CN113486179A - 基于维修工单的产品数据分析方法及系统 - Google Patents
基于维修工单的产品数据分析方法及系统 Download PDFInfo
- Publication number
- CN113486179A CN113486179A CN202110791946.4A CN202110791946A CN113486179A CN 113486179 A CN113486179 A CN 113486179A CN 202110791946 A CN202110791946 A CN 202110791946A CN 113486179 A CN113486179 A CN 113486179A
- Authority
- CN
- China
- Prior art keywords
- fault
- maintenance
- maintenance work
- work order
- analyzed
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 339
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000007405 data analysis Methods 0.000 title claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 100
- 238000013145 classification model Methods 0.000 claims abstract description 43
- 230000008439 repair process Effects 0.000 claims description 49
- 238000004140 cleaning Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 30
- 238000010219 correlation analysis Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000013024 troubleshooting Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 12
- 230000014509 gene expression Effects 0.000 description 10
- 238000007619 statistical method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012097 association analysis method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于维修工单的产品数据分析方法及系统，该方法包括：将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和故障零部件对应的故障现象的实体标签；将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；根据从待分析维修工单中抽取的故障现象和故障零部件的实体标签，结合故障原因类别，获取产品易损件、维修保养和工艺优化推荐等辅助用于产品和服务优化的分析结果。本发明实现自动抽取故障零部件和故障现象实体标签，并自动进行故障原因分类，通过数据挖掘和分析，构建辅助优化产品的建议，有助于决策者进行产品和服务的优化和改进。
Description
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种基于维修工单的产品数据分析方法及系统。
背景技术
在工业领域设备的故障维修和售后服务中，积累了很多有价值的数据信息。因此，可以从这些数据信息中获取与产品故障和维护相关的内容，进而指导相关人员对产品进行维护和保养。
但是，工业数据中的故障现象和故障原因等数据大多是描述性的文本数据。记录的故障现象和故障原因等数据因人而异，呈现非结构化特征。
采用人工的方式对工业数据进行分析，以提取出与产品故障和维护相关的有效信息，不仅难度大，且文本数据中的信息量比较大，需要耗费大量的人力物力。
发明内容
本发明提供一种基于维修工单的产品数据分析方法及系统，用以解决现有技术中人工从文本数据中提取出与产品故障和维护相关的有效信息，难度大，且需要耗费大量的人力物力的缺陷，实现自动对产品数据进行分析，准确获取与产品故障和维护相关的有效信息。
本发明提供一种基于维修工单的产品数据分析方法，包括：
将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；
将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；
根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果；
其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签作为样本标签训练获取；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
根据本发明提供的一种基于维修工单的产品数据分析方法，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所有待分析维修工单中所述故障零部件对应的故障现象中统计存在预设词语的故障现象的总数量；其中，所述预设词语与易损语义相关；
若所述总数量大于第一预设阈值，则获知所述故障零部件的故障分析结果为易损件。
根据本发明提供的一种基于维修工单的产品数据分析方法，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所述故障原因类别为操作不当原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；
将所述操作不当原因与所述操作不当原因对应的所有保养短语进行关联分析；
将所述操作不当原因对应的关联分析结果作为所述故障零部件的维修分析结果。
根据本发明提供的一种基于维修工单的产品数据分析方法，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所述故障原因类别为保养清洗原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；
将所述保养清洗原因与所述保养清洗原因对应的所有保养短语进行关联分析；
将所述保养清洗原因对应的关联分析结果作为所述故障零部件的维修分析结果。
根据本发明提供的一种基于维修工单的产品数据分析方法，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所述故障原因类别为产品质量原因对应的待分析维修工单中提取所述故障零部件对应的故障现象；
将所述产品质量原因与所述产品质量原因对应的所有故障现象进行关联分析；
将所述产品质量原因对应的关联分析结果作为所述故障零部件的故障分析结果。
根据本发明提供的一种基于维修工单的产品数据分析方法，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
统计所述故障零部件对应的故障原因类别为产品质量原因对应的所有待分析维修工单的总数量；
若所述故障原因类别为产品质量原因对应的所有待分析维修工单的总数量大于第二预设阈值，则所述故障零部件的故障分析结果为存在工艺问题的部件。
根据本发明提供的一种基于维修工单的产品数据分析方法，在所述将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的故障现象的实体标签之前，还包括：
对所述待分析维修工单进行预处理；
其中，所述预处理包括删除特殊字符、删除与所述故障维修不相关的文本、同义词合并和语义消歧中的一种或多种。
本发明还提供一种基于维修工单的产品数据分析系统，包括：
第一数据分析模块，用于将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；
第二数据分析模块，用于将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；
获取模块，用于根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果；
其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签作为样本标签训练获取；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于维修工单的产品数据分析方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于维修工单的产品数据分析方法的步骤。
本发明提供的基于维修工单的产品数据分析方法及系统，通过对每个待分析维修工单进行数据分析，自动获取每个待分析维修工单中故障零部件和故障现象的实体标签，以及故障原因类别，并根据故障零部件的故障现象的实体标签对应的故障现象和/或故障原因类别，自动获取故障零部件的故障分析结果或维修分析结果，不仅有效提高数据分析的效率，降低人工成本；而且训练后的实体识别模型和分类模型可以反复使用，在新增待分析维修工单时，只需要将新增待分析维修工单输入训练后的实体识别模型和分类模型，即可自动新增待分析维修工单故障零部件的故障现象的实体标签和故障原因类别，有效降低了数据分析的难度，节约成本。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于维修工单的产品数据分析方法的流程示意图之一；
图2是本发明提供的基于维修工单的产品数据分析方法的流程示意图之二；
图3是本发明提供的基于维修工单的产品数据分析系统的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
下面结合图1描述本发明的基于维修工单的产品数据分析方法，包括：步骤101，将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的的故障现象的实体标签作为样本标签训练获取。
其中，产品可以是工业设备或机械设备等，如挖掘机或装载机。本实施例不对此作具体地限定。
产品的数量可以是一个或多个。需要说明的是，当产品的数量为多个时，多个产品为同一类型或同一型号下的产品。
以下以一个机械设备为例，说明本实施例中的产品数据分析方法。
待分析维修工单为待进行数据分析的维修工单，包括故障记录文本和维修文本等，本实施例不对此作具体地限定。
待分析维修工单中包括故障零部件的实体名称、故障零部件的故障现象的描述和故障零部件的故障原因描述等，本实施例不限于待分析维修工单的内容，也不限于待分析维修工单的数量。
待分析维修工单的数据来源可以是机械设备在一定行驶里程内产生的待分析维修工单，也可以是机械设备在一定运行时长内产生的待分析维修工单，本实施例不对此作具体地限定。
在将待分析维修工单输入命名实体识别模型之前，需要对命名实体识别模型进行训练。
其中，命名实体识别模型的结构可以为神经网络模型结构，本实施例不对命名实体识别模型的具体结构作限定，如BILSTM(Bi-directional Long Short-Term Memory，双向长短期记忆)模型和CRF(Conditional Random Field，条件随机场)模型组合的模型结构、BERT(Bidirectional Encoder Representations From Transformers，机器翻译模型的双向编码器)模型和CRF模型组合的模型结构，或Albert(A Lite Bi-directional LongShort-Term Memory，精简的双向长短期记忆)和CRF模型组合的模型结构等。
在对命名实体识别模型进行训练时，将样本维修工单作为命名实体识别模型的输入，将样本维修工单对应的故障零部件的实体标签和故障零部件对应的故障现象的实体标签作为样本标签对命名实体识别模型进行训练，直到满足预设终止条件。
可选地，可以将样本维修工单中的词语与预先构建的故障现象词典中的词语进行匹配，将匹配的词语的实体标签作为样本维修工单对应的故障零部件的实体标签和故障零部件对应的故障现象的实体标签，并通过人工对实体标签进行校验。将样本维修工单和样本维修工单对应的故障零部件的实体标签和故障现象的实体标签构成实体识别数据集。
可选地，可以将实体识别数据集划分为训练集和测试集，采用训练集对命名实体识别模型进行训练，采用测试集测试命名实体识别模型的性能，也可以将实体识别数据集整体作为训练集对命名实体识别模型进行训练。
在对命名实体识别模型进行训练后，可以将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和故障零部件对应的故障现象的实体标签。
可以根据故障零部件的实体标签和故障现象的实体标签在待分析维修工单中的位置信息，获取故障零部件的实体标签对应的故障零部件和故障现象的实体标签之间的对应关系。根据对应关系，可以获取故障零部件的故障现象的实体标签。
步骤102，将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
具体地，在获取故障零部件的故障原因类别之前，可以先从每个待分析维修工单中提取出与所述故障零部件的故障维修相关的文本。然后，将每个待分析维修工单中与故障零部件的故障维修相关的文本输入训练后的分类模型中，输出故障零部件对应的故障原因类别。
可选地，分类模型的结构可以是机器学习模型，如，BILSTM模型和Attention(注意力机制)模型的组合模型等，本实施例不对此作具体地限定。
其中，故障原因类别包括产品质量原因、外力环境原因、参数调整原因、操作不当原因和保养清洗原因，本实施例不此作具体地限定。
在对分类模型进行训练时，将样本维修工单作为分类模型的输入，将样本维修工单中故障零部件对应的故障原因类别作为样本标签对分类模型进行训练，直到满足预设终止条件。
可选地，可以将样本维修工单中的词语与预先构建的故障原因分类关键词库中的关键词进行匹配，将匹配的关键词的故障原因类别作为故障零部件对应的故障原因类别，并通过人工对故障原因类别进行校验。并将样本维修工单和故障零部件对应的故障原因类别构成故障原因分类数据集。
可选地，可以将故障原因分类数据集划分为训练集和测试集，采用训练集对分类模型进行训练，采用测试集测试分类模型的性能，也可以将故障原因分类数据集整体作为训练集对分类模型进行训练。
本实施例通过将每个待分析维修工单中与所述故障零部件的故障维修相关的文本输入分类模型中，可以自动获取故障零部件的故障原因类别，有效降低人工成本。且可以避免人为干扰，获取更加准确的故障原因类别。
步骤103，根据所述故障现象的实体标签对应的故障现象和/或故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果。
其中，故障零部件对应的故障现象的实体标签，可以用于标识每个待分析维修工单中故障零部件对应的故障现象。根据每个待分析维修工单中故障零部件对应的故障现象的实体标签可以获取实体标签对应的故障现象。
故障现象中包含有对故障零部件发生故障时的表征情况进行描述的相关词语；故障原因中包含有对造成故障零部件发生故障的原因进行描述的相关词语。
可以通过对故障零部件对应的每个故障现象或每个类别的故障原因进行统计分析获取故障分析结果；
或将故障零部件对应的每个故障现象和每个类别的故障原因进行联合分析，获取故障分析结果；
或将故障零部件对应的故障原因进行统计分析，获取故障分析结果；
或将故障零部件对应的每个故障现象和每个类别的故障原因进行联合分析，获取维修分析结果。
获取的维修分析结果和故障分析结果可以实时上传到终端，以对对产品优化或产品的保养维护等提供参考，便于用户对产品优化或产品的保养维护等做出更加完善的决策。
本实施例通过对每个待分析维修工单进行数据分析，自动获取每个待分析维修工单中故障零部件的实体标签和故障现象的实体标签，以及故障原因类别，并根据故障零部件的故障现象的实体标签对应的故障现象和/或故障原因类别，自动获取故障零部件的故障分析结果或维修分析结果，不仅有效提高数据分析的效率，降低人工成本；而且训练后的实体识别模型和分类模型可以反复使用，在新增待分析维修工单时，只需要将新增待分析维修工单输入训练后的实体识别模型和分类模型，即可自动新增待分析维修工单故障零部件的故障现象的实体标签和故障原因类别，有效降低了数据分析的难度，节约成本。
在上述实施例的基础上，本实施例中所述根据所述故障现象的实体标签对应的故障现象和/或故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：从所有待分析维修工单中所述故障零部件对应的故障现象中统计存在预设词语的故障现象的总数量；其中，所述预设词语与易损语义相关；若所述总数量大于第一预设阈值，则获知所述故障零部件的故障分析结果为易损件。
具体地，由于待分析维修工单中可能存在对同一故障现象，采用不同表述方式的情况或存在有歧义的表述方式的情况。为了消除歧义和统一待分析维修工单中的故障现象的表述方式，可以通过预先构建的产品知识库和预先构建的同义词典消除待分析维修工单中故障现象的歧义表述，并对任意两个故障现象中存在的同义表述进行统一，将其统一为相同的表述方式。
然后，将每个待分析维修工单中故障零部件对应的故障现象与预设词语进行匹配，从所有待分析维修工单中故障零部件对应的故障现象中统计存在预设词语的故障现象的总数量。
判断总数量是否大于第一预设阈值，若大于，则表明故障零部件对应的故障现象中出现与易损语义相关的词语的次数较多，则获知故障零部件为易损件。此时，故障零部件的故障分析结果为易损件。
其中，第一预设阈值可以根据实际需求进行设置。
或将统计的故障现象的总数量与所有待分析维修工单中故障零部件对应的故障现象的总数量之间比值与设定值进行比较，若比值大于设定值，则获知故障零部件为易损件。
在获知故障零部件为易损件时，可以根据统计的故障现象的总数量或比值，计算出易损件的消耗量。并将消耗量反馈至终端，以便上游用户调整与故障零部件同类型的零部件的生产力度或采购力度等。
本实施例通过对故障零部件对应的故障现象进行统计分析，可以准确获知故障零部件是否为易损件，进而指导上游生产或采购。
在上述实施例的基础上，本实施例中所述根据所述故障现象的实体标签对应的故障现象和/或故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：从所述故障原因类别为操作不当原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；将所述操作不当原因与所述操作不当原因对应的所有保养短语进行关联分析；将所述操作不当原因对应的关联分析结果作为所述维修分析结果。
具体地，从所有待分析维修工单中筛选出故障原因类别为操作不当原因对应的待分析维修工单。
从筛选出来的待分析维修工单中的故障维修解决方案文本中提取零部件的保养短语。其中，操作不当原因对应的保养短语为多个。
可选地，提取保养短语的方式可以是将保养短语与保养相关的预设关键词进行匹配的关键词匹配方法，获取保养短语。也可以将关键词匹配方法与依存句法分析方法进行结合获取保养短语。
其中，依存句法分析方法的基本任务是确定句子的句法结构或者句子中词汇之间的依存关系。
然后，将操作不当原因与操作不当原因对应的所有保养短语进行关联分析，获取操作不当原因与操作不当原因对应的所有保养短语之间的关联关系。
其中，获取关联关系的方法可以是关联规则算法等。
可选地，若操作不当原因对应的任一保养短语在筛选出来的待分析维修工单中的次数大于设定值，则当获知故障零部件的故障原因类别为操作不当原因，向用户优先推荐该保养操作指导。
获取关联关系后，可以根据关联关系建立保养规则库。通过故障产品的操作不当原因，即可在保养规则库查找到相应的保养操作指导，以向用户推荐相应的保养操作指导，或用户直接通过保养规则库查找相应的保养操作指导。
本实施例通过对操作不当原因和操作不当原因对应的所有保养短语进行统计分析，可以自动获取操作不当原因与操作不当原因对应的所有保养短语之间的关联关系，便于根据操作不当原因与操作不当原因对应的所有保养短语之间的关联关系，为用户精准推荐相应的保养操作指导。
在上述实施例的基础上，本实施例中所述根据所述故障现象的实体标签对应的故障现象和/或故障原因类别，获取所述故障零部件的故障分析结果或维修分析结果，包括：从所述故障原因类别为保养清洗原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；将所述保养清洗原因与所述保养清洗原因对应的所有保养短语进行关联分析；将所述保养清洗原因对应的关联分析结果作为所述维修分析结果。
具体地，从所有待分析维修工单中筛选出故障原因类别为保养清洗原因对应的待分析维修工单。
从筛选出来的待分析维修工单中的故障维修解决方案文本中提取零部件的保养短语。其中，保养清洗原因对应的保养短语为多个。
然后，将保养清洗原因与保养清洗原因对应的所有保养短语进行关联分析，获取保养清洗原因与保养清洗原因对应的所有保养短语之间的关联关系。
此外，也可以按照上述方式建立其他类别的故障原因与其他类别的故障原因对应的保养短语之间的关联关系。
可以联合上述操作不当原因对应的关联关系、保养清洗原因对应的关联关系和其他类别的故障原因对应的关联关系建立保养规则库。
通过故障零部件的故障原因类别可在保养规则库中查找到相应的保养操作指导，以向用户推荐相应的保养操作指导，或用户直接通过保养规则库查找相应的保养操作指导。
本实施例通过对保养清洗原因对应的所有保养短语进行统计分析，可以自动获取保养清洗原因与保养清洗原因对应的所有保养短语之间的关联关系，以为用户精准推荐相应的保养操作指导。
在上述各实施例的基础上，本实施例中所述根据所故障现象的实体标签对应的故障现象和/或故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：从所述故障原因类别为产品质量原因对应的待分析维修工单中提取所述故障零部件对应的故障现象；将所述产品质量原因与所述产品质量原因对应的所有故障现象进行关联分析；将所述产品质量原因对应的关联分析结果作为所述故障分析结果。
具体地，从所有待分析维修工单中筛选出故障原因类别为产品质量原因对应的待分析维修工单。
从筛选出来的待分析维修工单中提取故障零部件对应的故障现象。
其中，提取方法可以与提取保养短语的方式相同。
产品质量原因对应的故障现象为多个。
然后，将产品质量原因与产品质量原因对应的所有故障现象进行关联分析，获取产品质量原因与产品质量原因对应的所有故障现象之间的关联关系，挖掘不同故障现象对应的同一产品质量原因之间的关联关系。
同理，也可以根据上述方式，建立其他类别的故障原因与其他类别的故障原因对应的所有故障现象之间的关联关系。
也可以将产品质量原因与产品质量原因对应的所有故障现象之间的关联关系和其他类别的故障原因与其他类别的故障原因对应的所有故障现象之间的关联关系保存在数据库中，以便在已知故障原因类别时，也可以在数据库中获取故障原因类别对应的故障现象，或在已知故障现象时，也可以获取故障现象对应的故障原因类别，便于向用户反馈故障零部件完整的故障信息。
本实施例通过对产品质量原因和产品质量原因对应的所有故障现象进行统计分析，可以自动获取产品质量原因与产品质量原因对应的所有故障现象之间的关联关系，以便向用户反馈故障零部件完整的故障信息。
在上述各实施例的基础上，本实施例中所述根据所述故障现象的实体标签对应的故障现象和/或故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：统计所述故障零部件对应的故障原因类别为产品质量原因对应的所有待分析维修工单的总数量；若所述故障原因类别为产品质量原因对应的所有待分析维修工单的总数量大于第二预设阈值，则所述故障零部件的故障分析结果为存在工艺问题的部件。
具体地，从所有待分析维修工单中筛选出故障原因类别为产品质量原因对应的待分析维修工单。
统计筛选出来的产品质量原因对应的待分析维修工单的总数量。将产品质量原因对应的待分析维修工单的总数量与第二预设阈值进行比较。
若大于第二预设阈值，则表明故障零部件出现产品质量原因的次数过多。而导致故障零部件出现产品质量原因的次数过多的原因主要是由于故障零部件存在工艺问题。
第二预设阈值可以根据实际需求进行设置。
因此，当产品质量原因对应的待分析维修工单的总数量大于第二预设阈值时，则获取故障零部件为存在工艺问题的部件。此时，可以将故障零部件的故障分析结果、故障现象和故障原因类别等反馈给用户，以供用户根据反馈的相关信息及时对故障零部件进行工艺优化。
本实施例通过对故障零部件的产品质量原因进行统计分析，可以准确获知故障零部件是否存在工艺问题，进而及时将故障分析结果、故障现象和故障原因类别等反馈给用户，便于用户及时对故障零部件进行工艺优化。
在上述各实施例的基础上，本实施例中在所述将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的故障现象的实体标签之前，还包括：对所述待分析维修工单进行预处理；其中，所述预处理包括删除特殊字符、删除与所述故障维修不相关的文本、同义词合并和语义消歧中的一种或多种。
具体地，为保证数据分析的准确性，在对数据进行分析之前，需要将每个待分析维修工单中的特殊字符和与所述故障维修不相关的文本删除。
其中，在对每个待分析维修工单进行处理时，可以采用匹配的方式，将每个待分析维修工单中的词或文本与预设的特殊字符或预设的故障维修不相关短语或文本进行匹配，然后将删除匹配到的特殊字符或故障维修不相关短语或文本等，本实施例不限于这种对待分析维修工单进行处理的方式。
另外，也可以通过预先构建的产品知识库和预先构建的同义词典消除待分析维修工单中的歧义表述，并对其中的同义表述进行统一，将其统一为相同的表述方式。
本实施例通过在数据分析之前对待分析维修工单进行预处理，可以提高数据的质量，进而使得数据分析结果更加准确。
现有技术中对数据进行分析时，主要通过获取与质量问题相关的数据，对与质量问题相关的数据进行质量标签提取，根据质量标签进行产品质量问题分析和故障工艺关联分析。但是，该现有技术主要从工艺优化改进推荐角度分析，分析结果比较单一。
如图2所示，而本实施例采用对待分析维修工单进行故障现象标注和故障原因分类等对故障零部件进行分析，并通过统计分析方法和关联分析方法对产品数据进行分析，不仅可以挖掘出故障零部件是否为易损件和是否存在工艺问题，还可以挖掘出故障零部件对应的故障现象与故障原因类别之间的关联关系，以及故障原因类别与维护保养之间的关联关系，进而为用户推荐相关的维护保养推荐和工艺优化点推荐，并实时反馈故障易损件的故障分析结果和维修分析结果。本实施例从易损件挖掘、检修保养、工艺问题挖掘的角度进行分析和挖掘，可以从待分析维修工单中挖掘出更有利于产品和服务优化和改进的点，并且挖掘出来的与故障和维护相关的关键信息更加全面。
下面对本发明提供的基于维修工单的产品数据分析系统进行描述，下文描述的基于维修工单的产品数据分析系统与上文描述的基于维修工单的产品数据分析方法可相互对应参照。
如图3所示，本实施例提供一种基于维修工单的产品数据分析系统，该系统包括第一数据分析模块301、第二数据分析模块302和获取模块303，其中：
第一数据分析模块301用于将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的的故障现象的实体标签作为样本标签训练获取。
其中，产品可以是工业设备或机械设备等，如挖掘机或装载机。本实施例不对此作具体地限定。
产品的数量可以是一个或多个。需要说明的是，当产品的数量为多个时，多个产品为同一类型或同一型号下的产品。
以下以一个机械设备为例，说明本实施例中的产品数据分析方法。
待分析维修工单为待进行数据分析的维修工单，包括故障记录文本和维修文本等，本实施例不对此作具体地限定。
待分析维修工单中包括故障零部件的实体名称、故障零部件的故障现象的描述和故障零部件的故障原因描述等，本实施例不限于待分析维修工单的内容，也不限于待分析维修工单的数量。
待分析维修工单的数据来源可以是机械设备在一定行驶里程内产生的待分析维修工单，也可以是机械设备在一定运行时长内产生的待分析维修工单，本实施例不对此作具体地限定。
在将待分析维修工单输入命名实体识别模型之前，需要对命名实体识别模型进行训练。
其中，命名实体识别模型的结构可以为神经网络模型结构，本实施例不对命名实体识别模型的具体结构作限定。
在对命名实体识别模型进行训练时，将样本维修工单作为命名实体识别模型的输入，将样本维修工单对应的故障零部件的实体标签和故障零部件对应的故障现象的实体标签作为样本标签对命名实体识别模型进行训练，直到满足预设终止条件。
可选地，可以将样本维修工单中的词语与预先构建的故障现象词典中的词语进行匹配，将匹配的词语的实体标签作为样本维修工单对应的故障零部件的实体标签和故障零部件对应的故障现象的实体标签，并通过人工对实体标签进行校验。将样本维修工单和样本维修工单对应的故障零部件的实体标签和故障现象的实体标签构成实体识别数据集。
可选地，可以将实体识别数据集划分为训练集和测试集，采用训练集对命名实体识别模型进行训练，采用测试集测试命名实体识别模型的性能，也可以将实体识别数据集整体作为训练集对命名实体识别模型进行训练。
在对命名实体识别模型进行训练后，可以将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和故障零部件对应的故障现象的实体标签。
可以根据故障零部件的实体标签和故障现象的实体标签在待分析维修工单中的位置信息，获取故障零部件的实体标签对应的故障零部件和故障现象的实体标签之间的对应关系。根据对应关系，可以获取故障零部件的故障现象的实体标签。
第二数据分析模块302用于将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
具体地，在获取故障零部件的故障原因类别之前，可以先从每个待分析维修工单中提取出与所述故障零部件的故障维修相关的文本。然后，将每个待分析维修工单中与故障零部件的故障维修相关的文本输入训练后的分类模型中，输出故障零部件对应的故障原因类别。
可选地，分类模型的结构可以是机器学习模型，本实施例不对此作具体地限定。
其中，故障原因类别包括产品质量原因、外力环境原因、参数调整原因、操作不当原因和保养清洗原因，本实施例不此作具体地限定。
在对分类模型进行训练时，将样本维修工单作为分类模型的输入，将样本维修工单中故障零部件对应的故障原因类别作为样本标签对分类模型进行训练，直到满足预设终止条件。
可选地，可以将样本维修工单中的词语与预先构建的故障原因分类关键词库中的关键词进行匹配，将匹配的关键词的故障原因类别作为故障零部件对应的故障原因类别，并通过人工对故障原因类别进行校验。并将样本维修工单和故障零部件对应的故障原因类别构成故障原因分类数据集。
可选地，可以将故障原因分类数据集划分为训练集和测试集，采用训练集对分类模型进行训练，采用测试集测试分类模型的性能，也可以将故障原因分类数据集整体作为训练集对分类模型进行训练。
本实施例通过将每个待分析维修工单中与所述故障零部件的故障维修相关的文本输入分类模型中，可以自动获取故障零部件的故障原因类别，有效降低人工成本。且可以避免人为干扰，获取更加准确的故障原因类别。
获取模块303用于根据所述故障现象的实体标签对应的故障现象和/或故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果。
其中，故障零部件对应的故障现象的实体标签，可以用于标识每个待分析维修工单中故障零部件对应的故障现象。根据每个待分析维修工单中故障零部件对应的故障现象的实体标签可以获取实体标签对应的故障现象。
故障现象中包含有对故障零部件发生故障时的表征情况进行描述的相关词语；故障原因中包含有对造成故障零部件发生故障的原因进行描述的相关词语。
可以通过对故障零部件对应的每个故障现象或每个类别的故障原因进行统计分析获取故障分析结果；
或将故障零部件对应的每个故障现象和每个类别的故障原因进行联合分析，获取故障分析结果；
或将故障零部件对应的故障原因进行统计分析，获取故障分析结果；
或将故障零部件对应的每个故障现象和每个类别的故障原因进行联合分析，获取维修分析结果。
获取的维修分析结果和故障分析结果可以实时上传到终端，以对对产品优化或产品的保养维护等提供参考，便于用户对产品优化或产品的保养维护等做出更加完善的决策。
本实施例通过对每个待分析维修工单进行数据分析，自动获取每个待分析维修工单中故障零部件的实体标签和故障现象的实体标签，以及故障原因类别，并根据故障零部件的故障现象的实体标签对应的故障现象和/或故障原因类别，自动获取故障零部件的故障分析结果或维修分析结果，不仅有效提高数据分析的效率，降低人工成本；而且训练后的实体识别模型和分类模型可以反复使用，在新增待分析维修工单时，只需要将新增待分析维修工单输入训练后的实体识别模型和分类模型，即可自动新增待分析维修工单故障零部件的故障现象的实体标签和故障原因类别，有效降低了数据分析的难度，节约成本。
在上述实施例的基础上，本实施例中获取模块具体用于：从所有待分析维修工单中所述故障零部件对应的故障现象中统计存在预设词语的故障现象的总数量；其中，所述预设词语与易损语义相关；若所述总数量大于第一预设阈值，则获知所述故障零部件的故障分析结果为易损件。
在上述实施例的基础上，本实施例中获取模块具体用于：从所述故障原因类别为操作不当原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；将所述操作不当原因与所述操作不当原因对应的所有保养短语进行关联分析；将所述操作不当原因对应的关联分析结果作为所述维修分析结果。
在上述实施例的基础上，本实施例中获取模块具体用于：从所述故障原因类别为保养清洗原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；将所述保养清洗原因与所述保养清洗原因对应的所有保养短语进行关联分析；将所述保养清洗原因对应的关联分析结果作为所述维修分析结果。
在上述各实施例的基础上，本实施例中获取模块具体用于：从所述故障原因类别为产品质量原因对应的待分析维修工单中提取所述故障零部件对应的故障现象；将所述产品质量原因与所述产品质量原因对应的所有故障现象进行关联分析；将所述产品质量原因对应的关联分析结果作为所述故障分析结果。
在上述各实施例的基础上，本实施例中获取模块具体用于：统计所述故障零部件对应的故障原因类别为产品质量原因对应的所有待分析维修工单的总数量；若所述故障原因类别为产品质量原因对应的所有待分析维修工单的总数量大于第二预设阈值，则所述故障零部件的故障分析结果为存在工艺问题的部件。
在上述各实施例的基础上，本实施例中还包括数据处理模块具体用于：对所述待分析维修工单进行预处理；其中，所述预处理包括删除特殊字符、删除与所述故障维修不相关的文本、同义词合并和语义消歧中的一种或多种。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行产品数据分析方法，该方法包括：将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果；其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签作为样本标签训练获取；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
此外，上述的存储器403中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(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例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的产品数据分析方法，该方法包括：将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果；其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签作为样本标签训练获取；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的产品数据分析方法，该方法包括：将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果；其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签作为样本标签训练获取；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
以上所描述的系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于维修工单的产品数据分析方法，其特征在于，包括：
将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；
将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；
根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果；
其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签作为样本标签训练获取；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
2.根据权利要求1所述的基于维修工单的产品数据分析方法，其特征在于，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所有待分析维修工单中所述故障零部件对应的故障现象中统计存在预设词语的故障现象的总数量；其中，所述预设词语与易损语义相关；
若所述总数量大于第一预设阈值，则获知所述故障零部件的故障分析结果为易损件。
3.根据权利要求1所述的基于维修工单的产品数据分析方法，其特征在于，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所述故障原因类别为操作不当原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；
将所述操作不当原因与所述操作不当原因对应的所有保养短语进行关联分析；
将所述操作不当原因对应的关联分析结果作为所述故障零部件的维修分析结果。
4.根据权利要求1所述的基于维修工单的产品数据分析方法，其特征在于，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所述故障原因类别为保养清洗原因对应的待分析维修工单中提取所述故障零部件对应的保养短语；
将所述保养清洗原因与所述保养清洗原因对应的所有保养短语进行关联分析；
将所述保养清洗原因对应的关联分析结果作为所述故障零部件的维修分析结果。
5.根据权利要求1-4任一所述的基于维修工单的产品数据分析方法，其特征在于，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
从所述故障原因类别为产品质量原因对应的待分析维修工单中提取所述故障零部件对应的故障现象；
将所述产品质量原因与所述产品质量原因对应的所有故障现象进行关联分析；
将所述产品质量原因对应的关联分析结果作为所述故障零部件的故障分析结果。
6.根据权利要求1-4任一所述的基于维修工单的产品数据分析方法，其特征在于，所述根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果，包括：
统计所述故障零部件对应的故障原因类别为产品质量原因对应的所有待分析维修工单的总数量；
若所述故障原因类别为产品质量原因对应的所有待分析维修工单的总数量大于第二预设阈值，则所述故障零部件的故障分析结果为存在工艺问题的部件。
7.根据权利要求1-4任一所述的基于维修工单的产品数据分析方法，其特征在于，在所述将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的故障现象的实体标签之前，还包括：
对所述待分析维修工单进行预处理；
其中，所述预处理包括删除特殊字符、删除与所述故障维修不相关的文本、同义词合并和语义消歧中的一种或多种。
8.一种基于维修工单的产品数据分析系统，其特征在于，包括：
第一数据分析模块，用于将产品的每个待分析维修工单输入命名实体识别模型中，输出每个待分析维修工单中故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签；
第二数据分析模块，用于将每个待分析维修工单中的故障维修相关文本输入分类模型中，输出所述故障零部件对应的故障原因类别；
获取模块，用于根据所述故障现象的实体标签对应的故障现象和/或所述故障原因类别，获取所述故障零部件的故障分析结果和/或维修分析结果；
其中，所述命名实体识别模型，以所述产品的样本维修工单作为样本，以所述样本维修工单对应的所述故障零部件的实体标签和所述故障零部件对应的故障现象的实体标签作为样本标签训练获取；所述分类模型，以所述样本维修工单作为样本，以所述样本维修工单中所述故障零部件对应的故障原因类别作为样本标签训练获取。
9.一种电子设备，包括存储器、处理器及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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于维修工单的产品数据分析方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于维修工单的产品数据分析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110791946.4A CN113486179A (zh) | 2021-07-13 | 2021-07-13 | 基于维修工单的产品数据分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110791946.4A CN113486179A (zh) | 2021-07-13 | 2021-07-13 | 基于维修工单的产品数据分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486179A true CN113486179A (zh) | 2021-10-08 |
Family
ID=77938474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110791946.4A Pending CN113486179A (zh) | 2021-07-13 | 2021-07-13 | 基于维修工单的产品数据分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486179A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114461735A (zh) * | 2022-04-13 | 2022-05-10 | 天津中新智冠信息技术有限公司 | 工矿数据分级分类方法、装置和计算机设备 |
| CN115146084A (zh) * | 2022-07-14 | 2022-10-04 | 贵州电网有限责任公司 | 从非结构化数据获取设备故障及维修数据的方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110650052A (zh) * | 2019-09-26 | 2020-01-03 | 科大国创软件股份有限公司 | 一种基于智能算法的客户原因故障识别处理方法及系统 |
| CN112036185A (zh) * | 2020-11-04 | 2020-12-04 | 长沙树根互联技术有限公司 | 一种基于工业企业构建命名实体识别模型的方法及装置 |
| WO2021023097A1 (zh) * | 2019-08-02 | 2021-02-11 | 深圳市道通科技股份有限公司 | 一种汽车维修方法、装置及其系统 |
| CN112818008A (zh) * | 2021-01-21 | 2021-05-18 | 中广核工程有限公司 | 核电调试故障智能诊断的方法、系统、介质及电子设备 |
-
2021
- 2021-07-13 CN CN202110791946.4A patent/CN113486179A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021023097A1 (zh) * | 2019-08-02 | 2021-02-11 | 深圳市道通科技股份有限公司 | 一种汽车维修方法、装置及其系统 |
| CN110650052A (zh) * | 2019-09-26 | 2020-01-03 | 科大国创软件股份有限公司 | 一种基于智能算法的客户原因故障识别处理方法及系统 |
| CN112036185A (zh) * | 2020-11-04 | 2020-12-04 | 长沙树根互联技术有限公司 | 一种基于工业企业构建命名实体识别模型的方法及装置 |
| CN112818008A (zh) * | 2021-01-21 | 2021-05-18 | 中广核工程有限公司 | 核电调试故障智能诊断的方法、系统、介质及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 陈志成: "基于需求驱动的发动机故障诊断知识抽取与推送方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 5, 15 May 2021 (2021-05-15), pages 17 - 33 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114461735A (zh) * | 2022-04-13 | 2022-05-10 | 天津中新智冠信息技术有限公司 | 工矿数据分级分类方法、装置和计算机设备 |
| CN115146084A (zh) * | 2022-07-14 | 2022-10-04 | 贵州电网有限责任公司 | 从非结构化数据获取设备故障及维修数据的方法及装置 |
| CN115146084B (zh) * | 2022-07-14 | 2023-11-24 | 贵州电网有限责任公司 | 从非结构化数据获取设备故障及维修数据的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11113477B2 (en) | Visualizing comment sentiment | |
| US20220091827A1 (en) | Pruning Engine | |
| CN108256074B (zh) | 校验处理的方法、装置、电子设备和存储介质 | |
| CN109492106B (zh) | 一种文本代码相结合的缺陷原因自动分类方法 | |
| CN115328756A (zh) | 一种测试用例生成方法、装置及设备 | |
| CN113486179A (zh) | 基于维修工单的产品数据分析方法及系统 | |
| CN112417852B (zh) | 一种代码片段重要性的判断方法和装置 | |
| US20220414463A1 (en) | Automated troubleshooter | |
| CN110555205A (zh) | 否定语义识别方法及装置、电子设备、存储介质 | |
| CN112463424A (zh) | 一种基于图的端到端程序修复方法 | |
| CN112036185B (zh) | 一种基于工业企业构建命名实体识别模型的方法及装置 | |
| CN114329482A (zh) | 基于排序的c/c++漏洞及其补丁间链接恢复系统及方法 | |
| CN116934278A (zh) | 一种建筑施工方案审核方法与装置 | |
| CN114265931A (zh) | 基于大数据文本挖掘的消费者政策感知分析方法及系统 | |
| CN112579777B (zh) | 一种未标注文本的半监督分类方法 | |
| Han et al. | A novel part of speech tagging framework for nlp based business process management | |
| CN113064811A (zh) | 基于工作流的自动化测试方法、装置以及电子设备 | |
| CN112115362B (zh) | 一种基于相似代码识别的编程信息推荐方法及装置 | |
| Saikia et al. | Feature extraction and performance measure of requirement engineering (RE) document using text classification technique | |
| CN118133207B (zh) | 跨领域日志异常检测模型构建方法、装置、设备及介质 | |
| CN114492409B (zh) | 文件内容的评价方法、装置、电子设备及程序产品 | |
| CN118551760B (zh) | 基于ai大模型下差异算法的采购文件合规性检查系统 | |
| CN118411010A (zh) | 操作票防误校验方法、装置、系统及存储介质 | |
| CN118349998A (zh) | 一种自动化代码审计方法、装置、设备及存储介质 | |
| CN118916040A (zh) | 一种DevOps部署流水线配置生成方法 |
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 |