缺陷特征数据对应的特征向量;
分别计算任意两个所述特征向量之间的相似度;
根据所述相似度对各所述缺陷特征数据进行聚类操作。
可选地,所述对所述相关文本库中的数据进行统计,生成记录数据的步骤包括:
针对每个缺陷成因,统计所述相关文本库中在预设时间内出现各缺陷现象的缺陷次数;
针对每个缺陷成因,计算各所述缺陷现象的缺陷占比,其中:所述记录数据包括所述缺陷次数以及所述缺陷占比。
可选地,所述根据所述记录数据确定所述缺陷描述信息对应的缺陷成因的步骤包括:
根据所述记录数据分别计算所述缺陷描述信息对应各缺陷成因的概率;
将所述概率最高的缺陷成因,作为所述缺陷描述信息对应的缺陷成因。
为实现上述目的,本发明还提供一种电子装置,所述电子装置包括:
第一处理模块,用于接收缺陷描述信息,并对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据;
第一获取模块,用于获取历史缺陷文本库,并根据所述历史缺陷文本库中与所述缺陷特征数据对应的信息生成相关文本库,其中,所述历史缺陷文本库包括缺陷特征数据与缺陷成因的对应关系;
第一统计模块,用于对所述相关文本库中的数据进行统计,生成记录数据;
第一执行模块,用于根据所述记录数据确定所述缺陷描述信息对应的缺陷成因。
可选地,所述第一统计模块包括:
第一执行单元,用于对所述缺陷描述信息进行分词操作,得到所述缺陷描述信息对应的特征词;
第二执行单元,用于根据所述特征词得到所述缺陷特征数据。
可选地,所述第二执行单元包括:
第一获取子单元,用于获取各所述特征词分别在所述缺陷描述信息中出现的特征次数;
第一计算子单元,用于针对每个所述特征词,根据所述特征词与对应的所述特征次数计算各所述特征词在所述缺陷描述信息中的特征值;
第一执行子单元,用于基于所述特征值生成所述缺陷描述信息对应的特征向量,其中,所述缺陷特征数据包括所述特征向量。
可选地,所述电子装置还包括:
第一判断模块,用于判断所述缺陷描述信息的数量为一个或多个;
第二获取模块,用于若所述缺陷描述信息的数量为多个,则获取各所述缺陷描述信息对应的缺陷特征数据,并对各所述缺陷特征数据进行聚类操作;
第二执行模块,用于将聚类操作后得到的各聚类数据作为新的缺陷特征数据。
可选地,所述第二获取模块包括:
第一获取单元,用于获取各所述缺陷特征数据对应的特征向量;
第一计算单元,用于分别计算任意两个所述特征向量之间的相似度;
第三执行单元,用于根据所述相似度对各所述缺陷特征数据进行聚类操作。
可选地,所述第一统计模块包括:
第一统计单元,用于针对每个缺陷成因,统计所述相关文本库中在预设时间内出现各缺陷现象的缺陷次数;
第二计算单元,用于针对每个缺陷成因,计算各所述缺陷现象的缺陷占比,其中:所述记录数据包括所述缺陷次数以及所述缺陷占比。
可选地,所述第一执行模块包括:
第三计算单元,用于根据所述记录数据分别计算所述缺陷描述信息对应各缺陷成因的概率;
第四执行单元,用于将所述概率最高的缺陷成因,作为所述缺陷描述信息对应的缺陷成因。
为实现上述目的,本发明还提供一种轮毂缺陷成因预测装置,所述轮毂缺陷成因预测装置包括存储器、处理器和存储在所述存储器上并可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上所述的轮毂缺陷成因预测方法的步骤。
为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的轮毂缺陷成因预测方法的步骤。
本发明提出的一种轮毂缺陷成因预测方法、电子装置、装置及可读存储介质,接收缺陷描述信息,并对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据;获取历史缺陷文本库,并根据所述历史缺陷文本库中与所述缺陷特征数据对应的信息生成相关文本库,其中,所述历史缺陷文本库包括缺陷特征数据与缺陷成因的对应关系;对所述相关文本库中的数据进行统计,生成记录数据;根据所述记录数据确定所述缺陷描述信息对应的缺陷成因。通过在历史缺陷文本库中匹配与缺陷特征数据对应的信息,并生成相关文本库,从而得到包含与缺陷特征数据相关的历史数据的相关文本库,由于缺陷成因与缺陷特征数据在一定程度上存在对应关系,因此可以根据相关文本库中的历史数据推测缺陷成因,极大地提高了缺陷成因的判断效率,同时提高了准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明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,对于本领域普通技术人员而言,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为本发明轮毂缺陷成因预测方法第一实施例的流程示意图;
图2为本发明轮毂缺陷成因预测方法第三实施例步骤S12的细化流程图;
图3为本发明轮毂缺陷成因预测装置的模块结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
本发明提供一种轮毂缺陷成因预测方法,参照图1,图1为本发明轮毂缺陷成因预测方法第一实施例的流程示意图,所述方法包括步骤:
步骤S10,接收缺陷描述信息,并对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据;
缺陷描述信息由检测人员进行发送,缺陷描述信息为用以描述缺陷现象的文本信息;缺陷描述信息存在以下特点:1、缺陷现象重复:在未对缺陷成因进行改进之前,缺陷将重复发生;2、多对一的关系:根据检测人员的习惯,缺陷录入描述,对应的同一缺陷现象描述不尽相同;3、多对多的关系:多缺陷现象可能对应同一缺陷成因,多缺陷成因也可能对应同一缺陷现象。需要说明的是,缺陷描述信息可以为检测人员直接输入的文字转换的文本信息,还可以通过语音获取检测人员的语音信息,并对语音信息进行识别以得到文本信息。数据处理操作用于对缺陷描述信息进行特征提取,以得到缺陷特征数据,缺陷特征数据用以表征缺陷的状态。
步骤S20,获取历史缺陷文本库,并根据所述历史缺陷文本库中与所述缺陷特征数据对应的信息生成相关文本库,其中,所述历史缺陷文本库包括缺陷特征数据与缺陷成因的对应关系;
历史缺陷文本库基于产生的历史缺陷数据进行建立;主要包括缺陷特征数据与缺陷成因的对应关系,即缺陷特征数据中的现象可能由哪些缺陷成因造成,缺陷成因可能造成哪些缺陷特征数据中的现象。相关文本库由与缺陷特征数据对应的信息组件而成,因此相关文本库中包含且仅包含与缺陷特征数据相关的信息。
步骤S30,对所述相关文本库中的数据进行统计,生成记录数据;
对相关文本库中的数据进行统计,即对缺陷特征数据相关的历史数据进行汇总,以得到用以进行缺陷成因预测的参数,即记录数据。
步骤S40,根据所述记录数据确定所述缺陷描述信息对应的缺陷成因。
根据记录数据即可预测出缺陷特征数据对应的缺陷成因。
本实施例通过在历史缺陷文本库中匹配与缺陷特征数据对应的信息,并生成相关文本库,从而得到包含与缺陷特征数据相关的历史数据的相关文本库,由于缺陷成因与缺陷特征数据在一定程度上存在对应关系,因此可以根据相关文本库中的历史数据推测缺陷成因,极大地提高了缺陷成因的判断效率,同时提高了准确率。
进一步地,在基于本发明的第一实施例所提出的本发明轮毂缺陷成因预测方法第二实施例中,所述步骤S10包括步骤:
步骤S11,对所述缺陷描述信息进行分词操作,得到所述缺陷描述信息对应的特征词;
步骤S12,根据所述特征词得到所述缺陷特征数据。
本实施例中采用PKUSEG分词算法对缺陷描述信息进行分词操作,得到多个特征词,需要说明的是,在得到特征词之后,还可以对特征词进行词性标注,并根据各特征词的词性标注识别无用词,将无用词从特征词中删除,进而根据特征词得到缺陷特征数据。如缺陷描述信息为“1号线1号轮毂出现严重缩孔现象。”,将缺陷描述信息进分词后与词性标注后得到(1号线,n),(1号轮毂,n),(出现,v),(严重,a),(缩孔,vn),(现象,n),(。,w);其中,n为名词词性、v为动词词性、a为形容词性、w为标点符号、vn为动名组合词;可以理解的是,词性还可以包括副词、连词等。根据标注后的特征词识别无用词,无用词可以为未包含具体特征的词,如(严重,a),(现象,n),(。,w)可视为无用词进行删除,得到的特征词包括(1号线,n),(1号轮毂,n),(出现,v),(缩孔,vn)。
本实施例能够合理地得到缺陷特征数据。
进一步地,参见图2,在基于本发明的第二实施例所提出的本发明轮毂缺陷成因预测方法第三实施例中,所述步骤S12包括步骤:
步骤S121,获取各所述特征词分别在所述缺陷描述信息中出现的特征次数;
步骤S122,针对每个所述特征词,根据所述特征词与对应的所述特征次数计算各所述特征词在所述缺陷描述信息中的特征值;
步骤S123,基于所述特征值生成所述缺陷描述信息对应的特征向量,其中,所述缺陷特征数据包括所述特征向量。
特征词仍然是自然语音,无法进行计算,因此需要将特征词转换为可应用于算法的数学语音,即特征向量。
特征值用以表征特征词与缺陷描述信息的相关性,特征值越大,则特征词与缺陷描述信息的相关性越强,反之越弱。具体地,特征词通过下述公式进行计算:
其中:aij为第i个缺陷描述信息中第j个特征词的特征值;tf为第i个缺陷描述信息中第j个特征词出现的次数;N为缺陷描述信息的个数;ni为所有缺陷描述信息中包含该特征词的次数。
在计算得到各特征词对应的特征值之后,根据特征值生成缺陷描述信息对应的特征向量,即Ai={ai1,ai2,……,aij}。
本实施例能够合理地得到包含特征向量的缺陷特征数据。
进一步地,在基于本发明的第一实施例所提出的本发明轮毂缺陷成因预测方法第四实施例中,在所述步骤S10之后包括步骤:
步骤S50,判断所述缺陷描述信息的数量为一个或多个;
步骤S60,若所述缺陷描述信息的数量为多个,则获取各所述缺陷描述信息对应的缺陷特征数据,并对各所述缺陷特征数据进行聚类操作;
步骤S70,将聚类操作后得到的各聚类数据作为新的缺陷特征数据。
可以理解的是,检测人员可以在一次缺陷成因预测时输入一个或多个缺陷描述信息;当检测人员输入多个缺陷描述信息时,为了减少后续处理量,可以将相似的缺陷描述信息聚类,进行统一的聚类操作。在对各缺陷特征数据进行聚类之后,以聚类后得到的新的缺陷特征数据在历史缺陷文本库中对应的信息生成相关文本库。
所述步骤S60包括步骤:
步骤S61,获取各所述缺陷特征数据对应的特征向量;
步骤S62,分别计算任意两个所述特征向量之间的相似度;
步骤S63,根据所述相似度对各所述缺陷特征数据进行聚类操作。
本实施例中通过欧式距离来判断两个特征向量之间的相似度,具体地,特征向量之间的相似度通过下述公式进行计算:
其中S(A1,A2)为第一个特征向量与第二个特征向量之间的相似度;W为权重。
根据得到的相似度,结合预设规则构建相似度高的文本簇集合,即将相似度符合聚类条件的特征向量结合成一个文本簇。本实施例构建HDPA(Hub defect predictionalgorithm,轮毂缺陷预测算法)的聚类算法。 HDPA的聚类算法由Canopy粗聚类算法和MiniBatch K-Means算法构成。
通过Canopy算法对各特征向量进行初聚类,得到k个文本簇及其中心,并将得到的k个文本簇及其中心,作为Mini Batch K-Means算法初始聚类中心进行二次聚类,迭代收敛后得到最终的聚类结果。
本实施例能够将具有一定相似度的特征向量进行聚合,以减少计算量。
进一步地,在基于本发明的第一实施例所提出的本发明轮毂缺陷成因预测方法第五实施例中,所述步骤S30包括步骤:
步骤S31,针对每个缺陷成因,统计所述相关文本库中在预设时间内出现各缺陷现象的缺陷次数;
预设时间即检测周期,检测周期可以根据实际需要进行设置,如一天、一周或一月等。步骤S31,即统计在存在某缺陷成因时,检测周期内出现某一缺陷现象的次数。
步骤S32,针对每个缺陷成因,计算各所述缺陷现象的缺陷占比,其中:所述记录数据包括所述缺陷次数以及所述缺陷占比。
获取在存在某缺陷成因时,产生的所有缺陷现象,并根据各缺陷现象出现的次数得到某一缺陷现象在该缺陷成因产生的所有缺陷现象中所占的比例。
所述步骤S40包括步骤:
步骤S41,根据所述记录数据分别计算所述缺陷描述信息对应各缺陷成因的概率;
步骤S42,将所述概率最高的缺陷成因,作为所述缺陷描述信息对应的缺陷成因。
本实施例通过下述公式进行缺陷各缺陷成因的概率:
其中,pi为第i个缺陷成因的概率,λ为衰减系数,fij为第i个缺陷成因在预设时间内出现第j个缺陷现象的次数;wij为i类缺陷成品的第j现象的权重。
根据上述公式依次计算各缺陷成因的概率,并将概率最大的缺陷成因作为缺陷描述信息的缺陷成因。
需要说明的是,还可以设置概率阈值,当存在概率大于所述概率阈值的缺陷成因时,将概率最大的缺陷成因作为缺陷描述信息的缺陷成因;若所有的缺陷成因对应的概率均小于或等于概率阈值,则输出各缺陷成因的概率以供检测人员进行确认。
本实施例能够合理地确定缺陷成因。
需要说明的是,对于前述的各方法实施例,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,本申请并不受所描述的动作顺序的限制,因为依据本申请,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,所涉及的动作和模块并不一定是本申请所必须的。
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根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
本申请还提供一种用于实施上述轮毂缺陷成因预测方法的电子装置,电子装置包括:
第一处理模块,用于接收缺陷描述信息,并对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据;
第一获取模块,用于获取历史缺陷文本库,并根据所述历史缺陷文本库中与所述缺陷特征数据对应的信息生成相关文本库,其中,所述历史缺陷文本库包括缺陷特征数据与缺陷成因的对应关系;
第一统计模块,用于对所述相关文本库中的数据进行统计,生成记录数据;
第一执行模块,用于根据所述记录数据确定所述缺陷描述信息对应的缺陷成因。
本电子装置通过在历史缺陷文本库中匹配与缺陷特征数据对应的信息,并生成相关文本库,从而得到包含与缺陷特征数据相关的历史数据的相关文本库,由于缺陷成因与缺陷特征数据在一定程度上存在对应关系,因此可以根据相关文本库中的历史数据推测缺陷成因,极大地提高了缺陷成因的判断效率,同时提高了准确率。
需要说明的是,该实施例中的第一处理模块可以用于执行本申请实施例中的步骤S10,该实施例中的第一获取模块可以用于执行本申请实施例中的步骤S20,该实施例中的第一统计模块可以用于执行本申请实施例中的步骤S30,该实施例中的第一执行模块可以用于执行本申请实施例中的步骤S40。
进一步地,所述第一统计模块包括:
第一执行单元,用于对所述缺陷描述信息进行分词操作,得到所述缺陷描述信息对应的特征词;
第二执行单元,用于根据所述特征词得到所述缺陷特征数据。
进一步地,所述第二执行单元包括:
第一获取子单元,用于获取各所述特征词分别在所述缺陷描述信息中出现的特征次数;
第一计算子单元,用于针对每个所述特征词,根据所述特征词与对应的所述特征次数计算各所述特征词在所述缺陷描述信息中的特征值;
第一执行子单元,用于基于所述特征值生成所述缺陷描述信息对应的特征向量,其中,所述缺陷特征数据包括所述特征向量。
进一步地,所述电子装置还包括:
第一判断模块,用于判断所述缺陷描述信息的数量为一个或多个;
第二获取模块,用于若所述缺陷描述信息的数量为多个,则获取各所述缺陷描述信息对应的缺陷特征数据,并对各所述缺陷特征数据进行聚类操作;
第二执行模块,用于将聚类操作后得到的各聚类数据作为新的缺陷特征数据。
进一步地,所述第二获取模块包括:
第一获取单元,用于获取各所述缺陷特征数据对应的特征向量;
第一计算单元,用于分别计算任意两个所述特征向量之间的相似度;
第三执行单元,用于根据所述相似度对各所述缺陷特征数据进行聚类操作。
进一步地,所述第一统计模块包括:
第一统计单元,用于针对每个缺陷成因,统计所述相关文本库中在预设时间内出现各缺陷现象的缺陷次数;
第二计算单元,用于针对每个缺陷成因,计算各所述缺陷现象的缺陷占比,其中:所述记录数据包括所述缺陷次数以及所述缺陷占比。
进一步地,所述第一执行模块包括:
第三计算单元,用于根据所述记录数据分别计算所述缺陷描述信息对应各缺陷成因的概率;
第四执行单元,用于将所述概率最高的缺陷成因,作为所述缺陷描述信息对应的缺陷成因。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
参照图3,在硬件结构上所述轮毂缺陷成因预测装置可以包括通信模块10、存储器20以及处理器30等部件。在所述轮毂缺陷成因预测装置中,所述处理器30分别与所述存储器20以及所述通信模块10连接,所述存储器20上存储有计算机程序,所述计算机程序同时被处理器30执行,所述计算机程序执行时实现上述方法实施例的步骤。
通信模块10,可通过网络与外部通讯设备连接。通信模块10可以接收外部通讯设备发出的请求,还可以发送请求、指令及信息至所述外部通讯设备,所述外部通讯设备可以是其它轮毂缺陷成因预测装置、服务器或者物联网设备,例如电视等等。
存储器20,可用于存储软件程序以及各种数据。存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如根据所述记录数据确定所述缺陷描述信息对应的缺陷成因)等;存储数据区可包括数据库,存储数据区可存储根据系统的使用所创建的数据或信息等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器30,是轮毂缺陷成因预测装置的控制中心,利用各种接口和线路连接整个轮毂缺陷成因预测装置的各个部分,通过运行或执行存储在存储器20内的软件程序和/或模块,以及调用存储在存储器20内的数据,执行轮毂缺陷成因预测装置的各种功能和处理数据,从而对轮毂缺陷成因预测装置进行整体监控。处理器30可包括一个或多个处理单元;可选地,处理器30可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器30中。
尽管图3未示出,但上述轮毂缺陷成因预测装置还可以包括电路控制模块,所述电路控制模块用于与电源连接,保证其他部件的正常工作。本领域技术人员可以理解,图3中示出的轮毂缺陷成因预测装置结构并不构成对轮毂缺陷成因预测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序。所述计算机可读存储介质可以是图3的轮毂缺陷成因预测装置中的存储器20,也可以是如ROM(Read-OnlyMemory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘中的至少一种,所述计算机可读存储介质包括若干指令用以使得一台具有处理器的终端设备(可以是电视,汽车,手机,计算机,服务器,终端,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中,术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的,而不能理解为指示或暗示相对重要性,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,本发明保护的范围并不局限于此,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换,这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种轮毂缺陷成因预测方法,其特征在于,所述方法包括:
接收缺陷描述信息,并对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据;
获取历史缺陷文本库,并根据所述历史缺陷文本库中与所述缺陷特征数据对应的信息生成相关文本库,其中,所述历史缺陷文本库包括缺陷特征数据与缺陷成因的对应关系;
对所述相关文本库中的数据进行统计,生成记录数据;
根据所述记录数据确定所述缺陷描述信息对应的缺陷成因。
2.如权利要求1所述的轮毂缺陷成因预测方法,其特征在于,所述对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据的步骤包括:
对所述缺陷描述信息进行分词操作,得到所述缺陷描述信息对应的特征词;
根据所述特征词得到所述缺陷特征数据。
3.如权利要求2所述的轮毂缺陷成因预测方法,其特征在于,所述根据所述特征词得到所述缺陷特征数据的步骤包括:
获取各所述特征词分别在所述缺陷描述信息中出现的特征次数;
针对每个所述特征词,根据所述特征词与对应的所述特征次数计算各所述特征词在所述缺陷描述信息中的特征值;
基于所述特征值生成所述缺陷描述信息对应的特征向量,其中,所述缺陷特征数据包括所述特征向量。
4.如权利要求1所述的轮毂缺陷成因预测方法,其特征在于,所述对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据的步骤之后包括:
判断所述缺陷描述信息的数量为一个或多个;
若所述缺陷描述信息的数量为多个,则获取各所述缺陷描述信息对应的缺陷特征数据,并对各所述缺陷特征数据进行聚类操作;
将聚类操作后得到的各聚类数据作为新的缺陷特征数据。
5.如权利要求4所述的轮毂缺陷成因预测方法,其特征在于,所述对各所述缺陷特征数据进行聚类操作的步骤包括:
获取各所述缺陷特征数据对应的特征向量;
分别计算任意两个所述特征向量之间的相似度;
根据所述相似度对各所述缺陷特征数据进行聚类操作。
6.如权利要求1所述的轮毂缺陷成因预测方法,其特征在于,所述对所述相关文本库中的数据进行统计,生成记录数据的步骤包括:
针对每个缺陷成因,统计所述相关文本库中在预设时间内出现各缺陷现象的缺陷次数;
针对每个缺陷成因,计算各所述缺陷现象的缺陷占比,其中:所述记录数据包括所述缺陷次数以及所述缺陷占比。
7.如权利要求1所述的轮毂缺陷成因预测方法,其特征在于,所述根据所述记录数据确定所述缺陷描述信息对应的缺陷成因的步骤包括:
根据所述记录数据分别计算所述缺陷描述信息对应各缺陷成因的概率;
将所述概率最高的缺陷成因,作为所述缺陷描述信息对应的缺陷成因。
8.一种电子装置,其特征在于,所述电子装置包括:
第一处理模块,用于接收缺陷描述信息,并对所述缺陷描述信息进行数据处理操作,得到所述缺陷描述信息对应的缺陷特征数据;
第一获取模块,用于获取历史缺陷文本库,并根据所述历史缺陷文本库中与所述缺陷特征数据对应的信息生成相关文本库,其中,所述历史缺陷文本库包括缺陷特征数据与缺陷成因的对应关系;
第一统计模块,用于对所述相关文本库中的数据进行统计,生成记录数据;
第一执行模块,用于根据所述记录数据确定所述缺陷描述信息对应的缺陷成因。
9.轮毂缺陷成因预测装置,其特征在于,所述轮毂缺陷成因预测装置包括存储器、处理器和存储在所述存储器上并可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7中任一项所述的轮毂缺陷成因预测方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的轮毂缺陷成因预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983425.9A CN113420155A (zh) | 2021-08-25 | 2021-08-25 | 轮毂缺陷成因预测方法、电子装置、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110983425.9A CN113420155A (zh) | 2021-08-25 | 2021-08-25 | 轮毂缺陷成因预测方法、电子装置、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113420155A true CN113420155A (zh) | 2021-09-21 |
Family
ID=77719491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110983425.9A Pending CN113420155A (zh) | 2021-08-25 | 2021-08-25 | 轮毂缺陷成因预测方法、电子装置、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420155A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104518905A (zh) * | 2013-10-08 | 2015-04-15 | 华为技术有限公司 | 一种故障定位方法及装置 |
CN105893225A (zh) * | 2015-08-25 | 2016-08-24 | 乐视网信息技术(北京)股份有限公司 | 一种错误自动处理方法及装置 |
CN106557485A (zh) * | 2015-09-25 | 2017-04-05 | 北京国双科技有限公司 | 一种选取文本分类训练集的方法及装置 |
CN109241281A (zh) * | 2018-08-01 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 软件失效原因生成方法、装置及设备 |
-
2021
- 2021-08-25 CN CN202110983425.9A patent/CN113420155A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104518905A (zh) * | 2013-10-08 | 2015-04-15 | 华为技术有限公司 | 一种故障定位方法及装置 |
CN105893225A (zh) * | 2015-08-25 | 2016-08-24 | 乐视网信息技术(北京)股份有限公司 | 一种错误自动处理方法及装置 |
CN106557485A (zh) * | 2015-09-25 | 2017-04-05 | 北京国双科技有限公司 | 一种选取文本分类训练集的方法及装置 |
CN109241281A (zh) * | 2018-08-01 | 2019-01-18 | 百度在线网络技术(北京)有限公司 | 软件失效原因生成方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107896170B (zh) | 保险应用系统的监控方法及装置 | |
CN109582906B (zh) | 数据可靠度的确定方法、装置、设备和存储介质 | |
AU2019100631A4 (en) | Self-correcting multi-model numerical rainfall ensemble forecasting method | |
CN111402864A (zh) | 语音处理方法及电子设备 | |
CN111062440A (zh) | 一种样本选择方法、装置、设备及存储介质 | |
CN114722199A (zh) | 基于通话录音的风险识别方法、装置、计算机设备及介质 | |
KR102030551B1 (ko) | 인스턴트 메신저 구동 장치 및 그 동작 방법 | |
CN110852057A (zh) | 一种计算文本相似度的方法和装置 | |
CN112307751A (zh) | 一种基于自然语言处理的数据脱敏方法和系统 | |
CN106651408B (zh) | 一种数据分析方法及装置 | |
CN115374793B (zh) | 基于服务场景识别的语音数据处理方法及相关装置 | |
CN113420155A (zh) | 轮毂缺陷成因预测方法、电子装置、装置及可读存储介质 | |
CN114547257B (zh) | 类案匹配方法、装置、计算机设备及存储介质 | |
CN116402022A (zh) | 文档生成方法、装置、电子设备及存储介质 | |
CN112953920B (zh) | 一种基于云手机的监控管理方法 | |
CN114254634A (zh) | 一种多媒体数据的挖掘方法、装置、存储介质及设备 | |
CN112989066A (zh) | 数据处理方法和装置、电子设备、计算机可读介质 | |
CN112783799A (zh) | 软件守护测试方法及装置 | |
CN111159988A (zh) | 一种模型处理方法、装置、计算机设备及存储介质 | |
CN111858848A (zh) | 一种语义的分类方法、装置、电子设备及存储介质 | |
CN116050375B (zh) | 政策文件相似度比较方法、装置、系统及电子设备 | |
CN113407815B (zh) | 生成场景主题的方法和装置 | |
CN113449507B (zh) | 质量改进方法及装置、电子设备、存储介质 | |
CN117435178B (zh) | 一种代码生成系统、方法、装置及存储介质 | |
CN109635286B (zh) | 政策热点分析的方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |