CN113609216A - 基于区块链的产品质量诊断方法、装置、设备及存储介质 - Google Patents
基于区块链的产品质量诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113609216A CN113609216A CN202110776669.XA CN202110776669A CN113609216A CN 113609216 A CN113609216 A CN 113609216A CN 202110776669 A CN202110776669 A CN 202110776669A CN 113609216 A CN113609216 A CN 113609216A
- Authority
- CN
- China
- Prior art keywords
- data
- product quality
- product
- quality
- block chain
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Technology Law (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及区块链技术领域,公开了一种基于区块链的产品质量诊断方法、装置、设备及存储介质,所述方法包括:获取产品生产过程中的产品质量数据,并将基于产品质量数据生成的数据单存储至目标区块链;根据产品质量数据判断产品生产过程是否失控;在产品生产过程失控时,从产品质量数据中提取质量异常数据;通过目标区块链中存储的数据单查找质量异常数据的数据类别;根据数据类别将质量异常数据输入至对应的残差控制图,并根据残差控制图进行产品质量诊断。由于引入了区块链技术对基于产品质量数据生成的数据单进行存储,提高了产品质量数据的存储安全性和溯源准确度,进一步地,也提高了基于存储在区块链中的数据单进行质量诊断时的诊断效率。
Description
技术领域
本发明涉及区块链技术领域,尤其涉及一种基于区块链的产品质量诊断方法、装置、设备及存储介质。
背景技术
在产品生产过程中,对产品装配质量提前监控能够在质量问题发生前提前得知产品的装配性能,进而在产品下线之前就将问题产品进行处理,以将由于产品装配不合格造成的人员、工时、能源等浪费降到最低。针对这一领域,国内外学者也进行了大量的学术研究,如,针对小批量生产过程质量预测问题提出的模糊支持向量机质量预测算法;针对加工过程中产品质量标准差的预测,提出的基于加权最小二乘支持向量机(Weighted LeastSquares Support Vector Machine,WLS-SVM)的时间序列预测方法,并根据对标准差变化情况的预测来实时判断工序加工状态;针对单工序的质量预测,提出了利用粒子群算法(Particle Swarm Optimization,PSO)对支持向量机(Support Vector Machine,SVM)参数进行优化的方法,实现并构建了对应的质量预测模型,解决了航空制造领域中关键零部件的加工样本数据不足和加工误差监测困难等问题;利用主成分分析法获取影响内螺纹质量的关键指标,并利用BP神经网络算法对影响螺纹加工质量的关键指标数据进行预测等,但上述方法均难以保障产品质量数据的存储安全性,且产品质量数据的溯源准确度较低。因此,如何提高产品质量数据的存储安全性和溯源准确度,成为一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于区块链的产品质量诊断方法、装置、设备及存储介质,旨在解决如何提高产品质量数据的存储安全性和溯源准确度,以进一步提高产品质量诊断效率的技术问题。
为实现上述目的,本发明提供了一种基于区块链的产品质量诊断方法,所述方法包括以下步骤:
获取无人车位置信息以及所述无人车周围预设范围内的物体与所述无人车之间的距离信息;
接收所述预设范围内若干辆人工驾驶车辆上传的行驶信息,并根据所述行驶信息对所述人工驾驶车辆的进行行驶路径预测,获得若干对应的预测路径;
基于所述预测路径,根据所述无人车位置信息以及所述距离信息对所述无人车的行驶路径进行规划,获得目标行驶路径,并将所述目标行驶路径发送至所述无人车,实现对所述无人车的调度。
可选地,所述获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链的步骤,具体包括:
获取产品生产过程中产生的产品质量数据,并基于所述产品质量数据生成对应的数据单;
将所述数据单输入至目标区块链的预设数据区块中,并对所述预设数据区块进行共识验证,以获得共识验证结果;
在所述共识验证结果为验证通过时,判定所述数据单已存储至所述目标区块链。
可选地,所述根据所述产品质量数据判断所述产品生产过程是否失控的步骤,具体包括:
将所述产品质量数据标绘在预设T方控制图中,以获得所述产品质量数据对应的标绘点;
根据所述产品质量数据对应的标绘点是否超过所述预设T方控制图的控制限的上下限来判断所述产品生产过程是否失控。
可选地,所述根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断的步骤之前,还包括:
获取产品样本数据,并根据3σ原则对所述产品样本数据进行分类,获得样本分类结果;
基于所述样本分类结果构造对应的样本数据矩阵,并将所述样本数据矩阵中由每列产品样本数据构成的列向量作为监控变量;
基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的残差控制图。
可选地,所述基于所述样本分类结果构造对应的样本数据矩阵的步骤,具体包括:
根据所述样本分类结果获取样本类别数量和不同样本类别中产品样本数据的数量;
根据所述样本类别数量和所述不同样本类别中产品样本数据的数量构造对应的样本数据矩阵。
可选地,所述基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的残差控制图的步骤,具体包括:
基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的预测残差的均值和标准差;
基于每个监控变量对应的预测残差的均值和标准差确定每个监控变量对应的残差控制图。
可选地,所述根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断的步骤,具体包括:
根据所述数据类别将所述质量异常数据绘制在对应的残差控制图中,以获得所述质量异常数据对应的标绘点;
根据所述质量异常数据对应的标绘点是否超过对应的残差控制图的控制限的上下限对所述质量异常数据进行质量诊断。
此外,为实现上述目的,本发明还提出一种基于区块链的产品质量诊断装置,所述基于区块链的产品质量诊断装置包括:
数据单生成模块,用于获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;
失控判断模块,用于根据所述产品质量数据判断所述产品生产过程是否失控;
异常定位模块,用于在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;
类别确定模块,用于通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;
质量诊断模块,用于根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。
此外,为实现上述目的,本发明还提出一种基于区块链的产品质量诊断设备,所述设备包括: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基于区块链的产品质量诊断程序,所述基于区块链的产品质量诊断程序配置为实现如上文所述的基于区块链的产品质量诊断方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于区块链的产品质量诊断程序,所述基于区块链的产品质量诊断程序被处理器执行时实现如上文所述的基于区块链的产品质量诊断方法的步骤。
本发明中,获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;根据所述产品质量数据判断所述产品生产过程是否失控;在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。由于引入了区块链技术对基于产品质量数据生成的数据单进行存储,提高了产品质量数据的存储安全性,也提高了溯源准确度,进一步地,通过根据在存储于所述区块链中的数据单查找所述质量异常数据的数据类别,并根据所述数据类别将所述质量异常数据输入至对应的残差控制图,以根据所述残差控制图进行产品质量诊断来提高基于存储在区块链中的数据单对产品质量数据进行质量诊断时的诊断效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于区块链的产品质量诊断设备的结构示意图;
图2为本发明基于区块链的产品质量诊断方法第一实施例的流程示意图;
图3为本发明基于区块链的产品质量诊断方法第一实施例的数据插入示意图;
图4为本发明基于区块链的产品质量诊断方法第一实施例涉及的数据单结构图;
图5为本发明基于区块链的产品质量诊断方法第二实施例的流程示意图;
图6为本发明基于区块链的产品质量诊断装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
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。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于区块链的产品质量诊断设备结构示意图。
如图1所示,该基于区块链的产品质量诊断设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于区块链的产品质量诊断设备的限定,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。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于区块链的产品质量诊断程序。
在图1所示的基于区块链的产品质量诊断设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于区块链的产品质量诊断设备中的处理器1001、存储器1005可以设置在基于区块链的产品质量诊断设备中,所述基于区块链的产品质量诊断设备通过处理器1001调用存储器1005中存储的基于区块链的产品质量诊断程序,并执行本发明实施例提供的基于区块链的产品质量诊断方法。
本发明实施例提供了一种基于区块链的产品质量诊断方法,参照图2,图2为本发明基于区块链的产品质量诊断方法第一实施例的流程示意图。
本实施例中,所述基于区块链的产品质量诊断方法包括以下步骤:
步骤S10:获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;
易于理解的是,在获取到产品生产过程中的产品质量数据时,可基于所述产品质量数据生成数据单,所述产品质量数据可理解为产品生产过程中产品装配环节的装配质量数据,如,螺栓作业工位的螺栓拧紧程度、材料压装工位的压装力和压装位移、零件焊接工位的焊缝宽度和零件表面平滑度等,在具体生产过程中,可根据实际需求进行选取,本实施例对此不加以限制,在具体实现中,可将所述产品质量数据存入预设数据库中,并对所述预设数据库进行加密处理,以提高产品质量数据的存储安全性,所述预设数据库可根据实际需求进行设置,本实施例对此不加以限制。
参见图3,图3为本发明基于区块链的产品质量诊断方法第一实施例的数据插入示意图,在具体实现中,为了提高产品质量数据的存储安全性,在将产品质量数据存入数据库(即图3中的Data Center节点,数据中心节点)时,可运用安全散列算法(Secure HashAlgorithm,SHA)256(对于任意长度的消息,SHA256都会产生一个256位的哈希值,称作消息摘要。这个摘要相当于长度为32个字节的数组,通常有一个长度为64的十六进制字符串来表示,其中1个字节=8位,一个十六进制的字符的长度为4位。SHA256的压缩函数主要对512位的消息区块和256位的中间哈希值进行操作,本质上,它是一个通过将消息区块为密钥对中间哈希值进行加密的256位加密算法)计算Data1数据(即产品质量数据的第一个批次的数据)对应的哈希值Data1_Hash,再将哈希值Data1_Hash分别存入数据库和区块链(即图3中的Block1,区块1);在检测到用户输入的数据查询指令时,可将区块链和数据库中哈希值进行比较,若相同,则说明数据库中的产品质量数据没有被篡改,若不同,则说明数据库中的产品质量数据已被篡改,进一步地,可以此类推Data2数据(即产品质量数据的第二个批次的数据)对应的哈希值Data2_Hash,并基于Data2_Hash验证第二个批次的数据是否被篡改,由此,实现对产品质量数据的全数据篡改查询,保障产品质量数据的存储安全性。
参见图4,图4为本发明基于区块链的产品质量诊断方法第一实施例涉及的数据单结构图,图4中,所述数据单包括数据类别、数字签名以及数据内容,所谓数据类别,可理解为基于3σ原则对所述产品质量数据进行数据分类所获得的结果,所谓3σ原则(三西格玛原则),又称为拉依达原则,它是先假设一组检测数据(如上文所述的产品质量数据)只含有随机误差,对其进行计算处理得到标准偏差,按一定概率(可根据实际精度需求进行设置)确定一个区间,设定超过这个区间的误差,就不属于随机误差而是粗大误差,将含有该误差的数据予以剔除,然后基于剔除粗大误差的产品质量数据进行数据类型的界定,获得产品质量数据的数据类别,如在正态分布中,σ代表标准差,μ代表均值,3σ原则中三种数据类别分别为数值分布在(μ-σ,μ+σ)中、数值分布在(μ-2σ,μ+2σ)中以及数值分布在(μ-3σ,μ+3σ)中,在具体实现中,数值分布在(μ-σ,μ+σ)中的概率约为0.6826,数值分布在(μ-2σ,μ+2σ)中的概率约为0.9544,数值分布在(μ-3σ,μ+3σ)中的概率约为0.9974,可见,产品质量数据的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅约0.27%,可见,基于3σ原则对产品质量数据进行分类处理,不仅保证了数据分类精度,也提高了数据分类速度;所谓数字签名,可理解为每个生产阶段对产品质量数据的数据标识的签名,通过所述数字签名对所述产品质量数据进行限定,可防止产品质量数据被篡改,提高产品质量数据的存储安全性;所谓数据内容,可理解为产品生产过程中按需填写的符合预设数据记录表的格式要求的产品质量内容,所述预设数据记录表可根据实际生产需求进行设置,本实施例对此不加以限制。
进一步地,为了提高产品质量数据的存储安全性和溯源准确度,可将生成的数据单输入至目标区块链的预设数据区块中,并对所述预设数据区块进行共识验证,以获得共识验证结果,并在所述共识验证结果为验证通过时,判定所述数据单已存储至所述目标区块链,所谓目标区块链,可理解为存储所述数据单的预设数据块对应的区块链,所谓预设数据区块,可理解为存储所述数据单的数据块,均可根据实际需求进行选择,本实施例对此不加以限制。所谓公式验证,即基于区块链中的公识机制和验证机制对存入的数据单进行验证,所谓公识机制,即采用了基于工作量证明(Proof of Work,PoW)的共识机制,通过在区块计算中加入算力竞争,使分布式的节点可以高效地达成共识。具体做法是在区块计算的最后一步要求解一个随机数,使区块的哈希函数值小于或等于某一目标哈希值(通过调整目标哈希值可动态控制区块的生成时间),由于哈希运算结果的随机性和不可逆性,找到随机数的难度会很大,通常目标哈希值由多个前导零的数串构成,设定的前导零越多,目标哈希值设定得越小,找到符合条件随机数的难度就越大;所谓验证机制,是区块链技术极为重要的一环,所有的区块链网络中的参与者都要随时监听新的交易与新的区块,一旦接收到新的交易或者新的区块均需首先验证它们的正确性,如果正确后再向自己的临近节点进行传播,如果接收到的新交易无效,则需立即抛弃,不再将它们转给临近节点,以免浪费计算资源,对于新交易的验证,根据基于区块链应用事先达成的各种验证协议来进行,比如交易的格式、交易的数据结构、格式的语法结构、输入输出、数字签名的正确性等,所有的新交易数据一旦验证通过后,节点会将这些交易数据放在一个交易池中,当节点确认了上一个区块以后,节点将按一定优先级次序从交易池中选出交易计算Merkle根,节点再通过自己强大的算力(工作量证明)找到符合难度目标的随机数后,并在第一时间将新挖出的区块广播给其他节点,以便其他节点确认该区块,并将获得验证的新区块加入到原有的区块链中。
步骤S20:根据所述产品质量数据判断所述产品生产过程是否失控;
步骤S30:在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;
易于理解的是,在获得所述产品质量数据后,可根据所述产品质量数据判断所述产品生产过程是否失控,在具体实现中,可将所述产品质量数据标绘在预设T方控制图中,以获得所述产品质量数据对应的标绘点,并根据所述产品质量数据对应的标绘点是否超过所述预设T方控制图的控制限的上下限来判断所述产品生产过程是否失控,在所述产品生产过程失控时,可从所述产品质量数据中提取质量异常数据,所谓质量异常数据,即超过所述预设T方控制图的控制限的上下限的产品质量数据,所谓T方控制图,即T2控制图,通过T2控制图可以同时监视两个或多个相关变量的过程位置是否受控制,本实施例所涉及的预设T方控制图可同时监视产品质量数据所包含的两个或多个相关变量的过程位置是否受控制,所谓控制限,可理解为位于中心线(T2统计量的理论分布的中位数,使用中心线可以查看与平均值相比过程的执行情况,如果过程处于受控状态,点将围绕中心线随机变化)上方的水平线,控制上限指示过程是否不受控制,它基于子组内的观测变异和标绘点(即每个子组的T2值,如果过程受控制,点将位于控制上限之下,过程仅表现常见原因变异)中的预期变异。
步骤S40:通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;
步骤S50:根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。
需要说明的是,在获得所述质量异常数据后,可通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别,并根据所述数据类别将所述质量异常数据输入至对应的残差控制图,以根据所述残差控制图进行产品质量诊断,本实例所涉及的残差控制图,为基于最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)算法构造的每个变量对应的残差预测模型,并基于所述残差预测模型确定的每个变量对应的残差控制图,具体构建方式可参照本发明基于区块链的产品质量诊断方法第二实施例,本实施例在此不予赘述。在具体实现中,可根据所述数据类别将所述质量异常数据绘制在对应的残差控制图中,以获得所述质量异常数据对应的标绘点,然后根据所述质量异常数据对应的标绘点是否超过对应的残差控制图的控制限的上下限对所述质量异常数据进行质量诊断。
本实施例中,获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;根据所述产品质量数据判断所述产品生产过程是否失控;在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。由于引入了区块链技术对基于产品质量数据生成的数据单进行存储,提高了产品质量数据的存储安全性,也提高了溯源准确度,进一步地,通过根据在存储于所述区块链中的数据单查找所述质量异常数据的数据类别,并根据所述数据类别将所述质量异常数据输入至对应的残差控制图,以根据所述残差控制图进行产品质量诊断来提高基于存储在区块链中的数据单对产品质量数据进行质量诊断时的诊断效率。
参考图5,图5为本发明基于区块链的产品质量诊断方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S50之前,还包括:
步骤S01:获取产品样本数据,并根据3σ原则对所述产品样本数据进行分类,获得样本分类结果;
在实际生产过程中,产品质量数据往往会有不同的特征,将具有不同特征的产品质量数据输入到同一个基于最小二乘支持向量机(Least Squares Support VectorMachines,LS-SVM)构建的残差控制图中进行质量诊断的诊断效果可能会有失真,因此本实施例提出了基于3σ原则的数据分类方法,在进行模型诊断模型的训练之前,首先将产品样本数据进行分类,然后根据分类的不同分别构建不同的残差控制图,并将产品质量数据输入到不同的残差控制图中进行质量异常诊断,以提高对产品质量数据的诊断精度和诊断效率。
在具体实现中,可先获取产品样本数据,然后对所述产品样本数据进行降维处理,具体降维方法可根据实际需求进行设置,如,选用主成分分析法对所述产品样本数据进行降维处理,然后根据3σ原则对降维处理后的产品样本数据进行分类,获得样本分类结果,如在正态分布中,σ代表标准差,μ代表均值,3σ原则中三种样本类别即为数值分布在(μ-σ,μ+σ)中、数值分布在(μ-2σ,μ+2σ)中以及数值分布在(μ-3σ,μ+3σ)中。
步骤S02:基于所述样本分类结果构造对应的样本数据矩阵,并将所述样本数据矩阵中由每列产品样本数据构成的列向量作为监控变量;
进一步地,可基于所述样本分类结果构造对应的样本数据矩阵,并将所述样本数据矩阵中由每列产品样本数据构成的列向量作为监控变量,在具体实现中,可根据所述样本分类结果获取样本类别数量和不同样本类别中产品样本数据的数量,并根据所述样本类别数量和所述不同样本类别中产品样本数据的数量构造对应的样本数据矩阵,然后将所述样本数据矩阵中由每列产品样本数据构成的列向量作为监控变量。如,假设生产过程中的监控变量有m个,设为V1,V2......Vm,用一个矩阵Xi=(Xi1,Xi2......Xim)来表示生产过程中采集的样本数据,其中Xij(i∈RN,j∈[1,m])表示第j个监控变量采集的第i个监控数据,若不同监控变量的样本数据相互独立,且服从样本均值向量为μ,样本协方差矩阵为σ2的多元正态分布,即Xi~pN(μ,σ2)。
步骤S03:基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的残差控制图。
在具体实现中,可基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的预测残差的均值μ和标准差σ,所述残差预测模型如下,
式中,y(x)为预测残差,α*i和b*均为待定系数,K(x,xi)为监控变量对应的映射核函数,其中,待定系数α*i和b*可根据历史训练数据确定,也可通过将多组样本数据代入至最小二乘支持向量机中求得。
在具体实现中,将所述产品样本数据输入至所述残差预测模型中,即可确定每个监控变量对应的预测残差,进一步地,可基于预测残差的正态分布数据确定对应的均值μ和标准差σ,并基于每个监控变量对应的预测残差的均值和标准差确定每个监控变量对应的残差控制图的上下限,如(μ-3σ,μ+3σ),然后根据所述数据类别将所述质量异常数据绘制在对应的残差控制图中,以获得所述质量异常数据对应的标绘点,再根据所述质量异常数据对应的标绘点是否超过对应的残差控制图的控制限的上下限对所述质量异常数据进行质量诊断。
本实施例中,获取产品样本数据,并根据3σ原则对所述产品样本数据进行分类,获得样本分类结果;基于所述样本分类结果构造对应的样本数据矩阵,并将所述样本数据矩阵中由每列产品样本数据构成的列向量作为监控变量;基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的残差控制图。通过基于3σ原则和最小二乘支持向量机算法为每个监控变量构造对应的残差预测图来提高获得的残差控制图的精度,再基于不同的残差控制图对质量异常数据进行诊断,以实现在保证一定的质量诊断效率的同时,提高产品质量诊断精度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于区块链的产品质量诊断程序,所述基于区块链的产品质量诊断程序被处理器执行时实现如上文所述的基于区块链的产品质量诊断方法的步骤。
参照图6,图6为本发明基于区块链的产品质量诊断装置第一实施例的结构框图。
如图6所示,本发明实施例提出的基于区块链的产品质量诊断装置包括:
数据单生成模块10,用于获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;
易于理解的是,在获取到产品生产过程中的产品质量数据时,可基于所述产品质量数据生成数据单,所述产品质量数据可理解为产品生产过程中产品装配环节的装配质量数据,如,螺栓作业工位的螺栓拧紧程度、材料压装工位的压装力和压装位移、零件焊接工位的焊缝宽度和零件表面平滑度等,在具体生产过程中,可根据实际需求进行选取,本实施例对此不加以限制,在具体实现中,可将所述产品质量数据存入预设数据库中,并对所述预设数据库进行加密处理,以提高产品质量数据的存储安全性,所述预设数据库可根据实际需求进行设置,本实施例对此不加以限制。
参见图4,图4为本发明基于区块链的产品质量诊断方法第一实施例涉及的数据单结构图,图4中,所述数据单包括数据类别、数字签名以及数据内容,所谓数据类别,可理解为基于3σ原则对所述产品质量数据进行数据分类所获得的结果,所谓3σ原则(三西格玛原则),又称为拉依达原则,它是先假设一组检测数据(如上文所述的产品质量数据)只含有随机误差,对其进行计算处理得到标准偏差,按一定概率(可根据实际精度需求进行设置)确定一个区间,设定超过这个区间的误差,就不属于随机误差而是粗大误差,将含有该误差的数据予以剔除,然后基于剔除粗大误差的产品质量数据进行数据类型的界定,获得产品质量数据的数据类别,如在正态分布中,σ代表标准差,μ代表均值,3σ原则中三种数据类别分别为数值分布在(μ-σ,μ+σ)中、数值分布在(μ-2σ,μ+2σ)中以及数值分布在(μ-3σ,μ+3σ)中,在具体实现中,数值分布在(μ-σ,μ+σ)中的概率约为0.6826,数值分布在(μ-2σ,μ+2σ)中的概率约为0.9544,数值分布在(μ-3σ,μ+3σ)中的概率约为0.9974,可见,产品质量数据的取值几乎全部集中在(μ-3σ,μ+3σ)区间内,超出这个范围的可能性仅约0.27%,可见,基于3σ原则对产品质量数据进行分类处理,不仅保证了数据分类精度,也提高了数据分类速度;所谓数字签名,可理解为每个生产阶段对产品质量数据的数据标识的签名,通过所述数字签名对所述产品质量数据进行限定,可防止产品质量数据被篡改,提高产品质量数据的存储安全性;所谓数据内容,可理解为产品生产过程中按需填写的符合预设数据记录表的格式要求的产品质量内容,所述预设数据记录表可根据实际生产需求进行设置,本实施例对此不加以限制。
进一步地,为了提高产品质量数据的存储安全性和溯源准确度,可将生成的数据单输入至目标区块链的预设数据区块中,并对所述预设数据区块进行共识验证,以获得共识验证结果,并在所述共识验证结果为验证通过时,判定所述数据单已存储至所述目标区块链,所谓目标区块链,可理解为存储所述数据单的预设数据块对应的区块链,所谓预设数据区块,可理解为存储所述数据单的数据块,均可根据实际需求进行选择,本实施例对此不加以限制。所谓公式验证,即基于区块链中的公识机制和验证机制对存入的数据单进行验证,所谓公识机制,即采用了基于工作量证明(Proof of Work,PoW)的共识机制,通过在区块计算中加入算力竞争,使分布式的节点可以高效地达成共识。具体做法是在区块计算的最后一步要求解一个随机数,使区块的哈希函数值小于或等于某一目标哈希值(通过调整目标哈希值可动态控制区块的生成时间),由于哈希运算结果的随机性和不可逆性,找到随机数的难度会很大,通常目标哈希值由多个前导零的数串构成,设定的前导零越多,目标哈希值设定得越小,找到符合条件随机数的难度就越大;所谓验证机制,是区块链技术极为重要的一环,所有的区块链网络中的参与者都要随时监听新的交易与新的区块,一旦接收到新的交易或者新的区块均需首先验证它们的正确性,如果正确后再向自己的临近节点进行传播,如果接收到的新交易无效,则需立即抛弃,不再将它们转给临近节点,以免浪费计算资源,对于新交易的验证,根据基于区块链应用事先达成的各种验证协议来进行,比如交易的格式、交易的数据结构、格式的语法结构、输入输出、数字签名的正确性等,所有的新交易数据一旦验证通过后,节点会将这些交易数据放在一个交易池中,当节点确认了上一个区块以后,节点将按一定优先级次序从交易池中选出交易计算Merkle根,节点再通过自己强大的算力(工作量证明)找到符合难度目标的随机数后,并在第一时间将新挖出的区块广播给其他节点,以便其他节点确认该区块,并将获得验证的新区块加入到原有的区块链中。
失控判断模块20,用于根据所述产品质量数据判断所述产品生产过程是否失控;
异常定位模块30,用于在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;
易于理解的是,在获得所述产品质量数据后,可根据所述产品质量数据判断所述产品生产过程是否失控,在具体实现中,可将所述产品质量数据标绘在预设T方控制图中,以获得所述产品质量数据对应的标绘点,并根据所述产品质量数据对应的标绘点是否超过所述预设T方控制图的控制限的上下限来判断所述产品生产过程是否失控,在所述产品生产过程失控时,可从所述产品质量数据中提取质量异常数据,所谓质量异常数据,即超过所述预设T方控制图的控制限的上下限的产品质量数据,所谓T方控制图,即T2控制图,通过T2控制图可以同时监视两个或多个相关变量的过程位置是否受控制,本实施例所涉及的预设T方控制图可同时监视产品质量数据所包含的两个或多个相关变量的过程位置是否受控制,所谓控制限,可理解为位于中心线(T2统计量的理论分布的中位数,使用中心线可以查看与平均值相比过程的执行情况,如果过程处于受控状态,点将围绕中心线随机变化)上方的水平线,控制上限指示过程是否不受控制,它基于子组内的观测变异和标绘点(即每个子组的T2值,如果过程受控制,点将位于控制上限之下,过程仅表现常见原因变异)中的预期变异。
类别确定模块40,用于通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;
质量诊断模块50,用于根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。
需要说明的是,在获得所述质量异常数据后,可通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别,并根据所述数据类别将所述质量异常数据输入至对应的残差控制图,以根据所述残差控制图进行产品质量诊断,本实例所涉及的残差控制图,为基于最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)算法构造的每个变量对应的残差预测模型,并基于所述残差预测模型确定的每个变量对应的残差控制图,具体构建方式可参照本发明基于区块链的产品质量诊断方法第二实施例,本实施例在此不予赘述。在具体实现中,可根据所述数据类别将所述质量异常数据绘制在对应的残差控制图中,以获得所述质量异常数据对应的标绘点,然后根据所述质量异常数据对应的标绘点是否超过对应的残差控制图的控制限的上下限对所述质量异常数据进行质量诊断。
本实施例中,获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;根据所述产品质量数据判断所述产品生产过程是否失控;在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。由于引入了区块链技术对基于产品质量数据生成的数据单进行存储,提高了产品质量数据的存储安全性,也提高了溯源准确度,进一步地,通过根据在存储于所述区块链中的数据单查找所述质量异常数据的数据类别,并根据所述数据类别将所述质量异常数据输入至对应的残差控制图,以根据所述残差控制图进行产品质量诊断来提高基于存储在区块链中的数据单对产品质量数据进行质量诊断时的诊断效率。
基于本发明上述基于区块链的产品质量诊断装置第一实施例,提出本发明基于区块链的产品质量诊断装置的第二实施例。
在本实施例中,所述数据单生成模块10,还用于获取产品生产过程中产生的产品质量数据,并基于所述产品质量数据生成对应的数据单;
所述数据单生成模块10,还用于将所述数据单输入至目标区块链的预设数据区块中,并对所述预设数据区块进行共识验证,以获得共识验证结果;
所述数据单生成模块10,还用于在所述共识验证结果为验证通过时,判定所述数据单已存储至所述目标区块链。
所述失控判断模块20,还用于将所述产品质量数据标绘在预设T方控制图中,以获得所述产品质量数据对应的标绘点;
所述失控判断模块20,还用于根据所述产品质量数据对应的标绘点是否超过所述预设T方控制图的控制限的上下限来判断所述产品生产过程是否失控。
所述质量诊断模块50,还用于获取产品样本数据,并根据3σ原则对所述产品样本数据进行分类,获得样本分类结果;
所述质量诊断模块50,还用于基于所述样本分类结果构造对应的样本数据矩阵,并将所述样本数据矩阵中由每列产品样本数据构成的列向量作为监控变量;
所述质量诊断模块50,还用于基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的残差控制图。
所述质量诊断模块50,还用于根据所述样本分类结果获取样本类别数量和不同样本类别中产品样本数据的数量;
所述质量诊断模块50,还用于根据所述样本类别数量和所述不同样本类别中产品样本数据的数量构造对应的样本数据矩阵。
所述质量诊断模块50,还用于基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的预测残差的均值和标准差;
所述质量诊断模块50,还用于基于每个监控变量对应的预测残差的均值和标准差确定每个监控变量对应的残差控制图。
所述质量诊断模块50,还用于根据所述数据类别将所述质量异常数据绘制在对应的残差控制图中,以获得所述质量异常数据对应的标绘点;
所述质量诊断模块50,还用于根据所述质量异常数据对应的标绘点是否超过对应的残差控制图的控制限的上下限对所述质量异常数据进行质量诊断。
本发明基于区块链的产品质量诊断装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例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(如只读存储器/随机存取存储器、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,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于区块链的产品质量诊断方法,其特征在于,所述基于区块链的产品质量诊断方法包括以下步骤:
获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;
根据所述产品质量数据判断所述产品生产过程是否失控;
在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;
通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;
根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。
2.如权利要求1所述的基于区块链的产品质量诊断方法,其特征在于,所述获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链的步骤,具体包括:
获取产品生产过程中产生的产品质量数据,并基于所述产品质量数据生成对应的数据单;
将所述数据单输入至目标区块链的预设数据区块中,并对所述预设数据区块进行共识验证,以获得共识验证结果;
在所述共识验证结果为验证通过时,判定所述数据单已存储至所述目标区块链。
3.如权利要求1所述的基于区块链的产品质量诊断方法,其特征在于,所述根据所述产品质量数据判断所述产品生产过程是否失控的步骤,具体包括:
将所述产品质量数据标绘在预设T方控制图中,以获得所述产品质量数据对应的标绘点;
根据所述产品质量数据对应的标绘点是否超过所述预设T方控制图的控制限的上下限来判断所述产品生产过程是否失控。
4.如权利要求1所述的基于区块链的产品质量诊断方法,其特征在于,所述根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断的步骤之前,还包括:
获取产品样本数据,并根据3σ原则对所述产品样本数据进行分类,获得样本分类结果;
基于所述样本分类结果构造对应的样本数据矩阵,并将所述样本数据矩阵中由每列产品样本数据构成的列向量作为监控变量;
基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的残差控制图。
5.如权利要求4所述的基于区块链的产品质量诊断方法,其特征在于,所述基于所述样本分类结果构造对应的样本数据矩阵的步骤,具体包括:
根据所述样本分类结果获取样本类别数量和不同样本类别中产品样本数据的数量;
根据所述样本类别数量和所述不同样本类别中产品样本数据的数量构造对应的样本数据矩阵。
6.如权利要求4所述的基于区块链的产品质量诊断方法,其特征在于,所述基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的残差控制图的步骤,具体包括:
基于最小二乘支持向量机算法构造每个监控变量对应的残差预测模型,并基于所述残差预测模型确定每个监控变量对应的预测残差的均值和标准差;
基于每个监控变量对应的预测残差的均值和标准差确定每个监控变量对应的残差控制图。
7.如权利要求6所述的基于区块链的产品质量诊断方法,其特征在于,所述根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断的步骤,具体包括:
根据所述数据类别将所述质量异常数据绘制在对应的残差控制图中,以获得所述质量异常数据对应的标绘点;
根据所述质量异常数据对应的标绘点是否超过对应的残差控制图的控制限的上下限对所述质量异常数据进行质量诊断。
8.一种基于区块链的产品质量诊断装置,其特征在于,所述基于区块链的产品质量诊断装置包括:
数据单生成模块,用于获取产品生产过程中的产品质量数据,并将基于所述产品质量数据生成的数据单存储至目标区块链;
失控判断模块,用于根据所述产品质量数据判断所述产品生产过程是否失控;
异常定位模块,用于在所述产品生产过程失控时,从所述产品质量数据中提取质量异常数据;
类别确定模块,用于通过所述目标区块链中存储的所述数据单查找所述质量异常数据的数据类别;
质量诊断模块,用于根据所述数据类别将所述质量异常数据输入至对应的残差控制图,并根据所述残差控制图进行产品质量诊断。
9.一种基于区块链的产品质量诊断设备,其特征在于,所述设备包括: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基于区块链的产品质量诊断程序,所述基于区块链的产品质量诊断程序配置为实现如权利要求1至7中任一项所述的基于区块链的产品质量诊断方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于区块链的产品质量诊断程序,所述基于区块链的产品质量诊断程序被处理器执行时实现如权利要求1至7中任一项所述的基于区块链的产品质量诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776669.XA CN113609216A (zh) | 2021-07-08 | 2021-07-08 | 基于区块链的产品质量诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776669.XA CN113609216A (zh) | 2021-07-08 | 2021-07-08 | 基于区块链的产品质量诊断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609216A true CN113609216A (zh) | 2021-11-05 |
Family
ID=78304303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776669.XA Pending CN113609216A (zh) | 2021-07-08 | 2021-07-08 | 基于区块链的产品质量诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609216A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944208A (zh) * | 2021-05-27 | 2022-08-26 | 内蒙古卫数数据科技有限公司 | 质量控制方法、装置、电子设备及存储介质 |
CN117314475A (zh) * | 2023-11-28 | 2023-12-29 | 德州市水利局水利施工处 | 一种封堵门防伪溯源过程中异常数据监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339195A (zh) * | 2020-02-24 | 2020-06-26 | 深圳点链科技有限公司 | 基于区块链的质量管控系统、方法及计算机可读存储介质 |
CN111461548A (zh) * | 2020-03-31 | 2020-07-28 | 深圳点链科技有限公司 | 基于区块链的品质智能监控系统、方法及可读存储介质 |
EP3706065A1 (en) * | 2019-03-04 | 2020-09-09 | Vyripharm Enterprises, LLC | Systems and methods for integrated and comprehensive management of cannabis products |
-
2021
- 2021-07-08 CN CN202110776669.XA patent/CN113609216A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3706065A1 (en) * | 2019-03-04 | 2020-09-09 | Vyripharm Enterprises, LLC | Systems and methods for integrated and comprehensive management of cannabis products |
CN111339195A (zh) * | 2020-02-24 | 2020-06-26 | 深圳点链科技有限公司 | 基于区块链的质量管控系统、方法及计算机可读存储介质 |
CN111461548A (zh) * | 2020-03-31 | 2020-07-28 | 深圳点链科技有限公司 | 基于区块链的品质智能监控系统、方法及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
叶瑞 等: "基于LS-SVM残差控制图的失控信号诊断", 《中国制造业信息化》, vol. 40, no. 11, pages 74 - 76 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114944208A (zh) * | 2021-05-27 | 2022-08-26 | 内蒙古卫数数据科技有限公司 | 质量控制方法、装置、电子设备及存储介质 |
CN114944208B (zh) * | 2021-05-27 | 2023-07-28 | 内蒙古卫数数据科技有限公司 | 质量控制方法、装置、电子设备及存储介质 |
CN117314475A (zh) * | 2023-11-28 | 2023-12-29 | 德州市水利局水利施工处 | 一种封堵门防伪溯源过程中异常数据监测方法 |
CN117314475B (zh) * | 2023-11-28 | 2024-02-13 | 德州市水利局水利施工处 | 一种封堵门防伪溯源过程中异常数据监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609216A (zh) | 基于区块链的产品质量诊断方法、装置、设备及存储介质 | |
CN115409395B (zh) | 一种水利施工工程的质量验收检查方法及系统 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
CN113726784A (zh) | 一种网络数据的安全监控方法、装置、设备及存储介质 | |
CN114662618B (zh) | 一种基于联邦学习的故障诊断方法、装置及相关设备 | |
CN116501727A (zh) | 一种设备数据校验方法、装置、设备及存储介质 | |
CN113407723A (zh) | 多源异构电力负荷数据融合方法、装置、设备和存储介质 | |
CN113282920B (zh) | 日志异常检测方法、装置、计算机设备和存储介质 | |
CN111630534B (zh) | 用于分析模型的协作机器学习的方法 | |
CN111339050B (zh) | 一种基于大数据平台集中安全审计的方法及系统 | |
Chen et al. | AI maintenance: a robustness perspective | |
CN117272386B (zh) | 互联网大数据信息安全加密方法及装置、设备、系统 | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
CN112529543A (zh) | 工作流互斥关系的校验方法、装置、设备及存储介质 | |
CN113327037A (zh) | 基于模型的风险识别方法、装置、计算机设备和存储介质 | |
US20230156043A1 (en) | System and method of supporting decision-making for security management | |
CN115659214A (zh) | 一种基于PaaS平台的能源行业数据可信评价方法 | |
CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
CN113626285A (zh) | 基于模型的作业监控方法、装置、计算机设备和存储介质 | |
CN115729175A (zh) | 产品良率确定方法、装置、设备及存储介质 | |
CN115049084B (zh) | 基于区块链的故障设备溯源方法、装置、设备及存储介质 | |
CN116302762B (zh) | 一种基于红蓝对抗的故障定位应用的评测方法与系统 | |
CN116880365B (zh) | 设备生产过程的监控方法、系统和可读存储介质 | |
CN113505069B (zh) | 一种测试数据分析方法及系统 |
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 |