CN117522037B - 多客户多工序数据产品智能感知模型 - Google Patents
多客户多工序数据产品智能感知模型 Download PDFInfo
- Publication number
- CN117522037B CN117522037B CN202311510195.XA CN202311510195A CN117522037B CN 117522037 B CN117522037 B CN 117522037B CN 202311510195 A CN202311510195 A CN 202311510195A CN 117522037 B CN117522037 B CN 117522037B
- Authority
- CN
- China
- Prior art keywords
- data
- strategy
- detection
- data object
- screening
- 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.)
- Active
Links
- 230000008447 perception Effects 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 83
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012216 screening Methods 0.000 claims abstract description 56
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- XSQUKJJJFZCRTK-NJFSPNSNSA-N UREA C 14 Chemical compound N[14C](N)=O XSQUKJJJFZCRTK-NJFSPNSNSA-N 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 3
- 238000013475 authorization Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims 1
- 230000001953 sensory effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 32
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Stored Programmes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了多客户多工序数据产品智能感知模型,涉及产品评测技术领域,包括资源库、策略调配和感知应用模块三个神经网络层,且每个神经网络层又由若干执行单元和神经元组成,所述资源库分为静态资源和动态资源,且静态资源包括但不限于数据客户属性资源、规则资源库和环境资源库,动态资源包括但不限于产品资源库、检测资源库和外部功能性资源库。该多客户多工序数据产品智能感知模型,本发明提出一种智能感知模型,实现资源策略分筛,具体是通过智能感知手段,分析、区分不同的产品数据,根据资源占用情况确定不同的分筛策略,最终采用同一套加工和检测工艺,从而实现在一个产品数据平台上加工检测多客户多工序数据产品。
Description
技术领域
本发明涉及产品评测技术领域,具体为多客户多工序数据产品智能感知模型。
背景技术
数据产品是指可以降低用户使用数据门槛,提高数据使用效率,发挥数据价值,辅助用户决策、行动的一类产品。不同的数据产品具有不同的属性,通常具有固定的、对应的加工工艺,具有固定的、对应的检测工艺,对于多种类似的产品数据,我们称之为“多道工序数据产品评测”,在当今智能化时代,通过机器人智能化手段都能自动化实现。
就比如申请号为202310687517.1的专利文件公开了多维度人工智能产品评测方法及装置,该发明采集每个评测对象在每个评测维度的评测项的评测数据,按照每个评测项的评测方法,对该评测对象进行评测,获得该评测对象在该评测维度的该评测项的评测结果;能够对人工智能模型、人工智能算法和人工智能硬件实现功能评测、性能评测和安全性评测等多个维度的评测,且评测对象在功能评测的评测项的评测方法为基于环境条件集合的评测方法,从而实现了可以实现评测对象在功能评测的评测项为完备性及正确性评测,可以更加清晰地发现人工智能产品的优势和劣势。
但类似于上述申请的现有产品评测方法依然存在以下不足:
现有的检测工艺在面对经常触碰的多客户时,需要在不同的平台上进行加工或检测,需要采用不同的工艺,浪费很多的空间和很多的资源,无法用智能化手段实现在一个评测平台上完成“多客户多工序数据产品综合评测”,从而导致检测效率低下,影响产品输出。
因此,急需对此缺点进行改进,本发明则是针对现有的结构及不足予以研究改良,提供有多客户多工序数据产品智能感知模型。
发明内容
本发明的目的在于提供多客户多工序数据产品智能感知模型,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:多客户多工序数据产品智能感知模型,包括所述智能感知模型由资源库、策略调配和感知应用模块三个神经网络层组成,且每个神经网络层又由若干执行单元和神经元组成,
所述资源库分为静态资源和动态资源,且静态资源包括但不限于数据客户属性资源、规则资源库和环境资源库,动态资源包括但不限于产品资源库、检测资源库和外部功能性资源库;
所述策略调配用于在实施项目过程中,合理有效地分配和利用项目所需的资源,以确保项目能够按时、按质、按量地完成,且策略调配包括登录策略、探测策略、时间策略、采集策略、分筛策略和下载策略;
所述感知应用模块包含若干执行单元,且执行单元又包含若干神经元,所述执行单元包括感觉单元、分筛单元和源下载单元。
进一步的,所述数据客户属性资源主要包括数据客户名称、代码、所属板块、主要产品、技术属性和知识产权,所述规则资源库主要包括登录规则、探测规则、时间规则、采集规则、筛选规则和下载规则,所述环境资源库主要包括外部资源路径及权限、云服务器、数据库、云存储、公共可视化检测工具、权限设定和探测工具。
进一步的,所述规则资源库用于存储检测数据结构和算法规则,以便在产品检测过程中,运用到的之前约定好的数据结构和算法,需要遵循一些规则,选择合适的数据结构,采用常用的算法,避免使用复杂的算法。
进一步的,所述产品资源库主要包括产品属性资源、产品参数资源、来源路径及权限资源,所述检测资源库主要包括检测标准资源、检测实验室资源、检测方法资源、检测结果样式、检测编号、授权标识、权限设定、结果报告反馈格式和结果反馈路径及权限,所述外部功能性资源库在产品检测过程中往往需要运用到外部资源来支撑实现检测的某个功能指标,包括但不限于标准、企业信息、OCR、搜索引擎、AI工具,又往往需要一定的权限、费用和定期维护。
进一步的,所述工具支持主流的浏览器,同时支持以无头模式、有头模式运行,并提供了同步、异步的 API,可以结合 Pytest 测试框架使用,并且支持浏览器端的自动化脚本录制。
进一步的,所述登录策略根据不同数据客户***登录方式,选择采用不同的登录策略,所述探测策略探测元借助于探测工具,针对不同的数据对象***,运用外部动态资源,合规的数据爬取工具,以正常合理的仿人工速度探知数据对象的位置,确定采集策略,所述时间策略即数据采集时间策略,包括产线需求触发、定时触发、审核空闲触发,所述采集策略即数据客户分类策略,所述分筛策略根据不同的动态数据对象确定筛选策略,所述下载策略即源数据下载策略,包括源数据导出位置探测策略、数据源断点续传策略和导出数据源校验策。
进一步的,所述感觉单元包含用于完成数据客户***登录的登录元、用于完成数据对象位置触碰、探测的探触元以及用于完成数据对象采集的采集元。
进一步的,所述分筛单元包含用于完成动态数据对象策略确定的动态元以及用于完成数据对象筛选的筛选元。
进一步的,所述源下载单元包含用于数据客户***连接状态探测的连接元、用于数据对象源数据导出和断点续传的续接元以及用于数据对象源数据导出和校验的校验元。
进一步的,所述多客户多工序数据产品智能感知模型的使用流程如下:
步骤一、数据客户***登录:登录元通过合规合法授权的数据客户资源,借助于探测工具自动完成数据客户***的自动登录;
步骤二、探测数据对象位置并确定采集方式:探测元借助于探测工具,触碰、探测数据对象的位置,确定采集策略,完成采集,并对采集数据对象根据筛选策略进行筛选;
步骤三、数据采集时间策略确定:根据数据生产线的节拍、审核***审核时间、外部资源并发数等多重因素,决定采用不同的采集策略;
步骤四、数据对象采集策略确定:按运用客户资源多少选择对应的数据对象采集方法,若数据客户***具有导入/导出功能,采取筛选对象/数据直接导入,针对目标数据对象全体且属性明确;若是数据对象远大于目标数据对象,筛选对象大数据甄别;若目标数据对象占数据源大部分或全部,筛选对象检测对象指定比对;
步骤五、动态数据对象分筛策略确定:评测过程中不断有新的待审数据进***,需要有一个动态的筛选策略与之相适应,需要建立二个相互关联的评测数据对象筛选库,分别是数据对象待审名单库和数据对象参考名单库,通过数据对象待审名单库保存、展示数据客户***抓取到的数据对象名单,通过数据对象参考名单库不同的数据筛选策略,相应提供参考名单;
步骤六、数据对象分筛:根据步骤四确定的采集方式,采取相应的分筛策略,具体如下:若数据对象全体且属性明确,获得的数据对象待审名单库里的所有数据对象均为“待审”,尚未完成评测的设为“待审-未处理”,并追加数据对象参考名单库;若数据对象远大于目标数据对象,获得的数据对象待审名单库里的所有域内数据对象均为“待审”,尚未完成评测的设为“待审-未处理”,并数据和状态追加、更新数据对象参考名单库;若目标数据对象占数据源大部分或全部,获得的数据对象待审名单库里的所有数据对象与数据对象参考名单库相比较,符合的均为“待审”,尚未完成评测的设为“待审-未处理”,并状态更新数据对象参考名单库;
步骤七、源数据导出和下载:对其工序源数据进行导出和附件文档下载,先通过数据客户***连接状态探测,保证数据客户***正常连接,确保数据正常导出和附件资料下载,然后根据源数据导出位置探测策略,确定工序源数据位置,包括工序数据和文档,并根据静态资源给定存储位置,再根据工序数据源防断续接策略,保证导出和下载过程顺利进行,最后执行导出工序数据源校验策略,在工序数据导出后对数据和文档进行校验。
本发明提供了多客户多工序数据产品智能感知模型,具备以下有益效果:
本发明提出一种智能感知模型,实现资源策略分筛,具体是通过智能感知手段,分析、区分不同的产品数据,根据资源占用情况确定不同的分筛策略,最终采用同一套加工和检测工艺,从而实现在一个产品数据平台上加工检测多客户多工序数据产品。
附图说明
图1为本发明多客户多工序数据产品智能感知模型的整体示意图;
图2为本发明多客户多工序数据产品智能感知模型的综合评测资源配置模型示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
如图1-图2所示,多客户多工序数据产品智能感知模型,所述智能感知模型由资源库、策略调配和感知应用模块三个神经网络层组成,且每个神经网络层又由若干执行单元和神经元组成,
所述资源库分为静态资源和动态资源,且静态资源包括但不限于数据客户属性资源、规则资源库和环境资源库,动态资源包括但不限于产品资源库、检测资源库和外部功能性资源库;
所述数据客户属性资源主要包括数据客户名称、代码、所属板块、主要产品、技术属性和知识产权,所述规则资源库主要包括登录规则、探测规则、时间规则、采集规则、筛选规则和下载规则,所述环境资源库主要包括外部资源路径及权限、云服务器、数据库、云存储、公共可视化检测工具、权限设定和探测工具;
所述规则资源库用于存储检测数据结构和算法规则,以便在产品检测过程中,运用到的之前约定好的数据结构和算法,需要遵循一些规则,选择合适的数据结构,采用常用的算法,避免使用复杂的算法;
所述产品资源库主要包括产品属性资源、产品参数资源、来源路径及权限资源,所述检测资源库主要包括检测标准资源、检测实验室资源、检测方法资源、检测结果样式、检测编号、授权标识、权限设定、结果报告反馈格式和结果反馈路径及权限,所述外部功能性资源库在产品检测过程中往往需要运用到外部资源来支撑实现检测的某个功能指标,包括但不限于标准、企业信息、OCR、搜索引擎、AI工具,又往往需要一定的权限、费用和定期维护;
所述工具支持主流的浏览器,同时支持以无头模式、有头模式运行,并提供了同步、异步的 API,可以结合 Pytest 测试框架使用,并且支持浏览器端的自动化脚本录制;
所述策略调配用于在实施项目过程中,合理有效地分配和利用项目所需的资源,以确保项目能够按时、按质、按量地完成,且策略调配包括登录策略、探测策略、时间策略、采集策略、分筛策略和下载策略;
所述登录策略根据不同数据客户***登录方式,选择采用不同的登录策略,所述探测策略探测元借助于探测工具,针对不同的数据对象***,运用外部动态资源,合规的数据爬取工具,以正常合理的仿人工速度探知数据对象的位置,确定采集策略,所述时间策略即数据采集时间策略,包括产线需求触发、定时触发、审核空闲触发,所述采集策略即数据客户分类策略,所述分筛策略根据不同的动态数据对象确定筛选策略,所述下载策略即源数据下载策略,包括源数据导出位置探测策略、数据源断点续传策略和导出数据源校验策;
所述感知应用模块包含若干执行单元,且执行单元又包含若干神经元,所述执行单元包括感觉单元、分筛单元和源下载单元;
所述感觉单元包含用于完成数据客户***登录的登录元、用于完成数据对象位置触碰、探测的探触元以及用于完成数据对象采集的采集元;
所述分筛单元包含用于完成动态数据对象策略确定的动态元以及用于完成数据对象筛选的筛选元;
所述源下载单元包含用于数据客户***连接状态探测的连接元、用于数据对象源数据导出和断点续传的续接元以及用于数据对象源数据导出和校验的校验元。
综上,结合图1-图2所示,该多客户多工序数据产品智能感知模型的使用流程如下:
步骤一、数据客户***登录:登录元通过合规合法授权的数据客户资源,借助于探测工具自动完成数据客户***的自动登录;
步骤二、探测数据对象位置并确定采集方式:探测元借助于探测工具,触碰、探测数据对象的位置,确定采集策略,完成采集,并对采集数据对象根据筛选策略进行筛选;
步骤三、数据采集时间策略确定:根据数据生产线的节拍、审核***审核时间、外部资源并发数等多重因素,决定采用不同的采集策略;
步骤四、数据对象采集策略确定:按运用客户资源多少选择对应的数据对象采集方法,若数据客户***具有导入/导出功能,采取筛选对象/数据直接导入,针对目标数据对象全体且属性明确;若是数据对象远大于目标数据对象,筛选对象大数据甄别;若目标数据对象占数据源大部分或全部,筛选对象检测对象指定比对;
步骤五、动态数据对象分筛策略确定:评测过程中不断有新的待审数据进***,需要有一个动态的筛选策略与之相适应,需要建立二个相互关联的评测数据对象筛选库,分别是数据对象待审名单库和数据对象参考名单库,通过数据对象待审名单库保存、展示数据客户***抓取到的数据对象名单,通过数据对象参考名单库不同的数据筛选策略,相应提供参考名单;
步骤六、数据对象分筛:根据步骤四确定的采集方式,采取相应的分筛策略,具体如下:若数据对象全体且属性明确,获得的数据对象待审名单库里的所有数据对象均为“待审”,尚未完成评测的设为“待审-未处理”,并追加数据对象参考名单库;若数据对象远大于目标数据对象,获得的数据对象待审名单库里的所有域内数据对象均为“待审”,尚未完成评测的设为“待审-未处理”,并数据和状态追加、更新数据对象参考名单库;若目标数据对象占数据源大部分或全部,获得的数据对象待审名单库里的所有数据对象与数据对象参考名单库相比较,符合的均为“待审”,尚未完成评测的设为“待审-未处理”,并状态更新数据对象参考名单库;
步骤七、源数据导出和下载:对其工序源数据进行导出和附件文档下载,先通过数据客户***连接状态探测,保证数据客户***正常连接,确保数据正常导出和附件资料下载,然后根据源数据导出位置探测策略,确定工序源数据位置,包括工序数据和文档,并根据静态资源给定存储位置,再根据工序数据源防断续接策略,保证导出和下载过程顺利进行,最后执行导出工序数据源校验策略,在工序数据导出后对数据和文档进行校验。
本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
Claims (9)
1.一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述智能感知模型由资源库、策略调配和感知应用模块三个神经网络层组成,且每个神经网络层又由若干执行单元和神经元组成,
所述资源库分为静态资源和动态资源,且静态资源包括数据客户属性资源、规则资源库和环境资源库,动态资源包括产品资源库、检测资源库和外部功能性资源库;
所述策略调配用于在实施项目过程中,合理有效地分配和利用项目所需的资源,以确保项目能够按时、按质、按量地完成,且策略调配包括登录策略、探测策略、时间策略、采集策略、分筛策略和下载策略;
所述感知应用模块包含若干执行单元,且执行单元又包含若干神经元,所述执行单元包括感觉单元、分筛单元和源下载单元;
所述多客户多工序数据产品智能感知模型的使用流程如下:
步骤一、数据客户***登录:登录元通过合规合法授权的数据客户资源,借助于探测工具自动完成数据客户***的自动登录;
步骤二、探测数据对象位置并确定采集方式:探测元借助于探测工具,触碰、探测数据对象的位置,确定采集策略,完成采集,并对采集数据对象根据筛选策略进行筛选;
步骤三、数据采集时间策略确定:根据数据生产线的节拍、审核***审核时间、外部资源并发数多重因素,决定采用不同的采集策略;
步骤四、数据对象采集策略确定:按运用客户资源多少选择对应的数据对象采集方法,若数据客户***具有导入/导出功能,采取筛选对象/数据直接导入;若是数据对象的数量远大于目标数据对象的数量,通过大数据对数据对象进行筛选甄别;若目标数据对象占数据源大部分或全部,筛选对象与检测对象进行确认比对;
步骤五、动态数据对象分筛策略确定:评测过程中不断有新的待审数据进***,需要有一个动态的筛选策略与之相适应,需要建立二个相互关联的评测数据对象筛选库,分别是数据对象待审名单库和数据对象参考名单库,通过数据对象待审名单库保存、展示数据客户***抓取到的数据对象名单,通过数据对象参考名单库不同的数据筛选策略,提供相应参考名单;
步骤六、数据对象分筛:根据步骤四确定的采集方式,采取相应的分筛策略,具体如下:若数据对象全体且属性明确,获得的数据对象待审名单库里的所有数据对象均为“待审”,尚未完成评测的设为“待审-未处理”,并追加数据对象参考名单库;若数据对象的数量远大于目标数据对象的数量,获得的数据对象待审名单库里的所有数据对象均为“待审”,尚未完成评测的设为“待审-未处理”,并进行数据和状态追加、更新数据对象参考名单库;若目标数据对象占数据源大部分或全部,获得的数据对象待审名单库里的所有数据对象与数据对象参考名单库内的数据对象相比较,符合的均为“待审”,尚未完成评测的设为“待审-未处理”,并更新数据对象参考名单库的状态;
步骤七、源数据导出和下载:对其工序源数据进行导出和附件文档下载,先通过数据客户***连接状态探测,保证数据客户***正常连接,确保数据正常导出和附件资料下载,然后根据源数据导出位置探测策略,确定工序源数据位置,包括工序数据和文档,并根据静态资源给定存储位置,再根据数据源断点续传策略,保证导出和下载过程顺利进行,最后执行导出数据源校验策略,在工序数据导出后对数据和文档进行校验。
2.根据权利要求1所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述数据客户属性资源包括数据客户名称、代码、所属板块、主要产品、技术属性和知识产权,所述规则资源库包括登录规则、探测规则、时间规则、采集规则、筛选规则和下载规则,所述环境资源库包括外部资源路径及权限、云服务器、数据库、云存储、公共可视化检测工具、权限设定和探测工具。
3.根据权利要求1所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述规则资源库用于存储检测数据结构和算法规则,以便在产品检测过程中,运用规则资源库内的数据结构和算法,需要遵循一些规则,选择合适的数据结构,采用常用的算法,避免使用复杂的算法。
4.根据权利要求1所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述产品资源库包括产品属性资源、产品参数资源、来源路径及权限资源,所述检测资源库包括检测标准资源、检测实验室资源、检测方法资源、检测结果样式、检测编号、授权标识、权限设定、结果报告反馈格式和结果反馈路径及权限,所述外部功能性资源库在产品检测过程中往往需要运用到外部资源来支撑实现检测的某个功能指标,包括标准、企业信息、OCR、搜索引擎、AI工具,又往往需要一定的权限、费用和定期维护。
5.根据权利要求4所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述AI工具支持主流的浏览器,同时支持以无头模式、有头模式运行,并提供了同步、异步的 API,结合 Pytest 测试框架使用,并且支持浏览器端的自动化脚本录制。
6.根据权利要求1所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述登录策略根据不同数据客户***登录方式,选择采用不同的登录策略,所述探测策略的探测元借助于探测工具,针对不同的数据对象***,运用外部动态资源,合规的数据爬取工具,以正常合理的仿人工速度探知数据对象的位置,确定采集策略,所述时间策略即数据采集时间策略,包括产线需求触发、定时触发、审核空闲触发,所述采集策略即数据客户分类策略,所述分筛策略根据不同的动态数据对象确定筛选策略,所述下载策略即源数据下载策略,包括源数据导出位置探测策略、数据源断点续传策略和导出数据源校验策略。
7.根据权利要求1所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述感觉单元包含用于完成数据客户***登录的登录元、用于完成数据对象位置触碰、探测的探测元以及用于完成数据对象采集的采集元。
8.根据权利要求1所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述分筛单元包含用于完成动态数据对象策略确定的动态元以及用于完成数据对象筛选的筛选元。
9.根据权利要求1所述的一种基于多客户多工序数据产品智能感知模型的方法,其特征在于,所述源下载单元包含用于数据客户***连接状态探测的连接元、用于数据对象源数据导出和断点续传的续接元以及用于数据对象源数据导出和校验的校验元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311510195.XA CN117522037B (zh) | 2023-11-14 | 2023-11-14 | 多客户多工序数据产品智能感知模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311510195.XA CN117522037B (zh) | 2023-11-14 | 2023-11-14 | 多客户多工序数据产品智能感知模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117522037A CN117522037A (zh) | 2024-02-06 |
CN117522037B true CN117522037B (zh) | 2024-06-11 |
Family
ID=89741381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311510195.XA Active CN117522037B (zh) | 2023-11-14 | 2023-11-14 | 多客户多工序数据产品智能感知模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117522037B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371830A (zh) * | 2019-11-26 | 2020-07-03 | 航天科工网络信息发展有限公司 | 一种万网融合场景下基于数据驱动的智能协同云架构 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产***和方法 |
CN113407929A (zh) * | 2021-02-05 | 2021-09-17 | 北京理工大学 | 一种研发设计资源的访问授权方法及*** |
WO2021258235A1 (zh) * | 2020-06-22 | 2021-12-30 | 西安市双合软件技术有限公司 | 智能工厂数据采集平台及其实施方法 |
CN114297247A (zh) * | 2021-12-23 | 2022-04-08 | 苏州铂森信息科技有限公司 | 一种基于神经网络及大数据技术的量化交易数据智能分析*** |
CN115185663A (zh) * | 2022-07-26 | 2022-10-14 | 贵州开放大学(贵州职业技术学院) | 一种基于大数据的智慧化数据处理*** |
CN115994321A (zh) * | 2021-10-15 | 2023-04-21 | 腾讯科技(深圳)有限公司 | 对象分类方法及相关装置 |
CN116414567A (zh) * | 2023-05-12 | 2023-07-11 | 斑马网络技术有限公司 | 智能汽车操作***的资源调度方法、装置及设备 |
CN116992148A (zh) * | 2023-08-16 | 2023-11-03 | 北京中关村软件园发展有限责任公司 | 一种元宇宙平台互动式资源智能匹配方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308800A1 (en) * | 2016-04-26 | 2017-10-26 | Smokescreen Intelligence, LLC | Interchangeable Artificial Intelligence Perception Systems and Methods |
US10681056B1 (en) * | 2018-11-27 | 2020-06-09 | Sailpoint Technologies, Inc. | System and method for outlier and anomaly detection in identity management artificial intelligence systems using cluster based analysis of network identity graphs |
-
2023
- 2023-11-14 CN CN202311510195.XA patent/CN117522037B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111371830A (zh) * | 2019-11-26 | 2020-07-03 | 航天科工网络信息发展有限公司 | 一种万网融合场景下基于数据驱动的智能协同云架构 |
CN111857065A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 基于边缘计算和数字孪生的智能生产***和方法 |
WO2021258235A1 (zh) * | 2020-06-22 | 2021-12-30 | 西安市双合软件技术有限公司 | 智能工厂数据采集平台及其实施方法 |
CN113407929A (zh) * | 2021-02-05 | 2021-09-17 | 北京理工大学 | 一种研发设计资源的访问授权方法及*** |
CN115994321A (zh) * | 2021-10-15 | 2023-04-21 | 腾讯科技(深圳)有限公司 | 对象分类方法及相关装置 |
CN114297247A (zh) * | 2021-12-23 | 2022-04-08 | 苏州铂森信息科技有限公司 | 一种基于神经网络及大数据技术的量化交易数据智能分析*** |
CN115185663A (zh) * | 2022-07-26 | 2022-10-14 | 贵州开放大学(贵州职业技术学院) | 一种基于大数据的智慧化数据处理*** |
CN116414567A (zh) * | 2023-05-12 | 2023-07-11 | 斑马网络技术有限公司 | 智能汽车操作***的资源调度方法、装置及设备 |
CN116992148A (zh) * | 2023-08-16 | 2023-11-03 | 北京中关村软件园发展有限责任公司 | 一种元宇宙平台互动式资源智能匹配方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117522037A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530546B (zh) | 一种基于用户鼠标行为的身份认证方法 | |
Guo et al. | Tracking probabilistic correlation of monitoring data for fault detection in complex systems | |
CN1900932A (zh) | 生成用于自动化***管理的领域知识的***和方法 | |
CN105989268A (zh) | 一种人机识别的安全访问方法和*** | |
CN102647421A (zh) | 基于行为特征的web后门检测方法和装置 | |
CN110688659A (zh) | 基于iast测试工具动态检测水平越权的方法及*** | |
CN111680153A (zh) | 一种基于知识图谱的大数据鉴真方法与*** | |
CN106936812B (zh) | 一种云环境下基于Petri网的文件隐私泄露检测方法 | |
CN104615936B (zh) | 云平台vmm层行为监控方法 | |
CN114553658B (zh) | 一种基于云计算的资源共享安全处理方法及服务器 | |
CN111159143A (zh) | 一种基于区块链测评***及其方法 | |
CN111934954A (zh) | 宽带的检测方法、装置、电子设备及存储介质 | |
CN1601976A (zh) | 用于实时服务级别协议影响分析的方法和*** | |
CN113569238A (zh) | 一种拟态防御裁决方法及*** | |
CN113409016A (zh) | 应用于大数据云办公的信息处理方法、服务器及介质 | |
Porras | A state transition analysis tool for intrusion detection | |
CN106961441B (zh) | 一种用于Hadoop云平台的用户动态访问控制方法 | |
CN117522037B (zh) | 多客户多工序数据产品智能感知模型 | |
US20080133457A1 (en) | Database optimizer plan validation and characterizations | |
Christensen et al. | Editorial performance characteristics of vision algorithms | |
CN112487053A (zh) | 海量财务数据异常控制提取工作方法 | |
CN115994363A (zh) | 基于多维度安全检测的区块链安全性评估方法及装置 | |
CN1592228A (zh) | ***管理策略执行方法和*** | |
CN112463853B (zh) | 通过云平台进行财务数据行为筛选工作方法 | |
CN115348293A (zh) | 一种工业互联网设备智能管控远程运维方法及平台 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |