CN115587670A - 一种基于指标图谱的产品质量诊断方法及装置 - Google Patents

一种基于指标图谱的产品质量诊断方法及装置 Download PDF

Info

Publication number
CN115587670A
CN115587670A CN202211399071.4A CN202211399071A CN115587670A CN 115587670 A CN115587670 A CN 115587670A CN 202211399071 A CN202211399071 A CN 202211399071A CN 115587670 A CN115587670 A CN 115587670A
Authority
CN
China
Prior art keywords
index
quality
correlation
determining
map
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
Application number
CN202211399071.4A
Other languages
English (en)
Inventor
李彦林
董绪琪
李艳
金剑峰
张信广
万殿明
王新华
丁栎力
慕春雨
孙渤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRRC Qingdao Sifang Co Ltd
Original Assignee
CRRC Qingdao Sifang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CRRC Qingdao Sifang Co Ltd filed Critical CRRC Qingdao Sifang Co Ltd
Priority to CN202211399071.4A priority Critical patent/CN115587670A/zh
Publication of CN115587670A publication Critical patent/CN115587670A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Factory Administration (AREA)

Abstract

本发明属于产品质量检测领域，公开了一种基于指标图谱的产品质量诊断方法及装置，所述方法包括：响应于监测到质量数据为异常数据，通过比较所述异常数据与标准数据的差异程度，确定异常程度；获取所述异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，所述关联指标包括纵向层级关联指标和横向层级关联指标；基于对指标图谱的纵向关联指标的分析，确定指标因子；基于对指标图谱的横向关联指标的分析，确定相关指标因子；根据所述异常程度，所述指标因子和所述相关指标因子，获取产品质量诊断结果，本发明所述方法可以实现对质量主体异常数据的精准诊断，确定产品质量影响要素。

Description

一种基于指标图谱的产品质量诊断方法及装置
技术领域
本发明属于产品质量检测领域，具体地说，涉及一种基于指标图谱的产品质量诊断方法及装置。
背景技术
目前，产品质量作为企业经营的核心竞争力，是企业立足于市场的关键能力。轨道交通装备制造业作为关系国计民生的关键行业，其产品质量是企业常抓不懈的工作。产品质量管理是一项持续性长期的***性工程，覆盖企业生产制造全过程，包含了供应商质量、制造过程质量、售后运用质量、质量管理体系等模块。传统产品质量监控采用自下而上的问题驱动式质量监控方式，但由于这种方式仅能确定出具体问题的原因，在判定该问题对产品质量造成的影响时往往需要依靠经验来判定，具有随意性和主观性。
有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，提供一种基于指标图谱的产品质量诊断方法及装置。本发明通过构建基于指标图谱的产品监控方式，形成了质量关系图谱，从而可以快速精准界定质量问题的本质及影响关系。
为解决上述技术问题，本发明采用技术方案的基本构思是：根据本发明实施例的第一方面，提供一种基于指标图谱的产品质量诊断方法，所述方法包括：响应于监测到质量数据为异常数据，通过比较所述异常数据与标准数据的差异程度，确定异常程度；获取所述异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，所述关联指标包括纵向层级关联指标和横向层级关联指标；基于对指标图谱的纵向关联指标的分析，确定指标因子；基于对指标图谱的横向关联指标的分析，确定相关指标因子；根据所述异常程度，所述指标因子和所述相关指标因子，获取产品质量诊断结果。
可选的，所述指标图谱的构建方法，包括：根据影响质量主体的质量指标，确定指标图谱的第一层级指标因子，其中，所述第一层级指标因子包括：供方质量、质量体系、运用故障、售后质量；通过对所述第一层级要素的剖析，确定相关指标因子；根据所述质量指标的关联关系，对所述指标图谱进行分级，确定最小指标因子；建立指标因子与质量主体的关联关系，构成指标图谱。
可选的，所述影响质量主体的质量指标的确定方法，包括：获取所述质量主体的质量全要素；基于对质量要素的梳理，确定所述质量要素的分类类别；基于对所述质量要素的分类类别的分析，确定相应的质量指标。
可选的，所述质量要素的梳理过程，包括：获取质量主体的质量全要素，基于对所述质量要素的管理，建立所述质量要素与质量问题的第一关联关系；利用挖掘算法对所述第一关联关系进行分析，得到各个质量要素实体之间的第二关联关系，并形成所述质量要素实体的相互关系矩阵；对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作；存储所述相互关系矩阵至数据库，并形成所述质量要素实体的关系图谱。
可选的，对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作的方法，包括：若所述质量要素实体为实体集时，则计算所述实体集的余弦相似度；若所述质量要素实体为字符串时，则计算所述字符串的编辑距离；若所述质量要素实体为集合时，则计算所述集合的相似系数。
可选的，所述基于对指标图谱的纵向关联指标的分析，确定指标因子的方法，包括：根据影响质量主体的质量指标，确定第一层级指标因子；根据所述质量指标的关联关系，确定第二层级指标因子；重复上述步骤，直至确定最小层级的指标因子。
可选的，所述基于对指标图谱的横向关联指标的分析，确定相关指标因子的方法，包括：通过对目标层级的指标因子的分析，确定目标层级的关联指标因子；判断所述关联指标因子和所述指标因子的相关程度，响应于所述相关程度大于相关阈值，则确定所述关联指标因子为相关指标因子。
可选的，在所述获取产品质量诊断结果后，还包括：查验产品质量诊断结果是否正确；若产品质量诊断结果正确，则确定产品质量影响问题并分析产品质量影响要素；若产品质量诊断结果不正确，则对所述指标图谱进行迭代优化，并确定产品质量影响问题。
根据本发明实施例的第二方面，提供一种基于指标图谱的产品质量诊断装置，所述装置包括：第一确定模块，被配置为响应于监测到质量数据为异常数据，通过比较所述异常数据与标准数据的差异程度，确定异常程度；第二确定模块，被配置为获取所述异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，所述关联指标包括纵向层级关联指标和横向层级关联指标；第三确定模块，被配置为基于对指标图谱的纵向关联指标的分析，确定指标因子；第四确定模块，被配置为基于对指标图谱的横向关联指标的分析，确定相关指标因子；获取模块，被配置为根据所述异常程度，所述指标因子和所述相关指标因子，获取产品质量诊断结果。
可选的，所述第二确定模块中指标图谱的构建方法，包括：根据影响质量主体的质量指标，确定指标图谱的第一层级指标因子，其中，所述第一层级指标因子包括：供方质量、质量体系、运用故障、售后质量；通过对所述第一层级要素的剖析，确定相关指标因子；根据所述质量指标的关联关系，对所述指标图谱进行分级，确定最小指标因子；建立指标因子与质量主体的关联关系，构成指标图谱。
可选的，所述第二确定模块中影响质量主体的质量指标的确定方法，包括：获取所述质量主体的质量全要素；基于对质量要素的梳理，确定所述质量要素的分类类别；基于对所述质量要素的分类类别的分析，确定相应的质量指标。
可选的，所述第二确定模块中质量要素的梳理过程，包括：获取质量主体的质量全要素，基于对所述质量要素的管理，建立所述质量要素与质量问题的第一关联关系；利用挖掘算法对所述第一关联关系进行分析，得到各个质量要素实体之间的第二关联关系，并形成所述质量要素实体的相互关系矩阵；对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作；存储所述相互关系矩阵至数据库，并形成所述质量要素实体的关系图谱。
可选的，对所述第二确定模块中相互关系矩阵内的所述质量要素实体执行实体对齐操作的方法，包括：若所述质量要素实体为实体集时，则计算所述实体集的余弦相似度；若所述质量要素实体为字符串时，则计算所述字符串的编辑距离；若所述质量要素实体为集合时，则计算所述集合的相似系数。
可选的，所述第三确定模块基于对指标图谱的纵向关联指标的分析，确定指标因子的方法，包括：根据影响质量主体的质量指标，确定第一层级指标因子；根据所述质量指标的关联关系，确定第二层级指标因子；重复上述步骤，直至确定最小层级的指标因子。
可选的，所述第四确定模块基于对指标图谱的横向关联指标的分析，确定相关指标因子的方法，包括：通过对目标层级的指标因子的分析，确定目标层级的关联指标因子；判断所述关联指标因子和所述指标因子的相关程度，响应于所述相关程度大于相关阈值，则确定所述关联指标因子为相关指标因子。
可选的，在所述获取模块用于获取产品质量诊断结果后，还包括：查验产品质量诊断结果是否正确；若产品质量诊断结果正确，则确定产品质量影响问题并分析产品质量影响要素；若产品质量诊断结果不正确，则对所述指标图谱进行迭代优化，并确定产品质量影响问题。
根据本发明实施例的第三方面，提供一种电子装置，包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求第一方面或第一方面任意一种所述实施方式所提供的一种基于指标图谱的产品质量诊断方法。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果：响应于监测到质量数据为异常数据，通过比较所述异常数据与标准数据的差异程度，确定异常程度；获取所述异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，所述关联指标包括纵向层级关联指标和横向层级关联指标；基于对指标图谱的纵向关联指标的分析，确定指标因子；基于对指标图谱的横向关联指标的分析，确定相关指标因子；根据所述异常程度，所述指标因子和所述相关指标因子，获取产品质量诊断结果，，本发明所述方法可以实现在指标图谱中定位与质量主体的异常数据相关联的质量指标，从而根据质量图谱的层级判断该质量指标的指标因子和相关指标因子，实现对质量主体异常数据的精准诊断。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：
图1是根据一示例性实施例示出的一种基于指标图谱的产品质量诊断方法的流程图；
图2是根据一示例性实施例示出的一种质量要素关系图谱示意图；
图3是根据一示例性实施例示出的一种质量指标图谱示意图；
图4是根据一示例性实施例示出的一种基于指标图谱的产品质量诊断装置的框图。
图5是根据本发明实施例的一种电子装置的框图。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
在这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
实施例一
图1是根据一示例性实施例示出的一种基于指标图谱的产品质量诊断方法的流程图。如图1所示，包括步骤S101-S105。
在步骤S101中，响应于监测到质量数据为异常数据，通过比较异常数据与标准数据的差异程度，确定异常程度。
在本实施例中，当监测到质量数据为异常数据时，基于***提前预设的标准数据，比较异常数据与标准数据；若***判定异常数据数值高于标准数据数值，则根据异常数据与标准数据的差异程度确定质量主体的异常程度，并自动显示预警提示信息，分析产品质量影响要素。
其中，本发明对于产品质量的诊断主要包括以下步骤：质量要素梳理、指标图谱构建、质量问题诊断。
在步骤S102中，获取异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，关联指标包括纵向层级关联指标和横向层级关联指标。
本实施例中，指标图谱是根据实际业务数据，通过将质量要素的数据汇聚形成质量指标，结合制造行业的管理特征，通过梳理影响产品质量的要素，结合产品质量管理特征特性，并以产品全寿命周期为主线，基于产品全寿命周期中从研发设计、采购、生产制造、售后服务、质量体系等全要素出发，对指标进行分层分级，并结合指标之间的逻辑关系构建形成的。
其中，指标图谱的构建方法包括：根据影响质量主体的质量指标，确定指标图谱的第一层级指标因子，其中，所述第一层级指标因子包括：供方质量、质量体系、运用故障、售后质量；通过对所述第一层级要素的剖析，确定相关指标因子；根据所述质量指标的关联关系，对所述指标图谱进行分级，确定最小指标因子；建立指标因子与质量主体的关联关系，构成指标图谱。
其中，影响质量主体的质量指标的确定方法，包括：获取所述质量主体的质量全要素；基于对质量要素的梳理，确定所述质量要素的分类类别；基于对所述质量要素的分类类别的分析，确定相应的质量指标。
其中，质量要素的梳理过程，包括：获取质量主体的质量全要素，基于对所述质量要素的管理，建立所述质量要素与质量问题的第一关联关系；利用挖掘算法对所述第一关联关系进行分析，得到各个质量要素实体之间的第二关联关系，并形成所述质量要素实体的相互关系矩阵；对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作；存储所述相互关系矩阵至数据库，并形成所述质量要素实体的关系图谱。
在本实施例中，质量要素的梳理主要是针对高端装备制造行业质量管理特性的特征，通过梳理影响产品质量的全要素，并基于质量要素对应形成影响质量主体的质量指标。
其中，本实施例中，对于质量要素的梳理包括但不限于以下四个维度：供方质量、质量体系、运用故障和售后质量等，具体如表1所示：
表1
Figure BDA0003934290950000081
Figure BDA0003934290950000091
根据对梳理的质量要素的管理，确定质量要素与质量问题之间的关联关系；利用挖掘算法进行分析，确定质量要素实体之间的关联关系，从而形成质量要素实体相互关系矩阵。
为了实现对质量要素实体的统一化，本发明通过计算相似度实现对质量要素实体的对齐，从而实现质量要素的同一性。其中，本发明通过计算各个质量要素实体之间的相似度，与提前设置的相似度阈值进行比较，将大于相似度阈值的质量要素实体对保存，并以质量要素实体对中的一个质量主体命名；获取与该质量要素实体对相似的其他质量要素实体，在同一命名属性下进行存储，作为质量主体与质量要素实体相互关系的替换实体，从而实现对质量要素实体的对齐和对质量主体和质量要素实体相互关系的融合。
其中，在本实施例中对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作的方法，包括：若所述质量要素实体为实体集时，则计算所述实体集的余弦相似度；若所述质量要素实体为字符串时，则计算所述字符串的编辑距离；若所述质量要素实体为集合时，则计算所述集合的相似系数。
当所述质量要素实体为实体集时，则计算所述实体集的余弦相似度，其计算公式如下：
Figure BDA0003934290950000092
其中，cos()表示余弦值；Ai表示第一实体集；Bi表示第二实体集；
Figure BDA0003934290950000093
表示求和。
当所述质量要素实体为字符串时，则计算所述字符串的编辑距离，其中，编辑距离(Levenshtein distance)是测量两个字符串之间的差异度量，计算由一个字符转为另一个字符所需要的字符编辑最少操作次数，其计算公式如下所示：
Figure BDA0003934290950000101
其中，levA，B(i-1，j)+1表示字符串A删除一个字节去匹配B；levA，B(i，j-1)+1表示A添加一个字节去匹配B；
Figure BDA0003934290950000102
表示匹配或不匹配，这取决于各个符号是否相同；A表示第一字符串；B表示第二字符串。
当所述质量要素实体为集合时，则计算所述集合的相似系数，其中，相似系数(Jaccard)是用于比较样本集之间的相似性和差异性，Jaccard系数值越大，样本相似度越高。对于给定的两个集合A，B，其Jaccard系数计算是通过A与B交集的大小与A与B并集的大小的比值，其计算公式如下所示：
Figure BDA0003934290950000103
其中，A表示第一集合；B表示第二集合。
在完后对质量要素实体的对齐后，将该质量要素实体关系存储至数据库，其中，本发明的数据库为图数据库(Neo4j)，该图数据库具有专用的Cypher图查询语言，可以通过Cypher快速的将实体，实体关系存人数据库，并完成相应的查询，形成质量要素实体关系图谱，如图2所示。
基于对质量要素的梳理过程，获得质量要素实体关系图谱后，构建指标图谱。
基于质量要素梳理过程中生成的质量要素，基于企业质量管理过程中对质量主体的实际质量数据的管理，形成相应的质量指标，这里的质量要素和质量指标可以理解为：零部件1的故障数量＝所有零部件1出现质量问题的数量总和。
基于质量要素的关联关系以及层级关系构建质量指标图谱，按照要素实体-质量要素-质量分类-质量维度等形成指标图谱的各个层级，并且各个层级内的指标关系与质量要素之间的关联关系同步，并随着质量要素关系图谱动态自动调整。基于质量要素关系图谱构建指标关系层级，并根质量要素关系图谱之间的关联关系自动映射质量指标图谱关系层级。根据指标图谱与质量要素之间关系动态更新，实现质量要素图谱动态优化及调整。其中，质量指标图谱如图3所示。
在步骤S103中，基于对指标图谱的纵向关联指标的分析，确定指标因子。
在本实施例中，对于质量主体的异常数据的诊断包括对质量指标图谱的纵向分析，其中，所述基于对指标图谱的纵向关联指标的分析，确定指标因子的方法包括：根据影响质量主体的质量指标，确定第一层级指标因子；根据所述质量指标的关联关系，确定第二层级指标因子；重复上述步骤，直至确定最小层级的指标因子。
在步骤S104中，基于对指标图谱的横向关联指标的分析，确定相关指标因子。
在本实施例中，对于质量主体的异常数据的诊断还包括对质量指标图谱的横向分析，其中，所述基于对指标图谱的横向关联指标的分析，确定相关指标因子的方法包括：通过对目标层级的指标因子的分析，确定目标层级的关联指标因子；判断所述关联指标因子和所述指标因子的相关程度，响应于所述相关程度大于相关阈值，则确定所述关联指标因子为相关指标因子。
在步骤S105中，根据异常程度，指标因子和相关指标因子，获取产品质量诊断结果。
本实施例中，产品质量诊断结果是由质量主体的异常数据的异常程度，对纵向关联指标分析得到的指标因子和对横向关联指标分析得到的相关指标因子获取的。当检测到数据异常时，可以实现通过质量指标图谱的纵向关联指标精准快速的确定质量主体和质量指标，从而根据指标因子定位导致数据异常的关键原因，然后通过对横向关联指标因子的分析，判断该质量问题是否受其他质量要素的影响。
在获取产品质量诊断结果后，还包括对产品质量诊断的线下查验，即判断产品质量诊断是否属实，查验方法包括：查验产品质量诊断结果是否正确；若产品质量诊断结果正确，则确定产品质量影响问题并分析产品质量影响要素；若产品质量诊断结果不正确，则对所述指标图谱进行迭代优化，并确定产品质量影响问题。其中，在产品质量诊断结果不正确的情况下，还可以将诊断不正确的结果反馈至平台，并通过人工操作的方式对质量指标图谱进行持续迭代优化，完善指标图谱的构建。
本发明融入了产品质量全要素之间的机理关系，并融合了产品全寿命周期的质量管理体系，基于影响产品质量的全要素和各质量要素之间的机理关系构建了贴合产品属性的指标图谱体系；基于指标图谱的关联关系提供了一套独特的诊断方法体系，在诊断出质量问题原因的同时，也可对质量问题的影响关系进行诊断。
在产品全寿命周期中从研发设计、采购、生产制造、售后服务、质量体系等全要素出发，构建面向产品质量的指标图谱，更贴合产品质量管理的全要素、全过程，更具有行业贴合性和***性，基于图谱关系形成具有独特优势的产品质量诊断方法，可以实现对产品质量问题的精准定位。
本实施例所述方法在某大型轨道交通装备制造企业产品质量监控平台中进行的落地验证，在实施过程中结合企业质量管理体系进行了相应的验证和优化，在技术路径和技术实现方面均具有较高的可行性，并且本发明在构建质量要素图谱方面具有可平移性和可复制性。
实施例二
图4是根据本发明实施例的一种基于指标图谱的产品质量诊断装置的框图，如图4所示，该装置400包括第一确定模块401，第二确定模块402，第三确定模块403，第四确定模块404和获取模块405。
第一确定模块401，被配置为响应于监测到质量数据为异常数据，通过比较所述异常数据与标准数据的差异程度，确定异常程度；
第二确定模块402，被配置为获取所述异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，所述关联指标包括纵向层级关联指标和横向层级关联指标；
第三确定模块403，被配置为基于对指标图谱的纵向关联指标的分析，确定指标因子；
第四确定模块404，被配置为基于对指标图谱的横向关联指标的分析，确定相关指标因子；
获取模块405，被配置为根据所述异常程度，所述指标因子和所述相关指标因子，获取产品质量诊断结果。
可选的，所述第二确定模块402中指标图谱的构建方法，包括：根据影响质量主体的质量指标，确定指标图谱的第一层级指标因子，其中，所述第一层级指标因子包括：供方质量、质量体系、运用故障、售后质量；通过对所述第一层级要素的剖析，确定相关指标因子；根据所述质量指标的关联关系，对所述指标图谱进行分级，确定最小指标因子；建立指标因子与质量主体的关联关系，构成指标图谱。
可选的，所述第二确定模块402中影响质量主体的质量指标的确定方法，包括：获取所述质量主体的质量全要素；基于对质量要素的梳理，确定所述质量要素的分类类别；基于对所述质量要素的分类类别的分析，确定相应的质量指标。
可选的，所述第二确定模块402中质量要素的梳理过程，包括：获取质量主体的质量全要素，基于对所述质量要素的管理，建立所述质量要素与质量问题的第一关联关系；利用挖掘算法对所述第一关联关系进行分析，得到各个质量要素实体之间的第二关联关系，并形成所述质量要素实体的相互关系矩阵；对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作；存储所述相互关系矩阵至数据库，并形成所述质量要素实体的关系图谱。
可选的，对所述第二确定模块402中相互关系矩阵内的所述质量要素实体执行实体对齐操作的方法，包括：若所述质量要素实体为实体集时，则计算所述实体集的余弦相似度；若所述质量要素实体为字符串时，则计算所述字符串的编辑距离；若所述质量要素实体为集合时，则计算所述集合的相似系数。
可选的，所述第三确定模块403基于对指标图谱的纵向关联指标的分析，确定指标因子的方法，包括：根据影响质量主体的质量指标，确定第一层级指标因子；根据所述质量指标的关联关系，确定第二层级指标因子；重复上述步骤，直至确定最小层级的指标因子。
可选的，所述第四确定模块404基于对指标图谱的横向关联指标的分析，确定相关指标因子的方法，包括：通过对目标层级的指标因子的分析，确定目标层级的关联指标因子；判断所述关联指标因子和所述指标因子的相关程度，响应于所述相关程度大于相关阈值，则确定所述关联指标因子为相关指标因子。
可选的，在所述获取模块405用于获取产品质量诊断结果后，还包括：查验产品质量诊断结果是否正确；若产品质量诊断结果正确，则确定产品质量影响问题并分析产品质量影响要素；若产品质量诊断结果不正确，则对所述指标图谱进行迭代优化，并确定产品质量影响问题。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
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指令，该程序指令被处理器执行时实现本发明提供的一种基于指标图谱的产品质量诊断方法的步骤。
图5是根据本发明实施例的一种电子设备装置的框图，如图5所示，所述电子设备包括存储器、处理器、摄像头模组，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本发明任一实施方式所述的一种基于指标图谱的产品质量诊断方法本发明至少一个实施例还提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明任一所述的一种基于指标图谱的产品质量诊断方法本领域技术人员应明白，本发明一个或多个实施例可提供为方法、***或计算机程序产品。因此，本发明一个或多个实施例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，本发明一个或多个实施例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。
上述对本发明特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的行为或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本发明中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位***(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。
虽然本发明包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本发明内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种***模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和***通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，上述实施例中的实施方案也可以进一步组合或者替换，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (10)

1.一种基于指标图谱的产品质量诊断方法，其特征在于，包括：
响应于监测到质量数据为异常数据，通过比较所述异常数据与标准数据的差异程度，确定异常程度；
获取所述异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，所述关联指标包括纵向层级关联指标和横向层级关联指标；
基于对指标图谱的纵向关联指标的分析，确定指标因子；
基于对指标图谱的横向关联指标的分析，确定相关指标因子；
根据所述异常程度，所述指标因子和所述相关指标因子，获取产品质量诊断结果。
2.根据权利要求1所述的一种基于指标图谱的产品质量诊断方法，其特征在于，
所述指标图谱的构建方法，包括：
根据影响质量主体的质量指标，确定指标图谱的第一层级指标因子，其中，所述第一层级指标因子包括：供方质量、质量体系、运用故障、售后质量；
通过对所述第一层级要素的剖析，确定相关指标因子；
根据所述质量指标的关联关系，对所述指标图谱进行分级，确定最小指标因子；
建立指标因子与质量主体的关联关系，构成指标图谱。
3.根据权利要求2所述的一种基于指标图谱的产品质量诊断方法，其特征在于，
所述影响质量主体的质量指标的确定方法，包括：
获取所述质量主体的质量全要素；
基于对质量要素的梳理，确定所述质量要素的分类类别；
基于对所述质量要素的分类类别的分析，确定相应的质量指标。
4.根据权利要求3所述的一种基于指标图谱的产品质量诊断方法，其特征在于，
所述质量要素的梳理过程，包括：
获取质量主体的质量全要素，基于对所述质量要素的管理，建立所述质量要素与质量问题的第一关联关系；
利用挖掘算法对所述第一关联关系进行分析，得到各个质量要素实体之间的第二关联关系，并形成所述质量要素实体的相互关系矩阵；
对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作；
存储所述相互关系矩阵至数据库，并形成所述质量要素实体的关系图谱。
5.根据权利要求4所述的一种基于指标图谱的产品质量诊断方法，其特征在于，
对所述相互关系矩阵内的所述质量要素实体执行实体对齐操作的方法，包括：
若所述质量要素实体为实体集时，则计算所述实体集的余弦相似度；
若所述质量要素实体为字符串时，则计算所述字符串的编辑距离；
若所述质量要素实体为集合时，则计算所述集合的相似系数。
6.据权利要求1所述的一种基于指标图谱的产品质量诊断方法，其特征在于，
所述基于对指标图谱的纵向关联指标的分析，确定指标因子，包括：
根据影响质量主体的质量指标，确定第一层级指标因子；
根据所述质量指标的关联关系，确定第二层级指标因子；
重复上述步骤，直至确定最小层级的指标因子。
7.据权利要求1所述的一种基于指标图谱的产品质量诊断方法，其特征在于，
所述基于对指标图谱的横向关联指标的分析，确定相关指标因子，包括：
通过对目标层级的指标因子的分析，确定目标层级的关联指标因子；
判断所述关联指标因子和所述指标因子的相关程度，响应于所述相关程度大于相关阈值，则确定所述关联指标因子为相关指标因子。
8.根据权利要求1-7任一所述的一种基于指标图谱的产品质量诊断方法，其特征在于，
在所述获取产品质量诊断结果后，还包括：
查验产品质量诊断结果是否正确；
若产品质量诊断结果正确，则确定产品质量影响问题并分析产品质量影响要素；
若产品质量诊断结果不正确，则对所述指标图谱进行迭代优化，并确定产品质量影响问题。
9.一种基于指标图谱的产品质量诊断装置，其特征在于，包括：
第一确定模块，被配置为响应于监测到质量数据为异常数据，通过比较所述异常数据与标准数据的差异程度，确定异常程度；
第二确定模块，被配置为获取所述异常数据在指标图谱内的目标位置，确定影响质量主体的质量指标，并获取关联指标，其中，所述关联指标包括纵向层级关联指标和横向层级关联指标；
第三确定模块，被配置为基于对指标图谱的纵向关联指标的分析，确定指标因子；
第四确定模块，被配置为基于对指标图谱的横向关联指标的分析，确定相关指标因子；
获取模块，被配置为根据所述异常程度，所述指标因子和所述相关指标因子，获取产品质量诊断结果。
10.一种电子装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述基于指标图谱的产品质量诊断方法的步骤。
CN202211399071.4A 2022-11-09 2022-11-09 一种基于指标图谱的产品质量诊断方法及装置 Pending CN115587670A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211399071.4A CN115587670A (zh) 2022-11-09 2022-11-09 一种基于指标图谱的产品质量诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211399071.4A CN115587670A (zh) 2022-11-09 2022-11-09 一种基于指标图谱的产品质量诊断方法及装置

Publications (1)

Publication Number Publication Date
CN115587670A true CN115587670A (zh) 2023-01-10

Family

ID=84781374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211399071.4A Pending CN115587670A (zh) 2022-11-09 2022-11-09 一种基于指标图谱的产品质量诊断方法及装置

Country Status (1)

Country Link
CN (1) CN115587670A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186017A (zh) * 2023-04-25 2023-05-30 蓝色火焰科技成都有限公司 一种大数据协同监管方法及平台
CN116384938A (zh) * 2023-04-13 2023-07-04 华腾建信科技有限公司 工程项目质量控制方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384938A (zh) * 2023-04-13 2023-07-04 华腾建信科技有限公司 工程项目质量控制方法、装置、设备及存储介质
CN116384938B (zh) * 2023-04-13 2023-09-12 华腾建信科技有限公司 工程项目质量控制方法、装置、设备及存储介质
CN116186017A (zh) * 2023-04-25 2023-05-30 蓝色火焰科技成都有限公司 一种大数据协同监管方法及平台
CN116186017B (zh) * 2023-04-25 2023-07-28 蓝色火焰科技成都有限公司 一种大数据协同监管方法及平台

Similar Documents

Publication Publication Date Title
CN115587670A (zh) 一种基于指标图谱的产品质量诊断方法及装置
CN104756106B (zh) 表征数据存储***中的数据源
CN107168995B (zh) 一种数据处理方法及服务器
US9558230B2 (en) Data quality assessment
CN108132957B (zh) 一种数据库处理方法及装置
JP7125900B2 (ja) 複合的ダイアディック又はマルチプルなカウンターパーティ関係を発見するために使用される多次元再帰的学習プロセス及びシステム
TW201732789A (zh) 磁片的故障預測方法和裝置
CN114117311A (zh) 数据访问风险检测方法、装置、计算机设备及存储介质
CN111428095B (zh) 图数据质量验证方法及图数据质量验证装置
CN115841046A (zh) 基于维纳过程的加速退化试验数据处理方法和装置
CN111798246A (zh) 一种金融风险等级评估方法和装置
CN113806343B (zh) 一种车联网数据质量的评估方法和***
WO2022134579A1 (zh) 业务交易数据的异常检测方法、装置及计算机设备
CN112700112A (zh) Rpa流程调整方法、装置、电子设备及存储介质
CN116578612A (zh) 锂电池成品检测数据资产构建方法
CN115795928A (zh) 基于伽马过程的加速退化试验数据处理方法和装置
CN105824871B (zh) 一种图片检测方法与设备
CN115034580A (zh) 融合数据集的质量评估方法和装置
CN111737247B (zh) 用于数据质量管控的实现方法
CN115204501A (zh) 企业评估方法、装置、计算机设备和存储介质
Talburt et al. Evaluating and improving data fusion accuracy
CN113792114A (zh) 一种城市领域知识图谱可信评估方法及***
CN109446192B (zh) 数据测试方法及装置
CN107491576B (zh) 基于性能退化数据的导弹部件可靠性分析方法
CN109189805B (zh) 行为处理方法、装置、电子设备及计算机可读存储介质

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