CN116307202A - 一种基于rpa原理营配业务自动化优化模型 - Google Patents
一种基于rpa原理营配业务自动化优化模型 Download PDFInfo
- Publication number
- CN116307202A CN116307202A CN202310289638.0A CN202310289638A CN116307202A CN 116307202 A CN116307202 A CN 116307202A CN 202310289638 A CN202310289638 A CN 202310289638A CN 116307202 A CN116307202 A CN 116307202A
- Authority
- CN
- China
- Prior art keywords
- module
- rpa
- pickup
- data
- picking
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 78
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013079 data visualisation Methods 0.000 claims abstract description 21
- 208000014633 Retinitis punctata albescens Diseases 0.000 claims description 83
- 238000000034 method Methods 0.000 claims description 82
- 238000007726 management method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 24
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000012905 input function Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000013112 stability test Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000007794 visualization technique Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims 2
- 238000011105 stabilization Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000012795 verification Methods 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004801 process automation Methods 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000003339 best practice Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/04—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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于营配业务自动化优化技术领域,公开了一种基于RPA原理营配业务自动化优化模型,所述基于RPA原理营配业务自动化优化模型包括:电力信息采集模块、主控模块、屏幕元素拾取模块、异常数据统计模块、数据报表生成模块、RPA管理模块、任务处理模块、数据可视化模块。本发明通过屏幕元素拾取模块可准确拾取页面中元素位置,提高RPA控件拾取准确性,避免因控件拾取不准确而导致的自动化脚本运行终端的情况;同时,通过异常数据统计模块快速从异常数据中总结问题原因;另外,通过RPA管理模块基于RPA原理,提出一种适用于营配业务的自动化优化、数据应用的验证技术。
Description
技术领域
本发明属于营配业务自动化优化技术领域,尤其涉及一种基于RPA原理营配业务自动化优化模型。
背景技术
RPA是Robotic Process Automation的缩写,它译为机器人流程自动化,指用软件机器人实现业务处理的自动化,是以“模拟人”的方式进行业务操作,它可以帮助企业处理很多重复的、规则固定的、繁琐的流程作业。简单的说:RPA的核心是基于流程自动化技术,代替人工在电脑端进行固定、重复、繁琐的工作。
近年来,数字化转型正成为企业的重要战略,流程优化,业务自动化已成为企业增长的关键所在。流程的高效运行是企业成功的关键因素之一,中大型企业内部的业务流程是非常复杂的,会涉及多个人员和业务系统进行交互操作。
在这种现状下,每个业务人员只能清楚的了解自己的业务流程,无法完整的了解整个业务流程的执行方式,管理者是无法从全局角度了解端到端的业务流程的,也就无法精准定位流程瓶颈,找出流程优化的切入点。同时,流程优化的另一个困难点就在于整个业务流程涉及多个部门和角色,及时找到了流程优化的切入点,往往会造成“牵一发而动全身”的困境,造成流程优化困难。
另一方面,从流程自动化角度来说,目前自动化的需求提出和调研是需要业务和IT进行强沟通与协同的,这就造成了自动化过程中需求提出困难、调研过程耗时费力等问题。例如:对于国内大多数ERP企业来说:老的业务系统数据是分散的,数据的质量不高,没有办法直接获取后台的业务日志;难以说服客户迁移老系统:系统存在大量历史数据,对迁移系统存在较大顾虑,期望有简单准确的迁移方案;产品价值难以充分发挥:产品功能过于复杂,难以发挥应有价值,亟需给企业提供最佳实践的对照和参考。
在营配业务工作中,需要对各项电力指标进行统计与监测。传统的方式是人力在中控系统中选取查询的对象后再依次进行检索,工作量大但操作步骤单一,属于典型的重复式工作。且由于每次检索需要耗费不等的时长,工作人员在进行一次检索后需要等候在屏幕前直至完成本次检索,方能进行下一次检索,每次操作之间的间隔时间可能被各种外力因素影响而更加长全部指标检索的时间。在实际的工作流程中,RPA仅能解决数据采集自动化的任务,当大量数据形成报表后,并不能直接转换成业务工单。例如最常见的无法抄表问题,能够引起抄表不成功的原因有许多:数据传输通道有干扰、表时钟偏移量超过延迟冗余、电力传输线路故障等。而这些故障原因对于有经验的工程人员可以很快识别出,而这个“经验”就是“数据积累”,即通过大量数据的积累得出大概率的结论。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统的方式是人力在中控系统中选取查询的对象后再依次进行检索,工作量大但操作步骤单一,属于典型的重复式工作。且由于每次检索需要耗费不等的时长,工作人员在进行一次检索后需要等候在屏幕前直至完成本次检索,方能进行下一次检索,每次操作之间的间隔时间可能被各种外力因素影响而更加长全部指标检索的时间。
(2)在实际的工作流程中,RPA仅能解决数据采集自动化的任务,当大量数据形成报表后,并不能直接转换成业务工单。例如最常见的无法抄表问题,能够引起抄表不成功的原因有许多:数据传输通道有干扰、表时钟偏移量超过延迟冗余、电力传输线路故障等。而这些故障原因对于有经验的工程人员可以很快识别出,而这个“经验”就是“数据积累”,即通过大量数据的积累得出大概率的结论。
发明内容
针对现有技术存在的问题,本发明提供了一种基于RPA原理营配业务自动化优化模型。
本发明是这样实现的,一种基于RPA原理营配业务自动化优化模型包括:
电力信息采集模块、主控模块、屏幕元素拾取模块、异常数据统计模块、数据报表生成模块、RPA管理模块、任务处理模块、数据可视化模块;
电力信息采集模块,与主控模块连接,用于采集电力信息数据;
主控模块,与电力信息采集模块、屏幕元素拾取模块、异常数据统计模块、数据报表生成模块、RPA管理模块、任务处理模块、数据可视化模块连接,用于控制各个模块正常运行;
屏幕元素拾取模块,与主控模块连接,用于对屏幕元素拾取操作;
异常数据统计模块,与主控模块连接,用于通过Bootstrap统计异常数据;
数据报表生成模块,与主控模块连接,用于生成营配业务数据报表;
RPA管理模块,与主控模块连接,用于通过编程的形式编写完成的集成式自动化机器人组件对不同业务流程或数据采集操作进行管理;
所述RPA管理模块管理方法:
RPA管理针对不同业务流程或数据采集操作的流程,使用编程的形式编写完成的集成式自动化机器人组件;
不同账号的工作人员登录使用时,可依据其需求选择不同的机器人使用;
RPA的管理由技术人员进行管理,通过具体的业务流程,结合不同的元素拾取方法,有针对性的调整每个元素的识别方式,并完成识别稳定性测试后,方打包集成为流程包,集成于系统中提供不同工作人员的使用;
任务处理模块,与主控模块连接,用于对不同业务流程进行处理;
所述任务处理模块处理方法:
任务管理针对RPA执行的时间周期进行管理;
其中定时任务、长期任务,由技术人员进行管理,统一设定不同RPA运行的时间及生成报表的规则;
手动任务可由使用的工作人员依据自身需求进行设定,依据填写的运行周期参数、执行次数参数,决定RPA的运行规则;
数据可视化模块,与主控模块连接,用于将营配业务数据进行可视化处理;
数据可视化模块可视化方法:
数据可视化是将大量的数据通过图形图表的形式展现出来,直观展示数据效果;
数据可视化部分除了业务数据统计之外,还针对RPA的使用情况进行统计分析。例如RPA运行的次数、运行时长、手动任务与自动任务的比例等;
以供电所为单位进行上述统计,可一定程度的说明该供电所的机器人使用依赖程度。
进一步,所述屏幕元素拾取模块拾取方法如下:
(1)RPA通过屏幕截取的方式,以屏幕左上角为原点计算拾取对象的绝对坐标为定位点之后再执行鼠标点击或键盘输入等操作;
具体方法:打开浏览器、输入网址、输入搜索文字、等待页面跳转、复制结果文字、存储结果文字,共六个步骤;
人工行为需要重复上述内容10次,而如果使用RPA在编辑流程后,进需要编辑完成输入的10条信息即可得到结果。
进一步,所述编辑流程为:
使用RPA提供的脚本编辑器完成内容拾取:
拾取框拾取:通过鼠标在屏幕中框选出文字输入框的位置,并记录其对应屏幕左上角的绝对坐标(4点坐标)之后记录输入框覆盖范围,并记录“点击”动作用于激活文字输入功能。
文字内容抓取:对出现第一条搜索内容的区域,使用鼠标在屏幕中进行框选,并记录文字拾取范围,并记录“OCR文字识别”动作,输出识别的文字到记录表格中。
进一步,所述屏幕截取的方式采用CS拾取、UIA拾取、Java拾取、CV拾取、图片拾取、区域拾取、IE(Web)拾取、浏览器(Chrome、Firefox)拾取的方式共同实现界面中元素的拾取;
CS拾取:
对HTML中用于样式控制的“.css”中特征元素进行拾取;使用Win32封装的API,PYWinAuto,进行拾取,适用于MFC、VB6、VCL、简单的WinForms控件和大多数旧的遗留应用程序;
适用范围:大部分基于Win32 Control设计开发的客户端软件;
UIA拾取:
对HTML中UI控制的布局进行拾取;使用Windows中的UIA(UI Automation)框架进行拾取,适用于WinForms、WPF、商店应用、Qt5、浏览器应用;
适用范围:几乎可以适用于所有C/S、B/S页面(个别可能出现无法拾取的情况,但拾取范围大于CS拾取)。
进一步,所述Java拾取:
通过内置的Java插件对特定内容进行识别;在使用前需要安装Java运行插件;
适用范围:适用于Java类的客户端,或网页。
进一步,所述CV拾取:
基于计算机视觉(Computer Vision)原理,从机器视觉的角度出发对界面中的内容进行识别;此方法不仅可对页面中的平面UI进行识别,还可依据透视焦点原理,对页面中立体元素进行识别;在使用前需要设置视觉规则,并开通专属的API用于识别内容的数据传输;此方法是相对其它拾取原理中最贴近人工智能的拾取方式;
适用范围:适用于所有控件。
进一步,所述图片拾取:
将页面内的所有元素内容以截图的形式进行识别,比对图形相似性确定识别对象;
适用范围:适用于所有客户端、网页等。
进一步,所述区域拾取:
将页面内的布局、功能划分功能区后标注其功能范围及区域内按钮的绝对位置;
适用范围:适用于所有客户端、网页等。
进一步,所述IE(Web)拾取:
针对网页中的控件进行拾取;
适用范围:适用于所有网页控件Web;
浏览器(Chrome、Firefox)拾取
基于浏览器自身的拾取插件实现的元素拾取,需要安装对应浏览器的运行插件;
适用范围:只适用于谷歌、火狐这种专门的浏览器;
系统工具的拾取:若需要对系统工具进行识别,如文件资源管理器,由于其使用通用的UI设计规则及标准样式标签,可使用CS拾取、UIA拾取方式进行拾取;
客户端软件的拾取:若需要对Windows中运行的应用软件元素进行拾取,可使用CS拾取、UIA拾取方式进行拾取;若为Java类客户端,还可追加使用Java拾取的方式进行辅助识别;
浏览器应用的拾取:对于Web页面的元素拾取,可以使用浏览器的开发者工具插件,结合范围选取的方式对css元素以及xpath进行定位,因此可使用IE拾取、Chrome拾取、Firefox拾取方式进行拾取。
进一步,所述异常数据统计模块统计方法如下:
1)通过Bootstrap方法去除了大样本的限制,找到了一个模拟的样本参量来代替位置的样本参量,使用现有的资料去模仿位置量的分布,可处理实际中需要大量样本来求出的统计量;
所述Bootstrap方法的数学描述是:设随机子样X=(x1,x2,…,xn)来自未知的总体分布F,R(X,F)为某个预先选定的随机变量,它是X和F的函数;现要求根据观测子样X来估计R(X,F)的分布特征,如均值、方差、分布密度函数等;例如假设A=A(F)是总体分布F的某个参数(如均值、方差等),Fn是子样X的经验分布,A^=A^(Fn)是A的估计,记估计误差为:R(X,F)=A^(Fn)-A(F);
现要由观测X估计R(X,F)的分布特征,注意此时R(X,F)的均值和方差为A(F)估计误差的均值和方差,这也正式我们所希望知道的;
评价一个参数是否适宜作为故障特征指标,取决于它在不同次测量中满足独立同分布的行为特征及其稳定程度;对n次测量得到的状态数据,若第i次测量的数据共进行n次测量,各次测量数据的指标为θ,i=1,2,…,n,令θ=θi为这n个指标的集合,对θ进行归一化处理,使得:
Ω=θ/max(θ)=|σi=1,2,...,n|
定义θ的稳定行为量Sθ为
如果特征参数的分布是完全稳定一直的,即参数在多次不同测量时保持常数,σi=c,c∈R,则指标的稳定行为量为Sθ=0没这事所选取的特征参数最适宜作为诊断特征指标;
当特征参数的分布最不稳定时,即多次不同测量,归一化特征参数σi取值得0和1的次数相等,且没有其他分布值时,特征参数的稳定行为量最大,Sθ=1,所选特征参量最不稳定,不宜作为诊断特征指标;
显而易见,Sθ∈[0,1],该值越大,所选取的特征参数越不稳定;
当使用Bootstrap方法进行统计模拟时,如果重采样次数达到5000次以上,则它的分布近似服从正态分布,其稳定行为量就接近于正态分布的熵但是,在样本较少的情况下,Sθ计算出的特征参数的稳定行为量更能反应其稳定程度;
当n次不同测量时归一化参数指标σi取得的0和1的次数相等,而且没有其它分布值时,公式R(X,F)=A^(Fn)-A(F)的次数相等,而且没有其它分布值时,公式R(X,F)=A^(Fn)-A(F)分子项的值最大,为0.5nln(0.5);因此可将上述公式简化为:
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明通过屏幕元素拾取模块基于代码标识识别技术,提出一种可对多类型元素拾取且准确度高的页面多元素拾取技术,可准确拾取页面中元素位置,提高RPA控件拾取准确性,避免因控件拾取不准确而导致的自动化脚本运行终端的情况;同时,通过异常数据统计模块基于Bootstrap方法,提出一套由业务异常数据累计形成的可指导故障原因的特征库方法,此方法可用于小量异常数据的趋向性分析,不必积累大量的数据即可完成数据特征趋向性的模型分析,再通过实际工程人员的现场验证,可极大缩短从数据到指向结果的验证周期,从而快速从异常数据中总结问题原因;另外,通过RPA管理模块基于RPA原理,提出一种适用于营配业务的自动化优化、数据应用的验证技术,通过集成方式将用户权限、多业务RPA、数据报表进行集成,形成一套可多组织架构人员使用的自动化数据采集、归集应用系统,该系统提供可配置的RPA运行任务功能,方便工作人员按照需要定义数据采集规则;提供综合报表功能,方便管理人员查阅数据。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明通过屏幕元素拾取模块基于代码标识识别技术,提出一种可对多类型元素拾取且准确度高的页面多元素拾取技术,可准确拾取页面中元素位置,提高RPA控件拾取准确性,避免因控件拾取不准确而导致的自动化脚本运行终端的情况;同时,通过异常数据统计模块基于Bootstrap方法,提出一套由业务异常数据累计形成的可指导故障原因的特征库方法,此方法可用于小量异常数据的趋向性分析,不必积累大量的数据即可完成数据特征趋向性的模型分析,再通过实际工程人员的现场验证,可极大缩短从数据到指向结果的验证周期,从而快速从异常数据中总结问题原因;另外,通过RPA管理模块基于RPA原理,提出一种适用于营配业务的自动化优化、数据应用的验证技术,通过集成方式将用户权限、多业务RPA、数据报表进行集成,形成一套可多组织架构人员使用的自动化数据采集、归集应用系统,该系统提供可配置的RPA运行任务功能,方便工作人员按照需要定义数据采集规则;提供综合报表功能,方便管理人员查阅数据。
附图说明
图1是本发明实施例提供的基于RPA原理营配业务自动化优化模型结构框图。
图2是本发明实施例提供的屏幕元素拾取模块拾取方法流程图。
图3是本发明实施例提供的异常数据统计模块统计方法流程图。
图1中:1、电力信息采集模块;2、主控模块;3、屏幕元素拾取模块;4、异常数据统计模块;5、数据报表生成模块;6、RPA管理模块;7、任务处理模块;8、数据可视化模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明实施例提供的基于RPA原理营配业务自动化优化模型包括:
电力信息采集模块1、主控模块2、屏幕元素拾取模块3、异常数据统计模块4、数据报表生成模块5、RPA管理模块6、任务处理模块7、数据可视化模块8。
电力信息采集模块1,与主控模块2连接,用于采集电力信息数据;
主控模块2,与电力信息采集模块1、屏幕元素拾取模块3、异常数据统计模块4、数据报表生成模块5、RPA管理模块6、任务处理模块7、数据可视化模块8连接,用于控制各个模块正常运行;
屏幕元素拾取模块3,与主控模块2连接,用于对屏幕元素拾取操作;
异常数据统计模块4,与主控模块2连接,用于通过Bootstrap统计异常数据;
数据报表生成模块5,与主控模块2连接,用于生成营配业务数据报表;
RPA管理模块6,与主控模块2连接,用于通过编程的形式编写完成的集成式自动化机器人组件对不同业务流程或数据采集操作进行管理;
所述RPA管理模块管理方法:
RPA管理针对不同业务流程或数据采集操作的流程,使用编程的形式编写完成的集成式自动化机器人组件;
不同账号的工作人员登录使用时,可依据其需求选择不同的机器人使用;
RPA的管理由技术人员进行管理,通过具体的业务流程,结合不同的元素拾取方法,有针对性的调整每个元素的识别方式,并完成识别稳定性测试后,方打包集成为流程包,集成于系统中提供不同工作人员的使用;
任务处理模块7,与主控模块2连接,用于对不同业务流程进行处理;
所述任务处理模块处理方法:
任务管理针对RPA执行的时间周期进行管理;
其中定时任务、长期任务,由技术人员进行管理,统一设定不同RPA运行的时间及生成报表的规则;
手动任务可由使用的工作人员依据自身需求进行设定,依据填写的运行周期参数、执行次数参数,决定RPA的运行规则;
数据可视化模块8,与主控模块2连接,用于将营配业务数据进行可视化处理;
数据可视化模块可视化方法:
数据可视化是将大量的数据通过图形图表的形式展现出来,直观展示数据效果;
数据可视化部分除了业务数据统计之外,还针对RPA的使用情况进行统计分析。例如RPA运行的次数、运行时长、手动任务与自动任务的比例等;
以供电所为单位进行上述统计,可一定程度的说明该供电所的机器人使用依赖程度。
如图2所示,本发明提供的屏幕元素拾取模块3拾取方法如下:
S101,RPA通过屏幕截取的方式,以屏幕左上角为原点计算拾取对象的绝对坐标为定位点之后再执行鼠标点击或键盘输入等操作;
具体方法:打开浏览器、输入网址、输入搜索文字、等待页面跳转、复制结果文字、存储结果文字,共六个步骤;
人工行为需要重复上述内容10次,而如果使用RPA在编辑流程后,进需要编辑完成输入的10条信息即可得到结果。
本发明提供的编辑流程为:
使用RPA提供的脚本编辑器完成内容拾取:
拾取框拾取:通过鼠标在屏幕中框选出文字输入框的位置,并记录其对应屏幕左上角的绝对坐标(4点坐标)之后记录输入框覆盖范围,并记录“点击”动作用于激活文字输入功能。
文字内容抓取:对出现第一条搜索内容的区域,使用鼠标在屏幕中进行框选,并记录文字拾取范围,并记录“OCR文字识别”动作,输出识别的文字到记录表格中。
本发明提供的屏幕截取的方式采用CS拾取、UIA拾取、Java拾取、CV拾取、图片拾取、区域拾取、IE(Web)拾取、浏览器(Chrome、Firefox)拾取的方式共同实现界面中元素的拾取;
CS拾取:
对HTML中用于样式控制的“.css”中特征元素进行拾取;使用Win32封装的API,PYWinAuto,进行拾取,适用于MFC、VB6、VCL、简单的WinForms控件和大多数旧的遗留应用程序;
适用范围:大部分基于Win32 Control设计开发的客户端软件;
UIA拾取:
对HTML中UI控制的布局进行拾取;使用Windows中的UIA(UI Automation)框架进行拾取,适用于WinForms、WPF、商店应用、Qt5、浏览器应用;
适用范围:几乎可以适用于所有C/S、B/S页面(个别可能出现无法拾取的情况,但拾取范围大于CS拾取)。
本发明提供的Java拾取:
通过内置的Java插件对特定内容进行识别;在使用前需要安装Java运行插件;
适用范围:适用于Java类的客户端,或网页。
本发明提供的CV拾取:
基于计算机视觉(Computer Vision)原理,从机器视觉的角度出发对界面中的内容进行识别;此方法不仅可对页面中的平面UI进行识别,还可依据透视焦点原理,对页面中立体元素进行识别;在使用前需要设置视觉规则,并开通专属的API用于识别内容的数据传输;此方法是相对其它拾取原理中最贴近人工智能的拾取方式;
适用范围:适用于所有控件。
本发明提供的图片拾取:
将页面内的所有元素内容以截图的形式进行识别,比对图形相似性确定识别对象;
适用范围:适用于所有客户端、网页等。
本发明提供的区域拾取:
将页面内的布局、功能划分功能区后标注其功能范围及区域内按钮的绝对位置;
适用范围:适用于所有客户端、网页等。
本发明提供的IE(Web)拾取:
针对网页中的控件进行拾取;
适用范围:适用于所有网页控件Web;
浏览器(Chrome、Firefox)拾取
基于浏览器自身的拾取插件实现的元素拾取,需要安装对应浏览器的运行插件;
适用范围:只适用于谷歌、火狐这种专门的浏览器;
系统工具的拾取:若需要对系统工具进行识别,如文件资源管理器,由于其使用通用的UI设计规则及标准样式标签,可使用CS拾取、UIA拾取方式进行拾取;
客户端软件的拾取:若需要对Windows中运行的应用软件元素进行拾取,可使用CS拾取、UIA拾取方式进行拾取;若为Java类客户端,还可追加使用Java拾取的方式进行辅助识别;
浏览器应用的拾取:对于Web页面的元素拾取,可以使用浏览器的开发者工具插件,结合范围选取的方式对css元素以及xpath进行定位,因此可使用IE拾取、Chrome拾取、Firefox拾取方式进行拾取。
如图3所示,本发明提供的异常数据统计模块4统计方法如下:
S201,通过Bootstrap方法去除了大样本的限制,找到了一个模拟的样本参量来代替位置的样本参量,使用现有的资料去模仿位置量的分布,可处理实际中需要大量样本来求出的统计量;
所述Bootstrap方法的数学描述是:设随机子样X=(x1,x2,…,xn)来自未知的总体分布F,R(X,F)为某个预先选定的随机变量,它是X和F的函数;现要求根据观测子样X来估计R(X,F)的分布特征,如均值、方差、分布密度函数等;例如假设A=A(F)是总体分布F的某个参数(如均值、方差等),Fn是子样X的经验分布,A^=A^(Fn)是A的估计,记估计误差为:R(X,F)=A^(Fn)-A(F);
现要由观测X估计R(X,F)的分布特征,注意此时R(X,F)的均值和方差为A(F)估计误差的均值和方差,这也正式我们所希望知道的;
评价一个参数是否适宜作为故障特征指标,取决于它在不同次测量中满足独立同分布的行为特征及其稳定程度;对n次测量得到的状态数据,若第i次测量的数据共进行n次测量,各次测量数据的指标为θ,i=1,2,…,n,令θ=θi为这n个指标的集合,对θ进行归一化处理,使得:
Ω=θ/max(θ)=|σi=1,2,...,n|
定义θ的稳定行为量Sθ为
如果特征参数的分布是完全稳定一直的,即参数在多次不同测量时保持常数,σi=c,c∈R,则指标的稳定行为量为Sθ=0没这事所选取的特征参数最适宜作为诊断特征指标;
当特征参数的分布最不稳定时,即多次不同测量,归一化特征参数σi取值得0和1的次数相等,且没有其他分布值时,特征参数的稳定行为量最大,Sθ=1,所选特征参量最不稳定,不宜作为诊断特征指标;
显而易见,Sθ∈[0,1],该值越大,所选取的特征参数越不稳定;
当使用Bootstrap方法进行统计模拟时,如果重采样次数达到5000次以上,则它的分布近似服从正态分布,其稳定行为量就接近于正态分布的熵但是,在样本较少的情况下,Sθ计算出的特征参数的稳定行为量更能反应其稳定程度;
当n次不同测量时归一化参数指标σi取得的0和1的次数相等,而且没有其它分布值时,公式R(X,F)=A^(Fn)-A(F)的次数相等,而且没有其它分布值时,公式R(X,F)=A^(Fn)-A(F)分子项的值最大,为0.5nln(0.5);因此可将上述公式简化为:
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明工作时,首先,通过电力信息采集模块1采集电力信息数据;其次,主控模块2通过屏幕元素拾取模块3对屏幕元素拾取操作;通过异常数据统计模块4利用Bootstrap统计异常数据;通过数据报表生成模块5生成营配业务数据报表;通过RPA管理模块6利用编程的形式编写完成的集成式自动化机器人组件对不同业务流程或数据采集操作进行管理;然后,通过任务处理模块7对不同业务流程进行处理;最后,通过数据可视化模块8将营配业务数据进行可视化处理。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分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。本领域的普通技术人员可以理解上述的设备和方法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。本发明的设备及其模块可以由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,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
本发明通过屏幕元素拾取模块基于代码标识识别技术,提出一种可对多类型元素拾取且准确度高的页面多元素拾取技术,可准确拾取页面中元素位置,提高RPA控件拾取准确性,避免因控件拾取不准确而导致的自动化脚本运行终端的情况;同时,通过异常数据统计模块基于Bootstrap方法,提出一套由业务异常数据累计形成的可指导故障原因的特征库方法,此方法可用于小量异常数据的趋向性分析,不必积累大量的数据即可完成数据特征趋向性的模型分析,再通过实际工程人员的现场验证,可极大缩短从数据到指向结果的验证周期,从而快速从异常数据中总结问题原因;另外,通过RPA管理模块基于RPA原理,提出一种适用于营配业务的自动化优化、数据应用的验证技术,通过集成方式将用户权限、多业务RPA、数据报表进行集成,形成一套可多组织架构人员使用的自动化数据采集、归集应用系统,该系统提供可配置的RPA运行任务功能,方便工作人员按照需要定义数据采集规则;提供综合报表功能,方便管理人员查阅数据。
以上所述,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
浏览器应用的拾取:对于Web页面的元素拾取,可以使用浏览器的开发者工具插件,结合范围选取的方式对css元素以及xpath进行定位,因此可使用IE拾取、Chrome拾取、Firefox拾取方式进行拾取。
10、如权利要求1所述基于RPA原理营配业务自动化优化模型,其特征在于,所述异常数据统计模块统计方法如下:
1)通过Bootstrap方法去除了大样本的限制,找到了一个模拟的样本参量来代替位置的样本参量,使用现有的资料去模仿位置量的分布,可处理实际中需要大量样本来求出的统计量;
所述Bootstrap方法的数学描述是:设随机子样X=(x1,x2,…,xn)来自未知的总体分布F,R(X,F)为某个预先选定的随机变量,它是X和F的函数;现要求根据观测子样X来估计R(X,F)的分布特征,如均值、方差、分布密度函数等;例如假设A=A(F)是总体分布F的某个参数(如均值、方差等),Fn是子样X的经验分布,A^=A^(Fn)是A的估计,记估计误差为:R(X,F)=A^(Fn)-A(F);
现要由观测X估计R(X,F)的分布特征,注意此时R(X,F)的均值和方差为A(F)估计误差的均值和方差,这也正式我们所希望知道的;
评价一个参数是否适宜作为故障特征指标,取决于它在不同次测量中满足独立同分布的行为特征及其稳定程度;对n次测量得到的状态数据,若第i次测量的数据共进行n次测量,各次测量数据的指标为θ,i=1,2,…,n,令θ=θi为这n个指标的集合,对θ进行归一化处理,使得:
Ω=θ/max(θ)=|σi=1,2,...,n|
定义θ的稳定行为量Sθ为
Claims (9)
1.一种基于RPA原理营配业务自动化优化模型,其特征在于,所述基于RPA原理营配业务自动化优化模型包括:
电力信息采集模块、主控模块、屏幕元素拾取模块、异常数据统计模块、数据报表生成模块、RPA管理模块、任务处理模块、数据可视化模块;
电力信息采集模块,与主控模块连接,用于采集电力信息数据;
主控模块,与电力信息采集模块、屏幕元素拾取模块、异常数据统计模块、数据报表生成模块、RPA管理模块、任务处理模块、数据可视化模块连接,用于控制各个模块正常运行;
屏幕元素拾取模块,与主控模块连接,用于对屏幕元素拾取操作;
异常数据统计模块,与主控模块连接,用于通过Bootstrap统计异常数据;
数据报表生成模块,与主控模块连接,用于生成营配业务数据报表;
RPA管理模块,与主控模块连接,用于通过编程的形式编写完成的集成式自动化机器人组件对不同业务流程或数据采集操作进行管理;
所述RPA管理模块管理方法:
RPA管理针对不同业务流程或数据采集操作的流程,使用编程的形式编写完成的集成式自动化机器人组件;
不同账号的工作人员登录使用时,可依据其需求选择不同的机器人使用;
RPA的管理由技术人员进行管理,通过具体的业务流程,结合不同的元素拾取方法,有针对性的调整每个元素的识别方式,并完成识别稳定性测试后,方打包集成为流程包,集成于系统中提供不同工作人员的使用;
任务处理模块,与主控模块连接,用于对不同业务流程进行处理;
所述任务处理模块处理方法:
任务管理针对RPA执行的时间周期进行管理;
其中定时任务、长期任务,由技术人员进行管理,统一设定不同RPA运行的时间及生成报表的规则;
手动任务可由使用的工作人员依据自身需求进行设定,依据填写的运行周期参数、执行次数参数,决定RPA的运行规则;
数据可视化模块,与主控模块连接,用于将营配业务数据进行可视化处理;
数据可视化模块可视化方法:
数据可视化是将大量的数据通过图形图表的形式展现出来,直观展示数据效果;
数据可视化部分除了业务数据统计之外,还针对RPA的使用情况进行统计分析。例如RPA运行的次数、运行时长、手动任务与自动任务的比例等;
以供电所为单位进行上述统计,可一定程度的说明该供电所的机器人使用依赖程度。
2.如权利要求1所述基于RPA原理营配业务自动化优化模型,其特征在于,所述屏幕元素拾取模块拾取方法如下:
(1)RPA通过屏幕截取的方式,以屏幕左上角为原点计算拾取对象的绝对坐标为定位点之后再执行鼠标点击或键盘输入等操作;
具体方法:打开浏览器、输入网址、输入搜索文字、等待页面跳转、复制结果文字、存储结果文字,共六个步骤;
人工行为需要重复上述内容10次,而如果使用RPA在编辑流程后,进需要编辑完成输入的10条信息即可得到结果。
3.如权利要求2所述基于RPA原理营配业务自动化优化模型,其特征在于,所述编辑流程为:
使用RPA提供的脚本编辑器完成内容拾取:
拾取框拾取:通过鼠标在屏幕中框选出文字输入框的位置,并记录其对应屏幕左上角的绝对坐标(4点坐标)之后记录输入框覆盖范围,并记录“点击”动作用于激活文字输入功能。
文字内容抓取:对出现第一条搜索内容的区域,使用鼠标在屏幕中进行框选,并记录文字拾取范围,并记录“OCR文字识别”动作,输出识别的文字到记录表格中。
4.如权利要求2所述基于RPA原理营配业务自动化优化模型,其特征在于,所述屏幕截取的方式采用CS拾取、UIA拾取、Java拾取、CV拾取、图片拾取、区域拾取、IE(Web)拾取、浏览器(Chrome、Firefox)拾取的方式共同实现界面中元素的拾取;
CS拾取:
对HTML中用于样式控制的“.css”中特征元素进行拾取;使用Win32封装的API,PYWinAuto,进行拾取,适用于MFC、VB6、VCL、简单的WinForms控件和大多数旧的遗留应用程序;
适用范围:大部分基于Win32 Control设计开发的客户端软件;
UIA拾取:
对HTML中UI控制的布局进行拾取;使用Windows中的UIA(UI Automation)框架进行拾取,适用于WinForms、WPF、商店应用、Qt5、浏览器应用;
适用范围:几乎可以适用于所有C/S、B/S页面(个别可能出现无法拾取的情况,但拾取范围大于CS拾取)。
5.如权利要求4所述基于RPA原理营配业务自动化优化模型,其特征在于,所述Java拾取:
通过内置的Java插件对特定内容进行识别;在使用前需要安装Java运行插件;
适用范围:适用于Java类的客户端,或网页。
6.如权利要求4所述基于RPA原理营配业务自动化优化模型,其特征在于,所述CV拾取:
基于计算机视觉(ComputerVision)原理,从机器视觉的角度出发对界面中的内容进行识别;此方法不仅可对页面中的平面UI进行识别,还可依据透视焦点原理,对页面中立体元素进行识别;在使用前需要设置视觉规则,并开通专属的API用于识别内容的数据传输;此方法是相对其它拾取原理中最贴近人工智能的拾取方式;
适用范围:适用于所有控件。
7.如权利要求4所述基于RPA原理营配业务自动化优化模型,其特征在于,所述图片拾取:
将页面内的所有元素内容以截图的形式进行识别,比对图形相似性确定识别对象;
适用范围:适用于所有客户端、网页等。
8.如权利要求4所述基于RPA原理营配业务自动化优化模型,其特征在于,所述区域拾取:
将页面内的布局、功能划分功能区后标注其功能范围及区域内按钮的绝对位置;
适用范围:适用于所有客户端、网页等。
9.如权利要求4所述基于RPA原理营配业务自动化优化模型,其特征在于,所述IE(Web)拾取:
针对网页中的控件进行拾取;
适用范围:适用于所有网页控件Web;
浏览器(Chrome、Firefox)拾取
基于浏览器自身的拾取插件实现的元素拾取,需要安装对应浏览器的运行插件;
适用范围:只适用于谷歌、火狐这种专门的浏览器;
系统工具的拾取:若需要对系统工具进行识别,如文件资源管理器,由于其使用通用的UI设计规则及标准样式标签,可使用CS拾取、UIA拾取方式进行拾取;
客户端软件的拾取:若需要对Windows中运行的应用软件元素进行拾取,可使用CS拾取、UIA拾取方式进行拾取;若为Java类客户端,还可追加使用Java拾取的方式进行辅助识别;
如果特征参数的分布是完全稳定一直的,即参数在多次不同测量时保持常数,σi=c,c∈R,则指标的稳定行为量为Sθ=0没这事所选取的特征参数最适宜作为诊断特征指标;
当特征参数的分布最不稳定时,即多次不同测量,归一化特征参数σi取值得0和1的次数相等,且没有其他分布值时,特征参数的稳定行为量最大,Sθ=1,所选特征参量最不稳定,不宜作为诊断特征指标;
显而易见,Sθ∈[0,1],该值越大,所选取的特征参数越不稳定;
当使用Bootstrap方法进行统计模拟时,如果重采样次数达到5000次以上,则它的分布近似服从正态分布,其稳定行为量就接近于正态分布的熵但是,在样本较少的情况下,Sθ计算出的特征参数的稳定行为量更能反应其稳定程度;
当n次不同测量时归一化参数指标σi取得的0和1的次数相等,而且没有其它分布值时,公式R(X,F)=A^(Fn)-A(F)的次数相等,而且没有其它分布值时,公式R(X,F)=A^(Fn)-A(F)分子项的值最大,为0.5nln(0.5);因此可将上述公式简化为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289638.0A CN116307202A (zh) | 2023-03-23 | 2023-03-23 | 一种基于rpa原理营配业务自动化优化模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289638.0A CN116307202A (zh) | 2023-03-23 | 2023-03-23 | 一种基于rpa原理营配业务自动化优化模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307202A true CN116307202A (zh) | 2023-06-23 |
Family
ID=86825490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310289638.0A Pending CN116307202A (zh) | 2023-03-23 | 2023-03-23 | 一种基于rpa原理营配业务自动化优化模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307202A (zh) |
-
2023
- 2023-03-23 CN CN202310289638.0A patent/CN116307202A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622014B (zh) | 测试报告生成方法、装置、可读存储介质和计算机设备 | |
US8745572B2 (en) | Software development automated analytics | |
Musa et al. | Software reliability models: concepts, classification, comparisons, and practice | |
US8904351B2 (en) | Maintenance of a subroutine repository for an application under test based on subroutine usage information | |
Bento et al. | Automated analysis of distributed tracing: Challenges and research directions | |
CN104765689A (zh) | 一种接口性能数据实时监制方法和装置 | |
JP2018081693A (ja) | スキーマで表される必要条件を用いた自動プロセス制御ハードウェア工学 | |
CN111752935A (zh) | 一种电力交易用户数据稽查方法及装置 | |
CN115657890A (zh) | 一种pra机器人可定制方法 | |
CN116383193A (zh) | 一种数据管理方法、装置、电子设备和存储介质 | |
KR102411291B1 (ko) | 스마트공장 데이터 품질평가 방법 | |
CN113312129A (zh) | 软件操作流程自动化机器人方法、系统、装置及介质 | |
CN116307202A (zh) | 一种基于rpa原理营配业务自动化优化模型 | |
CN111914002B (zh) | 机房资源信息处理方法、装置和电子设备 | |
CN115035044A (zh) | 一种应用于工业质检的智能ai平台 | |
Tanaka et al. | Selenium based testing systems for analytical data generation of website user behavior | |
CN116028329A (zh) | 检测代码缺陷的方法、电子设备和计算机程序产品 | |
CN113742213A (zh) | 一种用于数据分析的方法、系统和介质 | |
CN112968941B (zh) | 一种基于边缘计算的数据采集和人机协同标注方法 | |
Dilefeld et al. | Enhancing prediction quality of Fab simulation by advanced cycle time Modelling | |
US11914459B2 (en) | Automated identification of website errors | |
CN110083516A (zh) | 一种操作系统自动化测试方法 | |
CN116955189A (zh) | 一种用户界面自动化测试方法、装置、设备及存储介质 | |
Homem et al. | Fault Management in Manufacturing Process: Quality Indicators for Short-and Medium-Term Monitoring and Their Interrelationship | |
Skoogh et al. | Throughput bottleneck detection in manufacturing: a systematic review of the literature on methods and operationalization modes |
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 |