CN115952211A - 一种基于人工智能的数据处理方法及其*** - Google Patents
一种基于人工智能的数据处理方法及其*** Download PDFInfo
- Publication number
- CN115952211A CN115952211A CN202310239093.2A CN202310239093A CN115952211A CN 115952211 A CN115952211 A CN 115952211A CN 202310239093 A CN202310239093 A CN 202310239093A CN 115952211 A CN115952211 A CN 115952211A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- query
- features
- artificial intelligence
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 45
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000012216 screening Methods 0.000 claims description 35
- 238000012795 verification Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 19
- 238000000586 desensitisation Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005065 mining Methods 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种基于人工智能的数据处理方法及其***，其中，基于人工智能的数据处理***，包括：用户节点：用于发送待检测请求；企业节点：用于接收待检测数据；发送查询指令，接收实例数据包；发送过程数据；人工智能管理中心：用于接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据并存储。本申请能够对节点的请求进行分析，根据请求进行准确推送，并对节点完成故障处理后发送的过程数据进行处理，获得实例数据并共享，从而提高工业数据利用率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于人工智能的数据处理方法及其***。
背景技术
工业数据是指工业领域中，企业在产品全生命周期各个阶段中开展各类业务活动所产生的数据的总和，其主要由三部分构成。第一部分是企业运营相关的业务数据，主要来源于企业内部信息化管理***，包括PLM、ERP、谷器MES、SCM和CRM等，这类数据（例如：诸如产品、工艺、生产、采购、订单、服务等数据）是企业的核心数据资产，以结构化数据为主，数据量不大，却有极大的挖掘价值。第二部分是产线设备互联数据，主要是指生产过程中产线、设备、物流等的工况（如：压力、温度、振动、应力等）、运行状态、环境参数等数据，一般采集自设备PLC、SCADA以及部分外接传感器，这类数据以时序数据为主，数据量大，采集频率高。第三部分是企业外部数据，包括产品交付给用户之后的工况、运营以及维修等相关数据，同时还包括大量来自互联网的市场、环境、供应链、网络社区等外部环境的数据。其中，产品运营服务数据以结构化数据为主，如：与企业内部的业务数据融合，则能产生极大的业务价值。
随着传感器技术的深入应用和产品的逐步智能化，企业运营相关的业务数据、产线设备互联数据和企业外部数据均需要进行共享，但是当前的数据共享平台无法对节点的请求进行分析，根据请求进行准确推送，并对节点完成故障处理后发送的过程数据进行处理，从而提高工业数据利用率。
发明内容
本申请的目的在于提供一种基于人工智能的数据处理方法及其***，能够对节点的请求进行分析，根据请求进行准确推送，并对节点完成故障处理后发送的过程数据进行处理，获得实例数据并共享，从而提高工业数据利用率。
为达到上述目的，本申请提供一种基于人工智能的数据处理***，包括：多个用户节点、多个企业节点和人工智能管理中心；其中，用户节点：用于发送待检测请求；企业节点：用于接收待检测数据；发送查询指令，接收实例数据包；发送过程数据；人工智能管理中心：用于执行如下步骤：接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并存储。
如上的，其中，人工智能管理中心至少包括：收发单元、查询单元、数据处理单元和存储单元；其中，收发单元：接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；查询单元：接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；数据处理单元：接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并将实例数据发送至存储单元存储；存储单元：用于存储合约数据库，合约数据库中包括多个子数据库，每个子数据库包括多个合约信息，每个合约信息至少包括：用户名称、企业名称、设备信息和交易信息；用于存储实例数据库，实例数据库中包括多个子实例库，每个子实例库包括多个实例数据。
如上的，其中，收发单元至少包括：验证子单元、获取子单元和通信子单元；其中，验证子单元：用于接收用户节点发送的登录请求，根据登录请求对用户节点进行合法性验证，获得用户验证结果；获取子单元：当用户验证结果为合法时，接收用户节点发送的待检测请求；根据待检测请求对合约数据库进行遍历，获得需求合约信息；通信子单元：根据需求合约信息确定企业节点，确定企业节点后，将待检测数据发送至企业节点。
如上的，其中，查询单元至少包括：提取子单元、初选子单元和筛选子单元；其中，提取子单元：接收查询指令，对查询指令进行特征提取，获得查询特征；初选子单元：根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据；筛选子单元：根据查询特征中的多个筛选特征对多个初选数据进行筛选，获得实例数据包。
如上的，其中，数据处理单元至少包括：第一处理子单元和第二处理子单元；其中，第一处理子单元：接收企业节点根据实例数据包完成故障处理后发送的过程数据，对过程数据进行脱敏处理，获得脱敏数据；第二处理子单元：对脱敏数据进行特征提取，获得多个实例特征，将脱敏数据和实例特征作为实例数据，并将实例数据发送至存储单元存储。
本申请还提供了一种基于人工智能的数据处理方法，包括如下步骤：人工智能管理中心接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；人工智能管理中心接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；人工智能管理中心接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并存储。
如上的，其中，人工智能管理中心接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包的子步骤如下：接收查询指令，对查询指令进行特征提取，获得查询特征，其中，查询指令包括：查询内容；查询特征中包括：多个检索特征和多个筛选特征，多个检索特征包括：多个第一检索特征和多个第二检索特征；根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据；根据查询特征中的多个筛选特征对多个初选数据进行筛选，获得实例数据包，并发送。
如上的，其中，根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据的子步骤如下：根据查询特征中的多个第一检索特征对实例数据库进行遍历，获取实例设备信息与检索特征相符合的子实例库中的所有实例数据作为预选数据；根据查询特征中的多个第二检索特征对预选数据进行初次筛选，获得初选数据。
如上的，其中，根据查询特征中的多个第二检索特征对预选数据进行初次筛选，获得初选数据的子步骤如下：根据第二检索特征对每个预选数据进行分析，获得关联值；根据关联阈值对多个关联值进行初次筛选，当关联值大于或等于关联阈值时，将该关联值对应的预选数据作为初选数据。
如上的，其中，关联值的表达式如下：
；其中，
为查询特征与第
个预选数据之间的关联值；
为查询特征中的第
个第二检索特征；
为所有第二检索特征的集合；
为第
个预选数据中的第
个第二比对特征，
，
为第
个预选数据中的第二比对特征的总个数；
为预设的第
个预选数据中的第
个第二比对特征与查询特征中的第
个第二检索特征之间的相关值。
本申请能够对节点的请求进行分析，根据请求进行准确推送，并对节点完成故障处理后发送的过程数据进行处理，获得实例数据并共享，从而提高工业数据利用率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为基于人工智能的数据处理***一种实施例的结构示意图；
图2为基于人工智能的数据处理方法一种实施例的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术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，都属于本发明保护的范围。
如图1所示，本申请提供一种基于人工智能的数据处理***，包括：多个用户节点110、多个企业节点120和人工智能管理中心130。
其中，用户节点110：用于发送待检测请求。
企业节点120：用于接收待检测数据；发送查询指令，接收实例数据包；发送过程数据。
人工智能管理中心130：用于执行如下步骤：
接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；
接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；
接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并存储。
进一步的，人工智能管理中心130至少包括：收发单元、查询单元、数据处理单元和存储单元。
其中，收发单元：接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据。
查询单元：接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包。
数据处理单元：接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并将实例数据发送至存储单元存储。
存储单元：用于存储合约数据库，合约数据库中包括多个子数据库，每个子数据库包括多个合约信息，每个合约信息至少包括：用户名称、企业名称、设备信息和交易信息；用于存储实例数据库，实例数据库中包括多个子实例库，每个子实例库包括多个实例数据。
具体的，一个子数据库对应一种设备类型。每个合约信息至少包括：用户名称、企业名称、设备信息和交易信息。用户名称为购买设备，并使用设备的用户的名称。企业名称为提供设备，并能检测维修设备的企业的名称。设备信息为合约信息涉及的设备的相关信息，例如：设备类型、设备型号、设备编码、设备参数等。交易信息至少包括：交易时间、交易数量、交易价格和保修信息。
一个子实例库对应一种设备类型。每个实例数据至少包括：脱敏数据和实例特征，其中，脱敏数据至少包括：实例设备信息和实例处理数据。
实例设备信息至少包括：设备类型、设备型号、设备编码和设备参数。
实例处理数据至少包括：异常时间、异常参数、异常现象描述和处理数据。处理数据至少包括：处理方法和处理结果。
进一步的，收发单元至少包括：验证子单元、获取子单元和通信子单元。
其中，验证子单元：用于接收用户节点发送的登录请求，根据登录请求对用户节点进行合法性验证，获得用户验证结果。
获取子单元：当用户验证结果为合法时，接收用户节点发送的待检测请求；根据待检测请求对合约数据库进行遍历，获得需求合约信息。
通信子单元：根据需求合约信息确定企业节点，确定企业节点后，将待检测数据发送至企业节点。
进一步的，查询单元至少包括：提取子单元、初选子单元和筛选子单元。
其中，提取子单元：接收查询指令，对查询指令进行特征提取，获得查询特征。
初选子单元：根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据。
筛选子单元：根据查询特征中的多个筛选特征对多个初选数据进行筛选，获得实例数据包。
进一步的，数据处理单元至少包括：第一处理子单元和第二处理子单元。
其中，第一处理子单元：接收企业节点根据实例数据包完成故障处理后发送的过程数据，对过程数据进行脱敏处理，获得脱敏数据。
第二处理子单元：对脱敏数据进行特征提取，获得多个实例特征，将脱敏数据和实例特征作为实例数据，并将实例数据发送至存储单元存储。
如图2所示，本申请提供一种基于人工智能的数据处理方法，包括如下步骤：
S210：人工智能管理中心接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据。
进一步的，人工智能管理中心接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据的子步骤如下：
S2101：接收待检测请求，根据待检测请求获取需求合约信息。
进一步的，接收待检测请求，根据待检测请求获取需求合约信息的子步骤如下：
S21011：接收用户节点发送的登录请求，根据登录请求对用户节点进行合法性验证，获得用户验证结果，其中，用户验证结果为：合法和不合法。
具体的，登录请求至少包括：用户验证信息。其中，用户验证信息为与用户节点自身相关的信息，例如：IP地址、MAC地址、身份信息等。根据用户验证信息执行鉴权过程，确定当前的用户节点的合法性。
S21012：当用户验证结果为合法时，接收用户节点发送的待检测请求，其中，待检测请求至少包括：用户名称和待检测设备信息。
具体的，用户名称为购买设备，并使用设备的用户的名称。
待检测设备信息为出现用户购买和使用的设备中出现故障需要进行检测的设备的相关信息，例如：设备类型、设备型号、设备编码、设备参数等。
具体的，设备类型表示设备所属的类型，不同类型的设备的应用领域、用途等不同。
设备型号表示同领域、同用途范围的不同设备的型号。
设备编码表示创建每一个合约信息中所涉及的设备的编码，一个设备对应一个设备编码。
设备参数为设备自身包含的所有参数，例如：运行参数等。
S21013：根据待检测请求对合约数据库进行遍历，获得需求合约信息。
具体的，获取子单元根据待检测请求对合约数据库进行遍历，获取合约数据库中的用户名称和设备信息均与待检测请求中的用户名称和待检测设备信息一致的合约信息作为需求合约信息。
进一步的，若合约数据库中不存在用户名称和设备信息均与待检测请求中的用户名称和待检测设备信息一致的合约信息，则表示不存在用户购买该设备时所对应的企业，则向用户节点推送多个待选择企业。
其中，待选择企业为能够对用户节点当前的需要检测的设备进行检测和维修的企业。用户节点从多个待选择企业中选择一个待选择企业作为所选择的企业名称。
S2102：根据需求合约信息确定企业节点。
具体的，根据需求合约信息中的企业名称确定企业节点。
进一步的，确定企业节点后，还需要对企业节点进行合法性验证，获得企业验证结果，当企业验证结果为合法时，将待检测数据发送至企业节点。其中，企业验证结果为：合法和不合法。
具体的，企业验证信息为与企业节点自身相关的信息，例如：IP地址、MAC地址、身份信息等。根据企业验证信息执行鉴权过程，确定当前的企业节点的合法性。
进一步的，当企业验证结果为不合法时，向用户节点推送多个待选择企业的企业节点。用户节点从多个待选择企业的企业节点中选择一个作为所确定的企业节点。
S2103：确定企业节点后，将待检测数据发送至企业节点。
具体的，确定企业节点后，将待检测数据发送至企业节点，其中，待检测数据至少包括：设备信息和异常数据。
具体的，异常数据至少包括：异常时间、异常参数和异常现象描述。
S220：人工智能管理中心接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包。
进一步的，人工智能管理中心接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包的子步骤如下：
S2201：接收查询指令，对查询指令进行特征提取，获得查询特征，其中，查询指令包括：查询内容，查询特征中包括：多个检索特征和多个筛选特征，多个检索特征包括：多个第一检索特征和多个第二检索特征。
具体的，企业节点接收到待检测数据后，根据待检测数据进行分析，若企业节点根据待检测数据无法直接完成故障处理，则生成查询指令。提取子单元中设置有预先训练好的特征提取模型，通过特征提取模型对查询指令中的查询内容进行特征提取，获得查询特征。
其中，查询指令至少包括：查询内容。查询内容至少包括：查询设备信息、待查询数据和已处理数据。
查询设备信息至少包括：设备类型、设备型号、设备编码和设备参数。
待查询数据至少包括：异常时间、异常参数和异常现象描述。异常时间为设备发生异常状况的时间。异常参数为设备在异常时间内的参数。异常现象描述为设备发生异常状况的异常现象的描述。已处理数据为企业根据待检测数据进行故障分析和故障处理，且未处理成功的相关数据，例如：企业已经尝试过的处理方法。
S2202：根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据。
进一步的，根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据的子步骤如下：
S22021：根据查询特征中的多个第一检索特征对实例数据库进行遍历，获取实例设备信息与检索特征相符合的子实例库中的所有实例数据作为预选数据。
具体的，检索特征为从查询设备信息和待查询数据中提取的关键特征，第一检索特征用于表示设备类型等设备信息。通过多个第一检索特征对实例数据库中的多个子实例库进行遍历，将设备类型与第一检索特征一致的子实例库中的所有实例数据作为预选数据。
S22022：根据查询特征中的多个第二检索特征对预选数据进行初次筛选，获得初选数据。
具体的，检索特征为从查询设备信息和待查询数据中提取的关键特征，第二检索特征用于表示具体的故障情况。通过多个第二检索特征对预选数据进行初次筛选，将故障情况与第二检索特征相同或相关的预选数据作为初选数据。
进一步的，根据查询特征中的多个第二检索特征对预选数据进行初次筛选，获得初选数据的子步骤如下：
U1：根据第二检索特征对每个预选数据进行分析，获得关联值。
进一步的，关联值的表达式如下：
其中，
为查询特征与第
个预选数据之间的关联值；
为查询特征中的第
个第二检索特征；
为所有第二检索特征的集合；
为第
个预选数据中的第
个第二比对特征，
，
为第
个预选数据中的第二比对特征的总个数；
为预设的第
个预选数据中的第
个第二比对特征与查询特征中的第
个第二检索特征之间的相关值。
具体的，相关值为表述第二比对特征与检索特征之间的关联情况的值，作为一个实施例，可以通过预先训练好的关联性分析模型进行获取。相关值用于判断描述企业节点需要处理的故障问题的特征与实例数据中记录的故障问题的特征是否相关或相同。
U2：根据关联阈值对多个关联值进行初次筛选，当关联值大于或等于关联阈值时，将该关联值对应的预选数据作为初选数据。
具体的，根据关联阈值对多个关联值进行初次筛选，当关联值大于或等于关联阈值时，表示企业节点需要处理的故障问题与实例数据中记录的故障问题相关或相同，则将该关联值对应的预选数据作为初选数据；当关联值小于关联阈值时，表示企业节点需要处理的故障问题与实例数据中记录的故障问题不相关，则将该关联值对应的预选数据剔除。
S2203：根据查询特征中的多个筛选特征对多个初选数据进行筛选，获得实例数据包，并发送。
进一步的，根据查询特征中的多个筛选特征对多个初选数据进行筛选，获得实例数据包的子步骤如下：
S22031：根据查询特征中的筛选特征对初选数据进行分析，获得相似值。
具体的，筛选特征为从已处理数据中提取的关键特征，用于表示已经采用过的处理方法。
进一步的，相似值的表达式如下：
其中，
为查询特征与第
个初选数据之间的相似值；
为查询特征中的第
个筛选特征；
为第
个初选数据中的第
个第三比对特征，
，
为第
个初选数据中的第
个第三比对特征的总个数；
为第
个筛选特征在第
个初选数据中出现的概率；
为第
个第三比对特征在第
个初选数据中出现的概率；
为第
个第三比对特征和第
个初选数据同时出现的概率。
具体的，相似值为表述第三比对特征与筛选特征之间的相似情况的值，作为一个实施例，可以通过预先训练好的相似性分析模型进行获取。相似值用于判断企业节点的已处理数据与实例数据中记录的处理方法是否相似或相同。
S22032：根据相似阈值对多个关联值进行初次筛选，当相似值小于相似阈值时，将该相似值对应的初选数据作为实例数据包中的一个实例数据；当相似值大于或等于相似阈值时，将该相似值对应的初选数据剔除。
具体的，根据相似阈值对多个相似值进行初次筛选，当相似值大于或等于相似阈值时，表示企业节点的已处理数据与实例数据中记录的处理方法相似或相同，则将该相似值对应的初选数据剔除；当相似值小于相似阈值时，表示企业节点的已处理数据与实例数据中记录的处理方法不相似或不相同，则该相似值对应的初选数据作为实例数据包中的一个实例数据。
S230：人工智能管理中心接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并存储。
进一步的，对过程数据进行处理，获得实例数据，并存储的子步骤如下：
S2301：对过程数据进行脱敏处理，获得脱敏数据。
具体的，第一子处理单元接收到过程数据后，对过程数据进行脱敏处理，将过程数据中的敏感信息进行替换和/或剔除，其中，敏感信息通常是真实信息，例如：企业名称、用户名称、处理时间等。敏感信息通常具有只适于在特定区域被取用而不适于被共享的特性，而对过程数据进行数据脱敏处理就是为了弱化甚至消除这种特性。
其中，过程数据至少包括：设备信息和已处理数据。
设备信息至少包括：设备类型、设备型号、设备编码和设备参数。
已处理数据至少包括：异常时间、异常参数、异常现象描述和处理数据。处理数据至少包括：处理方法和处理结果。
S2302：对脱敏数据进行特征提取，获得多个实例特征。
具体的，第二处理子单元通过预先训练好的特征提取模型对脱敏数据进行特征提取，获得多个实例特征。
其中，实例特征中包括：第一比对特征、第二比对特征和第三比对特征。
第一比对特征：用于表示设备类型等设备信息的特征。
第二比对特征：用于表示具体的故障情况的特征。
第三比对特征：用于表示成功处理故障所采用的具体的处理方法的特征。
S2303：将脱敏数据和实例特征作为实例数据，并存储。
具体的，第二处理子单元将脱敏数据和实例特征作为实例数据，并将实例数据发送至存储单元，由存储单元将实例数据存储于实例数据库中的相应位置，完成存储后，根据对节点的请求的分析情况进行共享推送。
本申请能够对节点的请求进行分析，根据请求进行准确推送，并对节点完成故障处理后发送的过程数据进行处理，获得实例数据并共享，从而提高工业数据利用率。
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，本申请的保护范围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保护范围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)
1.一种基于人工智能的数据处理***，其特征在于，包括：多个用户节点、多个企业节点和人工智能管理中心；
其中，用户节点：用于发送待检测请求；
企业节点：用于接收待检测数据；发送查询指令，接收实例数据包；发送过程数据；
人工智能管理中心：用于执行如下步骤：
接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；
接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；
接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并存储。
2.根据权利要求1所述的基于人工智能的数据处理***，其特征在于，人工智能管理中心至少包括：收发单元、查询单元、数据处理单元和存储单元；
其中，收发单元：接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；
查询单元：接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；
数据处理单元：接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并将实例数据发送至存储单元存储；
存储单元：用于存储合约数据库，合约数据库中包括多个子数据库，每个子数据库包括多个合约信息，每个合约信息至少包括：用户名称、企业名称、设备信息和交易信息；用于存储实例数据库，实例数据库中包括多个子实例库，每个子实例库包括多个实例数据。
3.根据权利要求2所述的基于人工智能的数据处理***，其特征在于，收发单元至少包括：验证子单元、获取子单元和通信子单元；
其中，验证子单元：用于接收用户节点发送的登录请求，根据登录请求对用户节点进行合法性验证，获得用户验证结果；
获取子单元：当用户验证结果为合法时，接收用户节点发送的待检测请求；根据待检测请求对合约数据库进行遍历，获得需求合约信息；
通信子单元：根据需求合约信息确定企业节点，确定企业节点后，将待检测数据发送至企业节点。
4.根据权利要求3所述的基于人工智能的数据处理***，其特征在于，查询单元至少包括：提取子单元、初选子单元和筛选子单元；
其中，提取子单元：接收查询指令，对查询指令进行特征提取，获得查询特征；
初选子单元：根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据；
筛选子单元：根据查询特征中的多个筛选特征对多个初选数据进行筛选，获得实例数据包。
5.根据权利要求4所述的基于人工智能的数据处理***，其特征在于，数据处理单元至少包括：第一处理子单元和第二处理子单元；
其中，第一处理子单元：接收企业节点根据实例数据包完成故障处理后发送的过程数据，对过程数据进行脱敏处理，获得脱敏数据；
第二处理子单元：对脱敏数据进行特征提取，获得多个实例特征，将脱敏数据和实例特征作为实例数据，并将实例数据发送至存储单元存储。
6.一种基于人工智能的数据处理方法，其特征在于，包括如下步骤：
人工智能管理中心接收用户节点发送的待检测请求，根据待检测请求向企业节点发送待检测数据；
人工智能管理中心接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包；
人工智能管理中心接收企业节点根据实例数据包完成故障处理后发送的过程数据；对过程数据进行处理，获得实例数据，并存储。
7.根据权利要求6所述的基于人工智能的数据处理方法，其特征在于，人工智能管理中心接收企业节点根据待检测数据发送的查询指令，并根据查询指令发送实例数据包的子步骤如下：
接收查询指令，对查询指令进行特征提取，获得查询特征，其中，查询指令包括：查询内容；查询特征中包括：多个检索特征和多个筛选特征，多个检索特征包括：多个第一检索特征和多个第二检索特征；
根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据；
根据查询特征中的多个筛选特征对多个初选数据进行筛选，获得实例数据包，并发送。
8.根据权利要求7所述的基于人工智能的数据处理方法，其特征在于，根据查询特征中的多个检索特征对实例数据库进行遍历，获得多个初选数据的子步骤如下：
根据查询特征中的多个第一检索特征对实例数据库进行遍历，获取实例设备信息与检索特征相符合的子实例库中的所有实例数据作为预选数据；
根据查询特征中的多个第二检索特征对预选数据进行初次筛选，获得初选数据。
9.根据权利要求8所述的基于人工智能的数据处理方法，其特征在于，根据查询特征中的多个第二检索特征对预选数据进行初次筛选，获得初选数据的子步骤如下：
根据第二检索特征对每个预选数据进行分析，获得关联值；
根据关联阈值对多个关联值进行初次筛选，当关联值大于或等于关联阈值时，将该关联值对应的预选数据作为初选数据。
10.根据权利要求9所述的基于人工智能的数据处理方法，其特征在于，关联值的表达式如下：
其中，
为查询特征与第
个预选数据之间的关联值；
为查询特征中的第
个第二检索特征；
为所有第二检索特征的集合；
为第
个预选数据中的第
个第二比对特征，
，
为第
个预选数据中的第二比对特征的总个数；
为预设的第
个预选数据中的第
个第二比对特征与查询特征中的第
个第二检索特征之间的相关值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310239093.2A CN115952211A (zh) | 2023-03-14 | 2023-03-14 | 一种基于人工智能的数据处理方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310239093.2A CN115952211A (zh) | 2023-03-14 | 2023-03-14 | 一种基于人工智能的数据处理方法及其*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115952211A true CN115952211A (zh) | 2023-04-11 |
Family
ID=87282813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310239093.2A Pending CN115952211A (zh) | 2023-03-14 | 2023-03-14 | 一种基于人工智能的数据处理方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115952211A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118018330A (zh) * | 2024-04-08 | 2024-05-10 | 天云融创数据科技（北京）有限公司 | 一种基于人工智能的数据分析方法及其*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487244A (zh) * | 2021-09-03 | 2021-10-08 | 深圳市信润富联数字科技有限公司 | 一种多平台的工业设备维护管理***及方法 |
| CN115705259A (zh) * | 2021-08-06 | 2023-02-17 | 中移(苏州)软件技术有限公司 | 故障处理方法、相关设备及存储介质 |
-
2023
- 2023-03-14 CN CN202310239093.2A patent/CN115952211A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115705259A (zh) * | 2021-08-06 | 2023-02-17 | 中移(苏州)软件技术有限公司 | 故障处理方法、相关设备及存储介质 |
| CN113487244A (zh) * | 2021-09-03 | 2021-10-08 | 深圳市信润富联数字科技有限公司 | 一种多平台的工业设备维护管理***及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118018330A (zh) * | 2024-04-08 | 2024-05-10 | 天云融创数据科技（北京）有限公司 | 一种基于人工智能的数据分析方法及其*** |
| CN118018330B (zh) * | 2024-04-08 | 2024-06-11 | 天云融创数据科技（北京）有限公司 | 一种基于人工智能的数据分析方法及其*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110198310B (zh) | 一种网络行为反作弊方法、装置及存储介质 | |
| CN109889538B (zh) | 用户异常行为检测方法及*** | |
| CN106934627B (zh) | 一种电商行业作弊行为的检测方法及装置 | |
| CN109120429B (zh) | 一种风险识别方法及*** | |
| CN106656536A (zh) | 一种用于处理服务调用信息的方法与设备 | |
| CN108235303B (zh) | 识别共享流量用户的方法、装置、设备及介质 | |
| CN111882399B (zh) | 服务信息推荐方法、装置、计算机***及可读存储介质 | |
| CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
| CN115952211A (zh) | 一种基于人工智能的数据处理方法及其*** | |
| CN114328566A (zh) | 关系图谱的更新方法、装置、介质、设备及生成方法 | |
| CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
| CN112437034B (zh) | 虚假终端检测方法和装置、存储介质及电子装置 | |
| CN117033552A (zh) | 情报评价方法、装置、电子设备及存储介质 | |
| CN113327154B (zh) | 基于大数据的电商用户讯息推送方法及*** | |
| CN113032774B (zh) | 异常检测模型的训练方法、装置、设备及计算机存储介质 | |
| CN109829713B (zh) | 一种基于知识与数据共同驱动的移动支付方式识别方法 | |
| CN113127465A (zh) | 一种数据融合方法及*** | |
| CN113486086A (zh) | 一种基于特征工程的数据挖掘方法及*** | |
| CN113034231A (zh) | 一种基于SaaS云服务的多供应链商品智能推荐***及方法 | |
| CN116934418B (zh) | 一种异常订单的检测预警方法、***、设备及存储介质 | |
| CN115604040B (zh) | 一种基于ip访问序列的异常访问行为识别方法 | |
| CN110968785B (zh) | 目标帐号的识别方法和装置、存储介质及电子装置 | |
| US20240086425A1 (en) | System for providing tracking data | |
| CN112449062B (zh) | 恶意扣费的识别方法、装置、电子设备及存储介质 | |
| CN109299349B (zh) | 应用推荐方法和装置、设备、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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230411 |