CN117150439B - 基于多源异构数据融合的汽车制造参数检测方法及系统 - Google Patents
基于多源异构数据融合的汽车制造参数检测方法及系统 Download PDFInfo
- Publication number
- CN117150439B CN117150439B CN202311430308.5A CN202311430308A CN117150439B CN 117150439 B CN117150439 B CN 117150439B CN 202311430308 A CN202311430308 A CN 202311430308A CN 117150439 B CN117150439 B CN 117150439B
- Authority
- CN
- China
- Prior art keywords
- data
- manufacturing
- parameters
- automobile
- things
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 229
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 230000004927 fusion Effects 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 57
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 20
- 230000014759 maintenance of location Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000003058 natural language processing Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 239000000047 product Substances 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013439 planning Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000003466 welding Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/258—Data format conversion from or to a database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于多源异构数据融合的汽车制造参数检测方法及系统,通过对汽车生产过程中的多源异构数据进行融合转换成统一的结构化数据进行存储,按照生产主体、生产线和生产阶段进行数据关联,并基于目标型号汽车生产制造的规则逻辑对汽车制造参数进行异常检测。实现了对汽车制造过程中多源数据的自动化检测处理,准确率高、检测效率高。
Description
技术领域
本发明涉及数据异常检测技术领域,尤其涉及一种基于多源异构数据融合的汽车制造参数检测方法、系统及装置。
背景技术
汽车的生产制造由设备参数和逻辑控制进行。参数检测是整车厂新项目及量产项目的重要工作之一,需要规划、生产、维修等多部门持续投入大量人力。这些参数的正确合理配置将显著影响生产节拍、设备运行和工艺质量。
汽车的生产制造由设备的参数和逻辑控制进行。生产线的节拍、生产工艺的质量、设备的维护效率与之息息相关。随着柔性化生产和设备复杂度的不断提升,设备的参数和逻辑量也在急剧增加。以制造某一个新车型为例,其中的一个车身连接技术——点焊技术,焊接控制配置类数据总量就超过500万个,并与机器人交互调用。一个车型项目有数十种此类关键技术,这些参数和逻辑将显著影响生产节拍、设备运行和工艺质量。参数和逻辑的检测是整车厂新项目调试阶段的最重要工作之一,需要规划、生产、质量、维修等多部门投入大量人力。由于参数检测和优化工作具有数据量大、需要专业知识的特点,目前这项工作各工厂主要由技术专家通过手动、excel、或脚本方式进行。这种方式存在以下比较明显的痛点:一、多车型项目并行,且地理位置分散。二、随着设备数量增加和复杂度提升,数据来源和形式越来越复杂,其检测逻辑及参数庞大。三、各个项目的技术人员水平差异较大。
中国专利号为CN113065784A的专利公布了一种基于大数据的汽车制造业汽车零部件产品生产质量全周期监测分析系统,通过对轮胎生产过程中需要用到的生产材料对应的实际用量、轮胎各生产流程的生产环境参数、工序步骤、半成品质量参数和轮胎成型品质量参数进行检测,由此统计轮胎综合质量评估系数,实现了对轮胎的综合质量评估,但是该技术无法解决汽车制造过程中多源数据并发且数据庞大导致的难以分析评价的问题。
参数检测工作需要对工业数据进行多源比对,且依靠一定的专家经验。工业数据通常具有低质高噪、多源、多模态、不均衡等特点,因此亟需一种对汽车制造参数进行检测的方法。
发明内容
鉴于此,本发明实施例提供了一种基于多源异构数据融合的汽车制造参数检测方法、系统及装置,以消除或改善现有技术中存在的一个或更多个缺陷,解决对汽车制造场景下无法满足多源并发数据检测需求的问题。
一方面,本发明提供了一种基于多源异构数据融合的汽车制造参数检测方法,该方法包括以下步骤:
获取用于指导和实现汽车制造的多源数据,所述多源数据至少包括涉及目标型号汽车制造全流程的工业物联网数据、信息化系统数据和制造标准知识数据;其中,所述工业物联网数据至少用于记录汽车制造过程中涉及的设备资产数据、设备工况数据和生产过程数据;所述信息化系统数据至少用于记录生产工艺系统数据、管理系统数据、设备或产品图纸数据和工艺仿真参数;所述制造标准知识数据至少用于记录制造标准文档和知识文档;
将所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据转化为结构化的汽车制造参数,并基于对所述目标型号汽车的生产主体、生产线和生产阶段将所述待检测数据中的数据元素按照制造逻辑先后顺序进行关联;
区分标准参数和待评价参数,基于对所述目标型号汽车生产制造的规则逻辑,对所述汽车制造参数进行异常状态核查,并输出核查结果。
在一些实施例中,将所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据转化为结构化的汽车制造参数,包括:
对所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据进行数据清洗,以补充缺失值,去除重复数据和异常值;
基于自然语言处理、文本挖掘和/或正则表达,对所述工业物联网数据、所述信息化系统数据或所述制造标准知识数据中的非结构化数据进行关键信息识别,以抽取命名实体及其关联关系和参数;
在各数据源的所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据中,将结构化数据以及对非结构化数据识别得到的关键信息进行标准化和归一化处理,使其符合统一的数据格式和定义,并转换为所述汽车制造参数;
对所述汽车制造参数建立索引以用于查询。
在一些实施例中,将所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据转化为结构化的汽车制造参数之前,还包括:
对不同目标型号汽车制造过程中涉及的数据接口进行路由规划,形成路由表;
根据所述路由表对各目标型号汽车制造过程中产生的所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据执行数据路由和存储。
在一些实施例中,基于对所述目标型号汽车生产制造的规则逻辑,对所述汽车制造参数进行异常状态核查,包括:
按照所检测的功能项目对所述汽车制造参数中,源于所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据的各部分数据进行分类和组合,所述分类包括用于限定生产工艺标准的第一类标准参数、用于限定生产控制流程的第二类标准参数,以及用于记录所述目标型号汽车生产过程生产主体、生产工况和产品参数的待评价参数;
根据各功能项目对应的所述第一类汽车制造参数和所述第二类标准参数形成检测逻辑,并根据所述检测逻辑对所述待评价参数进行核查,以进行异常检测。
在一些实施例中,基于对所述目标型号汽车生产制造的规则逻辑,对所述汽车制造参数进行异常状态核查,还包括:
获取预训练的异常参数检测模型,所述异常参数检测模型以所述待评价参数为输入并输出对异常状态的检测结果;所述异常参数检测模型是基于自编码器、循环神经网络、长短期记忆网络或卷积神经网络训练得到的。
在一些实施例中,按照所检测的功能项目对所述汽车制造参数中,源于所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据的各部分数据进行分类和组合之后,还包括:
获取数据保留策略,对所述第一类标准参数按照第一保留时间进行存储,对所述第二类标准参数按照第二保留时间进行存储,对所述待评价参数按照第三保留时间进行存储。
在一些实施例中,根据所述检测逻辑对所述待评价参数进行核查,以进行异常检测,还包括:针对每一个待检测的功能项目,获取多时段的待评价参数分别进行异常检测,进行对比分析以评价其异常状态,并输出核查结果。
在一些实施例中,所述方法还包括:对所述核查结果进行可视化展示;
或,将所述核查结果按照预设路径发送至指定用户的个人终端。
另一方面,本发明还提供一种基于多源异构数据融合的汽车制造参数检测系统,包括:
设备层,所述设备层包括用于生产制造目标型号汽车的多个设备主体,
网络传输层,所述网络传输层基于工业物联网连接各设备主体,并采集用于指导和实现汽车制造的多源数据;
存储层,用于存储所述多源数据;
应用层,用于装载计算机程序并执行上述的基于多源异构数据融合的汽车制造参数检测方法,以对所述多源数据进行异常检测,并输出核查结果;
展示层,用于可视化展示所述核查结果。
另一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本发明的有益效果至少是:
本发明所述基于多源异构数据融合的汽车制造参数检测方法、系统及装置,通过对汽车生产过程中的多源异构数据进行融合转换成统一的结构化数据进行存储,按照生产主体、生产线和生产阶段进行数据关联,并基于目标型号汽车生产制造的规则逻辑对汽车制造参数进行异常检测。实现了对汽车制造过程中多源数据的自动化检测处理,准确率高、检测效率高。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明一实施例所述基于多源异构数据融合的汽车制造参数检测方法的流程示意图。
图2为本发明一实施例所述基于多源异构数据融合的汽车制造参数检测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本发明的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
现代汽车制造过程中,大量采用自动化流水线和智能机器人,因此,基于生产平台、管理平台、监督平台的多方设备、物联网、制造主体会产生大量与制造生产相关的控制数据、生产数据等。这些数据大多来源于不同的数据接口,在形式和内容上并不一致。生产制造过程中产生的数据与汽车制造状况密切相关,为了实现对多源、多模态、不均衡制造数据的管理和监测。
具体的,本发明提供了一种基于多源异构数据融合的汽车制造参数检测方法,该方法包括以下步骤S101~S103:
步骤S101:获取用于指导和实现汽车制造的多源数据,多源数据至少包括涉及目标型号汽车制造全流程的工业物联网数据、信息化系统数据和制造标准知识数据;其中,工业物联网数据至少用于记录汽车制造过程中涉及的设备资产数据、设备工况数据和生产过程数据;信息化系统数据至少用于记录生产工艺系统数据、管理系统数据、设备或产品图纸数据和工艺仿真参数;制造标准知识数据至少用于记录制造标准文档和知识文档。
步骤S102:将工业物联网数据、信息化系统数据和制造标准知识数据转化为结构化的汽车制造参数,并基于对目标型号汽车的生产主体、生产线和生产阶段将待检测数据中的数据元素按照制造逻辑先后顺序进行关联。
步骤S103:区分标准参数和待评价参数,基于对目标型号汽车生产制造的规则逻辑,对汽车制造参数进行异常状态核查,并输出核查结果。
在步骤S101中,用于指导和实现汽车制造的多源数据包括多个方面多个主体产生的,基于不同的数据接口产生,在形式和内容上存在显著的差异。其中,工业物联网数据是由接入物联网的与生产相关的所有设备产生的,可以包括设备资产数据、设备工况数据和生产过程数据。示例性的,在生产过程中,工业物联网数据可以包括传感器数据、网络连接设备数据、监控设备数据和数据存储处理设备数据等。传感器数据用于感知环境和监测各种参数,如温度传感器、压力传感器、加速度传感器等。这些传感器可以实时采集并传输数据,以便进行监控和分析;网络连接设备数据,包括无线网络设备和有线网络设备产生的数据,用于实现工业物联网设备之间的通信和连接,这些设备可以将传感器采集到的数据传输到云服务器或者其他设备上进行处理和分析。监控设备数据,可以利用摄像头,定位传感器等设备采集,实时监测生产线上的工作状态和安全情况。数据存储处理设备数据,通常是基于云服务器或者边缘计算设备产生的,能够进行数据分析、挖掘和模型训练等操作。
信息化系统数据中生产工艺系统数据用于标记生产工艺中的工艺参数,管理系统数据为管理系统的配置和运行参数,设备或产品图纸数据和工艺仿真参数是与目标型号汽车的产品参数。
制造标准知识数据是用于记录制造标准和制造知识的文档,是描述汽车的整体结构、尺寸、材料以及相互之间的关联和功能要求的技术规范类参数。
以上数据在产生过程中,包含了结构化数据、非结构化数据和半结构化数据。结构化数据是按照固定格式和规则组织的数据。它通常以表格或数据库的形式存在,具有明确定义的字段和数据类型。结构化数据易于存储、处理和分析,可以通过查询语言(如SQL)进行检索和操作。常见的结构化数据包括数字、日期、文本、布尔值等。在汽车制造中,结构化数据可以包括零部件清单、销售数据、传感器读数等。非结构化数据指的是没有固定格式和明确定义结构的数据。它通常以文本、图像、音频、视频等形式存在,不易直接用传统的表格或数据库方式进行存储和处理。非结构化数据的特点是信息量大且复杂,需要经过处理和分析才能提取其中的有用信息。在汽车制造中,非结构化数据可以包括设计文档、故障报告、用户评论、图像识别结果等。在现实世界中,大多数数据都是半结构化的,即介于结构化数据和非结构化数据之间。这种数据既有一定的结构,又包含一定程度上的自由形式。例如,电子邮件、传感器日志等数据就属于半结构化数据。
在步骤S102中,为了充分利用结构化和非结构化数据,可以使用数据处理技术和分析工具,如数据挖掘、自然语言处理(NLP)、图像识别等,以从这些数据中获取有价值的信息,并进行检测评价。本发明中,为了对制造汽车时形成的多源异构数据进行检测,就需要先进行数据清洗和结构的统一。
在一些实施例中,将工业物联网数据、信息化系统数据和制造标准知识数据转化为结构化的汽车制造参数,包括步骤S1021~S1024:
步骤S1021:对工业物联网数据、信息化系统数据和制造标准知识数据进行数据清洗,以补充缺失值,去除重复数据和异常值。
步骤S1022:基于自然语言处理、文本挖掘和/或正则表达,对工业物联网数据、信息化系统数据或制造标准知识数据中的非结构化数据进行关键信息识别,以抽取命名实体及其关联关系和参数。
步骤S1023:在各数据源的工业物联网数据、信息化系统数据和制造标准知识数据中,将结构化数据以及对非结构化数据识别得到的关键信息进行标准化和归一化处理,使其符合统一的数据格式和定义,并转换为汽车制造参数。
步骤S1024:对汽车制造参数建立索引以用于查询。
在步骤S1021中,补充缺失数据时,如果缺失数据的比例很小,且对整体数据分析的影响不大,可以选择删除缺失数据所在的行或列。对于数值型数据,可以使用该列的均值、中位数或众数填充缺失数据。均值填充适用于数据分布较为均匀的情况,中位数填充适用于存在极端值的情况,众数填充适用于数据呈现明显偏态的情况。也可以使用K近邻算法来填充缺失数据。找到与缺失数据最相似的K个样本,通过这些样本的均值或加权平均值来填充缺失数据。如果缺失的数据与其他特征有相关性,可以使用回归模型(如线性回归、决策树等)来预测缺失数据。对于时间序列或具有一定顺序关系的数据,可以使用插值方法来填充缺失数据。常用的插值方法包括线性插值、样条插值、拉格朗日插值等。对于复杂的数据集,可以使用机器学习模型(如随机森林、XGBoost等)来预测缺失数据。将其他特征作为输入,将含有缺失数据的样本作为目标变量,训练模型来预测缺失数据。
去除重复数据或异常值可以采用统计学方法实现。
在步骤S1022中,自然语言处理(Natural Language Processing,NLP)是一种用于处理和分析人类语言的技术,可以帮助实现非结构化数据中关键信息的识别。采用NLP进行关键信息识别的步骤可以包括:
1)语言预处理:对文本进行清洗和规范化,包括去除标点符号、停用词(如“的”、“是”等常用词)、数字以及其他无关的特殊字符或标记。此外,还可以进行词干提取(stemming)和词形还原(lemmatization),将单词转换为其基本形式,减少词形变化的影响。
2)分词(Tokenization):将文本按照适当的规则切分成单词或词组(称为词元)。这种切分可以基于空格、标点符号或其他语法规则进行。
3)实体识别(Named Entity Recognition,NER):识别文本中的命名实体,如人名、地名、组织机构、时间日期等。NER技术可以通过训练模型来识别出预定义的实体类型,还可以根据上下文进行进一步的推断。
4)词性标注(Part of Speech Tagging,POS):标注文本中每个词的词性,如名词、动词、形容词等。词性标注可以帮助理解文本中词语的含义和用法,并为后续的分析提供基础。
5)语法分析(Parsing):分析句子的语法结构,确定单词之间的依存关系。语法分析可以帮助理解句子的句法结构以及单词之间的语义关系,从而更好地抽取关键信息。
6)关键信息抽取:根据任务需求,使用特定的技术和算法来抽取非结构化数据中的关键信息,例如提取文本中的主题关键词、情感倾向、事件发生时间、地点等。这可以基于机器学习方法、规则匹配或基于知识图谱等技术实现。
7)上下文理解:利用上下文信息进行推理和理解。通过考虑句子或段落的上下文语境,可以更好地理解和解释文本中的隐含含义,增加对关键信息的准确性。
进一步的,文本挖掘(Text Mining)是一种通过自动处理和分析大规模文本数据,从中发现并提取有价值的信息、知识和模式的技术和方法。正则表达式是一种用于匹配、查找和操作文本的工具,可以基于特定模式的字符序列,来描述和识别符合该模式的文本。
步骤S1023至S1024中,对于提取到的关键信息,进行标准化归一化处理后,按照统一格式转换为结构数据,并建立索引用于查询。
在一些实施例中,步骤S102之前,即将工业物联网数据、信息化系统数据和制造标准知识数据转化为结构化的汽车制造参数之前,还包括步骤S201~S202:
步骤S201:对不同目标型号汽车制造过程中涉及的数据接口进行路由规划,形成路由表。
步骤S202:根据路由表对各目标型号汽车制造过程中产生的工业物联网数据、信息化系统数据和制造标准知识数据执行数据路由和存储。
步骤S103中,基于对目标型号汽车生产制造的规则逻辑,对汽车制造参数进行异常状态核查,包括步骤S1031~S1032:
步骤S1031:按照所检测的功能项目对汽车制造参数中,源于工业物联网数据、信息化系统数据和制造标准知识数据的各部分数据进行分类和组合,分类包括用于限定生产工艺标准的第一类标准参数、用于限定生产控制流程的第二类标准参数,以及用于记录所述目标型号汽车生产过程生产主体、生产工况和产品参数的待评价参数。
步骤S1033:根据各功能项目对应的第一类汽车制造参数和第二类标准参数形成检测逻辑,并根据检测逻辑对待评价参数进行核查,以进行异常检测。
步骤S1031~S1032的核心逻辑就是基于标准配置检测逻辑,对数据进行核查。
在一些实施例中,基于对目标型号汽车生产制造的规则逻辑,对汽车制造参数进行异常状态核查,还包括:获取预训练的异常参数检测模型,异常参数检测模型以待评价参数为输入并输出对异常状态的检测结果;异常参数检测模型是基于自编码器、循环神经网络、长短期记忆网络或卷积神经网络训练得到的。
自编码器是一种无监督学习的神经网络模型。它可以通过学习数据的高维表示来重构输入数据,从而检测异常值。训练过程中,将正常数据作为输入,通过压缩和解压缩操作,使得输出尽可能接近原始输入,异常数据则可能导致较大的重构误差。
循环神经网络(Recurrent Neural Network, RNN)可以处理具有时序特性的数据,如时间序列数据。通过在网络中引入循环连接,RNN可以记忆之前的信息并对未来的输入进行预测。在设备异常检测中,可以使用RNN对设备传感器数据进行建模,捕捉异常模式和趋势。
长短期记忆网络(Long Short-Term Memory, LSTM)是一种特殊的RNN变体,能够有效地处理长期依赖关系。它通过引入门控机制,可以选择性地遗忘和保存信息,适用于更复杂的时间序列数据建模和异常检测任务。
卷积神经网络(Convolutional Neural Network, CNN)主要应用于图像处理和计算机视觉领域,但在设备异常检测中也有应用。通过卷积和池化操作,CNN可以提取图像或序列数据中的特征,并识别异常模式。
在一些实施例中,按照所检测的功能项目对所述汽车制造参数中,源于工业物联网数据、信息化系统数据和制造标准知识数据的各部分数据进行分类和组合之后,还包括:
获取数据保留策略,对第一类标准参数按照第一保留时间进行存储,对第二类标准参数按照第二保留时间进行存储,对待评价参数按照第三保留时间进行存储。其中第一类标准参数用于指导生产工艺,第二类标准参数用于指导生产控制流程,这两类数据并不实时变化,所以可以可以设置较长的保留时间,如90天。而待评价参数是实时产生和变化的,指示的是某一时段的制造状况,可以设置较短的保留时间如30天。
在一些实施例中,根据检测逻辑对所述待评价参数进行核查,以进行异常检测,还包括:针对每一个待检测的功能项目,获取多时段的待评价参数分别进行异常检测,进行对比分析以评价其异常状态,并输出核查结果。
在一些实施例中,所述方法还包括:对核查结果进行可视化展示;或,将核查结果按照预设路径发送至指定用户的个人终端。
另一方面,本发明还提供一种基于多源异构数据融合的汽车制造参数检测系统,包括:
设备层,所述设备层包括用于生产制造目标型号汽车的多个设备主体,
网络传输层,所述网络传输层基于工业物联网连接各设备主体,并采集用于指导和实现汽车制造的多源数据;
存储层,用于存储所述多源数据;
应用层,用于装载计算机程序并执行上述的基于多源异构数据融合的汽车制造参数检测方法,以对所述多源数据进行异常检测,并输出核查结果;
展示层,用于可视化展示所述核查结果。
另一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
下面结合一具体实施例对本发明进行说明:
如图1所示,本实施例提出一种基于多源异构数据融合的汽车制造参数检测方法。将工业物联网数据、企业信息化系统数据(工艺系统,监控系统等)、知识数据(标准、知识等)的多源异构数据进行融合,将其转换成统一的结构化数据进行存储后,对参数进行分类组合,并基于规则进行检测。同时,开发系统实现上述方法,通过可视化界面提供应用交互。
一、多源数据融合
本实施例对汽车制造过程中的工业物联网数据、信息化系统数据、制造标准知识数据进行融合,转换成统一的结构化数据,用于参数检测。这些数据结构不同、发送周期也不同。
具体的,工业物联网数据包括设备资产、状态、生产过程数据。参数检测主要使用其中的资产数据。为json格式的半结构化数据,实时发送。
信息化系统数据,为企业已有信息化系统数据,一般为结构化数据库或者使用接口。这里使用的参数涉及以下系统:1、工艺系统:汽车生产工艺数据,为SQL数据库接口,结构化数据,实时发送;2、中央项目备份系统:设备控制配置数据,为结构或非结构化文件,比如xml、awl、gdc、txt等格式文件,定期更新;3、设备CAD图纸数据,为不定期更新/一次性写入;4、设计时的仿真结果数据,包含所有工艺点的仿真数据,也为不定期更新/一次性写入。
制造标准知识数据包括制造标准文档、知识文档,为pdf和excel文件,结构化半结构化数据,不定期更新/一次写入。
二、转化为统一的结构化数据
针对工业物联网数据特点,在多源异构数据转化时添加数据路由和数据保留策略,保证实际场景中的数据转化可用性和有效性。并对以上多源数据进行转换和关联,获得统一的结构化数据。
具体的,由于多源数据首先需要进行数据预处理,主要包括异常值处理、缺失值处理,并生成必要的新字段,如工厂名称、生产线名称等。
执行数据路由,对于其中的工业物联网数据,由于物联网数据量大,不同技术具有很多个主题的数据,特别是对于新车型项目,在调试阶段不同的技术逐步激活,早期数据不稳定,为方便对数据进行管理,通过数据路由对数据接入进行统一管理,路由控制策略用于配置每一种技术的各个主题的数据是否接入,一旦在控制策略中配置并启用该主题数据,数据将会被接入并发送。
执行数据转换,将上述不同来源的异构数据进行转换,转换成统一的结构化数据。
执行数据关联,对上述来源不同的数据进行关联,这里通过不同技术的设备进行关联,对于设备的各个工艺点参数,需要进一步通过工艺点名称进行关联。
执行数据保留策略,数据生命周期管理,数据在存储中设置保留时间,默认90天。不同技术不同类型的数据可通过修改默认值自定义数据保留时间。
三、参数检测方法
本实施例提出一种基于规则的参数检测方法,用于检查汽车制造参数配置是否正确或合理。规则逻辑的设定基于制造标准和专家知识,这部分数据在上面一步中以转化为结构化数据供使用。这种方法准确性高,适用于大规模参数检测,可以显著提高参数检测效率,降低人工成本和检测时间。具体如下:
执行参数分类:首先对参数按照其属性进行分类。如机器人抱闸测试配置类数据、点焊电机类数据等。此分类一般按照设备控制器定义的属性类进行,和设备底层对参数类别的划分一致。这样利于数据溯源,方便参数管理。
执行参数组合:根据功能需求,对此功能的相关数据进行组合。例如点焊技术的压力检测功能,需要提取点焊技术的资产参数类、图纸参数类、标准数据类、焊枪参数类、焊点参数类、焊接任务参数类中的和焊枪及压力相关的参数,进行组合,生成压力检测参数类。
执行检测规则:设定该功能需求的检测规则,规则中涉及的知识或者标准数据已通过前面的处理获得。例如,对于点焊技术的压力检测功能,需要焊枪的型号和资产列表一致,并且控制系统内人工配置的焊枪最大压力和图纸中设计的最大压力一致,人工配置的压力阈值应和标准中的要求一致,且每个焊点的压力应小于等于焊枪最大压力。
执行多数据对比分析:多批次的数据根据检测规则进行自动计算和比对分析。
执行结果修正:对未通过的参数,自动给出其正确值或者阈值。
具体的,如图2所示,本实施例提供一种基于多源异构数据融合的汽车制造参数检测系统,通过物联网和ETL(提取-转换-加载)方式对多源异构数据进行处理,转换成统一的结构化数据存放在多个数据库Mysql中,通过参数检测方法对参数进行计算,后端处理业务逻辑和数据,通过接口,将结果显示在前端供用户查阅。
综上所述,本发明所述基于多源异构数据融合的汽车制造参数检测方法、系统及装置,通过对汽车生产过程中的多源异构数据进行融合转换成统一的结构化数据进行存储,按照生产主体、生产线和生产阶段进行数据关联,并基于目标型号汽车生产制造的规则逻辑对汽车制造参数进行异常检测。实现了对汽车制造过程中多源数据的自动化检测处理,准确率高、检测效率高。
与上述方法相应地,本发明还提供了一种装置/系统,该装置/系统包括计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置/系统实现如前所述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体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。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多源异构数据融合的汽车制造参数检测方法,其特征在于,包括:
获取用于指导和实现汽车制造的多源数据,所述多源数据至少包括涉及目标型号汽车制造全流程的工业物联网数据、信息化系统数据和制造标准知识数据;其中,所述工业物联网数据至少用于记录汽车制造过程中涉及的设备资产数据、设备工况数据和生产过程数据;所述信息化系统数据至少用于记录生产工艺系统数据、管理系统数据、设备或产品图纸数据和工艺仿真参数;所述制造标准知识数据至少用于记录制造标准文档和知识文档;
将所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据转化为结构化的汽车制造参数,并基于对所述目标型号汽车的生产主体、生产线和生产阶段将待检测数据中的数据元素按照制造逻辑先后顺序进行关联;
区分标准参数和待评价参数,基于对所述目标型号汽车生产制造的规则逻辑,对所述汽车制造参数进行异常状态核查,并输出核查结果。
2.根据权利要求1所述的基于多源异构数据融合的汽车制造参数检测方法,其特征在于,将所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据转化为结构化的汽车制造参数,包括:
对所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据进行数据清洗,以补充缺失值,去除重复数据和异常值;
基于自然语言处理、文本挖掘和/或正则表达,对所述工业物联网数据、所述信息化系统数据或所述制造标准知识数据中的非结构化数据进行关键信息识别,以抽取命名实体及其关联关系和参数;
在各数据源的所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据中,将结构化数据以及对非结构化数据识别得到的关键信息进行标准化和归一化处理,使其符合统一的数据格式和定义,并转换为所述汽车制造参数;
对所述汽车制造参数建立索引以用于查询。
3.根据权利要求1所述的基于多源异构数据融合的汽车制造参数检测方法,其特征在于,将所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据转化为结构化的汽车制造参数之前,还包括:
对不同目标型号汽车制造过程中涉及的数据接口进行路由规划,形成路由表;
根据所述路由表对各目标型号汽车制造过程中产生的所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据执行数据路由和存储。
4.根据权利要求1所述的基于多源异构数据融合的汽车制造参数检测方法,其特征在于,基于对所述目标型号汽车生产制造的规则逻辑,对所述汽车制造参数进行异常状态核查,包括:
按照所检测的功能项目对所述汽车制造参数中,源于所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据的各部分数据进行分类和组合,所述分类包括用于限定生产工艺标准的第一类标准参数、用于限定生产控制流程的第二类标准参数,以及用于记录所述目标型号汽车生产过程生产主体、生产工况和产品参数的待评价参数;
根据各功能项目对应的第一类汽车制造参数和所述第二类标准参数形成检测逻辑,并根据所述检测逻辑对所述待评价参数进行核查,以进行异常检测。
5.根据权利要求1所述的基于多源异构数据融合的汽车制造参数检测方法,其特征在于,基于对所述目标型号汽车生产制造的规则逻辑,对所述汽车制造参数进行异常状态核查,还包括:
获取预训练的异常参数检测模型,所述异常参数检测模型以所述待评价参数为输入并输出对异常状态的检测结果;所述异常参数检测模型是基于自编码器、循环神经网络、长短期记忆网络或卷积神经网络训练得到的。
6.根据权利要求4所述的基于多源异构数据融合的汽车制造参数检测方法,其特征在于,按照所检测的功能项目对所述汽车制造参数中,源于所述工业物联网数据、所述信息化系统数据和所述制造标准知识数据的各部分数据进行分类和组合之后,还包括:
获取数据保留策略,对所述第一类标准参数按照第一保留时间进行存储,对所述第二类标准参数按照第二保留时间进行存储,对所述待评价参数按照第三保留时间进行存储。
7.根据权利要求4所述的基于多源异构数据融合的汽车制造参数检测方法,其特征在于,根据所述检测逻辑对所述待评价参数进行核查,以进行异常检测,还包括:
针对每一个待检测的功能项目,获取多时段的待评价参数分别进行异常检测,进行对比分析以评价其异常状态,并输出核查结果。
8.根据权利要求1所述的基于多源异构数据融合的汽车制造参数检测方法,其特征在于,所述方法还包括:
对所述核查结果进行可视化展示;
或,将所述核查结果按照预设路径发送至指定用户的个人终端。
9.一种基于多源异构数据融合的汽车制造参数检测系统,其特征在于,包括:
设备层,所述设备层包括用于生产制造目标型号汽车的多个设备主体,
网络传输层,所述网络传输层基于工业物联网连接各设备主体,并采集用于指导和实现汽车制造的多源数据;
存储层,用于存储所述多源数据;
应用层,用于装载计算机程序并执行如权利要求1至8任意一项所述的基于多源异构数据融合的汽车制造参数检测方法,以对所述多源数据进行异常检测,并输出核查结果;
展示层,用于可视化展示所述核查结果。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311430308.5A CN117150439B (zh) | 2023-10-31 | 2023-10-31 | 基于多源异构数据融合的汽车制造参数检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311430308.5A CN117150439B (zh) | 2023-10-31 | 2023-10-31 | 基于多源异构数据融合的汽车制造参数检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150439A CN117150439A (zh) | 2023-12-01 |
CN117150439B true CN117150439B (zh) | 2023-12-26 |
Family
ID=88897272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311430308.5A Active CN117150439B (zh) | 2023-10-31 | 2023-10-31 | 基于多源异构数据融合的汽车制造参数检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150439B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3018596A1 (en) * | 2014-11-07 | 2016-05-11 | Rockwell Automation Technologies, Inc. | Dynamic search engine for an industrial environment |
CN108509486A (zh) * | 2018-02-08 | 2018-09-07 | 浙江大学 | 一种智能工厂多源安全大数据结构化管理方法 |
CN108764694A (zh) * | 2018-05-23 | 2018-11-06 | 江苏中车数字科技有限公司 | 基于结构化工艺设计的生产管理方法 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN113689123A (zh) * | 2021-08-26 | 2021-11-23 | 北京大漠石油工程技术有限公司 | 一种天然气模块化采集智能管理平台 |
CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
-
2023
- 2023-10-31 CN CN202311430308.5A patent/CN117150439B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3018596A1 (en) * | 2014-11-07 | 2016-05-11 | Rockwell Automation Technologies, Inc. | Dynamic search engine for an industrial environment |
CN108509486A (zh) * | 2018-02-08 | 2018-09-07 | 浙江大学 | 一种智能工厂多源安全大数据结构化管理方法 |
CN108764694A (zh) * | 2018-05-23 | 2018-11-06 | 江苏中车数字科技有限公司 | 基于结构化工艺设计的生产管理方法 |
CN110336703A (zh) * | 2019-07-12 | 2019-10-15 | 河海大学常州校区 | 基于边缘计算的工业大数据监测系统 |
CN113689123A (zh) * | 2021-08-26 | 2021-11-23 | 北京大漠石油工程技术有限公司 | 一种天然气模块化采集智能管理平台 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN113887016A (zh) * | 2021-09-07 | 2022-01-04 | 中船智能科技(上海)有限公司 | 一种基于数字孪生的船舶数字化车间仿真方法与系统 |
Non-Patent Citations (3)
Title |
---|
Industrial Internet of Things and its Applications in Industry 4.0: State of The Art;Praveen Kumar Malik等;《Computer Communications》;第166卷;全文 * |
面向汽车行业的产品数据管理研究与实现;曲建平;《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》(第08期);全文 * |
面向航空数字化制造的精密测量装置与系统;邾继贵等;《科技成果登记表 基础理论、软科学类成果》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150439A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
US20220044133A1 (en) | Detection of anomalous data using machine learning | |
CN113723632A (zh) | 一种基于知识图谱的工业设备故障诊断方法 | |
JP2020500420A (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
CN112579728B (zh) | 基于海量数据全文检索的行为异常识别方法及装置 | |
US20220374442A1 (en) | Extract, transform, load monitoring platform | |
CN111427974A (zh) | 数据质量评估管理方法和装置 | |
CN112036185B (zh) | 一种基于工业企业构建命名实体识别模型的方法及装置 | |
Shah et al. | Towards benchmarking feature type inference for automl platforms | |
CN110674211A (zh) | 一种Oracle数据库AWR报告的自动解析方法和设备 | |
CN113590396A (zh) | 一次设备的缺陷诊断方法、系统、电子设备及存储介质 | |
US11763945B2 (en) | System and method for labeling medical data to generate labeled training data | |
CN117056166A (zh) | 数据异常检测方法、装置、存储介质及电子设备 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及系统 | |
Claeys et al. | Intelligent authoring and management system for assembly instructions | |
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 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
US20230376795A1 (en) | Device, computing platform and method of analyzing log files of an industrial plant | |
CN117501275A (zh) | 用于分析由大量单独消息组成的数据的方法、计算机程序产品和计算机系统 | |
CN111221704B (zh) | 一种确定办公管理应用系统运行状态的方法及系统 | |
CN115686995A (zh) | 一种数据监控处理方法及装置 | |
CN117540894B (zh) | 生成检验计划的方法、设备及存储介质 | |
CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 | |
CN113377746B (zh) | 一种试验报告数据库构建和智能诊断分析系统 | |
CN117289914B (zh) | 基于SpringBoot框架的数据转换系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |