CN115964470B - 一种摩托车配件的寿命预测方法及系统 - Google Patents
一种摩托车配件的寿命预测方法及系统 Download PDFInfo
- Publication number
- CN115964470B CN115964470B CN202310136218.9A CN202310136218A CN115964470B CN 115964470 B CN115964470 B CN 115964470B CN 202310136218 A CN202310136218 A CN 202310136218A CN 115964470 B CN115964470 B CN 115964470B
- Authority
- CN
- China
- Prior art keywords
- motorcycle
- accessory
- data information
- similarity
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims description 61
- 238000013145 classification model Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 39
- 238000012423 maintenance Methods 0.000 description 9
- 230000003449 preventive effect Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种摩托车配件的寿命预测方法及系统,属于寿命预测技术领域,本发明包括构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及寿命预测知识数据库获取当前摩托车各个配件的寿命预测值。本发明一方面通过将未失效的历史样本设备纳入模型,从而服役设备的剩余寿命预测值将同时与历史失效设备和历史未失效设备进行匹配,进而提高了信息的利用率,在检索历史失效样本情况下,能极大提升预测精度;通过对相同性文本专业术语数据信息进行数据处理,从而使得寿命预测系统能够识别出当出现相同意义而用不同文本表达的数据时的数据,从而能够提高相似性寿命预测技术的识别正确率,提高相似性寿命预测系统的鲁棒性。
Description
技术领域
本发明涉及寿命预测技术领域,尤其涉及一种摩托车配件的寿命预测方法及系统。
背景技术
在工业大数据的时代背景下,基于数据驱动的剩余寿命预测方法能够精准预测设备剩余寿命,受到研究者越来越多的重视。基于数据的剩余寿命预测方法可分为:基于统计学模型的剩余寿命预测方法、基于机器学习模型的剩余寿命预测方法、基于相似性的剩余寿命预测方法等。基于统计学的剩余寿命预测方法根据设备历史数据建立概率模型,有着严谨的数学推导,可以有效刻画模型的不确定性,同时也需要满足较强的假设条件。基于相似性和基于机器学习的剩余寿命预测方法是新近兴起的剩余寿命预测方法,均不需要假设设备的退化模型,可以针对各种类型数据进行建模,具有应用灵活且易于推广的特点。而基于相似性的剩余寿命预测方法,具有鲁棒性强、精度高的特点,该方法的核心思想是:在相似的工况环境下工作的同类型产品将具有相似的失效机理。随着大数据和物联网技术的发展,设备各方面的运行数据可以通过传感器实时获取并记录,因此决策者可以得到失效设备完整生命周期的运行数据,以及当前服役设备的实时运行数据。那么根据相似性剩余寿命预测方法的核心思想,当前服役设备的剩余寿命可以通过分析该设备运行数据与已失效设备的历史运行数据之间相似性,找出其中相似性高的已失效设备,进而基于它们的失效数据估计当前设备的剩余寿命。而现如今,基于相似性的剩余寿命预测方法依然具有许多问题没有解决,由于不同的设计者均会使用不同的专业性术语,如出当出现相同意义而用不同文本表达的数据时,基于相似性的剩余寿命预测系统无法识别其中的含义而导致基于相似性的剩余寿命预测系统的识别准确率还处于比较低下的状况。
发明内容
本发明克服了现有技术的不足,提供了一种摩托车配件的寿命预测方法及系统。
为达上述目的,本发明采用的技术方案为:
本发明第一方面提供了一种摩托车配件的寿命预测方法,包括以下步骤:
通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集;
获取当前摩托车各个配件在预设时间内的运行数据信息,基于所述处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度;
构建分类模型,根据所述摩托车各个配件的运行相似度以及所述分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果;
构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值。
进一步地,本发明的一个较佳实施例中,通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集,具体包括以下步骤:
构建摩托车配件失效性知识图谱,并通过大数据网络获取相同性文本专业术语数据信息,将所述相同性文本专业术语数据信息作为一个样本数据集,并将所述样本数据集输入到所述摩托车配件失效性知识图谱中;
通过大数据网络获取摩托车配件的历史样本集数据信息,并将所述摩托车配件的历史样本集数据信息输入至所述摩托车配件失效性知识图谱中进行文本匹配;
判断是否存在与所述样本数据集相同的数据信息;若存在与所述样本数据集相同的数据信息,则获取当前与所述样本数据集相同的数据信息所在的位置节点;
选取其中频率出现最高的专业术语文本数据将所述位置节点的文本数据进行替换,生成替换后历史样本集数据信息,将所述替换后历史样本集数据信息作为处理后的历史样本集输出。
进一步地,本发明的一个较佳实施例中,获取当前摩托车各个配件在预设时间内的运行数据信息,基于所述处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度,具体包括以下步骤:
构建摩托车配件运行数据库,并将所述处理后的历史样本及输入当所述摩托车配件运行数据库中,得到摩托车配件历史运行数据库;
获取当前摩托车各个配件在预设时间内的运行数据信息,并根据所述当前摩托车各个配件在预设时间内的运行数据信息得到预设时间内摩托车各个配件的变化数据信息;
将所述预设时间内摩托车各个配件的变化数据信息输入到所述摩托车配件历史运行数据库中进行匹配,得到匹配结果;
根据所述匹配结果计算出摩托车各个配件的运行相似度,并将所述摩托车各个配件的运行相似度进行输出。
进一步地,本发明的一个较佳实施例中,构建分类模型,根据所述摩托车各个配件的运行相似度以及所述分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果,具体包括以下步骤:
基于卷积神经网络构建分类模型,并通过大数据获取摩托车配件各运行相似度对应的运行情况数据信息,并将所述摩托车配件各运行相似度对应的运行情况数据信息分为训练集以及测试集;
将所述训练集输入到所述分类模型中进行训练,直至训练参数满足预设条件,保存模型参数,并将所述测试集输入到所述分类模型中,直至满足预设要求,得到训练完成的分类模型;
将所述摩托车各个配件的运行相似度输入到所述分类模型中,得到所述摩托车各个配件的运行相似度对应的运行情况数据信息;
若所述运行情况数据信息为预设运行情况数据信息,则将该运行情况数据信息标记为异常摩托车配件,并将所述异常摩托车配件的运行情况作为摩托车配件运行情况分类结果输出。
进一步地,本发明的一个较佳实施例中,构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值,具体包括以下步骤:
通过大数据网络获取各种摩托车配件运行情况对应的寿命预测值,并基于所述各种摩托车配件运行情况对应的寿命预测值构建寿命预测知识数据库;
将所述各个摩托车配件运行情况分类结果输入到所述寿命预测知识数据库中进行匹配计算,以获取摩托车配件运行情况相似度;
判断所述摩托车配件运行情况相似度是否大于预设相似度,若所述摩托车配件运行情况相似度大于预设相似度,则将该摩托车配件运行情况相似度进行排序;
获取最高的摩托车配件运行情况相似度,并获取所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值,并将所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值输出。
进一步地,本发明的一个较佳实施例中,所述的一种摩托车配件的寿命预测方法,还包括以下步骤:
将所述相同性文本专业术语数据信息继续输入至所述摩托车配件失效性知识图谱中进行检索,以判断所述相同性文本专业术语数据信息是否存在异常情况,所述异常情况包括专业性术语文本缺失以及专业性术语文本错误;
若所述相同性文本专业术语数据信息存在异常情况,则获取出现异常情况的异常位置节点,并提取所述异常位置节点的文本数据;
获取与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息;
根据与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息以及所述异常位置节点的文本数据得到最终的相同性文本专业术语数据信息,并将最终的相同性文本专业术语数据信息输出。
本发明第二方面提供了一种摩托车配件的寿命预测系统,所述摩托车配件的寿命预测系统包括存储器以及处理器,所述存储器中包括摩托车配件的寿命预测方法程序,所述摩托车配件的寿命预测方法程序被处理器执行时,实现如下步骤:
通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集;
获取当前摩托车各个配件在预设时间内的运行数据信息,基于所述处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度;
构建分类模型,根据所述摩托车各个配件的运行相似度以及所述分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果;
构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值。
进一步地,本发明的一个较佳实施例中,通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集,具体包括以下步骤:
构建摩托车配件失效性知识图谱,并通过大数据网络获取相同性文本专业术语数据信息,将所述相同性文本专业术语数据信息作为一个样本数据集,并将所述样本数据集输入到所述摩托车配件失效性知识图谱中;
通过大数据网络获取摩托车配件的历史样本集数据信息,并将所述摩托车配件的历史样本集数据信息输入至所述摩托车配件失效性知识图谱中进行文本匹配;
判断是否存在与所述样本数据集相同的数据信息;若存在与所述样本数据集相同的数据信息,则获取当前与所述样本数据集相同的数据信息所在的位置节点;
选取其中频率出现最高的专业术语文本数据将所述位置节点的文本数据进行替换,生成替换后历史样本集数据信息,将所述替换后历史样本集数据信息作为处理后的历史样本集输出。
进一步地,本发明的一个较佳实施例中,构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值,具体包括以下步骤:
通过大数据网络获取各种摩托车配件运行情况对应的寿命预测值,并基于所述各种摩托车配件运行情况对应的寿命预测值构建寿命预测知识数据库;
将所述各个摩托车配件运行情况分类结果输入到所述寿命预测知识数据库中进行匹配计算,以获取摩托车配件运行情况相似度;
判断所述摩托车配件运行情况相似度是否大于预设相似度,若所述摩托车配件运行情况相似度大于预设相似度,则将该摩托车配件运行情况相似度进行排序;
获取最高的摩托车配件运行情况相似度,并获取所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值,并将所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值输出。
进一步地,本发明的一个较佳实施例中,所述的一种摩托车配件的寿命预测系统,还包括以下步骤:
将所述相同性文本专业术语数据信息继续输入至所述摩托车配件失效性知识图谱中进行检索,以判断所述相同性文本专业术语数据信息是否存在异常情况,所述异常情况包括专业性术语文本缺失以及专业性术语文本错误;
若所述相同性文本专业术语数据信息存在异常情况,则获取出现异常情况的异常位置节点,并提取所述异常位置节点的文本数据;
获取与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息;
根据与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息以及所述异常位置节点的文本数据得到最终的相同性文本专业术语数据信息,并将最终的相同性文本专业术语数据信息输出。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明一方面通过将未失效的历史样本设备纳入模型,从而服役设备的剩余寿命预测值将同时与历史失效设备和历史未失效设备进行匹配,进而提高了信息的利用率,在检索历史失效样本情况下,能极大提升预测精度;通过对相同性文本专业术语数据信息进行数据处理,从而使得寿命预测系统能够识别出当出现相同意义而用不同文本表达的数据时的数据,从而能够提高相似性寿命预测技术的识别正确率,提高相似性寿命预测系统的鲁棒性。再一方面,本方法还能够对相同性文本专业术语数据信息进行异常性判断,当出现该类的异常情况时,能够对相同性文本专业术语数据信息进行快速处理,使得样本数据维持正确性,提高了相似性寿命预测技术的识别精度。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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实施例的附图。
图1示出了一种摩托车配件的寿命预测方法的整体方法流程图;
图2示出了一种摩托车配件的寿命预测方法的一方法流程图;
图3示出了一种摩托车配件的寿命预测方法的另一方法流程图。
图4示出了一种摩托车配件的寿命预测系统的系统框图。
实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种摩托车配件的寿命预测方法,包括以下步骤:
S102:通过大数据网络获取摩托车配件的历史样本集数据信息,通过对历史样本集进行数据处理,得到处理后的历史样本集;
S104:获取当前摩托车各个配件在预设时间内的运行数据信息,基于处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度;
S106:构建分类模型,根据摩托车各个配件的运行相似度以及分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果;
S108:构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及寿命预测知识数据库获取当前摩托车各个配件的寿命预测值。
需要说明的是,本发明一方面通过将未失效的历史样本设备纳入模型,从而服役设备的剩余寿命预测值将同时与历史失效设备和历史未失效设备进行匹配,进而提高了信息的利用率,在检索历史失效样本情况下,能极大提升预测精度;通过对相同性文本专业术语数据信息进行数据处理,从而使得寿命预测系统能够识别出当出现相同意义而用不同文本表达的数据时的数据,从而能够提高相似性寿命预测技术的识别正确率。再一方面,本方法还能够对相同性文本专业术语数据信息进行异常性判断,当出现该类的异常情况时,能够对相同性文本专业术语数据信息进行快速处理,使得样本数据维持正确性,提高了相似性寿命预测技术的识别精度。
为了进一步提高相似性寿命预测系统的预测精度,进一步地,本发明的一个较佳实施例中,通过大数据网络获取摩托车配件的历史样本集数据信息,通过对历史样本集进行数据处理,得到处理后的历史样本集,具体包括以下步骤:
S202:构建摩托车配件失效性知识图谱,并通过大数据网络获取相同性文本专业术语数据信息,将相同性文本专业术语数据信息作为一个样本数据集,并将样本数据集输入到摩托车配件失效性知识图谱中;
S204:通过大数据网络获取摩托车配件的历史样本集数据信息,并将摩托车配件的历史样本集数据信息输入至摩托车配件失效性知识图谱中进行文本匹配;
S206:判断是否存在与样本数据集相同的数据信息;若存在与样本数据集相同的数据信息,则获取当前与样本数据集相同的数据信息所在的位置节点;
S208:选取其中频率出现最高的专业术语文本数据将位置节点的文本数据进行替换,生成替换后历史样本集数据信息,将替换后历史样本集数据信息作为处理后的历史样本集输出。
需要说明的是,在本实施例中,在实际的数据样本中,由于本领域中不同的技术人员采用不同的专业术语来上传样本数据到大数据网络中,这就会造成相似性寿命预测系统在识别样本数据时,无法识别到相同意义而不同文本表达的数据,进而降低了相似性寿命预测系统识别准确率。而通过本方法能够有效地使得相似性寿命预测系统在识别样本数据时,能够识别到相同意义而不同文本表达的数据,进而使得相似性寿命预测系统的识别精度能够进一步地提高,进而使得寿命预测系统能够提高预测精度,进而提高寿命预测系统的鲁棒性。
为了进一步通过相似性预测摩托车配件的使用寿命,进一步地,本发明的一个较佳实施例中,获取当前摩托车各个配件在预设时间内的运行数据信息,基于处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度,具体包括以下步骤:
构建摩托车配件运行数据库,并将处理后的历史样本及输入当摩托车配件运行数据库中,得到摩托车配件历史运行数据库;
获取当前摩托车各个配件在预设时间内的运行数据信息,并根据当前摩托车各个配件在预设时间内的运行数据信息得到预设时间内摩托车各个配件的变化数据信息;
将预设时间内摩托车各个配件的变化数据信息输入到摩托车配件历史运行数据库中进行匹配,得到匹配结果;
根据匹配结果计算出摩托车各个配件的运行相似度,并将摩托车各个配件的运行相似度进行输出。
需要说明的是,在本实施例中,摩托车各个配件在预设时间内的运行数据信息至少包括摩托车在运行过程中配件的运行工况条件,通过跟历史运行数据库进行匹配,从而匹配出各相似度的配件历史运行数据,并将各相似度的配件历史运行数据。
进一步地,本发明的一个较佳实施例中,构建分类模型,根据摩托车各个配件的运行相似度以及分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果,具体包括以下步骤:
基于卷积神经网络构建分类模型,并通过大数据获取摩托车配件各运行相似度对应的运行情况数据信息,并将摩托车配件各运行相似度对应的运行情况数据信息分为训练集以及测试集;
将训练集输入到分类模型中进行训练,直至训练参数满足预设条件,保存模型参数,并将测试集输入到分类模型中,直至满足预设要求,得到训练完成的分类模型;
将摩托车各个配件的运行相似度输入到分类模型中,得到摩托车各个配件的运行相似度对应的运行情况数据信息;
若运行情况数据信息为预设运行情况数据信息,则将该运行情况数据信息标记为异常摩托车配件,并将异常摩托车配件的运行情况作为摩托车配件运行情况分类结果输出。
需要说明的是,通过本方法能够通过卷积神经网络对摩托车配件各运行相似度对应的运行情况数据信息进行训练,从而使得输入根据相应的相似度的数据信息能够得到相应摩托车配件的运行情况,从而对健康的摩托车配件、亚健康的摩托车配件以及非健康的摩托车配件进行分类,重点监测亚健康的摩托车配件以及非健康的摩托车配件。从而对摩托车配件按照不同的健康类型进行分类监测。
进一步地,本发明的一个较佳实施例中,构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及寿命预测知识数据库获取当前摩托车各个配件的寿命预测值,具体包括以下步骤:
通过大数据网络获取各种摩托车配件运行情况对应的寿命预测值,并基于各种摩托车配件运行情况对应的寿命预测值构建寿命预测知识数据库;
将各个摩托车配件运行情况分类结果输入到寿命预测知识数据库中进行匹配计算,以获取摩托车配件运行情况相似度;
判断摩托车配件运行情况相似度是否大于预设相似度,若摩托车配件运行情况相似度大于预设相似度,则将该摩托车配件运行情况相似度进行排序;
获取最高的摩托车配件运行情况相似度,并获取最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值,并将最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值输出。
需要说明的是,当摩托车配件运行情况相似度大于预设相似度,此时可能存在多个相似度很接近的历史摩托车配件数据,此时,选取最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值输出,使得对摩托车配件的寿命预测更加准确。
进一步地,本发明的一个较佳实施例中,所述的一种摩托车配件的寿命预测方法,还包括以下步骤:
S302:将相同性文本专业术语数据信息继续输入至摩托车配件失效性知识图谱中进行检索,以判断相同性文本专业术语数据信息是否存在异常情况,异常情况包括专业性术语文本缺失以及专业性术语文本错误;
S304:若相同性文本专业术语数据信息存在异常情况,则获取出现异常情况的异常位置节点,并提取异常位置节点的文本数据;
S306:获取与异常位置节点的文本数据对应的相同性文本专业术语信息数据信息;
S308:根据与异常位置节点的文本数据对应的相同性文本专业术语信息数据信息以及异常位置节点的文本数据得到最终的相同性文本专业术语数据信息,并将最终的相同性文本专业术语数据信息输出。
需要说明的是,在本实施例中,由于用户上传数据之时,可能会数据异常情况出现,如专业性术语数据文本发生缺失、专业性术语数据文本的个别字错误,由于此类错误会导致相似性寿命预测系统会产生检索不到的情况出现;因此,通过本方法能够对摩托车配件失效性知识图谱中的数据进行纠正,从而保证摩托车配件失效性知识图谱中数据的有效性,进而尽可能地增加有效数据的样本,从而进一步提高相似性寿命预测系统预测精度。
此外,本方法还可以包括以下步骤:
获取当前摩托车配件失效性知识图谱中的历史样本数据信息,并根据所述当前摩托车配件失效性知识图谱中的历史样本数据信息提取出进行过预防性维修的配件的历史样本数据信息;
获取当前摩托车配件的历史预防性维修数据信息,并将所述进行过预防性维修的配件的历史样本数据信息以及当前摩托车配件的历史预防性维修数据信息进行对比,得到偏差率;
判断所述偏差率是否大于预设偏差率阈值,若所述偏差率大于预设偏差率阈值,则将所述进行过预防性维修的配件的历史样本数据信息剔除,以不作为历史样本数据集输出,;
若所述偏差率不大于预设偏差率阈值,则将所述进行过预防性维修的配件的历史样本数据信息作为历史样本集输出。
需要说明的是,由于在相似性对比的过程中,如进行过一次预防性维修之后的摩托车配件与进行过两次预防性维修之后的摩托车配件是具有一定的区别性的,从而通过本方法能够将同次数预防性维修之后的摩托车配件作为历史样本集,进一步提高摩托车配件的寿命预测精度。
此外,本方法还可以包括以下步骤:
构建关联性知识图谱,并从大数据网络中获取专业性术语相对应的相关联样本数据信息,并将所述专业性术语相对应的相关联样本数据信息输入到相关符号知识图谱中;
根据专业性术语缺失的样本数据信息获取对应的相同性文本专业术语信息数据信息,并将所述输入到所述对应的相同性文本专业术语信息数据信息输入至关联性知识图谱中,得到所述具有专业性术语缺失的样本数据信息相关联的数据信息;
获取当前专业性术语缺失的样本数据信息中存在的相数据,判断所述具有专业性术语缺失的样本数据信息中的相关联数据是否与所述具有专业性术语缺失的样本数据信息相关联的相关联数据一致;
若所述具有专业性术语缺失的样本数据信息中的相关联数据与所述具有专业性术语缺失的样本数据信息相关联的相关联数据一致,则将当前专业性术语缺失的样本数据信息修改为相关联的相关联数据对应的样本数据信息作为样本修改数据。
需要说明的是,由于样本数据中虽然出现了缺失的情况出现,而样本数据中可能存在与缺失的文本数据相关的数据出现,如某个专业术语的单位,如“弹性模量”样本数据中缺失了“弹”字,而后续的样本数据出现了单位MPa,即可以将该缺失数据的专业术语推断为“弹性模量”。通过本方法能够及时地对历史样本数据进行进一步处理,从而能够提高寿命预测系统在检索样本数据时的有效性,以及保持样本数据的准确性,进而提高更多有效的数据给相似性寿命预测系统,进一步提高摩托车配件的准确性以及鲁棒性。
本发明第二方面提供了一种摩托车配件的寿命预测系统,摩托车配件的寿命预测系统包括存储器41以及处理器62,存储器41中包括摩托车配件的寿命预测方法程序,摩托车配件的寿命预测方法程序被处理器62执行时,实现如下步骤:
通过大数据网络获取摩托车配件的历史样本集数据信息,通过对历史样本集进行数据处理,得到处理后的历史样本集;
获取当前摩托车各个配件在预设时间内的运行数据信息,基于处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度;
构建分类模型,根据摩托车各个配件的运行相似度以及分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果;
构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及寿命预测知识数据库获取当前摩托车各个配件的寿命预测值。
进一步地,本发明的一个较佳实施例中,通过大数据网络获取摩托车配件的历史样本集数据信息,通过对历史样本集进行数据处理,得到处理后的历史样本集,具体包括以下步骤:
构建摩托车配件失效性知识图谱,并通过大数据网络获取相同性文本专业术语数据信息,将相同性文本专业术语数据信息作为一个样本数据集,并将样本数据集输入到摩托车配件失效性知识图谱中;
通过大数据网络获取摩托车配件的历史样本集数据信息,并将摩托车配件的历史样本集数据信息输入至摩托车配件失效性知识图谱中进行文本匹配;
判断是否存在与样本数据集相同的数据信息;若存在与样本数据集相同的数据信息,则获取当前与样本数据集相同的数据信息所在的位置节点;
选取其中频率出现最高的专业术语文本数据将位置节点的文本数据进行替换,生成替换后历史样本集数据信息,将替换后历史样本集数据信息作为处理后的历史样本集输出。
进一步地,本发明的一个较佳实施例中,构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及寿命预测知识数据库获取当前摩托车各个配件的寿命预测值,具体包括以下步骤:
通过大数据网络获取各种摩托车配件运行情况对应的寿命预测值,并基于各种摩托车配件运行情况对应的寿命预测值构建寿命预测知识数据库;
将各个摩托车配件运行情况分类结果输入到寿命预测知识数据库中进行匹配计算,以获取摩托车配件运行情况相似度;
判断摩托车配件运行情况相似度是否大于预设相似度,若摩托车配件运行情况相似度大于预设相似度,则将该摩托车配件运行情况相似度进行排序;
获取最高的摩托车配件运行情况相似度,并获取最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值,并将最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值输出。
进一步地,本发明的一个较佳实施例中,所述的一种摩托车配件的寿命预测系统,还包括以下步骤:
将相同性文本专业术语数据信息继续输入至摩托车配件失效性知识图谱中进行检索,以判断相同性文本专业术语数据信息是否存在异常情况,异常情况包括专业性术语文本缺失以及专业性术语文本错误;
若相同性文本专业术语数据信息存在异常情况,则获取出现异常情况的异常位置节点,并提取异常位置节点的文本数据;
获取与异常位置节点的文本数据对应的相同性文本专业术语信息数据信息;
根据与异常位置节点的文本数据对应的相同性文本专业术语信息数据信息以及异常位置节点的文本数据得到最终的相同性文本专业术语数据信息,并将最终的相同性文本专业术语数据信息输出。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品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方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种摩托车配件的寿命预测方法,其特征在于,包括以下步骤:
通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集;
获取当前摩托车各个配件在预设时间内的运行数据信息,基于所述处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度;
构建分类模型,根据所述摩托车各个配件的运行相似度以及所述分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果;
构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值;
其中,通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集,具体包括以下步骤:
构建摩托车配件失效性知识图谱,并通过大数据网络获取相同性文本专业术语数据信息,将所述相同性文本专业术语数据信息作为一个样本数据集,并将所述样本数据集输入到所述摩托车配件失效性知识图谱中;
通过大数据网络获取摩托车配件的历史样本集数据信息,并将所述摩托车配件的历史样本集数据信息输入至所述摩托车配件失效性知识图谱中进行文本匹配;
判断是否存在与所述样本数据集相同的数据信息;若存在与所述样本数据集相同的数据信息,则获取当前与所述样本数据集相同的数据信息所在的位置节点;
选取其中频率出现最高的专业术语文本数据将所述位置节点的文本数据进行替换,生成替换后历史样本集数据信息,将所述替换后历史样本集数据信息作为处理后的历史样本集输出;
其中,获取当前摩托车各个配件在预设时间内的运行数据信息,基于所述处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度,具体包括以下步骤:
构建摩托车配件运行数据库,并将所述处理后的历史样本集输入当所述摩托车配件运行数据库中,得到摩托车配件历史运行数据库;
获取当前摩托车各个配件在预设时间内的运行数据信息,并根据所述当前摩托车各个配件在预设时间内的运行数据信息得到预设时间内摩托车各个配件的变化数据信息;
将所述预设时间内摩托车各个配件的变化数据信息输入到所述摩托车配件历史运行数据库中进行匹配,得到匹配结果;
根据所述匹配结果计算出摩托车各个配件的运行相似度,并将所述摩托车各个配件的运行相似度进行输出。
2.根据权利要求1所述的一种摩托车配件的寿命预测方法,其特征在于,构建分类模型,根据所述摩托车各个配件的运行相似度以及所述分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果,具体包括以下步骤:
基于卷积神经网络构建分类模型,并通过大数据获取摩托车配件各运行相似度对应的运行情况数据信息,并将所述摩托车配件各运行相似度对应的运行情况数据信息分为训练集以及测试集;
将所述训练集输入到所述分类模型中进行训练,直至训练参数满足预设条件,保存模型参数,并将所述测试集输入到所述分类模型中,直至满足预设要求,得到训练完成的分类模型;
将所述摩托车各个配件的运行相似度输入到所述分类模型中,得到所述摩托车各个配件的运行相似度对应的运行情况数据信息;
若所述运行情况数据信息为预设运行情况数据信息,则将该运行情况数据信息标记为异常摩托车配件,并将所述异常摩托车配件的运行情况作为摩托车配件运行情况分类结果输出。
3.根据权利要求1所述的一种摩托车配件的寿命预测方法,其特征在于,构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值,具体包括以下步骤:
通过大数据网络获取各种摩托车配件运行情况对应的寿命预测值,并基于所述各种摩托车配件运行情况对应的寿命预测值构建寿命预测知识数据库;
将所述各个摩托车配件运行情况分类结果输入到所述寿命预测知识数据库中进行匹配计算,以获取摩托车配件运行情况相似度;
判断所述摩托车配件运行情况相似度是否大于预设相似度,若所述摩托车配件运行情况相似度大于预设相似度,则将该摩托车配件运行情况相似度进行排序;
获取最高的摩托车配件运行情况相似度,并获取所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值,并将所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值输出。
4.根据权利要求1所述的一种摩托车配件的寿命预测方法,其特征在于,还包括以下步骤:
将所述相同性文本专业术语数据信息继续输入至所述摩托车配件失效性知识图谱中进行检索,以判断所述相同性文本专业术语数据信息是否存在异常情况,所述异常情况包括专业性术语文本缺失以及专业性术语文本错误;
若所述相同性文本专业术语数据信息存在异常情况,则获取出现异常情况的异常位置节点,并提取所述异常位置节点的文本数据;
获取与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息;
根据与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息以及所述异常位置节点的文本数据得到最终的相同性文本专业术语数据信息,并将最终的相同性文本专业术语数据信息输出。
5.一种摩托车配件的寿命预测系统,其特征在于,所述摩托车配件的寿命预测系统包括存储器以及处理器,所述存储器中包括摩托车配件的寿命预测方法程序,所述摩托车配件的寿命预测方法程序被处理器执行时,实现如下步骤:
通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集;
获取当前摩托车各个配件在预设时间内的运行数据信息,基于所述处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度;
构建分类模型,根据所述摩托车各个配件的运行相似度以及所述分类模型对摩托车配件的运行情况进行分类,得到各个摩托车配件运行情况分类结果;
构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值;
其中,通过大数据网络获取摩托车配件的历史样本集数据信息,通过对所述历史样本集进行数据处理,得到处理后的历史样本集,具体包括以下步骤:
构建摩托车配件失效性知识图谱,并通过大数据网络获取相同性文本专业术语数据信息,将所述相同性文本专业术语数据信息作为一个样本数据集,并将所述样本数据集输入到所述摩托车配件失效性知识图谱中;
通过大数据网络获取摩托车配件的历史样本集数据信息,并将所述摩托车配件的历史样本集数据信息输入至所述摩托车配件失效性知识图谱中进行文本匹配;
判断是否存在与所述样本数据集相同的数据信息;若存在与所述样本数据集相同的数据信息,则获取当前与所述样本数据集相同的数据信息所在的位置节点;
选取其中频率出现最高的专业术语文本数据将所述位置节点的文本数据进行替换,生成替换后历史样本集数据信息,将所述替换后历史样本集数据信息作为处理后的历史样本集输出;
其中,获取当前摩托车各个配件在预设时间内的运行数据信息,基于所述处理后的历史样本集以及当前摩托车各个配件在预设时间内的运行数据信息得到摩托车各个配件的运行相似度,具体包括以下步骤:
构建摩托车配件运行数据库,并将所述处理后的历史样本集输入当所述摩托车配件运行数据库中,得到摩托车配件历史运行数据库;
获取当前摩托车各个配件在预设时间内的运行数据信息,并根据所述当前摩托车各个配件在预设时间内的运行数据信息得到预设时间内摩托车各个配件的变化数据信息;
将所述预设时间内摩托车各个配件的变化数据信息输入到所述摩托车配件历史运行数据库中进行匹配,得到匹配结果;
根据所述匹配结果计算出摩托车各个配件的运行相似度,并将所述摩托车各个配件的运行相似度进行输出。
6.根据权利要求5所述的一种摩托车配件的寿命预测系统,其特征在于,构建寿命预测知识数据库,基于各个摩托车配件运行情况分类结果以及所述寿命预测知识数据库获取当前摩托车各个配件的寿命预测值,具体包括以下步骤:
通过大数据网络获取各种摩托车配件运行情况对应的寿命预测值,并基于所述各种摩托车配件运行情况对应的寿命预测值构建寿命预测知识数据库;
将所述各个摩托车配件运行情况分类结果输入到所述寿命预测知识数据库中进行匹配计算,以获取摩托车配件运行情况相似度;
判断所述摩托车配件运行情况相似度是否大于预设相似度,若所述摩托车配件运行情况相似度大于预设相似度,则将该摩托车配件运行情况相似度进行排序;
获取最高的摩托车配件运行情况相似度,并获取所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值,并将所述最高的摩托车配件运行情况相似度对应的摩托车配件寿命预测值输出。
7.根据权利要求5所述的一种摩托车配件的寿命预测系统,其特征在于,还包括以下步骤:
将所述相同性文本专业术语数据信息继续输入至所述摩托车配件失效性知识图谱中进行检索,以判断所述相同性文本专业术语数据信息是否存在异常情况,所述异常情况包括专业性术语文本缺失以及专业性术语文本错误;
若所述相同性文本专业术语数据信息存在异常情况,则获取出现异常情况的异常位置节点,并提取所述异常位置节点的文本数据;
获取与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息;
根据与所述异常位置节点的文本数据对应的相同性文本专业术语信息数据信息以及所述异常位置节点的文本数据得到最终的相同性文本专业术语数据信息,并将最终的相同性文本专业术语数据信息输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136218.9A CN115964470B (zh) | 2023-02-20 | 2023-02-20 | 一种摩托车配件的寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136218.9A CN115964470B (zh) | 2023-02-20 | 2023-02-20 | 一种摩托车配件的寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115964470A CN115964470A (zh) | 2023-04-14 |
CN115964470B true CN115964470B (zh) | 2023-09-08 |
Family
ID=87353139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310136218.9A Active CN115964470B (zh) | 2023-02-20 | 2023-02-20 | 一种摩托车配件的寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115964470B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187981B (zh) * | 2023-04-21 | 2023-07-25 | 广东工业大学 | 一种基于历史维修数据的微波炉智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348224A (zh) * | 2020-09-10 | 2021-02-09 | 小灵狗出行科技有限公司 | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 |
CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
CN115098960A (zh) * | 2022-06-08 | 2022-09-23 | 中国船舶集团有限公司系统工程研究院 | 设备剩余使用寿命预测方法和装置 |
CN115587543A (zh) * | 2022-11-04 | 2023-01-10 | 元始智能科技(南通)有限公司 | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034248A (zh) * | 2021-03-03 | 2022-09-09 | 斯凯孚公司 | 用于设备的自动诊断方法、系统和存储介质 |
-
2023
- 2023-02-20 CN CN202310136218.9A patent/CN115964470B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348224A (zh) * | 2020-09-10 | 2021-02-09 | 小灵狗出行科技有限公司 | 一种车辆电瓶寿命的预测方法、装置、电子设备和存储介质 |
CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
CN115098960A (zh) * | 2022-06-08 | 2022-09-23 | 中国船舶集团有限公司系统工程研究院 | 设备剩余使用寿命预测方法和装置 |
CN115587543A (zh) * | 2022-11-04 | 2023-01-10 | 元始智能科技(南通)有限公司 | 基于联邦学习和lstm的刀具剩余寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115964470A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN109034368B (zh) | 一种基于dnn的复杂设备多重故障诊断方法 | |
CN112906969B (zh) | 发动机故障预测方法、装置、电子设备及存储介质 | |
CN110224850A (zh) | 电信网络故障预警方法、装置及终端设备 | |
CN113438114B (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
CN115964470B (zh) | 一种摩托车配件的寿命预测方法及系统 | |
CN112816898B (zh) | 电瓶故障预测方法、装置、电子设备和存储介质 | |
CN113868422A (zh) | 一种多标签稽查工单问题溯源识别方法及装置 | |
CN114647558A (zh) | 一种日志异常检测的方法和装置 | |
CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及系统 | |
CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN113657437B (zh) | 一种电网检修告警确认方法及系统 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及系统 | |
CN117667495A (zh) | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 | |
CN115705413A (zh) | 异常日志的确定方法及装置 | |
CN116432099A (zh) | 日志分类方法、装置、电子设备及存储介质 | |
CN117749658A (zh) | 故障预测方法、网络运维管理平台、电子设备及介质 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
CN113296994B (zh) | 一种基于国产计算平台的故障诊断系统及方法 | |
CN113986673A (zh) | 一种故障关联方法、装置及计算机可读存储介质 | |
CN109978038B (zh) | 一种集群异常判定方法及装置 | |
CN118069885B (zh) | 一种动态视频内容编码检索方法及系统 | |
CN114257490B (zh) | 无线网络性能告警分析方法及装置 | |
CN118799000A (zh) | 家庭宽带用户满意度预测方法、装置、设备和介质 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 321000, No. 357 Huacheng West Road, Yongkang High tech Zone, Xicheng Street, Yongkang City, Jinhua City, Zhejiang Province (self declared) Patentee after: Zhejiang Zhizhan Technology Co.,Ltd. Country or region after: China Address before: Building 2, 2nd Floor, No. 161 Xicheng Meilong Road, Yongkang City, Jinhua City, Zhejiang Province, 321302 Patentee before: Yongkang zhizhan Technology Co.,Ltd. Country or region before: China |