CN117076452A - 表单更新方法、装置、设备、系统及计算机可读存储介质 - Google Patents
表单更新方法、装置、设备、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117076452A CN117076452A CN202311050070.3A CN202311050070A CN117076452A CN 117076452 A CN117076452 A CN 117076452A CN 202311050070 A CN202311050070 A CN 202311050070A CN 117076452 A CN117076452 A CN 117076452A
- Authority
- CN
- China
- Prior art keywords
- dynamic information
- updating
- target
- preset
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000013135 deep learning Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 206010063385 Intellectualisation Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请提供了一种表单更新方法、装置、设备、系统及计算机可读存储介质，其中，该方法包括：获取目标表单中动态信息变化时的动态信息，动态信息为目标表单中影响目标设备工作动态变化的信息；根据动态信息和预设推理模式生成更新策略；根据更新策略和预设显示规则更新目标表单，预设显示规则为显示目标表单对应的显示规则。本申请通过获取参数变化时的动态信息，并根据该动态信息和预设推理模式生成更新策略，另外再根据该更新策略和显示该目标表单的表单显示设备对应的显示规则对目标表单进行更新，实现了通过动态变化的动态信息自动对目标表单的更新，可以提高表单的生成和更新效率。
Description
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种表单更新方法、装置、设备、系统及计算机可读存储介质。
背景技术
随着信息技术的飞速发展及应用的不断深入，越来越多的企事业单位构建了各种各样的信息系统，在构建信息系统的过程中需要设计、开发大量的信息表单，以用于信息的收集录入、内容呈现。
然而，现有的表单生成系统往往仅限于静态的设计，并不能根据信息变化进行动态的调整。这使得在面临需要调整表单的情况时，用户需要手动去修改，效率较低且成本较高。
发明内容
有鉴于此，本申请实施例的目的在于提供一种表单更新方法、装置、设备、系统及计算机可读存储介质，能够提高表单更新效率的同时降低更新成本。
第一方面，本申请实施例提供了一种表单更新方法，包括：获取目标表单中动态信息变化时的动态信息，所述动态信息为所述目标表单中影响目标设备工作动态变化的信息；根据所述动态信息和预设推理模式生成更新策略；根据所述更新策略和预设显示规则更新目标表单，所述预设显示规则为显示所述目标表单的表单显示设备对应的显示规则。
在上述实现过程中，通过获取变化时的动态信息，并根据该动态信息和预设推理模式生成更新策略，另外再根据该更新策略和显示该目标表单的表单显示设备对应的显示规则对目标表单进行更新，实现了通过动态变化的动态信息自动对目标表单的更新，不需要人工调整，在提高表单的生成和更新效率的同时，还降低了成本。另外，通过根据显示该目标表单的表单显示设备对应的显示规则对目标表单进行更新，以使该目标表单在不同显示设备中可以对应不同的显示方式，进而使得该目标表单在不同显示设备中都能清晰的展示，可以提高表单的显示效果。
在一个实施例中，所述预设推理模式包括深度学习算法，所述根据所述动态信息和预设推理模式生成更新策略，包括：将所述动态信息输入深度学习算法进行特征提取，并将提取的特征进行前向传播计算，以得到每种待选策略的概率；根据所述待选策略的概率确定所述更新策略。
在上述实现过程中，通过深度学习算法生成更新策略，由于该深度学习算法可以对动态数据进行特征提取并计算每种待选策略的概率，即使该动态信息中包括多种复杂的动态信息变化，也可以通过该深度学习算法生成相应的更新策略，增加了该表单更新方法可应用的场景。另外，通过计算每种待选策略的概率，可以确定出该较为合适的更新策略，进而提高表单更新的效果。
在一个实施例中，所述预设推理模式包括预设推理规则，所述根据所述动态信息和预设推理模式生成更新策略，包括：确定所述动态信息中发生变化的参数；根据所述发生变化的参数和所述发生变化的参数对应的设定布局确定更新策略。
在上述实现过程中，直接通过发生变化的参数对应的设定布局确定更新策略，由于这些设定布局都是根据该动态信息提前存储在表单更新设备中的，在获取到变化的参数后，直接匹配对应的设定布局，不需要根据变化的参数计算对应的更新策略，可以减少确定更新策略过程中的计算量，提高表单更新效率。
在一个实施例中，所述根据所述更新策略和预设显示规则更新目标表单，包括：解析所述更新策略得到待调整内容和待调整布局；根据所述待调整内容调整所述目标表单的内容；根据所述预设显示规则和所述待调整布局对所述目标表单进行重新排版，以更新所述目标表单。
在上述实现过程中，通过设置更新策略包括待调整内容和待调整布局，对于不同的参数变化，可以生成不同的更新布局，对于一些需要突出显示的动态信息，可以通过调整对应的显示布局，使得这些动态信息在变化时，突出显示，以提醒工作人员及时发现参数的变化情况，在提高了表单更新的智能化和个性化的同时，该可以对异常情况进行告警，提高设备运行安全性。
在一个实施例中，所述根据所述动态信息和预设推理模式生成更新策略之前，所述方法还包括：对所述动态信息进行数据清洗；将清洗后的动态信息进行预处理。
在上述实现过程中，在获取到动态信息后，先对该动态信息进行数据清洗，可以提高该动态信息的准确性和完整性。另外，在对该动态信息进行预处理，以将该动态信息转换为深度学习算法或表单更新设备可以处理的特征形式，以使得该深度学习算法和/或表单更新设备可以通过该动态信息得到更新策略，实现了通过变化的动态信息自动生成更新策略，提高了表单更新的自动化和智能化。
在一个实施例中，所述将清洗后的动态信息进行预处理，包括：将所述清洗后的动态信息进行数据转换和/或规范化处理。
在上述实现过程中，通过将清洗后的动态信息进行数据转换和/或规范化处理，以将该动态信息转换为深度学习算法或表单更新设备可以处理的特征形式，以使得该深度学习算法和/或表单更新设备可以通过该动态信息得到更新策略，实现了通过变化的动态信息自动生成更新策略，提高了表单更新的自动化和智能化。
第二方面，本申请实施例还提供一种表单更新装置，包括：信息获取模块，用于获取目标表单中动态信息变化时的动态信息，所述动态信息为影响目标设备工作动态变化的信息；推理引擎模块，用于根据所述动态信息和预设推理模式生成更新策略；表单生成模块，用于根据所述更新策略和预设显示规则更新所述目标表单，所述目标表单中包括所述动态信息，所述预设显示规则为显示所述目标表单对应的显示规则。
第三方面，本申请实施例还提供一种表单更新设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当表单更新设备运行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中的方法的步骤。
第四方面，本申请实施例还提供一种表单更新系统，包括：信息采集设备、第三方面所述的表单更新设备以及表单显示设备；所述信息采集设备用于获取目标表单中的动态信息，并在所述动态信息变化时将所述动态信息发送到表单更新设备，所述动态信息为影响目标设备工作的动态变化信息；所述表单更新设备用于根据获取到的所述动态信息和预设推理模式生成更新策略，并根据所述更新策略和预设显示规则更新所述目标表单，所述预设显示规则为显示所述目标表单对应的显示规则；所述表单显示设备用于显示更新后的目标表单。
第五方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面的任一种可能的实施方式中表单更新方法的步骤。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的表单更新系统中各个设备进行交互的示意图；
图2为本申请实施例提供的表单更新设备的方框示意图；
图3为本申请实施例提供的表单更新方法的流程图；
图4为本申请实施例提供的表单更新装置的功能模块示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请发明人经长期研究发现，随着物联网和AI技术的发展，越来越需要能够快速响应信息变化的系统。在许多实时信息监测和控制系统中，例如工业生产线、环境监测站等，经常需要根据信息的变化调整表单内容。然而，现有的大部分表单设计和生成系统，尤其是那些基于传统编程方法的系统，通常无法灵活地进行这样的调整。
有鉴于此，本申请发明人提出一种表单更新方法，通过获取变化时的动态信息，并根据该动态信息和预设推理模式生成更新策略，另外再根据该更新策略和显示该目标表单的表单显示设备对应的显示规则对目标表单进行更新，实现了通过动态变化的动态信息自动对目标表单的更新，不需要人工调整，可以在提高表单的生成和更新效率的同时，降低成本。
为便于对本实施例进行理解，首先对执行本申请实施例所公开的一种表单更新方法的运行环境进行详细介绍。
如图1所示，是本申请实施例提供的表单更新系统中各个设备进行交互的示意图。表单更新系统包括：信息采集设备300、表单更新设备100以及表单显示设备200。
其中，表单更新设备100通过网络与一个或多个信息采集设备300进行通信连接，以进行数据通信或交互。该表单更新设备100还可以通过网络与一个或多个表单显示设备200进行通信连接，以进行数据通信或交互。
可选地，该表单更新设备100和表单显示设备200可以是两个相互独立的设备，也可以是同一设备上两个不同功能的模块。该表单更新设备100和表单显示设备200的具体设置方式可以根据实际情况进行选择，本申请不做具体限制。
这里的信息采集设备300用于获取目标表单中的动态信息，并将该动态信息发送到表单更新设备100。该信息采集设备300可以是温度传感器、湿度传感器、图像采集设备、压力传感器等。且该信息采集设备300可以为一个或多个，若该信息采集设备300为多个，多个信息采集设备300可以是同一类型信息采集设备300，也可以是不同类型信息采集设备300。该信息采集设备300可以根据实际情况进行选择。
在一种实施例中，该信息采集设备300还可以用于判断获取到的动态信息中的动态信息是否发生变化。该信息采集设备300仅在动态信息变化时将该动态信息发送到表单更新设备100，当没有动态信息变化时，该信息采集设备300处于监听状态。
其中，该动态信息为影响目标设备工作的动态变化信息。例如，该动态信息可以是目标设备的设备温度、目标设备所在区域的环境温度、目标设备所在区域的环境湿度、目标设备的压力等。该目标设备可以工厂的生产设备、检测设备等。
上述的表单更新设备100用于根据获取到的动态信息和预设推理模式生成更新策略，并根据更新策略和预设显示规则更新目标表单。该表单更新设备100可以是网络服务器、数据库服务器等，也可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digital assistant，PDA)等。该表单更新设备100可以根据实际情况进行选择。
其中，预设显示规则为显示目标表单对应的显示规则。
应理解，该表单更新设备100中可以存储有用于生成更新策略的预设推理模式和预设显示规则等推理模型。
这里的表单显示设备200用于显示更新后的目标表单。该表单显示设备200也可以是网络服务器、数据库服务器、个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digital assistant，PDA)等。该表单显示设备200可以根据实际情况进行选择。
为便于对本实施例进行理解，下面对执行本申请实施例所公开的表单更新方法的表单更新设备100进行详细介绍。
如图2所示，是表单更新设备的方框示意图。表单更新设备100可以包括存储器111、处理器113、输入输出单元115。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对表单更新设备100的结构造成限定。例如，表单更新设备100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。
上述的存储器111、处理器113以及输入输出单元115各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行模块。
其中，存储器111可以是，但不限于，随机存取存储器(Random Access Memory，简称RAM)，只读存储器(Read Only Memory，简称ROM)，可编程只读存储器(ProgrammableRead-Only Memory，简称PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，简称EEPROM)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本申请实施例任一实施例揭示的过程定义的表单更新设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(digital signalprocessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
上述的输入输出单元115用于提供给用户输入数据。所述输入输出单元115可以是，但不限于，鼠标和键盘等。
本实施例中的表单更新设备100可以用于执行本申请实施例提供的各个方法中的各个步骤。下面通过几个实施例详细描述表单更新方法的实现过程。
请参阅图3，是本申请实施例提供的表单更新方法的流程图。下面将对图3所示的具体流程进行详细阐述。
步骤201，获取目标表单中动态信息变化时的动态信息。
其中，动态信息为目标表单中影响目标设备工作的动态变化信息，该动态信息包括一种或多种动态参数。例如，该动态信息可以包括目标设备的设备温度、目标设备所在区域的环境温度、目标设备所在区域的环境湿度、目标设备的压力等中的一种动态参数。该目标设备可以工厂的生产设备、检测设备等。
这里的目标表单中包括该动态信息，也可以包括该动态信息对应的目标设备相关的静态信息。
可选地，这里的步骤201可以是：获取目标表单中任意一种动态信息变化时的动态信息；也可以是：获取目标表单中预设数量的动态信息变化时的动态信息。还可以是：获取目标表单中预设类型的动态信息变化时的动态信息。其中，预设数量为提前设定的数量值。如，2种、3种、4种等。预设类型为提前设定的参数类型。如该预设类型为:温度、湿度等。
例如，步骤201具体还可以为：获取目标表单中任意三种动态信息变化时的动态信息。
再例如，步骤201具体还可以为：获取目标表单中温度信息变化时的动态信息。
又例如，步骤201具体还可以为：获取目标表单中温度信息和湿度变化时的动态信息。
上述的步骤201的动态信息获取的条件仅是示例性地，该动态信息获取的条件的可以根据实际情况进行选择。
当然，在确定目标表单中动态信息变化时，获取的动态信息可以是仅变化的动态信息，还可以是所有的动态信息。在确定目标表单中动态信息变化时，获取的动态信息可以根据实际情况进行调整，本申请不做具体限制。
步骤202，根据动态信息和预设推理模式生成更新策略。
这里的预设推理模式可以是预设规则，也可以是预设深度学习算法，还可以是预设规则和预设深度学习算法等。该预设推理模式可以根据实际情况进行选择。
上述的更新策略可以是目标表单的动态信息，目标表单的布局以及目标表单的中动态信息显示方式等一种或多种方式的变更。
示例性地，该更新策略可以包括修改表单的内容(如，增减字段)、对表单进行排版(如，在移动设备上优化布局)以及对变化内容提醒显示(如，对变化参数标红和、放大、闪烁显示、哪些字段需要强调，是否有某些字段需要隐藏)等。
在一些情况下，若获取到的动态信息中的某些动态信息大于对应的参数阈值，该更新策略中还可以包括显示告警信息等。
在一些实施例中，该表单更新设备还可以在目标表单实际使用过程中，收集反馈信息，若存在问题，将该反馈信息输入到该表单更新设备，并对该预设推理模式进行更新、优化等。
步骤203，根据更新策略和预设显示规则更新目标表单。
这里的预设显示规则为显示目标表单对应的显示规则。
可以理解地，目标表单在显示时，可以在多种不同的表单显示设备中显示。例如，手机、电脑、服务器等设备。由于不同表单显示设备的显示区域、显示方式等不同，若按照同一规则对目标表单进行显示，可能会影响显示效果。因而，可以根据每个表单显示设备的实际情况设置对应的显示规则，以使得该目标表单在不同表单显示设备中的显示效果不受影响。例如，在手机上显示时，需要对布局进行压缩或者重新组织，使得其在较小的屏幕上也能清晰展示。
在上述实现过程中，通过获取变化时的动态信息，并根据该动态信息和预设推理模式生成更新策略，另外再根据该更新策略和显示该目标表单的表单显示设备对应的显示规则对目标表单进行更新，实现了通过动态变化的动态信息自动对目标表单的更新，不需要人工调整，在提高表单的生成和更新效率的同时，还降低了成本。另外，通过根据显示该目标表单的表单显示设备对应的显示规则对目标表单进行更新，以使该目标表单在不同显示设备中可以对应不同的显示方式，进而使得该目标表单在不同显示设备中都能清晰的展示，可以提高表单的显示效果。
在一种可能的实现方式中，步骤202包括：将动态信息输入深度学习算法进行特征提取，并将提取的特征进行前向传播计算，以得到每种待选策略的概率；根据待选策略的概率确定更新策略。
可选地，该深度学习算法可以是包括用于特征提取的预训练模型和用于概率计算的深度学习模型两个独立模型的总模型，也可以是包括特征提取和概率计算两种算法的一个模型，该深度学习算法的具体设置方式可以根据实际情况进行选择。例如，该预训练模型可以是监督学习模型，如神经网络，卷积神经网络(CNN)，循环神经网络(RNN)等。该预训练模型可以根据实际情况进行选择，本申请不做具体限制。该深度学习模型可以是权重计算的模型、偏差初始化的模型、以及权重和偏差初始化的模型等。该深度学习模型可以根据实际情况进行选择，本申请不做具体限制。
这里的特征提取是指将原始输入数据转换为能够被深度学习模型处理的形式。例如，对于图像数据，其特征可能是图像的颜色、形状、纹理等；对于文本数据，其特征可能是词频、TF-IDF、word2vec等；对于环境信息，其特征可能是温度、湿度等数据。则在进行特征提取时，若是环境温度，可以提取其中的温度峰值、湿度峰值、温度波动情况、湿度波动情况等。若是图像数据，可以提取其中的设定形状、设定颜色、颜色变化情况等。若是文本数据，可以提取其中的频率最高的词汇、特征词汇等。
在一种实施例中，用于特征提取的神经网络可以是卷积神经网络(CNN)。
示例性地，在进行特征提取时，可以先按照时间顺序排列获取到的动态数据，然后通过该卷积神经网络(CNN)提取该动态数据中重要的特征。
上述的前向传播计算是一种将上一层的输出作为下一层的输入，并计算下一层的输出，一直到运算到输出层为止的计算方法，其目的是通过输入层的数据逐步传递到输出层，从而得到模型的预测结果。
具体的，在计算待选策略的概率时，可以将提取到的特征代入到权重和偏差初始化的模型中，然后基于模型的架构(例如层级、激活函数等)进行连续的矩阵运算，最后得到每一种可能策略的预测概率。
在确定出每一种可能策略的预测概率后，可以选择概率最高的策略为更新策略。
例如，如果高温状态的概率最高，则将高温策略作为更新策略，对目标表单进行更新。在该高温策略中可能会强调温度字段(如，将高温数据放大、标红并显示在目标表单的中间位置等)，并提供相应的降温建议操作等。
在上述实现过程中，通过深度学习算法生成更新策略，由于该深度学习算法可以对动态数据进行特征提取并计算每种待选策略的概率，即使该动态信息中包括多种复杂的动态信息变化，也可以通过该深度学习算法生成相应的更新策略，增加了该表单更新方法可应用的场景。另外，通过计算每种待选策略的概率，可以确定出该较为合适的更新策略，进而提高表单更新的效果。
在一种可能的实现方式中，步骤202包括：确定动态信息中发生变化的参数；根据发生变化的参数和发生变化的参数对应的设定布局确定更新策略。
这里的设定布局可以包括目标设备不可用时使用默认布局，或在特定情况下(如，环境温度较高、环境温度较低、设备温度较高、设备温度较低等)使用的特别的表单布局。
可以理解地，可以针对每种参数变化设置对应的布局，对于一些较少的参数变化，可以直接将该参数对应的布局作为更新策略。例如，环境温度的设定布局为：更新目标表单中的环境温度值、显示该环境温度在表单中间、同时将该环境温度值放大、标红显示。若在某一时段，仅有环境温度发生变化，则可以直接根据该环境温度对应的设定布局，即：更新目标表单中的环境温度值、显示该环境温度在表单中间，同时将该环境温度值放大、标红显示作为该表单的更新策略。
在上述实现过程中，直接通过发生变化的参数对应的设定布局确定更新策略，由于这些设定布局都是根据该动态信息提前存储在表单更新设备中的，在获取到变化的参数后，直接匹配对应的设定布局，不需要根据变化的参数计算对应的更新策略，可以减少确定更新策略过程中的计算量，提高表单更新效率。
在一种可能的实现方式中，步骤203包括：解析更新策略得到待调整内容和待调整布局；根据待调整内容调整目标表单的内容；根据预设显示规则和待调整布局对目标表单进行重新排版，以更新目标表单。
其中，待调整内容可以包括添加或删除字段等。
这里的待调整布局可以包括修改字段的顺序或样式等。例如，修改字段在目标表单中的显示位置、修改字段的大小或颜色等。
在一种实施例中，影响性能的关键数据可以设置突出显示。例如在监测设备状态的场景中，如果设备温度过高，那么‘温度’字段可设置为突出显示。如，将该‘温度’字段显示在目标表单的中间位置，且标红显示。
上述的预设显示规则可以包括对表单进行重新排版，以使用不同类型的显示器或表单显示设备。例如，在移动设备上显示时，可以对目标表单的布局进行压缩或者重新组织，使得其在较小的屏幕上也能清晰展示。在幕布上显示时，可以对目标表单的布局进行放大或者重新组织，使得其在较大的屏幕上也能清晰展示。
为方便理解，下面以一个具体示例，对该步骤203进一步解释说明：
若环境监测设备检测到工厂设备的温度异常升高，则可以根据步骤202生成如下的策略：“突出显示温度字段，隐藏非必要信息，调整布局适应手机端显示”。表单更新设备首先读取到这个策略后，会将表单上的“温度”字段放在最显眼(如，目标表单中间)的位置，并使用警告色彩(如红色)进行标注。它会移除一些此时不太相关或者优先级较低的字段，比如“设备编号”、“服务商联系方式”等。最后，调整表单的布局，使其更适合在手机上阅读和操作。
在上述实现过程中，通过设置更新策略包括待调整内容和待调整布局，对于不同的参数变化，可以生成不同的更新布局，对于一些需要突出显示的动态信息，可以通过调整对应的显示布局，使得这些动态信息在变化时，突出显示，以提醒工作人员及时发现参数的变化情况，在提高了表单更新的智能化和个性化的同时，该可以对异常情况进行告警，提高设备运行安全性。
在一种可能的实现方式中，步骤202之前，该方法还包括：对动态信息进行数据清洗；将清洗后的动态信息进行预处理。
这里的数据清洗是指检查动态信息的完整性。例如，检查该动态信息是否有缺失字段、异常值等，并予以修复或剔除。该数据清洗可以采用分箱法、聚类法、回归法等，该数据清洗的方法可以根据实际情况进行选择，本申请不做具体限制。
上述的预处理可以包括数据集成、数据变换、数据规范化等处理方式。
可以理解地，通过信息采集设备获取到的动态信息的数据格式可能并不是深度学习算法和/或表单更新设备可以处理的数据格式，在获取到动态信息后可以先对该动态信息进行清洗，以提高该动态信息准确性和完整性。另外，在对该动态信息进行预处理，将该动态信息转换为深度学习算法或表单更新设备可以处理的特征形式，以使得该深度学习算法和/或表单更新设备可以通过该动态信息得到更新策略。
可选地，进行数据清洗和预处理的动态信息可以包括步骤201获取到的全部动态信息，也可以仅包括步骤201中获取到的动态信息中发生变化的参数，还可以是用于生成更新策略必要的动态信息等。进行数据清洗和预处理的动态信息可以根据实际情况进行调整，本申请不做具体限制。
在上述实现过程中，在获取到动态信息后，先对该动态信息进行数据清洗，可以提高该动态信息的准确性和完整性。另外，在对该动态信息进行预处理，以将该动态信息转换为深度学习算法或表单更新设备可以处理的特征形式，以使得该深度学习算法和/或表单更新设备可以通过该动态信息得到更新策略，实现了通过变化的动态信息自动生成更新策略，提高了表单更新的自动化和智能化。
在一种可能的实现方式中，将清洗后的动态信息进行预处理，包括：将清洗后的动态信息进行数据转换和/或规范化处理。
这里的数据转换可以包括格式转换、类别转换等。例如将时间戳转化为能够更好地解析的日期-时间格式，如果有类别数据(例如设备类型)可能需要进行one-hot编码等操作，将该动态信息转换为对应的类别数据。
上述的规范化处理是指将该动态信息转换或统一成适合挖掘的形式，使得他们在进行深度学习时能够在同一范围内进行比较。该规范化可以包括但不限于：小数定标规范化、最小-最大值规范化和z-score规范化等。
为方便理解，下面以一个具体示例，对动态信息清洗和预处理进一步解释说明：
若该信息采集设备包括在工业生产线上部署的传感器，该信息采集设备可以发送温度、湿度和振动频率等数据。在“数据清洗和预处理”阶段，可以先检查信息采集设备获取到的动态数据是否完整和合理。例如，如果接收到的温度值为-273℃，因为这低于绝对零温(-273.15℃)，可以确定这是一个异常值，因此可以将它剔除。然后，还可以将时间戳转化为日期-时间格式，以便进一步分析。最后，对所有数值字段进行规范化，使它们落在同一区间内，比如0-1，这些就完成了该动态数据的清洗和预处理。
具体地，为方便理解，下面以一个具体示例，对该表单更新方法进一步解释说明：
若在一个工厂的生产线上，信息采集设备正在监控生产环境的温度、湿度等参数。某一天，该信息采集设备检测到环境温度突然升高，这可能会影响产品的质量。该信息采集设备立即将这个信息发送给该表单更新设备。表单更新设备通过对接收到的动态信息进行清洗和预处理后，根据预设推理模式生成更新策略，判断出需要调整生产参数以应对温度的变化，并根据该更新策略，更新该表单或创建一个新的表单，重新组织或设计相关的控件，自动调整表单中的参数，并把需要调整的参数显示在最明显的位置，方便工作人员立即看到并进行手动调整。这样不仅可以提高表单更新的效率，改进可以避免由于参数变化造成的产品质量问题。
在上述实现过程中，通过将清洗后的动态信息进行数据转换和/或规范化处理，以将该动态信息转换为深度学习算法或表单更新设备可以处理的特征形式，以使得该深度学习算法和/或表单更新设备可以通过该动态信息得到更新策略，实现了通过变化的动态信息自动生成更新策略，提高了表单更新的自动化和智能化。
基于同一申请构思，本申请实施例中还提供了与表单更新方法对应的表单更新装置，由于本申请实施例中的装置解决问题的原理与前述的表单更新方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
请参阅图4，是本申请实施例提供的表单更新装置的功能模块示意图。本实施例中的表单更新装置中的各个模块用于执行上述方法实施例中的各个步骤。表单更新装置包括信息获取模块301、推理引擎模块302、表单生成模块303；其中，
信息获取模块301用于获取目标表单中动态信息变化时的动态信息，动态信息为影响目标设备工作动态变化的信息。
推理引擎模块302用于根据动态信息和预设推理模式生成更新策略。
表单生成模块303用于根据更新策略和预设显示规则更新目标表单，目标表单中包括动态信息，预设显示规则为显示目标表单对应的显示规则。
一种可能的实施方式中，推理引擎模块302，还用于：将动态信息输入预训练模型进行特征提取；将提取的特征输入到深度学习模型进行前向传播计算，以得到每种待选策略的概率；根据待选策略的概率确定更新策略。
一种可能的实施方式中，推理引擎模块302，还用于：确定动态信息中发生变化的参数；根据发生变化的参数和发生变化的参数对应的设定布局确定更新策略。
一种可能的实施方式中，表单生成模块303，具体用于：解析更新策略得到待调整内容和待调整布局；根据待调整内容调整目标表单的内容；根据预设显示规则和待调整布局对目标表单进行重新排版，以更新目标表单。
一种可能的实施方式中，该表单更新装置还包括数据处理模块，用于：对动态信息进行数据清洗；将清洗后的动态信息进行预处理。
一种可能的实施方式中，数据处理模块，具体用于：将清洗后的动态信息进行数据转换和/或规范化处理。
此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中的表单更新方法的步骤。
本申请实施例所提供的表单更新方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行上述方法实施例中的表单更新方法的步骤，具体可参见上述方法实施例，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能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，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，本申请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)执行本申请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。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种表单更新方法，其特征在于，包括：
获取目标表单中动态信息变化时的动态信息，所述动态信息为所述目标表单中影响目标设备工作动态变化的信息；
根据所述动态信息和预设推理模式生成更新策略；
根据所述更新策略和预设显示规则更新目标表单，所述预设显示规则为显示所述目标表单的表单显示设备对应的显示规则。
2.根据权利要求1所述的方法，其特征在于，所述预设推理模式包括深度学习算法，所述根据所述动态信息和预设推理模式生成更新策略，包括：
将所述动态信息输入所述深度学习算法进行特征提取，并将提取的特征进行前向传播计算，以得到每种待选策略的概率；
根据所述待选策略的概率确定所述更新策略。
3.根据权利要求1所述的方法，其特征在于，所述预设推理模式包括预设推理规则，所述根据所述动态信息和预设推理模式生成更新策略，包括：
确定所述动态信息中发生变化的参数；
根据所述发生变化的参数和所述发生变化的参数对应的设定布局确定更新策略。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述更新策略和预设显示规则更新目标表单，包括：
解析所述更新策略得到待调整内容和待调整布局；
根据所述待调整内容调整所述目标表单的内容；
根据所述预设显示规则和所述待调整布局对所述目标表单进行重新排版，以更新所述目标表单。
5.根据权利要求1-3任意一项所述的方法，其特征在于，所述根据所述动态信息和预设推理模式生成更新策略之前，所述方法还包括：
对所述动态信息进行数据清洗；
将清洗后的动态信息进行预处理。
6.根据权利要求5所述的方法，其特征在于，所述将清洗后的动态信息进行预处理，包括：
将所述清洗后的动态信息进行数据转换和/或规范化处理。
7.一种表单更新装置，其特征在于，包括：
信息获取模块，用于获取目标表单中动态信息变化时的动态信息，所述动态信息为影响目标设备工作动态变化的信息；
推理引擎模块，用于根据所述动态信息和预设推理模式生成更新策略；
表单生成模块，用于根据所述更新策略和预设显示规则更新所述目标表单，所述目标表单中包括所述动态信息，所述预设显示规则为显示所述目标表单对应的显示规则。
8.一种表单更新设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当表单更新设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的方法的步骤。
9.一种表单更新系统，其特征在于，包括：信息采集设备、权利要求8所述的表单更新设备以及表单显示设备；
所述信息采集设备用于获取目标表单中的动态信息，并在所述动态信息变化时将所述动态信息发送到表单更新设备，所述动态信息为影响目标设备工作的动态变化信息；
所述表单更新设备用于根据获取到的所述动态信息和预设推理模式生成更新策略，并根据所述更新策略和预设显示规则更新所述目标表单，所述预设显示规则为显示所述目标表单对应的显示规则；
所述表单显示设备用于显示更新后的目标表单。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311050070.3A CN117076452A (zh) | 2023-08-18 | 2023-08-18 | 表单更新方法、装置、设备、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311050070.3A CN117076452A (zh) | 2023-08-18 | 2023-08-18 | 表单更新方法、装置、设备、系统及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117076452A true CN117076452A (zh) | 2023-11-17 |
Family
ID=88711138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311050070.3A Pending CN117076452A (zh) | 2023-08-18 | 2023-08-18 | 表单更新方法、装置、设备、系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117076452A (zh) |
-
2023
- 2023-08-18 CN CN202311050070.3A patent/CN117076452A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hosamo et al. | A Digital Twin predictive maintenance framework of air handling units based on automatic fault detection and diagnostics | |
| CN108628281B (zh) | 异常检测系统及异常检测方法 | |
| US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
| US11275357B2 (en) | Event analyzing device, event analyzing system, event analyzing method, and non-transitory computer readable storage medium | |
| US11442416B2 (en) | Plant control supporting apparatus, plant control supporting method, and recording medium | |
| CN113597634B (zh) | 使用人工智能的过程映射和监控 | |
| CN108780315B (zh) | 用于优化旋转设备的诊断的方法和装置 | |
| US20160116892A1 (en) | Method and system of cause analysis and correction for manufacturing data | |
| Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
| JP6601433B2 (ja) | イベント解析装置、イベント解析システム、イベント解析方法、イベント解析プログラム及び記録媒体 | |
| JP2013025367A (ja) | 設備状態監視方法およびその装置 | |
| JP2013143009A (ja) | 設備状態監視方法およびその装置 | |
| KR102540257B1 (ko) | Ｅｓｇ 경영을 위한 인공지능 기반 환경설비 및 산업플랜트 관리 서비스 시스템 | |
| Wang et al. | Contextual classification for smart machining based on unsupervised machine learning by Gaussian mixture model | |
| US11645794B2 (en) | Monitoring apparatus, monitoring method, and computer-readable medium having recorded thereon monitoring program | |
| CN117270482A (zh) | 基于数字孪生的汽车工厂控制系统 | |
| Jenab et al. | Fuzzy quality feature monitoring model | |
| Schachinger et al. | An advanced data analytics framework for energy efficiency in buildings | |
| US20230244214A1 (en) | Server and system for automatic selection of tags for modeling and anomaly detection | |
| US10614702B2 (en) | Alarm tuning using alarm and process data for condition monitoring | |
| CN117076452A (zh) | 表单更新方法、装置、设备、系统及计算机可读存储介质 | |
| CN114328964A (zh) | 一种光伏电站运维控制方法、装置及系统 | |
| US20230097599A1 (en) | Monitoring apparatus, monitoring method, and non-transitory computer readable medium | |
| CN117150439B (zh) | 基于多源异构数据融合的汽车制造参数检测方法及系统 | |
| Lee et al. | Autoencoder-based detector for distinguishing process anomaly and sensor failure |
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 |