CN116862477A - 一种智能维修辅助方法、系统、设备及存储介质 - Google Patents

一种智能维修辅助方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN116862477A
CN116862477A CN202310943941.8A CN202310943941A CN116862477A CN 116862477 A CN116862477 A CN 116862477A CN 202310943941 A CN202310943941 A CN 202310943941A CN 116862477 A CN116862477 A CN 116862477A
Authority
CN
China
Prior art keywords
maintenance
fault
suggestions
matching
intelligent
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
Application number
CN202310943941.8A
Other languages
English (en)
Inventor
鲁键
鞠佳男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202310943941.8A priority Critical patent/CN116862477A/zh
Publication of CN116862477A publication Critical patent/CN116862477A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于人工智能技术领域，具体提供一种智能维修辅助方法、系统、设备及存储介质，所述方法包括如下步骤：扫描整机序列号获取机器的故障信息；根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；将匹配出的维修建议按照分析匹配的契合度进行推荐排序；将推荐排序高的第一阈值个数的维修建议输出显示；当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储。可以大大提高工厂的生产力和效率。

Description

一种智能维修辅助方法、系统、设备及存储介质
技术领域
本发明涉及人工智能技术领域，具体涉及一种智能维修辅助方法、系统、设备及存储介质。
背景技术
AIGC(Artificial Intelligence General Corporation)作为最新一代的人工智能技术，其应用领域之广泛，让人们对其迅速发展充满了期待。AIGC技术的独特性在于它具有更广泛、更深入、更复杂的应用能力。它不但可以模拟人类的智慧，还可以模拟人类的观察能力、交流能力、决策能力等多种能力。通过大量的数据训练，AIGC可以在更快的速度下学习信息，使得人们在各个领域中都能够从中受益。
AIGC技术目前已经在各个领域中得到了广泛应用。在医疗行业中，AIGC可以进行手术、辅助医生进行诊断，在信息化领域中，可以进行数据分析、人机对话等。在工业领域中，AIGC可以进行智能化控制、优化生产等。在金融行业中，除了进行风险控制之外，AIGC技术还可以实现自动化、高效化的交易。在交通领域中，AIGC可以进行智能交通管理、自动驾驶等。
随着科技的不断发展，大部分制造业将自动化、智能化的方向发展。在工厂的生产过程中，机器设备难免会出现故障，维修员工需要快速准确的判断故障原因，并提出相应的维修方案。但人工维修的流程较为繁琐，误诊难免，严重影响到生产效率。
发明内容
为了克服传统维修方法的不足，提高维修准确率，将人工维修与AI智能化相结合，设计一种智能维修辅助方法、系统、设备及存储介质。
第一方面，本发明技术方案提供一种智能维修辅助方法，包括如下步骤：
扫描整机序列号获取机器的故障信息；
根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；
将匹配出的维修建议按照分析匹配的契合度进行推荐排序；
将推荐排序高的第一阈值个数的维修建议输出显示；
当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；
当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；
将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储。
作为本发明技术方案的优选，扫描整机序列号获取机器的故障信息的步骤之前包括：
对机器故障数据进行整理并将整理后的数据写入数据库。
作为本发明技术方案的优选，对机器故障数据进行整理并将整理后的数据写入数据库的步骤包括：
对故障设备的错误代码、硬件分类、机型、报错信息以及维修建议进行整理；
将错误代码、硬件分类、机型、报错信息以及维修建议建立关联后写入数据库；
将维修白皮书、维修操作流程文件进行格式化和标识化后写入数据库。
作为本发明技术方案的优选，根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议的步骤包括：
根据故障代码、机器机型、故障描述找到故障现象；
按照故障机器的故障现象在数据库内进行检索，进行分词匹配；
若匹配到完全相同的信息直接进行维修建议推荐；并记录维修建议的匹配次数；
若没有找到完全相同的故障信息，进行模糊匹配找到相似度大于第二阈值的故障对应的维修建议。
作为本发明技术方案的优选，将匹配出的维修建议按照分析匹配的契合度进行推荐排序的步骤包括：
获取匹配出的维修建议的评价指标；所述评价指标包括故障频率、维修成功率和维修时间；
将获取的评价指标进行归一化处理；
故障频率F归一化：F'＝(F-minF)/(maxF-minF)；
维修成功率SR归一化：SR'＝(SR-minSR)/(maxSR-minSR)；
维修时间RT归一化：RT'＝(RT-minRT)/(maxRT-minRT)；
其中，minF、maxF表示故障频率的最小值和最大值；minSR、maxSR表示维修成功率的最小值和最大值；minRT、maxRT表示维修时间的最小值和最大值；
为每个评价指标分配权重；
对于每种维修建议，计算归一化评价指标的加权和，得到综合评分；
综合评分S＝wF*F'+wSR*SR'+wRT*RT'，其中，wF为故障频率的权重,wSR为维修成功率的权重,wRT为维修时间的权重；
将所有维修建议按照综合评分由高到低进行推荐排序。
作为本发明技术方案的优选，该方法还包括：
获取数据库中故障现象以及对应的维修建议；
将获取的故障现象以及对应的维修建议按照问题和答案的格式整理成训练数据；
对收集到的训练数据进行预处理，并将预处理后的数据分割成训练集和验证集；
加载预训练好的GPT模型及其词典；
通过训练集对加载的GPT模型进行训练微调；
通过验证集对微调后的GPT模型进行性能评估输出最优GPT模型；
接收用户输入的故障问题，使用所述最优GPT模型进行维修建议的智能推荐。
作为本发明技术方案的优选，获取数据库中故障现象以及对应的维修建议的步骤包括：
获取数据库中匹配次数大于第三阈值的维修建议以及对应的故障现象。
第二方面，本发明技术方案还提供一种智能维修辅助系统，包括故障诊断模块、维修建议匹配模块、推荐处理模块、输出显示模块、维修结果处理模块、数据清洗整理模块和智能推荐模块；
故障诊断模块，用于扫描整机序列号获取机器的故障信息；
维修建议匹配模块，用于根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；
推荐处理模块，用于将匹配出的维修建议按照分析匹配的契合度进行推荐排序；
输出显示模块，用于将推荐排序高的第一阈值个数的维修建议输出显示；
维修结果处理模块，用于当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；
数据清洗整理模块，用于将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储；
智能推荐模块，用于获取数据库中的故障维修数据对GPT模型进行训练评估，获取用户输入的故障问题基于评估训练后的GPT模块进行维修建议的智能推荐。
作为本发明技术方案的优选，该装置还包括数据整理模块和数据库；
数据整理模块，用于对机器故障数据进行整理并将整理后的数据写入数据库。
作为本发明技术方案的优选，数据整理模块，具体用于对故障设备的错误代码、硬件分类、机型、报错信息以及维修建议进行整理；将错误代码、硬件分类、机型、报错信息以及维修建议建立关联后写入数据库；将维修白皮书、维修操作流程文件进行格式化和标识化后写入数据库。
作为本发明技术方案的优选，维修建议匹配模块，具体用于根据故障代码、机器机型、故障描述找到故障现象；按照故障机器的故障现象在数据库内进行检索，进行分词匹配；若匹配到完全相同的信息直接进行维修建议推荐；并记录维修建议的匹配次数；若没有找到完全相同的故障信息，进行模糊匹配找到相似度大于第二阈值的故障对应的维修建议。
作为本发明技术方案的优选，推荐处理模块包括评价指标获取单元、归一化处理单元、权重分配单元、计算单元和排序单元；
评价指标获取单元，用于获取匹配出的维修建议的评价指标；所述评价指标包括故障频率、维修成功率和维修时间；
归一化处理单元，用于将获取的评价指标进行归一化处理；
故障频率F归一化：F'＝(F-minF)/(maxF-minF)；
维修成功率SR归一化：SR'＝(SR-minSR)/(maxSR-minSR)；
维修时间RT归一化：RT'＝(RT-minRT)/(maxRT-minRT)；
其中，minF、maxF表示故障频率的最小值和最大值；minSR、maxSR表示维修成功率的最小值和最大值；minRT、maxRT表示维修时间的最小值和最大值；
权重分配单元，用于为每个评价指标分配权重；
计算单元，用于对于每种维修建议，计算归一化评价指标的加权和，得到综合评分；
综合评分S＝wF*F'+wSR*SR'+wRT*RT'，其中，wF为故障频率的权重,wSR为维修成功率的权重,wRT为维修时间的权重；
排序单元，用于将所有维修建议按照综合评分由高到低进行推荐排序。
作为本发明技术方案的优选，所述智能推荐模块包括故障维修数据获取单元、数据整理单元、数据预处理单元、模型加载单元、训练单元、验证单元和执行单元；
故障维修数据获取单元，用于获取数据库中故障现象以及对应的维修建议；
数据整理单元，用于将获取的故障现象以及对应的维修建议按照问题和答案的格式整理成训练数据；
数据预处理单元，用于对收集到的训练数据进行预处理，并将预处理后的数据分割成训练集和验证集；
模型加载单元，用于加载预训练好的GPT模型及其词典；
训练单元，用于通过训练集对加载的GPT模型进行训练微调；
验证单元，用于通过验证集对微调后的GPT模型进行性能评估输出最优GPT模型；
执行单元，用于接收用户输入的故障问题，使用所述最优GPT模型进行维修建议的智能推荐。
作为本发明技术方案的优选，故障维修数据获取单元，具体用于获取数据库中匹配次数大于第三阈值的维修建议以及对应的故障现象。
第三方面，本发明技术方案还提供一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的智能维修辅助方法。
第四方面，本发明技术方案还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面所述的智能维修辅助方法。
从以上技术方案可以看出，本发明具有以下优点：基于GPT框架的智能维修辅助方法在准确性、速度以及维修建议的准确度上远远胜过传统维修方法。可以大大提高工厂的生产力和效率。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。
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，对于本领域普通技术人员而言，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是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的方法中推荐处理流程示意性流程图。
图3是本发明一个实施例的方法的智能推荐流程示意性流程图。
图4是本发明一个实施例的系统的示意性框图。
图5是本发明一个实施例中电子设备的连接框图。
具体实施方式
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
在本申请所提供的实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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，例如多个单元或组件可以结合或者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、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，GPT Generative Pre-trained生成式预训练；
AI Artifical intelligence人工智能。
如图1所示，本发明实施例提供一种智能维修辅助方法，包括如下步骤：
步骤1：扫描整机序列号获取机器的故障信息；
步骤2：根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；
步骤3：将匹配出的维修建议按照分析匹配的契合度进行推荐排序；
步骤4：将推荐排序高的第一阈值个数的维修建议输出显示；同订单故障(相同、类似)数量，时间范围内同机型故障(相同、类似)数量可以进行预警；
接下来维修员根据推荐的信息进行维修，当维修员维修完成后，维修员将最终正确的维修过程信息，回传到数据库实现真实维修数据的收集。
步骤5：当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；维修建议一般对应关联故障现象、推荐次数、有效次数、有效率。
步骤6：当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；
步骤7：将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储。
维修员按照推荐的信息进行维修，当维修完成后，会确认使用哪个维修建议完成的修复，如果是按照维修建议修复的直接勾选即可，系统会累加维修建议的次数，进行加权。如果不是按照推荐建议处理修复，维修人员需要录入正确的维修信息，最终传输到数据库内，形成新的知识。
需要说明的使，扫描整机序列号获取机器的故障信息的步骤之前包括：
步骤0：对机器故障数据进行整理并将整理后的数据写入数据库。
在有些实施例中，对机器故障数据进行整理并将整理后的数据写入数据库的步骤包括：
步骤01：对故障设备的错误代码、硬件分类、机型、报错信息以及维修建议进行整理；
步骤02：将错误代码、硬件分类、机型、报错信息以及维修建议建立关联后写入数据库；
步骤03：将维修白皮书、维修操作流程文件进行格式化和标识化后写入数据库。
收集维修故障的相关数据，利用这些历史数据建立维修的故障诊断与维修建议的关联关系存入数据库，在这里的数据可以是维修知识库：将编写的维修白皮书输入维修知识库进行自动化关联指导维修作业；反馈的数据也存储到维修知识库内。
有多种设备的故障代码故障描述数据，该数据来源于人工对设备故障的整理，数据主要包含，错误代码、硬件分类、机型、报错信息、维修建议，这些数据需要导入到数据库内，如有新数据可随时添加导入。每条数据记录应包含该故障的分析过程和维修过程。此数据来源于生产系统内历史积累的维修数据，主要包含故障现象、维修过程等信息，这些数据已经存在于数据库内。
在有些实施例中，根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议的步骤包括：
步骤21：根据故障代码、机器机型、故障描述找到故障现象；
步骤22：按照故障机器的故障现象在数据库内进行检索，进行分词匹配；
步骤23：判断是否匹配到完全相同的信息；
若是，执行步骤24；若否，执行步骤25；
步骤24：直接进行维修建议推荐；并记录维修建议的匹配次数；
步骤25：进行模糊匹配找到相似度大于第二阈值的故障对应的维修建议。从维修知识库内检索故障信息，并将检索的信息进行模糊推荐。
实现自动模糊推荐维修，首先扫描机器的SN(机器的唯一序列号，相当于身份证)，由于SN是与故障信息、机型、故障等信息已经绑定形成对应关系，所以扫描SN后会带出所有相关信息，首先根据故障代码找到故障现象，如果没有故障代码跳过故障代码检索功能，继续检索机型，如果没有机型会跳过机型检索，会继续按照故障机器的故障现象在数据库内进行检索，进行分词匹配，如果匹配到完全相同的信息会直接进行维修建议推荐，如果没有找到完全相同的故障信息，会进行模糊匹配找到类似的故障进行推荐，并按照分词匹配的契合度进行排序推荐。也可以实现主动故障搜索，当输入故障信息、订单等信息，系统对检索条件检索，搜索出对应故障的历史信息，方便维修员诊断。
在有些实施例中，如图2所示，将匹配出的维修建议按照分析匹配的契合度进行推荐排序的步骤包括：
步骤31：获取匹配出的维修建议的评价指标；所述评价指标包括故障频率、维修成功率和维修时间；
步骤32：将获取的评价指标进行归一化处理；由于指标之间的量纲和量级可能不同，因此先对故障频率、维修成功率和维修时间进行归一化处理。常用的归一化方法使用Min-Max归一化；
故障频率F归一化：F'＝(F-minF)/(maxF-minF)；
维修成功率SR归一化：SR'＝(SR-minSR)/(maxSR-minSR)；
维修时间RT归一化：RT'＝(RT-minRT)/(maxRT-minRT)；
其中，minF、maxF表示故障频率的最小值和最大值；minSR、maxSR表示维修成功率的最小值和最大值；minRT、maxRT表示维修时间的最小值和最大值；
步骤33：为每个评价指标分配权重；
根据维修建议的优先级和重要性，为每个评价指标分配权重(wF,wSR,wRT)。通常来说，维修成功率和故障频率越高，维修时间越短，维修方法越优秀。根据具体情况，我们可以为这三个指标分别分配权重。例如，wF＝0.3,wSR＝0.5,wRT＝0.2，使得三者之和为1。
在本发明实施例中，维修建议的推荐排序是基于综合评分进行的。维修部门需要解决大量故障机器的维修问题，他们希望能够根据维修建议的综合评分，快速确定最佳的维修方案。在此情景下，可以使用该数据来辅助维修人员进行决策，提高维修准确率，并且节省维修时间。
在大型制造工厂或者开展大型维修任务的场景中，在处理大量机器故障时，此权重配比("wF＝0.3,wSR＝0.5,wRT＝0.2")可显著提高维修效率。具体场景描述如下：
此场景要求快速响应和高维修成功率。这些工作场景往往涉及到生产线或者关键设备的停工，一旦出现故障，可能对整个生产流程产生巨大影响。因此，维修成功率(wSR＝0.5)被视为最重要的评价指标，占了比重最大的一半。维修成功率是衡量建议的有效性和可靠性的重要指标，给予其较大的权重可以促使系统更倾向于推荐已经被证明有效的维修方法，提高维修结果的准确性。
故障频率(wF＝0.3)是次重要的考虑因素。高故障频率可能意味着存在系统性问题，需要优先解决。由于部分故障可能会更加频繁地出现，通过赋予故障频率较高的问题更高的权重，系统可以更准确地推荐维修建议，从而帮助维修人员更快地解决这些常见问题。
维修时间(wRT＝0.2)是第三重要的指标。考虑维修时间对工作效率的影响，给予维修时间一定的权重可以帮助系统优先推荐那些需要较少时间完成的维修建议，加快维修速度并提高整体效率。在这些场合下，虽然维修时间也很重要，但如果能保证高维修成功率和解决高频故障，稍长的维修时间是可以接受的。
此种权重配比，可以让维修人员针对性地处理和优先处理那些具有高成功率与高故障频率的问题，从而显著提高整体的维修效率。同时，通过减少维修失败和重新维修的可能，这种方法还能减少资源的浪费，提高设备的使用率。具体实施方式“wF＝0.3,wSR＝0.5,wRT＝0.2，使得三者之和为1”可应用于维修辅助系统的评估阶段，用于综合评估维修建议的好坏，并按照综合评分由高到低进行推荐排序。在实际应用中，可以根据具体的维修情况来调整权重值，以实现最佳的维修建议的推荐效果。通过根据故障频率、维修成功率和维修时间等评价指标进行归一化处理，可以消除这些评价指标之间在量级上的差异，从而使得综合评分更加准确地反映维修建议的好坏程度。这种评估方式可以为维修人员提供可靠的参考依据，提高维修的准确性和效率，并且可以记录维修建议的匹配次数和维修历史记录，方便后续的维修工作参考。
步骤34：对于每种维修建议，计算归一化评价指标的加权和，得到综合评分；
综合评分S＝wF*F'+wSR*SR'+wRT*RT'，其中，wF为故障频率的权重,wSR为维修成功率的权重,wRT为维修时间的权重；
步骤35：将所有维修建议按照综合评分由高到低进行推荐排序。推荐顺序高的(即综合评分高的)维修建议。
这种加权评分法的维修建议优先级排序算法综合了故障频率、维修成功率和维修时间等关键指标，为用户提供较为合理和可靠的维修建议。在实际应用中，可以根据用户需求和设备类型调整权重分配，从而优化推荐效果。
在有些实施例中，如图3所示，不断的对维修数据进行完善积累，当高质量的数据积累到一定程度，利用GPT模型对数据进行训练实现问答类智能推荐。使用GPT(GenerativePre-trained Transformer)模型进行故障维修数据的训练以实现问答类智能维修推荐，GPT是一个基于Transformer架构的自然语言处理模型，具有强大的生成能力和转移学习能力。GPT的训练分为两个阶段：预训练和微调。预训练：在大量语料库上进行无监督预训练，学习丰富的语义和句法信息。GPT使用因果预测(单向语言模型)任务，训练模型预测下一个词的概率，形成通用语言模型。微调：给定特定任务的小规模标注数据，通过有监督学习对模型进行微调。训练过程中，损失函数旨在优化模型以提高特定任务的准确性。可通过以下几个步骤完成：
S1：获取数据库中故障现象以及对应的维修建议；具体的，本步骤中，获取数据库中匹配次数大于第三阈值的维修建议以及对应的故障现象；
S2：将获取的故障现象以及对应的维修建议按照问题和答案的格式整理成训练数据；格式如下：
问题：xxx
答案：xxx
…
数据应包含多种维修相关的问题和解决方案，包括对不同设备、故障类型和维修建议的了解，以上高质量数据在数据库内已经形成。
S3：对收集到的训练数据进行预处理，并将预处理后的数据分割成训练集和验证集；对收集到的数据进行预处理，包括去除特殊符号、纠正拼写错误、处理大小写等。按照一定比例(例如80％训练，20％验证)，将数据分割成训练集和验证集。
S4：加载预训练好的GPT模型及其词典；
S5：通过训练集对加载的GPT模型进行训练微调；其中损失函数最小化任务的预测误差。确保微调时的学习率较小，以避免影响预训练得到的通用性能。
S6：通过验证集对微调后的GPT模型进行性能评估输出最优GPT模型；在验证集上评估模型性能，通过调整超参数以优化模型在故障维修任务上的泛化性能。
S7：接收用户输入的故障问题，使用所述最优GPT模型进行维修建议的智能推荐。经过训练和微调的GPT模型可以用于故障维修的智能推荐。给定一个用户提出的维修问题，模型可以生成与问题相关的答案和建议。如有必要，还可以实现与用户的多轮交互，以获取更详细的问题信息。综上所述，通过收集高质量的故障维修数据，并在GPT模型上进行微调，可以实现故障维修领域的智能问答推荐。
为方便维修员随时随地诊断维修，为维修人员提供智能手机APP和电脑程序版，并具备实时同步和离线使用功能，并设计一个实时反馈和互动功能，允许用户与系统或其他专业维修人员即时沟通，获取更具针对性的故障诊断与维修建议。
如图4所示，本发明实施例还提供一种智能维修辅助系统，包括故障诊断模块、维修建议匹配模块、推荐处理模块、输出显示模块、维修结果处理模块、数据清洗整理模块和智能推荐模块；
故障诊断模块，用于扫描整机序列号获取机器的故障信息；
维修建议匹配模块，用于根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；
推荐处理模块，用于将匹配出的维修建议按照分析匹配的契合度进行推荐排序；
输出显示模块，用于将推荐排序高的第一阈值个数的维修建议输出显示；
维修结果处理模块，用于当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；
数据清洗整理模块，用于将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储；
智能推荐模块，用于获取数据库中的故障维修数据对GPT模型进行训练评估，获取用户输入的故障问题基于评估训练后的GPT模块进行维修建议的智能推荐。
在有些实施例中，该装置还包括数据整理模块和数据库；
数据整理模块，用于对机器故障数据进行整理并将整理后的数据写入数据库。具体用于对故障设备的错误代码、硬件分类、机型、报错信息以及维修建议进行整理；将错误代码、硬件分类、机型、报错信息以及维修建议建立关联后写入数据库；将维修白皮书、维修操作流程文件进行格式化和标识化后写入数据库。
在有些实施例中，维修建议匹配模块，具体用于根据故障代码、机器机型、故障描述找到故障现象；按照故障机器的故障现象在数据库内进行检索，进行分词匹配；若匹配到完全相同的信息直接进行维修建议推荐；并记录维修建议的匹配次数；若没有找到完全相同的故障信息，进行模糊匹配找到相似度大于第二阈值的故障对应的维修建议。
在有些实施例中，推荐处理模块包括评价指标获取单元、归一化处理单元、权重分配单元、计算单元和排序单元；
评价指标获取单元，用于获取匹配出的维修建议的评价指标；所述评价指标包括故障频率、维修成功率和维修时间；
归一化处理单元，用于将获取的评价指标进行归一化处理；
故障频率F归一化：F'＝(F-minF)/(maxF-minF)；
维修成功率SR归一化：SR'＝(SR-minSR)/(maxSR-minSR)；
维修时间RT归一化：RT'＝(RT-minRT)/(maxRT-minRT)；
其中，minF、maxF表示故障频率的最小值和最大值；minSR、maxSR表示维修成功率的最小值和最大值；minRT、maxRT表示维修时间的最小值和最大值；
权重分配单元，用于为每个评价指标分配权重；
计算单元，用于对于每种维修建议，计算归一化评价指标的加权和，得到综合评分；
综合评分S＝wF*F'+wSR*SR'+wRT*RT'，其中，wF为故障频率的权重,wSR为维修成功率的权重,wRT为维修时间的权重；
排序单元，用于将所有维修建议按照综合评分由高到低进行推荐排序。
在有些实施例中，所述智能推荐模块包括故障维修数据获取单元、数据整理单元、数据预处理单元、模型加载单元、训练单元、验证单元和执行单元；
故障维修数据获取单元，用于获取数据库中故障现象以及对应的维修建议；具体用于获取数据库中匹配次数大于第三阈值的维修建议以及对应的故障现象；
数据整理单元，用于将获取的故障现象以及对应的维修建议按照问题和答案的格式整理成训练数据；
数据预处理单元，用于对收集到的训练数据进行预处理，并将预处理后的数据分割成训练集和验证集；
模型加载单元，用于加载预训练好的GPT模型及其词典；
训练单元，用于通过训练集对加载的GPT模型进行训练微调；
验证单元，用于通过验证集对微调后的GPT模型进行性能评估输出最优GPT模型；
执行单元，用于接收用户输入的故障问题，使用所述最优GPT模型进行维修建议的智能推荐。
为方便维修员随时随地诊断维修，为维修人员提供智能手机APP和电脑程序版，并具备实时同步和离线使用功能，并设计一个实时反馈和互动功能，允许用户与系统或其他专业维修人员即时沟通，获取更具针对性的故障诊断与维修建议。
所述系统可以实时通讯为维修人员提供实时聊天和沟通功能，保证及时响应和互动效率。维修人员可以根据具体故障进行相应的咨询，例如系统无法启动、网络连接问题等。
所述系统设置语音识别模块，通过设计语音识别功能，帮助维修人员通过语音快速录入问题，避免手打输入繁琐，减少时间浪费。此外，语音识别还适用于语音助手，帮助维修人员更便捷地控制APP。
所述系统设置图片识别模块，APP应该支持图片识别功能，维修人员可以通过拍摄照片上传至系统，系统科学分析识别出故障点，从而进行更精准的维修。此外，图片识别还可以拓展到二维码扫描和条形码识别，从而提高工作的效率。
实时同步：为了保证实时同步和提高数据准确性，反馈和互动功能也应该支持实时同步。例如，实时通讯记录应该能够在手机APP、电脑程序版和后台管理系统中进行同步，以便于各种设备随时查看和回复消息。
数据加密：由于反馈和互动功能涉及到故障报告和维修建议等涉及隐私的信息，为了保护维修人员的隐私和数据安全，数据加密也应是必不可少的技术手段。
在真实的数据集上测试，GPT框架的智能维修系统在故障诊断和维修建议方案等方面的表现较传统维修方式更为准确。其中，准确率达到了80％以上，而传统维修方式的准确率仅在60％左右。通过对比实验数据可知，基于GPT框架的智能维修辅助系统在准确性、速度以及维修建议的准确度上远远胜过传统维修方法。该系统可以大大提高工厂的生产力和效率。在工业领域，此系统可以大幅提高工厂的生产力和协作效率。在社会领域，本系统也有望减少人工维修的繁琐流程，提高生产力和减少人力成本，具有广泛的推广价值。
使用历史数据建立故障诊断与维修建议系统，并维修知识库即数据库；收集并整合多种设备的故障代码故障描述数据、故障分析过程和维修过程、人工输入的维修白皮书和维修操作流程指导等文件数据；设计自动模糊推荐维修、诊断，以及主动故障搜索；展示推荐的维修方法和预警信息；处理维修人员完成维修后的数据反馈与更新；使用预训练的GPT模型，结合故障维修领域数据进行微调，实现问答类智能推荐；设备的SN与故障信息、机型、故障等信息之间的绑定关系，实现快速定位故障与维修信息；针对维修人员的数据反馈，对维修方法进行加权处理或存储新的维修知识；利用云端存储服务器对数据进行格式化和标识化处理，实现快速检索与调用。应用自然语言处理算法及技术将收集到的非结构化维修数据转换为结构化数据，以便于进行分析和建立故障诊断模型；设置维修建议优先级排序算法，基于故障频率、维修成功率和维修时间等参数对推荐的维修方法进行排序；采用智能匹配方式，根据用户需求自动分析并匹配相应的维修知识和资源；通过分析设备使用状况、维修记录和历史故障数据，提前给出可能出现故障的预警信息；利用机器学习技术持续优化和提升系统智能推荐性能，自动学习并更新维修知识库；为维修人员提供智能手机APP和电脑程序版，并具备实时同步和离线使用功能；基于设备所处行业与使用环境，生成行业和设备特定故障诊断和维修解决方案；设计一个实时反馈和互动功能，允许用户与系统或其他专业维修人员即时沟通，获取更具针对性的故障诊断与维修建议；增强数据安全与隐私保护策略，确保用户设备信息、维修记录和诊断结果的安全存储与传输。
如图5所示，本发明实施例还提供一种电子设备，所述电子设备包括：处理器510、通信接口520、存储器530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。通信总线可以用于电子设备与传感器之间的信息传输。处理器可以调用存储器中的逻辑指令，以执行如下方法：步骤1：扫描整机序列号获取机器的故障信息；步骤2：根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；步骤3：将匹配出的维修建议按照分析匹配的契合度进行推荐排序；步骤4：将推荐排序高的第一阈值个数的维修建议输出显示；步骤5：当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；步骤6：当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；步骤7：将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述方法实施例所提供的方法，例如包括：步骤1：扫描整机序列号获取机器的故障信息；步骤2：根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；步骤3：将匹配出的维修建议按照分析匹配的契合度进行推荐排序；步骤4：将推荐排序高的第一阈值个数的维修建议输出显示；步骤5：当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；步骤6：当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；步骤7：将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储。
作为本发明的智能维修辅助方法、系统、设备及存储介质是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/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所述权利要求的保护范围为准。

Claims (10)

1.一种智能维修辅助方法，其特征在于，包括如下步骤：
扫描整机序列号获取机器的故障信息；
根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；
将匹配出的维修建议按照分析匹配的契合度进行推荐排序；
将推荐排序高的第一阈值个数的维修建议输出显示；
当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；
当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；
将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储。
2.根据权利要求1所述的智能维修辅助方法，其特征在于，扫描整机序列号获取机器的故障信息的步骤之前包括：
对机器故障数据进行整理并将整理后的数据写入数据库。
3.根据权利要求2所述的智能维修辅助方法，其特征在于，对机器故障数据进行整理并将整理后的数据写入数据库的步骤包括：
对故障设备的错误代码、硬件分类、机型、报错信息以及维修建议进行整理；
将错误代码、硬件分类、机型、报错信息以及维修建议建立关联后写入数据库；
将维修白皮书、维修操作流程文件进行格式化和标识化后写入数据库。
4.根据权利要求3所述的智能维修辅助方法，其特征在于，根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议的步骤包括：
根据故障代码、机器机型、故障描述找到故障现象；
按照故障机器的故障现象在数据库内进行检索，进行分词匹配；
若匹配到完全相同的信息直接进行维修建议推荐；并记录维修建议的匹配次数；
若没有找到完全相同的故障信息，进行模糊匹配找到相似度大于第二阈值的故障对应的维修建议。
5.根据权利要求4所述的智能维修辅助方法，其特征在于，将匹配出的维修建议按照分析匹配的契合度进行推荐排序的步骤包括：
获取匹配出的维修建议的评价指标；所述评价指标包括故障频率、维修成功率和维修时间；
将获取的评价指标进行归一化处理；
故障频率F归一化：F'＝(F-minF)/(maxF-minF)；
维修成功率SR归一化：SR'＝(SR-minSR)/(maxSR-minSR)；
维修时间RT归一化：RT'＝(RT-minRT)/(maxRT-minRT)；
其中，minF、maxF表示故障频率的最小值和最大值；minSR、maxSR表示维修成功率的最小值和最大值；minRT、maxRT表示维修时间的最小值和最大值；
为每个评价指标分配权重；
对于每种维修建议，计算归一化评价指标的加权和，得到综合评分；
综合评分S＝wF*F'+wSR*SR'+wRT*RT'，其中，wF为故障频率的权重,wSR为维修成功率的权重,wRT为维修时间的权重；
将所有维修建议按照综合评分由高到低进行推荐排序。
6.根据权利要求5所述的智能维修辅助方法，其特征在于，该方法还包括：
获取数据库中故障现象以及对应的维修建议；
将获取的故障现象以及对应的维修建议按照问题和答案的格式整理成训练数据；
对收集到的训练数据进行预处理，并将预处理后的数据分割成训练集和验证集；
加载预训练好的GPT模型及其词典；
通过训练集对加载的GPT模型进行训练微调；
通过验证集对微调后的GPT模型进行性能评估输出最优GPT模型；
接收用户输入的故障问题，使用所述最优GPT模型进行维修建议的智能推荐。
7.根据权利要求6所述的智能维修辅助方法，其特征在于，获取数据库中故障现象以及对应的维修建议的步骤包括：
获取数据库中匹配次数大于第三阈值的维修建议以及对应的故障现象。
8.一种智能维修辅助系统，其特征在于，包括故障诊断模块、维修建议匹配模块、推荐处理模块、输出显示模块、维修结果处理模块、数据清洗整理模块和智能推荐模块；
故障诊断模块，用于扫描整机序列号获取机器的故障信息；
维修建议匹配模块，用于根据故障机器的订单信息对获取的故障信息进行检索匹配维修建议；
推荐处理模块，用于将匹配出的维修建议按照分析匹配的契合度进行推荐排序；
输出显示模块，用于将推荐排序高的第一阈值个数的维修建议输出显示；
维修结果处理模块，用于当维修人员最终是按照输出显示的一个维修建议进行维修时，将所述维修建议的匹配次数加一；当维修人员未按照输出显示的维修建议进行维修时，接收维修人员输入的实际维修记录；
数据清洗整理模块，用于将接收到的所述实际维修记录与对应的故障信息进建立关联后进行存储；
智能推荐模块，用于获取数据库中的故障维修数据对GPT模型进行训练评估，获取用户输入的故障问题基于评估训练后的GPT模块进行维修建议的智能推荐。
9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项权利要求所述的智能维修辅助方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一项权利要求所述的智能维修辅助方法。
CN202310943941.8A 2023-07-28 2023-07-28 一种智能维修辅助方法、系统、设备及存储介质 Pending CN116862477A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310943941.8A CN116862477A (zh) 2023-07-28 2023-07-28 一种智能维修辅助方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310943941.8A CN116862477A (zh) 2023-07-28 2023-07-28 一种智能维修辅助方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116862477A true CN116862477A (zh) 2023-10-10

Family

ID=88221610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310943941.8A Pending CN116862477A (zh) 2023-07-28 2023-07-28 一种智能维修辅助方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116862477A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829816A (zh) * 2024-01-25 2024-04-05 广东赛意信息科技有限公司 一种智能化的设备维修指导方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829816A (zh) * 2024-01-25 2024-04-05 广东赛意信息科技有限公司 一种智能化的设备维修指导方法及系统

Similar Documents

Publication Publication Date Title
CN109902153B (zh) 基于自然语言处理和案例推理的设备故障诊断方法及系统
CN107480141B (zh) 一种基于文本和开发者活跃度的软件缺陷辅助分派方法
WO2007106786A2 (en) Methods and systems for multi-credit reporting agency data modeling
CN117290462B (zh) 一种数据大模型的智能决策系统及方法
CN116862477A (zh) 一种智能维修辅助方法、系统、设备及存储介质
WO2023035330A1 (zh) 一种长文本事件抽取方法、装置、计算机设备及存储介质
CN112116168B (zh) 一种用户行为的预测方法、装置及电子设备
CN111861514B (zh) 一种人员推荐方法及人员推荐系统
CN110705283A (zh) 基于文本法律法规与司法解释匹配的深度学习方法和系统
Erfani et al. Predictive risk modeling for major transportation projects using historical data
CN115358481A (zh) 一种企业外迁预警识别的方法、系统及装置
CN116775879A (zh) 大语言模型的微调训练方法、合同风险评审方法及系统
CN113570380A (zh) 基于语义分析的业务投诉处理方法、装置、设备及计算机可读存储介质
CN116452212B (zh) 一种智能客服商品知识库信息管理方法及系统
CN117290508A (zh) 一种基于自然语言处理的贷后文本数据处理方法和系统
CN110362828B (zh) 网络资讯风险识别方法及系统
CN117151222A (zh) 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质
CN115982391A (zh) 信息处理方法及装置
CN116361655A (zh) 模型训练方法、标准问题的预测方法、装置、设备及介质
CN113987351A (zh) 基于人工智能的智能推荐方法、装置、电子设备及介质
CN112528887A (zh) 审核方法及装置
CN110502675A (zh) 基于数据分析的语音拨叫用户分类方法及相关设备
CN117540917B (zh) 一种培训平台辅助培训方法、装置、设备以及介质
CN117875706A (zh) 一种基于ai的评级工艺数字化管理方法
CN115761748A (zh) 基于levenshtein自动机的清单明细录入方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination