CN114298679A - 基于大数据的工业ai平台及其应用方法、介质及电子设备 - Google Patents
基于大数据的工业ai平台及其应用方法、介质及电子设备 Download PDFInfo
- Publication number
- CN114298679A CN114298679A CN202111628541.5A CN202111628541A CN114298679A CN 114298679 A CN114298679 A CN 114298679A CN 202111628541 A CN202111628541 A CN 202111628541A CN 114298679 A CN114298679 A CN 114298679A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial
- module
- attribute
- storage
- 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 58
- 238000003860 storage Methods 0.000 claims abstract description 137
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 claims description 43
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 abstract description 13
- 230000001976 improved effect Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的实施例提供了一种基于大数据的工业AI平台及其应用方法、计算机可读介质及电子设备。通过生成运行请求并发送至控制装置，并通过运行模块基于获取到的控制指令运行工业设备；通过采集模块将工业设备在运行过程中生成的工业数据传输至数据模块；基于工业数据的数据信息对工业数据进行处理确定工业数据对应的数据属性；基于数据属性将工业数据存储至与数据属性对应的存储区域；通过控制模块基于从存储区域中调取到的运行数据，生成控制指令，并发送控制指令至工业设备。本申请实施例通过基于数据属性确定其在工业AI平台中对应的存储位置，进而提高数据的存储效率和应用效率，为工业化生产提供了可靠的数据保障。
Description
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种基于大数据的工业AI平台及其应用方法、计算机可读介质及电子设备。
背景技术
随着云时代的来临，大数据也吸引了越来越多的关注。分析师团队认为，大数据通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。大数据必然无法用单台的计算机进行处理，必须采用分布式架构。它的特色在于对海量数据进行分布式数据挖掘。但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
同时随着工业互联网的发展，在很多领域都需要用到大数据和云计算，尤其是在工业生产的过程中，其中生成的各种工业数据都需要通过大数据或者云计算的方式来进行处理。但是相关领域中的工业处理过程中，数据量庞大，在数据平台中往往不能对数据进行统一的处理，进而导致数据处理效率较低的问题，从而可能影响工业生产和控制的效率和精确性。
发明内容
本申请的实施例提供了一种基于大数据的工业AI平台及其应用方法、计算机可读介质及电子设备，进而至少在一定程度上可以提高数据处理效率，从而加强工业生产和控制的效率和精确性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种基于大数据的工业AI平台，包括：运行模块，用于在工业制造过程中，生成运行请求并发送至控制装置，并基于获取到的控制指令运行工业设备；采集模块，用于将所述工业设备在运行过程中生成的工业数据传输至数据模块；处理模块，用于基于所述工业数据的数据信息，对所述工业数据进行处理，确定所述工业数据对应的数据属性；存储模块，用于基于所述数据属性，将所述工业数据存储至与所述数据属性对应的存储区域；控制模块，用于在获取到所述工业设备发送的运行请求时，基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备。
在本申请的一些实施例中，基于前述方案，所述采集模块包括如下子模块：数据获取子模块，用于采集工业设备在运行中生成的工业数据；数据传输子模块，用于将所述工业数据传输至所述处理模块。
在本申请的一些实施例中，基于前述方案，所述处理模块包括如下子模块：数据清洗子模块，用于去除所述工业数据中的冗余数据，得到第一数据；数据合并子模块，用于将所述第一数据中同类型的数据进行合并，得到第二数据；数据分类子模块，用于基于所述第二数据的数据信息，对所述第二数据进行分类，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，基于前述方案，所述数据信息包括表示所述第二数据重要程度的位置参数；所述数据分类子模块包括如下单元：信息单元，用于基于所述第二数据，确定所述第二数据对应的数据属性；分类单元，用于基于所述属性参数确定所述第二数据的数据属性。
在本申请的一些实施例中，基于前述方案，所述信息单元包括：从所述第二数据中识别设备标识；基于所述设备标识获取所述第二数据对应的数值范围，并基于所述数值范围对所述第二数据进行归一处理，得到第三数据；获取所述设备标识对应的设备权重，并基于所述设备权重和所述第三数据，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，基于前述方案，所述存储模块包括如下子模块中的至少一种：一级存储子模块，用于当所述属性参数大于或者等于预设的第一存储阈值时，将所述工业数据存储至所述第一存储阈值对应的第一存储区域；二级存储子模块，用于当所述属性参数小于所述第一存储阈值、且大于或者等于预设的第二存储阈值时，将所述工业数据存储至所述第二存储阈值对应的第二存储区域；三级存储子模块，用于当所述属性参数小于所述第二存储阈值时，将所述工业数据存储至第三存储区域。
在本申请的一些实施例中，基于前述方案，所述控制模块还用于：基于人工智能的神经网络方法预先训练得到控制模型；基于调取到的运行数据，通过控制模型，生成控制指令；发送所述控制指令至所述工业设备。
根据本申请实施例的一个方面，提供了一种基于大数据的工业AI平台的应用方法，包括：在工业制造过程中，生成运行请求并发送至控制装置，并通过运行模块基于获取到的控制指令运行工业设备；通过采集模块将所述工业设备在运行过程中生成的工业数据传输至数据模块；基于所述工业数据的数据信息，通过处理模块对所述工业数据进行处理，确定所述工业数据对应的数据属性；基于所述数据属性，通过存储模块将所述工业数据存储至与所述数据属性对应的存储区域；在获取到所述工业设备发送的运行请求时，通过控制模块基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备。
在本申请的一些实施例中，基于前述方案，将所述工业设备在运行过程中生成的工业数据传输至数据模块包括：采集工业设备在运行中生成的工业数据；将所述工业数据传输至所述处理模块。
在本申请的一些实施例中，基于前述方案，基于所述工业数据的数据信息，对所述工业数据进行处理，确定所述工业数据对应的数据属性包括：去除所述工业数据中的冗余数据，得到第一数据；将所述第一数据中同类型的数据进行合并，得到第二数据；基于所述第二数据的数据信息，对所述第二数据进行分类，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，基于前述方案，所述数据信息包括表示所述第二数据重要程度的位置参数；基于所述第二数据的数据信息，对所述第二数据进行分类，确定所述第二数据对应的数据属性包括：基于所述第二数据，确定所述第二数据对应的数据属性；基于所述属性参数确定所述第二数据的数据属性。
在本申请的一些实施例中，基于前述方案，基于所述第二数据，确定所述第二数据对应的数据属性包括：从所述第二数据中识别设备标识；基于所述设备标识获取所述第二数据对应的数值范围，并基于所述数值范围对所述第二数据进行归一处理，得到第三数据；获取所述设备标识对应的设备权重，并基于所述设备权重和所述第三数据，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，基于前述方案，基于所述数据属性，将所述工业数据存储至与所述数据属性对应的存储区域包括：当所述属性参数大于或者等于预设的第一存储阈值时，将所述工业数据存储至所述第一存储阈值对应的第一存储区域；当所述属性参数小于所述第一存储阈值、且大于或者等于预设的第二存储阈值时，将所述工业数据存储至所述第二存储阈值对应的第二存储区域；当所述属性参数小于所述第二存储阈值时，将所述工业数据存储至第三存储区域。
在本申请的一些实施例中，基于前述方案，基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备，包括：基于人工智能的神经网络方法预先训练得到控制模型；基于调取到的运行数据，通过控制模型，生成控制指令；发送所述控制指令至所述工业设备。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的基于大数据的工业AI平台。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的基于大数据的工业AI平台。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的基于大数据的工业AI平台。
在本申请的一些实施例所提供的工业AI平台中，在工业制造过程中，生成运行请求并发送至控制装置，并通过运行模块基于获取到的控制指令运行工业设备；通过采集模块将工业设备在运行过程中生成的工业数据传输至数据模块；基于工业数据的数据信息，通过处理模块对工业数据进行处理，确定工业数据对应的数据属性；基于数据属性，通过存储模块将工业数据存储至与数据属性对应的存储区域；在获取到工业设备发送的运行请求时，通过控制模块基于从存储区域中调取到的运行数据，生成控制指令，并发送控制指令至工业设备。本方案通过对工业生产过程中生成的工业数据确定其对应的数据属性，进而基于数据属性确定其在工业AI平台中对应的存储位置，进而提高数据的存储效率和应用效率，为工业化生产提供了可靠的数据保障。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1示意性示出了根据本申请的一个实施例的基于大数据的工业AI平台的应用方法的流程图；
图2示意性示出了根据本申请的一个实施例的基于大数据的工业AI平台的示意图；
图3示意性示出了根据本申请的一个实施例的基于大数据的工业AI平台的示意图；
图4示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图1示出了根据本申请的一个实施例的基于大数据的工业AI平台的流程图，该基于大数据的工业AI平台可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图1所示，该基于大数据的工业AI平台至少包括步骤S110至步骤S150，详细介绍如下：
在步骤S110中，在工业制造过程中，生成运行请求并发送至控制装置，并通过运行模块基于获取到的控制指令运行工业设备。
在实际应用中，加工业制造是指对制造资源，其中可以包括：物料、能源、设备、工具、资金、技术、信息等等。按照市场要求，通过制造过程，转化为可供人们使用和利用的工业品与生活消费品的行业，包括扣除采掘业、公用业后的所有30个行业。目前，作为我国国民经济的支柱产业，制造业是我国经济增长的主导部门和经济转型的基础；作为经济社会发展的重要依托，制造业是我国城镇就业的主要渠道和国际竞争力的集中体现。
本实施例中通过构建工业AI平台来对工业生产的整个过程进行管理，其中可以包括数据采集、处理、监控和控制等等。以保证生产过程的稳定性、安全性和可靠性。
在工业AI平台的运行模块中，通过工业设备生成运行请求，并将运行请求发送至控制装置。并在之后获取控制装置生成的控制指令时，将控制指令发送至工业设备，以控制工业设备运行。
可选的，本实施例中的工业设备包括车床、铣床、磨床、冲床、柔性化制造线、PLC、加工中心、机器人、激光机、工控机、对刀仪、切割机、焊接机等工业设备。
在步骤S120中，通过采集模块将所述工业设备在运行过程中生成的工业数据传输至数据模块。
在本申请的一些实施例中，工业设备在未运行、或者运行过程中都会生成工业数据，并实施例中通过工业AI平台的采集模块来采集工业数据，并将其传输至数据模块。
示例性的，本实施例中的工业数据可以包括各种生产车间中生成的数据，例如车床、铣床、磨床、冲床、柔性化制造线、PLC、加工中心、机器人、激光机、工控机、对刀仪、切割机、焊接机等工业设备在运行过程中生成的数据。
可选的，本实施例中的采集模块可以由很多种类型的传感器装置、成像装置、数据传输装置等等组成。其中数据传输可以通过有线或者无线等方式，其中，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
本实施例中通过采集模块采集工业数据，并将数据传输至数据模块，以保证对工业物理层设备的实时监控，提高工业设备运行的可靠性。
在步骤S130中，基于所述工业数据的数据信息，通过处理模块对所述工业数据进行处理，确定所述工业数据对应的数据属性。
在本申请的一些实施例中，在获取到工业数据之后，基于工业数据对应的数据信息，通过处理模块对工业数据进行处理，确定工业数据对应的数据属性。其中，数据信息用于表示工业数据的数据类型、数据来源、数据标识等信息，数据属性用于表示工业数据在通过计算之后得到的属性值，该属性值用于评估工业数据的应用价值，以基于应用价值来确定工业数据对应的存储方式。
在本申请的一些实施例中，步骤S130中基于所述工业数据的数据信息，通过处理模块对所述工业数据进行处理，确定所述工业数据对应的数据属性的过程，包括：
S1301，去除所述工业数据中的冗余数据，得到第一数据；
S1302，将所述第一数据中同类型的数据进行合并，得到第二数据；
S1303，基于所述第二数据的数据信息，对所述第二数据进行分类，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，采集到的工业数据可以包括很多时刻工业设备运行时候的数据，其中可能存在部分多余没有实际作用的数据，例如，重复数据、发生错误的数据，本实施例中将这些数据作为冗余数据，并从工业数据中取出冗余数据，得到第一数据。之后，基于数据类型，将第一数据中同数据类型的数据进行合并，即将同一数据类型的数据写入同一个文件夹中，得到多个类型对应的文件夹组成的第二数据。在得到第二数据之后，基于数据信息对第二数据进行分类，确定第二数据对应的数据属性。
在本申请的一些实施例中，所述数据信息包括表示所述第二数据重要程度的位置参数；步骤S1303中基于所述第二数据的数据信息，对所述第二数据进行分类，确定所述第二数据对应的数据属性的过程包括：
基于所述第二数据，确定所述第二数据对应的数据属性；
基于所述属性参数确定所述第二数据的数据属性。
在本申请的一些实施例中，属性参数可以是第二数据的数据量、生成时间、应用频率来得到，之后基于属性参数和预设的属性阈值来得到对应的数据属性。
在本申请的一些实施例中，基于所述第二数据，确定所述第二数据对应的数据属性包括：
从所述第二数据中识别设备标识；
基于所述设备标识获取所述第二数据对应的数值范围，并基于所述数值范围对所述第二数据进行归一处理，得到第三数据；
获取所述设备标识对应的设备权重，并基于所述设备权重和所述第三数据，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，设备标识对应于生成工业数据的工业设备，用于获取第二数据对应的数值范围、设备标识对应的设备权重等等。
通过如下公式对第二数据进行归一处理，得到第二数据对应的第三数据：
其中，Ni-1表示第二数据，Ni表示第三数据，Nmin、Nmax分别表示第二数据对应的数值范围中的最小值和最大值。通过上述公式得到第三数据，以保证第二数据的统一性，便于之后基于统一的第三数据计算属性参数，提高属性参数计算的精确性。
在本申请一实施例中，在第三数据之后，获取设备标识对应的设备权重Wei_equ、第三数据对应的数据权重Wei_data、第三数据的均值Ni(ave)、以及第三数据中的最大值Ni(max)，通过如下公式计算得到属性参数：
其中，a、b用于表示预设的权重因子。
在实际应用中，生产加工的组成包括了各种类型的工业设备，因此本实施例中通过设备权重体现该工业设备的重要情况；并且，一种工业设备可能会产生不同类型的工业数据，因此本实施例中通过数据权重来体现工业数据的重要情况，同时，本实施例通过均值来体现需要存储的第三数据的数值情况。通过上述方式可以衡量得到第三数据的整个数据属性，进而通过属性参数和预设的存储阈值，来确定数据属性，以基于数据属性衡量和代表第三数据的存储需求。
示例性的，在确定数据属性时，当属性参数大于或者等于预设的第一存储阈值时，该工业数据对应于第一数据属性，用于表示数据的应用效用比较高的数据属性；当属性参数小于第一存储阈值、且大于或者等于预设的第二存储阈值时，该工业数据对应于第二数据属性，用于表示数据的应用效用居中的数据属性；当属性参数小于第二存储阈值时，该工业数据对应于第三数据属性，用于表示数据的应用效用较低的数据属性。
可选的，在本申请一实施例中，在进行归一处理之前，先从第二数据中确定发生异常的数据。具体的，基于第二数据对应的数值范围中的最小值和最大值，从第二数据中识别得到小于最小值、或者大于最大值的第二数据作为异常数据。其中异常数据有其对应的异常存储区域，且本实施例中的异常存储区域高于其他类型的存储区域，以便于控制模块可以及时的获取到异常存储区域中的异常数据，并基于异常数据生成对应的控制指令，以尽快消除异常情况，提高工业制造的安全性。
本实施例中还可以通过人工智能中神经网络模型的方式，先基于异常数据样本对神经网络进行训练，得到异常识别模型。之后基于异常识别模型来识别工业数据中的异常数据，以保证异常识别的精确性。
在步骤S140中，基于所述数据属性，通过存储模块将所述工业数据存储至与所述数据属性对应的存储区域。
在本申请的一些实施例中，在确定了数据属性之后，基于所述数据属性，将所述工业数据存储至与所述数据属性对应的存储区域包括：
当所述属性参数大于或者等于预设的第一存储阈值时，将所述工业数据存储至所述第一存储阈值对应的第一存储区域；
当所述属性参数小于所述第一存储阈值、且大于或者等于预设的第二存储阈值时，将所述工业数据存储至所述第二存储阈值对应的第二存储区域；
当所述属性参数小于所述第二存储阈值时，将所述工业数据存储至第三存储区域。
在本申请的一些实施例中，第一存储区域、第二存储区域以及第三存储区域依次分别表示由高到低的存储级别，高级别的存储区域将用于存储较为重要、使用频率较高的工业数据。通过上述方式以保证数据的高效存储和高效利用。
在步骤S150中，在获取到所述工业设备发送的运行请求时，通过控制模块基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备。
在本申请的一些实施例中，在获取到工业设备发送的运行请求时，通过控制模块基于从存储区域确定运行请求对应的工业数据的存储区域，之后从该存储区域中调取到的运行数据，生成控制指令，并发送控制指令至工业设备。
在本申请的一些实施例中，基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备，包括：
基于人工智能的神经网络方法预先训练得到控制模型；
基于调取到的运行数据，通过控制模型，生成控制指令；
发送所述控制指令至所述工业设备。
在实际应用中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。本实施例中基于人工智能的神经网络，通过机器学习的方式，以工业数据样本进行训练，得到控制模型，用于通过控制模型对运行数据生成控制指令，并将控制控制指令发送至工业设备，实现基于人工智能的工业化生产。
在实际应用中，计算机视觉技术计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。本实施例中可以通过计算机视觉技术识别工业数据中的图像信息，通过识别得到的结果，生成控制指令。
在实际应用中，语音技术的关键技术有自动语音识别技术(ASR)和语音合成技术(TTS)以及声纹识别技术。让计算机能听、能看、能说、能感觉，是未来人机交互的发展方向，其中语音成为未来最被看好的人机交互方式之一。本实施例中可以通过语音技术来对工业生产过程中的语音信息进行识别，例如通过语音信息对机器设备进行控制，进而提高设备运行的效率。
在本申请的一些实施例所提供的工业A1平台中，在工业制造过程中，生成运行请求并发送至控制装置，并通过运行模块基于获取到的控制指令运行工业设备；通过采集模块将工业设备在运行过程中生成的工业数据传输至数据模块；基于工业数据的数据信息，通过处理模块对工业数据进行处理，确定工业数据对应的数据属性；基于数据属性，通过存储模块将工业数据存储至与数据属性对应的存储区域；在获取到工业设备发送的运行请求时，通过控制模块基于从存储区域中调取到的运行数据，生成控制指令，并发送控制指令至工业设备。本方案通过对工业生产过程中生成的工业数据确定其对应的数据属性，进而基于数据属性确定其在工业AI平台中对应的存储位置，进而提高数据的存储效率和应用效率，为工业化生产提供了可靠的数据保障。
请参考图2和图3所示，以下介绍本申请的工业AI平台实施例，可以用于执行本申请实施例中的基于大数据的工业AI平台的应用方法。可以理解的是，所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该装置为一个应用软件；该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节，请参照本申请上述的基于大数据的工业AI平台的应用方法的实施例。
图2示出了根据本申请的一个实施例的基于大数据的工业AI平台的应用方法的框图。
参照图2所示，根据本申请的一个实施例的基于大数据的工业AI平台的应用方法200，包括：
运行模块210，用于在工业制造过程中，生成运行请求并发送至控制装置，并基于获取到的控制指令运行工业设备；采集模块220，用于将所述工业设备在运行过程中生成的工业数据传输至数据模块；处理模块230，用于基于所述工业数据的数据信息，对所述工业数据进行处理，确定所述工业数据对应的数据属性；存储模块240，用于基于所述数据属性，将所述工业数据存储至与所述数据属性对应的存储区域；控制模块250，用于在获取到所述工业设备发送的运行请求时，基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备。
在本申请的一些实施例中，基于前述方案，所述采集模块220包括如下子模块：数据获取子模块2201，用于采集工业设备在运行中生成的工业数据；数据传输子模块2202，用于将所述工业数据传输至所述处理模块。
在本申请的一些实施例中，基于前述方案，所述处理模块230包括如下子模块：数据清洗子模块2301，用于去除所述工业数据中的冗余数据，得到第一数据；数据合并子模块2302，用于将所述第一数据中同类型的数据进行合并，得到第二数据；数据分类子模块2303，用于基于所述第二数据的数据信息，对所述第二数据进行分类，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，基于前述方案，所述数据信息包括表示所述第二数据重要程度的位置参数；所述数据分类子模块2303包括如下单元：信息单元，用于基于所述第二数据，确定所述第二数据对应的数据属性；分类单元，用于基于所述属性参数确定所述第二数据的数据属性。
在本申请的一些实施例中，基于前述方案，所述信息单元包括：从所述第二数据中识别设备标识；基于所述设备标识获取所述第二数据对应的数值范围，并基于所述数值范围对所述第二数据进行归一处理，得到第三数据；获取所述设备标识对应的设备权重，并基于所述设备权重和所述第三数据，确定所述第二数据对应的数据属性。
在本申请的一些实施例中，基于前述方案，所述存储模块240包括如下子模块中的至少一种：一级存储子模块，用于当所述属性参数大于或者等于预设的第一存储阈值时，将所述工业数据存储至所述第一存储阈值对应的第一存储区域；二级存储子模块，用于当所述属性参数小于所述第一存储阈值、且大于或者等于预设的第二存储阈值时，将所述工业数据存储至所述第二存储阈值对应的第二存储区域；三级存储子模块，用于当所述属性参数小于所述第二存储阈值时，将所述工业数据存储至第三存储区域。
在本申请的一些实施例中，基于前述方案，所述控制模块250还用于：基于人工智能的神经网络方法预先训练得到控制模型；基于调取到的运行数据，通过控制模型，生成控制指令；发送所述控制指令至所述工业设备。
在本申请的一些实施例所提供的工业AI平台中，在工业制造过程中，生成运行请求并发送至控制装置，并通过运行模块基于获取到的控制指令运行工业设备；通过采集模块将工业设备在运行过程中生成的工业数据传输至数据模块；基于工业数据的数据信息，通过处理模块对工业数据进行处理，确定工业数据对应的数据属性；基于数据属性，通过存储模块将工业数据存储至与数据属性对应的存储区域；在获取到工业设备发送的运行请求时，通过控制模块基于从存储区域中调取到的运行数据，生成控制指令，并发送控制指令至工业设备。本方案通过对工业生产过程中生成的工业数据确定其对应的数据属性，进而基于数据属性确定其在工业AI平台中对应的存储位置，进而提高数据的存储效率和应用效率，为工业化生产提供了可靠的数据保障。
图4示出了适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
需要说明的是，图4示出的电子设备的计算机***400仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示，计算机***400包括中央处理单元(Central Processing Unit，CPU)401，其可以根据存储在只读存储器(Read-Only Memory，ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory，RAM)403中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 403中，还存储有***操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output，I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分407；包括硬盘等的储存部分408；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的***中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memou，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的***、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。其中，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，上述模块、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，两个接连地表示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，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于大数据的工业AI平台，其特征在于，包括：
运行模块，用于在工业制造过程中，生成运行请求并发送至控制装置，并基于获取到的控制指令运行工业设备；
采集模块，用于将所述工业设备在运行过程中生成的工业数据传输至数据模块；
处理模块，用于基于所述工业数据的数据信息，对所述工业数据进行处理，确定所述工业数据对应的数据属性；
存储模块，用于基于所述数据属性，将所述工业数据存储至与所述数据属性对应的存储区域；
控制模块，用于在获取到所述工业设备发送的运行请求时，基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备。
2.根据权利要求1所述的平台，其特征在于，所述采集模块包括如下子模块：
数据获取子模块，用于采集工业设备在运行中生成的工业数据；
数据传输子模块，用于将所述工业数据传输至所述处理模块。
3.根据权利要求1所述的平台，其特征在于，所述处理模块包括如下子模块：
数据清洗子模块，用于去除所述工业数据中的冗余数据，得到第一数据；
数据合并子模块，用于将所述第一数据中同类型的数据进行合并，得到第二数据；
数据分类子模块，用于基于所述第二数据的数据信息，对所述第二数据进行分类，确定所述第二数据对应的数据属性。
4.根据权利要求3所述的平台，其特征在于，所述数据信息包括表示所述第二数据重要程度的位置参数；
所述数据分类子模块包括如下单元：
信息单元，用于基于所述第二数据，确定所述第二数据对应的数据属性；
分类单元，用于基于所述属性参数确定所述第二数据的数据属性。
5.根据权利要求4所述的平台，其特征在于，所述信息单元包括：
从所述第二数据中识别设备标识；
基于所述设备标识获取所述第二数据对应的数值范围，并基于所述数值范围对所述第二数据进行归一处理，得到第三数据；
获取所述设备标识对应的设备权重，并基于所述设备权重和所述第三数据，确定所述第二数据对应的数据属性。
6.根据权利要求5所述的平台，其特征在于，存储模块包括如下子模块中的至少一种：
一级存储子模块，用于当所述属性参数大于或者等于预设的第一存储阈值时，将所述工业数据存储至所述第一存储阈值对应的第一存储区域；
二级存储子模块，用于当所述属性参数小于所述第一存储阈值、且大于或者等于预设的第二存储阈值时，将所述工业数据存储至所述第二存储阈值对应的第二存储区域；
三级存储子模块，用于当所述属性参数小于所述第二存储阈值时，将所述工业数据存储至第三存储区域。
7.根据权利要求1所述的平台，其特征在于，所述控制模块还用于：
基于人工智能的神经网络方法预先训练得到控制模型；
基于调取到的运行数据，通过控制模型，生成控制指令；
发送所述控制指令至所述工业设备。
8.一种基于大数据的工业AI平台的应用方法，其特征在于，包括：
在工业制造过程中，生成运行请求并发送至控制装置，并通过运行模块基于获取到的控制指令运行工业设备；
通过采集模块将所述工业设备在运行过程中生成的工业数据传输至数据模块；
基于所述工业数据的数据信息，通过处理模块对所述工业数据进行处理，确定所述工业数据对应的数据属性；
基于所述数据属性，通过存储模块将所述工业数据存储至与所述数据属性对应的存储区域；
在获取到所述工业设备发送的运行请求时，通过控制模块基于从所述存储区域中调取到的运行数据，生成控制指令，并发送所述控制指令至所述工业设备。
9.一种计算机可读介质，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如权利要求1至7中任一项所述的基于大数据的工业AI平台中的应用方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的基于大数据的工业AI平台中的应用方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111628541.5A CN114298679A (zh) | 2021-12-28 | 2021-12-28 | 基于大数据的工业ai平台及其应用方法、介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111628541.5A CN114298679A (zh) | 2021-12-28 | 2021-12-28 | 基于大数据的工业ai平台及其应用方法、介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298679A true CN114298679A (zh) | 2022-04-08 |
Family
ID=80972307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111628541.5A Pending CN114298679A (zh) | 2021-12-28 | 2021-12-28 | 基于大数据的工业ai平台及其应用方法、介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298679A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115118753A (zh) * | 2022-08-26 | 2022-09-27 | 塬数科技(无锡)有限公司 | 一种数据管理***及工业现场服务器 |
| CN116627920A (zh) * | 2023-07-24 | 2023-08-22 | 华能信息技术有限公司 | 一种基于工业互联网的数据存储方法 |
| CN117708071A (zh) * | 2024-02-06 | 2024-03-15 | 苔花科迈(西安)信息技术有限公司 | 基于大数据的煤矿设备运行参数的处理方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339641A (zh) * | 2020-02-13 | 2020-06-26 | 山东神舟制冷设备有限公司 | 制冷***管理方法、装置、云平台及存储介质 |
| CN112333420A (zh) * | 2020-08-25 | 2021-02-05 | 帝杰曼科技股份有限公司 | 一种智慧校园的大数据信息安全管理*** |
| CN112596675A (zh) * | 2020-12-22 | 2021-04-02 | 平安银行股份有限公司 | 数据的多存储方法、装置、电子设备及计算机存储介质 |
| CN113569117A (zh) * | 2021-09-27 | 2021-10-29 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据服务的云平台***及方法 |
-
2021
- 2021-12-28 CN CN202111628541.5A patent/CN114298679A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111339641A (zh) * | 2020-02-13 | 2020-06-26 | 山东神舟制冷设备有限公司 | 制冷***管理方法、装置、云平台及存储介质 |
| CN112333420A (zh) * | 2020-08-25 | 2021-02-05 | 帝杰曼科技股份有限公司 | 一种智慧校园的大数据信息安全管理*** |
| CN112596675A (zh) * | 2020-12-22 | 2021-04-02 | 平安银行股份有限公司 | 数据的多存储方法、装置、电子设备及计算机存储介质 |
| CN113569117A (zh) * | 2021-09-27 | 2021-10-29 | 深圳市玄羽科技有限公司 | 一种基于工业互联网大数据服务的云平台***及方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115118753A (zh) * | 2022-08-26 | 2022-09-27 | 塬数科技(无锡)有限公司 | 一种数据管理***及工业现场服务器 |
| CN116627920A (zh) * | 2023-07-24 | 2023-08-22 | 华能信息技术有限公司 | 一种基于工业互联网的数据存储方法 |
| CN116627920B (zh) * | 2023-07-24 | 2023-11-07 | 华能信息技术有限公司 | 一种基于工业互联网的数据存储方法 |
| CN117708071A (zh) * | 2024-02-06 | 2024-03-15 | 苔花科迈(西安)信息技术有限公司 | 基于大数据的煤矿设备运行参数的处理方法及装置 |
| CN117708071B (zh) * | 2024-02-06 | 2024-05-28 | 苔花科迈(西安)信息技术有限公司 | 基于大数据的煤矿设备运行参数的处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10558195B2 (en) | Methods and apparatus for machine learning predictions of manufacture processes | |
| CN114298679A (zh) | 基于大数据的工业ai平台及其应用方法、介质及电子设备 | |
| CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
| CN107563426A (zh) | 一种机车运行时序特征的学习方法 | |
| CN112541529A (zh) | 表情与姿态融合的双模态教学评价方法、设备及存储介质 | |
| CN114647741A (zh) | 工艺自动决策和推理方法、装置、计算机设备及存储介质 | |
| CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
| CN107103363A (zh) | 一种基于lda的软件故障专家***的构建方法 | |
| CN102651072A (zh) | 一种面向三维人体运动数据的分类方法 | |
| Mostaeen et al. | Clonecognition: machine learning based code clone validation tool | |
| CN114218174B (zh) | 基于区块链的工业互联网数据存储方法、***及存储介质 | |
| CN103207804B (zh) | 基于集群作业日志的MapReduce负载模拟方法 | |
| CN113742396B (zh) | 一种对象学习行为模式的挖掘方法及装置 | |
| CN112394982B (zh) | 生成语音识别***的方法、装置、介质及电子设备 | |
| Li et al. | A new fuzzy ontology development methodology (FODM) proposal | |
| CN115564400A (zh) | 人力资源管理中确定员工画像的方法及装置 | |
| CN113643141B (zh) | 解释性结论报告生成方法、装置、设备及存储介质 | |
| CN115936003A (zh) | 基于神经网络的软件功能点查重方法、装置、设备及介质 | |
| CN104063520A (zh) | 基于聚类抽样核变换的失衡数据分类方法 | |
| Kasilingam et al. | A bibliometric analysis of physics-based and data-driven hybrid modeling | |
| CN113159419A (zh) | 一种群体特征画像分析方法、装置、设备及可读存储介质 | |
| Kvesko et al. | Expert systems as the basis of decisions in the knowledge society | |
| Feng et al. | The core technique and application of knowledge graph in power grid company administrative duty | |
| CN112801372B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
| CN117993868B (zh) | 基于双模态注意力的电网工程项目审计预警方法及*** |
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 |