CN114663753A - 一种生产任务在线监控方法及系统 - Google Patents
一种生产任务在线监控方法及系统 Download PDFInfo
- Publication number
- CN114663753A CN114663753A CN202210196880.9A CN202210196880A CN114663753A CN 114663753 A CN114663753 A CN 114663753A CN 202210196880 A CN202210196880 A CN 202210196880A CN 114663753 A CN114663753 A CN 114663753A
- Authority
- CN
- China
- Prior art keywords
- task
- debugging
- monitoring
- monitoring record
- network
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请提供的一种生产任务在线监控方法及系统,将基础产线状态监控记录和动态化产线监控记录加载至AI算法网络,借助AI算法网络确定节点化状态监控记录,依据节点化状态监控记录中的关键环节运行日志确定目标生产线所绑定的关键任务环节分布,这样一来,依据基础产线状态监控记录和动态化产线监控记录确定目标生产线所绑定的关键任务环节分布,从而能够快速且准确地确定关键任务环节分布,提示相关工作人员快速地查询到关键任务环节,并对关键任务环节进行处理。借助将动态化产线监控记录加载至AI算法网络,可将状态变化信息加载至AI算法网络,从而使AI算法网络能够更加精确的进行计算,提高关键任务环节分布监控的准确性和可信度。
Description
技术领域
本申请涉及数据监控技术领域,具体而言,涉及一种生产任务在线监控方法及系统。
背景技术
监控系统是安防系统中应用最多的系统之一,现在市面上较为适合的工地监控系统是手持式视频通信设备,视频监控现在是主流。 从最早模拟监控到前些年火热数字监控再到现在方兴未艾网络视频监控,发生了翻天覆地变化。随着监控技术的不断发展,在监控技术具体应用到生产任务中时,可能存在监控到的生产信息在处理过程中,出现处理紊乱的问题,从而不能准确的对生产任务进行在线监控。因此,亟需一种技术方案以改善上述技术问题。
发明内容
鉴于此,本申请提供了一种生产任务在线监控方法及系统。
第一方面,提供一种生产任务在线监控方法,应用于生产任务监控系统,所述方法至少包括:
借助生产任务监控线程获得目标生产线所绑定的基础产线状态监控记录;确定所述基础产线状态监控记录与所述基础产线状态监控记录的上一组产线状态监控记录之间的状态变化情况,获取所述状态变化情况对应的动态化产线监控记录;
将所述基础产线状态监控记录和所述动态化产线监控记录加载至完成调试的AI算法网络,以借助所述AI算法网络从所述基础产线状态监控记录中挖掘生产任务主题描述,从所述动态化产线监控记录中挖掘任务更新描述,对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述;其中,所述生产任务主题描述表征所述基础产线状态监控记录中关键任务环节的产线关联标签,所述任务更新描述表征所述动态化产线监控记录中关键任务环节的变化;
将所述全局化任务监控描述和所述生产任务主题描述加载至所述AI算法网络,以借助所述AI算法网络确定节点化状态监控记录;其中,所述节点化状态监控记录包括关键环节运行日志和非关键环节运行日志,所述关键环节运行日志中各生产项目的项目热度皆是第一量化数据,所述非关键环节运行日志中各生产项目的项目热度皆是第二量化数据;依据节点化状态监控记录中的关键环节运行日志确定所述目标生产线所绑定的关键任务环节分布。
在一种独立实施的实施例中,所述获取所述状态变化情况对应的动态化产线监控记录,包括:
若所述状态变化情况包括状态变化类型和状态变化场景,则将所述状态变化类型迁移变换到预设映射列表的类型单元,将所述状态变化场景迁移变换到预设映射列表的场景单元;
依据所述类型单元和所述场景单元获取所述动态化产线监控记录。
在一种独立实施的实施例中,所述AI算法网络包括第一局部模型结构,第二局部模型结构和第三局部模型结构;所述借助AI算法网络从所述基础产线状态监控记录中挖掘生产任务主题描述,从所述动态化产线监控记录中挖掘任务更新描述,对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述,包括:
借助所述AI算法网络的第一局部模型结构从所述基础产线状态监控记录中挖掘生产任务主题描述,并将所述生产任务主题描述加载至所述第三局部模型结构;
借助所述AI算法网络的第二局部模型结构从所述动态化产线监控记录中挖掘任务更新描述,并将所述任务更新描述加载至所述第三局部模型结构;
借助所述第三局部模型结构对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述,并将所述全局化任务监控描述加载至所述第一局部模型结构。
在一种独立实施的实施例中,借助所述第三局部模型结构对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述,包括:
对所述任务更新描述进行滑动平均处理,得到滑动平均处理后的任务更新描述,并用触发机制对滑动平均处理后的任务更新描述进行迁移变换,得到迁移变换后的任务更新描述;
对所述生产任务主题描述和迁移变换后的任务更新描述进行加权处理,得到全局化任务监控描述。
在一种独立实施的实施例中,所述依据所述节点化状态监控记录中的关键环节运行日志确定所述目标生产线所绑定的关键任务环节分布之后,还包括:
确定与所述关键任务环节分布存在关联的日志内容约束条件;
依据所述日志内容约束条件确定所述目标生产线所绑定的关键任务环节评价;
汇总关键任务环节评价高于设定评价指标的环节关注时序持续值;
在目标进程输出所述关键任务环节分布、所述关键任务环节评价和所述环节关注时序持续值。
在一种独立实施的实施例中,所述AI算法网络的调试过程,包括:
借助生产任务监控线程获得目标生产线所绑定的基础调试监控记录;
确定所述基础调试监控记录与所述基础调试监控记录的上一组调试监控记录之间的状态变化调试信息,并获取所述状态变化调试信息对应的状态变化调试监控记录;
将所述基础调试监控记录和所述状态变化调试监控记录加载至基础AI网络,以借助所述基础AI网络从所述基础调试监控记录中挖掘任务更新调试范例,从所述状态变化调试监控记录中挖掘状态更新调试范例,对所述任务更新调试范例和所述状态更新调试范例进行全局化处理,得到全局化处理调试范例;其中,所述任务更新调试范例表征所述基础调试监控记录中关键任务环节的产线关联标签,所述状态更新调试范例表征所述状态变化调试监控记录中关键任务环节的变化;
将所述全局化处理调试范例和所述任务更新调试范例加载至所述基础AI网络,以借助所述基础AI网络确定节点化状态调试监控记录;其中,所述节点化状态调试监控记录包括关键环节运行日志和非关键环节运行日志,所述关键环节运行日志中各生产项目的项目热度皆是第一量化数据,所述非关键环节运行日志中各生产项目的项目热度皆是第二量化数据;
依据所述节点化状态调试监控记录和事先设定的节点化状态计算网络性能指标;其中,所述节点化状态计算监控记录是所述基础调试监控记录的计算监控记录,所述节点化状态计算监控记录包括关键环节运行日志和非关键环节运行日志,该关键环节运行日志中各生产项目的项目热度皆是第一量化数据,该非关键环节运行日志中各生产项目的项目热度皆是第二量化数据;
依据所述网络性能指标对所述基础AI网络进行调试,得到AI算法网络。
在一种独立实施的实施例中,所述依据所述网络性能指标对所述基础AI网络进行调试,得到AI算法网络,包括:
依据所述网络性能指标对所述基础AI网络的性能变量进行改进,得到完成改进的AI网络,并确定所述完成改进的AI网络是否已满足稳定性判定条件;
如果不是,则将所述完成改进的AI网络确定为基础AI网络,并返回执行将基础调试监控记录和状态变化调试监控记录加载至基础AI网络的步骤;
如果是,则将所述完成改进的AI网络确定为AI算法网络。
第二方面,提供一种生产任务在线监控系统,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
本申请实施例所提供的一种生产任务在线监控方法及系统,将基础产线状态监控记录和动态化产线监控记录加载至AI算法网络,借助AI算法网络确定节点化状态监控记录,依据节点化状态监控记录中的关键环节运行日志确定目标生产线所绑定的关键任务环节分布,这样一来,依据基础产线状态监控记录和动态化产线监控记录确定目标生产线所绑定的关键任务环节分布,从而能够快速且准确地确定关键任务环节分布,提示相关工作人员快速地查询到关键任务环节,并对关键任务环节进行处理。借助将动态化产线监控记录加载至AI算法网络,可将状态变化信息(即关键任务环节的变化)加载至AI算法网络,从而使AI算法网络能够更加精确的进行计算,提高关键任务环节分布监控的准确性和可信度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的一种生产任务在线监控方法的流程图。
图2为本申请实施例所提供的一种生产任务在线监控装置的框图。
图3为本申请实施例所提供的一种生产任务在线监控系统的架构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种生产任务在线监控方法,该方法可以包括以下步骤201-步骤206所描述的技术方案。
步骤201,借助生产任务监控线程获得目标生产线所绑定的基础调试监控记录。
举例而言,生产任务监控线程可以获得目标生产线所绑定的基础监控记录,并将该基础监控记录加载至生产任务监控系统,可将调试过程中的基础监控记录记为基础调试监控记录,进一步地,生产任务监控系统可以得到目标生产线所绑定的基础调试监控记录。
步骤202,确定该基础调试监控记录与该基础调试监控记录的上一组调试监控记录之间的状态变化调试信息,并获取该状态变化调试信息对应的状态变化调试监控记录。
举例而言,生产任务监控线程可以获得目标生产线所绑定的多组基础调试监控记录,并将一些基础调试监控记录均加载至生产任务监控系统,依据此,生产任务监控系统可以获得到多组基础调试监控记录。生产任务监控系统在获得到每组基础调试监控记录时,可以先搜索该基础调试监控记录的上一组调试监控记录(即属于该基础调试监控记录前面的第一组基础调试监控记录),然后,可以确定该基础调试监控记录与该基础调试监控记录的上一组调试监控记录之间的状态变化信息,可将调试过程中的状态变化信息理解为状态变化调试信息。
举例而言,可以采用状态变化方式确定基础调试监控记录与该基础调试监控记录的上一组调试监控记录之间的状态变化调试信息。
举例而言,状态变化调试信息可以包括状态变化类型(即状态更新物体的状态变化类型)和状态变化场景。针对基础调试监控记录中每组生产项目,从上一组调试监控记录中找到与该生产项目存在关联的标准模板,依据该生产项目和该标准模板的分布情况,确定该生产项目对应的状态变化类型和状态变化场景。显然,状态变化调试信息包括基础调试监控记录中每组生产项目对应的状态变化类型和状态变化场景。
获取状态变化调试信息对应的状态变化调试监控记录,可以包括但不限于以下内容:将状态变化类型迁移变换到预设映射列表的类型单元,并将状态变化场景迁移变换到预设映射列表的场景单元,依据该类型单元和该场景单元获取状态变化调试监控记录。
进一步地,对于基础调试监控记录中第一组生产项目,将该生产项目对应的状态变化类型迁移变换到预设映射列表的类型单元,将该生产项目对应的状态变化场景迁移变换到预设映射列表的场景单元,而该类型单元和该场景单元就组成状态变化调试监控记录的第一个生产项目的项目热度,可得到状态变化调试监控记录的全部生产项目的项目热度,而全部生产项目的项目热度就可以组成状态变化调试监控记录,即获取状态变化调试监控记录。
举例而言,针对基础调试监控记录中每组生产项目,可将该生产项目对应的状态变化类型迁移变换到预设映射列表的类型单元,该类型单元与极坐标的极角对应,对此迁移变换过程不再进行一一限定。可将该生产项目对应的状态变化场景迁移变换到预设映射列表的场景单元,对此迁移变换过程不再进行一一限定。这样一来,在得到类型单元和场景单元后,就可以得到预设映射列表的项目热度,进而能够将全部项目热度组成状态变化调试监控记录,即预设映射列表的监控记录。
针对预设映射列表的状态变化调试监控记录来讲,该状态变化调试监控记录可以是一个可视化的监控记录,该状态变化调试监控记录中的不同标签表征状态变化调试信息中的不同状态变化类型,该状态变化调试监控记录中的不同维度表征状态变化调试信息中的不同状态变化场景。结合上述描述内容,针对该状态变化调试监控记录中的每组生产项目来讲,该生产项目的标签表征状态变化调试信息中的状态变化类型,该生产项目的维度表征状态变化调试信息中的状态变化场景。
步骤203,将该基础调试监控记录和该状态变化调试监控记录加载至基础AI网络,以借助该基础AI网络从该基础调试监控记录中挖掘任务更新调试范例,并从该状态变化调试监控记录中挖掘状态更新调试范例,并对该任务更新调试范例和该状态更新调试范例进行全局化处理,得到全局化处理调试范例。任务更新调试范例可以表征该基础调试监控记录中关键任务环节的产线关联标签,状态更新调试范例可以表征该状态变化调试监控记录中关键任务环节的变化,该全局化处理调试范例可以表征产线关联标签和变化的全局化处理信息。
步骤204,将该全局化处理调试范例和该任务更新调试范例加载至基础AI网络,以借助基础AI网络确定节点化状态调试监控记录。举例而言,该节点化状态调试监控记录可以包括关键环节运行日志和非关键环节运行日志,该关键环节运行日志中各生产项目的项目热度皆是第一量化数据,该非关键环节运行日志中各生产项目的项目热度皆是第二量化数据。
举例而言,可以事先搭建一个基础AI网络(待调试的AI网络),该基础AI网络可以是深度学习AI网络,也可以是别的类型的AI网络,对此基础AI网络的结构不再进行一一限定,只要该基础AI网络的输入是基础调试监控记录和状态变化调试监控记录,该基础AI网络的确定是节点化状态调试监控记录即可。
举例而言,基础AI网络可以包括第一局部模型结构,第二局部模型结构和第三局部模型结构,第一局部模型结构用于对基础调试监控记录和基础调试监控记录对应的描述进行处理,第二局部模型结构用于对状态变化调试监控记录和状态变化调试监控记录对应的描述进行处理,第三局部模型结构用于对基础调试监控记录对应的描述和状态变化调试监控记录对应的描述进行处理。
针对步骤203和步骤204来讲,可将基础调试监控记录加载至第一局部模型结构,借助第一局部模型结构从基础调试监控记录中挖掘任务更新调试范例,将任务更新调试范例加载至第三局部模型结构。可将状态变化调试监控记录加载至第二局部模型结构,借助第二局部模型结构从该状态变化调试监控记录中挖掘状态更新调试范例,并将该状态更新调试范例加载至第三局部模型结构。在将任务更新调试范例和状态更新调试范例加载至第三局部模型结构后,借助第三局部模型结构对任务更新调试范例和状态更新调试范例进行全局化处理,得到全局化处理调试范例。在得到全局化处理调试范例后,第三局部模型结构将全局化处理调试范例加载至第一局部模型结构。例如,第三局部模型结构包括至少一个子网络,针对每组子网络来讲,该子网络的输入为任务更新调试范例和状态更新调试范例,该子网络的确定为全局化处理调试范例,该子网络用于对任务更新调试范例和状态更新调试范例进行全局化处理,得到全局化处理调试范例。
基于以上内容,已经将全局化处理调试范例和任务更新调试范例加载至第一局部模型结构,第一局部模型结构可以依据全局化处理调试范例和任务更新调试范例获取节点化状态调试监控记录。进一步地,将全局化处理调试范例和任务更新调试范例加载至第一局部模型结构的某个子网络后,该子网络可以对全局化处理调试范例和任务更新调试范例进行计算,得到节点化状态调试监控记录。进一步地,第一局部模型结构包括子网络sub_Neural_Networks_A1和子网络sub_Neural_Networks_A2,第二局部模型结构包括子网络sub_Neural_Networks_B1,第三局部模型结构包括子网络sub_Neural_Networks_C2。可将基础调试监控记录加载至子网络sub_Neural_Networks_A1,子网络sub_Neural_Networks_A1对基础调试监控记录进行处理,得到关键描述des_D1,该关键描述des_D1就是任务更新调试范例,子网络sub_Neural_Networks_A1将关键描述des_D1加载至子网络sub_Neural_Networks_C2,并将关键描述des_D1加载至子网络sub_Neural_Networks_A2。可将状态变化调试监控记录加载至子网络sub_Neural_Networks_B1,子网络sub_Neural_Networks_B1对状态变化调试监控记录进行处理,得到关键描述des_D2,该关键描述des_D2就是状态更新调试范例,子网络sub_Neural_Networks_B1将关键描述des_D2加载至子网络sub_Neural_Networks_C2。子网络sub_Neural_Networks_C2获得到关键描述des_D1和关键描述des_D2后,对关键描述des_D1和关键描述des_D2进行全局化处理,得到关键描述des_D3,该关键描述des_D3就是全局化处理调试范例,子网络sub_Neural_Networks_C2将关键描述des_D3加载至子网络sub_Neural_Networks_A2。子网络sub_Neural_Networks_A2获得到关键描述des_D1和关键描述des_D3后,可以依据关键描述des_D1和关键描述des_D3获取关键描述des_D4,如关键描述des_D4为关键描述des_D1与关键描述des_D3的和,并获取与关键描述des_D4存在关联的节点化状态调试监控记录。第一局部模型结构包括子网络sub_Neural_Networks_A1、子网络sub_Neural_Networks_A2和子网络sub_Neural_Networks_A3,第二局部模型结构包括子网络sub_Neural_Networks_B1和子网络sub_Neural_Networks_B2,第三局部模型结构包括子网络sub_Neural_Networks_C2和子网络sub_Neural_Networks_C2。子网络sub_Neural_Networks_A1对基础调试监控记录进行处理,得到关键描述des_E1(任务更新调试范例),将关键描述des_E1加载至子网络sub_Neural_Networks_C2和子网络sub_Neural_Networks_A2。子网络sub_Neural_Networks_B1对状态变化调试监控记录进行处理,得到关键描述des_E2(状态更新调试范例),将关键描述des_E2加载至子网络sub_Neural_Networks_C2和子网络sub_Neural_Networks_B2。子网络sub_Neural_Networks_C2对关键描述des_E1和关键描述des_E2进行全局化处理,得到关键描述des_E3(全局化处理调试范例),将关键描述des_E3加载至子网络sub_Neural_Networks_A2。子网络sub_Neural_Networks_A2依据关键描述des_E1和关键描述des_E3获取关键描述des_E4,对关键描述des_E4进行处理,得到关键描述des_E5(任务更新调试范例),将关键描述des_E5加载至子网络sub_Neural_Networks_C2和子网络sub_Neural_Networks_A3。子网络sub_Neural_Networks_B2对关键描述des_E2进行处理,得到关键描述des_E6(状态更新调试范例),将关键描述des_E6加载至子网络sub_Neural_Networks_C2。子网络sub_Neural_Networks_C2对关键描述des_E5和关键描述des_E6进行全局化处理,得到关键描述des_E7(全局化处理调试范例),将关键描述des_E7加载至子网络sub_Neural_Networks_A3。子网络sub_Neural_Networks_A3依据关键描述des_E5和关键描述des_E7获取关键描述des_E8(如关键描述des_E5和关键描述des_E7的和),获取与关键描述des_E8存在关联的节点化状态调试监控记录。
对基础AI网络不再进行一一限定,只要基础AI网络能够从基础调试监控记录挖掘任务更新调试范例,从状态变化调试监控记录挖掘状态更新调试范例,对任务更新调试范例和状态更新调试范例进行全局化处理,得到全局化处理调试范例,依据全局化处理调试范例和任务更新调试范例确定节点化状态调试监控记录即可。
在本实施例中,针对任务更新调试范例来讲,由于目标生产线所绑定的关键任务环节和非关键任务环节进行比较,关键任务环节的任务更新与非关键任务环节的任务更新不同,且基础调试监控记录能够显示各生产项目的产线关联标签,因此,从基础调试监控记录中挖掘任务更新调试范例后,任务更新调试范例能够表征基础调试监控记录中关键任务环节的产线关联标签及非关键任务环节的产线关联标签,进一步地,该任务更新调试范例能够表示关键任务环节和非关键任务环节的不同,即,借助基础调试监控记录中各生产项目的产线关联标签表示关键任务环节和非关键任务环节的不同。
针对状态更新调试范例来讲,由于目标生产线所绑定的关键任务环节和非关键任务环节进行比较,关键任务环节在事项中存在状态更新,非关键任务环节在事项中不存在状态更新,且状态变化调试监控记录能够显示各生产项目的变化,因此,从状态变化调试监控记录中挖掘状态更新调试范例后,状态更新调试范例能够表征状态变化调试监控记录中关键任务环节的变化及非关键任务环节的变化,进一步地,该状态更新调试范例能够表示关键任务环节和非关键任务环节的不同,即,借助状态变化调试监控记录中各生产项目的变化表示关键任务环节和非关键任务环节的不同。
针对全局化处理调试范例来讲,由于是对任务更新调试范例和状态更新调试范例进行全局化处理,且任务更新调试范例能够表征关键任务环节的产线关联标签及非关键任务环节的产线关联标签,状态更新调试范例能够表征关键任务环节的变化及非关键任务环节的变化,因此,全局化处理调试范例可以表征产线关联标签和变化的全局化处理信息,且全局化处理信息能够表示关键任务环节和非关键任务环节的不同,即,借助产线关联标签和变化表示出关键任务环节和非关键任务环节的不同。
针对节点化状态调试监控记录来讲,该节点化状态调试监控记录是一个二值监控记录,可以理解为一个黑白监控记录,即生产项目的项目热度只为第一量化数据或者第二量化数据。在节点化状态调试监控记录的获取过程中,可以依据产线关联标签和变化将节点化状态调试监控记录划分为关键环节运行日志和非关键环节运行日志,关键环节运行日志中各生产项目的项目热度皆是第一量化数据,非关键环节运行日志中各生产项目的项目热度皆是第二量化数据。
结合上述描述内容,在将基础调试监控记录和状态变化调试监控记录加载至基础AI网络后,基础AI网络确定节点化状态调试监控记录,可以依据节点化状态调试监控记录进行后续处理。
在一种可替换的实施例中,借助第三局部模型结构对任务更新调试范例和状态更新调试范例进行全局化处理,得到全局化处理调试范例,可以包括以下内容:对该状态更新调试范例进行滑动平均处理,得到滑动平均处理后的状态更新调试范例,并采用触发机制对滑动平均处理后的状态更新调试范例进行迁移变换,得到迁移变换后的状态更新调试范例;然后,对任务更新调试范例和迁移变换后的状态更新调试范例进行加权处理,得到全局化处理调试范例。
步骤205,依据节点化状态调试监控记录和事先设定的节点化状态计算网络性能指标。举例而言,该节点化状态计算监控记录可以是基础调试监控记录的计算监控记录,该节点化状态计算监控记录可以包括关键环节运行日志和非关键环节运行日志,该关键环节运行日志中各生产项目的项目热度皆是第一量化数据,该非关键环节运行日志中各生产项目的项目热度皆是第二量化数据。
举例而言,步骤205之前,可以训练基础调试监控记录的计算监控记录,将该计算监控记录记为节点化状态计算监控记录。进一步地,由用户对基础调试监控记录进行计算时,用户可以获知基础调试监控记录中的关键环节运行日志和非关键环节运行日志,因此,可以计算基础调试监控记录中的关键环节运行日志和非关键环节运行日志,依据该计算信息可以获取节点化状态计算监控记录。在获取节点化状态计算监控记录时,与关键环节运行日志对应的各生产项目的项目热度皆是第一量化数据,与非关键环节运行日志对应的各生产项目的项目热度皆是第二量化数据。在得到节点化状态调试监控记录和节点化状态计算监控记录后,可以依据节点化状态调试监控记录和节点化状态计算监控记录的差值,确定网络性能指标。在网络性能指标越低时,说明节点化状态调试监控记录和节点化状态计算监控记录越相似,即基础AI网络确定的节点化状态调试监控记录越匹配,在网络性能指标越高时,说明节点化状态调试监控记录和节点化状态计算监控记录越没关联,即基础AI网络确定的节点化状态调试监控记录越不可靠。
步骤206,依据该网络性能指标对基础AI网络进行调试,得到AI算法网络。
举例而言,确定完成改进的AI网络是否已满足稳定性判定条件。如果不是,则将完成改进的AI网络确定为基础AI网络,返回执行将基础调试监控记录和状态变化调试监控记录加载至基础AI网络的步骤。如果是,则将完成改进的AI网络确定为完成调试的AI算法网络。
比如,若该网络性能指标不满足预设网络性能指标判定值,则确定完成改进的AI网络已满足稳定性判定条件,若该网络性能指标不不满足预设网络性能指标判定值,则确定完成改进的AI网络未满足稳定性判定条件。
在得到完成调试的AI算法网络后,可以依据完成调试的AI算法网络实现关键任务环节监控,该方法可以应用于生产任务监控系统,该方法可以包括以下步骤。
步骤501,借助生产任务监控线程获得目标生产线所绑定的基础产线状态监控记录。
举例而言,生产任务监控线程可以获得目标生产线所绑定的基础监控记录,并将基础监控记录加载至生产任务监控系统,将监控过程中的基础监控记录记为基础产线状态监控记录。
步骤502,确定该基础产线状态监控记录与该基础产线状态监控记录的上一组产线状态监控记录之间的状态变化情况,并获取该状态变化情况对应的动态化产线监控记录。
举例而言,生产任务监控系统在获得到每组基础产线状态监控记录时,可以先搜索该基础产线状态监控记录的上一组产线状态监控记录(即属于该基础产线状态监控记录前面的第一组基础产线状态监控记录),然后,确定该基础产线状态监控记录与该基础产线状态监控记录的上一组产线状态监控记录之间的状态变化信息,可将监控过程中的状态变化信息理解为状态变化情况。
状态变化情况可以包括状态变化类型和状态变化场景,针对基础产线状态监控记录中每组生产项目,从上一组产线状态监控记录中找到与该生产项目存在关联的标准模板,依据该生产项目和该标准模板的分布情况,确定该生产项目对应的状态变化类型和状态变化场景。状态变化情况包括基础产线状态监控记录中每组生产项目对应的状态变化类型和状态变化场景。
依据此,获取状态变化情况对应的动态化产线监控记录,可以包括以下内容:将该状态变化类型迁移变换到预设映射列表的类型单元,并将该状态变化场景迁移变换到预设映射列表的场景单元,依据该类型单元和该场景单元获取动态化产线监控记录。
针对预设映射列表的动态化产线监控记录来讲,该动态化产线监控记录可以是一个可视化的监控记录,该动态化产线监控记录中的不同标签表征状态变化情况中的不同状态变化类型,该动态化产线监控记录中的不同维度表征状态变化情况中的不同状态变化场景。
步骤503,将该基础产线状态监控记录和该动态化产线监控记录加载至完成调试的AI算法网络,以借助AI算法网络从该基础产线状态监控记录中挖掘生产任务主题描述,从该动态化产线监控记录中挖掘任务更新描述,对该生产任务主题描述和该任务更新描述进行全局化处理,得到全局化任务监控描述。生产任务主题描述表征基础产线状态监控记录中关键任务环节的产线关联标签,任务更新描述表征动态化产线监控记录中关键任务环节的变化。
步骤504,将该全局化任务监控描述和该生产任务主题描述加载至AI算法网络,以借助该AI算法网络确定节点化状态监控记录。举例而言,该节点化状态监控记录可以包括关键环节运行日志和非关键环节运行日志,该关键环节运行日志中各生产项目的项目热度皆是第一量化数据,该非关键环节运行日志中各生产项目的项目热度皆是第二量化数据。
举例而言,AI算法网络的计算过程与基础AI网络的计算过程类似,因此,AI算法网络可以包括第一局部模型结构,第二局部模型结构和第三局部模型结构,第一局部模型结构用于对基础产线状态监控记录和基础产线状态监控记录对应的描述进行处理,第二局部模型结构用于对动态化产线监控记录和动态化产线监控记录对应的描述进行处理,第三局部模型结构用于对基础产线状态监控记录对应的描述和动态化产线监控记录对应的描述进行处理。
进一步地,将基础产线状态监控记录加载至第一局部模型结构,借助第一局部模型结构从基础产线状态监控记录中挖掘生产任务主题描述,将生产任务主题描述加载至第三局部模型结构。
可将动态化产线监控记录加载至第二局部模型结构,借助第二局部模型结构从该动态化产线监控记录中挖掘任务更新描述,并将该任务更新描述加载至第三局部模型结构。在将生产任务主题描述和任务更新描述加载至第三局部模型结构后,可以借助第三局部模型结构对该生产任务主题描述和该任务更新描述进行全局化处理,得到全局化任务监控描述。在得到全局化任务监控描述后,第三局部模型结构可将全局化任务监控描述加载至第一局部模型结构。
根据上述描述内容,已将全局化任务监控描述和生产任务主题描述加载至第一局部模型结构,第一局部模型结构依据全局化任务监控描述和生产任务主题描述获取节点化状态监控记录。
在本实施例中,生产任务主题描述能够表征基础产线状态监控记录中关键任务环节的产线关联标签及非关键任务环节的产线关联标签,即该生产任务主题描述能够表示关键任务环节和非关键任务环节的不同。任务更新描述能够表征动态化产线监控记录中关键任务环节的变化及非关键任务环节的变化,即该任务更新描述能够表示关键任务环节和非关键任务环节的不同。全局化任务监控描述可以表征产线关联标签和变化的全局化处理信息,且全局化处理信息能够表示关键任务环节和非关键任务环节的不同,即,借助产线关联标签和变化表示出关键任务环节和非关键任务环节的不同。
结合上述描述内容,在将基础产线状态监控记录和动态化产线监控记录加载至AI算法网络后,AI算法网络确定节点化状态监控记录,可以依据节点化状态监控记录进行后续处理。
举例而言,借助第三局部模型结构对生产任务主题描述和任务更新描述进行全局化处理,得到全局化任务监控描述,可以包括以下内容:对该任务更新描述进行滑动平均处理,得到滑动平均处理后的任务更新描述,并采用触发机制对滑动平均处理后的任务更新描述进行迁移变换,得到迁移变换后的任务更新描述;然后,对该生产任务主题描述和迁移变换后的任务更新描述进行加权处理,得到全局化任务监控描述。
步骤505,依据节点化状态监控记录中的关键环节运行日志确定目标生产线所绑定的关键任务环节分布,即,将该关键环节运行日志确定为目标生产线所绑定的关键任务环节分布。
举例而言,节点化状态监控记录包括关键环节运行日志和非关键环节运行日志,关键环节运行日志中各生产项目的项目热度皆是第一量化数据,非关键环节运行日志中各生产项目的项目热度皆是第二量化数据,因此,将全部第一量化数据的生产项目组成的集合确定为目标生产线所绑定的关键任务环节分布(也理解为关键任务环节集合),即关键任务环节分布是全部第一量化数据的生产项目组成的集合。
在一种可替换的实施例中,还可以确定与该关键任务环节分布存在关联的日志内容约束条件,并依据该日志内容约束条件确定目标生产线所绑定的关键任务环节评价。可汇总关键任务环节评价高于设定评价指标的环节关注时序持续值,在本实施例中,可将基础产线状态监控记录和动态化产线监控记录加载至AI算法网络,借助AI算法网络确定节点化状态监控记录,依据节点化状态监控记录中的关键环节运行日志确定目标生产线所绑定的关键任务环节分布,进一步地,依据基础产线状态监控记录和动态化产线监控记录确定目标生产线所绑定的关键任务环节分布,从而能够快速且准确地确定关键任务环节分布,提示相关工作人员快速地查询到关键任务环节,并对关键任务环节进行处理。借助将动态化产线监控记录加载至AI算法网络,可将状态变化信息(即关键任务环节的变化)加载至AI算法网络,从而使AI算法网络能够更加精确的进行计算,提高关键任务环节分布监控的准确性和可信度。
在上述基础上,请结合参阅图2,提供了一种生产任务在线监控装置200,应用于生产任务在线监控系统,所述装置包括:
记录获得模块210,用于借助生产任务监控线程获得目标生产线所绑定的基础产线状态监控记录;确定所述基础产线状态监控记录与所述基础产线状态监控记录的上一组产线状态监控记录之间的状态变化情况,获取所述状态变化情况对应的动态化产线监控记录;
描述得到模块220,用于将所述基础产线状态监控记录和所述动态化产线监控记录加载至完成调试的AI算法网络,以借助所述AI算法网络从所述基础产线状态监控记录中挖掘生产任务主题描述,从所述动态化产线监控记录中挖掘任务更新描述,对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述;其中,所述生产任务主题描述表征所述基础产线状态监控记录中关键任务环节的产线关联标签,所述任务更新描述表征所述动态化产线监控记录中关键任务环节的变化;
分布绑定模块230,用于将所述全局化任务监控描述和所述生产任务主题描述加载至所述AI算法网络,以借助所述AI算法网络确定节点化状态监控记录;其中,所述节点化状态监控记录包括关键环节运行日志和非关键环节运行日志,所述关键环节运行日志中各生产项目的项目热度皆是第一量化数据,所述非关键环节运行日志中各生产项目的项目热度皆是第二量化数据;依据节点化状态监控记录中的关键环节运行日志确定所述目标生产线所绑定的关键任务环节分布。
在上述基础上,请结合参阅图3,示出了一种生产任务在线监控系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,将基础产线状态监控记录和动态化产线监控记录加载至AI算法网络,借助AI算法网络确定节点化状态监控记录,依据节点化状态监控记录中的关键环节运行日志确定目标生产线所绑定的关键任务环节分布,这样一来,依据基础产线状态监控记录和动态化产线监控记录确定目标生产线所绑定的关键任务环节分布,从而能够快速且准确地确定关键任务环节分布,提示相关工作人员快速地查询到关键任务环节,并对关键任务环节进行处理。借助将动态化产线监控记录加载至AI算法网络,可将状态变化信息(即关键任务环节的变化)加载至AI算法网络,从而使AI算法网络能够更加精确的进行计算,提高关键任务环节分布监控的准确性和可信度。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种生产任务在线监控方法,其特征在于,应用于生产任务监控系统,所述方法至少包括:
借助生产任务监控线程获得目标生产线所绑定的基础产线状态监控记录;确定所述基础产线状态监控记录与所述基础产线状态监控记录的上一组产线状态监控记录之间的状态变化情况,获取所述状态变化情况对应的动态化产线监控记录;
将所述基础产线状态监控记录和所述动态化产线监控记录加载至完成调试的AI算法网络,以借助所述AI算法网络从所述基础产线状态监控记录中挖掘生产任务主题描述,从所述动态化产线监控记录中挖掘任务更新描述,对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述;其中,所述生产任务主题描述表征所述基础产线状态监控记录中关键任务环节的产线关联标签,所述任务更新描述表征所述动态化产线监控记录中关键任务环节的变化;
将所述全局化任务监控描述和所述生产任务主题描述加载至所述AI算法网络,以借助所述AI算法网络确定节点化状态监控记录;其中,所述节点化状态监控记录包括关键环节运行日志和非关键环节运行日志,所述关键环节运行日志中各生产项目的项目热度皆是第一量化数据,所述非关键环节运行日志中各生产项目的项目热度皆是第二量化数据;依据节点化状态监控记录中的关键环节运行日志确定所述目标生产线所绑定的关键任务环节分布。
2.如权利要求1所述的方法,其特征在于,所述获取所述状态变化情况对应的动态化产线监控记录,包括:
若所述状态变化情况包括状态变化类型和状态变化场景,则将所述状态变化类型迁移变换到预设映射列表的类型单元,将所述状态变化场景迁移变换到预设映射列表的场景单元;
依据所述类型单元和所述场景单元获取所述动态化产线监控记录。
3.如权利要求1所述的方法,其特征在于,所述AI算法网络包括第一局部模型结构,第二局部模型结构和第三局部模型结构;所述借助AI算法网络从所述基础产线状态监控记录中挖掘生产任务主题描述,从所述动态化产线监控记录中挖掘任务更新描述,对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述,包括:
借助所述AI算法网络的第一局部模型结构从所述基础产线状态监控记录中挖掘生产任务主题描述,并将所述生产任务主题描述加载至所述第三局部模型结构;
借助所述AI算法网络的第二局部模型结构从所述动态化产线监控记录中挖掘任务更新描述,并将所述任务更新描述加载至所述第三局部模型结构;
借助所述第三局部模型结构对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述,并将所述全局化任务监控描述加载至所述第一局部模型结构。
4.如权利要求3所述的方法,其特征在于,借助所述第三局部模型结构对所述生产任务主题描述和所述任务更新描述进行全局化处理,得到全局化任务监控描述,包括:
对所述任务更新描述进行滑动平均处理,得到滑动平均处理后的任务更新描述,并用触发机制对滑动平均处理后的任务更新描述进行迁移变换,得到迁移变换后的任务更新描述;
对所述生产任务主题描述和迁移变换后的任务更新描述进行加权处理,得到全局化任务监控描述。
5.如权利要求1-4任一项所述的方法,其特征在于,所述依据所述节点化状态监控记录中的关键环节运行日志确定所述目标生产线所绑定的关键任务环节分布之后,还包括:
确定与所述关键任务环节分布存在关联的日志内容约束条件;
依据所述日志内容约束条件确定所述目标生产线所绑定的关键任务环节评价;
汇总关键任务环节评价高于设定评价指标的环节关注时序持续值;
在目标进程输出所述关键任务环节分布、所述关键任务环节评价和所述环节关注时序持续值。
6.如权利要求1-4任一项所述的方法,其特征在于,所述AI算法网络的调试过程,包括:
借助生产任务监控线程获得目标生产线所绑定的基础调试监控记录;
确定所述基础调试监控记录与所述基础调试监控记录的上一组调试监控记录之间的状态变化调试信息,并获取所述状态变化调试信息对应的状态变化调试监控记录;
将所述基础调试监控记录和所述状态变化调试监控记录加载至基础AI网络,以借助所述基础AI网络从所述基础调试监控记录中挖掘任务更新调试范例,从所述状态变化调试监控记录中挖掘状态更新调试范例,对所述任务更新调试范例和所述状态更新调试范例进行全局化处理,得到全局化处理调试范例;其中,所述任务更新调试范例表征所述基础调试监控记录中关键任务环节的产线关联标签,所述状态更新调试范例表征所述状态变化调试监控记录中关键任务环节的变化;
将所述全局化处理调试范例和所述任务更新调试范例加载至所述基础AI网络,以借助所述基础AI网络确定节点化状态调试监控记录;其中,所述节点化状态调试监控记录包括关键环节运行日志和非关键环节运行日志,所述关键环节运行日志中各生产项目的项目热度皆是第一量化数据,所述非关键环节运行日志中各生产项目的项目热度皆是第二量化数据;
依据所述节点化状态调试监控记录和事先设定的节点化状态计算网络性能指标;其中,所述节点化状态计算监控记录是所述基础调试监控记录的计算监控记录,所述节点化状态计算监控记录包括关键环节运行日志和非关键环节运行日志,该关键环节运行日志中各生产项目的项目热度皆是第一量化数据,该非关键环节运行日志中各生产项目的项目热度皆是第二量化数据;
依据所述网络性能指标对所述基础AI网络进行调试,得到AI算法网络。
7.如权利要求6所述的方法,其特征在于,所述依据所述网络性能指标对所述基础AI网络进行调试,得到AI算法网络,包括:
依据所述网络性能指标对所述基础AI网络的性能变量进行改进,得到完成改进的AI网络,并确定所述完成改进的AI网络是否已满足稳定性判定条件;
如果不是,则将所述完成改进的AI网络确定为基础AI网络,并返回执行将基础调试监控记录和状态变化调试监控记录加载至基础AI网络的步骤;
如果是,则将所述完成改进的AI网络确定为AI算法网络。
8.一种生产任务在线监控系统,其特征在于,包括互相之间通信的处理器和存储器,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-7任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022100980697 | 2022-01-27 | ||
CN202210098069 | 2022-01-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663753A true CN114663753A (zh) | 2022-06-24 |
Family
ID=82027337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210196880.9A Pending CN114663753A (zh) | 2022-01-27 | 2022-03-02 | 一种生产任务在线监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663753A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470092A (zh) * | 2022-11-14 | 2022-12-13 | 成都银光软件有限公司 | 基于多任务分发的食品监控展示方法及系统 |
CN115759698A (zh) * | 2022-12-06 | 2023-03-07 | 中山联合鸿兴造纸有限公司 | 基于数字工厂的瓦楞原纸生产进度数据监控方法及系统 |
-
2022
- 2022-03-02 CN CN202210196880.9A patent/CN114663753A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115470092A (zh) * | 2022-11-14 | 2022-12-13 | 成都银光软件有限公司 | 基于多任务分发的食品监控展示方法及系统 |
CN115759698A (zh) * | 2022-12-06 | 2023-03-07 | 中山联合鸿兴造纸有限公司 | 基于数字工厂的瓦楞原纸生产进度数据监控方法及系统 |
CN115759698B (zh) * | 2022-12-06 | 2023-07-28 | 中山联合鸿兴造纸有限公司 | 基于数字工厂的瓦楞原纸生产进度数据监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112558929B (zh) | 用于开发或创建工业应用的系统和方法及计算机可读介质 | |
US10289959B2 (en) | Artificial intelligence and knowledge based automation enhancement | |
CN114663753A (zh) | 一种生产任务在线监控方法及系统 | |
US20200333772A1 (en) | Semantic modeling and machine learning-based generation of conceptual plans for manufacturing assemblies | |
CN114168747A (zh) | 基于云服务的知识库构建方法及系统 | |
CN113886468A (zh) | 基于互联网的在线互动数据挖掘方法及系统 | |
CN114661994B (zh) | 基于人工智能的用户兴趣数据处理方法、系统及云平台 | |
US10176437B2 (en) | Method and apparatus to analytically support parts provision for hardware maintenance service | |
CN111427684B (zh) | 一种服务部署的方法、系统、及装置 | |
CN111966382A (zh) | 机器学习模型的在线部署方法、装置及相关设备 | |
Gurung et al. | Learning nonlinear hybrid automata from input–output time-series data | |
CN113485203B (zh) | 一种智能控制网络资源共享的方法及系统 | |
CN115359203A (zh) | 一种三维高精度地图生成方法、系统及云平台 | |
Buck Woody et al. | Data Science with Microsoft SQL Server 2016 | |
CN113607178A (zh) | 基于神经网络的智能导航方法及系统 | |
US11971804B1 (en) | Methods and systems for an intelligent technical debt helper bot | |
US20240036837A1 (en) | Monolith-to-microservice refactoring via source-code-to-domain-model graph comparison | |
CN113409076B (zh) | 一种基于大数据构建用户画像的方法、系统及云平台 | |
CN114691830B (zh) | 一种基于大数据的网络安全分析方法及系统 | |
CN113613288A (zh) | 基于5g的智能数据分流的方法及系统 | |
CN114118871A (zh) | 基于人工智能的建筑安全监控方法及系统 | |
CN115292301A (zh) | 基于人工智能的任务数据异常监测处理方法及系统 | |
CN114114944A (zh) | 一种智能家居智能匹配方法及系统 | |
CN115279127A (zh) | 一种喷淋式液冷机调控数据中心的温度控制方法及系统 | |
CN115371848A (zh) | 一种热能信息监控方法及系统 |
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 |