CN115841359A - 一种对象生成方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及计算机技术领域，本发明公开了一种对象生成方法、装置、设备及存储介质。通过先获取车辆部件的基础数据；按照一定的分类规则先对基础数据进行分类处理，再基于目标部件的标识，从分类好的基础数据集中确定出第一数据集；基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件；获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件；将第一规则集与第二规则集进行匹配，得到目标对象。上述目标对象能够适用于车辆定制化系统模型中，可以快速响应客户的定制化需求。

Description

一种对象生成方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，特别涉及一种对象生成方法、装置、设备及存储介质。

背景技术

在汽车行业，随着人们对于个性化的追求，如何能够实现定制化生产少量辆汽车或者部件等成为亟须解决的问题，而在定制化过程中，如何快速响应客户定制化需求又是一大问题。

发明内容

本发明要解决的是现有技术中定制化生成少量车辆具有效率低且不够完善的技术问题。

为解决上述技术问题，于一方面，本申请公开了一种对象生成方法，该方法包括：

获取车辆部件的基础数据；

按照第一分类规则，对车辆部件的基础数据进行分类处理，得到第一基础数据集；第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；多个部件之间存在预设维度的关联性；

基于目标部件的标识，从第一基础数据集中确定出第一数据集；第一数据集包括目标部件标识和对应的基础数据；

基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件；

获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件；

将第一规则集与第二规则集进行匹配，得到目标对象；目标对象包括目标部件的规则和对应的目标关联部件的规则。

可选的，基础数据包括车辆部件对应的车型和总成系统；

按照第一分类规则，对车辆部件的基础数据进行分类处理，得到第一基础数据集，包括：

按照车辆部件所属的车型和总成系统，对车辆部件的基础数据进行分类处理，得到第一基础数据集。

可选的，基础数据还包括车辆部件对应的属性和属性值；

第一数据集包括多个子第一数据集；多个子第一数据集中的每个子第一数据集对应一个子目标部件；

基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件；获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件；将第一规则集与第二规则集进行匹配，得到目标对象；目标对象包括目标部件的规则和对应的目标关联部件的规则，包括：

针对每个子第一数据集，基于子第一数据集的子目标部件对应的属性数据确定子目标部件对应的子第一规则集；子第一规则集中的规则表征子目标部件的加工合格情况下的指标条件；

获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件的加工合格情况下的指标条件；

将子第一数据集的子目标部件的子第一规则集与第二规则集进行匹配，得到子目标对象；

基于多个子第一规则集的子目标对象确定目标对象。

可选的，获取目标部件的关联部件的第二规则集，包括：

基于目标部件的关联部件的标识，从第一基础数据集中确定出第二数据集；第二数据集包括关联部件对应的基础数据；

对第二数据集进行筛选和归类处理，得到第三数据集；第三数据集包括关联部件的标识和对应的属性数据；

利用规则学习算法对第三数据集中的目标件的属性数据进行学习处理，得到目标件的第二规则集；目标件为目标部件的关联部件。

可选的，基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集，包括：

对第一数据集进行筛选和归类处理，得到第四数据集；第四数据集包括目标部件的标识和对应的属性数据；

利用规则学习算法对第四数据集中的目标部件的属性数据进行学习处理，得到目标部件的第一规则集。

可选的，目标部件的规则和关联部件的规则是由各自部件的属性和对应的属性值组成。

可选的，将第一规则集与第二规则集进行匹配，得到目标对象之后，方法还包括：

获取第五数据集；第五数据集包括目标部件的第一属性和对应的第一属性值；

基于第五数据集的目标部件的第一属性和对应的第一属性值，从第一规则集中确定出目标第一规则集；

若目标第一规则集中的目标规则的数量大于等于第一阈值，获取第六数据集；第六数据集包括与目标部件对应的关联部件的第二属性和第二属性值；

基于第六数据集的关联部件的第二属性和第二属性值，从第二规则集中确定出目标第二规则集；

若目标第二规则集中的目标规则的数量大于等于第二阈值，将目标第一规则集和目标第二规则集中的目标规则进行自由组合，得到第三规则集；

将第三规则集与目标对象进行匹配，得到匹配结果；

若匹配结果为合格，则将目标对象确定为目标模型组件。

于另一方面，本申请还公开了一种对象生成装置，其包括：

第一获取模块，用于获取车辆部件的基础数据；

分类模块，用于按照第一分类规则，对车辆部件的基础数据进行分类处理，得到第一基础数据集；第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；多个部件之间存在预设维度的关联性；

第一确定模块，用于基于目标部件的标识，从第一基础数据集中确定出第一数据集；第一数据集包括目标部件标识和对应的基础数据；

第二确定模块，用于基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件；

第二获取模块，用于获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件；

匹配模块，用于将第一规则集与第二规则集进行匹配，得到目标对象；目标对象包括目标部件的规则和对应的目标关联部件的规则。

于另一方面，本申请还公开了一种电子设备，电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述的对象生成方法。

于另一方面，本申请还公开了一种计算机存储介质，计算机存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现上述的对象生成方法。

采用上述技术方案，本申请提供的对象生成方法具有如下有益效果：

通过先获取车辆部件的基础数据；按照第一分类规则，对车辆部件的基础数据进行分类处理，得到第一基础数据集；第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；多个部件之间存在预设维度的关联性；基于目标部件的标识，从第一基础数据集中确定出第一数据集；第一数据集包括目标部件标识和对应的基础数据；基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件；获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件；将第一规则集与第二规则集进行匹配，得到目标对象；目标对象包括目标部件的规则和对应的目标关联部件的规则。基于上述过程生成的目标对象能够适用于车辆定制化系统模型中，可以快速响应客户的定制化需求。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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为本申请一种可选的应用场景图；

图2为本申请第一种可选的对象生成方法的流程图；

图3为本申请提供的一种可选的规则引擎的结构示意图；

图4为本申请一种可选的对象生成系统的架构图；

图5为本申请第二种可选的对象生成方法的流程图；

图6为本申请第三种可选的对象生成方法的流程图；

图7为本申请一种可选的的对象生成装置的结构示意图。

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作出创造性劳动的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。

需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

如图1所示，图1为本申请一种可选的应用场景图。该场景包括终端10和位于所述终端上的对象生成模块101，该对象生成模块101用于获取车辆部件的基础数据；按照第一分类规则，对车辆部件的基础数据进行分类处理，得到第一基础数据集；第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；多个部件之间存在预设维度的关联性；基于目标部件的标识，从第一基础数据集中确定出第一数据集；第一数据集包括目标部件标识和对应的基础数据；基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件；获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件；将第一规则集与第二规则集进行匹配，得到目标对象；目标对象包括目标部件的规则和对应的目标关联部件的规则。

可选的，该对象生成模块101还可以配置服务器中。

可选的，终端10可以是台式电脑，笔记本电脑、手机、平板电脑，数字助理、智能可穿戴设备等类型的实体设备；其中，智能可穿戴设备可以包括智能手环、智能手表、智能眼镜、智能头盔等。

该终端10可以包括通过数据总线相连的显示屏、存储设备和处理器。所述显示屏用于待监控设备的虚拟图像以及待监控设备中各个子设备之间的连接关系，该显示屏可以是手机或者平板电脑的触摸屏等。存储设备用于存储拍摄装置的程序代码和数据资料等，该存储设备可以是终端的内存，也可以是智能媒体卡(smart media card)、安全数字卡(secure digital card)、快闪存储器卡(flash card)等储存设备。所述处理器可以是单核或多核处理器。

以下介绍本申请一种对象生成方法的具体实施例，图2为本申请第一种可选的对象生成方法的流程示意图，本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，该方法可以包括：

S201：获取车辆部件的基础数据。

可选的，所述车辆部件可以是用于车辆上的零部件或者组件。

可选的，该基础数据包括部件在生产加工过程以及后续检测过程中的各种数据。其中，加工过程数据包括时间、部件名称、编号、所属工序、加工设备编号、加工条件等；检测过程数据主要是包括对加工后的部件进行外观或者尺寸等检测后的检测结果数据。

可选的，该基础数据还可以是直接从第三方数据管理方获取到的。例如，SAP系统数据、MES系统数据、LES物流系统数据、尺寸管理系统数据。

S203：按照第一分类规则，对车辆部件的基础数据进行分类处理，得到第一基础数据集；第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；多个部件之间存在预设维度的关联性。

可选的，该预设维度可以是基于车辆总成系统划分维度，例如，发动机总成、方向机总成、变速器总成、前后桥、车架等；该预设维度还可以是按系统来划分的，例如动力系统、传动系统、行驶系统、制动系统、转向系统、照明系统、电器系统、燃油供给系统等。根据实际需要，可以自行定义这些部件所属总成或者系统；但定义标准是，尽量将在加工或者装配等存在一定关联性的部件划分为同一组，并与后续对其的规则进行整合，形成可复用的模型组件。

于一可选的示例中，基础数据包括车辆部件对应的车型和总成系统；上述不在S203可以具体阐述为：按照车辆部件所属的车型和总成系统，对车辆部件的基础数据进行分类处理，得到第一基础数据集。

在本实施例中，车辆可以根据不同的划分标准，对于车型，可以分为SUV、MPV、HATCHBACK、COUPE等。属于粗粒度的划分方式，对于车型，还可以按照车厢或者车顶棚敞开情况等各种划分类型进行划分，在此不再一一列举。

在本实施例中，该总成系统即为如上述列举的示例。

可选的，在上述两个维度(车型和总成)的划分下，可以将车辆部件的基础数据进行一定程度粒度的处理，详见如下示例：

对于车型1：

总成1：部件1(A1,A2，……)；部件2(B1,B2，……)

总成2：部件3(C1,C2，……)；部件4(D1,D2，……)

对于车型2：

总成1：部件1(E1,E2，……)；部件2(F1,F2，……)

总成2：部件3(G1,G2，……)；部件4(H1,H2，……)

其中A1和A2表示属于部件1这一类部件的具体型号；以上仅为示例，对于不同车型的相同总成，部件所包含的具体零部件型号可以相同，也可以不同。

可选的，本申请提供的该对数据进行划分的过程，可以是基于数据仓库的分层原理，对获取到的车辆部件的基础数据进行处理。

在本实施例中，该数据仓库可以分为4层，具体包括：

ODS层：数据输入层，即从具体业务系统导入业务数据；

DW层：数据明细层，对业务数据进行分类与主题划分(如上述第一分类规则)；建立粒度实现事实表与维度表，建立相同的粒度在同一事实表，不同粒度数据建立在不同事实表，对于有明确需求的数据建立粒度汇总，因为它可以通过上卷汇总粒度；例如需要对某月身生产的某个部件的数量进行统计，则可以将某个月中每天生产的某个部件的数量进行粒度汇总，从而可以得到该月生产该部件的数量；这在某种程度上是可以提升检索性能。而根据需要，可以是对于新业务或者需求不是很明朗的数据建立原子粒度，因为原子粒度能够承受非预期用户的检索，同时在设计粒度的过程中支持用户自定义的动态粒度设计。

DM层：建立通用维度与指标体系，将零散的具有业务相关联的指标系统化的组织起来，通过系统或者业务单元细分量化后的度量值，使得业务目标可描述、可度量、可拆解，实现业务与数据规则集合。如上述对某个部件的生产数据，具体生产的数量即为度量值。

APP层：数据应用层，面向不同的业务，不同的部门需求进行定制化开发，依据不同业务定制的指标规则从后台挖掘寻找最佳的可复用的业务模型，实现快速的可视化数据应用。

依据实际业务对数据仓库进行分层设计，为具体业务模型指标与数据分解使用提供清晰的结构，通过字段血缘，快速识别影响范围，当数据出现问题时，可以不用修改所有数据，只需修复相应层数据指标问题表。

本申请提供的上述车辆部件的基础数据可以是以建立事实表和维度表的方式表示的，可以是以事实表为核心，每个事实表代表一个业务过程，每个业务过程在事实表中以行数据存储，事实表包含了与各维度表相关联的外码，并通过JOIN方式与维度表关联。事实表的度量通常是数值类型，且记录数会不断增加，表规模迅速增长。

可选的，事实表和维度表的构建组合可以是雪花模式、星座模式、星型模式的一种或多种组合构建，通过粒度的精细化设计为后续数据检索提供强大的假设条件精细化管理，对于不可预知用户行为变化的需求，可以采用星型模型设计提升查询性能；当某些用户存在相同需求的时候，所构建出来的维度属性和粒度在维度空间内具备共享维度信息条件时，那么将采用星座模型。维度建模采用星型模式还是雪花模式将取决于业务场景是性能优先还是灵活优先来做决策。

S205：基于目标部件的标识，从第一基础数据集中确定出第一数据集；第一数据集包括目标部件标识和对应的基础数据。

可选的，目标部件可以是一个，也可以是多个；如上述示例，该目标部件可以是部件1，则该第一数据集包含部件1中各种型号的子部件A1，A2的基础数据。

S207：基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件。

于一可选的示例中，步骤S207可以具体阐述为：对第一数据集进行筛选和归类处理，得到第四数据集；第四数据集包括目标部件的标识和对应的属性数据；利用规则学习算法对第四数据集中的目标部件的属性数据进行学习处理，得到目标部件的第一规则集。

如上所述，部件的基础数据繁杂，为了更好的能够实现对部件对应的规则进行分析，需要先对基础数据进行筛选和归类处理，将可以生产或者评价部件合格的数据筛选出，并进行归类处理，得到该部件对应的属性和属性值。

在本实施例中，目标部件对应的属性数据包括属性和对应的属性值。

规则学习是一种机器学习模型，用于学习一组IF-THEN(若……则……)的规则集合，描述和解释数据集中的指定群体。

可选的，对于部件，其属性可以包括设计基准X、工序基础Y、定位基础Z、测量基准M等，还可以包括形状等属性。对应的属性值即为具体的基准度量值，形状(如长方形、五边形等)。

上述获取到的第一数据集中的各个部件的属性数据可以包括多个正例和反例，其中正例即为部件合格对应的属性数据，反例即为部件不合格对应的属性数据。利用规则学习算法基于上述多个正例和反例进行学习，从而可以确定出该部件的规则。

如：部件A尺寸工艺达标←A(X,V1)∧A(Y,V2)∧A(Z,V3)∧A(W,V4)。

通常设计基准零部件图上标尺寸的起点，在实际工作衡量它的质量也是看它们基准是最大化的一致(比如可容许微米误差)，此时可将这些业务维度模型做参数度量V与指标条件标准化，同时映射至规则引擎的规则集合。规则体中的规则条件可以是以变量体现。当A部分尺寸工艺术符合要求时，即可作为子模型提供模型组件化应用。

当对应部件所对应的工艺标准与要求不一致时，其对应模型A(X,V1)∧A(Y,V2)∧A(Z,V3∧A(W,V4)组合也是不同，当所依据的业务和指标体系不同时，相应的，上述规则也会不同。

在规则学习过程中，随着业务细分，其规则决策树深度的增大，模型效果会有变化，但是增大的太多，会导致过拟合的情况，对于过拟合，采用RIPPER算法将剪枝与后处理优化相结合。RIPPER的后处理优化过程优点是将规则库中R的所有规则放在一起重新加以优化训练，正是通过全局的考虑来减少贪心算法的局部性，避免算法陷入局部最优。

可选的，在本实施例中，参阅图3，图3为本申请提供的一种可选的规则引擎的结构示意图。当用户需要进行规则搜索匹配时，可以利用规则引擎来实现，一般，规则引擎的工作过程如下：

1)将初始数据(fact)输入至作业存储(working memory)；

2)使用Pattern Matcher将规则库(Rules repository)的规则(rule)和数据(fact)比较；

3)如果执行规则存在冲突(conflict)，即同时激活多个规则，将冲突的规则放入冲突集合；

4)解决冲突，将激活的规则按顺序放入Agenda；

5)执行Agenda中的规则；

6)重复2)至5)技术过程，直至执行完该业务模型Agenda日程规则事务。

当引擎执行时，会根据规则执行队列中的优先顺序逐条执行规则执行实例，由于规则的执行部分可能会改变工作区的数据对象，从而会使队列中的某些规则执行实例因为条件改变而失效，必须从队列中撤销，也可能会激活原来不满足条件的规则，生成新的规则执行实例进入队列。

规则引擎通过接收业务指标数据输入，解释业务规则，并根据业务规则做出业务决策，简化业务复杂问题的逻辑表述，实现业务逻辑与数据的分离；通过使用规则指标可将维度事实表的度量与指标体系形成规则体的条件自由组合，形成if规则体条件then规则结果模型，从而形成业务知识集中化的规则集合。

可选的，当在执行过程中存在冲突时，可能是由于规则集中不存在该规则或者是输入的搜索数据维度不准确；当规则集中不存在该规则时，可以确定出最相近的多个规则，判断二者存在的差别的属性数据；若输入的维度数量大于已知规则中的属性的数量，则重新调用原子粒度级别的该部件的基础数据进行规则学习，更新该规则集；若输入的维度数量小于已知规则中的属性的数量，则在综合判断后，确认是否需要更新输入维度数量还会重新训练规则。

可选的，上述目标对象可以是一个模型组件，该模型组件中的每条规则可以称为一个子模型，该目标对像是由不同部件的对应的规则形成的规则组合。

可选的，可以基于业务生命周期情况，将处于该业务生命周期内的目标对象存储在一个规则集中，将已过业务生命周期的对象存储于另一个规则集中；一般系统优先调用的是处于业务生命周期内的模型组件或者子模型；例如，对于车型1，可设置其可以制造的时间为2019-2022年度，当到了2023年，用于制造该车型1的部件的相关模型组件就会被剔除到历史规则集中。

但当客户有特殊需求时(比如在2023年时，客户就是想要使用车型1的车架)，为了满足客户需求，或者节约成本，若存在实体的历史部件或者组件，则可以基于实体的历史部件的型号从另一个规则集中确定其对应的规则集(即模型组件)，若不存在，则可以从历史数据库中获取该历史部件的属性数据，并重复步骤S207-S211确定出包含该历史部件的目标对象。

需要说明的是，当模型组件中的规则的属性的类型更新或者删减时，还可以对数据仓库中的维度表和事实表进行相应维度划分的更新，使二者保持一致，当后续目标对象构建存在问题时，便于一一排查；另外，如果存在新的业务需求时，需要构建新的模型组件，则可以对应对数据仓库中的数据进行场景划分的更新，从而与生成的模型组件保持一致。

在一种可选的应用场景中，参阅图4，图4为本申请一种可选的对象生成系统的架构图。当面向于新业务或者新车型开发过程中，有些历史项目中原有的成熟模型，可以直接应用的就采取利旧直接使用。比如为了节省实验成本，将同一VIN号的样车应用于两个不同车型的项目时，有些通用的模型可以适配到新项目中；对于存在部分差异的零部件工艺与标准等，可以通过获取新旧部件的新的属性数据，从而利用规则学习的方式确定出新旧部件对应的规则集，并进行规则集的匹配，从而生成新模型组件。而如果获取的新旧部件的新的属性数据与历史存储的一致，则可以直接基于历史训练好的规则集或者模型组件进行复用。

上述规则学习的方式能够使用户在定义维度与指标集后具有更好的解释性，能使用户更直观地对判别过程有清晰了解。

于一可选的示例中，基础数据还包括车辆部件对应的属性和属性值；第一数据集包括多个子第一数据集；多个子第一数据集中的每个子第一数据集对应一个子目标部件；

为了解决当目标部件包含多个子部件时，如上述示例的部件1包括A1,A2等子部件的情况下，对其形成的模型组件的确定的问题。参阅图5，图5为本申请第二种可选的对象生成方法的流程图。步骤S207-S211可以具体阐述为：

S501：针对每个子第一数据集，基于子第一数据集的子目标部件对应的属性数据确定子目标部件对应的子第一规则集；子第一规则集中的规则表征子目标部件的加工合格情况下的指标条件。

S503：获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件的加工合格情况下的指标条件。

S505：将子第一数据集的子目标部件的子第一规则集与第二规则集进行匹配，得到子目标对象。

S507：基于多个子第一规则集的子目标对象确定目标对象。

上述步骤S501的过程详见上述关于步骤S207的阐述。步骤S503-S505的过程详见下文中关于S209-211的描述。

在步骤S507中，由于每个子目标部件对应一个或者多个模型组件，基于上述描述的一样，一个模型组件为多个部件的规则形成的规则集；如上述示例，当部件1包括子部件A1和A2，部件2包括子部件B1和B2，对于子部件A1,将其于部件2进行匹配，可以是形成一个组合(A1,B1)或者(A1,B2)，也可以是两个(A1,B1),(A1,B2)；同理，对于子部件A2，可以是形成一个组合A2,B1)或者(A2,B2)，也可以是两个(A2,B1),(A2,B2)。

S209：获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件。

于一可选的示例中，步骤S209可以具体阐述为：基于目标部件的关联部件的标识，从第一基础数据集中确定出第二数据集；第二数据集包括关联部件对应的基础数据；对第二数据集进行筛选和归类处理，得到第三数据集；第三数据集包括关联部件的标识和对应的属性数据；利用规则学习算法对第三数据集中的目标件的属性数据进行学习处理，得到目标件的第二规则集；目标件为目标部件的关联部件。

在本实施例中，确定关联部件的第二规则集的过程可以是与上述确定目标部件的第一规则集的过程相同，具体规则学习的原理在此不再赘述。

可选的，对于部件1，其的关联部件即为部件2，属于同一总成的部件。

S211：将第一规则集与第二规则集进行匹配，得到目标对象；目标对象包括目标部件的规则和对应的目标关联部件的规则。

可选的，第一规则集和第二规则集进行匹配的过程可以是基于二者规则中是否存在同一属性和属性值来判断，若存在，则表明二者匹配成功，可以形成一个模型组件；如上述示例，子部件A1,将其于部件2(B1,B2)进行匹配,当A1的第一规则集中存在与部件2的B1的第二规则集相同的属性和属性值，则可以形成模型组件(A1,B1)，否则，匹配不成功。

为了保证生成的该目标对像是可行的，还可以对该目标对象进行验证。于一可选的示例中，参阅图6，图6为本申请第三种可选的对象生成方法的流程图。步骤S209之后，该方法还包括：

S601：获取第五数据集；第五数据集包括目标部件的第一属性和对应的第一属性值。

在本实施例中，步骤S601中的获取第五数据集的方式可以从数据仓库中任意筛选出的该目标部件对应的属性数据。

可选的，还可以是基于人工自行定义的该目标部件对应的属性数据。

S603：基于第五数据集的目标部件的第一属性和对应的第一属性值，从第一规则集中确定出目标第一规则集。

由上述可知，第一规则集中包含有多个部件的规则；当输入的是目标部件的第一属性和对应的第一属性值时，通过将该第一规则集中每个规则中的属性和属性值与输入的数据进行匹配，从而可以确定出与输入数据一致或者满足的规则，该规则是否与输入数据满足包括三种情况，首先，输入的属性数据的各个属性与规则中的属性相同；一种是输入属性数据中的属性的属性值属于规则对应的属性的属性值的子集；另一种是规则中属性的属性值属于输入属性数据中的属性的属性值的子集；还有一种是输入属性数据中的属性的属性值与规则对应的属性的属性值相同。

S605：若目标第一规则集中的目标规则的数量大于等于第一阈值，获取第六数据集；第六数据集包括与目标部件对应的关联部件的第二属性和第二属性值。

第一阈值可以是1，也可以根据需求设置为2，3，4等，在此不做限定；一般情况下，第一阈值不会超过5，因为第一阈值数值过大，可能会造成匹配出的规则的数量过量，导致最终的模型组件的组合类型过多，不仅对后续生产制造的设备要求高，还可能导致匹配出的规则可靠性不高。

可选的，若目标第一规则集中的目标规则的数量小于第一阈值，则可以通过向数据提供方的服务器发送数据获取请求，该请求中包含目标部件标识、请求内容和服务器地址，从而使得服务器可以基于该请求内容和目标部件标识从数据库中确定出该目标部件的更新属性数据，并将其发送给该对象生成模块，该更新属性数据包括第三属性和第三属性值；并对第一规则集进行更新操作，使得该第一规则集包括第一属性和对应的第一属性值、第三属性和第三属性值。

在本实施例中，获取第六数据集的过程可以是与上述获取第五数据集的过程相同。

S607：基于第六数据集的关联部件的第二属性和第二属性值，从第二规则集中确定出目标第二规则集。

在本实施例中，确定目标第二规则集的方式可以与上述确定目标第一规则集采用相同的方式。

S609：若目标第二规则集中的目标规则的数量大于等于第二阈值，将目标第一规则集和目标第二规则集中的目标规则进行自由组合，得到第三规则集。

可选的，若目标第二规则集中的目标规则的数量小于第二阈值，一种方式可以与上述更新第一规则集的方式相同，另一种可以直接输出匹配错误的信息；此时，则需要开发人员追溯训练过程。由于本申请中的规则学习所基于的数据均是以事实表和维度表构建表示的，且规则学习过程也是具有可追溯性，便于后续相关人员对问题结果进行追跟溯源。

S611：将第三规则集与目标对象进行匹配，得到匹配结果。

可选的，若第三规则集包含多条规则，则目标对象包含的子模型组件的个数要与其相同；且对应的第三规则集中的规则和子模型组件，二者中的属性和属性值相同，则表明匹配结果为合格，否则，表明匹配结果为不合格。

S613：若匹配结果为合格，则将目标对象确定为目标模型组件。

随着用户的需求订单的变化，业务过程场景指标体系规则的模型组件构建与自我完善，去响应新的需求订单，实现模型的快速、精准、自我完善及标准化支持；通过上述方案可以将业务单元进行细分后，量化度量，使业务目标可描述、可度量、可拆解，达到业务与数据的结合，实现规则引擎规则体的重要条件组合。明确结果型指标和过程型指标关系，通过结果指标回溯过程指标，找到业务场景核心原因。

参阅图4，本申请提供的方案可以不限于应用于车辆部件的生产加工，可以用于人员管理和物流管理场景，用户可以通过自定义需求，在模型设计器工具中根据需求转换成业务目标进行指标体系构建，设计细分业务领域指标参数和维度量化度量参数，与指标条件构建基本原子数据模型；根据不同业务细分领域做权限分配控制，实现维度管理包括基础信息与技术信息进行维度度量，由不同的信息进行维护管理，基础信息对应着维度的业务信息，由不同的产品或者组织结构来赋予角色管理，如业务管理人员、数据产品或业务分析师等，其主要包括维度名称及属性定义、业务规范化定义和业务分类等。技术信息是对应维度的数据信息，包含且不限于对应于业务信息是否有维表以及是否有维表的相关属性的技术校验与判断，如是否日期维、对应的code与name命名规范以及数据的标准化。而指标信息管理除了包括基础信息与技术信息按业务领域权限分配管理外，还有衍生信息，它对应关联派生或衍生指标信息、关联数据应用和业务场景信息，便于在用户检索其实际指标的联机分析，提供指标血缘分析和追查数据来源的能力。而原子模型定义归属信息、基本信息、业务场景信息所派生出来指标修饰词集合等。一旦指标体系建立完成后，将通过APISDK线上映射至规则引擎的规则集合中。简而言之，就规则体中的规则条件语句IF fn thenRn中的f是由n个指标与维度度量参数形成的条件，如以对象A为发动机底部扣板为例说明，轻扣该对象，如果其声音为短暂低沉，则判定为树脂材质，或者是如果用磁铁能吸上的为铁质，吸不住的为树脂，则为if f1＝(声音＝＝短暂低沉or！磁铁＝＝吸不住)then材质为树脂。因此对象A发动机底扣板即为维度管理中的事实表，f1为指标条件规则体的一条规则记录，当要判断一辆车中的某部分产品或者业务功能是否为好产品或者完好模型时，可依此进行规则条件的自由组合并加以推导，而设计得出的规则记录存放于规则集合库中，其每条规则对应着具体业务的功能子模型，对于功能复杂的业务可形成相应的流程把模型串起，形成自由组合的模型组件。

于另一方面，本申请还公开了一种对象生成装置，参阅图7，图7为本申请一种可选的的对象生成装置的结构示意图。该装置包括：

第一获取模块701，用于获取车辆部件的基础数据；

分类模块703，用于按照第一分类规则，对车辆部件的基础数据进行分类处理，得到第一基础数据集；第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；多个部件之间存在预设维度的关联性；

第一确定模块705，用于基于目标部件的标识，从第一基础数据集中确定出第一数据集；第一数据集包括目标部件标识和对应的基础数据；

第二确定模块707，用于基于第一数据集的目标部件对应的基础数据确定目标部件对应的第一规则集；第一规则集中的规则表征目标部件在加工合格情况下的指标条件；

第二获取模块709，用于获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件在加工合格情况下的指标条件；

匹配模块711，用于将第一规则集与第二规则集进行匹配，得到目标对象；目标对象包括目标部件的规则和对应的目标关联部件的规则。

于一可选的示例中，基础数据包括车辆部件对应的车型和总成系统；分类模块，用于按照车辆部件所属的车型和总成系统，对车辆部件的基础数据进行分类处理，得到第一基础数据集。

于一可选的示例中，基础数据还包括车辆部件对应的属性和属性值；

第一数据集包括多个子第一数据集；多个子第一数据集中的每个子第一数据集对应一个子目标部件；

第二确定模块，用于针对每个子第一数据集，基于子第一数据集的子目标部件对应的属性数据确定子目标部件对应的子第一规则集；子第一规则集中的规则表征子目标部件的加工合格情况下的指标条件；

第二获取模块，用于获取目标部件的关联部件的第二规则集；第二规则集中的规则表征关联部件的加工合格情况下的指标条件；

匹配模块，用于将子第一数据集的子目标部件的子第一规则集与第二规则集进行匹配，得到子目标对象；

第三确定模块，用于基于多个子第一规则集的子目标对象确定目标对象。

于一可选的示例中，第二获取模块，用于基于目标部件的关联部件的标识，从第一基础数据集中确定出第二数据集；第二数据集包括关联部件对应的基础数据；

对第二数据集进行筛选和归类处理，得到第三数据集；第三数据集包括关联部件的标识和对应的属性数据；

利用规则学习算法对第三数据集中的目标件的属性数据进行学习处理，得到目标件的第二规则集；目标件为目标部件的关联部件。

于一可选的示例中，第二确定模块，用于对第一数据集进行筛选和归类处理，得到第四数据集；第四数据集包括目标部件的标识和对应的属性数据；

利用规则学习算法对第四数据集中的目标部件的属性数据进行学习处理，得到目标部件的第一规则集。

于一可选的示例中，目标部件的规则和关联部件的规则是由各自部件的属性和对应的属性值组成。

于一可选的示例中，该装置还包括：

第三获取模块，用于获取第五数据集；第五数据集包括目标部件的第一属性和对应的第一属性值；

第五确定模块，用于基于第五数据集的目标部件的第一属性和对应的第一属性值，从第一规则集中确定出目标第一规则集；

第四获取模块，用于若目标第一规则集中的目标规则的数量大于等于第一阈值，获取第六数据集；第六数据集包括与目标部件对应的关联部件的第二属性和第二属性值；

第六确定模块，用于基于第六数据集的关联部件的第二属性和第二属性值，从第二规则集中确定出目标第二规则集；

判断模块，用于若目标第二规则集中的目标规则的数量大于等于第二阈值，将目标第一规则集和目标第二规则集中的目标规则进行自由组合，得到第三规则集；

匹配模块，用于将第三规则集与目标对象进行匹配，得到匹配结果；

第七确定模块，用于若匹配结果为合格，则将目标对象确定为目标模型组件。

本申请实施例中的装置与方法实施例基于同样的申请构思。

本申请的实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或该指令集由处理器加载并执行以实现如上述的对象生成方法。

本申请的实施例还提供了一种计算机存储介质，所述计算机存储介质可设置于服务器之中以保存用于实现方法实施例中一种对象生成方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述对象生成方法。

可选的，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选的，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种对象生成方法，其特征在于，包括：

获取车辆部件的基础数据；

按照第一分类规则，对所述车辆部件的基础数据进行分类处理，得到第一基础数据集；所述第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；所述多个部件之间存在预设维度的关联性；

基于目标部件的标识，从所述第一基础数据集中确定出第一数据集；所述第一数据集包括所述目标部件标识和对应的基础数据；

基于所述第一数据集的目标部件对应的基础数据确定所述目标部件对应的第一规则集；所述第一规则集中的规则表征所述目标部件在加工合格情况下的指标条件；

获取所述目标部件的关联部件的第二规则集；所述第二规则集中的规则表征所述关联部件在加工合格情况下的指标条件；

将所述第一规则集与所述第二规则集进行匹配，得到目标对象；所述目标对象包括所述目标部件的规则和对应的目标关联部件的规则。

2.根据权利要求1所述的对象生成方法，其特征在于，所述基础数据包括所述车辆部件对应的车型和总成系统；

所述按照第一分类规则，对所述车辆部件的基础数据进行分类处理，得到第一基础数据集，包括：

按照所述车辆部件所属的车型和总成系统，对所述车辆部件的基础数据进行分类处理，得到所述第一基础数据集。

3.根据权利要求1所述的对象生成方法，其特征在于，所述基础数据还包括所述车辆部件对应的属性和属性值；

所述第一数据集包括多个子第一数据集；所述多个子第一数据集中的每个子第一数据集对应一个子目标部件；

所述基于所述第一数据集的目标部件对应的基础数据确定所述目标部件对应的第一规则集；所述第一规则集中的规则表征所述目标部件在加工合格情况下的指标条件；获取所述目标部件的关联部件的第二规则集；所述第二规则集中的规则表征所述关联部件在加工合格情况下的指标条件；将所述第一规则集与所述第二规则集进行匹配，得到目标对象；所述目标对象包括所述目标部件的规则和对应的目标关联部件的规则，包括：

针对每个子第一数据集，基于所述子第一数据集的子目标部件对应的属性数据确定所述子目标部件对应的子第一规则集；所述子第一规则集中的规则表征所述子目标部件的加工合格情况下的指标条件；

获取所述目标部件的关联部件的第二规则集；所述第二规则集中的规则表征所述关联部件的加工合格情况下的指标条件；

将所述子第一数据集的子目标部件的子第一规则集与所述第二规则集进行匹配，得到子目标对象；

基于多个子第一规则集的子目标对象确定所述目标对象。

4.根据权利要求1所述的对象生成方法，其特征在于，所述获取所述目标部件的关联部件的第二规则集，包括：

基于所述目标部件的关联部件的标识，从所述第一基础数据集中确定出第二数据集；所述第二数据集包括所述关联部件对应的基础数据；

对所述第二数据集进行筛选和归类处理，得到第三数据集；所述第三数据集包括所述关联部件的标识和对应的属性数据；

利用规则学习算法对所述第三数据集中的目标件的属性数据进行学习处理，得到所述目标件的第二规则集；所述目标件为所述目标部件的关联部件。

5.根据权利要求4所述的对象生成方法，其特征在于，所述基于所述第一数据集的目标部件对应的基础数据确定所述目标部件对应的第一规则集，包括：

对所述第一数据集进行筛选和归类处理，得到第四数据集；所述第四数据集包括所述目标部件的标识和对应的属性数据；

利用规则学习算法对所述第四数据集中的目标部件的属性数据进行学习处理，得到所述目标部件的第一规则集。

6.根据权利要求1所述的对象生成方法，其特征在于，所述目标部件的规则和所述关联部件的规则是由各自部件的属性和对应的属性值组成。

7.根据权利要求6所述的对象生成方法，其特征在于，所述将所述第一规则集与所述第二规则集进行匹配，得到目标对象之后，所述方法还包括：

获取第五数据集；所述第五数据集包括目标部件的第一属性和对应的第一属性值；

基于所述第五数据集的目标部件的第一属性和对应的第一属性值，从所述第一规则集中确定出目标第一规则集；

若所述目标第一规则集中的目标规则的数量大于等于第一阈值，获取第六数据集；所述第六数据集包括与所述目标部件对应的关联部件的第二属性和第二属性值；

基于所述第六数据集的关联部件的第二属性和第二属性值，从所述第二规则集中确定出目标第二规则集；

若所述目标第二规则集中的目标规则的数量大于等于第二阈值，将所述目标第一规则集和目标第二规则集中的目标规则进行自由组合，得到第三规则集；

将所述第三规则集与所述目标对象进行匹配，得到匹配结果；

若所述匹配结果为合格，则将所述目标对象确定为目标模型组件。

8.一种对象生成装置，其特征在于，包括：

第一获取模块，用于获取车辆部件的基础数据；

分类模块，用于按照第一分类规则，对所述车辆部件的基础数据进行分类处理，得到第一基础数据集；所述第一基础数据集包括多个部件的标识和每个部件标识对应的基础数据；所述多个部件之间存在预设维度的关联性；

第一确定模块，用于基于目标部件的标识，从所述第一基础数据集中确定出第一数据集；所述第一数据集包括所述目标部件标识和对应的基础数据；

第二确定模块，用于基于所述第一数据集的目标部件对应的基础数据确定所述目标部件对应的第一规则集；所述第一规则集中的规则表征所述目标部件在加工合格情况下的指标条件；

第二获取模块，用于获取所述目标部件的关联部件的第二规则集；所述第二规则集中的规则表征所述关联部件在加工合格情况下的指标条件；

匹配模块，用于将所述第一规则集与所述第二规则集进行匹配，得到目标对象；所述目标对象包括所述目标部件的规则和对应的目标关联部件的规则。

9.一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的对象生成方法。

10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7任一项所述的对象生成方法。

Images