发明内容
本发明的目的在于提供一种电力通信网机房移动运维方法,以数据管理、智能识别、规则管控技术,保证机房巡视时效性,提高电力通信网机房巡视的规范性和准确性,实现了智能化、规范化的电力通信网机房巡视方法。
本发明的目的通过以下技术方案予以实现:一种电力通信网机房移动运维方法,包括以下步骤:
1)数据存储:
将机房巡视运维工单、作业指导书、设备台账作为初始化数据进行存储;
2)数据关联:
数据关联时采用分类ID对作业指导书和机房巡视工单进行关联标注;
3)数据采集:
利用二维码识别、图像识别等职能数据采集识别技术实现对于机房巡视过程种巡视工作成果的数据采集识别,为标准化作业指导数据的巡视管控提供数据验证支撑;对于数据采集过程中非原始设定数据采集分析,使用基于Anderson-Darling检验的聚类类别学习算法;
所述聚类类别学***α,C=φ(聚类中心);
所述聚类类别学习算法的输出为聚类类别数k,聚类模型;
所述聚类类别学习算法包括:
第一步:k=1,C={c1},
第二步:执行算法k-means(C,X),分类样本集为k个子集,每一个子样本集表示为:{xi|class(xi)=j};
第三步:使用Anderson-Darling检验,测试每一个{xi|class(xi)=j}是否服从一个高斯分布;如果不服从,数据集{xi|class(xi)=j}应该被***,该数据集的中心cj应该用两个中心代替,k=k+1;如果服从,则保持cj;
第四步:返回至第二步重复执行,直到再没有k值增加;
4)数据比对查询
对采集到的数据ID和***初始化机房巡视工单数据、作业指导书数据ID进行比对,确认运维信息;
5)规则管控
6)结果回发
在完成整个巡视工作,并进行巡视工作结果比对后,***先对巡视结果进行本地化存储,完成存储之后***使用无线传输技术进行数据回传。
本发明的目的还可以通过以下技术措施来进一步实现:
前述电力通信网机房移动运维方法,其中基于Anderson-Darling检验的聚类类别学习算法的检验算法为:
假设设置为:H0:数据集合采样自同一个高斯分布;H1:数据集合采样自不同的高斯分布;
算法输入:数据子集xi,中心cj;
算法输出:数据集的中心向量;
第一步,初始化显著性水平α及cj的两个孩子c1和c2,作为新的中心点;
第二步,v=c1-c2是连接两个中心点的d维向量,把数据集xi投影到v上,得到xi′=<xi,v>/||v||2。xi′即数据的一维表示;
第三步,zi=F(xi′),得到A2(Z),如果A2(Z)在显著性水平α的非标准值的范围内,则接受H0,保持原来的中心点,删除c1和c2;否则拒绝H0并且保留c1和c2而代替原来的中心点。
前述电力通信网机房移动运维方法,其中基于Anderson-Darling检验的聚类类别学***α=0.0001。
前述电力通信网机房移动运维方法,其中步骤4)数据比对查询包括:
(1)机房巡视工单数据读取服务
机房巡视工单数据具有人工触发和***自动触发两种方式,人工触发为巡视人员利用***自己直接调取查看,自动触发是利用GPS数据进行自动化调用;
(2)作业指导书数据读取服务;
(3)采集数据读取服务;
(4)数据比对服务
数据比对服务负责将读取的数据按照规则管控设置进行比对,并输出比对结果;
(5)数据比对结果存储展示。
前述电力通信网机房移动运维方法,其中步骤5)规则管控的关联规则算法为FP-tree算法,包括:
(1)构造FP-tree
①扫描机房巡视规则管控事务数据库D,获得D中所包含的全部频繁项F1及它们各自的支持度,对F1中的频繁项按其支持度的降序排序,结果为项目头表L;
②创建FP-tree的根节点T,以“null”标记,再次扫描机房巡视规则管控事务数据库,对于D中每个机房巡视规则管控事务Trans,创建Trans中的频繁项,并按F1中的次序排序,设排序后的频繁项表为[p|P],其中p是第一个频繁项,而P是剩余的频繁项,调用insert-tree([p|P],T);insert-tree([p|P],T)过程执行情况如下:如果T符合规则管控N使得N.item-name=p.item.name,则N的计数值增加1;否则创建一个规则管控新节点N,将其计数设置为1,链接到它的管控规则父节点T,并且通过节点链结构将其链接到具有相同item-name的节点;如果P非空,递归调用insert-tree(P,N),在机房巡视规则管控事务数据库再次扫描完毕后,一个完全的FP-tree就建立了;
(2)挖掘FP-tree
从项头表L中的最后一项开始,根据节点链得到其分枝,若有多个分枝,逐一分开考虑,对每个分枝,做如下处理:取得该节点到根节点null的路径,对该路径上所有节点进行组合,根节点null除外,并设置各组合的计数值;然后将所有的组合送入候选频繁模式集合CF,若CF中已经存在相同的组合,即组合的标识符号相同,则进行合并;合并操作为:组合标识保持不变,计数值为二者之和;该路径上所有的组合进入候选频繁模式集CF后,对该路径上的节点进行修正,修正过程为:使该路径上的所有节点的count值减去当前考虑节点的count值;此后,再取L表中的上一项,重复上述过程直到表中的所有 项都被考虑完毕,或者相应考虑的节点的计数值count=0,此时完成整棵树的挖掘处理;最后用给出的min_sup值即最小支持度剔除CF中计数值小于min_sup的组合;则留在CF中的就是所要找的频繁模式,依此可构造出所有的候选关联规则,并可用给出的min_suf值即最小置信度,筛选出所需要的关联规则。
与现有技术相比,本发明的有益效果是:以数据管理、智能识别、规则管控技术,保证机房巡视时效性,提高电力通信网机房巡视的规范性和准确性,实现了智能化、规范化的电力通信网机房巡视方法。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本***包括智能标准化作业指导书平台,平台主要包括三大应用模块:
(1)关联管理
关联管理主要是实现标准化作业指导书与机房巡视工作的关联,保证每一项机房巡视工作都可以和对应的作业指导书进行关联对应,从而为巡视人员提供作业指导,主要包括作业指导书管理、机房巡视管理和关联管理三大功能。
(2)采集管理:
采集管理类应用从机房巡视的管理方面的流程化管理角度出发定义相关功能。主要包括设备信息采集管理、运维结果采集管理等功能。
(3)比对查询管理
比对查询管理按照作业指导书要求提供智能化现场数据的采集、验证、分析,并更具结果提供实时的数据比对功能,实现在统一的界面下对作业指导书及具体流程的展现,实现面向巡视工作的运维管理以及智能化的作业指导书管控对应。主要功能模块包括数据比对、结果管理等管理功能。
(4)管控规则
管控规则是实现巡视人员能够完全按照作业指导书进行机房巡视的重要支撑功能,巡视人员只有按照比对后提供的操作规则进行规范化操作和操作验证才能完成巡视工作,为机房巡视提供了安全、规范、高效的全新模式。主要功能包括规则验证、规则比对和结果验证。
本发明电力通信机房巡视管控方法使用“存储-关联-采集-比对-采集-比对-存储-回传”的过程,最终实现对机房巡视的规范化管理。
数据存储:提供友好界面,选择资源,形成初始化数据(作业指导书、机房巡视)和采集数据(设备信息、运维结果)存入数据库,通过无线方式连接实现数据在手持终端的本地化存储;
手持终端数据采集:利用手持终端提供多样化数据采集方式,实现对于温 度、图像等数据的采集;
数据比对:提供采集数据与初始化数据的比对,实现对于巡视情况确认,同时在巡视工作开展中每个环节都将再次采集数据和作业指导书进行结果比对,实现对于巡视工作成果的校验和规则管控;
数据回传:完成所有巡视工作后,各项数据在完成本地化存储后将利用无线传输和有线直连方式进行数据回传,实现手持终端与***后台数据库的数据同步。
本发明的基于智能标准化作业指导书的移动运维标准化机房巡视管控方法主要包括以下内容:
电力通信移动运维机房巡视是电力通信移动运维的重要组成,基于电力网通信移动运维管理***软件框架平台,使用电力通信网统一资源数据模型,综合了数据存储、数据采集、数据比对、规则管控、数据展示、结果回发等功能。
具体的步骤如下:
(一)第一步:数据存储
机房巡视是一类通信网移动运维工作的总称,所以在本运维方法中选择的初始化存储应该具有通信网移动运维的普遍适用性,运维巡视工单、作业指导书、设备台账等数据资源是电力通信移动运维普遍存在且数据存储、采集、比对较为容易资源,本运维方法将采用机房巡视运维工单、作业指导书、设备台账作为初始化存储资源为基础数据,其他数据则采用手工配置的方法进行设置和采集。
(二)第二步:数据关联
数据管理实现本方法的基础支撑功能,主要是实现作业指导书和机房巡视 工单的有效关联,从而保证每一项巡视工作都可以按照对应的作业指导书开展巡视工作,并为后面的规则管控提供管控依据。为了保证后期数据调用和资源比对的可用性,在数据关联时将采用分类ID对作业指导书和机房巡视工单进行关联标注,同时为了保证后期管控的可操作性,对于作业指导书和机房巡视工单内相关关键数据项将在作业指导书和机房巡视工单分类ID的基础上采用二级分类ID继续对关键数据项进行标注。具体方法如下:
(三)第三步:数据采集
数据采集主要是进行巡视人员位置、巡视机房、设备的确认,是确保巡视工作准确、规范开展的重要先决条件。具体定位功能如下:
1.利用GPS实现对于机房巡视人员的位置管理,同时将GPS于工单***进行关联,实现当巡视人员到达巡视机房时***自动调用相应巡视工单,并利用巡视工单与作业指导书的关联实现作业指导书的调用。
2.利用二维码识别、图像识别等职能数据采集识别技术实现对于机房巡视过程种巡视工作成果的数据采集识别,为标准化作业指导数据的巡视管控提供数据验证支撑。
3.数据学习是数据采集中的重要功能,(例如需要采集的数据是温度,而***设定为数字化数据识别,但是有的机房温度为传统水银温度计,那么***就需要自己学习识别对于水银温度计的数据采集方法,从而实现对于不同类型数据的有效采集。)是完善***可用性,提升***智能化的重要组成部分,在实际应用中我们利用遗传算法实现对于数据采集过程中非原始设定数据采集分析的学习功能。具体方法如下:
聚类是指把一组个体按照相似性归成若干类别,使得属于同一类别的个体之间的相似度尽可能大,而不同类别的个体之间的相似度尽可能小。从机器学习的角度看,聚类属于无监督学习,不依赖预先定义的类和带类标号的训练实 例。聚类分析是知识发现的重要方法,在图像识别、信息检索、文本挖掘、基因分析,客户关系管理等领域有着广泛的应用。
在聚类算法中,必须事先设置类别数目k值。然而k值的设置需要先验知识和实验,对于一般用户是件很困难的事,且数据集合是高维或者分布比较稀疏时,将会更加困难。因此我们提出了一种基于Anderson-Darling检验的聚类类别学习算法,如图1所示。
(1)Anderson-Darling检验
寻找类别数目比较正规的方法就是设计某种能检测拟合程度的指标,使得它能表示一个给定的类划分在什么程度上匹配原始数据。传统的拟合指标有chi-square检验、Kolmogorov-Smirnov检验和Anderson-Darling检验。Chi-square检验可以检验离散分布也可以检验连续分布,但Chi-Square检验获得的结果是近似的,并且需要大量的样本数据来保证其有效性。Kolmogorov-Smirnov检验能够得到准确的检测结果,但该分布检验的最大缺陷就是需要详细说明待检验分布的各种参数。Anderson-Darling检验是Kolmogorov-Smirnov检验的一种改进的统计分布检验的方法。它能够更好的检验出样本是否服从一指定的分布。
(2)算法
本算法从k=1开始,逐渐的增大k值,通过Anderson-Darling检验,直到每一个样本子集都服从同一个概率分布为止。算法重复的对样本集进行***,通过Anderson-Darling检验确定其***的合理性。***合理(接受H1假设),k值增加;不合理(接受H0假设),k值保持不变。在一次重复中,k值有变化时,表示当前的数据子样本中仍然需要***,以新的k值为基础,对 全体样本数据运行k-means算法,获得新的聚类模型。本算法在对数据进行聚类的时候,采用的是基于划分的k-means算法,所以假设样本数据来自于独立同分布的高斯分布。算法描述如下:
算法输入:样本集x(x1,x2,…,xn),显著性水平α,C=φ(聚类中心)。
算法输出:聚类类别数k,聚类模型。
第一步k=1,C={c1},
第二步执行算法k-means(C,X),分类样本集为k个子集,每一个子样本集表示为:{xi|class(xi)=j}。
第三步使用Anderson-Darling检验,测试每一个{xi|class(xi)=j}是否服从一个高斯分布;如果不服从,数据集{xi|class(xi)=j}应该被***,该数据集的中心cj应该用两个中心代替,k=k+1;如果服从,则保持cj;
第四部从第2步重复执行,直到再没有k值增加。
该算法在进行分布检验的同时,多次执行k-means算法(最多k次),所以其时间复杂度应该为k-means算法的k倍。
(3)检验算法
要完成以上的算法一个重要的步骤就是分布检验。根据Anderson-Darling检验的理论,假设设置如下:
H0:数据集合采样自同一个高斯分布
H1:数据集合采样自不同的高斯分布
按照计算结果来判断是否接受或者拒绝假设。具体算法描述如下:
算法输入:数据子集xi,中心cj
算法输出:数据集的中心向量
第一步、初始化显著性水平α及cj的两个孩子c1和c2,作为新的中心点;
第二步、v=c1-c2是连接两个中心点的d维向量,把数据集xi投影到v上,得到xi′=<xi,v>/||v||2。xi′就是数据的一维表示;
第三步、zi=F(xi′)。根据公式(1)和公式(2)得到A2(Z),如果A2(Z)在显著性水平α的非标准值的范围内,则接受H0,保持原来的中心点,删除c1和c2;否则拒绝H0并且保留c1和c2而代替原来的中心点。
在上面算法的第二步是为了把样本集进行降维,使其能够满足Anderson-Darling检验的要求。通过上述算法,可以不用人为设定类别数目,而根据数据集合固有的结构就可以自动的获得类别数目。算法只需要设定显著性水平,在我们的测试中,总是使用α=0.0001。
本方法将原来人工主导的机房巡视工作中数据采集工作采用智能化手段代替,实现对于机房巡视全过程采集数据有效性和规范性的有效监管。
(四)第四步:数据比对查询
数据比对查询主要是实现机房巡视过程中各个环节采集数据的正确性比对(如巡视机房是否正确、巡视设备是否正等)以及采集数据和作业指导书步骤流程中要求验证数据的比对校验,
所以数据比对主要是对采集到的数据ID和***初始化机房巡视工单数据、作业指导书数据ID进行比对,确认运维的相关信息(如运维设备、运维线路和 运维工作完成情况)。
本部分需要参与的模块有:采集数据读取模块、初始化数据读取模块、数据比对处理模块和比对结果存储展现模块,如图2所示。
(1)机房巡视工单数据读取服务
服务名:pm_crpworeadmodel;
机房巡视工单数据模型的读取、转发方式,类似于目前较为成熟的工单数据模型的读取方式,因为需要读取的数据模型不只机房巡视工单数据,所以将其作为一类独立的模型读取。机房巡视工单数据具有人工触发和***自动触发两种方式,人工触发为巡视人员利用***自己直接调取查看(到达巡视位置之前和巡视位置GPS信号不佳时使用),自动触发是利用GPS数据进行自动化调用(当巡视人员到达巡视位置时***自动调用相关数据)。
(2)作业指导书数据读取服务
服务名:pm_ireadmodel
作业指导书数据读取服务运行方式与机房巡视工单数据读取服务相同,只是作业指导书数据的调用需要由机房巡视工单进行激活调用。
(3)采集数据读取服务
服务名:pm_cdreadmodel;
此服务与机房巡视工单、作业指导书数据模型的读取、转发方式类似,因为需要读取的数据需要和机房巡视工单、作业指导书数据进行比对,所以将其作为一类独立的模型读取。
(4)数据比对服务
服务名:pm_data comparison
数据比对服务负责将读取的数据按照规则管控设置进行比对,并输出比对结果。
(5)数据比对结果存储展示
服务名:pm_data comparison results storage
负责对比对结果进行回传存储和展示,如果比对结果符合要求将***将自动存储当前数据,并按照作业指导书要求进行下一步作业指导展示,若比对结果不符合要求将直接提示不符合要求,并要求巡视人员按照作业指导书要求展开自查,只有通过验证符合要求才能调用作业指导书进行下一步操作或完成工作。
(五)第五步:规则管控
服务名:pm_rcservice
规则管控是实现***有效运行,监管机房巡视工作正确高效开展的核心内容,规则管控主要以作业指导书中每一作业指导环节中关键项为指标,对机房巡视工作进行有效的管控,例如某机房的巡检任务在业指导书将工作分为三步,那么开展本巡视任务时巡视人员需要按照作业指导书步骤进行巡视工作,在作业指导书每一步工作要求中将选定相应的验证要求,当巡视人员完成某一步骤操作时需要按照作业指导书要求采集相应数据由作业指导书进行验证,验证通过后才能进行下一步工作或完成本巡视工作。具体的规则将按照不同巡视任务和作业指导书进行独立设置,相关规则设置完后将进行数字化固化,从而有效实现对于机房巡视工作的管控。
现阶段较为常用的关联规则算法主要是宽度优先算法(Apriori算法)和 深度优先算法(FP-Growth算法),但是Apriori算法和FP-Growth算法在实际应用中均存在着一定不足。
Apriori算法由频繁k_项集进行自连接生成的候选频繁k_项集数量巨大。例如,如果有104个1_频繁项集,则算法需要产生大约107个2_候选项集。此外,为发现长度为100的频繁模式,如{x1,x2,…,x100},必须产生多达2100=1030个候选项集。如此庞大的候选项集,在时间和空间上都是难以接受的。同时由于Apriori算法需要反复对数据库进行扫描,当存在长度较大的频繁集时会增加扫描数据库的次数,当数据库容量非常大的时候,又会增加每次扫描数据库的时间。每产生一次候选项集都要扫描一次数据库。为得到k_频繁项集,就需要扫描k次数据库,从而造成非常庞大的IO开销。
而FP-Growth方法将发现长频繁项集的问题转换成递归地搜索一些简短模式,然后链接较不频繁的后缀生成长频繁模式的问题,大大降低了搜索开销。但FP-Growth算法还是存在若涉及庞大的事务数据库,需要很大的空间来存放FP树;和挖掘FP树来产生频繁项集,需要为FP树中每个节点生成条件模式库和相应的条件模式树,若节点数量多,也必须占用很大的空间的缺陷。因此为了保证在机房巡视过程中规则管控的可用性,需要对这两种算法进行改进,具体方法如下:
Apriori算法中计算范围大、扫描次数多是限制其在实时化机房巡视管控中应用的主要问题,所以利用DHP(direct hashing and pruning)算法可以通过较少候选集的方法来提升Apriori算法计算性能。相对于Apriori算法而言,DHP在候选集的生成和其支持度的计算方面进行了改进。在第k次扫描,DHP不仅计算机房巡视规则管控候选k-项集的长度,而且把可能的长度为你(k+1)候选集置 于哈希桶内并计算其支持度。例如设a,b,c,d和e为一个机房巡视规则管控事务数据库的项目。在第一次扫描,DHP计算5个机房巡视规则管控候选1-项集的支持度,同时,可能的机房巡视规则管控候选2-项集ab,ac,…,de,被放在哈希桶内。假定ab,ad和ae,放在相同的哈希桶。任何一个包含ab,ad或则ae的机房巡视规则管控事务导致该哈希桶的支持度计数增1。第1次扫描之后,若哈希桶的支持度计数低于阈值,桶内的所有成员均不为机房巡视规则管控候选2-项集即使a,b,d和e都是频繁的。DHP尤其对生成机房巡视规则管控候选2-项集有效。DHP生成的机房巡视规则管控候选2-项集的数目远远小于其它算法。
而FP-growth算法的关联规则挖掘效率比Apriori算法高,但是它仍然需要扫描两次事务数据库。在挖掘频繁模式的过程中,如果大项集的数量很多,并且如果由原数据库得到的FP-tree的分支很多,而且分支长度很长时,该算法需要构造出数量巨大的条件FP-tree,不仅浪费时间且要占用大量的空间,挖掘效率偏低,且挖掘FP-tree过程包含递归,递归算法的效率也较低。因此,为了提高算法效率,使其适用于机房巡视规则管控,将利用下面的方法来优化算法。
FP-tree算法的工作原理:第一构造FP-tree,第二挖掘FP-tree
(1)构造FP-tree
①扫描机房巡视规则管控事务数据库D,获得D中所包含的全部频繁项F1及它们各自的支持度。对F1中的频繁项按其支持度的降序排序。结果为项目头表L。
②创建FP-tree的根节点T,以“null“标记。再次扫描机房巡视规则管控事务数据库。对于D中每个机房巡视规则管控事务Trans,创建Trans中 的频繁项,并按F1中的次序排序。设排序后的频繁项表为[p|P],其中p是第一个频繁项,而P是剩余的频繁项。调用insert-tree([p|P],T)。insert-tree([p|P],T)过程执行情况如下:如果T符合规则管控N使得N.item-name=p.item.name,则N的计数值增加1;否则创建一个规则管控新节点N,将其计数设置为1,链接到它的管控规则父节点T,并且通过节点链结构将其链接到具有相同item-name的节点。如果P非空,递归调用insert-tree(P,N)。在机房巡视规则管控事务数据库再次扫描完毕后,一个完全的FP-tree就建立了。
(2)挖掘FP-tree
从项头表L中的最后一项开始,根据节点链得到其分枝,若有多个分枝,逐一分开考虑,对每个分枝,做如下处理:取得该节点到根节点null的路径,对该路径上所有节点进行组合(根节点null除外),并设置各组合的计数值。然后将所有的组合送入候选频繁模式集合CF,若CF中已经存在相同的组合(即组合的标识符号相同),则进行合并。合并操作为:组合标识保持不变,计数值为二者之和。该路径上所有的组合进入候选频繁模式集CF后,对该路径上的节点进行修正。修正过程为:使该路径上的所有节点的count值减去当前考虑节点的count值。此后,再取L表中的上一项,重复上述过程直到表中的所有项都被考虑完毕,或者相应考虑的节点的计数值count=0,此时完成整棵树的挖掘处理。最后用给出的min_sup值(最小支持度)剔除CF中计数值小于min_sup的组合。这样,留在CF中的就是所要找的频繁模式,依此可构造出所有的候选关联规则,并可用给出的min_suf值(最小置信度)筛选出所需要的关联规则。
同过上述方法可以有效的提升现有管理规则算法的效率,使之能够有效的适应机房巡视中规则管控对于算法精确性和高效性的要求。
(六)第六步:结果回发
服务名:pm_rp
在完成整个巡视工作,并进行巡视工作结果比对后,***首先会对巡视结果进行本地化存储,完成存储之后***将利用无线传输技术进行数据回传,如果现场无法提供相关无线连接,可以在巡视人员返回后进行数据无线回传和直连回传。
本发明的应用实例如图3所示,例如在机房巡视工单中JFXS-AAAA工单对应了作业指导书ZYZD-AAAA,那么在用户进行本工单机房巡视时,***会根据用户的所处位置(终端设备提供定位服务)确定自动调用相关相应的巡视工单并提供相应的作业指导书数据给用户,所以当用户到达A点时***会自动调用机房巡视工单中JFXS-AAAA工单提示用户进行巡视工作,同时提供作业指导书ZYZD-AAAA帮助用户巡视工作;在巡视过程中人员需要以工单要求目标进行巡视工作,并以作业指导书的规范要求开展具体工作,如ZYZD-AAAA中包含三条关键项,分别为aaa关键项、bbb关键项、ccc关键项,只有巡视人员按照ZYZD-AAAA完成第一步操作并采集相应数据通过ZYZD-AAAA-aaa关键项验证才能开展第二步工作,在完成第二步工作后同理需要采集并验证通过ZYZD-AAAA-bbb关键项后才能开展下一步工作,并在采集并验证通过ZYZD-AAAA-ccc关键项后才能算完成本项机房巡视工作,完成后***将自动利用采集数据完善巡视工作的工单现场数据情况,帮助巡视人员完成部分工单数据的填写,巡视人员最后确认完成工作后***将调用展示下一工单或提示工作 已完成。通过这一方法有效的解决了现阶段机房巡视工作开展中现场信息化支撑落后、人员监管空白等实际问题,有效实现了机房巡视全过程的规范化、流程化管理。
本发明应用实例二:在机房巡视工作开展工作中,每一关键项均采用智能设备进行数据采集,采集的数据会和规则管控设定数据进行比对,从而确定工作内容是否符合作业指导书要求,具体的情况如下:
1.机房巡视工单中JFXS-AAAA和ZYZD-AAAA相关联,因此JFXS-AAAA工作必须按照ZYZD-AAAA作业指导书要求进行,
2.ZYZD-AAAA作业指导书分为两步,第一步采集机房温度,确认机房情况,第二步是采集设备运行状态数据,确认设备情况,从而完成JFXS-AAAA工单。
3.ZYZD-AAAA作业指导书第一步工作中机房温度将确定一个固定范围,然后由巡视人员采集现场温度进行比对;第二步是设备运行状态的确认也和第一步相同。
4.巡视人员利用智能采集设备进行数据采集,并利用比对功能进行采集数据的识别和比对,从而确认巡视人员是否完成JFXS-AAAA工单工作内容,且是否符合作业指导书ZYZD-AAAA要求。
本发明的应用实例三:在开展机房巡视工作中由于各关键项的指标数据展现效果多样,会对数据采集识别比对产生一定影响,对于无法识别比对的数据***利用自学习功能可以有效的保证规则管控的兼容性。例如原有机房温度采集规则管控提供的比对基础数据位数字化数据,如果采用其他形式展示数据***可能无法识别,所以当***遇到误识别数据时将会自动学习新的数据,并且提示进行新规则设定,保证在下次工作中可以有效识别数据;同时对于无法识 别数据还可以利用远程实时交互,由远程专家直接进行识别,并远程反馈结果,实现规则管控。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。