CN117973675A - 一种基于计划工单的缺陷与反措虚假闭环判断方法及系统 - Google Patents
一种基于计划工单的缺陷与反措虚假闭环判断方法及系统 Download PDFInfo
- Publication number
- CN117973675A CN117973675A CN202410013894.1A CN202410013894A CN117973675A CN 117973675 A CN117973675 A CN 117973675A CN 202410013894 A CN202410013894 A CN 202410013894A CN 117973675 A CN117973675 A CN 117973675A
- Authority
- CN
- China
- Prior art keywords
- work order
- defect
- text
- historical
- closed loop
- 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 67
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000013439 planning Methods 0.000 title claims description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 230000006872 improvement Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims abstract description 16
- 238000003058 natural language processing Methods 0.000 claims abstract description 16
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 9
- 238000013468 resource allocation Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 108010014173 Factor X Proteins 0.000 claims description 3
- 238000003339 best practice Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 17
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于计划工单的缺陷与反措虚假闭环判断方法包括,接收由终端用户提交的工单数据,利用自然语言处理技术分析工单数据;构建工单判断模型,对比历史工单数据,生成缺陷报告并根据严重性等级进行排序;基于缺陷报告,制定改进措施,并使用决策支持系统来优化措施的选择和排程;更新工单管理系统,对更新后的工单数据进行深度分析,根据深度分析的结果,通过一个综合评估模块来最终确认缺陷闭环的真正闭合,并生成最终报告。本发明通过深入分析工单数据,提升了问题识别的准确性和分类,动态结合历史与当前数据以形成精确解决方案,增强系统稳定性和可靠性,提高长期适应性与灵活性,优化整体工单处理效率。
Description
技术领域
本发明涉及计划工单检测技术领域,尤其涉及一种基于计划工单的缺陷与反措虚假闭环判断方法及系统。
背景技术
在现代工业和服务领域,工单管理系统是处理客户问题和内部故障的关键组成部分。传统工单管理系统通常依赖于自然语言处理(NLP)技术来分析用户提交的文本数据,并根据分析结果进行问题分类、分派和处理。然而,随着数据量的增长和问题复杂性的提升,传统的NLP和数据分析方法面临着理解深层语义、利用复杂数据结构和动态适应新情况的挑战。此外,现有系统往往缺乏有效的历史数据利用机制,导致问题解决策略不够精准或效率低下。
传统方法往往停留在文本的表层理解上,缺乏对工单中隐含的深层次语义和结构信息的挖掘能力。大多数系统没有有效地利用历史工单数据来优化问题解决策略,导致处理效率和准确性受限。面对新的问题类型或数据模式,传统工单管理系统往往缺乏必要的自适应和更新机制,难以及时调整处理流程和策略。
因此,因此亟需一种基于计划工单的缺陷与反措虚假闭环判断方法,深入地分析和利用工单数据,提供更精确、高效且自适应的问题解决策略,解决现有工单处理系统在处理复杂度、适应性、和决策优化方面的局限性。
发明内容
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于计划工单的缺陷与反措虚假闭环判断方法,能够解决现有的云工单处理方法存在深度理解不足、历史数据利用不足、处理流程静态和决策优化局限性,以及如何动态优化处理策略和措施选择的优化问题。
为解决上述技术问题,本发明提供如下技术方案,一种基于计划工单的缺陷与反措虚假闭环判断方法,包括:
接收由终端用户提交的工单数据,利用自然语言处理技术分析工单数据,以识别文字描述中的潜在缺陷点和不一致之处;构建工单判断模型,对比历史工单数据,生成缺陷报告并根据严重性等级进行排序;基于缺陷报告,制定改进措施,并使用决策支持系统来优化措施的选择和排程;在执行改进措施时,通过实时监控系统记录详细的执行细节和环境参数;更新工单管理系统,对更新后的工单数据进行深度分析,根据深度分析的结果,通过一个综合评估模块来最终确认缺陷闭环的真正闭合,并生成最终报告。
作为本发明所述的基于计划工单的缺陷与反措虚假闭环判断方法的一种优选方案,其中:所述预处理包括,所述工单数据包括,工单执行的计划内容、预期目标及实际执行情况的详细记录。
作为本发明所述的基于计划工单的缺陷与反措虚假闭环判断方法的一种优选方案,其中:所述分析工单数据包括,清理文本数据,去除无关信息,并将文本标准化,使用NLP技术的TF-IDF或词嵌入来识别工单文本中的关键词和短语,再利用自然语言处理工具分析文本的语义内容,使用双向编码器表示从转换器BERT模型来理解文本的上下文含义,同时将工单分为不同的类别,使用机器学习算法来识别文本中的潜在问题模式或异常,使用算法对比工单中的实际执行情况与计划执行情况,识别其中的不一致之处,并根据历史数据和已知的缺陷记录,训练模型识别新的或重复出现的缺陷。
作为本发明所述的基于计划工单的缺陷与反措虚假闭环判断方法的一种优选方案,其中:所述构建工单判断模型包括,
将工单文本T转换为一系列嵌入向量其中每个/>表示文本中的一个词或短语的向量表示,公式如下:
其中,T表示原始工单文本;Embed表示嵌入函数,用于将文本转换成向量形式;表示文本T经嵌入转换后的向量集合,表示为/> 表示向量集合/>中的第i个嵌入向量,代表文本中第i个词或短语的向量表示;n代表文本T经嵌入转换后的向量的总数量,即文本中词或短语的总数;
构建高维几何结构,使用嵌入向量构建一个表示词汇语义关系的图,通过计算向量间的相似度来构建邻接矩阵A和度矩阵D,公式如下:
A=S>θ
D=diag(d1,d2,…,dn)
其中,S表示相似度矩阵,用于表示嵌入向量之间的相似度;表示/>和/>之间相似度的计算函数;A表示邻接矩阵,基于相似度矩阵S构建,表示词向量之间的连接关系;θ表示阈值,用于确定邻接矩阵中边的存在;D表示度矩阵,表示每个节点的连接数;d表示度矩阵D中节点的度,即节点连接的边的数量;/>表示第i个嵌入向量,对应于文本中的第i个词或短语;/>表示第j个嵌入向量,对应于文本中的第j个词或短语。
作为本发明所述的基于计划工单的缺陷与反措虚假闭环判断方法的一种优选方案,其中:所述构建工单判断模型包括,特征向量化,提取图的拉普拉斯矩阵L的特征向量作为当前工单的低维特征表示,构建如下:
L=D-A
其中,EigenDecompose表示特征值分解操作,用于从拉普拉斯矩阵提取特征向量;
进行最相似历史工单特征向量的匹配,构建拓扑结构,使用当前工单特征/>构建拓扑结构/>并对历史工单集H中每个工单构建拓扑结构/>公式如下:
计算当前工单的拓扑结构与历史工单拓扑结构之间的拓扑距离,并确定最相似的历史特征,公式如下:
其中,g表示拓扑距离函数,用于计算和/>之间的距离;gm表示/>和第m个历史工单拓扑结构/>之间的拓扑距离;
选择最相似的历史特征,从计算得到的距离中选择最小的gm对应的历史特征作为构建如下:
其中,argminm{gm}表示选择使gm最小化的m的操作;
编码外部影响因素,对每个外部影响因素Xk进行编码,转换为数值向量以量化其影响,
设计复杂函数Φ来量化每个因素的影响,构建如下:
将所有外部影响因素的影响整合到综合影响量O中,同时考虑当前和历史特征向量:
O,通过预测函数f综合这些信息,得到最终预测结果Y如下:
其中,Xk表示第k个外部影响因素;Enc表示编码函数,将外部影响因素转换为数值向量;表示数值向量,表示第k个外部影响因素的编码结果;Φ表示影响量化函数,用来量化每个因素的影响;/>表示第k个外部影响因素的量化结果;αk表示第k个外部影响因素的权重系数;β表示调节系数,用于调节当前和历史特征交互影响的重要性;⊙是向量运算符,表示适当的向量运算;O表示综合影响量,整合所有外部影响因素的影响以及当前和历史特征向量的交互影响。
作为本发明所述的基于计划工单的缺陷与反措虚假闭环判断方法的一种优选方案,其中:所述根据严重性等级进行排序包括,依据工单判断模型输出结果通过严重性加权分数进行严重性等级评估,
Q=w1q+w2p+w3e+w4r
其中,Q表示严重性分数;w1、w2、w3和w4分别表示各因素的权重,根据对总严重性的相对重要性而定;q表示影响范围,p表示影响严重性,e表示修复难度,r表示安全风险;
严重性等级依据严重性加权分数由高到低进行排序,分数最高的为严重性最高级,分数最低的为严重性最低级。
作为本发明所述的基于计划工单的缺陷与反措虚假闭环判断方法的一种优选方案,其中:所述深度分析包括,若闭环评估显示改进措施无效,启动问题分析模块识别原因,并基于智能推荐系统提出再次改进措施,更新工单管理系统,包括改进措施的详细记录和再次改进的实施计划,同时启用提醒功能以跟踪进度和结果;
所述识别原因包括,若闭环评估显示改进措施无效,则启动问题分析模块进行深入探查,收集与失败改进措施相对应的所有数据,包括执行细节、时间日志、影响评估,并利用统计分析和模式识别技术进行初步分析,基于分析结果,识别出失败的根本原因;所述包括失败的根本原因包括资源分配不足、执行策略不当、外部环境变化、目标设定不合理、员工技能缺乏,或是采用的技术或方法过时。
若发现资源分配不足是主要原因,则重新评估项目的资源需求,智能推荐系统将根据项目特征和历史数据建议更合理的资源配置方案;若问题在于执行策略不当,即流程设计缺陷或沟通不畅,则智能推荐系统基于分析结果提出新的执行策略或流程优化建议;若项目受到外部环境变化的影响较大,即市场波动或法规更新,则系统将提供适应变化的策略,包括调整项目目标、改变实施方法或采用新技术;
在目标设定不合理的情况下,智能推荐系统将基于项目特性和历史成功案例,重新评估并提出更实际的目标设定;若问题源自员工培训或技能缺乏,则识别所需的关键技能和知识差距,并实施针对性的培训计划,由智能推荐系统将提供相应的培训资源和计划;若技术或方法被认为过时,智能推荐系统将基于最新的技术趋势和行业最佳实践,推荐更新换代的技术方法。
本发明的另外一个目的是提供基于计划工单的缺陷与反措虚假闭环判断系统,其能通过深度特征提取、与历史数据动态匹配以及决策支持系统的整合,解决了传统方法在准确性、自适应性和决策优化方面的局限性。
作为本发明所述的基于计划工单的缺陷与反措虚假闭环判断系统的一种优选方案,其中:包括,用户终端、信息处理模块、工单逻辑判断模块、历史数据库、决策支持系统、实时监控系统及工单管理系统;所述用户终端将用户提交的工单数据、工单信息和对应需求进行收集整合;所述信息处理模块用于利用自然语言处理技术分析工单数据,并实现模块及其单元间的信息交互;所述工单逻辑判断模块用于搭载工单判断模型以及相关算法和决策;所述历史数据库用于分类存储历史数据;所述决策支持系统用于制定策略、匹配策略、下达指令以及策略实施;所述实时监控系统用于实时监控作业现场情况并记录详细的执行细节和环境参数;所述工单管理系统包括综合评估模块和输出单元,所述综合评估模块用于确认最终缺陷闭环的真正闭合,并生成最终报告,所述输出单元用于输出最终结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现基于计划工单的缺陷与反措虚假闭环判断方法的步骤。
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,所述计算机程序被处理器执行时实现基于计划工单的缺陷与反措虚假闭环判断方法的步骤。
本发明的有益效果:本发明方法通过深入的数据分析能力,更深入地理解工单数据中的复杂语义和结构信息,提高问题识别和分类的准确性。能够动态地从历史工单中提取信息,并将信息与当前数据相结合,以形成更加精确的问题解决方案。自适应学习机制使得系统能够持续学习和适应新的问题模式,有效应对不断变化的工单环境。增加了系统的稳定性和可靠性,确保了长期的适应性和灵活性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一个实施例提供的一种基于计划工单的缺陷与反措虚假闭环判断方法流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,该实施例提供了一种基于计划工单的缺陷与反措虚假闭环判断方法,包括:
S1:接收由终端用户提交的工单数据,利用自然语言处理技术分析工单数据,以识别文字描述中的潜在缺陷点和不一致之处。
所述工单数据包括,工单执行的计划内容、预期目标及实际执行情况的详细记录。
所述分析工单数据包括,清理文本数据,去除无关信息,并将文本标准化,使用NLP技术的TF-IDF或词嵌入来识别工单文本中的关键词和短语,再利用自然语言处理工具分析文本的语义内容,使用双向编码器表示从转换器BERT模型来理解文本的上下文含义,同时将工单分为不同的类别,使用机器学习算法来识别文本中的潜在问题模式或异常,使用算法对比工单中的实际执行情况与计划执行情况,识别其中的不一致之处,并根据历史数据和已知的缺陷记录,训练模型识别新的或重复出现的缺陷。
S2:构建工单判断模型,对比历史工单数据,生成缺陷报告并根据严重性等级进行排序。
所述构建工单判断模型包括,将工单文本T转换为一系列嵌入向量 其中每个/>表示文本中的一个词或短语的向量表示,公式如下:
其中,T表示原始工单文本;Embed表示嵌入函数,用于将文本转换成向量形式;表示文本T经嵌入转换后的向量集合,表示为/> 表示向量集合/>中的第i个嵌入向量,代表文本中第i个词或短语的向量表示;n代表文本T经嵌入转换后的向量的总数量,即文本中词或短语的总数;
构建高维几何结构,使用嵌入向量构建一个表示词汇语义关系的图,通过计算向量间的相似度来构建邻接矩阵A和度矩阵D,公式如下:
A=S>θ
D=diag(d1,d2,…,dn)
其中,S表示相似度矩阵,用于表示嵌入向量之间的相似度;表示/>和/>之间相似度的计算函数;A表示邻接矩阵,基于相似度矩阵S构建,表示词向量之间的连接关系;θ表示阈值,用于确定邻接矩阵中边的存在;D表示度矩阵,表示每个节点的连接数;d表示度矩阵D中节点的度,即节点连接的边的数量;/>表示第i个嵌入向量,对应于文本中的第i个词或短语;/>表示第j个嵌入向量,对应于文本中的第j个词或短语。
所述构建工单判断模型包括,特征向量化,提取图的拉普拉斯矩阵L的特征向量作为当前工单的低维特征表示,构建如下:
L=D-A
其中,EigenDecompose表示特征值分解操作,用于从拉普拉斯矩阵提取特征向量;
进行最相似历史工单特征向量的匹配,构建拓扑结构,使用当前工单特征/>构建拓扑结构/>并对历史工单集H中每个工单构建拓扑结构/>公式如下:
计算当前工单的拓扑结构与历史工单拓扑结构之间的拓扑距离,并确定最相似的历史特征,公式如下:
其中,g表示拓扑距离函数,用于计算和/>之间的距离;gm表示/>和第m个历史工单拓扑结构/>之间的拓扑距离;
选择最相似的历史特征,从计算得到的距离中选择最小的gm对应的历史特征作为构建如下:
其中,argminm{gm}表示选择使gm最小化的m的操作。
所述构建工单判断模型包括,编码外部影响因素,对每个外部影响因素Xk进行编码,转换为数值向量以量化其影响,
设计复杂函数Φ来量化每个因素的影响,构建如下:
将所有外部影响因素的影响整合到综合影响量O中,同时考虑当前和历史特征向量:
O,通过预测函数f综合这些信息,得到最终预测结果Y如下:
其中,Xk表示第k个外部影响因素;Enc表示编码函数,将外部影响因素转换为数值向量;表示数值向量,表示第k个外部影响因素的编码结果;Φ表示影响量化函数,用来量化每个因素的影响;/>表示第k个外部影响因素的量化结果;αk表示第k个外部影响因素的权重系数;β表示调节系数,用于调节当前和历史特征交互影响的重要性;⊙是向量运算符,表示适当的向量运算;O表示综合影响量,整合所有外部影响因素的影响以及当前和历史特征向量的交互影响。
S3:基于缺陷报告,制定改进措施,并使用决策支持系统来优化措施的选择和排程。
所述根据严重性等级进行排序包括,依据工单判断模型输出结果通过严重性加权分数进行严重性等级评估,
Q=w1q+w2p+w3e+w4r
其中,Q表示严重性分数;w1、w2、w3和w4分别表示各因素的权重,根据对总严重性的相对重要性而定;q表示影响范围,p表示影响严重性,e表示修复难度,r表示安全风险;
严重性等级依据严重性加权分数由高到低进行排序,分数最高的为严重性最高级,分数最低的为严重性最低级。
S4:在执行改进措施时,通过实时监控系统记录详细的执行细节和环境参数,评估改进措施的效果包括数据分析和员工反馈,并生成详尽的效果报告,使用数据可视化工具对效果报告进行深入分析,以确保闭环的有效性和全面性。
S5:更新工单管理系统,对更新后的工单数据进行深度分析,根据深度分析的结果,通过一个综合评估模块来最终确认缺陷闭环的真正闭合,并生成最终报告。
若闭环评估显示改进措施无效,启动问题分析模块识别原因,并基于智能推荐系统提出再次改进措施,更新工单管理系统,包括改进措施的详细记录和再次改进的实施计划,同时启用提醒功能以跟踪进度和结果。
所述识别原因包括,若闭环评估显示改进措施无效,则启动问题分析模块进行深入探查。此模块首先收集与失败改进措施相关的所有数据,包括执行细节、时间日志、影响评估等,并利用统计分析和模式识别技术进行初步分析。接着,基于分析结果,识别出失败的根本原因;所述包括失败的根本原因包括资源分配不足、执行策略不当、外部环境变化、目标设定不合理、员工技能缺乏,或是采用的技术或方法过时。
若发现资源分配不足是主要原因,则重新评估项目的资源需求,智能推荐系统将根据项目特征和历史数据建议更合理的资源配置方案。若问题在于执行策略不当,如流程设计缺陷或沟通不畅,则智能推荐系统基于这些分析结果提出新的执行策略或流程优化建议。此外,若项目受到外部环境变化的影响较大,比如市场波动或法规更新,则系统将提供适应这些变化的策略,可能包括调整项目目标、改变实施方法或采用新技术。
在目标设定不合理的情况下,智能推荐系统将基于项目特性和历史成功案例,重新评估并提出更实际的目标设定。若问题源自员工培训或技能缺乏,则识别所需的关键技能和知识差距,并实施针对性的培训计划,其中智能推荐系统将提供相应的培训资源和计划。最后,若技术或方法被认为过时,智能推荐系统将基于最新的技术趋势和行业最佳实践,推荐更新换代的技术或方法。
进一步的,对更新后的工单数据进行深度分析,使用先进的数据挖掘技术以确保缺陷的彻底解决。
更进一步的,根据深度分析的结果,通过一个综合评估模块来最终确认缺陷闭环的真正闭合,并生成最终报告。
实施例2
本发明的第二个实施例,提供了一种基于计划工单的缺陷与反措虚假闭环判断方法,为了验证本发明的有益效果,通过实验进行科学论证。
选取工单数据集,包含各种典型的用户问题、故障报告。数据集包含历史工单信息以及相关的附加信息。数据集包含多种问题类型,体现系统的处理复杂度和适应性。
传统方法使用基于规则的简单机器学习模型处理方法处理工单数据,并记录性能指标。
我方发明方法采用优化工单处理方法处理相同的工单数据,并记录性能指标,实验结果如表1所示。
表1实验结果对比表
指标/方法 | 传统方法平均值 | 发明方法平均值 |
准确率(%) | 75 | 90 |
平均处理时间(秒) | 300 | 180 |
适应新问题能力 | 低 | 高 |
通过深入分析工单数据中的复杂语义和结构信息,我方发明方法能够更精确地理解和处理用户问题。直接提升了问题识别和分类的准确性,从而减少误解和错误处理的情况,提升了整体服务质量。
通过优化算法和数据处理流程,显著减少了平均处理时间。能够在同等时间内处理更多的工单,在更短的时间内解决同一问题,从而提高了用户的满意度并降低了运营成本。
同时我方发明方发明方法能够从新的工单中学习并不断更新其理解和处理策略,使得系统在面对未知或变化的问题类型时,不仅提升了工单处理的效率和准确性,而且通过持续学习和适应新情况的能力,确保了系统的长期可持续性和稳定性。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
实施例3
本发明的第三个实施例,该实施例提供了一种基于计划工单的缺陷与反措虚假闭环判断系统,包括:
所述系统包括,用户终端、信息处理模块、工单逻辑判断模块、历史数据库、决策支持系统、实时监控系统及工单管理系统;所述用户终端将用户提交的工单数据、工单信息和对应需求进行收集整合;所述信息处理模块用于利用自然语言处理技术分析工单数据,并实现模块及其单元间的信息交互;所述工单逻辑判断模块用于搭载工单判断模型以及相关算法和决策;所述历史数据库用于分类存储历史数据;所述决策支持系统用于制定策略、匹配策略、下达指令以及策略实施;所述实时监控系统用于实时监控作业现场情况并记录详细的执行细节和环境参数;所述工单管理系统包括综合评估模块和输出单元,所述综合评估模块用于确认最终缺陷闭环的真正闭合,并生成最终报告,所述输出单元用于输出最终结果。
实施例4
本发明第四个实施例,其不同于前三个实施例的是:
所述功能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-OnlyMemory)、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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于计划工单的缺陷与反措虚假闭环判断方法,其特征在于:包括,
接收由终端用户提交的工单数据,利用自然语言处理技术分析工单数据,以识别文字描述中的潜在缺陷点和不一致之处;
构建工单判断模型,对比历史工单数据,生成缺陷报告并根据严重性等级进行排序;
基于缺陷报告,制定改进措施,并使用决策支持系统来优化措施的选择和排程;
在执行改进措施时,通过实时监控系统记录详细的执行细节和环境参数;
更新工单管理系统,对更新后的工单数据进行深度分析,根据深度分析的结果,通过一个综合评估模块来最终确认缺陷闭环的真正闭合,并生成最终报告。
2.如权利要求1所述的一种基于计划工单的缺陷与反措虚假闭环判断方法,其特征在于:所述工单数据包括,工单执行的计划内容、预期目标及实际执行情况的详细记录。
3.如权利要求2所述的一种基于计划工单的缺陷与反措虚假闭环判断方法,其特征在于:所述分析工单数据包括,清理文本数据,去除无关信息,并将文本标准化,使用NLP技术的TF-IDF或词嵌入来识别工单文本中的关键词和短语,再利用自然语言处理工具分析文本的语义内容,使用双向编码器表示从转换器BERT模型来理解文本的上下文含义,同时将工单分为不同的类别,使用机器学习算法来识别文本中的潜在问题模式或异常,使用算法对比工单中的实际执行情况与计划执行情况,识别其中的不一致之处,并根据历史数据和已知的缺陷记录,训练模型识别新的或重复出现的缺陷。
4.如权利要求3所述的一种基于计划工单的缺陷与反措虚假闭环判断方法,其特征在于:所述构建工单判断模型包括,
将工单文本T转换为一系列嵌入向量其中每个/>表示文本中的一个词或短语的向量表示,公式如下:
其中,T表示原始工单文本;Embed表示嵌入函数,用于将文本转换成向量形式;表示文本T经嵌入转换后的向量集合,表示为/> 表示向量集合/>中的第i个嵌入向量,代表文本中第i个词或短语的向量表示;n代表文本T经嵌入转换后的向量的总数量,即文本中词或短语的总数;
构建高维几何结构,使用嵌入向量构建一个表示词汇语义关系的图,通过计算向量间的相似度来构建邻接矩阵A和度矩阵D,公式如下:
A=S>θ
D=diag(d1,d2,…,dn
其中,S表示相似度矩阵,用于表示嵌入向量之间的相似度;表示/>和/>之间相似度的计算函数;A表示邻接矩阵,基于相似度矩阵S构建,表示词向量之间的连接关系;θ表示阈值,用于确定邻接矩阵中边的存在;D表示度矩阵,表示每个节点的连接数;d表示度矩阵D中节点的度,即节点连接的边的数量;/>表示第i个嵌入向量,对应于文本中的第i个词或短语;/>表示第j个嵌入向量,对应于文本中的第j个词或短语。
5.如权利要求4所述的一种基于计划工单的缺陷与反措虚假闭环判断方法,其特征在于:所述构建工单判断模型包括,特征向量化,提取图的拉普拉斯矩阵L的特征向量作为当前工单的低维特征表示,构建如下:
L=D-A
其中,EigenDecompose表示特征值分解操作,用于从拉普拉斯矩阵提取特征向量;
进行最相似历史工单特征向量的匹配,构建拓扑结构,使用当前工单特征/>构建拓扑结构/>并对历史工单集H中每个工单构建拓扑结构/>公式如下:
计算当前工单的拓扑结构与历史工单拓扑结构之间的拓扑距离,并确定最相似的历史特征,公式如下:
其中,g表示拓扑距离函数,用于计算和/>之间的距离;gm表示/>和第m个历史工单拓扑结构/>之间的拓扑距离;
选择最相似的历史特征,从计算得到的距离中选择最小的gm对应的历史特征作为构建如下:
其中,argminm{gm}表示选择使gm最小化的m的操作;
编码外部影响因素,对每个外部影响因素Xk进行编码,转换为数值向量以量化其影响,
设计复杂函数Φ来量化每个因素的影响,构建如下:
将所有外部影响因素的影响整合到综合影响量O中,同时考虑当前和历史特征向量:
结合当前工单特征向量最相似历史工单特征向量/>以及综合影响量O,通过预测函数f综合这些信息,得到最终预测结果Y如下:
其中,Xk表示第k个外部影响因素;Enc表示编码函数,将外部影响因素转换为数值向量;表示数值向量,表示第k个外部影响因素的编码结果;Φ表示影响量化函数,用来量化每个因素的影响;/>表示第k个外部影响因素的量化结果;αk表示第k个外部影响因素的权重系数;β表示调节系数,用于调节当前和历史特征交互影响的重要性;⊙是向量运算符,表示适当的向量运算;O表示综合影响量,整合所有外部影响因素的影响以及当前和历史特征向量的交互影响。
6.如权利要求5所述的一种基于计划工单的缺陷与反措虚假闭环判断方法,其特征在于:所述根据严重性等级进行排序包括,依据工单判断模型输出结果通过严重性加权分数进行严重性等级评估,
Q=w1q+w2p+w3e+w4r
其中,Q表示严重性分数;w1、w2、w3和w4分别表示各因素的权重,根据对总严重性的相对重要性而定;q表示影响范围,p表示影响严重性,e表示修复难度,r表示安全风险;
严重性等级依据严重性加权分数由高到低进行排序,分数最高的为严重性最高级,分数最低的为严重性最低级。
7.如权利要求6所述的一种基于计划工单的缺陷与反措虚假闭环判断方法,其特征在于:所述深度分析包括,若闭环评估显示改进措施无效,启动问题分析模块识别原因,并基于智能推荐系统提出再次改进措施,更新工单管理系统,包括改进措施的详细记录和再次改进的实施计划,同时启用提醒功能以跟踪进度和结果;
所述识别原因包括,若闭环评估显示改进措施无效,则启动问题分析模块进行深入探查,收集与失败改进措施相对应的所有数据,包括执行细节、时间日志、影响评估,并利用统计分析和模式识别技术进行初步分析,基于分析结果,识别出失败的根本原因;所述包括失败的根本原因包括资源分配不足、执行策略不当、外部环境变化、目标设定不合理、员工技能缺乏,或是采用的技术或方法过时。
若发现资源分配不足是主要原因,则重新评估项目的资源需求,智能推荐系统将根据项目特征和历史数据建议更合理的资源配置方案;若问题在于执行策略不当,即流程设计缺陷或沟通不畅,则智能推荐系统基于分析结果提出新的执行策略或流程优化建议;若项目受到外部环境变化的影响较大,即市场波动或法规更新,则系统将提供适应变化的策略,包括调整项目目标、改变实施方法或采用新技术;
在目标设定不合理的情况下,智能推荐系统将基于项目特性和历史成功案例,重新评估并提出更实际的目标设定;若问题源自员工培训或技能缺乏,则识别所需的关键技能和知识差距,并实施针对性的培训计划,由智能推荐系统将提供相应的培训资源和计划;若技术或方法被认为过时,智能推荐系统将基于最新的技术趋势和行业最佳实践,推荐更新换代的技术方法。
8.一种采用如权利要求1~7任一所述的一种基于计划工单的缺陷与反措虚假闭环判断方法的系统,其特征在于:包括,用户终端、信息处理模块、工单逻辑判断模块、历史数据库、决策支持系统、实时监控系统及工单管理系统;
所述用户终端将用户提交的工单数据、工单信息和对应需求进行收集整合;
所述信息处理模块用于利用自然语言处理技术分析工单数据,并实现模块及其单元间的信息交互;
所述工单逻辑判断模块用于搭载工单判断模型以及相关算法和决策;
所述历史数据库用于分类存储历史数据;
所述决策支持系统用于制定策略、匹配策略、下达指令以及策略实施;
所述实时监控系统用于实时监控作业现场情况并记录详细的执行细节和环境参数;
所述工单管理系统包括综合评估模块和输出单元,所述综合评估模块用于确认最终缺陷闭环的真正闭合,并生成最终报告,所述输出单元用于输出最终结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013894.1A CN117973675A (zh) | 2024-01-04 | 2024-01-04 | 一种基于计划工单的缺陷与反措虚假闭环判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410013894.1A CN117973675A (zh) | 2024-01-04 | 2024-01-04 | 一种基于计划工单的缺陷与反措虚假闭环判断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117973675A true CN117973675A (zh) | 2024-05-03 |
Family
ID=90847025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410013894.1A Pending CN117973675A (zh) | 2024-01-04 | 2024-01-04 | 一种基于计划工单的缺陷与反措虚假闭环判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973675A (zh) |
-
2024
- 2024-01-04 CN CN202410013894.1A patent/CN117973675A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738564A (zh) | 贷后风险评估方法及装置、存储介质 | |
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN112800212B (zh) | 基于知识图谱与fahp的配电站健康评估方法 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
CN116307352A (zh) | 一种基于机器学习的工程量指标估算方法及系统 | |
CN116579640A (zh) | 电力营销服务渠道用户体验评估方法及系统 | |
CN115719283A (zh) | 一种智能化会计管理系统 | |
CN111860971A (zh) | 道岔转辙机剩余寿命预测方法及装置 | |
CN115170052A (zh) | 一种基于人工智能的工程管理方法及系统 | |
CN117236665B (zh) | 物资生产调度优化方法及系统 | |
CN113891342A (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
CN116342167A (zh) | 基于序列标注命名实体识别的智能成本度量方法和装置 | |
CN117973675A (zh) | 一种基于计划工单的缺陷与反措虚假闭环判断方法及系统 | |
CN108363738B (zh) | 一种工业设备数据分析算法的推荐方法 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
CN114936755A (zh) | 一种基于知识图谱的螺柱焊接缺陷根因分析方法 | |
CN115186174A (zh) | 基于机器学习的众包任务个性化推荐方法和系统 | |
CN113835739A (zh) | 一种软件缺陷修复时间的智能化预测方法 | |
CN114282875A (zh) | 流程审批确定性规则和语义自学习结合判定方法及装置 | |
CN112070399B (zh) | 一种大型工程结构安全风险评估方法及系统 | |
CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
CN117852688A (zh) | 业务流程剩余时间预测方法、计算机设备以及存储介质 | |
CN118261564A (zh) | 一种智能化审核认证管理方法、系统、设备和介质 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 |
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 |