CN114638553B - 一种基于大数据的维修质量分析方法 - Google Patents
一种基于大数据的维修质量分析方法 Download PDFInfo
- Publication number
- CN114638553B CN114638553B CN202210531631.0A CN202210531631A CN114638553B CN 114638553 B CN114638553 B CN 114638553B CN 202210531631 A CN202210531631 A CN 202210531631A CN 114638553 B CN114638553 B CN 114638553B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- preliminary cleaning
- reduction
- maintenance
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于大数据的维修质量分析方法,首先采用网络爬虫方式收集维修后智能装备的状态数据;再对状态数据进行预处理,得到预处理数据;然后采用基于大数据的分布式计算模型对预处理数据进行分析处理,得到维修质量分析结果;最后将维修质量分析结果通过交互式界面向用户进行可视化展示。本发明采用基于大数据的分布式计算模型对智能装备的维修质量进行分析,避免了人为主观因素对分析结果的影响,提高了分析结果的准确性;同时分布式计算的方式大大加快了分析速度,提高了分析效率。
Description
技术领域
本发明属于数据分析处理技术领域,具体涉及一种基于大数据的维修质量分析方法的设计。
背景技术
智能装备是具有感知、分析、推理、决策和控制功能的制造装备,它是先进制造技术、信息技术和智能技术的集成和深度融合。目前国家在重点推进智能装备的发展,以实现生产过程自动化、智能化、精密化和绿色化,带动工业整体技术水平的提升。
由于智能装备具有自动化和精密化的特点,定期对其进行维修和保养是非常必要的,而对智能装备维修质量进行分析可以有效反馈当次维修效果的好坏,对后续维修具有一定的指导意义。目前针对智能装备维修质量的分析方法大多都是基于专家的经验进行分析和评定,这种人工的分析方法受到人为主观因素的影响,分析结果并不是十分准确,同时人工的分析方法还存在分析速度较慢,效率较低的问题。
发明内容
本发明的目的是为了解决现有基于专家经验的智能装备维修质量分析方法准确度较低且速度较慢问题,提出了一种基于大数据的维修质量分析方法。
本发明的技术方案为:一种基于大数据的维修质量分析方法,包括以下步骤:
S1、采用网络爬虫方式收集维修后智能装备的状态数据。
S2、对状态数据进行预处理,得到预处理数据。
S3、采用基于大数据的分布式计算模型对预处理数据进行分析处理,得到维修质量分析结果。
S4、将维修质量分析结果通过交互式界面向用户进行可视化展示。
进一步地,步骤S2包括以下分步骤:
S21、对状态数据进行初步清理,得到初步清理数据。
S22、将来自多个数据源的初步清理数据集成到一个统一的数据库中。
S23、对数据库中的初步清理数据进行数据归约,得到归约数据。
S24、将归约数据转换为统一格式,得到预处理数据。
进一步地,步骤S23中的数据归约包括维归约和数量归约。
进一步地,采用主成分分析法对数据库中的初步清理数据进行维归约,具体包括以下步骤:
S231、对数据库中的初步清理数据进行规范化处理,使得每个初步清理数据都落入相同的区间。
S232、搜索k个最能代表初步清理数据的n维正交向量作为主成分,其中k ≤ n。
S233、将主成分按照重要性降序排列,删除重要性低于阈值的主成分,以此将数据库中的初步清理数据投影到低维空间中,实现维归约。
进一步地,采用聚类抽样法对维归约后的初步清理数据进行数量归约,具体包括以下步骤:
S234、将维归约后的初步清理数据划分为N个元组。
S235、将N个元组聚类到M个互不相交的簇中。
S236、从M个簇中随机抽样得到S个簇,将S个簇中对应的初步清理数据作为归约数据,其中S < M < N。
进一步地,步骤S3包括以下分步骤:
S31、对预处理数据进行分片和格式化处理,得到格式化数据。
S32、对格式化数据进行数据映射处理,得到映射数据。
S33、对映射数据进行累加处理,得到维修后智能装备的状态值。
S34、判断维修后智能装备的状态值与数据库中存储的正常智能装备的状态值之差是否小于预设阈值,若是则智能装备的维修质量合格,否则智能装备的维修质量不合格。
进一步地,步骤S31中格式化处理的具体方法为:将划分好分片的预处理数据格式化为键值对< key,value >形式的数据。
进一步地,步骤S32包括以下分步骤:
S321、解析得到所有键值对< key,value >中的键和值key/value。
S322、将所有键和值key/value映射为一系列新的键和值key/value。
S323、将所有新的键和值key/value写入一个环形内存缓冲区中。
S324、当环形内存缓冲区中的数据量达到容量阈值时,产生一个溢出文件,并将当前环形内存缓冲区中的数据写入该溢出文件。
S325、将所有溢出文件中的内容进行合并,得到映射数据。
进一步地,步骤S33包括以下分步骤:
S331、随机复制映射数据中的一片数据,并判断该片映射数据的大小是否超过预设阈值,若是则将其写到磁盘上,否则将其放入内存中。
S332、实时对内存和磁盘上的文件进行合并。
S333、针对内存和磁盘上的映射数据,将键key相同的所有数据聚在一起,并求取键key相同的所有数据的值value的均值。
S334、将均值写入分布式文件系统中,并作为维修后智能装备的状态值。
进一步地,步骤S4中将所有智能装备的维修质量分析结果通过统计图表的形式向用户进行可视化展示。
本发明的有益效果是:
(1)本发明采用基于大数据的分布式计算模型对智能装备的维修质量进行分析,避免了人为主观因素对分析结果的影响,提高了分析结果的准确性;同时分布式计算的方式大大加快了分析速度,提高了分析效率。
(2)本发明采用网络爬虫方式收集位于Web端的维修后智能装备的状态数据,保证了状态数据的完整和全面,并尽量确保了每一个状态数据都准确有用。
(3)本发明基于大数据的思想,采用数据清理、数据集成、数据归约和数据转换处理的方式依次对状态数据进行预处理操作,有效地将重复、无用、噪声、缺失和冲突的数据筛选掉,提高了状态数据的准确性、真实性和可用性。
(4)本发明针对数据库中的初步清理数据分别进行了维归约和数量归约,在不损害分析结果准确性的前提下,有效简化了数据量,提高了后续的分析速度。
(5)本发明将最终的维修质量分析结果通过交互式界面向用户进行可视化展示,更加直观、清楚,同时便于用户对维修质量分析结果进行反馈。
附图说明
图1所示为本发明实施例提供的一种基于大数据的维修质量分析方法流程图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于大数据的维修质量分析方法,如图1所示,包括以下步骤S1~S4:
S1、采用网络爬虫方式收集维修后智能装备的状态数据。
本发明实施例针对Web端的维修后智能装备的状态数据,采用网络爬虫方式进行收集,保证了状态数据的完整和全面,并尽量确保了每一个状态数据都准确有用。同时通过对爬虫软件进行时间设置,保障了收集到的状态数据具有时效性。
S2、对状态数据进行预处理,得到预处理数据。
本发明实施例中,由于通过网络爬虫软件收集到的状态数据比较原始,价值密度低,所以会对其进行预处理,将重复、无用、噪声、缺失和冲突的数据筛选掉。
步骤S2包括以下分步骤S21~S24:
S21、对状态数据进行初步清理,得到初步清理数据。
本发明实施例中,初步清理包括不一致检测、噪声数据识别、数据过滤和修正等操作,有效提高了状态数据的准确性、真实性和可用性。
S22、将来自多个数据源的初步清理数据集成到一个统一的数据库中。
S23、对数据库中的初步清理数据进行数据归约,得到归约数据。
其中,数据归约包括维归约和数量归约。
本发明实施例中,采用主成分分析法对数据库中的初步清理数据进行维归约,具体包括以下步骤S231~S233:
S231、对数据库中的初步清理数据进行规范化处理,使得每个初步清理数据都落入相同的区间。
S232、搜索k个最能代表初步清理数据的n维正交向量作为主成分,其中k ≤ n。
S233、将主成分按照重要性降序排列,删除重要性低于阈值的主成分,以此将数据库中的初步清理数据投影到低维空间中,实现维归约。
本发明实施例中,将主成分向量中所有元素的方差作为其重要性。
本发明实施例中,采用聚类抽样法对维归约后的初步清理数据进行数量归约,具体包括以下步骤S234~S236:
S234、将维归约后的初步清理数据划分为N个元组。
S235、将N个元组聚类到M个互不相交的簇中。
S236、从M个簇中随机抽样得到S个簇,将S个簇中对应的初步清理数据作为归约数据,其中S < M < N。
本发明实施例中,S的值通常远小于N,这样在不损害分析结果准确性的前提下,有效简化了数据量,提高了后续的分析速度。
S24、将归约数据转换为统一格式,得到预处理数据,进一步提升了预处理数据的一致性和可用性。
S3、采用基于大数据的分布式计算模型对预处理数据进行分析处理,得到维修质量分析结果。
步骤S3包括以下分步骤S31~S34:
S31、对预处理数据进行分片和格式化处理,得到格式化数据。
本发明实施例中,分片是指将预处理数据划分为大小相等的小数据块(本发明实施例中为128MB)。
本发明实施例中,格式化处理的具体方法为:将划分好分片的预处理数据格式化为键值对< key,value >形式的数据。其中key表示键,即预处理数据的偏移量,value表示值,即键key对应的预处理数据的具体内容。
S32、对格式化数据进行数据映射处理,得到映射数据。
步骤S32包括以下分步骤S321~S325:
S321、解析得到所有键值对< key,value >中的键和值key/value。
S322、将所有键和值key/value映射为一系列新的键和值key/value。
S323、将所有新的键和值key/value写入一个环形内存缓冲区中。本发明实施例中环形内存缓冲区默认大小为100MB。
S324、当环形内存缓冲区中的数据量达到容量阈值(本发明实施例中设置为缓冲区大小的80 %)时,产生一个溢出文件,并将当前环形内存缓冲区中的数据写入该溢出文件。
S325、将所有溢出文件中的内容进行合并,得到映射数据。
S33、对映射数据进行累加处理,得到维修后智能装备的状态值。
本发明实施例中,步骤S33包括以下分步骤S331~S334:
S331、随机复制映射数据中的一片数据,并判断该片映射数据的大小是否超过预设阈值,若是则将其写到磁盘上,否则将其放入内存中。
S332、实时对内存和磁盘上的文件进行合并,防止内存使用过多或者磁盘文件过多。
S333、针对内存和磁盘上的映射数据,将键key相同的所有数据聚在一起,并求取键key相同的所有数据的值value的均值。
S334、将均值写入分布式文件系统中,并作为维修后智能装备的状态值。
S34、判断维修后智能装备的状态值与数据库中存储的正常智能装备的状态值之差是否小于预设阈值,若是则智能装备的维修质量合格,否则智能装备的维修质量不合格。
S4、将维修质量分析结果通过交互式界面向用户进行可视化展示。
本发明实施例中,将所有智能装备的维修质量分析结果通过统计图表的形式向用户进行可视化展示,更加直观、清楚,同时便于用户对维修质量分析结果进行反馈。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种基于大数据的维修质量分析方法,其特征在于,包括以下步骤:
S1、采用网络爬虫方式收集维修后智能装备的状态数据;
S2、对状态数据进行预处理,得到预处理数据;
S3、采用基于大数据的分布式计算模型对预处理数据进行分析处理,得到维修质量分析结果;
S4、将维修质量分析结果通过交互式界面向用户进行可视化展示;
所述步骤S2包括以下分步骤:
S21、对状态数据进行初步清理,得到初步清理数据;
S22、将来自多个数据源的初步清理数据集成到一个统一的数据库中;
S23、对数据库中的初步清理数据进行数据归约,得到归约数据;
S24、将归约数据转换为统一格式,得到预处理数据;
所述步骤S23中的数据归约包括维归约和数量归约;
采用主成分分析法对所述数据库中的初步清理数据进行维归约,具体包括以下步骤:
S231、对数据库中的初步清理数据进行规范化处理,使得每个初步清理数据都落入相同的区间;
S232、搜索k个最能代表初步清理数据的n维正交向量作为主成分,其中k ≤ n;
S233、将主成分按照重要性降序排列,删除重要性低于阈值的主成分,以此将数据库中的初步清理数据投影到低维空间中,实现维归约;
采用聚类抽样法对所述维归约后的初步清理数据进行数量归约,具体包括以下步骤:
S234、将维归约后的初步清理数据划分为N个元组;
S235、将N个元组聚类到M个互不相交的簇中;
S236、从M个簇中随机抽样得到S个簇,将S个簇中对应的初步清理数据作为归约数据,其中S < M < N;
所述步骤S3包括以下分步骤:
S31、对预处理数据进行分片和格式化处理,得到格式化数据;
S32、对格式化数据进行数据映射处理,得到映射数据;
S33、对映射数据进行累加处理,得到维修后智能装备的状态值;
S34、判断维修后智能装备的状态值与数据库中存储的正常智能装备的状态值之差是否小于预设阈值,若是则智能装备的维修质量合格,否则智能装备的维修质量不合格;
所述步骤S31中格式化处理的具体方法为:将划分好分片的预处理数据格式化为键值对< key,value >形式的数据;
所述步骤S32包括以下分步骤:
S321、解析得到所有键值对< key,value >中的键和值key/value;
S322、将所有键和值key/value映射为一系列新的键和值key/value;
S323、将所有新的键和值key/value写入一个环形内存缓冲区中;
S324、当环形内存缓冲区中的数据量达到容量阈值时,产生一个溢出文件,并将当前环形内存缓冲区中的数据写入该溢出文件;
S325、将所有溢出文件中的内容进行合并,得到映射数据;
所述步骤S33包括以下分步骤:
S331、随机复制映射数据中的一片数据,并判断该片映射数据的大小是否超过预设阈值,若是则将其写到磁盘上,否则将其放入内存中;
S332、实时对内存和磁盘上的文件进行合并;
S333、针对内存和磁盘上的映射数据,将键key相同的所有数据聚在一起,并求取键key相同的所有数据的值value的均值;
S334、将所述均值写入分布式文件系统中,并作为维修后智能装备的状态值。
2.根据权利要求1所述的维修质量分析方法,其特征在于,所述步骤S4中将所有智能装备的维修质量分析结果通过统计图表的形式向用户进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531631.0A CN114638553B (zh) | 2022-05-17 | 2022-05-17 | 一种基于大数据的维修质量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210531631.0A CN114638553B (zh) | 2022-05-17 | 2022-05-17 | 一种基于大数据的维修质量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638553A CN114638553A (zh) | 2022-06-17 |
CN114638553B true CN114638553B (zh) | 2022-08-12 |
Family
ID=81953345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210531631.0A Active CN114638553B (zh) | 2022-05-17 | 2022-05-17 | 一种基于大数据的维修质量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638553B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426609A (zh) * | 2011-12-28 | 2012-04-25 | 厦门市美亚柏科信息股份有限公司 | 一种基于MapReduce编程架构的索引生成方法和装置 |
CN103872782A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种电能质量数据综合服务系统 |
CN106021274A (zh) * | 2016-04-29 | 2016-10-12 | 北京格分维科技有限公司 | 一种基于大数据的人才能力评价模型系统及方法 |
CN106815338A (zh) * | 2016-12-25 | 2017-06-09 | 北京中海投资管理有限公司 | 一种大数据的实时存储、处理和查询系统 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN109740772A (zh) * | 2019-01-09 | 2019-05-10 | 昆山高新轨道交通智能装备有限公司 | 基于大数据的铁路列车检测维修分析方法 |
CN109933693A (zh) * | 2019-03-13 | 2019-06-25 | 重庆尚唯信息技术有限公司 | 一种基于大数据技术的全球智库数据开发与组织方法 |
CN113511572A (zh) * | 2021-06-01 | 2021-10-19 | 广州特种机电设备检测研究院 | 基于大数据的电梯维保质量评价方法、系统和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150127691A1 (en) * | 2013-11-01 | 2015-05-07 | Cognitive Electronics, Inc. | Efficient implementations for mapreduce systems |
WO2016054605A2 (en) * | 2014-10-02 | 2016-04-07 | Reylabs Inc. | Systems and methods involving diagnostic monitoring, aggregation, classification, analysis and visual insights |
CN107330056B (zh) * | 2017-06-29 | 2020-10-16 | 河北工业大学 | 基于大数据云计算平台的风电场scada系统及其运行方法 |
CN107707659A (zh) * | 2017-10-11 | 2018-02-16 | 郑州云海信息技术有限公司 | 一种大数据分析方法和系统 |
US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
CN111932129A (zh) * | 2020-08-12 | 2020-11-13 | 四川观想科技股份有限公司 | 一种装备数字化维修管控系统 |
-
2022
- 2022-05-17 CN CN202210531631.0A patent/CN114638553B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426609A (zh) * | 2011-12-28 | 2012-04-25 | 厦门市美亚柏科信息股份有限公司 | 一种基于MapReduce编程架构的索引生成方法和装置 |
CN103872782A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种电能质量数据综合服务系统 |
CN106021274A (zh) * | 2016-04-29 | 2016-10-12 | 北京格分维科技有限公司 | 一种基于大数据的人才能力评价模型系统及方法 |
CN106815338A (zh) * | 2016-12-25 | 2017-06-09 | 北京中海投资管理有限公司 | 一种大数据的实时存储、处理和查询系统 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN109740772A (zh) * | 2019-01-09 | 2019-05-10 | 昆山高新轨道交通智能装备有限公司 | 基于大数据的铁路列车检测维修分析方法 |
CN109933693A (zh) * | 2019-03-13 | 2019-06-25 | 重庆尚唯信息技术有限公司 | 一种基于大数据技术的全球智库数据开发与组织方法 |
CN113511572A (zh) * | 2021-06-01 | 2021-10-19 | 广州特种机电设备检测研究院 | 基于大数据的电梯维保质量评价方法、系统和存储介质 |
Non-Patent Citations (2)
Title |
---|
MapReduce分布式计算框架;dongyuyuu-CSDN博客;《https://blog.csdn.net/id__39/article/details/104986883》;20200320;第1-3页 * |
航空发动机维修大数据分析体系建设;豆丁网;《https://www.docin.com/p-1551482338.html》;20160428;第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114638553A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117056867B (zh) | 一种可用于数字孪生的多源异构数据融合方法及系统 | |
CN110297469B (zh) | 基于重采样的集成特征选择算法的生产线故障判断方法 | |
CN110389950B (zh) | 一种快速运行的大数据清洗方法 | |
CN116760908A (zh) | 基于数字孪生的农业信息优化管理方法及系统 | |
CN111177216A (zh) | 综合能源消费者行为特征的关联规则生成方法及装置 | |
CN106682225A (zh) | 一种大数据的汇集存储方法与系统 | |
CN115718861A (zh) | 高耗能行业中用电用户的分类与异常行为监测方法及系统 | |
CN114638553B (zh) | 一种基于大数据的维修质量分析方法 | |
CN113159326B (zh) | 基于人工智能的智能业务决策方法 | |
CN117371607A (zh) | 基于物联网技术的锅炉汽水流程再造监测系统 | |
CN112348360A (zh) | 一种基于大数据技术的中药生产工艺参数分析系统 | |
CN112200209A (zh) | 一种基于日差分用电量的贫困用户识别方法 | |
CN105787664A (zh) | 智能产品的数据采集方法 | |
CN111858946A (zh) | 一种烟草专卖市场监管大数据e-r模型的构建方法 | |
CN110597993A (zh) | 一种微博热点话题数据挖掘方法 | |
CN112184691A (zh) | 一种基于不良Map图的缺陷模式分析方法 | |
TWI673723B (zh) | 智慧型預診斷和健康管理系統與方法 | |
CN115688034B (zh) | 数值型和类别型的混合资料的提取和缩减方法 | |
Zhu et al. | Research of system fault diagnosis method based on imbalanced data | |
CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理系统 | |
WO2022252051A1 (zh) | 数据处理方法、装置、设备及存储介质 | |
CN117493681B (zh) | 一种基于云计算的智慧医疗信息推送系统及方法 | |
CN115658887A (zh) | 一种基于云平台的广播融媒体信息采编发布管理系统 | |
CN117708186A (zh) | 一种应用系统智能调整优化方法 | |
CN115374212A (zh) | 一种基于人工智能数据处理的计算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |