CN114169536A - 数据管控方法及相关装置 - Google Patents
数据管控方法及相关装置 Download PDFInfo
- Publication number
- CN114169536A CN114169536A CN202210126729.8A CN202210126729A CN114169536A CN 114169536 A CN114169536 A CN 114169536A CN 202210126729 A CN202210126729 A CN 202210126729A CN 114169536 A CN114169536 A CN 114169536A
- Authority
- CN
- China
- Prior art keywords
- training set
- learning
- training
- task
- working condition
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本申请提供了一种数据管控方法及相关装置,所述方法应用于服务器,所述方法包括:根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集;从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集;根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果;将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。这样,不仅可以提高机器学习的效率,还能提高机器学习的精度。
Description
技术领域
本申请属于互联网产业的一般数据处理技术领域,具体涉及一种数据管控方法及相关装置。
背景技术
目前,传统机器学习的方式每次都会新建一个训练集,没有充分利用已有的历史训练数据,导致机器学习的效率较低,并且没有剔除导致生产批次存在质量问题的训练数据,导致机器学习的精度不佳。
发明内容
本申请提供了一种数据管控方法及相关装置,以期提高机器学习的效率和精度。
第一方面,本申请实施例提供了一种数据管控方法,所述方法应用于服务器,所述方法包括:
根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习,所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合;
从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集;
根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果;
将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。
第二方面,本申请实施例提供了一种数据管控装置,所述装置应用于服务器,所述装置包括:
确定单元,用于根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习,所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合;清除单元,用于从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集;训练单元,用于根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果;存储单元,用于将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。
第三方面,本申请实施例提供了一种服务器,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行本申请实施例第一方面中的步骤的指令。
第四方面,本申请实施例提供了一种计算机存储介质,用于存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如本实施例第一方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,本申请实施例中,首先根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,再从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集,然后根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果,最后将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。这样,将每一次的训练数据都存入到数据库中,用于之后机器学习的重复使用,可以有效提高机器学习的效率,并且清除了存在异常的训练数据,保证了机器学习的精度。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种系统架构示意图;
图2是本申请实施例提供的一种数据管控方法的流程示意图;
图3是本申请实施例提供的第一种客户端交互页面示意图;
图4是本申请实施例提供的第二种客户端交互页面示意图;
图5是本申请实施例提供的第三种客户端交互页面示意图;
图6是本申请实施例提供的第四种客户端交互页面示意图;
图7是本申请实施例提供的一种清除异常训练数据的示意图;
图8a是本申请实施例提供的一种数据管控装置的功能单元组成框图;
图8b是本申请实施例提供的另一种数据管控装置的功能单元组成框图;
图9是本申请实施例提供的一种服务器的结构框图。
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”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面先对本申请涉及到的相关术语进行介绍。
生产批次:是指通过生产设备对原始物料进行处理得到生产结果的一次生产过程,对应的,每个生产批次都有与之一一对应的生产批次号,用于区分不同的生产批次。
工况:是指生产流程的输入要素特性值的变化区间的组合,在实际生产中这些要素的组合会按要素的特性区间,进行分区编码,形成不同的工况编码。不同的工况组合,对生产流程的控制参数会有显著影响。
机器学习:机器学习在20世纪下半叶演变为人工智能的一个分支,它通过自学习算法从数据中获得知识来进行预测。机器学习并不需要事先对大量数据进行人工分析,然后提取规则并建立模型,而是提供了一种更为有效的方法来捕获数据中的知识,逐步提高预测模型的性能,以完成数据驱动的决策。
目前,传统的机器学习训练集管控时,每次都会新建一个训练集,没有充分利用已有的历史训练数据,导致机器学习的效率较低,并且没有剔除导致生产批次存在质量问题的训练数据,导致机器学习的精度不佳。
为解决上述问题,本申请实施例提供了一种数据管控方法,该方法可以应用于生产制造业务领域。可以通过该方法在企业面对不同的工况需要进行机器学习时,基于数据库存储的参考工况信息确定学习任务和训练集,并对训练集中异常的训练数据进行清除,从而在保证机器学习精度的同时提高机器学习的效率。本申请可以适用于多种需要进行机器学习训练集管控的应用场景,包括但不限于上述提到的应用场景。
下面介绍本申请实施例涉及的系统架构。
请参阅图1,图1是本申请实施例提供的一种系统架构示意图。如图1所示,所述系统架构10包括服务器11和客户端12,所述服务器11与所述客户端12通信连接,其中所述服务器11在根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集时,会根据不同的检测结果向所述客户端12发送对应的消息指引所述客户端12发送不同的指令,如任务创建指令、任务合并指令或训练数据使用确认指令等,从而根据这些指令得到目标学习任务和第一训练集。其中,所述服务器11可以是一台服务器,或者由若干服务器组成的服务器集群,或者是云计算服务中心,所述客户端12可以是手机终端,平板电脑,笔记本电脑,车载终端等。
下面介绍本申请实施例提供的一种数据管控方法。
请参阅图2,图2是本申请实施例提供的一种数据管控方法的流程示意图,所述方法应用于服务器,如图2所示,所述数据管控方法包括:
步骤201,根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集。
其中,所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习,所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合。所述当前工况信息是指在当前的生产批次下,该生产批次出现了需要进行机器学习的新工况,该新工况的信息即为所述当前工况信息,示例性地,该信息可以包括工况类型,工况编号等。若当前工况信息为旧工况,则会进一步判断该旧工况当前的生产模式,并根据生产模式的不同进行不同的生产策略,而不会进行学习任务的创建或合并,因此本申请中的当前工况信息指的是需要进行机器学习的新工况。所述学习训练集数据库中存储着历史工况的训练记录,每种历史工况都有唯一的工况编号,用于区分不同的工况,其中每种工况对应的学习任务可以是只有一个,可以是多个,也可以没有对应的学习任务而存在对应的历史训练数据。
步骤202,从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集。
其中,所述存在质量问题包括:一个生产批次的生产设备参数(即工艺参数)出现问题或者生产物料质检出现异常,这些质量问题都会导致最终产品的质量不合格。当前工况信息是所述目标生产批次下出现的工况信息,因此对该工况信息部署学习任务时需要将训练集中会导致目标生产批次出现质量问题的训练数据剔除,得到没有异常数据的训练集,再利用该没有异常数据的训练集进行机器学习,从而保证机器学习的精度。
步骤203,根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果。
其中,所述目标学习结果用于表征所述目标生产批次下的当前工况信息已完成机器学习,所述目标学习结果包括当前工况信息对应的生产参数,所述生产参数可以是生产设备的参数,也可以是部件参数,部件参数可包括原始物料参数和中间产品参数。同时,所述当前工况信息关联工况编码和第二训练集,并通过服务器进行标记,记录第二训练集中的训练数据为所述当前工况的历史训练数据,记录所述目标学习任务为所述当前工况的历史学习任务,所述目标学习结果包括上述的记录结果。
步骤204,将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。
其中,所述目标学习结果存入所述学习训练集数据库后,其中的训练数据和学习任务可用于以后生产过程中遇到新工况时的机器学习任务,避免每次利用训练集进行机器学习时都要新建一个训练集导致降低机器学习的效率。
可见,本示例中,首先根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,再从所述第一训练集中清除导致所述当前工况信息对应的目标生产批次存在质量问题的第一训练数据集合,得到第二训练集,然后根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果,最后将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。这样,将每一次的训练数据都存入到数据库中,用于之后机器学习的重复使用,可以有效提高机器学习的效率,并且清除了存在异常的训练数据,保证了机器学习的精度。
在一个可能的示例中,所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,包括:检测到所述参考工况信息中不存在与所述当前工况信息对应的历史学习任务,也不存在与所述当前工况信息对应的历史训练数据;获取带有X个训练数据的原始训练集;接收来自客户端的任务创建指令;根据所述任务创建指令创建所述目标学习任务;根据所述任务创建指令和所述带有X个训练数据的原始训练集确定所述第一训练集,其中X的值大于目标预设值。
其中,服务器检测到学习训练集数据库中不存在对应的历史学习任务和对应的历史训练数据,表明不存在可用的历史训练数据,则需要服务器新建学习任务和获取原始训练集进行机器学习。请参阅图3,图3是本申请实施例提供的第一种客户端交互页面示意图,服务器向客户端发送消息,在客户端界面弹出如图3所示的交互页面,用户点击“创建任务”控件使得客户端向服务器发送所述任务创建指令。由于数据库中不存在可用的历史训练数据,因此获取的原始训练集即为所述第一训练集,并且为保证学习效果,第一训练集中的训练数据数量应大于目标预设值,所述目标预设值的大小根据不同工况灵活确定。
可见,本示例中,服务器通过检测到数据库中不存在可用的历史数据,进而新建学习任务和获取原始训练集作为第一训练集,并通过设置第一训练集中训练数据的最小数量,保证机器学习的效果,避免因训练数据的数量太小导致训练样本不够造成学习效果的偏差。
在一个可能的示例中,所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,包括:检测到所述参考工况信息中存在多个与所述当前工况信息对应的历史学习任务和与所述历史学习任务对应的历史训练集;获取带有X个训练数据的原始训练集;接收来自客户端的任务合并指令和任务选择指令;通过所述任务选择指令选择N个历史学习任务;通过所述任务合并指令合并所述N个历史学习任务,得到所述目标学习任务;通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集,得到所述第一训练集,其中X+Y的值大于目标预设值。
其中,服务器检测到学习训练集数据库中原本就存在多个与所述当前工况信息对应的历史学习任务,此时为提高机器学习的效率,会合并所述多个历史学习任务作为目标学习任务,以合并所述多个历史学习任务中的历史训练集。由于合并后的历史训练集可能存在训练集中训练数据的数量不达标,或者部分训练数据不可用等情况,因此在合并学习任务时依旧会先获取原始训练集,此时原始训练集中的X个训练数据可以根据合并后形成的历史训练数据的数量Y的大小而调整,只要满足最终得到的第一训练集中的训练数据的数量(X+Y)大于目标预设值即可。示例性地,请参阅图4,图4是本申请实施例提供的第二种客户端交互页面示意图,服务器向客户端发送消息,在客户端弹出如图4所示的交互界面,所述交互界面显示所有可合并的历史学习任务,用户通过勾选历史学习任务前面的复选框向服务器发送所述任务选择指令,再点击“合并任务”控件使得客户端向服务器发送所述任务合并指令。服务器根据任务选择指令和任务合并指令合并所选的历史学习任务,得到目标学习任务,同时将原始训练集和历史训练集合并,得到带有(X+Y)个训练数据的第一训练集。
可见,本示例中,服务器通过检测到数据库中存在可用的历史学习任务和可用的历史训练集,进而合并所述历史学习任务和历史训练集,优化了机器学习的流程,避免了因重复创建训练集而降低机器学习的效率,且通过设置第一训练集中训练数据的最小数量,保证机器学习的效果,避免因训练数据的数量太小导致训练样本不够造成学习效果的偏差。
在一个可能的示例中,在所述通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集,得到所述第一训练集之后,所述方法还包括:接收来自客户端的任务整合指令;通过所述任务整合指令重新选择T个历史学习任务并合并所述T个历史学习任务,得到所述目标学习任务;通过所述任务整合指令合并所述带有X个训练数据的原始训练集和与所述T个历史学习任务对应的带有S个历史训练数据的历史训练集,得到所述第一训练集,其中X+S的值大于目标预设值。
其中,用户可通过客户端查询已经合并的历史学习任务和未合并的历史学习任务,并可重新选择历史学习任务进行合并,请参阅图5,图5是本申请实施例提供的第三种客户端交互页面示意图,如图5所示,用户可重新选择进行合并的T个历史学习任务并勾选前方复选框,再点击“确认”控件使得客户端向服务器发送所述任务整合指令。服务器根据任务整合指令合并重新选择的T个历史学习任务得到目标学习任务,以及合并带有X个训练数据的原始训练集和与T个历史学习任务对应的带有S个历史训练数据的历史训练集,得到带有(X+S)个训练数据的第一训练集。
可见,本示例中,用户可通过重新选择进行合并的历史学习任务,使服务器对训练集中的训练数据进行重新整合,确保机器学习的过程是处于用户的期望下进行,增加了方案的灵活度。
在一个可能的示例中,所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,包括:检测到所述参考工况信息中不存在与所述当前工况信息对应的历史学习任务,但存在与所述当前工况信息对应的Z个历史训练数据;获取带有X个训练数据的原始训练集;接收来自客户端的任务创建指令和训练数据使用确认指令;根据所述任务创建指令创建所述目标学习任务;根据所述训练数据使用确认指令合并所述带有X个训练数据的原始训练集和所述Z个历史训练数据,得到所述第一训练集,其中X+Z的值大于目标预设值。
其中,服务器检测到学习训练集数据库中不存在历史学习任务,但存在与当前工况信息对应的历史训练数据,此时为提高机器学习的效率,会充分利用这些历史训练数据进行训练。由于不存在可合并的历史学习任务,因此仍需新建学习任务以关联训练数据和工况,且由于所述历史训练数据中可能存在数量不达标,或者部门历史训练数据不可用等情况,因此在新建学习任务时仍会获取原始训练集,此时原始训练集中的X个训练数据可以根据历史训练数据的数量Z的大小而调整,只要满足最终得到的第一训练集中的训练数据的数量(X+Z)大于目标预设值即可。示例性地,请参阅图6,图6是本申请实施例提供的第四种客户端交互页面示意图,服务器向客户端发送消息,在客户端弹出如图6所示的交互界面,所述交互界面显示“训练数据使用确认”状态栏:“检测到有Z批训练数据可用,确定使用这些训练数据吗”,用户点击“添加”控件使得客户端向服务器发送所述训练数据使用确认指令,服务器根据该指令将带有X个训练数据的原始训练集与Z个历史训练数据合并,得到带有(X+Z)个训练数据的第一训练集,再点击“创建任务”控件使得客户端向服务器发送所述任务创建指令,服务器根据该指令创建目标学习任务,关联当前工况信息。
可见,在本示例中,服务器通过检测到数据库中不存在可用的历史学习任务但存在可用的历史训练数据,合并原始训练集和历史训练数据以优化机器学习的流程,避免了因重复创建训练集而降低机器学习的效率,且通过设置第一训练集中训练数据的最小数量,保证机器学习的效果,避免因训练数据的数量太小导致训练样本不够造成学习效果的偏差。
在一个可能的示例中,所述从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集,包括:设置所述第一训练集为可用状态,所述第一训练集包括M个训练数据,M为正整数且大于所述目标预设值,所述M个训练数据中包括M个工艺参数和所述M个工艺参数对应的生产结果;获取所述当前工况信息对应的目标生产批次;确定所述M个工艺参数对应的生产结果中包括A个异常结果,所述异常结果用于指示生产结果中存在至少一个参数的值不在预设目标值区间内;清除所述第一训练集中的A个异常结果和所述A个异常结果对应的工艺参数,得到所述第二训练集。
其中,所述异常结果是指一个生产结果中包括的各个参数的值中存在一个或多个值不符合该值对应的目标值区间,则该生产结果就为异常生产结果。将第一训练集设置为可用状态以保证能够顺利输入预测模型中,示例性地,请参阅图7,图7是本申请实施例提供的一种清除异常训练数据的示意图,如图7所示,记所述目标生产批次为以B部件作为初始物料,经过C设备的处理,最终得到A产品这一生产流程的某一批次,生产批次号记为000111,发生的工况为C设备的参数设置标准,工况编号记为121112111,在该工况下以不同的工艺参数进行多次训练,例如进行9次训练,则第一训练集中有9个训练数据,通过服务器对这9个训练数据进行标记编号,得到N1、N2、……、N9九个编号,确定每个编号对应的生产结果中包括的参数K的值是否在预设目标值区间内,其中若N2、N5、N7的参数K的值不在预设的质量合格区间内,则N2、N5、N7代表的训练数据为异常数据,清除N2、N5、N7代表的训练数据,剩下的6个训练数据组成的数据集合即为所述第二训练集。需要说明的是,若存在某一个生产结果对应的参数L不在预设目标值区间内,则该生产结果也是异常结果。
具体实现中,确定所述M个工艺参数对应的生产结果中包括A个异常结果,所述A个异常结果均为参数K的值不在预设目标值区间内,所述方法还包括:确定参数的值不在预设目标区间内的目标参数对应的目标生产设备;对比M-A个正常结果对应的所述目标生产设备的工艺参数和所述A个异常结果对应的所述目标生产设备的工艺参数,确定存在异常的目标工艺参数;获取所述M-A个正常结果中其他生产设备对应的第一工艺参数与所述A个异常结果对应的其他生产设备的第一工艺参数的参数值小于预设值的N个正常结果对应的第一工艺参数,所述第一工艺参数不包括所述目标工艺参数;获取所述N个正常结果中对应的目标工艺参数的参数值,得到所述目标工艺参数的参数区间,所述A个异常结果对应的所述目标工艺参数的参数值不在所述参数区间内;获取所述参数区间的区间端点值对应的目标生产批次;确定所述目标生产批次对应的目标生产结果;确定所述目标工艺参数对所述目标产品的参数值的影响趋势;根据所述第一工艺参数确定参考第一工艺参数;根据所述目标生产结果、参考目标工艺参数、所述参考第一工艺参数和所述影响趋势生成参考结果,所述参考目标工艺参数的值位于所述参数区间内。
例如,在上述9个训练数据中,编号为N2的生产结果为异常结果,且N2的参数K的值不在预设目标值区间内,而参数K为设备P对应的参数,而设备P对应的工艺参数为Z。此时确定其他8个训练数据中与N2的第一工艺参数差值较小的训练数据,第一工艺参数包括了用于生产的工艺参数中除设备P对应的目标工艺参数外的所有参数。如用于生产的所有参数包括两个,设备P对应的工艺参数为参数Z,而其他设备对应的工艺参数为参数X,N2对应的生产批次中参数X的值为40,则此时9个训练数据中,参数X的值在39.8-40.2,之间的生产批次为N3和N4,则可以根据N3、N4这两个批次生产时对应的参数K的值确定出参数区间,例如N3中参数Z的值为83,N4中参数Z的值为78,此时若N2批次对应的参数Z的值为80,则该参数Z的参数区间可以是80-83或者78-80。因此可以在39.8-40.2这个区间内确定参数X对应的参考第一工艺参数,以及在80-83或者78-80这两个区间内确定参考目标工艺参数,然后根据这三个区间内确定出的参考第一工艺参数,进行组合形成多个数据组,以及确定影响趋势,该影响趋势可以是工艺参数Z的值越大则生产结果对应的值越大,然后根据每个数据组中对应的第一参考工艺参数和影响趋势,以及该N3和N4两个批次对应的生产结果生成对应的参考生产结果,得到参考训练数据,并将该参考训练数据加入所述第二训练集。
可见,本示例中,通过将第一训练集中存在异常的数据进行提前剔除,提高了机器学习的精度。
在一个可能的示例中,在将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库之后,所述方法还包括:获取来自客户端的查询请求;根据所述查询请求确定当前生产批次存在学习任务;查询所述学习训练集数据库得到与所述学习任务对应的训练数据集合;向所述客户端发送所述训练数据集合,所述训练数据集合用于配置用于进行所述当前生产批次的生产设备的参数值。
其中,在所述工况对应的机器学习进程结束后,将学习结果输入到学习训练集数据库中以更新学习训练集数据库中的数据,用于以后的机器学习重复使用,具体地,在某个生产过程中,需要对该生产过程中的当前生产批次的生产设备进行参数配置,此时会优先从数据库中查询当前生产批次是否存在学习任务,若存在学习任务则优先获取所述学习任务对应的训练数据集合,根据训练数据集合完成对生产设备的参数配置,如此可以达到机器学习的原始目的,即通过机器学习得到多个符合标准的训练数据,这些训练数据即实际生产过程中各种生产参数的参数值,以便在实际生产过程中直接应用所述多个符合标准的训练数据,提高生产效率。
可见,本示例中,在实际生产过程中通过优先检测当前生产批次存在可用的学习任务,直接拉取学习任务中的训练数据进行参数配置,优化参数配置的过程,提高生产效率。
与上述所示的实施例一致的,请参阅图8a,图8a是本申请实施例提供的一种数据管控装置的功能单元组成框图,所述装置应用于服务器,如图8a所示,所述数据管控装置80包括:确定单元801,用于根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习,所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合;清除单元802,用于从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集;训练单元803,用于根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果;存储单元804,用于将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。
在一个可能的示例中,在所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集方面,所述确定单元801具体用于:检测到所述参考工况信息中不存在与所述当前工况信息对应的历史学习任务,也不存在与所述当前工况信息对应的历史训练数据;获取带有X个训练数据的原始训练集;接收来自客户端的任务创建指令;根据所述任务创建指令创建所述目标学习任务;根据所述任务创建指令和所述带有X个训练数据的原始训练集确定所述第一训练集,其中X的值大于目标预设值。
在一个可能的示例中,在所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集方面,所述确定单元801具体用于:检测到所述参考工况信息中存在多个与所述当前工况信息对应的历史学习任务和与所述历史学习任务对应的历史训练集;获取带有X个训练数据的原始训练集;接收来自客户端的任务合并指令和任务选择指令;通过所述任务选择指令选择N个历史学习任务;通过所述任务合并指令合并所述N个历史学习任务,得到所述目标学习任务;通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集,得到所述第一训练集,其中X+Y的值大于目标预设值。
在一个可能的示例中,在所述通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集,得到所述第一训练集之后,所述确定单元801还用于:接收来自客户端的任务整合指令;通过所述任务整合指令重新选择T个历史学习任务并合并所述T个历史学习任务,得到所述目标学习任务;通过所述任务整合指令合并所述带有X个训练数据的原始训练集和与所述T个历史学习任务对应的带有S个历史训练数据的历史训练集,得到所述第一训练集,其中X+S的值大于目标预设值。
在一个可能的示例中,在所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集方面,所述确定单元801具体用于:检测到所述参考工况信息中不存在与所述当前工况信息对应的历史学习任务,但存在与所述当前工况信息对应的Z个历史训练数据;获取带有X个训练数据的原始训练集;接收来自客户端的任务创建指令和训练数据使用确认指令;根据所述任务创建指令创建所述目标学习任务;根据所述训练数据使用确认指令合并所述带有X个训练数据的原始训练集和所述Z个历史训练数据,得到所述第一训练集,其中X+Z的值大于目标预设值。
在一个可能的示例中,在所述从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集方面,所述清除单元802具体用于:设置所述第一训练集为可用状态,所述第一训练集包括M个训练数据,M为正整数且大于所述目标预设值,所述M个训练数据中包括M个工艺参数和所述M个工艺参数对应的生产结果;获取所述当前工况信息对应的目标生产批次;确定所述M个工艺参数对应的生产结果中包括A个异常结果,所述异常结果用于指示生产结果中存在至少一个参数的值不在预设目标值区间内;清除所述第一训练集中的A个异常结果和所述A个异常结果对应的工艺参数,得到所述第二训练集。
在一个可能的示例中,在将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库之后,所述数据管控装置80还用于:获取来自客户端的查询请求;根据所述查询请求确定当前生产批次存在学习任务;查询所述学习训练集数据库得到与所述学习任务对应的训练数据集合;向所述客户端发送所述训练数据集合,所述训练数据集合用于配置用于进行所述当前生产批次的生产设备的参数值。
可以理解的是,由于方法实施例与装置实施例为相同技术构思的不同呈现形式,因此,本申请中方法实施例部分的内容应同步适配于装置实施例部分,此处不再赘述。
在采用集成的单元的情况下,如图8b所示,图8b是本申请实施例提供的另一种数据管控装置的功能单元组成框图。在图8b中,数据管控装置81包括:处理模块812和通信模块811。处理模块812用于对数据管控装置的动作进行控制管理,例如,执行确定单元801、清除单元802、训练单元803和存储单元804的步骤,和/或用于执行本文所描述的技术的其它过程。通信模块811用于支持数据管控装置与其他设备之间的交互。如图8b所示,数据管控装置还可以包括存储模块813,存储模块813用于存储数据管控装置的程序代码和数据。所述数据管控装置81可以是前述数据管控装置80。
其中,处理模块812可以是处理器或控制器,例如可以是中央处理器(CentralProcessing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块811可以是收发器、RF电路或通信接口等。存储模块813可以是存储器。
其中,上述方法实施例涉及的各场景的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。上述数据管控装置81均可执行上述图2所示的数据管控方法。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
图9是本申请实施例提供的一种服务器的结构框图。如图9所示,服务器900可以包括一个或多个如下部件:处理器901、与处理器901耦合的存储器902,其中存储器902可存储有一个或多个计算机程序,一个或多个计算机程序可以被配置为由一个或多个处理器901执行时实现如上述各实施例描述的方法。所述服务器900可以是前述服务器11。
处理器901可以包括一个或者多个处理核。处理器901利用各种接口和线路连接整个服务器900内的各个部分,通过运行或执行存储在存储器902内的指令、程序、代码集或指令集,以及调用存储在存储器902内的数据,执行服务器900的各种功能和处理数据。可选地,处理器901可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogicArray,PLA)中的至少一种硬件形式来实现。处理器901可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器901中,单独通过一块通信芯片进行实现。
存储器902可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器902可用于存储指令、程序、代码、代码集或指令集。存储器902可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等。存储数据区还可以存储服务器900在使用中所创建的数据等。
可以理解的是,服务器900可包括比上述结构框图中更多或更少的结构元件,例如,包括电源模块、物理按键、WiFi(Wireless Fidelity,无线保真)模块、扬声器、蓝牙模块、传感器等,在此不进行限定。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法、装置和系统,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的;例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式;例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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部分步骤。而前述的存储介质包括:U盘、移动硬盘、磁碟、光盘、易失性存储器或非易失性存储器。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random access memory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)等各种可以存储程序代码的介质。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (10)
1.一种数据管控方法,其特征在于,应用于服务器,所述方法包括:
根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习,所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合;
从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集;
根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果;
将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。
2.根据权利要求1所述方法,其特征在于,所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,包括:
检测到所述参考工况信息中不存在与所述当前工况信息对应的历史学习任务,也不存在与所述当前工况信息对应的历史训练数据;
获取带有X个训练数据的原始训练集;
接收来自客户端的任务创建指令;
根据所述任务创建指令创建所述目标学习任务;
根据所述任务创建指令和所述带有X个训练数据的原始训练集确定所述第一训练集,其中X的值大于目标预设值。
3.根据权利要求1所述方法,其特征在于,所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,包括:
检测到所述参考工况信息中存在多个与所述当前工况信息对应的历史学习任务和与所述历史学习任务对应的历史训练集;
获取带有X个训练数据的原始训练集;
接收来自客户端的任务合并指令和任务选择指令;
通过所述任务选择指令选择N个历史学习任务;
通过所述任务合并指令合并所述N个历史学习任务,得到所述目标学习任务;
通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集,得到所述第一训练集,其中X+Y的值大于目标预设值。
4.根据权利要求3所述方法,其特征在于,在所述通过所述任务合并指令合并所述带有X个训练数据的原始训练集和与所述N个历史学习任务对应的带有Y个历史训练数据的历史训练集,得到所述第一训练集之后,所述方法还包括:
接收来自客户端的任务整合指令;
通过所述任务整合指令重新选择T个历史学习任务并合并所述T个历史学习任务,得到所述目标学习任务;
通过所述任务整合指令合并所述带有X个训练数据的原始训练集和与所述T个历史学习任务对应的带有S个历史训练数据的历史训练集,得到所述第一训练集,其中X+S的值大于目标预设值。
5.根据权利要求1所述方法,其特征在于,所述根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,包括:
检测到所述参考工况信息中不存在与所述当前工况信息对应的历史学习任务,但存在与所述当前工况信息对应的Z个历史训练数据;
获取带有X个训练数据的原始训练集;
接收来自客户端的任务创建指令和训练数据使用确认指令;
根据所述任务创建指令创建所述目标学习任务;
根据所述训练数据使用确认指令合并所述带有X个训练数据的原始训练集和所述Z个历史训练数据,得到所述第一训练集,其中X+Z的值大于目标预设值。
6.根据权利要求2-5任一项所述方法,其特征在于,所述从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集,包括:
设置所述第一训练集为可用状态,所述第一训练集包括M个训练数据,M为正整数且大于所述目标预设值,所述M个训练数据中包括M个工艺参数和所述M个工艺参数对应的生产结果;
确定所述M个工艺参数对应的生产结果中包括A个异常结果,所述异常结果用于指示生产结果中存在至少一个参数的值不在预设目标值区间内;
清除所述第一训练集中的A个异常结果和所述A个异常结果对应的工艺参数,得到所述第二训练集。
7.根据权利要求1所述方法,其特征在于,在将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库之后,所述方法还包括:
获取来自客户端的查询请求;
根据所述查询请求确定当前生产批次存在学习任务;
查询所述学习训练集数据库得到与所述学习任务对应的训练数据集合;
向所述客户端发送所述训练数据集合,所述训练数据集合用于配置用于进行所述当前生产批次的生产设备的参数值。
8.一种数据管控装置,其特征在于,应用于服务器,所述装置包括:
确定单元,用于根据当前工况信息和学习训练集数据库中预存的参考工况信息确定与所述当前工况信息对应的目标学习任务和第一训练集,所述目标学习任务用于指示通过预设模型对当前工况下的生产参数进行学习,所述第一训练集用于指示在所述目标学习任务中用于学习的训练数据集合;
清除单元,用于从所述第一训练集中清除存在问题的第一训练数据集合,得到第二训练集;
训练单元,用于根据所述第二训练集和所述目标学习任务进行训练,得到目标学习结果;
存储单元,用于将所述目标学习结果存入所述学习训练集数据库中,得到更新后的学习训练集数据库。
9.一种服务器,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,存储用于电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210683587.5A CN115130679A (zh) | 2022-02-11 | 2022-02-11 | 数据管控方法及相关装置和介质程序产品 |
CN202210126729.8A CN114169536B (zh) | 2022-02-11 | 2022-02-11 | 数据管控方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210126729.8A CN114169536B (zh) | 2022-02-11 | 2022-02-11 | 数据管控方法及相关装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210683587.5A Division CN115130679A (zh) | 2022-02-11 | 2022-02-11 | 数据管控方法及相关装置和介质程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114169536A true CN114169536A (zh) | 2022-03-11 |
CN114169536B CN114169536B (zh) | 2022-05-06 |
Family
ID=80489783
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210126729.8A Active CN114169536B (zh) | 2022-02-11 | 2022-02-11 | 数据管控方法及相关装置 |
CN202210683587.5A Pending CN115130679A (zh) | 2022-02-11 | 2022-02-11 | 数据管控方法及相关装置和介质程序产品 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210683587.5A Pending CN115130679A (zh) | 2022-02-11 | 2022-02-11 | 数据管控方法及相关装置和介质程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114169536B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358966A (zh) * | 2022-03-16 | 2022-04-15 | 希望知舟技术(深圳)有限公司 | 一种基于机器学习的生产排产方法、装置及存储介质 |
CN114417739A (zh) * | 2022-03-29 | 2022-04-29 | 希望知舟技术(深圳)有限公司 | 一种异常工况的工艺参数推荐方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116959696B (zh) * | 2023-09-20 | 2023-12-08 | 武汉光盾科技有限公司 | 一种基于激光治疗仪的数据处理方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665349A (zh) * | 2016-07-29 | 2018-02-06 | 腾讯科技(深圳)有限公司 | 一种分类模型中多个目标的训练方法和装置 |
CN109447336A (zh) * | 2018-10-22 | 2019-03-08 | 南瑞集团有限公司 | 一种上游水库与其反调节水库坝间水位优化控制方法 |
CN109472484A (zh) * | 2018-11-01 | 2019-03-15 | 凌云光技术集团有限责任公司 | 一种基于流程图的生产过程异常记录方法 |
CN110766164A (zh) * | 2018-07-10 | 2020-02-07 | 第四范式(北京)技术有限公司 | 用于执行机器学习过程的方法和系统 |
CN111144548A (zh) * | 2019-12-23 | 2020-05-12 | 北京寄云鼎城科技有限公司 | 抽油机井工况的识别方法及装置 |
CN112418484A (zh) * | 2020-10-27 | 2021-02-26 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
CN112801296A (zh) * | 2019-11-13 | 2021-05-14 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和系统 |
-
2022
- 2022-02-11 CN CN202210126729.8A patent/CN114169536B/zh active Active
- 2022-02-11 CN CN202210683587.5A patent/CN115130679A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107665349A (zh) * | 2016-07-29 | 2018-02-06 | 腾讯科技(深圳)有限公司 | 一种分类模型中多个目标的训练方法和装置 |
CN110766164A (zh) * | 2018-07-10 | 2020-02-07 | 第四范式(北京)技术有限公司 | 用于执行机器学习过程的方法和系统 |
CN109447336A (zh) * | 2018-10-22 | 2019-03-08 | 南瑞集团有限公司 | 一种上游水库与其反调节水库坝间水位优化控制方法 |
CN109472484A (zh) * | 2018-11-01 | 2019-03-15 | 凌云光技术集团有限责任公司 | 一种基于流程图的生产过程异常记录方法 |
CN112801296A (zh) * | 2019-11-13 | 2021-05-14 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置和系统 |
CN111144548A (zh) * | 2019-12-23 | 2020-05-12 | 北京寄云鼎城科技有限公司 | 抽油机井工况的识别方法及装置 |
CN112418484A (zh) * | 2020-10-27 | 2021-02-26 | 联想(北京)有限公司 | 一种数据处理方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358966A (zh) * | 2022-03-16 | 2022-04-15 | 希望知舟技术(深圳)有限公司 | 一种基于机器学习的生产排产方法、装置及存储介质 |
CN114417739A (zh) * | 2022-03-29 | 2022-04-29 | 希望知舟技术(深圳)有限公司 | 一种异常工况的工艺参数推荐方法及装置 |
CN114417739B (zh) * | 2022-03-29 | 2022-07-26 | 希望知舟技术(深圳)有限公司 | 一种异常工况的工艺参数推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114169536B (zh) | 2022-05-06 |
CN115130679A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114169536B (zh) | 数据管控方法及相关装置 | |
CN108153670B (zh) | 一种接口测试方法、装置及电子设备 | |
CN107896162B (zh) | 监控系统的部署方法、装置、计算机设备及存储介质 | |
US10754869B2 (en) | Managing data format of data received from devices in an internet of things network | |
CN111225285A (zh) | 蓝牙设备显示名称修改、显示方法、装置、设备及介质 | |
CN110633959A (zh) | 基于图结构的审批任务创建方法、装置、设备及介质 | |
CN111143039A (zh) | 一种虚拟机的调度方法、装置及计算机存储介质 | |
CN115392501A (zh) | 数据采集方法、装置、电子设备及存储介质 | |
CN113094125A (zh) | 业务流程处理方法、装置、服务器及存储介质 | |
CN113312052A (zh) | 一种组件调用方法、装置、电子设备以及存储介质 | |
CN116483425A (zh) | 微服务灰度发版方法、装置、设备及其存储介质 | |
CN113691403B (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
CN113590447B (zh) | 埋点处理方法和装置 | |
CN115185434A (zh) | 一种车辆应用场景处理方法、装置、设备和存储介质 | |
CN115269050A (zh) | 多地图调用方法及装置、存储介质、计算机设备 | |
CN108197196A (zh) | 芯片标识码的确定方法、装置、设备及存储介质 | |
CN114140035A (zh) | 参数质量管理方法及相关装置 | |
CN107330051B (zh) | 降噪数据库调用方法及装置 | |
CN114493185A (zh) | 审批处理方法、装置、系统、电子设备、存储介质及产品 | |
CN111324310A (zh) | 一种数据的读取方法、装置及计算机系统 | |
CN109150993B (zh) | 一种获取网络请求切面的方法、终端装置及存储介质 | |
WO2020057104A1 (zh) | 用于应用开发的方法和装置 | |
CN109600245B (zh) | 服务器自动配置方法及装置 | |
CN111679899A (zh) | 任务调度方法、装置、平台设备及存储介质 | |
CN111080148A (zh) | Erp系统的净值计算方法、装置、电子设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |