(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號CN120086266B(65)同一申請的已公布的文獻(xiàn)號(73)專利權(quán)人國投智能(南京)信息科技有限公司(74)專利代理機(jī)構(gòu)南京佰騰智信知識產(chǎn)權(quán)代理GO6F16/248(2019.01)(56)對比文件統(tǒng)本發(fā)明公開了基于行業(yè)大模型的智能數(shù)據(jù)采集業(yè)務(wù)事件數(shù)據(jù)，根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，并采用自注意力機(jī)制計算縮放點積注意力得分矩陣，進(jìn)行加權(quán)輸出多模態(tài)融合向量，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入向量；計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量計算。本發(fā)明所述方法通過多模態(tài)特征融合與知識片段檢索方案，可以實現(xiàn)結(jié)構(gòu)化數(shù)據(jù)、文本信息與圖像等異質(zhì)信息的統(tǒng)一表達(dá)和相關(guān)性挖掘，通過自注意力機(jī)制，模型能夠根據(jù)業(yè)務(wù)場景自適應(yīng)調(diào)整各模態(tài)特征的關(guān)采集業(yè)務(wù)事件數(shù)據(jù)，根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，并采用自注意力機(jī)制計算縮放點積注意力得分矩陣，進(jìn)行加權(quán)輸出多模態(tài)融合向量，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入向量計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量計算，并計算知識片段與融合向量的關(guān)系強(qiáng)度值，獲得完整業(yè)務(wù)流程的增強(qiáng)融合向量序列確定業(yè)務(wù)事件所屬的類別標(biāo)簽生成事件有向圖，提取類別異常狀態(tài)特征集合，整理模板路徑和實際業(yè)務(wù)的歸因路徑，使用LCS算法確定路徑重合長度，并篩選高度相似對齊的歸因路徑根據(jù)異常狀態(tài)特征生成歸因路徑與模板的直接索引表，統(tǒng)計周期未能對齊的歸因路徑計算對齊偏差率，生成異常歸因路徑列表2采集業(yè)務(wù)事件數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)，根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，并采用自注意力機(jī)制計算縮放點積注意力得分矩陣，進(jìn)行加權(quán)輸出多模態(tài)融合向量，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入向量；計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量計算，并計算知識片段與融合向量的關(guān)系強(qiáng)度值，獲得完整業(yè)務(wù)流程的增強(qiáng)融合向量序確定業(yè)務(wù)事件所屬的類別標(biāo)簽生成事件有向圖，提取類別異常狀態(tài)特征集合，整理模板路徑和實際業(yè)務(wù)的歸因路徑，使用LCS算法確定路徑重合長度，并篩選高度相似對齊的歸根據(jù)異常狀態(tài)特征生成歸因路徑與模板的直接索引表，統(tǒng)計周期未能對齊的歸因路徑計算對齊偏差率，生成異常歸因路徑列表。2.如權(quán)利要求1所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法，其特征在于：所述根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入向量，包括，采集業(yè)務(wù)事件數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)，對采集數(shù)據(jù)進(jìn)行預(yù)處理，對處理后的結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)分別進(jìn)行數(shù)據(jù)降維；其中對結(jié)構(gòu)化數(shù)據(jù)采用多層感知器MLP,通過ReLU非線性激活函數(shù)進(jìn)行特征向量提取，對文本數(shù)據(jù)使用預(yù)訓(xùn)練的BERT模型進(jìn)行編碼，并選取輸出文本特征向量，對圖形數(shù)據(jù)利用預(yù)訓(xùn)練ResNet50模型提取特征，取其全局平均池化層的輸出得到圖像特征向量；對三個采集數(shù)據(jù)的特征向量采用線性變化進(jìn)行標(biāo)準(zhǔn)化處理，堆疊構(gòu)成模態(tài)特征矩陣，采用自注意力機(jī)制計算Query、Key、Value,并計算縮放點積注意力得分矩陣，應(yīng)用softmax歸一化，得到注意力矩陣并對Value進(jìn)行隨后采用平均池化，將三個模態(tài)的信息融合為單一向量，輸出多模態(tài)融合向量并根據(jù)行業(yè)業(yè)務(wù)流程進(jìn)行序列化，組成融合多模態(tài)向量序列；基于企業(yè)規(guī)程和專家文檔構(gòu)建行業(yè)知識數(shù)據(jù)庫，對知識庫中每條知識片段統(tǒng)一使用文本編碼器Enc進(jìn)行嵌入得到對應(yīng)的嵌入向量，整個知識庫對應(yīng)一組嵌入矩陣；針對業(yè)務(wù)事件的多模態(tài)融合向量，在知識庫嵌入矩陣E中檢索其最相關(guān)的K條知識片段組成知識向量集，采用余弦相似度計算相關(guān)度值篩選K組多模態(tài)融合向量與知識片段的組合。3.如權(quán)利要求2所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法，其特征在于：所述計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量計算，獲得完整業(yè)務(wù)流程的增強(qiáng)融合向量序列，包括，根據(jù)多模態(tài)融合向量與知識片段的組合進(jìn)行拼接作為門控輸入向量，基于前饋全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建知識門控融合模型，對門控輸入向量單層神經(jīng)網(wǎng)絡(luò)獲得門控因子；選擇交叉熵?fù)p失函數(shù)計算門控因子與訓(xùn)練集實際標(biāo)簽的差異，使用Adam優(yōu)化器進(jìn)行梯度下降優(yōu)化，更新參數(shù)包括權(quán)重和偏置項，在連續(xù)迭代過程中計算的損失差異不再明顯下降則停止迭代；用門控因子權(quán)衡兩個來源信息進(jìn)行融合向量計算，同時針對每個知識片段利用點積形式獲得與初始融合向量的關(guān)系強(qiáng)度值，并進(jìn)行Softmax處理得到歸一化權(quán)重，用所有K個候3選增強(qiáng)向量和對應(yīng)的歸一化權(quán)重確定最終增強(qiáng)融合向量；對業(yè)務(wù)流程中的每個事件t均重復(fù)上述操作，最終獲得完整業(yè)務(wù)流程的增強(qiáng)融合向量序列。4.如權(quán)利要求3所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法，其特征在于：所述確定業(yè)務(wù)事件所屬的類別標(biāo)簽生成事件有向圖，提取類別異常狀態(tài)特征集合，使用LCS算法確定路根據(jù)增強(qiáng)融合向量序列的不同事件確定事件的時間點，并確定業(yè)務(wù)事件所屬的類別標(biāo)簽以及事件現(xiàn)場元數(shù)據(jù)，構(gòu)建成時間節(jié)點，并確定所有業(yè)務(wù)事件的節(jié)點集合；根據(jù)工藝標(biāo)準(zhǔn)表明確獲得行業(yè)業(yè)務(wù)流程主線，根據(jù)業(yè)務(wù)流程中事件i直接流向事件j的標(biāo)準(zhǔn)流轉(zhuǎn)關(guān)系進(jìn)行有向邊構(gòu)建，對于每個相鄰業(yè)務(wù)事件依據(jù)真實業(yè)務(wù)發(fā)生順序以及理論規(guī)定的節(jié)點間銜接順序，分別生成候選有向邊集，將標(biāo)準(zhǔn)流程產(chǎn)生的邊和實際業(yè)務(wù)流程采集的邊合并起來生成事件有向圖；根據(jù)行業(yè)知識庫給出的細(xì)致領(lǐng)域標(biāo)簽，遍歷全部事件節(jié)點，將具有相同領(lǐng)域標(biāo)簽且在有向圖中連通的節(jié)點，確定為業(yè)務(wù)子流程，并將所有業(yè)務(wù)子流程構(gòu)建子流程集合；對于子流程內(nèi)每條有向邊提取類別異常狀態(tài)特征集合，包括時序特征、狀態(tài)跳變度量、突變幅度、工藝流程標(biāo)準(zhǔn)違規(guī)標(biāo)簽、實時監(jiān)控報警標(biāo)志，對每條有向邊的每項異常狀態(tài)特征進(jìn)行統(tǒng)計并進(jìn)行歸一化求和，作為每條有向邊的歸因性分值，并統(tǒng)計每個子流程的總歸因性分值；基于經(jīng)驗法設(shè)置的得分閾值，并將高于得分閾值得分的子流程作為主要歸因路徑，基于行業(yè)知識數(shù)據(jù)庫，收集并整理企業(yè)歷年的歸檔路徑作為模板路徑，同步采集歸因路徑中節(jié)點步驟邊的異常狀態(tài)特征，生成標(biāo)準(zhǔn)路徑模板庫；對實際業(yè)務(wù)中獲得的每一條歸因路徑和行業(yè)知識數(shù)據(jù)庫中每一條模板路徑，將節(jié)點順序與每條有向邊的異常狀態(tài)特征，編碼為一組有序特征序列向量，分別為歸因路徑的結(jié)構(gòu)化特征序列和專家知識模板路徑的結(jié)構(gòu)化特征序列；對每一條待歸因路徑，遍歷模板庫，逐一對比特征序列，采用最長公共子序列LCS算法，根據(jù)歸因路徑P的前i步和模板路徑T的前j步之間的最長公共子序列的長度，作為二維數(shù)組若歸因路徑第i步和模板路徑第j步的所有字段完全一致，則確定一致重合長度，否則，選擇排除歸因路徑和模板路徑不匹配的節(jié)點邊，并選擇最大重合長度；根據(jù)確定的LCS重合長度與路徑的總長度的比值作為結(jié)構(gòu)相似度分?jǐn)?shù)；基于歷史數(shù)據(jù)的均值與標(biāo)準(zhǔn)差的和作為結(jié)構(gòu)相似度閾值，若結(jié)構(gòu)相似度分?jǐn)?shù)大于等于結(jié)構(gòu)相似度閾值，則判斷歸因路徑與模板路徑高度相似對齊。5.如權(quán)利要求4所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法，其特征在于：所述根據(jù)異常狀態(tài)特征生成歸因路徑與模板的直接索引表，包括，對篩選的高度相似對齊歸因路徑，將歸因路徑的異常狀態(tài)特征與模板路徑的異常狀態(tài)特征項進(jìn)行映射并以結(jié)構(gòu)化格式存儲，形成歸因路徑和模板路徑的直接索引表。6.如權(quán)利要求5所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法，其特征在于：所述統(tǒng)計周期未能對齊的歸因路徑計算對齊偏差率，生成異常歸因路徑列表，包括，統(tǒng)計周期內(nèi)歸因路徑中未能與任何模板路徑對齊的歸因路徑數(shù)量，以及本周期歸因路4徑總數(shù)，計算當(dāng)前周期的對齊偏差率，若偏差率高于偏差閾值，輸出異常歸因路徑列表，形成反饋報告。7.如權(quán)利要求6所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法，其特征在于：所述采集業(yè)務(wù)事件數(shù)據(jù)，包括，根據(jù)行業(yè)業(yè)務(wù)流程進(jìn)行業(yè)務(wù)事件的數(shù)據(jù)采集，其中結(jié)構(gòu)化數(shù)據(jù)包括生產(chǎn)傳感器、設(shè)備日志以及業(yè)務(wù)系統(tǒng)數(shù)據(jù)，文本數(shù)據(jù)包括工作記錄、故障報告以及原始文本數(shù)據(jù)，圖形數(shù)據(jù)包括現(xiàn)場設(shè)備監(jiān)控、產(chǎn)品圖像數(shù)據(jù)。8.基于行業(yè)大模型的智能數(shù)據(jù)分析方法的系統(tǒng)，基于權(quán)利要求1~7任一所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法，其特征在于：包括，多源數(shù)據(jù)采集模塊，采集業(yè)務(wù)事件數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)；多模態(tài)融合模塊，對采集數(shù)據(jù)進(jìn)行特征提取，輸出單一多模態(tài)融合向量；嵌入管理模塊，以統(tǒng)一文本編碼器方法，將專家文檔和歷史知識片段轉(zhuǎn)化為向量化嵌入庫；門控賦權(quán)模塊，根據(jù)門控輸入獲得動態(tài)門控因子，實現(xiàn)融合向量與知識嵌入間的自適應(yīng)加權(quán)融合，針對全流程事件輸出增強(qiáng)融合向量序列；異常特征編碼模塊，生成事件節(jié)點集合與有向邊，形成復(fù)合事件有向圖；模板匹配模塊，遍歷整理的歸因路徑與模板路徑，對路徑序列實行LCS算法計算結(jié)構(gòu)重合長度，篩選高度相似對齊的關(guān)鍵歸因路徑；偏差反饋模塊，建立可溯源的直接索引表，輸出異常歸因路徑列表和報告。9.一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，其特征在于：所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)權(quán)利要求1~7任一所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法的步驟。10.一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于：所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1~7任一所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法的步5基于行業(yè)大模型的智能數(shù)據(jù)分析方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及數(shù)據(jù)分析技術(shù)領(lǐng)域，特別是基于行業(yè)大模型的智能數(shù)據(jù)分析方法及系統(tǒng)。背景技術(shù)[0002]隨著信息化基礎(chǔ)設(shè)施的持續(xù)完善和企業(yè)數(shù)字化轉(zhuǎn)型進(jìn)程的深入，行業(yè)各領(lǐng)域積累了大量結(jié)構(gòu)化、非結(jié)構(gòu)化和多模態(tài)的業(yè)務(wù)數(shù)據(jù)，涵蓋了生產(chǎn)傳感器信號、設(shè)備運行日志、業(yè)務(wù)操作數(shù)據(jù)、工藝文本記錄、監(jiān)控影像等多種類型，隨著人工智能技術(shù)特別是深度學(xué)習(xí)模型、自然語言處理算法和計算機(jī)視覺工具逐步被引入工業(yè)數(shù)據(jù)分析場景，提升了對復(fù)雜業(yè)務(wù)數(shù)據(jù)的處理能力；[0003]但現(xiàn)有方法仍以單一數(shù)據(jù)模態(tài)處理或弱關(guān)聯(lián)分析為主，尚未實現(xiàn)針對多模態(tài)信息的深度融合，行業(yè)知識庫的建設(shè)和應(yīng)用亦多停留于靜態(tài)文檔化或有限案例推理水平，缺乏與實時業(yè)務(wù)數(shù)據(jù)相結(jié)合的動態(tài)知識挖掘與智能歸因支撐，面對結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)多源共存的現(xiàn)實，傳統(tǒng)技術(shù)在特征抽取、表示和融合層面缺乏統(tǒng)一且高效的處理框架；采用簡單拼接、靜態(tài)權(quán)重加權(quán)等手段難以挖掘各模態(tài)之間的隱含關(guān)聯(lián)和上下文依賴，導(dǎo)致分析結(jié)果準(zhǔn)確性與可解釋性偏弱，其次，關(guān)于行業(yè)知識的利用，相關(guān)技術(shù)大多僅支持基于關(guān)鍵詞或淺層語義的檢索，無法根據(jù)多模態(tài)業(yè)務(wù)事件的實際組合動態(tài)、準(zhǔn)確地檢索最貼切的專家知識片段，此外，歸因分析方法多采用模板匹配或淺層序列比較，既不能客觀度量各事件與標(biāo)準(zhǔn)流程的相似度，也難以適配快速變化的業(yè)務(wù)場景。發(fā)明內(nèi)容[0005]因此，本發(fā)明提供了基于行業(yè)大模型的智能數(shù)據(jù)分析方法解決面對結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)多源共存的現(xiàn)實，傳統(tǒng)技術(shù)在特征抽取、表示和融合層面缺乏統(tǒng)一且高效的處理框架；采用簡單拼接、靜態(tài)權(quán)重加權(quán)等手段難以挖掘各模態(tài)之間的隱含關(guān)聯(lián)和上下文依賴，導(dǎo)致分析結(jié)果準(zhǔn)確性與可解釋性偏弱，其次，關(guān)于行業(yè)知識的利用，相關(guān)技術(shù)大多僅支持基于關(guān)鍵詞或淺層語義的檢索，無法根據(jù)多模態(tài)業(yè)務(wù)事件的實際組合動態(tài)、準(zhǔn)確地檢索最貼切的專家知識片段，此外，歸因分析方法多采用模板匹配或淺層序列比較，既不能客觀度量各事件與標(biāo)準(zhǔn)流程的相似度，也難以適配快速變化的業(yè)務(wù)場景的問題。[0008]采集業(yè)務(wù)事件數(shù)據(jù)，根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，并采用自注意力機(jī)制計算縮放點積注意力得分矩陣，進(jìn)行加權(quán)輸出多模態(tài)融合向量，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入[0009]計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量計算，并計算知識片段與融合向量的關(guān)系強(qiáng)度值，獲得完整業(yè)務(wù)流程的增強(qiáng)融合向6量序列；[0010]確定業(yè)務(wù)事件所屬的類別標(biāo)簽生成事件有向圖，提取類別異常狀態(tài)特征集合，整理模板路徑和實際業(yè)務(wù)的歸因路徑，使用LCS算法確定路徑重合長度，并篩選高度相似對齊的歸因路徑；[0011]根據(jù)異常狀態(tài)特征生成歸因路徑與模板的直接索引表，統(tǒng)計周期未能對齊的歸因路徑計算對齊偏差率，生成異常歸因路徑列表。[0012]作為本發(fā)明所述基于行業(yè)大模型的智能數(shù)據(jù)分析方法的一種優(yōu)選方案，其中：所述根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入向量，包括，[0013]采集業(yè)務(wù)事件數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)，對采集數(shù)據(jù)進(jìn)行預(yù)處理，對處理后的結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)分別進(jìn)行數(shù)據(jù)降維；[0014]其中對結(jié)構(gòu)化數(shù)據(jù)采用多層感知器MLP,通過ReLU非線性激活函數(shù)進(jìn)行特征向量提取，對文本數(shù)據(jù)使用預(yù)訓(xùn)練的BERT模型進(jìn)行編碼，并選取輸出文本特征向量利用預(yù)訓(xùn)練ResNet50模型提取特征，取其全局平均池化層的輸出得到圖像特征向量；[0015]對三個采集數(shù)據(jù)的特征向量采用線性變化進(jìn)行標(biāo)準(zhǔn)化處理，堆疊構(gòu)成模態(tài)特征矩陣，采用自注意力機(jī)制計算Query、Key、Value,并計算縮放點積注意力得分矩陣，應(yīng)用softmax歸一化，得到注意力矩陣并對Value進(jìn)行加權(quán)；[0016]隨后采用平均池化，將三個模態(tài)的信息融合為單一向量，輸出多模態(tài)融合向量并根據(jù)行業(yè)業(yè)務(wù)流程進(jìn)行序列化，組成融合多模態(tài)向量序列；[0017]基于企業(yè)規(guī)程和專家文檔構(gòu)建行業(yè)知識數(shù)據(jù)庫，對知識庫中每條知識片段統(tǒng)一使用文本編碼器Enc進(jìn)行嵌入得到對應(yīng)的嵌入向量，整個知識庫對應(yīng)一組嵌入矩陣；[0018]針對業(yè)務(wù)事件的多模態(tài)融合向量，在知識庫嵌入矩陣E中檢索其最相關(guān)的K條知識片段組成知識向量集，采用余弦相似度計算相關(guān)度值篩選K組多模態(tài)融合向量與知識片段的組合。[0019]作為本發(fā)明所述基于行業(yè)大模型的智能數(shù)據(jù)分析方法的一種優(yōu)選方案，其中：所述計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量[0020]根據(jù)多模態(tài)融合向量與知識片段的組合進(jìn)行拼接作為門控輸入向量，基于前饋全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建知識門控融合模型，對門控輸入向量單層神經(jīng)網(wǎng)絡(luò)獲得門控因子；[0021]選擇交叉熵?fù)p失函數(shù)計算門控因子與訓(xùn)練集實際標(biāo)簽的差異，使用Adam優(yōu)化器進(jìn)行梯度下降優(yōu)化，更新參數(shù)包括權(quán)重和偏置項，在連續(xù)迭代過程中計算的損失差異不再明顯下降則停止迭代；[0022]用門控因子權(quán)衡兩個來源信息進(jìn)行融合向量計算，同時針對每個知識片段利用點積形式獲得與初始融合向量的關(guān)系強(qiáng)度值，并進(jìn)行Softmax處理得到歸一化權(quán)重，用所有K個候選增強(qiáng)向量和對應(yīng)的歸一化權(quán)重確定最終增強(qiáng)融合向量；[0023]對業(yè)務(wù)流程中的每個事件t均重復(fù)上述操作，最終獲得完整業(yè)務(wù)流程的增強(qiáng)融合向量序列。[0024]作為本發(fā)明所述基于行業(yè)大模型的智能數(shù)據(jù)分析方法的一種優(yōu)選方案，其中：所述確定業(yè)務(wù)事件所屬的類別標(biāo)簽生成事件有向圖，提取類別異常狀態(tài)特征集合，使用LCS算法確定路徑重合長度，并篩選高度相似對齊的歸因路徑，包括，7[0025]根據(jù)增強(qiáng)融合向量序列的不同事件確定事件的時間點，并確定業(yè)務(wù)事件所屬的類別標(biāo)簽以及事件現(xiàn)場元數(shù)據(jù)，構(gòu)建成時間節(jié)點，并確定所有業(yè)務(wù)事件的節(jié)點集合；[0026]根據(jù)工藝標(biāo)準(zhǔn)表明確獲得行業(yè)業(yè)務(wù)流程主線，根據(jù)業(yè)務(wù)流程中事件i直接流向事件j的標(biāo)準(zhǔn)流轉(zhuǎn)關(guān)系進(jìn)行有向邊構(gòu)建，對于每個相鄰業(yè)務(wù)事件依據(jù)真實業(yè)務(wù)發(fā)生順序以及理論規(guī)定的節(jié)點間銜接順序，分別生成候選有向邊集，將標(biāo)準(zhǔn)流程產(chǎn)生的邊和實際業(yè)務(wù)流程采集的邊合并起來生成事件有向圖；[0027]根據(jù)行業(yè)知識庫給出的細(xì)致領(lǐng)域標(biāo)簽，遍歷全部事件節(jié)點，將具有相同領(lǐng)域標(biāo)簽且在有向圖中連通的節(jié)點，確定為業(yè)務(wù)子流程，并將所有業(yè)務(wù)子流程構(gòu)建子流程集合；[0028]對于子流程內(nèi)每條有向邊提取類別異常狀態(tài)特征集合，包括時序特征、狀態(tài)跳變度量、突變幅度、工藝流程標(biāo)準(zhǔn)違規(guī)標(biāo)簽、實時監(jiān)控報警標(biāo)志，對每條有向邊的每項異常狀態(tài)特征進(jìn)行統(tǒng)計并進(jìn)行歸一化求和，作為每條有向邊的歸因性分值，并統(tǒng)計每個子流程的總歸因性分值；[0029]基于經(jīng)驗法設(shè)置的得分閾值，并將高于得分閾值得分的子流程作為主要歸因路徑，基于行業(yè)知識數(shù)據(jù)庫，收集并整理企業(yè)歷年的歸檔路徑作為模板路徑，同步采集歸因路徑中節(jié)點步驟邊的異常狀態(tài)特征，生成標(biāo)準(zhǔn)路徑模板庫；[0030]對實際業(yè)務(wù)中獲得的每一條歸因路徑和行業(yè)知識數(shù)據(jù)庫中每一條模板路徑，將節(jié)點順序與每條有向邊的異常狀態(tài)特征，編碼為一組有序特征序列向量，分別為歸因路徑的結(jié)構(gòu)化特征序列和專家知識模板路徑的結(jié)構(gòu)化特征序列；[0031]對每一條待歸因路徑，遍歷模板庫，逐一對比特征序列，采用最長公共子序列LCS算法，根據(jù)歸因路徑P的前i步和模板路徑T的前j步之間的最長公共子序列的長度，作為二維數(shù)組L;[0032]若歸因路徑第i步和模板路徑第j步的所有字段完全一致，則確定一致重合長度，否則，選擇排除歸因路徑和模板路徑不匹配的節(jié)點邊，并選擇最大重合長度；[0033]根據(jù)確定的LCS重合長度與路徑的總長度的比值作為結(jié)構(gòu)相似度分?jǐn)?shù)；[0034]基于歷史數(shù)據(jù)的均值與標(biāo)準(zhǔn)差的和作為結(jié)構(gòu)相似度閾值，若結(jié)構(gòu)相似度分?jǐn)?shù)大于等于結(jié)構(gòu)相似度閾值，則判斷歸因路徑與模板路徑高度相似對齊。[0035]作為本發(fā)明所述基于行業(yè)大模型的智能數(shù)據(jù)分析方法的一種優(yōu)選方案，其中：所述根據(jù)異常狀態(tài)特征生成歸因路徑與模板的直接索引表，包括，[0036]對篩選的高度相似對齊歸因路徑，將歸因路徑的異常狀態(tài)特征與模板路徑的異常狀態(tài)特征項進(jìn)行映射并以結(jié)構(gòu)化格式存儲，形成歸因路徑和模板路徑的直接索引表。[0037]作為本發(fā)明所述基于行業(yè)大模型的智能數(shù)據(jù)分析方法的一種優(yōu)選方案，其中：所述統(tǒng)計周期未能對齊的歸因路徑計算對齊偏差率，生成異常歸因路徑列表，包括，[0038]統(tǒng)計周期內(nèi)歸因路徑中未能與任何模板路徑對齊的歸因路徑數(shù)量，以及本周期歸因路徑總數(shù)，計算當(dāng)前周期的對齊偏差率，若偏差率高于偏差閾值，輸出異常歸因路徑列[0039]作為本發(fā)明所述基于行業(yè)大模型的智能數(shù)據(jù)分析方法的一種優(yōu)選方案，其中：所[0040]根據(jù)行業(yè)業(yè)務(wù)流程進(jìn)行業(yè)務(wù)事件的數(shù)據(jù)采集，其中結(jié)構(gòu)化數(shù)據(jù)包括生產(chǎn)傳感器、設(shè)備日志以及業(yè)務(wù)系統(tǒng)數(shù)據(jù)，文本數(shù)據(jù)包括工作記錄、故障報告以及原始文本數(shù)據(jù)，圖形數(shù)8據(jù)包括現(xiàn)場設(shè)備監(jiān)控、產(chǎn)品圖像數(shù)據(jù)。[0041]第二方面，本發(fā)明提供了基于行業(yè)大模型的智能[0043]多模態(tài)融合模塊，對采集數(shù)據(jù)[0044]嵌入管理模塊，以統(tǒng)一文本編碼器方法，將專家文檔和歷史知識片段轉(zhuǎn)化為向量化嵌入庫；[0045]門控賦權(quán)模塊，根據(jù)門控輸入獲得動態(tài)門控因子，實現(xiàn)融合向量與知識嵌入間的自適應(yīng)加權(quán)融合，針對全流程事件輸出增強(qiáng)融合向量序列；[0046]異常特征編碼模塊，生成事件節(jié)點集合與有向邊，形成復(fù)合事件有向圖；[0047]模板匹配模塊，遍歷整理的歸因路徑與模板路徑，對路徑序列實行LCS算法計算結(jié)構(gòu)重合長度，篩選高度相似對齊的關(guān)鍵歸因路徑；[0048]偏差反饋模塊，建立可溯源的直接索引表，輸[0049]第三方面，本發(fā)明提供了一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，其中：所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法的任一步驟。[0050]第四方面，本發(fā)明提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其中：所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于行業(yè)大模型的智能數(shù)據(jù)分析方法的任一步驟。[0051]本發(fā)明有益效果為：通過多模態(tài)特征融合與知識片段檢索方案，可以實現(xiàn)結(jié)構(gòu)化數(shù)據(jù)、文本信息與圖像等異質(zhì)信息的統(tǒng)一表達(dá)和相關(guān)性挖掘，通過自注意力機(jī)制，模型能夠根據(jù)業(yè)務(wù)場景自適應(yīng)調(diào)整各模態(tài)特征的關(guān)注度，實現(xiàn)信息互補(bǔ)，自動突出與當(dāng)前任務(wù)最相關(guān)的多模態(tài)維度，通過余弦相似度篩選，讓每個業(yè)務(wù)事件融合向量自動關(guān)聯(lián)到歷史積累下來的最相似且最具參考價值的知識片段，門控因子的引入使模型能動態(tài)根據(jù)當(dāng)前業(yè)務(wù)事件與檢索到的知識片段的匹配情況調(diào)整融合策略，從而按需放大或抑制知識輸入，通過重合序列長度與總長度比值得到的結(jié)構(gòu)相似度分?jǐn)?shù)，為歸因路徑與模板路徑的動態(tài)對齊提供了客觀、量化的標(biāo)準(zhǔn)，并抑制了表層噪聲或局部波動造成的偽匹配。附圖說明[0052]為了更清楚地說明本發(fā)明實施例的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其它的[0053]圖1為實施例1中基于行業(yè)大模型的智能數(shù)據(jù)分析方法的流程示意圖。[0054]圖2為實施例1中基于行業(yè)大模型的智能數(shù)據(jù)分析系統(tǒng)的結(jié)構(gòu)示意圖。具體實施方式[0055]為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合說明書附圖對本發(fā)明的具體實施方式做詳細(xì)的說明。[0056]在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明，但是本發(fā)明還可以9采用其他不同于在此描述的其它方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施例的限制。式中的特定特征、結(jié)構(gòu)或特性。在本說明書中不同地方出現(xiàn)的“在一個實施例中”并非均指同一個實施例，也不是單獨的或選擇性的與其他實施例互相排斥的實施例。[0058]實施例1,參照圖1到圖2,為本發(fā)明第一個實施例，該實施例提供了基于行業(yè)大模型的智能數(shù)據(jù)分析方法，包括以下步驟：[0059]S1,采集業(yè)務(wù)事件數(shù)據(jù)，根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，并采用自注意力機(jī)制計算縮放點積注意力得分矩陣，進(jìn)行加權(quán)輸出多模態(tài)融合向量，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入向量；[0061]根據(jù)行業(yè)業(yè)務(wù)流程進(jìn)行業(yè)務(wù)事件的數(shù)據(jù)采集，采集業(yè)務(wù)事件數(shù)據(jù)包括結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)，其中結(jié)構(gòu)化數(shù)據(jù)包括生產(chǎn)傳感器、設(shè)備日志以及業(yè)務(wù)系統(tǒng)數(shù)據(jù)，文本數(shù)據(jù)包括工作記錄、故障報告以及原始文本數(shù)據(jù)，圖形數(shù)據(jù)包括現(xiàn)場設(shè)備監(jiān)控、產(chǎn)品圖像數(shù)據(jù)。[0062]通過對結(jié)構(gòu)化數(shù)據(jù)的采集，使生產(chǎn)傳感器、設(shè)備日志和業(yè)務(wù)系統(tǒng)數(shù)據(jù)得以全面還原生產(chǎn)運行狀態(tài)及各環(huán)節(jié)動態(tài)，便于后續(xù)細(xì)粒度過程分析、異常定位與性能追蹤，文本數(shù)據(jù)的采集，則為對業(yè)務(wù)現(xiàn)場的主觀描述、問題報告和事件細(xì)節(jié)提供了豐富語義支撐，有助于還原現(xiàn)場操作、故障發(fā)生與處理經(jīng)過，增強(qiáng)自動分析與自然語言解析能力，為知識抽取與根因推理提供了扎實基礎(chǔ)。圖形數(shù)據(jù)的采集，使得現(xiàn)場設(shè)備運行、產(chǎn)品狀態(tài)和視覺異常能直觀反映在數(shù)據(jù)流程中，為自動視覺檢測、異常預(yù)警和流程監(jiān)督鋪平了數(shù)據(jù)通路，實現(xiàn)了對復(fù)雜現(xiàn)場情況的多角度多模態(tài)感知。三類數(shù)據(jù)的同步獲得極大增強(qiáng)了后續(xù)多模態(tài)關(guān)聯(lián)分析、知識融合與高維數(shù)據(jù)驅(qū)動的歸因效果，使業(yè)務(wù)流程的透明化與智能化達(dá)到更高水平。[0063]進(jìn)一步的，根據(jù)數(shù)據(jù)類型進(jìn)行特征向量提取，構(gòu)建行業(yè)知識數(shù)據(jù)庫確定嵌入向量，[0064]對采集數(shù)據(jù)進(jìn)行預(yù)處理，對處理后的結(jié)構(gòu)化數(shù)據(jù)、文本數(shù)據(jù)以及圖形數(shù)據(jù)分別進(jìn)行數(shù)據(jù)降維；[0065]其中對結(jié)構(gòu)化數(shù)據(jù)采用多層感知器MLP,通過ReLU非線性激活函數(shù)進(jìn)行特征向量提取，對文本數(shù)據(jù)使用預(yù)訓(xùn)練的BERT模型進(jìn)行編碼，并利用預(yù)訓(xùn)練ResNet50模型提取特征，取其全局平均池化層的輸出得到圖像特征向量；[0066]對三個采集數(shù)據(jù)的特征向量采用線性變化進(jìn)行標(biāo)準(zhǔn)化處理，基于歷史經(jīng)驗確定統(tǒng)一緯度值D,堆疊構(gòu)成模態(tài)特征矩陣，采用自注意力機(jī)制計算Query、Key、Value,并計算縮放[0068]其中S;表示第i和第j個模態(tài)之間的注意力得分，Q表示第i個模態(tài)的Query值，K表[0069]應(yīng)用softmax歸一化，確保softmax的維度設(shè)置為每一行，使得每個模態(tài)的注意力[0072]其中Aij表示第i和第j個模態(tài)的注意力權(quán)重，Sik表示第i和第k個模態(tài)之間的注意力[0073]隨后采用平均池化，將三個模態(tài)的信息融合為單一向量，輸出多模態(tài)融合向量并根據(jù)行業(yè)業(yè)務(wù)流程進(jìn)行序列化，組成融合多模態(tài)向量序列；[0074]基于企業(yè)規(guī)程和專家文檔構(gòu)建行業(yè)知識數(shù)據(jù)庫，對知識庫中每條知識片段統(tǒng)一使用文本編碼器Enc進(jìn)行嵌入得到對應(yīng)的嵌入向量，整個知識庫對應(yīng)一組嵌入矩陣；[0075]針對業(yè)務(wù)事件的多模態(tài)融合向量，在知識庫嵌入矩陣E中檢索其最相關(guān)的K條知識片段組成知識向量集，采用余弦相似度計算相關(guān)度值篩選K組多模態(tài)融合向量與知識片段[0076]通過多模態(tài)特征融合與知識片段檢索方案，可以實現(xiàn)結(jié)構(gòu)化數(shù)據(jù)、文本信息與圖像等異質(zhì)信息的統(tǒng)一表達(dá)和相關(guān)性挖掘，通過預(yù)處理與降維，確保各類原始數(shù)據(jù)的有效壓縮與冗余去除，提高了下游特征利用率，不同類型數(shù)據(jù)分別采用適合其語義結(jié)構(gòu)的神經(jīng)網(wǎng)文與語義，圖像用ResNet50提煉復(fù)雜空間結(jié)構(gòu)，能夠最大限度保留各自信息優(yōu)勢，線性映射標(biāo)準(zhǔn)化解決了多模態(tài)特征異尺度、異分布問題，為后續(xù)統(tǒng)一融合打下基礎(chǔ)；[0077]通過自注意力機(jī)制，模型能夠根據(jù)業(yè)務(wù)場景自適應(yīng)調(diào)整各模態(tài)特征的關(guān)注度，實現(xiàn)信息互補(bǔ)，自動突出與當(dāng)前任務(wù)最相關(guān)的多模態(tài)維度；softmax逐行歸一和加權(quán)處理確保計算的注意力分布具物理及業(yè)務(wù)合理性，這種融合方式消除了主觀加權(quán)或人工特征工程所帶來的不確定性與低效，為不同來源的信息實現(xiàn)深層耦合；[0078]采用平均池化方式，最終得到穩(wěn)定、信息整合度極高的單一向量，同時與業(yè)務(wù)流程自動對齊，形成標(biāo)準(zhǔn)的融合特征序列表達(dá)，便于后續(xù)業(yè)務(wù)序列建模和溯源，對知識庫內(nèi)容進(jìn)行統(tǒng)一文本嵌入、使用向量表示后，能夠打通結(jié)構(gòu)化業(yè)務(wù)數(shù)據(jù)與領(lǐng)域知識之間的關(guān)聯(lián)，極大提升了知識檢索的精度和上下文業(yè)務(wù)貼合度；[0079]通過余弦相似度篩選，讓每個業(yè)務(wù)事件融合向量自動關(guān)聯(lián)到歷史積累下來的最相似且最具參考價值的知識片段，有效縮短了響應(yīng)時間和人工查找成本，保證模型發(fā)現(xiàn)和利用知識串聯(lián)的能力，動態(tài)K值設(shè)定結(jié)合了業(yè)務(wù)實際規(guī)模和歷史案例密度，使模型既不過擬合，又足夠靈活，整體流程大幅提升業(yè)務(wù)事件理解的深度和精準(zhǔn)度，也為流程合規(guī)性、自動歸因及智能決策提供了強(qiáng)大的信息基礎(chǔ)和顯著的全局優(yōu)化效果。[0080]S2,計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量計算，并計算知識片段與融合向量的關(guān)系強(qiáng)度值，獲得完整業(yè)務(wù)流程的增強(qiáng)融合向量序列；[0081]優(yōu)選的，計算相關(guān)度值篩選多模態(tài)融合向量與知識片段的組合，組成門控輸入向量進(jìn)行融合向量計算，獲得完整業(yè)務(wù)流程的增強(qiáng)融合向量序列，包括，[0082]根據(jù)多模態(tài)融合向量與知識片段的組合進(jìn)行拼接作為門控輸入向量，基于前饋全連接神經(jīng)網(wǎng)絡(luò)構(gòu)建知識門控融合模型，對門控輸入向量單層神經(jīng)網(wǎng)絡(luò)獲得門控因子，表示[0089]同時針對每個知識片段利用點積形式獲得與初始融合向量的關(guān)系強(qiáng)度值，表示[0093]對業(yè)務(wù)流程中的每個事件t均重復(fù)上述操作，最終獲得完整業(yè)務(wù)流程的增強(qiáng)融合整理模板路徑和實際業(yè)務(wù)的歸因路徑，使用LCS算法確定路徑重合長度，并篩選高度相似對齊的歸因路徑；[0098]優(yōu)選的，確定業(yè)務(wù)事件所屬的類別標(biāo)簽生成事件有向圖，提取類別異常狀態(tài)特征[0099]根據(jù)增強(qiáng)融合向量序列的不同事件確定事件的時間點，并確定業(yè)務(wù)事件所屬的類別標(biāo)簽(如工藝階段編號、設(shè)備類型、報警類型等，取自實際業(yè)務(wù)數(shù)據(jù))以及事件現(xiàn)場元數(shù)據(jù)數(shù)據(jù)),構(gòu)建成時間節(jié)點，并確定所有業(yè)務(wù)事件的節(jié)點集合；[0100]根據(jù)工藝標(biāo)準(zhǔn)表明確獲得行業(yè)業(yè)務(wù)流程主線，根據(jù)業(yè)務(wù)流程中事件i直接流向事件j的標(biāo)準(zhǔn)流轉(zhuǎn)關(guān)系進(jìn)行有向邊構(gòu)建，對于每個相鄰業(yè)務(wù)事件依據(jù)真實業(yè)務(wù)發(fā)生順序以及理論規(guī)定的節(jié)點間銜接順序，分別生成候選有向邊集，對于標(biāo)準(zhǔn)流程，有向邊是依據(jù)行業(yè)規(guī)定直接對接的工序、環(huán)節(jié)或業(yè)務(wù)指令產(chǎn)生，對于實際事件流，則依據(jù)真實業(yè)務(wù)中相鄰事件發(fā)生的順序，自動生成事件之間的直接流轉(zhuǎn)關(guān)系，且每生成一條有向邊附加詳細(xì)屬性包括類別標(biāo)簽和現(xiàn)場元數(shù)據(jù)；[0101]將標(biāo)準(zhǔn)流程產(chǎn)生的邊和實際業(yè)務(wù)流程采集的邊合并起來生成事件有向圖，即既包含理論應(yīng)有的流轉(zhuǎn)關(guān)系，也包含了現(xiàn)場真實發(fā)生的實際流轉(zhuǎn)，這樣無論是流程監(jiān)督、異常檢[0102]根據(jù)行業(yè)知識庫給出的細(xì)致領(lǐng)域標(biāo)簽，遍歷全部事件節(jié)點，將具有相同領(lǐng)域標(biāo)簽且在有向圖中連通的節(jié)點，確定為業(yè)務(wù)子流程，并將所有業(yè)務(wù)子流程構(gòu)建子流程集合；[0103]對于子流程內(nèi)每條有向邊提取類別異常狀態(tài)特征集合，包括時序特征(連續(xù)事件標(biāo)準(zhǔn)違規(guī)標(biāo)簽(程序自動比對流轉(zhuǎn)節(jié)點對是否跳過必經(jīng)工藝，是否逆流，是否存在非法或不合規(guī)環(huán)節(jié))、實時監(jiān)控報警標(biāo)志(ERP/MES/傳感器系統(tǒng)產(chǎn)生的故障、超限或報警事件),對每條有向邊的每項異常狀態(tài)特征進(jìn)行統(tǒng)計并進(jìn)行歸一化求和，作為每條有向邊的歸因性分值，并統(tǒng)計每個子流程的總歸因性分值；[0104]基于經(jīng)驗法設(shè)置的得分閾值，并將高于得分閾值得分的子流程作為主要歸因路徑，基于行業(yè)知識數(shù)據(jù)庫，收集并整理企業(yè)歷年的歸檔路徑作為模板路徑，包括經(jīng)典缺陷根因路徑、典型問題流、專家審核過的異常傳播鏈、業(yè)務(wù)標(biāo)準(zhǔn)傳播模板，同步采集歸因路徑中節(jié)點步驟邊的異常狀態(tài)特征，生成標(biāo)準(zhǔn)路徑模板庫；[0105]對實際業(yè)務(wù)中獲得的每一條歸因路徑和行業(yè)知識數(shù)據(jù)庫中每一條模板路徑，將節(jié)點順序與每條有向邊的異常狀態(tài)特征，編碼為一組有序特征序列向量，分別為歸因路徑的結(jié)構(gòu)化特征序列和專家知識模板路徑的結(jié)構(gòu)化特征序列，可采用JSON數(shù)組進(jìn)行編碼存儲；[0106]對每一條待歸因路徑，遍歷模板庫，逐一對比特征序列，采用最長公共子序列LCS算法，根據(jù)歸因路徑P的前i步和模板路徑T的前j步之間的最長公共子序列的長度，作為二維數(shù)組L;[0107]若歸因路徑第i步和模板路徑第j步的所有字段完全一致，則確定一致重合長度，否則，選擇排除歸因路徑和模板路徑不匹配的節(jié)點[0110]其中L[i][j]表示歸因路徑的前i步和模板的前j步的一致重合長度，L[i-1][j-1]表示前一對都比對完成的最長公共子序列長度，L'[i][j]表示歸因路徑的前i步和模板的前j步的最大重合長度，L[i-1][j]和L[i][j-1]分別表示只看歸因路徑的前i-1步和模板路徑的前j步以及只看歸因路徑的前i步和模板路徑的前j-1步的最長公共子序列長度；[0111]根據(jù)確定的LCS重合長度與路徑的總長度的比值作為結(jié)構(gòu)相似度分?jǐn)?shù)；[0112]基于歷史數(shù)據(jù)的均值與標(biāo)準(zhǔn)差的和作為結(jié)構(gòu)相似度閾值，若結(jié)構(gòu)相似度分?jǐn)?shù)大于等于結(jié)構(gòu)相似度閾值，則判斷歸因路徑與模板路徑高度相似對齊。[0113]通過業(yè)務(wù)事件被分為嚴(yán)格的節(jié)點集合，每個節(jié)點都帶有可追溯的業(yè)務(wù)元數(shù)據(jù)和事件類別，使事件鏈條的描述具備邏輯清晰和數(shù)據(jù)真實保證；從理論流程與實際執(zhí)行中分別抽取有向邊并合并到統(tǒng)一圖結(jié)構(gòu)，這讓后續(xù)的流程優(yōu)化、偏差識別和根因追溯都能基于業(yè)務(wù)邏輯全貌開展，既避免了單一視角的盲區(qū)，也提供了理想與現(xiàn)實動態(tài)比對的可能。[0114]子流程劃分通過領(lǐng)域標(biāo)簽和節(jié)點連通性聯(lián)動完成，可精確聚合同類業(yè)務(wù)環(huán)節(jié)且自動適配現(xiàn)場工藝變化，降低了人為劃分可能產(chǎn)生的偏差。針對每條有向邊統(tǒng)計時間、狀態(tài)、流程、告警等多維異常特征，歸一求和為客觀可度量的歸因性分值，進(jìn)一步對每個子流程量化異常程度，實現(xiàn)了快速聚焦最有可能影響業(yè)務(wù)結(jié)果的核心異常鏈條。[0115]通過經(jīng)驗法設(shè)置的得分閾值，可以避免高噪聲、低相關(guān)流程占用分析資源，使分析聚焦在真正異常劇烈、可能產(chǎn)生業(yè)務(wù)風(fēng)險的流程段落；采用標(biāo)準(zhǔn)化模板路徑庫、同步特征向量化存儲，讓實際歸因結(jié)果可以與歷史沉淀的典型問題及經(jīng)驗形成高一致性結(jié)構(gòu)化比對。這種比對既不依賴人工經(jīng)驗，也不會遺漏業(yè)務(wù)流程中新的異常模式，從根本上提升了自動化智能分析的適用性和實時性。[0116]LCS算法對比后，通過重合序列長度與總長度比值得到的結(jié)構(gòu)相似度分?jǐn)?shù)，為歸因路徑與模板路徑的自動“歸類”及動態(tài)對齊提供了客觀、量化的標(biāo)準(zhǔn)，并抑制了表層噪聲或局部波動造成的偽匹配，利用歷史均值與標(biāo)準(zhǔn)差合成的閾值作為最終判據(jù)，則讓主要歸因路徑的甄別和高可信的自動歸檔都具備了數(shù)據(jù)驅(qū)動的自適應(yīng)機(jī)制，真正賦能大規(guī)模工業(yè)場景下的流程異常定位和知識閉環(huán)完善。[0117]S4,根據(jù)異常狀態(tài)特征生成歸因路徑與模板的直接索引表，統(tǒng)計周期未能對齊的歸因路徑計算對齊偏差率，生成異常歸因路徑列表；[0119]對篩選的高度相似對齊歸因路徑，將歸因路徑的異常狀態(tài)特征與模板路徑的異常狀態(tài)特征項進(jìn)行映射并以結(jié)構(gòu)化格式存儲，形成歸因路徑和模板路徑的直接索引表。[0120]通過將高度相似對齊的歸因路徑與模板路徑的異常狀態(tài)特征進(jìn)行一一映射，并以結(jié)構(gòu)化方式進(jìn)行存儲，實現(xiàn)了歸因結(jié)果與標(biāo)準(zhǔn)模板之間的精確信息關(guān)聯(lián)，保證歸因結(jié)果的所有異常細(xì)節(jié)都能夠被后續(xù)自動化系統(tǒng)、運維人員或決策系統(tǒng)精確調(diào)取和檢索，提高了數(shù)據(jù)復(fù)用和查詢效率，歸因路徑和模板路徑間的直接索引關(guān)系，帶來了業(yè)務(wù)歸因與歷史知識的無縫銜接，便于統(tǒng)計歸因次數(shù)、監(jiān)控特定異常類型的出現(xiàn)趨勢以及發(fā)現(xiàn)流程優(yōu)化的高發(fā)環(huán)節(jié)，為企業(yè)后續(xù)的異常跟蹤、歸因解釋、合規(guī)審計及知識庫持續(xù)擴(kuò)展提供了堅實的結(jié)構(gòu)性基礎(chǔ)，極大提升了管理與分析的自動化和可控性。[0121]進(jìn)一步的，統(tǒng)計周期未能對齊的歸因路徑計算對齊偏差率，生成異常歸因路徑列[0122]保存歸因路徑的全部節(jié)點序列、邊的異常狀態(tài)特征，以及其匹配的結(jié)構(gòu)相似度分[0123]統(tǒng)計周期內(nèi)歸因路徑中未能與任何模板路徑對齊的歸因路徑數(shù)量，以及本周期歸因路徑總數(shù)，計算當(dāng)前周期的對齊偏差率，若偏差率高于偏差閾值(根據(jù)歷史經(jīng)驗設(shè)置),輸[0124]通過將每條歸因路徑的節(jié)點序列、全部邊的異常狀態(tài)特征和具體的結(jié)構(gòu)相似度分?jǐn)?shù)進(jìn)行詳細(xì)記錄并生成日志，使得后續(xù)的追溯、回放和問題復(fù)核都有原始數(shù)據(jù)來源支撐，保證每一次歸因分析既可驗證也方便被重復(fù)利用，周期性統(tǒng)計未對齊歸因路徑與總歸因路徑數(shù)，并據(jù)此計算對齊偏差率，通過量化指標(biāo)能夠動態(tài)反映當(dāng)前知識模板對實際業(yè)務(wù)復(fù)雜性[0125]當(dāng)偏差率超過預(yù)定閾值，系統(tǒng)能夠自動篩出全部異常歸因路徑，組成反饋報告，精準(zhǔn)提示管理與分析團(tuán)隊關(guān)注可能的產(chǎn)線變革、設(shè)備老化或新發(fā)難題，支持快速響應(yīng)和知識模板擴(kuò)展優(yōu)化。該過程實現(xiàn)了異常信息的自動歸檔、統(tǒng)計與上報，確保企業(yè)能夠持續(xù)閉環(huán)優(yōu)化業(yè)務(wù)流程和知識資產(chǎn)，有效提升問題預(yù)警和自適應(yīng)調(diào)整能力。[0126]本實施例還提供基于行業(yè)大模型的智能數(shù)據(jù)分析方法的系統(tǒng)，包括，[0127]多源數(shù)據(jù)采集模塊，負(fù)責(zé)從結(jié)構(gòu)化數(shù)據(jù)源、文本數(shù)據(jù)源、圖形