面向数据空间的数据关联关系研究
这是一篇关于铝电解,数据空间,实体关联图谱,聚类的论文, 主要内容为工业数据随着智能制造,企业数据化进程,形成了巨大的规模,由于各制造企业之间有着不同的数据采集、处理以及存储方式,使得海量数据来源复杂、结构各异;工业数据呈现出结构化、半结构化及非结构化特点,导致各企业系统之间信息沟通相互孤立;数据空间可以有效解决对多源异构数据高效管理问题,因此数据空间在工业领域成为了专家学者研究的热点。数据关联技术是构建工业数据空间的关键技术,近年来,大量的研究者采用图模型以及相关方法来研究数据资源间的关联关系,相比较与传统关系型模型、半结构化模型、层次模型,图模型具备简单结构,用一个节点表示实体,实体间的关联关系用边代表,比较适合于多源异构、稀疏的数据描述,基于图模型的分析与研究也引起了工业界和学术界高度重视。本文把工业数据空间技术应用到铝电解工业场景,对铝电解数据空间中数据资源的关联关系进行研究,构建了铝电解数据空间总体架构,搭建了铝电解工艺文本数据资源实体抽取模型,改进一种基于灰关联度加权的连通分支聚类算法。具体内容如下:(1)应用知识图谱的思想来研究数据空间资源实体之间关联关系,搭建BiLSTM-CRF模型对铝电解工艺文本数据资源实体抽取,然后用依存句法分析方法研究实体之间的关联关系,定义领域实体的概念,根据各逻辑实体之间的机理关联运用Protégé软件构建铝电解实体关联图谱。(2)定义电解槽的事务空间D,定义事务拓扑空间属性集Ω;引入灰色系统理论、把灰关联度与殴氏距离相结合得到基于灰关联度加权的欧氏距离度量,得到一种基于灰关联度加权的连通分支聚类算法对铝电解工艺参数的历史数据进行关联分析。(3)以国内某大型电解铝企业为背景,构建了铝电解数据空间总体架构,包括跨源异构数据层、跨源多模态多协议数据接入层、信息模型层、连接器层以及数据交换层。然后分析铝电解数据空间数据的集成与管理原理,工业数据的集成与管理体系分为资源层、逻辑层及应用层,最后实现基于实体关联图谱实现可视化智能搜索功能。
多价值链数据空间数据时态技术研究
这是一篇关于多价值链,数据空间,数据时态性,数据图模型,整车需求量预测的论文, 主要内容为在“中国制造2025”和“互联网+”战略的指导下,信息技术与制造业融合创新发展,汽车行业累积了大量业务数据。伴随汽车产业链整车销售、售后服务等业务流程的执行进展,其关联业务数据可能发生变化,导致数据时效性难以判断,即无法确定当前数据否有效可用、其所在业务流程是否执行完成。然而,数据的时效低,将进一步导致数据的可靠度、准确性较低,从而影响业务数据分析挖掘的质量。为解决时效性问题,仅凭数据记录的时间属性,如输入时间、出库时间等无法判别,其原因在于业务流程的执行没有固定标准时间,则需判断整个业务流程中各关键节点对应表单的状态,以此实现对当前表单及其关联数据的时态判别标记。为此,论文面向汽车产业多价值链数据空间,开展业务数据时态性技术研究及验证实现。论文首先分析汽车产业链业务数据的时效性问题,针对该问题,论文构建面向数据空间的时态运维管控总体解决方案,主要包括数据时态的动态处理方案及时态数据资源的服务方案。其次,基于该解决方案,论文对时态运维管控系统的总体架构及各功能流程进行设计,同时完成系统数据库的数据模型设计,为系统开发提供数据支持。接着,论文依据数据空间的各业务主题标准,梳理分析多种业务流程及其业务数据的关联关系,以各业务流程中“审核”、“结算”、“支付”等关键节点的状态为判别依据,定义并提出基于业务流程关键节点的TS＿BP时态属性。而基于平台与数据空间的数据动态交换体系,数据空间中数据时态也需及时更新。为此,论文提出了基于规则处理的数据空间TS＿BP时态处理模型,同时设计了基于数据图模型的时态判别及检测更新算法。实验证明,虽然数据图的构建耗费时间,但当数据条数大于15条时,采用基于数据图的时态处理算法,其总体执行时间性能便可超过传统基于主外键码SQL查找的时态处理算法。然后,为验证TS＿BP时态属性的实际意义,论文以整车需求量预测任务为例,将时态加权引入到特征工程中,以此提高实时数据的可靠准确度,同时增加样本空间的特征多样性。论文主要从时态特征增强学习和模型组合优化两方面入手,构建时态特征下的整车需求量预测模型。实验显示,在XGBoost、Light GBM、LSTM这三种单一模型下,添加TS＿BP时态加权特征的模型误差均小于原始特征模型。与此同时,构建基于Xgb＿Lgb＿LSTM的组合预测模型,可进一步提升模型泛化性及预测精度。最后,论文采用前后端分离的开发模式,后端基于Spring Cloud微服务技术架构,前端基于Vue+Element UI开发框架,使用IDEA、VSCode等集成开发工具,完成B/S模式下的数据空间时态管控系统开发,并借助Echarts图表实现数据可视化展示。
基于数据空间故障文本处理的维修知识服务技术研究
这是一篇关于多价值链,数据空间,故障文本,实体识别,故障分类,知识服务的论文, 主要内容为汽车产业作为支撑国民经济发展的支柱型产业,经过二十余年的发展已进入平稳增长阶段,汽车后市场中关于零部件故障维修的需求正在不断增长,国家也大力推动故障维修技术的公开化,以促进行业整体发展。通过对多价值链协同服务云平台现存的故障维修业务模式分析发现,零部件供应商在获取故障维修信息和提供远程技术支持时处于被动位置,同时各服务站在进行故障维修时存在维修能力参差不齐、故障定位时间长,维修服务效率低等问题。为此,论文面向零部件供应商对自身零部件故障维修数据的组织利用需求,依托云平台整合多价值链的优势,基于汽车产业多价值链数据空间,对多条汽车产业价值链上的故障维修数据资源进行整合,并将其转换为故障维修知识,通过数据处理与智能分析技术为故障维修业务中所涉及到的各企业角色提供知识智能服务,以提高故障维修业务的整体竞争能力。论文首先分析了平台现存维修诊断业务模式和现有知识服务应用中存在的问题,然后结合数据空间故障文本数据处理的难点和零部件供应商对故障维修知识服务的需求,设计了数据空间故障维修知识服务总体解决方案。该方案为充分发挥各企业在价值链上的优势,基于平台数据空间利用超链的信息获取方式构建了支持迭代更新的故障维修知识库,在此基础上,设计了支持供应商多链、制造厂链内、服务站跨链的维修知识服务系统。为解决故障文本数据知识转换的问题,基于数据空间中的专业领域词汇,实现了支持词汇增强的命名实体识别模型,在一定程度上完成了文本数据的知识化。接下来,研究了基于知识实体注意的故障分类匹配模型,通过充分利用故障案例中的实体、文本和相关基础信息,采用在神经网络模型中添加外部注意力机制的方式完成了对故障案例信息的分类,以故障案例相似度匹配的方式实现了支持语义识别和类别选择的智能诊断推荐,提高了故障维修知识服务的应用价值。最后,论文基于B/S模式的三层架构在云平台上完成了故障维修知识服务系统的开发,实现了包含领域词典管理、知识提取更新、知识提取管理、知识节点管理功能的知识库管理模块和支持维修数据分析、维修知识分析、故障智能诊断功能的服务应用模块。系统通过知识可视化展示和数据智能化分析的方式,为零部件供应商、整车制造厂和协同服务站提供了针对性的维修知识服务,从而达到了提高故障维修效率,降低维修服务成本,提升售后服务质量的目的。论文通过为故障维修数据设计知识转换与服务共享方案,提供了一种利用多链故障维修数据进行知识智能服务的思路。
多价值链数据空间数据时态技术研究
这是一篇关于多价值链,数据空间,数据时态性,数据图模型,整车需求量预测的论文, 主要内容为在“中国制造2025”和“互联网+”战略的指导下,信息技术与制造业融合创新发展,汽车行业累积了大量业务数据。伴随汽车产业链整车销售、售后服务等业务流程的执行进展,其关联业务数据可能发生变化,导致数据时效性难以判断,即无法确定当前数据否有效可用、其所在业务流程是否执行完成。然而,数据的时效低,将进一步导致数据的可靠度、准确性较低,从而影响业务数据分析挖掘的质量。为解决时效性问题,仅凭数据记录的时间属性,如输入时间、出库时间等无法判别,其原因在于业务流程的执行没有固定标准时间,则需判断整个业务流程中各关键节点对应表单的状态,以此实现对当前表单及其关联数据的时态判别标记。为此,论文面向汽车产业多价值链数据空间,开展业务数据时态性技术研究及验证实现。论文首先分析汽车产业链业务数据的时效性问题,针对该问题,论文构建面向数据空间的时态运维管控总体解决方案,主要包括数据时态的动态处理方案及时态数据资源的服务方案。其次,基于该解决方案,论文对时态运维管控系统的总体架构及各功能流程进行设计,同时完成系统数据库的数据模型设计,为系统开发提供数据支持。接着,论文依据数据空间的各业务主题标准,梳理分析多种业务流程及其业务数据的关联关系,以各业务流程中“审核”、“结算”、“支付”等关键节点的状态为判别依据,定义并提出基于业务流程关键节点的TS＿BP时态属性。而基于平台与数据空间的数据动态交换体系,数据空间中数据时态也需及时更新。为此,论文提出了基于规则处理的数据空间TS＿BP时态处理模型,同时设计了基于数据图模型的时态判别及检测更新算法。实验证明,虽然数据图的构建耗费时间,但当数据条数大于15条时,采用基于数据图的时态处理算法,其总体执行时间性能便可超过传统基于主外键码SQL查找的时态处理算法。然后,为验证TS＿BP时态属性的实际意义,论文以整车需求量预测任务为例,将时态加权引入到特征工程中,以此提高实时数据的可靠准确度,同时增加样本空间的特征多样性。论文主要从时态特征增强学习和模型组合优化两方面入手,构建时态特征下的整车需求量预测模型。实验显示,在XGBoost、Light GBM、LSTM这三种单一模型下,添加TS＿BP时态加权特征的模型误差均小于原始特征模型。与此同时,构建基于Xgb＿Lgb＿LSTM的组合预测模型,可进一步提升模型泛化性及预测精度。最后,论文采用前后端分离的开发模式,后端基于Spring Cloud微服务技术架构,前端基于Vue+Element UI开发框架,使用IDEA、VSCode等集成开发工具,完成B/S模式下的数据空间时态管控系统开发,并借助Echarts图表实现数据可视化展示。
多价值链数据空间数据时态技术研究
这是一篇关于多价值链,数据空间,数据时态性,数据图模型,整车需求量预测的论文, 主要内容为在“中国制造2025”和“互联网+”战略的指导下,信息技术与制造业融合创新发展,汽车行业累积了大量业务数据。伴随汽车产业链整车销售、售后服务等业务流程的执行进展,其关联业务数据可能发生变化,导致数据时效性难以判断,即无法确定当前数据否有效可用、其所在业务流程是否执行完成。然而,数据的时效低,将进一步导致数据的可靠度、准确性较低,从而影响业务数据分析挖掘的质量。为解决时效性问题,仅凭数据记录的时间属性,如输入时间、出库时间等无法判别,其原因在于业务流程的执行没有固定标准时间,则需判断整个业务流程中各关键节点对应表单的状态,以此实现对当前表单及其关联数据的时态判别标记。为此,论文面向汽车产业多价值链数据空间,开展业务数据时态性技术研究及验证实现。论文首先分析汽车产业链业务数据的时效性问题,针对该问题,论文构建面向数据空间的时态运维管控总体解决方案,主要包括数据时态的动态处理方案及时态数据资源的服务方案。其次,基于该解决方案,论文对时态运维管控系统的总体架构及各功能流程进行设计,同时完成系统数据库的数据模型设计,为系统开发提供数据支持。接着,论文依据数据空间的各业务主题标准,梳理分析多种业务流程及其业务数据的关联关系,以各业务流程中“审核”、“结算”、“支付”等关键节点的状态为判别依据,定义并提出基于业务流程关键节点的TS＿BP时态属性。而基于平台与数据空间的数据动态交换体系,数据空间中数据时态也需及时更新。为此,论文提出了基于规则处理的数据空间TS＿BP时态处理模型,同时设计了基于数据图模型的时态判别及检测更新算法。实验证明,虽然数据图的构建耗费时间,但当数据条数大于15条时,采用基于数据图的时态处理算法,其总体执行时间性能便可超过传统基于主外键码SQL查找的时态处理算法。然后,为验证TS＿BP时态属性的实际意义,论文以整车需求量预测任务为例,将时态加权引入到特征工程中,以此提高实时数据的可靠准确度,同时增加样本空间的特征多样性。论文主要从时态特征增强学习和模型组合优化两方面入手,构建时态特征下的整车需求量预测模型。实验显示,在XGBoost、Light GBM、LSTM这三种单一模型下,添加TS＿BP时态加权特征的模型误差均小于原始特征模型。与此同时,构建基于Xgb＿Lgb＿LSTM的组合预测模型,可进一步提升模型泛化性及预测精度。最后,论文采用前后端分离的开发模式,后端基于Spring Cloud微服务技术架构,前端基于Vue+Element UI开发框架,使用IDEA、VSCode等集成开发工具,完成B/S模式下的数据空间时态管控系统开发,并借助Echarts图表实现数据可视化展示。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/52675.html
