CN114419631A - 一种基于rpa的网管虚拟系统 - Google Patents
一种基于rpa的网管虚拟系统 Download PDFInfo
- Publication number
- CN114419631A CN114419631A CN202111590795.2A CN202111590795A CN114419631A CN 114419631 A CN114419631 A CN 114419631A CN 202111590795 A CN202111590795 A CN 202111590795A CN 114419631 A CN114419631 A CN 114419631A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- rpa
- inspection
- image
- 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
- 238000007689 inspection Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims description 20
- 238000012015 optical character recognition Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 27
- 238000012544 monitoring process Methods 0.000 description 9
- 238000011049 filling Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 239000003016 pheromone Substances 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013433 optimization analysis Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种基于RPA的网管虚拟系统,包括:故障识别模块,用于对业务数据进行关联性分析得到关联规则,并根据关联规则进行故障分析;巡检控制模块,用于采用机器视觉图文识别方法识别界面图像中的设备信息,并根据设备信息生成巡检报表,根据巡检报表控制RPA机器人7*24小时不间断执行巡检任务;用例库建立模块,用于采集在典型应用场景下的操作数据,根据操作数据建立对应的用例库;预警分析模块,用于采集巡检过程中出现的异常数据,通过比对已有的历史故障数据和异常数据,评估设备的故障概率,并生成故障预警信息。本发明实施例能够提高巡检的效率,能够准确进行预警分析,有利于提高系统运行的可靠性。
Description
技术领域
本发明涉及机器人流程自动化技术领域,尤其是涉及一种基于RPA的网管虚拟系统。
背景技术
目前电力通信网按照全省集中监控的模式运行管控,全网设备数量众多、厂家、型号繁杂,各类业务调整及故障应急处置均依靠人工处置,存在工作量大、压力大、耗时多、稍有不慎易出现错漏、安排失当、不同厂家设备控制方法迥异、网管人员难以同时掌握等问题。对于上述问题,还与专业人员的个人技能水平和安全意识强相关联。同时,运行支撑系统智能化水平不足,不具备对网络及设备的自动化处置能力,在网络异常状态下,其对设备的控制能力不足以助力通信网络实现自愈。
现有的网管虚拟系统采用人工识别方法识别设备信息,并通过人工进行执行巡检任务,导致现有的网管虚拟系统巡检难以高效进行巡检以及进行故障识别。
发明内容
本发明提供基于RPA的网管虚拟系统,以解决现有的网管虚拟系统采用人工识别方法识别设备信息,并通过人工进行执行巡检任务,导致现有的网管虚拟系统巡检难以高效进行巡检以及进行故障识别。
本发明的一个实施例提供了一种基于RPA的网管虚拟系统,包括:
故障识别模块,用于获取业务系统界面的业务数据,对所述业务数据进行关联性分析得到关联规则,并根据所述关联规则进行故障分析;
巡检控制模块,用于采用机器识别工具截取界面图像,采用机器视觉图文识别方法识别所述界面图像中的设备信息,并根据所述设备信息生成巡检报表,根据所述巡检报表控制RPA机器人7*24小时不间断执行巡检任务;
用例库建立模块,用于通过分析网络调控决策中的典型应用场景,采集在典型应用场景下的操作数据,根据所述操作数据建立对应的用例库;
预警分析模块,用于采集巡检过程中出现的异常数据,通过比对已有的历史故障数据和所述异常数据,评估设备的故障概率,在所述故障概率超过预设阈值时,生成故障预警信息。
进一步的,所述故障识别模块,具体用于:
采用OCR识别技术获取业务系统界面的业务数据,采用大数据分析技术对所述业务数据进行关联性分析得到所述业务数据之间的关联规则,并根据所述关联规则进行故障分析。
进一步的,所述采用OCR识别技术获取业务系统界面的业务数据,具体为:
通过系统界面截图形式获取当前操作界面的图像信息;
对所述图像信息进行灰度校正、噪声过滤处理后得到预处理图像信息;
提取所述预处理图像信息中的图像特征;
对所述图像特征进行相关性分析,根据相关性分析结果获取目标特征;
采用OCR识别技术提取所述目标特征的文字信息,将所述文字信息作为业务数据。
进一步的,所述视觉图文识别方法具体为:
基于高斯矩阵对所述界面图像进行阈值分割;
高斯矩阵计算公式如下:
gaussM=[gauss(r,c,σ)]
其中,gaussM代表高斯矩阵,r,c代表阈值位置索引,σ代表矩阵的标准差;
利用高斯矩阵离散特性确定阈值位置,完成所述界面图像的阈值分割;
提取阈值分割后的界面图像的目标特征向量;
采用随机森林算法识别所述目标特征向量中的设备信息。
进一步的,所述用例库建立模块,具体用于:
根据带宽需求、资源剩余量、光缆类型、最大跳数的现有条件,对在典型应用场景下的操作数据进行优化分析,生成对应的资源调整方案,并在人工审核通过后根据所述资源调整方案建立对应的用例库。
进一步的,所述预警分析模块,具体用于:
采集日常生产情况中预设周期的光功率巡检数据,通过对比已有的历史故障数据和所述光功率巡检数据的相似度,得到设备的故障概率,在所述故障概率超过预设阈值时,生成故障预警信息。
进一步的,所述预警分析模块,还用于对所有的业务操作进行安全评估,在评估到所述业务操作不正确时,生成操作错误的告警信息。
本发明实施例采用机器视觉图文识别方法识别界面图像中的设备信息,不仅能够有效减少人工识别的工作量,而且能够有效提高识别的效果,并基于该设备信息生成巡检任务,控制RPA机器人不间断执行巡检任务,有效提高了巡检的效率,且本发明实施例通过采集在巡检过程中出现的异常数据,比对已有的历史故障数据进行预警分析,能够准确对未来将要发生的故障进行预测,有利于提高系统运行的可靠性。
附图说明
图1是本发明实施例提供的基于RPA的网管虚拟系统的结构示意图;
图2是本发明实施例提供的基于RPA的网管虚拟系统的另一结构示意图;
图3是本发明实施例提供的文本识别的流程示意图;
图4是本发明实施例提供的自动巡检的流程示意图;
图5是本发明实施例提供的开通方式单的流程示意图。
具体实施方式
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做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
请参阅图1,本发明的一个实施例提供了一种基于RPA的网管虚拟系统,包括:
故障识别模块10,用于获取业务系统界面的业务数据,对业务数据进行关联性分析得到关联规则,并根据关联规则进行故障分析;
在本发明实施例中,可以通过截图形式获得业务系统界面的界面截图,在通过文字识别技术提取界面截图的业务数据,例如,采用OCR技术提取界面截图中的业务数据。本发明实施例采用关联算法对业务数据进行关联分析,以得到关联规则,将该关联规则与预设的关联规则进行比对,若不一致,则判断当前设备存在故障,若一致则判断当前设备不存在故障。
可选地,本发明实施例还可以采用大数据技术基于业务数据对业务系统和设备心境进行故障分析,并针对各业务系统以及设备性能进行检认,以保证各业务系统以及设备能够正常运行。
巡检控制模块20,用于采用机器识别工具截取界面图像,采用机器视觉图文识别方法识别界面图像中的设备信息,并根据设备信息生成巡检报表,根据巡检报表控制RPA机器人7*24小时不间断执行巡检任务;
在本发明实施例中,采用机器识别工具解决界面数据并进行识别,根据识别的内而终生成对应的巡检报表,例如,通过已采集的报表信息(例如光功率和设备状态信息),采用多种方式对采集的报表信息进行相互验证,并在验证通过后形成巡检报表,根据该巡检报表实现自动巡检操作,为预警决策提供支持。
在一种具体的实施方式中,本发明实施例基于RPA机器人采用机器视觉如文识别方法解析当前操作系统的界面信息,以获取列表类型信息或拓扑图对应的设备信息,从而实现跨系统巡检,并在此基础上实现自动开通业务、检修单自动生成与审核、自动化会签的功能,从而解决人工网络巡检与控制中工作量大、压力大、耗时多、容易出现错误以及步骤繁琐等问题。
本发明实施例基于RPA机器人执行巡检任务,RPA机器人是一套流程自动化软件工具,它按照指定规则,模拟并替代人进行自动系统操作,7*24小时不间断工作,从而能够释放人力,完成通信网管的数据导出、业务操作等调度工作任务。本发明实施例的RPA机器人以一个插件的方式运行,不依赖任何数据接口,从而使项目周期极大缩短,并提升项目的可操作性。
请参阅图4,为本发明实施例提供的自动巡检的流程示意图。
用例库建立模块30,用于通过分析网络调控决策中的典型应用场景,采集在典型应用场景下的操作数据,根据操作数据建立对应的用例库;
在本发明实施例中,通过建立的用例库搭建一个完善的指令系统,在后续出现故障时,通过完善的指令系统能够快速定位故障以及及时处理故障信息,从而能够有效提高故障的处理效率。
预警分析模块40,用于采集巡检过程中出现的异常数据,通过比对已有的历史故障数据和异常数据,评估设备的故障概率,在故障概率超过预设阈值时,生成故障预警信息。
在本发明实施例中,可以通过比对历史故障数据和当前的异常数据的相似度来评估设备的故障概率,例如,如果相似度为70%,则判断设备的故障概率为0.7,如果相似度为80%,则判断设备的故障概率为0.8。预设阈值可以根据业务需要进行设置,预设阈值可以为0-1之间任意设置,在一种优选的实施方式中,预设阈值设置为0.8-1。
请参阅图2,为本发明实施例提供的基于RPA的网管虚拟系统的另一结构示意图。
在一个实施例中,故障识别模块10,具体用于:
采用OCR识别技术获取业务系统界面的业务数据,采用大数据分析技术对业务数据进行关联性分析得到业务数据之间的关联规则,并根据关联规则进行故障分析。
在一个实施例中,采用OCR识别技术获取业务系统界面的业务数据,具体为:
通过系统界面截图形式获取当前操作界面的图像信息;
对图像信息进行灰度校正、噪声过滤处理后得到预处理图像信息;
在本发明实施例中,视觉系统中直接使用的图像必须在进行灰度校正、噪声过滤等图像预处理再提取图像特征,以将图像中感兴趣的特性有选择地突出,衰减其不需要的特征。需要说明的是,预处理后的输出图像并不需要去逼近原图像。
提取预处理图像信息中的图像特征;
本发明实施例将图像信息进行图像预处理,接下来要针对图像进行特征提取,最后要根据已经提取的目标特征进行分类。特征提取的意义主要区分文字间的不同信息并提取出来,作为识别的前提条件。
对图像特征进行相关性分析,根据相关性分析结果获取目标特征;
在提取诸多特征后,对这些特征进行相关性分析,找到最能代表字符的特征,以去掉对分类无关和自相关的特征。
在一种具体的实施方式中,本发明实施例通过目标分类对得到的不同目标进行区分并将其归为某一已知类,对于图像目标来说通常利用图像特征来对目标进行描述,然后对其分类,通过模板匹配计算目标上空间点和像素点之间的对应关系。然后创建模板,对后续的图像进行目标定位,以后续提取目标特征的文字信息。
采用OCR识别技术提取目标特征的文字信息,将文字信息作为业务数据。
本发明实施例通过光学字符识别(Optical Character Recognition,OCR):对文本资料的目标特征进行分析识别处理,获取文字及版面信息。
请参阅图3,为本发明实施例提供的文本识别的一种流程示意图。
在一个实施例中,视觉图文识别方法具体为:
基于高斯矩阵对界面图像进行阈值分割;
高斯矩阵计算公式如下:
gaussM=[gauss(r,c,σ)]
其中,gaussM代表高斯矩阵,r,c代表阈值位置索引,σ代表矩阵的标准差;
利用高斯矩阵离散特性确定阈值位置,完成界面图像的阈值分割;
提取阈值分割后的界面图像的目标特征向量;
采用随机森林算法识别目标特征向量中的设备信息。
本发明实施例采用随机森林算法识别得到多个目标向量信息,将识别结果归一化模型的公式为:
其中,y代表输出结果;x代表随机树激活,u代表样本的平均值,a,b代表随机树级上的分布,c,d代表随机树级以外的分布,使其变换为均值为1,标准差为0的分布,达到批量归一化的目的。本发明实施例采用机器学习算法,基于支持向量机与随机森林实现,数据基础来自前段大数据样本标签和图像样本数据库,达到大数据精准深度识别目的;本发明实施例同时利用32/64位的数据结构实现快速图像对比的处理方法,能够使得效率提升8~16倍。
在一个实施例中,用例库建立模块30,具体用于:
根据带宽需求、资源剩余量、光缆类型、最大跳数的现有条件,对在典型应用场景下的操作数据进行优化分析,生成对应的资源调整方案,并在人工审核通过后根据资源调整方案建立对应的用例库。
本发明实施例根据实际的生产需求,通过调整或选择不同模型执行不同场景的业务操作,从而生成业务操作对应的操作数据,即为典型应用场景下的操作数据,软件机器人基于该操作数据执行日常固化的生产操作,以实现网络管控的自动化和智能化操作,能够有效提高效率以及节约成本。本发明实施通过生成对应的资源调整方案,并自动根据资源调整方案建立对应的用例库,能够使有效避免传统人工进行管路优化分析等工作带来的人力消耗与失误,节约人力成本的同时能够大大降低错误率,同时本发明实施例通过建立用例库,能够满足后续同类型业务以及故障的处理需求,进一步实现网络管控的自动化以及智能化操作,有效提高电力调度的自动反应能力。
在一个实施例中,预警分析模块40,具体用于:
采集日常生产情况中预设周期的光功率巡检数据,通过对比已有的历史故障数据和光功率巡检数据的相似度,得到设备的故障概率,在故障概率超过预设阈值时,生成故障预警信息。
在一个具体的实施方式中,采集待分析设备15天内的光功率巡检数据,基于该光功率巡检数据实时对待分析设备发生故障的概率进行评估,当该概率大于预设阈值时,判断待分析设备存在故障告警,并生成故障告警信息提醒相关人员,以提高电力调度故障的预防能力。另一方面,本发明实施例中,当出现人工历史网管下发的最大调整数时,生成告警信息发送至相关人员,该告警信息包括人工审核请求信息,从而提醒相关人员进行人工审核,防止黑客入侵后进行大规模网络破坏,从而提高网络安全性。同时本发明实施例还可以通过实时验证历史调整是否全部完成,以防止多个调整同时进行,实现调控冲突验证,有利于提高电力调度的安全保障能力。
在一个实施例中,预警分析模块40,还用于对所有的业务操作进行安全评估,在评估到业务操作不正确时,生成操作错误的告警信息。
在一个实施例中,本装置还包括任务调度模块,任务调度模块用于通过优化算法优化虚拟机的预配置,在逻辑资源中分配用户任务进行任务调度,从而实现负载均衡。具体地:
RPA机器人在经典蚁群算法的基础上进行改进,在考虑算法快速收敛的同时满足虚拟机的负载均衡,在标准蚁群算法中,启发因子A是一常数,算法运行的初始阶段,信息素函数的值不变,信息素函数对蚂蚁选择的概率影响程度较小,而在信息素函数通过不断地局部更新,对获得最终解的影响程度不断增加,所以令启发因子A转化为随算法迭代次数变化的减函数:
β(i)=b1/i
其中,b为常数,i为算法当前迭代的次数。
δ为信息素调整因子。
信息素函数更新方法改进为:
信息素函数在更新的过程中加入了虚拟机负载状况的影响,当虚拟机的负载程度过大时,δ值减小,信息素函数减小,当进行下一次迭代时,虚拟机被分配任务的概率也随之减小,从而实现负载均衡。
请参阅图5,为本发明实施例提供的开通方式单的流程示意图。
本发明实施例将机器识别技术引入电力通信运维的自动化巡检和业务开通场景:
1)巡检高效搭建基于OCR技术自动开通工具,实现智能识别(文字识别、图像识别、位置识别等)、任务动态分发、任务分发时段配置管理、任务分权分域配置管理、任务回收机制管理、分权分域监控、业务受理状态信息管理、甩单机器管理、退单处理、模板管理等功能。自动巡检工具可直接根据系统界面获取数据,打破老旧系统没接口供其他系统取数的窘境。同时,目前设备、光路巡检工作中存在大量重复性劳动,通过采用集群方式部署的页面巡检功能,可24小时不间断工作,极大地提高工作效率。
2)开通便捷通过统一配置工具模板采集相关系统数据信息,自动执行新增、更改及删除业务等操作,提供更快速办事方式,有效减少人工操作成本、提升效率。
3)降低人工出错率,通过采用OCR图文识别技术代替人工识别操作,可有效地降低人工出错率。
在一个实施例中,提供了本系统的操作实例。
一、系统运行环境规范:
1.系统运行硬件要求:
2.系统运行软件环境:
1)电脑系统需要WIN7 32位,需安装.net Framework 4.6.2;
2)AutoUi.exe运行自动化录入控制器;
3)CrmDataView.exe CRM小工具;
4)AutoWorker.exe虚拟机连接到服务器。
二、系统总体功能规范:
RPA机器人应具备流程管理、权限管理、权限管理、个人设置、操作日志管理、系统配置、集群监控等功能。通过在页面的左侧菜单栏展示系统的全部功能,并且通过点击可以进入对应的功能页面。
系统界面具体包括流程管理、权限管理、个人设置、操作日志、系统配置和集群监控;流程管理可以查看之前录制好的业务以及新建业务;权限管理用以设置用户设置所属机构、姓名、帐号、密码、联系电话、营销场景、渠道销售编码、岗位等;个人设置用以设置所属机构、姓名、账号、联系电话、密码、岗位、营销场景、销售编码等;操作日志可以查看用户对软件的使用记录;系统配置用以设置软件的一些按键,比如快捷键(停止回放、特征识别);集群监控用以监控软件的运行状况及工作完成量。
三、系统业务流程配置规范:
1.业务流程管理界面说明:
所有制作好的业务流程都存放在这里,可对其进行查找、新建、导入、修改、批量回放等功能,通过新建,就可以进入到新流程的制作中去。具体的功能如下:
1)“名称”:每一个流程都有唯一的一个名称,可以在名称里用关键字去进行查找出来。
2)“机构”:对不同的部门进行划分,可以通过修改要用到的部门来对流程查找,使得查找更具有针对性。
3)“搜索放大镜图形”:查找搜索功能。
4)“新建”:要创建一个新的流程。
5)“导入”:可以将在流程中导出的流程在这里导入进来,成为一个新的流程,但要注意,导入后如果与已有的流程同名称,会要求更改流程的名字。
6)“共享管理”:可以看到共享出来的模板,可进行删除操作。
7)“步骤管理”:对流程进行制作编辑所进的地方。
8)“批量回放”:下载下来的批量模板,录入好数据后,通过该功能让机器人进行跑单。
9)“管理”:可更改业务流程的名称,所属机构,关联业务,所用到的业务字段等。
10)“删除”:执行当前删除操作。
11)“共享”:可以从这里把模板共享到其它机构里使用。
12)“流程图”:可以查看该模板的流程树。
2.自动流程配置规范:
自动即为录制的一种方式,好比以窗口为一个平面二维坐标,自动功能可以记录某个键盘和鼠标的操作(常用的有鼠标左键右键,以及键盘的Enter键)。
1)操作步骤如下:
选择流程管理;如果里面没有流程,可以新建,如有,就单击步骤管理;单击增加步骤;打开自动配置页面;录制流程操作。
例如:给步骤命名sssu后,保存,以下为保存后的界面,可以看到sssu一栏有录制按钮,点击按钮即可进行录制,点击录制后,软件就会记录接下来的键鼠操作,如果操作完成可以在右下角点击录制完成或用快捷键ctrl+shift+w,即会结束自动录制操作。
2)注意事项如下:
自动功能记录的是某一位置的键鼠操作,对位置精度要求高,录制过程中确保页面对应的位置准确,避免流程无法走通;
当遇到CRM的页面相对比例改变时,自动功能可能会使流程走不通(比如:任务栏存在和不存在时,CRM在电脑上显示的尺寸是有细小差别的,可能同样的自动录制却会导致不同的执行操作)。
3.流程分支配置规范:
比如在一个页面可能出现A项、B项或C项,就可以使用分支,做成三个自动识别的分支,当识别到A项时,就自动走A项的分支步骤,出现B项或C项同理。
1)概述:
根据业务的不同套餐组合等因素,分支功能提供多种选择。创建分支,分支可分人工选择,自动识别和变量条件,人工选择需要人工点选要走的分支,也就是当模板走到这一分支时需要人工选择走哪一条分支,自动识别是通过截屏把需要识别的内容截取下来,然后机器人会根据内容进行识别自动选择需要走的分支,变量条件就是通过截屏给当前截屏设置变量,增加分支后也需要设置变量,通过匹配变量走哪一条分支。
2)操作步骤如下:
例如命名流程为sssss,进入分支界面,单击保存;选择分支管理;选择增加分支;进入人工选择,自动识别,变量条件界面;选择保存,自动识别中有截屏功能,功能是软件会自动识别截屏选择分支(截屏快捷键Ctrl+Shift+q)。
3)变量条件设置:
点击增加步骤,进入增加步骤页面;选择关键特征指定,名称填写“变量名”,识别变量名填写“分支1”,特征识别截图后,点击保存;点击【增加步骤】类型选择“分支”,名称填写“分支变量”点击【保存】;点击【分支管理】-----【增加分支】。点击【保存】;类似创建分支2,只不过在分支名称和变量条件填写“分支2”;两个分支增加步骤,可以自己选择录下步骤区分这两个分支的操作。
上述总的操作就是一个截屏设置了识别变量名“分支1”,识别变量名为【分支1】,另外在增加两个分支,变量条件分别设为“分支1”,“分支2”。如果识别到“Google标志”后会走分支1。但如果把识别变量名改成“分支2”,识别变量名为【分支2】,则走分支2。
4.关键特征识别:
机器人根据所截的图进行图像识别,再对识别的图进行相应的操作,识别成功后默认有类似鼠标左键单击操作。操作步骤如下:
进入关键特征识别界面;特征识别,进行截图操作或者文字识别,特征识别运作方式有三种,其一:点击特征识别,进行截图操作,获取特征值;其二:选择了关键特征指定后,不必点击特征识别,直接在要截图的界面使用特征识别截屏快捷键Ctrl+Shift+q(此快捷键适用于在二级及以上的界面截图的时候使用),其三:文字识别方式可以克服了特征截图识别随图片颜色、显示分辨率等影响,文字识别不会因字体大小、字体颜色、字体改变等影响识,而且还可识别字体的颜色,大大提高了模板的稳定性和机器人跑单成功率,有特征识别1和特征识别2,这给用户提供多一个截图选择,识别时只要识别出二者中的其中一个即可,特征识别2的快捷键ctrl+shift+F5,文字识别暂无快捷键;设置点击位置,具体为:
截图特征识别:单击设置点击位置,即可在截取的图片上设置要点击的位置。(也可设置图片外的点击位置);
文字识别:文字识别鼠标点击位置默认为选中获取文字中间部位,而且可以设置识别后鼠标左键单击、双击或者右键(复制、粘贴等操作)操作;
然后确定识别时是否需滚动内容以及有无点击:在识别是需要滚动按钮前勾选,在识别后动作项选择“无”;随后设置超时时间:超时时间指的是机器人识别截取图片花的最多时间,若是超出限定时间,则会返回找不到;最后点击保存。
识别时需滚动内容:如果要截的图需要滚动,则需要选择这个。
无点击:识别到截图后不点击,因为默认识别到截图后会点击一次,不需要点击行为可通过此设置。
一次滚动量:默认为3,一般不需要设置。
超时时间:如果超过这个时间还没识别到截屏则返回无法识别。
注意事项如下:
1、截图要截准确,截的时候容易截出的图是带下划线或表格栏位,而下划线或表格线变了颜色,事实上当前状态是没有变颜色的。
2、截的图要有唯一特征作为识别的标准。
3、截图的理念是截取某一状态的特征图,而这个状态则一定是刚执行完上一步骤什么都没改动的当前状态(比如框线颜色、有无虚线、字体是否加粗、字体间隔是否一致等等)。
5.子流程配置:
已录制的流程都可以称作子流程,它可以作为一个小的执行步骤添加到别的流程中。具体操作步骤如下:
进到子流程界面;选择子流程;保存。
6.批量回放:
批量的意思是将需要走的任务单填写到excel表格,excel表格会将记录一条条的加载到小工具,进行回放。具体操作步骤如下:
进入到流程管理页面;点击批量回放;点击下载批量模板;将需要批量的任务单按字段号填写到下载的批量模板;上传刚才的批量模板;点击【开始】。
共享模板过程如下:
点击“共享”,鼠标移到推送部门处,就会显示出可以共享的所有机构,若要把这个模板共享到那里,就可以在那个机构那里打上勾,再确定,如果不想共享,就再点一下那个机构,把勾取消,再确定就成了。注意:那个机器人帐号共享出去的,要取消共享,也要那个帐号来操作才成。
其中,“直接导出”这里可以把这个模板导出来,以文件的方式保存,转移或再导入到别的机构使用。
注意事项:
批量模板对字段有格式要求,所以最好下载批量模板表格,将需要批量的数据复制到表格上。
四、系统跑单操作规范:
1.下载模板上传数据:
通过上传批量模板上传到集群服务器,集群服务器通过抢单的形式跑这个模板。操作步骤如下:
点击批量模板选项卡,点击全部模板,然后下载需要批量的业务模板;填写批量模板内容(填入模板内容前要先启用“宏”)(建议使用Microsoft office 2007版本);点击选项;选择启用此内容;在上传批量数据项中上传批量数据;选择填写好的数据表格,选择完成时限可以选择所需要完成甩单的时限,完成后点击上传就可以批量甩单了。
2.单次甩单执行:
单次甩单执行,是直接在网页上按业务属性填好数据,之后提交任务,就可让机器人跑单。操作步骤如下:
点击单次任务执行,点击全部模板;在选择业务处选择要运行的业务流程;按照显示出来的业务属性将资料填好(注:渠道销售编码可以在后台设置好,甩单时会根据登陆用户自动填写,无需人工填入);如果流程里面有人工的步骤选择,就可以在业务流程下面显示出手动选择的步骤内容,可以按照实际情况,在这里将提供的选择项选择好,流程跑到这步骤的时候,就会按照现在选择的内容来跑流程;提交任务,就可以完成一条业务。
五、系统监控台操作规范:
为了方便业务员查看跑单情况,在甩单界面加入了监控台功能。
1.日期查询:在日期选择处可以任意选择需要查询的日期,选择后会自动刷新数据,这里会显示入单、等待中、运行中、已结束、成功、失败、过滤、撤单、退单等记录。
2.失败工单查询:
点开失败的工单;通过点击执行步骤,可以查看出错位置;如果这些执行过的步棸里没有输入接入号查询,则有可能机子没有登陆,只需要点击操作下面的重甩就可以了;点开截图,可以看到失败工单的虚拟机情况,如果看到网页空白或是网页处于加载中,又或者没有登陆到正常的跑单界面,也是只需重甩就可以了;如果很多错单都是同一执行步棸出错或者错单页面相同,那就是数据出错或者是模板的问题了,如果是数据出错,就需要重新填写数据,重新上传了。如果是模板的问题,则需要重新配置模板。
3.退单处理功能:
管理员在工单调度台上对错单,执行了退单操作,退的单表示是错单填的信息有误等原因需要甩单人员自己处理的。
查看导出历史可以看到之前导出过的记录。
4.甩单查询:
点击甩单查询,可以通过选择批次、机构、业务、提交账号、甩单状态和提交日期来查询甩单情况,甩单查询中可看到您帐号所甩出去的单子情况,在状态栏和操作栏中的“已完成”中可“导出错单”,可将对应单子中的错单数据导出来,让您能查看有那些没跑好,可以对应监控台中的失败里面的截图来判断那些数据可以再跑那些直接无法完成。“待处理”的单子可以“撤单”。
本实施例适应多类型内容的精准图文识别技术研究可识别系统中多类型内容,包括图形、文字,例如拓扑图、树状图、网状图、流程图的图形含义,以及系统列表、树状列表中的文字。通过图像净化处理的预处理技术,实现高精度的识别。例如,首先可对文档进行版面分析,识别出文档中文本段落及排版顺序。通过分检文字块,区分出以及拓扑图、表格的区域;其次,通过采集文字的笔画、特征点、投影信息、点的区域分布等进行分析,提高单字识别率。且业务性强、复杂度高的逻辑算法针对电力骨干通信网的网络态势数据分析,为运行决策提供支撑需要对业务上以及对应网管系统高度熟悉。故障识别处理的难度决定了逻辑算法的高度,设计一套完整的故障数据分析算法,需要多方面考察以及验证方案的可行性。本实施例配置适用性强、精准度高的机器识别操作引擎根据业务需求梳理划分,配置具有针对性的操作模板,需了解原始系统的对应操作指令、业务场景。通过业务分析,模拟人工操作,配置适用于各场景、高精准度的操作模板,以减少人工操作,提升效率。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于RPA的网管虚拟系统,其特征在于,包括:
故障识别模块,用于获取业务系统界面的业务数据,对所述业务数据进行关联性分析得到关联规则,并根据所述关联规则进行故障分析;
巡检控制模块,用于采用机器识别工具截取界面图像,采用机器视觉图文识别方法识别所述界面图像中的设备信息,并根据所述设备信息生成巡检报表,根据所述巡检报表控制RPA机器人7*24小时不间断执行巡检任务;
用例库建立模块,用于通过分析网络调控决策中的典型应用场景,采集在典型应用场景下的操作数据,根据所述操作数据建立对应的用例库;
预警分析模块,用于采集巡检过程中出现的异常数据,通过比对已有的历史故障数据和所述异常数据,评估设备的故障概率,在所述故障概率超过预设阈值时,生成故障预警信息。
2.如权利要求1所述的基于RPA的网管虚拟系统,其特征在于,所述故障识别模块,具体用于:
采用OCR识别技术获取业务系统界面的业务数据,采用大数据分析技术对所述业务数据进行关联性分析得到所述业务数据之间的关联规则,并根据所述关联规则进行故障分析。
3.如权利要求2所述的基于RPA的网管虚拟系统,其特征在于,采用OCR识别技术获取业务系统界面的业务数据,具体为:
通过系统界面截图形式获取当前操作界面的图像信息;
对所述图像信息进行灰度校正、噪声过滤处理后得到预处理图像信息;
提取所述预处理图像信息中的图像特征;
对所述图像特征进行相关性分析,根据相关性分析结果获取目标特征;
采用OCR识别技术提取所述目标特征的文字信息,将所述文字信息作为业务数据。
4.如权利要求1所述的基于RPA的网管虚拟系统,其特征在于,所述视觉图文识别方法具体为:
基于高斯矩阵对所述界面图像进行阈值分割;
高斯矩阵计算公式如下:
gaussM=[gauss(r,c,σ)]
其中,gaussM代表高斯矩阵,r,c代表阈值位置索引,σ代表矩阵的标准差;
利用高斯矩阵离散特性确定阈值位置,完成所述界面图像的阈值分割;
提取阈值分割后的界面图像的目标特征向量;
采用随机森林算法识别所述目标特征向量中的设备信息。
5.如权利要求1所述的基于RPA的网管虚拟系统,其特征在于,所述用例库建立模块,具体用于:
根据带宽需求、资源剩余量、光缆类型、最大跳数的现有条件,对在典型应用场景下的操作数据进行优化分析,生成对应的资源调整方案,并在人工审核通过后根据所述资源调整方案建立对应的用例库。
6.如权利要求1所述的基于RPA的网管虚拟系统,其特征在于,所述预警分析模块,具体用于:
采集日常生产情况中预设周期的光功率巡检数据,通过对比已有的历史故障数据和所述光功率巡检数据的相似度,得到设备的故障概率,在所述故障概率超过预设阈值时,生成故障预警信息。
7.如权利要求1所述的基于RPA的网管虚拟系统,其特征在于,所述预警分析模块,还用于对所有的业务操作进行安全评估,在评估到所述业务操作不正确时,生成操作错误的告警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590795.2A CN114419631A (zh) | 2021-12-23 | 2021-12-23 | 一种基于rpa的网管虚拟系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111590795.2A CN114419631A (zh) | 2021-12-23 | 2021-12-23 | 一种基于rpa的网管虚拟系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419631A true CN114419631A (zh) | 2022-04-29 |
Family
ID=81268173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111590795.2A Pending CN114419631A (zh) | 2021-12-23 | 2021-12-23 | 一种基于rpa的网管虚拟系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419631A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174866A (zh) * | 2022-07-18 | 2022-10-11 | 珠海金智维信息科技有限公司 | 基于rpa的供水泵房视频监控系统、方法和存储介质 |
CN116303104A (zh) * | 2023-05-19 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 自动化流程缺陷筛查管理方法、系统和可读存储介质 |
-
2021
- 2021-12-23 CN CN202111590795.2A patent/CN114419631A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174866A (zh) * | 2022-07-18 | 2022-10-11 | 珠海金智维信息科技有限公司 | 基于rpa的供水泵房视频监控系统、方法和存储介质 |
CN116303104A (zh) * | 2023-05-19 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 自动化流程缺陷筛查管理方法、系统和可读存储介质 |
CN116303104B (zh) * | 2023-05-19 | 2023-09-26 | 南方电网数字电网研究院有限公司 | 自动化流程缺陷筛查管理方法、系统和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9594797B2 (en) | Data quality assessment | |
CN107111625A (zh) | 实现数据的高效分类和探索的方法和系统 | |
CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN110515830A (zh) | 操作轨迹可视化方法、装置、设备及存储介质 | |
CN114419631A (zh) | 一种基于rpa的网管虚拟系统 | |
CN110727740B (zh) | 关联分析方法及装置、计算机设备与可读介质 | |
CN111694615B (zh) | 数据配置的方法、装置、设备及存储介质 | |
CN111602157B (zh) | 供应商供应链风险分析方法 | |
CN112148602B (zh) | 一种基于历史优化特征智能学习的源代码安全分析方法 | |
CN110570097A (zh) | 基于大数据的业务人员风险识别方法、装置及存储介质 | |
CN114201328A (zh) | 基于人工智能的故障处理方法、装置、电子设备及介质 | |
CN115619245A (zh) | 一种基于数据降维方法的画像构建和分类方法及系统 | |
CN115563271A (zh) | 人工智能的会计数据分录方法、系统、设备及存储介质 | |
CN118154186A (zh) | 交易业务的异常操作的确定方法、装置和服务器 | |
CN112558966B (zh) | 深度模型可视化数据的处理方法、装置及电子设备 | |
CN117436729A (zh) | 一种基于政务系统数据治理和数据分析方法 | |
CN113918534A (zh) | 一种策略处理系统及方法 | |
CN116228402A (zh) | 一种金融征信特征仓库技术支持系统 | |
CN115809796A (zh) | 基于用户画像的项目智能派工方法及系统 | |
CN115310011A (zh) | 页面展示方法、系统以及可读存储介质 | |
CN111352818A (zh) | 应用程序性能分析方法、装置、存储介质及电子设备 | |
CN118276933B (zh) | 软件兼容性问题的处理方法、装置、设备和介质 | |
CN113674115B (zh) | 一种基于数据治理技术的高校数据管理辅助系统及方法 | |
CN111582754B (zh) | 风险排查方法、装置、设备及计算机可读存储介质 | |
CN115629978A (zh) | 埋点自动化测试方法、装置、电子设备及存储介质 |
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 |