CN117035563A - 产品质量安全风险监测方法、设备、监测系统及介质 - Google Patents
产品质量安全风险监测方法、设备、监测系统及介质 Download PDFInfo
- Publication number
- CN117035563A CN117035563A CN202311302198.4A CN202311302198A CN117035563A CN 117035563 A CN117035563 A CN 117035563A CN 202311302198 A CN202311302198 A CN 202311302198A CN 117035563 A CN117035563 A CN 117035563A
- Authority
- CN
- China
- Prior art keywords
- data
- quality
- product
- quality data
- risk
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012502 risk assessment Methods 0.000 claims abstract description 32
- 238000007689 inspection Methods 0.000 claims abstract description 20
- 238000004140 cleaning Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000012806 monitoring device Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 150000001875 compounds Chemical class 0.000 description 7
- 239000003337 fertilizer Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 229910052785 arsenic Inorganic materials 0.000 description 2
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006229 carbon black Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- YWEUIGNSBFLMFL-UHFFFAOYSA-N diphosphonate Chemical compound O=P(=O)OP(=O)=O YWEUIGNSBFLMFL-UHFFFAOYSA-N 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- DLYUQMMRRRQYAE-UHFFFAOYSA-N phosphorus pentoxide Inorganic materials O1P(O2)(=O)OP3(=O)OP1(=O)OP2(=O)O3 DLYUQMMRRRQYAE-UHFFFAOYSA-N 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种产品质量安全风险监测方法、设备、监测系统及介质，首先获取目标产品的质量数据，其中，质量数据包括抽查数据和检验数据；对质量数据进行实时清洗；将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果；其中，产品质量安全风险评估模型内设置有修正系数；修正系数用于反映质量数据的离散程度对风险评估的影响。通过建立产品质量安全风险模型，赋予各项质量数据不同的修正系数，考虑数据离散程度对风险评估的影响，从而更加准确的反映产品质量特性的潜在的风险大小和风险发生频率，有效提高风险预警的准确度。
Description
技术领域
本发明属于产品检验技术领域，尤其涉及一种产品质量安全风险监测方法、设备、监测系统及介质。
背景技术
产品质量安全非常重要，由于产品质量造成的重大安全事故时有发生。为了减小产品质量问题造成的影响，需要全面采集汇聚、快速分析处理、准确研判预警产品检验检测数据，并形成反馈闭环管理，及时发现和掌握产品质量安全风险。
现有技术中，通常建立各种数据指标，以层次分析、熵权法等评价算法实现产品安全质量的评价，但这些方法无法快速准确分析判断产品质量特性潜在的风险大小和风险发生频率，产品风险预警的准确度较低。
发明内容
有鉴于此，本发明提供了一种产品质量安全风险监测方法、设备、监测系统及介质，旨在解决现有技术中产品风险预警的准确度较低的问题。
本发明实施例的第一方面提供了一种产品质量安全风险监测方法，包括：
获取目标产品的质量数据，其中，质量数据包括抽查数据和检验数据；
对质量数据进行实时清洗；
将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果；其中，产品质量安全风险评估模型内设置有修正系数；修正系数用于反映质量数据的离散程度对风险评估的影响。
本发明实施例的第二方面提供了一种产品质量安全风险监测装置，包括：
获取模块，用于获取目标产品的质量数据，其中，质量数据包括抽查数据和检验数据；
清洗模块，用于对质量数据进行实时清洗；
评估模块，用于将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果；其中，产品质量安全风险评估模型内设置有修正系数；修正系数用于反映质量数据的离散程度对风险评估的影响。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面的产品质量安全风险监测方法的步骤。
本发明实施例的第四方面提供了一种产品质量安全风险监测系统，包括：至少一个终端以及如上第三方面的电子设备。
本发明实施例的第五方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面的产品质量安全风险监测方法的步骤。
本发明实施例提供的产品质量安全风险监测方法、设备、监测系统及介质，首先获取目标产品的质量数据，其中，质量数据包括抽查数据和检验数据；对质量数据进行实时清洗；将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果；其中，产品质量安全风险评估模型内设置有修正系数；修正系数用于反映质量数据的离散程度对风险评估的影响。通过建立产品质量安全风险模型，赋予各项质量数据不同的修正系数，考虑数据离散程度对风险评估的影响，从而更加准确的反映产品质量特性的潜在的风险大小和风险发生频率，有效提高风险预警的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的产品质量安全风险监测系统的结构示意图；
图2是本发明实施例提供的产品质量安全风险监测方法的实现流程图；
图3是质量安全风险监测平台的使用页面图；
图4是质量安全风险监测平台的查询页面图；
图5是质量安全风险监测平台的另一查询页面图；
图6是对电力电缆质量安全监测的显示界面图；
图7是对复混合肥料质量安全风险监测的显示界面图；
图8是本发明实施例提供的产品质量安全风险监测装置的结构示意图；
图9是本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
图1是本发明实施例提供的产品质量安全风险监测系统的结构示意图。如图1所示，在一些实施例中，该系统包括：产品质量安全风险监测设备11和外部终端12。
产品质量安全风险监测设备11可以为终端或者服务器，终端可以是电脑、笔记本等，服务器可以是物理服务器、云服务器等，在此不作限定。外部终端12可以是手机、电脑等，在此不作限定。
产品质量安全风险监测设备11从目标数据库或者从外部终端12中获取目标产品的质量数据，对其进行评估，并将评估结果和预警信息发送给外部终端12，完成产品质量安全风险监测过程。目标产品可以是电力电缆、复混肥料等，在此不作限定。具体包括抽查数据和检验数据。
图2是本发明实施例提供的产品质量安全风险监测方法的实现流程图。如图2所示，在一些实施例中，产品质量安全风险监测方法，该方法包括：
S210，获取目标产品的质量数据，其中，质量数据包括抽查数据和检验数据；
在本发明实施例中，可以应用Kafka消息中间件作为数据接入方式，实现对监督抽查和检验检测大数据高吞吐量低延迟的数据采集，每秒可处理数十万条消息，将数据采集延迟降低至毫秒级别，提供高可靠的数据容灾机制和备份机制，支持节点故障恢复，有效避免数据丢失，可靠性达到100%。建立风险监测系统数据标准和数据模型，对数据进行持久化，创建电力电缆和复混肥等产品的监督抽查和检验检测数据库。采集的数据通过统一服务接口开放给实时计算模块用于标准差计算、生成检测结果判定准则和先验质量信息分析。
S220，对质量数据进行实时清洗；
在本发明实施例中，针对产品监督抽查和检验检测数据来源广、多品种、小批量等特点，设计监督抽查和检验检测大数据清洗框架，利用自适应和智能校核技术，将产品监督抽查和检验检测中实时产生的数据以结构化、与产品及质量特性值绑定的形式进行存储，清洗重复与价值低的数据，仅保留对标准差计算和风险评估有价值的数据，极大降低数据量，节约数据存储空间。针对产品规格型号、检测项目、单项判定、依据标准等关键数据，建立特征库进行标准化处理，采用关键字匹配算法进行相似度比较来消除重复数据，利用随机森林插补法、贝叶斯估计法来补全缺失数据，以此提高数据质量和数据置信度。每类产品均会定时检查，得到检验数据，以保证其正常使用，除此之外还会对产品进行不定时的抽查，得到抽查数据。抽查数据和检验数据的内容相同，但时间标记不同。其中，检验数据的数据量较大，但时间间隔较长，难以体现产品数据的偶然变化，抽查数据的数据量较小，但可以设置较高的抽查频率，以体现产品数据的变化。对于每种产品，其质量数据的具体内容不同。例如：产品电力电缆的质量数据可以包括但不限于下述至少一项：标志内容、碳黑含量、黑色聚乙烯护套、氟含量、电导率、PH值、酸气含量、烟发散。
在一些实施例中，S220可以包括：对获取的质量数据进行标准化处理，采用关键字匹配算法进行相似度比较来消除质量数据中的重复数据，并利用随机森林插补法、贝叶斯估计法来补全质量数据中的缺失数据，完成数据清洗。
在本发明实施例中，对获取的质量数据进行标准化处理可以包括：提取“规格型号”、“检测项目”等信息，判断是否符合预设的初步表达规格，若是则在预先建立的特征库中查找表达规范，否则退出。在查找表达规范后判断这些信息是否符合表达规范，若是则写入清洗日志，否则退出。
在本发明实施例中，采用关键字匹配算法进行相似度比较来消除质量数据中的重复数据，包括：提取数据关键字，计算数据键值，插入匹配数据集，计算匹配得分，并判断匹配得分是否超过预设阈值，若是则写入清洗日志，否则对历史数据集进行重新排序，并更新历史数据集。其中，对于历史数据集，需要创建监督和检验数据的关键字，并计算历史数据集中每条信息的键值。
在本发明实施例中，利用随机森林插补法、贝叶斯估计法来补全质量数据中的缺失数据，完成数据清洗，包括：数据输入过程、缺失值处理过程以及效果评价过程。
其中，数据输入过程具体包括提取输入的质量数据的缺失特征变量，其主要分为单项判定缺失、规格型号缺失和质量特性缺失3类缺失问题。其中，单项判定缺失的自变量选择为“检测结果”、“判定准则”。规格型号缺失的自变量选择为“质量特性”、“技术要求”。质量特性缺失的自变量选择为“产品”、“检测标准”、“技术要求”。
其中，缺失值处理过程可以包括下述至少一项随机森林插补法、贝叶斯估计法、多元回归法。
其中，可以同时采用上述3种算法进行缺失值处理，然后通过均方根误差计算上述3种方法的效果精度，选取精度最高的作为最终的缺失值填充结果。
S230，将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果；其中，产品质量安全风险评估模型内设置有修正系数；修正系数用于反映质量数据的离散程度对风险评估的影响。
在一些实施例中，监测结果为产品质量风险指数；质量安全风险评估模型为：
(1)；
(2)；
其中，Y为产品质量风险指数，w i为第i项质量数据对应的权重，λ i为修正系数，u i为第i项质量数据对应的不合格率，x ij为第i项质量数据中的第j个数据，μ i为第i项质量数据的平均值，N为第i项质量数据的数据总数，n为质量数据的项数，为预设参数，/>处于(0，1)之间。
在本发明实施例中，产品的质量数据的离散性越强，其产品质量的不确定性越高，发生风险事件的几率越大，对于这种产品，应当适当调高其产品质量风险指数，保证风险预警的及时性，避免产品发生恶性事件。
其中，第i项质量数据对应的权重可以是预设值，也可以计算得到，在此不作限定。其中，权重的预设值可以从预设权重表中查询得到，如表1所示：
表1 预设权重表
在一些实施例中，在S230之前，该方法还包括：获取各项质量数据对应的风险等级和各项质量数据的历史平均不合格率；根据风险等级和历史平均不合格率，计算第i项质量数据对应的权重。
在本发明实施例中，可以沿用上表的风险等级对应的权重作为初始权重，然后利用历史平均不合格率于预设标准不合格率，对风险等级对应的权重进行增大和减小。具体可以为w i=P+(Q-Q0)/Q0。其中P为风险等级对应的初始权重，Q为历史平均不合格率，Q0为预设标准不合格率。
在一些实施例中，在S230之前，该方法还包括：获取各项质量数据对应的风险等级和各项质量数据的历史平均离散程度；根据风险等级和历史平均离散程度，计算第i项质量数据对应的预设参数。
在本发明实施例中，同样可以根据预先实验，确定各项质量数据对应的风险等级与预设参数的值之间的关系，制定预设参数表，在使用时直接查表得到初始的预设参数。然后运用与权重同理的方式对其进行改变。具体可以为=/> 0+(Q-Q0)/CQ0。其中/> 0为风险等级对应的初始的预设参数，Q为历史平均不合格率，Q0为预设标准不合格率，C为预设常数，C大于3。
在一些实施例中，监测结果为产品质量风险指数；质量安全风险评估模型为：
(3)；
(4)；
其中，Y为产品质量风险指数，w i为第i项质量数据对应的权重，λ i为修正系数，u i为第i项质量数据对应的不合格率，u k为第k项质量数据对应的不合格率，α ik为第i项质量数据与第k项质量数据之间的影响系数，x ij为第i项质量数据中的第j个数据，μ i为第i项质量数据的平均值，N为第i项质量数据的数据总数，n为质量数据的项数，为预设参数，/>处于(0，1)之间。
上述的公式(1)和(2)中仅考虑了各项质量数据对产品质量风险的影响，并未考虑各项质量数据之间的影响。两个危害普通的质量问题同时发生，很可能进一步造成严重故障，因此本发明在公式(1)的技术上引入了，来评估不同项的质量数据之间的影响，保证风险评估的准确性。
本发明还可以基于监督抽查和检验检测数据体量大、数据精确度高和数据价值密度低的特点，采用大数据计算框架yarn(Yet Another Resource Negotiator，另一种资源协调者)，将大量的计算任务进行拆解和合并，极大减少资源消耗，提高计算的实时性。通过采用滑动窗口和时空变换技术，对监督抽查和检验检测大数据进行有效的控制，每个产品每个规格型号选择一个月内6-20家典型的生产企业数据，动态计算产品质量特性值标准差，确保进行产品质量特性值标准差分析的科学性和时效性，形成可直接采用的标准差数据库。
在一些实施例中，在S230之后，包括：向目标终端发送目标产品的监测结果，并在监测结果满足预设预警条件时，向目标终端发送预警信息。
在本发明实施例中，以基于质量特性值标准差的产品质量风险分析与预警体系为理论依据，以互联网平台为基础，应用云计算、智能预警、数据可视化等技术，研发产品质量安全风险监测及预警平台，实现风险数据实时采集、清洗、分类、计算和预警全过程自动处理和智能分析，实时联动监测产品风险指数、产品质量特性值风险指数、产品质量特性值标准差、产品及项目合格率等指标，动态展示产品质量安全风险指数和发展趋势。
采用OGNL（Object-Graph Navigation Language，表达式语言），设计了一套基于质量特性值标准差的产品质量安全风险分析报告标记方法，通过简单一致的表达式语法，可以存取对象的任意属性，调用对象的方法，遍历整个对象的结构图，实现字段类型转化等功能。设计基于质量特性值标准差的产品质量安全风险分析报告模版，对分析报告的数据和结果进行标记，通过poi和jxls技术解析分析报告模版中的批注和标记，读取风险监测系统数据库中的风险基础数据和分析结果，自动填写至分析报告段落及单元格。将产品质量安全风险分级预警信息转换为预警弹窗指令，通过标准的系统集成webservice接口，实时将分级预警信息推送至共享数据池，质量监管部门接收到分级预警信息后，通过弹窗、声光报警等方式进行风险预警提醒，由此形成了完整的闭环管理系统。
在本发明实施例中，具体可以通过下表查询风险指数与预警之间的关系，即上述的监测结果满足预设预警条件。具体如表2所示：
表2 风险程度表
下面给出了本发明的产品质量安全风险监测方法的一种应用实例，以对本发明的应用场景和步骤进行进一步的说明，但并不作为限定。
图3是质量安全风险监测平台的使用页面图。如图3所示，在质量安全风险监测平台的产品质量分析数据源选项下，填写产品、任务来源、生产单位、签发日期、型号规格分类、检验类型、生产单位等信息后，点击“分析”按钮，即可依据上述的S210-S230的步骤进行评估，具体可以以图3中下部分所示的方式进行显示，即以表格的方式依次显示产品名称、型号规格分类、风险等级和风险指数。其中，上述选项填写的表格和分析后得到的表格可以显示在同一页面中。
图4是质量安全风险监测平台的查询页面图。如图4所示，在质量安全风险监测平台的查询条件选项下，可以输入受检产品、检验项目、检验标准等信息，进行风险信息查询。例如在受检产品项内填写“轮滑鞋”，然后点击“查询”按钮，在商品列表区，将显示相应的商品。在标准差查看选项下将显示标准差和相应的质量特性。
图5是质量安全风险监测平台的另一查询页面图。如图5所示，在该查询条件选项下，可以输入受检产品、名称、严重度等选项，例如在受检产品项内填写“电力电缆”，然后点击“查询”按钮，在数据列表中将以表格的形式显示产品、名称等信息。
本发明在得到相应的监测结果后，可以以曲线、扇形图、表格等方式同时进行多个监测值(产品质量风险指数、评分、标准差、不合格率等)的展示。下面提供2个产品的展示示例，并不作为限定。
例如，在产品为电力电缆时，在网页顶部中间显示网页标题：电力电缆质量安全风险监测，并在网页标题下方显示6个监测图形，具体包括产品质量特性风险指数监测曲线、标准差分析曲线、产品不合格率图形、项目不合格率分布曲线、风险指数评定表、产品质量安全风险监测图形。
其中，产品质量特性风险指数监测曲线纵轴为风险指数，横轴为任一风险指标，风险指标可以为绝缘平均厚度、导体电阻、绝缘老化后撕裂伸长率等。
标准差分析曲线的横轴为检测项目，纵轴为检测项目对应数据的标准差，例如电力电缆的检测项目可以是空气烘箱老化前后断裂伸长率变化率。
产品不合格率图形具体为扇形图，以两个扇形分别代表不合格产品和合格产品。
项目不合格率分布曲线的横轴为检测项目，纵轴为检测项目对应数据的不合格率。例如电力电缆的检测项目可以是结构尺寸-绝缘平均厚度。
将上述的表2显示在该网页上，即为风险指数评定表。
图6是对电力电缆质量安全监测的显示界面图。如图6所示，本发明的实测示例中，以指针表盘的方式显示产品质量安全风险监测图形，在对某电力电缆产品进行监测时，计算得到产品质量风险指数为80.55，此时在表盘中间显示80.55，经表2查询得到等级Ⅰ和极度风险，并显示在80.55下方，同时表盘指针由0旋转至80.55的位置。其中，表盘中各个刻度区域可以按照上述的表2的预警颜色进行上色。
在产品为复混肥料时，其显示内容与上述的电力电缆产品大致相同，所不同的是其风险指标可以为砷含量、铅含量等，其检测项目可以是总汞、有效五氧化二磷的质量分数、总砷等。
图7是对复混合肥料质量安全风险监测的显示界面图。如图7所示，本发明的实测示例中，以指针表盘的方式显示产品质量安全风险监测图形，在对某复混肥料产品进行监测时，计算得到产品质量风险指数为22.13，此时在表盘中间显示22.13，经表2查询得到等级Ⅳ和一般风险，并显示在22.13下方，同时表盘指针由0旋转至22.13的位置。其中，表盘中各个刻度区域可以按照上述的表2的预警颜色进行上色。
综上，本发明的有益效果具体为：
1..通过持续汇聚和广泛采集产品市场监督抽查数据和检验监测数据，创建了电力电缆、复混肥等产品的质量监督抽查和检验检测数据库，很好地满足了产品质量风险预警实时性和准确性要求。
2.实现了产品质量安全风险快速研判和智能预警。基于互联网的产品质量安全风险预警理论，通过计算产品质量特性变异系数和产品质量安全风险指数，依据产品质量安全风险等级评定方法，能够快速准确分析判断产品质量特性潜在的风险大小和风险发生频率。
3.建立了产品质量安全风险快速反应处置机制。应用智能预警、数据可视化等技术，直观展示产品质量安全风险等级和质量特性风险指数等指标分析结果，将分析结果快速反馈给政府监管部门决策处置。提升了问题发现和风险研判能力。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图8是本发明实施例提供的产品质量安全风险监测装置的结构示意图。如图8所示，在一些实施例中，产品质量安全风险监测装置8，包括：
获取模块810，用于获取目标产品的质量数据，其中，质量数据包括抽查数据和检验数据；
清洗模块820，用于对质量数据进行实时清洗；
评估模块830，用于将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果；其中，产品质量安全风险评估模型内设置有修正系数；修正系数用于反映质量数据的离散程度对风险评估的影响。
可选的，监测结果为产品质量风险指数；质量安全风险评估模型为：
；
；
其中，Y为产品质量风险指数，w i为第i项质量数据对应的权重，λ i为修正系数，u i为第i项质量数据对应的不合格率，x ij为第i项质量数据中的第j个数据，μ i为第i项质量数据的平均值，N为第i项质量数据的数据总数，n为质量数据的项数，为预设参数，/>处于(0，1)之间。
可选的，产品质量安全风险监测装置8还包括第一计算模块，用于：获取各项质量数据对应的风险等级和各项质量数据的历史平均不合格率；根据风险等级和历史平均不合格率，计算第i项质量数据对应的权重。
可选的，产品质量安全风险监测装置8还包括第二计算模块，用于：获取各项质量数据对应的风险等级和各项质量数据的历史平均离散程度；根据风险等级和历史平均离散程度，计算第i项质量数据对应的预设参数。
可选的，监测结果为产品质量风险指数；质量安全风险评估模型为：
；
；
其中，Y为产品质量风险指数，w i为第i项质量数据对应的权重，λ i为修正系数，u i为第i项质量数据对应的不合格率，u k为第k项质量数据对应的不合格率，α ik为第i项质量数据与第k项质量数据之间的影响系数，x ij为第i项质量数据中的第j个数据，μ i为第i项质量数据的平均值，N为第i项质量数据的数据总数，n为质量数据的项数，为预设参数，/>处于(0，1)之间。
可选的，清洗模块820，用于：对获取的质量数据进行标准化处理，采用关键字匹配算法进行相似度比较来消除质量数据中的重复数据，并利用随机森林插补法、贝叶斯估计法来补全质量数据中的缺失数据，完成数据清洗。
可选的，产品质量安全风险监测装置8还包括预警模块，用于：向目标终端发送目标产品的监测结果，并在监测结果满足预设预警条件时，向目标终端发送预警信息。
本实施例提供的产品质量安全风险监测装置，可用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图9是本发明实施例提供的电子设备的结构示意图。如图9所示，本发明的一个实施例提供的电子设备9，该实施例的电子设备9包括：处理器90、存储器91以及存储在存储器91中并可在处理器90上运行的计算机程序92。处理器90执行计算机程序92时实现上述各个产品质量安全风险监测方法实施例中的步骤，例如图2所示各步骤。或者，处理器90执行计算机程序92时实现上述各系统实施例中各模块/单元的功能，例如图8所示各模块的功能。
示例性的，计算机程序92可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器91中，并由处理器90执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序92在电子设备9中的执行过程。
电子设备9可以是可以为电子设备或服务器，电子设备可以是手机、MCU、ECU、工控机等，在此不作限定，服务器可以是物理服务器、云服务器等，在此不作限定。电子设备9可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是电子设备9的示例，并不构成对电子设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器91可以是电子设备9的内部存储单元，例如电子设备9的硬盘或内存。存储器91也可以是电子设备9的外部存储设备，例如电子设备9上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器91还可以既包括电子设备9的内部存储单元也包括外部存储设备。存储器91用于存储计算机程序以及终端所需的其他程序和数据。存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述基于人工智能的心电图信息读取方法实施例中的步骤。
计算机可读存储介质存储有计算机程序92，计算机程序92包括程序指令，程序指令被处理器90执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序92来指令相关的硬件来完成，计算机程序92可存储于一计算机可读存储介质中，该计算机程序92在被处理器90执行时，可实现上述各个方法实施例的步骤。其中，计算机程序92包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种产品质量安全风险监测方法，其特征在于，所述方法包括：
获取目标产品的质量数据，其中，所述质量数据包括抽查数据和检验数据；
对所述质量数据进行实时清洗；
将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果；其中，所述产品质量安全风险评估模型内设置有修正系数；所述修正系数用于反映质量数据的离散程度对风险评估的影响。
2.根据权利要求1所述的产品质量安全风险监测方法，其特征在于，所述监测结果为产品质量风险指数；所述质量安全风险评估模型为：
；
；
其中，Y为所述产品质量风险指数，w i为第i项质量数据对应的权重，λ i为所述修正系数，u i为第i项质量数据对应的不合格率，x ij为第i项质量数据中的第j个数据，μ i为第i项质量数据的平均值，N为第i项质量数据的数据总数，n为质量数据的项数，为预设参数，/>处于(0，1)之间。
3.根据权利要求2所述的产品质量安全风险监测方法，其特征在于，在将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果之前，所述方法还包括：
获取各项质量数据对应的风险等级和各项质量数据的历史平均不合格率；
根据所述风险等级和所述历史平均不合格率，计算第i项质量数据对应的权重。
4.根据权利要求2所述的产品质量安全风险监测方法，其特征在于，在将清洗后的质量数据输入到产品质量安全风险评估模型中，确定目标产品的监测结果之前，所述方法还包括：
获取各项质量数据对应的风险等级和各项质量数据的历史平均离散程度；
根据所述风险等级和所述历史平均离散程度，计算第i项质量数据对应的预设参数。
5.根据权利要求1所述的产品质量安全风险监测方法，其特征在于，所述监测结果为产品质量风险指数；所述质量安全风险评估模型为：
；
；
其中，Y为所述产品质量风险指数，w i为第i项质量数据对应的权重，λ i为所述修正系数，u i为第i项质量数据对应的不合格率，u k为第k项质量数据对应的不合格率，α ik为第i项质量数据与第k项质量数据之间的影响系数，x ij为第i项质量数据中的第j个数据，μ i为第i项质量数据的平均值，N为第i项质量数据的数据总数，n为质量数据的项数，为预设参数，/>处于(0，1)之间。
6.根据权利要求5所述的产品质量安全风险监测方法，其特征在于，所述对所述质量数据进行实时清洗，包括：
对获取的质量数据进行标准化处理，采用关键字匹配算法进行相似度比较来消除质量数据中的重复数据，并利用随机森林插补法、贝叶斯估计法来补全质量数据中的缺失数据，完成数据清洗。
7.根据权利要求1-6任一项所述的产品质量安全风险监测方法，其特征在于，在确定目标产品的监测结果之后，包括：
向目标终端发送目标产品的监测结果，并在监测结果满足预设预警条件时，向所述目标终端发送预警信息。
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述产品质量安全风险监测方法的步骤。
9.一种产品质量安全风险监测系统，包括至少一个终端和如上的权利要求8所述的电子设备。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述产品质量安全风险监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302198.4A CN117035563B (zh) | 2023-10-10 | 2023-10-10 | 产品质量安全风险监测方法、设备、监测系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311302198.4A CN117035563B (zh) | 2023-10-10 | 2023-10-10 | 产品质量安全风险监测方法、设备、监测系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117035563A true CN117035563A (zh) | 2023-11-10 |
| CN117035563B CN117035563B (zh) | 2023-12-26 |
Family
ID=88602729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311302198.4A Active CN117035563B (zh) | 2023-10-10 | 2023-10-10 | 产品质量安全风险监测方法、设备、监测系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035563B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852972A (zh) * | 2024-02-01 | 2024-04-09 | 宝应县鑫龙铸造有限公司 | 一种基于铸造过程监控数据的铸造质量控制系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978560A (zh) * | 2018-12-06 | 2019-07-05 | 杭州国家电子商务产品质量监测处置中心 | 电子商务产品质量安全风险监测与预警方法 |
| CN110210776A (zh) * | 2019-06-11 | 2019-09-06 | 青岛理工大学 | 一种基于监控量测的隧道施工动态风险评估方法 |
| CN115097796A (zh) * | 2022-07-08 | 2022-09-23 | 广州市物码信息科技有限公司 | 一种质量控制系统与模拟大数据和校正aql值的方法 |
| CN115755799A (zh) * | 2022-11-11 | 2023-03-07 | 青岛奥利普奇智智能工业技术有限公司 | 一种用于监测质量波动的方法 |
| CN116307674A (zh) * | 2022-09-09 | 2023-06-23 | 北京脑陆科技有限公司 | 安全监管方法、装置、系统、设备、介质和产品 |
| CN116703158A (zh) * | 2023-06-06 | 2023-09-05 | 广州海关技术中心 | 一种关于进口食品风险预警的风险评估模型构建方法 |
| CN116750257A (zh) * | 2023-07-28 | 2023-09-15 | 河南中烟工业有限责任公司 | 一种用于烟支的卷包质量评价方法 |
-
2023
- 2023-10-10 CN CN202311302198.4A patent/CN117035563B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109978560A (zh) * | 2018-12-06 | 2019-07-05 | 杭州国家电子商务产品质量监测处置中心 | 电子商务产品质量安全风险监测与预警方法 |
| CN110210776A (zh) * | 2019-06-11 | 2019-09-06 | 青岛理工大学 | 一种基于监控量测的隧道施工动态风险评估方法 |
| CN115097796A (zh) * | 2022-07-08 | 2022-09-23 | 广州市物码信息科技有限公司 | 一种质量控制系统与模拟大数据和校正aql值的方法 |
| CN116307674A (zh) * | 2022-09-09 | 2023-06-23 | 北京脑陆科技有限公司 | 安全监管方法、装置、系统、设备、介质和产品 |
| CN115755799A (zh) * | 2022-11-11 | 2023-03-07 | 青岛奥利普奇智智能工业技术有限公司 | 一种用于监测质量波动的方法 |
| CN116703158A (zh) * | 2023-06-06 | 2023-09-05 | 广州海关技术中心 | 一种关于进口食品风险预警的风险评估模型构建方法 |
| CN116750257A (zh) * | 2023-07-28 | 2023-09-15 | 河南中烟工业有限责任公司 | 一种用于烟支的卷包质量评价方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852972A (zh) * | 2024-02-01 | 2024-04-09 | 宝应县鑫龙铸造有限公司 | 一种基于铸造过程监控数据的铸造质量控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117035563B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
| CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
| CN114723287A (zh) | 一种基于企业特征和经营行为对风险形成的量化统计方法 | |
| WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质 | |
| CN115409395A (zh) | 一种水利施工工程的质量验收检查方法及系统 | |
| WO2019019429A1 (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
| CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
| CN111752995A (zh) | 一种学生数据挖掘系统及方法 | |
| CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
| CN117574180B (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
| CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
| CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
| CN111882289B (zh) | 一种项目数据审核指标区间测算的装置和方法 | |
| CN114356900A (zh) | 一种电力数据异常检测方法、装置、设备及介质 | |
| CN113515560A (zh) | 车辆故障的分析方法、装置、电子设备及存储介质 | |
| CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
| CN115564410A (zh) | 一种继电保护设备的状态监测方法及装置 | |
| Sun | Management Research of Big Data Technology in Financial Decision-Making of Enterprise Cloud Accounting | |
| CN114861800B (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
| CN114312930B (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
| Su et al. | Fuzzy FMECA risk evaluation and its applications in Chinese train control systems based on cloud model | |
| CN111612302A (zh) | 一种集团级数据管理方法和设备 | |
| CN116719665B (zh) | 一种气象数值模式异常状态的智能判识方法 | |
| CN118432952B (zh) | 一种零信任环境下的异常检测方法、电子设备及存储介质 |
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 |